基于高光谱开发滩羊肉中高铁肌红蛋白含量的定量函数

程丽娟，刘贵珊*，何建国，万国玲，马 超，班晶晶，马丽敏，杨国华，袁瑞瑞

1. 宁夏大学农学院食品系，宁夏 银川 750021 2. 宁夏大学物理与电子电气工程学院，宁夏 银川 750021

引 言

滩羊为宁夏优势特色畜种，其肉质一直是研究热点。 色泽是羊肉品质最重要的属性之一，MetMb在肉中所占比例直接影响色泽，MetMb含量的增加将导致肉色变暗。 目前，肌红蛋白传统检测方法包括质谱法、色谱法、电化学法和X射线等[1-4]。 这些方法需要高度专业化的设备以及存在耗时费力、破坏性大等问题[5]。 高光谱成像具有突出的特征识别能力，可以同时获得待测物品的光谱信息和二维空间信息，形成三维数据立方体，实现对物品特性的探测与识别。 近几年，高光谱对肉类的研究主要集中在： 内部成分、表面特性以及掺假等方面[6-12]。 但是尚未有文献报道此技术对肉中MetMb的研究。

以宁夏滩羊肉为研究对象，探究高光谱成像快速无损检测滩羊肉中MetMb含量的可行性以及开发滩羊肉中MetMb含量的定量函数，为快速测定滩羊肉中MetMb的含量提供参考。

1 实验部分

1.1 材料与试剂

样品来自宁夏盐池鑫海牧场，选取滩羊背最长肌作为测试部位，将屠宰后的滩羊在24 h内运输到实验室，密封袋包装，4 ℃贮藏。 每3 d测试一次(贮藏期1, 4, 7, 10, 13, 16, 19, 22, 25和28 d各测一测，共计10次)。 图像采集之前，用纸巾擦拭待测样本表面的水分。

1.2 仪器

VIS/NIR高光谱成像系统由CCD摄像机(配备距离样品表面385 mm的镜头)、成像光谱仪、线性电控位移平台、计算机、光源系统构成。 具体介绍参阅文献[13]。

获取图像时将样本放置在黑色背景上使样品和背景之间有良好的对比度。 暗电流的存在使相机记录了一些无用信息。 因此，在捕获图像之前须进行校正，校正公式如式(1)所示

(1)

式(1)中，R是校准后的高光谱图像，R0是滩羊原始高光谱图像，D是几乎没有反射的暗参考图像(反射率约0%)，W是几乎全反射的白色参考图像(反射率约100%)。

光谱扫描的最佳参数通过预实验确定。 CCD相机曝光时间： 20 ms； 物镜高度： 385 mm； 线扫描长度： 70 mm； 电控位移平台速度： 200 μm·s-1。

1.3 分光光度计测定MetMb含量

首先，制备磷酸盐缓冲液(0.04 mol·L-1，pH 6.8)和待测肉样(5 g)，样品加入到25 mL缓冲液中，混合均匀； 其次，在室内使用均化器(10 000 r·min-1)均质25 s后得到的溶液在冰箱中储存1 h，随后离心15 min(4 ℃，6 000 g)，过滤上清液； 最后，在525，545，565和572 nm处读取滤液的吸光度，磷酸盐缓冲液作空白。 MetMb所占的比例通过式(2)计算

[MetMb](%)=(-2.514R1+0.777R2+

0.800R3+1.098)×100

(2)

式(2)中：R1，R2和R3分别是A572 nm/A525 nm，A565 nm/A525 nm和A545 nm/A525 nm的吸光度比。

2 结果与讨论

2.1 MetMb化学值

滩羊肉样本按照3∶1的比例划分，滩羊肉中MetMb相对含量(%)的参考值如表1所示，MetMb具有宽范围(12.325～56.087)，可以建立相对稳健的预测模型。

表1 高铁肌红蛋白含量的化学参考值

2.2 光谱曲线的提取

选取整个滩羊肉样本光谱图像作为感兴趣区域。 图1(a)为原始反射光谱图，明显看出，430，560，595，780和970 nm为主要吸收带。 430 nm附近称为Soret吸收带，因为存在呼吸性色素血红蛋白[14]； 540和595 nm处的吸收带主要是脱氧肌红蛋白或氧合肌红蛋白[15]； 980和780 nm有两个微小的吸收带，分别对应于水产生的O—H键的第二和第三泛音[16]。

2.3 光谱曲线预处理

2.4 特征波长的选择

2.4.1 iVISSA算法选取特征波长

iVISSA利用变量的全局和局部搜索程序，以准确地区分特征波长的最佳位置、宽度和组合。 使用iVISSA算法选取特征波长时，设置5折交互验证，采样次数为1 000，共选择了45个特征波长，占到总波长的36%。

2.4.2 SPA算法选取特征波长

SPA算法选取特征波长时，变量范围设置为10～35，如图2所示，共选出14个特征变量，特征变量数占到总波长数的11.2%。

图1 反射光谱

表2 不同预处理方法下高铁肌红蛋白含量的PLSR模型Table 2 PLSR mothod of MetMb content based on different pretreatment

图2 SPA算法选择的特征波长

图3 组合间隔的RMSECV值

2.4.3 IRF选取特征波长

运行IRF程序，前10个区间选出的波点范围是17～42，82～100，然而组合间隔数的RMSECV值(图3)最低时，组合间隔数为11，因此，排名前11间隔的波长被选作为特征波长，这些波长依次是14～42，82～100号，总共48个波长, 占总波长的38.4%。

2.4.4 VCPA算法选取特征波长

VCPA可以有效地消除无信息变量，并同时根据单个光谱预测一些属性。 使用VCPA算法选取特征波长时，共选择了13个特征波长，占到总波长的10.4%。

2.4.5 CARS算法选取特征波长

使用CARS算法筛选特征变量数的过程如图4所示。 图4(a)为变量数随采样次数的变化过程，采样变量的变化分为两部分，即第一阶段快速减少(粗选)而第二阶段非常缓慢(精选)； 图4(b)为5折交互验证的RMSECV值随采样次数的变化趋势，起初，采样数缓慢下降，说明无信息变量被消除，然后，RMSECV增加，应该归因于损失了一些关键变量。 图4(c)为回归系数的变化过程，最佳变量子集对应于最小的RMSECV值，其位置由垂直星号线标记。 由线(标记为L1，L2，L3，L4，L5)表示的RMSECV值上升得更高时，变量(标记为P1，P2，P3，P4，P5)被消除为零，因为一些关键波长被移除。 用此方法共选取了16个特征变量，占总波长的12.8%。

图4 CARS算法选取波长变量过程

2.5 建立模型

2.6 定量函数的开发

表3 不同波长提取方法建立的的PLSR模型的结果

图5 测量的MetMb含量与预测含量的关系

3 结 论

以宁夏滩羊肉为研究对象，采集样本光谱图像，利用分光光度计测量样本的MetMb含量，建立PLSR模型，高光谱成像可以实现滩羊中MetMb含量的预测。 结论如下：