基于计算机图像处理技术与红外特征光谱融合的兔肉熟食识别方法

孙乃旭

(濮阳医学高等专科学校，河南 濮阳 457000)

随着人民生活水平的提高，具有独特风味的兔肉熟食受到了消费者的追捧。然而在利益的驱使下，某些不法商贩开始用鸡肉、猪肉等廉价肉类掺假甚至直接代替，严重侵犯了消费者的权益甚至身体健康[1]。因此，如何快速有效识别兔肉熟食是食品安全领域亟需解决的一项难题[2]。

目前，肉制品的识别方法主要有感官品评法[3]、PCR技术[4]、电子鼻等，但这些方法检测耗时长、样品处理过程复杂，故在实际应用中均受到了一定的限制。近红外光谱法操作简便、检测速度快，近年来被研究者广泛研究，其与计算机图像处理技术结合已经在肉类食品新鲜度检测、掺假检测中得到了应用[5-8]。但是现有研究均以鲜肉制品为研究对象，未见其应用于熟肉制品的识别。本研究为弥补现有研究方向的空缺，以不同比例猪肉掺假兔肉的熟食制品为实验材料，采集样品近红外光谱信息，红外图像预处理后进行光谱分析、PLS模型和BP-ANN模型建立和评价，提出了一种快速准确的兔肉熟食识别方法。

1 材料与方法

1.1 材料与仪器

兔肉和猪肉：购自河南濮阳超市，均为冷藏熟肉，样品于2 h内保鲜运输至实验室并于4 ℃冰箱保存。

Antaris Ⅱ型傅立叶变换红外光谱仪 美国Thermo Fisher Scientific 公司；ME-275小型绞肉机 荣事达三洋电器股份有限公司；AL204 型电子天平 梅特勒-托利多仪器有限公司。

1.2 掺假兔肉样品的制备

为建立良好的模型，将兔肉熟食和猪肉熟食外表的皮层剔除并且尽量选取均匀的样品。首先将兔肉熟食和猪肉熟食都切成1 cm3左右的小块，然后将肉块分别用绞肉机绞成肉糜，制备出兔肉糜样品和猪肉糜样品。最后，在兔肉糜中掺入预设比例的猪肉来制造不同比例的猪肉掺假兔肉样品。兔肉糜∶猪肉糜(质量比)分别为10∶0、8∶2、6∶4、5∶5、4∶6、2∶8、0∶10，再次使用搅拌机搅拌1 min使样品混合均匀。每个比例的样品均有20个平行，共140个样品。取(15.00±0.50) g样品放入5 cm样品杯中压实压平，用于接下来近红外光谱的采集[9]。

1.3 光谱数据采集

将光谱仪预热30 min后进行白板参比和性能测试。将样品盒放入指定位置，每个样品扫描3次，将3次采集数据的平均值作为最终光谱数据。仪器参数设置：扫描范围为全波长扫描；扫描间隔为1 nm；扫描次数为64次；分辨率为16 cm-1；光谱采集软件为Omnic 7.3；主机光谱范围为10000～4000 cm-1；工作温度范围为15～20 ℃[10]。

1.4 计算机图像处理

为了降低信噪比、提高模型准确度，使用Origin 8.1对红外光谱进行Savitzky-Golay平滑和SNV(标准归一化)预处理[11]，其中进行SNV预处理时，分析划分子区间数目对模型的影响并找出最佳局部模型。

1.5 近红外光谱分析

3/5的样本(即每个比例的样品有12个，共84个)随机选择作为训练集，其他2/5的样本(即每个比例的样品有8个，共56个)作为构建回归模型的预测集用于验证模型性能。偏最小二乘判别分析(PLS-DA)和反向传播神经网络(BP-ANN)是常用的线性分类监督方法[12]，在本研究中用于对掺有不同比例猪肉的兔肉熟食进行建模分析。数据处理采用Matlab 8.03软件平台进行分析。

1.6 模型验证及评价

以上建立的模型必须具有较准确的预测性才能真正用于实际生产，故需要对PLS-DA和BP-ANN建立的模型进行重复性、适用性验证。将预测集的样品用模型进行实际预测，以确定其可靠性。

2 结果与分析

2.1 原始红外光谱

图1 不同掺假兔肉熟食的近红外光谱图Fig.1 Near infrared spectrogram of different adulterated cooked rabbit meat

由图1可知，10∶0为纯兔肉熟食的红外光谱，0∶10为纯猪肉熟食的红外光谱，在所有样品红外图谱中，二者的吸光度分别为最高和最低，但随波数的变化趋势类似，因为畜肉类的脂肪、蛋白质中的官能团相似。可见，红外光谱能在一定程度上识别两种肉类[13]。但是，设置不同掺假比例后，掺假兔肉熟食的吸光度介于纯兔肉熟食和纯猪肉熟食之间，并且光谱的变化趋势相同，波峰、波谷所在波段是相同的，吸光度值差距较小。若仅仅通过该原始红外光谱来准确判定兔肉熟食中猪肉的掺假比例是不合理的，但是红外光谱吸光度值与掺假比例之间有一定的相关性，这初步证明了利用红外特征光谱判定兔肉熟食掺假的检测方法的可行性。

2.2 PLS模型建立与结果分析

SNV处理可减小表面散射对光谱的影响，红外图谱在SNV预处理时，子区间划分的数目会显著影响PLS模型的适用性和准确度，故有必要对划分子区间数目进行比较，以模型的交互验证均方根误差值(RMSECV)作为指标[14，15]。若RMSECV值最低，则该PLS模型具有最高的适用性。将近红外全光谱(10000～4000 cm-1)划分为2～20个子区间来探究不同子区间数目对PLS模型性能以及最佳波长区间的影响，见表1。

表1 不同子区间划分的最佳局部模型结果Table 1 Results of the best local model with different subinterval partition

续 表

由表1可知，随着划分子区间数目的增大，最佳局部模型的RMSECV先减小后增大。在这11种区间划分方式中，最优的方式是将整个光谱区域划分为12个子区间，此时，最佳局部模型区域为第3区域(所属波长范围为7027.53～6389.82 cm-1)，最佳局部模型的主成分数为6，RMSECV为4.45，此时不论从信息量方面还是模型准确性方面，利用该区域进行建模要比直接利用全光谱建模效果好。

在此条件下建立的PLS模型结果见表2。训练集RMSECV为4.45，训练集RMSECV为4.58，RMSECV值均较低，说明模型准确度较高；同时相对误差较小，各个掺假比例的预测误差均低于8%，整体呈现掺假比例越高(猪肉占比越高)，预测相对误差越低的趋势，最低能达到4.8%，说明能够达到定量识别掺假兔肉熟食的目的。7组样品预测结果表明，该模型能够很好地识别猪肉掺假兔肉熟食样品，具有较高的适用性和稳定性。

表2 PLS模型的预测结果Table 2 Prediction results of PLS model

2.3 BP-ANN模型建立与结果分析

利用BP-ANN算法进行兔肉熟食掺假模型的建立，需对其进行小波变换处理，这样可以将原有全光谱冗杂的数据量压缩，提取有效信息，提高有效信号所占比重。经过软件分析，确定了最佳网络结构。输入层(200个)-隐含层(10个)-输出层(1个)，具体学习过程为：学习速率为0.05，初始权重为0.3，动量为0.2，最小误差为0.0005。BP-ANN模型的预测结果见表3，训练总时间花费19 s，总体来看预测准确率为99.45%。利用BP-ANN模型对已知掺假比例的预测集进行预测，对于这7组样品，预测相对误差随着掺假量(猪肉比例)的增加而减小，最小可达3.5%，所有含量的相对误差均在6%以内。结果表明，利用近红外光谱数据建立的BP-ANN模型能够较为准确地定量检测和预测兔肉熟食中猪肉的掺假比例。

表3 BP-ANN模型的预测结果Table 3 Prediction results of BP-ANN model

3 结论

本研究对比分析了兔肉熟食、猪肉熟食、不同猪肉掺假比例的兔肉熟食的近红外光谱特征。将全光谱划分为15个子区间，以第3区域建立PLS模型。经过小波分析后建立BP-ANN模型，进行兔肉熟食识别。研究结果表明，PLS模型和BP-ANN模型均具有较好的识别能力，对两模型进行验证，PLS模型中的各掺假比例相对误差均低于8%；BP-ANN模型中的各掺假比例相对误差均低于6%，且均随掺假比例的提高而降低。由此可见，可以利用基于计算机图像处理技术(图像预处理及建立PLS模型、BP-ANN模型)与红外特征光谱融合的检测方法来进行兔肉熟食的识别，该方法具有快速、准确、适用范围广的特点。