在線近紅外光譜系統(tǒng)快速檢測整塊雞胸肉菌落總數(shù)含量

何鴻舉,蔣圣啟,王洋洋,王玉玲,馬漢軍,2,陳復(fù)生,朱明明,趙圣明

(1.河南科技學(xué)院食品學(xué)院,河南新鄉(xiāng) 453003;2.河南科技學(xué)院博士后研發(fā)基地,河南新鄉(xiāng) 453003;3.河南工業(yè)大學(xué)糧油食品學(xué)院,河南鄭州450001;4.河南科技學(xué)院生命科技學(xué)院,河南新鄉(xiāng) 453003)

雞肉含有較高的蛋白質(zhì),每100 g雞肉中含有約23.3 g蛋白質(zhì)[1]。同時,雞肉還兼有低脂肪、低熱量、低膽固醇等營養(yǎng)特征,成為我國僅次于豬肉的肉類制品[2]。雞肉營養(yǎng)成分豐富,水分活度適宜,在生產(chǎn)、包裝、運輸、貯藏和銷售容易受到微生物污染,使其品質(zhì)下降甚至變質(zhì),因此加強雞肉中微生物含量的實時監(jiān)控顯得尤其重要[3]。菌落總數(shù)(Total Viable Count,TVC)是指食品待測樣經(jīng)過預(yù)處理后,在一定條件下(培養(yǎng)基、培養(yǎng)溫度、培養(yǎng)時間等)培養(yǎng)后,獲得的每克或毫升待測樣中的細菌菌落總量,反映了食品被細菌污染的程度,標志著食品質(zhì)量的優(yōu)劣[4]。TVC含量常被用于評價肉類產(chǎn)品新鮮度,其傳統(tǒng)檢測方法有微量量熱法、平板計數(shù)法、酶聯(lián)免疫技術(shù)、溶氧-電流法和聚合酶鏈式反應(yīng)等[5]。這些方法操作復(fù)雜、檢測時間長并且對樣品具有破壞性,已無法滿足現(xiàn)今我國肉品企業(yè)的大批量在線實時快速檢測和低成本的要求[6]。因此,尋找一種快速、高效準確的無損檢測肉品細菌總數(shù)含量的技術(shù)是十分必要。

近紅外光譜(NIR)技術(shù)是一種基于780～2560 nm波長范圍的樣品的光譜特征,關(guān)聯(lián)樣品本身的性質(zhì)指標建立校正模型,利用校正模型預(yù)測樣品的化學(xué)組成及其含量的無損檢測技術(shù)[7]。近紅外光譜源于分子振動(由低能級向高能級躍遷),反映了含氫基團(C-H、N-H、O-H)的倍頻吸收和合頻吸收,可用于食品的定性和定量檢測[8]。企業(yè)的需求是大批量實時檢測和低成本。當樣品數(shù)量巨大時,近紅外光譜無損檢測是優(yōu)勢。NIR技術(shù)具有檢測速度快、效率高、操作重現(xiàn)性好、樣品無預(yù)處理、易于在線檢測等優(yōu)點,已被廣泛研究用于食品中TVC含量的檢測[9-11]。邢素霞等[12]在920～2500 nm范圍內(nèi)探討了近紅外光譜技術(shù)預(yù)測雞肉中TVC含量的可行性,模型相關(guān)系數(shù)r為0.88,預(yù)測效果可接受。Jiang等[13]利用可見/近紅外光譜技術(shù)建立偏最小二乘模型預(yù)測雞肉中TVC含量,模型相關(guān)系數(shù)rC為0.89,RMSEC為0.75,模型預(yù)測性能也可接受。這些研究雖然說明近紅外技術(shù)檢測雞肉中TVC含量具有可行性,但其所建模型的相關(guān)系數(shù)r較低,模型穩(wěn)定性較差。目前相關(guān)研究的采樣方式大多是選取雞胸肉的部分區(qū)域進行掃描光譜和檢測菌落總數(shù),導(dǎo)致獲取的數(shù)據(jù)誤差較大,所建模型的代表性不強,適用范圍較小。

鑒于近紅外光譜技術(shù)的潛在優(yōu)勢和目前相關(guān)研究存在的不足,本試驗根據(jù)實際生產(chǎn)的在線實際檢測需求,按照生產(chǎn)線各參數(shù)設(shè)計一套在線近紅外光譜檢測系統(tǒng),通過獲取在線整塊雞胸肉樣品光譜信息和菌落總數(shù)含量,構(gòu)建數(shù)學(xué)模型,旨在實現(xiàn)在線雞胸肉的快速準確的無接觸檢測,為進一步完善改進在線近紅外檢測系統(tǒng)提供數(shù)據(jù)支撐。

1 材料與方法

1.1 材料與儀器

新鮮整塊雞胸肉 由河南眾品食業(yè)股份有限公司提供。

WL-NIROLTR型在線近紅外光譜系統(tǒng),主要包括光譜儀(型號SW2540)、環(huán)形光源(型號LBNIR2500)、傳送帶(速度可調(diào))等核心部件 上海五鈴光電科技有限公司;CM0325平板計數(shù)瓊脂培養(yǎng)基 英國Oxoid公司。

1.2 實驗方法

1.2.1 樣品準備 將100塊新鮮雞胸肉((16±1.5) cm×(10±1.5) cm×(2±0.5 cm))經(jīng)過簡單修整后,用超純水進行清洗、濾紙吸干,置于干凈的一次性保鮮盒中,編號,0～4 ℃下密封保存、備用。

1.2.2 光譜采集 試驗前,打開近紅外光譜系統(tǒng)預(yù)熱30 min,使光源趨于穩(wěn)定。同時,從0～4 ℃溫度下取出待測樣,使其恢復(fù)到室溫后,置于系統(tǒng)傳送帶上,開啟傳送帶進行肉樣掃描?；趯嶒炇仪捌诘难芯砍晒驮囼炚{(diào)試,將系統(tǒng)傳送帶速度設(shè)置為10.34 cm/s,樣品檢測速度為1.40～1.69 cm/個,光源與傳送帶距離設(shè)置為9.50 cm,每個樣品掃描3次,取光譜平均值,備用。

1.2.3 TVC測定 光譜數(shù)據(jù)采集完畢后立即進行細菌菌落總數(shù)(TVC)的測定。具體方法參照GB 4789.2-2016《食品微生物學(xué)檢驗 菌落總數(shù)測定》[14],最終分析數(shù)據(jù)用測定的菌落總數(shù)(TVC)對數(shù)值表示。

1.2.4 光譜預(yù)處理 高斯濾波平滑(Gaussian Filter Smoothing,GFS)是一種線性濾波器,其作用是消除光譜采集、傳輸及處理過程中的噪聲;多元散射校正(Multiplicative Scatter Correction,MSC)是通過校正每一條光譜的散射來消除設(shè)備對光譜信息的干擾;基線校正(Baseline Correction,BC)是通過抑制基線漂移來提高光譜信噪比;卷積平滑(Savitzky Golay Smoothing,SGS)是通過加權(quán)平均的方法來消除疊加在光譜上的隨機誤差;標準正態(tài)變量校正(Standard Normal Variable Correction,SNV)是通過特定的方法運算來消減測量時帶來的誤差[15-16]。本文采用GFS、MSC、BC、SGS和SNV等五種方法預(yù)處理原始光譜(RAW),通過各種對光譜的預(yù)處理來最終提高后續(xù)模型的準確性和穩(wěn)定性,對模型進行評價。

1.2.5 模型構(gòu)建及評價 偏最小二乘(Partial Least Squares,PLS)法可以有效解決光譜數(shù)據(jù)數(shù)量多、相關(guān)性、重疊性的問題[17]。本文采用PLS法構(gòu)建900～1650 nm全波段(233個波長)光譜信息與整塊雞胸肉TVC含量之間的定量關(guān)系,即構(gòu)建模型。模型性能使用校正相關(guān)系數(shù)(rC)、校正均方根誤差(Root Mean Square Error of Calibration,RMSEC)、交叉驗證相關(guān)系數(shù)(rCV)、交叉驗證均方根誤差(Root Mean Square Error of Cross Validation,RMSECV)、預(yù)測相關(guān)系數(shù)(rP)、預(yù)測均方根誤差(Root Mean Square Error of Prediction,RMSEP)、魯棒性(│RMSEC-RMSEP│,ΔE)和剩余預(yù)測偏差(Residual Predictive Deviation,RPD)等參數(shù)進行評價。rC、rCV、rP、RPD值越大,RMSEC、RMSECV、RMSEP、ΔE值越小,模型的預(yù)測性能越好[18-19]。

1.2.6 最優(yōu)波長篩選及模型優(yōu)化 全波段光譜波長變量間常存在多重相關(guān)性,也存在冗余信息,這均會干擾模型的預(yù)測效果,使模型的精度有所下降[20]。為此,本文采用回歸系數(shù)法(Regression Coefficient,RC)[21]和連續(xù)投影算法(Successive Projections Algorithm,SPA)[22]篩選最優(yōu)波長,以提高模型的運行效率和模型精度。當篩選的波長變量個數(shù)小于樣品個數(shù)時,也可構(gòu)建多元線性回歸(Multiple Linear Regression,MLR)模型預(yù)測雞胸肉中TVC含量。

1.3 數(shù)據(jù)處理

PLS模型構(gòu)建、MLR模型構(gòu)建和RC法篩選最優(yōu)波長在Unscrambler V9.7軟件(挪威CAMO公司)中完成,SPA篩選最優(yōu)波長在Matlab R2016a軟件(美國Mathworks公司)中完成。

2 結(jié)果與分析

2.1 雞胸肉TVC含量測量結(jié)果

將100塊雞胸肉測量的TVC值按升序排列,每四個測量值隨機取一個劃入驗證集,其余的三個測量值劃入校正集,共獲得75個校正集樣品和25個預(yù)測集樣品,統(tǒng)計結(jié)果如表1所示。

表1 校正集和預(yù)測集樣品TVC測量結(jié)果統(tǒng)計Table 1 Statistical results of TVC measurement in samples of calibration set and prediction set

2.2 雞胸肉樣品的光譜特征

以采集的雞胸肉光譜波長為x軸,反射率為y軸,得到原始光譜和五種預(yù)處理(GFS、MSC、BC、SGS和SNV)光譜特征,如圖1所示。

圖1 雞胸肉樣品的光譜特征Fig.1 Spectral characteristics of chicken breast samples注:a:原始光譜;b:GFS光譜;c:MSC光譜;d:BC光譜;e:SGS光譜;f:SNV光譜。

從圖1可知,在900～1650 nm波長范圍內(nèi),雖然100個雞胸肉樣品近紅外光譜信息經(jīng)不同預(yù)處理后,光譜曲線高低位置不同,但整體趨勢一致,這只要源于不同肉樣的化學(xué)成分含量不同,導(dǎo)致肉樣的光譜吸收發(fā)生了變化。此外,從圖上可以看出,在 980、1200 nm左右處有明顯的吸收峰,這分別源于肉樣組分中含氫基團O-H鍵和C-H鍵吸收所致[23]。通過合適的化學(xué)計量學(xué)方法挖掘近紅外光譜信息,可以揭示雞肉中TVC值和光譜信息之間的定量關(guān)系。

2.3 基于全波段光譜預(yù)測TVC含量結(jié)果

利用Unscrambler數(shù)據(jù)處理軟件,以233個全波段光譜信息為x變量、測得的雞胸肉TVC值為y變量,建立基于原始光譜(RAW)和五種預(yù)處理光譜的PLS模型,預(yù)測結(jié)果如表2所示。

表2 全波段PLS回歸模型預(yù)測雞胸肉TVC含量結(jié)果Table 2 Results of full-band PLS regression model in predicting TVC in chicken breast

從表2可以看出,基于6種光譜構(gòu)建的PLS回歸模型(RAW-PLS、GFS-PLS、MSC-PLS、BC-PLS、SGS-PLS、SNV-PLS)預(yù)測雞胸肉TVC含量的精度相近。相比之下,基于GFS光譜構(gòu)建的GFS-PLS模型rP和RPD值均最大,RMSEP和ΔE值均最小,預(yù)測效果最佳。后續(xù)最優(yōu)波長篩選及模型優(yōu)化均以GFS光譜基礎(chǔ)展開。

2.4 最優(yōu)波長篩選結(jié)果

本文采用RC法和SPA法從233個全波段光譜中篩選最優(yōu)波長,結(jié)果如表3所示。兩種方法篩選出的最優(yōu)波長個數(shù)不同,分別為24個和25個,光譜波長減少量分別為90%和89%。

表3 特征波長篩選結(jié)果Table 3 Results of selecting optimal wavelengths

2.5 基于最優(yōu)波長預(yù)測TVC含量結(jié)果

將篩選出的最優(yōu)波長作為x變量,雞胸肉中TVC含量作為y變量,分別基于RC法篩選的24個最優(yōu)波長構(gòu)建RC-GFS-PLS模型和基于SPA法篩選的25個最優(yōu)波長構(gòu)建SPA-GFS-PLS模型,預(yù)測雞胸肉中TVC含量結(jié)果如表4所示。

表4 基于最優(yōu)波長的PLS模型預(yù)測肉樣TVC結(jié)果Table 4 Results of predicting TVC in chicken samples by PLS model based on optimal wavelengths

由表4可知,RC-GFS-PLS模型和SPA-GFS-PLS模型預(yù)測雞胸肉中TVC含量效果不同。SPA-GFS-PLS模型預(yù)測精度更好,具有較高的相關(guān)系數(shù)(rC、rCV、rP)和較低的RMSE值(RMSEC、RMSECV、RMSEP),同時RPD值較大、ΔE值較小,SPA-GFS-PLS模型魯棒性更好。

和GFS-PLS模型(表2)相比較,SPA-GFS-PLS模型預(yù)測雞胸肉中TVC含量精度略有下降,但使用的波長變量減少了89%(表3),模型運算效率得到了很大提高。在實際在線檢測應(yīng)用中,提高在線監(jiān)測效率,進而提高生產(chǎn)效率。

本試驗中篩選最優(yōu)波長后,波長數(shù)量小于樣品個數(shù),故可建立MLR模型預(yù)測雞胸肉中TVC含量,結(jié)果如表5所示。

表5 基于最優(yōu)波長的MLR模型預(yù)測肉樣TVC結(jié)果Table 5 Results of predicting TVC in chicken samples by MLR model based on optimal wavelengths

從表5可知,RC-GFS-MLR模型和SPA-GFS-MLR模型預(yù)測雞胸肉中TVC含量效果也不同。其中,SPA-GFS-MLR模型預(yù)測精度更高。和SPA-GFS-PLS模型相比較,SPA-GFS-MLR模型預(yù)測精度略高。預(yù)測雞胸肉菌落總數(shù)的最優(yōu)模型為SPA-GFS-MLR模型,其rP為0.944,RMSEP為1.022,高于邢素霞等[12]的920～2500 nm范圍內(nèi)近紅外光譜技術(shù)預(yù)測雞肉中TVC含量的檢測結(jié)果(rP為0.88),同時也高于Jiang等[13]的可見/近紅外光譜技術(shù)建立偏最小二乘模型預(yù)測雞肉中TVC含量的檢測結(jié)果(模型相關(guān)系數(shù)rC為0.89)。說明基于SPA法篩選最優(yōu)波長構(gòu)建的SPA-GFS-MLR模型更適合于預(yù)測雞胸肉中TVC含量,最優(yōu)模型的實際預(yù)測效果如圖2所示。

圖2 SPA-GFS-MLR模型的預(yù)測效果Fig.2 The performance effect of SPA-GFS-MLR model

3 結(jié)論

本文研究基于在線近紅外光譜系統(tǒng)(900～1650 nm)快速檢測整塊雞胸肉中細菌總數(shù)(TVC)含量。通過采集在線近紅外光譜信息并進行GFS、MSC、BC、SGS、SNV預(yù)處理,構(gòu)建基于233個全波段光譜的PLS預(yù)測模型。結(jié)果表明,基于GFS光譜的GFS-PLS模型預(yù)測效果最佳。分別采用RC和SPA法篩選出24個和25個最優(yōu)波長,優(yōu)化全波段PLS模型。結(jié)果表明,基于SPA篩選出的25個最優(yōu)波長構(gòu)建的SPA-GFS-MLR模型預(yù)測雞胸肉中TVC含量效果更接近于GFS-PLS模型。整體研究表明,基于在線近紅外光譜系統(tǒng)可實現(xiàn)對工業(yè)中大批量雞胸肉中TVC含量的快速預(yù)測。