肉类掺杂掺假的高光谱成像检测研究

肉类主要包括畜肉、禽肉及鱼虾蟹贝类等，其营养物质丰富，是人类蛋白质、脂肪、维生素等必需物质的优质来源。随着消费者生活水平的提高及饮食结构的改变，动物源蛋白质在饮食中比例逐年提升。20世纪90年代以来，世界人口对于肉类的消费量增长迅猛，仅2000—2015年即由22 499.8万t增加到31 928.4万t，年均增长达2.4%。在巨大商业利益驱使下，如2013年“马肉风波”与2017年巴西腐肉等事件，以假乱真、以次充好的肉类掺杂掺假现象屡见不鲜。这些不法行为不仅对消费者健康与切身利益造成威胁，甚至对整个行业的健康发展造成不良影响，已成为全球普遍关注的公共问题。因此，建立快速准确的肉类掺杂掺假检测机制对于肉类品质及安全的有效监管尤为重要。目前，将高光谱成像技术应用于肉类掺杂掺假检测中可以实现样品无损、准确以及快速检测，已成为食品、农产品检测应用领域的一个重要研究方向。

1.肉类掺杂掺假检的测研究现状

肉类掺杂掺假形式多种多样，且更具技术化及隐形化，常见的形式主要包括4种:(1)冒充：使用价格低廉的肉类充当高价肉，如鸭肉或者鸡肉冒充牛羊肉等;(2)替换：利用冷藏的同种肉类替换鲜肉，如变质肉、僵尸肉等;(3)混入：一般借助肉糜破坏纤维形态结构，将廉价劣质肉类或内脏混入原料肉中以掩人耳目，如肉馅中掺入血脖肉、碎内脏等;(4)添加：通过添加非肉源性物质实现增重、着色、提味等目的，如“注胶虾”、“注水肉”、肉中掺入大豆蛋白等。然而，在GB 2760—2011《食品安全国家标准食品添加剂使用标准》中明文规定禁止这种添加行为。肉类的掺杂掺假在健康、道德、宗教和经济等方面对消费者构成了严重威胁。因此，消费者对肉类进行检测以获得实际信息的需求和意愿逐年上涨。

依靠感官或形态学的传统检测方式存在主观性强及易误判等弊端。目前，客观仪器分析技术主要包括聚合酶链式反应(polymerase chain reaction, PCR)法、电泳分析法、质谱分析法、酶联免疫吸附测定(enzyme linked immunosorbent assay, ELISA)法、色谱分析法、元素分析和同位素分析法等。它们虽然具有较好的重复性及检测精度，但具有破坏性、需专业人士操作、费时费力、需复杂前处理等缺陷，很难实现大样本量的现场快速检测。近年来快速光谱检测技术在肉类掺杂掺假检测中已展现出巨大潜力，如拉曼光谱、激光诱导击穿光谱、太赫兹光谱、紫外-可见光谱、近红外光谱、中红外光谱和傅里叶变换红外光谱等，但掺假分布并不一定均匀，单或多点检测不能充分代表整个样品信息，且不具备令其“快速现形”的能力。高光谱成像技术(hyperspectral imaging, HSI)可以同时获取被测目标光谱和图像信息，其光谱信息能够鉴定内部有机物化学成分。通过获取的图像信息可以很好地反映样品中复杂的非均质特征信息，满足快速检测以及可视化等需求。

2.高光谱成像的基本原理与数据解析

2.1 高光谱成像技术

高光谱成像技术是融合光学、电子学、计算机科学、信息处理以及统计学等领域的光电检测技术，主要应用于如森林探火、地质勘探以及海洋监测等航空遥感领域，正逐步在农业、食品、环境、工业、医药等领域快速地发展应用。高光谱图像数据采集包括点扫描、线扫描和面扫描3种(图1-a)，点扫描：逐像素采集光谱后进行拼接，常见于微观尺度扫描检测中;线扫描：逐行扫描获取每一行像素点光谱并逐行拼接，线扫描尤其适合传送装置上动态检测，也是食品农产品检测的常用模式;面扫描在光谱维逐波长对图像依次扫描拼接，一般用于少波长多光谱成像系统中。高光谱图像不仅包括样品二维空间信息(x，y)，还具有随波长分布的每个像素点的光谱信息(λ)，最终获得立方体数据(x，y，λ)，如图1-b。较之传统机器视觉以及近红外光谱，高光谱可同时获取目标更为丰富的内部生化及外部物理结构等信息。

a-高光谱图像采集模式;b-高光谱图像数据立方体示意图

图1 高光谱成像技术的数据采集

2.2 高光谱数据的前处理

原始高光谱图像经过黑白校正后，为去除背景、边缘等像素点光谱信息，常利用高反射率波段图像扣除低反射率波段图像得到波段运算图像，并结合合适阈值提取部分像素点生成感兴趣区域(region of interest, ROI)。ROI中平均光谱最终作为每个样品的光谱，用于后续分析研究，也有部分研究通过PC变换、点云分布、图像增强等方法获取ROI提取光谱信息。为消除无用信息和环境条件及仪器所带来的图谱噪声，卷积平滑、导数以及标准正态变量变换等都常用于光谱的预处理。高光谱提取出的光谱数据量庞大，存在大量的冗余信息，需要进行有用信息的提取以缩减计算。文献中的系列特征变量提取方法包括：竞争性自适应加权、连续投影、无信息变量消除、回归系数、主成分载荷、二维相关光谱、野草算法以及遗传算法等。

2.3 模型的建立与评价

模型是数据分析研究工作中重要的内容，肉类掺杂掺假的高光谱信息作为自变量对应掺入梯度作为因变量，突出其内在线性或非线性联系，构建定性判别或定量预测模型，预测后续未知样本，并基于预测结果给予模型优劣的评价。如偏最小二乘回归(partial least squares regression, PLSR)、逐步回归(stepwise regression, SR)等定量预测模型方法以及线性判别分析(linear discriminant analysis, LDA)和支持向量机(support vector machine, SVM)等定性判别方法均得到了广泛应用。目前应用包括卷积神经网络(convolutional neural networks, CNN)、递归神经网络以及无监督的预培训网络等深度学习方法自动提取特征，也是当前模型建立中的热点。建立模型评价要有真实掺假梯度与预测值之间的相关系数(R)以及决定系数(R2)、均方根误差(RMSE)、剩余预测偏差等，一般模型预测集误差越小，相关或决定系数

越大，总体模型性能越好，训练集与预测集的评价参数越接近说明模型越稳定。

检测限(limit of detection, LOD)是衡量某一种检测技术方法能力的重要指标，部分检测研究中会进行LOD计算以评价高光谱成像技术结合化学计量学建模方法的灵敏度。对牛肉糜中掺入鸭肉糜的高光谱成像进行检测，LOD为7.59%。应用高光谱成像对掺入牛肉糜中3种大豆蛋白进行检测，LOD达到0.53%、0.58%和1.02%。对掺入猪肉中血脖肉含量进行高光谱成像检测，LOD限达6.50%。考虑到肉类掺杂掺假均是以盈利为目的，一般掺假比例都会高于10%，使用高光谱成像在肉类掺杂掺假检测中是实际可行的。

2.4 高光谱数据的后处理

与传统的近红外光谱相比，高光谱成像的主要优势在于能够反映空间分布信息，建立简化的多变量模型可以预测多光谱图像每个像素点的值，以达到观测整个图像品质或化学成分分布的目的。而掺杂掺假情况一般用肉眼是难以观测到的，为了快速直观地观察肉类掺杂掺假的空间分布，研究人员一般将优选的简化模型应用到特征波长下的多光谱图像中，预测每个像素点的掺杂掺假情况，最终得到可视化的预测分布图，给清晰直观地展示出掺杂掺假状况提供了一种方法。

3.肉类掺杂掺假高光谱检测研究进展

3.1 冒充和替换

使用不同产地、种属、状态的肉类进行冒充或替换是不法商家常用的手段，目前常通过动物源成分或某一指标如挥发性盐基氮、细菌总数及水分含量等进行检测鉴别。利用近红外波段(900～1 700 nm)高光谱成像技术对猪、牛、羊3类红肉进行整块类别划分，选取6个波长结合PLS-DA建模方法得到识别总准确率为98.67%。将新鲜、冷冻、解冻、包装和非包装多种形式猪、牛、羊肉拼接，利用HSI结合深度CNN得到了总体94.4%的划分准确率。最近研究发现快照HSI结合3D-CNN同样可以获取96.9%以上准确率，这为未来便携仪器开发及实时获取红肉真伪信息提供可能。华南理工大学XIONG等[29]分别提取散养鸡和肉鸡肉高光谱主成分得分图像的光谱和图像纹理信息，图谱信息结合利用SVM建模最优判别准确率达93.33%。采集银川、固原、盐池3个产地羊肉高光谱图像，发现CARS提取波长结合PLS-DA建模方法得到的预测集准确率最高为84.21%。对荷斯坦牛、秦川牛、西门塔尔牛3种牛肉高光谱图像数据进行采集分析，结果显示CARS提取波长结合SVM建模预测集准确率为98.82%。综上，对于此类肉类冒充和替换，高光谱成像可以较好地识别和划分(准确率>84%)，以往对于肉类冒充和替换案例中，不同肉类蛋白质的不同吸收带是光谱检测能力的最大贡献来源，未来还可以结合点云或显微尺度进行信息挖掘，以达到进一步提升识别精度和模型稳定性的目的。

3.2 混入

混入的检测研究目前较多，常见于肉糜状态下的混入检测。肉糜是最受欢迎的形式之一，是多类肉制品的主要成分，如汉堡、馅饼、肉丸、香肠以及包子、饺子和馄饨肉馅等。由于肉糜消除了基本的形态差异和特征，消费者难以通过感官观测出异样，因此原料肉糜中常被混入廉价肉糜牟取利益。表1就肉糜混入的高光谱检测研究进行了总结，所有研究中模型的预测精度均很高，高光谱成像检测具有巨大应用潜力。表中大部分研究利用包含可见光的400～1 000 nm波段，原因是借助不同肉类血红蛋白和肌红蛋白含量以及结构差异对光散射的影响完成检测鉴别。

表1 高/多光谱成像在廉价肉混入原料肉检测的应用

3.3 非肉源添加物

非肉源添加物大部分是为增重牟利，常见的如注入食用胶溶液、大豆蛋白等，虽然少量添加物能提升肉类的质地和流变特性并改善其口感，但过多添加一方面严重侵犯了消费者权益，另一方面因人体肠胃无法吸收，长期食用会阻碍营养物质吸收，很容易造成营养不良，更严重的会引起强烈的过敏症状。许多国家对于此类添加物有明确规定，如巴西法律规定汉堡中大豆蛋白添加量不能超过7.5%。检测肉制品中未声明的非肉源添加物具有很重要的现实意义，相关研究结果汇总如表2所示。而此类物质相比于肉类掺假因具有不同的蛋白质、碳水化合物以及水分含量等，因此更易被高光谱检测出来。

表2 高光谱成像检测肉类中非肉源添加物的方法比较

4.前景与展望

肉类产品长期面临着不法商家各类掺杂掺假问题，基于高光谱成像技术的快速检测是可行的，但肉类掺杂掺假现象多种多样、层出不穷，目前数据挖掘、模型建立以及商业化应用基础还不够系统、成熟。首先，不应仅针对某一种现象进行研究，未来还需有针对性的图谱数据融合以及人工智能深度学习算法的尝试，深度挖掘指示各类肉品的指纹特征，筛选出适用于检测多种或某一类掺杂掺假的数据信息;其次，目前构建模型的数据库还是研究者自行构建，模型稳健性还不够，模型的优化更新还需要巨大样本量数据库补充，距离商业化应用还有一段距离;再次，超立方体高光谱数据较大，图像和光谱处理速度慢，开发经济简单的数据处理方法和低成本、易操作、少变量的多光谱系统是未来发展的重点;最后，仍需通过优化应用条件，建立应用方法，研发配套大型装备或小型便携设备，最终为我国肉类掺杂掺假现象的快速实时检测鉴别提供关键技术与装备，以提升监管水平。