提取近红外光谱有效变量快速检测猪肉挥发性盐基氮

♀关键词：猪肉；蒙特卡洛-无信息变量消除算法；连续投影算法；挥发性盐基氮♥

Abstract： Total volatile basic nitrogen （TVB-N） content is an important reference index for evaluating pork freshness. This study attempted to measure the TVB-N content in pork meat using near infrared spectroscopy with Monte Calo uniformative variable elimination （MCUVE） and successive projections algorithm （SPA）. The results showed that 36 effective wavelength variables directly and indirectly related to the TVB-N content were sel

Key words： pork； Monte Calo uniformative variable elimination； successive projections algorithm； total volatile basic nitrogen （TVB-N）

猪肉食品是我国接受度最好，商业化最成熟的肉类食品，猪肉的品质对肉类食品工业的健康发展具有重要意义。猪肉的新鲜度是评价猪肉品质的一项重要指标，GB5009.44―2003《肉与肉制品卫生标准的分析方法》也规定，挥发性盐基氮（total volatile basic nitrogen，TVB-N）含量是划分猪肉新鲜度等级的标准。一般来讲，TVB-N的测定方法采用半微量定氮法或微量扩散法，这种方法前处理繁琐、检测周期长、效率低、不能满足当今肉检过程的快速、无损、自动化的需求。

1 材料与方法

1.1 材料与试剂

猪肉样品均为宰后排酸12 h的猪通脊肉，采购于北京大型商超。

1.3 方法

1.3.1 样品制备

取不同养殖企业和不同品种的市售新鲜猪通脊肉样品（2.0±0.2） kg，分别用塑料袋包裹以减少样品间干扰和水分挥发对样品光谱信息的影响。将所有样品放置于0～4 ℃冷库保藏15 d，使其自然缓慢腐败，每天随机选取10 个样品进行其光谱信息的采集和挥发性盐基氮含量的测定。

每次实验前先将便携式近红外仪预热30 min，预热后用参比标准白板进行校准（样品间不再进行校准）。在采集样品光谱信息前，用定性滤纸吸干样品横截面上的水分。采集过程中，将样品的横截面紧贴于便携式近红外仪的平面漫反射探头上，避免因漏光导致采集的样品光谱信息不准确。因光谱信息的采集对温度敏感，所有样品在采集过程中始终保持在0～4 ℃。每个样品选取6 个不同区域进行光谱信息采集，取其平均ณ值作为该样品的最终光谱吸收强度值。

1.3.3 样品挥发性盐基氮含量的测定

对样品进行光谱信息采集后，根据GB/T 5009.44―2003中的微量扩散法，立刻测定选取的10 个样品的TVB-N含量。每个样品做3 个平行，取平均值作为该样品的TVB-N值。样品绞碎时去除脂肪、筋腱等组织。

1.3.4 样本选择及样本集划分

1.3.5 数据处理及建模

将样品的光谱信息对应其挥发性盐基氮化学测量值导入Matalab 2012分析软件中，用无信息变量消除算法和连续投影算法对全波段变量（1 000～1 799 nm）进行提取，并用PLS算法建模。

1.3.5.1 蒙特卡洛-无信息变量消除算法和连续投影算法

MCUVE[13-14]是一种新型的无信息变量消除算法，它在UVE的基础上增加了蒙特卡洛采样原理。可消除不提供信息的变量，减少建模变量数，提高建模速度，降低模型的复杂性。SPA是一种利用向量的投影分析，从光谱信息中寻找含有最低度冗余信息、共线性最小的变量组，大大减少建模所用的变量个数，从而达到改善多变量线性模型预测效果的目的[15]。MCUVE算法和SPA算法相结合，能够进一步减少建模变量个数，提高建模效率和建模精度。

PLS是光谱数据建模分析中应用最为广泛的化学计量学方法[16-17]。模型的性能用校正集标准偏差（sEC）、校正集相关系数（สRc）、验证集标准偏差（sEP）、验证集相关系数（Rp）评判。sEC、sEP越小，Rc、Rp越接近于1，模型越好。

2 结果与分析

2.1 样品挥发性盐基氮含量的测定结果

2.2 全波段光谱预处理分析及建模

2.3 用MCUVE提取有效波长

对近红外吸收光谱1 000～1 799 nm范围全波段原始数据构建TVB-N的PLS预测模型，虽然可以得到不错的预测效果，但全波段中包含大量对建模无用的冗余信息。全部作为建模的输入变量，不但影响建模的速度和精度，还对后期开发高精度便携设备带来一定程度的阻碍。用MCUVE算法进行变量选择，可剔除全波段中的无用信息，提取有效波长信息。

2 605.24λ1 130+1 085.61λ1 140-1 708.60λ1 159-

2 002.07λ1 785+6.38

3 结 论

参考文献：

[2] 刘燕德， 陈兴苗， 欧阳爱国. 可见/近红外光谱法无损检测赣南脐橙可溶性固形物[J]. 光学学报， 2008， ۵28（3）： 478-481.

[14] CAI W， LI Y， ShAO X. A variable selection method based on uninformative variable elimination for multivariate calibration of near-infrared spectra[J]. Chemometrics and Intelligent Laboratory Systems， 2008， 90（2）： 188-194.

[15] PONTES M J C， GALVA R K H， ARAUJO M C U， et al. The successive projections algorithm for spectral variable selection in classification problems[J]. Chemometrics and Intelligent Laboratory Systems， 2005， 78（1）： 11-18.

[16] GELADI P， KOWALSKI B R. Partial least-squares regression： a tutorial[J]. Analytica Chimica Acta， 1986， 185： 1-17.

[18] LEARDI R. Application of a genetic algorithm to feature selection under full validation conditions and to outlier detection[J]. Journal of Chemometrics， 1994， 8（1）： 65-79.

[20] HAO Y， SUN X， ZHANG H， et al. Application of effective wavelength sel