基于近紅外高光譜成像快速無損檢測注膠肉研究

何鴻舉,朱亞東,王 魏,蔣圣啟,馬漢軍,2,陳復生,劉 璽,朱明明,趙圣明,王正榮

(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)

近年來,隨著經濟的快速增長,人們越來越追求高品質生活,飲食追求已經從最初的解決溫飽轉變為高品質、高營養。肉類作為一種重要的食物占據了很大的市場份額,我國是豬肉生產大國同時也是消費大國[1]。近年來,豬肉產品問題越發嚴重,市場上“以次充好、以假亂真”的狀況日益普遍,如往豬肉里添加其他動物源的肉來降低成本,或用一些邊角料來摻假,這不僅擾亂了市場持續,嚴重的損害了消費者的利益,還嚴重威脅到廣大人民群眾的安全健康[2]。此外,肉及肉制品摻假還會帶來一些其他方面的問題,例如宗教問題、過敏源的標識問題等[3]。卡拉膠常被用于肉制品,雖說其無毒、無害、無副作用,擁有良好的保水性,使用后可改善肉制品的性質,賦予良好的口感[4],但是違法使用則會導致不良后果,如在膠中摻加工業色素、防腐劑等物質。傳統的檢測方法包括感官評定法、化學檢測法(酶聯免疫吸附測定、聚合酶鏈反應),這些手段雖然檢測精度高,但存在耗費時間長、成本投入大、操作復雜、對工藝要求高、以及對檢測肉的機械破壞等缺點,使得傳統的操作方法已經不適應快節奏的生產加工及銷售模式[5]。因此,發展快速、無損、實時、高效的摻假檢測技術具有重大意義。

近紅外高光譜成像技術是近幾年來發展起來的的一項新型非破壞性檢測技術,融合了計算機技術、光學、信號處理等多個學科[6-7]。近紅外高光譜成像技術運用近紅外光譜區與有機分子中含氫基團振動的合頻和各級倍頻的吸收區一致等優點，結合圖像學技術實現對摻假樣品的快速無損檢測,具有方便、快速、高效、不破壞樣品和圖譜合一[8]等優點,近年來,近紅外高光譜技術已應用于果蔬產品的品質分析與無損檢測[9-10],如檢測荔枝果皮中花青素的含量[11]、葡萄果實內部品質指標[12]、藍莓果實的糖度和硬度[13]、柑橘和臍橙的潰瘍病[14-15]、枇杷和桃的果實缺陷[16-19]、馬鈴薯外部的品質[20]、黃瓜凍害[21]以及西瓜種子[22]、番石榴和人心果[23]等果蔬的分類。

鑒于高光譜成像技術的優勢,本試驗旨在探究近紅外高光譜成像技術快速檢測注膠肉的可行性。首先選用豬里脊肉為摻假對象,摻入不同濃度卡拉膠,通過獲取光譜信息構建數學模型,實現注膠肉的快速評價,為近紅外高光譜成像技術用于肉品摻假檢測提供數據支撐。

1 材料與方法

1.1 材料與儀器

豬里脊肉 河南省新鄉市世紀華聯超市,在實驗室去膜(表面的結締組織),切碎,再用絞肉機充分攪拌至肉糜;卡拉膠 浙江一諾生物科技有限公司。

HSI-eNIR-XC130型推掃式近紅外高光譜成像系統 臺灣五鈴光電股份有限公司;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;TLE205E電子分析天平 梅特勒-托利多上海有限公司;SUPOR家用絞肉機 浙江紹興蘇泊爾生活電器有限公司。

1.2 實驗方法

1.2.1 2%濃度卡拉膠溶液制備 2 g的卡拉膠加入100 mL蒸餾水。

1.2.2 摻膠豬肉糜制備 摻入卡拉膠濃度梯度為0～30%,注膠梯度為2%,注膠豬肉糜總質量為30 g,將得到的注膠樣品置于專用培養皿中(直徑60 mm,高10 mm)將樣品表面鋪平,然后進行數據采集,每個梯度各做5個平行樣品,共80個注膠樣本。

1.2.3 高光譜系統參數設置 為了保證光源的穩定及光譜采集的準確性,實驗前開啟高光譜設備預熱30 min。待儀器穩定后對高光譜儀器進行參數設定和儀器黑白板校準。具體參數為:載物臺移動速度為7.27 mm/s,設置調整近紅外高光譜系統的曝光時間為4.25 ms,鏡頭掃描范圍為100～200 mm,掃描波段為900～1700 nm,圖像尺寸為640×512。

1.2.4 模型構建 獲取高光譜圖像后,用軟件HSI Analyzer將掃描后得到的高光譜圖像進行校正,確定感興趣區域,提取感興趣區域內的光譜信息,建立偏最小二乘模型。選用連續投影算法(Successive projection algorithm,SPA)對全波段模型進行優化。

1.3 數據處理

將得到的80個樣品數據與摻假比例一一對應,按照2∶1(校正集∶預測集)比例劃分為校正集與預測集,校正集用于模型構建,預測集用于模型驗證。運用數據處理軟件Unscrambler 9.7對數據進行處理,運用Matlab R2010b進行特征波長的選擇,然后建立偏最小二乘(Partial least square,PLS)模型和多元線性回歸(Multiple linear regression,MLR)模型。模型性能由校正集均方根誤差(Root mean square error of calibration,RMSEC)、交叉驗證集均方根誤差(Root mean square error of cross validation,RMSECV)、預測均方根誤差(Root mean square error of prediction,RMSEP)、相關系數(R)的值以及預測偏差(Residual predictive deviation,RPD)來評價[24]。

2 結果與分析

2.1 注膠肉的光譜特征

從圖1a可看出,每個樣本的平均光譜曲線是一條光滑的曲線,在900～1700 nm的范圍內,每個樣品的反射率有所不同,但光譜變化總趨勢大致相同,在980、1200以及1450 nm處有明顯的吸收峰,其中980、1450 nm處出現的吸收峰主要是由于水分含量(O-H)不同所引起的,在1200 nm左右出現的吸收峰主要是由于C-H鍵第二泛音振動所引起的[25]。圖1b中可以看出隨著摻膠量的增加樣品光譜反射率逐漸增大,造成這樣現象的原因是由于含膠量的增加導致肉糜產品的保水性增強以及含水量的升高,高含水量肉糜中含H基團含量增加,致使樣品的反射率增強。

圖1 注膠樣品的光譜曲線特征Fig.1 Spectral curve of adulteration samples注:a:注膠樣品的平均光譜圖像;b:0、10%、20%、30%摻膠量和里脊肉的平均光譜圖像。

2.2 全波段偏最小二乘預測模型

將光譜數據與注膠比例進行擬合,按照2∶1(校正集∶預測集)的比例,選出53個樣本作為校正集,剩余樣本作為預測集,利用偏最小二乘法(PLS)建立注膠肉模型。用預測集來檢驗全波段偏最小二乘預測模型的預測性能,結果見表1。其中校正集與交叉驗證集的相關系數(RC)分別為0.98、0.97,均方根誤差(RMSEC)分別為1.74%、2.35%,校正集與交叉驗證集相關系數均接近于1,表明所建立的預測模型預測值與真實值相關性較好,能較準確的預測出卡拉膠的摻入量,其均方根誤差均較小接近于0,表明所建模型的誤差較小。為了檢驗模型,將預測集樣品帶入所建立的模型中,得到預測集相關系數(RP)為0.93,均方根誤差(RMSEP)為3.16%,RPD>2.5,表明所建立的模型性能較好,精確度較高。綜上分析得出,基于全波段所建立的PLS模型在預測注膠肉摻加量方面具有較好的適用性。

表1 全波段偏最小二乘模型預測注膠肉Table 1 PLS model for predicting glue-injected meat using full wavelength

表2 基于特征波長預測注膠肉Table 2 Predicting glue-injected meat based on characterisctic wavelengths

2.3 特征波長選擇

高光譜數據中包含了大量信息,具有高緯度和共線性問題,其中一些相關性不強的光譜信息會影響所建模型的精確性,增加模型的運算時間,降低工作效率[26-28]。高光譜系統采集的光譜數據包括兩部分,一部分光譜數據與所研究的樣本特性相關性較大;另一部分光譜信息與建立的模型預測性能的相關性較小,繁多的無用波段影響數據的處理和分析[29]。為篩選出最優波長,簡化模型,提高運算效率,本試驗選用連續投影的方法(SPA)篩選最優波長,結果如圖2。

圖2a為利用SPA篩選出的特征波長分布圖,共選擇出11個特征波長,分別為903.84、913.72、935.13、961.47、1070.06、1124.34、1175.32、1397.52、1455.21、1527.83、1676.72 nm;與全波段486個波長相比,波長數量減少了97%。圖2b為特征波長數量與均方根誤差關系圖,當最優波長數從1增加到6時,均方根誤差逐漸減小,最優波長數從6增加到8時,均方根誤差有增長的趨勢,但是增加幅度較小,當最優波長大于8時,均方根誤差逐漸下降,選擇波長數為11其均方根誤差為2.4789時,為最優波長數。

圖2 基于連續投影算法挑選最優波長Fig.2 The optimal wavelengths selected by SPA

2.4 SPA-PLS和SPA-MLR模型的建立

特征波長篩選后,其波長變量數小于樣品個數,選用PLS和MLR建模方式建立模型,將選擇的11個特征波長作為輸入變量組成11×80矩陣構建簡化模型(SPA-PLS,SPA-MLR)。由表2可知,當潛在變量數為8時,所建立的PLS預測模型最優。SPA-PLS簡化模型校正集,交叉驗證集和預測集的相關系數分別為0.97、0.95和0.93,說明所建立的簡化模型真實值與預測值相關性也達到了較好的結果,其均方根誤差RMSEP(3.51%)>RMSECV(2.73%)>RMSEC(1.96%),說明了所建簡化模型的準確性較高,建模所選擇的樣品具有較好的代表性,簡化模型的穩定性較好。

建立的簡化模型SPA-MLR預測結果可知,RP=0.92,RMSEP=3.62%,其預測精度以及RPD低于SPA-PLS預測精度,ΔE(RMSEP與RMSEC差的絕對值)為1.99%>1.55%,說明模型的穩定性也低于SPA-PLS。與全波段PLS模型相比,SPA-PLS模型預測卡拉膠含量的精度與全波段PLS模型基本相同,但利用11個最優波長所構建的SPA-PLS模型,其波長數量減少了97.7%,大大提高了模型的運算效率,因此運用SPA結合PLS算法建立預測模型可以實現對摻膠豬肉的快速無損檢測,且其結果優于孟一等[30]研究。最優模型SPA-PLS結果如圖3所示,圖3a為簡化模型預測能力結果圖,圖3b為對簡化模型的驗證結果圖。

圖3 SPA-PLS模型預測結果Fig.3 The prediction results by SPA-PLS注:a:優化模型校正集與交叉驗證集預測結果;b:預測集預測結果。

3 結論

本試驗運用近紅外高光譜成像技術對注膠肉進行快速無損檢測。首先基于全波段光譜構建PLS模型,預測效果良好(RC=0.98,RMSEC=1.74%,RP=0.93,RMSEP=3.16%,RPD=2.96)。為了提高建模效率,運用SPA法從全波段中篩選出11個特征波長,建立基于特征波長的SPA-PLS模型和SPA-MLR模型,預測效果依然良好。其中SPA-PLS模型預測效果最優(Rp=0.93,RMSEP=3.51%,RPD=2.66)。近紅外高光譜成像技術結合連續投影算法可潛在實現注膠肉的快速無損檢測。