高光譜成像技術結合線性回歸算法快速預測雞肉摻假牛肉

,2,*,2

(1.河南科技學院食品學院,河南新鄉 453003;2.河南科技學院博士后研發基地,河南新鄉 453003;3.河南科技學院新科學院,河南新鄉 453003)

肉類作為一種重要的營養物質,含有蛋白質、脂類、礦物質和維生素等豐富的人體所需物質,能為機體活動和新陳代謝提供物質代謝基礎[1]。人們生活水平的不斷提高,膳食結構的日益科學化,消費者對肉制品的需求更加趨于高質量,口感細膩,營養全面。牛肉味道鮮美、肉質細膩、肉質紋理清晰,營養成分含量較高,是人們追求高質量肉品的首選。但因牛肉高品質、高售價,目前有不法商販將各種低質量肉類摻入牛肉中,以次充好,損害了消費者的權益[2]。市場上常見的摻假牛肉及牛肉制品主要是用比較便宜的肉制品來部分或者全部代替高質量的牛肉,特別是牛肉糜制品。其因原料肉的形態已經發生了明顯的變化,肉眼無法分辨出來[3]。傳統的肉類摻假鑒別方法有感官評定、理化檢驗以及DNA檢測法等[4-5],需要復雜的樣品前處理,試驗操作過程繁瑣,耗時費力。因此需要一種高效、環保、省時省力、無損的檢測方法對摻假牛肉產品進行檢測。

高光譜成像技術是一種光譜技術與圖像技術相結合的綜合無損檢測技術。高光譜成像技術既可以獲得不同波長處的光譜圖像信息又可以獲得光譜圖像上所反映的波長信息,具有快速、綠色、高效、無需復雜前處理等優點[6-7]。迄今為止,高光譜成像系統已被廣泛的運用在肉類質量品質的檢測,特別是肉類產品成分的檢測[8-12]、肉類產地的溯源[13]、肉類品種的鑒別[14]、肉類辨別的研究[15],如Zheng等[16]采用光譜的多重平均和預測相關空間分布系數處理光譜減少光譜的噪音,運用特征波長所建立的偏最小二乘模型預測羊肉糜中鴨肉的摻假決定系數達到0.98,證明近紅外高光譜技術在羊肉摻假中運用的可行性。Zhao等[17]運用侵入剔除優化(Invasive weed optimization,IWO)結合最小二乘支持向量機(Least squares support vector machine,LS-SVM)建立的預測牛肉中摻入變質牛肉的模型的正確辨別率高達95%。Yang等[18]在400～1000 nm波段范圍內建立了基于多元線性回歸(Multiple linear regression,MLR)方法建立的在線監控腌肉干燥過程中揮發性鹽基氮(Total volatile basic nitrogen,TVB-N)含量的模型,證明了高光譜技術在肉品檢測中運用的可行性。

本試驗研究近紅外高光譜成像技術對牛肉摻假的快速無損檢測,試驗選用高品質的牛里脊肉為摻假對象,以相對較低價位的雞胸肉進行摻假,對肉樣進行簡單的前處理,采集摻假樣品的高光譜圖像,選用最優的建模方式建立預測牛肉摻假的定量預測模型,為國內牛肉摻假的定量檢測提供數據支撐。

1 材料與方法

1.1 材料與儀器

新鮮牛肉、雞胸肉 世紀華聯超市,樣品密封在0～4 ℃小冰箱中快速運至實驗室。

HSI-eNIR-XC130型推掃式高光譜成像系統(主要部件包括:3900-ER光源 Illumination Technologies Inc,New York,USA;ImSpector V10E光譜儀 Spectral Imaging Ltd,Oulu,Finland;光譜分辨率為5 nm;CCD探測儀DL-604 M,Andor,Ireland;OLE2鏡頭 Schneider,German;IRCP0076-1COMB移動平臺 Isuzu Optics Corp,Taiwan,China) 臺灣五鈴光電股份有限公司;數據采集軟件 Spectral Image software,Isuzu Optics Corp,Taiwan,China;TLE204E/02電子分析天平 梅特勒-托利多儀器有限公司;JR06C-200絞碎機 浙江紹興蘇泊爾生活電器有限公司。

1.2 實驗方法

1.2.1 樣品的制備 為了保證模型的準確性,首先剔除原料肉的表皮、筋膜、血塊等,隨后運用絞肉機將樣品肉絞至肉糜狀,然后按照一定摻假比例(2%～98%,其中摻假間隔為2%,每個樣總量為30 g)稱取相應質量的牛肉和雞肉樣品置于絞肉機中絞3 min使制取的樣品充分混勻,另外制取純雞肉和純牛肉樣品作為對照樣品,制備方法參照楊清華等[19]和孟一等[20],最后將制得的摻假樣品與對照樣品置于專用培養皿中(直徑60 mm,高10 mm)鋪平保持表面平整以備光譜掃描。每個摻假樣品和對照樣品制備 3個平行樣,總共153個樣本,其中摻假147個,純牛肉糜和純雞肉糜各3個,對相同摻假量的平行樣品所得到的光譜數據進行平均計算,共得到51個平均光譜數據。

1.2.2 高光譜圖像的獲取與光譜的校正 為了保證光源的穩定性,消除光譜儀自身的干擾,試驗前30 min將高光譜設備打開進行預熱,待光源穩定之后進行掃描。首先對高光譜設備進行相關參數的設定,調整樣品與鏡頭間的最佳物距,多次采集樣品圖像,在保證所得樣品圖像不失真、不變形的前提下,確定最佳曝光時間與平臺移動速度。經過多次調整后,將近紅外高光譜曝光時間設置為4.25 ms,載物移動平臺速度設置為7.27 mm/s,掃描間距為100 mm,掃描波段為900～1700 nm,圖像尺寸為640×512。然后將已摻假樣品置于載物臺上,把高光譜設備的暗箱門關閉后進行掃描。

樣品高光譜圖像在采集過程中,由于光譜儀系統本身暗電流、照明單位以及樣品對光源反射的影響,需要對采集的光譜圖像進行黑白校正,如下所示:

其中:RC為校正后的摻假樣品圖像；RO為摻假樣品的原始圖像；RB為暗背景圖像,其反射率為0%；RW為白板圖像,其反射率在99.9%左右。

1.2.3 數據的提取 高光譜圖像校正后,運用圓形提取工具提取高光譜圖像的感興趣區域,通過計算感興趣區域所有像素的光譜反射率的平均值作為每個樣品的平均光譜數據,共得到153組光樣品數據,將相同摻假比例的樣品平均得到51組樣品數據,運用數據采集軟件Spectral Image Software對數據進行處理。

1.3 模型的構建與評價

將得到的51組數據按照摻假比例參考值從小到大的順序排列,按照2∶1的劃分方式分為校正集(34個樣品)與驗證集(17個樣品),其中校正集樣品用于模型的建立,驗證集樣品用于模型性能的驗證。然后選用偏最小二乘回歸(Partial least squares regression,PLSR)算法和多元線性回歸(Multiple linear regression,MLR)算法建立辨別牛肉中雞肉摻假的定量分析模型。為了降低高光譜數據的高維共線性以及提高模型的運算速度,選用PLS-β系數法、逐步回歸法(Stepwise)和連續投影算法(Successive projection algorithm,SPA)對全波段波長進行篩選,運用篩選出的特征波長建立簡化的預測模型。

表1 摻假樣品全波段偏最小二乘模型的預測結果Table 1 PLSR model of predicting adulteration samples based on full wavelengths

2 結果與分析

2.1 摻假樣品光譜曲線的特征

肉中不同化學成分的電磁輻射造成在不同的波長處出現特定的吸收峰。在近紅外波段中,這些吸收峰的出現主要是由于C-H、N-H、O-H和S-H等官能團伸縮振動的各級倍頻以及合頻形成。從圖1a中可以看出,51組平均摻假樣品的光譜反射率趨勢大體一致,不同摻假含量在特定波長處的反射率不同,特別是在980、1200、1450 nm左右出現了較強的吸收峰,在980和1450 nm處出現的吸收峰是由于樣品中O-H鍵第二和第一泛音振動所致,而在1200 nm處的吸收峰是由于C-H鍵第二泛音振動所致[24-25]。圖1b為雞肉樣品、摻雞肉50%樣品和純牛肉樣品的光譜曲線,從圖中可以看出樣品光譜的反射率曲線相似,在950～1000 nm和1150～1350 nm范圍內,反射率明顯不同,可能是由于牛肉糜在摻假后因其脂肪、蛋白質和水分含量的不同,造成光譜反射率的不同[26-27]。

圖1 摻假樣品的平均光譜Fig.1 Average spectral curve of adulteration samples注:a:摻假樣品平均光譜圖像;b:純牛肉、純雞肉和摻雞肉50%的平均光譜。

2.2 基于全波段偏最小二乘模型的建立

本試驗將不同摻假比例的牛肉樣品與相應的光譜數據進行擬合,建立全波段(486個波長)偏最小二乘模型。表1為全波段偏最小二乘模型的預測結果,從表1中可以看出當潛在變量數為3時,所建全波段模型最優,校正集與交叉驗證集的決定系數分別為0.98和0.97,接近于1,說明實測值與預測值的相關性較好,其均方根誤差分別為4.63%和5.65%接近于0,說明模型的預測誤差較小,精度較高,從表1中可以看出RMSEP>RMSECV>RMSEC,說明所選樣品代表性較好。圖2為PLSR模型樣品得分圖,XPC1與XPC2分別表示第一主成分與第二主成分對光譜(X)的解釋率(分別為73%和26%)、YPC1與YPC2表示第一、二主成分對預測變量(Y)的解釋率(分別為72%和22%)。從圖2中可以看出,光譜(X)的解釋率為99%(73%+26%)說明所建立的模型具有可靠性,樣品的得分圖沒有離群值,說明了所選樣品的有效性。將驗證集帶入所建立的模型中,用于模型的驗證,從表1中可以看出,驗證集的決定系數和均方根誤差分別為0.96和5.75%且RPD為6.45>3[28-29],說明了高光譜成像技術結合PLSR法對摻假肉檢測的可行性。

圖2 PLSR模型樣品得分圖Fig.2 Score samples of PLSR model

2.3 特征波長的選擇

原始光譜中包含了大量的光譜數據且具有高維性和共線性問題,影響所建模型的穩定性與精確性并且增加了模型的運算時間,選擇最優變量是多元分析中的一個重要步驟,用于簡化和優化預測模型[30]。從圖3～圖5中可以看出,通過不同方法所挑選出來的特征波長數量有所不同。

表2 摻假樣品特征波長建立的偏最小二乘模型預測結果Table 2 Prediction results of PLSR model based on characteristic wavelength of adulteration samples

從圖3中可以看出通過PLS-β系數法所選出來的特征波長數為5個,分別為938.421、1081.573、1693.305、1694.963、1698.281 nm,相比全波段波長數量減少了99%;圖4中可以看出,通過SPA篩選出特征波長為7個分別為961.468、1086.508、1168.743、1458.51、1534.433、1691.646、1694.963 nm,波長數量也減少了99%;圖5為通過stepwise法篩選出的特征波長為4個,分別為900.547、917.016、1076.639、1698.281 nm,相比全波段數量同樣減少了99.0%。

圖3 PLS-β系數法篩選出最優波長分布圖Fig.3 Distribution of optimal wavelengths selected by PLS-β

圖4 SPA篩選出最優波長分布圖Fig.4 Distribution of optimal wavelengths screened by SPA

圖5 Stepwise法篩選出最優波長分布圖Fig.5 Distribution of optimal wavelengths based on stepwise

2.4 偏最小二乘模型的優化

2.5 MLR和PLSR摻假預測效果對比

表3 摻假樣品特征波長建立的多元線性回歸模型預測結果Table 3 Prodiction resules of MLR model based on characteristic wavelength of adulteration samples

圖6 摻假樣品最優模型(SPA-MLR)預測結果Fig.6 Prediction results of adulterated samples by optimal model(SPA-MLR)注:a:校正集與交叉驗證集預測結果;b:驗證集預測結果。

3 結論