肉丸是一種有著特別口感的肉類深加工產品，深受人們喜愛。相比于豬肉、雞肉、魚肉等其他原料肉，牛肉的蛋白質含量較高，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，以廣東潮汕地區制作的牛肉丸為著名。然而，有不法商販受利益驅使，在牛肉中摻入豬肉，雞肉等廉價肉制作肉丸冒充純牛肉丸售賣。這種行為不僅擾亂市場秩序，還會引發一些宗教問題。廣東省發布地方標準中明確規定汕頭牛肉丸中牛肉占原料肉的比例須大于90%。因而有必要研究快速檢測牛肉丸摻假的方法。目前，常用的肉類產品摻假鑒別方法有蛋白質組學分析法，DNA分析法，傳感器法和光譜法等。這些檢測方法各有其優缺點。蛋白質組學分析法檢測結果準確，但所用設備價格昂貴，重復性較差。DNA分析法檢測限低，靈敏度高，但操作復雜，且同樣存在重復性差的問題。傳感器法有著快速無損的優點，然而其結果不夠準確。光譜法不僅快速無損，且準確度高，近年來在肉品摻假檢測方面得到越來越廣泛的應用。高光譜成像技術作為光譜法的一種，不僅具有光譜技術的常規優點，而且較其他光譜技術有著更加全面的信息。高光譜成像能夠以數百個波長同時對樣本連續成像，同步獲取樣本的光譜和圖像信息，有著數據量豐富、分辨率高的特點。但同時高光譜成像也存在光譜信息重疊、冗余的問題，需要通過特征波長的篩選來提升模型效率和精度。高光譜成像在無損檢測肉品摻假方面已有較多的應用。Ropodi等利用高光譜成像結合 PLS-DA和LDA判別模型鑒別摻有豬肉的牛肉樣本，結果表明，兩種建模方法均可以較好地區分摻假樣本，識別率分別為98.48%和96.97%。Kamruzzaman等利用高光譜成像預測牛肉中摻馬肉含量，采用不同的方法處理光譜數據并建立偏最小二乘模型（PLS），模型預測集相關系數達到0.98。Wu等研究了高光譜預測蝦中摻假物明膠含量的可行性，使用無信息變量消除和連續投影法的組合篩選了佳波長，建立的LS-SVM模型預測集相關系數達0.965，并實現了蝦中明膠含量的分布可視化。上述研究證實了高光譜檢測肉品摻假的可行性，然而目前未見高光譜應用到牛肉丸摻假檢測的報道。

       根據唐穗平等的調查，豬肉和雞肉是市場上主要的牛肉丸摻假物。因此，利用高光譜成像系統采集摻有不同比例豬肉和雞肉的牛肉丸的信息，對光譜信息進行預處理后建立全波段偏最小二乘摻假含量量預 測模型，而后采用SPA、競爭性自適應重加權算法、聯合區間偏最小二乘-競爭性自適應重加權篩選特征波長，建立PLS摻假含量預測模型，以期為牛肉丸摻假快速檢測提供參考。

1.1     樣本制備

實驗所用牛腿肉、豬肉、雞腿肉、淀粉、調味料（食鹽、白糖、味精、黑胡椒粉、料酒）均購于鎮江麥德龍超市；肉彈素、谷氨酰胺轉氨酶（TG酶）均購于河南千志商貿有限公司。

肉丸制作配方：每1kg原料肉中加入淀粉100g、食鹽25g、白糖20g、肉彈素5g、味精4g、黑胡椒粉5g、TG酶5g、料酒20ml、水200ml。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，摻假肉占原料肉質量比分別為5%，10%，15%，20%和25%。總共得到11類樣本，每類樣本30個平行，共計330個樣本。

1.2    高光譜圖像采集

1.2.1        高光譜成像系統

采用的高光譜成像系統如圖1所示，由江蘇大學食品無損檢測實驗室自主研制。系統硬件部分主要包括CCD攝像機、150W光纖鹵素燈、精密電控平移臺、電子控制箱和計算機等。軟件部分主要是SpectralCube。

1.2.2        高光譜成像數據采集與標定

在高光譜數據采集之前先打開系統預熱30min，以減少基線漂移帶來的的影響。設置采集參數：CCD攝像機曝光時間為45ms，圖像分辨率618*1628；光譜范圍為431~962nm，光譜波長間隔為0.858nm；電控平移臺移動速度為1.25m/s。采集時將牛肉丸樣本置于電控平移臺上，打開平移臺的同時點擊保存按鈕采集高光譜數據，最終得到樣本的三維數據模塊。

高光譜數據采集過程易受光強不均勻和暗電流等影響，需要對獲取的原始圖像進行黑白板校正。校正公式如式（1）所示。

式中，R為校正后高光譜圖像；I為原始高光譜圖像；B 為黑板標定圖像；W為白板標定圖像。

1.3    數據處理方法

1.3.1  高光譜成像的光譜數據提取

利用ENVI軟件打開校正后牛肉丸樣本高光譜圖像，采用矩形工具選取每個樣本中心附近200像素*200像素的區域作為感興趣區域ROI，計算ROI內所有像素點的光譜反射率的平均值作為此樣本的光譜數據。300個樣本共得到300條平均光譜，最終得到300*618的光譜數據集。

受環境條件和儀器運行等因素的影響，采得的信息中包含無用信息和噪聲。為了減少散射光和噪聲等影響，需要對光譜數據進行預處理。采用的預處理方法包括一階導數、二階導數、均值中心化、多元散射校正、卷積平滑、標準正態變量變換。通過對比不同預處理方法所建立模型的效果，選取較佳預處理方法進行后續數據處理。

1.3.2  光譜特征波長篩選

光譜信息數據量巨大，且存在冗余信息。為了提高模型的效率和精度，對預處理后的光譜進行特征波長的篩選。采用連續投影法（SPA）、競爭性自適應重加權算法（CARS）、聯合區間偏最小二乘法（SiPLS）和聯合區間偏最小二乘-競爭性自適應重加權（SiPLS-CARS）四種篩選特征波長方法。SPA通過比較不同波長之間投影向量的大小，以投影向量最大的波長為待選波長，并用校正模型選擇特征波長。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數。CARS通過蒙特卡羅采樣隨機抽取校正集的一部分樣本建立PLS模型，計算此次采樣中波長回歸系數的絕對值權重，再利用指數衰減函數去除絕對值較小的波長變量點，剩余的變量以其回歸系數的絕對值作為權重采用自適應重加權采樣建立PLS模型并計算RMSECV，當RMSECV最小時對應變量即為選擇的特征波長。SiPLS先將全波段分為若干個子區間，然后通過計算從所有可能的區間組合模型中選擇出相關系數最大且RMSECV值最小的區間組合，是一種高效的篩選特征區間方法。本研究提出的SiPLS-CARS是聯用SiPLS和CARS進行波長篩選的一種方法，先利用SiPLS選擇最佳波長區間，再利用CARS從最佳區間中篩選特征波長。最后對不同波長篩選方法下建立的預測模型效果進行比較。

1.3.3  摻假含量預測模型

通過建立PLS模型預測牛肉丸摻假含量。PLS能夠充分提取數據的有效信息，解決變量共線性的問題，在光譜數據建模中應用廣泛。PLS模型預測效果的評估指標為校正集相關系數、預測集相關系數、交叉驗

證均方根誤差和預測均方根誤差。Rc和Rp越接近1，RMSECV和RMSEP越接近0時，模型的預測效果越好。

二 、結果與討論

2.1  光譜預處理

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）為對應平均光譜圖（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710nm處有反射峰，這主要與，O-H鍵的三級倍頻吸收有關。摻有雞肉樣本光譜在710nm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，當樣本數量較大時，光譜曲線重疊嚴重，無法通過肉眼從光譜曲線上進行區分，此時需要進行數據處理以實現摻假量預測。

2.2  牛肉丸中摻假豬肉含量預測模型建立

2.2.1  全波段PLS模型

將不同預處理方法處理后的光譜以隨機分組的方式把180條豬肉摻假光譜的2/3劃分為校正集，1/3劃分為預測集。用PCA優選前15個主成分，作為模型的輸入建立PLS摻假含量預測模型。模型的預測結果如表1所示，可以看出，光譜經MSC預處理后建立的模型預測效果好，當主成分數為15時，模型的Rc和Rp分別為0.9515和0.9481，RMSECV和RMSEP分別為0.0269和0.0261。

2.2.2  特征波長篩選

全波段光譜數據量大且有冗余信息，需要進行特征提取以簡化模型、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。2.2.1已指出摻有豬肉的預測模型預處理方法是MSC，故對光譜數據進行MSC處理后進行特征波長篩選。

（1）SPA篩選特征波長

設置選擇特征波長數量范圍1~25，根據均方根誤差（RMSEC）選擇波長，選擇結果如圖4所示。圖4（a）和（b）分別表示RESE變化趨勢和篩選的特征波長具體位置。從圖4（a）中看出，當波長數量從1增加到13時，均方根誤差的值程階梯狀下降，隨后趨于穩定。選擇了13個特征波長（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948.39nm），占全波段的2.1%，特征波長具體位置如圖4（b）所示。

（2）CARS篩選特征波長

CARS篩選波長的過程如圖5所示。采樣次數設置為100次，圖5（a）為變量個數隨采樣次數的變化趨勢，隨著采樣次數增加，選擇的波長數量逐漸減少，先快減后緩慢。圖5（b）為RMSECV隨采樣次數變化趨勢，一開始RMSECV緩慢減小，說明一些無關變量在采樣過程中被去除。而后RMSECV階梯上升，一些關鍵變量被去除。圖5（c）顯示采樣次數為44時，RMSECV小，此時共篩選了51個特征波長，占全波段的8.25%。

（3）SiPLS篩選波長

將預處理后的全光譜劃分為10~25個子區間，分別聯合2，3和4個子區間，以RMSECV最小原則優選特征子區間組合。圖6顯示了聯合子區間的位置。從圖中可以看出，當把全光譜分為14個子區間，聯合第1，3，7，13子區間時，RMSECV最小。每個子區間包含45個波長，因此共篩選180個特征波長，占全波段的29.13%。

（4）SiPLS-CARS篩選特征波長

SiPLS-CARS通過聯用SiPLS和CARS實現特征波長的選擇。將SiPLS篩選所得波長區間作為新數據，進行CARS波長篩選，結果如圖7所示。從圖中可以看出，當采樣次數為9時，篩選出32個特征波長，占全波段的5.18%。

2.2.3  特征波長下PLS模型結果

不同特征波長篩選方法的PLS模型結果如表2所示。可以看出，CARS篩選波長后建立的模型預測效果佳，模型的Rc和Rp分別為0.9814和0.9721，RMSECV和RMSEP分別為0.0163和0.0203。SPA雖然減少了特征波長數量，但模型的預測效果不如全波段下預測效果。Si-PLS篩選特征區間后模型精度沒有得到提升，這是因為所提取的變量是連續的，相鄰或者相互之間可能會存在高度相關性。SiPLS-CARS相比于SiPLS不僅有效地縮減了特征波長數量，而且提高了模型預測的精度；相比于CARS篩選波長更少，但精度略低。CARS波長篩選后模型，可以說明CARS可以有效去除無關變量。SiPLS-CARS作為一種新的特征波長篩選方法需要在更多實際應用中測驗其實用性。

2.3  牛肉丸中摻雞肉含量預測模型建立

2.3.1  全波段下PLS模型結果

牛肉丸中摻雞肉全波段PLS建模方法同2.2.1，結果如表3所示。摻雞肉含量預測結果總體優于摻豬肉結果，這是因為雞肉與牛肉差異更大。經1stDer預處理后建立的模型預測效果好，當主成分數為14時，模型的Rc和Rp分別為0.9861和0.9807，RMSECV和RMSEP分別為0.0143和0.0165。

2.3.2  特征波長的篩選

利用SPA篩選了15個特征波長（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952.78nm），占全波段的2.43%。CARS篩選了61個特征波長，占全波段的9.87%。SiPLS選擇的區間組合為：將全光譜分為14個子區間，聯合第7，8，11，12四個子區間，共180個特征波長，占全波段的29.13%。SiPLS-CARS篩選了28個特征波長，占全波段的4.53%。

2.3.3  特征波長下PLS模型結果

不同特征波長篩選方法的PLS模型結果如表4所示。與摻豬肉預測結果類似，CARS篩選波長后建立的模型預測效果佳。此時，模型的Rc和Rp分別為0.9902和0.9878，RMSECV和RMSEP分別為0.0123和0.0126。這表明CARS在牛肉丸高光譜摻假檢測中能夠較好地去除無關變量、提升模型效率和精確度，可結合PLS模型用于實際檢測。不同波長篩選方法對牛肉丸中摻雞肉含量預測趨勢上與摻含量豬肉基本相同。

三、結論

利用高光譜成像進行牛肉丸摻豬肉和雞肉檢測研究。首先采用不同預處理方法建立全波段下PLS模型并比較得出預處理方法，然后用不同方法篩選特征波長建立PLS模型。結果表明：（1）在1stDer，2ndDer，MC，MSC，SG和SNVT預處理方法中，牛肉丸摻豬肉和雞肉PLS預測模型預處理方法分別為MSC和2ndDer。（2）在SPA，CARS，Si-PLS和SiPLS-CARS四種特征波長篩選方法中，牛肉丸摻豬肉和雞肉PLS預測模型方法均為CARS，分別篩選了51和61個特征波長。此時，摻豬肉PLS預測模型Rc和Rp分別為0.9814和0.9721，RMSECV和RMSEP分別,0.0163和0.0203。摻雞肉PLS預測模型Rc和Rp分別為0.9902和0.9787，RMSECV和RMSEP分別為0.0123和0.0126。摻雞肉預測模型效果整體好于摻豬肉。研究表明采用高光譜成像技術可以實現牛肉丸摻豬肉和雞肉含量預測，可為快速無損檢測牛肉丸摻假提供理論基礎。

來源：高光譜成像的牛肉丸摻假檢測：孫宗保，王天真，李君奎，鄒小波" ，梁黎明，劉小裕{光譜學與光譜分析 第40卷第7期}