應用近紅外技術快速鑒別原料肉注水的研究

楊志敏，丁武，張瑤

（西北農林科技大學食品科學與工程學院，陜西 楊凌 712100）

水分含量是畜禽肉的重要質量指標，直接影響畜禽鮮肉加工、儲藏、貿易與食用。近年來，注水肉成為影響肉類食品安全的主要因素,如何快速、準確鑒別原料肉和注水肉具有很現實的意義，也是市場迫切的需要[1-2]。

近紅外光譜（NIR）分析技術是近年來發展起來的一種高效、快速、低成本、無損、綠色環保、可多組分同時分析的現代技術，它被廣泛應用于食品、石油、化工、醫藥等行業[3]。目前，國內外關于NIR分析技術在肉類行業的檢測應用主要有：（1）肉類的化學成分分析，如水分、蛋白質和脂肪含量等指標[4-7]；（2）肉品品質的綜合評價，如新鮮度、嫩度、保水性、風味、色澤及彈性等指標[7-15]；（3）肉品的產地[16]、品種、真偽和摻假[17]等方面的鑒定。主要研究了應用近紅外光譜技術結合人工神經網絡建立原料肉和注水肉的判別模型。

1 材料與方法

1.1 儀器設備

MPA-TM傅里葉變換近紅外光譜儀（BRUKER OPTICS）：德國布魯克光學儀器公司；分析軟件為OPUS 5.5、SPSS17.0和DPS軟件。

1.2 樣品的制備及光譜掃描

樣品制備如下：首先，取豬里脊肉15 kg（來自楊凌國貿超市），切塊，用攪拌杯打成肉末，以100 g為一份制備樣品，最后共獲得樣品139份；其次，從139份樣品中選取60份肉樣作為原料肉樣本，剩下79份樣用來制備注水肉樣本，注水肉樣本注入的水濃度分別為1%、3%、5%、8%、10%、13%、15%，其中前5個濃度做11個平行樣，后2個濃度做12個平行樣。樣本制備完畢后，將每個樣本平整裝入樣品杯中。

利用MPA傅里葉變換近紅外光譜儀，結合2mm固體光纖探頭，采集原料肉和注水肉的漫反射光譜。光譜測量的基本參數設置:光譜范圍4000 cm-1～12000 cm-1，掃描分辨率為8 cm-1，掃描次數為64次。樣品的近紅外光譜如圖1所示。

圖1 原料肉和注水肉的近紅外光譜圖Fig.1 Near infrared spectra of raw and water-injected meat

光譜圖橫坐標為波數，范圍是4000cm-1～12000cm-1，縱坐標為吸光度值，從圖1可以看出原料肉與注水肉的光譜曲線的形狀沒有明顯區別。

1.3 光譜數據預處理

本研究采用二階導數+25點平滑方法對原始光譜數據進行預處理，以消除儀器噪聲、基線漂移及樣本不均勻的干擾。樣品的二階導數光譜圖如圖2所示。

圖2 原料肉和注水肉的二階導數光譜圖Fig.2 Second derivative spectra of the raw and water-injected meat

去除重疊光譜部分，所以只取4030.6cm-1～7409.3cm-1波段的光譜用于分析。

1.4 分析方法

1.4.1 主成分分析

主成分分析（PCA）是考察多個變量間相關性的一種多元統計方法，其基本思想是設法將原來眾多具有一定相關性的多個指標，重新組合成一組新的互相無關的綜合指標來代替原來的指標，是一種常用的基于變量相關系數矩陣或協方差矩陣對信息進行處理、壓縮和抽提的有效辦法。本研究通過對原始光譜數據進行預處理，選取特征波段，然后通過主成分分析提取有效的特征變量,代替原始光譜數據作為人工神經網絡的輸入值。

1.4.2 人工神經網絡模型

人工神經網絡（ANN）是對人腦或自然神經網絡（Natural Neural Network）若干基本特性的抽象和模擬，以對大腦的生理研究成果為基礎，其目的在于模擬大腦的某些機理與機制，實現某個方面的功能。在實際應用中，80%～90%的人工神經網絡模型是采用誤差反向傳播算法或其變化形式的網絡模型（簡稱BP網絡）。

1.4.3 偏最小二乘（PLS）法

偏最小二乘回歸是在普通多元回歸的基礎上柔和進主成分分析、典型相關分析的思想,很好地解決了自變量間多重共線性問題。本研究利用OPUS5.5 QUNAT-2定量分析軟件，將總樣本劃分為校正集和驗證集并輸入相對應的數據,選擇合適的光譜預處理方法和光譜范圍后用PLS計算程序進行運算。利用交互驗證（Cross-Validation）的方法來確定模型的最佳主成分維數（Rank），以建模集和驗證集中樣品真值和預測值的相關系數和標準差為判定依據來評價模型的優劣。

2 結果與分析

2.1 樣本光譜數據的主成分分析結果

對原料肉和注水肉共139個樣本光譜數據進行預處理并選擇合適光譜范圍（4030.6 cm-1～7409.3 cm-1），對其做主成分分析。主成分分析過程在SPSS 17.0軟件中完成。經過計算，前5個主成分的累計方差貢獻率如表1所示。

表1 前5個主成分及其累計貢獻率Table 1 Five PCs and reliabilities%

由表1可知，前5個主成分能夠解釋原始波長變量99.626%的信息，說明前5個主成分可代表原近紅外光譜的大部分信息。

圖3為139個樣本的前3個主成分得分圖，圖中X軸PC1、Y軸PC2、Z軸PC3分別表示每個樣本的第1主成分、第2主成分、第3主成分的得分值。

圖3 139個樣本的前3個主成分得分圖Fig.3 Scatter plot(PC1 ×PC2×PC3)of 139 meat samples

從圖3中可以看到原料肉主要分布在Y軸的負半軸和Z軸的正半軸區域，而注水肉主要分布在Y軸的負半軸區域和X軸的正半軸區域，可以看出在Y軸的負半軸原料肉與注水肉存在交叉現象，可能是由于原料肉與注水肉之間的水分含量差異較小引起的。由此可見，在待鑒別樣品比較多或差異較小的情況下，利用主成分較難直接區分原料肉和注水肉。

2.2 基于5個主成分建立原料肉和注水肉的ANN-BP識別模型

把所有樣本分為建模集和驗證集，從原料肉和注水肉中各隨機抽取15個樣本作為驗證集，其余109個樣本作為建模集。在主成分分析的基礎上，把前5個主成分作為BP的輸入節點，輸出節點為1（把原料肉和注水肉的種類值分別設為1和2）。通過多次實驗，隱含層節點為5，各層傳遞函數都用S型（Sigmoid）函數，目標誤差為0.01，學習速率為0.1，設定訓練迭代次數為1000次的時候模型預測效果最好。這樣就建立了一個5（輸入節點）—5（隱含層節點）—1（輸出節點）的3層ANN-BP模型。設定原料肉和注水肉預測結果偏差在±0.5以內為各自的界限。結果表明，模型對109個建模樣本的擬合殘差為0.09050，預測準確率為91.74%；對驗證集的30個樣本預測準確率為90%，見表2。

表2 ANN-BP模型對30個未知樣的預測結果Table 2 Prediction results of 30 unknown meat samples by BPANN model

從表2可知，模型對注水肉的識別率達到100%，原料肉有3個被誤判，這可能與建模樣本中原料肉較少有關。因此,應進一步加大樣本代表性,提高樣本的數量尤其是原料肉樣本數量來改善模型。

3 結論

應用主成分分析結合人工神經網絡建立了原料肉與注水肉的判別模型,該模型的預測效果很好,識別率達到90%。說明運用近紅外光譜技術可以快速、準確、無損的對原料肉和注水肉進行判別。本文提出的主成分分析結合人工神經網絡判別法，特別適用于處理光譜分析中的大量數據，首先運用主成分分析對數據進行降維，簡化運算，提取有效的特征向量，作為人工神經網絡的輸入值，結合已知樣本的性質就可建立判別模型，對未知樣品進行定性判別。為原料肉與注水肉的判別提供了一種新的方法，對提高我國原料肉質量控制水平具有重要意義。

[1]李巧玲,劉景艷.市場鮮豬肉摻假狀況的調查監測[J].食品科學,2004,25(10):273-276

[2]趙慧梅,黃素珍.注水肉的鑒別檢驗與處理[J].肉類工業,2007(1):45-46

[3]嚴衍祿,趙龍蓮,韓東海,等.近紅外光譜分析基礎與應用[M].北京:中國輕工業出版社,2005

[4]姬瑞勤,黃嵐,劉莉,等.鮮肉水分近紅外漫反射方法及實驗研究[J].光譜學與光譜分析,2008,28(8):1767-1771

[5]劉魁武,成芳,林宏建,等.可見/近紅外光譜檢測冷鮮豬肉中的脂肪、蛋白質和水分含量[J].光譜學與光譜學分析,2009,29(1):102-105

[6]徐霞,成芳,應一斌.近紅外光譜技術在肉品檢測中的應用和研究進展[J].光譜學與光譜分析,2009,29(7):1876-1880

[7]Prieto N,Andrés S,Giráldez F J,et al.Potential use of near infrared reflectance spectroscopy(NIRS)for the estimation of chemical composition of oxen meat samples[J].Meat science,2006,74(3):487-496

[8]Ripoll G,Albertí P,Panea B,et al.Near-infrared reflectance spectroscopy for predicting chemical、instrumental and sensory quality of beef[J].Meat science,2008,80(3):697-702

[9]Savenije B,Geesink G H,Van der Palen J G P,et al.Prediction of pork quality using visible/near-infrared reflectance spectroscopy[J].Meat science,2006,73(1):181-84

[10]Yongliang Liu,Brenda G Lyon,William R,et al.Prediction of color,texture,and sensory characteristics of beef steaks by visible and near infrared reflectance spectroscopy A feasibility study[J].Meat science,2003,65(3):1107-1115

[11]趙杰文,翟劍妹,劉木華,等.牛肉嫩度的近紅外光譜法檢測技術研究[J].光譜學與光譜分析,2006,26(4):640-642

[12]張德權,陳宵娜,孫素琴,等.羊肉嫩度傅里葉變換近紅外光譜偏最小二乘法定量分析研究[J].光譜學與光譜分析,2008,28(11):2550-2553

[13]胡耀華,郭康權,鈴木孝,等.基于可見光和近紅外光譜的肉色檢測[J].西北農林科技大學學報,2008,36(7):160-164

[14]Andrés S,Murray I,Navajas E A,et al.Prediction of sensory characteristics of lamb meat samples by near infrared reflectance spectroscopy[J].Meat science,2007,76(3):509-516

[15]Geesink G H,Schreutelkamp F H,Frankhuizen R,et al.Prediction of pork quality attributes from near infrared reflectance spectra[J].Meat science,2003,65(1):661-668

[16]李勇,魏益民,潘家榮,等.基于FTIR指紋光譜的牛肉產地溯源技術研究[J].光譜學與光譜分析，2009,29(3):647-651

[17]楊紅菊,姜艷彬,候東軍,等.注膠肉的近紅外光譜快速分析[J].肉類研究,2008(11):62-64