高光譜成像檢測煎制中調理牛肉品質的變化

謝安國 康懷彬 王飛翔 王 波

(河南科技大學食品與生物工程學院，河南 洛陽 471000)

高光譜成像能夠提供檢測對象的光譜信息和圖像信息，進而提供了從內含物質成分和外觀特征檢測食品品質的能力。高光譜成像技術在農作物長勢、病蟲害預測、果蔬檢測等農業(yè)食品領域[1-2]取得了很好的研究應用。在畜肉及肉制品檢測方面已有報道，冷鮮肉的主要品質參數(shù)如水分、嫩度[3]、脂肪[4]、顏色、微生物[5]和新鮮度[6]等可以基于高光譜技術進行快速檢測。少數(shù)學者研究了肉品加工中的品質檢測，如利用高光譜技術研究腌制肉品中NaCl及水分的遷移變化[7]、冷凍冷藏過程中光譜及品質變化[8]、臘肉亞硝酸鹽含量[9]以及肴肉新鮮度檢測[10]等。高光譜研究的主要對象是生鮮肉，對熟制肉品和熱加工過程的研究很少[11]。

原料肉加入調料預制到半熟或全熟，經(jīng)簡單處理即可食用的調理肉制品，受到越來越多的消費者青睞。加熱是食品重要的加工手段，加熱處理使蛋白質降解，提高食物的消化吸收率，殺滅致病微生物，還能促進誘人色澤和風味[12]的形成。但過度加熱會影響產(chǎn)品的營養(yǎng)價值和食用品質[13]，如嫩度及咀嚼口感變差等。

目前，利用高光譜對熟制肉品的研究較少。特別是肉品在不同程度加熱變性，以及食鹽、胡椒、黃油等調料混合的復雜食品體系中，高光譜技術對目標的檢測能力仍未被驗證。本試驗擬將牛肉混合調料后煎制不同熟度，研究肉品水分、色澤等理化指標及光譜特征的變化，并建立光譜模型對肉品品質進行快速無損檢測。為實現(xiàn)肉品的智能化、無人化加工技術提供理論依據(jù)。

1 材料與方法

1.1 材料與試劑

牛背最長肌肉(外脊肉Sirloin)：西門塔爾，采購自洛陽大商新瑪特超市；

衛(wèi)群精純鹽：河南省衛(wèi)群鹽業(yè)包裝有限公司；

黑胡椒粉：駐馬店王守義十三香調味品有限公司；

原味黃油：新西蘭安佳(Anchor)公司。

1.2 儀器與設備

色差計：Xrite Color i5型，美國Xrite公司；

電磁爐：九陽C21-SC001型，杭州九陽生活電器有限公司；

煎炸鍋：J24D型，浙江炊大皇炊具有限公司；

鼓風干燥箱：DHG9425A型，上海恒科學儀器有限公司；

高光譜成像系統(tǒng)：IST50-3810型，德國Inno-SpecGmbH公司。

1.3 方法

1.3.1 試驗工藝流程

1.3.2 牛肉煎制方法 將牛肉樣品在4 ℃條件下解凍后分割成5 cm×5 cm×3 cm規(guī)格大小。稱取食鹽1.5%，黑胡椒粉0.15%(按原料肉的重比)，與原料肉滾揉5 min，腌制30 min。平底煎鍋中加少許黃油，溫度達到120 ℃分別煎制不同時間(30～180 s)，制成不同熟度的牛肉。參照西餐加工標準對牛肉熟度判別分類[14-15]可分為一分熟(Rare)到全熟牛肉(Well Done)。

1.3.3 牛肉理化指標測定方法

(1) 烹飪失水率的測定：在加工前，精確地稱量樣品的質量，加工處理，待樣品冷卻至表面沒有水分再精確稱量質量，按式(1)計算失水率。

(1)

式中：

X——失水率，%；

m1——樣品加工前的質量，g；

m2——樣品加工后的質量，g。

(2) 肉品色差的測定：用色差計測定樣品表面的色澤[16]。

(3) 含水率的測定：按GB 5009.3—2016的直接干燥法(105 ℃)執(zhí)行。

(4) 肉品嫩度的測定：去除樣品表皮，用雙面刀沿肌肉纖維走向取5個樣品中心部分1 cm×1 cm×3 cm的長條，用剪切儀沿肌纖維垂直方向剪切肉柱，記錄剪切力值，計算平均值。

1.3.4 牛肉高光譜圖像采集方法 高光譜成像系統(tǒng)采用“推掃式”獲得光譜反射圖像，先要進行黑白板校正，將試驗前掃描的全黑高光譜圖像設定為R黑；采集到的標準白板的高光譜圖像標定為R白，掃描樣品獲得的圖像設定為R樣。校對后光譜反射值R利用式(2)計算。

(2)

校正后，將高光譜圖像放入ENVI 5.1軟件中，利用感興趣區(qū)域(Region of Interest，ROI)工具，選取并提取目標區(qū)域的平均光譜。

1.3.5 光譜降維處理 本試驗中的高光譜成像系統(tǒng)可以獲得樣品在370～1 023 nm范圍內1 288個波段豐富的光譜和圖像信息。但過多的輸入因子會引起“維度災難”，增長訓練時間并影響檢測的精度。本試驗利用主成分分析(PCA)對數(shù)據(jù)進行降維處理，將1 288個變量轉換后，提取前8個主成分綜合變量。

1.3.6 光譜建模與可視化檢測 樣品光譜經(jīng)過PCA變換后，采用多元線性回歸(MLR)和支持向量機(SVM)2種方法建立光譜模型。MLR是一種簡單快速的線性建模方法，SVM是一種非線性機器學習算法，將輸入空間中的低維線性上分不開樣品映射到高維特征空間，使其線性可分。影響SVM性能的參數(shù)包括核函數(shù)，誤差懲罰參數(shù)“C”和內核參數(shù)“σ”。本試驗使用徑向基函數(shù)(RBF)，它能夠處理光譜和目標屬性之間的非線性關系，并降低訓練過程的計算復雜度。使用粒子群優(yōu)化(Particle swarm optimization，PSO)算法搜查“C”和“σ” 參數(shù)的最佳值。PSO是一種模仿昆蟲和鳥群等合作覓食行為的進化算法，它隨機解啟動，通過迭代搜索優(yōu)解，具有精度高、收斂快等優(yōu)點。支持向量機參考Chang等[17]的libsvm工具箱，PSO-SVM詳細算法原理及實現(xiàn)可參考文獻[18]和[19]。算法程序在Matlab2014a編寫和運行，用R2和殘差RMSE衡量模型精確率。

樣品高光譜圖像下每個像素的光譜值PCA變換后，將前8個PC數(shù)值帶入建立好的SVM預測模型，可以得到每個點的品質指標值。通過Matlab的偽彩命令可繪制含水率等指標的分布情況，實現(xiàn)肉品品質的可視化檢測[7-8]。

1.4 數(shù)據(jù)處理

每個樣品的理化指標測量3次，取平均值。不同組的數(shù)據(jù)表示為平均值±標準差，數(shù)據(jù)顯著性分析依據(jù)Least-Significant Difference (LSD)即最小顯著差異法。數(shù)據(jù)分析在SPSS和Matlab2014a軟件中完成。

2 結果與分析

2.1 牛肉理化特性的分析

對100塊不同熟度牛肉樣品按照國標法進行理化指標的測量，得到樣品烹飪失水率、含水率、色差如表1所示。

水分是食品中主要成分，影響著肉品嫩度、風味、多汁性等多項口感品質，烹飪失水率還影響著企業(yè)的經(jīng)濟效益。食品中的水分有自由水和結合水2種狀態(tài)[20]，加熱時牛肉中自由水不斷蒸發(fā)；同時大部分的肌漿蛋白、肌原纖維蛋白在不同的溫度區(qū)間發(fā)生聚集[20]，蛋白熱變性將一部分結合水排出。從表1中可以得出，牛肉從30 s加熱到180 s的過程中，烹飪失水率逐漸增加，牛肉中含水率逐漸降低。通過LSD差異性分析可知，樣品的烹飪失水率和含水率的差異顯著，并且相鄰熟度的肉品之間差異也達到了顯著水平(P<0.05)。牛肉的質構也發(fā)生了顯著性的變化，剪切力有逐漸增加的趨勢；剪切力存在顯著差異(P<0.05)。牛肉色澤也會因加熱而變化，隨著加熱時間延長，L*值整體呈下降趨勢，a*值下降，b*值上升。說明加熱使樣品亮度下降，黃度增加。LSD差異分析表明，雖然不同熟度牛肉色澤存在差異，但相鄰熟度的樣品之間的差異往往沒有達到顯著水平。

表1 不同熟度牛肉的理化指標?

? 不同字母表示差異性顯著，P<0.05。

2.2 煎制牛肉的光譜特征

用高光譜成像儀對100塊牛肉進行掃描，獲得樣品370～1 023 nm內1 288個波段的光譜信息。經(jīng)過黑白板校正處理后，用ROI工具提取光譜曲線。從圖1可以看出，不同熟度的牛肉在大部分波段上(370～800 nm)光譜是相近的，有差異但不顯著。其原因是，加熱會使水分蒸發(fā)、蛋白變性以及產(chǎn)生焦糖化變色，雖然牛肉內部的生熟度有很大差異，但牛肉表皮都會受到直接加熱，蛋白變性和變色充足。此外，牛肉煎制中食鹽、黑胡椒和黃油等調料都附于表面，降低了不同牛肉表面的顏色差異。370～800 nm恰好屬于人類視覺的可見光區(qū)間，此區(qū)間的光譜分析和2.1中的Lab色差分析相互印證。說明了不同熟度，尤其相鄰熟度牛肉的顏色差異不顯著。牛肉熟度與表面色澤并不是一一對應的關系，而傳統(tǒng)烹飪方法中根據(jù)牛肉的外觀顏色對牛肉進行熟度判斷，控制烹飪時間并不是非常準確的方法。

牛肉光譜的差異主要存在于800 nm以后區(qū)間，特別是809～956 nm時，隨著加熱時間的延長，光譜反射值逐漸增高，光譜強度與牛肉熟度呈正比。此前的研究工作顯示，腌制[7]、冷凍[8]和干燥[21]等工藝使肉品水分排出，自由水對近紅外光的吸收減少，近紅外光譜反射值將增加[22]。本團隊[23]另一項工作中，研究了在高溫處理中牛肉蛋白質組分及其降解過程，結果顯示水溶性蛋白和鹽溶性蛋白均隨加熱溫度的升高和時間的延長而急劇下降，凝膠電泳中肌球蛋白重鏈條帶逐漸變淡消失。牛背最長肌中的蛋白質降解與本研究中牛肉樣品的光譜變化顯著相關。因此809～956 nm 區(qū)間光譜變化與樣品含水量、蛋白構象相關。近紅外光譜能很敏銳地捕捉到了不同熟度牛肉樣品的差異。

圖1 不同熟度牛肉的平均光譜曲線

2.3 調理牛肉光譜模型的建立

采用主成分分析處理高光譜圖像有效濃縮信息量。前3個主成分累積信息量依次達到52.42%，81.06%，97.14%，當含有8個主成分時，涵蓋了全光譜99.89%的信息量。圖2展示了同一牛肉高光譜圖像的前6個主成分圖，它從不同側面突出了調理牛肉的特點。PC-1和PC-2圖像很接近肉品生鮮牛肉的圖像，偏向于刻畫肉品紋理和基本組分的特征。PC-3和PC-4圖像偏向于描繪肉品加熱中褐變或焦糊區(qū)域的變化，而PC-5和PC-6圖像則突出了黑胡椒等調味品在產(chǎn)品表面的分布情況。PC-7和PC8圖像變得模糊，而PC-8以后的圖像基本是無規(guī)律的噪音信息。PCA處理不僅突出了有效信息，還可去除大量干擾信號，加快運算速度。

圖2 同一調理牛肉前6個主成分圖像

表2 不同光譜模型預測調理牛肉品質的效果

2.4 調理牛肉煎制過程的可視化

每個像素下數(shù)值帶入建立好的SVM預測模型，可得到每個點的指標值。通過Matlab的偽彩命令繪制調理牛肉在煎制過程中水分含量和剪切力的變化圖(圖3)。圖中的亮色表示數(shù)值高，暗色表示數(shù)值低。變化圖顯示隨著加熱時間的延長，肉品水分含量逐漸減少，肉品剪切力逐漸增加。本試驗中，煎鍋置于電磁爐上，中部火力較強而周圍較弱。變化圖如實地反映了煎炸的加熱特點：肉品中部的水分降低較快，剪切力增加較快。肉品在熟制中短時內發(fā)生劇烈變化，指標測量費時、困難。通過光譜運算及可視化技術有望對調理肉加工進行準確、高效、動態(tài)的品質檢測。

圖3 調理牛肉在煎制過程中的水分含量和剪切力變化圖

3 結論

在熟制過程中肉品組織成分會短時內發(fā)生劇烈變化，目前煎制牛排主要還是通過外表顏色判斷熟度和品質。在本研究通過Lab色差分析和可見區(qū)間光譜顯示，在多種調料混合下，相鄰熟度牛肉的顏色差異不明顯。加熱使肉品中水分不斷減少，不同熟度牛肉的水分和嫩度差異顯著(P<0.05)。加熱中牛肉水分和蛋白變性信息充分反映在了近紅外區(qū)間的光譜曲線上，近紅外波段光譜反射值隨熟度增加逐漸增高。采用PCA對高光譜數(shù)據(jù)進行變換，不僅減少了運算數(shù)據(jù)量，而且主成分圖像凸顯了調理肉不同的品質特征。SVM建立回歸模型并用PSO優(yōu)化參數(shù)，對煎制過程中的100塊牛肉構建快速檢測模型，牛肉水分和剪切力預測相關系數(shù)R2分別為0.908，0.763。可視化檢測可反映出肉品熟化中每個區(qū)域的水分遷移和嫩度變化特征，還反映出不同加熱方式的特點。

當前高光譜在工業(yè)應用中遇到的主要障礙依然是光譜與圖像的數(shù)據(jù)龐大、運算速度慢。從本研究中看出，肉品在熱加工中只有少數(shù)波段的光譜發(fā)生顯著變化。今后針對某一種食品，開發(fā)基于特征波段的高光譜專用設備和分析模型，將能夠盡早推廣高光譜的工業(yè)化應用。