肉丸是一種有著特別口感的肉類(lèi)深加工產(chǎn)品，深受人們喜愛(ài)。相比于豬肉、雞肉、魚(yú)肉等其他原料肉，牛肉的蛋白質(zhì)含量較高，肌纖維較粗，因而加工特性更好，牛肉丸也比其他肉丸更有彈性和嚼勁。在我國(guó)，以廣東潮汕地區(qū)制作的牛肉丸為著名。然而，有不法商販?zhǔn)芾骝?qū)使，在牛肉中摻入豬肉，雞肉等廉價(jià)肉制作肉丸冒充純牛肉丸售賣(mài)。這種行為不僅擾亂市場(chǎng)秩序，還會(huì)引發(fā)一些宗教問(wèn)題。廣東省發(fā)布地方標(biāo)準(zhǔn)中明確規(guī)定汕頭牛肉丸中牛肉占原料肉的比例須大于90%。因而有必要研究快速檢測(cè)牛肉丸摻假的方法。目前，常用的肉類(lèi)產(chǎn)品摻假鑒別方法有蛋白質(zhì)組學(xué)分析法，DNA分析法，傳感器法和光譜法等。這些檢測(cè)方法各有其優(yōu)缺點(diǎn)。蛋白質(zhì)組學(xué)分析法檢測(cè)結(jié)果準(zhǔn)確，但所用設(shè)備價(jià)格昂貴，重復(fù)性較差。DNA分析法檢測(cè)限低，靈敏度高，但操作復(fù)雜，且同樣存在重復(fù)性差的問(wèn)題。傳感器法有著快速無(wú)損的優(yōu)點(diǎn)，然而其結(jié)果不夠準(zhǔn)確。光譜法不僅快速無(wú)損，且準(zhǔn)確度高，近年來(lái)在肉品摻假檢測(cè)方面得到越來(lái)越廣泛的應(yīng)用。高光譜成像技術(shù)作為光譜法的一種，不僅具有光譜技術(shù)的常規(guī)優(yōu)點(diǎn)，而且較其他光譜技術(shù)有著更加全面的信息。高光譜成像能夠以數(shù)百個(gè)波長(zhǎng)同時(shí)對(duì)樣本連續(xù)成像，同步獲取樣本的光譜和圖像信息，有著數(shù)據(jù)量豐富、分辨率高的特點(diǎn)。但同時(shí)高光譜成像也存在光譜信息重疊、冗余的問(wèn)題，需要通過(guò)特征波長(zhǎng)的篩選來(lái)提升模型效率和精度。高光譜成像在無(wú)損檢測(cè)肉品摻假方面已有較多的應(yīng)用。Ropodi等利用高光譜成像結(jié)合 PLS-DA和LDA判別模型鑒別摻有豬肉的牛肉樣本，結(jié)果表明，兩種建模方法均可以較好地區(qū)分摻假樣本，識(shí)別率分別為98.48%和96.97%。Kamruzzaman等利用高光譜成像預(yù)測(cè)牛肉中摻馬肉含量，采用不同的方法處理光譜數(shù)據(jù)并建立偏最小二乘模型（PLS），模型預(yù)測(cè)集相關(guān)系數(shù)達(dá)到0.98。Wu等研究了高光譜預(yù)測(cè)蝦中摻假物明膠含量的可行性，使用無(wú)信息變量消除和連續(xù)投影法的組合篩選了佳波長(zhǎng)，建立的LS-SVM模型預(yù)測(cè)集相關(guān)系數(shù)達(dá)0.965，并實(shí)現(xiàn)了蝦中明膠含量的分布可視化。上述研究證實(shí)了高光譜檢測(cè)肉品摻假的可行性，然而目前未見(jiàn)高光譜應(yīng)用到牛肉丸摻假檢測(cè)的報(bào)道。

       根據(jù)唐穗平等的調(diào)查，豬肉和雞肉是市場(chǎng)上主要的牛肉丸摻假物。因此，利用高光譜成像系統(tǒng)采集摻有不同比例豬肉和雞肉的牛肉丸的信息，對(duì)光譜信息進(jìn)行預(yù)處理后建立全波段偏最小二乘摻假含量量預(yù) 測(cè)模型，而后采用SPA、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法、聯(lián)合區(qū)間偏最小二乘-競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)篩選特征波長(zhǎng)，建立PLS摻假含量預(yù)測(cè)模型，以期為牛肉丸摻假快速檢測(cè)提供參考。

1.1     樣本制備

實(shí)驗(yàn)所用牛腿肉、豬肉、雞腿肉、淀粉、調(diào)味料（食鹽、白糖、味精、黑胡椒粉、料酒）均購(gòu)于鎮(zhèn)江麥德龍超市；肉彈素、谷氨酰胺轉(zhuǎn)氨酶（TG酶）均購(gòu)于河南千志商貿(mào)有限公司。

肉丸制作配方：每1kg原料肉中加入淀粉100g、食鹽25g、白糖20g、肉彈素5g、味精4g、黑胡椒粉5g、TG酶5g、料酒20ml、水200ml。工藝流程：選料→清洗→瀝干→絞肉→斬拌→混料→煮制→冷卻→包裝。首先制作原料肉全部為牛肉的牛肉丸，再分別制作以牛肉糜混合不同比例豬肉糜和雞肉糜的牛肉丸，摻假肉占原料肉質(zhì)量比分別為5%，10%，15%，20%和25%。總共得到11類(lèi)樣本，每類(lèi)樣本30個(gè)平行，共計(jì)330個(gè)樣本。

1.2    高光譜圖像采集

1.2.1        高光譜成像系統(tǒng)

采用的高光譜成像系統(tǒng)如圖1所示，由江蘇大學(xué)食品無(wú)損檢測(cè)實(shí)驗(yàn)室自主研制。系統(tǒng)硬件部分主要包括CCD攝像機(jī)、150W光纖鹵素?zé)?、精密電控平移臺(tái)、電子控制箱和計(jì)算機(jī)等。軟件部分主要是SpectralCube。

1.2.2        高光譜成像數(shù)據(jù)采集與標(biāo)定

在高光譜數(shù)據(jù)采集之前先打開(kāi)系統(tǒng)預(yù)熱30min，以減少基線漂移帶來(lái)的的影響。設(shè)置采集參數(shù)：CCD攝像機(jī)曝光時(shí)間為45ms，圖像分辨率618*1628；光譜范圍為431~962nm，光譜波長(zhǎng)間隔為0.858nm；電控平移臺(tái)移動(dòng)速度為1.25m/s。采集時(shí)將牛肉丸樣本置于電控平移臺(tái)上，打開(kāi)平移臺(tái)的同時(shí)點(diǎn)擊保存按鈕采集高光譜數(shù)據(jù)，最終得到樣本的三維數(shù)據(jù)模塊。

高光譜數(shù)據(jù)采集過(guò)程易受光強(qiáng)不均勻和暗電流等影響，需要對(duì)獲取的原始圖像進(jìn)行黑白板校正。校正公式如式（1）所示。

式中，R為校正后高光譜圖像；I為原始高光譜圖像；B 為黑板標(biāo)定圖像；W為白板標(biāo)定圖像。

1.3    數(shù)據(jù)處理方法

1.3.1  高光譜成像的光譜數(shù)據(jù)提取

利用ENVI軟件打開(kāi)校正后牛肉丸樣本高光譜圖像，采用矩形工具選取每個(gè)樣本中心附近200像素*200像素的區(qū)域作為感興趣區(qū)域ROI，計(jì)算ROI內(nèi)所有像素點(diǎn)的光譜反射率的平均值作為此樣本的光譜數(shù)據(jù)。300個(gè)樣本共得到300條平均光譜，最終得到300*618的光譜數(shù)據(jù)集。

受環(huán)境條件和儀器運(yùn)行等因素的影響，采得的信息中包含無(wú)用信息和噪聲。為了減少散射光和噪聲等影響，需要對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理。采用的預(yù)處理方法包括一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、均值中心化、多元散射校正、卷積平滑、標(biāo)準(zhǔn)正態(tài)變量變換。通過(guò)對(duì)比不同預(yù)處理方法所建立模型的效果，選取較佳預(yù)處理方法進(jìn)行后續(xù)數(shù)據(jù)處理。

1.3.2  光譜特征波長(zhǎng)篩選

光譜信息數(shù)據(jù)量巨大，且存在冗余信息。為了提高模型的效率和精度，對(duì)預(yù)處理后的光譜進(jìn)行特征波長(zhǎng)的篩選。采用連續(xù)投影法（SPA）、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（CARS）、聯(lián)合區(qū)間偏最小二乘法（SiPLS）和聯(lián)合區(qū)間偏最小二乘-競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)（SiPLS-CARS）四種篩選特征波長(zhǎng)方法。SPA通過(guò)比較不同波長(zhǎng)之間投影向量的大小，以投影向量最大的波長(zhǎng)為待選波長(zhǎng)，并用校正模型選擇特征波長(zhǎng)。SPA可以使變量之間共線性最小化，很大程度上減少變量的個(gè)數(shù)。CARS通過(guò)蒙特卡羅采樣隨機(jī)抽取校正集的一部分樣本建立PLS模型，計(jì)算此次采樣中波長(zhǎng)回歸系數(shù)的絕對(duì)值權(quán)重，再利用指數(shù)衰減函數(shù)去除絕對(duì)值較小的波長(zhǎng)變量點(diǎn)，剩余的變量以其回歸系數(shù)的絕對(duì)值作為權(quán)重采用自適應(yīng)重加權(quán)采樣建立PLS模型并計(jì)算RMSECV，當(dāng)RMSECV最小時(shí)對(duì)應(yīng)變量即為選擇的特征波長(zhǎng)。SiPLS先將全波段分為若干個(gè)子區(qū)間，然后通過(guò)計(jì)算從所有可能的區(qū)間組合模型中選擇出相關(guān)系數(shù)最大且RMSECV值最小的區(qū)間組合，是一種高效的篩選特征區(qū)間方法。本研究提出的SiPLS-CARS是聯(lián)用SiPLS和CARS進(jìn)行波長(zhǎng)篩選的一種方法，先利用SiPLS選擇最佳波長(zhǎng)區(qū)間，再利用CARS從最佳區(qū)間中篩選特征波長(zhǎng)。最后對(duì)不同波長(zhǎng)篩選方法下建立的預(yù)測(cè)模型效果進(jìn)行比較。

1.3.3  摻假含量預(yù)測(cè)模型

通過(guò)建立PLS模型預(yù)測(cè)牛肉丸摻假含量。PLS能夠充分提取數(shù)據(jù)的有效信息，解決變量共線性的問(wèn)題，在光譜數(shù)據(jù)建模中應(yīng)用廣泛。PLS模型預(yù)測(cè)效果的評(píng)估指標(biāo)為校正集相關(guān)系數(shù)、預(yù)測(cè)集相關(guān)系數(shù)、交叉驗(yàn)

證均方根誤差和預(yù)測(cè)均方根誤差。Rc和Rp越接近1，RMSECV和RMSEP越接近0時(shí)，模型的預(yù)測(cè)效果越好。

二 、結(jié)果與討論

2.1  光譜預(yù)處理

圖2（a）和圖3（a）分別為摻有豬肉和雞肉的牛肉丸樣本的原始光譜圖，圖2（b）和圖3（b）為對(duì)應(yīng)平均光譜圖（均含有純牛肉丸光譜）。從平均光譜圖中可以看出，不同摻假含量的樣本光譜曲線趨勢(shì)相近，但反射率存在差別，摻假量越大，反射率越大。純牛肉丸和摻有豬肉的樣本平均光譜在710nm處有反射峰，這主要與，O-H鍵的三級(jí)倍頻吸收有關(guān)。摻有雞肉樣本光譜在710nm處反射峰不如摻有豬肉樣本明顯，這是由于相比于豬肉，雞肉與牛肉的差別更大。從原始光譜圖中可以看出，當(dāng)樣本數(shù)量較大時(shí)，光譜曲線重疊嚴(yán)重，無(wú)法通過(guò)肉眼從光譜曲線上進(jìn)行區(qū)分，此時(shí)需要進(jìn)行數(shù)據(jù)處理以實(shí)現(xiàn)摻假量預(yù)測(cè)。

2.2  牛肉丸中摻假豬肉含量預(yù)測(cè)模型建立

2.2.1  全波段PLS模型

將不同預(yù)處理方法處理后的光譜以隨機(jī)分組的方式把180條豬肉摻假光譜的2/3劃分為校正集，1/3劃分為預(yù)測(cè)集。用PCA優(yōu)選前15個(gè)主成分，作為模型的輸入建立PLS摻假含量預(yù)測(cè)模型。模型的預(yù)測(cè)結(jié)果如表1所示，可以看出，光譜經(jīng)MSC預(yù)處理后建立的模型預(yù)測(cè)效果好，當(dāng)主成分?jǐn)?shù)為15時(shí)，模型的Rc和Rp分別為0.9515和0.9481，RMSECV和RMSEP分別為0.0269和0.0261。

2.2.2  特征波長(zhǎng)篩選

全波段光譜數(shù)據(jù)量大且有冗余信息，需要進(jìn)行特征提取以簡(jiǎn)化模型、提升模型效率。分別采用SPA，CARS，Si-PLS和SiPLS-CARS四種方法篩選特征波長(zhǎng)。2.2.1已指出摻有豬肉的預(yù)測(cè)模型預(yù)處理方法是MSC，故對(duì)光譜數(shù)據(jù)進(jìn)行MSC處理后進(jìn)行特征波長(zhǎng)篩選。

（1）SPA篩選特征波長(zhǎng)

設(shè)置選擇特征波長(zhǎng)數(shù)量范圍1~25，根據(jù)均方根誤差（RMSEC）選擇波長(zhǎng)，選擇結(jié)果如圖4所示。圖4（a）和（b）分別表示RESE變化趨勢(shì)和篩選的特征波長(zhǎng)具體位置。從圖4（a）中看出，當(dāng)波長(zhǎng)數(shù)量從1增加到13時(shí)，均方根誤差的值程階梯狀下降，隨后趨于穩(wěn)定。選擇了13個(gè)特征波長(zhǎng)（431.05，442.63，476.73，502.69，522.89，555.88，742.60，786.19，864.10，878.14，903.59，927.31和948.39nm），占全波段的2.1%，特征波長(zhǎng)具體位置如圖4（b）所示。

（2）CARS篩選特征波長(zhǎng)

CARS篩選波長(zhǎng)的過(guò)程如圖5所示。采樣次數(shù)設(shè)置為100次，圖5（a）為變量個(gè)數(shù)隨采樣次數(shù)的變化趨勢(shì)，隨著采樣次數(shù)增加，選擇的波長(zhǎng)數(shù)量逐漸減少，先快減后緩慢。圖5（b）為RMSECV隨采樣次數(shù)變化趨勢(shì)，一開(kāi)始RMSECV緩慢減小，說(shuō)明一些無(wú)關(guān)變量在采樣過(guò)程中被去除。而后RMSECV階梯上升，一些關(guān)鍵變量被去除。圖5（c）顯示采樣次數(shù)為44時(shí)，RMSECV小，此時(shí)共篩選了51個(gè)特征波長(zhǎng)，占全波段的8.25%。

（3）SiPLS篩選波長(zhǎng)

將預(yù)處理后的全光譜劃分為10~25個(gè)子區(qū)間，分別聯(lián)合2，3和4個(gè)子區(qū)間，以RMSECV最小原則優(yōu)選特征子區(qū)間組合。圖6顯示了聯(lián)合子區(qū)間的位置。從圖中可以看出，當(dāng)把全光譜分為14個(gè)子區(qū)間，聯(lián)合第1，3，7，13子區(qū)間時(shí)，RMSECV最小。每個(gè)子區(qū)間包含45個(gè)波長(zhǎng)，因此共篩選180個(gè)特征波長(zhǎng)，占全波段的29.13%。

（4）SiPLS-CARS篩選特征波長(zhǎng)

SiPLS-CARS通過(guò)聯(lián)用SiPLS和CARS實(shí)現(xiàn)特征波長(zhǎng)的選擇。將SiPLS篩選所得波長(zhǎng)區(qū)間作為新數(shù)據(jù)，進(jìn)行CARS波長(zhǎng)篩選，結(jié)果如圖7所示。從圖中可以看出，當(dāng)采樣次數(shù)為9時(shí)，篩選出32個(gè)特征波長(zhǎng)，占全波段的5.18%。

2.2.3  特征波長(zhǎng)下PLS模型結(jié)果

不同特征波長(zhǎng)篩選方法的PLS模型結(jié)果如表2所示。可以看出，CARS篩選波長(zhǎng)后建立的模型預(yù)測(cè)效果佳，模型的Rc和Rp分別為0.9814和0.9721，RMSECV和RMSEP分別為0.0163和0.0203。SPA雖然減少了特征波長(zhǎng)數(shù)量，但模型的預(yù)測(cè)效果不如全波段下預(yù)測(cè)效果。Si-PLS篩選特征區(qū)間后模型精度沒(méi)有得到提升，這是因?yàn)樗崛〉淖兞渴沁B續(xù)的，相鄰或者相互之間可能會(huì)存在高度相關(guān)性。SiPLS-CARS相比于SiPLS不僅有效地縮減了特征波長(zhǎng)數(shù)量，而且提高了模型預(yù)測(cè)的精度；相比于CARS篩選波長(zhǎng)更少，但精度略低。CARS波長(zhǎng)篩選后模型，可以說(shuō)明CARS可以有效去除無(wú)關(guān)變量。SiPLS-CARS作為一種新的特征波長(zhǎng)篩選方法需要在更多實(shí)際應(yīng)用中測(cè)驗(yàn)其實(shí)用性。

2.3  牛肉丸中摻雞肉含量預(yù)測(cè)模型建立

2.3.1  全波段下PLS模型結(jié)果

牛肉丸中摻雞肉全波段PLS建模方法同2.2.1，結(jié)果如表3所示。摻雞肉含量預(yù)測(cè)結(jié)果總體優(yōu)于摻豬肉結(jié)果，這是因?yàn)殡u肉與牛肉差異更大。經(jīng)1stDer預(yù)處理后建立的模型預(yù)測(cè)效果好，當(dāng)主成分?jǐn)?shù)為14時(shí)，模型的Rc和Rp分別為0.9861和0.9807，RMSECV和RMSEP分別為0.0143和0.0165。

2.3.2  特征波長(zhǎng)的篩選

利用SPA篩選了15個(gè)特征波長(zhǎng)（439.32，448.43，461.72，467.55，473.39，493.46，504.37，591.63，622.44，695.72，,704.38，726.08，768.74，922.04和952.78nm），占全波段的2.43%。CARS篩選了61個(gè)特征波長(zhǎng)，占全波段的9.87%。SiPLS選擇的區(qū)間組合為：將全光譜分為14個(gè)子區(qū)間，聯(lián)合第7，8，11，12四個(gè)子區(qū)間，共180個(gè)特征波長(zhǎng)，占全波段的29.13%。SiPLS-CARS篩選了28個(gè)特征波長(zhǎng)，占全波段的4.53%。

2.3.3  特征波長(zhǎng)下PLS模型結(jié)果

不同特征波長(zhǎng)篩選方法的PLS模型結(jié)果如表4所示。與摻豬肉預(yù)測(cè)結(jié)果類(lèi)似，CARS篩選波長(zhǎng)后建立的模型預(yù)測(cè)效果佳。此時(shí)，模型的Rc和Rp分別為0.9902和0.9878，RMSECV和RMSEP分別為0.0123和0.0126。這表明CARS在牛肉丸高光譜摻假檢測(cè)中能夠較好地去除無(wú)關(guān)變量、提升模型效率和精確度，可結(jié)合PLS模型用于實(shí)際檢測(cè)。不同波長(zhǎng)篩選方法對(duì)牛肉丸中摻雞肉含量預(yù)測(cè)趨勢(shì)上與摻含量豬肉基本相同。

三、結(jié)論

利用高光譜成像進(jìn)行牛肉丸摻豬肉和雞肉檢測(cè)研究。首先采用不同預(yù)處理方法建立全波段下PLS模型并比較得出預(yù)處理方法，然后用不同方法篩選特征波長(zhǎng)建立PLS模型。結(jié)果表明：（1）在1stDer，2ndDer，MC，MSC，SG和SNVT預(yù)處理方法中，牛肉丸摻豬肉和雞肉PLS預(yù)測(cè)模型預(yù)處理方法分別為MSC和2ndDer。（2）在SPA，CARS，Si-PLS和SiPLS-CARS四種特征波長(zhǎng)篩選方法中，牛肉丸摻豬肉和雞肉PLS預(yù)測(cè)模型方法均為CARS，分別篩選了51和61個(gè)特征波長(zhǎng)。此時(shí)，摻豬肉PLS預(yù)測(cè)模型Rc和Rp分別為0.9814和0.9721，RMSECV和RMSEP分別,0.0163和0.0203。摻雞肉PLS預(yù)測(cè)模型Rc和Rp分別為0.9902和0.9787，RMSECV和RMSEP分別為0.0123和0.0126。摻雞肉預(yù)測(cè)模型效果整體好于摻豬肉。研究表明采用高光譜成像技術(shù)可以實(shí)現(xiàn)牛肉丸摻豬肉和雞肉含量預(yù)測(cè)，可為快速無(wú)損檢測(cè)牛肉丸摻假提供理論基礎(chǔ)。

來(lái)源：高光譜成像的牛肉丸摻假檢測(cè)：孫宗保，王天真，李君奎，鄒小波" ，梁黎明，劉小裕{光譜學(xué)與光譜分析 第40卷第7期}