谢安国 康怀彬 王飞翔 王 波

(河南科技大学食品与生物工程学院，河南 洛阳 471000)

高光谱成像能够提供检测对象的光谱信息和图像信息，进而提供了从内含物质成分和外观特征检测食品品质的能力。高光谱成像技术在农作物长势、病虫害预测、果蔬检测等农业食品领域[1-2]取得了很好的研究应用。在畜肉及肉制品检测方面已有报道，冷鲜肉的主要品质参数如水分、嫩度[3]、脂肪[4]、颜色、微生物[5]和新鲜度[6]等可以基于高光谱技术进行快速检测。少数学者研究了肉品加工中的品质检测，如利用高光谱技术研究腌制肉品中NaCl及水分的迁移变化[7]、冷冻冷藏过程中光谱及品质变化[8]、腊肉亚硝酸盐含量[9]以及肴肉新鲜度检测[10]等。高光谱研究的主要对象是生鲜肉，对熟制肉品和热加工过程的研究很少[11]。

原料肉加入调料预制到半熟或全熟，经简单处理即可食用的调理肉制品，受到越来越多的消费者青睐。加热是食品重要的加工手段，加热处理使蛋白质降解，提高食物的消化吸收率，杀灭致病微生物，还能促进诱人色泽和风味[12]的形成。但过度加热会影响产品的营养价值和食用品质[13]，如嫩度及咀嚼口感变差等。

目前，利用高光谱对熟制肉品的研究较少。特别是肉品在不同程度加热变性，以及食盐、胡椒、黄油等调料混合的复杂食品体系中，高光谱技术对目标的检测能力仍未被验证。本试验拟将牛肉混合调料后煎制不同熟度，研究肉品水分、色泽等理化指标及光谱特征的变化，并建立光谱模型对肉品品质进行快速无损检测。为实现肉品的智能化、无人化加工技术提供理论依据。

1 材料与方法

1.1 材料与试剂

牛背最长肌肉(外脊肉Sirloin)：西门塔尔，采购自洛阳大商新玛特超市；

卫群精纯盐：河南省卫群盐业包装有限公司；

黑胡椒粉：驻马店王守义十三香调味品有限公司；

原味黄油：新西兰安佳(Anchor)公司。

1.2 仪器与设备

色差计：Xrite Color i5型，美国Xrite公司；

电磁炉：九阳C21-SC001型，杭州九阳生活电器有限公司；

煎炸锅：J24D型，浙江炊大皇炊具有限公司；

鼓风干燥箱：DHG9425A型，上海恒科学仪器有限公司；

高光谱成像系统：IST50-3810型，德国Inno-SpecGmbH公司。

1.3 方法

1.3.1 试验工艺流程

1.3.2 牛肉煎制方法 将牛肉样品在4 ℃条件下解冻后分割成5 cm×5 cm×3 cm规格大小。称取食盐1.5%，黑胡椒粉0.15%(按原料肉的重比)，与原料肉滚揉5 min，腌制30 min。平底煎锅中加少许黄油，温度达到120 ℃分别煎制不同时间(30～180 s)，制成不同熟度的牛肉。参照西餐加工标准对牛肉熟度判别分类[14-15]可分为一分熟(Rare)到全熟牛肉(Well Done)。

1.3.3 牛肉理化指标测定方法

(1) 烹饪失水率的测定：在加工前，精确地称量样品的质量，加工处理，待样品冷却至表面没有水分再精确称量质量，按式(1)计算失水率。

(1)

式中：

X——失水率，%；

m1——样品加工前的质量，g；

m2——样品加工后的质量，g。

(2) 肉品色差的测定：用色差计测定样品表面的色泽[16]。

(3) 含水率的测定：按GB 5009.3—2016的直接干燥法(105 ℃)执行。

(4) 肉品嫩度的测定：去除样品表皮，用双面刀沿肌肉纤维走向取5个样品中心部分1 cm×1 cm×3 cm的长条，用剪切仪沿肌纤维垂直方向剪切肉柱，记录剪切力值，计算平均值。

1.3.4 牛肉高光谱图像采集方法 高光谱成像系统采用“推扫式”获得光谱反射图像，先要进行黑白板校正，将试验前扫描的全黑高光谱图像设定为R黑；采集到的标准白板的高光谱图像标定为R白，扫描样品获得的图像设定为R样。校对后光谱反射值R利用式(2)计算。

(2)

校正后，将高光谱图像放入ENVI 5.1软件中，利用感兴趣区域(Region of Interest，ROI)工具，选取并提取目标区域的平均光谱。

1.3.5 光谱降维处理 本试验中的高光谱成像系统可以获得样品在370～1 023 nm范围内1 288个波段丰富的光谱和图像信息。但过多的输入因子会引起“维度灾难”，增长训练时间并影响检测的精度。本试验利用主成分分析(PCA)对数据进行降维处理，将1 288个变量转换后，提取前8个主成分综合变量。

1.3.6 光谱建模与可视化检测 样品光谱经过PCA变换后，采用多元线性回归(MLR)和支持向量机(SVM)2种方法建立光谱模型。MLR是一种简单快速的线性建模方法，SVM是一种非线性机器学习算法，将输入空间中的低维线性上分不开样品映射到高维特征空间，使其线性可分。影响SVM性能的参数包括核函数，误差惩罚参数“C”和内核参数“σ”。本试验使用径向基函数(RBF)，它能够处理光谱和目标属性之间的非线性关系，并降低训练过程的计算复杂度。使用粒子群优化(Particle swarm optimization，PSO)算法搜查“C”和“σ” 参数的最佳值。PSO是一种模仿昆虫和鸟群等合作觅食行为的进化算法，它随机解启动，通过迭代搜索优解，具有精度高、收敛快等优点。支持向量机参考Chang等[17]的libsvm工具箱，PSO-SVM详细算法原理及实现可参考文献[18]和[19]。算法程序在Matlab2014a编写和运行，用R2和残差RMSE衡量模型精确率。

样品高光谱图像下每个像素的光谱值PCA变换后，将前8个PC数值带入建立好的SVM预测模型，可以得到每个点的品质指标值。通过Matlab的伪彩命令可绘制含水率等指标的分布情况，实现肉品品质的可视化检测[7-8]。

1.4 数据处理

每个样品的理化指标测量3次，取平均值。不同组的数据表示为平均值±标准差，数据显著性分析依据Least-Significant Difference (LSD)即最小显著差异法。数据分析在SPSS和Matlab2014a软件中完成。

2 结果与分析

2.1 牛肉理化特性的分析

对100块不同熟度牛肉样品按照国标法进行理化指标的测量，得到样品烹饪失水率、含水率、色差如表1所示。

水分是食品中主要成分，影响着肉品嫩度、风味、多汁性等多项口感品质，烹饪失水率还影响着企业的经济效益。食品中的水分有自由水和结合水2种状态[20]，加热时牛肉中自由水不断蒸发；同时大部分的肌浆蛋白、肌原纤维蛋白在不同的温度区间发生聚集[20]，蛋白热变性将一部分结合水排出。从表1中可以得出，牛肉从30 s加热到180 s的过程中，烹饪失水率逐渐增加，牛肉中含水率逐渐降低。通过LSD差异性分析可知，样品的烹饪失水率和含水率的差异显著，并且相邻熟度的肉品之间差异也达到了显著水平(P<0.05)。牛肉的质构也发生了显著性的变化，剪切力有逐渐增加的趋势；剪切力存在显著差异(P<0.05)。牛肉色泽也会因加热而变化，随着加热时间延长，L*值整体呈下降趋势，a*值下降，b*值上升。说明加热使样品亮度下降，黄度增加。LSD差异分析表明，虽然不同熟度牛肉色泽存在差异，但相邻熟度的样品之间的差异往往没有达到显著水平。

表1 不同熟度牛肉的理化指标†

† 不同字母表示差异性显著，P<0.05。

2.2 煎制牛肉的光谱特征

用高光谱成像仪对100块牛肉进行扫描，获得样品370～1 023 nm内1 288个波段的光谱信息。经过黑白板校正处理后，用ROI工具提取光谱曲线。从图1可以看出，不同熟度的牛肉在大部分波段上(370～800 nm)光谱是相近的，有差异但不显著。其原因是，加热会使水分蒸发、蛋白变性以及产生焦糖化变色，虽然牛肉内部的生熟度有很大差异，但牛肉表皮都会受到直接加热，蛋白变性和变色充足。此外，牛肉煎制中食盐、黑胡椒和黄油等调料都附于表面，降低了不同牛肉表面的颜色差异。370～800 nm恰好属于人类视觉的可见光区间，此区间的光谱分析和2.1中的Lab色差分析相互印证。说明了不同熟度，尤其相邻熟度牛肉的颜色差异不显著。牛肉熟度与表面色泽并不是一一对应的关系，而传统烹饪方法中根据牛肉的外观颜色对牛肉进行熟度判断，控制烹饪时间并不是非常准确的方法。

牛肉光谱的差异主要存在于800 nm以后区间，特别是809～956 nm时，随着加热时间的延长，光谱反射值逐渐增高，光谱强度与牛肉熟度呈正比。此前的研究工作显示，腌制[7]、冷冻[8]和干燥[21]等工艺使肉品水分排出，自由水对近红外光的吸收减少，近红外光谱反射值将增加[22]。本团队[23]另一项工作中，研究了在高温处理中牛肉蛋白质组分及其降解过程，结果显示水溶性蛋白和盐溶性蛋白均随加热温度的升高和时间的延长而急剧下降，凝胶电泳中肌球蛋白重链条带逐渐变淡消失。牛背最长肌中的蛋白质降解与本研究中牛肉样品的光谱变化显著相关。因此809～956 nm 区间光谱变化与样品含水量、蛋白构象相关。近红外光谱能很敏锐地捕捉到了不同熟度牛肉样品的差异。

图1 不同熟度牛肉的平均光谱曲线

2.3 调理牛肉光谱模型的建立

采用主成分分析处理高光谱图像有效浓缩信息量。前3个主成分累积信息量依次达到52.42%，81.06%，97.14%，当含有8个主成分时，涵盖了全光谱99.89%的信息量。图2展示了同一牛肉高光谱图像的前6个主成分图，它从不同侧面突出了调理牛肉的特点。PC-1和PC-2图像很接近肉品生鲜牛肉的图像，偏向于刻画肉品纹理和基本组分的特征。PC-3和PC-4图像偏向于描绘肉品加热中褐变或焦糊区域的变化，而PC-5和PC-6图像则突出了黑胡椒等调味品在产品表面的分布情况。PC-7和PC8图像变得模糊，而PC-8以后的图像基本是无规律的噪音信息。PCA处理不仅突出了有效信息，还可去除大量干扰信号，加快运算速度。

图2 同一调理牛肉前6个主成分图像

表2 不同光谱模型预测调理牛肉品质的效果

2.4 调理牛肉煎制过程的可视化

每个像素下数值带入建立好的SVM预测模型，可得到每个点的指标值。通过Matlab的伪彩命令绘制调理牛肉在煎制过程中水分含量和剪切力的变化图(图3)。图中的亮色表示数值高，暗色表示数值低。变化图显示随着加热时间的延长，肉品水分含量逐渐减少，肉品剪切力逐渐增加。本试验中，煎锅置于电磁炉上，中部火力较强而周围较弱。变化图如实地反映了煎炸的加热特点：肉品中部的水分降低较快，剪切力增加较快。肉品在熟制中短时内发生剧烈变化，指标测量费时、困难。通过光谱运算及可视化技术有望对调理肉加工进行准确、高效、动态的品质检测。

图3 调理牛肉在煎制过程中的水分含量和剪切力变化图

3 结论

在熟制过程中肉品组织成分会短时内发生剧烈变化，目前煎制牛排主要还是通过外表颜色判断熟度和品质。在本研究通过Lab色差分析和可见区间光谱显示，在多种调料混合下，相邻熟度牛肉的颜色差异不明显。加热使肉品中水分不断减少，不同熟度牛肉的水分和嫩度差异显著(P<0.05)。加热中牛肉水分和蛋白变性信息充分反映在了近红外区间的光谱曲线上，近红外波段光谱反射值随熟度增加逐渐增高。采用PCA对高光谱数据进行变换，不仅减少了运算数据量，而且主成分图像凸显了调理肉不同的品质特征。SVM建立回归模型并用PSO优化参数，对煎制过程中的100块牛肉构建快速检测模型，牛肉水分和剪切力预测相关系数R2分别为0.908，0.763。可视化检测可反映出肉品熟化中每个区域的水分迁移和嫩度变化特征，还反映出不同加热方式的特点。

当前高光谱在工业应用中遇到的主要障碍依然是光谱与图像的数据庞大、运算速度慢。从本研究中看出，肉品在热加工中只有少数波段的光谱发生显著变化。今后针对某一种食品，开发基于特征波段的高光谱专用设备和分析模型，将能够尽早推广高光谱的工业化应用。