基于支持向量机的近红外光谱技术鉴别掺假牛肉

张丽华,相启森,李顺峰,吴晓宗,纵 伟,赵光远

(1 郑州轻工业学院 食品与生物工程学院，河南 郑州 450002；2 食品生产与安全河南省协同创新中心，河南 郑州 450002；3 河南省农科院 农副产品加工研究所，河南 郑州 450002)



基于支持向量机的近红外光谱技术鉴别掺假牛肉

张丽华1,2,相启森1,2,李顺峰3,吴晓宗1,纵 伟1,2,赵光远1,2

(1 郑州轻工业学院 食品与生物工程学院，河南 郑州 450002；2 食品生产与安全河南省协同创新中心，河南 郑州 450002；3 河南省农科院 农副产品加工研究所，河南 郑州 450002)

【目的】 利用近红外光谱技术对掺入鸭肉的掺假牛肉进行判别研究，为实现掺假牛肉的快速、准确检测提供参考。【方法】 市购冷冻储存的牛里脊肉和鸭肉，在牛里脊肉糜中掺入质量分数为0，5%，10%，15%，20%，25%的鸭肉糜(对应m(鸭肉糜)∶m(牛肉糜)分别为0∶20，1∶19，2∶18，3∶17，4∶16和5∶15)，制备供试牛肉和掺假牛肉，采用近红外漫反射方式在波数为10 000～4 000 cm-1时采集牛里脊肉、掺假牛里脊肉和鸭肉的近红外光谱，对原始光谱经多元散射校正(Multiplicative scatter correction，MSC)、标准正态变量变换(Standard normal variate transformation，SNV)、面积归一化(Area normalization)、15点平滑处理和一阶导数处理等方法预处理后，对所建支持向量机(nu-SVM)判别模型的预测效果进行比较。【结果】 经MSC预处理后所建的牛里脊肉、掺假牛里脊肉和鸭肉的nu-SVM判别模型判别性能稳定，对建模集的正确判别率为97.09%，对检验集的正确判别率为94.00%。【结论】 近红外光谱技术结合MSC预处理后所建的nu-SVM模型可用于掺杂鸭肉的牛里脊肉的鉴别。

掺假牛肉；支持向量机；近红外光谱；鸭肉

牛肉作为清真肉制品的典型代表，随着人们对其营养价值、加工方式的普遍认同，对牛肉的消费已不仅仅局限在穆斯林地区，近年来牛肉的消费量呈快速增长趋势[1]。然而，市场上牛肉及牛肉制品的安全及真实性不容乐观，有不法商贩为谋取暴利，在牛肉中掺入低价位的猪肉、鸡肉、鸭肉等，这不仅危害了消费者的健康和经济利益，同时也扰乱了牛肉及牛肉制品市场的健康发展。因此，如何鉴别掺入低价肉的掺假牛肉已成为确保牛肉安全的首要问题。

针对肉类掺假的鉴别有多种技术，如感官检验、理化检验、生物技术、色谱技术以及电子感官鉴别技术(电子鼻和电子舌)等[2-5]。目前采用近红外光谱技术分析牛肉品质(感官、水分、新鲜度、脂肪、蛋白质等)的报道较多[6-8]，但关于掺假牛肉鉴别的报道较少。Ding等[9]用近红外光谱技术线性回归法鉴别了牛肉和袋鼠肉。Mcelhinney等[10]研究采用近红外光谱技术对掺入羊肉的牛肉进行了鉴别，表明在掺假量为0～100%时，标准预测偏差约为4.1%。Rohman等[11]利用傅里叶变换近红外光谱(FTIR)和偏最小二乘(PLS)鉴别牛肉丸中掺杂猪肉脂肪、牛肉脂肪以及牛猪肉混合脂肪，结果表明，FTIR可以用于牛肉丸中掺假猪肉的鉴别和定量分析。综观现有研究，尚未见关于在牛肉中掺入与其色泽相似的低值鸭肉的鉴别报道，而且在近红外光谱的数据分析方面，采用主成分分析(PVA)、偏最小二乘(PLS)等的报道较多[9-12]，而采用支持向量机(Support vector machine，SVM)来鉴别掺假肉的报道较少。

SVM是一种基于统计学习理论的机器学习方法，常用于非线性关系的关联，属于神经网络和非线性建模的范畴，一般分为支持向量分类(support vector classification，SVC)和支持向量回归(support vector regression，SVR)2种。SVM具有全局优化、泛化性能好、可以避免神经网络方法中的局部极小值等优点，已成为目前国际、国内研究的热点。近年来，其已成功用于苹果分类[13]、茶叶真伪鉴别[13]、鸡蛋新鲜度识别[14]、烟草组分定性定量分析[15]等方面，而关于采用SVM方法鉴别掺入鸭肉的掺假牛肉还未见相关报道。本研究以新鲜牛里脊肉为对象，人工掺入不同比例的鸭肉，探索建立采用SVM结合不同近红外光谱预处理方法鉴别掺假牛肉的可行性，以期为掺假牛肉的快速鉴别提供参考。

1 材料与方法

1.1 材 料

试验所用的牛里脊肉和鸭肉，均为-18 ℃冻藏的冷冻肉，于2014-04月购于河南郑州丹尼斯超市，用保鲜膜密封后运回实验室，去离子水解冻。

1.2 仪 器

AntarisⅡ型傅里叶变换近红外光谱仪，美国Thermo公司；BCD-213KDZ型冰箱，新飞电器有限公司；MO-385小型绞肉机，桃花岛电器有限公司；AL204型电子天平，梅特勒-托利多仪器有限公司。

1.3 方 法

1.3.1 样品制备与检测 采用不锈钢刀将解冻后的牛里脊肉和鸭肉样品切成小肉丁，分别用小型绞肉机绞碎成肉糜，分装于不同的容器中。然后在牛肉糜中掺入质量分数分别为0，5%，10%，15%，20%和25%的鸭肉糜，对应的m(鸭肉糜)∶m(牛肉糜)分别为0∶20，1∶19，2∶18，3∶17，4∶16和 5∶15，以肉眼可见有明显掺假肉为限，并人工搅拌均匀，制备供测的牛里脊肉和掺假牛里脊肉肉样。取(20.00±0.50) g供测肉糜放入直径5.00 cm的样品杯中，压实，保证底部没有气泡和漏光现象，进行近红外光谱的采集。

仪器检测参数为：扫描范围为全波段扫描，扫描次数64次。仪器参数：光源为卤钨灯，主机光谱为10 000～4 000 cm-1，具有独立的高灵敏度InGaAs检测器，采用积分球漫反射分析模块进行分析。

1.3.2 数据处理 根据近红外光谱的原始数据进行统计学分析，考察近红外光谱漫反射方式在牛里脊肉中掺入不同比例鸭肉的识别效果。将原始光谱经多元散射校正(Multiplicative scatter correction,MSC)、标准正态变量变换(Standard normal variate correction,SNV)、面积归一化(Area normalization)、15点平滑处理(15 point smooth)、一阶导数处理(1st derivative)预处理后，对所建支持向量机(nu-SVM)判别模型的预测效果进行评价[16-19]。数据处理软件采用Matlab 8.03软件平台进行分析。

2 结果与分析

2.1 掺假牛里脊肉的近红外光谱分析

从图1可以看出，牛里脊肉和掺入鸭肉的掺假牛里脊肉的近红外光谱曲线形状相似，并且牛里脊肉和掺假牛里脊肉的光谱有交叉重合，在样本数较少的情况下即可从光谱图中区分出2类肉(图1-A)。但随着样本数量的增加及检测仪器性能和环境条件等因素的影响，就很难从光谱曲线上直接予以区分(图1-B)。而且由于仪器、样本背景、环境条件及其他因素的影响，近红外光谱常出现噪声、谱图基线平移和漂移等现象，为了消除这些非目标因素对所建模型的影响，应尽可能去除无关信息变量，以提高模型的预测能力和稳定性。因此，本研究采用多种光谱预处理方法(MSC、SNV、面积归一化、15点平滑处理、一阶导数处理)对原始光谱进行处理。

A.样本数=2 Sample number=2;B.样本数=153 Sample number=153

图 1 牛里脊肉和掺入鸭肉的掺假牛里脊肉的近红外光谱

Fig.1 NIR spectroscopies of beef and beef adulterated with duck meat

2.2 掺假牛里脊肉支持向量机判别模型的建立与检验

本试验采集制备各种肉样153个，近红外光谱为10 000～4 000 cm-1，共有1 557个数据点，构成了153×1 557的光谱矩阵，将其中的103个样本作为建模集，其余的50个样本作为验证集。经不同预处理后所建nu-SVM判别模型对建模集的判别效果如表1所示。

表 1 不同光谱预处理方法所建掺假牛里脊肉nu-SVM模型对建模集的判别结果

从表1可以看出，牛里脊肉、鸭肉和掺假牛里脊肉的近红外光谱数据经不同光谱预处理方法处理后，其中对牛里脊肉的正确判别方面，除SNV和一阶导数处理有误判外，其余光谱预处理方法均判断正确。

由表1还可以看出，除面积归一化和一阶导数处理外，其余光谱预处理方法所建模型的正确判别率均高于或与原始光谱所建判别模型的正确判别率相当，其中MSC预处理所建nu-SVM模型的正确判别率最高(97.09%)，且所用支持向量数(SVs)较少(61个)。成芳等[20]比较了不同光谱预处理方法(不同点数平滑、MSC、SNV、OSC以及一阶微分处理)对不同部位猪肉肉糜所建的偏最小二乘判别模型的影响，得出采用一阶微分光谱预处理方法可使模型的校正集判别正确率达到100%，预测集判别正确率达到96%。杨增玲等[21]为利用可见-近红外光谱检测鱼粉中的掺假肉骨粉，采用2-8-6-1的数学预处理方法和SNV的散射校正预处理方法作为检测鱼粉中肉骨粉的最优光谱预处理方法。由此可见，最优光谱预处理方法的选择和确定，随分析检测对象的不同而有差异。

表 2 经MSC预处理所建掺假牛里脊肉nu-SVM模型对检验集的判别结果

表2结果显示，利用经MSC预处理后所建的nu-SVM判别模型，对牛里脊肉、掺≤15%鸭肉的掺假牛里脊肉和鸭肉的正确判别率均为100.00%；掺15%～25%鸭肉的掺假牛肉中有3个样本被误判，正确判别率为70.00%，表明即使掺入鸭肉的量较低时仍可以将其判别出，掺入鸭肉量过多时可能会出现误判。结果表明，采用MSC预处理后，总体样本的正确判别率为94.00%，可以准确将牛肉、掺假牛肉和鸭肉区分开来，说明将经MSC预处理所建的nu-SVM判别模型应用于牛肉、掺入鸭肉的掺假牛肉和鸭肉的快速鉴别是可行的。

3 结 论

比较了原始光谱及其经MSC、SNV、面积归一化、15点平滑处理和一阶导数处理等方法预处理后，建立的nu-SVM判别模型对牛里脊肉、掺假牛里脊肉和鸭肉的判别效果，其中以MSC预处理后所建nu-SVM判别模型的正确判别率最高。MSC预处理后所建牛肉、掺入鸭肉的掺假牛肉和鸭肉的nu-SVM判别模型判别性能稳定，对建模集的正确判别率为97.09%，对检验集的正确判别率为94.00%，证实了将近红外光谱技术应用于牛里脊肉、掺入鸭肉的掺假牛里脊肉和鸭肉检测区分的可行性。

[1]Rahman M M,Ali M E,Hamid S B A,et al.Polymerase chain reaction assay targeting cytochrome b gene for the detection of dog meat adulteration in meatball formulation [J].Meat Science,2014,97(4):404-409.

[2]徐瑷聪,董 凯,黄昆仑,等.猪肉、牛肉和绵羊肉掺伪PCR的检测技术 [J].农业生物技术学报,2013,21(12):1504-1508.

Xu Y C,Dong K,Huang K L,et al.PCR on adulteration detection of pork, beef and mutton [J].Journal of Agricultural Biotechnology,2013,21(12):1504-1508.

[3]柳 彬,杨金易,许 婉,等.“牛肉”制品中牛肉含量的快速检测 [J].食品科学,2013,34(24):148-153.

Liu B,Yang J Y,Xu W,et al.Development and application of a method for rapid detection of beef content in commercial beef products [J].Food Science,2013,34(24):148-153.

[4]Nurjuliana M,Che Man Y,Mat Hashim D,et al.Rapid identification of pork for halal authentication using the electronic nose and gas chromatography mass spectrometer with headspace analyzer [J].Meat Science,2011,88(4):638-644.

[5]Tian X J,Wang J,Cui S Q.Analysis of pork adulteration in minced mutton using electronic nose of metal oxide sensors [J].Journal of Food Engineering,2013,119(4):744-749.

努力夯实农牧业水利基础。全面实施自治区新增“四个千万亩”节水灌溉工程，加快推进东部五盟市“节水增粮”行动。继续推进灌区续建配套与节水改造和中央财政小型农田水利重点县建设。开展了新增“四个千万亩”节水灌溉工程科技支撑项目试验研究和引黄灌区滴灌高效节水技术集成研究与示范项目基础研究。全年新增节水灌溉面积 400 万亩（15 亩=1 hm2，下同）。

[6]Alamprese C,Casale M,Sinelli N,et al.Detection of minced beef adulteration with turkey meat by UV-vis,NIR and MIR spectroscopy [J].LWT-Food Science and Technology,2013,53(1):225-232.

[7]ElMasry G,Sun D W,Allen P.Non-destructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging [J].Food Research International,2011,44(9):2624-2633.

[8]Wu J H,Peng Y K,Li Y Y,et al.Prediction of beef quality attributes using VIS/NIR hyperspectral scattering imaging technique [J].Journal of Food Engineering,2010,109(2):267-273.

[9]Ding H B,Xu R J.Differentiation of beef and kangaroo meat by visible/near-infrared reflectance spectroscopy [J].Journal of Food Science,1999,64(5):814-817.

[10]Mcelhinney J,Downey G,O’Donnellic.Quantitation of lamb content in mixtures with raw minced beef using visible,near and mid-infrared spectroscopy [J].Journal of Food Science,1999,64(4):587-591.

[11]Rohman A,Sismindari,Erwanto Y,et al.Analysis of pork adulteration in beef meatball using Fourier transform infrared (FTIR) spectroscopy [J].Meat Science,2011,88(1):91-95.

[12]陈全胜,赵杰文,张海东,等.基于支持向量机的近红外光谱鉴别茶叶的真伪 [J].光学学报,2006,26(6):933-937.

Chen Q S,Zhao J W,Zhang H D,et al.Indentification of authenticity of tea with near infrared spectroscopy based on support voctor machine [J].Acta Optica Sinica,2006,26(6):933-937.

[13]赵杰文,呼怀平,邹小波.支持向量机在苹果分类的近红外光谱模型中的应用 [J].农业工程学报,2007,23(4):149-152.

Zhao J W,Hu H P,Zou X B.Application of support vector machine to apple classification with near-infrared spectroscopy [J].Transactions of the CASE,2007,23(4):149-152.

[14]林 颢,赵杰文,陈全胜,等.近红外光谱结合一类支持向量机算法检测鸡蛋的新鲜度 [J].光谱学与光谱分析,2010,30(4):929-932.

Lin H,Zhao J W,Chen Q S,et al.Identification of egg freshness using near infrared spectroscopy and one class support vector machine algorithm [J].Spectroscopy and Spectral Analysis,2010,30(4):929-932.

[15]张 勇,丛 茜,谢云飞,等.烟草组分的近红外光谱和支持向量机分析 [J].高等学校化学学报,2009,30(4):697-700.

Zhang Y,Cong Q,Xie Y F,et al.Analysis of tobacco by near-infrared spectroscopy and support vector machine [J].Chemical Journal of Chinese University,2009,30(4):697-700.

[16]赵红波,谭 红,史会兵,等.近红外光谱技术鉴别猪肉和牛肉的研究 [J].中国农学通报,2011,27(26):151-155.

Zhao H B,Tan H,Shi H B,et al.Identification of pork and beef by near infrared spectroscopy [J].Chinese Agricultural Science Bulletin, 2011,27(26):151-155.

[17]李顺峰,张丽华,刘兴华,等.基于主成分分析的苹果霉心病近红外漫反射光谱判别 [J].农业机械学报，2011，42(10)：158-161.

Li S F,Zhang L H,Liu X H,et al.Discriminat analysis of apple moldy core using near infrared diffuse reflectance spectroscopy based on principal component analysis [J].Transactions of the Chinese Society for Agricultural Machinery,2011,42(10):158-161.

[18]Liu F,He Y.Discrimination of producing areas of auricularia auricular using visible/near infrared spectroscopy [J].Food Bioprocess Technol,2011(4):387-394.

[19]樊玉霞，廖宜涛，成 芳.基于可见/近红外光谱分析技术的猪肉肉糜品质检测研究 [J].光谱学与光谱分析，2011，31(10)：2734-2737.

Fan Y X,Liao Y T,Cheng F.Prediction of minced with pork quality attributes using visible and near infrared reflectance spectroscopy [J].Spectroscopy and Spectral Analysis,2011，31(10)：2734-2737.

[20]成 芳，樊玉霞，廖宜涛.应用近红外漫反射光谱对猪肉肉糜进行定性定量检测研究 [J].光谱学与光谱分析，2012，32(2)：354-359.

Cheng F,Fan Y X,Liao Y T.Qualitative and quantitative detection of minced pork quality by near infrared reflectance spectroscopy [J].Spectroscopy and Spectral Analysis,2012，32(2)：354-359.

[21]杨增玲，韩鲁佳，刘 贤，等.鱼粉中肉骨粉的可见-近红外光谱快速定性判别方法 [J].农业工程学报，2009，25(7)：308-311.

Yang Z L,Han L J,Liu X,et al.Rapidly qualitative discrimination of meat and bone meal in fishmeal by visible and near infrared reflectance spectroscopy [J].Transactions of the CSAE,2009，25(7)：308-311.

Identification of adulteration of minced beef with near infrared spectroscopy based on support vector machine

ZHANG Lihua1,2,XIANG Qisen1,2,LI Shunfeng3,WU Xiaozong1,ZONG Wei1,2，ZHAO Guangyuan1,2

(1 School of Food and Bioengineering, Zhengzhou University of Light Industry,Zhengzhou，Henan 450002,China;2CollaborativeInnovationCenterofFoodProductionandSafety,HenanProvince,Zhengzhou，Henan450002,China;3InstituteofAgro-productsProcessing,HenanAcademyofAgriculturalSciences,Zhengzhou，Henan450002,China)

【Objective】 A near infrared (NIR) spectroscopy was employed to analyze the adulteration of duck meat in minced beef to realize the nondestructive and quick determination of adulterated beef. 【Method】 Frozen beef and duck were purchased,and adulterated beef samples were obtained by interfusing different amounts (0,5%,10%,15%,20%,25%) of duck meat (mass ratios of duck to beef were 0∶20,1∶19,2∶18, 3∶17,4∶16 and 5∶15).The original spectra of beef,adulterated beef and duck meat in the wave-number range of 10 000-4 000 cm-1were obtained by spread reflection NIR.Then,the predicted effects of different support vector machine (SVM) discriminate models that established by original spectra,multiplicative scatter correction (MSC),standard normal variate transformation (SNV),normalization,15 point smooth and 1st derivative were evaluated.【Result】 The established model with MSC preprocessing method had the best accuracies of 97.09% and 94.00% for the training set and prediction set,respectively.【Conclusion】 The nu-SVM model built by NIR combined with MSC preprocessing method was proved to be a feasible method to identify duck meat in minced beef.

adulterated beef;support vector machine;near infrared spectroscopy;duck meat

时间:2016-10-20 16:37

10.13207/j.cnki.jnwafu.2016.12.027

2015-06-18

郑州轻工业学院博士科研启动基金项目(2013BSJJ003)；国家质检总局科技计划项目(2013年度); 郑州轻工业学院第三批大学生科技创新项目(2014DC099)

张丽华(1982-)，女，河南博爱人，讲师，博士，主要从事果蔬采后生理和保鲜加工、农产品检测技术研究。E-mail:zhanglihua82828@163.com

吴晓宗(1981-)，男，山西应县人，助教，硕士，主要从事食品与生物技术研究。E-mail:wuxiaozong123@163.com

TS251.5+2；O657.33

A

1671-9387(2016)12-0201-05

网络出版地址:http://www.cnki.net/kcms/detail/61.1390.S.20161020.1637.054.html