蔣圣啟,何鴻舉,2,*,王 慧,馬漢軍,2,陳復生,劉 璽, 賈方方,康壯麗,潘潤淑,朱明明,趙圣明,王正榮

(1.河南科技學院食品學院，河南新鄉(xiāng) 453003； 2.河南科技學院博士后研發(fā)基地，河南新鄉(xiāng) 453003； 3.河南工業(yè)大學糧油食品學院，河南鄭州 450001； 4.商丘師范學院生物與食品學院，河南商丘 476000)

雞肉作為一種老少皆宜的肉類食品,因低脂肪、低膽固醇、高蛋白質(zhì)、易被消化等優(yōu)點,深受廣大消費者的青睞[1-3]。冷鮮雞肉由于安全性高、品質(zhì)好,消費量已占生鮮肉比重的30%左右。在我國大中型城市,冷鮮雞肉已逐漸占據(jù)雞肉消費市場,其品質(zhì)越來越受關(guān)注。其中色澤和嫩度常被消費者用于雞肉品質(zhì)的直觀評價。雞肉的色澤主要是由肌肉中肌紅蛋白、血紅蛋白和細胞色素的含量所決定,新鮮雞肉色澤鮮艷呈淡紅色、有光澤且彈性好[6-8]。雞肉的嫩度反映雞肉的質(zhì)地特性,對食用口感起決定性作用。目前雞肉色澤主要利用色差儀測定,嫩度主要使用質(zhì)構(gòu)儀測定,方法雖快速、簡便、精確,但需接觸甚至破壞樣品、不能實現(xiàn)大批量在線測定。

高光譜成像技術(shù)(Hyperspectral imaging,HSI)近年來在食品方面的研究應(yīng)用備受關(guān)注。該技術(shù)興起于20世紀80年代,是基于非常多窄波段的影像數(shù)據(jù)技術(shù),也是一種新興的無損檢測技術(shù)。其基本原理為當光源打在物體表面時,其反射出來的光會直接進入到光譜系統(tǒng)中,并經(jīng)過一系列的信號轉(zhuǎn)化,將光信號轉(zhuǎn)化成電信號,最后轉(zhuǎn)化成數(shù)字信號,并通過計算機顯示出來。相比傳統(tǒng)的光譜技術(shù),HSI技術(shù)具有更高的光譜分辨率,通常精度可達2～3 nm,能充分反應(yīng)光譜信息的細微變化,并可提供更多與試驗樣品相關(guān)的信息[9]。目前,HSI技術(shù)在雞肉品質(zhì)的無損檢測研究方面已有報道,如Jia等[10]采用400～900 nm波段HSI快速預測新鮮雞肉pH,經(jīng)光譜數(shù)據(jù)分析,雞肉pH的預測相關(guān)系數(shù)為0.85;Xiong等[11]也用相同波段的HSI技術(shù)對雞肉彈性進行了預測研究,預測相關(guān)系數(shù)為0.84。此外,采用HSI技術(shù)對雞肉水分[12]、揮發(fā)性鹽基氮[13]、硫代巴比妥酸[14]、氫脯氨酸[15]以及微生物如腸桿菌科、菌落總數(shù)[16]等方面的研究也取得了較好的效果。然而,目前使用近紅外高光譜技術(shù)對雞肉嫩度和色澤進行無接觸檢測的相關(guān)報道較少,故本試驗嘗試采用近紅外波段HSI技術(shù)對不同儲藏期的雞肉色澤和嫩度進行快速預測研究,旨在為在線、批量、快速、無接觸檢測雞肉品質(zhì)提供方法參考與數(shù)據(jù)支撐。

1 材料與方法

1.1 材料與儀器

冷鮮雞胸肉 由河南眾品食業(yè)股份有限公司提供。

HSI-eNIR-XC130型推掃式高光譜成像系統(tǒng) 臺灣五鈴光電科技有限公司。主要部件包括:3900-ER光源 Illumination Technologies Inc,New York,USA;ImSpector V10E光譜儀 Spectral Imaging Ltd.,Oulu,Finland;CCD探測儀 DL-604 M,Andor,Ireland;OLE2鏡頭 Schneider,German;IRCP0076-1COMB移動平臺 Isuzu Optics Corp,Taiwan,China;數(shù)據(jù)采集軟件 Spectral Image software,Isuzu Optics Corp,Taiwan,China;The Unscrambler 9.7建模軟件 挪威CAMO公司;Matlab程序開發(fā)軟件包 The Mathworks,Inc.,Natick,MA,USA;C-LM4型數(shù)顯式肌肉嫩度儀 東北農(nóng)業(yè)大學工程學院;BCD-368WPC美菱冰箱 中國美菱公司;CR-400便攜式色差儀 日本美能達公司。

1.2 試驗方法

1.2.1 樣品預處理 試驗肉樣準備:將新鮮的雞胸肉(長度(17.0±1.5) cm,寬度(10.0±1.5) cm)置于冷藏箱內(nèi),運至河南科技學院肉品加工與質(zhì)量控制實驗室,在超凈工作臺中剔筋、除膜、除去脂肪,將其中部分整塊樣品分割成3.0 cm(長度)×3.0 cm(寬度)×1.0 cm(厚度)試驗樣品[17],用于雞肉色澤試驗,共獲得217塊樣品;剩下的樣品被分割成3.0 cm(長度)×1.5 cm(寬度)×1.0 cm(厚度)的試驗樣品,用于雞肉嫩度的試驗,共獲得132塊樣品。然后將所有試驗樣品分裝于一次性帶蓋包裝盒,標記,置于0～4 ℃條件下連續(xù)儲藏7 d,每天取出若干樣本,用于獲取高光譜信息及參數(shù)測定。

1.2.2 高光譜數(shù)據(jù)采集 每次試驗前,從0～4 ℃冰箱內(nèi)隨機取出若干待測樣品,待其恢復至室溫,同時將高光譜成像系統(tǒng)提前30 min打開預熱,待光源穩(wěn)定之后進行掃描,設(shè)置高光譜系統(tǒng)參數(shù)為:掃描速度6.54 mm/s,曝光時間4.65 ms,檢測波長范圍為900～1700 nm。為降低系統(tǒng)暗電流和室內(nèi)照明對樣品信息采集過程中所帶來的影響,需對原始圖像進行校正,如式(1)所示:

式(1)

其中:IC-校正后的圖像;IR-原始高光譜圖像;IB-黑板圖像,其反射率為0%;IW-白板圖像,其反射率為99.9%。

1.2.3 色澤和嫩度的測定 高光譜圖像采集完畢,立即測定肉樣色澤和嫩度,采用CR-400便攜式色差儀測定雞肉色澤參數(shù)L*、a*和b*值,具體步驟參考刁雪洋等[18]的研究。采用C-LM4型數(shù)顯式肌肉嫩度儀測定嫩度。

1.2.4 光譜提取及預處理 為了減小誤差,綜合反映樣品的均體特征,本試驗選取高光譜圖像內(nèi)的整塊雞肉樣品作為感興趣區(qū)域(Range of interests,ROI),通過高光譜成像系統(tǒng)的HSI Analyzer分析軟件,計算并提取ROI內(nèi)的平均光譜。由于儀器自身的噪聲以及外界環(huán)境的影響,采集的光譜中不僅包含了樣品光譜信息,還包含噪聲信號[19-20]。為了降低系統(tǒng)噪音和外界環(huán)境影響,本試驗利用中值濾波平滑(Median filter smoothing,MFS)、多元散射校正(multiplicative scatter correction,MSC)和標準正態(tài)變量校正(Standard normal variable correction,SNV)三種方法預處理原始光譜。MFS可以除去密集噪聲點對光譜信息的影響[21],MSC用于消除散射影響,提高光譜信噪比[22],SNV用于消除固體顆粒大小、表面散射以及光程變化對光譜的影響[23]。

1.2.5 模型的構(gòu)建及評價 偏最小二乘(Partial least squares,PLS)回歸是從應(yīng)用領(lǐng)域中提出的一種新型多元數(shù)據(jù)分析方法,通過最小化誤差的平方和找到一組數(shù)據(jù)的最佳函數(shù)匹配,用最簡單的方法求得一些絕對不可知的真值,而令誤差平方之和為最小。與傳統(tǒng)多元線性回歸(Multiple linear regression,MLR)模型相比,PLS能夠在自變量存在嚴重多重相關(guān)性的條件下進行回歸建模,允許在樣本點個數(shù)少于變量個數(shù)的條件下進行回歸建模,最終模型中將包含原有的所有自變量,更易于辨識系統(tǒng)信息與噪聲,每一個自變量的回歸系數(shù)將更容易解釋[24]。本試驗中將色澤參數(shù)和嫩度參考值作為因變量,將波長作為自變量,通過PLS回歸,建立雞肉中色澤和嫩度的預測模型。

PLS回歸模型性能通過以下參數(shù)評價:校正集相關(guān)系數(shù)(RC)、校正集誤差(Root mean square error of calibration,RMSEC)、內(nèi)部交叉驗證集相關(guān)系數(shù)(RCV)、內(nèi)部交叉驗證集均方根誤差(Root mean square error of cross validation,RMSECV)、外部預測集相關(guān)系數(shù)(RC)、外部預測集均方根誤差(Root mean square error of prediction,RMSEP)[25]。其中模型相關(guān)系數(shù)(R)越接近1,RMSEC、RMSECV、RMSEP越小,模型的預測性能越好[26]。

1.2.6 最優(yōu)波長的選擇與模型優(yōu)化 本試驗中獲得的全波段光譜共有486個波長,若采用全部波長作為建模的輸入變量,信息數(shù)據(jù)量將非常龐大,同時存在大量的冗余信息,因此要采用合適手段選取最優(yōu)波長區(qū)間或者波長,剔除無關(guān)信息,提取有用信息,減少數(shù)據(jù)計算量,以提高建模效率。本試驗采用逐步回歸法(Stepwise)篩選最優(yōu)波長。Stepwise是多元線性回歸法中選擇回歸變量的一種常用數(shù)學方法,即利用逐步回歸法按一定顯著水平篩選出統(tǒng)計檢驗顯著的波長,再進行多元線性回歸計算。逐步回歸法的具體篩選步驟參照Feng等[27]的研究。獲取最優(yōu)波長后,以最優(yōu)波長作為輸入變量,進行全波段PLS回歸模型(F-PLS)優(yōu)化,建立最優(yōu)波長PLS模型(O-PLS),以R和RMSE評價模型性能。當輸入變量個數(shù)小于樣本個數(shù)時,還可使用MLR建模[28]。經(jīng)Stepwise算法篩選獲取最優(yōu)波長后,以最優(yōu)波長作為輸入變量,構(gòu)建MLR模型,并對比O-PLS與MLR預測效果。Stepwise回歸操作在數(shù)學軟件MATLAB2016a中進行,模型構(gòu)建使用化學計量學軟件Unscrambler 9.7完成。

2 結(jié)果與分析

2.1 色澤和嫩度測定結(jié)果

試驗樣品的色澤(217個)和嫩度(132個)測定結(jié)果如表1所示。參照Wu等[17]研究方法,將所有色澤參數(shù)和嫩度測量值和依照從小到大排序,按每四個樣品中隨機取一個樣品(1/4)選入預測集,剩余樣品(3/4)選入校正集。

表1 校正集和預測集樣品色澤和嫩度測量結(jié)果統(tǒng)計Table 1 Results of measured chicken color and tenderness values in calibration set and prediction set

色澤參數(shù)L*、a*、b*及嫩度在不同的儲藏期變化如圖1所示。由圖1a可以看出,L*值隨著雞肉儲藏時間的增加,整體呈先上升后下降趨勢。由圖1b可以看出,a*值隨著雞肉儲藏時間的增加,整體呈下降趨勢。由圖1c可以看出,b*值隨著雞肉儲藏時間的增加,整體呈明顯上升趨勢。

圖1 樣品色澤和嫩度測定結(jié)果Fig.1 Test results of color and tenderness of samples 注:(a):L*值,(b):a*值,(c):b*值,(d):嫩度。

亮度前3 d先呈增大趨勢,主要是因為雞肉內(nèi)部水分滲出,附著于雞肉表面,對光的反射能力增強所致[29]。亮度在4～7 d下降是因為隨著儲藏時間的增加,微生物數(shù)量變多,雞肉產(chǎn)生乳黃色崩解產(chǎn)物造成黃度升高,亮度和紅度下降所致。肌紅蛋白被微生物分解破壞,導致其變性,也能使雞肉a*值下降。由圖1d可以看出,嫩度隨著雞肉儲藏時間的增加,呈上升趨勢。主要是因為隨著微貯藏時間的增加,肉中大塊蛋白明顯崩解,結(jié)構(gòu)蛋白軟化和消化,從而使嫩度增大[30]。

2.2 雞肉樣品光譜特征

通過近紅外高光譜成像系統(tǒng)軟件HSI Analyzer提取的217個雞肉樣品(用于色澤測量)和132個雞肉樣品(用于嫩度測量)的平均光譜特征分別如圖2、圖3所示。圖2a和圖3a是高光譜圖像校正后提取的原始光譜信息,圖2b和圖3b是MFS預處理的光譜信息,圖2c和圖3c是MSC預處理的光譜信息,圖2d和圖3d是SNV預處理的光譜信息。圖2～圖3顯示,所有樣品的光譜曲線高低位置不同,

圖2 用于色澤測量的雞肉樣品平均光譜Fig.2 Average spectral reflection curve of chicken samples for colour measurement注:(a)原始光譜,(b)MFS預處理光譜,(c)MSC預處理光譜,(d)SNV預處理光譜;圖3同。

圖3 用于嫩度測量的雞肉樣品平均光譜Fig.3 Average spectral reflection curve of chicken samples for tenderness measurement

這主要源于不同儲藏期雞肉的化學組分含量發(fā)生了變化,導致了光譜曲線主要的吸收波段發(fā)生改變。儲藏期間肌肉水分流失、組織結(jié)構(gòu)發(fā)生改變,使得雞肉光譜吸光值逐漸降低,也會使光譜曲線呈高低分布,但其總體趨勢一致[3]。

近紅外光譜出現(xiàn)吸收峰是源于雞肉化學組分中的各種基團(包括O-H、N-H和C-H)發(fā)生伸縮、振動、彎曲等運動[31]。吸收峰出現(xiàn)在980 nm(O-H的倍頻吸收帶)、1200 nm(O-H的合頻吸收帶)和1450 nm(O-H的倍頻吸收帶)處,源于雞肉中的水分吸收[32]。980、1200 nm處吸收較強,而1450 nm處的吸收峰很弱。由于雞肉水分含量太多(70%以上),掩蓋了肉品其他成分的光譜信息,導致蛋白質(zhì)和脂肪等成分的吸收峰不明顯。雖然光譜上沒有明顯的色澤和嫩度吸收峰,但是色澤和嫩度的變化與肉品化學組分相關(guān),可通過化學計量學手段挖掘光譜信息,尋找到特征光譜信息與色澤和嫩度之間的定量關(guān)系。

2.3 基于全波段光譜的PLS預測色澤及嫩度結(jié)果

前期的預試驗結(jié)果顯示,基于原始光譜信息構(gòu)建的PLS模型預測效果較差,經(jīng)預處理后預測效果改善明顯。本試驗基于三種不同預處理全波段486個波長,采用PLS回歸算法分別挖掘色澤參數(shù)(L*、a*、b*)、嫩度與光譜信息之間的相關(guān)性。結(jié)果如表2所示。

表2 雞肉色澤和嫩度F-PLS回歸預測結(jié)果Table 2 F-PLS prediction performance for chicken color and tenderness

由表2得知,經(jīng)三種不同預處理全波段光譜信息后,構(gòu)建的F-PLS回歸模型預測效果相似。三種預處理相比較,經(jīng)MFS預處理光譜構(gòu)建的F-PLS回歸模型預測雞肉色澤參數(shù)L*、b*以及嫩度效果更優(yōu),對應(yīng)的ΔE值分別為0.535、0.020和0.341,均低于其他兩種模型,RC分別為0.951、0.911和0.968,Rp分別為0.904、0.908和0.948,均高于0.900,且其RMSEC分別為1.501、1.557和1.255 N,RMSEP分別為2.036、1.577和1.596 N,其值均較低。這說明了構(gòu)建的F-PLS回歸模型具有良好的魯棒性。相比之下,色澤參數(shù)a*值的預測效果不理想,模型相關(guān)系數(shù)很低,說明雞肉色澤和近紅外光譜信息之間相關(guān)性很差,這可能是由于雞胸肉中肌紅蛋白含量、紅肌纖維數(shù)量較少,導致紅度值較低[33],測量誤差較大。后續(xù)試驗中不予分析。

2.4 Stepwise法篩選最優(yōu)波長結(jié)果

本試驗采用Stepwise回歸算法從全波段中篩選出最優(yōu)波長,以減少數(shù)據(jù)運算量、提高建模效率[34],篩選結(jié)果如表3和圖4所示。由表3得知,篩選后最優(yōu)波長的數(shù)量在13～20之間,光譜波長減少量在95%～98%之間。整體而言,從預處理光譜中篩選用于預測顏色的最優(yōu)波長數(shù)量少于預測嫩度的數(shù)量。對于參數(shù)L*,從三種預處理光譜中篩選的最優(yōu)波長分別為14、16和14個,與全波段數(shù)相比其波長減少量分別為97.12%、96.71%和97.12%。對于參數(shù)b*和嫩度,從MFS預處理光譜中篩選的最優(yōu)波長數(shù)量均多于其他兩種預處理(MSC和SNV)。

圖4 三種不同預處理光譜中Stepwise法篩選出的最優(yōu)波長具體位置Fig.4 The specific location of the optimal wavelengths selected by Stepwise method from the three pretreatment spectra

表3 Stepwise法篩選最優(yōu)波長結(jié)果比較Table 3 Comparison of optimal wavelengths selected by Stepwise method

2.5 基于最優(yōu)波長的PLS預測色澤及嫩度結(jié)果

最優(yōu)波長篩選后,以最優(yōu)波長為輸入變量,重新校正,優(yōu)化F-PLS回歸模型,結(jié)果如表4。 對于L*值預測,從SNV光譜中篩選的14個最優(yōu)波長構(gòu)建的O-PLS預測模型ΔE為0.665,低于MFS(0.834)和MSC(0.852)光譜的ΔE值;對于b*值預測,從SNV光譜中篩選的最優(yōu)波長數(shù)量最少(13個),其所構(gòu)建的O-PLS預測ΔE值為0.375,低于MFS(0.544)和MSC(0.384)光譜的ΔE值;不同于顏色參數(shù)預測,從MFS光譜中篩選的最優(yōu)波長(20個)預測雞肉嫩度值效果最好,其ΔE為1.340,均低于MFS(1.504)和MSC(1.586)光譜的ΔE值,且其RP為0.888,高于熊振杰等[3]的可見/近紅外高光譜(400～1000 nm)檢測結(jié)果(L*:RP=0.876;嫩度:RP=0.740)。這說明,針對不同的參數(shù)需要選擇合適的光譜預處理方法,以獲得最好的預測效果。本試驗O-PLS回歸模型預測結(jié)果顯示,高光譜技術(shù)預測雞肉顏色和嫩度潛力巨大。

表4 O-PLS預測雞肉色澤和嫩度結(jié)果Table 4 Results of O-PLS models for predicting chicken color and tenderness

2.6 MLR和O-PLS預測色澤及嫩度效果對比

最優(yōu)波長篩選后,波長數(shù)量大幅度減少,且數(shù)量少于試驗樣本數(shù),利用MLR建模預測雞肉顏色參數(shù)和嫩度,結(jié)果如表5。從表5中可得,對于參數(shù)L*,則基于SNV光譜所建MLR模型的性能和魯棒性均優(yōu)于經(jīng)MFS和MSC預處理所建MLR和O-PLS模型,其SNV-MLR模型的RC、RCV和Rp值分別為0.948、0.938和0.894,ΔE值為0.616;對于參數(shù)b*,經(jīng)SNV預處理所建O-PLS預測模型的魯棒性(ΔE=0.385)優(yōu)于MLR預測模型的魯棒性(ΔE=0.375);而對于雞肉嫩度值,則依然是基于MFS預處理的光譜所建的O-PLS預測模型的魯棒性(ΔE=1.340)好于MLR預測模型。經(jīng)對比兩種模型預測效果,針對L*、b*和嫩度,最優(yōu)預測結(jié)果分別如圖5～圖7所示。圖5為經(jīng)SNV預處理的光譜所建立的L*值的最優(yōu)MLR模型預測結(jié)果圖,其中圖5a為校正集和交叉驗證集的結(jié)果圖,圖5b為預測集的結(jié)果圖;圖6和圖7同圖5。

表5 MLR模型預測雞肉色澤和嫩度結(jié)果Table 5 MLR prediction performance for chicken color and tenderness based on optimal wavelengths

圖5 L*值最優(yōu)預測結(jié)果(MLR+SNV光譜)Fig.5 The best results for L* prediction(MLR+SNV spectra)注:(a)校正集和交叉驗證集結(jié)果;(b)預測集結(jié)果,圖6～圖7同。

圖6 b*值最優(yōu)預測結(jié)果(O-PLS+SNV光譜)Fig.6 The best results for b* prediction(O-PLS+SNV spectra)

圖7 嫩度值最優(yōu)預測結(jié)果(O-PLS+MFS光譜)Fig.7 The best results for tenderness prediction(O-PLS+MFS spectra)

3 結(jié)論

采用近紅外(900～1700 nm)高光譜成像技術(shù)對雞胸肉色澤和嫩度進行快速無損檢測研究?；谌N不同預處理光譜(MFS、MSC、SNV)信息,構(gòu)建全波段F-PLS模型預測雞肉色澤參數(shù)L*、b*和嫩度,均取得了較好的效果。經(jīng)Stepwise算法篩選最優(yōu)波長優(yōu)化F-PLS模型,從SNV光譜中篩選的14個最優(yōu)波長構(gòu)建的MLR模型預測L*值效果更好(RP=0.894,RMSEP=2.160),從SNV光譜中篩選的13個最優(yōu)波長構(gòu)建的O-PLS模型預測b*值效果更好(RP=0.877,RMSEP=1.811),從MFS光譜中篩選的20個最優(yōu)波長構(gòu)建的O-PLS模型預測雞肉嫩度值效果更好(RP=0.888,RMSEP=2.408 N)。近紅外高光譜成像技術(shù)結(jié)合Stepwise算法建立預測模型可潛在實現(xiàn)對雞肉色澤參數(shù)L*、b*以及嫩度的快速預測。