多通道近红外光谱牛肉品质多参数同时检测方法

摘要

本发明公开了属于牛肉品质快速无损检测范围的一种多通道近红外光谱牛肉品质多参数同时检测方法。首先在可移动控制柜内安装由8路光纤复用器分别和两个波长范围的光谱仪及探头装置组成的光谱检测系统；并嵌入到生产线工艺里进行在线检测：可同时满足胴体和分割肉的质量检测，得出最佳的光谱数据；建立定标预测模型，和采用相对分析误差来评价模型效果，模型分析大量样品实验数据，分别建立嫩度、含水率的预测模型得到各指标的预测值，再将所得的预测值代入基于所测指标建立的牛肉多参数综合品质评价模型得到最后的肉品等级；本发明采集可见近红外波段内的光谱信息，信息丰富，检测指标具有可拓展性；能够适应生产线检测需求。

说明书

技术领域

本发明属于牛肉品质快速无损检测范围，特别涉及一种多通道近红外光谱牛 肉品质多参数同时检测方法。

背景技术

牛肉分级是指根据市场对牛肉品质的认可度，将牛肉产品分成不同的等级， 实现优质优价的利益分配。牛肉分级的广泛推广，对牛肉行业的健康发展具有重 要作用，可以指引牛肉生产者进行定性良种选育、科学饲喂、规范的屠宰分割， 使其生产出质美价优的牛肉产品；也可以规范牛肉市场，形成良性健康的市场竞 争；还可以指导消费者正确消费，确保交易的公平性。

现行国内外生产加工企业对牛肉的分级都包括产量级分级和质量级分级。产 量级指标主要包括冷胴体重、眼肌面积和背瞟厚等；质量级指标主要有大理石花 纹、生理成熟度、肉色、脂肪色、嫩度等。国外应用成熟的检测技术主要包括：

1)机器视觉检测技术，用来检测胴体特征、大理石纹、眼肌面积等感官指 标，如美国农业部用来评定牛肉质量级和产量级的计算机图像分析的系统 (VlAScan)，在北美、欧洲等国家此系统已经得到了一定的应用；由美国农业 部与堪萨斯大学合作研制的视频图像分析(VIA)，美国的CVS-Beefcam，丹麦的 BCC-2以及德国的VBS2000；

2)背膘厚检测的超声波成像技术，用来检测活体或二分体的背膘厚；

3)基于近红外光谱检测技术的在线检测仪器，如美国农业部的嫩度检测仪。

随着人们消费意识的提高，目前以反映产肉效益和肉品外表属性为主导的分 级标准越来越难以满足市场的消费需求，国外许多国家已经开始将牛肉商品质量 分级推进到内在质量分级阶段，开始研究更为直观可靠的分级标准及相应的快速 无损检测技术，基于此，本发明提出使用便携可移动式的多通道近红外光谱系统， 同时检测牛肉的嫩度和含水率，为牛肉内在质量分级提供技术支持。

发明内容

本发明的目的是提供一种多通道近红外光谱牛肉品质多参数同时检测方 法，其特征在于，包括：

1)在可移动控制柜内安装可见近红外光谱检测系统，光谱检测系统结构为 多路光纤复用器4分别连接波长为300-1100nm的第一光谱仪1、波长为 1000-2200nm的第二光谱仪2、高功率卤钨灯光源3、4个光纤检测探头7组成； 通过USB数据线及光纤将两光谱仪与计算机5及显示屏6相连；在可移动控制 柜上左侧面的探头架上放置4个光纤检测探头7；4个光纤检测探头按星形方式 平整分布于探头架内，探头末端离探头架内顶面的高度一致，确保光纤离样品表 面的距离一致。

2)采用光谱检测系统对牛肉品质进行检测：

采用光纤检测探头贴样检测，通过多路光纤复用器4，将4个光纤检测探头 与两光谱仪连接，形成多通道的近红外光谱检测系统，同时检测样本4个不同位 置处的光谱信息，覆盖300～2200nm的可见近红外光谱范围；将光谱信息输入到 计算机内，通过实验建立的牛肉品质预测模型，得到嫩度(剪切力值)、含水率 的预测值；

3)预测模型的建立，由上述光谱检测系统采集光谱，同时检测样本4个不 同位置处的光谱信息，每个样本取平均光谱作为该样本的特征光谱；由于可见近 红外光谱易受外界环境、检测距离等因素的影响，在采集到的光谱中，不可避免 的会出现各种噪声、基线漂移现象，这些现象的存在必然会影响到光谱数据的分 析及定标模型的分析精度和稳定性，因此在建立模型前有必要对原始光谱进行数 学预处理，对预处理后的校正集光谱，结合逐步回归、主成分分析法和偏最小二 乘回归(PLSR)，寻找主成分数和特征波长，分别建立牛肉嫩度和含水率的多元 线性回归(MLR)定标预测模型：

(1)j_i＝β₀+β₁X_il+…+β_pX_ip+ε_i(i＝1，2，…，n)，

(2)W_i＝α₀+α₁X_il+…+α_qX_iq+ε_i(i＝1，2，…，n)，其中，x_i1，x_i2，…，x_ip为第 i个样品在各个特征波长点处的反射光谱参数；β₀、β₁...β_p和α₀、α₁...α_q为回归系数； j_i为第i个样品的嫩度值，含水率值为W_i，ε_i为测量随机误差，通常假定E(ε_i) ＝0，D(ε_i)＝σ²，且ε₁，ε₂，……，ε_n相互独立；

4).品质评级模型的建立，采用先分后总式，通过大量样品实验，分别建立 嫩度、含水率的预测模型得到各指标的预测值，再将所得的预测值代入基于所测 指标建立的牛肉多参数综合品质评价模型：f(x)＝ω₁·j+ω₂·W式中，得到最 后的肉品等级。

其中，f(x)为牛肉综合品质的函数，j为嫩度(剪切力值)，W为含水率， ω₁，ω₂为加权因子；

5)在线检测的实现：

将检测系统嵌入到胴体分级检测工序处，对12-13胸肋间眼肌截面进行检测， 操作人员通过触发式开关控制光谱采集过程的启停，对每个样本的四条光谱曲线 求平均，取平均光谱作为样本的特征光谱；

对样本的特征光谱进行预处理，预处理的方法与建立嫩度、含水率预测模型 时所进行的预处理方法保持一致；

将预处理后的特征光谱代入到嫩度、含水率预测模型中，得到样品的嫩度、 含水率的预测值；

将嫩度、含水率的预测值代入到牛肉内在品质评定模型中，得到以嫩度、含 水率为评价指标的牛肉内在品质等级。

所述数学预处理是将所有试验样本随意排序，每四个样本取三个组成校正 集，其余的组成验证集，分别采用多元散射校正、一阶微分和S-G平滑滤波的方 法，对光谱进行预处理、对比分析，得出最佳的光谱数据；

所述模型分析，对预处理后的校正集光谱，分别使用多元线性回归(MLR)、 逐步回归和偏最小二乘回归(PLSR)，建立定标预测模型，采用相关系数(r)、定 标样品的标准分析误差(SEC)、预测样品的标准分析误差(SEP)、交叉验证标 准分析误差(SECV)和相对分析误差(RSD)来评价模型效果，选出最佳预测模型。

本发明的有益效果是：

1)系统拓展了波长的覆盖范围，可采集可见近红外波段(300-2200nm)内 的光谱信息，信息丰富，检测指标具有可拓展性；

2)多通道检测探头设计，可实现样品不同位置信息的同时检测，使得检测 信息更具代表性、一致性；

3)自行设计的检测装置可实现贴样检测，操作简单，同时可确保各检测探 头离样品表面的距离一致，提高检测精度；

4)采用可移动控制柜和贴样检测探头，使得系统可以适应不同的检测环境， 既可进行二分体在线评级检测，也可实现分割肉块的品质检测。

附图说明

图1为便携可移动式多通道近红外光谱检测系统示意图。

图2为对每个样本分别进行平均处理后得到的所有样品的原始光谱。

图3是样本光谱经SG-MSC预处理后得到的特征光谱。

具体实施方式

本发明提供一种多通道近红外光谱牛肉品质多参数同时检测方法。下面结合 附图予以说明。

图1所示为便携可移动式多通道近红外光谱检测系统示意图。在可移动控 制柜内安装可见近红外光谱检测系统，光谱检测系统结构为8路光纤复用器4分 别连接波长为300-1100nm的第一光谱仪1、波长为1000-2200nm的第二光谱仪2、 高功率卤钨灯光源3、4个光纤检测探头7组成；通过USB数据线及光纤将两光 谱仪与计算机5及显示屏6相连；在可移动控制柜上左侧面的探头架上放置4个 光纤检测探头7；4个光纤检测探头按星形方式平整分布于探头架内，探头末端 离探头架内顶面的高度一致，确保光纤离样品表面的距离一致。

在线检测流程：

将检测系统嵌入到胴体分级检测工序处，对12-13胸肋间眼肌截面进行检测， 操作人员通过触发式开关控制光谱采集过程的启停，对每个样本的四条光谱曲线 求平均，取平均光谱作为样本的特征光谱；

对样本的特征光谱进行预处理，预处理的方法与建立嫩度、含水率预测模型 时所进行的方法保持一致；

将预处理后的特征光谱代入到嫩度、含水率预测模型中，得到相应的预测值；

将嫩度、含水率的预测值代入到牛肉内在品质评定模型中，得到以嫩度、含 水率为评价指标的牛肉内在质量等级。

3.预测模型的建立

1)光谱采集及预处理

由上述光谱检测系统采集光谱，检测到样本的4个不同位置处的光谱信息， 取每个样本的平均光谱作为样本的特征光谱；由于可见近红外光谱易受环境、检 测距离等因素的影响，在采集到的光谱中，不可避免地会含有各种噪声、偏移现 象，这些必然会影响到光谱数据的分析及定标模型的分析精度和稳定性，因此在 建立模型前有必要对原始光谱进行数学预处理，以尽量减小噪声，提高信噪比， 所述是预处理是将所有试验样本随意排序，每4个样本取3个组成校正集，其余 的组成验证集，分别采用多元散射校正、一阶微分和S-G平滑的滤波方法，对光 谱进行预处理、对比分析，得出最佳的光谱数据；

2)模型建立与分析，

对预处理后的校正集光谱，分别使用多元线性回归、逐步回归和偏最小二乘 回归，建立定标预测模型，采用相关系数(r)、定标样品的标准分析误差(SEC)、 预测样品的标准分析误差(SEP)、交叉验证标准分析误差(SECV)、和相对分析 误差(RSD)来评价模型效果，相关系数越大、误差越小，模型越佳，进而选出最 佳预测模型。

品质评级模型的建立，采用先分后总式，通过大量样品实验，分别建立嫩度、 含水率的预测模型得到各指标的预测值，再将所得的预测值代入基于所测指标建 立的牛肉多参数综合品质评价模型：f(x)＝ω₁·j+ω₂·W式中，得到最后的肉 品等级。

其中，f(x)为牛肉综合品质的函数，j为嫩度(剪切力值)，W为含水率， ω₁，ω₂为加权因子；

4.在线检测的实现：

将检测系统嵌入到胴体分级检测工序处，对12-13胸肋间眼肌截面进行检测， 操作人员通过触发式开关控制光谱采集过程的启停，对每个样本的四条光谱曲线 求平均，取平均光谱作为样本的特征光谱；

对样本的特征光谱进行预处理，预处理的方法与建立嫩度、含水率预测模型 时所进行的预处理方法保持一致；

将预处理后的特征光谱代入到嫩度、含水率预测模型中，得到样品的嫩度、 含水率的预测值；

将嫩度、含水率的预测值代入到牛肉内在品质评定模型中，得到以嫩度、含 水率为评价指标的牛肉内在品质等级。

实施实例：

下面通过牛肉嫩度检测实施例，并结合附图，对本发明的具体方法作进一步 地描述。

2011年8月从北京市海淀区某超市购置宰后成熟14天的出自不同牛的里脊 块，运至中国农业大学农畜产品无损检测实验室，无须清洗、剔除脂肪或结缔组 织、水浴等准备工作，将肉样均匀分割成厚3cm的肉块，剔除不规则肉块后共获 得40块试样。

对试样编号后，立即用所述的检测系统(如图1所示)按照本发明方法，获 取所有试样的反射光谱图像(如图2所示)。

获取所有样品的光谱图像后，参照我国农业部行业标准-NY/T 1180-2006 《肉嫩度的测定剪切力测定法》标准进行嫩度测量，取每个试样的平均剪切力 值作为该样本剪切力的标准参照值。

获得样本反射光谱图像后，进一步按照预处理方法对获取的相对反射光谱图 像数据进行预处理，进一步获取其多元散射校正光谱(如图3所示)，将所有样 本按3∶1的比例随机分成校正集和验证集，利用预处理后的校正集光谱数据，选 取425-435nm、555-565nm、625-635nm、685-705nm、895-915nm、965-985nm、 1245-1365nm等七个特征波段的平均光谱数据，建立M L R预测模型，然后将该 验证集光谱数据代入已经该预测模型中，得到验证集牛肉样本剪切力值的预测 值。将牛肉样品按照剪切力值大小分为不同嫩度等级，剪切力值小于44N的认为 是嫩牛肉(Tender)，大于44N的认为是老牛肉(Tough)，分级结果如下表1所示：

表1嫩度测量(每个试样的平均剪切力值)结果

*嫩牛肉表示为1，老牛肉表示为0。

分级准确率达到80％，证明本发明所述方法具有可行性。

采用类似的方法，得到含水率的预测值，同时将样品的剪切力预测值与含水 率预测值代入到品质评价模型中，即可得到对应的品质等级。