引言

生鮮牛肉經過排酸后能有效提高牛肉品質，使肉質鮮美細嫩，具有良好的市場前景。生鮮牛肉的pH是判別其新鮮度的參考指標之一。宰后牛肉肌糖原酵解產生乳酸和ATP分解釋放磷酸，使牛肉 pH下降，排酸24h牛肉的pH為5.6~6.0。pH指標的變化極大的影響肉類的顏色、風味、蛋白質特性等，同時它也是反應微生物活性、脂質和生物胺氧化程度的重要參數。鮮肉儲存中受到自身新陳 代謝和微生物活動的影響，蛋白質分解，產生堿性物質，最終使 pH值上升,出現變質和腐敗現象，進而影響食品安全，導致消費者無法接受。測定肉類pH值的傳統方法主要是基于pH計和表面電極法，但是這些方法是侵入性的、耗時且繁瑣，難以滿足現代肉類品質檢測的需要。高光譜成像技術是一種快速、準確和無損的光學方法，具有光譜分辨率高、波段多和數據量多等特點，在食品質量與安全檢測上受到了廣泛關注。然而，高光譜用于肉類等食品檢測研究大多關注于無包裝膜情況下的直接檢測，很少考慮包裝后的檢測及包裝的影響。食品在運輸、倉儲和銷售環節中，對包裝食品的檢測可有效減少外界環境對食品品質的影響，進一步保障食品安全。在這個過程中，需要的是通過包裝膜對食品進行無損檢測，而不是去除包裝膜直接對產品進行檢測。本研究采用兩種包裝膜包裝下的牛肉樣本的高光譜圖像和測量pH指標含量。通過提取感興趣區域、光譜預處理和特征波段篩選分別建立PLSR和LSSVM模型，對包裝牛肉的pH值含量進行預測，建立最優模型，為包裝生鮮牛肉品質的無損檢測提供理論支持。

材料與方法

2.1 實驗材料

從無錫當地大型超市購買已經排酸處理后的新鮮牛肉后臀部位作為實驗對象，將購買的牛肉放置在0~4℃培養箱中并在2h內轉移到實驗室，用無菌刀將牛肉切成尺寸為5cm×4cm×2cm(長×寬 ×厚)、質量約為20g的肉樣。然后將所有樣品用單獨的自密封塑料袋包裝并儲存在4℃的冰箱中。實驗用聚合物薄膜采用食品接觸用 PP(厚度 0.08 mm)和 PE(厚度 0.04 mm)。

2.2 實驗方法

2.2.1 光譜采集

實驗過程中，先將樣品去除密封袋，放置在黑色托盤中，再放于電動位移平臺上采集無包裝膜的高光譜圖像(記作NP)；再將PP和 PE膜分別放置在托盤上并與牛肉樣本之間存在約2cm 的間隙，保 持薄膜表面平整，然后分別收集有包裝膜的高光譜圖像(分別標記為G-PP，G-PE)。前6d 每天采集5塊樣本，由于發現樣本變化較慢，10~25d調整為每天采集4塊樣本，以獲得不同程度的腐敗樣本。

2.2.2 pH含量測定

將采集高光譜圖像后的樣本立即采用GB5009.237—2016中pH 測定方法測定樣本中的pH值，并作為定量分析的參考值，每個樣本均作6次測定，取平均值作為該樣品的pH值。

2.2.3 光譜預處理及波段提取

為了消除高光譜反射率中的噪聲、基線等干擾，提取有用信息，需要對原始光譜進行光譜預處理。常用的光譜預處理方法有中心化處理、歸一化、Savitzky-Golay 平滑(S-G 平滑)、多元散射校正和標準正態變換等。全光譜含有的448個波段有較多的冗余信息，這些無關的信息不僅減低了運算速度，也讓模型變的復雜。有效的光譜預處理方法能夠刪除無關信息，提高運算效率。本研究采用競爭性自適應加權算法、連續投影變換算法和變量組合集群分析算法共3種方法提取特征重要波長。

2.2.4 模型建立與評價

本研究采用PLSR和LSSVM兩種模型方法建立包裝牛肉pH值的預測模型。LSSVM是一種可以解決非線性和局部最小值問題的非線性建模方法。在本研究中，徑向基函數作為訓練核函數，退火算法用于全局優化兩個模型參數(γ和σ2)。PLSR是結合了主成分分析、多元線性回歸和典型性相關分析的特征，解決多重共線問題的一種線性建模方法。模型評價標準采用校正集和預測集誤差平方根、校正集和預測集的決定系數(RC2、RP2)。較小的RMSEC和RMSEP分別表示模型建模和預測效果好，較小的RC2、RP2分別表示預測值與實際值相關性好。

3、結果與分析

3.1 pH含量結果的統計

使用Kennard-Stone(K-S)算法將總共98個樣品分為校正集(73個樣品)和預測集(25個樣品)，比率約為 3:1。校正集用于構建和校準模型，預測集用于評估模型。牛肉儲存期間pH值的變化統計結果如表1所示，且校正集中樣本的pH含量范圍包含預測集中樣本的pH含量，這確保了它們之間的獨立性并有助于提高模型精度。

表1 牛肉pH值統計

3.2 樣品的光譜提取

為減少高光譜圖像中的冗余信息，需進行感興趣區域提取。圖1為感興趣區域光譜提取方法，高效準確地提取薄膜下肌肉部分光譜數據，避免了手動操作。采用波段運算減法(689~582 nm)并二值化處理得到掩膜圖像，掩膜圖像與原始光譜圖像相乘得到只含有肌肉、脂肪的高光譜圖像。為去除脂肪，采用PCA獲取高光譜圖像前2個主成分圖像PC1和PC2。由于前2個主成分中肌肉部分與脂肪部位的灰度值差異大，可通過圖像運算后再經過二值化和掩膜處理，最終提取純肌肉部分作為感興趣區域。將樣本 RIOs 的反射率求平均，即獲得代表該樣本的光譜反射率。

圖 1 薄膜存在下感興趣區域光譜提取方法

3.3 包裝牛肉光譜分析

牛肉在400~1000nm范圍的98個樣本的原始光譜反射率曲線如圖2所示，顯示了牛肉一些特征吸收峰。400~1000nm波長范圍對蛋白質、脂肪和水分中的官能團的拉伸振動和泛音敏感。420nm 和560nm 處有血紅蛋白和肌紅蛋白等色素的吸收峰。610nm 為氨基酸的3級倍頻吸收峰。739nm 是甲基的第三個泛音區域，而760nm 主要是由于O-H拉伸第三泛音或肌紅蛋白氧化產生的吸收帶引起的。810nm 是蛋白質中 C-H鍵的振動吸收峰。波長960nm 附近的吸收峰與肉中的水分含量有關。圖2可知，隨著儲存時間的不同，光譜反射率存在差異性變化，有助于牛肉pH預測模型的建立。圖3為無薄膜和有薄膜存在下的牛肉樣本平均光譜曲線，薄膜的存在顯著改變了光譜反射率值。有薄膜存在下的光路會受到薄膜散射、消耗損失和反射的作用，影響了傳感接收到的光譜數據。由圖3可知，PP 膜對牛肉光譜的影響主要為光譜通過薄膜的消耗損失，使整體反射率低于原始牛肉光譜反射率；而PE膜表示出較大的散射影響，導致400~600nm 的反射率高于牛肉原始反射率。

圖 2 牛肉原始光譜反射率曲線

圖 3 不同薄膜下的牛肉樣本平均光譜曲線

3.4 模型建立與分析

3.4.1 包裝牛肉最優光譜預處理

分別采用不同的方法對原始光譜數據進行預處理，基于預處理后的數據與原始光譜數據建立PLSR模型，建立模型的結果如表2所示。由表2可知，與無包裝牛肉的預測結果相比，薄膜的存在降低了預測集的預測效果。通過對比5種光譜預處理方法，對于無包裝膜和PP薄膜存在下牛肉pH值PLSR模型的最優光譜預處理方法為 Normalization，PE薄膜的最優光譜預處理方法為SNV 處理。喬蘆等在400~1000nm全光譜建立牛肉的pH含量PLSR模型，發現歸一化預處理的模型穩定性比其他預處理方法好。外界噪聲、暗電流的干擾以及薄膜的散射和干涉等影響，使光譜出現基線漂移、分離誤差，Normalization 預處理可以有效減少了噪聲干擾并使光譜曲線變的光滑，而 SNV 處理可校正樣品之間因散射干涉等引起的誤差。光譜預處理可以潛在地減少因薄膜存在下的散射現象，SNV是PE薄膜下牛肉pH值的最優光譜預處理方法，可能與PE薄膜有更多的干涉和散射有關。因此，使用預處理方法可以提升包裝牛肉pH值預測模型的精度。

3.4.2 特征波長篩選與建模分析

將無包裝牛肉和有包裝膜的牛肉分別經其最優光譜預處理方法處理后，在CARS、SPA 和 VCPA共 3 種算法提取特征波長基礎上建立PLSR和LSSVM模型，結果如表3所示。對比PLSR和LSSVM 兩種建模方法，總體上LSSVM的預測效果要比PLSR模型的預測效果好，這可能與 pH 指標與高光譜數據之間關系的復雜非線性有關，通過特征波長提取方法能夠有效降低波長數，去除無用信息，3種波長提取算法中，其中CARS方法建立的2種模型均提高了模型預測的精度。通過建模分析結果可知，SPA-LSSVM是無包裝牛肉pH值的最優預測模型，2為0.964 0，RMSEP為 0.095 9；CARS-PLSR是PP包裝牛肉pH值的最優預測模型，2為0.955 3，RMSEP為0.106 7；VCPA-LSSVM是PE包裝牛肉 pH值的最優預測模型，2為 0.956 9，RMSEP為 0.104 9。因此，通過特征波長篩選后建立的預測模型有效提升了包裝牛肉 pH含量預測精度。包裝牛肉pH值在最優預測模型下的預測效果如圖4所示，圖4-a為PP薄膜包裝下的牛肉pH值最優預測模型建模效果圖，圖4-b為PE膜下牛肉pH值最優預測模型建模效果圖，實際值與預測值之間無明顯差異，說明模型預測結果很好。

表2 光譜預處理方法的選擇

表3 不同特征波長篩選的包裝牛肉pH值預測模型

圖 4 包裝牛肉 pH 值模型預測效果

4、結論

本文利用高光譜技術采集并提取了PP薄膜和PE薄膜下生鮮牛肉的高光譜信息，選擇最優預處理方法結合特征波長篩選方法，建立 PLSR和LSSVM預測模型快速定量預測牛肉pH值。結果表明，選擇Normalization預處理結合CARS-PLSR方法篩選并建立的模型對PP包裝牛肉pH值預測效果最佳，預測集決定系數2為 0.955 3，RMSEP為 0.106 7；選擇SNV預處理結合VCPA-LSSVM方法篩選并建立的模型對PE包裝牛肉pH值預測效果最佳，2為0.956 9，RMSEP為0.104 9。研究表明，高光譜技術用于包裝生鮮牛肉pH值的快速檢測是可行的，為包裝肉品的無損檢測提供參考依據。

歡迎關注公眾號：萊森光學，了解更多光譜知識。

萊森光學（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統的研發、生產和銷售。

審核編輯黃宇