NIR高光譜成像技術聯用SPA算法快速檢測五花肉的過氧化值

何鴻舉,王洋洋,王 魏,蔣圣啟,朱亞東,馬漢軍,2,陳復生,朱明明,趙圣明

(1.河南科技學院食品學院,河南新鄉 453003;2.河南科技學院博士后研發基地,河南新鄉 453003;3.河南工業大學糧油食品學院,河南鄭州450001)

肉類因富含蛋白質、無機鹽等人體所需的營養成分,烹飪后滋味鮮美濃郁,是人們日常飲食和補充營養的首選。其中,豬肉不僅營養價值高,味道鮮美可口,還具有預防和治療貧血、治療腎虛體虛、產后血虛等功效,是人們日常生活的主要肉類來源,在整個肉品行業中占據著重要的地位[1-4]。通常肉類食品容易受到空氣、溫度和水分等的影響發生氧化而腐爛變質,肉品的氧化程度用其所含過氧化物的量來表示。過氧化值是指1 kg肉樣中能夠析出碘的毫克數,通常用氫過氧化物的毫摩爾數來代表。一般而言,過氧化值含量越高,肉品腐爛變質的面積就越大,營養價值降低,食用風險升高;當肉品中過氧化值的含量超過食用標準后,就不宜再用來銷售和食用。因此,加強豬肉的質量檢測工作具有深遠的意義[5-6]。

高光譜成像技術(Hyperspectral imaging,HSI)是近年來快速發展的具有非破壞性、及時性、高準確度的一種光電檢測技術,它將傳統的成像技術和先進的光譜技術相結合,能夠同時獲得樣品的空間信息和光譜信息,選擇性的吸取了兩種檢測技術的優點,克服了傳統檢測方法的效率低下、樣品的完整性不高、損耗大等弊端[7-8],更具說服力和前沿性[9-10]。NIR光譜成像技術具有響應范圍廣、多波段且窄而連續,測試重現性好,數據處理速度快、操作簡便,能夠實現在線及時監控分析,具有分析靈活等特點,同時適用于食品內、外部的品質檢測,是肉品品質檢測具有前瞻性的新方法之一[11]。近幾年來,高光譜成像技術用于研究豬肉品質的報道逐漸增多,但目前大多數研究集中與豬肉的化學組成成分及微生物預測方面,如水分[12]、脂肪[13]、TVC[14]等方面。然而,目前使用高光譜近紅外技術對豬肉脂肪氧化程度進行無接觸評估的報道甚少。

目前豬肉過氧化值測量主要依靠國標法,耗時長、效率低、需要破壞樣品等缺點無法滿足快速、實時、現場檢測等需求。鑒于高光譜成像技術的優點,本試驗嘗試挖掘NIR高光譜技術對不同儲藏期的豬肉過氧化值進行快速預測的潛力,旨在為在線、快速、無接觸測定豬肉氧化程度提供數據支撐和方法參考。

1 材料與方法

1.1 材料與儀器

五花肉 新鄉市世紀華聯超市購買;三氯甲烷 天津市外環化工有限公司;冰乙酸 河南康源化工有限公司;三氯甲烷-冰乙酸混合液(體積比2∶3) 實驗室配制;碘化鉀 南京金海威化工實業有限公司;碘化鉀 天津市鼎盛鑫化工有限公司;淀粉 河北鑫中科技有限公司;石油醚 天津市欣寬化工有限公司;蒸餾水 實驗室自制;硫代硫酸鈉 溧陽市慶豐精細化工有限公司。

HSL-eNIR-400-1700高光譜成像系統 上海五嶺光電科技有限公司;YRE-52A旋轉蒸發儀 鞏義予華儀器有限公司;JFSD-100組織破碎機 上海嘉定糧油儀器有限公司;TLE204E/02電子分析天平 梅特勒-托利多(上海)有限公司;冰箱 青島海爾集團。

1.2 實驗方法

1.2.1 樣品預處理 將肥肉較多的新鮮五花肉,經過去皮、修整處理后用直尺進行人工測量,切成3 cm×3 cm×1 cm[15]的長方體小塊(以便于用高光譜儀器采集樣品信息),共獲得112個樣品。然后將樣品整齊擺放在密封性良好的一次性保鮮盒中,置于冰箱冷藏室0～4 ℃下貯存,每天取出16個樣品用于采集光譜信息和過氧化值測定。

1.2.2 光譜數據采集 試驗前30 min將待測樣品從冰箱中取出,待樣品溫度達到室溫,同時將近紅外高光譜設備打開進行預熱后,對高光譜相應軟件進行參數設置和儀器黑白板校正處理[16],設置載物臺的移動速度為6.53 mm/s,系統的曝光時間為4.00 ms,鏡頭掃描范圍為75～175 mm。將待測樣品進行編號后,放在高光譜設備的載物臺上,一次掃描兩個樣品,并一一對應保存直至每塊樣品的數據采集完成,從而得到不同冷藏時間下的樣品的光譜數據圖。

1.2.3 五花肉過氧化值的測定 根據GB 5009.227-2016《食品中過氧化值的測定》中滴定法的要求進行檢測。

1.2.4 光譜數據提取及預處理 為了提高模型的精確度,減小誤差,降低噪音、散射等造成的不良影響,本試驗嘗試用Unscrambler軟件對獲取的樣品光譜信息進行預處理并對比結果,以選擇出最佳的預處理方式。七種預處理方式分別為:基線校正(Baseline Correction,BC)、高斯濾波平滑(Gaussian Filter Smoothing,GFS)、中值濾波平滑(Median Filtering Smoothing,MFS)、卷積平滑(Savitzky Golay Smoothing,SGS)、移動平均值平滑(Moving Average Smoothing,MAS)、標準正態變量變換(Standard Normal Variate,SNV)、多元散射校正(Multiplicative Scatter Correction,MSC)[17-18]。

1.2.5 模型的建立及評價 本試驗中以豬肉過氧化值測量值為因變量,以波長信息為自變量,基于PLS算法建立豬肉脂質氧化程度的預測模型。通過校正相關系數(RC)、校正均方根誤差(Root Mean Square Error of Calibration,RMSEC)、交叉驗證相關系數(RCV)、交叉驗證均方根誤差(Root Mean Square Error of Cross Validation,RMSECV)、預測相關系數(RP)、預測均方根誤差(Root Mean Square Error of Prediction,RMSEP)、魯棒性(ΔE)、預測偏差(RPD)等指標評估PLS模型性能的優劣。

1.2.6 最優波長的選擇及模型優化 本試驗全波段光譜(900～1700 nm)包含486個波長,如此龐大的數據量將影響模型運算速度,同時光譜中的冗余信息也會干擾模型性能。因此本試驗分別采用回歸系數法(Regression Coefficient,RC)[19]和連續投影算法(Successive Projections Algorithm,SPA)[20]選取最優波長,以減少計算量,提高預測效率和精度。經這兩種方法篩選出最優波長后,以最優波長作為輸入變量,對全波段PLS模型(F-PLS)進行優化,建立最優波長PLS模型(O-PLS),并以R和RMSE評價模型性能。

1.3 數據處理

高光譜設備掃描每個樣品重復三次,獲取平均光譜數據。PLS建模和RC法篩選最優波長使用軟件Unscrambler 9.7,SPA操作在軟件MATLAB 2016a中進行,模型構建使用化學計量學軟件Unscrambler 9.7完成。

2 結果與分析

2.1 五花肉過氧化值測定結果

將112個樣品的過氧化值依次排列按照3∶1的比例分為校正集和預測集,測量結果如表1所示:校正集的最大值、最小值分別為8.60×10-3、1.10×10-3g/100 g,預測集的最大值、最小值分別為7.90×10-3、1.20×10-3g/100 g。1.10×10-3g/100 g<1.20×10-3g/100 g<7.90×10-3g/100 g<8.60×10-3g/100 g,預測集的取值在校正集的取值范圍內,說明取值對于構建模型具有可行性。

表1 校正集和預測集樣品過氧化值測量結果統計

2.2 五花肉樣品的光譜特征

提取112個樣品的平均光譜特征如圖1所示:圖1a是高光譜數據校正后的原始光譜信息,圖1b是BC預處理光譜信息,圖1c是GFS預處理光譜信息,圖1d是MFS預處理光譜信息,圖1e是SGS預處理光譜信息,圖1f是MAS預處理光譜信息,圖1g是SNV預處理光譜信息,圖1h是MSC預處理光譜信息。

由圖1可知,在900～1700 nm波長范圍內,波長與反射率呈現一定的函數關系,且反射率隨著樣品過氧化值含量的變化而不斷變化,雖然每種預處理方式不同,每個樣品過氧化值含量不同,但就整體趨勢而言,大致相同。

圖1 五花肉過氧化值平均光譜曲線

2.3 基于全波段光譜的PLS預測過氧化值結果

偏最小二乘(Partial Least Square,PLS)是一種應用范圍廣泛、分析效果好、準確性高的光譜數據分析方法[21]。PLS不僅能夠從多個自變量中篩選整理出多個相互之間彼此獨立的主成分,得到多個自變量和多個因變量之間的關系[22],同時也能最大程度地減少設備中的噪聲干擾,有效地解決樣品的數量多、變量間的多重相關性的問題,構建模型進行數據處理[23-24]。一般而言,相關系數越高且接近于1,模型的相關性越好;均方根誤差和魯棒性越小且接近于0,預測偏差越大且大于2.5,模型的預測效果越好[25-28]。本試驗構建PLS模型預測五花肉的過氧化值,結果如表2所示。

表2 五花肉過氧化值F-PLS回歸預測結果

由表2可知,在486個波長范圍內,未經預處理的原始數據(RAW)與經過預處理的全波段光譜預測過氧化值結果相似,其中RAW與經過BC預處理構建的全波段光譜的PLS(F-PLS)預測模型效果較好,其RP分別為0.960、0.960,RMSEP分別為4.89×10-4、5.15×10-4g/100 g,ΔE分別為1.31×10-4、1.48×10-4g/100 g,RPD分別為3.406、3.444。綜上所述,RAW和BC預處理的F-PLS的相關系數更高且接近于1,相關性更好,均方根誤差更小,魯棒性更好,且RPD更大且大于3,說明其模型預測過氧化值的精度更高、效果更好。

2.4 最優波長的選擇

以最優波長作為輸入變量,重新運算構建模型,預測結果如表3。

表3 用不同篩選方法確定最優波長的PLS模型預測過氧化值結果

由表3可知,分別采用RC和SPA篩選出的最優波長構建PLS(O-PLS)的預測模型中,RAW-SPA(RC=0.951、RMSEC=4.69×10-4g/100 g,RP=0.960、RMSEP=4.42×10-4g/100 g)構建的預測模型波長數更少,潛變量最少,相關系數更高,誤差更小,預測過氧化值的能力更強。

當波長數小于樣品數量時,也可使用多元線性回歸(Multiple Linear Regression,MLR)構建模型[29],預測結果如表4。

表4 用不同篩選方法確定最優波長的MLR模型預測過氧化值結果

由表4可知,分別采用RC和SPA篩選出的最優波長構建MLR預測模型中,RAW-SPA的波長數最少,潛變量最少,RC為0.953,RMSEC為4.56×10-4g/100 g,RCV為0.916,RMSECV為6.06×10-4g/100 g,RP為0.968,RMSEP為4.12×10-4g/100 g,ΔE為0.44×10-4g/100 g,RPD為3.711,與其他三種模型相比,相關系數更高,誤差更小,模型預測過氧化值的能力更強,MLR模型相關性更好。

綜上所述,本試驗采用RAW-SPA篩選最優波長的方法更好,其數量及其位置如圖2所示:

由圖2b可知,SPA共篩選出20個最優波長,從圖2a可知,SPA共篩選出的20個最優波長分別為902.2、905.5、910.4、913.7、915.4、920.3、926.9、930.2、931.8、936.8、981.2、1147.4、1323.4、1395.9、1476.7、1602.2、1673.4、1688.3、1693.3、1698.3 nm。

圖2 預測過氧化值最優波長圖

2.5 模型的優化

利用上述連續投影算法(SPA)篩選出的20個最優波長分別對RAW光譜信息建立最優PLS模型(O-PLS)和MLR模型,預測過氧化值結果如表5、圖3所示。

表5 O-PLS和MLR模型SPA法最優預測五花肉過氧化值結果比較

由表5可知,O-PLS模型和MLR模型預測過氧化值的方案是可行的,且與O-PLS(RC=0.951、RMSEC=4.69×10-4g/100 g,RP=0.960、RMSEP=4.42×10-4g/100 g)模型相比,MLR模型的相關系數更大、誤差更小,與模型相關性更好,RC為0.953,RMSEC為4.56×10-4g/100 g,RP為0.968,RMSEP為4.12×10-4g/100 g,ΔE為0.44×10-4g/100 g,RPD為3.711,預測過氧化值的效果更佳。

3 結論

本試驗利用NIR高光譜成像技術聯用SPA算法對0～4 ℃冷藏條件下的五花肉樣品的過氧化值含量進行快速、無損檢測研究。通過對比七種預處理(BC、GFS、MFS、SGS、MAS、SNV、MSC)的光譜信息,可知RAW-MLR的優化模型預測過氧化值效果最佳,RC為0.953,RMSEC為4.56×10-4g/100 g,RCV為0.916,RMSECV為6.06×10-4g/100 g,RP為0.968,RMSEP為4.12×10-4g/100 g,ΔE為0.44×10-4g/100 g,RPD為3.711。與F-PLS模型相比(RC=0.972、RMSEC=3.58×10-4g/100 g,RP=0.960、RMSEP=4.89×10-4g/100 g,ΔE=1.31×10-4g/100 g,RPD=3.406),經過優化處理的MLR模型預測過氧化值結果相近,且更具代表性,精確更高,準確性更好,測定樣品五花肉的過氧化值方案是可行的,可為進一步研究快速、無損檢測五花肉的過氧化值含量提供理論支持。