基于近紅外光譜技術快速識別不同動物源肉品

孟 一，張玉華,2,*，王家敏,2，畢 然,2，王國利,2

（1.山東商業職業技術學院 山東省農產品貯運保鮮技術重點實驗室，山東 濟南 250103；

2.國家農產品現代物流工程技術研究中心，山東 濟南 250103）

基于近紅外光譜技術快速識別不同動物源肉品

孟 一1，張玉華1,2,*，王家敏1,2，畢 然1,2，王國利1,2

（1.山東商業職業技術學院 山東省農產品貯運保鮮技術重點實驗室，山東 濟南 250103；

2.國家農產品現代物流工程技術研究中心，山東 濟南 250103）

利用傅里葉變換近紅外光譜技術建立豬肉、牛肉和羊肉的定性識別模型。用主成分分析法將原始數據壓縮為10 個主成分，在全波段9 881.46～4 119.20 cm-1范圍內，利用附加散射校正技術結合Savitzky-Golay濾波法對光譜數據進行預處理，采用判別分析法建立模型。模型對訓練集的識別準確率為100%，對預測集豬肉、牛肉和羊肉的識別準確率分別為99.28%、97.42%和100%。結果表明：近紅外光譜結合模式識別方法能快速無損地識別豬肉、牛肉和羊肉。

近紅外光譜；模式識別法；肉類識別

食品安全問題關乎人民群眾的生命健康、經濟發展，甚至關乎社會穩定和國家安全。近年來肉類及其制品摻假造假、以假亂真、以次充好的現象時有發生[1]，造成了企業和個人的不正當競爭，嚴重危害了消費者的利益和健康。因此，識別肉品種類、杜絕肉品造假是保障肉品安全的重要措施之一。傳統的肉品種類識別方法包括感官評定法和生物技術法[2-3]。感官評定的結果受人為因素和外界環境的干擾很大，影響到結果的客觀性；生物技術法雖然能夠準確地識別肉品種類，但繁瑣的步驟和昂貴的費用使其應用受到限制。因此，迫切需要建立簡便、快速、客觀的肉品種類識別現代分析技術。

近紅外光譜技術通過對光譜信息的分析而提取出物質的特征信息，具有響應速度快、選擇性和抗干擾能力強、操作成本低、適合多種狀態分析及在線檢測等優點[4-5]，被廣泛用于食品種類識別和產地溯源上[6-7]。迄今為止，近紅外光譜已被成功地用于食用油[8-9]、牛奶[10-13]、蜂蜜[14]、茶葉[15]、水果[16]、糧食[17]等的識別和分類上。在肉品種類識別方面，Downey等[18]利用中紅外、近紅外和可見光譜進行肉的種類識別，但流程復雜。Cozzolino等[19]利用近紅外光譜結合主成分分析法對不同動物來源肉（牛肉、豬肉、羊肉和雞肉）進行分析，其準確鑒別水平達80%。馬釘凌等[20]利用可見光譜結合反向傳播人工神經網絡對牛肉、豬肉和雞肉進行識別，正確識別率達97.5%。此外，王麗等[21]利用中紅外光譜對豬肉、牛肉、明蝦肉及雞胸肉進行了區分。

本研究嘗試利用近紅外光譜技術結合模式識別方法對豬肉、牛肉和羊肉進行定性識別。模式識別是一種常用的借助數學方法進行光譜模式的區分和識別的綜合方法，即利用樣本光譜所提供的最大信息差異或相似性進行識別。其基本原理是：有相似性的樣本在模式空間中互相接近并形成“集團”，即“物以類聚”[22]。本研究采用模式識別中的判別分析法建立定性識別模型，即求每個樣品距各類中心的馬氏距離，根據馬氏距離的大小判斷肉品的種類，即樣品距哪一類中心的馬氏距離最小，則歸屬哪一類[23]。

1 材料與方法

1.1 材料與試劑

豬、牛和羊的后腿肉均購于超市，分別切成50 g左右的塊狀或片狀，備用。共制備343 個樣品，其中豬肉125 個、牛肉116 個、羊肉102 個。

1.2 儀器與設備

AntarisⅡ傅里葉變換近紅外光譜儀（配有積分球漫反射采樣系統、Result操作軟件和TQ Analyst光譜分析軟件） 美國Thermo Electric公司。

1.3 方法

利用積分球漫反射系統，將樣品置于光譜儀的樣品池光孔處進行掃描，每次掃描光孔對準樣品的不同部位，共掃描6 個部位，取其平均值作為該樣品的原始光譜。掃描波段范圍10 000～4 000 cm-1，分辨率8 cm-1，掃描次數128次，以內置背景為參照。

1.4 數據處理

采用TQ Analyst 8軟件，對多維光譜矩陣通過主成分分析法進行降維處理，用主成分得分代替樣品的近紅外光譜數據，采用判別分析法建立定性識別模型。將所采集的樣品光譜數據隨機分為訓練集（258 個樣品）和預測集（85 個樣品）2部分，訓練集用于校正模型的建立，預測集用于檢驗模型的預測能力，根據識別準確率判斷模型的預測性能。

2 結果與分析

2.1 建模波段的選擇

豬肉、牛肉和羊肉的近紅外原始光譜圖如圖1所示。選擇合適的光譜范圍不僅可以簡化模型、剔除不相關或非線性變量，從而得到預測能力強、穩健性好的校正模型，而且有利于光譜有用信息的提取和有效地減少建模的運算量[24]。為了更有效地提取光譜信息的特征波段，根據TQ Analyst 8分析軟件推薦的建模波段范圍和相關成分特征波段的相關關系，將經預處理后的近紅外光譜在不同的光譜區域建立定性識別模型，分別討論不同波段范圍對模型識別準確率的影響。

圖1 豬肉、牛肉和羊肉的近紅外原始光譜圖Fig.1 Original near-infrared spectra of pork, beef and mutton

表 1 不同建模波段對模型識別結果的影響Table 1 Effects of different modeling wavebands on pattern identification

由表1可以看出，在全波段9 881.46～4 119.20 cm-1范圍，模型的識別準確率最高，達100%，因此選擇在全波段范圍內建立定性識別模型。

2.2 數據預處理

表 2 經不同方法預處理后的定性識別模型對肉品種類的識別準確率Table 2 Identification accuracy rates of meat types based on different spectral pretreatment methods

實驗中所用的肉類樣品為不規則的塊狀，肉塊形狀、表面平整度和紋理均勻度差別較大，這些都對光的漫反射產生較大影響，因此需要對原始光譜進行預處理。以過濾噪音、提高信噪比、消除基線漂移、消除光程的變化對光譜響應所產生的影響。采用多元散射校正（multiple scattering correction，MSC）、標準正則變換（standard normal variate，SNV）、一階微分（fi rst derivative，1stD）、二階微分（second derivative，2ndD）、Savitzky-Golay（S-G）濾波、Norris derivative（N-D）濾波等單一方法或多種方法結合對原始光譜進行預處理。由表2可知，采取MSC結合S-G濾波預處理方法可將豬肉、牛肉和羊肉完全區分開，模型識別準確率達100%。

2.3 主成分數的確定

建立識別模型時，若使用的主成分數過少，則不能完全反映樣品被測組分產生的光譜數據變化，其模型預測準確度就會降低；若使用過多的主成分建立模型，則會將一些代表噪聲的主成分加到模型中，使模型的預測能力下降。因此，對主成分的階數進行合理選擇是充分利用光譜信息并濾除噪聲的有效方法之一[25]。圖2是3種肉品的第1和第2主成分的得分圖，該圖能夠更直觀地揭示樣本的內部特征和聚類信息。由圖2可知，羊肉在二維空間分布較為獨立，豬肉和牛肉分布較分散，且三者有部分重疊，因此，僅利用前2 個主成分不能完全將3種肉品區分開。根據TQ Analyst 8軟件，經計算，前10 個主成分的累積貢獻率達99.98%，選擇前10 個主成分代表樣品的光譜信息。

圖2 3種肉品第1、2主成分得分圖Fig.2 Score plot for the first and second principal components in three kinds of meat

2.4 識別模型的建立

在全波段范圍內，采用MSC結合S-G濾波預處理光譜數據，選擇10 個主成分因子數，建立識別分析模型如圖3所示。可見3種肉品聚類效果較好，所建模型可有效地識別豬肉、牛肉和羊肉。

圖3 識別模型對3種肉的定性識別圖Fig.3 Qualitative identification of three kinds of meat by the identification model

2.5 模型的驗證

表 3 模型對預測集樣品的預測結果Table 3 Prediction results of prediction set samples by the identification mooddeell

用建立的模型分別對預測集85 個樣品進行識別，結果如表3所示。33 個豬肉樣品的識別準確率為99.28%，28 個牛肉樣品的識別準確率為97.42%，24 個羊肉樣品的識別準確率為100%。可見，所建模型對豬肉、牛肉和羊肉的識別準確率高，模型可靠性好。

3 結 論

采用近紅外光譜技術結合模式識別方法，建立豬肉、牛肉和羊肉的近紅外定性識別模型。經主成分分析，確定主成分數為10。模型對預測集258 個樣品（其中豬肉92 個、牛肉88 個和羊肉78 個）的識別準確率為100%，對驗證集33 個豬肉、28 個牛肉和24 個羊肉的識別準確率分別為99.28%、97.42%和100%。上述結果表明，近紅外光譜技術結合主成分分析、判別分析法識別豬肉、牛肉和羊肉是可行的，為不同動物來源肉的快速鑒別提供了新的思路，對提高我國肉類安全檢測水平、解決肉品造假等食品安全問題、穩定肉品市場具有重要意義。

[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] 趙燕, 李建科. 現代技術在食品真偽和產地鑒別中的應用[J]. 食品研究與開發, 2007, 28(9): 157-161.

[3] GIRISH P S, ANJANEYULU A S R, VISWAS K N, et al. Meats species identification by poly-merase chain reaction-restriction fragment length polymorphism (PCR-RFLP) of mitochondrial 12S rRNA gene[J]. Meat Science, 2005, 70(1): 107-112.

[4] 張玉華, 孟一. 肉類品質無損檢測技術研究現狀與發展趨勢[J]. 食品工業科技, 2012, 33(12): 392-395.

[5] 趙燕, 李建科. 現代技術在食品真偽和產地鑒別中的應用[J]. 食品研究與開發, 2007, 28(9): 157-161.

[6] 張玉華, 孟一, 張應龍, 等. 近紅外光譜技術在食品安全領域應用研究進展[J]. 食品科技, 2012, 37(10): 283-286.

[7] 張寧, 張德權, 李淑榮, 等. 近紅外光譜結合SIMCA法溯源羊肉產地的初步研究[J]. 農業工程學報, 2008, 24(12): 309-312.

[8] 馮利輝, 劉波平, 張國文, 等. 芝麻油中摻入菜籽油的近紅外光譜研究[J]. 食品科學, 2009, 30(18): 296-299.

[9] CHRISTY A A, KASEMSUMRAN S, DU Y, et al. The detection and quantif i cation of adulteration in olive oil by near-infrared spectroscopy and chemometrics[J]. Analytical Sciences, 2004, 20(6): 935-940.

[10] 李亮, 丁武. 摻有植物性填充物牛奶的近紅外光譜判別分析[J]. 光譜學與光譜分析, 2010, 30(5): 1238-1242.

[11] 榮菡, 劉波平, 鄧澤元, 等. 基于PLS-模式識別近紅外光譜技術快速檢測鮮乳和摻假乳[J]. 食品科學, 2009, 29(8): 492-495.

[12] 李亮, 王雷鳴, 丁武. 近紅外光譜技術結合人工神經網絡鑒別生鮮奶和蛋白摻假奶[J]. 食品工業, 2009, 30(6): 67-70.

[13] 何勇, 馮水娟, 李曉麗, 等. 應用近紅外光譜快速鑒別酸奶品種的研究[J]. 光譜學與光譜分析, 2006, 26(11): 2021-2023.

[14] 李水芳, 單楊, 張欣, 等. 蜂蜜用葡萄糖溶液摻假的近紅外光譜檢測[J].食品研究與開發, 2011, 32(5): 114-119.

[15] 陳全勝, 趙杰文, 張海東, 等. SIMCA模式識別方法在近紅外光譜識別茶葉中的應用[J]. 食品科學, 2006, 27(4): 186-189.

[16] 何勇, 李曉麗. 用近紅外光譜鑒別楊梅品種的研究[J]. 紅外與毫米波學報, 2006, 25(3): 192-194.

[17] 朱大洲, 王坤, 周光華, 等. 單粒大豆的近紅外光譜特征及品種鑒別研究[J]. 光譜學與光譜分析, 2010, 30(12): 3217-3221.

[18] DOWNEY G, MCELHINNEY J, FEARN T. Species identification in selected raw homogenized meats by reflectance spectroscopy in the mid-infrared, near-infrared, and visible ranges[J]. Applied Spectroscopy, 2000, 54(6): 894-899.

[19] COZZOLINO D, MURRAY I. Identif i cation of animal meat muscles by visible and near infrared ref l ectance spectroscopy[J]. Lebensmittel Wissenschaftand Technologie, 2004, 37(4): 447-452.

[20] 馬釘凌, 張鐵強. 基于人工神經網絡的肉類光譜識別[J]. 光譜實驗室, 2007, 24(5): 914-917.

[21] 王麗, 勵建榮. 紅外光譜技術在肉品品質鑒別中的應用[J]. 中國食品學報, 2010, 10(5): 232-236.

[22] 張寧, 張德權, 李淑榮, 等. 近紅外光譜定性分析技術在食品安全中的應用研究進展[J]. 食品科技, 2008, 36(8): 218-221.

[23] 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.

[24] 廖宜濤, 樊玉霞, 伍學千, 等. 豬肉pH值的可見近紅外光譜在線檢測研究[J]. 光譜學與光譜分析, 2010, 30(3): 681-684.

[25] 李彥周, 閔順耕, 劉霞. 主成分分析在近紅外定量分析校正集樣本優選中的應用[J]. 分析化學研究簡報, 2007, 35(9): 1331-1334.

Rapid Identification of Meat of Different Animal Origins Based on Near Infrared Spectroscopy

MENG Yi1, ZHANG Yu-hua1,2,*, WANG Jia-min1,2, BI Ran1,2, WANG Guo-li1,2
(1. Shandong Key Laboratory of Storage and Transportation Technology of Agricultural Products, Shandong Institute of Commerce and Technology, Jinan 250103, China; 2. National Engineering Research Center for Agricultural Products Logistics, Jinan 250103, China)

A qualitative identification model for pork, beef and mutton was established by Fourier transform near-infrared spectroscopy (NIR). The raw data were compressed to 10 principal components using principal component analysis. The spectral data were preprocessed by additional scattering correction combined with Savitzky-Golayfilter method in the range of 9 881.46–4 119.20 cm-1. The model was established using discriminant analysis. Identification accuracy rate of the model for training set was 100%. Identification accuracy rates of pork, beef and mutton for prediction set were 99.28%, 97.42% and 100%, respectively. These results showed that pork, beef and mutton could be rapidly and non-destructively identified by near-infrared spectroscopy combined with pattern recognition method.

near-infrared spectroscopy; pattern recognition method; identification of meat

TS207.3

A

1002-6630（2014）06-0156-03

10.7506/spkx1002-6630-201406033

2013-06-03

濟南市高校院所自主創新計劃項目（201202060）；山東省科技發展計劃項目（2012GNC11009）

孟一（1972—），男，講師，碩士，研究方向為食品質量安全。E-mail：m11f@163.com

*通信作者：張玉華（1973—），女，副教授，博士，研究方向為食品質量安全。E-mail：z11f@163.com