近紅外高光譜快速無接觸評估冷鮮豬肉脂質氧化

何鴻舉 - 王 魏 李 波 王玉玲 - 朱亞東 - 蔣圣啟 - 馬漢軍 -n， 陳復生CN -

(1. 河南科技學院食品學院，河南 新鄉 453003；2. 河南工業大學糧油食品學院，河南 鄭州 450001；3. 河南科技學院生命科技學院，河南 新鄉 453003)

隨著生活水平的提高和食品安全意識的增強，人們更加關注肉品的新鮮、營養和安全。冷鮮豬肉汁液流失少、肉嫩味美、安全衛生、便于切分等優點贏得消費者的認可，在日常飲食結構中有著重要地位。但豬肉脂肪含量較高，若在貯藏過程中發生脂質氧化會引起豬肉變味、變色、營養成分破壞，并且會產生大量自由基、過氧化物、有害醛酮等有毒化合物[1]。脂質氧化的程度與脂類不飽和程度密切相關，常通過2-硫代巴比妥酸(TBA)值間接判斷[2]。脂質氧化程度是衡量肉類品質優劣的重要指標，故對脂質的氧化程度進行定量檢測可為肉的品質、貨架期提供重要的評價依據。

高光譜是近年來發展起來的一種新型無損分析檢測技術，具有信息量大、檢測速度快、同時多組分檢測、能夠反映樣品的綜合信息等特點。該方法不需要化學試劑，對樣品無接觸，對環境無污染[3-4]。與化學分析方法相比，高光譜技術集光譜測量技術、計算機技術、化學計量學技術和基礎測試技術于一體，利用光譜的吸收、反射和散射效應，與化學計量學方法相結合，實現待測指標的快速、無損及定量分析，是現場快速篩查和加工過程實時檢測的理想手段[5]。目前，高光譜技術在預測肉品TBA值的檢測方面已有報道，如Xiong等[6]采用連續投影算法(SPA)篩選最優波長后構建雞肉TBA的偏最小二乘回歸(PLSR)預測模型，預測集相關系數為0.801，預測集均方根誤差為0.157；采用同樣的最優波長篩選方法，Wu等[7]構建豬肉TBA的PLSR預測模型，預測集相關系數為0.81，預測集均方根誤差為0.33。鑒于高光譜技術的優勢及巨大潛力，試驗嘗試挖掘900～1700 nm波段的高光譜信息，構建預測模型實現快速檢測不同貯藏期冷鮮豬肉TBA值的可行性，旨在為在線、快速、無接觸評估豬肉氧化程度提供理論支撐和數據參考。

1 材料與方法

1.1 原材料與主要設備

冷鮮豬肉(里脊)：河南新鄉高金食品有限公司；

2-硫代巴比妥酸：分析純，上海安妍生物有限公司；

三氯乙酸：分析純，上海山浦化工有限公司；

高光譜成像系統：HSI-eNIR-XC130型，臺灣五鈴光電科技有限公司；

可見分光光度計：722N型，上海青華科技儀器有限公司；

拍打式均質機：NAI-JZQ型，上海那艾精密儀器有限公司。

1.2 試驗方法

1.2.1 樣品的預處理 在超凈工作臺上經去皮、剔筋、除膜、修整后，輔助鋼尺人工測量將里脊進行切塊處理成尺寸大小為3.0 cm×3.0 cm×1.0 cm的立方體肉塊[8]，經多次取樣最終獲得260個試驗樣品，用于豬肉的TBA參考值測定。將得到的試驗樣品整齊有序地擺放在一次性帶蓋保鮮盒中編號、標記，置于0 ～ 4 ℃冰箱中連續貯藏2周。

1.2.2 高光譜信息采集 每次試驗開始前，從冰箱中隨機取出18個樣品，室溫下放置約30 min，同時將高光譜成像系統打開預熱約30 min，待其穩定之后進行樣品的光譜信息的采集，設置系統參數為：曝光時間4.65 ms，掃描速度6.54 mm/s。檢測波長范圍為900～1 700 nm，樣品掃描5次獲得豬肉樣品的高光譜圖像。該圖像反映的是光強度圖像，需轉化成反射圖像，校正方法如式(1)所示。

(1)

式中：

IC——校正后的反射光譜圖像；

IR——原始高光譜圖像；

IB——黑板圖像(反射率約為0%)；

IW——白板圖像(反射率約為99.9%)。

1.2.3 TBA值測定 根據文獻[6]。

1.2.4 光譜提取及預處理 確定樣品圖像中感興趣區域(Range of interests，ROI)，并提取ROI中的平均光譜作為該樣品的光譜值[9]。同時，對原始光譜信息進行預處理，以提高模型預測精度和穩定性[10]。試驗使用移動平均值平滑(MAS)、高斯濾波平滑(GFS)、S-G卷積平滑(SGCS)、中值濾波平滑(MFS)、多元散射校正(MSC)、標準正態變量校正(SNV)、基線校正(BC) 7種方法對原始光譜進行預處理。MAS選取點進行平均，去除數據變化劇烈的點以實現譜線平滑[11]。GFS適用于消除高斯噪聲，對于抑制服從正態分布的噪聲非常有效，可以除去密集噪聲點對光譜信息的影響[12]。SGCS可以有效消除基線漂移、傾斜等噪聲，提高光譜信噪比[1]。MFS在圖像處理中常用于保護邊緣信息，是經典的平滑噪聲的方法[13]。MSC通過縮小漫反射造成的數據差異增強與有效成分相對應的光譜信息[14]。SNV主要通過消除樣品表面分布不均勻、顆粒散射和光程變化而產生的光散射影響[15]。BC可有效估計基線因為系統內外部的影響而產生的波動，抑制基線漂移的現象，并改善信號質量[16]。

1.2.5 模型的構建及評價 PLSR常被用于光譜信息挖掘，適用于多因變量對多自變量的線性回歸建模，特別適用于自變量存在多重相關性和樣本點數少于變量個數時的回歸建模[17]。試驗中以豬肉TBA參考值為因變量，以波長為自變量，基于PLSR建立豬肉脂質氧化程度的預測模型。

試驗構建的PLSR模型性能主要通過校正集參數和預測集參數進行評估，具體包括：校正集相關系數(RC)、校正集均方根誤差(Root mean square error of calibration，RMSEC)、預測集相關系數(RP)、預測集均方根誤差(Root mean square error of prediction，RMSEP)[18-19]。RC和RP越接近于1，RMSEC和RMSEP越接近于0，RMSEC和RMSEP之間的絕對值越接近于0，模型精度越高、穩定性越好，相反，模型精度較差，說明存在較多干擾因素[20]。

1.2.6 最優波長的選擇與模型優化 試驗獲取的全波段光譜(900～1 700 nm)中包含486個波長，數據量大、冗余信息多、運算效率低，需篩選最優波長，以提高模型運算效率[21]。試驗選用回歸系數法(Regression coefficients，RC)，逐步回歸法(Stepwise)和連續投影算法(Successive projections algorithm，SPA)選取最優波長。其中RC法是在高光譜領域應用最為廣泛的一種特征波長提取方法，來源于PLSR建模過程。Stepwise法是一種多元線性回歸模型選擇最優波長的常用數學方法，以對顯著水平貢獻最大的自變量所對應的回歸方程為基礎，再逐步引入其余自變量，剔除不顯著的變量。經過逐步回歸，使得最后保留在模型中的自變量既是重要的，又沒有嚴重多重共線性[22]。SPA法通過前向變量選擇算法使矢量空間共線性最小化，消除原始光譜矩陣中冗余的信息，常用于光譜特征波長的選擇[7]。經以上3種方法篩選出最優波長后，以最優波長作為輸入變量，建立優化模型，模型性能依然以R和RMSE評價。

1.3 數據處理

RC法篩選最優波長和PLSR模型構建使用軟件Unscrambler v9.7(挪威CAMO公司)完成，Stepwise法和SPA法篩選最優波長則使用軟件Matlab 2016a(美國Matlab公司)完成。

2 結果與分析

2.1 樣品的TBA參考值

試驗樣品按照He等[23]方法進行校正集和預測集劃分，將TBA參考值從小到大依次排序，從連續的4個樣品中隨機選取一個劃入預測集共計65個，其余的樣品劃入校正集共計195個。試驗樣品在0～4 ℃條件下連續貯藏14 d，測得的260個樣品TBA參考值結果如表1所示。

表1 校正集和預測集TBA值測量結果統計

2.2 樣品的光譜特征

所有試驗豬肉樣品的光譜特征如圖1所示。盡管這些試驗樣品的近紅外光譜曲線高低位置不同，但總體趨勢一致，這主要源于豬肉在不同貯藏期的化學組分含量發生了變化[24]。在近紅外波段，O—H、N—H和C—H等基團發生伸縮、振動、彎曲等會導致出現吸收峰，圖1中顯示，在980 nm和 1 200 nm處出現明顯的吸收峰，這主要分別源于豬肉化學組分中O—H的吸收和C—H的吸收所致[25-26]。因豬肉水分含量太高(約為75%)，其他基團的近紅外吸收被水分吸收所掩蓋。盡管如此，可通過化學計量法挖掘光譜信息，揭示TBA參考值和近紅外光譜信息之間的相關性。

圖1 用于TBA測量的豬肉樣品平均光譜

2.3 基于全波段光譜預測TBA值

為進一步挖掘TBA值與光譜信息之間的相關性，試驗采用7種不同的預處理方法，基于全波段光譜構建F-PLSR 模型，結果如表2所示。

由表2可知，原始光譜(RAW)經7種預處理后構建的PLSR模型(RAW-PLSR、GFS-PLSR、MAS-PLSR、SGCS-PLSR、MFS-PLSR、MSC-PLSR、SNV-PLSR、BC-PLSR)預測效果略有不同。其中，經GFS光譜構建的GFS-PLSR模型預測豬肉TBA值效果最好。相關系數最高(RC=0.941，Rp=0.919)，均方根誤差最小(RMSEC=0.029 mg/100 g，RMSEP=0.036 mg/100 g)。此外，F-PLSR模型的ΔE為0.007。說明構建的F-PLSR模型具有良好的魯棒性。模型相關系數較高，說明豬肉TBA參考值和近紅外光譜信息之間相關性很好。因此，后續波長篩選及模型優化僅采用GFS光譜。

表2 PLSR模型預測豬肉TBA值結果?

2.4 最優波長的提取

試驗使用3種方法提取最優波長，結果如表3所示。全波段486個波長經篩選后，最優波長的數量減少到3～29個，光譜波長減少量為94%～99%。

表3 3種不同方法篩選最優波長結果比較

2.5 基于最優波長預測TBA值

篩選出最優波長后，將其作為輸入變量，構建基于最優波長的PLSR模型，結果見表4。與GFS-PLSR相比，使用RC法構建的RC-GFS-PLSR模型預測效果最好，相關系數分別為RC=0.941、RCV=0.920、RP=0.924，且ΔE=0.004較低。此外，試驗構建的RC-GFS-PLSR模型預測豬肉TBA值的精度高于Wu等[7]在870～1 734 nm波段構建的O-PLSR模型(RC=0.85，RMSEC=0.47 mg/100 g)。說明選擇合適的預處理(GFS)和最優波長的篩選方法(RC)，可提高模型精度和穩定性。

表4 GFS-PLSR預測豬肉的TBA值

3 結論

通過900～1 700 nm波段的高光譜信息結合不同的預處理和最優波長提取方法構建豬肉2-硫代巴比妥酸值的預測模型，探究豬肉脂質氧化程度的快速無接觸評估。經高斯濾波平滑(GFS)預處理光譜構建的全波段GFS-PLSR模型預測豬肉2-硫代巴比妥酸值效果較好；使用回歸系數法(RC)從高斯濾波平滑光譜中篩選出29個最優波長構建的RC-GFS-PLSR模型預測豬肉2-硫代巴比妥酸值效果較好(RP=0.924，RMSEP=0.034 mg/100 g)，且略高于GFS-PLSR模型精度。試驗表明近紅外高光譜技術結合偏最小二乘回歸(PLSR)模型可實現對冷鮮豬肉的脂質氧化程度的無損快速評估。