基于近紅外高光譜技術快速檢測冷鮮豬肉酸價

何鴻舉，王魏，王洋洋，馬漢軍,2，陳復生，朱明明，趙圣明，康壯麗

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(河南工業大學 糧油食品學院，河南 鄭州,450001)

冷鮮肉在低溫控制下經過較充分的解僵、軟化和成熟過程，肉質更細嫩，滋味更鮮美，營養價值更高，已成為我國豬肉消費主流[1-4]。但豬肉富含蛋白質和脂肪，且水分含量較高，易發生緩慢水解而產生游離脂肪酸，其含量用酸價來表示[5-7]。一般而言，酸價越低，其安全性越高。酸價略微升高對人體健康并無礙，但若發生嚴重氧化時產生的醛酮類化合物會導致人體腸胃不適，損傷肝臟。冷鮮豬肉的酸價已被作為肉品品質監管和安全監管的重要技術參數之一，準確預測其含量尤為重要[8-11]。

目前測定酸價的方法主要有冷溶劑指示劑滴定法、冷溶劑自動電位滴定法及熱乙醇指示劑滴定法[12]。這些方法雖測量精確，但檢測費用高、操作繁瑣、破壞樣品且試劑消耗量大，容易對環境造成一定污染，難以滿足現代社會對食品安全檢測技術工業化大批量的快速、實時、現場檢測的要求。

高光譜成像技術運用大量窄而連續波段的高精度影像數據，通過光譜信息的細微變化，反映被測樣品的相關信息，操作簡便、數據運算速度快、測試重現度高，是近年來發展迅速的一項非破壞性、及時性、精確度高的光電檢測技術，在食品檢測方面的研究應用頗受關注[13-17]。近年來，高光譜技術研究豬肉品質的報道較多，但目前主要涉及豬肉的物理屬性、化學成分等方面，如色澤[18]、嫩度[19]、水分[20]、蛋白質[21]、TVB-N[22]、肉品摻假[23]等方面。然而，使用高光譜技術對豬肉的酸價進行預測評估的相關報道較少。鑒于高光譜成像技術快速檢測的優勢，本試驗嘗試探索基于近紅外(near infrared，NIR)高光譜數據構建高精度預測模型，以期為在線、快速、無接觸測定豬肉酸價提供方法借鑒和數據支撐。

1 材料與方法

1.1 材料與儀器

原材料：五花肉(脂肪含量在23%～46%)，新鄉市世紀華聯超市雙匯冷鮮肉專柜提供。

主要試劑：石油醚，天津市欣寬化工有限公司；乙醚-異丙醇混合液(體積比1∶1)，實驗室現配現用；0.1 mol/L NaOH標準溶液，實驗室配制；蒸餾水，實驗室自制；95%乙醇，天津市德恩化學試劑有限公司；酚酞指示劑，實驗室現配現用。

主要儀器：推掃式高光譜成像系統(HSI-eNIR-XC130)，臺灣五鈴光電科技有限公司；旋轉蒸發儀(YRE-52A)，鞏義予華儀器有限公司；組織破碎機(JFSD-100)，上海嘉定糧油儀器有限公司；電子分析天平(TLE204E/02)，梅特勒-托利多(上海)有限公司；冰箱(BCD-539WDCO)，青島海爾集團。

1.2 實驗方法

1.2.1 樣品預處理

將新鮮的油脂含量較多的五花肉，經去皮、修整后分割成3 cm×3 cm×1 cm的小立方體塊，共獲得147個樣品。隨后把樣品分裝至一次性帶蓋保鮮盒中，標記、編號，置于0～4 ℃溫度下，每天取出樣品約11個，進行后續高光譜數據采集和測定酸價。

1.2.2 采集高光譜數據

高光譜數據采集之前，將待測樣品從冰箱中取出，待其溫度恢復至室溫，同時啟動近紅外高光譜系統預熱30 min，系統采用3 900-ER光源，待其穩定后打開系統自帶軟件Spectral Image-NIR設定參數：掃描速度6.55 mm/s，曝光時間4.60 ms，鏡頭掃描范圍75～175 mm，波長掃描范圍900～1 700 nm。然后將待測樣品置于高光譜系統的載物臺上，掃描獲取樣品的高光譜圖像。為降低光源和儀器暗電流對高光譜數據的影響，需同時采集黑色圖像和白色圖像信息，并在系統自帶軟件HSI Analyzer中進行圖像校正，獲得校正圖像。最后從校正圖像的感興趣區域中提取每個像素點的光譜信息并做平均，具體操作方法參照王慧等[24]的研究。

1.2.3 測定豬肉酸價

根據GB 5009.229—2016食品安全國家標準 食品中酸價的測定中冷溶劑指示劑滴定法測定樣品中酸價。

1.2.4 光譜數據預處理

為了減小因測量條件、光散射、電噪音等造成的不良影響，提高預測模型精度，本試驗采用移動平均值平滑(moving average smoothing，MAS)、S-G卷積平滑(Savitzky Golay convolution smoothing，SGCS)、中值濾波平滑(median filtering smoothing，MFS)、高斯濾波平滑(Gaussian filter smoothing，GFS)、標準化校正(normalization correction，NC)、多元散射校正(multiplicative scatter correction，MSC)、基線校正(baseline correction，BC)、標準正態變量校正(standard normal variable correction，SNV)等8種方法預處理原始光譜。其中，MAS可對選取點進行平均，剔除數據變化異常的點，實現曲線平滑；SGCS可有效消除基線漂移、傾斜等噪聲，對變化陡的曲線也有較好的平滑效果；MFS可去除密集噪聲點對光譜信息的影響；GFS常用于消除高斯噪聲干擾；NC用于光譜曲線的標準化，提高求解精度；MSC常用于校正樣品中顆粒物質的散射影響；BC可以有效抑制基線漂移的現象；SNV主要用來消除樣品表面散射和光程變化對光譜漫反射的影響[25-28]。

1.2.5 模型的建立及評價

本試驗以酸價的測量值為因變量，以波長信息為自變量，基于偏最小二乘(partial least squares，PLS)算法構建光譜信息與酸價之間的定量關系，即模型構建。通過校正相關系數(rC)、校正均方根誤差(root mean square error of calibration，RMSEC)、交叉驗證相關系數(rCV)、交叉驗證均方根誤差(root mean square error of cross validation，RMSECV)、預測相關系數(rP)、預測均方根誤差(root mean square error of prediction，RMSEP)、魯棒性(ΔE)、剩余預測偏差(residual predictive deviation，RPD)等指標評價PLS模型性能的優劣[29-32]。其中r越接近于1、均方根誤差(root mean squared error，RMSE)越接近于0、ΔE越小、RPD越大，模型的精度、穩定性和預測效果越好。

1.2.6 最優波長的篩選及模型優化

全波段光譜數據量龐大，常隱含冗余信息，將影響模型的運算速度和預測效率，因此有必要篩選最優波長。本試驗采用回歸系數法(regression coefficients，RC)[33]和連續投影算法(successive projections algorithm，SPA)[34-35]篩選最優波長，并以最優波長為輸入變量重新構建PLS預測模型。

1.3 數據處理

PLS模型構建和RC法篩選最優波長在Unscrambler 9.7軟件(挪威CAMO公司)中進行。SPA法篩選最優波長在MATLAB 2016a軟件(美國Mathworks公司)中進行。

2 結果與分析

2.1 豬肉酸價的測定結果

把測得的147個豬肉樣品的酸價從小到大依次排列，每3個測量值中隨機取1個(1/3)選入預測集，剩余的(2/3)選入校正集，結果如表1所示。

表1 校正集和預測集酸價結果統計Table 1 Statistics of measurement results of acid value in calibration set and prediction set

2.2 豬肉樣品的光譜特征

將全部樣品的原始光譜經過8種預處理后獲得光譜特征如圖1所示。在900～1 700 nm，不管經過哪種預處理，試驗樣品的光譜曲線總體走勢基本一致。光譜曲線呈高低分布，這與樣品化學成分中的各種含氫基團(包括O—H、N—H、C—H等)的運動有關[36-37]。在-980、-1 200和-1 450 nm處分別有明顯的吸收峰，這源于O—H的倍頻吸收和合頻吸收。盡管沒有出現反映豬肉酸價的吸收信息，但通過挖掘光譜信息，可以揭示出酸價參考值和近紅外光譜數據之間的相關性。

2.3 基于全波段光譜構建PLS模型預測酸價結果

本試驗基于8種預處理的486個全波段波長，構建全波段PLS模型預測豬肉酸價，結果如表2所示。

由表2可知，基于RAW光譜數據和8種預處理光譜數據構建的PLS模型預測豬肉酸價結果相近，rP為0.792～0.824，RMSEP為0.587～0.649 mg/g，RPD為1.536～1.694，ΔE為0.301～0.376 mg/g。綜合比較而言，RAW-PLS模型和BC-PLS模型具有更好的預測精度和魯棒性，其rP分別為0.824、0.825，RMSEP分別為0.594 mg/g、0.587 mg/g，RPD分別為1.669、1.694，ΔE分別為0.308 mg/g、0.306 mg/g，預測豬肉酸價效果更好。后續波長篩選及模型優化也僅采用RAW光譜和BC光譜。

2.4 最優波長的選擇

使用RC和SPA法篩選最優波長，結果如表3和圖2、圖3所示。由表3可知，經篩選波長后，波長數量由原來的486個減少至17～29個，波長數量減少了94%～97%。

a-原始光譜;b-MAS光譜;c-SGCS光譜;d-MFS光譜;e-GFS光譜;f-NC光譜;g-MSC光譜;h-BC光譜;i-SNV光譜圖1 豬肉樣品的平均反射光譜曲線Fig.1 Average spectral reflection curve of pork samples

表2 全波段PLS模型預測豬肉酸價結果Table 2 Full waveband PLS models for predicting acid value in pork samples

表3 篩選最優波長結果比較Table 3 Comparison of optimal wavelengths selected by RC and SPA methods

使用RC法從RAW光譜中篩選出28個最優波長具體如圖2所示，分別為905.5、920.3、926.9、930.2、933.5、945.0、953.2、964.8、976.3、1 005.9、1 019.1、1 043.7、1 063.5、1 114.5、1 132.6、1 142.4、1 170.4、1 211.5、1 358.0、1 386.0、1 392.6、1 440.4、1 448.6、1 650.2、1 670.1、1 683.4、1 691.6和1 696.6 nm。

圖2 RC法從RAW光譜中篩選最優波長結果Fig.2 Optimal wavelengths selected from RAW spectra by RC method

使用SPA法從RAW光譜中篩選出17個最優波長，具體如圖3所示，分別為900.5、902.2、907.1、910.4、917.0、918.7、926.9、931.8、935.1、1 081.6、1 211.5、1 228.0、1 321.8、1 371.2、1 409.1、1 683.4和1 686.7 nm。

使用RC法從BC光譜中篩選出29個最優波長，具體如圖4所示，分別為905.5、920.3、925.2、933.5、938.4、945.0、964.8、982.9、1 005.9、1 017.4、1 065.1、1 114.5、1 150.7、1 170.4、1 211.5、1 254.3、1 274.0、1 392.6、1 427.2、1 438.7、1 448.6、1 465.1、1 509.7、1 569.1、1 600.6、1 675.1、1 685.0、1 691.6和1 696.6 nm。

使用SPA法從BC光譜中篩選出19個最優波長，具體如圖5所示，分別為900.5、902.2、907.1、912.1、918.7、923.6、926.9、930.2、958.2、1 206.6、1 325.0、1 395.9、1 409.1、1 418.9、1 432.1、1 438.7、1 465.1、1 691.6和1 695.0 nm。

a-最優波長具體位置；b-最優波長個數圖3 SPA法從RAW光譜中篩選最優波長結果Fig.3 Optimal wavelengths selected from RAW spectra by SPA method

圖4 RC法從BC光譜中篩選最優波長結果Fig.4 Optimal wavelengths selected from BC spectra by RC method

a-最優波長具體位置；b-最優波長個數圖5 SPA法從BC光譜中篩選最優波長結果Fig.5 Optimal wavelengths selected from BC spectra by SPA method

2.5 基于最優波長構建PLS模型預測酸價結果

基于RC和SPA法篩選出的最優波長，構建PLS模型預測豬肉酸價，結果如表4所示。

表4 基于最優波長的PLS模型預測酸價結果Table 4 PLS models for predicting acid value in pork samples based on optimal wavelengths

由表4可知，基于最優波長構建的PLS模型預測豬肉酸價結果不同，其中RAW-RC-PLS模型相關系數r較大，均方根誤差較小，魯棒性較好，RPD最大，總體預測能力更強(rP=0.846、RMSEP=0.569 mg/g、RPD=1.831、ΔE=0.280 mg/g)。與基于RAW光譜的RAW-PLS模型相比較，RAW-RC-PLS模型預測豬肉酸價性能有所提高。

表5 基于最優波長的MLR模型預測酸價結果Table 5 MLR models for predicting acid value in pork samples based on optimal wavelengths

2.6 基于最優波長構建MLR模型預測酸價結果

全波段光譜經過篩選后，最優波長數量小于樣品數量，可使用多元線性回歸(multiple linear regression，MLR)構建模型預測相關指標[38-39]。本試驗利用MLR構建模型預測豬肉酸價，結果如表5所示。

由表5可知，基于最優波長構建的MLR模型預測豬肉酸價結果不同，其中RAW-RC-MLR相關系數r較大，均方根誤差較小，魯棒性較好，RPD最大，總體預測性能更好(rP=0.828、RMSEP=0.621 mg/g、RPD=1.719、ΔE=0.346 mg/g)。與基于RAW光譜的RAW-PLS模型相比較，RAW-RC-MLR模型預測豬肉酸價性能略好。與基于RAW光譜的RAW-RC-PLS模型相比較，RAW-RC-MLR模型預測豬肉酸價性能略差。綜合比較，基于RAW光譜中篩選的28個最優波長構建的RAW-RC-PLS模型預測豬肉酸價效果更好，具體性能表現如圖6所示。

a-建模結果；b-預測結果圖6 RAW-RC-PLS模型預測性能Fig.6 The performance of RAW-RC-PLS model

3 結論

本試驗研究基于NIR高光譜成像技術(900～1 700 nm)快速無損檢測0～4 ℃冷藏條件下豬肉的酸價。通過8種方法(MAS、SGCS、MFS、GFS、NC、MSC、BC、SNV)預處理光譜信息后，構建基于光譜信息的PLS模型預測豬肉樣品酸價。結果顯示基于RAW光譜和BC光譜構建的RAW-PLS模型(rP=0.824、RMSEP=0.594 mg/g、RPD=1.669、ΔE=0.308 mg/g)和BC-PLS模型(rP=0.825、RMSEP=0.587 mg/g、RPD=1.694、ΔE=0.306 mg/g)預測豬肉酸價效果更好。經RC和SPA法篩選最優波長進行模型優化，結果顯示基于RC法從RAW光譜中篩選的28個最優波長(905.5、920.3、926.9、930.2、933.5、945.0、953.2、964.8、976.3、1 005.9、1 019.1、1 043.7、1 063.5、1 114.5、1 132.6、1 142.4、1 170.4、1 211.5、1 358.0、1 386.0、1 392.6、1 440.4、1 448.6、1 650.2、1 670.1、1 683.4、1 691.6和1 696.6 nm)構建的RAW-RC-PLS模型預測豬肉酸價效果更好(rP=0.846、RMSEP=0.569 mg/g、RPD=1.831、ΔE=0.280 mg/g)。盡管如此，模型的整體預測性能還有待提高，這可能與取樣數量、光譜數據分析方法、人為操作誤差等因素有關，后續試驗將進一步探索完善高光譜技術的檢測精度。總體而言，基于近紅外高光譜成像技術快速監測豬肉酸價具有很大潛力。