一种牛羊肉物种和饲养模式真实性的判别方法和系统与流程

本发明总体涉及食品领域，更具体地，涉及一种牛羊肉物种和饲养模式真实性的判别方法和系统。

背景技术：

由于品种、天然草场、产地地理气候条件和饲养模式/方式的差异，牛羊肉营养和品质特征差异较大，例如，集约化舍饲牛羊肉增量高，效益高；生态自由放牧，牛肉的品质和附加值都大大提升。不同饲养模式生态成本和饲养成本不同，品质、营养特征和食品安全风险也不同，市场价格也不同。高价位牛羊肉容易受到掺假、造假和冒充。在饲养方式/模式的鉴定方面，譬如自由放牧和有机饲养的保障体系，主要靠认证体系认证，不是科技鉴定手段，容易被冒充，为了区分优质牛羊肉，就需要从牛羊肉本身的真实性进行鉴别。

现有物种真实性的判别主要是基于dna和蛋白质物种同源性进行鉴定，属于排除法，这种检测方法不直接描绘识别牛羊肉本身的营养和品质物性特征，只要在待测样本上发现异种dna或蛋白质，即可判定待测样本不合格。因此，虽然可以用来否定某个检测样本的真实性，但不能肯定通过检测的所有样本的真实性。例如，逻辑上没发现异种基因或蛋白，不能判断被检测样本就是完整或真实的，此外，蛋白质和dna也易受加热、均质、腌制和发酵等加工的影响，加工过程中有时也会引入无害的外来dna和蛋白质，此时这种方法容易产生误判。

而其，基于dna和蛋白质的物种真实性的判别，不能对饲养方式/模式、产地和有机认证真实性进行判别，由于牛羊肉营养和品质指标过于繁杂，且与饲养方式/模式相关的指标难以准确辨别，根据既有指标确定饲养方式/模式时，准确率非常低。因此，目前尚未从技术上实现牛羊肉物种真实性和饲养方式真实性的判别导致对牛羊肉完整性和真实性侵害问题的普遍发生。

因此，提供一种准确度较高的牛羊肉饲养模式的鉴别方法，是亟待解决的问题。

技术实现要素：

为了解决上述问题，本发明提供了一种牛羊肉物种和饲养模式真实性的判别方法，包括，第一步骤s1，均匀采集不同分类牛羊肉样品，随机划分为训练样本集和验证样本集；第二步骤s2，获取所述训练样本集的特征数据集，将所述特征数据集整理成数据矩阵，参照所述数据矩阵，筛选与物种和饲养模式相关的聚类指标以及变量权重参数，根据所述聚类指标和变量权重参数构建判别模型；第三步骤s3，获取验证样本集的特征数据集，导入至所述判别模型评价准确率，当所述准确率未达到预设水平时，调整所述聚类指标或变量权重参数，重建所述判别模型，直至所述判别模型准确率达到预设水平；第四步骤s4，获取待测样本，采用所述判别模型判别牛羊肉物种和饲养模式真实性；所述特征数据集包括甘油三酯、脂肪酸、氨基酸、矿物质、维生素和色素、稳定同位素、色度和肌肉质构中的一种或多种的数据集；所述饲养模式包括放牧或舍饲、草饲或谷饲以及草原自由放牧或集约化禁足养殖。

根据本发明的一个实施方式，所述特征数据集为甘油三酯数据集，所述判别模型为甘油三酯指纹模型；或所述特征数据集为脂肪酸数据集，所述判别模型为脂肪酸指纹模型；或所述特征数据集为稳定同位素数据集，所述判别模型为稳定同位素指纹模型；或所述特征数据集为矿物质数据集，所述判别模型为矿物质指纹模型，用于判别物种、饲养模式、自然地理环境。

根据本发明的一个实施方式，所述特征数据集为氨基酸数据集，所述判别模型为氨基酸指纹模型，或，所述特征数据集为光谱、色谱或质谱仪器数据集，所述判别模型为光谱、色谱或质谱仪器指纹模型，用于判别物种、饲养模式。

根据本发明的一个实施方式，所述特征数据集为肌肉运动代谢组学数据集，所述判别模型为肌肉运动代谢组学指纹模型，用于判别饲养模式，动物运动强度。

根据本发明的一个实施方式，所述特征数据集为维生素数据集，所述判别模型为维生素指纹模型，用于判别饲养模式、自然地理环境、牧草种类。

根据本发明的一个实施方式，所述特征数据集为色度数据集，所述判别模型为色度指纹模型，用于判别饲养模式、自然地理环境、牛羊肉物种/品种。

根据本发明的一个实施方式，所述第四步骤s4还包括，当判别牛羊肉物种和饲养模式为真实时，采用待测样本的特征数据集修正所述判别模型。

根据本发明的一个实施方式，还包括基于脂肪酸和矿物质数据集，将脂肪酸和矿物质等权重化，构建放牧与舍饲判别模型。

根据本发明的一个实施方式，所述的判别方法，还包括分别建立饲养模式的矿物质、脂肪酸和稳定同位素模型，交叉分析未确定的待测样本。

根据本发明的另一个方面，提供了一种牛羊肉物种和饲养模式真实性的判别系统，包括，采集模块1，用于均匀采集不同分类牛羊肉样品，随机划分为训练样本集和验证样本集；模型构建模块2，用于获取所述训练样本集的特征数据集，将所述特征数据集整理成数据矩阵，参照所述数据矩阵，筛选与物种和饲养模式相关的聚类指标以及变量权重参数，根据所述聚类指标和变量权重参数构建判别模型；验证模块3，用于获取验证样本集的特征数据集，导入至所述判别模型评价准确率，当所述准确率未达到预设水平时，调整所述聚类指标或变量权重参数，重建所述判别模型，直至所述判别模型准确率达到预设水平；检测模块4，用于获取待测样本，采用所述判别模型判别牛羊肉物种和饲养模式真实性；其中，所述特征数据集包括甘油三酯、脂肪酸、氨基酸、矿物质、维生素和色素、稳定同位素、色度和肌肉质构中的一种或多种的数据集；所述饲养模式包括放牧或舍饲、草饲或谷饲以及草原自由放牧或集约化禁足养殖。

附图说明

图1示出了一种牛羊肉物种和饲养模式真实性的判别方法的步骤示意图；

图2示出了判别模型的建立路径示意图；

图3示出了牛肉掺假马肉的pls大致定量判别模型；

图4示出了基于脂肪酸指纹的绵羊肉饲养方式simca判别模型；

图5示出了基于δ¹³c和δ¹⁵n稳定同位的饲养方式opls-da判别模型；

图6示出了基于矿物质指纹的牛肉饲养方式simca判别模型；

图7示出了一种牛羊肉物种和饲养模式真实性的判别系统的示意图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，参考标号是指本发明中的组件、技术，以便本发明的优点和特征在适合的环境下实现能更易于被理解。下面的描述是对本发明权利要求的具体化，并且与权利要求相关的其它没有明确说明的具体实现也属于权利要求的范围。

图1示出了一种牛羊肉物种和饲养模式真实性的判别方法的步骤示意图。

如图1所示，一种牛羊肉物种和饲养模式真实性的判别方法，包括，第一步骤s1，均匀采集不同分类牛羊肉样品，随机划分为训练样本集和验证样本集；第二步骤s2，获取所述训练样本集的特征数据集，将所述特征数据集整理成数据矩阵，参照所述数据矩阵，筛选与物种和饲养模式相关的聚类指标以及变量权重参数，根据所述聚类指标和变量权重参数构建判别模型；第三步骤s3，获取验证样本集的特征数据集，导入至所述判别模型评价模型判别的准确率，当所述准确率未达到预设水平时，调整所述聚类指标或变量权重参数，重建所述判别模型，直至所述判别模型准确率达到预设水平；第四步骤s4，获取待测样本，采用所述判别模型判别牛羊肉物种和饲养模式真实性；所述特征数据集包括甘油三酯、脂肪酸、氨基酸、矿物质、维生素和色素、稳定同位素、色度和肌肉质构中的一种或多种的数据集；所述饲养模式包括放牧或舍饲、草饲或谷饲以及草原自由放牧或集约化禁足养殖。

所述物种的真实性，指牛羊肉与其他动物肉的判别。如牛肉和羊肉与马肉、驼肉、水牛、牦牛、猪肉、鸭肉，及其他非食用动物肉等；也包括绵羊与山羊肉的鉴别。

所述饲养模式真实性，是指放牧与舍饲，草饲与谷饲，有机与非有机的鉴别，草原自由放牧或集约化禁足养殖等。

本发明中，在采集样品时，采集大量各类牛、绵羊和山羊肉代表性样品，所述均匀选择是指非随机取样，在采集样品时尽量涵盖同一类型下各种变异。

所述不同分类是指相同物种、相同饲养模式以及相同自然地理环境，例如：牛肉、放牧、草甸草原。

本发明中，在数据的准备阶段，首先将大量的样品调查分类，并随机组合为“训练样本集”和“验证样本集”，所述训练样本集用于构建判别模型，所述验证样本集用于验证所述判别模型的准确率。

本发明中，还包括，将所述不同分类牛羊肉样品多次随机组合，分别得到多个“训练样本集”和“验证样本集”，用于分别形成判别模型以及交叉验证。例如，分别形成第一训练样本集和第一验证样本集、第二训练样本集和第二验证样本集，分别形成第一判别模型和第二判别模型，验证准确率后，筛选出准确率达到预设水平的判别模型。这种多个判别模型同时生成，并进行筛选的方式，能够快速得到最佳判别模型。

本发明中，构建判别模型采用的是化学计量学进行分析，在获取所述训练样本集的特征数据集后，将所述特征数据集整理成数据表格，即数据矩阵，然后进行各种数据前处理，所述数据前处理是指变量权重的调节，例如变量权重放大或平等化，并进行数据结构观察，观察样品集的自然聚类及模式特征。进一步的，还在不同数据前处理方法和不同参数设置下，进行聚类效果观察，对聚类贡献大的聚类指标进行观察，异常原因分析及异常值剔除等。最后选取聚类效果好的数据前处理方法参数以及聚类指标，结合现有技术中的逻辑路径和结果报告单元等相结合，例如，hca、pca、pls、simca、pls-da、svm和ann等纯高数学演算模块与逻辑路径和识别、判别和分类结果报告单元，建立判别模型。

所述聚类指标是指能够将牛羊肉与其他肉类区分开的，与物种和饲养模式相关的物质的种类和含量。例如，当采用脂肪酸作为特征时，能够将牛羊肉的物种和饲养模式与其他肉类区别的脂肪酸种类和含量即为聚类指标。因此，所述聚类指标可以是一种物质，也可以包括多种物质。

本发明中，在建立判别模型后，通过所述验证样本集对所述判别模型进行验证和改进。由于所述验证样本的特征已知，通过将特征数据集，导入至所述判别模型进行判别，以评价模型的准确率，当所述准确率达到预设水平时，即可应用所述判别模型对待测样本进行检测。当所述准确率小于所述预设水平时，重新选择聚类指标和变量权重参数，构建新的判别模型，直至准确率达到预设水平。

所述预设水平是指根据真实性判别难度，即样本的复杂程度和市场或者用户对判别准确率的可接受水平或要求，设定的准确率值，例如，判别准确率应在70％以上，接近100％为佳。

本发明中，通过均匀采集样品，使不同分类的牛羊肉的特征被采集的更加全面，减少判别模型构建中的干扰因素；通过随机划分训练样本集和验证样本集，使得判别模型的构建较为随机；通过筛选聚类指标和变量权重，使得对物种和饲养模式最相关的因素被筛选，再通过验证样本集的验证以及调整聚类指标和权重参数，使得判别模型更加精确；通过多种数据集的限定，使得对牛羊肉的物种和饲养模式真实性的判别更准确。

根据本发明的一个实施方式，所述特征数据集为甘油三酯数据集，所述判别模型为甘油三酯指纹模型；或所述特征数据集为脂肪酸数据集，所述判别模型为脂肪酸指纹模型；或所述特征数据集为稳定同位素数据集，所述判别模型为稳定同位素指纹模型；或所述特征数据集为矿物质数据集，所述判别模型为矿物质指纹模型，用于判别物种、饲养模式、自然地理环境。

本发明中，提供了用于判别物种、饲养模式、自然地理环境的四种维度的判别模型。所述甘油三酯、脂肪酸、稳定同位素和矿物质的模型功能相同，但是由于采用不用特征构建的判别模型，在判别时会有所侧重，交叉使用或者分别使用后综合评判，会大大增加待测样本的判别准确率。

实施例1.

图2示出了判别模型的建立路径示意图。

以下以基于脂肪酸指纹的物种判别模型为例进行说明。

步骤1.采集各种代表性牛肉和马肉样品，并随机组合为“训练样本集”和“验证样本集”(多次随机组合循环建立、验证和优化模型)

步骤2.气相色谱法检测每一个样品的脂肪酸种类和含量。在基峰色谱图上选取所有相对面积占积峰面积0.1％以上的色谱峰，确定对应脂肪酸种类和含量。有规律出现的未知色谱峰按未知脂肪酸对待。即样本集的脂肪酸指纹。被检样品的脂肪酸种类和含量(即指纹)也以同样的方式检测。