一种冰鲜牛肉不同储存时间的快速鉴别方法与流程

本发明属于肉制品质量检测技术领域，具体涉及一种冰鲜牛肉储存时间的快速鉴别方法。

背景技术：

目前，进口牛肉以冰鲜牛肉和冷冻牛肉为主，其中以澳大利亚产地居多。冰鲜牛肉，又叫冷鲜牛肉、冷却牛肉、排酸牛肉，是指将经过严格检验检疫的牛屠宰后，其胴体在0-4℃的排酸库中迅速冷却到0-4℃，并连续进行48小时的排酸处理(使牛肉中的乳酸和应急激素等有害物质分解排出)，并在以后的加工、运输、销售的过程中严格保持0-4℃的温度。冰鲜牛肉质地柔软有弹性，多汁，滋味鲜美，气味芳香容易阻嚼，便于消化吸收，利用率高且便于切割，它以其独特的口味，高价值的营养，已逐渐被广大消费者所认识和接受，并将逐渐替代热鲜肉和冷冻肉。冷却肉不仅适合家庭烹制，而且也适合加工各种肉制品，今后必将成为我国城乡居民生活肉制品消费的主流。但是，冰鲜牛肉在销售运输过程中，随着储存时间的延长，其嫩度、新鲜度、颜色、持水性、含水量发生变化又是不可避免的。这表明储存时间短是冰鲜牛肉最大的缺陷，在一定程度上制约了冰鲜牛肉在市场上的发展，这导致以次鲜肉冒充新鲜肉的现象时常发生。为了帮助零售商鉴别、保护消费者权益，对冰鲜牛肉的储存时间的鉴别显得尤为重要。

目前对肉制品储存时间的判定仍较常采用感官检验、理化检验、微生物学检验等常规方法。感官检验结论会因感觉器官的局限性、人的主观性造成出入；在理化检验中，通常采用国标方法对肉品中的挥发性盐基氮(tvb-n)的含量进行测定，确定肉的新鲜程度，但是实验前处理较为繁琐、对样品破坏性大。微生物学检验法通过测定肉品表面的微生物数量来判断肉的品质，但是操作耗时、费力、不适用于大批量的快速检测。因此寻找简便、快速、客观的现代分析技术是评价牛肉储存时间、确保食品安全的必要条件。

近红外光谱(nearinfraredspectrometry，nir)主要是利用物质分子内部分子振动的倍频与合频信息，几乎包括了有机物中所有含氢基团(c-h、o-h、n-h、s-h等)的信息。通过扫描样本的近红外光谱，可以得到样本中有机分子含氢基团的特征信息，不同基团如甲基、亚甲基、苯环等或同一基团在不同化学环境中的近红外吸收波长与强度都有明显差别，且同一基团的倍频与合频信息常可在近红外谱区的多个波段取得，分析范围几乎可覆盖所有的有机化合物和混合物。

与常规检测方法相比，nir技术是一种间接分析技术，通过收集大量且具有代表性的标准样本，通过严格细致的化学分析测出必要的数据，再通过计算机建立数学模型，即定标，以最大限度反映被测样本群体常态分布规律，然后再通过该数学模型，预测未知样品的所需数据。其具有方便、快速、高效、准确和不破坏样本、不消耗化学试剂、不污染环境等优点，被广泛用于食品、农产品质量与安全检测。在肉品检测中，因为肉类中含有大量的蛋白质、脂肪、有机酸、碳水化合物等有机物，所以通过对肉的光谱分析就能够得到大量的信息。

国内外学者已做了有益探索，包括肉品化学成分含量检测、微生物快速测定、肉品分级以及肉品掺假鉴定等的初步评定，而对冰鲜牛肉储存时间等方面做的研究较少。

技术实现要素：

本发明的目的在于克服现有技术中存在的缺陷，如：感官检验结论会因感觉器官的局限性、人的主观性造成出入，而理化检验前处理较为繁琐、对样品破坏性大，微生物检验操作复杂，测定过程耗时、耗力，不易进行大批量的快速检测等，本发明提供了一种冰鲜牛肉储存时间的快速鉴别方法。

具体的，本发明通过以下技术方案实现：

(1)准备牛肉样本并编号，具体为不同批次、不同储存时间的冰鲜牛肉样本；

(2)运用近红外光谱(nir)技术对步骤(1)中的牛肉样本进行光谱数据采集；

(3)将步骤(2)采集得到的光谱数据按行排列成光谱矩阵，利用归一化方法对光谱数据进行预处理；

(4)利用主成分分析(pca)方法对步骤(3)中预处理后的数据进行降维处理；

(5)基于步骤(4)降维处理后的光谱数据，采用化学计量学的方法建立冰鲜牛肉不同储存时间的快速鉴别模型；

(6)对未知待测牛肉样本进行光谱信息采集，利用步骤(5)建立的快速鉴别模型对未知待测牛肉样本的储存时间进行快速鉴别。

其中上述步骤(1)牛肉样本的准备方式具体为：选取多个批次(不同生产日期)的冰鲜牛肉，冰鲜牛肉样本是将每批冰鲜牛肉进行不同天数的4℃冷藏处理获取；

其中上述步骤(2)光谱数据采集的具体方法为：利用antarisⅱ型傅里叶变换近红外光谱仪，采用漫反射方式进行光谱扫描，扫描范围为10000-4000cm^-1，扫描次数为16次，分辨率为8cm^-1；

其中上述步骤(3)光谱数据的预处理具体为：采用归一化方法，利用matlab自带的归一化函数mapminmax对光谱数据进行预处理；

其中上述步骤(4)利用主成分分析(pca)方法对步骤(3)中预处理后的数据进行降维处理：首先对冰鲜牛肉样本的数据进行主成分分析(pca)处理，然后选取不同的主成分数作为模型的输入；

其中上述步骤(5)中，所述化学计量学的方法为反向传播神经网络(bpann)方法；

其中上述步骤(6)对未知待测牛肉样本的储存时间进行快速鉴别，采用近红外光谱(nir)技术对待测牛肉样本进行光谱数据采集，然后将待测牛肉样本的数据先经过步骤(3)和(4)处理后带入步骤(5)已建立的快速鉴别模型中，利用matlab处理软件完成牛肉储存时间的鉴别。

本发明的冰鲜牛肉不同储存时间快速鉴别方法的对象为：冰鲜牛肉。

与现有技术相比较，本发明的有益效果体现如下：

(1)本发明所用的nir技术主要是利用物质分子内部分子振动的倍频与合频信息，几乎包括了有机物中所有含氢基团(c-h、o-h、n-h、s-h等)的信息，信息量极为丰富，因此分析范围几乎可覆盖所有的有机化合物和混合物。与其他技术相比具有快速、无损、成本低、重现性好的优势。

(2)本发明利用matlab自带的归一化函数mapminmax对光谱数据进行预处理，使所有数据处于一个相同的范围内，使变量分布更加均衡，在建立模型过程中可以减少预测误差。

(3)本发明利用nir技术结合化学计量学对冰鲜牛肉的不同储存时间进行鉴别研究。因nir技术是一种间接分析技术，必须通过建立校正模型来实现对未知样品的定性分析。因此先利用nir技术采集样本的光谱信息，并且将采集得到的每一块样品的三次光谱数据求平均作为最终的数据，然后按行排列成光谱矩阵，利用化学计量学方法建立判别模型。采用svm模型时，当主成分数为8，其训练集识别率为67.50％，测试集识别率只有62.50％，随着主成分数增加，训练集和测试集识别率保持不变，依然有大量的样本被识别错误，模型效果欠佳。采用bpann模型时，当主成分数为8，其训练集识别率为98.75％，测试集识别率为90％。此时bpann模型时训练集和测试集各有1、4个样本被识别错误，模型效果较好。

附图说明

图1为本发明不同储存时间的冰鲜牛肉原始近红外光谱图(a)与平均近红外光谱图(b)；其中，f-1、f-15、f-30、f-45分别为冷藏1d、15d、30d、45d的冰鲜牛肉；

图2为本发明归一化预处理后的冰鲜牛肉近红外光谱图。

具体实施方式

下面通过具体的实施例并结合附图对本发明进一步阐述，但并不限制本发明。

(1)准备牛肉样本：

收集5个批次(不同生产日期)的真空包装冰鲜牛腱肉，每批4袋并进行4℃冷藏1d、15d、30d、45d处理，共计20袋冰鲜牛腱肉，原产国均为澳大利亚。

将肉样去掉可见的结缔组织、脂肪、筋、键、膜，用刀切成3×3×2cm(长×宽×高)表面平整的块状样品，并用保鲜膜包裹。每袋样本取6块进行光谱采集，共计120块样本。

(2)运用nir技术对牛肉样本进行光谱数据采集：

利用antarisⅱ型傅里叶变换近红外光谱仪(thermofisher，美国)，采用漫反射方式进行光谱扫描，扫描范围为10000-4000cm^-1，扫描次数为16次，分辨率为8cm^-1。每个样本采集前将其放置室温下20min，采集时先用滤纸吸取样本表面的水分，以防表面残留的水分对光谱曲线产生影响。对每个样本表面分别在3个不同部位采集光谱。

图1为本发明不同储存时间的冰鲜牛肉原始近红外光谱图(a)与平均近红外光谱图(b)；在图1(a)、1(b)中可以发现，光谱的形状趋势整体一致：在8555cm^-1附近出现了强烈的吸收峰，是o-h基团的第一泛音，因为牛肉中大部分是水分，o-h基团的近红外吸收峰非常明显；而6900cm^-1处的近红外吸收峰是c-h基团的第二泛音，这可能是受脂肪、蛋白含量的影响。在图1(b)中可以看出，4条光谱图走势基本相同，吸光值略有差异，但是很难依靠直观分析谱图差异实现对冰鲜牛肉储存时间的判别。因此需要运用光谱数据结合化学计量学方法对不同储存时间的冰鲜牛肉进行判别。

(3)利用归一化方法对光谱数据进行预处理：

首先对通过nir技术获取冰鲜牛肉样本的光谱数据进行整理，以光谱范围10000-4000cm^-1对应的1557个吸光度值为变量，将采集得到的每个样本的三次光谱数据求平均作为该样本的光谱数据，并且按行排列成光谱矩阵。然后利用matlab自带的归一化函数mapminmax对其进行预处理。

图2为本发明归一化预处理后的冰鲜牛肉近红外光谱图，可以看出所有数据处于一个相同的范围内，变量分布更加均衡，可以减少建模过程中的预测误差。

(4)基于步骤(3)中预处理后的光谱数据，利用主成分分析(pca)方法对其进行降维处理：

因光谱数据较多，若直接使用模型会降低识别的速度与效率，因此将步骤(3)预处理后的光谱数据进行pca降维处理，减少运算量，然后选取不同的主成分数作为模型的输入。pca是一种无监督的把多个指标转化为几个综合指标的一种统计方法，它沿着协方差最大方向由多维数据空间向低维数据空间投影，每个主成分是原始变量的线性组合，且各个主成分之间互不相关。

(5)基于步骤(4)降维处理的光谱数据，采用化学计量学的方法建立冰鲜牛肉不同储存时间的快速鉴别模型：

本发明一共选取了两种化学计量学方法对不同储存时间的冰鲜牛肉进行区分，具体为反向传播神经网络(bpann)方法和支持向量机(svm)方法；根据不同主成分数对应的训练集识别率来判断模型的效果，训练集的识别率越高，模型效果越好；

其中，bpann模型的特点是信号前向传递，误差反向传播，釆用最小均方差学习方式，克服和解决了以前提出的以感知器为基础的网络算法存在的不足和问题，其较强的运算能力能处理许多较为复杂包括非线性问题；svm模型是基于结构风险最小化原则建立模型，通过用内积函数定义的非线性变换将输入空间变换到一个高维空间，将待解决的模式识别问题转化成为一个二次规划寻优问题。

选取总样本的2/3作为训练集(4℃冷藏1d、15d、30d、45d的冰鲜牛肉各20个)，分别建立bpann和svm模型，结果如表1所示。随着主成分数的增加，识别率基本呈上升趋势(识别错误样本数减少)。当主成分数达到8时，svm模型的训练集识别率较低，只有67.5％，随着主成分数增加，识别率下保持不变。在bpann模型中，当主成分数为8时，其识别率达到98.75％，随后主成分数增加时识别率略有下降。

表1svm、bpann模型在不同主成分数下训练集和测试集的鉴别结果

(6)对未知待测不同储存时间的牛肉样本进行快速预测：

采用nir技术对待测冰鲜牛肉样本(4℃冷藏1d、15d、30d、45d的冰鲜牛肉各10个)进行光谱数据采集，然后将未知待测冰鲜牛肉样本的光谱数据先进行归一化预处理，再利用pca方法进行降维处理，然后输入已建立的svm和bpann模型中，利用matlab处理软件完成储存时间鉴别。

鉴别结果如表1所示，在svm模型中，可以看出当主成分数为8时，其测试集识别率只有62.5％，随着主成分数增加，识别率不变，出现大量的样本被识别错误。在bpann模型中，可以看出最佳主成分数为8，其测试集识别率为90％。此时bpann模型中只有4个样本被识别错误，模型效果较好。鉴别结果与对应样本实际的储存时间基本相符，表明bpann模型可用于实际应用。

为了使样本具有代表性，由于澳大利亚是我国第一大牛肉进口来源国，所以本发明实施例选取的牛肉原产国是澳大利亚。为了使模型更加准确可靠、便于运用实际市场的检测中，本发明实施例保证了样品的多样性，选取五个批次的冰鲜牛肉作为样本。为了减少光谱的干扰信息，本发明采用归一化预处理方法可以提高数据稳定性并提高模型准确率。为了提高模型识别的速度与效率，减少运算量，本发明利用pca方法对光谱数据进行降维处理。为了选取最佳鉴别模型，本发明选取bpann、svm模型分别对冰鲜牛肉的储存时间进行鉴别，结果表明bpann模型更适用于冰鲜牛肉储存时间的鉴别。结合以上优势，本发明申请利用nir技术结合bpann模型对冰鲜牛肉的不同储存时间进行识别。