近红外高光谱快速无接触评估冷鲜猪肉脂质氧化

何鸿举 - 王 魏 李 波 王玉玲 - 朱亚东 - 蒋圣启 - 马汉军 -n， 陈复生CN -

(1. 河南科技学院食品学院，河南 新乡 453003；2. 河南工业大学粮油食品学院，河南 郑州 450001；3. 河南科技学院生命科技学院，河南 新乡 453003)

随着生活水平的提高和食品安全意识的增强，人们更加关注肉品的新鲜、营养和安全。冷鲜猪肉汁液流失少、肉嫩味美、安全卫生、便于切分等优点赢得消费者的认可，在日常饮食结构中有着重要地位。但猪肉脂肪含量较高，若在贮藏过程中发生脂质氧化会引起猪肉变味、变色、营养成分破坏，并且会产生大量自由基、过氧化物、有害醛酮等有毒化合物[1]。脂质氧化的程度与脂类不饱和程度密切相关，常通过2-硫代巴比妥酸(TBA)值间接判断[2]。脂质氧化程度是衡量肉类品质优劣的重要指标，故对脂质的氧化程度进行定量检测可为肉的品质、货架期提供重要的评价依据。

高光谱是近年来发展起来的一种新型无损分析检测技术，具有信息量大、检测速度快、同时多组分检测、能够反映样品的综合信息等特点。该方法不需要化学试剂，对样品无接触，对环境无污染[3-4]。与化学分析方法相比，高光谱技术集光谱测量技术、计算机技术、化学计量学技术和基础测试技术于一体，利用光谱的吸收、反射和散射效应，与化学计量学方法相结合，实现待测指标的快速、无损及定量分析，是现场快速筛查和加工过程实时检测的理想手段[5]。目前，高光谱技术在预测肉品TBA值的检测方面已有报道，如Xiong等[6]采用连续投影算法(SPA)筛选最优波长后构建鸡肉TBA的偏最小二乘回归(PLSR)预测模型，预测集相关系数为0.801，预测集均方根误差为0.157；采用同样的最优波长筛选方法，Wu等[7]构建猪肉TBA的PLSR预测模型，预测集相关系数为0.81，预测集均方根误差为0.33。鉴于高光谱技术的优势及巨大潜力，试验尝试挖掘900～1700 nm波段的高光谱信息，构建预测模型实现快速检测不同贮藏期冷鲜猪肉TBA值的可行性，旨在为在线、快速、无接触评估猪肉氧化程度提供理论支撑和数据参考。

1 材料与方法

1.1 原材料与主要设备

冷鲜猪肉(里脊)：河南新乡高金食品有限公司；

2-硫代巴比妥酸：分析纯，上海安妍生物有限公司；

三氯乙酸：分析纯，上海山浦化工有限公司；

高光谱成像系统：HSI-eNIR-XC130型，台湾五铃光电科技有限公司；

可见分光光度计：722N型，上海青华科技仪器有限公司；

拍打式均质机：NAI-JZQ型，上海那艾精密仪器有限公司。

1.2 试验方法

1.2.1 样品的预处理 在超净工作台上经去皮、剔筋、除膜、修整后，辅助钢尺人工测量将里脊进行切块处理成尺寸大小为3.0 cm×3.0 cm×1.0 cm的立方体肉块[8]，经多次取样最终获得260个试验样品，用于猪肉的TBA参考值测定。将得到的试验样品整齐有序地摆放在一次性带盖保鲜盒中编号、标记，置于0 ～ 4 ℃冰箱中连续贮藏2周。

1.2.2 高光谱信息采集 每次试验开始前，从冰箱中随机取出18个样品，室温下放置约30 min，同时将高光谱成像系统打开预热约30 min，待其稳定之后进行样品的光谱信息的采集，设置系统参数为：曝光时间4.65 ms，扫描速度6.54 mm/s。检测波长范围为900～1 700 nm，样品扫描5次获得猪肉样品的高光谱图像。该图像反映的是光强度图像，需转化成反射图像，校正方法如式(1)所示。

(1)

式中：

IC——校正后的反射光谱图像；

IR——原始高光谱图像；

IB——黑板图像(反射率约为0%)；

IW——白板图像(反射率约为99.9%)。

1.2.3 TBA值测定 根据文献[6]。

1.2.4 光谱提取及预处理 确定样品图像中感兴趣区域(Range of interests，ROI)，并提取ROI中的平均光谱作为该样品的光谱值[9]。同时，对原始光谱信息进行预处理，以提高模型预测精度和稳定性[10]。试验使用移动平均值平滑(MAS)、高斯滤波平滑(GFS)、S-G卷积平滑(SGCS)、中值滤波平滑(MFS)、多元散射校正(MSC)、标准正态变量校正(SNV)、基线校正(BC) 7种方法对原始光谱进行预处理。MAS选取点进行平均，去除数据变化剧烈的点以实现谱线平滑[11]。GFS适用于消除高斯噪声，对于抑制服从正态分布的噪声非常有效，可以除去密集噪声点对光谱信息的影响[12]。SGCS可以有效消除基线漂移、倾斜等噪声，提高光谱信噪比[1]。MFS在图像处理中常用于保护边缘信息，是经典的平滑噪声的方法[13]。MSC通过缩小漫反射造成的数据差异增强与有效成分相对应的光谱信息[14]。SNV主要通过消除样品表面分布不均匀、颗粒散射和光程变化而产生的光散射影响[15]。BC可有效估计基线因为系统内外部的影响而产生的波动，抑制基线漂移的现象，并改善信号质量[16]。

1.2.5 模型的构建及评价 PLSR常被用于光谱信息挖掘，适用于多因变量对多自变量的线性回归建模，特别适用于自变量存在多重相关性和样本点数少于变量个数时的回归建模[17]。试验中以猪肉TBA参考值为因变量，以波长为自变量，基于PLSR建立猪肉脂质氧化程度的预测模型。

试验构建的PLSR模型性能主要通过校正集参数和预测集参数进行评估，具体包括：校正集相关系数(RC)、校正集均方根误差(Root mean square error of calibration，RMSEC)、预测集相关系数(RP)、预测集均方根误差(Root mean square error of prediction，RMSEP)[18-19]。RC和RP越接近于1，RMSEC和RMSEP越接近于0，RMSEC和RMSEP之间的绝对值越接近于0，模型精度越高、稳定性越好，相反，模型精度较差，说明存在较多干扰因素[20]。

1.2.6 最优波长的选择与模型优化 试验获取的全波段光谱(900～1 700 nm)中包含486个波长，数据量大、冗余信息多、运算效率低，需筛选最优波长，以提高模型运算效率[21]。试验选用回归系数法(Regression coefficients，RC)，逐步回归法(Stepwise)和连续投影算法(Successive projections algorithm，SPA)选取最优波长。其中RC法是在高光谱领域应用最为广泛的一种特征波长提取方法，来源于PLSR建模过程。Stepwise法是一种多元线性回归模型选择最优波长的常用数学方法，以对显著水平贡献最大的自变量所对应的回归方程为基础，再逐步引入其余自变量，剔除不显著的变量。经过逐步回归，使得最后保留在模型中的自变量既是重要的，又没有严重多重共线性[22]。SPA法通过前向变量选择算法使矢量空间共线性最小化，消除原始光谱矩阵中冗余的信息，常用于光谱特征波长的选择[7]。经以上3种方法筛选出最优波长后，以最优波长作为输入变量，建立优化模型，模型性能依然以R和RMSE评价。

1.3 数据处理

RC法筛选最优波长和PLSR模型构建使用软件Unscrambler v9.7(挪威CAMO公司)完成，Stepwise法和SPA法筛选最优波长则使用软件Matlab 2016a(美国Matlab公司)完成。

2 结果与分析

2.1 样品的TBA参考值

试验样品按照He等[23]方法进行校正集和预测集划分，将TBA参考值从小到大依次排序，从连续的4个样品中随机选取一个划入预测集共计65个，其余的样品划入校正集共计195个。试验样品在0～4 ℃条件下连续贮藏14 d，测得的260个样品TBA参考值结果如表1所示。

表1 校正集和预测集TBA值测量结果统计

2.2 样品的光谱特征

所有试验猪肉样品的光谱特征如图1所示。尽管这些试验样品的近红外光谱曲线高低位置不同，但总体趋势一致，这主要源于猪肉在不同贮藏期的化学组分含量发生了变化[24]。在近红外波段，O—H、N—H和C—H等基团发生伸缩、振动、弯曲等会导致出现吸收峰，图1中显示，在980 nm和 1 200 nm处出现明显的吸收峰，这主要分别源于猪肉化学组分中O—H的吸收和C—H的吸收所致[25-26]。因猪肉水分含量太高(约为75%)，其他基团的近红外吸收被水分吸收所掩盖。尽管如此，可通过化学计量法挖掘光谱信息，揭示TBA参考值和近红外光谱信息之间的相关性。

图1 用于TBA测量的猪肉样品平均光谱

2.3 基于全波段光谱预测TBA值

为进一步挖掘TBA值与光谱信息之间的相关性，试验采用7种不同的预处理方法，基于全波段光谱构建F-PLSR 模型，结果如表2所示。

由表2可知，原始光谱(RAW)经7种预处理后构建的PLSR模型(RAW-PLSR、GFS-PLSR、MAS-PLSR、SGCS-PLSR、MFS-PLSR、MSC-PLSR、SNV-PLSR、BC-PLSR)预测效果略有不同。其中，经GFS光谱构建的GFS-PLSR模型预测猪肉TBA值效果最好。相关系数最高(RC=0.941，Rp=0.919)，均方根误差最小(RMSEC=0.029 mg/100 g，RMSEP=0.036 mg/100 g)。此外，F-PLSR模型的ΔE为0.007。说明构建的F-PLSR模型具有良好的鲁棒性。模型相关系数较高，说明猪肉TBA参考值和近红外光谱信息之间相关性很好。因此，后续波长筛选及模型优化仅采用GFS光谱。

表2 PLSR模型预测猪肉TBA值结果†

2.4 最优波长的提取

试验使用3种方法提取最优波长，结果如表3所示。全波段486个波长经筛选后，最优波长的数量减少到3～29个，光谱波长减少量为94%～99%。

表3 3种不同方法筛选最优波长结果比较

2.5 基于最优波长预测TBA值

筛选出最优波长后，将其作为输入变量，构建基于最优波长的PLSR模型，结果见表4。与GFS-PLSR相比，使用RC法构建的RC-GFS-PLSR模型预测效果最好，相关系数分别为RC=0.941、RCV=0.920、RP=0.924，且ΔE=0.004较低。此外，试验构建的RC-GFS-PLSR模型预测猪肉TBA值的精度高于Wu等[7]在870～1 734 nm波段构建的O-PLSR模型(RC=0.85，RMSEC=0.47 mg/100 g)。说明选择合适的预处理(GFS)和最优波长的筛选方法(RC)，可提高模型精度和稳定性。

表4 GFS-PLSR预测猪肉的TBA值

3 结论

通过900～1 700 nm波段的高光谱信息结合不同的预处理和最优波长提取方法构建猪肉2-硫代巴比妥酸值的预测模型，探究猪肉脂质氧化程度的快速无接触评估。经高斯滤波平滑(GFS)预处理光谱构建的全波段GFS-PLSR模型预测猪肉2-硫代巴比妥酸值效果较好；使用回归系数法(RC)从高斯滤波平滑光谱中筛选出29个最优波长构建的RC-GFS-PLSR模型预测猪肉2-硫代巴比妥酸值效果较好(RP=0.924，RMSEP=0.034 mg/100 g)，且略高于GFS-PLSR模型精度。试验表明近红外高光谱技术结合偏最小二乘回归(PLSR)模型可实现对冷鲜猪肉的脂质氧化程度的无损快速评估。