張春娟，鄭曉春，古明輝，張德權(quán)，陳麗*

（1.寧夏大學(xué)食品與葡萄酒學(xué)院，寧夏銀川 750021）（2.中國農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品加工研究所，農(nóng)業(yè)農(nóng)村部農(nóng)產(chǎn)品質(zhì)量安全收貯運管控重點實驗室，北京 100193）

隨著我國居民生活水平的提高和消費觀念的轉(zhuǎn)變，肉品消費在居民飲食中所占的比例逐年升高[1,2]，而羊肉因其脂肪和膽固醇含量低，蛋白質(zhì)、氨基酸、鈣鉀等礦物質(zhì)含量高倍受消費者的青睞。據(jù)農(nóng)業(yè)農(nóng)村部和畜牧獸醫(yī)局監(jiān)測信息處統(tǒng)計[3,4]，2021 年8 月全國羊肉平均價格為每千克81.91 元，而鴨肉平均價格在每千克15～16 元。因此，不法商家利用消費者難以識別羊肉真假、優(yōu)劣的漏洞，為了降低成本、謀求更高利潤，制作摻假羊肉并流入市場，不僅對消費者經(jīng)濟(jì)利益造成損害，還擾亂了市場秩序。因此，亟需一種快速無損的檢測方法，為羊肉質(zhì)量保障提供技術(shù)支撐。

肉品真實性檢測方法以形態(tài)學(xué)鑒別法[5]、蛋白質(zhì)分析法[6,7]、DNA 分析法[8-10]等傳統(tǒng)方法為主，檢測速度慢、破壞性大、操作技能要求高。新型的方法利用無損分析技術(shù)進(jìn)行肉品鑒別，主要包括光學(xué)技術(shù)[11-13]、電學(xué)技術(shù)[14-16]、核磁技術(shù)[17-19]等。He 等[17]綜述了無損分析技術(shù)在食品真實性檢測中的應(yīng)用，發(fā)現(xiàn)近紅外光譜、拉曼光譜和電子鼻技術(shù)在食品摻假檢測上具有優(yōu)勢。近紅外光譜技術(shù)是近年來發(fā)展成熟的一種定性定量分析技術(shù)，可以穿透和收集樣品的結(jié)構(gòu)和檢測樣品組成信息，其核心是建立穩(wěn)定且準(zhǔn)確的預(yù)測模型[20]，已廣泛應(yīng)用在肉品真實性鑒別上。Noha 等[21]采用近紅外光譜技術(shù)實現(xiàn)了新鮮和凍融牛肉糜中不同摻雜物的檢測和定量，所建PLSR 模型準(zhǔn)確率分別為96%、93%。電子鼻由多個傳感器陣列組成，也被廣泛應(yīng)用于食品真?zhèn)蔚蔫b別。張娟等[22]利用電子鼻對牛肉中摻入豬肉進(jìn)行定性和定量研究，多層感知神經(jīng)網(wǎng)絡(luò)分析中決定系數(shù)R2達(dá)到0.999 3。近年來，隨著光電技術(shù)的迅速發(fā)展，多種技術(shù)結(jié)合在一定程度上起到互補(bǔ)作用，提高鑒別的準(zhǔn)確性。王彬[23]以不同品種及產(chǎn)地的雞蛋為研究對象，建立了基于電子鼻及近紅外光譜的雞蛋品種及產(chǎn)地鑒別模型，對品種和產(chǎn)地的判別準(zhǔn)確率均為100%。史屹君等[24]設(shè)計并開發(fā)出基于近紅外吸收光譜技術(shù)的電子鼻，結(jié)果對白醋、米醋和蘋果醋的識別準(zhǔn)確率達(dá)到100%，實現(xiàn)了高精度、高穩(wěn)定度和高分辨率的設(shè)計目標(biāo)。上述研究表明，利用電子鼻結(jié)合可見/近紅外光譜技術(shù)可以應(yīng)用于食品真實性鑒別，具有快速、簡便、高效和環(huán)保的優(yōu)點，但目前對于肉眼難以區(qū)分的羊肉摻鴨肉真實性檢測還鮮有報道。

鑒于此，為提高肉品真實性鑒定的準(zhǔn)確性，本研究以摻入不同比例鴨肉的羊肉肉糜為研究對象，利用電子鼻結(jié)合可見/近紅外光譜技術(shù)對羊肉中摻入不同比例鴨肉樣品的氣味指標(biāo)及光譜特征信息進(jìn)行數(shù)字化描述，并進(jìn)行羊肉真實性定性鑒別和羊肉中摻入鴨肉含量的定量檢測，旨在為羊肉真實性判別提供技術(shù)依據(jù)。

1 材料與方法

1.1 試驗材料

實驗用羊腿肉、鴨腿肉購買于北京市海淀區(qū)某超市，置于裝有冰袋的泡沫箱中，30 min 內(nèi)運回實驗室。將羊腿肉剔除表皮的筋膜、脂肪和血塊，鴨腿肉剔骨、去脂肪、筋膜等并切塊，按照鴨肉加入量占樣品總質(zhì)量的比例分為6 組，分別是0%、20%、40%、60%、80%和100%（m/m）羊肉組，使用絞肉機(jī)攪碎，350 W攪碎15 s，重復(fù)2 次（間隔10 s 左右手動混勻），取攪碎的樣品平鋪、壓實于直徑為90 mm 的培養(yǎng)皿中，每組制備24 個，共制備144 個樣品用于模型構(gòu)建。

后期又重新采樣按照上述實驗過程每個摻比制作5 個樣本，共制作了30 個樣本用于外部驗證實驗。

1.2 儀器與設(shè)備

QSJ-C04K3 型絞肉機(jī)（額定功率350 W），小熊電器股份有限公司；esto 205 便攜pH 計，德國德圖公司；CM-600d 分光測色計，日本株式會社；PEN 3.5 型電子鼻（含10 個金屬氧化物傳感器陣列，各傳感器的名稱及性能描述見表1），德國Airsense 公司；實驗室搭建的近紅外光譜采集系統(tǒng)：包括AvaSpec-2048x14 型光譜儀（自建功率20 W 鹵鎢燈的高效光源、發(fā)射采集一體式大區(qū)域反射光譜探頭，檢測波段200～1 100 nm，積分時間為100 ms，平均次數(shù)為5，采集波長間隔為0.573 nm，可獲得1 608 個波長點的數(shù)據(jù)，光譜分辨率最小為0.05 nm），荷蘭Avantes 公司；Micro NIR 微型近紅外光譜儀（含雙集成真空鎢燈光源，分光器：線性漸變?yōu)V光片LVF，檢測波段900～1 700 nm，積分時間為38 ms，掃描次數(shù)為50，采集的波長間隔為6.194 nm，可獲得125 個波長點數(shù)據(jù)），美國JDSU 公司。

表1 PEN 3.5 電子鼻傳感器陣列及其性能特點Table 1 PEN 3.5 Electronic nose sensor array and its performance characteristics

1.3 試驗方法

1.3.1 色差值、pH 值的測定

分別使用色差計和pH 計測量樣品L*、a*、b*值和pH 值。其中L*代表亮度、a*代表紅度、b*代表黃度。每個樣品測量不同位置色差值4 次、pH 值3 次，取其平均值作為該樣品的色差值和pH 值。

1.3.2 電子鼻數(shù)據(jù)采集

稱?。?.00±0.05）g 肉糜樣品于20 mL 頂空瓶中，室溫靜置30 min 后頂空進(jìn)樣測量（靜止30 min 的目的是使頂空瓶中產(chǎn)生足夠的揮發(fā)性化合物）。電子鼻試驗參數(shù)設(shè)置：樣品準(zhǔn)備時間5 s，檢測時間60 s，測量計數(shù)1 s，自動調(diào)零時間10 s，清洗時間180 s，內(nèi)部流量300 mL/min，進(jìn)樣流量300 mL/min。

1.3.3 可見/近紅外光譜數(shù)據(jù)的采集

在實驗室溫度為（25±1）℃下，分別使用AvaSoft 8.7 和MicroNIR 1.5.7 軟件采集200～1 100 nm 和900～1 700 nm 的可見/近紅外光譜數(shù)據(jù)。每個樣品采集表面3 個不同的點，取其平均值作為該樣品的光譜數(shù)據(jù)，同一樣品兩個波段光譜數(shù)據(jù)采集間隔不超過2 min。

1.4 數(shù)據(jù)處理方法

所有數(shù)據(jù)使用Excel 2013 軟件整理，采用IBM SPSS 19.0 中的ANOVA 進(jìn)行方差分析，Duncan’s 多重檢驗進(jìn)行差異顯著性分析。采用Origin 2019 和SIMCA14.0 軟件對電子鼻數(shù)據(jù)進(jìn)行主成分分析（Principal Component Analysis，PCA）和正交偏最小二乘判別（Orthogonal Partial Least Squares Discriminant Analysis，OPLS-DA）分析。采用Matlab 2021a 對光譜數(shù)據(jù)繪圖，利用PLS toolbox 工具箱的支持向量機(jī)（Support Vector Machine，SVM）結(jié)合偏最小二乘法（Partial Least Squares，PLS）對可見/近紅外光譜原始數(shù)據(jù)進(jìn)行特征變量篩選，建立定性定量預(yù)測模型。

可見/近紅外光譜數(shù)據(jù)預(yù)處理方法采用一階導(dǎo)數(shù)（First Derivative，1st D）、標(biāo)準(zhǔn)正態(tài)變量校正（Standard Normal Variate，SNV）、多元散射校正（Multiplicative Scatter Correction，MSC）、卷積平滑（Savitzky Golay，SG）、SNV 校正結(jié)合一階導(dǎo)（SNV-First Derivation，SNV-1st D）和SG-SNV 疊加，以校正均方根誤差（Root Mean Square Error of Calibration，RMSEC）、預(yù)測均方根誤差（Root Mean Square Error of Prediction，RMSEP）、交叉驗證均方根誤差（Root Mean Square Error of Cross-Validation，RMSECV）、校正集決定系數(shù)（R2c）、驗證集決定系數(shù)（R2p）、交叉驗證集決定系數(shù)（R2cv）作為模型的評價指標(biāo)。

2 結(jié)果與討論

2.1 羊肉中摻入不同比例鴨肉樣品的理化指標(biāo)

羊肉中摻入不同比例鴨肉樣品的pH 值和色差值分析結(jié)果見圖1。由圖1a 可知，100%羊肉組的pH 值顯著低于0%羊肉組，且隨著羊肉占比的減小即鴨肉比例的增加，樣品的pH 值顯著升高（p＜0.05）。如圖1b所示，100%羊肉組的L*、a*和b*值均顯著高于0%羊肉組（p＜0.05），這說明羊肉有更高的亮紅色澤，與人們的感官認(rèn)知一致，但隨著鴨肉比例的增加，80%、60%、40%羊肉組樣品的L*、a*和b*值均無顯著差異（p＞0.05），20%和0%羊肉組的L*和a*值均無顯著差異（p＞0.05），說明羊肉中摻入鴨肉對其色差值影響不大，肉眼更是難以區(qū)分。

圖1 羊肉中摻入不同比例鴨肉樣品的pH 值（a）、色差（b）變化Fig.1 The changes of pH (a) and color (b) of minced mutton adulterated with different proportions duck

2.2 羊肉中摻入不同比例鴨肉樣品電子鼻鑒別技術(shù)

2.2.1 不同組樣品氣味的電子鼻響應(yīng)結(jié)果

試驗對所有樣品的電子鼻結(jié)果進(jìn)行測定，以一個60%羊肉組樣品為例得到的電子鼻響應(yīng)信號見圖2a。由圖2a 可知，進(jìn)樣后電子鼻的10 個傳感器開始響應(yīng)，響應(yīng)值逐漸偏離基線后又趨于平穩(wěn)，多數(shù)傳感器在56 s后穩(wěn)定，因而取穩(wěn)定狀態(tài)58～60 s 的平均響應(yīng)值作為傳感器的特征值。由圖2b 均值后的10 個傳感器響應(yīng)信號雷達(dá)圖可知，傳感器W5S、W1W、W6S、W1S、W2S、W2W 響應(yīng)信號均隨鴨肉加入量升高而降低，其中傳感器W1W 和W5S 對各組樣品的響應(yīng)值具有顯著差異；傳感器W5C、W1C、W3C、W3S 對各組樣品的響應(yīng)值基本一致。

圖2 60%羊肉組電子鼻響應(yīng)信號圖（a）和6 組樣品10 個傳感器響應(yīng)信號雷達(dá)圖（b）Fig.2 Electronic nose response signal diagram of minced mutton adulterated with 60% mutton (a) and 10 sensor response radar diagram of the samples from six groups (b)

2.2.2 主成分分析

為進(jìn)一步分析不同組樣品的氣味差異，對6 組樣品的電子鼻數(shù)據(jù)進(jìn)行主成分分析，結(jié)果如圖3 所示。用橢圓將單一樣品的散點圖信息特征概括起來，橢圓距離的遠(yuǎn)近表示不同組樣品之間的氣味差異，前兩個主成分的貢獻(xiàn)率分別為86.6%和6.8%，累積貢獻(xiàn)率達(dá)93.4%，可解釋大部分原始變量的信息。根據(jù)鴨肉摻入量不同樣品分布于6 個區(qū)域，除了兩兩相近組的樣品有部分重疊外，其余組的樣品均無交叉，說明兩兩相近組的樣品產(chǎn)生的風(fēng)味差異不明顯，但隨著鴨肉加入比例的升高，不同組樣品風(fēng)味差異明顯，這是由于摻雜比例間隔大的組分其揮發(fā)性成分氮、硫及萜烯類等化合物的含量差異比較大。因此利用電子鼻可以在一定程度上對不同組樣品進(jìn)行區(qū)分，但精準(zhǔn)性有待進(jìn)一步提高。

圖3 羊肉中摻入不同比例鴨肉樣品的PCA 分析結(jié)果Fig.3 PCA analysis of minced mutton adulterated with different proportions duck

2.2.3 正交偏最小二乘判別分析

正交偏最小二乘法（OPLS-DA）是偏最小二乘法的擴(kuò)展，在查找特定樣本和數(shù)據(jù)集變量的相關(guān)性方面優(yōu)勢明顯。利用SIMCA 14.0 軟件對羊肉中摻入不同比例鴨肉肉糜樣品進(jìn)行自動擬合。通過自動擬合建立模型M1，模型R2X 值為1＞0.5，此模型建立成功。此外，模型的R2Y 值為0.669，Q2為0.621＞0.5，且R2Y 與Q2之間的差值＜0.3，說明建立的模型良好，具有較好的預(yù)測能力。

由圖4a 可知，各組樣品均在95%置信區(qū)間內(nèi)，不同組樣品均可以較好地聚為一類。圖4b 表示第一、二主成分中各指標(biāo)與不同組樣品的相關(guān)性，X 變量與Y變量越靠近，相關(guān)性越高。W3S、W2S、W1S、W6S、W5S、W1W、W2W 傳感器與100%、80%羊肉組具有相關(guān)性；W1C、W3C、W5C 傳感器與所有樣本都靠得較遠(yuǎn)，說明W1C、W3C、W5C 無法將6 組樣品區(qū)分開，即羊肉中摻入不同比例鴨肉對羊肉中部分芳香族化合物、氨類、烯烴類化合物的影響不大。權(quán)重重要性排序（Variable Importance for the Projection，VIP）圖4c展示了每個變量對樣品分類的貢獻(xiàn)大小，將VIP＞1 且p＜0.05 的變量作為顯著性差異成分。傳感器W5S、W1W、W1S 的VIP 值大于1，說明不同組樣品中主要差異成分為硫化物、萜烯類和氮氧化物。使用有監(jiān)督模式的OPLS-DA 進(jìn)行分析時容易產(chǎn)生過擬合的現(xiàn)象，因此可以通過200 次響應(yīng)的置換檢驗見圖4d 來驗證OPLS-DA 模型是否過擬合，模型的R2回歸線在Y 軸的截距＜0.5，Q2與Y 軸的截距為負(fù)，說明模型沒有過擬合。

圖4 羊肉中摻入不同比例鴨肉樣品的得分圖（a）、載荷圖（b）、VIP 圖（c）以及OPLS-DA 模型驗證結(jié)果圖（d）Fig.4 Score graphs (a),load graphs (b),VIP graphs (c) and model verification results (d) of minced mutton adulterated with different proportions duck

綜上所述，利用羊肉中摻入不同比例鴨肉樣品的整體氣味信息對不同組樣品判斷，發(fā)現(xiàn)不同組樣品氣味存在一定差異。羊肉中揮發(fā)性香氣成分如萜烯類、芳香類、有機(jī)硫化物等物質(zhì)的含量高于鴨肉，這主要是由于揮發(fā)性含氮和含硫化合物均具有特有的氣味和較低的氣味閾值[25]，在肉風(fēng)味的形成中起著至關(guān)重要的作用。因此，電子鼻能較好的區(qū)分出羊肉中摻入鴨肉源成分。

2.3 羊肉中摻入不同比例鴨肉樣品可見/近紅外光譜分析技術(shù)

2.3.1 基于200～1 100 nm 和900～1 700 nm 波段下羊肉中摻入不同比例鴨肉樣品光譜特征

本研究中使用的Ava 光譜儀的實際波長范圍為200 nm 至1 100 nm，由于采集的光譜數(shù)據(jù)兩端噪聲較大且信號弱，因此選擇370 nm 至1 050 nm 范圍內(nèi)的可用數(shù)據(jù)。144 個樣品在370～1 050 nm 和900～1 700 nm波段下的原始反射光譜曲線如圖5a、5b 所示，均值后的光譜如圖5c、5d 所示。從圖5a 中可以看出，所有樣品出現(xiàn)光譜吸收峰的位置大致相同，均在430、560、595、750 和980 nm 附近出現(xiàn)反射波谷（吸收峰），其中430、560、595 和750 nm 附近的吸收峰在可見光范圍內(nèi)出現(xiàn)，這與血紅蛋白、脫氧肌紅蛋白和氧化肌紅蛋白等對光的吸收有關(guān)[26,27]，而這些物質(zhì)正是肉品呈現(xiàn)紅色的原因[28]。從圖5b 中可以看出，樣品的主要吸收峰出現(xiàn)在980、1 200 和1 450 nm，其中980 nm 和1 450 nm處吸收峰源于O-H鍵的倍頻吸收，而1 200 nm處吸收峰源于C-H 鍵的振動吸收[29]。不同樣品在相同的波長處，雖然呈現(xiàn)相同的吸收峰但反射率不同，表明樣品中化學(xué)組分含量不同。從圖5c 中可以看出在800～1 000 nm 范圍內(nèi)隨著羊肉占比的減小其光譜反射率增大，但在900～1 700 nm 的光譜圖5d 中僅0%羊肉組和100%羊肉組光譜圖反射率差異明顯，其他組無明顯變化規(guī)律。

圖5 不同波段羊肉中摻入不同比例鴨肉樣品的光譜特征變化Fig.5 Spectral characteristics of minced mutton adulterated with different proportions duck in the wavelength range of 370～1 050 nm and 900～1 700 nm

2.3.2 370～1 050 nm 波段下羊肉中摻入不同比例鴨肉樣品判別模型構(gòu)建

2.3.2.1 SVM-C 與PLS-DA 定性模型

將采集到的光譜數(shù)據(jù)進(jìn)行2 分類和6 分類建模分析，其中2 分類是將樣品分為0%～80%的摻偽羊肉組和100%純羊肉組，6 分類是將樣品按照試驗分組分為0%、20%、40%、60%、80%和100%羊肉6 組，如表2 所示。以光譜數(shù)據(jù)為自變量X，各樣品的賦值為分類變量Y，將各樣本光譜數(shù)據(jù)與其對應(yīng)的分類變量對應(yīng)導(dǎo)入MATLAB 中進(jìn)行樣本集劃分，其中75%的樣品被劃分為校正集，25%的樣本被劃分為預(yù)測集，分別建立SVM 和PLS 定性定量判別模型。

表2 不同分類體系下羊肉中摻入不同比例鴨肉樣品的統(tǒng)計結(jié)果Table 2 The statistical results of samples of minced mutton adulterated with different proportions duck at different classification systems

2 分類法對原始數(shù)據(jù)建立的純羊肉組和摻偽羊肉組SVM-C 與PLS-DA 定性判別結(jié)果如表3 所示，SVM-C 定性判別結(jié)果顯示，校正集判別正確率達(dá)到100%，預(yù)測集有1 個被錯判為純羊肉，判別正確率為99.17%，建立的判別模型良好。對原始數(shù)據(jù)建立的PLS-DA 定性判別結(jié)果顯示，校正集有1 個樣本判別錯誤，將摻偽樣品判別為純羊肉，判別正確率為99.72%。綜上，基于370～1 050 nm 波段的可見/近紅外光譜技術(shù)可實現(xiàn)純羊肉與摻偽羊肉的快速鑒別。

表3 基于2 分類法建立的SVM-C 與PLS-DA 模型定性判別結(jié)果（370～1 050 nm）Table 3 The qualitative discrimination results of the SVM-C and PLS-DA model based on 2-classification method within the wavelength range of 370～1 050 nm

2.3.2.2 SVM-R 和PLS-R 定量模型

光譜數(shù)據(jù)在采集過程中會產(chǎn)生基線漂移、散射、噪音等問題，嚴(yán)重影響建模的精確度，采用適當(dāng)?shù)墓庾V預(yù)處理方法會有效提高模型的精確度。表4 比較了不同預(yù)處理方法處理的6 分類法建立的不同組樣本SVM-R 和PLS-R 定量模型，與原始光譜建模性能相比，經(jīng)過SNV 處理后，SVM-R 模型性能最佳（見圖6a），其R2C和R2P分別為99.68%、98.99%。經(jīng)過MSC 處理后構(gòu)建的PLS-R 模型效果最優(yōu)（見圖6b），R2C和R2P分別為99.66%、98.20%，所建模型預(yù)測值與真實值相關(guān)性較強(qiáng)。因此，利用370～1 050 nm 波段的可見/近紅外光譜技術(shù)可實現(xiàn)羊肉中鴨肉摻入量的快速檢測。

表4 不同光譜預(yù)處理方法建立的6 分類不同組樣本SVM-R 和PLS-R 定量模型性能（370～1,050 nm）Table 4 The performance of SVM-R and PLS-R quantitative model for 6-classification method of different group samples established by different spectral pretreatment methods within the wavelength range of 370～1,050 nm

圖6 370～1 050 nm 最優(yōu)SVM-R 和PLS-R 模型預(yù)測結(jié)果Fig.6 Prediction results of the optimal SVM-R and PLS-R model based on the wavelength range of 370～1 050 nm

2.3.3 900～1 700 nm 波段下羊肉中摻入不同比例鴨肉樣品判別模型構(gòu)建

2.3.3.1 SVM-C 與PLS-DA 定性模型

2 分類法對原始數(shù)據(jù)建立的純羊肉組和摻偽羊肉組SVM-C 與PLS-DA 定性判別結(jié)果如表5 所示，SVM-C 與PLS-DA 定性判別結(jié)果顯示校正集和預(yù)測集均判別正確，其判別正確率均達(dá)到100%，說明建立的模型良好。結(jié)果表明，基于900～1 700 nm 波段的近紅外光譜技術(shù)可實現(xiàn)純羊肉與摻偽羊肉的快速鑒別。

表5 基于2 分類法建立的SVM-C 與PLS-DA 定性判別結(jié)果（900～1 700 nm）Table 5 The qualitative discrimination results of the SVM-C and PLS-DA model based on 2-classification method within the wavelength range of 900～1 700 nm

2.3.3.2 SVM-R 和PLS-R 定量模型

不同組樣品經(jīng)過不同預(yù)處理方法處理后建立的6分類法SVM-R 和PLS-R 定量模型如表6 所示，與原始光譜建模性能相比，經(jīng)過MSC 處理后構(gòu)建的SVM-R模型性能最佳（圖7a），其R2C和R2P分別為96.10%、93.96%，在建立的所有SVM-R 模型中具有最高的決定系數(shù)。經(jīng)過MSC處理后構(gòu)建的PLS-R模型效果最優(yōu)（見圖7b），其R2C和R2P分別為98.24%、94.60%，在建立的所有PLS-R 模型中具有最高的決定系數(shù)，所建模型預(yù)測值與真實值相關(guān)性較強(qiáng)。因此，可以利用900～1 700 nm 波段的近紅外光譜技術(shù)實現(xiàn)羊肉中鴨肉摻入量的快速檢測。

圖7 900～1 700 nm 最優(yōu)SVM-R 和PLS-R 模型預(yù)測結(jié)果Fig.7 Prediction results of the optimal SVM-R and PLS-R model based on the wavelength range of 900～1 700 nm

表6 不同光譜預(yù)處理方法建立的6 分類不同組樣本SVM-R 和PLS-R 定量模型性能（900～1 700 nm）Table 6 The performance of SVM-R and PLS-R quantitative model for 6-classification method of different group samples established by different spectral pretreatment methods within the wavelength range of 900～1 700 nm

整體來看，在兩個波段下分別建立的定性定量模型結(jié)果中，定性判別模型效果（≥99.17%）要優(yōu)于定量檢測模型（≥95.37%），這是由于定性判別只是通過分析樣品中光譜線波長就能確定樣品所含元素的種類，即不同物質(zhì)在近紅外區(qū)域有豐富的吸收光譜，每種成分都有特定的吸收特征。因此在定性的基礎(chǔ)上，定量檢測是根據(jù)譜線的強(qiáng)度確定出樣品所含各元素的含量，是定性分析的精確化。

基于兩個波段數(shù)據(jù)構(gòu)建的兩種分類方法的SVM和PLS 判別模型判別正確率均超過95%，且PLS 模型判別效果優(yōu)于SVM 模型，總的判別正確率均達(dá)到96%以上，這是由于SVM 其思想是尋求一個最佳分類面，可以正確分開兩類樣本且使得兩類分類間距最大，而PLS法能對光譜數(shù)據(jù)進(jìn)行線性組合，能在降維的同時解決分類問題。多種光譜預(yù)處理方法中經(jīng)過MSC 處理的效果最佳，其可以有效地消除由于樣本顆粒分布不均勻及顆粒大小不同而產(chǎn)生的散射對光譜的影響[30]，使所建模型性能均有所提升，因此使用MSC 處理光譜數(shù)據(jù)后建立的模型性能最好?；? 分類法在不同波段下建立的最優(yōu)SVM-R和PLS-R模型預(yù)測值與實際值高度融合，線性相關(guān)系數(shù)R 均比較高，說明預(yù)測值與實測值比較接近，模型預(yù)測能力良好，預(yù)測可靠，可以對未知樣品進(jìn)行預(yù)測，能夠?qū)崿F(xiàn)羊肉中摻入鴨肉源的定量檢測。

2.3.4 外部驗證實驗

為了檢驗上述最優(yōu)模型的魯棒性，本研究又進(jìn)行了外部驗證實驗。不同波段不同模型的預(yù)測集樣品預(yù)測值與實測值之間的相關(guān)關(guān)系如圖8 所示。由圖8 可以看出，除圖8c 在900～1 700 nm 波段下SVM-R 模型預(yù)測精度較差外，其他各個預(yù)測模型預(yù)測值和真實值的相關(guān)系數(shù)R2均比較高，說明預(yù)測值與實測值比較接近，模型預(yù)測能力良好，預(yù)測可靠，可以對未知樣品進(jìn)行預(yù)測。

圖8 不同波段最優(yōu)SVM-R 和PLS-R 模型預(yù)測值與實測值之間的相關(guān)關(guān)系Fig.8 Correlation between predicted value and measured value of the optimal SVM-R and PLS-R model based on the wavelength range of 370～1 050 nm and 900～1 700 nm

總體上，本研究詳細(xì)的介紹了電子鼻結(jié)合可見/近紅外光譜技術(shù)鑒別羊肉中摻入不同比例鴨肉肉糜樣品，特別是在可見/近紅外光譜技術(shù)上采用了2 個波段、2 種分類方法以及6 種光譜預(yù)處理方法進(jìn)行對比分析，此外還對最優(yōu)模型進(jìn)行外部驗證，模型驗證效果良好。

電子鼻和可見/近紅外光譜兩種技術(shù)在羊肉真實性鑒別效果上發(fā)揮各自的特點和優(yōu)勢。電子鼻具有識別復(fù)雜氣味的能力，能夠快速提供被檢測樣品的整體信息及指示樣品的隱含特征，通過在線分析肉品揮發(fā)性氣體成分的變化，能夠區(qū)分出摻偽羊肉。而可見/近紅外光譜技術(shù)是利用不同比例摻假肉樣中的有機(jī)化合物在可見/近紅外光譜區(qū)內(nèi)對光的吸收不同進(jìn)而鑒別摻偽羊肉，可以定性判別和定量檢測，彌補(bǔ)了電子鼻技術(shù)在摻假檢測中無法定量的相對劣勢。

3 結(jié)論

綜上所述，本研究采用電子鼻結(jié)合可見/近紅外光譜技術(shù)對羊肉中摻入不同比例鴨肉肉糜樣品的氣味指標(biāo)進(jìn)行數(shù)字化描述，并對光譜特征信息進(jìn)行定性鑒別和定量檢測。通過電子鼻主成分分析，說明不同組樣品氣味存在差異，進(jìn)一步通過OPLS-DA 結(jié)合電子傳感器性能特點發(fā)現(xiàn)，羊肉中含有更高的萜烯類、芳香類、有機(jī)硫化物等物質(zhì)，表明電子鼻可以對摻雜不同比例鴨肉的羊肉糜進(jìn)行有效區(qū)分。應(yīng)用可見/近紅外光譜技術(shù)對羊肉中摻入不同比例鴨肉樣品進(jìn)行建模分析，基于兩個波段數(shù)據(jù)構(gòu)建的兩種分類方法的PLS 模型判別效果優(yōu)于SVM模型，總的判別正確率均達(dá)到96%以上，且光譜數(shù)據(jù)經(jīng)過MSC 處理的效果最佳。因此本研究結(jié)果為羊肉真實性在線無損檢測、定性和定量檢測提供了技術(shù)依據(jù)，為快速、準(zhǔn)確檢測監(jiān)測肉品真實性提供了新的方法，研究結(jié)果具有一定的應(yīng)用價值。