近红外光谱技术对猪肉注水、注胶的快速检测

孟 一1，张玉华1,2,*，许丽丹1,2，陈东杰1,2，张应龙1,2，张咏梅1

（1.山东商业职业技术学院 山东省农产品贮运保鲜技术重点实验室，山东 济南 250103；

2.国家农产品现代物流工程技术研究中心，山东 济南 250103）

摘 要：采用近红外光谱（near infrared spectroscopy，NIR）结合主成分分析（principal component analysis，PCA）和判别分析法建立了注水肉、注胶肉和正常肉的定性判别模型。注水肉中注水量的多少对判别准确率产生影响，当注水量为1.25%～20%时，3 种肉的总体判别准确率为94.23%；当注水量为3.75%～20%时，判别准确率提高至96.96%。模型对所有预测集样品的总体判别准确率为94.92%。表明NIR结合PCA法、判别分析法判别注水肉、注胶肉和正常肉具有可行性。采用偏最小二乘法（partial least squares，PLS）结合PCA分别建立了注水量和注胶量的定量分析模型，经验证，两种模型对预测集样品的预测均方差分别为4.01%和3.87%，预测值与实测值间的相关系数（r）分别为0.904 2和0.912 8。表明两种模型的预测性能良好。

关键词：近红外光谱；注水肉；注胶肉；判别分析；偏最小二乘法

Rapid Detection of Meat Injected with Water or Gum by Near Infrared Spectroscopy

MENG Yi1, ZHANG Yu-hua1,2,*, XU Li-dan1,2, CHEN Dong-jie1,2, ZHANG Ying-long1,2, ZHANG Yong-mei1

(1. Shandong Key Laboratory of Storage and Transportation Technology of Agricultural Products, Shandong Institute of Commerce and Technology, Jinan 250103, China; 2. National Engineering Research Center for Agricultural Products Logistics, Jinan 250103, China)

Abstract: A qualitative model for discriminating water-injected meat, gum-injected meat from normal meat was established by near infrared spectroscopy (NIR) combined with principal component analysis (PCA) and discriminant analysis. The amount of water injection had an impact on the discrimination accuracy. The overall discrimination accuracy between normal and adulterated meat was 94.23% when the amount of water injection was 1.25%–20%, and was increased to 96.96% upon water injection at levels between 3.75% and 20%. The overall discrimination accuracy for all samples in the prediction set was 94.92%. These results show that NIR combined with PCA and discriminant analysis is feasible to discriminate water-injected meat, gum-injected meat from normal meat. Quantitative analysis models of water injection and gum injection were established using partial least squares (PLS) combined with PCA. On the basis of verification, the root mean square errors of prediction (RMSEP) from the two models were 4.01% and 3.87%, respectively, and the correlation coefficients (r) between the predicted values and the actual values were 0.904 2 and 0.912 8, respectively. Therefore, both models have good prediction performance.

Key words: near infrared spectroscopy (NIR); water-injected meat; gum-injected meat; discriminant analysis; partial least squares

中图分类号：TS207.3 文献标志码：A 文章编号：1002-6630（2014）08-0299-05

doi:10.7506/spkx1002-6630-201408060

近年来，“注水肉”事件屡屡曝光，一些不良屠宰点，为谋取高额利润，不惜给牲畜注水来提高出肉量[1]。由于水的滞留性差，很容易利用挤压、刀切等简单方法鉴别。据悉，注水肉已经有了“升级版”，不法商贩将食用胶注入牲畜体内来应对检查。为了规范市场、保护消费者权益，迫切需要建立快速、方便、准确、客观的方法对肉品注水进行检测。

近红外技术通过分析光谱提取物质的特征信息，具有响应速度快、选择性和抗干扰能力强、操作成本低、适合多种状态及在线检测等优点[2]，被广泛用于食品真伪、掺假判别[3]。迄今为止，近红外光谱已被成功地用于肉类[4-5]、植物油[6-8]、牛奶[9-11]、蜂蜜[12-14]、奶粉[15]、面粉[16]、饮料[17-19]等的掺假判别，并对掺假物进行了定量预测。表明近红外光谱技术用于食品掺假判别具有可行性。在肉品注水检测方面，杨红菊等[20]采用近红外透射光谱结合聚类分析法为注胶肉的判别提供了一种快速有效的方法。杨志敏等[21-22]利用近红外光谱技术结合Fisher两类判别法分别对原料肉注水、注胶和掺大豆蛋白进行了鉴别，建立了多种掺假肉的分类判别模型。虽然前人利用近红外光谱技术成功地区分出了原料肉掺水、卡拉胶和大豆蛋白等，但缺乏掺假量对模型判别的影响研究，且没有对掺假量进行定量检测。

本研究尝试利用近红外光谱结合模式判别法对肉品注水、注胶进行判别，近红外光谱结合偏最小二乘法（partial least squares，PLS）、主成分分析（principal component analysis，PCA）对注水量和注胶量进行定量检测，以得到快速、有效的肉品注水、注胶的定性判别与定量检测方法。

1 材料与方法

1.1 材料

猪后腿肉购于超市，粉碎成肉糜，并测得水分含量为65%～68%。

1.2 仪器与设备

AntarisⅡ傅里叶变换近红外光谱仪（配有积分球漫反射采样系统、Result操作软件和TQ Analyst 8光谱分析软件） 美国Thermo Electric公司。

1.3 方法

1.3.1 材料处理

共制得260 个样品，其中62 个作为正常肉样品，其余的用于制备掺假肉样品。课题组对掺假肉市场做了大量调研，两种掺假肉系根据调研结果制备。一种加入不同量的水，注水肉中注水量占肉的比例分别为1.25%、2.5%、3.75%、5%、7.5%、10%、12.5%、15%、17.5%、20%，每个注水量配制9 个平行样，共获得90 个注水肉样品。另一种加入1%的卡拉胶溶液，注胶肉中胶水量占肉的比例分别为2.5%、5%、7.5%、10%、12.5%、15%、17.5%、20%、22.5%、25%、27.5%、30%，每个注胶量配制9 个平行样，共获得108 个注胶肉样品。

1.3.2 近红外光谱采集方法

光谱采集时，利用积分球漫反射系统，采用旋转杯，每个样品连续采集光谱3 次，分别取平均值为原始光谱。扫描波数范围10 000～4 000 cm-1，分辨率8 cm-1，扫描次数128 次，以内置背景为参照。

1.3.3 数据处理

建立定性判别模型时，将所采集的注水肉、注胶肉和正常肉的光谱数据分别随机分为训练集和预测集两部分，训练集173 个样品（注水肉59、注胶肉72、正常肉42）用于校正模型的建立，预测集87 个样品（注水肉31、注胶肉36、正常肉20）用于检验模型的预测能力。根据判别准确率优化建模的光谱范围、预处理方法和主成分数，采用判别分析法建立定性判别模型，根据判别准确率评价模型的预测性能。

建立注水量和注胶量定量分析模型时，为增强模型的实用性，将正常肉数据分别加入两种掺假肉参与建模和模型性能验证，正常肉的注水量和注胶量均为0。根据随机分组结果，注水量和注胶量模型训练集分别为102 个和120 个样品，预测集均为50 个样品。以训练集的内部交互验证均方差（cross-validation mean square error，RMSECV）为指标优化建模参数，利用PLS法建立定量模型。利用模型对预测集样品的预测均方差（prediction mean square error，RMSEP）、预测值与实测值间的相关系数r考察模型的预测性能。

2 结果与分析

2.1 注水肉、注胶肉与正常肉的分类判别

2.1.1 光谱范围的选择

选择合适的建模光谱范围不仅可以简化模型，剔除不相关和非线性变量，得到预测能力强、稳健性好的模型，而且有利于光谱有用信息的提取，有效减少建模的运算量[23]。根据TQ Analyst 8软件推荐的建模波段和相关成分与特征波段的相关性，在原始光谱（图1）的不同波段分别建立定性判别模型，依据模型判别准确率确定合适的光谱建模波段范围。不同光谱范围所建模型的预测结果如表1所示。

图 1 注水肉、注胶肉和正常肉的原始光谱图

Fig.1 Original spectra of water-injected meat, gum-injected meat and normal meat

表 1 不同光谱范围模型的判别准确率

Table 1 Discrimination accuracy of the models in different spectral ranges

由表1可见，在9 168.75～7 167.68 cm-1光谱范围，模型的判别准确率最高，达94.23%，因此选择在该光谱范围内建立定性判别模型。

2.1.2 光谱数据的预处理

光谱采集时，由于受样品均匀度、仪器状态、装样形式等因素影响，常出现谱图偏移或漂移、背景干扰现象，干扰光谱与样品内有效成分含量间的关系，并影响模型的可靠性、稳定性[10]。因此，在建立校正模型前，需对原始光谱进行预处理，以减弱或消除各种因素对光谱的影响。采用多元散射校正（multiple scattering correction，MSC）、标准正则变换（standard normal variate，SNV）、一阶微分（the first derivative，1 stD）、二阶微分（the second derivative，2ndD）、Savitzky-Golay滤波平滑（S-G）、Norris Derivative滤波平滑（N-D）等单一方法或多种方法结合对9 168.75～7 167.68 cm-1范围的原始光谱进行预处理。表2是光谱经不同方法预处理后所建模型对注水肉、注胶肉和正常肉的判别准确率。

表 2 经不同方法预处理后模型的判别准确率

Table 2 Discrimination accuracy rates of the models after
different pretreatments

由表2可知，采用SNV、1stD和N-D 3 种方法结合对9 168.75～7 167.68 cm-1范围的原始光谱进行预处理，所得模型对注水肉、注胶肉和正常肉的判别准确率最高，达94.23%。

2.1.3 光谱数据的主成分提取

建立模型时，若选择主成分数目不当，出现“欠拟合”、“过拟合”等现象，都会使模型的预测能力下降[24]。因此，对模型的主成分数进行合理选择，是关系到今后模型的适用范围的主要因素。利用TQ Analyst 8软件对光谱数据进行主成分分析，经计算提取出前10 个主成分，10 个主成分的累积贡献率如表3所示，达99.82%，选择前10 个主成分代表样品的光谱信息。

表 3 前10 个主成分累积贡献率

Table 3 Cumulative contribution rates of the first ten principal components

2.1.4 定性判别模型的建立与验证

采用判别分析法建立定性判别模型，求出每个样品距各类中心的马氏距离，样品距哪一类中心的马氏距离最小，则归属哪一类[25]。在9 168.75～7 167.68 cm-1波段范围内，选择前10 主成分代替全部光谱数据，采用SNV、1stD和N-D 3 种方法结合进行预处理，建立模型。该模型对注水肉、注胶肉和正常肉的分类判别结果如图2所示。注水肉中注水量的多少对判别准确率产生影响，当注水量为1.25%～20%时，共有15 个样品被误判，其中14 个注水肉被误判为正常肉，14 个误判样品中有7 个注水量为1.25%，6 个注水量为2.5%，1 个注水量为3.75%；1 个注胶肉（注胶量2.5%）被误判为注水肉，判别准确率为94.23%。当注水量为3.75%～20%时，共有8 个样品被误判，其中7 个注水肉被误判为正常肉，7 个误判样品中有5 个注水量为3.75%，2 个注水量为5%；1 个注胶肉（注胶量2.5%）被误判为注水肉，判别准确率为96.96%。

A.注水肉的注水量1.25%～20%；B.注水肉的注水量3.75%～20%。

图 2 模型对3种肉的判别结果

Fig.2 Discrimination results from the models for three kinds of meat

用所建模型对预测集87 样品进行验证，结果如表4所示。注水肉（注水量1.25%～20%）中3 个样品被误判为正常肉，判别准确率为90.32%；注胶肉中有2 个样品被误判为注水肉，判别准确率为94.44%；正常肉的判别准确率为100%。模型对3种肉的总体判别准确率为94.92%，可见，所建模型对注水肉、注胶肉和正常肉的判别准确率高，模型预测性能良好。

表 4 模型对预测集的预测结果

Table 4 Prediction results from the models for prediction set

2.2 注水量和注胶量的定量分析

2.2.1 建模参数的优选

建立注水量和注胶量定量模型时，采用内部交叉验证法对光谱预处理方法、主成分数和建模波段进行优选。RMSECV越小，交互验证预测值与实测值间的相关系数r越大，对应的建模参数越好，模型越精确。由表5可见，当采用SNV＋1stD＋N-D光谱预处理方法，主成分数为6，在5 368.85～4 697.74 cm-1光谱范围建立注水量校正模型时，所得的RMSECV最小，交互验证预测值与实测值间的r最大。因此，优选上述参数为注水肉注水量定量分析校正模型的建模参数。同样方法优选注胶量定量分析模型的建模参数，光谱预处理法MSC＋1stD＋
N-D，主成分数8，光谱范围8 766.13～6 523.77 cm-1、5 858.68～4 657.48 cm-1。所建模型的RMSECV最小，交互验证预测值与实测值间的r最大。

表 5 不同建模参数的校正模型效果比较

Table 5 Comparison of correction models with different parameters

2.2.2 定量分析模型的建立

根据上述优化的建模参数，利用PLS法分别建立注水量和注胶量的校正模型。模型预测值与实测值的相关关系如图3所示。注水量模型的内部交叉验证均方差RMSECV为3.46%，预测值与实测值的相关系数r为0.925 2；注胶量模型的内部交叉验证均方差RMSECV为3.13%，预测值与实测值的相关系数r为0.930 1。

A. 注水量模型

B. 注胶量模型

图 3 训练集的预测值与实测值的散点图及残差分布图

Fig.3 Scatter and residual plots of predictive vs. actual values in calibration set

2.2.3 定量分析模型的验证

A.注水量模型

B.注胶量模型

图 4 预测集的预测值与实测值的相关关系图

Fig.4 Correlation between predictive and actual values in validation set

将预测集注水肉和注胶肉的平均光谱分别导入注水量定量模型和注胶量定量模型，预测注水量和注胶量，以此来验证模型的准确性和可靠性。图4为预测集样品注水量、注胶量的预测值和实测值的对应关系。

注水量模型对50 个未知样品的预测性能为：预测均方差RMSEP为4.01%，相关系数r为0.904 2；注胶量模型对50 个未知样品的预测性能为：预测均方差RMSEP为3.87%，相关系数r为0.912 8。验证结果表明，所建注水量定量模型和注胶量定量模型均有良好的预测性能。

3 结 论

近红外光谱结合PCA和判别分析法，建立了注水肉、注胶肉和正常肉的定性判别模型。利用10个主成分代替全部光谱数据，SNV、1stD和N-D 3 种方法结合进行预处理，在9 168.75～7 167.68 cm-1光谱范围建立模型。结果发现，当注水量为1.25%～20%时，判别准确率为94.23%；当注水量为3.75%～20%时，判别准确率为96.96%。对误判样品进行分析发现，被误判的样品大多为注水肉被误判为正常肉，且注水量较少，说明注水肉中注水量的多少对模型的判别准确率产生影响，且注水量越多，模型的判别准确率越高。模型对所有预测集样品的总体判别准确率为94.92%。表明建立的定性判别模型可以很好地区分注水肉、注胶肉和正常肉。

利用PLS法结合PCA法分别建立了注水量和注胶量的定量分析模型。利用6 个主成分代替全部光谱数据，采用SNV＋1stD＋N-D法对光谱进行预处理，在5 368.85～4 697.74 cm-1光谱范围建立了注水量定量模型。交叉验证均方差RMSECV为3.46%，交互验证预测值与实测值间的r为0.925 2；利用8个主成分代替全部光谱数据，采用MSC＋1stD＋N-D光谱预处理法，在8 766.13～6 523.77cm-1、5 858.68～4 657.48cm-1范围内建立注胶量定量模型。交叉验证均方差RMSECV为3.13%，交互验证预测值与实测值间的r为0.930 1。利用所建模型分别对预测集样品进行预测，注水量模型预测均方差RMSEP为4.01%，相关系数r为0.904 2；注胶量摸预测均方差RMSEP为3.87%，相关系数r为0.912 8。表明模型预测性能良好，准确度高。

上述结果表明，近红外光谱技术结合PCA法、判别分析法建模判别注水肉、注胶肉和正常肉是可行的，PLS结合PCA法建模能够对注水量和注胶量进行快速定量分析，为肉品注水注胶提供了快速准确的判别检测方法，对打击肉品注水、注胶掺假，提高我国肉品质量安全检测水平具有重要意义。

参考文献：

[1] 李巧玲, 刘景艳. 市场鲜猪肉掺假状况的调查监测[J]. 食品科学, 2004, 25(10): 273-276.

[2] 张玉华, 孟一. 肉类品质无损检测技术研究现状与发展趋势[J]. 食品工业科技, 2012, 33(12): 392-395.

[3] 张玉华, 孟一, 张应龙, 等. 近红外光谱技术在食品安全领域应用研究进展[J]. 食品科技, 2012, 37(10): 283-286.

[4] DING H B. Near-infrared spectroscopic technique for detection of beef hamburger adulteration[J]. Agricultural and Food Chemistry, 2000, 48(6): 2193-2198.

[5] GAYO J, HALE S A, BLANCHARD S M. Quantitative analysis and detection of adulteration in crab meat using visible and near-infrared spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2006, 54(4): 1130-1136.

[6] 李红莲, 赵志磊, 庞艳苹, 等. 近红外光谱法快速鉴别花生油真伪及掺伪成分[J]. 食品安全质量检测学报, 2010(1): 24-29.

[7] 庄小丽, 相玉红, 强洪, 等. 近红外光谱和化学计量学方法用于橄榄油品质分析与掺杂量检测[J]. 光谱学与光谱分析, 2010, 30(4): 933-936.

[8] 冯利辉, 刘波平, 张国文, 等. 芝麻油中掺入菜籽油的近红外光谱研究[J]. 食品科学, 2009, 30(18): 296-299.

[9] 李亮, 丁武. 掺有植物性填充物牛奶的近红外光谱判别分析[J]. 光谱学与光谱分析, 2010, 30(5): 1238-1242.

[10] 荣菡, 刘波平, 邓泽元, 等. 基于PLS-模式识别近红外光谱技术快速检测鲜乳和掺假乳[J]. 食品科学, 2009, 29(8): 492-495.

[11] 王右军, 朱大洲, 屠振华, 等. CCD 短波近红外光谱快速检测牛奶中掺假物质的研究[J]. 食品科学, 2009, 30(6): 135-138.

[12] DOWNEY G, FOURATIER V, KELLY J D. Detection of honey adulteration by addition of fructose and glucose using near infrared transflectance spectroscopy[J]. Near Infrared Spectroscopy, 2003, 11(6): 447-456.

[13] KELLY J D, PETISCO C, DOWNEY G. Potential of near infrared transflectance spectroscopy to detect adulteration of Irish honey by beet invert syrup and high fructose corn syrup[J]. Near Infrared Spectroscopy, 2006, 14(2): 139-146.

[14] 李水芳, 单杨, 张欣, 等. 蜂蜜用葡萄糖溶液掺假的近红外光谱检测[J]. 食品研究与开发, 2011, 32(5): 114-119.

[15] BORIN A, FERRO M F, MELLO C, et al. Least-squares support vector machines and near infrared spectroscopy for quantification of common adulterants in powdered milk[J]. Analytica Chimica Acta, 2006, 579(1): 25-32.

[16] COCCHI M, DURANTE C, FOCA G, et al. Durum wheat adulteration detection by NIR spectroscopy multivariate calibration[J]. Talanta, 2006, 68(5): 1505-1511.

[17] DOWNEY G, KELLY J D. Detection and quantification of apple adulteration in diluted and sulfited strawberry and raspberry purees using visible and near-infrared spectroscopy[J]. Agricultrual Food Chemistry, 2004, 52(2): 204-209.

[18] LEON L, KELLY J D, DOWNEY G. Detection of apple juice adulteration using near -infrared transflectance spectroscopy[J]. Applied Spectroscopy, 2005, 59(5): 593-599.

[19] PONTES M J C, SANTOS S R B, ARAJO M C U, et al. Classification of distilled alcoholic beverages and verification of adulteration by near infrared spectrometry[J]. Food Research International, 2006, 39(2): 182-189.

[20] 杨红菊, 姜艳彬, 候东军, 等. 注胶肉的近红外光谱快速判别分析[J]. 肉类研究, 2008, 22(11): 62-64.

[21] 杨志敏, 丁武. 近红外光谱技术快速鉴别原料肉掺假的可行性研究[J]. 肉类研究, 2011, 25(2): 25-28.

[22] 杨志敏, 丁武. 原料肉中掺大豆蛋白的近红外检测技术的研究[J]. 肉类工业, 2010(10): 29-33.

[23] 廖宜涛, 樊玉霞, 伍学千, 等. 猪肉pH值的可见近红外光谱在线检测研究[J]. 光谱学与光谱分析, 2010, 30(3): 681-684.

[24] 李彦周, 闵顺耕, 刘霞. 主成分分析在近红外定量分析校正集样本优选中的应用[J]. 分析化学研究简报, 2007, 35(9) :1331-1334.

[25] 朱大洲, 王坤, 周光华, 等. 单粒大豆的近红外光谱特征及品种鉴别研究[J]. 光谱学与光谱分析, 2010, 30(12): 3217-3221.