張玉華,孟 一,姜沛宏,張應龍,張詠梅

(1.山東商業(yè)職業(yè)技術學院山東省農(nóng)產(chǎn)品貯運保鮮技術重點實驗室,山東濟南 250103；2.國家農(nóng)產(chǎn)品現(xiàn)代物流工程技術研究中心,山東濟南 250103)

近紅外技術對不同動物來源肉摻假的檢測

張玉華1,2,孟 一1,姜沛宏1,2,張應龍1,2,張詠梅1

(1.山東商業(yè)職業(yè)技術學院山東省農(nóng)產(chǎn)品貯運保鮮技術重點實驗室,山東濟南 250103；2.國家農(nóng)產(chǎn)品現(xiàn)代物流工程技術研究中心,山東濟南 250103)

采用近紅外光譜結合主成分分析法(PCA)、判別分析法,分別建立了牛肉和羊肉中摻雜其它動物肉的定性鑒別模型,根據(jù)鑒別準確率評價模型的預測性能。采用近紅外光譜結合PCA、偏最小二乘法(PLS),建立了摻假物的定量檢測模型,根據(jù)模型對預測集樣品的預測均方差(RMSEP)以及預測值與實測值間的相關系數(shù)(r)驗證模型的預測能力。結果,牛肉摻豬肉模型對訓練集和預測集的鑒別準確率分別為97.86%和91.23%,羊肉摻豬肉模型對訓練集和預測集的鑒別準確率分別為98.28%和92.98%,羊肉摻鴨肉模型對訓練集和預測集的鑒別準確率分別為99.59%和93.97%,羊肉摻假模型對訓練集和預測集的鑒別準確率分別為97.57%和90.76%。牛肉摻假定量模型對訓練集的交互驗證均方差(RMSECV)和預測集的RMSEP分別為3.87%和4.13%,r分別為0.9505和0.9134；羊肉摻假定量模型對訓練集的RMSECV和預測集的RMSEP分別為4.48%和4.86%,r分別為0.9306和0.9082。表明近紅外技術結合一定的化學計量學方法可實現(xiàn)不同動物來源肉摻假的鑒別,且能夠對摻假物進行定量檢測。

近紅外光譜,肉類摻假,主成分分析法,判別分析法,偏最小二乘法

據(jù)調查,肉類摻假造假最常見的方法之一是利用低值肉充當高值肉,如國內近年來屢屢曝光的“假牛肉”、“鴨肉變身羊肉串”、“假羊肉卷”等事件,嚴重危害了消費者的利益,給肉類食品安全造成重大影響。

表1 經(jīng)優(yōu)化的建模參數(shù)Table 1 The optimized modeling parameters

目前,近紅外技術在食品安全領域的應用日益受到重視,國內外學者相繼將該技術應用到食品種類鑒定、食品真?zhèn)螕郊勹b別等方面[1]。迄今為止,近紅外技術已被成功地用于肉類、植物油[2-4]、牛奶[5-7]、蜂蜜[8]等的摻假判別。在肉類摻假識別方面,Ding等[9]利用近紅外技術對摻入羊肉、豬肉、脫脂奶粉和小麥粉的漢堡進行分類,并用PLS法建立回歸模型判斷漢堡的摻假程度。Gayo等[10]研究了利用可見-近紅外光譜檢測蟹肉中的摻假,Atlantic blue和blue swimmer兩個蟹肉品種中摻入10%～90%基于魚糜的仿制蟹肉。近紅外光譜通過一階導數(shù)處理后,分別利用PLS和PCA建立定標模型,預測標準偏差分別是0.252和0.244。結果表明,可見-近紅外光譜能被成功的應用于蟹肉摻假檢測。

本研究嘗試利用近紅外光譜結合PCA、判別分析法對牛肉、羊肉中摻雜其它動物肉進行鑒別分析,近紅外光譜結合PLS、PCA對摻假物進行定量檢測,以得到行之有效的肉類摻假的定性定量快速檢測方法。

1 材料與方法

1.1 材料與儀器

豬后腿肉、牛后腿肉、羊后腿肉和鴨肉均購于當?shù)剞r(nóng)貿(mào)市場,粉碎成肉糜。

AntarisⅡ傅立葉變換近紅外光譜儀(配有積分球漫反射系統(tǒng)、Result操作軟件和TQ Analyst 8光譜分析軟件) 美國Thermo Electric公司。

1.2 實驗方法

1.2.1 原料處理 根據(jù)市場上出現(xiàn)的摻假4種類將豬肉作為摻假物分別摻雜到牛肉和羊肉中,鴨肉作為摻假物摻雜到羊肉中,摻假肉中摻假物與純肉的質量比分別為1∶10、1∶5、3∶10、2∶5、1∶2、3∶5、7∶10、4∶5、9∶10、1∶1。

1.2.2 近紅外光譜采集方法 利用積分球漫反射系統(tǒng)分別采集純肉(羊肉、牛肉、豬肉和鴨肉)和摻假肉樣品的光譜,每個樣品連續(xù)采集3次,分別取平均值作為原始光譜。掃描波數(shù)范圍10000～4000cm-1,分辨率8cm-1,掃描次數(shù)128次,以內置背景為參照。

1.2.3 數(shù)據(jù)處理 建立定性鑒別模型時,將所采集的光譜數(shù)據(jù)分別隨機分為訓練集和預測集兩部分,訓練集用于校正模型的建立,預測集用于檢驗模型的預測能力。根據(jù)鑒別準確率優(yōu)化建模波段、預處理方法和主成分數(shù),采用判別分析法建立鑒別模型,根據(jù)鑒別準確率評價模型的預測性能。

建立摻假物定量檢測模型時,為增強模型的實用性,將純肉數(shù)據(jù)分別加入摻假肉參與建模和驗證,純肉中摻假物的摻假量均為0。以訓練集內部交互驗證均方差RMSECV和預測值與實測值間的相關系數(shù)r為指標優(yōu)化建模參數(shù),用PLS法建立定量模型。利用模型對預測集樣品的RMSEP、預測值與實測值間的相關系數(shù)r考察模型的預測性能。

2 結果與分析

2.1 摻假肉的定性鑒別分析

2.1.1 建模參數(shù)的優(yōu)選 建立摻假肉的定性鑒別模型時,根據(jù)鑒別準確率的大小對建模波段、光譜預處理方法和主成分數(shù)進行優(yōu)化,鑒別準確率最高值對應的建模參數(shù)最佳。表1為4個鑒別模型優(yōu)化的對應的建模參數(shù)。

2.1.2 鑒別模型的建立 利用優(yōu)化的建模參數(shù),采用判別分析法建立摻假肉的定性鑒別模型,求出每個樣品距各類中心的馬氏距離值,樣品距哪一類中心的馬氏距離值最小,則歸屬哪一類[11]。圖1和表2為4個模型對純肉和摻假肉的鑒別結果,可見純肉與摻假肉的聚類效果良好,模型對訓練集樣品的鑒別準確率均較高。

表2 模型對訓練集的鑒別結果Table 2 Identification results of models for training set samples

圖1 模型對訓練集的鑒別圖Fig.1 Identification figures of models for training set samples 注:A.牛肉摻豬肉;B.羊肉摻豬肉; C.羊肉摻鴨肉;D.羊肉摻假。

2.1.3 鑒別模型的驗證 用所建模型分別對預測集樣品進行驗證,結果如表3所示。牛肉摻豬肉模型、羊肉摻豬肉模型、羊肉摻鴨肉模型和羊肉摻假模型對未知樣品的鑒別準確率分別為91.23%、92.98%、93.97%和90.76%,可見四個模型的預測性能均良好。

2.2 摻假物的定量檢測

2.2.1 建模參數(shù)的優(yōu)選 建立摻假物的定量模型時,采用內部交叉驗證法對建模波段、光譜預處理方法和主成分數(shù)進行優(yōu)選。交叉驗證均方差RMSECV越小,預測值與實測值間的相關系數(shù)r越大,對應的建模參數(shù)越好。由表4可見,牛肉摻假定量模型優(yōu)選的建模參數(shù)為:8986.65～7779.36、5488.42～4280.61cm-1波段范圍,1stD+N-D法進行預處理,主成分數(shù)為8,所建模型對訓練集的交叉驗證均方差RMSECV最小,預測值與實測值間的r最大。同樣方法優(yōu)選羊肉摻假定量模型的建模參數(shù),光譜范圍7283.09～4478.60cm-1,采用原始光譜,主成分數(shù)10。

2.2.2 定量模型的建立 采用上述優(yōu)化的建模參數(shù),利用PLS法分別建立牛肉摻假和羊肉摻假的定量模型。兩模型訓練集預測值與實測值的相關關系如圖2所示。牛肉摻假定量模型的內部交叉驗證均方差RMSECV為3.87%,預測值與實測值的相關系數(shù)r為0.9505；羊肉摻假定量模型的內部交叉驗證均方差RMSECV為4.48%,預測值與實測值的相關系數(shù)r為0.9306。

表3 模型對預測集的預測結果Table 3 Predicted results of models for prediction set samples

圖2 訓練集的預測值與實測值的散點圖與殘差分布圖Fig.2 Scatter and residual plots of predictive and actual values in training set注:A.牛肉摻假定量模型；B.羊肉摻假定量模型,圖3同。

表4 不同建模參數(shù)的校正模型效果比較Table 4 Results comparison of correction models with different parameters

2.2.3 定量模型的驗證 將預測集樣品的平均光譜分別導入牛肉和羊肉摻假的定量模型,對摻假量進行預測,根據(jù)預測結果驗證模型的準確性和可靠性。圖3為預測集樣品摻假量的預測值和實測值的對應關系。

圖3 預測集的預測值與實測值的相關關系圖Fig.3 Correlations of predictive and actual values of samples in prediction set

牛肉摻假定量模型對預測集51個未知樣品的預測結果為:預測均方差RMSEP為4.13%,相關系數(shù)r為0.9134；羊肉摻假定量模型對預測集96個未知樣品的預測結果為:預測均方差RMSEP為4.86%,相關系數(shù)r為0.9082。驗證結果表明,所建的牛肉和羊肉摻假定量模型均有良好的預測性能。

3 結論

根據(jù)優(yōu)化的建模參數(shù),利用PCA結合判別分析法,分別建立了牛肉摻豬肉、羊肉摻豬肉、羊肉摻鴨肉和羊肉摻假的定性鑒別模型。結果,牛肉摻豬肉模型對訓練集和預測集的鑒別準確率分別為97.86%和91.23%,羊肉摻豬肉模型對訓練集和預測集的鑒別準確率分別為98.28%和92.98%,羊肉摻鴨肉模型對訓練集和預測集的鑒別準確率分別為99.59%和93.97%,羊肉摻假模型對訓練集和預測集的鑒別準確率分別為97.57%和90.76%。表明建立的定性鑒別模型能夠將摻假肉和純肉區(qū)分開來。利用PLS法、PCA法結合優(yōu)化的建模參數(shù),建立了摻假肉中摻假物的定量檢測模型。牛肉摻假定量模型對訓練集和預測集的交叉驗證均方差RMSECV分別為3.87%和4.13%,預測值與實測值間的r分別為0.9505和0.9134；羊肉摻假定量模型對訓練集和預測集的交叉驗證均方差RMSECV分別為4.48%和4.86%,預測值與實測值間的r分別為0.9306和0.9082。

因此,近紅外光譜技術結合PCA法、判別分析法建模對不同動物來源肉摻假的鑒別是可行的,PLS結合PCA法建模能夠對摻假肉中的摻假物進行定量檢測。為不同動物來源肉的摻假提供了快速準確的鑒別檢測方法,對打擊肉品摻假、提高我國肉品質量安全檢測水平具有重要意義。

[1]張玉華,孟一,張應龍,等.近紅外光譜技術在食品安全領域應用研究進展[J].食品科技,2012,37(10):283-286.

[2]李紅蓮,趙志磊,龐艷蘋,等.近紅外光譜法快速鑒別花生油真?zhèn)渭皳絺纬煞諿J].食品安全質量檢測學報,2010,27(1):24-29.

[3]莊小麗,相玉紅,強洪,等. 近紅外光譜和化學計量學方法用于橄欖油品質分析與摻雜量檢測[J].光譜學與光譜分析,2010,30(4):933-936.

[4]馮利輝,劉波平,張國文,等.芝麻油中摻入菜籽油的近紅外光譜研究[J].食品科學,2009,30(18):296-299.

[5]李亮,丁武. 摻有植物性填充物牛奶的近紅外光譜判別分析[J].光譜學與光譜分析,2010,30(5):1238-1242.

[6]榮菡,劉波平,鄧澤元,等.基于PLS-模式識別近紅外光譜技術快速檢測鮮乳和摻假乳[J]. 食品科學,2009,29(8):492-495.

[7]王右軍,朱大洲,屠振華,等.CCD短波近紅外光譜快速檢測牛奶中摻假物質的研究[J].食品科學,2009,30(6):135-138.

[8]李水芳,單楊,張欣,等.蜂蜜用葡萄糖溶液摻假的近紅外光譜檢測[J].食品研究與開發(fā),2011,32(5):114-119.

[9]Ding H B. Near-infrared spectroscopic technique for detection of beef hamburger adulteration[J]. Agricultural and Food Chemistry,2000,48(6):2193-2198.

[10]Gayo J,Hale S A,Blanchard S M. Quantitative analysis and detection of adulteration in crab meat using visible and near-infrared spectroscopy[J]. Journal of Agricultural and Food Chemistry,2006,54(4):1130-1136.

[11]朱大洲,王坤,周光華,等.單粒大豆的近紅外光譜特征及品種鑒別研究[J].光譜學與光譜分析,2010,30(12):3217-3221.

Detection of adulteration of animal meats fromdifferent sources by near infrared technology

ZHANG Yu-hua1,2,MENG Yi1,JIANG Pei-hong1,2,ZHANG Ying-long1,2,ZHANG Yong-mei1

(1.Shandong Institute of Commerce and Technology,Shandong Key Laboratoryof Storage and Transportation Technology of Agricultural Products,Ji’nan 250103,China;2. National Engineering Research Center for Agricultural Products Logistics,Ji’nan 250103,China)

Qualitative identification models of beef and mutton adulterated with other animals meat were established by near infrared spectroscopy(NIR)combined with principal component analysis(PCA)and discriminant analysis. The performance of the models was evaluated according to identification accuracy. Quantitative detection models of adulterated content were established by NIR combined with PCA and partial least squares(PLS). Predictive ability of the models was verified by prediction mean square error(RMSEP)and correlation coefficient(r)between the predicted values and the measured values. As a result,the accuracy of the training set and prediction set were 97.86% and 91.23% respectively identified by the model of beef adulterated with pork. The accuracy of the training set and prediction set were 98.28% and 92.98% respectively identified by the model of mutton adulterated with pork. The accuracy of the training set and prediction set were 99.59% and 93.97% respectively identified by the model of mutton adulterated with duck meat. The accuracy of the training set and prediction set were 97.57% and 90.76% respectively identified by the model of mutton adulteration. Interaction validation of mean square error(RMSECV)of training set samples and RMSEP of prediction set samples of beef adulterated quantitative model were 3.87% and 4.13%,and r were 0.9505 and 0.9134 respectively. RMSECV of training set samples and RMSEP of prediction set samples of mutton adulterated quantitative model were 4.48% and 4.86%,and r were 0.9306 and 0.9082 respectively. The results showed that near infrared technology in combination with certain chemometrics methods can identify adulteration of animal meat from different sources,and can detect adulteration quantity.

near infrared spectroscopy;meat adulteration;principal component analysis;discriminant analysis;partial least squares

2014-01-06

張玉華(1973-)，女，博士，副教授，研究方向：食品質量安全。

國家科技支撐計劃(2013BAD19B02)；山東省自主創(chuàng)新及成果轉化專項計劃(2014ZZCX02701)。

TS201.7

A

1002-0306(2015)03-0316-05

10.13386/j.issn1002-0306.2015.03.058