一种基于拉曼光谱技术的猪肉新鲜度快速检测方法与流程

1.本发明涉及一种基于拉曼光谱技术的猪肉新鲜度检测方法，属于食品检测领域。


背景技术：

2.我国是世界上第一大猪肉生产国和消费国。猪肉可提供给人丰富的营养物质，富含蛋白质、脂肪、矿物质等，是我国居民膳食组成中的重要部分，猪肉新鲜与否与居民健康密切相关，研究猪肉新鲜度快速检测方法具有十分重要的价值和意义。
3.肉类品质的好坏单凭感官检测易受主观因素的影响，其可靠性、可比性差，理化检测和微生物检测虽然准确度高，但耗时长、操作繁琐，不适用于加工业实时大批量检测使用。近年来，许多研究已将光谱分析技术用于猪肉新鲜度检测领域，如近红外光谱技术、高光谱技术、荧光光谱技术等，其中近红外光谱技术较为常见。
4.拉曼光谱技术也已被用于猪肉品质检测，但检测指标多为嫩度、蛋白质含量、脂肪含量、碘值等，未涉及挥发性盐基总氮(tvb
‑
n)、ph及色泽等新鲜度指标。拉曼光谱技术具有速度快、操作简单的优点，有望利用拉曼光谱技术实现现场快速检测。


技术实现要素：

5.本发明根据变化的猪肉表面拉曼光谱和同时变化的猪肉新鲜度理化指标之间建立联系，以期达到利用拉曼光谱预测猪肉新鲜度理化指标的效果。拉曼光谱技术可以快速实现在线分析检测，同时拉曼光谱可以反映物质分子振动信息，本发明采用拉曼光谱快速检测猪肉新鲜度。
6.在建模过程中，为减少无关信息的干扰，采用6种预处理方法对采集到的拉曼光谱进行预处理，从而降低无关信号对结果的干扰，筛选出有效的光谱信息，本专利采用的6种预处理方法分别为曲线平滑(sg)、标准正态变量变换(snv)、多元散射校正(msc)、归一化(normalize)、基线校正(baseline)、去趋势化处理(dfa)或多种组合方式。
7.本发明的目的是提供一种基于拉曼光谱技术的猪肉新鲜度快速检测方法，方法是将获得的猪肉拉曼光谱信息与猪肉的5项新鲜度指标建立偏最小二乘回归模型。拉曼光谱信息是猪肉表面在203
‑
3198cm
‑1范围内的拉曼光谱强度，新鲜度指标是指tvb
‑
n、ph、色泽。
8.为实现上述目的，本发明提供如下方案：
9.一种基于拉曼光谱技术快速检测猪肉新鲜度的方法，是利用拉曼光谱信息与猪肉的5项新鲜度理化指标分别建立偏最小二乘回归模型，从而利用拉曼光谱预测猪肉新鲜度。
10.在本发明的一种实施方式中，一种基于拉曼光谱技术的猪肉新鲜度快速检测方法，包括以下步骤：
11.步骤一、每天每隔4小时进行取样共取3
‑
5次，每次取样取出6份样本进行拉曼光谱的采集和新鲜度指标的测定，连续测定7天。
12.步骤二、将猪肉样品拉曼光谱信息和新鲜度指标参考值建立偏最小二乘回归模型。
13.在本发明的一种实施方式中，所述猪肉为猪瘦肉。
14.在本发明的一种实施方式中，所述拉曼光谱信息是猪肉表面在203
‑
3198cm
‑1范围内的拉曼光谱强度；
15.在本发明的一种实施方式中，所述新鲜度理化指标包括挥发性盐基总氮、 ph、颜色l*、颜色a*、颜色b*。
16.在本发明的一种实施方式中，所述偏最小二乘回归模型的建立过程包括如下步骤：
17.(1)采集猪肉样品在203
‑
3198cm
‑1范围内的拉曼光谱，同时测定5项理化指标的参考值。
18.(2)然后将采集得到的拉曼光谱强度分别与5项理化指标的参考值构建偏最小二乘回归模型。
19.在本发明的一种实施方式中，所述拉曼光谱信息还包括进行预处理，所述预处理的方式包括如下任意一种或多种组合：曲线平滑(sg)、标准正态变量变换(snv)、多元散射校正(msc)、归一化(normalize)、基线校正(baseline)、去趋势化处理(dfa)。
20.在本发明的一种实施方式中，当构建拉曼光谱信息与tvb
‑
n的偏最小二乘回归模型时，预处理方式为标准正态变量变换。
21.在本发明的一种实施方式中，当构建拉曼光谱信息与ph的偏最小二乘回归模型时，预处理方式为标准正态变量变换。
22.在本发明的一种实施方式中，当构建拉曼光谱信息与l*的偏最小二乘回归模型时，预处理方式为标准正态变量变换。
23.在本发明的一种实施方式中，当构建拉曼光谱信息与a*的偏最小二乘回归模型时，预处理方式为去趋势化处理。
24.在本发明的一种实施方式中，当构建拉曼光谱信息与b*的偏最小二乘回归模型时，预处理方式为多元散射校正。
25.在本发明的一种实施方式中，所述拉曼光谱信息为猪肉表面在203
‑
3198cm
‑1范围内的拉曼光谱强度。
26.在本发明的一种实施方式中，所述拉曼光谱信息的采集参数为：激发波长 785nm，采集波段为203
‑
3198cm
‑1，积分时间5s，扫描1次，探头与猪肉表面距离为5mm。
27.在本发明的一种实施方式中，三项理化指标参考值测定方法如下：
28.挥发性盐基总氮含量测定参照gb5009.228
‑
2016《食品安全国家标准食品中挥发性盐基氮的测定》；ph值采用ph计测定；色泽采用色差计测定。
29.在本发明的一种实施方式中，建立偏最小二乘回归模型是指将采集的拉曼光谱与tvb
‑
n含量、ph、l*、a*、b*值这5项新鲜度理化指标分别建模，根据所建的模型，可以通过采集的光谱直接获得猪肉新鲜度理化指标的数值，达到快速检测猪肉新鲜度的目的。
30.在本发明的一种实施方式中，采用便携式拉曼光谱仪采集猪肉表面光谱。
31.在本发明的一种实施方式中，所述拉曼光谱信息的采集参数为：激发波长 785nm,采集波段为203
‑
3198cm
‑1，积分时间5s，扫描1次，探头与猪肉表面距离5mm。
32.在本发明的一种实施方式中，拉曼光谱信息的采集指在猪肉样品表面不同部位随机扫描20次，取20次平均光谱代表光谱强度。
33.在本发明的一种实施方式中，采用偏最小二乘法建模，将75％的样品作为校正集，25％的样品作为预测集。
附图说明
34.图1本发明实施例提供的基于拉曼光谱技术的猪肉新鲜度无损检测方法流程图。
35.图2本发明实施例提供的猪肉样本随时间变化的的整体平均拉曼光谱示意图。
36.图3本发明实施例提供的各猪肉新鲜度指标随储存时间变化图，a、b、c 分别为tvb、ph和色泽指标随储存时间变化图。
37.图4本发明实施例提供的6种拉曼光谱预处理图。
具体实施方式
38.为了更好理解本发明，下面结合实施例对本发明做进一步说明，但本发明要求保护的范围并不仅仅局限于实施例表述的范围。
39.下面对本发明的操作流程作详细的描述。
40.实施例1
41.步骤一、猪肉样品的处理对猪肉进行去脂、去筋处理，用绞肉机绞碎后混合均匀，进行分装处理，每份样品30g(
±
0.001g)，保鲜膜包好，置于实验室 4℃冰箱储存。每天每隔4小时取样共取3
‑
5次，每次取样取出6份样本进行拉曼光谱的采集和新鲜度指标的测定，连续测定7天。75％样本作为校正集，25％样本作为预测集。
42.步骤二、拉曼光谱的采集采集参数：拉曼探头与猪肉样品表面的距离为5 mm，激发波长785nm，积分时间5s，扫描1次。在不同的位置随机扫描样品 20次，取20次平均光谱代表样品光谱信息。
43.步骤三、指标参考值的测定
44.tvb
‑
n值的测定采用国标gb5009.228
‑
2016《食品安全国家标准食品中挥发性盐基氮的测定》中规定的全自动凯氏定氮法测量。
45.ph值的测定：取5g样品置于烧杯中，加入50ml 0.1mol/l氯化钾溶液，搅拌均匀，用ph计测定ph值。
46.色泽的测定：采用色差计测定，于样品的不用部位测定10次，取10次平均值代表最终结果值。
47.步骤四、建模分析将采集到的203
‑
3198cm
‑1范围的原始拉曼光谱同测定的各理化指标值建立全波段偏最小二乘回归(plsr)模型，此模型即为猪肉新鲜度理化指标的拉曼光谱预测模型。所述模型75％的样品为校正集，25％的样品为预测集，(其中，校正集为用来建立模型结构和参数的样品；预测集为用来评估模型稳健性和预测能力的样品)，需保证预测集数据范围在校正集数据范围内，且校正集和预测集的平均值相差不大，实施例的分集数据见表1。
48.表1各理化指标的分集统计数据
[0049][0050]
其中，r
c
：校正集的相关系数；rmsec：校正集均方根误差；r
p
：预测集的相关系数；rmsep：预测集均方根误差。
[0051]
准确的模型应该有较高的相关系数r(理想效果接近1)，以及较低的校正均方根误差rmsec和预测均方根误差rmsep值，rmsec和rmsep值的差异也相对较小。
[0052]
本实施例中，建立的拉曼原始光谱全波段plsr模型如表2所示，还包含了其他指标。由表2可知，ph值预测模型的rc为0.975，rp为0.855；l*值预测模型的rc为0.940，rp为0.618；a*值预测模型的rc为0.891，rp为0.815；b* 值预测模型的rc为0.949，rp为0.798；tvb
‑
n值模型的rc为0.991，rp为 0.938，模型具有较好的稳定性能和预测性能，若光谱经预处理后，一些指标的模型的稳定性和准确性可能会得到提升。
[0053]
而sf24/n值预测模型的rc和rp值都很低，且rmsec和rmsep都很高，不能作为稳定准确的预测模型。sf72/n值预测模型虽然rc和rp值虽然接近1，但是rmsec和rmsep值分别为1.400和4.000，仍较高，且rmsec和rmsep 的差值较大，也不能作为作为稳定准确的预测模型。乳酸值预测模型的rp值很低，且rmsec和rmsep值极高，差值也极高，不能作为稳定准确的预测模型。
[0054]
综上，tvb
‑
n模型的rc为0.991，最接近1，rp也是所有模型中最高，由表2和表3对比可知tvb
‑
n模型的预测效果最好，tvb
‑
n也是与肉品新鲜度相关性最大的指标。
[0055]
所以，本实施例优选tvb
‑
n作为猪肉新鲜度主要指标，ph及色泽作为猪肉新鲜度辅助指标。
[0056]
表2拉曼原始光谱与各理化指标建模结果
[0057][0058]
实施例2
[0059]
为降低无关信号对结果的干扰，筛选出有效的光谱信息，本专利采用6种预处理方法对采集到的拉曼原始光谱进行预处理，6种预处理方法分别为曲线平滑 (s
‑
g)、归一化(normalize)、基线校正(baseline)、标准正态变量变换(snv)、多元散射校正(msc)、去趋势化处理(dfa)。以tvb
‑
n为例，光谱预处理后建模结果如表3，由表3知，光谱经snv、normalize、baseline处理后，tvb
‑
n 模型的稳定性及预测性能均得到了提升。
[0060]
表3不同光谱预处理方式对建模的影响
[0061][0062][0063]
对经过预处理的拉曼光谱和其它指标tvb
‑
n、l*、a*、b*分别建立全波段 plsr模型，和原始光谱全波段plsr模型进行比较得最佳模型，结果如表5所示，由表5可知，对于tvb
‑
n，snv预处理光谱建模为最佳，rc为0.994，rp 为0.948；对于ph，snv预处理光谱建模为最佳，rc为0.993，rp为0.886；对于l*，snv预处理光谱建模为最佳，rc为0.989，rp为0.827；对于a*，dfa 预处理光谱建模为最佳，rc为0.966，rp为0.858；对于b*，msc预处理光谱建模为最佳，rc为0.964，rp为0.900。
[0064]
表4不同指标最佳模型
[0065][0066]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。