近红外结合极限学习机快速识别牛肉中掺假猪肉

韩方凯 刘璨 黄煜 马梅 冯凡 段腾飞 张东京

摘要 [目的]建立牛肉中掺假猪肉的快速鉴定方法。[方法]采用傅立叶变换近红外结合极限学习机（extreme learning machine，ELM）构建纯牛肉、牛肉中掺假猪肉、纯猪肉的快速识别模型，考察标准正态变换、多元散射校正（multiplicative scatter correction，MSC）、一阶导数及二阶导数结合核主成分分析（kernel principal component analysis，KPCA）等光谱预处理方法对ELM模型预测性能的影响。[结果]MSC+KPCA预处理下，ELM模型的预测效果最优，训练集及测试集的正确识别率分别为86.67%和83.33%。[结论]近红外光谱技术结合ELM在牛肉中掺假猪肉的快速鉴定方面具有较大的潜力。

关键词 牛肉掺假;近红外;极限学习机;核主成分分析

中图分类号 TS207.3文献标识码 A

文章编号 0517-6611（2019）13-0185-03

doi：10.3969/j.issn.0517-6611.2019.13.057

开放科学（资源服务）标识码（OSID）：

Abstract [Objective] The research aimed to develop a rapid technique for identification of beef adulteration with pork.[Method]The Fourier transform nearinfrared combined with extreme learning machine （ELM） was used to build prediction models for identification of pure beef， beef adulteration with pork， and pure pork. The influence of different spectral pretreatment methods on the performance of ELM models were studied， such as standard normal variate transformation， multiplicative scatter correction （MSC）， first derivative and second derivative combined separately with kernel principal component analysis （KPCA）. [Result]The best ELM model was obtained under MSC+KPCA with the correct recognition rate in train set and prediction set was 86.67% and 83.33% respectively.[Conclusion]The Fourier transform nearinfrared in coupled with ELM has a great potential in rapid identification of beef adulteration with pork.

Key words Beef adulteration;Nearinfrared;Extreme learning machine;Kernel principal component analysis

基金项目 安徽省自然科学基金项目（1908085QC146）;安徽高校自然科学研究重点项目（KJ2018A0447）;宿州学院教授（博士）科研启动基金项目（2016jb03）。

作者简介 韩方凯（1989—），男，安徽宿州人，讲师，博士，从事食品、农产品品质快速检测新方法研究。

收稿日期 2019-04-12

我国牛肉市场前景广阔。牛肉营养极为丰富，尤其是氨基酸的分布较其他大宗肉类食品更易满足机体需要，深受消费者欢迎;随着经济水平的提高，人们对牛肉的购买力亦在增强。据经济合作与发展组织统计资料显示[1]，2016年我国牛肉的消费量为771.3万t，较2015年增加了46.26万t，增长率为6.4%，增速较快。

市场快速发展的同时，牛肉掺假现象也日趋严重。其中，以价格较低廉的猪肉等肉制品掺入牛肉中冒充正常牛肉，赚取高额利润，是牛肉掺假的常见方式。牛肉掺假严重损害消费者利益，阻碍行业发展，且有可能牵涉到宗教信仰问题[2]。因此，保障生鲜牛肉的良好品质非常重要。在牛肉品质保障体系的众多环节中，对掺假牛肉进行客观、准确、快速的识别，是极其重要的一环。

目前，PCR法、色谱法、质谱法等是掺假肉鉴定最被广泛采用的技术，虽然检测结果客观、可靠，但存在耗时长、样品预处理复杂，且难以实现在线检测的缺陷[3]。掺假肉与正常肉风味组分的差异可被电子鼻有效识别[3]，然而基于物理吸附原理的传统金属氧化物气体传感器存在灵敏度低，难以区分相似物质，且受环境湿度影响大的缺陷;高光谱能够同时获取检测对象的图像及光谱信息，可有效识别掺假肉与正常肉理化组分及形态学的差异[4]。然而，巨大的数据量给高光谱信号的储存及处理带来极大的困难。

近红外光谱是样品中化学组分含氢基团基频振动的倍频和合频吸收，分析过程快速，且无需复杂的样品预处理，在食品原料的品质分级、食品加工过程监测、成品食品品质鉴定及溯源等领域应用颇为广泛[5]，非常适合开发掺假牛肉的快速识别方法。2013年，Alamprese等[6]采用近红外光谱技术对牛肉中掺假火鸡肉进行识别研究，针对掺假比例分别为0～10%、15%～20%、30%～40%、50%及100%的5类样本构建了线性判别模型（linear discernment analysis，LDA），结果显示，LDA模型训练集及测试集的预测准确率分别为88.3%和71.2%。同年，Morsy等[7]采用近红外光谱技术实现了纯牛肉及掺假牛肉（掺入猪肉等）2类样本的准确判别。2014年，孟一等[8]采用近红外光譜技术对纯猪肉、牛肉和羊肉进行了鉴别研究，LDA模型结果显示，测试集对猪肉、牛肉和羊肉的识别准确率分别为99.28%、9742%和100%。2015年，张丽华等[9]采用近红外光谱技术对牛肉中掺假鸭肉进行了检测分析，并构建了纯牛肉、牛肉中掺假鸭肉、纯鸭肉3类样本的支持向量机（support vector machine，SVM）识别模型，结果显示，SVM模型训练集及测试集的识别准确率分别为9709%和94.00%，效果良好。

[2] 李婷婷，张桂兰，赵杰，等.肉及肉制品掺假鉴别技术研究进展[J].食品安全质量检测学报，2018，9（2）：409-415.

[3] 张娟，张申，张力，等.电子鼻结合统计学分析对牛肉中猪肉掺假的识别[J].食品科学，2018，39（4）：296-300.

[4] ROPODI A I，PAVLIDIS D E，MOHAREB F，et al.Multispectral image analysis approach to detect adulteration of beef and pork in raw meats[J].Food research international，2015，67：12-18.

[5] GRASSI S，ALAMPRESE C.Advances in NIR spectroscopy applied to process analytical technology in food industries[J].Current opinion in food science，2018，22：17-21.

[6] ALAMPRESE C，CASALE M，SINELLI N，et al.Detection of minced beef adulteration with turkey meat by UVvis，NIR and MIR spectroscopy[J].LWTFood Science and Technology，2013，53（1）：225-232.

[7] MORSY N，SUN D W.Robust linear and non-linear models of NIR spectroscopy for detection and quantification of adulterants in fresh and frozen-thawed minced beef[J].Meat science，2013，93（2）：292-302.

[8] 孟一，张玉华，王家敏，等.基于近红外光谱技术快速识别不同动物源肉品[J].食品科學，2014，35（6）：156-158.

[9] 张丽华，郝莉花，李顺峰，等.基于支持向量机的近红外光谱技术快速鉴别掺假羊肉[J].食品工业科技，2015，36（23）：289-293.

[10] 韩方凯，张雪柯，吕日琴，等.基于极限学习机的高品质葡萄酒等级识别模型[J].宿州学院学报，2018，33（2）：101-104.

[11] 梁晓燕，郭中华，线文瑶，等.基于高光谱和极限学习机的冷鲜羊肉颜色无损检测[J].食品工业科技，2016，37（24）：69-73.

[12] 黎源鸿，王红军，邓建猛，等.基于PCA-ELM和光谱技术预测香蕉成熟度[J].现代食品科技，2017，33（10）：268-274.