应用近红外技术快速鉴别原料肉注水的研究

杨志敏，丁武，张瑶

（西北农林科技大学食品科学与工程学院，陕西 杨凌 712100）

水分含量是畜禽肉的重要质量指标，直接影响畜禽鲜肉加工、储藏、贸易与食用。近年来，注水肉成为影响肉类食品安全的主要因素,如何快速、准确鉴别原料肉和注水肉具有很现实的意义，也是市场迫切的需要[1-2]。

近红外光谱（NIR）分析技术是近年来发展起来的一种高效、快速、低成本、无损、绿色环保、可多组分同时分析的现代技术，它被广泛应用于食品、石油、化工、医药等行业[3]。目前，国内外关于NIR分析技术在肉类行业的检测应用主要有：（1）肉类的化学成分分析，如水分、蛋白质和脂肪含量等指标[4-7]；（2）肉品品质的综合评价，如新鲜度、嫩度、保水性、风味、色泽及弹性等指标[7-15]；（3）肉品的产地[16]、品种、真伪和掺假[17]等方面的鉴定。主要研究了应用近红外光谱技术结合人工神经网络建立原料肉和注水肉的判别模型。

1 材料与方法

1.1 仪器设备

MPA-TM傅里叶变换近红外光谱仪（BRUKER OPTICS）：德国布鲁克光学仪器公司；分析软件为OPUS 5.5、SPSS17.0和DPS软件。

1.2 样品的制备及光谱扫描

样品制备如下：首先，取猪里脊肉15 kg（来自杨凌国贸超市），切块，用搅拌杯打成肉末，以100 g为一份制备样品，最后共获得样品139份；其次，从139份样品中选取60份肉样作为原料肉样本，剩下79份样用来制备注水肉样本，注水肉样本注入的水浓度分别为1%、3%、5%、8%、10%、13%、15%，其中前5个浓度做11个平行样，后2个浓度做12个平行样。样本制备完毕后，将每个样本平整装入样品杯中。

利用MPA傅里叶变换近红外光谱仪，结合2mm固体光纤探头，采集原料肉和注水肉的漫反射光谱。光谱测量的基本参数设置:光谱范围4000 cm-1～12000 cm-1，扫描分辨率为8 cm-1，扫描次数为64次。样品的近红外光谱如图1所示。

图1 原料肉和注水肉的近红外光谱图Fig.1 Near infrared spectra of raw and water-injected meat

光谱图横坐标为波数，范围是4000cm-1～12000cm-1，纵坐标为吸光度值，从图1可以看出原料肉与注水肉的光谱曲线的形状没有明显区别。

1.3 光谱数据预处理

本研究采用二阶导数+25点平滑方法对原始光谱数据进行预处理，以消除仪器噪声、基线漂移及样本不均匀的干扰。样品的二阶导数光谱图如图2所示。

图2 原料肉和注水肉的二阶导数光谱图Fig.2 Second derivative spectra of the raw and water-injected meat

去除重叠光谱部分，所以只取4030.6cm-1～7409.3cm-1波段的光谱用于分析。

1.4 分析方法

1.4.1 主成分分析

主成分分析（PCA）是考察多个变量间相关性的一种多元统计方法，其基本思想是设法将原来众多具有一定相关性的多个指标，重新组合成一组新的互相无关的综合指标来代替原来的指标，是一种常用的基于变量相关系数矩阵或协方差矩阵对信息进行处理、压缩和抽提的有效办法。本研究通过对原始光谱数据进行预处理，选取特征波段，然后通过主成分分析提取有效的特征变量,代替原始光谱数据作为人工神经网络的输入值。

1.4.2 人工神经网络模型

人工神经网络（ANN）是对人脑或自然神经网络（Natural Neural Network）若干基本特性的抽象和模拟，以对大脑的生理研究成果为基础，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。在实际应用中，80%～90%的人工神经网络模型是采用误差反向传播算法或其变化形式的网络模型（简称BP网络）。

1.4.3 偏最小二乘（PLS）法

偏最小二乘回归是在普通多元回归的基础上柔和进主成分分析、典型相关分析的思想,很好地解决了自变量间多重共线性问题。本研究利用OPUS5.5 QUNAT-2定量分析软件，将总样本划分为校正集和验证集并输入相对应的数据,选择合适的光谱预处理方法和光谱范围后用PLS计算程序进行运算。利用交互验证（Cross-Validation）的方法来确定模型的最佳主成分维数（Rank），以建模集和验证集中样品真值和预测值的相关系数和标准差为判定依据来评价模型的优劣。

2 结果与分析

2.1 样本光谱数据的主成分分析结果

对原料肉和注水肉共139个样本光谱数据进行预处理并选择合适光谱范围（4030.6 cm-1～7409.3 cm-1），对其做主成分分析。主成分分析过程在SPSS 17.0软件中完成。经过计算，前5个主成分的累计方差贡献率如表1所示。

表1 前5个主成分及其累计贡献率Table 1 Five PCs and reliabilities%

由表1可知，前5个主成分能够解释原始波长变量99.626%的信息，说明前5个主成分可代表原近红外光谱的大部分信息。

图3为139个样本的前3个主成分得分图，图中X轴PC1、Y轴PC2、Z轴PC3分别表示每个样本的第1主成分、第2主成分、第3主成分的得分值。

图3 139个样本的前3个主成分得分图Fig.3 Scatter plot(PC1 ×PC2×PC3)of 139 meat samples

从图3中可以看到原料肉主要分布在Y轴的负半轴和Z轴的正半轴区域，而注水肉主要分布在Y轴的负半轴区域和X轴的正半轴区域，可以看出在Y轴的负半轴原料肉与注水肉存在交叉现象，可能是由于原料肉与注水肉之间的水分含量差异较小引起的。由此可见，在待鉴别样品比较多或差异较小的情况下，利用主成分较难直接区分原料肉和注水肉。

2.2 基于5个主成分建立原料肉和注水肉的ANN-BP识别模型

把所有样本分为建模集和验证集，从原料肉和注水肉中各随机抽取15个样本作为验证集，其余109个样本作为建模集。在主成分分析的基础上，把前5个主成分作为BP的输入节点，输出节点为1（把原料肉和注水肉的种类值分别设为1和2）。通过多次实验，隐含层节点为5，各层传递函数都用S型（Sigmoid）函数，目标误差为0.01，学习速率为0.1，设定训练迭代次数为1000次的时候模型预测效果最好。这样就建立了一个5（输入节点）—5（隐含层节点）—1（输出节点）的3层ANN-BP模型。设定原料肉和注水肉预测结果偏差在±0.5以内为各自的界限。结果表明，模型对109个建模样本的拟合残差为0.09050，预测准确率为91.74%；对验证集的30个样本预测准确率为90%，见表2。

表2 ANN-BP模型对30个未知样的预测结果Table 2 Prediction results of 30 unknown meat samples by BPANN model

从表2可知，模型对注水肉的识别率达到100%，原料肉有3个被误判，这可能与建模样本中原料肉较少有关。因此,应进一步加大样本代表性,提高样本的数量尤其是原料肉样本数量来改善模型。

3 结论

应用主成分分析结合人工神经网络建立了原料肉与注水肉的判别模型,该模型的预测效果很好,识别率达到90%。说明运用近红外光谱技术可以快速、准确、无损的对原料肉和注水肉进行判别。本文提出的主成分分析结合人工神经网络判别法，特别适用于处理光谱分析中的大量数据，首先运用主成分分析对数据进行降维，简化运算，提取有效的特征向量，作为人工神经网络的输入值，结合已知样本的性质就可建立判别模型，对未知样品进行定性判别。为原料肉与注水肉的判别提供了一种新的方法，对提高我国原料肉质量控制水平具有重要意义。

[1]李巧玲,刘景艳.市场鲜猪肉掺假状况的调查监测[J].食品科学,2004,25(10):273-276

[2]赵慧梅,黄素珍.注水肉的鉴别检验与处理[J].肉类工业,2007(1):45-46

[3]严衍禄,赵龙莲,韩东海,等.近红外光谱分析基础与应用[M].北京:中国轻工业出版社,2005

[4]姬瑞勤,黄岚,刘莉,等.鲜肉水分近红外漫反射方法及实验研究[J].光谱学与光谱分析,2008,28(8):1767-1771

[5]刘魁武,成芳,林宏建,等.可见/近红外光谱检测冷鲜猪肉中的脂肪、蛋白质和水分含量[J].光谱学与光谱学分析,2009,29(1):102-105

[6]徐霞,成芳,应一斌.近红外光谱技术在肉品检测中的应用和研究进展[J].光谱学与光谱分析,2009,29(7):1876-1880

[7]Prieto N,Andrés S,Giráldez F J,et al.Potential use of near infrared reflectance spectroscopy(NIRS)for the estimation of chemical composition of oxen meat samples[J].Meat science,2006,74(3):487-496

[8]Ripoll G,Albertí P,Panea B,et al.Near-infrared reflectance spectroscopy for predicting chemical、instrumental and sensory quality of beef[J].Meat science,2008,80(3):697-702

[9]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):181-84

[10]Yongliang Liu,Brenda G Lyon,William R,et al.Prediction of color,texture,and sensory characteristics of beef steaks by visible and near infrared reflectance spectroscopy A feasibility study[J].Meat science,2003,65(3):1107-1115

[11]赵杰文,翟剑妹,刘木华,等.牛肉嫩度的近红外光谱法检测技术研究[J].光谱学与光谱分析,2006,26(4):640-642

[12]张德权,陈宵娜,孙素琴,等.羊肉嫩度傅里叶变换近红外光谱偏最小二乘法定量分析研究[J].光谱学与光谱分析,2008,28(11):2550-2553

[13]胡耀华,郭康权,铃木孝,等.基于可见光和近红外光谱的肉色检测[J].西北农林科技大学学报,2008,36(7):160-164

[14]Andrés S,Murray I,Navajas E A,et al.Prediction of sensory characteristics of lamb meat samples by near infrared reflectance spectroscopy[J].Meat science,2007,76(3):509-516

[15]Geesink G H,Schreutelkamp F H,Frankhuizen R,et al.Prediction of pork quality attributes from near infrared reflectance spectra[J].Meat science,2003,65(1):661-668

[16]李勇,魏益民,潘家荣,等.基于FTIR指纹光谱的牛肉产地溯源技术研究[J].光谱学与光谱分析，2009,29(3):647-651

[17]杨红菊,姜艳彬,候东军,等.注胶肉的近红外光谱快速分析[J].肉类研究,2008(11):62-64