NIR高光谱成像技术联用SPA算法快速检测五花肉的过氧化值

何鸿举,王洋洋,王 魏,蒋圣启,朱亚东,马汉军,2,陈复生,朱明明,赵圣明

(1.河南科技学院食品学院,河南新乡 453003;2.河南科技学院博士后研发基地,河南新乡 453003;3.河南工业大学粮油食品学院,河南郑州450001)

肉类因富含蛋白质、无机盐等人体所需的营养成分,烹饪后滋味鲜美浓郁,是人们日常饮食和补充营养的首选。其中,猪肉不仅营养价值高,味道鲜美可口,还具有预防和治疗贫血、治疗肾虚体虚、产后血虚等功效,是人们日常生活的主要肉类来源,在整个肉品行业中占据着重要的地位[1-4]。通常肉类食品容易受到空气、温度和水分等的影响发生氧化而腐烂变质,肉品的氧化程度用其所含过氧化物的量来表示。过氧化值是指1 kg肉样中能够析出碘的毫克数,通常用氢过氧化物的毫摩尔数来代表。一般而言,过氧化值含量越高,肉品腐烂变质的面积就越大,营养价值降低,食用风险升高;当肉品中过氧化值的含量超过食用标准后,就不宜再用来销售和食用。因此,加强猪肉的质量检测工作具有深远的意义[5-6]。

高光谱成像技术(Hyperspectral imaging,HSI)是近年来快速发展的具有非破坏性、及时性、高准确度的一种光电检测技术,它将传统的成像技术和先进的光谱技术相结合,能够同时获得样品的空间信息和光谱信息,选择性的吸取了两种检测技术的优点,克服了传统检测方法的效率低下、样品的完整性不高、损耗大等弊端[7-8],更具说服力和前沿性[9-10]。NIR光谱成像技术具有响应范围广、多波段且窄而连续,测试重现性好,数据处理速度快、操作简便,能够实现在线及时监控分析,具有分析灵活等特点,同时适用于食品内、外部的品质检测,是肉品品质检测具有前瞻性的新方法之一[11]。近几年来,高光谱成像技术用于研究猪肉品质的报道逐渐增多,但目前大多数研究集中与猪肉的化学组成成分及微生物预测方面,如水分[12]、脂肪[13]、TVC[14]等方面。然而,目前使用高光谱近红外技术对猪肉脂肪氧化程度进行无接触评估的报道甚少。

目前猪肉过氧化值测量主要依靠国标法,耗时长、效率低、需要破坏样品等缺点无法满足快速、实时、现场检测等需求。鉴于高光谱成像技术的优点,本试验尝试挖掘NIR高光谱技术对不同储藏期的猪肉过氧化值进行快速预测的潜力,旨在为在线、快速、无接触测定猪肉氧化程度提供数据支撑和方法参考。

1 材料与方法

1.1 材料与仪器

五花肉 新乡市世纪华联超市购买;三氯甲烷 天津市外环化工有限公司;冰乙酸 河南康源化工有限公司;三氯甲烷-冰乙酸混合液(体积比2∶3) 实验室配制;碘化钾 南京金海威化工实业有限公司;碘化钾 天津市鼎盛鑫化工有限公司;淀粉 河北鑫中科技有限公司;石油醚 天津市欣宽化工有限公司;蒸馏水 实验室自制;硫代硫酸钠 溧阳市庆丰精细化工有限公司。

HSL-eNIR-400-1700高光谱成像系统 上海五岭光电科技有限公司;YRE-52A旋转蒸发仪 巩义予华仪器有限公司;JFSD-100组织破碎机 上海嘉定粮油仪器有限公司;TLE204E/02电子分析天平 梅特勒-托利多(上海)有限公司;冰箱 青岛海尔集团。

1.2 实验方法

1.2.1 样品预处理 将肥肉较多的新鲜五花肉,经过去皮、修整处理后用直尺进行人工测量,切成3 cm×3 cm×1 cm[15]的长方体小块(以便于用高光谱仪器采集样品信息),共获得112个样品。然后将样品整齐摆放在密封性良好的一次性保鲜盒中,置于冰箱冷藏室0～4 ℃下贮存,每天取出16个样品用于采集光谱信息和过氧化值测定。

1.2.2 光谱数据采集 试验前30 min将待测样品从冰箱中取出,待样品温度达到室温,同时将近红外高光谱设备打开进行预热后,对高光谱相应软件进行参数设置和仪器黑白板校正处理[16],设置载物台的移动速度为6.53 mm/s,系统的曝光时间为4.00 ms,镜头扫描范围为75～175 mm。将待测样品进行编号后,放在高光谱设备的载物台上,一次扫描两个样品,并一一对应保存直至每块样品的数据采集完成,从而得到不同冷藏时间下的样品的光谱数据图。

1.2.3 五花肉过氧化值的测定 根据GB 5009.227-2016《食品中过氧化值的测定》中滴定法的要求进行检测。

1.2.4 光谱数据提取及预处理 为了提高模型的精确度,减小误差,降低噪音、散射等造成的不良影响,本试验尝试用Unscrambler软件对获取的样品光谱信息进行预处理并对比结果,以选择出最佳的预处理方式。七种预处理方式分别为:基线校正(Baseline Correction,BC)、高斯滤波平滑(Gaussian Filter Smoothing,GFS)、中值滤波平滑(Median Filtering Smoothing,MFS)、卷积平滑(Savitzky Golay Smoothing,SGS)、移动平均值平滑(Moving Average Smoothing,MAS)、标准正态变量变换(Standard Normal Variate,SNV)、多元散射校正(Multiplicative Scatter Correction,MSC)[17-18]。

1.2.5 模型的建立及评价 本试验中以猪肉过氧化值测量值为因变量,以波长信息为自变量,基于PLS算法建立猪肉脂质氧化程度的预测模型。通过校正相关系数(RC)、校正均方根误差(Root Mean Square Error of Calibration,RMSEC)、交叉验证相关系数(RCV)、交叉验证均方根误差(Root Mean Square Error of Cross Validation,RMSECV)、预测相关系数(RP)、预测均方根误差(Root Mean Square Error of Prediction,RMSEP)、鲁棒性(ΔE)、预测偏差(RPD)等指标评估PLS模型性能的优劣。

1.2.6 最优波长的选择及模型优化 本试验全波段光谱(900～1700 nm)包含486个波长,如此庞大的数据量将影响模型运算速度,同时光谱中的冗余信息也会干扰模型性能。因此本试验分别采用回归系数法(Regression Coefficient,RC)[19]和连续投影算法(Successive Projections Algorithm,SPA)[20]选取最优波长,以减少计算量,提高预测效率和精度。经这两种方法筛选出最优波长后,以最优波长作为输入变量,对全波段PLS模型(F-PLS)进行优化,建立最优波长PLS模型(O-PLS),并以R和RMSE评价模型性能。

1.3 数据处理

高光谱设备扫描每个样品重复三次,获取平均光谱数据。PLS建模和RC法筛选最优波长使用软件Unscrambler 9.7,SPA操作在软件MATLAB 2016a中进行,模型构建使用化学计量学软件Unscrambler 9.7完成。

2 结果与分析

2.1 五花肉过氧化值测定结果

将112个样品的过氧化值依次排列按照3∶1的比例分为校正集和预测集,测量结果如表1所示:校正集的最大值、最小值分别为8.60×10-3、1.10×10-3g/100 g,预测集的最大值、最小值分别为7.90×10-3、1.20×10-3g/100 g。1.10×10-3g/100 g<1.20×10-3g/100 g<7.90×10-3g/100 g<8.60×10-3g/100 g,预测集的取值在校正集的取值范围内,说明取值对于构建模型具有可行性。

表1 校正集和预测集样品过氧化值测量结果统计

2.2 五花肉样品的光谱特征

提取112个样品的平均光谱特征如图1所示:图1a是高光谱数据校正后的原始光谱信息,图1b是BC预处理光谱信息,图1c是GFS预处理光谱信息,图1d是MFS预处理光谱信息,图1e是SGS预处理光谱信息,图1f是MAS预处理光谱信息,图1g是SNV预处理光谱信息,图1h是MSC预处理光谱信息。

由图1可知,在900～1700 nm波长范围内,波长与反射率呈现一定的函数关系,且反射率随着样品过氧化值含量的变化而不断变化,虽然每种预处理方式不同,每个样品过氧化值含量不同,但就整体趋势而言,大致相同。

图1 五花肉过氧化值平均光谱曲线

2.3 基于全波段光谱的PLS预测过氧化值结果

偏最小二乘(Partial Least Square,PLS)是一种应用范围广泛、分析效果好、准确性高的光谱数据分析方法[21]。PLS不仅能够从多个自变量中筛选整理出多个相互之间彼此独立的主成分,得到多个自变量和多个因变量之间的关系[22],同时也能最大程度地减少设备中的噪声干扰,有效地解决样品的数量多、变量间的多重相关性的问题,构建模型进行数据处理[23-24]。一般而言,相关系数越高且接近于1,模型的相关性越好;均方根误差和鲁棒性越小且接近于0,预测偏差越大且大于2.5,模型的预测效果越好[25-28]。本试验构建PLS模型预测五花肉的过氧化值,结果如表2所示。

表2 五花肉过氧化值F-PLS回归预测结果

由表2可知,在486个波长范围内,未经预处理的原始数据(RAW)与经过预处理的全波段光谱预测过氧化值结果相似,其中RAW与经过BC预处理构建的全波段光谱的PLS(F-PLS)预测模型效果较好,其RP分别为0.960、0.960,RMSEP分别为4.89×10-4、5.15×10-4g/100 g,ΔE分别为1.31×10-4、1.48×10-4g/100 g,RPD分别为3.406、3.444。综上所述,RAW和BC预处理的F-PLS的相关系数更高且接近于1,相关性更好,均方根误差更小,鲁棒性更好,且RPD更大且大于3,说明其模型预测过氧化值的精度更高、效果更好。

2.4 最优波长的选择

以最优波长作为输入变量,重新运算构建模型,预测结果如表3。

表3 用不同筛选方法确定最优波长的PLS模型预测过氧化值结果

由表3可知,分别采用RC和SPA筛选出的最优波长构建PLS(O-PLS)的预测模型中,RAW-SPA(RC=0.951、RMSEC=4.69×10-4g/100 g,RP=0.960、RMSEP=4.42×10-4g/100 g)构建的预测模型波长数更少,潜变量最少,相关系数更高,误差更小,预测过氧化值的能力更强。

当波长数小于样品数量时,也可使用多元线性回归(Multiple Linear Regression,MLR)构建模型[29],预测结果如表4。

表4 用不同筛选方法确定最优波长的MLR模型预测过氧化值结果

由表4可知,分别采用RC和SPA筛选出的最优波长构建MLR预测模型中,RAW-SPA的波长数最少,潜变量最少,RC为0.953,RMSEC为4.56×10-4g/100 g,RCV为0.916,RMSECV为6.06×10-4g/100 g,RP为0.968,RMSEP为4.12×10-4g/100 g,ΔE为0.44×10-4g/100 g,RPD为3.711,与其他三种模型相比,相关系数更高,误差更小,模型预测过氧化值的能力更强,MLR模型相关性更好。

综上所述,本试验采用RAW-SPA筛选最优波长的方法更好,其数量及其位置如图2所示:

由图2b可知,SPA共筛选出20个最优波长,从图2a可知,SPA共筛选出的20个最优波长分别为902.2、905.5、910.4、913.7、915.4、920.3、926.9、930.2、931.8、936.8、981.2、1147.4、1323.4、1395.9、1476.7、1602.2、1673.4、1688.3、1693.3、1698.3 nm。

图2 预测过氧化值最优波长图

2.5 模型的优化

利用上述连续投影算法(SPA)筛选出的20个最优波长分别对RAW光谱信息建立最优PLS模型(O-PLS)和MLR模型,预测过氧化值结果如表5、图3所示。

表5 O-PLS和MLR模型SPA法最优预测五花肉过氧化值结果比较

由表5可知,O-PLS模型和MLR模型预测过氧化值的方案是可行的,且与O-PLS(RC=0.951、RMSEC=4.69×10-4g/100 g,RP=0.960、RMSEP=4.42×10-4g/100 g)模型相比,MLR模型的相关系数更大、误差更小,与模型相关性更好,RC为0.953,RMSEC为4.56×10-4g/100 g,RP为0.968,RMSEP为4.12×10-4g/100 g,ΔE为0.44×10-4g/100 g,RPD为3.711,预测过氧化值的效果更佳。

3 结论

本试验利用NIR高光谱成像技术联用SPA算法对0～4 ℃冷藏条件下的五花肉样品的过氧化值含量进行快速、无损检测研究。通过对比七种预处理(BC、GFS、MFS、SGS、MAS、SNV、MSC)的光谱信息,可知RAW-MLR的优化模型预测过氧化值效果最佳,RC为0.953,RMSEC为4.56×10-4g/100 g,RCV为0.916,RMSECV为6.06×10-4g/100 g,RP为0.968,RMSEP为4.12×10-4g/100 g,ΔE为0.44×10-4g/100 g,RPD为3.711。与F-PLS模型相比(RC=0.972、RMSEC=3.58×10-4g/100 g,RP=0.960、RMSEP=4.89×10-4g/100 g,ΔE=1.31×10-4g/100 g,RPD=3.406),经过优化处理的MLR模型预测过氧化值结果相近,且更具代表性,精确更高,准确性更好,测定样品五花肉的过氧化值方案是可行的,可为进一步研究快速、无损检测五花肉的过氧化值含量提供理论支持。