一种基于近红外高光谱的硫代巴比妥酸含量检测方法与流程

本发明属于食品质量安全无损检测领域，具体涉及一种基于近红外高光谱的硫代巴比妥酸含量检测方法。

背景技术：

随着人们生活水平提高和消费念改变，具有品质稳定、食用方便、附加值高、营养均衡的调理肉制品深受消费者青睐。调理肉制品主要以畜禽肉作为原料，添加适量的调味料或辅料，经适当加工，以包装或散装形式在冷冻、冷藏或常温条件下贮存、运输、销售，需经过简单加工即可食用的肉制品。调理肉制品中不仅有丰富的蛋白质，同时也包含脂肪等营养物质。在肉品贮藏过程中，脂肪会发生氧化反应，生成挥发性性的物质，如醛类、醇类以及酯类等。随着脂肪氧化程度越大，挥发性物质含量越高，肉类产生的异味也越大，肉品品质变得越差，最终导致肉品腐败变质，腐败的调理肉制品不仅失去了经济和营养价值，同时还会给人们的身体健康带来潜在的威胁。

硫代巴比妥酸（thiobarbituricacid，tba）作为评价肉类脂肪氧化酸败程度的重要指标，是肉制品贮藏期间质量好坏的评价标准之一。目前主要利用脂肪氧化产物丙二醛与硫代巴比妥酸发生反应，并测量其在532nm处吸收强度，计算得到tba含量。这种方法存在操作复杂、耗时较长，不具有现场性，同时还对检测的肉品具有一定破坏性，无法满足肉品实际生产过程的需求。

技术实现要素：

针对硫代巴比妥酸含量检测方法中存在检测步骤繁琐、检测效率低、产品破坏性大等问题，本发明提出一种简单、快速、准确、非破坏的硫代巴比妥酸含量检测方法。

本发明的技术解决方案如下：

一种基于近红外高光谱的硫代巴比妥酸含量检测方法，其特征在于：包括如下步骤：

步骤一：样本预处理，将调理鸡肉在无菌环境下进行等分，每份质量为100g~120g，并用自封袋密封包装后编号置于4℃冰箱冷藏，每隔一天进行取样；

步骤二：采集样本近红外高光谱信息及硫代巴比妥酸含量，通过近红外高光谱成像仪，采用线性扫描模式采集样本近红外高光谱反射图像，对采集后的图像进行黑白校正，并挑选样本感兴趣区域，将感兴趣区域的均值作为样本的近红外高光谱信息，测量样本的硫代巴比妥酸含量，具体方法为：取10g样品研细，并加入50ml浓度为7.5%的三氯乙酸，在常温下震荡30min，震荡后利用双层滤纸对试液过滤两次；取上清液5ml并加入5ml浓度为0.02mol/l的2-硫代巴比妥酸溶液，在沸水浴中保温40min，取出冷却1h后，利用3k15型高速冷冻离心机在常温下以1600r/min转速离心5min，在上清液中加5ml氯仿摇匀，静置分层后取上清液，利用uv1800紫外分光光度计分别在532nm和600nm处进行比色，记下消光值；

步骤三：划分样本校正集和预测集，将上述采集样本按照2:1的比例随机划分为校正集和预测集，利用校正集建立模型，并用预测集对模型效果进行验证；

步骤四：近红外高光谱信息预处理及特征波长选择，采用savitzky-golay卷积一阶导数法对近红外高光谱反射图像进行预处理，对于预处理后的近红外高光谱信息，采用cars算法挑选出硫代巴比妥酸含量与近红外高光谱相关性较好的特征波长组合；

步骤五：建立样本硫代巴比妥酸含量预测模型，采用matlab2016b工具箱中bp神经网络进行建模，近红外高光谱信息作为bp神经网络输入，硫代巴比妥酸含量作为bp神经网络输出；

步骤六：模型效果评价，利用步骤五所获得的硫代巴比妥酸含量bp预测模型，将预测集样本近红外光谱输入模型，得到相应的硫代巴比妥酸含量。

进一步地，所述步骤二中近红外高光谱成像仪系统参数设置为：相机镜头距样本42.0cm，光源功率为200w且光源以45°角对准样本，曝光时间为2.5ms，输送速率为22.1mm/s，消除前后噪声波段后，高光谱有效波长范围设置为1000～2200nm，共173个波段。

进一步地，步骤二中三氯乙酸含0.1%的edta，每个样品tba值的计算公式为，式中、分别为在532nm和600nm处的消光值。

进一步地，所述步骤二中还包括采用cars算法从近红外高光谱信息中筛选特征波长。

进一步地，所述步骤五中bp神经网络中训练次数为10²~10⁶，学习率为10^-3~10^-1，目标误差为10^-4~10^-1，性能梯度为10^-8~10^-3，确认失败次数为10²~10⁴，隐藏层层数为1，节点数参照公式为：，式中：为隐藏层节点数；为输入层节点数；为输出层节点数；为1~10之间的正整数。

与现有技术方法相比，本发明所达到的有益效果：

本发明提出了一种基于近红外高光谱的硫代巴比妥酸含量检测方法，克服了传统检测方法操作复杂、检测效率低、产品破坏大的问题，有效提高了调理鸡肉中脂质氧化产物无损检测效率和准确性，为调理鸡肉中硫代巴比妥酸含量检测提供了新思路。

说明书附图

图1为本发明的流程示意图。

图2为本发明实施例1cars算法变量筛选流程中波长变量数随采样次数变化趋势示意图。

图3为本发明实施例1cars算法变量筛选流程中rmsecv随采样次数变化趋势示意图。

图4为本发明实施例1cars算法变量筛选流程中回归系统轨迹示意图。

图5为本发明预测集预测效果图。

具体实施方式

以下结合附图和具体实施案例对本发明进一步描述，实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

相关术语释义：

竞争性自适应重加权算法（competitiveadaptivereweightedsampling，cars）：主要依据达尔文进化论的“适者生存”原则，将每个波长当作独立的变量，利用自适应重加权采样技术筛选出偏最小二乘回归（partialleastsquaresregression，plsr）模型中回归系数绝对值大的变量，删除回归系数绝对值小的变量，通过多次重复筛选得到一系列的波长变量子集，并采用十折交叉验证选出plsr模型中rmsecv最小的变量子集，最终得到最优特征波长组合；

反向传播算法（backpropagation，bp）：主要由信号的正向传播和误差的反向传播组成，在正向传播过程中，输入信息从输入层经隐含层单元逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到所期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号减小，然后再转入正向传播过程。通过反复迭代，当误差小于设定的目标值，网络训练终止。

实施例1：

以我公司新鲜包装好的“骨肉相连”调理鸡肉为试验对象，按照图1的流程，具体实施方式如下：

步骤一，调理鸡肉样本预处理，将新鲜包装好的调理鸡肉，在无菌环境下分为3串一份，每份质量为110g，并用自封袋密封包装后编号置于4℃冰箱冷藏，每间隔一天进行取样，获取其光谱信息和硫代巴比妥酸含量，总共采集240个样本。

步骤二，采集样本近红外高光谱信息及硫代巴比妥酸含量，利用近红外高光谱成像仪获取样本的近红外高光谱图像，对采集后的图像进行黑白校正，并挑选样本感兴趣区域，将感兴趣区域的均值作为样本的近红外高光谱信息；近红外高光谱成像仪系统参数设置为：采用线性扫描模式采集近红外高光谱反射图像，相机镜头距样本42.0cm，光源功率为200w且光源以45°角对准样本，曝光时间为2.5ms，输送速率为22.1mm/s；消除前后噪声波段后，高光谱有效波长范围为1000～2200nm，共173个波段；然后立即对其进行硫代巴比妥酸含量测量，具体方法为：取10g调理鸡肉样品研细，并加入50ml7.5%的三氯乙酸（含0.1%edta），在常温下震荡30min，震荡后利用双层滤纸对试液过滤两次，取上清液5ml并加入5ml的0.02mol/l2-硫代巴比妥酸溶液，并在沸水浴中保温40min，取出冷却1h后，利用3k15型高速冷冻离心机在常温下以1600r/min转速离心5min，在上清液中加5ml氯仿摇匀，静置分层后取上清液，利用uv1800紫外分光光度计分别在532nm和600nm处进行比色，记下消光值，每个样品tba值按如式（1）公式进行计算，式中、分别为在532nm和600nm处的消光值。

(1)。

步骤三，划分样本校正集和预测集，将所有采集样本按照2:1的比例随机划分为校正集和预测集，利用校正集建立模型，并用预测集对模型效果进行验证，样本花粉结果统计如表1所示。

表1样本划分结果统计

步骤四，近红外高光谱信息预处理及特征波长选择，原始近红外光谱图中，前后端噪声信息比较明显，因此波长有效范围为1000～2200nm。同时，为了消除光谱基线漂移以及由于样品表面形状差异而造成的光散射现象，采用savitzky-golay卷积一阶导数法进行预处理，窗口宽度为15。对预处理后的近红外高光谱信息，采用cars算法挑选出硫代巴比妥酸含量与近红外高光谱相关性较好的特征波长组合。cars算法筛选过程如图2～图4所示，迭代次数为31时，均方根误差最小，获得的特征波长总数为11，具体为1001、1052、1131、1165、1172、1179、1241、1248、1450、1464、1509nm。

步骤五，建立样本硫代巴比妥酸含量预测模型，采用matlab2016b工具箱中bp神经网络进行建模，将cars算法提取特征波长对应的近红外光谱值作为bp神经网络输入，以及相应硫代巴比妥酸含量为bp神经网络输出，建立样本硫代巴比妥酸含量bp预测模型。其中bp神经网络参数设置为：训练次数为10⁴，学习率为0.01，目标误差为0.001，性能梯度为10^-6，确认失败次数为1000，隐藏层层数为1，m为1。

步骤六，模型效果评价，利用步骤五所获得硫代巴比妥酸含量bp预测模型，将预测集样本近红外光谱输入模型，得到相应的硫代巴比妥酸含量。根据预测得到的硫代巴比妥酸含量与实际测量的硫代巴比妥酸含量，计算其相关系数r，均方根误差（rootmeansquareerror，rmse），以及剩余预测偏差（residualpredictivedeviation，rpd）等评价信息。校正集的相关系数和均方根误差分别为0.97、0.08mg/100g，预测集相关系数、均方根误差以及剩余预测偏差分别为0.94、0.12mg/100g、2.94，预测集样本的实测值与预测值的对比结果如图5所示，预测结果大部分靠近直线y=x，说明预测值与实际值很接近。

本发明以调理鸡肉为对象，通过采集样品的近红外光谱信息，并利用化学测量方法得到样品硫代巴比妥酸含量。将获取的近红外光谱进行预处理，消除因外部环境影响而产生的噪声信息。同时利用cars算法消除调理鸡肉近红外高光谱信息中的冗余信息。将经过cars算法提取的特征波长对应的光谱信息作为bp神经网络的输入，以及相应的硫代巴比妥酸含量作为bp神经网络输出，建立调理鸡肉硫代巴比妥酸含量bp预测模型。

本发明克服了传统检测方法操作复杂、时效性差、效率低、无法进行现场性检测等问题。根据建立的调理鸡肉硫代巴比妥酸含量bp模型，输入待测调理鸡肉的近红外高光谱图像，可快速准确检测出硫代巴比妥酸含量的含量，从而为判定调理鸡肉的新鲜程度提供重要依据。该方法操作简单，检测效率高，而且对样品无破坏性，为调理鸡肉硫代巴比妥酸含量检测提供了新思路。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以对其它肉类菌落总数、ph等相关指标进行预测，这些改变也应视为本发明的保护范围。