高光谱图像结合特征变量筛选定量检测羊肉中狐狸肉掺假

白宗秀，朱荣光，王世昌，郑敏冲，顾剑峰，崔晓敏，张垚鑫

（石河子大学机械电气工程学院，石河子 832003）

0 引 言

羊肉因其营养丰富、脂肪含量低，且具有独特的风味和细腻的口感而深受人们的喜爱[1]。近年来羊肉价格不断上涨，一些不法商家在巨大经济利益诱惑下，铤而走险用狐狸肉等低价值肉类冒充羊肉。将狐狸肉掺入羊肉，其微生物严重超标，投入市场不仅严重影响消费者身体健康，同时也扰乱了肉类食品市场秩序[2]。因此，亟待寻求一种快速无损检测羊肉中狐狸肉掺假的方法。

传统肉类掺假检测手段主要包括感官检验、色谱分析、免疫分析、DNA分析等[3-5]。随着肉类掺假手段提高，感官检验已无法适应需求，而色谱分析的适用对象受限、免疫分析和DNA分析均有技术要求高、操作复杂的缺点也无法满足检测要求。近年来，光谱技术由于操作简单、快速、无损等特点而被广泛应用于肉及肉制品掺假检测[6-7]。其中，高光谱成像（HyperspectralImaging，HSI）技术能够通过光谱信号检测样本化学成分，在肉品品质检测如新鲜度[8]、水分[9]、脂肪[10]、嫩度[11]、菌落总数[12]和掺假[13-15]检测中均取得了较多研究成果。

高光谱图像由高维空间数据和光谱数据组成，其中包含了波长间的冗余信息，为了提高数据处理效率，需进行特征波长筛选。传统的特征波长筛选方法主要有遗传算法（Genetic Algorithm，GA）、竞争性自适应重加权算法（Competitive Adaptive Reweighted Sampling，CARS）、连续投影法和无信息变量消除法等。选择合适的特征波长筛选方法可以有效改善模型性能。二维相关光谱分析（Two-Dimensional Correlation Spectroscopy，2D-COS）是对被测样品体系在受扰动过程中的光谱进行相关性分析，得到光谱的二维尺度信息，包括同步和异步相关光谱，运用相关分析对该过程中的谱图进行处理，可以得到与外部扰动密切相关的特征波长[16]。2018年，王文秀等[17-18]以贮藏时间为外扰，利用二维相关可见/近红外光谱法优选猪肉挥发性盐基氮（Total Volatile Basic Nitrogen，TVB-N）特征变量，并利用二维相关可见-近红外光谱结合支持向量机评价了猪肉新鲜度。同年，Cheng等[19]利用近红外光谱数据结合异谱二维相关分析建立了猪肉肌原纤维冷冻贮藏过程中氧化损伤监测模型。2019年，Jiang等[20]采用HSI技术结合2D-COS方法对牛肉中鸭肉掺假现象进行了检测和可视化研究。同年，王伟等[21]基于高光谱成像结合2D-COS方法对生鲜鸡肉糜中大豆蛋白含量进行了检测。以上研究表明，HSI结合2D-COS方法在肉类掺假检测中具有很好的应用前景，但目前大部分研究仅是验证了2D-COS提取光谱特征变量的可行性，并未将其与传统特征波长筛选方法进行比较，且目前探讨高光谱定量检测羊肉糜中狐狸肉掺假的可行性研究报道较为鲜见。

综上，本研究利用HSI结合特征变量筛选对羊肉糜中狐狸肉掺假进行了定量检测。通过采集不同含量等级掺假样品的高光谱图像信息并获取其代表性光谱数据，建立光谱和掺假含量之间的定量关系，比较GA、CARS和2D-COS方法选择的特征波长所建偏最小二乘回归（Partial Least Squares Regression，PLSR）和支持向量回归（Support Vector Regression，SVR）模型性能，选择羊肉糜中狐狸肉掺假含量的最优检测模型。本研究建立的羊肉中狐狸肉掺假含量快速检测模型为其他肉类掺假检测提供参考，同时为低成本肉类掺假快速检测系统研发提供相应的技术支持和理论依据。

1 材料与方法

1.1 样品制备

试验所用羊肉样品取自羊后腿部位，采购于新疆石河子西部牧业喀尔万公司（中国），狐狸肉样品取自3只冷冻狐狸，购于新疆生产建设兵团六师六运湖农场（中国）。肉品运至实验室后去除明显脂肪和结缔组织，切块并充分绞碎成2～3 mm粒径的肉糜，按照5%、10%、15%、20%、25%、30%、35%、40%、45%和50%的质量分数将狐狸肉糜掺入羊肉糜中，每个样品质量约为20g，充分混匀后平铺于直径为10 cm，底面积为50 cm2的表面皿中，得到圆形或近圆形的饼状肉样，每个含量等级制备12个样品，共得到120个掺假羊肉样本。将试验样品装入真空袋密封包装，标号后放置于0 ℃冰柜内待测。

1.2 高光谱图像采集系统

本研究采用的高光谱图像采集系统主要包括成像光谱仪（ImSpector V10E-QE，ImSpector公司，芬兰）、线阵电荷耦合器件（Charge Coupled Device, CCD）相机（Infinity 3-1，Lumenera，加拿大）、光源（Fiber-Lter DC950型，DolanJenner公司，美国）、脉冲输送装置（SC300-1A，Zolix公司，中国）、暗箱和计算机等，如图1所示，高光谱图像数据采集软件为SpecView。

1.3 羊肉中狐狸肉掺假样品的高光谱图像数据获取与光谱信息提取

1.3.1 高光谱图像信息采集

高光谱图像数据采集前，打开光源和相机预热30 min，将样品取出冰柜在室温下放置5 min，恢复样品颜色等理化性质。高光谱图像采集系统参数设置如下：光源角度与水平面约为60°，曝光时间为0.016 s，样品与镜头间的距离为33.5 cm，图像采集速度1.35 mm/s。试验过程中，用黑色卡纸盛放样品。

为了消除光照不均匀和外部环境因素的影响，在数据处理前需对高光谱图像数据进行黑白校正[22]。保持与采集样品图像时的条件相同，通过遮盖镜头并关闭光源获得全黑标定图像IB、取下镜头盖打开光源扫描标准白板获得全白图像IW，然后对原始图像IR按照式（1）进行黑白校正。

式中I为黑白校正后的图像数据，IR为采集的样品原始光谱图像数据，IB为遮盖镜头并关闭光源采集的黑校正标定图像数据（反射率接近0），IW为打开镜头盖和光源采集的聚四氟乙稀白板标定图像数据（反射率接近99%）。

1.3.2 样品代表性光谱信息的提取

对校正后的样品图像利用图像分割法选择样品感兴趣区域（Region of Interest，ROI），并提取各样品代表性光谱信息[23]。代表性样品原始图像如图2a所示，由于样品在544.15和818.98 nm波长下的图像灰度值相差较大，背景、阴影部分灰度值相差较小，因此利用波段减法使背景和阴影部分趋于全黑，然后通过二值化和掩膜处理得到去除背景和阴影后的样品图像如图2b所示，同理利用波段加法运算和掩膜处理去除样品中明显的脂肪与亮点，得到样品纯肌肉部分（图2c），以此作为样品ROI（图2d），提取ROI内所有像素点平均光谱作为样品代表性光谱数据。每个样品的光谱包含953个波长，由于小于473 nm波长的光谱噪声较大，故本研究选择473～1 013 nm范围内的全部846个波长进行特征波长的筛选及后续分析。

1.3.3 高光谱检测羊肉中狐狸肉掺假的机理分析

本研究使用的高光谱波段范围为400～1 000 nm，主要包括可见光波段（400～700 nm）和近红外波段（700～1 000 nm），其中，可见光波段的光谱特征主要是由样本颜色特征引起的。近红外波段的光谱特征主要与样品中有机分子含氢基团（O-H、N-H、C-H）振动的合频和各级倍频的吸收区有关。羊肉与狐狸肉均属于红肉，主要由蛋白质、脂肪和水等组成，两者在颜色和成分含量方面存在一定差异，将狐狸肉掺入羊肉中，可以引起颜色和化学成分的变化，所以本研究利用高光谱检测羊肉中 狐狸肉的掺假含量在理论上是可行的。

1.4 数据处理与建模方法

1.4.1 光谱信息预处理

获取光谱数据时，光谱曲线易受到外界因素的影响而包含大量噪声和其他干扰信息，因此需对光谱进行预处理，去除无关信息的干扰。本研究利用一阶导数（First Derivative，1D）、中心化（Mean Center，MC）、多元散射校正（Multiplicative Scattering Correction，MSC）和标准正态变量变换（Standard Normalized Variate，SNV）4种常用的光谱预处理方法对原始光谱数据进行预处理，并利用原始光谱和经过预处理后的光谱数据建立羊肉中狐狸肉掺假的PLSR模型，采用留一法对其进行内部交叉验证，选择交叉验证集决定系数（coefficient of determination，R2）最大和均方根误差（Root Mean Square Error，RMSE）最小的模型对应的方法为最优光谱预处理方法[24]。

1.4.2 特征波长筛选

用传统特征筛选方法GA、CARS和2D-COS方法筛选与羊肉中狐狸肉掺假含量密切相关的特征波长，并对特征波长所建模型性能进行比较。GA算法筛选特征波长主要借鉴了生物界自然选择和进化机制，可以进行自适应全局优化，通过交叉、选择、变异实现群体中个体结构的重组迭代优化，淘汰掉较差的变量，保留好的变量，最终筛选出特征波长，其在光谱数据处理中得到了广泛应用[25]。CARS算法是以达尔文生物进化理论为原则的变量筛选方法，其筛选变量的具体步骤如下：首先，随机抽取样本建立偏最小二乘模型，并计算回归系数和每个变量对应的权重；采用自适应重加权采样和指数衰减函数选择每次循环中权重值大的变量，对变量进行逐步淘汰，最终根据交互验证集RMSE最小的原则优选出最佳的变量集合作为特征波长[26]。

该研究中2D-COS分析方法是以羊肉中掺入狐狸肉的不同含量为外扰变量，利用经1D预处理后的代表性样品光谱数据进行二维相关光谱分析，得到同步二维相关谱图和自相关谱图。同步二维相关谱图是关于主对角线对称分布的，在主对角线上出现的谱峰称为自相关峰，即自相关谱图的峰值。自相关峰表示样本中化学基团对掺假含量扰动的敏感程度，峰值越高，表明该处波长对掺假含量越敏感。结合同步二维相关谱图中的等高线密集中心点位置和自相关谱峰强度即可确定与羊肉中狐狸肉含量密切相关的特征波长[27]。2D-COS分析过程所使用软件为2D-Shige。

1.4.3 回归模型构建与模型评价

采用隔三选一法分别将每个含量等级中的12个样品（共120个样本）按照9∶3的比例分为校正集（90个样本）和预测集（30个样本）。利用PLSR和SVR建立羊肉中狐狸肉掺假定量预测模型，并分别利用留一法和十折交叉法对PLSR模型和SVR模型进行内部交叉验证。

PLSR算法是一种多元数据分析方法，可以同时实现回归建模、数据结构简化以及两组变量间的相关分析，在光谱数据建模中得到了广泛应用[28]。本研究中PLSR算法是对掺假羊肉样品的光谱反射率值矩阵和羊肉中狐狸肉掺假的含量标签矩阵同时进行分解，在分解过程中考虑光谱信息和掺假含量信息之间的相互关系，加强对应计算关系，从而保证获得最佳的校正模型。

SVR算法是解决模式识别回归问题的一种方法，其原理是将原问题通过一系列非线性变换转化为高维空间的线性问题，并进行线性求解，以解决多个特征因子的回归问题[29]。本研究建立的SVR模型核函数选择径向基函数（Radial Basis Function, RBF），同时利用GA优化算法寻求其核函数参数（g）、惩罚因子参数（c）和基本参数（p）的最优参数组合。

回归模型建立之后，通过数据集R2、RMSE和相对分析误差（Residual Predictive Deviation，RPD）来评价模型预测效果，其中RPD计算如式（2）所示：

式中yi是第i个样本的实际值，yˆi是第i个样本的预测值，是实际平均值，n是样本个数。

当R2值越大，RMSE值越小，代表回归模型的效果越好。RPD为预测集标准差与RMSE的比值，用于证明模型的预测能力，当RPD＞2.5表示预测效果良好；当1.5＜RPD＜2.5时，表明模型预测能力是可信的，但预测精度有待提高；当RPD＜1.5时，表明该预测模型不可接受,还需进一步优化。

本研究中掺假样品光谱信息提取使用高光谱图像处理软件ENVI 4.7，光谱数据预处理、特征波长筛选及模型建立过程使用MATLAB 7.8软件。

2 结果与分析

2.1 不同含量羊肉中狐狸肉掺假样品的原始光谱分析

120个不同含量的羊肉中狐狸肉掺假样品的光谱反射率曲线如图3a所示。其光谱曲线整体趋势一致，光谱吸收峰主要出现在550、570、765和970 nm波长处。结合羊肉与狐狸肉化学成分和光学特性，570 nm波长处的吸收峰是由肉类所含高铁肌红蛋白引起的，765 nm波长处的吸收峰与羊肉掺假狐狸肉品蛋白质分子结构中碳-氢（C-H）键和水中氧-氢（O-H）键的伸缩振动倍频有关，970 nm波长处出现的吸收峰与羊肉掺假狐狸肉品中的水分密切相关，主要由水中O-H键伸缩振动的二级倍频引起[30]。纯羊肉与纯狐狸肉的平均光谱曲线如图3b所示，2种纯肉的平均光谱曲线趋势一致，但其反射值存在显著差异，说明羊肉和狐狸肉在化学成分及结构信息方面存在一定差异。以上结果表明，该研究获取的样本光谱信息能够反映羊肉中不同含量狐狸肉掺假的信息。

2.2 光谱预处理

本研究分别利用1D、MC、MSC和SNV4种方法对原始光谱进行预处理，基于原始光谱和经过不同方法处理后的光谱建立羊肉中狐狸肉掺假含量的PLSR模型评价结果如表1所示。

表1 不同预处理方法下的掺假羊肉样品的偏最小二乘回归模型评价结果Table 1 Partial Least Squares Regression (PLSR) model evaluation results of adulterated mutton sample under different pre-processing methods

由表1可知，利用不同预处理方法处理后的光谱信息建立羊肉中狐狸肉掺假含量PLSR模型时，基于1D预处理后的光谱模型效果最优，其交叉验证集R2最大，RMSE最小，较无预处理相比可显著改善模型预测性能，校正集、交叉验证集和预测集R2分别由0.925、0.894、0.896上升至0.940、0.911和0.912，RPD由2.37上升至2.73，表明1D预处理可以有效实现光谱数据基线校正并去除背景干扰，增强模型预测能力。经该方法预处理后的光谱曲线如图4所示，与原始平均光谱曲线比较发现（图3a），经过1D与处理后的光谱曲线有效加强了光谱数据差异（图4），分别在526.82、572.10、629.64、750.14、826.10和949.57 nm波长处出现了明显的吸收带，并分别在553.45、590.18、656.09、771.94 nm波长处出现了明显的反射带。说明该预处理方法达到了很好的效果，后续本研究所用光谱数据均为经过1D方法预处理后的数据。

2.3 特征波长筛选

2.3.1 遗传算法（GA）筛选特征波长

利用GA算法进行特征波长筛选，其主要参数设置如下：初始种群为50，变异概率为0.005，遗传迭代次数为100、收敛率为0.5。利用GA算法筛选的特征波长在可见光波段主要分布在480、505 nm和528～695 nm波段范围内，其对应的光谱吸收峰主要与羊肉中的脱氧肌红蛋白、硫肌红蛋白和氧肌红蛋白有关[31]。在近红外区域（700～1 100 nm），特征波长分布较为密集，其中750 nm波长处的吸收带与羊肉掺假狐狸肉品中水分的O-H三级倍频有关，910 nm波长与其所含醇类物质的光谱吸收特性相关，950 nm波长与其所含水密切相关[32]。以上研究结果表明利用GA算法进行特征波长筛选，能够得到与羊肉中狐狸肉掺假含量密切相关的特征波长信息，得到207个特征波长在全部846个波长光谱曲线的分布情况如图5a所示。

2.3.2 竞争性自适应重加权（CARS）算法筛选特征波长

利用CARS 算法对掺假羊肉光谱数据进行特征波长筛选，其蒙特卡洛采样次数设置为50。经CARS算法筛选特征波长后得到34个特征波长在全部846个波长光谱曲线的分布情况如图5b所示。主要分布在484～494、608～655、755～794、910～944和999～1 008 nm波段范围内，同时在567和897 nm波长处也得到了特征波长。其中，567 nm波长是肉中高铁肌红蛋白的特征波长，765 nm波长与肉品蛋白质分子结构中C-H键和水中O-H键的伸缩振动倍频有关，900～950 nm波段范围之间观察到的吸收带通常与水和脂肪中C-H三级倍频有关[32]，说明随着羊肉中狐狸肉掺假含量的变化，羊肉样品中蛋白质和水分含量也在发生变化。

2.3.3 二维相关光谱分析（2D-COS）方法筛选特征波长

为了更加清晰地得到二维相关光谱的自动峰，本研究将473～1 013 nm波段范围划分为473～600、600～700、700～800、800～900和900～1 013 nm 5个波段范围，利用2D-COS分析方法选择每个范围内与狐狸肉掺假含量相关的特征波长，各波段范围2D-COS分析得到的自相关谱如图6所示，自相关谱图的峰值对应的波长为与狐狸肉掺假含量密切相关的特征波长，峰值强度越高，表明该波长对掺假含量越敏感。由图6可知，在473～600 nm波段范围内，自相关谱图中出现2个较强的峰值，分别在524.9和590.8 nm波长处，表明这2个波长与狐狸肉掺假含量变化有较强的相关性。在600～700 nm波段范围内，分别在610.20和657.35 nm波长处有2自相关峰值，其中650 nm波长左右的吸收峰与羊肉中的脱氧肌红蛋白、硫肌红蛋白和氧肌红蛋白有关[31]。在700～800 nm波段范围内，分别在在710.57、722.67、752.06、772.58 nm波长处出现4个峰值，750 nm波长左右的吸收带与O-H三级倍频有关。在800～900 nm波段范围内，在828.68 nm波长处出现一个较强的峰值，同时在846.85、869.62、886.58、896.38 nm波长处出现较弱峰值。在900～1 013 nm波段范围内，仅在950.23 nm处出现1个峰值，其主要是与样品中水的含量有关[32]。由此可得，利用2D-COS算法共筛选出14个特征波长，分析上述峰值对应的波长，多与颜色、C-H和氮-氢（N-H）键有关，主要是由与狐狸肉掺入羊肉引起肌红蛋白和水分变化有关。研究结果表明通过对不同掺假含量光谱进行二维同步光谱特性解析，可以辨析出与之相关的特征波长。

2.4 羊肉中狐狸肉掺假含量回归模型的建立与评价

2.4.1 偏最小二乘回归（PLSR）模型结果与分析

分别利用经1D方法处理后的全部846个波长和经GA、CARS算法和2D-COS方法筛选的特征波长建立PLSR模型，对羊肉中不同含量的狐狸肉掺假进行预测，根据模型回归效果得到适用于羊肉中狐狸肉掺假含量检测的优选模型，模型评价结果如表2所示。由表2可知，与全部波长相比，利用特征波长建立的PLSR模型输入变量个数较少，模型性能有所提高。其中，GA算法筛选的特征波长个数为207，占全部波长总数的24.47%，其所建PLSR模型的校正集、交叉验证集和预测集的R2分别提高了1.86%、3.38%、2.44%，RPD由2.72上升至3.19，说明模型预测性能提升。CARS算法筛选的特征波长个数仅占全部波长总数的4.02%，其所建的PLSR模型的校正集、交叉验证集和预测集的R2值分别由0.940、0.911和0.912上升至0.969、0.958和0.937，RPD由2.72上升至3.35，表明模型性能显著改善。利用2D-COS方法筛选后得到14个特征波长，与GA和CARS算法相比，特征波长个数减少，但其所建PLSR模型回归性能较差。由此可得，当利用全部波长和特征波长建立羊肉中狐狸肉掺假含量的PLSR模型时，CARS算法筛选的34个特征波长建立的模型性能最优，表明利用高光谱结合CARS-PLSR模型可以有效实现羊肉中狐狸肉掺假的定量检测。

表2 不同数量波长的掺假羊肉样品的偏最小二乘回归模型评价结果Table 2 Partial Least Squares Regression (PLSR) model evaluation results of adulterated mutton sample under different number of wavelengths

2.4.2 支持向量回归（SVR）模型结果与分析

利用全部波长和特征波长建立羊肉中狐狸肉掺假含量的SVR模型时，首先利用GA算法对SVR模型的参数g、c和p进行寻优，目标为交叉验证集RMSE最小，寻优过程中，将GA算法的种群数量设置为20，终止迭代次数设为100，选择十折交叉验证。SVR模型寻优后的参数与模型评价结果如表3所示。由表3可知，基于不同数量波长所建的羊肉中狐狸肉掺假含量SVR模型效果均较好，所有模型RPD均大于2.5，说明模型预测效果均良好。其中， CARS和2D-COS方法筛选的34和14个特征波长所建模型性能较优。其中，CARS-SVR模型的校正集R2和RMSE分别为0.973和1.11%，交叉验证集R2和RMSE分别为0.951和2.53%，预测集R2、RMSE分别为0.937、3.33%，RPD为4.39。2D-COS-SVR模型校正集R2和RMSE分别0.976和0.99%，交叉验证集R2和RMSE分别为0.950和3.03%，预测集R2、RMSE分别为0.928、3.00%，RPD为4.85。两模型的数据集R2均大于0.928，RPD均大于2.5，表明CARS-SVR和2D-COS-SVR两种模型预测效果都较优。

为了验证模型效率，对SVR模型预测时间也进行了统计（表3），随着特征波长个数的减少，模型预测时间逐渐缩短，采用2D-COS方法筛选特征波长的个数占全部波长总数的1.65%，其所建SVR模型运行时间为利用全部波长所建模型的11.85%，与利用全部波长所建模型相比，预测模型效率显著提升；与CARS-SVR模型相比， 2D-COS-SVR模型预测时间缩短13.09 s。

表3 不同数量波长的掺假羊肉样品的支持向量回归模型参数和评价结果Table 3 Support Vector Regression (SVR) model parameters and evaluation results of adulterated mutton sample under different number of wavelengths

综上所得，2D-COS-SVR模型的预测性能优于CARS-SVR模型，表明高光谱结合2D-COS-SVR模型可以有效实现羊肉中狐狸肉掺假的定量检测。

2.4.3 偏最小二乘回归（PLSR）和支持向量回归（SVR）模型结果的比较

比较表2和表3结果可知，基于不同方法筛选的特征波长所建的羊肉中狐狸肉掺假含量的SVR模型性能均优于PLSR模型。其中，利用全部波长和2D-COS方法筛选的特征波长所建模型性能差异较为显著。利用全部波长建立的PLSR模型校正集R2和RPD分别为0.912和2.72，而SVR模型校正集R2和RPD分别为0.971和4.16，较PLSR模型分别提升了0.059和1.44，结果表明基于全部波长建模时，SVR较PLSR模型性能大幅提升。2D-COS方法筛选特征波长建立的PLSR模型预测集R2、RMSE和RPD分别为0.869、5.90%和2.48，而SVR模型预测集R2、RMSE和RPD分别为0.928、3.00%和4.85，表明经2D-COS方法筛选的特征波长后SVR模型回归性能显著优于PLSR模型。而GA和CARS算法筛选的特征波长所建PLSR和SVR模型的RPD分别由3.19和3.35上升至4.00和4.39，表明较PLSR模型相比，SVR模型回归性也能得到改善。综合分析各模型R2、RMSE和RPD可知，采用2D-COS方法筛选特征波长所建SVR模型性能最优，且模型预测时间最短，效率最高。由此可得，高光谱结合2D-COS-SVR模型可以有效实现羊肉中狐狸肉掺假的定量检测。

3 结 论

本研究以羊肉糜中狐狸肉掺假为研究对象，基于可见近红外高光谱成像技术结合特征变量筛选对其进行了定量检测研究，主要结论如下：

1）基于可见近红外高光谱成像技术获得羊肉中不同狐狸肉掺假含量的样品光谱信息，比较了原始光谱和不同方法预处理后的光谱建立的偏最小二乘回归（Partial Least Squares Regression，PLSR）模型性能，确定一阶导数（First Derivative，1D）为最优光谱预处理方法。

2）对1D预处理后的光谱信息进行特征波长筛选，利用遗传算法筛选后得到207个特征波长，利用竞争性自适应重加权算法筛选后得到34个特征波长，利用二维相关光谱分析（Two-Dimensional Correlation Spectroscopy，2D-COS）方法得到14个与羊肉中狐狸肉掺假含量有关的特征波长。

3）基于全部846个波长和不同方法筛选出的特征波长所建立的支持向量回归（Support Vector Regression，SVR）模型性能均优于PLSR模型，其中，利用2D-COS方法提取的14个特征波长建立的SVR模型性能最优，且模型效率最高，其相对分析误差为4.85，校正集、交叉验证集和预测集的决定系数分别为0.976、0.950和0.928，均方根误差分别为0.99%、3.03%和3.00%。

研究表明高光谱结合2D-COS-SVR模型可有效实现羊肉中狐狸肉掺假的定量检测，为羊肉中狐狸肉掺假检测和开发低成本肉类掺假检测系统提供技术支持和参考依据。