调理牛排是以牛排为原材料，加入适量调味料和食品添加剂，经过切分、滚揉腌制和包装等加工过程，食用前只需简单热处理的一种非即食肉制品。因其滋味鲜美、营养丰富、食用方便等特点深受消费者喜爱。根据原料的完整性，调理牛排可以分为原切调理牛排和合成调理牛排。合成调理牛排是以碎牛肉为原料，额外添加酪蛋白酸钠、谷氨酰胺转氨酶（TG）或卡拉胶等黏合剂，拼接而成的整块牛排。在添加黏合剂适量和正确标识的情况下，合成调理牛排是合法的，且可以提高碎肉的利用率。而原切调理牛排口感滋味更好、营养成分更多、更受消费者欢迎，价格也相对较高。一些不法商贩为了谋取利益，将合成调理牛排充当原切售卖，这不仅损害了消费者利益，还可能带来食品安全问题。
原切与合成调理牛排主要的区别特征是质构，超声成像技术对质构差异具有敏感性，因此可以通过超声图像对其进行区分。对于高光谱成像技术，因为原切与合成调理牛排的表面纹理存在差异，而化学成分上相似，且纹理特征变量数量远少于光谱变量，因此江苏大学食品与生物工程学院的孙宗保、王天真、邹小波*等人采用高光谱数据中的图像信息对原切与合成调理牛排进行鉴别。研究最后将2 种技术所采集的图像纹理信息进行融合建模，并采用不同变量选择方法优化鉴别模型，以期为高光谱和超声成像技术在调理牛排品质鉴别中的应用提供参考。
1、基于超声图像的鉴别分析
从图3可以看出，原切调理牛排图像整体反射回波强度较大，图像内部的均一性较差，部分区域的回波强度与相邻区域差异明显；而合成调理牛排图像整体反射回波强度较小，部分区域超声信号微弱，图像整体均一性较好。根据超声成像的原理，当超声波传经声阻抗不同的相邻介质的界面时发生反射，计算机根据该像素点的反射回波大小赋予对应灰度值，从而形成图像。所以反射回波的强度反映了试样内部质构变化的程度，回波强度越大则表明介质内部质构变化程度越大。合成调理牛排中添加了复配黏合剂：TG、酪蛋白酸钠和卡拉胶。TG通过催化转酰胺基反应，使蛋白质分子之间共价交联形成凝胶，形成的稳定共价键在一般食品加工过程中不会断裂。酪蛋白酸钠和卡拉胶可以提升肉制品的凝胶特性、黏稠度和持水能力等。这些黏合剂通过提取蛋白质基质黏合，改变了碎肉原先的纹理结构，使肉块组织趋于均匀、合理的分布，因此内部质构差异较小，反射回波强度也较小。而原切调理牛排样本中存在未剔净的血管和筋膜，且生物组织有多样性的特点，所以反射回波强度较大、超声图像均一性较差。
2、基于高光谱图像的鉴别模型
采集的高光谱数据中包含618 个波长下的灰度图像，为了简化运算、减少建模变量，利用PCA对高光谱原始图像进行降维处理，前3 个PC图像累计贡献率超过98%，可以有效代表样本的原始信息（图4）。利用GLCM提取每个图像的纹理特征值，前3 个PC图像共得到60 个纹理变量。对所有样本高光谱图像进行处理后，得到120×60的变量矩阵，经PCA处理后建立鉴别模型，结果如表2所示。各模型识别率整体高于基于超声图像的识别率，其中KNN和ELM模型的鉴别效果较好，校正集识别率都为97.50%，只有2 个样本误判，而KNN的预测集识别率更高，为95.00%。
3、基于超声图像和高光谱图像数据融合的鉴别模型
基于超声和高光谱图像融合的不同鉴别模型的识别结果
结果可知，数据融合后各个模型的识别率均有不同程度的上升，其中，最佳模型ELM的校正集识别率达到100.00%，预测集识别率为97.50%，只有一个样本识别错误。超声成像技术主要是对样本内部质构情况的考量，而高光谱图像主要是获取样本的表面纹理信息，将它们的数据融合，可以实现优势互补，获取样本的内外全面信息，结合模式识别方法可以作出更加准确的判定。各个模型识别率的上升表明数据融合取得较好的效果。
基于SPA的特征变量选择
考虑到融合后的模型纹理变量较多，采用变量选择方法对特征变量进行筛选。利用SPA选择特征变量时，设置选择特征变量数量范围1～25，根据均方根误差（RMSE）选择变量，选择过程如图5所示。从图5可以看出，随着变量数量的增加，RMSE值先快速下降，而后缓慢下降，最终选择了7 个特征变量。
基于CARS的特征变量选择
如图6所示，采样次数设置为100 次，随着采样次数增加，选择的变量个数逐渐减少，减少速度先快后慢（图6a）。开始RMSECV缓慢减小，说明一些无关变量在采样过程中被去除。而后RMSECV阶梯上升，一些关键变量被去除（图6b）。如图6c所示，星号标记的位置RMSECV最小，此时采样次数为14，对应选择15 个特征变量。
基于VCPA的特征变量选择
VCPA运行参数设置如下：K 个变量子集中最佳子集占比0.1，BMS运行的次数设为1 000，EDF运行的次数设为50，剩余变量数目设为14。如图7所示，随着EDF的重复运行，特征空间缩小，RMSECV整体呈下降趋势，相关性较小的变量特征被删除，剩下的变量被添加到最佳子集中。EDF运行结束后，计算选择的14 个变量所有可能组合的RMSECV，并选取RMSECV最小的组合，最终选择了12 个特征变量。
不同变量选择方法下ELM模型的识别结果
利用表现最好的ELM模型对筛选后的变量进行鉴别，结果如表4所示。SPA选择的变量数量最少，但鉴别准确率下降较大。CARS和VCPA分别选择了15 个和12 个纹理变量，校正集和预测集识别率均达到100.00%，减少建模变量的同时，提高了预测集的识别率，也说明80 个纹理变量中存在冗余信息。技术融合结合变量选择方法取得了很好的鉴别效果。
结论
本实验分别利用超声成像和高光谱成像技术对原切和合成调理牛排鉴别，建立LDA、KNN、BP-ANN、ELM四种鉴别模型，并将它们的数据融合，结合变量选择方法，以获得变量少、精度高的鉴别模型。结果表明：合成牛排的肉块组织均匀，超声图像信号弱、均一性好，与原切调理牛排图像存在差异。提取超声图像纹理特征值建模，最佳模型为ELM，校正集和预测集识别率分别为95.00%和90.00%。利用PCA对高光谱图像进行降维，提取前3 个PC图像纹理特征值建模，最佳模型为KNN，校正集和预测集识别率分别为97.50%和95.00%。将超声成像和高光谱成像数据进行融合建模，获得ELM模型的校正集和预测集识别率分别为100.00%和97.50%，采用SPA、CARS、VCPA选择特征纹理变量后建立ELM模型，CARS和VCPA选择的纹理变量建立的模型校正集和预测集识别率均达到100.00%。研究表明超声成像和高光谱成像数据融合结合变量选择方法可以快速准确地鉴别原切和合成调理牛排。
本文《基于高光谱和超声成像技术的原切与合成调理牛排鉴别》来源于《食品科学》2021年42卷8期257-263页，作者：孙宗保，王天真，邹小波，刘源，梁黎明，李君奎，刘小裕。DOI:10.7506/spkx1002-6630-20200414-187。点击下方阅读原文即可查看文章相关信息。
近期研究热点
修改/编辑：袁艺；责任编辑：张睿梅
图片来源于文章原文及摄图网
热门跟贴