基于支持向量機的近紅外光譜技術(shù)鑒別摻假牛肉

張麗華,相啟森,李順峰,吳曉宗,縱 偉,趙光遠(yuǎn)

(1 鄭州輕工業(yè)學(xué)院 食品與生物工程學(xué)院，河南 鄭州 450002；2 食品生產(chǎn)與安全河南省協(xié)同創(chuàng)新中心，河南 鄭州 450002；3 河南省農(nóng)科院 農(nóng)副產(chǎn)品加工研究所，河南 鄭州 450002)

?

基于支持向量機的近紅外光譜技術(shù)鑒別摻假牛肉

張麗華1,2,相啟森1,2,李順峰3,吳曉宗1,縱 偉1,2,趙光遠(yuǎn)1,2

(1 鄭州輕工業(yè)學(xué)院 食品與生物工程學(xué)院，河南 鄭州 450002；2 食品生產(chǎn)與安全河南省協(xié)同創(chuàng)新中心，河南 鄭州 450002；3 河南省農(nóng)科院 農(nóng)副產(chǎn)品加工研究所，河南 鄭州 450002)

【目的】 利用近紅外光譜技術(shù)對摻入鴨肉的摻假牛肉進行判別研究，為實現(xiàn)摻假牛肉的快速、準(zhǔn)確檢測提供參考?！痉椒ā?市購冷凍儲存的牛里脊肉和鴨肉，在牛里脊肉糜中摻入質(zhì)量分?jǐn)?shù)為0，5%，10%，15%，20%，25%的鴨肉糜(對應(yīng)m(鴨肉糜)∶m(牛肉糜)分別為0∶20，1∶19，2∶18，3∶17，4∶16和5∶15)，制備供試牛肉和摻假牛肉，采用近紅外漫反射方式在波數(shù)為10 000～4 000 cm-1時采集牛里脊肉、摻假牛里脊肉和鴨肉的近紅外光譜，對原始光譜經(jīng)多元散射校正(Multiplicative scatter correction，MSC)、標(biāo)準(zhǔn)正態(tài)變量變換(Standard normal variate transformation，SNV)、面積歸一化(Area normalization)、15點平滑處理和一階導(dǎo)數(shù)處理等方法預(yù)處理后，對所建支持向量機(nu-SVM)判別模型的預(yù)測效果進行比較?！窘Y(jié)果】 經(jīng)MSC預(yù)處理后所建的牛里脊肉、摻假牛里脊肉和鴨肉的nu-SVM判別模型判別性能穩(wěn)定，對建模集的正確判別率為97.09%，對檢驗集的正確判別率為94.00%?！窘Y(jié)論】 近紅外光譜技術(shù)結(jié)合MSC預(yù)處理后所建的nu-SVM模型可用于摻雜鴨肉的牛里脊肉的鑒別。

摻假牛肉；支持向量機；近紅外光譜；鴨肉

牛肉作為清真肉制品的典型代表，隨著人們對其營養(yǎng)價值、加工方式的普遍認(rèn)同，對牛肉的消費已不僅僅局限在穆斯林地區(qū)，近年來牛肉的消費量呈快速增長趨勢[1]。然而，市場上牛肉及牛肉制品的安全及真實性不容樂觀，有不法商販為謀取暴利，在牛肉中摻入低價位的豬肉、雞肉、鴨肉等，這不僅危害了消費者的健康和經(jīng)濟利益，同時也擾亂了牛肉及牛肉制品市場的健康發(fā)展。因此，如何鑒別摻入低價肉的摻假牛肉已成為確保牛肉安全的首要問題。

針對肉類摻假的鑒別有多種技術(shù)，如感官檢驗、理化檢驗、生物技術(shù)、色譜技術(shù)以及電子感官鑒別技術(shù)(電子鼻和電子舌)等[2-5]。目前采用近紅外光譜技術(shù)分析牛肉品質(zhì)(感官、水分、新鮮度、脂肪、蛋白質(zhì)等)的報道較多[6-8]，但關(guān)于摻假牛肉鑒別的報道較少。Ding等[9]用近紅外光譜技術(shù)線性回歸法鑒別了牛肉和袋鼠肉。Mcelhinney等[10]研究采用近紅外光譜技術(shù)對摻入羊肉的牛肉進行了鑒別，表明在摻假量為0～100%時，標(biāo)準(zhǔn)預(yù)測偏差約為4.1%。Rohman等[11]利用傅里葉變換近紅外光譜(FTIR)和偏最小二乘(PLS)鑒別牛肉丸中摻雜豬肉脂肪、牛肉脂肪以及牛豬肉混合脂肪，結(jié)果表明，F(xiàn)TIR可以用于牛肉丸中摻假豬肉的鑒別和定量分析。綜觀現(xiàn)有研究，尚未見關(guān)于在牛肉中摻入與其色澤相似的低值鴨肉的鑒別報道，而且在近紅外光譜的數(shù)據(jù)分析方面，采用主成分分析(PVA)、偏最小二乘(PLS)等的報道較多[9-12]，而采用支持向量機(Support vector machine，SVM)來鑒別摻假肉的報道較少。

SVM是一種基于統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)方法，常用于非線性關(guān)系的關(guān)聯(lián)，屬于神經(jīng)網(wǎng)絡(luò)和非線性建模的范疇，一般分為支持向量分類(support vector classification，SVC)和支持向量回歸(support vector regression，SVR)2種。SVM具有全局優(yōu)化、泛化性能好、可以避免神經(jīng)網(wǎng)絡(luò)方法中的局部極小值等優(yōu)點，已成為目前國際、國內(nèi)研究的熱點。近年來，其已成功用于蘋果分類[13]、茶葉真?zhèn)舞b別[13]、雞蛋新鮮度識別[14]、煙草組分定性定量分析[15]等方面，而關(guān)于采用SVM方法鑒別摻入鴨肉的摻假牛肉還未見相關(guān)報道。本研究以新鮮牛里脊肉為對象，人工摻入不同比例的鴨肉，探索建立采用SVM結(jié)合不同近紅外光譜預(yù)處理方法鑒別摻假牛肉的可行性，以期為摻假牛肉的快速鑒別提供參考。

1 材料與方法

1.1 材 料

試驗所用的牛里脊肉和鴨肉，均為-18 ℃凍藏的冷凍肉，于2014-04月購于河南鄭州丹尼斯超市，用保鮮膜密封后運回實驗室，去離子水解凍。

1.2 儀 器

AntarisⅡ型傅里葉變換近紅外光譜儀，美國Thermo公司；BCD-213KDZ型冰箱，新飛電器有限公司；MO-385小型絞肉機，桃花島電器有限公司；AL204型電子天平，梅特勒-托利多儀器有限公司。

1.3 方 法

1.3.1 樣品制備與檢測 采用不銹鋼刀將解凍后的牛里脊肉和鴨肉樣品切成小肉丁，分別用小型絞肉機絞碎成肉糜，分裝于不同的容器中。然后在牛肉糜中摻入質(zhì)量分?jǐn)?shù)分別為0，5%，10%，15%，20%和25%的鴨肉糜，對應(yīng)的m(鴨肉糜)∶m(牛肉糜)分別為0∶20，1∶19，2∶18，3∶17，4∶16和 5∶15，以肉眼可見有明顯摻假肉為限，并人工攪拌均勻，制備供測的牛里脊肉和摻假牛里脊肉肉樣。取(20.00±0.50) g供測肉糜放入直徑5.00 cm的樣品杯中，壓實，保證底部沒有氣泡和漏光現(xiàn)象，進行近紅外光譜的采集。

儀器檢測參數(shù)為：掃描范圍為全波段掃描，掃描次數(shù)64次。儀器參數(shù)：光源為鹵鎢燈，主機光譜為10 000～4 000 cm-1，具有獨立的高靈敏度InGaAs檢測器，采用積分球漫反射分析模塊進行分析。

1.3.2 數(shù)據(jù)處理 根據(jù)近紅外光譜的原始數(shù)據(jù)進行統(tǒng)計學(xué)分析，考察近紅外光譜漫反射方式在牛里脊肉中摻入不同比例鴨肉的識別效果。將原始光譜經(jīng)多元散射校正(Multiplicative scatter correction,MSC)、標(biāo)準(zhǔn)正態(tài)變量變換(Standard normal variate correction,SNV)、面積歸一化(Area normalization)、15點平滑處理(15 point smooth)、一階導(dǎo)數(shù)處理(1st derivative)預(yù)處理后，對所建支持向量機(nu-SVM)判別模型的預(yù)測效果進行評價[16-19]。數(shù)據(jù)處理軟件采用Matlab 8.03軟件平臺進行分析。

2 結(jié)果與分析

2.1 摻假牛里脊肉的近紅外光譜分析

從圖1可以看出，牛里脊肉和摻入鴨肉的摻假牛里脊肉的近紅外光譜曲線形狀相似，并且牛里脊肉和摻假牛里脊肉的光譜有交叉重合，在樣本數(shù)較少的情況下即可從光譜圖中區(qū)分出2類肉(圖1-A)。但隨著樣本數(shù)量的增加及檢測儀器性能和環(huán)境條件等因素的影響，就很難從光譜曲線上直接予以區(qū)分(圖1-B)。而且由于儀器、樣本背景、環(huán)境條件及其他因素的影響，近紅外光譜常出現(xiàn)噪聲、譜圖基線平移和漂移等現(xiàn)象，為了消除這些非目標(biāo)因素對所建模型的影響，應(yīng)盡可能去除無關(guān)信息變量，以提高模型的預(yù)測能力和穩(wěn)定性。因此，本研究采用多種光譜預(yù)處理方法(MSC、SNV、面積歸一化、15點平滑處理、一階導(dǎo)數(shù)處理)對原始光譜進行處理。

A.樣本數(shù)=2 Sample number=2;B.樣本數(shù)=153 Sample number=153

圖 1 牛里脊肉和摻入鴨肉的摻假牛里脊肉的近紅外光譜

Fig.1 NIR spectroscopies of beef and beef adulterated with duck meat

2.2 摻假牛里脊肉支持向量機判別模型的建立與檢驗

本試驗采集制備各種肉樣153個，近紅外光譜為10 000～4 000 cm-1，共有1 557個數(shù)據(jù)點，構(gòu)成了153×1 557的光譜矩陣，將其中的103個樣本作為建模集，其余的50個樣本作為驗證集。經(jīng)不同預(yù)處理后所建nu-SVM判別模型對建模集的判別效果如表1所示。

表 1 不同光譜預(yù)處理方法所建摻假牛里脊肉nu-SVM模型對建模集的判別結(jié)果

從表1可以看出，牛里脊肉、鴨肉和摻假牛里脊肉的近紅外光譜數(shù)據(jù)經(jīng)不同光譜預(yù)處理方法處理后，其中對牛里脊肉的正確判別方面，除SNV和一階導(dǎo)數(shù)處理有誤判外，其余光譜預(yù)處理方法均判斷正確。

由表1還可以看出，除面積歸一化和一階導(dǎo)數(shù)處理外，其余光譜預(yù)處理方法所建模型的正確判別率均高于或與原始光譜所建判別模型的正確判別率相當(dāng)，其中MSC預(yù)處理所建nu-SVM模型的正確判別率最高(97.09%)，且所用支持向量數(shù)(SVs)較少(61個)。成芳等[20]比較了不同光譜預(yù)處理方法(不同點數(shù)平滑、MSC、SNV、OSC以及一階微分處理)對不同部位豬肉肉糜所建的偏最小二乘判別模型的影響，得出采用一階微分光譜預(yù)處理方法可使模型的校正集判別正確率達到100%，預(yù)測集判別正確率達到96%。楊增玲等[21]為利用可見-近紅外光譜檢測魚粉中的摻假肉骨粉，采用2-8-6-1的數(shù)學(xué)預(yù)處理方法和SNV的散射校正預(yù)處理方法作為檢測魚粉中肉骨粉的最優(yōu)光譜預(yù)處理方法。由此可見，最優(yōu)光譜預(yù)處理方法的選擇和確定，隨分析檢測對象的不同而有差異。

表 2 經(jīng)MSC預(yù)處理所建摻假牛里脊肉nu-SVM模型對檢驗集的判別結(jié)果

表2結(jié)果顯示，利用經(jīng)MSC預(yù)處理后所建的nu-SVM判別模型，對牛里脊肉、摻≤15%鴨肉的摻假牛里脊肉和鴨肉的正確判別率均為100.00%；摻15%～25%鴨肉的摻假牛肉中有3個樣本被誤判，正確判別率為70.00%，表明即使摻入鴨肉的量較低時仍可以將其判別出，摻入鴨肉量過多時可能會出現(xiàn)誤判。結(jié)果表明，采用MSC預(yù)處理后，總體樣本的正確判別率為94.00%，可以準(zhǔn)確將牛肉、摻假牛肉和鴨肉區(qū)分開來，說明將經(jīng)MSC預(yù)處理所建的nu-SVM判別模型應(yīng)用于牛肉、摻入鴨肉的摻假牛肉和鴨肉的快速鑒別是可行的。

3 結(jié) 論

比較了原始光譜及其經(jīng)MSC、SNV、面積歸一化、15點平滑處理和一階導(dǎo)數(shù)處理等方法預(yù)處理后，建立的nu-SVM判別模型對牛里脊肉、摻假牛里脊肉和鴨肉的判別效果，其中以MSC預(yù)處理后所建nu-SVM判別模型的正確判別率最高。MSC預(yù)處理后所建牛肉、摻入鴨肉的摻假牛肉和鴨肉的nu-SVM判別模型判別性能穩(wěn)定，對建模集的正確判別率為97.09%，對檢驗集的正確判別率為94.00%，證實了將近紅外光譜技術(shù)應(yīng)用于牛里脊肉、摻入鴨肉的摻假牛里脊肉和鴨肉檢測區(qū)分的可行性。

[1]Rahman M M,Ali M E,Hamid S B A,et al.Polymerase chain reaction assay targeting cytochrome b gene for the detection of dog meat adulteration in meatball formulation [J].Meat Science,2014,97(4):404-409.

[2]徐璦聰,董 凱,黃昆侖,等.豬肉、牛肉和綿羊肉摻偽PCR的檢測技術(shù) [J].農(nóng)業(yè)生物技術(shù)學(xué)報,2013,21(12):1504-1508.

Xu Y C,Dong K,Huang K L,et al.PCR on adulteration detection of pork, beef and mutton [J].Journal of Agricultural Biotechnology,2013,21(12):1504-1508.

[3]柳 彬,楊金易,許 婉,等.“牛肉”制品中牛肉含量的快速檢測 [J].食品科學(xué),2013,34(24):148-153.

Liu B,Yang J Y,Xu W,et al.Development and application of a method for rapid detection of beef content in commercial beef products [J].Food Science,2013,34(24):148-153.

[4]Nurjuliana M,Che Man Y,Mat Hashim D,et al.Rapid identification of pork for halal authentication using the electronic nose and gas chromatography mass spectrometer with headspace analyzer [J].Meat Science,2011,88(4):638-644.

[5]Tian X J,Wang J,Cui S Q.Analysis of pork adulteration in minced mutton using electronic nose of metal oxide sensors [J].Journal of Food Engineering,2013,119(4):744-749.

努力夯實農(nóng)牧業(yè)水利基礎(chǔ)。全面實施自治區(qū)新增“四個千萬畝”節(jié)水灌溉工程，加快推進東部五盟市“節(jié)水增糧”行動。繼續(xù)推進灌區(qū)續(xù)建配套與節(jié)水改造和中央財政小型農(nóng)田水利重點縣建設(shè)。開展了新增“四個千萬畝”節(jié)水灌溉工程科技支撐項目試驗研究和引黃灌區(qū)滴灌高效節(jié)水技術(shù)集成研究與示范項目基礎(chǔ)研究。全年新增節(jié)水灌溉面積 400 萬畝（15 畝=1 hm2，下同）。

[6]Alamprese C,Casale M,Sinelli N,et al.Detection of minced beef adulteration with turkey meat by UV-vis,NIR and MIR spectroscopy [J].LWT-Food Science and Technology,2013,53(1):225-232.

[7]ElMasry G,Sun D W,Allen P.Non-destructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging [J].Food Research International,2011,44(9):2624-2633.

[8]Wu J H,Peng Y K,Li Y Y,et al.Prediction of beef quality attributes using VIS/NIR hyperspectral scattering imaging technique [J].Journal of Food Engineering,2010,109(2):267-273.

[9]Ding H B,Xu R J.Differentiation of beef and kangaroo meat by visible/near-infrared reflectance spectroscopy [J].Journal of Food Science,1999,64(5):814-817.

[10]Mcelhinney J,Downey G,O’Donnellic.Quantitation of lamb content in mixtures with raw minced beef using visible,near and mid-infrared spectroscopy [J].Journal of Food Science,1999,64(4):587-591.

[11]Rohman A,Sismindari,Erwanto Y,et al.Analysis of pork adulteration in beef meatball using Fourier transform infrared (FTIR) spectroscopy [J].Meat Science,2011,88(1):91-95.

[12]陳全勝,趙杰文,張海東,等.基于支持向量機的近紅外光譜鑒別茶葉的真?zhèn)?[J].光學(xué)學(xué)報,2006,26(6):933-937.

Chen Q S,Zhao J W,Zhang H D,et al.Indentification of authenticity of tea with near infrared spectroscopy based on support voctor machine [J].Acta Optica Sinica,2006,26(6):933-937.

[13]趙杰文,呼懷平,鄒小波.支持向量機在蘋果分類的近紅外光譜模型中的應(yīng)用 [J].農(nóng)業(yè)工程學(xué)報,2007,23(4):149-152.

Zhao J W,Hu H P,Zou X B.Application of support vector machine to apple classification with near-infrared spectroscopy [J].Transactions of the CASE,2007,23(4):149-152.

[14]林 顥,趙杰文,陳全勝,等.近紅外光譜結(jié)合一類支持向量機算法檢測雞蛋的新鮮度 [J].光譜學(xué)與光譜分析,2010,30(4):929-932.

Lin H,Zhao J W,Chen Q S,et al.Identification of egg freshness using near infrared spectroscopy and one class support vector machine algorithm [J].Spectroscopy and Spectral Analysis,2010,30(4):929-932.

[15]張 勇,叢 茜,謝云飛,等.煙草組分的近紅外光譜和支持向量機分析 [J].高等學(xué)?；瘜W(xué)學(xué)報,2009,30(4):697-700.

Zhang Y,Cong Q,Xie Y F,et al.Analysis of tobacco by near-infrared spectroscopy and support vector machine [J].Chemical Journal of Chinese University,2009,30(4):697-700.

[16]趙紅波,譚 紅,史會兵,等.近紅外光譜技術(shù)鑒別豬肉和牛肉的研究 [J].中國農(nóng)學(xué)通報,2011,27(26):151-155.

Zhao H B,Tan H,Shi H B,et al.Identification of pork and beef by near infrared spectroscopy [J].Chinese Agricultural Science Bulletin, 2011,27(26):151-155.

[17]李順峰,張麗華,劉興華,等.基于主成分分析的蘋果霉心病近紅外漫反射光譜判別 [J].農(nóng)業(yè)機械學(xué)報，2011，42(10)：158-161.

Li S F,Zhang L H,Liu X H,et al.Discriminat analysis of apple moldy core using near infrared diffuse reflectance spectroscopy based on principal component analysis [J].Transactions of the Chinese Society for Agricultural Machinery,2011,42(10):158-161.

[18]Liu F,He Y.Discrimination of producing areas of auricularia auricular using visible/near infrared spectroscopy [J].Food Bioprocess Technol,2011(4):387-394.

[19]樊玉霞，廖宜濤，成 芳.基于可見/近紅外光譜分析技術(shù)的豬肉肉糜品質(zhì)檢測研究 [J].光譜學(xué)與光譜分析，2011，31(10)：2734-2737.

Fan Y X,Liao Y T,Cheng F.Prediction of minced with pork quality attributes using visible and near infrared reflectance spectroscopy [J].Spectroscopy and Spectral Analysis,2011，31(10)：2734-2737.

[20]成 芳，樊玉霞，廖宜濤.應(yīng)用近紅外漫反射光譜對豬肉肉糜進行定性定量檢測研究 [J].光譜學(xué)與光譜分析，2012，32(2)：354-359.

Cheng F,Fan Y X,Liao Y T.Qualitative and quantitative detection of minced pork quality by near infrared reflectance spectroscopy [J].Spectroscopy and Spectral Analysis,2012，32(2)：354-359.

[21]楊增玲，韓魯佳，劉 賢，等.魚粉中肉骨粉的可見-近紅外光譜快速定性判別方法 [J].農(nóng)業(yè)工程學(xué)報，2009，25(7)：308-311.

Yang Z L,Han L J,Liu X,et al.Rapidly qualitative discrimination of meat and bone meal in fishmeal by visible and near infrared reflectance spectroscopy [J].Transactions of the CSAE,2009，25(7)：308-311.

Identification of adulteration of minced beef with near infrared spectroscopy based on support vector machine

ZHANG Lihua1,2,XIANG Qisen1,2,LI Shunfeng3,WU Xiaozong1,ZONG Wei1,2，ZHAO Guangyuan1,2

(1 School of Food and Bioengineering, Zhengzhou University of Light Industry,Zhengzhou，Henan 450002,China;2CollaborativeInnovationCenterofFoodProductionandSafety,HenanProvince,Zhengzhou，Henan450002,China;3InstituteofAgro-productsProcessing,HenanAcademyofAgriculturalSciences,Zhengzhou，Henan450002,China)

【Objective】 A near infrared (NIR) spectroscopy was employed to analyze the adulteration of duck meat in minced beef to realize the nondestructive and quick determination of adulterated beef. 【Method】 Frozen beef and duck were purchased,and adulterated beef samples were obtained by interfusing different amounts (0,5%,10%,15%,20%,25%) of duck meat (mass ratios of duck to beef were 0∶20,1∶19,2∶18, 3∶17,4∶16 and 5∶15).The original spectra of beef,adulterated beef and duck meat in the wave-number range of 10 000-4 000 cm-1were obtained by spread reflection NIR.Then,the predicted effects of different support vector machine (SVM) discriminate models that established by original spectra,multiplicative scatter correction (MSC),standard normal variate transformation (SNV),normalization,15 point smooth and 1st derivative were evaluated.【Result】 The established model with MSC preprocessing method had the best accuracies of 97.09% and 94.00% for the training set and prediction set,respectively.【Conclusion】 The nu-SVM model built by NIR combined with MSC preprocessing method was proved to be a feasible method to identify duck meat in minced beef.

adulterated beef;support vector machine;near infrared spectroscopy;duck meat

時間:2016-10-20 16:37

10.13207/j.cnki.jnwafu.2016.12.027

2015-06-18

鄭州輕工業(yè)學(xué)院博士科研啟動基金項目(2013BSJJ003)；國家質(zhì)檢總局科技計劃項目(2013年度); 鄭州輕工業(yè)學(xué)院第三批大學(xué)生科技創(chuàng)新項目(2014DC099)

張麗華(1982-)，女，河南博愛人，講師，博士，主要從事果蔬采后生理和保鮮加工、農(nóng)產(chǎn)品檢測技術(shù)研究。E-mail:zhanglihua82828@163.com

吳曉宗(1981-)，男，山西應(yīng)縣人，助教，碩士，主要從事食品與生物技術(shù)研究。E-mail:wuxiaozong123@163.com

TS251.5+2；O657.33

A

1671-9387(2016)12-0201-05

網(wǎng)絡(luò)出版地址:http://www.cnki.net/kcms/detail/61.1390.S.20161020.1637.054.html