冷鮮羊肉品質的高光譜成像無損檢測

楊菊梅,賀曉光,王松磊,丁佳興,強 鋒,王芹志

(寧夏大學農學院,寧夏銀川 750021)

?

冷鮮羊肉品質的高光譜成像無損檢測

楊菊梅,賀曉光*,王松磊,丁佳興,強 鋒,王芹志

(寧夏大學農學院,寧夏銀川 750021)

利用400～1000 nm可見近紅外高光譜成像系統對冷鮮羊肉蛋白質含量、嫩度、pH進行無損檢測研究。采集冷鮮羊肉表面的高光譜散射圖像,提取樣本感興趣區域的反射光譜曲線獲得原始數據。先對原始光譜預處理并建立偏最小二乘回歸(PLSR)模型,優選最佳預處理方法,后采用正自適應加權算法(CARS)和連續投影算法(SPA)提取特征波長,建立不同特征波長下各品質參數的PLSR預測模型。結果表明:利用原始光譜建立的冷鮮羊肉蛋白質、嫩度和pH的PLSR模型均優于經過光譜預處理所建PLSR模型;在不同波長下建立預測模型，OS-PLSR光譜模型對冷鮮羊肉蛋白質含量預測效果最佳，Rp=0.869,RMSEP=0.097;建立的SPA-PLSR光譜預測模型對pH預測效果理想,Rp=0.958,RMSEP=0.067;CARS-PLSR光譜預測模型對嫩度的預測能力較高,Rp=0.862,RMSEP=0.706。研究表明:利用可見近紅外高光譜技術對冷鮮羊肉品質進行快速無損檢測是可行的。

高光譜成像技術,冷鮮羊肉,品質,無損檢測,偏最小二乘回歸

冷凍肉由于在冷藏過程中較大冰晶的形成,發生一些物理化學變化,降低其品質[1]。熱鮮肉貯藏期短,易受微生物侵染發生腐敗變質。而冷鮮肉由于在加工和銷售過程中始終處于0～4 ℃[2],彌補了兩者的不足且兼有其優點,符合人們對肉品質和安全提出的新要求,將成為我國生鮮肉消費的主流[3]。寧夏灘羊具有低脂營養、鮮嫩無膻的獨特優秀品質,現重點以冷鮮肉形式銷往各大城市的高端市場以及中東阿拉伯等國家。為了提高和保證冷鮮肉品質,需加強貯藏加工運輸過程中食品品質快速無損檢測技術。

羊肉的蛋白質有較高的生物學特性,是影響其理化指標、風味、色澤和營養價值的重要因素;嫩度反應肉品的感官品質[4];pH與肉的加工品質和重要呈鮮物質谷氨酸鈉有很大的相關性。對冷鮮肉貯藏過程中蛋白質、pH和嫩度的快速無損檢測,能較好的系統研究冷鮮肉的品質變化。傳統檢測方法,具有樣品前處理繁瑣、費時費力、破壞樣品等缺點,難以滿足企業冷鮮羊肉在線快速無損檢測生產需求。

高光譜成像技術[5-7],將傳統光譜和成像技術、光電子和計算機技術緊密結合,具有無損、無污染、檢測速度快,集光譜和圖像技術,且能同時提取樣本多組分信息等特點,在肉品檢測上優勢凸顯。近年來,高光譜成像技術在牛肉、豬肉、雞肉等相關領域得到廣泛應用,主要檢測指標為嫩度、顏色、新鮮度、持水率、pH[8-16]等。國內外學者對冷鮮肉脂肪、蛋白質、嫩度、微生物和新鮮度[6,17-19]略有研究,關于冷鮮羊肉安全品質蛋白質、加工品質pH和感官品質嫩度等的綜合檢測研究鮮有報道。鑒于此,本文以寧夏特色鹽池灘羊肉為研究對象,利用可見近紅外高光譜圖像技術獲取樣品冷鮮貯藏8 d的光譜數據。通過軟件分析研究蛋白質、嫩度和pH與光譜數據之間的相關性,對比優選最佳原始數據預處理、特征波長提取方法,建立冷鮮羊肉品質預測模型,滿足企業冷鮮羊肉在線快速無損檢測生產需求,實現冷鮮肉在市售和流通過程中營養、感官品質和風味的及時控制。

1 材料與方法

1.1 材料與儀器

寧夏鹽池灘羊 60只,寧夏吳忠市澇河橋分割肉加工有限公司;硫酸銅、95%乙醇 天津市致遠化學試劑有限公司:硫酸鉀 廣東省化學試劑工程技術研究開發中心;氫氧化鈉、濃硫酸、濃鹽酸 天津市北聯精細化學品開發有限公司;硼酸 煙臺市雙雙化工有限公司;甲基紅 北京化工廠;亞甲基藍 上海中秦化學試劑有限公司。

HyperSpec VNIR高光譜成像儀 波長范圍400～1000 nm,光譜分辨率2.8 nm,狹縫寬度25 um,狹縫長度18 mm,雜散光小于0.02%,孔徑F/2.0,美國Headwall Photonics公司,儀器主要由高光譜成像儀(Imspector N系列,Golden Way Scientific CO)、CCD相機(G4-232,Golden Way Scientific CO)、光源系統包括2個線分支光源(90-254 VAC,47-63 Hz,Golden Way Scientific CO)、自動電控位移平臺(VT-80,Headwall Photonics Instruments Co)、計算機(ThinkPadX220 Tnter(R)Core i5-2450CPU@2.5GHz,RAM 3.41G)和數據收集軟件(Hyperspec-N for AndorLuca Rev A.3.1.4.vi,Headwall Photonics Instruments Co)六部分組成;SKD-100型自動凱氏定氮儀 上海沛歐分析儀器有限公司;Testo 205型pH酸度計 深圳市卓越儀器儀表有限公司;質構儀(TA-XT plus,刀具HDP-BSW) 英國Stable Micro Systems有限公司;JA3102型分析天平 上海?？惦娮觾x器廠

1.2 實驗方法

1.2.1 采樣 實驗羊60只,羊被屠宰后,取羊胴體背最長肌,用手術刀片去除樣本表面的脂肪和肌膜,整形切塊(大小約為20 mm×30 mm×10 mm),獲得樣本數120個,放于低溫保鮮盒運至實驗室,0～4 ℃冷藏8 d。每隔24 h取出15個樣,于室溫下放置2 h后采集高光譜圖像,隨后進行蛋白質、pH和嫩度的測定。

1.2.2 高光譜圖像采集 由于高光譜成像存在暗電流、光源強度不均勻的問題,導致獲取的高光譜圖像中含有很大的噪聲。因此采集光譜前,對高光譜儀器進行預熱、黑白校正以消除攝像頭中暗電流的影響,黑白校準公式參考文獻[20]。為了避免獲取的圖像失真,進行預實驗確定采集參數:物距390 mm,輸送步距15 mm/s,掃描線實際長度為190 mm,CCD相機曝光時間為13 ms。實驗過程中,每組取2個羊肉樣本,用吸水紙拭去表面水分,按照一定的順序置于電控位移載物中心,連接電機,開始圖像掃描。

1.2.3 理化指標的測定

1.2.3.1 嫩度的測定 冷鮮羊肉嫩度測量按農業部行業標準-NY/T 1180-2006《肉嫩度的測定剪切力測定法》標準進行。用標準取樣器鉆取3個樣本,使用TA-XT plus質構儀垂直于肌肉纖維剪切。測試參數:模式為壓縮測試,探頭下降和回程速度均為6.0 mm/s,取3個樣本的均值作為最終嫩度。

1.2.3.2 蛋白質含量測定 按照GB 5009.3-2010方法進行測定。

1.2.3.3 pH的測定 利用便攜式pH酸度計進行測定,將探頭刺入樣本約9 mm,選擇鄰域內的3點進行測定,取均值作為樣本的最終pH。

1.3 數據處理與分析

1.3.1 原始光譜預處理 采用ENVI 4.6(Research System,Inc.,USA)軟件,選取整個樣本作為感興趣區域(Region Of Interests,ROIs),提取平均光譜,獲得樣本原始光譜數據。為了提高建模精度,基于Unscrambler X 10.3(CAMO Software AS,OSLO,Norway)軟件和偏最小二乘回歸法(Partial Least Squares Regression,PLSR),使用S-G卷積平滑(Savitzky-Golay)、歸一化(Normalization)、基線校準(Baseline)、標準正態化(SNV)、多元散射校正(MSC)、移動平均平滑(Moving Average)、中值濾波(Median Filter)、去趨勢(De-trending)等方法對冷鮮羊肉蛋白質、嫩度和pH的原始光譜數據進行預處理,并與原始光譜數據建立的PLSR模型比較,優選最佳預處理方法。

1.3.2 特征波長的提取 基于美國MathWorks公司Matlab R2013b軟件,應用連續投影算法(succesive projections algorithm,SPA)、正自適應加權算法(competitive adaptive reweighted sampling,CARS)提取經過最佳預處理光譜的特征波長。

1.3.3 建模方法 首先建立基于原始光譜和不同預處理光譜的冷鮮羊肉蛋白質、嫩度、pHPLSR模型,優選最佳預處理方法,然后建立基于最佳預處理的全光譜和特征波長下冷鮮羊肉各指標參數的PLSR光譜預測模型。PLSR是一種新型多元數據統計方法,涵蓋多種數據統計方法的優點,近年來發展迅速。

1.3.4 模型評價指標 為檢驗原始光譜經過預處理所建模型的穩定程度及擬合效果,采用校正集/預測集/交互驗證相關系數(Rc、Rp、Rcv)和均方根校正/預測/交互驗證誤差(RMSEC、RMSEP、RMSECV)作為PLSR模型評判指標。相關系數(R)是反映波長吸光度與樣品理化指標相關性的統計指標,為了檢驗特征波長下冷鮮羊肉蛋白質、嫩度和pH的PLSR光譜預測模型,本文采用預測集相關系數Rp和預測均方根誤差RMSEP作為模型評價指標。RMSEC用來評價所建模型的擬合準確程度;RMSEP用來評價所建模型對目標樣品的預測能力;RMSECV用于評價所建模型的可行性[21]。

2 結果與分析

2.1 冷鮮羊肉理化指標的測定

隨機選取寧夏鹽池灘羊60只,取羊胴體背最長肌獲取總樣120個,按校正集∶預測集=3∶1將樣本分成兩組,即用于建立校正模型數據90個,預測模型30個。樣本的蛋白質、嫩度、pH測定結果如表1所示。

表1 冷鮮羊肉的理化參數

表2 冷鮮羊肉蛋白質含量的原始光譜和預處理光譜的PLSR模型效果比較

2.2 原始光譜預處理

由于高光譜圖像采集過程中受到儀器暗電流、背景色、外界噪音、肉樣表面水分的鏡面反射等因素影響,使原始光譜不僅含有樣品本身的化學成分和物理結構信息,還包含一些無關信息影響后續建模效果。為了提高建模精度,對光譜進行預處理。后利用PLSR分別對預處理光譜建模,比較效果。

2.2.1 蛋白質含量的原始光譜預處理 基于Unscrambler X 10.3軟件,對冷鮮灘羊肉蛋白質含量的原始光譜采用移動平均平滑、面積歸一化、基線校準、標準正態化、去趨勢、多元散射校正、中心化共7種預處理方法,建立冷鮮羊肉蛋白質含量的PLSR預測模型,并與原始光譜建模效果進行對比,優選最佳預處理方法。實驗結果見表2。

由冷鮮羊肉蛋白質含量的PLSR模型效果分析對比可知,采用原始光譜、面積歸一化、基線校準、標準正態化和多元散射校正光譜預處理方法可獲得較高的Rc,綜合Rcv和Rp值,原始光譜預處理較其它5種方法都高,Rp值和Rc、Rcv較為接近,且有較低的RMSEP值,其RMSEC、RMSECV值和其它預處理方法差異不明顯。王家云等[22]利用高光譜技術(900～1700 nm)對寧夏灘羊肉的蛋白質進行研究,發現原始光譜采用基線校準預處理的PLSR預測模型有較高的Rp,其模型校正集Rc=0.927、預測集Rp=0.927、Rcv=0.900均高于本實驗的相對應相關系數,說明蛋白質和波長(900～1700 nm)吸光度的相關性好,原因可能是本研究選取冷鮮羊肉為實驗對象,受貯存時間的影響,蛋白質變化比較大,光譜采集時波長吸光度與蛋白質相關性較差,但其RMSEC=0.55,RMSEP=0.52,RMSECV=0.65與本研究對比較低,說明模型的擬合準確程度、對目標樣品的預測能力、所建模型的可行性沒有本研究理想。光譜預處理效果不理想,可能是因為預處理沒能剔除干擾信息反而使樣本原有蛋白質信息發生改變或者缺失,鑒于此,選擇原始光譜數據用于后續特征波長的提取和預測模型的建立。

2.2.2 pH的原始光譜預處理 基于Unscrambler X 10.3軟件和PLSR模型,對冷鮮灘羊肉pH的原始光譜采用卷積平滑、均值歸一化、基線校準、標準正態化、去趨勢、多元散射校正及中心化7種預處理方法,建立冷鮮羊肉pH的PLSR預測模型,并與原始光譜建模效果進行對比,優選pH最佳預處理方法。

表3 冷鮮羊肉pH原始光譜和預處理光譜的PLSR模型效果比較

表4 冷鮮羊肉嫩度的原始光譜和預處理光譜的PLSR模型效果比較

對冷鮮羊肉pH原始光譜和預處理光譜PLSR模型分析比較,原始光譜、基線校準和去趨勢對光譜預處理有高的Rc值,分別是0.943、0.943、0.948。卷積平滑、均值歸一化、標準正態化、多元散射校正及中心化5種預處理方法的Rc值較低。雖然卷積平滑預處理有較高的Rp值,但其RMSEP值最高,說明模型的可行性不好,且RMSEC、RMSECV都較原始光譜預處理值高,而且校正集相關系數Rc低于原始光譜。綜合Rc、Rcv、Rp值,利用原始光譜建立冷鮮羊肉樣本的PLSR模型,有較高的Rc、Rcv、Rp值,且RMSEC、RMSECV、RMSEP值較其它預處理較低。因此選擇原始光譜進行后續特征波長的提取及PLSR預測模型的建立與分析。ElMasry G等[8]利用近紅外高光譜技術對牛肉的pH進行研究,決定系數R2和交互驗證均方差RMSECV分別是0.73和0.06,與本研究結果相當。吳建虎等[10]利用光譜散射特性預測牛肉的pH,預測相關系數為0.86,低于與本研究的預測集相關系數0.943。王家云等[22]利用高光譜技術(900～1700 nm)對寧夏灘羊肉的pH進行研究,采用原始光譜預處理的PLSR模型校正集Rc=0.894、預測集Rp=0.843、Rcv=0.849,均低于本研究結果。

2.2.3 嫩度的原始光譜預處理 基于Unscrambler X 10.3軟件和PLSR模型,對冷鮮灘羊肉嫩度的原始光譜采用中值濾波、均值歸一化、基線校準、標準正態化、去趨勢、多元散射校正及中心化7種預處理,并與原始光譜所建模型進行對比。預處理效果見表4。

由表4可知,與8種光譜預處理所建模型相比較,采用原始光譜數據建立嫩度的PLSR模型具有最高Rc、Rcv,其值分別是0.950、0.803。雖然原始光譜Rp小于中心化預處理,但有較低的RMSEC、RMSECV、RMSEP值和較高的Rc、Rcv。因此,原始數據將用于后續冷鮮羊肉嫩度PLSR預測模型的建立。王正偉等[14]利用高光譜技術檢測雞肉嫩度,原始光譜經MSC預處理的PLSR模型校正集Rc=0.889、預測集Rp=0.849、Rcv=0.787,均低于本研究結論。

2.3 光譜特征波長的提取

原始光譜波段維數多且某些波段包含一些無關信息,采用全波段建模會影響模型精度,延長數據處理時間,不利于企業在線快速無損檢測[23]。為了優化光譜預測模型,采用正自適應加權算法(CARS)、連續投影算法(SPA)提取特征波長。

2.3.1 正自適應加權算法提取特征波長 該方法對無信息變量進行有效去除的同時,還可以盡可能的減少共線性變量對模型的影響,最終優選出針對預測目標最為關鍵的變量。結果顯示:蛋白質預測模型變量28個,即401、411、416、425、430、435、440、445、449、493、497、517、550、555、574、579、584、593、608、627、656、757、785、853、954、958、987、997 nm處波長值;嫩度預測模型變量38個,即411、425、430、435、459、488、507、531、541、560、569、608、627、646、651、670、675、685、694、718、733、761、776、790、814、819、829、838、857、862、881、891、896、930、939、963、978、987 nm處波長值;pH預測模型變量42個,即406、416、421、425、440、445、459、464、469、473、478、507、512、526、531、545、550、560、574.、584、593、608、613、617、622、632、670、680、704、709、728、733、737、747、757、761、771、776、862、915、944、997 nm處波長值。

2.3.2 連續投影算法提取特征波長 該方法能夠從原始數據中篩選出幾列數據就可以概括大部分樣品的光譜信息,最大程度篩選出有用信息[24]。最終優選出蛋白質預測模型變量11個,對應406、420、425、430、444、458、579、641、689、804、977 nm處波長值;嫩度預測模型變量5個,即401、415、569、636、732 nm處波長值;pH預測模型變量19個,對應411、440、445、454、469、497、517、545、565、598、646、665、704、733、757、862、925、982、997 nm處波長值。結果表明,利用SPA提取特征波長明顯少于CARS提取的波長數。

2.4 模型的建立與分析

基于原始光譜(original specrtum,OS)、SPA和CARS提取出的特征波長,建立冷鮮羊肉蛋白質、嫩度和pH的PLSR模型,分析對比模型的預測能力,優選最佳建模方法。

圖1 冷鮮羊肉蛋白質含量在不同波段下的PLSR預測模型Fig.1 PLSR prediction model of chilled muttonprotein content under different wavelengths

由圖1可知，建立冷鮮羊肉蛋白質含量的OS-PLSR預測模型具有高的相關系數，Rp=0.869。SPA-PLSR預測模型雖然有較低的預測均方根誤差，但其相關系數Rp和其它兩種建模方法比較差異明顯降低。建立的CARS-PLSR光譜預測模型，其Rp值和RMSEP均小于OS-PLSR。因此，選擇OS-PLSR模型對冷鮮羊肉的蛋白質含量進行預測。

由圖2可知,利用SPA提取光譜特征波長具有高的預測集相關系數Rp值,Rp值達到0.958,預測均方根誤差也較FS-PLSR和CARS-PLSR兩種建模方法低,RMSEP=0.067。SPA-PLSR建模方法對冷鮮羊肉pH達到了理想的預測效果,且模型的波長數相對于另外兩種建模方法大大減少,利于企業實現在線快速無損檢測。

圖2 冷鮮羊肉pH在不同波段下的PLSR預測模型Fig.2 PLSR prediction model of chilled mutton pH value under different wavelengths

由圖3可知,利用SPA提取光譜特征波長建立冷鮮羊肉嫩度的PLSR預測模型,與另外兩種建模方法相比較,有較低的Rp值、高的RMSEP值,說明SPA-PLSR預測模型效果不好。FS-PLSR和CARS-PLSR光譜預測模型Rp值分別是0.870和0.862;RMSEP值分別是0.705和0.706。FS-PLSR光譜模型預測集相關系數略高于CARS-PLSR,預測均方根誤差略低于CARS-PLSR光譜模型,但考慮到CARS-PLSR波長數為38,FS-PLSR波長數125,選擇CARS提取的38個特征波長作為建立冷鮮羊肉嫩度的PLSR模型,并取得較好的預測效果。

圖3 冷鮮羊肉嫩度在不同波段下的PLSR預測模型Fig.3 PLSR prediction model of chilled mutton tenderness under different wavelengths

3 結論

利用400～1000 nm可見近紅外高光譜成像技術對冷鮮羊肉蛋白質、嫩度和pH的原始光譜數據進行預處理,根據建立的PLSR模型效果,各項理化指標均選擇原始光譜用于后續特征波長的提取。采用CARS正自適應加權算法(CARS)提取特征波長,優選出蛋白質變量28個、嫩度變量38個、pH變量42個;SPA連續投影算法(SPA)提取特征波長,優選出蛋白質變量11個、嫩度變量5個、pH變量19個。對冷鮮羊肉蛋白質、嫩度和pH分別建立原始光譜、特征波長的PLSR光譜預測模型。結果表明:建立冷鮮羊肉蛋白質的OS-PLSR光譜預測模型效果最佳,Rp=0.869,RMSEP=0.097;建立的SPA-PLSR光譜預測模型對pH預測效果理想,Rp=0.958,RMSEP=0.067;CARS-PLSR光譜預測模型對嫩度的預測能力較高,Rp=0.862,RMSEP=0.706。研究結果表明:高光譜成像技術對冷鮮羊肉的蛋白質、嫩度、pH進行快速無損檢測是可行的。

[1]王文秀,彭彥昆.基于近紅外光譜的冷鮮肉-解凍肉的判別研究[J].食品安全質量檢測學報,2014,5(3):754-760.

[2]李斌,康壯麗,龔宸,等.基于低場核磁共振技術分析冷凍和冷卻豬肉乳化香腸的品質差異[J].食品工業科技,2015,24:142-150.

[3]王婉嬌,王松磊,賀曉光,等.冷鮮羊肉冷藏時間和水分含量的高光譜無損檢測[J].食品科學,2015,36(16):112-116.

[4]任發政,李興民,張原飛編譯.現代肉品加工與質量控制[M].北京:中國農業大學出版社,2006:179-190.

[5]Gowen A A,O’donnell C P,Cullen P J,et al. Hyperspectral imaging—an emerging process analytical tool for food quality and safety control[J]. Trends in Food Science Technology,2007,18:590-598.

[6]王婉嬌,王松磊,賀曉光,等. NIR高光譜成像技術檢測冷鮮羊肉嫩度[J].食品工業科技,2015,36(20):77-91.

[7]趙俊華,郭培源,邢素霞,等.基于高光譜成像的臘肉細菌總數預測建模方法研究[J].中國調味品,2016,41(2):74-78.

[8]El Masry G,Sun Da-wen,Allen P. Near-infrared hyperspectral imaging for predicting colour,p H and tenderness of fresh beef[J]. Journal of Food Engineering,2012,110:127-140.

[9]Thyholt K,Isaksson T. Differentiation of frozen and unfrozen beef using near-infrared spectroscopy[J]. Journal of the Science of Food and Agriculture,1997,73(4):525-532.

[10]吳建虎,彭彥昆.基于高光譜散射特征的牛肉品質參數的預測研究[J].光譜學與光譜分析,2010,30(7):1815-1819.

[11]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):181-184.

[12]Mohammed K,Gamal E,Da-Wen Sun. Prediction of some quality attributes of Lamb meat using near-infrared hyperspectral imaging and multivariate analysis[J].Analytica Chimica Acta,2012(714):57-67.

[13]張雷蕾,李永玉,彭彥昆,等. 基于高光譜成像技術的豬肉新鮮度評價[J].農業工程學報,2012,28(7):254-259.

[14]王正偉,王家云,王松磊,等. 基于VIS-NIR高光譜成像技術檢測雞肉嫩度[J].食品科技,2015,40(11):270-274.

[15]趙杰文,惠喆,黃林,等.高光譜成像技術檢測雞肉中揮發性鹽基氮含量[J].激光與光電子學進展,2013,50(7):1-7.

[16]李媛媛,趙鉅陽,齊鵬輝,等.高光譜成像技術在紅肉質量特性無損檢測中的應用[J].食品工業,2016,37(1):264-269.

[17]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].光譜學與光譜分析,2009,29(1):102-105.

[18]陶斐斐,王偉,李永玉,等.冷卻豬肉表面菌落總數的快速無損檢測方法研究[J].光譜學與光譜分析,2010,30(12):3405-3409.

[19]Leroy B,Lambotte S,Dotreppe O. Prediction of technological and organoleptic properties of beef Longissimus thoracis from near-infrared reflectance and transmission spectra[J].Meat Science,2004,66(1):45-54.

[20]吳龍國,何建國,劉貴珊,等.基于近紅外高光譜成像技術的長棗含水量無損檢測[J].光電子激光,2014,25(1):135-140.

[21]金靈.基于高光譜技術的寧夏灘羊肉內部品質檢測方法研究[D].寧夏:寧夏大學,2014:1-51.

[23]郭紅艷,劉貴珊,吳龍國,等.基于高光譜成像的馬鈴薯環腐病無損檢測[J].食品科學,2016:1-7.

[24]趙杰文,林顥.食品農產品檢測中的數據處理和分析方法[M].北京:科學出版社,2012:4-5.

Nondestructive detection of quality of chilled mutton using hyperspectral imaging technique

YANG Ju-mei,HE Xiao-guang*,WANG Song-lei,DING Jia-xing,QIANG Feng,WANG Qin-zhi

(School of Agriculture,Ningxia University,Yinchuan 750021,China)

Visible/near infrared hyperspectral imaging system ranging from 400 nm to 1000 nm was investigated for non-destructive determination of protein content,pH value and tenderness in chilled mutton. Collected the hyperspectral scattering image of chilled mutton and extracted the reflectance spectrum at range of interest. Firstly,the partial least squares regression(PLSR)model was established by the pretreatment of original spectrum to prefer the best pretreatment method. Then,the successive projections algorithm(SPA)and competitive adaptive reweighed sampling(CARS)were used to select characteristic wavelengths,the PLSR prediction models of protein content,pH value and tenderness under the characteristic wavelengths were set up and analyzed. The results showed that using original spectrum to establish OS-PLSR models for predicting protein content,pH value and tenderness were better than the PLSR models constructed by pretreatment spectrum;the PLSR prediction model of protein content under full wavelengths has the best effect,the correlation coefficient of prediction(Rp)and the predict root mean square error(RMSEP)were 0.869 and 0.097. The result of SPA-PLSR model for predicting pH value was ideal and RP value was 0.958,RMSEP value was 0.067. The result of CARS-PLSR model for predicting tenderness has high predictive power and the RP value was 0.862,RMSEP value was 0.706. Therefore,visible/near infrared hyperspectral imaging technology is feasible for non-destructive determination of protein content,pH value and tenderness in chilled mutton.

hyperspectral imaging technique;chilled mutton;quality;nondestructive detection;partial least squares regression

2016-05-20

楊菊梅(1991-),女,在讀碩士研究生,研究方向:農產品無損檢測,E-mail:1255499035@qq.com。

*通訊作者:賀曉光(1963-),男，教授，主要從事食品加工與食品機械方面的教學和科研工作，E-mail:13995015705@163.com。

TS251.5+3

A

1002-0306(2016)22-0084-06

10.13386/j.issn1002-0306.2016.22.008