楊志敏，丁武，張瑤

（西北農(nóng)林科技大學(xué)食品科學(xué)與工程學(xué)院，陜西 楊凌 712100）

水分含量是畜禽肉的重要質(zhì)量指標(biāo)，直接影響畜禽鮮肉加工、儲(chǔ)藏、貿(mào)易與食用。近年來(lái)，注水肉成為影響肉類食品安全的主要因素,如何快速、準(zhǔn)確鑒別原料肉和注水肉具有很現(xiàn)實(shí)的意義，也是市場(chǎng)迫切的需要[1-2]。

近紅外光譜（NIR）分析技術(shù)是近年來(lái)發(fā)展起來(lái)的一種高效、快速、低成本、無(wú)損、綠色環(huán)保、可多組分同時(shí)分析的現(xiàn)代技術(shù)，它被廣泛應(yīng)用于食品、石油、化工、醫(yī)藥等行業(yè)[3]。目前，國(guó)內(nèi)外關(guān)于NIR分析技術(shù)在肉類行業(yè)的檢測(cè)應(yīng)用主要有：（1）肉類的化學(xué)成分分析，如水分、蛋白質(zhì)和脂肪含量等指標(biāo)[4-7]；（2）肉品品質(zhì)的綜合評(píng)價(jià)，如新鮮度、嫩度、保水性、風(fēng)味、色澤及彈性等指標(biāo)[7-15]；（3）肉品的產(chǎn)地[16]、品種、真?zhèn)魏蛽郊賉17]等方面的鑒定。主要研究了應(yīng)用近紅外光譜技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)建立原料肉和注水肉的判別模型。

1 材料與方法

1.1 儀器設(shè)備

MPA-TM傅里葉變換近紅外光譜儀（BRUKER OPTICS）：德國(guó)布魯克光學(xué)儀器公司；分析軟件為OPUS 5.5、SPSS17.0和DPS軟件。

1.2 樣品的制備及光譜掃描

樣品制備如下：首先，取豬里脊肉15 kg（來(lái)自楊凌國(guó)貿(mào)超市），切塊，用攪拌杯打成肉末，以100 g為一份制備樣品，最后共獲得樣品139份；其次，從139份樣品中選取60份肉樣作為原料肉樣本，剩下79份樣用來(lái)制備注水肉樣本，注水肉樣本注入的水濃度分別為1%、3%、5%、8%、10%、13%、15%，其中前5個(gè)濃度做11個(gè)平行樣，后2個(gè)濃度做12個(gè)平行樣。樣本制備完畢后，將每個(gè)樣本平整裝入樣品杯中。

利用MPA傅里葉變換近紅外光譜儀，結(jié)合2mm固體光纖探頭，采集原料肉和注水肉的漫反射光譜。光譜測(cè)量的基本參數(shù)設(shè)置:光譜范圍4000 cm-1～12000 cm-1，掃描分辨率為8 cm-1，掃描次數(shù)為64次。樣品的近紅外光譜如圖1所示。

圖1 原料肉和注水肉的近紅外光譜圖Fig.1 Near infrared spectra of raw and water-injected meat

光譜圖橫坐標(biāo)為波數(shù)，范圍是4000cm-1～12000cm-1，縱坐標(biāo)為吸光度值，從圖1可以看出原料肉與注水肉的光譜曲線的形狀沒(méi)有明顯區(qū)別。

1.3 光譜數(shù)據(jù)預(yù)處理

本研究采用二階導(dǎo)數(shù)+25點(diǎn)平滑方法對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，以消除儀器噪聲、基線漂移及樣本不均勻的干擾。樣品的二階導(dǎo)數(shù)光譜圖如圖2所示。

圖2 原料肉和注水肉的二階導(dǎo)數(shù)光譜圖Fig.2 Second derivative spectra of the raw and water-injected meat

去除重疊光譜部分，所以只取4030.6cm-1～7409.3cm-1波段的光譜用于分析。

1.4 分析方法

1.4.1 主成分分析

主成分分析（PCA）是考察多個(gè)變量間相關(guān)性的一種多元統(tǒng)計(jì)方法，其基本思想是設(shè)法將原來(lái)眾多具有一定相關(guān)性的多個(gè)指標(biāo)，重新組合成一組新的互相無(wú)關(guān)的綜合指標(biāo)來(lái)代替原來(lái)的指標(biāo)，是一種常用的基于變量相關(guān)系數(shù)矩陣或協(xié)方差矩陣對(duì)信息進(jìn)行處理、壓縮和抽提的有效辦法。本研究通過(guò)對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，選取特征波段，然后通過(guò)主成分分析提取有效的特征變量,代替原始光譜數(shù)據(jù)作為人工神經(jīng)網(wǎng)絡(luò)的輸入值。

1.4.2 人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)（ANN）是對(duì)人腦或自然神經(jīng)網(wǎng)絡(luò)（Natural Neural Network）若干基本特性的抽象和模擬，以對(duì)大腦的生理研究成果為基礎(chǔ)，其目的在于模擬大腦的某些機(jī)理與機(jī)制，實(shí)現(xiàn)某個(gè)方面的功能。在實(shí)際應(yīng)用中，80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用誤差反向傳播算法或其變化形式的網(wǎng)絡(luò)模型（簡(jiǎn)稱BP網(wǎng)絡(luò)）。

1.4.3 偏最小二乘（PLS）法

偏最小二乘回歸是在普通多元回歸的基礎(chǔ)上柔和進(jìn)主成分分析、典型相關(guān)分析的思想,很好地解決了自變量間多重共線性問(wèn)題。本研究利用OPUS5.5 QUNAT-2定量分析軟件，將總樣本劃分為校正集和驗(yàn)證集并輸入相對(duì)應(yīng)的數(shù)據(jù),選擇合適的光譜預(yù)處理方法和光譜范圍后用PLS計(jì)算程序進(jìn)行運(yùn)算。利用交互驗(yàn)證（Cross-Validation）的方法來(lái)確定模型的最佳主成分維數(shù)（Rank），以建模集和驗(yàn)證集中樣品真值和預(yù)測(cè)值的相關(guān)系數(shù)和標(biāo)準(zhǔn)差為判定依據(jù)來(lái)評(píng)價(jià)模型的優(yōu)劣。

2 結(jié)果與分析

2.1 樣本光譜數(shù)據(jù)的主成分分析結(jié)果

對(duì)原料肉和注水肉共139個(gè)樣本光譜數(shù)據(jù)進(jìn)行預(yù)處理并選擇合適光譜范圍（4030.6 cm-1～7409.3 cm-1），對(duì)其做主成分分析。主成分分析過(guò)程在SPSS 17.0軟件中完成。經(jīng)過(guò)計(jì)算，前5個(gè)主成分的累計(jì)方差貢獻(xiàn)率如表1所示。

表1 前5個(gè)主成分及其累計(jì)貢獻(xiàn)率Table 1 Five PCs and reliabilities%

由表1可知，前5個(gè)主成分能夠解釋原始波長(zhǎng)變量99.626%的信息，說(shuō)明前5個(gè)主成分可代表原近紅外光譜的大部分信息。

圖3為139個(gè)樣本的前3個(gè)主成分得分圖，圖中X軸PC1、Y軸PC2、Z軸PC3分別表示每個(gè)樣本的第1主成分、第2主成分、第3主成分的得分值。

圖3 139個(gè)樣本的前3個(gè)主成分得分圖Fig.3 Scatter plot(PC1 ×PC2×PC3)of 139 meat samples

從圖3中可以看到原料肉主要分布在Y軸的負(fù)半軸和Z軸的正半軸區(qū)域，而注水肉主要分布在Y軸的負(fù)半軸區(qū)域和X軸的正半軸區(qū)域，可以看出在Y軸的負(fù)半軸原料肉與注水肉存在交叉現(xiàn)象，可能是由于原料肉與注水肉之間的水分含量差異較小引起的。由此可見(jiàn)，在待鑒別樣品比較多或差異較小的情況下，利用主成分較難直接區(qū)分原料肉和注水肉。

2.2 基于5個(gè)主成分建立原料肉和注水肉的ANN-BP識(shí)別模型

把所有樣本分為建模集和驗(yàn)證集，從原料肉和注水肉中各隨機(jī)抽取15個(gè)樣本作為驗(yàn)證集，其余109個(gè)樣本作為建模集。在主成分分析的基礎(chǔ)上，把前5個(gè)主成分作為BP的輸入節(jié)點(diǎn)，輸出節(jié)點(diǎn)為1（把原料肉和注水肉的種類值分別設(shè)為1和2）。通過(guò)多次實(shí)驗(yàn)，隱含層節(jié)點(diǎn)為5，各層傳遞函數(shù)都用S型（Sigmoid）函數(shù)，目標(biāo)誤差為0.01，學(xué)習(xí)速率為0.1，設(shè)定訓(xùn)練迭代次數(shù)為1000次的時(shí)候模型預(yù)測(cè)效果最好。這樣就建立了一個(gè)5（輸入節(jié)點(diǎn)）—5（隱含層節(jié)點(diǎn)）—1（輸出節(jié)點(diǎn)）的3層ANN-BP模型。設(shè)定原料肉和注水肉預(yù)測(cè)結(jié)果偏差在±0.5以內(nèi)為各自的界限。結(jié)果表明，模型對(duì)109個(gè)建模樣本的擬合殘差為0.09050，預(yù)測(cè)準(zhǔn)確率為91.74%；對(duì)驗(yàn)證集的30個(gè)樣本預(yù)測(cè)準(zhǔn)確率為90%，見(jiàn)表2。

表2 ANN-BP模型對(duì)30個(gè)未知樣的預(yù)測(cè)結(jié)果Table 2 Prediction results of 30 unknown meat samples by BPANN model

從表2可知，模型對(duì)注水肉的識(shí)別率達(dá)到100%，原料肉有3個(gè)被誤判，這可能與建模樣本中原料肉較少有關(guān)。因此,應(yīng)進(jìn)一步加大樣本代表性,提高樣本的數(shù)量尤其是原料肉樣本數(shù)量來(lái)改善模型。

3 結(jié)論

應(yīng)用主成分分析結(jié)合人工神經(jīng)網(wǎng)絡(luò)建立了原料肉與注水肉的判別模型,該模型的預(yù)測(cè)效果很好,識(shí)別率達(dá)到90%。說(shuō)明運(yùn)用近紅外光譜技術(shù)可以快速、準(zhǔn)確、無(wú)損的對(duì)原料肉和注水肉進(jìn)行判別。本文提出的主成分分析結(jié)合人工神經(jīng)網(wǎng)絡(luò)判別法，特別適用于處理光譜分析中的大量數(shù)據(jù)，首先運(yùn)用主成分分析對(duì)數(shù)據(jù)進(jìn)行降維，簡(jiǎn)化運(yùn)算，提取有效的特征向量，作為人工神經(jīng)網(wǎng)絡(luò)的輸入值，結(jié)合已知樣本的性質(zhì)就可建立判別模型，對(duì)未知樣品進(jìn)行定性判別。為原料肉與注水肉的判別提供了一種新的方法，對(duì)提高我國(guó)原料肉質(zhì)量控制水平具有重要意義。

[1]李巧玲,劉景艷.市場(chǎng)鮮豬肉摻假狀況的調(diào)查監(jiān)測(cè)[J].食品科學(xué),2004,25(10):273-276

[2]趙慧梅,黃素珍.注水肉的鑒別檢驗(yàn)與處理[J].肉類工業(yè),2007(1):45-46

[3]嚴(yán)衍祿,趙龍蓮,韓東海,等.近紅外光譜分析基礎(chǔ)與應(yīng)用[M].北京:中國(guó)輕工業(yè)出版社,2005

[4]姬瑞勤,黃嵐,劉莉,等.鮮肉水分近紅外漫反射方法及實(shí)驗(yàn)研究[J].光譜學(xué)與光譜分析,2008,28(8):1767-1771

[5]劉魁武,成芳,林宏建,等.可見(jiàn)/近紅外光譜檢測(cè)冷鮮豬肉中的脂肪、蛋白質(zhì)和水分含量[J].光譜學(xué)與光譜學(xué)分析,2009,29(1):102-105

[6]徐霞,成芳,應(yīng)一斌.近紅外光譜技術(shù)在肉品檢測(cè)中的應(yīng)用和研究進(jìn)展[J].光譜學(xué)與光譜分析,2009,29(7):1876-1880

[7]Prieto N,Andrés S,Giráldez F J,et al.Potential use of near infrared reflectance spectroscopy(NIRS)for the estimation of chemical composition of oxen meat samples[J].Meat science,2006,74(3):487-496

[8]Ripoll G,Albertí P,Panea B,et al.Near-infrared reflectance spectroscopy for predicting chemical、instrumental and sensory quality of beef[J].Meat science,2008,80(3):697-702

[9]Savenije B,Geesink G H,Van der Palen J G P,et al.Prediction of pork quality using visible/near-infrared reflectance spectroscopy[J].Meat science,2006,73(1):181-84

[10]Yongliang Liu,Brenda G Lyon,William R,et al.Prediction of color,texture,and sensory characteristics of beef steaks by visible and near infrared reflectance spectroscopy A feasibility study[J].Meat science,2003,65(3):1107-1115

[11]趙杰文,翟劍妹,劉木華,等.牛肉嫩度的近紅外光譜法檢測(cè)技術(shù)研究[J].光譜學(xué)與光譜分析,2006,26(4):640-642

[12]張德權(quán),陳宵娜,孫素琴,等.羊肉嫩度傅里葉變換近紅外光譜偏最小二乘法定量分析研究[J].光譜學(xué)與光譜分析,2008,28(11):2550-2553

[13]胡耀華,郭康權(quán),鈴木孝,等.基于可見(jiàn)光和近紅外光譜的肉色檢測(cè)[J].西北農(nóng)林科技大學(xué)學(xué)報(bào),2008,36(7):160-164

[14]Andrés S,Murray I,Navajas E A,et al.Prediction of sensory characteristics of lamb meat samples by near infrared reflectance spectroscopy[J].Meat science,2007,76(3):509-516

[15]Geesink G H,Schreutelkamp F H,Frankhuizen R,et al.Prediction of pork quality attributes from near infrared reflectance spectra[J].Meat science,2003,65(1):661-668

[16]李勇,魏益民,潘家榮,等.基于FTIR指紋光譜的牛肉產(chǎn)地溯源技術(shù)研究[J].光譜學(xué)與光譜分析，2009,29(3):647-651

[17]楊紅菊,姜艷彬,候東軍,等.注膠肉的近紅外光譜快速分析[J].肉類研究,2008(11):62-64