高光谱成像技术结合线性回归算法快速预测鸡肉掺假牛肉

2020-04-02,2,*,2

食品工业科技 2020年4期

,2,*,2

(1.河南科技学院食品学院,河南新乡 453003;2.河南科技学院博士后研发基地,河南新乡 453003;3.河南科技学院新科学院,河南新乡 453003)

肉类作为一种重要的营养物质,含有蛋白质、脂类、矿物质和维生素等丰富的人体所需物质,能为机体活动和新陈代谢提供物质代谢基础[1]。人们生活水平的不断提高,膳食结构的日益科学化,消费者对肉制品的需求更加趋于高质量,口感细腻,营养全面。牛肉味道鲜美、肉质细腻、肉质纹理清晰,营养成分含量较高,是人们追求高质量肉品的首选。但因牛肉高品质、高售价,目前有不法商贩将各种低质量肉类掺入牛肉中,以次充好,损害了消费者的权益[2]。市场上常见的掺假牛肉及牛肉制品主要是用比较便宜的肉制品来部分或者全部代替高质量的牛肉,特别是牛肉糜制品。其因原料肉的形态已经发生了明显的变化,肉眼无法分辨出来[3]。传统的肉类掺假鉴别方法有感官评定、理化检验以及DNA检测法等[4-5],需要复杂的样品前处理,试验操作过程繁琐,耗时费力。因此需要一种高效、环保、省时省力、无损的检测方法对掺假牛肉产品进行检测。

高光谱成像技术是一种光谱技术与图像技术相结合的综合无损检测技术。高光谱成像技术既可以获得不同波长处的光谱图像信息又可以获得光谱图像上所反映的波长信息,具有快速、绿色、高效、无需复杂前处理等优点[6-7]。迄今为止,高光谱成像系统已被广泛的运用在肉类质量品质的检测,特别是肉类产品成分的检测[8-12]、肉类产地的溯源[13]、肉类品种的鉴别[14]、肉类辨别的研究[15],如Zheng等[16]采用光谱的多重平均和预测相关空间分布系数处理光谱减少光谱的噪音,运用特征波长所建立的偏最小二乘模型预测羊肉糜中鸭肉的掺假决定系数达到0.98,证明近红外高光谱技术在羊肉掺假中运用的可行性。Zhao等[17]运用侵入剔除优化(Invasive weed optimization,IWO)结合最小二乘支持向量机(Least squares support vector machine,LS-SVM)建立的预测牛肉中掺入变质牛肉的模型的正确辨别率高达95%。Yang等[18]在400～1000 nm波段范围内建立了基于多元线性回归(Multiple linear regression,MLR)方法建立的在线监控腌肉干燥过程中挥发性盐基氮(Total volatile basic nitrogen,TVB-N)含量的模型,证明了高光谱技术在肉品检测中运用的可行性。

本试验研究近红外高光谱成像技术对牛肉掺假的快速无损检测,试验选用高品质的牛里脊肉为掺假对象,以相对较低价位的鸡胸肉进行掺假,对肉样进行简单的前处理,采集掺假样品的高光谱图像,选用最优的建模方式建立预测牛肉掺假的定量预测模型,为国内牛肉掺假的定量检测提供数据支撑。

1 材料与方法

1.1 材料与仪器

新鲜牛肉、鸡胸肉世纪华联超市,样品密封在0～4 ℃小冰箱中快速运至实验室。

HSI-eNIR-XC130型推扫式高光谱成像系统(主要部件包括:3900-ER光源 Illumination Technologies Inc,New York,USA;ImSpector V10E光谱仪 Spectral Imaging Ltd,Oulu,Finland;光谱分辨率为5 nm;CCD探测仪DL-604 M,Andor,Ireland;OLE2镜头 Schneider,German;IRCP0076-1COMB移动平台 Isuzu Optics Corp,Taiwan,China) 台湾五铃光电股份有限公司;数据采集软件 Spectral Image software,Isuzu Optics Corp,Taiwan,China;TLE204E/02电子分析天平梅特勒-托利多仪器有限公司;JR06C-200绞碎机浙江绍兴苏泊尔生活电器有限公司。

1.2 实验方法

1.2.1 样品的制备为了保证模型的准确性,首先剔除原料肉的表皮、筋膜、血块等,随后运用绞肉机将样品肉绞至肉糜状,然后按照一定掺假比例(2%～98%,其中掺假间隔为2%,每个样总量为30 g)称取相应质量的牛肉和鸡肉样品置于绞肉机中绞3 min使制取的样品充分混匀,另外制取纯鸡肉和纯牛肉样品作为对照样品,制备方法参照杨清华等[19]和孟一等[20],最后将制得的掺假样品与对照样品置于专用培养皿中(直径60 mm,高10 mm)铺平保持表面平整以备光谱扫描。每个掺假样品和对照样品制备 3个平行样,总共153个样本,其中掺假147个,纯牛肉糜和纯鸡肉糜各3个,对相同掺假量的平行样品所得到的光谱数据进行平均计算,共得到51个平均光谱数据。

1.2.2 高光谱图像的获取与光谱的校正为了保证光源的稳定性,消除光谱仪自身的干扰,试验前30 min将高光谱设备打开进行预热,待光源稳定之后进行扫描。首先对高光谱设备进行相关参数的设定,调整样品与镜头间的最佳物距,多次采集样品图像,在保证所得样品图像不失真、不变形的前提下,确定最佳曝光时间与平台移动速度。经过多次调整后,将近红外高光谱曝光时间设置为4.25 ms,载物移动平台速度设置为7.27 mm/s,扫描间距为100 mm,扫描波段为900～1700 nm,图像尺寸为640×512。然后将已掺假样品置于载物台上,把高光谱设备的暗箱门关闭后进行扫描。

样品高光谱图像在采集过程中,由于光谱仪系统本身暗电流、照明单位以及样品对光源反射的影响,需要对采集的光谱图像进行黑白校正,如下所示:

其中:RC为校正后的掺假样品图像；RO为掺假样品的原始图像；RB为暗背景图像,其反射率为0%；RW为白板图像,其反射率在99.9%左右。

1.2.3 数据的提取高光谱图像校正后,运用圆形提取工具提取高光谱图像的感兴趣区域,通过计算感兴趣区域所有像素的光谱反射率的平均值作为每个样品的平均光谱数据,共得到153组光样品数据,将相同掺假比例的样品平均得到51组样品数据,运用数据采集软件Spectral Image Software对数据进行处理。

1.3 模型的构建与评价

将得到的51组数据按照掺假比例参考值从小到大的顺序排列,按照2∶1的划分方式分为校正集(34个样品)与验证集(17个样品),其中校正集样品用于模型的建立,验证集样品用于模型性能的验证。然后选用偏最小二乘回归(Partial least squares regression,PLSR)算法和多元线性回归(Multiple linear regression,MLR)算法建立辨别牛肉中鸡肉掺假的定量分析模型。为了降低高光谱数据的高维共线性以及提高模型的运算速度,选用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(Successive projection algorithm,SPA)对全波段波长进行筛选,运用筛选出的特征波长建立简化的预测模型。

表1 掺假样品全波段偏最小二乘模型的预测结果Table 1 PLSR model of predicting adulteration samples based on full wavelengths

2 结果与分析

2.1 掺假样品光谱曲线的特征

肉中不同化学成分的电磁辐射造成在不同的波长处出现特定的吸收峰。在近红外波段中,这些吸收峰的出现主要是由于C-H、N-H、O-H和S-H等官能团伸缩振动的各级倍频以及合频形成。从图1a中可以看出,51组平均掺假样品的光谱反射率趋势大体一致,不同掺假含量在特定波长处的反射率不同,特别是在980、1200、1450 nm左右出现了较强的吸收峰,在980和1450 nm处出现的吸收峰是由于样品中O-H键第二和第一泛音振动所致,而在1200 nm处的吸收峰是由于C-H键第二泛音振动所致[24-25]。图1b为鸡肉样品、掺鸡肉50%样品和纯牛肉样品的光谱曲线,从图中可以看出样品光谱的反射率曲线相似,在950～1000 nm和1150～1350 nm范围内,反射率明显不同,可能是由于牛肉糜在掺假后因其脂肪、蛋白质和水分含量的不同,造成光谱反射率的不同[26-27]。

图1 掺假样品的平均光谱Fig.1 Average spectral curve of adulteration samples注:a:掺假样品平均光谱图像;b:纯牛肉、纯鸡肉和掺鸡肉50%的平均光谱。

2.2 基于全波段偏最小二乘模型的建立

本试验将不同掺假比例的牛肉样品与相应的光谱数据进行拟合,建立全波段(486个波长)偏最小二乘模型。表1为全波段偏最小二乘模型的预测结果,从表1中可以看出当潜在变量数为3时,所建全波段模型最优,校正集与交叉验证集的决定系数分别为0.98和0.97,接近于1,说明实测值与预测值的相关性较好,其均方根误差分别为4.63%和5.65%接近于0,说明模型的预测误差较小,精度较高,从表1中可以看出RMSEP>RMSECV>RMSEC,说明所选样品代表性较好。图2为PLSR模型样品得分图,XPC1与XPC2分别表示第一主成分与第二主成分对光谱(X)的解释率(分别为73%和26%)、YPC1与YPC2表示第一、二主成分对预测变量(Y)的解释率(分别为72%和22%)。从图2中可以看出,光谱(X)的解释率为99%(73%+26%)说明所建立的模型具有可靠性,样品的得分图没有离群值,说明了所选样品的有效性。将验证集带入所建立的模型中,用于模型的验证,从表1中可以看出,验证集的决定系数和均方根误差分别为0.96和5.75%且RPD为6.45>3[28-29],说明了高光谱成像技术结合PLSR法对掺假肉检测的可行性。

图2 PLSR模型样品得分图Fig.2 Score samples of PLSR model

2.3 特征波长的选择

原始光谱中包含了大量的光谱数据且具有高维性和共线性问题,影响所建模型的稳定性与精确性并且增加了模型的运算时间,选择最优变量是多元分析中的一个重要步骤,用于简化和优化预测模型[30]。从图3～图5中可以看出,通过不同方法所挑选出来的特征波长数量有所不同。

表2 掺假样品特征波长建立的偏最小二乘模型预测结果Table 2 Prediction results of PLSR model based on characteristic wavelength of adulteration samples

从图3中可以看出通过PLS-β系数法所选出来的特征波长数为5个,分别为938.421、1081.573、1693.305、1694.963、1698.281 nm,相比全波段波长数量减少了99%;图4中可以看出,通过SPA筛选出特征波长为7个分别为961.468、1086.508、1168.743、1458.51、1534.433、1691.646、1694.963 nm,波长数量也减少了99%;图5为通过stepwise法筛选出的特征波长为4个,分别为900.547、917.016、1076.639、1698.281 nm,相比全波段数量同样减少了99.0%。