基于欧式距离法或因子化法的近红外光谱技术对牛肉掺假鉴定的研究

陈迎丽，何钰，龚会琴，赵亚洲，何伟，何智宇

（贵州省分析测试研究院，贵州 贵阳 550002）

众所周知，牛肉含有较高的优质蛋白质，氨基酸及微量矿物元素，营养价值相比于猪肉要高出很多，并且牛肉的口感与风味也是其他肉产品无法替代的，受到广大消费者的普遍欢迎。最主要的是牛肉的市场价格要高于大多数其他的畜产品，因此一些企业与不法商贩为了扩大自己的利益而采用各种手段向牛肉中掺假。根据报道及市场调查监测的掺假案例可知，牛肉及牛肉制品中的掺假现象有非肉类成分的添加（注水和添加植物蛋白、亚硝酸盐、合成色素）和原料肉的掺假（掺入其他廉价畜禽肉）[1-3]。这种掺假行为不但使产品的营养价值大打折扣并对消费者的身心造成了巨大伤害。近些年来，国家针对肉制品掺假问题相应的采取了有效措施，不断加强检测监管力度，大力支持肉品检测方法的研究。

据统计，目前电泳技术、免疫学技术、DNA 鉴定技术、电子鼻技术、色谱分析和光谱分析等技术在肉类掺假检验中的应用较为普遍[4-6]。近红外技术在食品安全检测的研究时间较短，但是因其较优越的检测特性及便捷性使其在检测掺假肉领域具有较为广阔的应用前景。因此应用此项技术对肉类的化学组成及含量分析、感官品质评定等指标为依据进行掺假方向的检测为肉品的品质提供了较有力的手段[7-10]。杨红菊等[11]通过对近红外透射光谱法进行研究，采用一阶导数对光谱进行预处理，运用因子化法建立的定性判别模型可以完全对注胶肉和正常肉进行判别。结果表明运用近红外透射光谱与判别分析法相结合为注胶肉的快速检测提供了一种快速极其有效的鉴定方法。杨志敏等[12]运用近红外光谱技术对注水、氯化钠、卡拉胶等的掺假肉进行分析鉴定的判别率可达到94.2%，说明了利用近红外结合化学计量法对掺假肉的检测鉴定是可行的。而近红外光谱的数据分析方法主要有主成分分析，多元线性回归，偏最小二乘法[13]，支持向量机（sup-portvectormachine，SVM）[14]，fisher 判别分析[15]等报道较多，而采用近红外法结合欧氏距离法和因子化法鉴别牛肉掺假的未见报道，本研究以经红外光谱技术结合欧氏距离或因子化法对牛肉中掺假猪肉和鸡肉进行快速准确的鉴别，为牛肉制品的鉴别提供强有力的手段。

姚琳琳两个便指着我老婆前仰后合地大笑起来，都笑出了眼泪。也笑得我多少有些怪异，更不明白她们两个为什么会笑成那样。再说我老婆那句话很好笑吗？至少我没听出来。

1 试验材料与方法

1.1 材料与设备

牛里脊肉、猪里脊肉、鸡胸脯：白云区农贸市场，粉碎成肉糜。

TENSORII 傅里叶近红外光谱仪：德国布鲁克（北京）科技有限公司；AUX-MG5301 绞肉机：佛山市海迅电器有限公司；AL204 型电子天平：梅特勒-托利多仪器有限公司。

1.2.3.1 调用光谱及分组

1.2 试验方法

1.2.1 掺假肉的样品制备

本部分是以在牛肉肉糜中掺入猪肉肉糜和鸡肉肉糜作为掺假样本进行检测分析。试验样本是以新鲜牛肉和掺入新鲜猪肉和新鲜鸡肉按照相同程度进行均匀搅碎，每个样本总量为50 g，原料肉制备60 个样本，按照10%为梯度增量进行制备掺假肉，共分为10类样本（10%至100%），按掺假比例进行两种肉类均匀混合，掺假肉每个梯度制备30 个样本。试验样品制备见表1。

表1 试验样品制备表Table 1 Test sample preparation table

试验通过近红外光谱仪采集光谱信息，原料肉60 个和掺假猪肉300 个和掺假鸡肉300 个，共660 个近红外光谱图，建立原料肉和掺假肉的原始近红外光谱库。

在特征波段 7432.71cm-1～6 475.65cm-1、5 488.42 cm-1～4 580.61 cm-1和7 351.92 cm-1～6 824.83 cm-1；5 578.24 cm-1～5 075.21 cm-1的范围，分别采用欧式距离法和因子化法两种模型进行定性分析，并通过模型S 值进行评价模型的准确率。其中S 值代表表征样品之间的距离，当S＜1 时，代表两类判别样品相交，当S=1 时，代表两类判别样品相切，当S＞1 时，代表两类判别样品相离，两类判别样本能被鉴别分开，所以S 值越大，模型判别效果越好。由表3可知，不同的光谱预处理方式下的S值大小不一致，采用因子化法结合二阶导数+矢量归一化+9 点平滑和一阶导数+矢量归一化+9 点平滑的预处理方法建立的模型效果较好，能被均一鉴别，如图4所示。因此应用因子化法建立的模型精度判别率高，更适用于牛肉中掺入猪肉和鸡肉的定性检测。

1.2.3 欧式距离法或因子化法建立判别模型对掺假肉的检测

不同的光谱预处理方式对S 值的影响结果如表4、图4所示。

民的智慧很快被发挥了，他娘的这不就是澳洲大龙虾么。后来经过当地见过世面的村民反映，这个要冒充澳洲大龙虾还是难了一点，估计要再被污染五年才行，但是不要紧，澳洲还有小青龙，我们这冒充澳洲小青龙拿去市场上卖。

调用原料肉与掺假肉的近红外光谱，进行消除常数偏移量预处理，并将其进行分为校正集和验证集，其中校正集组用于两类判别模型的建立，验证集组则用来检验评价模型的有效性。

1.2.3.2 模型的条件确定与优化

采用OPUS7.5 软件在特征波段进行定性分析模型的建立，采用不同的预处理方法来消除无关信息的干扰，提高模型的精度。并采用欧式距离法和因子化法对光谱进行计算处理，通过比较S 值最终确定最优预处理方式及光谱计算方法并建立定性分析模型。

[4]Grabe,W.(1991).Current Development in Second Language Reading Research.TESOL Quarterly,25(3).375-406.

式中：DT1为某类物质的阈值；DT2为另一类物质的阈值；D 为两类物质平均光谱之间的距离。

2 结果与讨论

2.1 原料肉与掺假肉样品近红外光谱的采集及光谱库的建立

原料牛肉和掺假牛肉10 个等级样本的红外扫描光谱图及建立的光谱库，如图1和图2所示。

图1 原料肉和掺假猪肉原始谱图数据采集结果Fig.1 Raw beef and adulterated pork of raw spectral data acquisition results

图2 原料肉和掺假鸡肉原始谱图数据采集结果Fig.2 Raw beef and adulterated chicken of raw spectral data acquisition results

1.2.2 光谱采集

2.2 试验样品的选取分组及调用光谱

调用60 个原料肉和按每梯度30 个掺假猪肉和掺假鸡肉的近红外光谱图，共获得660 个样本数据。将样本分为校正集和验证集，其中校正集用于模型建立，验证集用于模型准确性的评估，试验样品校正集和验证集分布情况见表2。

表2 校正集和验证集样品分布Table 2 Calibration and verification set sample distribution

2.3 光谱波段数的选择

近红外光谱数据分析可以采用全波长数据也可以采用部分波长数据。当采用全谱时，数学计量模型会随着数据点的增加而改善，但是当数据点过高时，会出现模型过度“拟合现象”，并且光谱噪音或样本的附加成分会引起偏最小二乘法（partial least square，PLS）解析这些特征值，使模型准确度降低。因此，试验中常采用一阶微分导数进行处理近红外光谱数据，从而筛选出特征波段，处理后的一阶导数光谱图如图3所示。并分别讨论不同波数段范围对模型相关性的影响，结果如表3、表4所示。

图3 原料牛肉、猪肉和鸡肉的一阶导数光谱图Fig.3 First derivative spectra of raw beef pork and chicken

由表3可知，在猪肉和鸡肉掺假波数段分别选取为7 432.71 cm-1～6 475.65 cm-1、5 488.42 cm-1～4 580.61 cm-1和7 351.92 cm-1～6 824.83 cm-1；5 578.24 cm-1～5 075.21 cm-1范围内当做特征波段进行模型建立的预测效果最佳，而全波长分析和另外几种波段组成方式预测效果相对较差，这可能是因为在此波段的范围内更能代表两者之间的差异，而全波段范围包含一部分非特征信息对试验结果有一定的干扰。因此，本试验猪肉和鸡肉分别选择波长范围为7 432.71 cm-1～6 475.65cm-1、5 488.42cm-1～4 580.61cm-1和 7 351.92 cm-1～6 824.83 cm-1；5578.24cm-1～5075.21cm-1当做特征波段进行后续分析。

表3 不同的光谱波数段对模型预测效果的比较Table 3 Comparison of prediction effects of different spectral wavenumber segments

2.4 光谱数据预处理方式的选择

将洗净去皮的番茄捣碎，装入葡萄糖瓶或药用翻口瓶内，放入高压消毒锅内处理15～20分钟，或用笼屉蒸20～30分钟，同样能长期保存，装瓶时注意上面需留少量空隙，可靠性较好，目前城市居民大多使用这种方法制酱。

所有纳入对象错失早期诊断时间为3（0.5，8）年。按错失早期诊断时间分组，分为＜3月、3月～1年、1～5年、5～10年、≥10年，其肺功能指标FEV1%分别为64.8%±18.1%、63.8%±21.6%、53.5%±20.5%、49.3%±22.6%、46.7%±20.6%，组间具有统计学差异（F=15.36，P＜0.001，图1）。

打开OPUS7.5 软件和近红外光谱仪器预热30 min，将混合好的肉糜加入到检测杯中压试，采用单通道进行测定样品光谱，检测光谱范围为12 000 cm-1～4 000 cm-1，扫描次数为64 次。试验共获得60 个原料牛肉和300个掺假猪肉和300 个掺假鸡肉的近红外光谱图，建立红外光谱库。

甜玉米（Zea mays L.）因其营养丰富和口感香甜而深受消费者喜爱，在鲜食和深加工市场消费量均很大，市场前景非常广阔［1，2］。 要提高甜玉米的效益，在生产中既要提高其产量，更要关注其品质［3］。钾对玉米产量和品质的影响研究表明，施用钾肥一定用量内可不同程度地提高甜玉米产量［4－7］，可明显提高甜玉米子粒可溶性糖含量［8－10］，也可减轻作物病虫害的发生。但中国现有耕地的有效供钾能力明显不足，56%土壤速效钾含量偏低，南方地区尤为严重，因此，增施钾肥已成为实现甜玉米高产优质栽培的重要途径。

表4 不同预处理方法对定性鉴别分析模型效果的影响Table 4 Effect of different pretreatment methods on the effect of qualitative discriminant analysis model

图4 因子化法2D 得分图Fig.4 2D score figure factorization method

2.5 因子化法定性分析模型的验证

选择特征波段为 7 432.71 cm-1～6 475.65cm-1、5488.42cm-1～4580.61cm-1和 7 351.92 cm-1～6 824.83 cm-1；5 578.24 cm-1～5 075.21 cm-1，建模方法为因子化法，光谱预处理方式为二阶导数+矢量归一化+9 点平滑和一阶导数+矢量归一化+9 点平滑的条件下对预测样品进行定性鉴别分析，结果见表5。

表5 定性分析模型鉴别结果Table 5 Qualitative analysis model

结果表明，原料肉正确鉴别率为100%，掺假猪肉和鸡肉正确鉴别率分别为94%和97%，说明在光谱波数范围选择为 7 432.71 cm-1～6 475.65c m-1、5 488.42 cm-1～4580.61 cm-1和 7 351.92 cm-1～6 824.83 cm-1；5 578.24 cm-1～5 075.21 cm-1进行二阶导数+矢量归一化+9 点平滑和二阶导数+矢量归一化+9 点平滑的预处理方式下，因子化法适用于牛肉中掺入猪肉的测定，能满足试际检测的需求。

3 结论

本文研究用近红外光谱技术结合化学计量学方法进行建立检测牛肉的掺假快速、准确的技术方法，为牛肉掺假的快速准确鉴定提供新思路，从而为保证牛肉制品品质和安全提供强有力的检测手段。试验结果如下：1）牛肉和加入猪肉的掺假肉定性和定量判别模式建立：欧式距离法或因子化法模型定性检测：在选择特征波段为 7 432.71 cm-1～6 475.65 cm-1、5 488.42 cm-1～4 580.61 cm-1和二阶导数+矢量归一化+9 点平滑的预处理方式的条件下，因子化法的判别率为94%；2）牛肉和加入鸡肉的掺假肉定性和定量判别模式建立：应用欧式距离法或因子化法对掺假肉定性分析的检测：在特征波段为 5 578.24 cm-1～5 075.21 cm-1、7 351.92 cm-1～6 824.83 cm-1和一阶导数+矢量归一化+9 点平滑的预处理方式的条件下，因子化法的判别率为97%；表明因子化法可以试现对牛肉掺假进行定性分析鉴定；虽然从理论上证试了近红外光谱技术可以适用于牛肉掺假的技术检测，但是仍受很多种因素所限制，如牛肉品种、产地和存放时间所影响。因此，应建立全国各品种的牛肉校正模型，方便各地区进行直接检测。