摘 要：應(yīng)用傅里葉變換近紅外光譜技術(shù)建立中式傳統(tǒng)爆炒豬肉片水分含量預(yù)測(cè)模型，達(dá)到快速無(wú)損檢測(cè)的目的。通過(guò)直接干燥法測(cè)定100 組爆炒豬肉片樣品的水分含量，并掃描得到其近紅外光譜圖。采用偏最小二乘法并通過(guò)二階微分結(jié)合卷積平滑算法對(duì)光譜進(jìn)行預(yù)處理，通過(guò)拐點(diǎn)法、馬氏距離法、杠桿值、學(xué)生殘差法與內(nèi)部交互驗(yàn)證均方根法進(jìn)一步剔除異常樣本，優(yōu)化光譜模型。結(jié)果表明：所構(gòu)建的中式爆炒肉片水分含量近紅外光譜預(yù)測(cè)模型的校正均方差值為0.089 1，相關(guān)系數(shù)為0.972 1；且將預(yù)測(cè)值與真實(shí)值進(jìn)行比較發(fā)現(xiàn)，預(yù)測(cè)結(jié)果正確率大于

98.7%（P<0.05），表明本研究建立的用于檢測(cè)中式爆炒肉片水分含量的近紅外光譜預(yù)測(cè)模型效果良好，能夠快速檢測(cè)并準(zhǔn)確預(yù)測(cè)中式爆炒肉片的水分含量，具有一定的應(yīng)用價(jià)值。

關(guān)鍵詞：近紅外光譜；中式爆炒豬肉；水分含量；無(wú)損檢測(cè)

Detection of Water Content of Chinese Stir-Fired Pork by Near Infrared Spectroscopy

ZHAO Juyang， SHI Changbo*， FANG Weijia

（College of Tourism and Cuisine， Harbin University of Commerce， Harbin 150076， China）

Abstract： In the study， a nondestructive and rapid method for detecting the water content of Chinese stir-fired pork was established by near infrared reflectance spectroscopy. The moisture contents of 100 groups of stir-fired pork samples were determined by direct drying method and near infrared spectra of the samples were acquired. The original spectra were pretreated by second derivative and Savitzky-Golay smoothing in order to perform a partial least squares regression. Then inflection point， Mahalanobis distance， root mean square error of cross-validation and studentized residual were used to eliminate the outliers in order to establish a calibration model. The results showed that the proposed predictive model had a high correlation coefficient （r = 0.972 1） with a root mean squared error of calibration of 0.089 1. Furthermore， the prediction accuracy was greater than 98.7% （P < 0.05） when compared with the true value indicating the model established in this study has a good predictive performance. The results showed that the model allows accurate prediction of water content and has the potential for use in Chinese stir-fired pork processing and food industry.

Keywords： near infrared reflectance spectroscopy； Chinese stir-fired pork； moisture content； nondestructive detection

DOI：10.7506/rlyj1001-8123-201807008

中圖分類(lèi)號(hào)：TS207.3 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1001-8123（2018）07-0042-07

引文格式：

趙鉅陽(yáng)， 石長(zhǎng)波， 方偉佳. 基于近紅外光譜儀分析中式爆炒豬肉的水分含量[J]. 肉類(lèi)研究， 2018， 32（7）： 42-48. DOI：10.7506/rlyj1001-8123-201807008. http：//www.rlyj.pub

ZHAO Juyang， SHI Changbo， FANG Weijia. Detection of water content of chinese stir-fired pork by near infrared spectroscopy[J]. Meat Research， 2018， 32（7）： 42-48. DOI：10.7506/rlyj1001-8123-201807008. http：//www.rlyj.pub

爆炒是中國(guó)傳統(tǒng)典型烹飪工藝之一，爆炒主要通過(guò)熱對(duì)流、熱傳導(dǎo)和熱輻射的方式進(jìn)行[1]，由于烹飪溫度高、時(shí)間短、過(guò)程激烈，因而在爆炒過(guò)程中，食品顆粒表面溫度會(huì)迅速升高，但食品顆粒中心點(diǎn)達(dá)到成熟時(shí)，水分還未來(lái)得及向食品表面流動(dòng)和擴(kuò)散，整個(gè)爆炒過(guò)程已經(jīng)完成，因而爆炒的菜肴脆嫩爽口[2]。然而，傳統(tǒng)的爆炒方法往往由于廚師的經(jīng)驗(yàn)性人為操作而造成炒制時(shí)間過(guò)度，進(jìn)而影響肉品的多汁性、嫩度和口感[3]，因此急需對(duì)中式烹飪?nèi)忸?lèi)菜肴的品質(zhì)進(jìn)行測(cè)定。

肉制品的水分含量是評(píng)價(jià)肉制品品質(zhì)的重要指標(biāo)，水分含量的多少和水在肉品中的存在形式直接關(guān)系到肉品的多汁性、嫩度、口感、風(fēng)味和色澤等食用品質(zhì)[4]，決定肉品的質(zhì)量和貨架期，是肉品加工貯藏中的重要衛(wèi)生、營(yíng)養(yǎng)指標(biāo)[5]。肉制品水分檢測(cè)的傳統(tǒng)方法一般是采用國(guó)家標(biāo)準(zhǔn)GB 5009.3—2010《食品安全國(guó)家標(biāo)準(zhǔn) 食品中水分的測(cè)定》[6]中的直接干燥法，但這種方法對(duì)樣品存在一定的破壞性，測(cè)定過(guò)程易受干燥器密封性和樣品冷卻時(shí)間等外界環(huán)境因素的影響，而且耗時(shí)耗力、操作繁瑣且效率低下，檢測(cè)時(shí)間多長(zhǎng)達(dá)7～8 h[7]。

近紅外光譜分析技術(shù)是近年來(lái)高速發(fā)展的一種用于實(shí)現(xiàn)肉類(lèi)標(biāo)準(zhǔn)化的先進(jìn)技術(shù)[8]，具有分析速度快、成本低、對(duì)樣品無(wú)破壞性、可以實(shí)現(xiàn)在線(xiàn)分析等諸多優(yōu)點(diǎn)[9]。如果將近紅外光譜分析技術(shù)應(yīng)用于肉類(lèi)的檢測(cè)，則可通過(guò)掃描未知樣品的近紅外光譜圖，再套用所建立的具體科學(xué)模型，即可得到其水分含量值，操作過(guò)程簡(jiǎn)便、短時(shí)、安全、無(wú)污染且對(duì)肉質(zhì)無(wú)損傷，進(jìn)而能夠節(jié)省大量的人力、物力和時(shí)間[10]，這對(duì)于推動(dòng)中餐標(biāo)準(zhǔn)化進(jìn)程，實(shí)現(xiàn)食品的工業(yè)化有著關(guān)鍵的意義。

目前，關(guān)于近紅外光譜技術(shù)在肉制品領(lǐng)域的應(yīng)用研究，國(guó)內(nèi)外學(xué)者取得了一定的研究成果，但大多是利用近紅外光譜分析生肉制品的營(yíng)養(yǎng)成分，例如，研究發(fā)現(xiàn)近紅外光譜可以實(shí)現(xiàn)對(duì)脂肪[11]、蛋白質(zhì)[12]、水分[13]、鹽含量[14]、氨基酸[15]和肌肉內(nèi)脂肪酸組成[16]等組分的定量分析，此外，近紅外光譜還可以對(duì)生肉的物理特性，包括pH值、顏色特性、系水力和剪切力等指標(biāo)進(jìn)行評(píng)價(jià)[17]，還可以間接對(duì)肉的顏色、大理石紋、氣味、多汁性、嫩度和新鮮度等感官指標(biāo)進(jìn)行評(píng)價(jià)分析[18]。此外，Prevolnik等[19]分析闡述了近紅外光譜在生肉制品化學(xué)組分和品質(zhì)檢測(cè)方面的應(yīng)用，研究表明，近紅外光譜在肉制品品質(zhì)檢測(cè)方面能夠替代昂貴且耗時(shí)的化學(xué)檢測(cè)方法，但其檢測(cè)精度受其數(shù)學(xué)建模模型的限制，因此良好的模型對(duì)于其化學(xué)值的預(yù)測(cè)至關(guān)重要。

目前，國(guó)內(nèi)外的近紅外光譜技術(shù)研究主要集中在對(duì)畜禽[20]、海鮮[21]或其生肉制品[22]的檢測(cè)，在熟肉制品的水分含量檢測(cè)方面研究極少。此外，由于中式傳統(tǒng)菜肴復(fù)雜多變的特點(diǎn)，使得其肉類(lèi)主料的水分含量測(cè)定具有相當(dāng)大的難度，國(guó)內(nèi)外文獻(xiàn)中幾乎沒(méi)有利用近紅外光譜測(cè)定中式烹飪?nèi)忸?lèi)主料中水分含量的相關(guān)報(bào)道。本研究應(yīng)用傅里葉變換近紅外光譜分析技術(shù)建立中式“爆炒”豬肉中水分含量的快速無(wú)損檢測(cè)方法，以期為中式菜肴類(lèi)食品品質(zhì)檢測(cè)提供新途徑，為實(shí)際生產(chǎn)中的快速檢測(cè)提供理論依據(jù)。

1 材料與方法

1.1 材料與試劑

新鮮豬里脊肉 哈爾濱家樂(lè)福超市；大豆油 九三糧油工業(yè)集團(tuán)有限公司；料酒 湖州老恒和釀造有限公司；碘鹽 中國(guó)鹽業(yè)總公司。

1.2 儀器與設(shè)備

電子天平 沈陽(yáng)天平儀器有限公司；Antaris傅里葉變換近紅外分析儀 美國(guó)塞默飛世爾科技有限公司；DHG/50Hz鼓風(fēng)干燥箱 上海一恒科學(xué)儀器有限公司；YZ-1531多功能油炸鍋 廣東友田家用電器有限公司。

1.3 方法

1.3.1 肉片處理工藝

爆炒豬肉片的加熱工藝流程如圖1所示。

操作要點(diǎn)：1）為了嚴(yán)格控制爆炒溫度，采用可控溫的油炸鍋進(jìn)行爆炒處理，首先將溫度調(diào)節(jié)至所需溫度（150～190 ℃），再將切片的豬里脊肉放置其中并快速翻炒；2）爆炒結(jié)束后，在室溫下靜置10 min冷卻，瀝干油分，并用濾紙吸干肉片表面多余油脂。

1.3.2 水分含量測(cè)定

參照GB 5009.3—2010[6]，采用恒溫干燥法進(jìn)行測(cè)定。稱(chēng)取4 g爆炒豬肉片樣品于恒溫干燥箱內(nèi)，105 ℃干燥，直到樣品的質(zhì)量不再發(fā)生變化為止（干燥前后質(zhì)量差小于2 mg），稱(chēng)取樣品質(zhì)量。按照下式計(jì)算樣品的水分含量，每組樣品重復(fù)測(cè)定3 次。

1.3.3 光譜采集、建模及模型評(píng)價(jià)

1.3.3.1 光譜采集

采用配置積分球采樣系統(tǒng)的Antaris傅里葉變換近紅外分析儀進(jìn)行樣品測(cè)定。分別于150、160、170、180、190 ℃條件下按上述爆炒基本制作工藝處理肉片，冷卻后將肉樣均勻平鋪于紅外光譜儀的掃描皿上，保證肉片完全覆蓋掃描皿中間部分。采用積分球采樣系統(tǒng)采集樣品光譜。光譜采集條件：波數(shù)范圍4 000～9 000 cm-1，掃描次數(shù)64 次。每個(gè)溫度梯度測(cè)量20 組樣品，共測(cè)量100 組樣品，每組樣品進(jìn)行3 次平均光譜處理。

1.3.3.2 建模

使用TQ Analyst軟件進(jìn)行光譜分析，采用偏最小二乘法（partial least squares，PLS）進(jìn)行建模，即在一個(gè)算法下可以同時(shí)實(shí)現(xiàn)回歸建模（多元線(xiàn)性回歸）、數(shù)據(jù)結(jié)構(gòu)簡(jiǎn)化（主成分分析）以及2 組變量之間的相關(guān)性分析（典型相關(guān)分析），是一種多因變量對(duì)多自變量的回歸建模方法。

1.3.3.3 模型評(píng)價(jià)

選用最佳的預(yù)處理方法和優(yōu)化的光譜區(qū)間建立PLS模型，用驗(yàn)證集樣品對(duì)最終模型進(jìn)行外部驗(yàn)證，并以校正相關(guān)系數(shù)（Rc）、驗(yàn)證相關(guān)系數(shù)（Rv）、校正均方根誤差（root mean square error of calibration，RMSEC）和預(yù)測(cè)均方根誤差（root-mean-squares error of prediction，RMSEP）值作為模型性能的評(píng)價(jià)指標(biāo)。

1.3.4 數(shù)據(jù)分析方法

由于樣品基質(zhì)和其他化學(xué)成分的干擾，很難直接從一張近紅外光譜圖中找到某種化學(xué)成分的特征吸收帶，因此需要預(yù)先測(cè)得水分含量，再在樣品的近紅外光譜信息與其水分含量之間建立經(jīng)驗(yàn)性的數(shù)學(xué)關(guān)系。

1.3.4.1 校正集和驗(yàn)證集的劃分

將所有的樣品劃分為校正集和驗(yàn)證集。樣品集的劃分采用KS（Kennard-Stone）法，KS方法是基于光譜變量的選擇方法，將樣品劃分為校正集和驗(yàn)證集。根據(jù)約4∶1的比列將樣品劃分為80 個(gè)校正集和20 個(gè)驗(yàn)證集。

1.3.4.2 光譜預(yù)處理

光譜采集過(guò)程中，由于受樣品狀態(tài)、光散射、儀器狀態(tài)等因素的影響，導(dǎo)致近紅外光譜基線(xiàn)漂移等現(xiàn)象。因此，在建立PLS模型前進(jìn)行光譜預(yù)處理尤為重要。本研究采用卷積平滑（Savitzky-Golay，S-G）、N-D（norris derivative）平滑、多元散射校正（multiplicative scatter correction，MSC）、標(biāo)準(zhǔn)正態(tài)變量（standard normal variable，SNV）變換以及一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、對(duì)數(shù)化分別對(duì)原始光譜進(jìn)行預(yù)處理，并建立PLS模型。

1.3.4.3 光譜異常樣本的剔除

采用TQ Analyst v6軟件提供的馬氏距離相似性判別計(jì)算其光譜到每個(gè)類(lèi)別中心點(diǎn)的距離，判別樣品類(lèi)別的匹配程度，采用杠桿值與學(xué)生殘差t檢驗(yàn)和內(nèi)部交互驗(yàn)證均方根誤差（root mean square error by cross validation，RMSECV）剔除異常樣本，并采用基于Dixon準(zhǔn)則或Chauvenet準(zhǔn)則的Spectra Outlier功能對(duì)存在光譜數(shù)據(jù)誤差的異常樣品進(jìn)行剔除。

2 結(jié)果與分析

2.1 不同光譜預(yù)處理方式對(duì)模型構(gòu)建的影響

近紅外光譜主要由被測(cè)物的近紅外光譜特征主導(dǎo)，包含噪聲等各種外在因素的干擾與影響。同時(shí)，無(wú)論人為操作多么精確，還是無(wú)法避免一些客觀(guān)因素產(chǎn)生的系統(tǒng)誤差影響近紅外光譜定量分析模型的信息，例如，由于樣品不均勻?qū)е聵悠返墓庾V和組分含量標(biāo)準(zhǔn)值沒(méi)有真正對(duì)應(yīng)；由于含量和其他性質(zhì)的分布不均勻，導(dǎo)致難以精確計(jì)算光譜信息與組分含量值之間的相關(guān)關(guān)系；由于光譜采集方式不恰當(dāng)、光譜噪音太大和人為誤差造成光譜質(zhì)量下降或引入誤差；由于光譜范圍的選擇不正確、樣品被污染，受到其他組分的干擾等而產(chǎn)生誤差，因此在建模前要對(duì)原始光譜進(jìn)行預(yù)處理，進(jìn)而不斷優(yōu)化所建立的模型[23]。

2.1.1 原始光譜采集與處理

當(dāng)肉片中的分子受到近紅外光線(xiàn)的照射時(shí)，其中的含氫基團(tuán)通過(guò)不斷的振動(dòng)將近紅外光的部分能量吸收，吸收帶的波長(zhǎng)、位置和強(qiáng)度可以反映出分子結(jié)構(gòu)的特點(diǎn)。

由圖2可知，爆炒豬肉片的近紅外原始光譜在5 000、6 000、7 000 cm-1附近產(chǎn)生了幾次波峰，這些是明顯的光譜吸收峰，光譜在4 100 cm-1時(shí)產(chǎn)生的噪音比較大，在10 000 cm-1時(shí)趨近平穩(wěn)，但譜圖整體的走勢(shì)大抵一致，說(shuō)明在原始近紅外光譜中無(wú)偏離較遠(yuǎn)的異常光譜出現(xiàn)。

2.1.2 近紅外3D主成分投影圖處理對(duì)模型構(gòu)建的影響

近紅外投射光譜3D主成分投影圖的主要目的是實(shí)現(xiàn)數(shù)據(jù)降維，以消除眾多信息中相互重疊的部分，其方法是將原來(lái)的變量進(jìn)行轉(zhuǎn)換，使數(shù)目較少的新變量成為原變量的線(xiàn)性組合，新變量應(yīng)該最大限度地保留原變量的數(shù)據(jù)結(jié)構(gòu)特征，且不丟失信息。

由圖3可知，多數(shù)主成分投影點(diǎn)的分布比較集中，而部分點(diǎn)在載荷向量平面的分布較為分散，主成分距離較大，這可能是由于實(shí)驗(yàn)中含水量測(cè)定時(shí)的人為誤差和實(shí)驗(yàn)材料本身的差異性，將異常樣本剔除，并重新建模。

RMSEC為主成分選擇的主要依據(jù)，此數(shù)值越小表示模型誤差越??；而r表示線(xiàn)性相關(guān)系數(shù)，此數(shù)值越大表示正相關(guān)性越大。由表1可知，剔除分散的光譜點(diǎn)后，RMSEC值由0.125降至0.113，誤差變小，而r由0.945 9升高至0.955 7，說(shuō)明剔除后可以?xún)?yōu)化模型。

2.1.3 不同光譜預(yù)處理方式結(jié)合對(duì)模型構(gòu)建的影響

在近紅外光譜分析技術(shù)中，對(duì)于不同化學(xué)計(jì)量學(xué)方法的使用是必要的，不同的近紅外光譜預(yù)處理方法和不同的變量選取方法是整個(gè)近紅外光譜分析過(guò)程的基礎(chǔ)，采用不同的預(yù)處理方法可以有效剔除一些在原始光譜中不易察覺(jué)的異常樣本，對(duì)于建立預(yù)測(cè)能力強(qiáng)、穩(wěn)健性好的模型起到至關(guān)重要的決定性作用[24]。

平滑處理可以消除高頻隨機(jī)誤差，提高信噪比，平滑算法是針對(duì)“窗口”內(nèi)的每個(gè)點(diǎn)進(jìn)行取平均或擬合，從而進(jìn)一步求得平滑點(diǎn)數(shù)的最佳估計(jì)值，使圖譜光滑，減少尖銳不平的凸起點(diǎn)，更好地體現(xiàn)光譜有效信息[25]。

由表2可知，當(dāng)圖像只有平滑處理時(shí)，RMSEC值為

0.111 0，r為0.954 3，相較于原始光譜RMSEC值減小，誤差減小，r減小，說(shuō)明單純進(jìn)行平滑處理并不能更好地優(yōu)化模型，還需進(jìn)一步做其他光譜預(yù)處理。

原始光譜進(jìn)行求導(dǎo)變換后，所得的導(dǎo)數(shù)光譜的分辨率比原始光譜高，其光譜輪廓變換的清晰度也有一定程度的提高，其原因主要在于消除了基線(xiàn)漂移、背景干擾并忽略了譜線(xiàn)重疊，其中一階微分能去掉和波長(zhǎng)沒(méi)有關(guān)系的漂移，二階微分能去掉和波長(zhǎng)有關(guān)系的漂移[26]。相較于原始光譜，進(jìn)行一階導(dǎo)數(shù)處理后，RMSEC值減小，r增加；進(jìn)行二階導(dǎo)數(shù)處理后，RMSEC值減小，r值增加，但二階導(dǎo)數(shù)處理與一階導(dǎo)數(shù)相比，模型RMSEC值沒(méi)有變化，而r反而減小，這可能是由于經(jīng)過(guò)二階導(dǎo)數(shù)后噪音擴(kuò)大，導(dǎo)致模型過(guò)度擬合，因此還需進(jìn)一步做其他光譜預(yù)處理。

當(dāng)一階導(dǎo)數(shù)、二階導(dǎo)數(shù)分別與平滑處理相結(jié)合時(shí)發(fā)現(xiàn)，2 種結(jié)合方式均可以進(jìn)一步優(yōu)化模型，但是一階導(dǎo)數(shù)結(jié)合平滑處理的效果更好。

S-G算法是一種利用S-G函數(shù)對(duì)光譜進(jìn)行多點(diǎn)處理的算法，其主要思想是利用多項(xiàng)式來(lái)對(duì)數(shù)據(jù)進(jìn)行擬合，對(duì)于擬合函數(shù)，選擇經(jīng)典的PLS法，然后對(duì)于所得的擬合系數(shù)加以處理，其本質(zhì)上仍是一種加權(quán)平均，更強(qiáng)調(diào)中心點(diǎn)的作用，S-G處理通常與其他預(yù)處理方式結(jié)合使用[27]。將一階導(dǎo)數(shù)和二階導(dǎo)數(shù)分別與SG處理相結(jié)合后發(fā)現(xiàn)，2 種結(jié)合方式均可以進(jìn)一步優(yōu)化模型，但是二階導(dǎo)數(shù)結(jié)合SG處理后模型RMESC值為0.099 5，r為0.963 4，誤差最小，平行性進(jìn)一步加強(qiáng)。綜上所述，二階導(dǎo)數(shù)結(jié)合SG處理為最優(yōu)光譜預(yù)處理方式。

2.1.4 拐點(diǎn)法篩選模型主因子數(shù)

恰當(dāng)?shù)闹饕蜃訑?shù)選取可以提高模型的實(shí)際預(yù)測(cè)能力，如果因子數(shù)低于恰當(dāng)值，則不能充分表達(dá)全部樣品信息；如果因子數(shù)高于恰當(dāng)值，則會(huì)由于不必要信息的增加而增添噪聲，進(jìn)而導(dǎo)致模型實(shí)際預(yù)測(cè)能力下降。因此，恰當(dāng)?shù)闹饕蜃訑?shù)是良好模型建立的必要條件[28]。

通常當(dāng)主因子數(shù)改變時(shí)，可以通過(guò)RMSECV的下降程度來(lái)判斷主成分對(duì)模型的貢獻(xiàn)，例如，當(dāng)RMSECV下降速率越快時(shí)，說(shuō)明這一主成分對(duì)模型實(shí)際預(yù)測(cè)能力的意義很大；而當(dāng)其上升或下降趨勢(shì)很緩慢時(shí)，主成分預(yù)測(cè)能力意義不大，此時(shí)的主因子數(shù)可予以舍棄。

由圖4可知：隨著主因子數(shù)從0增加至3，RMSECV大幅度下降；當(dāng)主因子數(shù)大于3之后，隨著主因子數(shù)的增加，RMSECV的變化不大，且當(dāng)模型的主因子數(shù)設(shè)置為3～10時(shí)，此時(shí)模型的RMSECV值也幾乎不再變化，因此將此拐點(diǎn)對(duì)應(yīng)的主因子數(shù)3作為模型的主因子數(shù)。

2.2 異常樣本的剔除

近紅外光譜包含噪聲等各種外在因素的干擾與影響，且無(wú)論人為操作多么精確，還是無(wú)法避免一些客觀(guān)因素的產(chǎn)生，從而影響建模的信息，例如，肉樣本身的散射或漫反射以及儀器本身產(chǎn)生的噪音，導(dǎo)致圖譜不連續(xù)、噪聲過(guò)大等一系列影響模型構(gòu)建的問(wèn)題產(chǎn)生，因此在建模后要對(duì)原始光譜模型進(jìn)行進(jìn)一步處理，進(jìn)而不斷優(yōu)化建立的模型。

通過(guò)對(duì)原始光譜模型的處理可以篩選剔除掉一些人為因素造成的錯(cuò)誤或誤差，而實(shí)際上無(wú)論實(shí)驗(yàn)設(shè)計(jì)多么合理詳細(xì)，實(shí)驗(yàn)操作多么精細(xì)考究，依然會(huì)存在著難以避免的系統(tǒng)誤差，進(jìn)而影響模型的構(gòu)建，因此還需要通過(guò)多種手段剔除異常樣本，進(jìn)一步優(yōu)化處理模型。

2.2.1 馬氏距離排序剔除

馬氏距離由印度學(xué)家馬哈拉諾比斯提出，表示2 個(gè)數(shù)據(jù)之間的協(xié)方差距離，它是一種高效的得知兩樣本間相似度的方法[14]。換言之，從馬氏距離分析圖上可以得知相距距離最遠(yuǎn)的點(diǎn)，即相似度最低的點(diǎn)，剔除此點(diǎn)，可增加數(shù)據(jù)的平行性與模型的精確性。

由圖5可知，根據(jù)馬氏距離法的計(jì)算原則，異常樣本與其他樣本的平行性最低，差異最大，故它的數(shù)值越大，圖中最右側(cè)線(xiàn)的馬氏距離最大，因此將此樣本剔除。

2.2.2 杠桿值與學(xué)生殘差t檢驗(yàn)剔除

由表3可知，將上述3 個(gè)異常樣本全部剔除后，模型的RMSEC值減小，誤差降低，r增大，表明全部剔除3 個(gè)異常樣本有利于模型的優(yōu)化構(gòu)建。但是全部剔除3 個(gè)異常樣本也有可能將非異常樣品當(dāng)做異常樣品剔除掉，因此在建模過(guò)程中，為避免發(fā)生這樣的錯(cuò)誤，需要對(duì)被判定為異常的樣品進(jìn)行逐一回收，根據(jù)回收后的模型性能確定樣品的去留，這樣在很大程度上避免了異常樣品的誤判，使最終的模型保留了更多的樣品，從而更加穩(wěn)定和具有代表性。

當(dāng)回收52號(hào)樣本時(shí)，與對(duì)照組相比，RMSEC值增大，誤差增大，r減小，相關(guān)性減弱，說(shuō)明52號(hào)樣本不但會(huì)導(dǎo)致誤差增大，也會(huì)使相關(guān)性降低，因此應(yīng)予以剔除；當(dāng)回收53號(hào)樣本時(shí)，與對(duì)照組相比，RMSEC值增加，r降低，因此予以剔除；當(dāng)回收62號(hào)樣本時(shí)，與對(duì)照組相比，RESEC值減小，r增大，與全部剔除組相比，RESEC值增加至0.098 6，誤差增大，r由0.965 3增大到0.965 7，相關(guān)性增強(qiáng)，說(shuō)明62號(hào)樣本存在時(shí)，雖然誤差會(huì)略微增大，但是相關(guān)性增強(qiáng)，在本研究中具有一定的存在意義，應(yīng)考慮保留。

2.2.3 RMSECV剔除

RMSECV法為每次從所有樣本中隨機(jī)取1 個(gè)樣本，用余下的樣本建立模型后再驗(yàn)證取出的樣本，之后重復(fù)上述步驟，直到所有的樣本都被取出來(lái)為止[30]。

由圖9可知，RMSEC=0.089 1，r=0.972 1，主因子數(shù)為3。經(jīng)過(guò)RMSECV法剔除異常樣本后模型的相關(guān)系數(shù)由原來(lái)的0.965 7增加至0.972 1，RMSEC值則由原來(lái)的0.098 6降低至0.089 1，說(shuō)明RMSECV法剔除異常樣本能夠優(yōu)化模型，使其誤差減小，r增加。

2.3 模型實(shí)際預(yù)測(cè)能力檢驗(yàn)

在100 個(gè)樣本中選取80 個(gè)樣本作為校正集，選取20 個(gè)樣本作為驗(yàn)證集，并計(jì)算其與預(yù)測(cè)集之間的相互關(guān)系。RMSEP作為評(píng)價(jià)模型預(yù)測(cè)能力的關(guān)鍵參數(shù)，其值越小，表明和實(shí)測(cè)值越接近，模型的預(yù)測(cè)能力越強(qiáng)[31]。

由圖10可知，預(yù)測(cè)集分布在校正集和驗(yàn)證集分布的范圍內(nèi)，模型RMSEC值為0.108 0，r為0.956 0；RMSEP值為0.262 0，r為0.974 2；主因子數(shù)為3。

此外，隨機(jī)選取10 個(gè)肉樣由直接干燥法測(cè)定其水分含量（真實(shí)值），并與前文構(gòu)建的近紅外光譜模型預(yù)測(cè)得到的水分含量（預(yù)測(cè)值）進(jìn)行比較。由表4可知，預(yù)測(cè)值與真實(shí)值相比，預(yù)測(cè)結(jié)果誤差率≤1.3%，即正確率大于98.7%（P<0.05）。說(shuō)明本研究建立的用于檢測(cè)中式爆炒肉片中水分含量的模型能夠快速檢測(cè)并預(yù)測(cè)其水分含量，表明本研究建立的用于檢測(cè)中式爆炒肉片中水分含量的模型效果良好，能夠快速檢測(cè)并準(zhǔn)確預(yù)測(cè)中式爆炒肉片的水分含量，具有一定的應(yīng)用價(jià)值。

3 結(jié) 論

選取中式“爆炒”豬肉片作為樣本集與校正集，采用近紅外光譜儀結(jié)合直接干燥法，在4 100～10 000 cm-1

波數(shù)內(nèi)采集肉片樣品的近紅外光譜，并立即測(cè)定其水分含量，采用PLS法建立水分含量測(cè)定的近紅外光譜預(yù)測(cè)模型。模型經(jīng)過(guò)光譜預(yù)處理、主因子數(shù)篩選及異常樣本剔除后能夠?qū)崿F(xiàn)對(duì)水分含量的預(yù)測(cè)，避免了直接干燥法耗時(shí)耗力的處理過(guò)程及原料的浪費(fèi)。同時(shí)，經(jīng)過(guò)校正集和外部預(yù)測(cè)集驗(yàn)證，所構(gòu)建的檢測(cè)中式爆炒肉片中水分含量模型的RMSEC值為0.089 1，r為0.972 1，預(yù)測(cè)結(jié)果正確率大于98.7%（P<0.05），能夠?qū)崿F(xiàn)對(duì)中式爆炒豬肉片中水分含量的準(zhǔn)確預(yù)測(cè)，達(dá)到快速無(wú)損檢測(cè)的目的。

參考文獻(xiàn)：

[1] 崔俊， 鄧力， 汪孝， 等. 油炒烹飪中食品體系吸熱功率研究[J]. 食品工業(yè)， 2017， 39（7）： 182-187.

[2] 崔俊， 余冰妍. 基于CFD的涮爆烹飪過(guò)程模擬及試驗(yàn)驗(yàn)證[J]. 食品安全導(dǎo)刊， 2018， 12（4）： 144-146. DOI：10.16043/j.cnki.cfs.2018.12.105.

[3] 汪孝， 鄧力， 李雙艷， 等. 油炒溫度對(duì)豬肉水分的影響[J]. 食品科技， 2017， 39（7）： 128-133. DOI：10.13684/j.cnki.spkj.2017.07.023.

[4] 劉家忠， 王希彪. 雞肉可榨出水分測(cè)定條件的初步探討[J]. 肉類(lèi)研究， 1991， 5（2）： 30-32.

[5] GUPTA A， SHETH M. Chemical stability of cottonseed and groundnut oil used for frying bhajias and its sensory qualities[J]. Journal of Microbiology Biotechnology and Food Sciences， 2015， 4（3）： 198-202. DOI：10.15414/jmbfs.2014-15.4.3.198-202.

[6] 中華人民共和國(guó)國(guó)家衛(wèi)生和計(jì)劃生育委員會(huì). 食品安全國(guó)家標(biāo)準(zhǔn) 食品中水分的測(cè)定： GB 5009.3—2010[S]. 北京： 中國(guó)標(biāo)準(zhǔn)出版社， 2010： 1-2.

[7] 曹小華， 李小鑾， 劉娟花， 等. 肉骨粉常規(guī)營(yíng)養(yǎng)成分近紅外模型的建立及驗(yàn)證[J]. 糧食與飼料工業(yè)， 2017， 12（3）： 51-54.

[8] MARCHI M D， MANUELIAN C L， SOFIA T， et al. Prediction of sodium content in commercial processed meat products using near infrared spectroscopy[J]. Meat Science， 2017， 125（3）： 61-65. DOI：10.1016/j.meatsci.2016.11.014.

[9] WANG Jianxu， FAN Lifeng， WANG Haihua， et al. Determination of the moisture content of fresh meat using visible and near-infrared spatially resolved reflectance spectroscopy[J]. Biosystems Engineering， 2017， 162（10）： 40-56. DOI：10.1016/j.biosystemseng.2017.07.004.

[10] ALAMPRESE C， AMIGO J M， ERNESTINA C， et al. Identification and quantification of turkey meat adulteration in fresh， frozen-thawed and cooked minced beef by FT-NIR spectroscopy and chemometrics[J]. Meat Science， 2016， 121（11）： 175-181. DOI：10.1016/j.meatsci.2016.06.018.

[11] 代啟虎， 馬晨晨， 李冉. 近紅外光譜分析技術(shù)在食品脂肪含量測(cè)定上的應(yīng)用[J]. 廣東化工， 2017， 44（2）： 58-59.

[12] 楊福臣， 孫兆遠(yuǎn)， 孫芝楊. 乳粉中蛋白質(zhì)和脂肪近紅外測(cè)定模型研究[J]. 食品研究與開(kāi)發(fā)， 2017（2）： 169-173. DOI：10.3969/j.issn.1005-6521.2017.02.038.

[13] 王會(huì)， 盧雅婷. 近紅外水分測(cè)定儀的發(fā)展及在食品水分檢測(cè)中的應(yīng)用[J]. 農(nóng)業(yè)工程， 2016， 6（1）： 58-61.

[14] MARCHI M D， MANUELIAN C L， TON S， et al. Prediction of sodium content in commercial processed meat products using near infrared spectroscopy[J]. Meat Science， 2016， 125： 61-65. DOI：10.1016/j.meatsci.2016.11.014.

[15] HELL J， PR?CKLER M， DANNER L， et al. A comparison between near-infrared （NIR） and mid-infrared （ATR-FTIR） spectroscopy for the multivariate determination of compositional properties in wheat bran samples[J]. Food Control， 2016， 60（5）： 365-369. DOI：10.1016/j.foodcont.2015.08.003.

[16] RIOVANTO R， DE MARCHI M， CASSANDRO M， et al. Use of near infrared transmittance spectroscopy to predict fatty acid composition of chicken meat[J]. Food Chemistry， 2012， 134（4）： 2459-2464. DOI：10.1016/j.foodchem.2012.04.038.

[17] PRIETO N， L?PEZCAMPOS O， AALHUS J L， et al. Use of near infrared spectroscopy for estimating meat chemical composition， quality traits and fatty acid content from cattle fed sunflower or flaxseed[J]. Meat Science， 2014， 98（2）： 279-288. DOI：10.1016/j.meatsci.2014.06.005.

[18] CEN Haiyan， HE Yong. Theory and application of near infrared reflectance spectroscopy in determination of food quality[J]. Trends in Food Science and Technology， 2007， 18（2）： 72-83. DOI：10.1016/j.tifs.2006.09.003.

[19] PREVOLNIK M， MARJETA C P， ?KORJANC D. Predicting pork water-holding capacity with NIR spectroscopy in relation to different reference methods[J]. Journal of Food Engineering， 2010， 98（3）：

347-352. DOI：10.1016/j.jfoodeng.2009.11.022.

[20] 蔣祎麗， 郝莉花， 張麗華， 等. 豬肉糜中摻雞肉的近紅外光譜快速定性判別方法研究[J]. 食品科技， 2014（11）： 319-322. DOI：10.13684/j.cnki.spkj.2014.11.068.

[21] 徐文杰， 劉茹， 洪響聲， 等. 基于近紅外光譜技術(shù)的淡水魚(yú)品種快速鑒別[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2014， 30（1）： 253-261.

[22] 花錦， 趙悠悠， 高媛惠， 等. 基于近紅外技術(shù)快速測(cè)定不同鮮肉中脂肪含量[J]. 光譜學(xué)與光譜分析， 2017， 37（11）： 3424-3429.

[23] 彭博， 涂斌， 陳志， 等. 運(yùn)用近紅外光譜技術(shù)快速測(cè)定植物食用油的過(guò)氧化值[J]. 武漢輕工大學(xué)學(xué)報(bào)， 2016， 35（1）： 13-16.

[24] 王輝， 田寒友， 張順亮， 等. 基于中波近紅外光譜定量分析生鮮牛肉膽固醇[J]. 食品科學(xué)， 2016， 37（24）： 185-189. DOI：10.7506/

spkx1002-6630-201624029.

[25] 潘磊慶， 劉明， 韓東海， 等. 水蜜桃貨架期內(nèi)糖度的近紅外光譜檢測(cè)[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2013， 36（4）： 116-120.

[26] 馬毅， 汪西原， 雍慧. 小波變換去噪應(yīng)用于鮮棗糖度近紅外光譜檢測(cè)的研究[J]. 計(jì)算機(jī)與應(yīng)用化學(xué)， 2011， 28（3）： 303-306. DOI：10.16866/j.com.app.chem2011.03.012.

[27] 朱紅艷， 邵詠妮， 蔣璐璐， 等. 浸入式可見(jiàn)/近紅外光譜技術(shù)的藻種鑒別研究[J]. 光譜學(xué)與光譜分析， 2016， 36（1）： 75-79.

[28] 王輝， 田寒友， 張順亮， 等. 便攜式中波近紅外光譜儀在線(xiàn)無(wú)損檢測(cè)生鮮豬肉膽固醇[J]. 光譜學(xué)與光譜分析， 2017， 37（6）： 1759-1764.

[29] 梁秀英， 李小昱， 楊萬(wàn)能. 奇異數(shù)據(jù)篩選法在玉米籽粒蛋白質(zhì)近紅外光譜檢測(cè)中的應(yīng)用[J]. 激光生物學(xué)報(bào)， 2015， 24（1）： 38-45.

[30] 曹江娜， 張俊， 陸勝民. 基于近紅外光譜技術(shù)的柑橘罐頭品質(zhì)測(cè)定方法的研究[J]. 食品工業(yè)科技， 2016， 37（4）： 68-72. DOI：10.13386/j.issn1002-0306.2016.04.004.

[31] 湯其坤， 王鈺， 吳躍進(jìn)， 等. 近紅外光譜法直接檢測(cè)甜葉菊葉片甜菊糖苷模型建立[J]. 光譜學(xué)與光譜分析， 2014， 34（10）： 2719-2722.