基于計算機圖像處理技術與紅外特征光譜融合的兔肉熟食識別方法

孫乃旭

(濮陽醫學高等專科學校，河南 濮陽 457000)

隨著人民生活水平的提高，具有獨特風味的兔肉熟食受到了消費者的追捧。然而在利益的驅使下，某些不法商販開始用雞肉、豬肉等廉價肉類摻假甚至直接代替，嚴重侵犯了消費者的權益甚至身體健康[1]。因此，如何快速有效識別兔肉熟食是食品安全領域亟需解決的一項難題[2]。

目前，肉制品的識別方法主要有感官品評法[3]、PCR技術[4]、電子鼻等，但這些方法檢測耗時長、樣品處理過程復雜，故在實際應用中均受到了一定的限制。近紅外光譜法操作簡便、檢測速度快，近年來被研究者廣泛研究，其與計算機圖像處理技術結合已經在肉類食品新鮮度檢測、摻假檢測中得到了應用[5-8]。但是現有研究均以鮮肉制品為研究對象，未見其應用于熟肉制品的識別。本研究為彌補現有研究方向的空缺，以不同比例豬肉摻假兔肉的熟食制品為實驗材料，采集樣品近紅外光譜信息，紅外圖像預處理后進行光譜分析、PLS模型和BP-ANN模型建立和評價，提出了一種快速準確的兔肉熟食識別方法。

1 材料與方法

1.1 材料與儀器

兔肉和豬肉：購自河南濮陽超市，均為冷藏熟肉，樣品于2 h內保鮮運輸至實驗室并于4 ℃冰箱保存。

Antaris Ⅱ型傅立葉變換紅外光譜儀 美國Thermo Fisher Scientific 公司；ME-275小型絞肉機 榮事達三洋電器股份有限公司；AL204 型電子天平 梅特勒-托利多儀器有限公司。

1.2 摻假兔肉樣品的制備

為建立良好的模型，將兔肉熟食和豬肉熟食外表的皮層剔除并且盡量選取均勻的樣品。首先將兔肉熟食和豬肉熟食都切成1 cm3左右的小塊，然后將肉塊分別用絞肉機絞成肉糜，制備出兔肉糜樣品和豬肉糜樣品。最后，在兔肉糜中摻入預設比例的豬肉來制造不同比例的豬肉摻假兔肉樣品。兔肉糜∶豬肉糜(質量比)分別為10∶0、8∶2、6∶4、5∶5、4∶6、2∶8、0∶10，再次使用攪拌機攪拌1 min使樣品混合均勻。每個比例的樣品均有20個平行，共140個樣品。取(15.00±0.50) g樣品放入5 cm樣品杯中壓實壓平，用于接下來近紅外光譜的采集[9]。

1.3 光譜數據采集

將光譜儀預熱30 min后進行白板參比和性能測試。將樣品盒放入指定位置，每個樣品掃描3次，將3次采集數據的平均值作為最終光譜數據。儀器參數設置：掃描范圍為全波長掃描；掃描間隔為1 nm；掃描次數為64次；分辨率為16 cm-1；光譜采集軟件為Omnic 7.3；主機光譜范圍為10000～4000 cm-1；工作溫度范圍為15～20 ℃[10]。

1.4 計算機圖像處理

為了降低信噪比、提高模型準確度，使用Origin 8.1對紅外光譜進行Savitzky-Golay平滑和SNV(標準歸一化)預處理[11]，其中進行SNV預處理時，分析劃分子區間數目對模型的影響并找出最佳局部模型。

1.5 近紅外光譜分析

3/5的樣本(即每個比例的樣品有12個，共84個)隨機選擇作為訓練集，其他2/5的樣本(即每個比例的樣品有8個，共56個)作為構建回歸模型的預測集用于驗證模型性能。偏最小二乘判別分析(PLS-DA)和反向傳播神經網絡(BP-ANN)是常用的線性分類監督方法[12]，在本研究中用于對摻有不同比例豬肉的兔肉熟食進行建模分析。數據處理采用Matlab 8.03軟件平臺進行分析。

1.6 模型驗證及評價

以上建立的模型必須具有較準確的預測性才能真正用于實際生產，故需要對PLS-DA和BP-ANN建立的模型進行重復性、適用性驗證。將預測集的樣品用模型進行實際預測，以確定其可靠性。

2 結果與分析

2.1 原始紅外光譜

圖1 不同摻假兔肉熟食的近紅外光譜圖Fig.1 Near infrared spectrogram of different adulterated cooked rabbit meat

由圖1可知，10∶0為純兔肉熟食的紅外光譜，0∶10為純豬肉熟食的紅外光譜，在所有樣品紅外圖譜中，二者的吸光度分別為最高和最低，但隨波數的變化趨勢類似，因為畜肉類的脂肪、蛋白質中的官能團相似。可見，紅外光譜能在一定程度上識別兩種肉類[13]。但是，設置不同摻假比例后，摻假兔肉熟食的吸光度介于純兔肉熟食和純豬肉熟食之間，并且光譜的變化趨勢相同，波峰、波谷所在波段是相同的，吸光度值差距較小。若僅僅通過該原始紅外光譜來準確判定兔肉熟食中豬肉的摻假比例是不合理的，但是紅外光譜吸光度值與摻假比例之間有一定的相關性，這初步證明了利用紅外特征光譜判定兔肉熟食摻假的檢測方法的可行性。

2.2 PLS模型建立與結果分析

SNV處理可減小表面散射對光譜的影響，紅外圖譜在SNV預處理時，子區間劃分的數目會顯著影響PLS模型的適用性和準確度，故有必要對劃分子區間數目進行比較，以模型的交互驗證均方根誤差值(RMSECV)作為指標[14，15]。若RMSECV值最低，則該PLS模型具有最高的適用性。將近紅外全光譜(10000～4000 cm-1)劃分為2～20個子區間來探究不同子區間數目對PLS模型性能以及最佳波長區間的影響，見表1。

表1 不同子區間劃分的最佳局部模型結果Table 1 Results of the best local model with different subinterval partition

續 表

由表1可知，隨著劃分子區間數目的增大，最佳局部模型的RMSECV先減小后增大。在這11種區間劃分方式中，最優的方式是將整個光譜區域劃分為12個子區間，此時，最佳局部模型區域為第3區域(所屬波長范圍為7027.53～6389.82 cm-1)，最佳局部模型的主成分數為6，RMSECV為4.45，此時不論從信息量方面還是模型準確性方面，利用該區域進行建模要比直接利用全光譜建模效果好。

在此條件下建立的PLS模型結果見表2。訓練集RMSECV為4.45，訓練集RMSECV為4.58，RMSECV值均較低，說明模型準確度較高；同時相對誤差較小，各個摻假比例的預測誤差均低于8%，整體呈現摻假比例越高(豬肉占比越高)，預測相對誤差越低的趨勢，最低能達到4.8%，說明能夠達到定量識別摻假兔肉熟食的目的。7組樣品預測結果表明，該模型能夠很好地識別豬肉摻假兔肉熟食樣品，具有較高的適用性和穩定性。

表2 PLS模型的預測結果Table 2 Prediction results of PLS model

2.3 BP-ANN模型建立與結果分析

利用BP-ANN算法進行兔肉熟食摻假模型的建立，需對其進行小波變換處理，這樣可以將原有全光譜冗雜的數據量壓縮，提取有效信息，提高有效信號所占比重。經過軟件分析，確定了最佳網絡結構。輸入層(200個)-隱含層(10個)-輸出層(1個)，具體學習過程為：學習速率為0.05，初始權重為0.3，動量為0.2，最小誤差為0.0005。BP-ANN模型的預測結果見表3，訓練總時間花費19 s，總體來看預測準確率為99.45%。利用BP-ANN模型對已知摻假比例的預測集進行預測，對于這7組樣品，預測相對誤差隨著摻假量(豬肉比例)的增加而減小，最小可達3.5%，所有含量的相對誤差均在6%以內。結果表明，利用近紅外光譜數據建立的BP-ANN模型能夠較為準確地定量檢測和預測兔肉熟食中豬肉的摻假比例。

表3 BP-ANN模型的預測結果Table 3 Prediction results of BP-ANN model

3 結論

本研究對比分析了兔肉熟食、豬肉熟食、不同豬肉摻假比例的兔肉熟食的近紅外光譜特征。將全光譜劃分為15個子區間，以第3區域建立PLS模型。經過小波分析后建立BP-ANN模型，進行兔肉熟食識別。研究結果表明，PLS模型和BP-ANN模型均具有較好的識別能力，對兩模型進行驗證，PLS模型中的各摻假比例相對誤差均低于8%；BP-ANN模型中的各摻假比例相對誤差均低于6%，且均隨摻假比例的提高而降低。由此可見，可以利用基于計算機圖像處理技術(圖像預處理及建立PLS模型、BP-ANN模型)與紅外特征光譜融合的檢測方法來進行兔肉熟食的識別，該方法具有快速、準確、適用范圍廣的特點。