在線近紅外光譜系統快速檢測整塊雞胸肉菌落總數含量

何鴻舉,蔣圣啟,王洋洋,王玉玲,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 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;4.河南科技學院生命科技學院,河南新鄉 453003)

雞肉含有較高的蛋白質,每100 g雞肉中含有約23.3 g蛋白質[1]。同時,雞肉還兼有低脂肪、低熱量、低膽固醇等營養特征,成為我國僅次于豬肉的肉類制品[2]。雞肉營養成分豐富,水分活度適宜,在生產、包裝、運輸、貯藏和銷售容易受到微生物污染,使其品質下降甚至變質,因此加強雞肉中微生物含量的實時監控顯得尤其重要[3]。菌落總數(Total Viable Count,TVC)是指食品待測樣經過預處理后,在一定條件下(培養基、培養溫度、培養時間等)培養后,獲得的每克或毫升待測樣中的細菌菌落總量,反映了食品被細菌污染的程度,標志著食品質量的優劣[4]。TVC含量常被用于評價肉類產品新鮮度,其傳統檢測方法有微量量熱法、平板計數法、酶聯免疫技術、溶氧-電流法和聚合酶鏈式反應等[5]。這些方法操作復雜、檢測時間長并且對樣品具有破壞性,已無法滿足現今我國肉品企業的大批量在線實時快速檢測和低成本的要求[6]。因此,尋找一種快速、高效準確的無損檢測肉品細菌總數含量的技術是十分必要。

近紅外光譜(NIR)技術是一種基于780～2560 nm波長范圍的樣品的光譜特征,關聯樣品本身的性質指標建立校正模型,利用校正模型預測樣品的化學組成及其含量的無損檢測技術[7]。近紅外光譜源于分子振動(由低能級向高能級躍遷),反映了含氫基團(C-H、N-H、O-H)的倍頻吸收和合頻吸收,可用于食品的定性和定量檢測[8]。企業的需求是大批量實時檢測和低成本。當樣品數量巨大時,近紅外光譜無損檢測是優勢。NIR技術具有檢測速度快、效率高、操作重現性好、樣品無預處理、易于在線檢測等優點,已被廣泛研究用于食品中TVC含量的檢測[9-11]。邢素霞等[12]在920～2500 nm范圍內探討了近紅外光譜技術預測雞肉中TVC含量的可行性,模型相關系數r為0.88,預測效果可接受。Jiang等[13]利用可見/近紅外光譜技術建立偏最小二乘模型預測雞肉中TVC含量,模型相關系數rC為0.89,RMSEC為0.75,模型預測性能也可接受。這些研究雖然說明近紅外技術檢測雞肉中TVC含量具有可行性,但其所建模型的相關系數r較低,模型穩定性較差。目前相關研究的采樣方式大多是選取雞胸肉的部分區域進行掃描光譜和檢測菌落總數,導致獲取的數據誤差較大,所建模型的代表性不強,適用范圍較小。

鑒于近紅外光譜技術的潛在優勢和目前相關研究存在的不足,本試驗根據實際生產的在線實際檢測需求,按照生產線各參數設計一套在線近紅外光譜檢測系統,通過獲取在線整塊雞胸肉樣品光譜信息和菌落總數含量,構建數學模型,旨在實現在線雞胸肉的快速準確的無接觸檢測,為進一步完善改進在線近紅外檢測系統提供數據支撐。

1 材料與方法

1.1 材料與儀器

新鮮整塊雞胸肉 由河南眾品食業股份有限公司提供。

WL-NIROLTR型在線近紅外光譜系統,主要包括光譜儀(型號SW2540)、環形光源(型號LBNIR2500)、傳送帶(速度可調)等核心部件 上海五鈴光電科技有限公司;CM0325平板計數瓊脂培養基 英國Oxoid公司。

1.2 實驗方法

1.2.1 樣品準備 將100塊新鮮雞胸肉((16±1.5) cm×(10±1.5) cm×(2±0.5 cm))經過簡單修整后,用超純水進行清洗、濾紙吸干,置于干凈的一次性保鮮盒中,編號,0～4 ℃下密封保存、備用。

1.2.2 光譜采集 試驗前,打開近紅外光譜系統預熱30 min,使光源趨于穩定。同時,從0～4 ℃溫度下取出待測樣,使其恢復到室溫后,置于系統傳送帶上,開啟傳送帶進行肉樣掃描。基于實驗室前期的研究成果和試驗調試,將系統傳送帶速度設置為10.34 cm/s,樣品檢測速度為1.40～1.69 cm/個,光源與傳送帶距離設置為9.50 cm,每個樣品掃描3次,取光譜平均值,備用。

1.2.3 TVC測定 光譜數據采集完畢后立即進行細菌菌落總數(TVC)的測定。具體方法參照GB 4789.2-2016《食品微生物學檢驗 菌落總數測定》[14],最終分析數據用測定的菌落總數(TVC)對數值表示。

1.2.4 光譜預處理 高斯濾波平滑(Gaussian Filter Smoothing,GFS)是一種線性濾波器,其作用是消除光譜采集、傳輸及處理過程中的噪聲;多元散射校正(Multiplicative Scatter Correction,MSC)是通過校正每一條光譜的散射來消除設備對光譜信息的干擾;基線校正(Baseline Correction,BC)是通過抑制基線漂移來提高光譜信噪比;卷積平滑(Savitzky Golay Smoothing,SGS)是通過加權平均的方法來消除疊加在光譜上的隨機誤差;標準正態變量校正(Standard Normal Variable Correction,SNV)是通過特定的方法運算來消減測量時帶來的誤差[15-16]。本文采用GFS、MSC、BC、SGS和SNV等五種方法預處理原始光譜(RAW),通過各種對光譜的預處理來最終提高后續模型的準確性和穩定性,對模型進行評價。

1.2.5 模型構建及評價 偏最小二乘(Partial Least Squares,PLS)法可以有效解決光譜數據數量多、相關性、重疊性的問題[17]。本文采用PLS法構建900～1650 nm全波段(233個波長)光譜信息與整塊雞胸肉TVC含量之間的定量關系,即構建模型。模型性能使用校正相關系數(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(│RMSEC-RMSEP│,ΔE)和剩余預測偏差(Residual Predictive Deviation,RPD)等參數進行評價。rC、rCV、rP、RPD值越大,RMSEC、RMSECV、RMSEP、ΔE值越小,模型的預測性能越好[18-19]。

1.2.6 最優波長篩選及模型優化 全波段光譜波長變量間常存在多重相關性,也存在冗余信息,這均會干擾模型的預測效果,使模型的精度有所下降[20]。為此,本文采用回歸系數法(Regression Coefficient,RC)[21]和連續投影算法(Successive Projections Algorithm,SPA)[22]篩選最優波長,以提高模型的運行效率和模型精度。當篩選的波長變量個數小于樣品個數時,也可構建多元線性回歸(Multiple Linear Regression,MLR)模型預測雞胸肉中TVC含量。

1.3 數據處理

PLS模型構建、MLR模型構建和RC法篩選最優波長在Unscrambler V9.7軟件(挪威CAMO公司)中完成,SPA篩選最優波長在Matlab R2016a軟件(美國Mathworks公司)中完成。

2 結果與分析

2.1 雞胸肉TVC含量測量結果

將100塊雞胸肉測量的TVC值按升序排列,每四個測量值隨機取一個劃入驗證集,其余的三個測量值劃入校正集,共獲得75個校正集樣品和25個預測集樣品,統計結果如表1所示。

表1 校正集和預測集樣品TVC測量結果統計Table 1 Statistical results of TVC measurement in samples of calibration set and prediction set

2.2 雞胸肉樣品的光譜特征

以采集的雞胸肉光譜波長為x軸,反射率為y軸,得到原始光譜和五種預處理(GFS、MSC、BC、SGS和SNV)光譜特征,如圖1所示。

圖1 雞胸肉樣品的光譜特征Fig.1 Spectral characteristics of chicken breast samples注:a:原始光譜;b:GFS光譜;c:MSC光譜;d:BC光譜;e:SGS光譜;f:SNV光譜。

從圖1可知,在900～1650 nm波長范圍內,雖然100個雞胸肉樣品近紅外光譜信息經不同預處理后,光譜曲線高低位置不同,但整體趨勢一致,這只要源于不同肉樣的化學成分含量不同,導致肉樣的光譜吸收發生了變化。此外,從圖上可以看出,在 980、1200 nm左右處有明顯的吸收峰,這分別源于肉樣組分中含氫基團O-H鍵和C-H鍵吸收所致[23]。通過合適的化學計量學方法挖掘近紅外光譜信息,可以揭示雞肉中TVC值和光譜信息之間的定量關系。

2.3 基于全波段光譜預測TVC含量結果

利用Unscrambler數據處理軟件,以233個全波段光譜信息為x變量、測得的雞胸肉TVC值為y變量,建立基于原始光譜(RAW)和五種預處理光譜的PLS模型,預測結果如表2所示。

表2 全波段PLS回歸模型預測雞胸肉TVC含量結果Table 2 Results of full-band PLS regression model in predicting TVC in chicken breast

從表2可以看出,基于6種光譜構建的PLS回歸模型(RAW-PLS、GFS-PLS、MSC-PLS、BC-PLS、SGS-PLS、SNV-PLS)預測雞胸肉TVC含量的精度相近。相比之下,基于GFS光譜構建的GFS-PLS模型rP和RPD值均最大,RMSEP和ΔE值均最小,預測效果最佳。后續最優波長篩選及模型優化均以GFS光譜基礎展開。

2.4 最優波長篩選結果

本文采用RC法和SPA法從233個全波段光譜中篩選最優波長,結果如表3所示。兩種方法篩選出的最優波長個數不同,分別為24個和25個,光譜波長減少量分別為90%和89%。

表3 特征波長篩選結果Table 3 Results of selecting optimal wavelengths

2.5 基于最優波長預測TVC含量結果

將篩選出的最優波長作為x變量,雞胸肉中TVC含量作為y變量,分別基于RC法篩選的24個最優波長構建RC-GFS-PLS模型和基于SPA法篩選的25個最優波長構建SPA-GFS-PLS模型,預測雞胸肉中TVC含量結果如表4所示。

表4 基于最優波長的PLS模型預測肉樣TVC結果Table 4 Results of predicting TVC in chicken samples by PLS model based on optimal wavelengths

由表4可知,RC-GFS-PLS模型和SPA-GFS-PLS模型預測雞胸肉中TVC含量效果不同。SPA-GFS-PLS模型預測精度更好,具有較高的相關系數(rC、rCV、rP)和較低的RMSE值(RMSEC、RMSECV、RMSEP),同時RPD值較大、ΔE值較小,SPA-GFS-PLS模型魯棒性更好。

和GFS-PLS模型(表2)相比較,SPA-GFS-PLS模型預測雞胸肉中TVC含量精度略有下降,但使用的波長變量減少了89%(表3),模型運算效率得到了很大提高。在實際在線檢測應用中,提高在線監測效率,進而提高生產效率。

本試驗中篩選最優波長后,波長數量小于樣品個數,故可建立MLR模型預測雞胸肉中TVC含量,結果如表5所示。

表5 基于最優波長的MLR模型預測肉樣TVC結果Table 5 Results of predicting TVC in chicken samples by MLR model based on optimal wavelengths

從表5可知,RC-GFS-MLR模型和SPA-GFS-MLR模型預測雞胸肉中TVC含量效果也不同。其中,SPA-GFS-MLR模型預測精度更高。和SPA-GFS-PLS模型相比較,SPA-GFS-MLR模型預測精度略高。預測雞胸肉菌落總數的最優模型為SPA-GFS-MLR模型,其rP為0.944,RMSEP為1.022,高于邢素霞等[12]的920～2500 nm范圍內近紅外光譜技術預測雞肉中TVC含量的檢測結果(rP為0.88),同時也高于Jiang等[13]的可見/近紅外光譜技術建立偏最小二乘模型預測雞肉中TVC含量的檢測結果(模型相關系數rC為0.89)。說明基于SPA法篩選最優波長構建的SPA-GFS-MLR模型更適合于預測雞胸肉中TVC含量,最優模型的實際預測效果如圖2所示。

圖2 SPA-GFS-MLR模型的預測效果Fig.2 The performance effect of SPA-GFS-MLR model

3 結論

本文研究基于在線近紅外光譜系統(900～1650 nm)快速檢測整塊雞胸肉中細菌總數(TVC)含量。通過采集在線近紅外光譜信息并進行GFS、MSC、BC、SGS、SNV預處理,構建基于233個全波段光譜的PLS預測模型。結果表明,基于GFS光譜的GFS-PLS模型預測效果最佳。分別采用RC和SPA法篩選出24個和25個最優波長,優化全波段PLS模型。結果表明,基于SPA篩選出的25個最優波長構建的SPA-GFS-MLR模型預測雞胸肉中TVC含量效果更接近于GFS-PLS模型。整體研究表明,基于在線近紅外光譜系統可實現對工業中大批量雞胸肉中TVC含量的快速預測。