白 京，李家鵬，鄒 昊，田寒友，劉 飛，王 輝，李文采，張振琪，王守偉

（中國(guó)肉類食品綜合研究中心，北京食品科學(xué)研究院，肉類加工技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100068）

羊肉作為一種食藥兩用、營(yíng)養(yǎng)豐富的肉類食品[1]，深受消費(fèi)者的喜愛。羊肉卷作為火鍋等的必備食材，市場(chǎng)需求量極大。但近年來(lái)，隨著肉品加工業(yè)的迅速發(fā)展，受羊肉卷冷凍的制作過(guò)程啟發(fā)，很多商人受巨大利益驅(qū)使，使用鴨肉、豬肉等低價(jià)位品種肉進(jìn)行摻假，靠羊尾等羊肥肉的膻味以假亂真，對(duì)消費(fèi)者造成嚴(yán)重利益損失，構(gòu)成嚴(yán)重食品健康隱患[2]。而由于肉品種類繁多，成分復(fù)雜，摻雜物質(zhì)種類很多，外觀成分組成性質(zhì)比較接近，傳統(tǒng)的摻假化學(xué)檢測(cè)一般通過(guò)化學(xué)分析、儀器分析、感官評(píng)定等時(shí)間較長(zhǎng)的檢測(cè)手段來(lái)完成，且操作步驟較為復(fù)雜，不能滿足大批量快速檢測(cè)的需求，因此快速鑒別檢測(cè)摻假肉具有十分重要的意義[3-5]。

近紅外光譜作為一種快速檢測(cè)手段，分析速度快、操作簡(jiǎn)單并且效率較高[6-8]。該技術(shù)主要在肉類方面的應(yīng)用有：肉品品質(zhì)的多指標(biāo)綜合評(píng)價(jià)[9-12]，肉類化學(xué)成分的定量分析[13-14]，肉品產(chǎn)地[15]、部位[16]、摻假[17-19]等方面的鑒定。如牛曉穎等[20]比較了馬氏距離判別分析、簇類獨(dú)立軟模式分類法、最小二乘-支持向量機(jī)方法分別結(jié)合平滑（5、15 點(diǎn)及25 點(diǎn)）、一階和二階微分、多元散射校正（multiplicative scatter correction，MSC）和標(biāo)準(zhǔn)歸一化的光譜預(yù)處理方法對(duì)肉塊樣品及大中小3 個(gè)不同粉碎粒徑建立近紅外光譜鑒別驢肉模型，不同粉碎粒徑的肉類樣品分類中，驢肉樣品均得到了100%的判別正確率。但目前針對(duì)肉的摻假問(wèn)題，快速定量檢測(cè)研究較少，且研究對(duì)象主要為鮮瘦肉，無(wú)法應(yīng)用于鮮瘦肉和肥肉相間的羊肉卷快速定量檢測(cè)。本研究為填補(bǔ)現(xiàn)有研究的空白，以不同肥肉占比的豬肉摻假解凍羊肉卷為檢測(cè)對(duì)象，在進(jìn)行簡(jiǎn)單前處理情況下，采集樣品近紅外光譜信息，選取合適的預(yù)處理方法建立全波段偏最小二乘回歸（partial least square regression，PLSR）模型，并基于競(jìng)爭(zhēng)性自適應(yīng)加權(quán)采樣（competitive adaptive reweighted sampling，CARS）算法提取特征波長(zhǎng)建立CARS-PLSR模型，進(jìn)一步簡(jiǎn)化預(yù)測(cè)模型，提出一種快速檢測(cè)不同肥肉占比的解凍羊肉卷中豬肉摻假比例的定量分析方法，為摻假羊肉卷的定量檢測(cè)提供技術(shù)支持。

1 材料與方法

1.1 材料與儀器

肉樣品均為冷鮮肉，按照市場(chǎng)羊肉卷制作實(shí)際情況，選擇以下樣品：豬瘦肉（北京永輝商業(yè)有限公司），品種為北京三元豬；羊瘦肉（羊腿肉）、羊肥肉（羊尾）均購(gòu)自北京穆森偉業(yè)清真食品有限責(zé)任公司，品種為北京土種羊。樣品1 h內(nèi)運(yùn)至實(shí)驗(yàn)室后密封保存于0～4 ℃冷庫(kù)中。

MPA近紅外光譜儀 德國(guó)布魯克光學(xué)儀器公司；PGC 6002i天平 艾德姆衡器（武漢）有限公司；RS-JR80A絞肉機(jī) 合肥榮電實(shí)業(yè)股份有限公司。

1.2 方法

1.2.1 樣品制備

為建立準(zhǔn)確定量檢測(cè)模型，將原料肉的表皮、筋膜、肥肉、血塊等剔除，切成片狀，按照比例混合摻雜成卷狀。其中豬肉摻加量占瘦肉總量的比例分別為0%、20%、40%、60%、80%和100%，綜合羊肉中脂肪占比以及市場(chǎng)因素[1]，選擇肥肉占比分別為15%、25%和35%，每個(gè)配比18 個(gè)樣本平行，共324 個(gè)樣本。將摻雜好的樣品分別置于－18 ℃冷庫(kù)中保存。實(shí)驗(yàn)開始前，將樣品取出置于0～4 ℃冷庫(kù)中24 h解凍。對(duì)解凍完的樣品使用絞肉機(jī)，以直徑為3 mm的板孔絞成小顆粒肉糜，絞2 次，保證樣品摻雜均勻。每個(gè)樣本稱取（180±1）g，使用直徑為8 cm的模具壓實(shí)壓平，以便進(jìn)行近紅外光譜的采集。

1.2.2 光譜采集

利用近紅外光譜儀樣品旋轉(zhuǎn)器采集，光譜采集軟件為OPUS 7.0。將樣品置于樣品杯中壓實(shí)，旋轉(zhuǎn)采集，光譜儀掃描范圍為12 500～3 500 cm－1，掃描次數(shù)為64 次，分辨率為16 cm－1。實(shí)驗(yàn)時(shí)環(huán)境溫度為（25±1）℃，確保無(wú)環(huán)境可見光干擾，每個(gè)樣品采集3 次光譜數(shù)據(jù)，取其平均值作為該樣品的光譜數(shù)據(jù)。

所有光譜采集實(shí)驗(yàn)在1 個(gè)月內(nèi)完成，保證肉品冷凍期間化學(xué)成分無(wú)明顯變化[21]。

1.2.3 分析方法

將324 個(gè)樣本按照Kennard Stone法[22]以3∶1分為校正集和驗(yàn)證集，數(shù)據(jù)處理采用MATLAB2017a軟件編程實(shí)現(xiàn)。

為去除光譜噪聲提高信噪比，選取SG（Savitzky-Golay）卷積平滑（7 點(diǎn)）、SG平滑結(jié)合一階導(dǎo)（SG-first derivation，SG-1st）、SG平滑結(jié)合二階導(dǎo)（SG-second derivation，SG-2st）、MSC、中心化、標(biāo)準(zhǔn)正態(tài)變量校正（standard normal variate，SNV）等預(yù)處理方法，并結(jié)合PLSR進(jìn)行定量分析建立判別解凍羊肉卷中豬肉摻假比例的預(yù)測(cè)模型。選取模型最優(yōu)的預(yù)處理方法，采用CARS進(jìn)行波長(zhǎng)優(yōu)選，簡(jiǎn)化模型和提高模型預(yù)測(cè)精確度和穩(wěn)定性，根據(jù)所篩選波長(zhǎng)用PLSR方法再對(duì)豬肉摻假比例進(jìn)行建模分析。以校正均方根誤差（root mean square error of calibration，RMSEC）、預(yù)測(cè)均方根誤差（root mean square error of prediction，RMSEP）、校正集決定系數(shù)（）、驗(yàn)證集決定系數(shù)（）、范圍誤差比（ratio of performance to standard deviate，RPD）作為模型的評(píng)價(jià)指標(biāo)[23]。尋找具有較低且相近的RMSEC和RMSEP，擁有較高和且RPD大于3[23]的組合處理方法，使模型的準(zhǔn)確度、穩(wěn)定性、分辨能力達(dá)到最佳。

1.2.4 模型驗(yàn)證

實(shí)驗(yàn)采用外部驗(yàn)證[24]的方法對(duì)所建立的模型預(yù)測(cè)效果進(jìn)行驗(yàn)證。按照上述樣品制備方法，取不同摻雜比例的樣品為檢驗(yàn)集（test set，TS）進(jìn)行實(shí)驗(yàn)驗(yàn)證，具體摻雜比例如表1所示，共20 個(gè)樣本，分為4 組。其中第1、2兩組樣品肥肉占比與建模集樣品肥肉占比相同，但豬肉摻假比例不相同，而第3組樣品的肥肉占比和豬肉摻假比例均與建模集樣品相同，第4組樣品的肥肉占比和豬肉摻假比例均與建模集樣品不同，以便分別對(duì)模型的重復(fù)性和適用性作驗(yàn)證。

表1 檢驗(yàn)集樣品組成Table1 Sample composition of test set

2 結(jié)果與分析

2.1 原始光譜的測(cè)定

圖1 原始光譜Fig.1 Original spectra of samples

從圖1a可以看出，不同肥肉占比的純豬肉與純羊肉的吸光度曲線非常相似，在某些波數(shù)范圍內(nèi)可明顯區(qū)分，如9 000～7 500 cm－1范圍內(nèi)，吸光度從高到低依次是豬肉（肥肉占比15%）、羊肉（肥肉占比15%）、豬肉（肥肉占比25%）、羊肉（肥肉占比35%）、豬肉（肥肉占比35%）、羊肉（肥肉占比25%），同一肉種不同肥肉占比的吸光度變化規(guī)律不同。不同種類的肉化學(xué)成分不同，肥肉與瘦肉化學(xué)成分相差較大[25]，因此近紅外光譜的吸光度也有所變化。

不同摻假比例的樣品光譜圖趨勢(shì)相同，波峰波谷處基本相同，但吸光度呈現(xiàn)區(qū)別。而比較圖1b～d可以看出，不同肥肉占比的摻假肉光譜趨勢(shì)基本相同，但肥肉占比越高，肥肉占比對(duì)光譜曲線的影響越大，摻假比例對(duì)光譜曲線影響越小，肥肉占比35%的樣品吸光度差別較小。

2.2 全波段建模

表2 不同預(yù)處理方法建立羊肉中豬肉摻假模型結(jié)果Table2 Results of calibration and prediction with different preprocessing methods for adulterated mutton rolls

在原始光譜12 000～3 500 cm－1波數(shù)范圍內(nèi)，分別運(yùn)用SG（7 點(diǎn)）、SG-1st、SG-2st、MSC、中心化、SNV等預(yù)處理方法進(jìn)行PLSR定量建模，如表2所示。各種預(yù)處理方法得到的PLSR模型預(yù)測(cè)集的決定系數(shù)均達(dá)到0.9以上，且RPD都在3以上，表明該方法對(duì)制備的摻假羊肉樣品中豬肉摻假比例定量預(yù)測(cè)是可行且穩(wěn)定的，其中采用SG-1st作為預(yù)處理方法，預(yù)測(cè)的精確度和模型的穩(wěn)定性高于其他方法，因此采用SG-1st處理之后的光譜數(shù)據(jù)作進(jìn)一步分析。

2.3 特征波長(zhǎng)建模

圖2 特征波長(zhǎng)提取過(guò)程Fig.2 Extraction of feature wavebands

圖3 選擇特征波長(zhǎng)變量Fig.3 Selection of characteristic wavelength variates

CARS是通過(guò)自適應(yīng)重加權(quán)采樣技術(shù)選擇出PLSR模型中回歸系數(shù)絕對(duì)值大的波長(zhǎng)點(diǎn)，去掉權(quán)重小的波長(zhǎng)點(diǎn)，利用交叉驗(yàn)證優(yōu)選出多個(gè)PLSR模型中交互驗(yàn)證均方根誤差（root mean square error of cross validation，RMSECV）最低的子集，該子集所包含的變量即為最優(yōu)變量組合[26-27]。對(duì)SG-1st預(yù)處理后的光譜數(shù)據(jù)應(yīng)用CARS算法，選取特征波長(zhǎng)，建立CARS-PLSR定量檢測(cè)模型。圖2表示算法運(yùn)行過(guò)程中，變量數(shù)、RMSECV和每個(gè)波長(zhǎng)變量回歸系數(shù)的變化情況。如圖2a所示，隨著采樣次數(shù)的增加，保留的相關(guān)波長(zhǎng)變量數(shù)逐漸減少，且減少的速度由高變低，表明篩選過(guò)程是由粗選到精選。如圖2b所示，隨著樣品運(yùn)行次數(shù)的增加，單個(gè)PLSR模型RMSECV先降低后升高，其中運(yùn)行到第7次時(shí)RMSECV最小，表明運(yùn)行1～7 次之間，大量的無(wú)關(guān)變量被剔除，而運(yùn)行7 次之后，與摻假定量預(yù)測(cè)相關(guān)的波長(zhǎng)變量被剔除導(dǎo)致RMSECV升高?；谶x取RMSECV最小的原則，選取采樣運(yùn)行7 次獲取的變量子集為與摻假定量預(yù)測(cè)相關(guān)的關(guān)鍵特征變量，共93 個(gè)波長(zhǎng)變量，如圖3所示。選擇的特征波長(zhǎng)變量主要集中在6 600～5 500 cm－1和12 000～7 000 cm－1譜段之間，大多在中波近紅外譜區(qū)范圍內(nèi)，特征譜段主要記錄的是C—H基團(tuán)的一級(jí)倍頻和二級(jí)倍頻的振動(dòng)吸收[28]，表明C—H基團(tuán)振動(dòng)的信息對(duì)于定量分析具有更大的意義。

圖4 模型預(yù)測(cè)結(jié)果Fig.4 Model prediction results

應(yīng)用提取的特征波長(zhǎng)變量建立PLSR定量檢測(cè)模型，模型校正集和驗(yàn)證集的決定系數(shù)分別為0.983 6和0.972 5，RMSEC和RMSEP分別為0.043 7和0.057 7，RPD為7.62，如圖4所示。選定相連2 個(gè)比例值的均值即10%、30%、50%、70%、90%為閾值，可以看出基本每個(gè)摻假比例均與前后摻假比例無(wú)重疊，說(shuō)明該模型的定量檢測(cè)針對(duì)建模集豬肉摻假比例的±10%范圍內(nèi)是準(zhǔn)確的。CARS-PLSR模型的效果明顯優(yōu)于全波段建模結(jié)果，模型也更加穩(wěn)定，表明CARS算法有效篩選的特征波長(zhǎng)主要含有豬肉摻假比例定量預(yù)測(cè)的相關(guān)信息，其他無(wú)關(guān)光譜特征變量被盡可能刪除。

2.4 模型驗(yàn)證

為驗(yàn)證模型在各肥肉占比區(qū)間內(nèi)對(duì)樣品種豬肉摻假比例預(yù)測(cè)的準(zhǔn)確性、重復(fù)性和適用性，應(yīng)用上述最優(yōu)豬肉摻假比例定量分析模型對(duì)TS樣品摻假比例進(jìn)行定量預(yù)測(cè)。4 組TS樣品總體的真實(shí)值與預(yù)測(cè)值的相關(guān)系數(shù)為0.913 8，均方根誤差為0.238 7，預(yù)測(cè)結(jié)果如表3所示。1、2、3組的預(yù)測(cè)誤差絕對(duì)值均低于5%，表明當(dāng)檢驗(yàn)樣品與樣品集肥肉占比相同時(shí)，該模型對(duì)樣品中豬肉摻假比例有良好的預(yù)測(cè)效果，重復(fù)性較好。而第3組預(yù)測(cè)并未明顯優(yōu)于1、2組，表明該模型對(duì)相同肥肉占比樣品檢測(cè)具有較好得適用性。而第4組的誤差絕對(duì)值中10%摻假、30%摻假和90%摻假均大于5%，表明該模型對(duì)與建模集肥肉占比不同的樣品定量預(yù)測(cè)效果稍差，但總體差異不大。4 組樣品預(yù)測(cè)結(jié)果可以看出，模型整體對(duì)待測(cè)樣品的重復(fù)性和適用性較好，若進(jìn)一步提高模型的適用性，需要增加不同肥肉占比的樣品。

表3 TS樣品預(yù)測(cè)結(jié)果Table3 Prediction results for test set

3 結(jié) 論

本實(shí)驗(yàn)結(jié)合近紅外光譜技術(shù)對(duì)不同肥肉占比的解凍羊肉卷中的豬肉摻假比例進(jìn)行研究對(duì)全波段光譜，經(jīng)SG-1st預(yù)處理后的PLSR模型效果最好，校正集和驗(yàn)證集相關(guān)系數(shù)分別為0.969和0.953，RPD為4.595大于3，即表明基于近紅外光譜技術(shù)對(duì)不同肥肉占比的羊肉卷中豬肉摻假比例的測(cè)定方法可行。CARS-PLSR模型僅使用16.1%的波長(zhǎng)變量，校正集和驗(yàn)證集決定系數(shù)分別為0.983 6和0.972 5，RPD為7.62，預(yù)測(cè)集TS預(yù)測(cè)值和真實(shí)值的相關(guān)系數(shù)為0.913 8，剔除了不相關(guān)波長(zhǎng)變量，模型效果得到提高。

本研究中需進(jìn)一步補(bǔ)充樣本數(shù)量，擴(kuò)大不同肥肉占比下的豬肉摻假比例樣品數(shù)量，并增加不同部位肉品摻假的樣品數(shù)量，擴(kuò)大模型的使用范圍。