近紅外光譜定性定量檢測牛肉漢堡餅中豬肉摻假

白 京，李家鵬*，鄒 昊，田寒友，劉 飛，李文采，王 輝，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）

在肉制品加工過程中，肉制品的顏色、形態被破壞，肉眼難以直觀判斷是否摻假，因此摻假肉經常出現在一些加工制品中，如肉丸、肉餡、漢堡肉餅等[1]。隨著我國居民生活水平的提高，漢堡以其方便食用、口感口味兼具的特點占據較高的市場份額。很多制造廠商受利益驅使，使用豬肉、鴨肉等低價位品種肉以及動物內臟等進行摻假，嚴重損害廣大消費者的利益。目前對肉品摻假的檢測方法，集中在蛋白質酶聯免疫吸附法、核酸聚合酶鏈式反應等[2-4]，這些檢測方法耗時耗力或對樣品有損傷，不能滿足快速檢測的需求。

近紅外光譜技術作為一種無損、快速、操作簡單的檢測技術，在肉品品質測定、品種鑒別和產品溯源等方面有很多應用[5-9]，而在肉品摻假檢測方面主要集中在瘦肉品種鑒別等[10-16]。有學者在應用近紅外光譜技術檢測牛肉漢堡餅中的摻假方面進行研究，如Zhao Ming等[17]利用近紅外光譜技術對新鮮、解凍、冷凍3 種狀態下的內臟摻假牛肉漢堡餅進行定性定量檢測，其中應用偏最小二乘判別分析（partial least squares discrimination analysis，PLS-DA）模型定性判別正確率分別為95.5%、91.3%和88.9%，應用PLS定量檢測新鮮和解凍狀態下內臟摻假牛肉漢堡餅模型的R2分別為0.96和0.86，可以看出解凍狀態樣品檢測的準確率較低。Morsy等[18]將新鮮狀態的豬肉、內臟、脂肪分別按照不同比例與牛肉混合，應用偏最小二乘回歸（partial least squares regression，PLSR）方法定量檢測摻假模型的R2分別為0.96、0.94和0.95，均能較好預測摻假，未見對不同摻雜比例的豬肉和脂肪進行檢測預測。由此，應用近紅外光譜技術檢測牛肉漢堡餅摻假的研究取得了一定的成果，但還存在一些空白。一是肉的品種對近紅外光譜影響較大[19]，不同肥肉占比的肉餅摻假檢測研究主要集中在國外，有必要對國內牛肉中摻假檢測方法進行研究；二是新鮮狀態與解凍狀態檢測結果不盡相同，考慮到牛肉漢堡肉餅主要在解凍狀態下進行加工儲藏，因此也有必要進行不同肥肉占比的牛肉中豬肉摻假解凍狀態下的研究。

牛肉漢堡餅根據肥肉含量和添加其他輔料的不同分為高品質和低品質兩種，高品質牛肉漢堡餅中僅含有肥肉和牛瘦肉，且瘦肉比例在75%～100%之間[20]。本實驗研究選取高品質解凍狀態下的牛肉漢堡餅為摻假對象，以相對較低價位的豬肉進行摻假，采集樣品的近紅外光譜信息，選取合適的預處理方法并分別建立定性和定量模型，提出一種快速檢測不同肥肉占比的解凍牛肉漢堡餅中豬肉摻假的定性定量分析方法，為國內牛肉漢堡餅的摻假快速檢測提供技術支撐。

1 材料與方法

1.1 材料

豬腿肉（品種為杜長大） 北京永輝商業有限公司；牛瘦肉取自牛霖、牛肥肉（魯西黃牛） 北京穆森偉業清真食品有限責任公司；以上肉樣品均為冷鮮肉，樣品1 h內運至實驗室后密封保存于0～4 ℃冷庫中。

樣品組成：實驗樣品分為未摻假和摻假牛肉漢堡餅兩類，其中未摻假樣品中瘦肉比例為75%～100%之間，依次遞減2.5%，共11 個配比，每個配比3 個平行，共33 個樣品；摻假樣品中瘦肉比例為75%～100%（牛瘦肉及摻加的豬瘦肉比例之和）之間，肥肉比例為0%～25%，豬瘦肉占總量比例為0%～40%，為在保證代表全部樣品的前提下簡化實驗樣品數量，通過MyDesign軟件混料設計得到14 個配比，每個配比3 個平行，共42 個樣品，如表1所示。

表 1 摻假樣品配比Table 1 Proportions of adulterated samples

樣品制備：為保證模型準確，將原料肉的表皮、筋膜、肥肉、血塊等剔除，按照比例混合摻雜。將摻雜好的樣品分別放置在-18 ℃冷凍庫中保存。實驗開始前，將樣品取出放置在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 g，使用直徑為8 cm的漢堡模具壓實壓平，之后采集近紅外光譜。

所有實驗在1 個月內完成，保證肉品冷凍期間化學成分基本無變化[21]。

1.2 儀器與設備

MPA近紅外傅里葉變換光譜儀 德國布魯克公司；電子天平 艾德姆衡器（武漢）有限公司；絞肉機合肥榮電實業股份有限公司。

1.3 方法

1.3.1 光譜采集

為保證準確采集到樣品表面的光譜數據，利用該近紅外光譜儀的旋轉器采集，光譜采集軟件為OPUS7.0。將樣品放置在樣品杯中壓實，光譜儀掃描范圍為3 600～12 500 cm-1，掃描次數為64 次，分辨率為32 cm-1。實驗時環境溫度為（25±1）℃，相對濕度為（60±5）%，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。

1.3.2 樣品集劃分

為保證模型的預測精度，將75 個樣本按順序以3∶1分為校正集和驗證集，樣品數分別為57 個和18 個，樣品集劃分結果如表2所示，校正集和驗證集中摻假樣品和未摻假樣品的分布較為一致。

表 2 樣本集劃分結果Table 2 Composition of sample sets

1.3.3 數據處理方法

定性判別方法選取非線性判別和線性判別兩類方法中應用較為廣泛的SVM和PLS-DA。SVM算法是一種基于有限樣本統計學習理論的有監督機器學習方法，通過非線性映射將輸入變量映射到一個高維的特征向量空間，在高維特征空間進行線性回歸，依據結構風險小化原則，在高維空間構造優分類超平面，較好解決小樣本、非線性等問題[22-23]。PLS-DA算法是基于判別分析的PLS算法，應用類別變量代替濃度變量，同時從光譜陣和濃度陣中提取載荷和得分，消除光譜間可能存在的復共線關系[24]。定性判別時將未摻假樣品組的類別變量設為0，摻假樣品組的類別變量設為1。

選取應用較為廣泛的PLSR方法，以豬肉摻假的比例值為理化指標，建立不同肥肉占比的解凍牛肉漢堡餅中豬肉摻假比例的定量檢測模型，其中未摻假樣品的豬肉摻假比例為0。

1.3.4 評價指標

通過比較樣品判別正確率確定最優定性判別方法，定量檢測時比較校正集的相關系數（Rc）與預測集的相關系數（Rp）、校正均方根誤差（root mean square error calibration，RMSEC）和預測均方根誤差（root mean square error prediction，RMSEP）評價模型[25]。

數據處理以及畫圖采用Matlab 2017a、Excel 2017軟件編程實現。

2 結果與分析

2.1 原始光譜測定結果

圖 1 樣品原始光譜圖像Fig. 1 Original NIR spectra of samples

圖1為所有樣品的原始光譜圖像，比較圖1a、b可知，未摻假樣品和摻假樣品的光譜曲線趨勢相近，但摻假樣品相對未摻假樣品變化幅度更大，未摻假樣品的光譜曲線比摻假樣品更加平滑，尤其在7 000～4 000 cm-1之間比較明顯。在近紅外中峰寬代表信號的強弱[26]，摻加豬肉會引起光譜信號變弱。圖1c中3 條曲線分別為肥肉占比25%下豬肉摻假比例40%、19.88%和未摻假的樣品光譜曲線，可以看出在整個光譜范圍內并未有隨豬肉摻假比例降低光譜吸收度下降或升高的規律，說明需要通過化學計量學方法提取光譜中的有效信息[26]。

2.2 主成分分析-支持向量機（principal component analysis-support vector machine，PCA-SVM）模型判別

2.2.1 PCA結果

由于原始光譜數據維數較高，若直接利用原始數據建模會影響計算速度且模型運算時間會過長。PCA是一種較為常見的數據降維處理方法，可以利用盡可能少的主成分代表原始光譜數據。圖2為前3 個主成分的兩兩得分圖（PC1和PC2，PC2和PC3），3 個主成分對描述解凍牛肉漢堡餅樣品差異的貢獻率分別為71.74%、26.48%、0.97%。從得分圖可以看出，摻假樣品和未摻假樣品之間不能明顯區分，但是兩類的重心可以區分。PC2對兩組樣本的部分分離做出了較為顯著的貢獻，而PC3則描述了每組樣本中的變化，其中摻假樣本組中變化受影響較高。使用前3 個主成分的累計貢獻率已經達到99.19%，能夠準確反映樣品光譜信息。

圖 2 前3 個主成分得分圖Fig. 2 Scores plots of first three principal components

2.2.2 模型的建立

由圖2可知，兩組樣品的判別區分不能直接實現，而SVM判別非線性可分數據是通過選取合適的核函數，解決低維空間映射到高維空間增加計算復雜度的問題，得到高維空間函數進行非線性可分數據的分類。常用的核函數主要有多項式核函數、徑向基核函數（radial basis function，RBF）、線性核函數、Sigmoid核函數等，其中RBF核函數超參數數量小、數值難度低、逼近速度快且應用最為廣泛。本實驗選取RBF作為模型的核函數，懲罰因子C和核參數γ是RBF核函數中需要確定優化的兩個重要參數[27]。本實驗通過比較不同折數交叉驗證、粒子群算法（particle swarm optimization，PSO）和遺傳算法（genetic algorithm，GA）等算法確定最優的兩參數，以提高模型的預測精度，選擇的參數以及最終判別正確率如表3所示。

由表3可以看出，通過交叉驗證方法選取核參數的SVM模型判別正確率相對較高，其中當交叉驗證折數為10，懲罰因子C為64，核參數γ為0.09時，校正集判別正確率最高為100%，驗證集判別正確率最高為83%。驗證集中被誤判的樣品各不相同，分別為表1中10號摻假樣品（豬肉占比30.25%、脂肪占比14.15%）、11號摻假樣品（豬肉占比12.63%、肥肉占比12.37%）、15%肥肉占比的未摻假樣品。

表 3 不同方法選擇的核函數參數的SVM模型判別結果Tabel 3 Classification results of SVM model with kernel function parameters selected by different methods

2.3 PLS-DA模型判別

選取合適的主因子數可以保證PLS-DA模型有較高的預測準確度和準確性，主因子數選擇是建立PLS-DA模型的第1步。本實驗采用百葉窗法交叉驗證確定模型的最佳主因子數。選擇的主因子數初始范圍為1～20，步長為1，分別建立PLS-DA模型，得到不同的交叉驗證均方根誤差（root mean square error of cross-validation，RMSECV）。主因子數選取按照盡可能少的主因子數且RMSECV盡可能低的原則，當主因子數為13時，為最優條件。

對校正集原始光譜數據做標準正態變換（standard normal variate，SNV）預處理后，選取主因子數為13，建立PLS-DA判別模型，判別時以0.5為閾值，高于0.5的判別為摻假樣品，低于0.5的判別為未摻假樣品，判別結果如圖3a所示，摻假樣品和未摻假樣品的判別正確率均為100%。為進一步驗證所建立PLS-DA模型，將驗證集樣品的SNV預處理后的光譜數據代入上述PLS-DA校正模型并計算判別正確率，結果如圖3b所示，摻假樣品和未摻假樣品的判別正確率也均為100%。結果表明，應用PLSDA方法判別不同肥肉占比的牛肉漢堡餅中的豬肉摻假可行，且預測精度較高。由上述2 種判別結果可知，PLS-DA作為一種監督模式識別方法，構造因素時考慮到了輔助矩陣以代碼形式提供的類成員信息[28]，相對SVM這種無監督模式判別方法，更加適合肉類摻假鑒別，具有更加高效的鑒別能力，而這一結果也與Zhao Ming等[17]的研究相一致。

圖 3 PLS-DA模型判別結果Fig. 3 Classification results of PLS-DA model

2.4 PLS定量檢測模型

表 4 不同預處理方法的PLSR模型Table 4 PLSR models with different pretreatment methods

圖 4 PLSR模型預測結果Fig. 4 Prediction results of PLSR model

分別采用均值中心化（mean centering，MC）（數據增強類算法）、Savitzky-Golay結合一階求導（savitzkygolay derivative，SG-1st）（導數類算法）、Savitzky-Golay平滑（savitzky-golay smoothing，SGS）（平滑類算法）、SNV和多元散射校正（multiplication scatter correction，MSC）（信號校正類算法）等幾種具有代表性的預處理方法[25]，對原始光譜數據預處理后應用PLSR方法建模，建模結果如表4所示。應用MC預處理后，預測系數較高，且RMSEC與RMSEP的值均較低且二者相差較小，該模型比較準確，其預測值與真實值的關系如圖4所示。由圖4b得知，當摻假比例在20%以上時，預測值均勻分布在預測線兩側，真實值與預測值相差較小，而摻假比例低于20%時，真實值與預測值相差較大，說明該模型的檢測限為20%，后期可選取合適樣品數量或優化模型參數方法進一步降低檢測限[29]。

3 結 論

本研究基于近紅外光譜技術，對不同肥肉占比的牛肉漢堡餅中的豬肉摻假進行定性判別和定量檢測研究，得出了以下結論：1）應用SVM和PLS-DA算法均可實現不同肥肉占比的牛肉漢堡餅中豬肉摻假的定性鑒別，其中PLS-DA模型判別效果更好，驗證集和校正集判別正確率均為100%。2）應用PLSR算法可以實現不同肥肉占比的牛肉漢堡中豬肉摻假比例的定量檢測，校正集和驗證集的相關系數分別為0.968 9和0.861 1，RMSEP為7.221%。

本實驗中選取的牛肉漢堡餅為高品質漢堡餅，未考慮其他輔料的影響，后期可選取低品質牛肉漢堡餅為研究對象，豐富配方內容，進一步擴大該方法的應用范圍。另可進一步優化參數或選擇合適樣品數量進一步降低該方法檢測限。