包裝生鮮牛肉pH值的高光譜無損檢測方法

張文祥,潘嘹,2,盧立新,2*

1(江南大學 機械工程學院,江蘇 無錫,214122)2(江蘇省食品先進制造裝備技術重點實驗室,江蘇 無錫,214122)

生鮮牛肉經過排酸后能有效提高牛肉品質,使肉質鮮美細嫩,具有良好的市場前景[1]。生鮮牛肉的pH值是判別其新鮮度的參考指標之一。宰后牛肉肌糖原酵解產生乳酸和ATP分解釋放磷酸,使牛肉pH值下降,排酸24 h牛肉的pH值為5.6～6.0。pH指標的變化極大地影響肉類的顏色、風味、蛋白質特性等[2],同時它也是反映微生物活性、脂質和生物胺氧化程度的重要參數[3]。鮮肉貯存中受到自身新陳代謝和微生物活動的影響,蛋白質分解,產生堿性物質,最終使pH 值上升,出現變質和腐敗現象,進而影響食品安全,消費者無法接受[4-5]。

測定肉類pH值的傳統方法主要是基于pH計和表面電極法,但是這些方法均是侵入性的、耗時且繁瑣,難以滿足現代肉類品質檢測的需要[6]。高光譜成像技術是一種快速、準確和無損的光學方法,具有光譜分辨率高、波段多和數據量多等特點,在食品質量與安全檢測上受到了廣泛關注[7-8]。朱榮光等[9]采用特征波段篩選方法建立羊肉pH值的偏最小二乘回歸(partial least squares regression, PLSR)模型,預測集決定系數為0.96。魏文松等[10]基于多光譜漫反射技術檢測牛肉pH值,最小二乘支持向量機(least squares-support vector machine,LSSVM)模型的預測集相關系數為0.942 0。喬蘆等[11]利用可見近紅外高光譜通過不同預處理和波長提取方法建立3種回歸模型,PLSR模型的預測集決定系數為0.740 6。然而,高光譜用于肉類等食品檢測研究大多關注于無包裝膜情況下的直接檢測,很少考慮包裝后的檢測及包裝的影響。食品在運輸、倉儲和銷售環節中,對包裝食品的檢測可有效減少外界環境對食品品質的影響,進一步保障食品安全[12]。在這個過程中,需要的是通過包裝膜對食品進行無損檢測,而不是去除包裝膜直接對產品進行檢測[13]。

本研究采用可見近紅外高光譜成像系統(400～1 000 nm),采集聚丙烯(polypropylene, PP)和聚乙烯(polyethylene, PE)2種包裝膜包裝下的牛肉樣本的高光譜圖像并測量pH指標含量。通過提取感興趣區域、光譜預處理和特征波段篩選分別建立PLSR和LSSVM模型,對包裝牛肉的pH值進行預測,建立最優模型,為包裝生鮮牛肉品質的無損檢測提供理論支持。

1 材料與方法

1.1 實驗材料

從無錫當地大型超市購買已經排酸處理后的新鮮牛肉后臀部位作為實驗對象,將購買的牛肉放置在0～4 ℃培養箱中并在2 h內轉移到實驗室,用無菌刀將牛肉切成尺寸為5 cm×4 cm×2 cm(長×寬×厚)、質量約為20 g的肉樣。然后將所有樣品用單獨的自密封塑料袋包裝并貯存在4 ℃的冰箱中。

實驗用聚合物薄膜采用食品接觸用PP(厚度0.08 mm)和PE(厚度0.04 mm),分別購自汕頭市新萬輝包裝材料廠和溫州市實在包裝廠。

1.2 儀器與設備

實驗使用的高光譜成像系統包括:FX 10型光譜成像儀,芬蘭Specim公司;鹵素燈(功率20 W),德國Osram公司; LabScanner 40×20型電動位移控制平臺,芬蘭Spectral Imaging Ltd;裝有LUMO-scanner采集軟件的計算機。

高光譜成像儀的光譜范圍400～1 000 nm,光譜波段為448個,波段間隔為1.3 nm。為了獲得牛肉樣品統一且清晰的光譜圖像,設置設備的參數如下:圖像采集速度為11.5 mm/s,樣品與鏡頭間的物距為320 mm,相機的曝光時間為11 ms。圖像采集前需要進行黑白板校正[14]。

1.3 實驗方法

1.3.1 光譜采集

實驗過程中,先將樣品去除密封袋,放置在黑色托盤中,再放于電動位移平臺上采集無包裝膜的高光譜圖像(記作NP);再將PP和PE膜分別放置在托盤上并與牛肉樣本之間存在約2 cm的間隙,保持薄膜表面平整,然后分別收集有包裝膜的高光譜圖像(分別記作G-PP,G-PE)。前6 d每天采集5塊樣本,由于發現樣本變化較慢,10～25 d調整為每天采集4塊樣本,以獲得不同程度的腐敗樣本。

1.3.2 pH含量測定

將采集高光譜圖像后的樣本立即采用GB 5009.237—2016中pH測定方法測定樣本中的pH值,并作為定量分析的參考值,每個樣本均作6次測定,取平均值作為該樣品的pH值。

1.3.3 光譜預處理及波段提取

為了消除高光譜反射率中的噪聲、基線等干擾,提取有用信息,需要對原始光譜進行光譜預處理。常用的光譜預處理方法有中心化處理(mean center, MC)、歸一化(normalization)、Savitzky-Golay平滑(S-G平滑)、多元散射校正(multiplicative scatter correction, MSC)和標準正態變換(standard normal distribution, SNV)等[15-16]。

全光譜含有的448個波段有較多的冗余信息,這些無關的信息不僅減低了運算速度,也使模型變得復雜。有效的光譜預處理方法能夠刪除無關信息,提高運算效率。本研究采用競爭性自適應加權算法(competitive adaptive reweighed sampling, CARS)、連續投影變換算法(successive projections algorithm, SPA)和變量組合集群分析算法(variable combination population analysis, VCPA)共3種方法提取特征重要波長。

1.3.4 模型建立與評價

2 結果與分析

2.1 pH含量結果的統計

使用Kennard-Stone(K-S)算法將總共98個樣品分為校正集(73個樣品)和預測集(25個樣品),比率約為3∶1。校正集用于構建和校準模型,預測集用于評估模型。牛肉貯存期間pH值的變化統計結果如表1所示,且校正集中樣本的pH含量范圍包含預測集中樣本的pH含量,這確保了它們之間的獨立性并有助于提高模型精度。

表1 牛肉pH值統計Table 1 Statistical analysis of pH values in beef

2.2 樣品的光譜提取

為減少高光譜圖像中的冗余信息,需進行感興趣區域(region of interests, RIOs)提取。圖1為感興趣區域光譜提取方法,高效準確地提取薄膜下肌肉部分光譜數據,避免了手動操作。采用波段運算減法(689～582 nm)并二值化處理得到掩膜圖像,掩膜圖像與原始光譜圖像相乘得到只含有肌肉、脂肪的高光譜圖像。為去除脂肪,采用PCA獲取高光譜圖像前2個主成分圖像PC1和PC2。由于前2個主成分中肌肉部分與脂肪部位的灰度值差異大,可通過圖像運算后再經過二值化和掩膜處理,最終提取純肌肉部分作為感興趣區域。將樣本RIOs的反射率求平均,即獲得代表該樣本的光譜反射率。

圖1 薄膜存在下感興趣區域光譜提取方法Fig.1 Spectral extraction method for regions of interest in the presence of films

2.3 包裝牛肉光譜分析

牛肉在400～1 000 nm的98個樣本的原始光譜反射率曲線如圖2所示,顯示了牛肉一些特征吸收峰。400～1 000 nm波長范圍對蛋白質、脂肪和水分中的官能團的拉伸振動和泛音敏感[16]。420 nm和560 nm處有血紅蛋白和肌紅蛋白等色素的吸收峰。610 nm為氨基酸的3級倍頻吸收峰。739 nm是甲基的第三泛音區域,而760 nm主要是由于O—H拉伸第三泛音或肌紅蛋白氧化產生的吸收帶引起的[20]。810 nm是蛋白質中C—H鍵的振動吸收峰。波長960 nm附近的吸收峰與肉中的水分含量有關[15]。由圖2可知,隨著貯存時間的不同,光譜反射率存在差異性變化,有助于牛肉pH值預測模型的建立。

圖2 牛肉原始光譜反射率曲線Fig.2 Original spectrogram of beef

圖3為無薄膜和有薄膜存在下的牛肉樣本平均光譜曲線,薄膜的存在顯著改變了光譜反射率值。有薄膜存在下的光路會受到薄膜散射、消耗損失和反射的作用,影響了傳感接收到的光譜數據[12,21]。由圖3可知,PP膜對牛肉光譜的影響主要為光譜通過薄膜的消耗損失,使整體反射率低于原始牛肉光譜反射率;而PE膜表示出較大的散射影響,導致400～600 nm的反射率高于牛肉原始反射率。

圖3 不同薄膜下的牛肉樣本平均光譜曲線Fig.3 Average spectral curves of beef samples under different films

2.4 模型建立與分析

2.4.1 包裝牛肉最優光譜預處理

分別采用Normalization、MC、S-G平滑、MSC以及SNV對原始光譜數據進行預處理,基于預處理后的數據與原始光譜數據建立PLSR模型,建立模型的結果如表2所示。

表2 光譜預處理方法的選擇Table 2 Choice of spectral preprocessing method

由表2可知,與無包裝牛肉的預測結果相比,薄膜的存在降低了預測集的預測效果。通過對比5種光譜預處理方法,對于無包裝膜和PP薄膜存在下牛肉pH值PLSR模型的最優光譜預處理方法為Normalization,PE薄膜的最優光譜預處理方法為SNV處理。喬蘆等[11]在400～1 000 nm全光譜建立牛肉的pH含量PLSR模型,發現歸一化預處理的模型穩定性比其他預處理方法好。外界噪聲、暗電流的干擾以及薄膜的散射和干涉等影響,使光譜出現基線漂移、分離誤差,Normalization預處理可以有效減少噪聲干擾并使光譜曲線變的光滑,而SNV處理可校正樣品之間因散射干涉等引起的誤差。光譜預處理可以潛在地減少因薄膜存在下的散射現象[12],SNV是PE薄膜下牛肉pH值的最優光譜預處理方法,可能與PE薄膜有更多的干涉和散射有關。因此,使用預處理方法可以提升包裝牛肉pH值預測模型的精度。

2.4.2 特征波長篩選與建模分析

將無包裝牛肉和有包裝膜的牛肉分別經其最優光譜預處理方法處理后,在CARS、SPA和VCPA共3種算法提取特征波長基礎上建立PLSR和LSSVM模型,結果如表3所示。

表3 不同特征波長篩選的包裝牛肉pH值預測模型Table 3 Prediction model of pH value of packaged beef by screening different characteristic wavelengths

a-PP包裝牛肉最優模型預測效果;b-PE包裝牛肉最優模型預測效果圖4 包裝牛肉pH值模型預測效果Fig.4 Model prediction effect of pH values in packaged beef

3 討論

高光譜可以同時獲得樣品的光譜和圖像信息,并保存在包括二維空間數據和一維光譜數據在內的三維超立方體中,光譜數據用于包裝牛肉pH值預測,圖像信息可用來顯示預測模型的效果,直觀判斷包裝牛肉的質量[23]。模型結果表明,PP和PE包裝膜對牛肉光譜預測pH含量有一定的影響,光經過薄膜發生折射、散射和吸收等現象,進而影響薄膜的光譜透過率,最終使傳感器接收到的樣品反射率光譜出現差異[24]。有研究采用光譜技術通過PP包裝獲得鮮切蔬菜葉和蘋果片的光譜數據,采用PCA和偏最小二乘判別模型(partial least squares discriminant analysis, PLS-DA)分析判別其新鮮度,結果表明薄膜的存在輕微影響測量結果,但結果仍然令人滿意[13]。周莉萍等[21]采用可見近紅外和近紅外光譜建立不同貨架期的覆蓋保鮮膜菠菜的PLS-DA判別分析模型,判別準確率分別為83%和81%。本研究中,通過光譜預處理方法和特征波長篩選算法,有效提高了包裝牛肉的pH值預測效果,同時提高了建模效率。

4 結論