一种基于近红外光谱的PSE肉筛选方法
阅读：401发布：2020-05-12
专利汇可以提供一种基于近红外光谱的PSE肉筛选方法专利检索，专利查询，专利分析的服务。并且本 发明 公开一种基于 近红外 光谱 的PSE肉筛选方法，用 近红外光谱 仪采集宰后猪背最长肌待测肉样的近红外光谱，对所采集的待测肉样的近红外光谱进行预处理，然后通过基于近红外光谱的PSE肉定性分析模型中的正常肉样平均光谱、PSE肉样平均光谱、正常肉样 阈值 和PSE肉样阈值筛选出PSE肉，所述待测肉样的光谱与正常肉样平均光谱的距离小于正常肉样阈值时为正常肉样，与PSE肉样平均光谱的距离小于PSE肉样阈值时为PSE肉样。该方法快速高效、 鉴别 率高、对肉品无损伤。本发明建立一种科学、标准、快速的屠宰场在线筛选PSE肉的新方法。，下面是一种基于近红外光谱的PSE肉筛选方法专利的具体信息内容。
1.一种基于近红外光谱的PSE肉筛选方法，其特征在于：用近红外光谱仪采集宰后猪背最长肌待测肉样的近红外光谱，对所采集的待测肉样的近红外光谱进行预处理，然后通过基于近红外光谱的PSE肉定性分析模型中的正常肉样平均光谱、PSE肉样平均光谱、正常肉样阈值和PSE肉样阈值筛选出PSE肉，所述待测肉样的光谱与正常肉样平均光谱的距离小于正常肉样阈值时为正常肉样，与PSE肉样平均光谱的距离小于PSE肉样阈值时为PSE肉样；
所述基于近红外光谱的PSE肉定性分析模型的建立方法为：通过pH法选出正常肉样组和PSE肉样组，用近红外光谱仪分别采集正常肉样组和PSE肉样组中宰后猪背最长肌肉样的近红外光谱，对所采集的两组肉样的近红外光谱进行预处理，然后通过因子化法选择第一因子谱计算正常肉样平均光谱、PSE肉样平均光谱、正常肉样阈值和PSE肉样阈值；
所述的宰后猪背最长肌待测肉样为宰后3小时猪背最长肌肉样；
所述的宰后猪背最长肌肉样为宰后3小时猪背最长肌肉样。
2.根据权利要求1所述的方法，其特征在于正常肉样阈值和PSE肉样阈值的计算方法为：首先计算每一条单独光谱与相应平均光谱之间的欧式距离Di；然后得到平均距离Dm和单独欧式距离的标准差S0，两式中n为对于给定物质所采光谱的数目；
最后利用最大匹配值Dmax和标准差S0来计算阈值DT，
DT＝Dmax+x·S0
其中，Dmax为给定同一类物质中所有单独光谱到平均光谱的欧氏距离最大值；x为缺省值设定为0.05，置信水平设定为99％。
3.根据权利要求1所述的方法，其特征在于所述近红外光谱仪的光谱采集参数设定为：
采样模式：漫反射；分辨率16cm-1；采样次数32次。
4.根据权利要求1所述的方法，其特征在于所述的预处理为对所采集的近红外光谱进行S-G平滑，求一阶导数。
5.根据权利要求4所述的方法，其特征在于所述S-G平滑的平滑点为21个。
6.根据权利要求1所述的方法，其特征在于所述近红外光谱的采集过程中肉样与近红外光谱仪的接触面无气泡，且将整个光源覆盖。
一种基于近红外光谱的PSE肉筛选方法
技术领域
背景技术
[0002] PSE肉是由一系列宰前及宰后因素综合作用而产生的外表苍白(pale)、质地松软(soft)、汁液渗出严重(exudative)的一类异质肉。国内外研究表明，含有氟烷基因的猪，往往表现为应激敏感猪，在宰前的驱赶、运输、待宰过程中，受到惊吓，猪持续处于亢奋状态，体温明显升高，宰后无氧酵解条件下，ATP迅速消耗，糖原酵解产生乳酸，与此同时，胴体大量产热也会使体温保持在较高的水平，pH在很短的时间内剧烈下降(一般为1h内下降至小于6.0)，极限pH下降至肌原纤维蛋白等电点以下，导致蛋白结构破坏，使肉质松软，汁液大量渗出，肉品保水性差。
[0003] 导致PSE肉产生的因素有很多，除了上述基因与宰前管理的因素外，屠宰季节、冷却速度、致晕方式等均用重要影响。春夏季屠宰的猪，胴体容易产生PSE肉，背最长肌滴水损失较高。宰前禁食可降低肌糖原含量，使肌肉终pH升高。如果在宰后迅速对胴体进行深度冷却，可以抑制代谢酶系的活性，从而降低PSE肉的产生。电击致晕的PSE肉发生率高达35.6％，而CO2致晕只有4.5％。PSE肉若是与正常猪肉混在一起销售，会使企业肉品品质不一，影响消费者评价，PSE肉无法卖出，造成浪费。因此有必要建立在线的PSE肉快速筛选方法，将潜在的PSE肉在屠宰分割线上加以鉴别，另作它用。
[0004] 近红外光(780nm～2500nm,也可记录为12000cm-1～4000cm-1)在常规光纤中具有良好的传输特性，且仪器简单、分析速度快、无损检测等特点，非常适合工业化、流水线检测。其原理是由于分子振动的非谐振性使分子振动从基态向高能级跃迁时产生的，具有较强的穿透能力。近红外光主要是对含氢基团振动的倍频和合频吸收，其中包含了大多数类型的有机化合物及其分子结构信息。由于不同的有机物含有不同的基团，不同的基团有不同的能级，且对近红外光的吸收波长都有明显差别，因此近红外光谱可以反映物质内部化合物含量变化的有效手段。所以，选用连续频率的近红外光照射样品时，由于试样对不同频率近红外光的选择性吸收，通过试样后的近红外光在某些波长范围内会变弱，这部分光被有机物相应的基团吸收，通过检测光密度(反射率、吸光度)即可确定该组分含量。
[0005] 目前国内外学者围绕运用近红外光谱技术对肉品的组分含量、品质指标建立定量的预测模型，检测掺杂在优质肉中的其他动物肉等方面做了一些有益探索，但是在宰后早期即预测出PSE肉的定性判别模型却未见报道。
[0006] 目前生产上并无统一的PSE肉鉴别方法，一般通过pH、肉颜色、保水性来判断是否为PSE肉。若宰后约45min，肌肉pH<6.0，则随着宰后生理生化变化，将会产生PSE肉，但是此种方法需要将探头插入肉中，并非无损，且pH计读数时间长，使用一段时间后，数据会产生偏差，需要校正，且肌肉各处pH不尽相同，不适合屠宰场在线使用。肉的颜色苍白，表面泛水，L*>53时基本可断定为PSE肉，但是此时肉一般都已投放市场，鉴别也无太大意义。况且由于RSE(reddish、soft、exudative)肉的存在，使得利用颜色也无法很好的鉴别异质肉。针对以上技术问题需要建立一种科学、标准、快速的屠宰场在线筛选PSE肉的新方法。
发明内容
[0007] 本发明的目的在于建立一套科学、标准、快速的筛选PSE肉的新方法，提供一种基于近红外光谱的PSE肉鉴别指标的筛选方法，建立能够有效筛选PSE肉的近红外方法，该方法快速高效、鉴别率高、对肉品无损伤。从而为屠宰场在线肉品快速分级提供可靠的技术支撑。
[0008] 本发明的目的可通过以下技术方案实现：
[0009] 一种基于近红外光谱的PSE肉筛选方法，用近红外光谱仪采集宰后猪背最长肌待测肉样的近红外光谱，对所采集的待测肉样的近红外光谱进行预处理，然后通过基于近红外光谱的PSE肉定性分析模型中的正常肉样平均光谱、PSE肉样平均光谱、正常肉样阈值和PSE肉样阈值筛选出PSE肉，所述待测肉样的光谱与正常肉样平均光谱的距离小于正常肉样阈值时为正常肉样，与PSE肉样平均光谱的距离小于PSE肉样阈值时为PSE肉样。
[0010] 所述基于近红外光谱的PSE肉定性分析模型的建立方法为：通过pH法选出正常肉样组和PSE肉样组，用近红外光谱仪分别采集正常肉样组和PSE肉样组中宰后猪背最长肌肉样的近红外光谱，对所采集的两组肉样的近红外光谱进行预处理，然后通过因子化法选择第一因子谱计算正常肉样平均光谱、PSE肉样平均光谱、正常肉样阈值和PSE肉样阈值。
[0011] 所述正常肉样阈值和PSE肉样阈值的计算方法为：首先计算每一条单独光谱与相应平均光谱之间的欧式距离Di；然后得到平均距离Dm和单独欧式距离的标准差S0，两式中n为对于给定物质所采光谱的数目；
[0012]
[0013] 最后利用最大匹配值Dmax和标准差S0来计算阈值DT，
[0014] DT＝Dmax+x·S0
[0015] 其中，Dmax为给定同一类物质中所有单独光谱到平均光谱的欧氏距离最大值；x为缺省值设定为0.05，置信水平设定为99％。上述定性分析模型的S大于1，表示该定性鉴别模型准确可靠，可将两种肉唯一鉴别。
[0016] 所述的宰后猪背最长肌待测肉样为宰后3小时猪背最长肌肉样。
[0017] 所述的宰后猪背最长肌肉样为宰后3小时猪背最长肌肉样。
[0018] 用于采集近红外光谱的肉样的选择时间显著影响PSE肉的鉴别率，选择宰后3小时猪背最长肌肉样PSE肉的鉴别率为100％(筛选结果的准确率为100％)，而选择宰后5、7、9小时的肉样PSE肉的鉴别率分别为73.0％、47.2％、14.5％，显著低于宰后3小时肉样的鉴别率。
[0019] 所述近红外光谱仪的光谱采集参数设定为：采样模式：漫反射；分辨率16cm-1；采样-1 -1 -1 -1次数32次。分辨率16cm 采集光谱的速度要比8cm 、4cm 、2cm 等分辨率更快，考虑到在线监测对效率的要求，16cm-1更符合在线快速检测的要求。16cm-1的分辨率有助于降低噪音的影响。分辨率过高，会降低信噪比。采样次数是32次，由于光谱仪是非常精密的，所以采集32次的光谱是基本吻合的，最后反映出来的是32条光谱的平均光谱。
[0020] 所述的预处理为对所采集的近红外光谱进行S-G平滑，求一阶导数。所述S-G平滑的平滑点为21个。
[0022] 所述的漫反射为积分球漫反射。采样模式所指的漫反射是“积分球漫反射”，一种常用于近红外光谱仪中的用于收集被物体反射回来的光的元件。
[0023] 基于近红外光谱的PSE肉定性分析模型的建立过程：
[0024] 样品采集，取屠宰线上宰杀的生猪的猪背最长肌后半段，测试其宰后45min的pH，根据pH将样品分为两大组。第一组：pH45min<6.0的为pH下降快的样本，随着宰后肉的生理生化反应，将会产生PSE肉，此为PSE猪肉组；第二组pH45min>6.0的为pH正常下降的样本，为正常猪肉组。共计采得53头猪的背最长肌样本。第一组：PSE肉样组有19个样本，第二组：正常肉样组有34个样本。
[0025] 将采集的猪背最长肌运回实验室，用布鲁克Vector 22/N近红外光谱仪分别采集各样本宰后3h、5h、7h、9h、12h、24h、48h的近红外光谱，光谱采集参数设定为：采样模式：积-1分球漫反射；分辨率16cm ；采样次数32次，每个样品每个时间点采集3条光谱。同时测定3h、
5h、7h、9h、12h、24h、48h各样品的pH值。
5h、7h、9h、12h、24h、48h各样品的pH值。
[0026] 图1为所有猪肉样品在各时间点的所有近红外原始光谱(53个猪肉样品)，对各时间点采集的近红外光谱分别进行定性鉴别，光谱经过S-G平滑(平滑点21个)，求一阶导数等预处理，鉴别方法选用因子化法，选择第一因子谱计算正常肉样平均光谱、PSE肉样平均光谱、正常肉样阈值和PSE肉样阈值，鉴别PSE肉样组。光谱预处理与鉴别通过OPUS软件(Bruker OPUS 7.2)实现，各时间点的光谱鉴别率见表1。因子化得分图见图2、3、4、5。宰后3h的两组肉的光谱经过预处理之后的光谱见图6，可见，在大约7600cm-1、7200cm-1、6900cm-1、6000cm-1、5300cm-1等波数段具有可见的显著差异，这决定了本方法对于两种肉鉴别的技术基础。
[0027] 因子化法：为近红外光谱定性分析中用于计算光谱距离的两种方法之一，计算所得距离即是匹配值，两张光谱越匹配，则距离越短。
[0028] 使用因子化法计算光谱距离D，使用因子T获得：
[0029]
[0030] 其中，i为采集的波数点数，a、b为需要比较的两条光谱。
[0031] 光谱谱图(例如a)需先表示为所谓因子谱(载荷)的线性组合：
[0032] a＝T1a·f1+T2a·f2+T3a·f3+...
[0033] 其中a表示光谱谱图，f表示各种因子谱，T表示重构原始光谱a时每张因子谱的得分值，该值越大表示该因子谱对原始光谱的贡献越大。适当的选择前面的几种主要因子，可以提高鉴别率，后续因子很多都是噪音，杂质等干扰信息，可以摈弃。
[0034] 阈值设定：对于每一类光谱，都会收集多条光谱，并获得平均光谱。为了合理的计算阈值，首先需要计算每一条单独光谱与相应平均光谱之间的欧式距离Di；然后得到平均距离Dm和单独欧式距离的标准差S0，两式中n为对于给定物质所采光谱的数目。
[0035]
[0036] 通过上述两公式包含的信息，利用最大匹配值(即所有同类样品中距离平均光谱最远的那个样品到平均光谱的欧式距离值)和标准差S0来计算阈值DT。
[0037] DT＝Dmax+x·S0
[0038] 其中，Dmax为给定同一类物质中所有单独光谱到平均光谱的欧氏距离最大值；x为缺省值，本方法选择设定为0.05，置信水平设定为99％。此方法可以保证样品被唯一的鉴别出来，因为其阈值比所有单独光谱中最大的欧式距离还要大0.05·S0。
[0039] 通过正常肉样阈值和PSE肉样阈值筛选PSE肉的方法为：所述肉样距离已知正常肉样(即pH45min>6.0)平均光谱的距离小于阈值0.094037时为正常肉样，距离已知类PSE肉样平均光谱的距离小于阈值0.064552时为PSE肉样。
[0040] 表1各时间点的光谱鉴别率(Uniquely identified)
[0041]
[0042] 说明：此处鉴别是通过算法算出的阈值进行鉴别的。如图7即是宰后5h的猪肉，某些样品由于超越阈值而使鉴定出现错误的情况。例如属于正常猪肉组的第26号样品在5小时时采集的第一条光谱，根据选定算法计算的这条光谱与PSE猪肉组平均光谱的欧氏距离为0.059558，落在PSE组的阈值0.08305之内，被认定为PSE猪肉，发生鉴别混淆。
[0043] 对两组的pH值运用SAS软件进行统计分析，采用方差分析中的单向方差分析。分析结果见表2。
[0044] 对于使用宰后3h的近红外光谱进行鉴别的模型，运用选择性S值来考量模型的好坏，计算公式如下所示：
[0045] 其中，DT1表示某物质的阈值，DT2表示另一物质的阈值，D表示两类物质平均物质之间的距离。
[0046] 图8表示物质间距离与S之间的关系。当S<1时，表示两类物质“相交”；当S＝1时，表示两类物质相切；当S>1时，表示两类物质“相离”。
[0047] 由软件得到的本模型S值为1.047148，大于1，说明所建模型可以将两种物质很好的区别开。
[0048] 表2对两组的pH值运用SAS软件进行统计分析的分析结果
[0049]
[0050] 猪肉宰后pH对其品质具有极其重要的影响，肌原纤维蛋白等结构蛋白随着环境pH的变化，会发生一定程度的变性，引起近红外光谱的差异；同时较低的pH也会导致蛋白结合水的能力降低，大量不易流动水转变为自由水，这也会导致近红外光谱产生差异。所以宰后pH相差越大，光谱差异越大。
[0051] 因此确定采集宰后3h的近红外光谱用于PSE肉的鉴别。
[0052] 本发明的有益效果
[0053] 通过采集猪背最长肌在宰后3h的近红外光谱，分析光谱的峰型特性，对光谱进行S-G平滑，求一阶导数，根据所建立的基于近红外光谱的PSE肉定性分析模型中的正常肉样平均光谱、PSE肉样平均光谱、正常肉样阈值和PSE肉样阈值筛选出PSE肉。本发明方法定性鉴别PSE肉，且快速高效、鉴别率高、对肉品组织结构无损伤。本发明建立一种科学、标准、快速的屠宰场在线筛选PSE肉的新方法。附图说明
[0054] 图1为所有猪肉样品的近红外原始光谱。
[0055] 图2为宰后3h定性鉴别的因子化得分图(其中黑色为正常组，灰色为PSE组)。
[0056] 图3为宰后5h定性鉴别的因子化得分图(其中黑色为正常组，灰色为PSE组)。
[0057] 图4为宰后7h定性鉴别的因子化得分图(其中黑色为正常组，灰色为PSE组)。
[0058] 图5为宰后9h定性鉴别的因子化得分图(其中黑色为正常组，灰色为PSE组)。
[0059] 图6为宰后3h的样品光谱经过预处理之后的实际光谱。
[0060] 图7为宰后5h部分样品采用OPUS软件计算超越阈值而使鉴定出现错误的截图。
[0061] 图8为模型判断指标——选择性S值的含义的解释图。
具体实施方式
[0062] 实施例1
[0063] (1)建立基于近红外光谱的PSE肉定性分析模型：
[0064] 样品采集，取屠宰线上宰杀的生猪的猪背最长肌后半段，测试其宰后45min的pH，根据pH将样品分为两大组。第一组：pH45min<6.0的为pH下降快的样本，随着宰后肉的生理生化反应，将会产生PSE肉，此为PSE猪肉组；第二组pH45min>6.0的为pH正常下降的样本，为正常猪肉组。共计采得53头猪的背最长肌样本。第一组：PSE肉样组有19个样本，第二组：正常肉样组有34个样本。
[0065] 将采集的猪背最长肌运回实验室，用布鲁克Vector 22/N近红外光谱仪采集各样本宰后3h的近红外光谱，采集过程中肉样与近红外光谱仪的接触面无气泡，且将整个光源覆盖。光谱采集参数设定为：采样模式：积分球漫反射；分辨率16cm-1；采样次数32次，每个样品采集3条光谱。同时测定宰后3h各样品的pH值。
[0066] 所采集的近红外光谱采用OPUS软件(Bruker OPUS 7.2)经过S-G平滑(平滑点21个)，求一阶导数等预处理，并通过因子化法，选择第一因子谱计算正常肉样平均光谱、PSE肉样平均光谱、正常肉样阈值和PSE肉样阈值。
[0067] 阈值设定：对于每一类光谱，都会收集多条光谱，并获得平均光谱。为了合理的计算阈值，首先需要计算每一条单独光谱与相应平均光谱之间的欧式距离Di；然后得到平均距离Dm和单独欧式距离的标准差S0，两式中n为对于给定物质所采光谱的数目。
[0068]
[0069] 通过上述两公式包含的信息，利用最大匹配值(即所有同类样品中距离平均光谱最远的那个样品到平均光谱的欧式距离值)和标准差S0来计算阈值DT。
[0070] DT＝Dmax+x·S0
[0071] 其中，Dmax为给定同一类物质中所有单独光谱到平均光谱的欧氏距离最大值；x为缺省值，本方法选择设定为0.05，置信水平设定为99％。此方法可以保证样品被唯一的鉴别出来，因为其阈值比所有单独光谱中最大的欧式距离还要大0.05·S0。计算出正常肉样阈值为0.094037，PSE肉样阈值为0.064552。
[0072] 采用因子化法选择第一因子谱即可达到还原原始光谱的目的，第二因子谱更多的反映了机器噪音信息，舍去有利于模型的准确性。
[0073] (2)采集待测样品的近红外光谱：用近红外光谱仪采集宰后3h猪背最长肌待测肉样的近红外光谱，采集过程中肉样与近红外光谱仪的接触面无气泡，且将整个光源覆盖。光谱采集参数设定为：采样模式：漫反射；分辨率16cm-1；采样次数32次。采用OPUS软件(Bruker OPUS 7.2)对所采集的待测肉样的近红外光谱进行S-G平滑(平滑点21个)，求一阶导数和鉴别。待测肉样的光谱距离已知正常肉样(即pH45min>6.0)平均光谱的距离小于阈值0.094037时为正常肉样，距离已知PSE肉样平均光谱的距离小于阈值0.064552时为PSE肉样。由于分析模型S值为1.047148，大于1，说明所建模型可以将两种物质很好的区别开。筛选过程中：将待测肉样的光谱距离与已知PSE肉样平均光谱的距离与阈值0.064552相比小于阈值
0.064552，则该待测肉样确定为PSE肉样；如果大于阈值0.064552，则该待测肉样为非PSE肉样，将该待测肉样的光谱距离已知正常肉样(即pH45min>6.0)平均光谱的距离与阈值
0.094037相比小于阈值0.094037，则该肉样为正常肉样，如果也大于阈值0.094037，则该待测肉样为除正常肉样和PSE肉样之外的第三种肉样。
0.064552，则该待测肉样确定为PSE肉样；如果大于阈值0.064552，则该待测肉样为非PSE肉样，将该待测肉样的光谱距离已知正常肉样(即pH45min>6.0)平均光谱的距离与阈值
0.094037相比小于阈值0.094037，则该肉样为正常肉样，如果也大于阈值0.094037，则该待测肉样为除正常肉样和PSE肉样之外的第三种肉样。
[0074] 根据验证，该筛选方法筛选PSE肉样的准确率为100％。
[0075] 比较例：
[0076] pH法：在宰后45min即可预测出PSE肉，国际广泛认可；pH法预测准确。
[0077] 但是pH法存在以下缺点，需要将测试探头插入肉中，对猪肉胴体有伤害，会产生交叉污染，且测试速度慢，一般需1min左右读数才能稳定，不适宜屠宰场在线检测。
[0078] 实施例1所述基于近红外光谱的PSE猪肉筛选方法具有以下优点：预测准确，光谱采集迅速，扫描记录1次只需不到0.3s，对样品无损，只要将探头对准肉样，不漏光即可。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 近红外光谱成像装置的探头帽 | 2020-05-11 | 473 |
| 用于近红外光谱分析的智能终端外设 | 2020-05-12 | 434 |
| 一种近红外光谱仪装置 | 2020-05-11 | 273 |
| 一种近红外光谱的分类方法 | 2020-05-12 | 66 |
| 近红外光谱网络化采集系统 | 2020-05-12 | 613 |
| 一种近红外光谱在线取样系统 | 2020-05-13 | 543 |
| 一种近红外光谱特征谱区选择方法 | 2020-05-13 | 591 |
| 便携式大豆品质检测近红外光谱仪 | 2020-05-13 | 229 |
| 通过近红外光谱识别人的设备和方法 | 2020-05-13 | 954 |
| 一种近红外光谱仪 | 2020-05-11 | 285 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈