近紅外特征光譜定量檢測羊肉卷中豬肉摻假比例

白 京，李家鵬，鄒 昊，田寒友，劉 飛，王 輝，李文采，張振琪，王守偉

（中國肉類食品綜合研究中心，北京食品科學研究院，肉類加工技術北京市重點實驗室，北京 100068）

羊肉作為一種食藥兩用、營養豐富的肉類食品[1]，深受消費者的喜愛。羊肉卷作為火鍋等的必備食材，市場需求量極大。但近年來，隨著肉品加工業的迅速發展，受羊肉卷冷凍的制作過程啟發，很多商人受巨大利益驅使，使用鴨肉、豬肉等低價位品種肉進行摻假，靠羊尾等羊肥肉的膻味以假亂真，對消費者造成嚴重利益損失，構成嚴重食品健康隱患[2]。而由于肉品種類繁多，成分復雜，摻雜物質種類很多，外觀成分組成性質比較接近，傳統的摻假化學檢測一般通過化學分析、儀器分析、感官評定等時間較長的檢測手段來完成，且操作步驟較為復雜，不能滿足大批量快速檢測的需求，因此快速鑒別檢測摻假肉具有十分重要的意義[3-5]。

近紅外光譜作為一種快速檢測手段，分析速度快、操作簡單并且效率較高[6-8]。該技術主要在肉類方面的應用有：肉品品質的多指標綜合評價[9-12]，肉類化學成分的定量分析[13-14]，肉品產地[15]、部位[16]、摻假[17-19]等方面的鑒定。如牛曉穎等[20]比較了馬氏距離判別分析、簇類獨立軟模式分類法、最小二乘-支持向量機方法分別結合平滑（5、15 點及25 點）、一階和二階微分、多元散射校正（multiplicative scatter correction，MSC）和標準歸一化的光譜預處理方法對肉塊樣品及大中小3 個不同粉碎粒徑建立近紅外光譜鑒別驢肉模型，不同粉碎粒徑的肉類樣品分類中，驢肉樣品均得到了100%的判別正確率。但目前針對肉的摻假問題，快速定量檢測研究較少，且研究對象主要為鮮瘦肉，無法應用于鮮瘦肉和肥肉相間的羊肉卷快速定量檢測。本研究為填補現有研究的空白，以不同肥肉占比的豬肉摻假解凍羊肉卷為檢測對象，在進行簡單前處理情況下，采集樣品近紅外光譜信息，選取合適的預處理方法建立全波段偏最小二乘回歸（partial least square regression，PLSR）模型，并基于競爭性自適應加權采樣（competitive adaptive reweighted sampling，CARS）算法提取特征波長建立CARS-PLSR模型，進一步簡化預測模型，提出一種快速檢測不同肥肉占比的解凍羊肉卷中豬肉摻假比例的定量分析方法，為摻假羊肉卷的定量檢測提供技術支持。

1 材料與方法

1.1 材料與儀器

肉樣品均為冷鮮肉，按照市場羊肉卷制作實際情況，選擇以下樣品：豬瘦肉（北京永輝商業有限公司），品種為北京三元豬；羊瘦肉（羊腿肉）、羊肥肉（羊尾）均購自北京穆森偉業清真食品有限責任公司，品種為北京土種羊。樣品1 h內運至實驗室后密封保存于0～4 ℃冷庫中。

MPA近紅外光譜儀 德國布魯克光學儀器公司；PGC 6002i天平 艾德姆衡器（武漢）有限公司；RS-JR80A絞肉機 合肥榮電實業股份有限公司。

1.2 方法

1.2.1 樣品制備

為建立準確定量檢測模型，將原料肉的表皮、筋膜、肥肉、血塊等剔除，切成片狀，按照比例混合摻雜成卷狀。其中豬肉摻加量占瘦肉總量的比例分別為0%、20%、40%、60%、80%和100%，綜合羊肉中脂肪占比以及市場因素[1]，選擇肥肉占比分別為15%、25%和35%，每個配比18 個樣本平行，共324 個樣本。將摻雜好的樣品分別置于－18 ℃冷庫中保存。實驗開始前，將樣品取出置于0～4 ℃冷庫中24 h解凍。對解凍完的樣品使用絞肉機，以直徑為3 mm的板孔絞成小顆粒肉糜，絞2 次，保證樣品摻雜均勻。每個樣本稱取（180±1）g，使用直徑為8 cm的模具壓實壓平，以便進行近紅外光譜的采集。

1.2.2 光譜采集

利用近紅外光譜儀樣品旋轉器采集，光譜采集軟件為OPUS 7.0。將樣品置于樣品杯中壓實，旋轉采集，光譜儀掃描范圍為12 500～3 500 cm－1，掃描次數為64 次，分辨率為16 cm－1。實驗時環境溫度為（25±1）℃，確保無環境可見光干擾，每個樣品采集3 次光譜數據，取其平均值作為該樣品的光譜數據。

所有光譜采集實驗在1 個月內完成，保證肉品冷凍期間化學成分無明顯變化[21]。

1.2.3 分析方法

將324 個樣本按照Kennard Stone法[22]以3∶1分為校正集和驗證集，數據處理采用MATLAB2017a軟件編程實現。

為去除光譜噪聲提高信噪比，選取SG（Savitzky-Golay）卷積平滑（7 點）、SG平滑結合一階導（SG-first derivation，SG-1st）、SG平滑結合二階導（SG-second derivation，SG-2st）、MSC、中心化、標準正態變量校正（standard normal variate，SNV）等預處理方法，并結合PLSR進行定量分析建立判別解凍羊肉卷中豬肉摻假比例的預測模型。選取模型最優的預處理方法，采用CARS進行波長優選，簡化模型和提高模型預測精確度和穩定性，根據所篩選波長用PLSR方法再對豬肉摻假比例進行建模分析。以校正均方根誤差（root mean square error of calibration，RMSEC）、預測均方根誤差（root mean square error of prediction，RMSEP）、校正集決定系數（）、驗證集決定系數（）、范圍誤差比（ratio of performance to standard deviate，RPD）作為模型的評價指標[23]。尋找具有較低且相近的RMSEC和RMSEP，擁有較高和且RPD大于3[23]的組合處理方法，使模型的準確度、穩定性、分辨能力達到最佳。

1.2.4 模型驗證

實驗采用外部驗證[24]的方法對所建立的模型預測效果進行驗證。按照上述樣品制備方法，取不同摻雜比例的樣品為檢驗集（test set，TS）進行實驗驗證，具體摻雜比例如表1所示，共20 個樣本，分為4 組。其中第1、2兩組樣品肥肉占比與建模集樣品肥肉占比相同，但豬肉摻假比例不相同，而第3組樣品的肥肉占比和豬肉摻假比例均與建模集樣品相同，第4組樣品的肥肉占比和豬肉摻假比例均與建模集樣品不同，以便分別對模型的重復性和適用性作驗證。

表1 檢驗集樣品組成Table1 Sample composition of test set

2 結果與分析

2.1 原始光譜的測定

圖1 原始光譜Fig.1 Original spectra of samples

從圖1a可以看出，不同肥肉占比的純豬肉與純羊肉的吸光度曲線非常相似，在某些波數范圍內可明顯區分，如9 000～7 500 cm－1范圍內，吸光度從高到低依次是豬肉（肥肉占比15%）、羊肉（肥肉占比15%）、豬肉（肥肉占比25%）、羊肉（肥肉占比35%）、豬肉（肥肉占比35%）、羊肉（肥肉占比25%），同一肉種不同肥肉占比的吸光度變化規律不同。不同種類的肉化學成分不同，肥肉與瘦肉化學成分相差較大[25]，因此近紅外光譜的吸光度也有所變化。

不同摻假比例的樣品光譜圖趨勢相同，波峰波谷處基本相同，但吸光度呈現區別。而比較圖1b～d可以看出，不同肥肉占比的摻假肉光譜趨勢基本相同，但肥肉占比越高，肥肉占比對光譜曲線的影響越大，摻假比例對光譜曲線影響越小，肥肉占比35%的樣品吸光度差別較小。

2.2 全波段建模

表2 不同預處理方法建立羊肉中豬肉摻假模型結果Table2 Results of calibration and prediction with different preprocessing methods for adulterated mutton rolls

在原始光譜12 000～3 500 cm－1波數范圍內，分別運用SG（7 點）、SG-1st、SG-2st、MSC、中心化、SNV等預處理方法進行PLSR定量建模，如表2所示。各種預處理方法得到的PLSR模型預測集的決定系數均達到0.9以上，且RPD都在3以上，表明該方法對制備的摻假羊肉樣品中豬肉摻假比例定量預測是可行且穩定的，其中采用SG-1st作為預處理方法，預測的精確度和模型的穩定性高于其他方法，因此采用SG-1st處理之后的光譜數據作進一步分析。

2.3 特征波長建模

圖2 特征波長提取過程Fig.2 Extraction of feature wavebands

圖3 選擇特征波長變量Fig.3 Selection of characteristic wavelength variates

CARS是通過自適應重加權采樣技術選擇出PLSR模型中回歸系數絕對值大的波長點，去掉權重小的波長點，利用交叉驗證優選出多個PLSR模型中交互驗證均方根誤差（root mean square error of cross validation，RMSECV）最低的子集，該子集所包含的變量即為最優變量組合[26-27]。對SG-1st預處理后的光譜數據應用CARS算法，選取特征波長，建立CARS-PLSR定量檢測模型。圖2表示算法運行過程中，變量數、RMSECV和每個波長變量回歸系數的變化情況。如圖2a所示，隨著采樣次數的增加，保留的相關波長變量數逐漸減少，且減少的速度由高變低，表明篩選過程是由粗選到精選。如圖2b所示，隨著樣品運行次數的增加，單個PLSR模型RMSECV先降低后升高，其中運行到第7次時RMSECV最小，表明運行1～7 次之間，大量的無關變量被剔除，而運行7 次之后，與摻假定量預測相關的波長變量被剔除導致RMSECV升高。基于選取RMSECV最小的原則，選取采樣運行7 次獲取的變量子集為與摻假定量預測相關的關鍵特征變量，共93 個波長變量，如圖3所示。選擇的特征波長變量主要集中在6 600～5 500 cm－1和12 000～7 000 cm－1譜段之間，大多在中波近紅外譜區范圍內，特征譜段主要記錄的是C—H基團的一級倍頻和二級倍頻的振動吸收[28]，表明C—H基團振動的信息對于定量分析具有更大的意義。

圖4 模型預測結果Fig.4 Model prediction results

應用提取的特征波長變量建立PLSR定量檢測模型，模型校正集和驗證集的決定系數分別為0.983 6和0.972 5，RMSEC和RMSEP分別為0.043 7和0.057 7，RPD為7.62，如圖4所示。選定相連2 個比例值的均值即10%、30%、50%、70%、90%為閾值，可以看出基本每個摻假比例均與前后摻假比例無重疊，說明該模型的定量檢測針對建模集豬肉摻假比例的±10%范圍內是準確的。CARS-PLSR模型的效果明顯優于全波段建模結果，模型也更加穩定，表明CARS算法有效篩選的特征波長主要含有豬肉摻假比例定量預測的相關信息，其他無關光譜特征變量被盡可能刪除。

2.4 模型驗證

為驗證模型在各肥肉占比區間內對樣品種豬肉摻假比例預測的準確性、重復性和適用性，應用上述最優豬肉摻假比例定量分析模型對TS樣品摻假比例進行定量預測。4 組TS樣品總體的真實值與預測值的相關系數為0.913 8，均方根誤差為0.238 7，預測結果如表3所示。1、2、3組的預測誤差絕對值均低于5%，表明當檢驗樣品與樣品集肥肉占比相同時，該模型對樣品中豬肉摻假比例有良好的預測效果，重復性較好。而第3組預測并未明顯優于1、2組，表明該模型對相同肥肉占比樣品檢測具有較好得適用性。而第4組的誤差絕對值中10%摻假、30%摻假和90%摻假均大于5%，表明該模型對與建模集肥肉占比不同的樣品定量預測效果稍差，但總體差異不大。4 組樣品預測結果可以看出，模型整體對待測樣品的重復性和適用性較好，若進一步提高模型的適用性，需要增加不同肥肉占比的樣品。

表3 TS樣品預測結果Table3 Prediction results for test set

3 結 論

本實驗結合近紅外光譜技術對不同肥肉占比的解凍羊肉卷中的豬肉摻假比例進行研究對全波段光譜，經SG-1st預處理后的PLSR模型效果最好，校正集和驗證集相關系數分別為0.969和0.953，RPD為4.595大于3，即表明基于近紅外光譜技術對不同肥肉占比的羊肉卷中豬肉摻假比例的測定方法可行。CARS-PLSR模型僅使用16.1%的波長變量，校正集和驗證集決定系數分別為0.983 6和0.972 5，RPD為7.62，預測集TS預測值和真實值的相關系數為0.913 8，剔除了不相關波長變量，模型效果得到提高。

本研究中需進一步補充樣本數量，擴大不同肥肉占比下的豬肉摻假比例樣品數量，并增加不同部位肉品摻假的樣品數量，擴大模型的使用范圍。