賈桂鋒，陳 偉，馮耀澤※

（1. 華中農(nóng)業(yè)大學工學院，武漢 430070；2. 農(nóng)業(yè)部長江中下游農(nóng)業(yè)裝備重點實驗室，武漢 430070）

0 引 言

牛肉作為一種高蛋白、低脂肪和低膽固醇的食物，是中國的主要肉食之一。然而，不良商販在經(jīng)濟利益的驅使下對牛肉制品進行摻假，如在牛肉制品中混入雞肉、豬肉等低值肉，有的甚至在牛肉制品中混入非新鮮肉[1-2]。牛肉摻假問題嚴重危害了消費者的經(jīng)濟利益和健康，且很難被常規(guī)方法檢測出來。因此，對牛肉摻假進行檢測是非常必要的。近年來，色譜法、蛋白質電泳分離，免疫學和 DNA技術等檢測技術被廣泛應用于肉類摻假檢測[3-6]。然而，這些技術雖然檢測準確度高，但是價格貴、耗時且對實驗設備和實驗人員要求高[7]。近紅外光譜和高光譜技術是快速、無損的檢測技術，通過檢測被測物中分子鍵來獲得物質化學成分的信息，在食品摻假檢測有一定應用[8-10]，然而其在實際應用方面仍面臨較大挑戰(zhàn)。

生物散斑是一種散射現(xiàn)象，當相干光照射到活性材料時，反射光和散射光在接收面形成動態(tài)散斑[11]。散斑的變化與樣本的活性、體液流速等生物學特性相關[12]。生物散斑技術是一種非侵入性、快速的檢測方法，目前被廣泛應用于醫(yī)藥和農(nóng)業(yè)領域，如血液流速[13]、精子質量[14]和眼球運動[15]、種子活力[16]、果實成熟期[17]及果實損傷[18]等的檢測。在肉類品質檢測方面，Amaral等[19]結合生物散斑技術和慣性矩分析方法來表征牛肉老化過程中的生物散斑活性，他們發(fā)現(xiàn)生物散斑活性與Warner-Bratzler (W-B)剪切力（R=0.614 6）、老化時間（R=-0.797 3）、色調角（R=0.795 3）、紅色分量強度（R=0.812）和高鐵肌紅蛋白的含量（R=0.911 9）有較高的相關性。蔡健榮等[20]基于2種不同波長（465和660 nm）的激光檢測冷鮮豬肉的新鮮度，研究結果表明激光波長為465 nm時結果更優(yōu)，訓練集和測試集的識別率分別達到87.65%和89.29%。此外，董慶利等[21]運用生物散斑技術預測了牛肉質構特性，如硬度、咀嚼性及W-B剪切力，其預測決定系數(shù)分別為 0.83、0.77和 0.69。以上研究表明生物散斑技術可以用于肉的品質檢測。然而，雖然牛肉摻假特別是摻腐肉嚴重危害消費者的健康和利益，基于生物散斑技術的牛肉摻假檢測卻鮮見報道。

此外，在生物散斑數(shù)據(jù)分析中，慣性矩是最常用的定量分析方法[22]。傳統(tǒng)IM法通過計算樣本生物散斑圖像某固定列（行）的IM值[23]或所有列（行）IM值中的最大值[20]來衡量樣本的生物散斑活性。然而，前一種方法僅提取了樣本空間局部信息，結果易受樣本的局部差異性（如樣本的均勻性、樣本表面不規(guī)則，以及散斑圖像異常點等因素）的影響，不能反映整體的散斑活性。而在求取所有列（行）IM值中的最大值時，散斑圖像中異常點會使結果出現(xiàn)偏差，且用IM最大值代表樣本生物散斑活性仍缺乏有效的理論支撐。針對傳統(tǒng) IM 法以上缺點，在本文中我們提出使用慣性矩譜分析方法結合支持向量機對牛肉摻假進行定量檢測。

1 材料與方法

1.1 樣本制備

由武漢某食品有限公司提供的來自不同牛的牛后腿肉和牛腩經(jīng)攪拌機粉碎并混合均勻后，用保鮮膜包裝置于28±2 ℃的環(huán)境中保存2 d，直至能夠觀察到明顯的變質現(xiàn)象（例如異味、褐變和粘液）。取新鮮牛后腿肉粉碎并與非新鮮肉按照0、1%、3%、5%～60%（梯度為5%）和 100%的摻假梯度混合均勻并放進圓柱形鋁盒（直徑=40 mm）中壓實制作成摻假樣本。除純新鮮牛肉為2個樣本外，其它各梯度均制備4個重復，共得62個摻假牛肉樣本，每個樣本質量約30 g，厚度約為25 mm。

1.2 散斑圖像的獲取

試驗采用生物散斑系統(tǒng)主要由功率為10 mW、波長為632 nm的He-Ne激光器（R-30992，Newport美國），CCD相機（U3D500C-J，Sunway臺灣），焦距為30 mm的鏡頭，帶有圖像處理器的電腦和帶有特定樣本槽（保證每個樣本位置一致性）的載物臺組成。

在采集摻假牛肉樣本的生物散斑圖像時，為避免外界光源的影響，除電腦外，其他設備均處于暗室中。樣本放置在載物臺的樣本槽中，激光入射角為60°，物距為220 mm，工業(yè)相機的分辨率為640×480，幀率為20 fps，每個樣本的采樣時間為25 s，每個樣本采集500張時間序列圖片。

1.3 數(shù)據(jù)處理與建模方法

1.3.1 慣性矩譜的構建

本文提出的慣性矩譜（IM譜）是一種以慣性矩為基礎的生物散斑圖像處理方法，即慣性矩譜由樣本生物散斑圖像各列（行）對應的IM值組成，本研究基于列IM譜對牛肉摻假進行檢測。慣性矩譜擴展了傳統(tǒng)方法的空間維度，提取了樣本的整體生物散斑信息，具有較好的抗干擾性。其計算流程如圖1所示。

圖1 慣性矩譜計算流程圖Fig.1 Flow chart for building IM spectrum

將樣本的生物散斑圖像進行灰度化處理；依次抽取不同時間圖像固定列拼接成時間序列散斑圖（temporal history speckles patterns, THSP）[24]，且每一列對應一個THSP；分別統(tǒng)計各列對應THSP中相鄰位置像素灰度級i，j（i在j的左側）出現(xiàn)的次數(shù)（Nij）,并將Nij作為第i行第j列的元素組成共生矩陣[25]；接著，基于共生矩陣及式（1）和式（2）計算各列IM值；將各列IM值按列號拼接構建慣性矩譜。

式中COMij—共生矩陣圖第i行第j列像素的灰度值。

1.3.2 牛肉摻假檢測模型的建立與評價

建模之前對數(shù)據(jù)依式（3）進行范圍歸一化處理。

其中，IMi、IMi,max、IMi,min、IMi,nor分別為第i個樣本的原始IM譜、IM譜最大值、最小值和對應歸一化后的IM譜。

通過X-Y共生距離法（sample set partitioning based on joint x-y distances，SPXY）將樣本集劃分成校正集和測試集[26]，其中校正集用于建立牛肉摻假檢測模型，測試集用于驗證模型性能。

主成分分析將數(shù)據(jù)投影到新的坐標空間以得到新的互不相關的變量并實現(xiàn)對數(shù)據(jù)的定性描述[27]，本文應用主成分分析法探索牛肉摻假樣本的分布規(guī)律。

支持向量回歸機（SVR）基于統(tǒng)計學習VC維理論和結構風險最小化準則[27-28]。本文使用SVR將IM譜投影到高維空間Φ并經(jīng)線性變換式（4）得到牛肉摻假濃度的預測值yp。

其中W為權重向量，b為偏置項。

為得到最小誤差，引入非負松弛變量ξ1、ξ2和懲罰因子c，使式（5）最小。

最終得到支持向量回歸機模型

K(x,xi)為核函數(shù)，本研究采用徑向基核函數(shù)，由式（7）定義；αi和αi*為拉格朗日數(shù)乘因子對偶變量。

為建立最優(yōu)SVR模型，模型參數(shù)懲罰參數(shù)c和核函數(shù)參數(shù)g應用粒子群算法[29]進行優(yōu)化。

模型建立之后，據(jù)式（8）及式（9）以決定系數(shù)（R2）和均方根誤差（RMSE）為評判標準對模型性能進行評價，其中決定系數(shù)越高、均方根誤差越低表明模型穩(wěn)定性越好、預測精度越高。

其中，分別為第i個樣本的真實摻假濃度、模型預測摻假濃度及真實摻假濃度的均值。

2 結果與分析

2.1 生物散斑圖

將點激光束以60°的入射角照射樣本，并采集樣本生物散斑圖像。圖 2為樣本生物散斑單一時間序列圖。據(jù)圖易知，距離激光照射點越遠的像素點亮度越低，而根據(jù)像素點亮度可將生物散斑圖大致劃分為 S1，S2和 S3等3個區(qū)域。其中區(qū)域S1像素點亮度最高，區(qū)域S2像素亮度較高，而區(qū)域S3像素亮度最低。

圖2 生物散斑圖Fig.2 Biological speckle image

2.2 IM譜的分析

根據(jù)IM譜構建方法計算出每個樣本的IM譜。圖3是摻假比例為0、50%和100%樣本的平均IM譜圖。注意到，總體上樣本 IM 譜均包含一個高平峰區(qū)和一個尖峰區(qū)，對比IM譜和生物散斑圖發(fā)現(xiàn)，高峰區(qū)對應于散斑圖中的 S1區(qū)，尖峰區(qū)對應于散斑圖右側的邊緣區(qū)域。導致這一現(xiàn)象的原因可能是，區(qū)域 S1邊緣像素點亮度變化非常大，因此這些點所在列即高平峰區(qū)范圍內(nèi)的 IM值也相應較大。此外，散斑圖右側的邊緣區(qū)域屬于區(qū)域S3，其散斑圖中各列均只有區(qū)域 S3的像素點而不含或包含很少區(qū)域S2的像素點，因區(qū)域S3像素點亮度變化較大，而區(qū)域 S2像素亮度較穩(wěn)定，故在散斑圖右側出現(xiàn)尖峰。

圖3 不同摻假比例樣本的平均IM譜Fig.3 Average IM spectrum of samples with different adulteration levels

特別的，由圖3可知不同摻假濃度樣本對應3條IM譜高平峰區(qū)的右側結束點基本一致，而相應左側結束點卻有所差別，分別位于散斑圖像第85、117和131列左右。綜合激光照射條件和IM譜的特點可知，導致這一現(xiàn)象的原因可能是激光以60°入射角從右側照射樣本，大部分光線在樣本內(nèi)向左側散射。然而，不同摻假濃度樣本的理化特性不同，這使得光線散射距離不同從而導致不同摻假濃度樣本的生物散斑圖像有所差異[30-32]。隨著摻假濃度的上升，樣本的自由水增加[33]、高鐵肌紅蛋白含量減少[19]，光散射系數(shù)減小，使得生物散斑圖像較亮區(qū)域向左側擴展的范圍減少。因此，IM譜高平峰區(qū)的左側結束點隨著摻假濃度升高向右側移動。由此可見，樣本理化特性不同造成的生物散斑圖像差異會在 IM 譜上有所表現(xiàn)。

2.3 主成分分析

對不同摻假濃度牛肉樣本的IM譜進行主成分分析，得到樣本的主成分得分和貢獻率。圖 4所示為樣本主成分得分氣泡圖，其中氣泡的大小代表摻假濃度的高低。雖然第一主成分貢獻率僅有26.85%，但是隨著樣本的摻假濃度的減小，其對應的第一主成分得分有增加的趨勢，說明樣本的摻假濃度與第一主成分的得分是有一定的相關性，而這種相關性表明基于生物散斑技術對樣本摻假含量進行檢測具有可行性。

圖4 主成分得分圖Fig.4 Score plot of PCA

2.4 摻假檢測模型的建立與驗證

使用X-Y共生距離法（SPXY）將樣本集劃分為校正集（n=40）和測試集（n=422），校正集用于建立牛肉摻假定量檢測SVR模型，測試集用于驗證模型性能，模型的懲罰參數(shù)c和核函數(shù)參數(shù)g由粒子群算法優(yōu)化選擇。粒子群算法評價不同c和g組合對應最優(yōu)適應度函數(shù)對參數(shù)進行優(yōu)選。圖 5為最優(yōu)模型的預測值與真實值的散點圖及模型參數(shù)與結果。由圖5可知，除純非新鮮肉和1個純新鮮肉樣本以外，絕大多數(shù)樣本點均處于對角線附近，表明絕大部分樣本的預測值與真實值較為接近。模型校正集和測試集決定系數(shù)分別為 0.85和 0.81，均方根誤差RMSEC和RMSEP分別為0.12和0.11。此時，模型的懲罰參數(shù)c和核函數(shù)參數(shù)g分別為1.96和0.01。模型決定系數(shù)均大于0.8，另外RMSEC與RMSEP值較為接近，表明模型具有較好的穩(wěn)定性和精度。模型的誤差主要是純非新鮮肉樣本造成。所有純非新鮮肉樣本摻假濃度預測值相近，然其最大預測偏差大于0.4，而其它非純樣本預測偏差約為0.1，表明模型對純不新鮮肉的定量預測能力較差，其原因可能是純非新鮮肉理化特性與其他樣本差異過大從而導致非新鮮肉的 IM 譜信息不能很好的被模型解釋。注意到，所有純非新鮮樣本的摻假含量均被預測為0.6以上，從定性分析的角度講，該模型用于純非新鮮肉識別是可行的。對純新鮮肉，只有一個來自預測集的樣本預測誤差較大，其有可能是極值甚至是異常樣本。然而，仍需進一步研究采用新算法改進牛肉摻假定量檢測的預測效果。

圖5 基于歸一化IM譜的牛肉摻假檢測SVM模型結果Fig.5 Performance of SVR model based on normalized IM spectrum

3 結 論

現(xiàn)有牛肉摻假快速檢測方法主要依賴于對樣本化學信息的檢測。生物散斑圖像可以反映樣本生物活性信息。本文首次將生物散斑技術應用于牛肉摻腐檢測，從樣本生物活性的角度探索牛肉摻假檢測的可行性。此外，針對傳統(tǒng)IM法穩(wěn)定性差的缺陷，本文首次提出使用IM譜法表征樣本信息以增強信號抗干擾性。結合IM譜與支持向量回歸機建立了牛肉摻假定量檢測模型。結果表明，基于 IM 譜建立的牛肉摻假檢測模型具有較高的穩(wěn)定性和精度，決定系數(shù)分別為均方根誤差分別為RMSEC=0.12，RMSEP=0.11。因此，生物散斑技術結合 IM 譜對新鮮牛肉中摻雜腐敗牛肉進行定量檢測是可行的，而基于IM譜的分析方法可以推廣到基于生物散斑分析的其他應用中。

[1]張穎穎，趙文濤，李慧晨，等. 液相色譜串聯(lián)質譜對摻假牛肉的鑒別及定量研究[J]. 現(xiàn)代食品科技，2017(2)：230－237.Zhang Yingying, Zhao Wentao, Li Huichen, et al.Identification and quantification of adulterated beef by liquid chromatography tandem mass spectrometry [J]. Modern Food Science and Technology, 2017(2): 230－237. (in Chinese with English abstract)

[2]白亞斌，劉友華，丁崇毅，等. 基于高光譜技術的牛肉-豬肉摻假檢測[J]. 海南師范大學學報(自然科學版)，2015，28(3)：270－273.Bai Yabin, Liu Youhua, Ding Chongyi, et al. Quantitative detection of beef-pork adulteration by hyperspectral imaging[J]. Journal of Hainan Normal University(Natural Science), 2015, 28(3): 270－273. (in Chinese with English abstract)

[3]Myers S, Yamazaki H. Immunological detection of adulteration of ground meats by meats of other origins [J].Biotechnology Techniques, 1997, 11(7): 533－535.

[4]Yman I M, Sandberg K. Differentiation of meat from horse,donkey and their hybrids (mule/hinny) by electrophoretic separation of albumin [J]. Meat Science, 1987, 21(1): 15－23.

[5]Ballin N Z, Vogensen F K, Karlsson A H. Species determination - Can we detect and quantify meat adulteration[J]. Meat Science, 2009, 83(2): 165－174.

[6]劉帥帥，李宏，羅世芝，等. PCR技術在肉類摻假檢驗中的應用進展[J]. 食品安全質量檢測學報，2011，2(6)：280－284.Liu Shuaishuai, Li Hong, Luo Shizhi, et al. Progress in meat adulteration identification using PCR method[J]. Journal of Food Safety & Quality, 2011, 2(6): 280－284. (in Chinese with English abstract)

[7]Kamruzzaman M, Makino Y, Oshita S, et al. Assessment of visible near-infrared hyperspectral imaging as a tool for detection of horsemeat adulteration in minced beef[J]. Food& Bioprocess Technology, 2015, 8(5): 1054－1062.

[8]Chen, Wei, Feng, Yaoze, Jia Guifeng, et al. Application of artificial fish swarm algorithm for synchronous selection of wavelengths and spectral pretreatment methods in spectrometric analysis of beef adulteration[J]. Food Analytical Methods, 2018, 11: 2229－2236.

[9]Feng Y, Sun D. Application of hyperspectral imaging in food safety inspection and control: a review [J]. Critical Reviews in Food Science and Nutrition, 2012, 52(11): 1039－1058.

[10]Forchetti D, Poppi R. Use of NIR hyperspectral imaging and multivariate curve resolution (MCR) for detection and quantification of adulterants in milk powder[J]. LWT-Food Science and Technology, 2017, 76: 337－343.

[11]Gliński J, Horabik J, Lipiec J. Encyclopedia of Agrophysics.Encyclopedia of Earth Sciences Series[M]. Dordrecht:Springer, 2011.

[12]Burch J M, Ennos A E, Wilton R J. Dual- and multiple-beam interferometry by wavefront reconstruction[J]. Nature, 1966,209(5027): 1015－1016.

[13]劉謙，周斯博，張智紅，等. 利用激光散斑成像監(jiān)測光動力治療的血管損傷效應[J]. 中國激光，2005，32(6)：869－872.Liu Qian, Zhou Sibo, Zhang Zhihong, et al. Application of laser speckle imaging: Monitoring changes of vessels in photodynamic therapy[J]. Chinese Journal of Lasers, 2005,32(6): 869－872. (in Chinese with English abstract)

[14]Rodríguez-Martínez H. State of the art in farm animal sperm evaluation[J]. Reproduction, Fertility, and Development,2007, 19(1): 91－101.

[15]AlKalbani M, Mihaylova E, Toal V, et al. Ocular microtremor laser speckle metrology[J]. Proc Spie, 2009,7176(1): 60－61.

[16]Braga R A, Fabbro I M D, Borem F M, et al. Assessment of seed viability by laser speckle techniques[J]. Biosystems Engineering, 2003, 86(3): 287－294.

[17]Rabelo G, Braga R, Fabbro I, et al. Laser speckle techniques applied to study quality of fruits [J]. Revista Brasileira Engenharia Agricola e Ambiental. 2005, 9: 570－575.

[18]劉家瑋，梁飛宇，王益健，等. 基于生物散斑的青棗活性變化規(guī)律[J]. 海南師范大學學報(自然科學版)，2017(2)：150－153.Liu Jiawei, Liang Feiyu, Wang Yijian, et al. Evaluation of bioactivity changes of jujube based on biospeckle[J].Journal of Hainan Normal University(Natural Science),2017(2) : 150－153. (in Chinese with English abstract)

[19]Amaral I C, Jr R A B, Ramos E M, et al. Application of biospeckle laser technique for determining biological phenomena related to beef aging[J]. Journal of Food Engineering, 2013, 119(1): 135－139.

[20]蔡健榮，劉夢雷，孫力，等. 基于改進慣性矩算法的冷鮮豬肉新鮮度激光散斑圖像檢測[J]. 農(nóng)業(yè)工程學報，2017，33(7)：268－274.Cai Jianrong, Liu Menglei, Sun Li, et al. Laser speckle image detection of chilled pork freshness based on improved moment of inertia algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(7): 268－274. (in Chinese with English abstract)

[21]董慶利，金曼，胡孟晗，等. 基于生物散斑技術的兩部位牛肉質構特性預測模型改進[J]. 農(nóng)業(yè)機械學報，2016，47(4)：209－215.Dong Qingli, Jin Man, Hu Menghan, et al. Improvement of modeling texture characteristics of different parts of beef based on biospeckle technique[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(4):209－215. (in Chinese with English abstract)

[22]Zdunek A, Muravsky L I, Frankevych L, et al. New nondestructive method based on spatial-temporal speckle correlation technique for evaluation of apples quality during shelf-life[J]. International Agrophysics, 2007, 21(3):305－310.

[23]董慶利，金曼，胡孟晗，等. 牛肉激光動態(tài)散斑活性影響因素研究[J]. 農(nóng)業(yè)機械學報，2016，47(2)：288－294，301.Dong Qingli, Jin Man, Hu Menghan, et al. Factors affecting dynamic laser speckle activity of beef[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016 , 47(2):288－294, 301. (in Chinese with English abstract)

[24]Rajr B, Rabelo G F, Granato L R, et al. Detection of fungi in beans by the laser biospeckle technique [J]. Biosystems Engineering, 2005, 91(4): 465－469.

[25]Zobrist A L, Thompson W B. Building a distance function for gestalt grouping[J]. IEEE Transactions on Computers,1975, 24(7): 718－728.

[26]Galv?o R K, Araujo M C, José G E, et al. A method for calibration and validation subset partitioning[J]. Talanta,2005, 67(4): 736－740.

[27]Wold S, Esbensen K, Geladi P. Principal component analysis[J]. Chemometrics & Intelligent Laboratory Systems,1987, 2(1): 37－52.

[28]Awad M, Khanna R. Support vector regression [J]. Neural Information Processing Letters & Reviews, 2007, 11(10):203－224.

[29]邵信光，楊慧中，陳剛. 基于粒子群優(yōu)化算法的支持向量機參數(shù)選擇及其應用[J]. 控制理論與應用，2006，23(5)：740－743.Shao Xinguang, Yang Huizhong, Chen Gang. Parameters selection and application of support vector machines based on particle swarm optimization algorithm[J]. Control Theory& Applications, 2006, 23(5): 740－743. (in Chinese with English abstract)

[30]劉鵬，屠康，潘磊慶，等. 基于激光圖像次郎甜柿可溶性固形物含量檢測[J]. 農(nóng)業(yè)機械學報，2011，42(1)：144－149.Liu Peng, Tu Kang, Pan Leiqing, et al. Non-destructive Detection of Jiro Persimmon' s soluble-solids by laser imaging analysis[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(1): 144－149. (in Chinese with English abstract)

[31]陳育彥，屠康，任珂，等. 基于激光圖像的蘋果品質分析與模型[J]. 農(nóng)業(yè)工程學報，2007，23(4)：166－171.Chen Yuyan, Tu Kang, Ren Ke, et al. Modeling apple quality changes based on laser scattering image analysis[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(4): 166－171. (in Chinese with English abstract)

[32]胡孟晗，董慶利，劉寶林，等. 生物散斑技術在農(nóng)產(chǎn)品品質分析中的應用[J]. 農(nóng)業(yè)工程學報，2013，29(24)：284－292.Hu Menghan, Dong Qingli, Liu Baolin, et al. Application of biospeckle on analysis of agricultural products quality[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(24): 284－292. (in Chinese with English abstract)

[33]張婷. 不同貯藏溫度下牛肉新鮮度及品質變化研究[D].西安：陜西師范大學，2016.