NIR高光譜成像技術(shù)聯(lián)用SPA算法快速檢測五花肉的過氧化值

何鴻舉,王洋洋,王 魏,蔣圣啟,朱亞東,馬漢軍,2,陳復生,朱明明,趙圣明

(1.河南科技學院食品學院,河南新鄉(xiāng) 453003;2.河南科技學院博士后研發(fā)基地,河南新鄉(xiāng) 453003;3.河南工業(yè)大學糧油食品學院,河南鄭州450001)

肉類因富含蛋白質(zhì)、無機鹽等人體所需的營養(yǎng)成分,烹飪后滋味鮮美濃郁,是人們?nèi)粘ｏ嬍澈脱a充營養(yǎng)的首選。其中,豬肉不僅營養(yǎng)價值高,味道鮮美可口,還具有預防和治療貧血、治療腎虛體虛、產(chǎn)后血虛等功效,是人們?nèi)粘Ｉ畹闹饕忸悂碓?在整個肉品行業(yè)中占據(jù)著重要的地位[1-4]。通常肉類食品容易受到空氣、溫度和水分等的影響發(fā)生氧化而腐爛變質(zhì),肉品的氧化程度用其所含過氧化物的量來表示。過氧化值是指1 kg肉樣中能夠析出碘的毫克數(shù),通常用氫過氧化物的毫摩爾數(shù)來代表。一般而言,過氧化值含量越高,肉品腐爛變質(zhì)的面積就越大,營養(yǎng)價值降低,食用風險升高;當肉品中過氧化值的含量超過食用標準后,就不宜再用來銷售和食用。因此,加強豬肉的質(zhì)量檢測工作具有深遠的意義[5-6]。

高光譜成像技術(shù)(Hyperspectral imaging,HSI)是近年來快速發(fā)展的具有非破壞性、及時性、高準確度的一種光電檢測技術(shù),它將傳統(tǒng)的成像技術(shù)和先進的光譜技術(shù)相結(jié)合,能夠同時獲得樣品的空間信息和光譜信息,選擇性的吸取了兩種檢測技術(shù)的優(yōu)點,克服了傳統(tǒng)檢測方法的效率低下、樣品的完整性不高、損耗大等弊端[7-8],更具說服力和前沿性[9-10]。NIR光譜成像技術(shù)具有響應范圍廣、多波段且窄而連續(xù),測試重現(xiàn)性好,數(shù)據(jù)處理速度快、操作簡便,能夠?qū)崿F(xiàn)在線及時監(jiān)控分析,具有分析靈活等特點,同時適用于食品內(nèi)、外部的品質(zhì)檢測,是肉品品質(zhì)檢測具有前瞻性的新方法之一[11]。近幾年來,高光譜成像技術(shù)用于研究豬肉品質(zhì)的報道逐漸增多,但目前大多數(shù)研究集中與豬肉的化學組成成分及微生物預測方面,如水分[12]、脂肪[13]、TVC[14]等方面。然而,目前使用高光譜近紅外技術(shù)對豬肉脂肪氧化程度進行無接觸評估的報道甚少。

目前豬肉過氧化值測量主要依靠國標法,耗時長、效率低、需要破壞樣品等缺點無法滿足快速、實時、現(xiàn)場檢測等需求。鑒于高光譜成像技術(shù)的優(yōu)點,本試驗嘗試挖掘NIR高光譜技術(shù)對不同儲藏期的豬肉過氧化值進行快速預測的潛力,旨在為在線、快速、無接觸測定豬肉氧化程度提供數(shù)據(jù)支撐和方法參考。

1 材料與方法

1.1 材料與儀器

五花肉 新鄉(xiāng)市世紀華聯(lián)超市購買;三氯甲烷 天津市外環(huán)化工有限公司;冰乙酸 河南康源化工有限公司;三氯甲烷-冰乙酸混合液(體積比2∶3) 實驗室配制;碘化鉀 南京金海威化工實業(yè)有限公司;碘化鉀 天津市鼎盛鑫化工有限公司;淀粉 河北鑫中科技有限公司;石油醚 天津市欣寬化工有限公司;蒸餾水 實驗室自制;硫代硫酸鈉 溧陽市慶豐精細化工有限公司。

HSL-eNIR-400-1700高光譜成像系統(tǒng) 上海五嶺光電科技有限公司;YRE-52A旋轉(zhuǎn)蒸發(fā)儀 鞏義予華儀器有限公司;JFSD-100組織破碎機 上海嘉定糧油儀器有限公司;TLE204E/02電子分析天平 梅特勒-托利多(上海)有限公司;冰箱 青島海爾集團。

1.2 實驗方法

1.2.1 樣品預處理 將肥肉較多的新鮮五花肉,經(jīng)過去皮、修整處理后用直尺進行人工測量,切成3 cm×3 cm×1 cm[15]的長方體小塊(以便于用高光譜儀器采集樣品信息),共獲得112個樣品。然后將樣品整齊擺放在密封性良好的一次性保鮮盒中,置于冰箱冷藏室0～4 ℃下貯存,每天取出16個樣品用于采集光譜信息和過氧化值測定。

1.2.2 光譜數(shù)據(jù)采集 試驗前30 min將待測樣品從冰箱中取出,待樣品溫度達到室溫,同時將近紅外高光譜設(shè)備打開進行預熱后,對高光譜相應軟件進行參數(shù)設(shè)置和儀器黑白板校正處理[16],設(shè)置載物臺的移動速度為6.53 mm/s,系統(tǒng)的曝光時間為4.00 ms,鏡頭掃描范圍為75～175 mm。將待測樣品進行編號后,放在高光譜設(shè)備的載物臺上,一次掃描兩個樣品,并一一對應保存直至每塊樣品的數(shù)據(jù)采集完成,從而得到不同冷藏時間下的樣品的光譜數(shù)據(jù)圖。

1.2.3 五花肉過氧化值的測定 根據(jù)GB 5009.227-2016《食品中過氧化值的測定》中滴定法的要求進行檢測。

1.2.4 光譜數(shù)據(jù)提取及預處理 為了提高模型的精確度,減小誤差,降低噪音、散射等造成的不良影響,本試驗嘗試用Unscrambler軟件對獲取的樣品光譜信息進行預處理并對比結(jié)果,以選擇出最佳的預處理方式。七種預處理方式分別為:基線校正(Baseline Correction,BC)、高斯濾波平滑(Gaussian Filter Smoothing,GFS)、中值濾波平滑(Median Filtering Smoothing,MFS)、卷積平滑(Savitzky Golay Smoothing,SGS)、移動平均值平滑(Moving Average Smoothing,MAS)、標準正態(tài)變量變換(Standard Normal Variate,SNV)、多元散射校正(Multiplicative Scatter Correction,MSC)[17-18]。

1.2.5 模型的建立及評價 本試驗中以豬肉過氧化值測量值為因變量,以波長信息為自變量,基于PLS算法建立豬肉脂質(zhì)氧化程度的預測模型。通過校正相關(guān)系數(shù)(RC)、校正均方根誤差(Root Mean Square Error of Calibration,RMSEC)、交叉驗證相關(guān)系數(shù)(RCV)、交叉驗證均方根誤差(Root Mean Square Error of Cross Validation,RMSECV)、預測相關(guān)系數(shù)(RP)、預測均方根誤差(Root Mean Square Error of Prediction,RMSEP)、魯棒性(ΔE)、預測偏差(RPD)等指標評估PLS模型性能的優(yōu)劣。

1.2.6 最優(yōu)波長的選擇及模型優(yōu)化 本試驗全波段光譜(900～1700 nm)包含486個波長,如此龐大的數(shù)據(jù)量將影響模型運算速度,同時光譜中的冗余信息也會干擾模型性能。因此本試驗分別采用回歸系數(shù)法(Regression Coefficient,RC)[19]和連續(xù)投影算法(Successive Projections Algorithm,SPA)[20]選取最優(yōu)波長,以減少計算量,提高預測效率和精度。經(jīng)這兩種方法篩選出最優(yōu)波長后,以最優(yōu)波長作為輸入變量,對全波段PLS模型(F-PLS)進行優(yōu)化,建立最優(yōu)波長PLS模型(O-PLS),并以R和RMSE評價模型性能。

1.3 數(shù)據(jù)處理

高光譜設(shè)備掃描每個樣品重復三次,獲取平均光譜數(shù)據(jù)。PLS建模和RC法篩選最優(yōu)波長使用軟件Unscrambler 9.7,SPA操作在軟件MATLAB 2016a中進行,模型構(gòu)建使用化學計量學軟件Unscrambler 9.7完成。

2 結(jié)果與分析

2.1 五花肉過氧化值測定結(jié)果

將112個樣品的過氧化值依次排列按照3∶1的比例分為校正集和預測集,測量結(jié)果如表1所示:校正集的最大值、最小值分別為8.60×10-3、1.10×10-3g/100 g,預測集的最大值、最小值分別為7.90×10-3、1.20×10-3g/100 g。1.10×10-3g/100 g<1.20×10-3g/100 g<7.90×10-3g/100 g<8.60×10-3g/100 g,預測集的取值在校正集的取值范圍內(nèi),說明取值對于構(gòu)建模型具有可行性。

表1 校正集和預測集樣品過氧化值測量結(jié)果統(tǒng)計

2.2 五花肉樣品的光譜特征

提取112個樣品的平均光譜特征如圖1所示:圖1a是高光譜數(shù)據(jù)校正后的原始光譜信息,圖1b是BC預處理光譜信息,圖1c是GFS預處理光譜信息,圖1d是MFS預處理光譜信息,圖1e是SGS預處理光譜信息,圖1f是MAS預處理光譜信息,圖1g是SNV預處理光譜信息,圖1h是MSC預處理光譜信息。

由圖1可知,在900～1700 nm波長范圍內(nèi),波長與反射率呈現(xiàn)一定的函數(shù)關(guān)系,且反射率隨著樣品過氧化值含量的變化而不斷變化,雖然每種預處理方式不同,每個樣品過氧化值含量不同,但就整體趨勢而言,大致相同。

圖1 五花肉過氧化值平均光譜曲線

2.3 基于全波段光譜的PLS預測過氧化值結(jié)果

偏最小二乘(Partial Least Square,PLS)是一種應用范圍廣泛、分析效果好、準確性高的光譜數(shù)據(jù)分析方法[21]。PLS不僅能夠從多個自變量中篩選整理出多個相互之間彼此獨立的主成分,得到多個自變量和多個因變量之間的關(guān)系[22],同時也能最大程度地減少設(shè)備中的噪聲干擾,有效地解決樣品的數(shù)量多、變量間的多重相關(guān)性的問題,構(gòu)建模型進行數(shù)據(jù)處理[23-24]。一般而言,相關(guān)系數(shù)越高且接近于1,模型的相關(guān)性越好;均方根誤差和魯棒性越小且接近于0,預測偏差越大且大于2.5,模型的預測效果越好[25-28]。本試驗構(gòu)建PLS模型預測五花肉的過氧化值,結(jié)果如表2所示。

表2 五花肉過氧化值F-PLS回歸預測結(jié)果

由表2可知,在486個波長范圍內(nèi),未經(jīng)預處理的原始數(shù)據(jù)(RAW)與經(jīng)過預處理的全波段光譜預測過氧化值結(jié)果相似,其中RAW與經(jīng)過BC預處理構(gòu)建的全波段光譜的PLS(F-PLS)預測模型效果較好,其RP分別為0.960、0.960,RMSEP分別為4.89×10-4、5.15×10-4g/100 g,ΔE分別為1.31×10-4、1.48×10-4g/100 g,RPD分別為3.406、3.444。綜上所述,RAW和BC預處理的F-PLS的相關(guān)系數(shù)更高且接近于1,相關(guān)性更好,均方根誤差更小,魯棒性更好,且RPD更大且大于3,說明其模型預測過氧化值的精度更高、效果更好。

2.4 最優(yōu)波長的選擇

以最優(yōu)波長作為輸入變量,重新運算構(gòu)建模型,預測結(jié)果如表3。

表3 用不同篩選方法確定最優(yōu)波長的PLS模型預測過氧化值結(jié)果

由表3可知,分別采用RC和SPA篩選出的最優(yōu)波長構(gòu)建PLS(O-PLS)的預測模型中,RAW-SPA(RC=0.951、RMSEC=4.69×10-4g/100 g,RP=0.960、RMSEP=4.42×10-4g/100 g)構(gòu)建的預測模型波長數(shù)更少,潛變量最少,相關(guān)系數(shù)更高,誤差更小,預測過氧化值的能力更強。

當波長數(shù)小于樣品數(shù)量時,也可使用多元線性回歸(Multiple Linear Regression,MLR)構(gòu)建模型[29],預測結(jié)果如表4。

表4 用不同篩選方法確定最優(yōu)波長的MLR模型預測過氧化值結(jié)果

由表4可知,分別采用RC和SPA篩選出的最優(yōu)波長構(gòu)建MLR預測模型中,RAW-SPA的波長數(shù)最少,潛變量最少,RC為0.953,RMSEC為4.56×10-4g/100 g,RCV為0.916,RMSECV為6.06×10-4g/100 g,RP為0.968,RMSEP為4.12×10-4g/100 g,ΔE為0.44×10-4g/100 g,RPD為3.711,與其他三種模型相比,相關(guān)系數(shù)更高,誤差更小,模型預測過氧化值的能力更強,MLR模型相關(guān)性更好。

綜上所述,本試驗采用RAW-SPA篩選最優(yōu)波長的方法更好,其數(shù)量及其位置如圖2所示:

由圖2b可知,SPA共篩選出20個最優(yōu)波長,從圖2a可知,SPA共篩選出的20個最優(yōu)波長分別為902.2、905.5、910.4、913.7、915.4、920.3、926.9、930.2、931.8、936.8、981.2、1147.4、1323.4、1395.9、1476.7、1602.2、1673.4、1688.3、1693.3、1698.3 nm。

圖2 預測過氧化值最優(yōu)波長圖

2.5 模型的優(yōu)化

利用上述連續(xù)投影算法(SPA)篩選出的20個最優(yōu)波長分別對RAW光譜信息建立最優(yōu)PLS模型(O-PLS)和MLR模型,預測過氧化值結(jié)果如表5、圖3所示。

表5 O-PLS和MLR模型SPA法最優(yōu)預測五花肉過氧化值結(jié)果比較

由表5可知,O-PLS模型和MLR模型預測過氧化值的方案是可行的,且與O-PLS(RC=0.951、RMSEC=4.69×10-4g/100 g,RP=0.960、RMSEP=4.42×10-4g/100 g)模型相比,MLR模型的相關(guān)系數(shù)更大、誤差更小,與模型相關(guān)性更好,RC為0.953,RMSEC為4.56×10-4g/100 g,RP為0.968,RMSEP為4.12×10-4g/100 g,ΔE為0.44×10-4g/100 g,RPD為3.711,預測過氧化值的效果更佳。

3 結(jié)論

本試驗利用NIR高光譜成像技術(shù)聯(lián)用SPA算法對0～4 ℃冷藏條件下的五花肉樣品的過氧化值含量進行快速、無損檢測研究。通過對比七種預處理(BC、GFS、MFS、SGS、MAS、SNV、MSC)的光譜信息,可知RAW-MLR的優(yōu)化模型預測過氧化值效果最佳,RC為0.953,RMSEC為4.56×10-4g/100 g,RCV為0.916,RMSECV為6.06×10-4g/100 g,RP為0.968,RMSEP為4.12×10-4g/100 g,ΔE為0.44×10-4g/100 g,RPD為3.711。與F-PLS模型相比(RC=0.972、RMSEC=3.58×10-4g/100 g,RP=0.960、RMSEP=4.89×10-4g/100 g,ΔE=1.31×10-4g/100 g,RPD=3.406),經(jīng)過優(yōu)化處理的MLR模型預測過氧化值結(jié)果相近,且更具代表性,精確更高,準確性更好,測定樣品五花肉的過氧化值方案是可行的,可為進一步研究快速、無損檢測五花肉的過氧化值含量提供理論支持。