孫宗保， 王天真， 李君奎， 鄒小波， 梁黎明， 劉小裕

江蘇大學(xué)食品與生物工程學(xué)院， 江蘇 鎮(zhèn)江 212013

引 言

肉丸是一種有著獨(dú)特口感的肉類(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)制作的牛肉丸最為著名。 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%[1]。 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[2]、 DNA分析法[3]、 傳感器法[4]和光譜法[5-8]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[9]， 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[6]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[7]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[8]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(uninformative variable elimination, UVE)和連續(xù)投影法(successive projections algorithm, SPA)的組合篩選了最佳波長(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[10]的調(diào)查， 豬肉和雞肉是市場(chǎng)上最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(partial least squares, PLS)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(competitive adaptive reweighted sampling, CARS)、 聯(lián)合區(qū)間偏最小二乘法(synergy interval partial least squares, 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)(synergy interval partial least squares-competitive adaptive reweighted sampling, siPLS-CARS)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 實(shí)驗(yàn)部分

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。

牛肉丸制作方法參照文獻(xiàn)[11]。 肉丸制作配方： 每1 kg原料肉中加入淀粉100 g、 食鹽25 g、 白糖20 g、 肉彈素5 g、 味精4 g、 黑胡椒粉5 g、 TG酶5 g、 料酒20 mL、 水200 mL。 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)(ImSpector V10E, Spectral Imaging Ltd, Finland)、 150 W光纖鹵素?zé)?Fiber-Lite DC950 Illuminator, Dolan-Jenner Industries Inc, America)、 精密電控平移臺(tái)(SC30021A, Zolix Instruments Ltd, China)、 電子控制箱(SC300-1A, Zolix Instruments Ltd, China)和計(jì)算機(jī)等。 軟件部分主要是SpectralCube (Spectral Imaging Ltd, Finland)。

圖1 高光譜成像系統(tǒng)

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30 min， 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45 ms， 圖像分辨率618×1 628； 光譜范圍為431～962 nm， 光譜波長(zhǎng)間隔為0.858 nm； 電控平移臺(tái)移動(dòng)速度為1.25 m·s-1。 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。

(1)

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(region of interest, 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)。 330個(gè)樣本共得到330條平均光譜， 最終得到330×618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[12]。 采用的預(yù)處理方法包括一階導(dǎo)數(shù)(first derivative, 1stDer)、 二階導(dǎo)數(shù)(second derivative, 2ndDer)、 均值中心化(mean centering, MC)、 多元散射校正(multiplicative scatter correction, MSC)、 卷積平滑(savitzky-golay, SG)、 標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variate transformation, SNVT)。 通過(guò)對(duì)比不同預(yù)處理方法所建立模型的效果， 選取最佳預(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)， 并用校正模型選擇最終特征波長(zhǎng)[13]。 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)(exponentially decreasing function, EDF)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(adaptive reweighted sampling, ARS)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[14]。 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)(correlation coefficient of calibration,RC)、 預(yù)測(cè)集相關(guān)系數(shù)(correlation coefficient of prediction,RP)、 交叉驗(yàn)證均方根誤差(root mean square error of cross validation, RMSECV)和預(yù)測(cè)均方根誤差(root mean square error of prediction, RMSEP)。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。

2 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710 nm處有反射峰， 這主要與O—H鍵的三級(jí)倍頻吸收有關(guān)[15]。 摻有雞肉樣本光譜在710 nm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)。

圖2 摻有豬肉的牛肉丸樣本原始光譜(a)與平均光譜(b)

圖3 摻有雞肉的牛肉丸樣本原始光譜(a)與平均光譜(b)

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)效果最好， 當(dāng)主成分?jǐn)?shù)為15時(shí)， 模型的RC和RP分別為0.951 5和0.948 1， RMSECV和RMSEP分別為0.026 9和0.026 1。

表1 基于不同預(yù)處理方法的牛肉丸中摻豬肉含量PLS模型預(yù)測(cè)結(jié)果

Table 1 Predictive results of PLS model of pork content adulterated in beef meatballs based on different pre-processing methods

預(yù)處理方法PCsRCRMSECVRPRMSEP1st Der100.946 30.028 70.930 10.029 32nd Der150.881 80.041 90.877 40.038 8MC110.936 50.031 60.928 70.028 8MSC150.951 50.026 90.948 10.026 1SG120.941 10.029 20.924 90.031 8SNVT140.948 70.026 20.944 60.030 5

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已指出摻有豬肉的最佳預(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)和最終篩選的特征波長(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(root mean square error, RMSE)的值程階梯狀下降， 隨后趨于穩(wěn)定。 最終選擇了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948.39 nm)， 占全波段的2.10%， 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最小， 此時(shí)共篩選了51個(gè)特征波長(zhǎng)， 占全波段的8.25%。

圖4 SPA篩選波長(zhǎng)結(jié)果

圖5 CARS篩選波長(zhǎng)過(guò)程

(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顯示了最優(yōu)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%。

圖6 siPLS選擇最佳子區(qū)間

圖7 siPLS后CARS篩選波長(zhǎng)過(guò)程

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)效果最佳， 模型的RC和RP分別為0.981 4和0.972 1， RMSECV和RMSEP分別為0.016 3和0.020 3。 SPA雖然極大地減少了特征波長(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。 siPLS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)篩選后模型最佳， 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。

表2 基于不同特征波長(zhǎng)篩選方法的牛肉丸中豬肉含量的PLS模型預(yù)測(cè)結(jié)果

Table 2 Predictive results of PLS model of pork content adulterated in beef meatballs based on different characteristic wavelengths screening methods

模型特征波長(zhǎng)篩選方法篩選波長(zhǎng)數(shù)量RCRMSECVRPRMSEPPLSSPA130.914 50.033 60.906 20.038 6CARS510.981 40.016 30.972 10.020 3siPLS1800.943 20.027 70.906 90.037 2siPLS-CARS320.963 10.023 30.941 80.029 6

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)效果最好， 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0.014 3和0.016 5。

表3 基于不同預(yù)處理方法的牛肉丸中摻假雞肉含量PLS模型預(yù)測(cè)結(jié)果

Table 3 Predictive results of PLS model of chicken content adulterated in beef meatballs based on different pre-processing methods

預(yù)處理方法PCsRCRMSECVRPRMSEP1st Der140.986 10.014 30.980 70.016 52nd Der110.974 30.019 40.982 80.015 7MC150.982 80.015 50.976 20.019 4MSC140.976 50.019 00.986 20.013 3SG120.972 60.020 10.964 10.022 0SNVT150.984 00.014 90.975 30.020 6

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952.78 nm)， 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選擇的最佳區(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)效果最佳。 此時(shí)， 模型的RC和RP分別為0.990 2和0.987 8， RMSECV和RMSEP分別為0.012 3和0.012 6。 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。

表4 不同特征波長(zhǎng)篩選方法的牛肉丸中雞肉含量的PLS模型預(yù)測(cè)結(jié)果

Table 4 Predictive results of PLS model of chicken content adulterated in beef meatballs based on different characteristic wavelengths screening methods

模型特征波長(zhǎng)篩選方法篩選波長(zhǎng)數(shù)量RCRMSECVRPRMSEPPLSSPA150.945 60.027 80.937 30.030 0CARS610.990 20.012 30.987 80.012 6siPLS1800.980 90.015 20.969 60.021 8siPLS-CARS280.982 30.016 00.972 30.020 3

3 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模型并比較得出最佳預(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)模型最佳預(yù)處理方法分別為MSC和1stDer。 (2)在SPA， CARS， siPLS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)模型最佳方法均為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0.981 4和0.972 1， RMSECV和RMSEP分別為0.016 3和0.020 3。 摻雞肉PLS預(yù)測(cè)模型RC和RP分別為0.990 2和0.987 8， RMSECV和RMSEP分別為0.012 3和0.012 6。 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)。