NIR高光譜成像技術(shù)聯(lián)用SPA算法快速檢測(cè)五花肉的過氧化值

何鴻舉,王洋洋,王 魏,蔣圣啟,朱亞東,馬漢軍,2,陳復(fù)生,朱明明,趙圣明

(1.河南科技學(xué)院食品學(xué)院,河南新鄉(xiāng) 453003;2.河南科技學(xué)院博士后研發(fā)基地,河南新鄉(xiāng) 453003;3.河南工業(yè)大學(xué)糧油食品學(xué)院,河南鄭州450001)

肉類因富含蛋白質(zhì)、無機(jī)鹽等人體所需的營(yíng)養(yǎng)成分,烹飪后滋味鮮美濃郁,是人們?nèi)粘ｏ嬍澈脱a(bǔ)充營(yíng)養(yǎng)的首選。其中,豬肉不僅營(yíng)養(yǎng)價(jià)值高,味道鮮美可口,還具有預(yù)防和治療貧血、治療腎虛體虛、產(chǎn)后血虛等功效,是人們?nèi)粘Ｉ畹闹饕忸悂碓?在整個(gè)肉品行業(yè)中占據(jù)著重要的地位[1-4]。通常肉類食品容易受到空氣、溫度和水分等的影響發(fā)生氧化而腐爛變質(zhì),肉品的氧化程度用其所含過氧化物的量來表示。過氧化值是指1 kg肉樣中能夠析出碘的毫克數(shù),通常用氫過氧化物的毫摩爾數(shù)來代表。一般而言,過氧化值含量越高,肉品腐爛變質(zhì)的面積就越大,營(yíng)養(yǎng)價(jià)值降低,食用風(fēng)險(xiǎn)升高;當(dāng)肉品中過氧化值的含量超過食用標(biāo)準(zhǔn)后,就不宜再用來銷售和食用。因此,加強(qiáng)豬肉的質(zhì)量檢測(cè)工作具有深遠(yuǎn)的意義[5-6]。

高光譜成像技術(shù)(Hyperspectral imaging,HSI)是近年來快速發(fā)展的具有非破壞性、及時(shí)性、高準(zhǔn)確度的一種光電檢測(cè)技術(shù),它將傳統(tǒng)的成像技術(shù)和先進(jìn)的光譜技術(shù)相結(jié)合,能夠同時(shí)獲得樣品的空間信息和光譜信息,選擇性的吸取了兩種檢測(cè)技術(shù)的優(yōu)點(diǎn),克服了傳統(tǒng)檢測(cè)方法的效率低下、樣品的完整性不高、損耗大等弊端[7-8],更具說服力和前沿性[9-10]。NIR光譜成像技術(shù)具有響應(yīng)范圍廣、多波段且窄而連續(xù),測(cè)試重現(xiàn)性好,數(shù)據(jù)處理速度快、操作簡(jiǎn)便,能夠?qū)崿F(xiàn)在線及時(shí)監(jiān)控分析,具有分析靈活等特點(diǎn),同時(shí)適用于食品內(nèi)、外部的品質(zhì)檢測(cè),是肉品品質(zhì)檢測(cè)具有前瞻性的新方法之一[11]。近幾年來,高光譜成像技術(shù)用于研究豬肉品質(zhì)的報(bào)道逐漸增多,但目前大多數(shù)研究集中與豬肉的化學(xué)組成成分及微生物預(yù)測(cè)方面,如水分[12]、脂肪[13]、TVC[14]等方面。然而,目前使用高光譜近紅外技術(shù)對(duì)豬肉脂肪氧化程度進(jìn)行無接觸評(píng)估的報(bào)道甚少。

目前豬肉過氧化值測(cè)量主要依靠國標(biāo)法,耗時(shí)長(zhǎng)、效率低、需要破壞樣品等缺點(diǎn)無法滿足快速、實(shí)時(shí)、現(xiàn)場(chǎng)檢測(cè)等需求。鑒于高光譜成像技術(shù)的優(yōu)點(diǎn),本試驗(yàn)嘗試挖掘NIR高光譜技術(shù)對(duì)不同儲(chǔ)藏期的豬肉過氧化值進(jìn)行快速預(yù)測(cè)的潛力,旨在為在線、快速、無接觸測(cè)定豬肉氧化程度提供數(shù)據(jù)支撐和方法參考。

1 材料與方法

1.1 材料與儀器

五花肉 新鄉(xiāng)市世紀(jì)華聯(lián)超市購買;三氯甲烷 天津市外環(huán)化工有限公司;冰乙酸 河南康源化工有限公司;三氯甲烷-冰乙酸混合液(體積比2∶3) 實(shí)驗(yàn)室配制;碘化鉀 南京金海威化工實(shí)業(yè)有限公司;碘化鉀 天津市鼎盛鑫化工有限公司;淀粉 河北鑫中科技有限公司;石油醚 天津市欣寬化工有限公司;蒸餾水 實(shí)驗(yàn)室自制;硫代硫酸鈉 溧陽市慶豐精細(xì)化工有限公司。

HSL-eNIR-400-1700高光譜成像系統(tǒng) 上海五嶺光電科技有限公司;YRE-52A旋轉(zhuǎn)蒸發(fā)儀 鞏義予華儀器有限公司;JFSD-100組織破碎機(jī) 上海嘉定糧油儀器有限公司;TLE204E/02電子分析天平 梅特勒-托利多(上海)有限公司;冰箱 青島海爾集團(tuán)。

1.2 實(shí)驗(yàn)方法

1.2.1 樣品預(yù)處理 將肥肉較多的新鮮五花肉,經(jīng)過去皮、修整處理后用直尺進(jìn)行人工測(cè)量,切成3 cm×3 cm×1 cm[15]的長(zhǎng)方體小塊(以便于用高光譜儀器采集樣品信息),共獲得112個(gè)樣品。然后將樣品整齊擺放在密封性良好的一次性保鮮盒中,置于冰箱冷藏室0～4 ℃下貯存,每天取出16個(gè)樣品用于采集光譜信息和過氧化值測(cè)定。

1.2.2 光譜數(shù)據(jù)采集 試驗(yàn)前30 min將待測(cè)樣品從冰箱中取出,待樣品溫度達(dá)到室溫,同時(shí)將近紅外高光譜設(shè)備打開進(jìn)行預(yù)熱后,對(duì)高光譜相應(yīng)軟件進(jìn)行參數(shù)設(shè)置和儀器黑白板校正處理[16],設(shè)置載物臺(tái)的移動(dòng)速度為6.53 mm/s,系統(tǒng)的曝光時(shí)間為4.00 ms,鏡頭掃描范圍為75～175 mm。將待測(cè)樣品進(jìn)行編號(hào)后,放在高光譜設(shè)備的載物臺(tái)上,一次掃描兩個(gè)樣品,并一一對(duì)應(yīng)保存直至每塊樣品的數(shù)據(jù)采集完成,從而得到不同冷藏時(shí)間下的樣品的光譜數(shù)據(jù)圖。

1.2.3 五花肉過氧化值的測(cè)定 根據(jù)GB 5009.227-2016《食品中過氧化值的測(cè)定》中滴定法的要求進(jìn)行檢測(cè)。

1.2.4 光譜數(shù)據(jù)提取及預(yù)處理 為了提高模型的精確度,減小誤差,降低噪音、散射等造成的不良影響,本試驗(yàn)嘗試用Unscrambler軟件對(duì)獲取的樣品光譜信息進(jìn)行預(yù)處理并對(duì)比結(jié)果,以選擇出最佳的預(yù)處理方式。七種預(yù)處理方式分別為:基線校正(Baseline Correction,BC)、高斯濾波平滑(Gaussian Filter Smoothing,GFS)、中值濾波平滑(Median Filtering Smoothing,MFS)、卷積平滑(Savitzky Golay Smoothing,SGS)、移動(dòng)平均值平滑(Moving Average Smoothing,MAS)、標(biāo)準(zhǔn)正態(tài)變量變換(Standard Normal Variate,SNV)、多元散射校正(Multiplicative Scatter Correction,MSC)[17-18]。

1.2.5 模型的建立及評(píng)價(jià) 本試驗(yàn)中以豬肉過氧化值測(cè)量值為因變量,以波長(zhǎng)信息為自變量,基于PLS算法建立豬肉脂質(zhì)氧化程度的預(yù)測(cè)模型。通過校正相關(guān)系數(shù)(RC)、校正均方根誤差(Root Mean Square Error of Calibration,RMSEC)、交叉驗(yàn)證相關(guān)系數(shù)(RCV)、交叉驗(yàn)證均方根誤差(Root Mean Square Error of Cross Validation,RMSECV)、預(yù)測(cè)相關(guān)系數(shù)(RP)、預(yù)測(cè)均方根誤差(Root Mean Square Error of Prediction,RMSEP)、魯棒性(ΔE)、預(yù)測(cè)偏差(RPD)等指標(biāo)評(píng)估PLS模型性能的優(yōu)劣。

1.2.6 最優(yōu)波長(zhǎng)的選擇及模型優(yōu)化 本試驗(yàn)全波段光譜(900～1700 nm)包含486個(gè)波長(zhǎng),如此龐大的數(shù)據(jù)量將影響模型運(yùn)算速度,同時(shí)光譜中的冗余信息也會(huì)干擾模型性能。因此本試驗(yàn)分別采用回歸系數(shù)法(Regression Coefficient,RC)[19]和連續(xù)投影算法(Successive Projections Algorithm,SPA)[20]選取最優(yōu)波長(zhǎng),以減少計(jì)算量,提高預(yù)測(cè)效率和精度。經(jīng)這兩種方法篩選出最優(yōu)波長(zhǎng)后,以最優(yōu)波長(zhǎng)作為輸入變量,對(duì)全波段PLS模型(F-PLS)進(jìn)行優(yōu)化,建立最優(yōu)波長(zhǎng)PLS模型(O-PLS),并以R和RMSE評(píng)價(jià)模型性能。

1.3 數(shù)據(jù)處理

高光譜設(shè)備掃描每個(gè)樣品重復(fù)三次,獲取平均光譜數(shù)據(jù)。PLS建模和RC法篩選最優(yōu)波長(zhǎng)使用軟件Unscrambler 9.7,SPA操作在軟件MATLAB 2016a中進(jìn)行,模型構(gòu)建使用化學(xué)計(jì)量學(xué)軟件Unscrambler 9.7完成。

2 結(jié)果與分析

2.1 五花肉過氧化值測(cè)定結(jié)果

將112個(gè)樣品的過氧化值依次排列按照3∶1的比例分為校正集和預(yù)測(cè)集,測(cè)量結(jié)果如表1所示:校正集的最大值、最小值分別為8.60×10-3、1.10×10-3g/100 g,預(yù)測(cè)集的最大值、最小值分別為7.90×10-3、1.20×10-3g/100 g。1.10×10-3g/100 g<1.20×10-3g/100 g<7.90×10-3g/100 g<8.60×10-3g/100 g,預(yù)測(cè)集的取值在校正集的取值范圍內(nèi),說明取值對(duì)于構(gòu)建模型具有可行性。

表1 校正集和預(yù)測(cè)集樣品過氧化值測(cè)量結(jié)果統(tǒng)計(jì)

2.2 五花肉樣品的光譜特征

提取112個(gè)樣品的平均光譜特征如圖1所示:圖1a是高光譜數(shù)據(jù)校正后的原始光譜信息,圖1b是BC預(yù)處理光譜信息,圖1c是GFS預(yù)處理光譜信息,圖1d是MFS預(yù)處理光譜信息,圖1e是SGS預(yù)處理光譜信息,圖1f是MAS預(yù)處理光譜信息,圖1g是SNV預(yù)處理光譜信息,圖1h是MSC預(yù)處理光譜信息。

由圖1可知,在900～1700 nm波長(zhǎng)范圍內(nèi),波長(zhǎng)與反射率呈現(xiàn)一定的函數(shù)關(guān)系,且反射率隨著樣品過氧化值含量的變化而不斷變化,雖然每種預(yù)處理方式不同,每個(gè)樣品過氧化值含量不同,但就整體趨勢(shì)而言,大致相同。

圖1 五花肉過氧化值平均光譜曲線

2.3 基于全波段光譜的PLS預(yù)測(cè)過氧化值結(jié)果

偏最小二乘(Partial Least Square,PLS)是一種應(yīng)用范圍廣泛、分析效果好、準(zhǔn)確性高的光譜數(shù)據(jù)分析方法[21]。PLS不僅能夠從多個(gè)自變量中篩選整理出多個(gè)相互之間彼此獨(dú)立的主成分,得到多個(gè)自變量和多個(gè)因變量之間的關(guān)系[22],同時(shí)也能最大程度地減少設(shè)備中的噪聲干擾,有效地解決樣品的數(shù)量多、變量間的多重相關(guān)性的問題,構(gòu)建模型進(jìn)行數(shù)據(jù)處理[23-24]。一般而言,相關(guān)系數(shù)越高且接近于1,模型的相關(guān)性越好;均方根誤差和魯棒性越小且接近于0,預(yù)測(cè)偏差越大且大于2.5,模型的預(yù)測(cè)效果越好[25-28]。本試驗(yàn)構(gòu)建PLS模型預(yù)測(cè)五花肉的過氧化值,結(jié)果如表2所示。

表2 五花肉過氧化值F-PLS回歸預(yù)測(cè)結(jié)果

由表2可知,在486個(gè)波長(zhǎng)范圍內(nèi),未經(jīng)預(yù)處理的原始數(shù)據(jù)(RAW)與經(jīng)過預(yù)處理的全波段光譜預(yù)測(cè)過氧化值結(jié)果相似,其中RAW與經(jīng)過BC預(yù)處理構(gòu)建的全波段光譜的PLS(F-PLS)預(yù)測(cè)模型效果較好,其RP分別為0.960、0.960,RMSEP分別為4.89×10-4、5.15×10-4g/100 g,ΔE分別為1.31×10-4、1.48×10-4g/100 g,RPD分別為3.406、3.444。綜上所述,RAW和BC預(yù)處理的F-PLS的相關(guān)系數(shù)更高且接近于1,相關(guān)性更好,均方根誤差更小,魯棒性更好,且RPD更大且大于3,說明其模型預(yù)測(cè)過氧化值的精度更高、效果更好。

2.4 最優(yōu)波長(zhǎng)的選擇

以最優(yōu)波長(zhǎng)作為輸入變量,重新運(yùn)算構(gòu)建模型,預(yù)測(cè)結(jié)果如表3。

表3 用不同篩選方法確定最優(yōu)波長(zhǎng)的PLS模型預(yù)測(cè)過氧化值結(jié)果

由表3可知,分別采用RC和SPA篩選出的最優(yōu)波長(zhǎng)構(gòu)建PLS(O-PLS)的預(yù)測(cè)模型中,RAW-SPA(RC=0.951、RMSEC=4.69×10-4g/100 g,RP=0.960、RMSEP=4.42×10-4g/100 g)構(gòu)建的預(yù)測(cè)模型波長(zhǎng)數(shù)更少,潛變量最少,相關(guān)系數(shù)更高,誤差更小,預(yù)測(cè)過氧化值的能力更強(qiáng)。

當(dāng)波長(zhǎng)數(shù)小于樣品數(shù)量時(shí),也可使用多元線性回歸(Multiple Linear Regression,MLR)構(gòu)建模型[29],預(yù)測(cè)結(jié)果如表4。

表4 用不同篩選方法確定最優(yōu)波長(zhǎng)的MLR模型預(yù)測(cè)過氧化值結(jié)果

由表4可知,分別采用RC和SPA篩選出的最優(yōu)波長(zhǎng)構(gòu)建MLR預(yù)測(cè)模型中,RAW-SPA的波長(zhǎng)數(shù)最少,潛變量最少,RC為0.953,RMSEC為4.56×10-4g/100 g,RCV為0.916,RMSECV為6.06×10-4g/100 g,RP為0.968,RMSEP為4.12×10-4g/100 g,ΔE為0.44×10-4g/100 g,RPD為3.711,與其他三種模型相比,相關(guān)系數(shù)更高,誤差更小,模型預(yù)測(cè)過氧化值的能力更強(qiáng),MLR模型相關(guān)性更好。

綜上所述,本試驗(yàn)采用RAW-SPA篩選最優(yōu)波長(zhǎng)的方法更好,其數(shù)量及其位置如圖2所示:

由圖2b可知,SPA共篩選出20個(gè)最優(yōu)波長(zhǎng),從圖2a可知,SPA共篩選出的20個(gè)最優(yōu)波長(zhǎng)分別為902.2、905.5、910.4、913.7、915.4、920.3、926.9、930.2、931.8、936.8、981.2、1147.4、1323.4、1395.9、1476.7、1602.2、1673.4、1688.3、1693.3、1698.3 nm。

圖2 預(yù)測(cè)過氧化值最優(yōu)波長(zhǎng)圖

2.5 模型的優(yōu)化

利用上述連續(xù)投影算法(SPA)篩選出的20個(gè)最優(yōu)波長(zhǎng)分別對(duì)RAW光譜信息建立最優(yōu)PLS模型(O-PLS)和MLR模型,預(yù)測(cè)過氧化值結(jié)果如表5、圖3所示。

表5 O-PLS和MLR模型SPA法最優(yōu)預(yù)測(cè)五花肉過氧化值結(jié)果比較

由表5可知,O-PLS模型和MLR模型預(yù)測(cè)過氧化值的方案是可行的,且與O-PLS(RC=0.951、RMSEC=4.69×10-4g/100 g,RP=0.960、RMSEP=4.42×10-4g/100 g)模型相比,MLR模型的相關(guān)系數(shù)更大、誤差更小,與模型相關(guān)性更好,RC為0.953,RMSEC為4.56×10-4g/100 g,RP為0.968,RMSEP為4.12×10-4g/100 g,ΔE為0.44×10-4g/100 g,RPD為3.711,預(yù)測(cè)過氧化值的效果更佳。

3 結(jié)論

本試驗(yàn)利用NIR高光譜成像技術(shù)聯(lián)用SPA算法對(duì)0～4 ℃冷藏條件下的五花肉樣品的過氧化值含量進(jìn)行快速、無損檢測(cè)研究。通過對(duì)比七種預(yù)處理(BC、GFS、MFS、SGS、MAS、SNV、MSC)的光譜信息,可知RAW-MLR的優(yōu)化模型預(yù)測(cè)過氧化值效果最佳,RC為0.953,RMSEC為4.56×10-4g/100 g,RCV為0.916,RMSECV為6.06×10-4g/100 g,RP為0.968,RMSEP為4.12×10-4g/100 g,ΔE為0.44×10-4g/100 g,RPD為3.711。與F-PLS模型相比(RC=0.972、RMSEC=3.58×10-4g/100 g,RP=0.960、RMSEP=4.89×10-4g/100 g,ΔE=1.31×10-4g/100 g,RPD=3.406),經(jīng)過優(yōu)化處理的MLR模型預(yù)測(cè)過氧化值結(jié)果相近,且更具代表性,精確更高,準(zhǔn)確性更好,測(cè)定樣品五花肉的過氧化值方案是可行的,可為進(jìn)一步研究快速、無損檢測(cè)五花肉的過氧化值含量提供理論支持。