一種應用於產地溯源的肉類鑑別方法及裝置與流程

2023-11-06 06:03:17

本發明涉及肉類鑑別領域，尤其涉及一種肉類摻假鑑別方法及裝置。
背景技術：
：現實生活中，市場上出現很多肉類摻假事件，使得肉類產品的安全問題處於風口浪尖，備受人們爭議和關注。比如在2014至2015年對廣東省牛羊肉及其製品中摻雜摻假情況進行調查：50份檢驗樣品中，檢出10份摻假肉食品，總摻假率為20.0％。可見國內肉類市場摻假的嚴重程度。食品造假摻假、以次充好的事件不僅嚴重危害了消費者的健康和利益，同時也影響了相關企業的發展以及民眾對國內食品安全的信任度。比如將豬肉充作為是牛肉、羊肉。因而，快速準確的對肉類產品進行快速鑑別，遏制不良商家的造假行為顯得迫在眉睫。傳統的肉類鑑別方法包括生物鑑定法和感官評定法，而對於生物鑑定法一般比如採用聚合酶鏈式反應(pcr)、酶聯免疫分析(elisa)等，該類檢測方法雖然檢測精度很高但存在著工序複雜、成本高、破壞樣本、檢測時間長等缺點；而對於感官評定法，需要人工豐富的經驗，誤差較大。技術實現要素：為了克服現有技術的不足，本發明的目的之一在於提供一種應用於產地溯源的肉類摻假鑑別方法，其能夠解決現有技術中家畜肉類摻假鑑別的成本高、檢測時間長、誤差大等問題。為了克服現有技術的不足，本發明的目的之二在於提供一種應用於產地溯源的肉類摻假鑑別裝置，其能夠解決現有技術中家畜肉類摻假鑑別的成本高、檢測時間長、誤差大等問題的問題。本發明的目的之一採用以下技術方案實現：一種應用於產地溯源的肉類摻假鑑別方法，包括以下步驟：s1：分別製備多個不同肉類的樣本集，每個樣本集包括多個檢測樣本；s2：分別採集s1中每個檢測樣本的原始光譜；s3：計算每個檢測樣本的馬氏距離以及每種肉類的馬氏距離閾值，並根據每個檢測樣本的馬氏距離以及對應肉類的馬氏距離閾值得出奇異點樣本，然後將奇異點樣本從每種肉類的樣本集中剔除後得到對應的剩餘樣本集；s4：對多個剩餘樣本集中所有檢測樣本的原始光譜分別進行預處理；s5：將多個剩餘樣本集中所有檢測樣本隨機劃分為校正集和檢測集，通過建模方法對檢測集建立鑑別模型。進一步地，所述每種肉類樣本的馬氏距離閾值t為：其中為同一種肉類的所有樣本向量的平均光譜、δ為調整參數、σd為馬氏距離標準差；所述每個檢測樣本的馬氏距離d(xi)為：其中xi為第i個光譜向量、為光譜向量的平均光譜，s為協方差矩陣；所述每個檢測樣本的馬氏距離為每個檢測樣本的樣本向量xi到平均光譜的馬氏距離；所述奇異點樣本為馬氏距離d(xi)大於對應肉類的馬氏距離閾值t的檢測樣本。進一步地，所述預處理為多元散射校正預處理、標準正則變換預處理、一階求導預處理、二階求導預處理、savitzky-golay平滑預處理和歸一化預處理中的一種。進一步地，所述建模方法為pls-da建模方法或svm建模方法。進一步地，所述樣本集通過以下製備過程得到：在不同肉鋪、不同超市採集每種肉類的精瘦肉樣本並放置於實驗室冰箱進行冷藏，然後對將每個樣本切成薄片並放入45度的恆溫箱烘乾48小時，最後將每個樣本研磨成粉末後分別裝入乾燥保鮮膜中保存。進一步地，每個原始光譜是通過傅立葉變換紅外光譜儀對每個檢測樣本進行連續多次掃描採集，並且每個檢測樣本掃描採集的次數相同，然後根據每個檢測樣本多次採集到的數據取平均值得到。進一步地，所述傅立葉變換紅外光譜儀的掃描波數範圍為4000-450cm-1、解析度為4cm-1、掃描環境溫度為25℃、溼度為30±5％。進一步地，所述s5還包括通過建模方法對校正集建立鑑別模型。進一步地，所述肉類為豬肉或牛肉或羊肉。本發明的目的之二採用以下技術方案實現：一種應用於產地溯源的肉類摻假鑑別裝置，包括：樣本採集模塊，用於分別製備多個不同肉類的樣本集，每個樣本集包括多個檢測樣本；光譜採集模塊，用於分別採集s1中每個檢測樣本的原始光譜；奇異樣本剔除模塊，用於計算每個檢測樣本的馬氏距離以及每種肉類的馬氏距離閾值，並根據每個檢測樣本的馬氏距離以及對應肉類的馬氏距離閾值得出奇異點樣本，然後將奇異點樣本從每種肉類的樣本集中剔除後得到對應的剩餘樣本集；預處理模塊，用於對多個剩餘樣本集中所有檢測樣本分別進行預處理；鑑別模塊，用於將多個剩餘樣本集中所有檢測樣本隨機劃分為校正集和檢測集，通過建模方法對檢測集建立鑑別模型。相比現有技術，本發明的有益效果在於：本發明通過紅外光譜技術結合相應的建模方法對不同種類的肉類進行鑑別判斷，解決了現有技術中肉類摻假鑑別時的成本高、檢測試劑、誤差大等問題。附圖說明圖1為本發明提供的鑑別方法的流程圖；圖2為本發明提供的所有樣本的原始光譜圖；圖3為本發明提供的三種肉類的樣本平均光譜圖；圖4為本發明提供的牛肉樣本集中所有樣本的馬氏距離分布圖；圖5為本發明提供的豬肉樣本集中所有樣本的馬氏距離分布圖；圖6為本發明提供的羊肉樣本集中所有樣本的馬氏距離分布圖；圖7為本發明提供的pls-da建模方法中檢測集中每種肉類的每個樣本的預測值與參考值的分布圖；圖8為本發明提供的pls-da建模方法中校正集中每種肉類的每個樣本的預測值與參考值的分布圖；圖9為本發明提供的svm建模方法中檢測集中每種肉類的每個樣本的預測值與參考值的分布圖；圖10為本發明提供的裝置模塊圖。具體實施方式下面，結合附圖以及具體實施方式，對本發明做進一步描述：實施例紅外線光譜技術是依據物體內部原子、分子等特定結構對電磁波有不同吸收特性的原理，對物體特定成分進行定性、定量的分析技術。其具有快速、無損、簡單等優點，在農業產品檢測中應用非常廣泛，目前在茶葉、蜂蜜、葡糖酒、稻米、橄欖油以及肉製品等方面都具有廣泛的應用。本發明主要是將該紅外光譜技術與建立模型的方法進行結合，從而能夠對家畜肉類，比如豬肉、牛肉、羊肉等的摻假情況進行檢測、鑑別。一種應用於產地溯源的家畜肉類摻假鑑別方法，如圖1所示，包括以下步驟：s1：分別製備多個不同肉類的樣本集，每個樣本集包括多個樣本；s2：分別採集s1中每個樣本的原始光譜；s3：計算每種肉類樣本集中的每個樣本的馬氏距離以及每種肉類的馬氏距離閾值；s4：根據每個樣本的馬氏距離與對應肉類的馬氏距離閾值找出奇異點樣本，然後剔除每種肉類樣本集中的奇異點樣本得到對應的剩餘樣本集。當樣本的馬氏距離大於對應的馬氏距離閾值時，該樣本為奇異點樣本。s5：對多個剩餘樣本集中所有樣本的原始光譜分別進行預處理；s6：將多個剩餘樣本集中所有樣本隨機劃分為校正集和檢測集；s7：通過建模方法對檢測集建立鑑別模型，從而根據鑑別模型得出檢測集中每個樣本的所屬類別。優選地，所述s7還包括通過建模方法對校正集建立鑑別模型，從而根據鑑別模型對建模方法進行評價。作為優選，本發明所採用的肉類為豬肉、牛肉和羊肉三種肉類，每種肉類的樣本均採用60個。本發明所採用的樣本均為不同肉鋪、不同超市採集到的精瘦肉，並且採集後立即放到實驗室冰箱進行冷藏，然後將每個樣本切成薄片並放入45度恆溫箱烘乾48小時，研磨成粉末後裝入乾燥保鮮膜中保存。本發明可以應用於肉類的產地溯源中的肉類的摻假鑑別，從而可杜絕肉類摻假在市場上的流通。在建立模型之前，首先需要對每個樣本進行光譜處理。本發明使用紅外光譜儀對每個樣本進行透射光譜採集。優選地，本發明中採用的光譜採集儀器為傅立葉變換紅外光譜儀，通過該紅外光譜儀對製作的樣本進行透射光譜採集。其光譜儀所採集掃描的波數範圍為4000-450cm-1、解析度為4cm-1、掃描環境溫度為25℃、溼度為30±5％。在採集的過程中，對每個樣本連續掃描三次，然後對三次所得到的光譜數據求平均值得到每個樣本的原始光譜數據，如圖2所示。每次掃描時，要保證每個樣本的掃描環境一致。由於樣本製備過程中被汙染或光譜採集過程中受設備、環境等因素的影響，可能存在個別樣本成為奇異點樣本，其對建模的穩健性、精度都有較大的影響，因此本發明採用馬氏距離首先將奇異點樣本從該肉類的樣本集中剔除，以免影響後建模，影響鑑別結果。本發明中採用馬氏距離(英文名：mahalanobisdistance)進行排除奇異點樣本只要是通過首先計算出每種肉類的馬氏距離閾值，以及每個樣本的馬氏距離，然後將馬氏距離大於對應的馬氏距離閾值的樣本被認為是奇異點樣本，將其從樣本集中剔除。具體地，對於同一種肉採集到的60個樣本的原始光譜數據應該是相近的，也即是每個樣本的馬氏距離應該在一個允許的範圍內，若出現一個樣本的馬氏距離與其他的馬氏距離相差較大時，則認為該樣本為奇異點樣本。本發明中將一個樣本經過光譜處理後得到一個光譜曲線看作為一光譜向量，該光譜向量包括波數和透射率信息，該向量用x表示。對於同一種肉類的60個樣本，每個樣本的光譜向量可表示為xi，其中i為[1，60]。假設一種肉類的馬氏距離閾值t為：其中為同一種肉類的所有樣本向量的平均光譜，如圖3所示；δ為調整參數、σd為馬氏距離標準差。而對於每個樣本的樣本向量xi到平均光譜的馬氏距離d(xi)為：其中xi為第i個光譜向量、為光譜向量的平均光譜、s為協方差矩陣。當一個樣本的d(xi)大於對應肉類的馬氏距離閾值t時，認為該樣本為奇異點樣本。另外，本發明中採用的δ＝3，其是按統計學經驗和相關資料確定的值。如圖4、5、6所示，對於本發明提供的-豬肉、牛肉、羊肉三種肉類樣本，分別通過公式(1)、(2)計算得到每種肉類的每個樣本的馬氏距離以及對應的馬氏距離閾值。如圖4為牛肉的每個樣本的馬氏距離與牛肉樣本的馬氏距離閾值的分布圖、圖5為豬肉的每個樣本的馬氏距離與豬肉樣本的馬氏距離閾值的分布圖、圖6為羊肉的每個樣本的馬氏距離與羊肉樣本的馬氏距離閾值的分布圖。從圖4中可知：對於牛肉的樣本集，第53個樣本的馬氏距離為18.55，其遠超過牛肉的馬氏距離閾值8.74，因此，在之後進行建模處理時，將該第53個樣本從牛肉的樣本集中剔除，在後期建模時不做考慮。同理，對於豬肉的樣本集中將第1個樣本和第53個樣本剔除、對於羊肉的樣本集中的第20個樣本剔除。本發明還進行了檢測對比，對於在剔除奇異點樣本與不剔除奇異點樣本，這兩種情況對於鑑別的結果性能影響，如圖表1所示。樣本選取r2calrmsecr2valrmsecv剔除奇異點樣本前0.960.170.930.21剔除奇異點樣本後0.980.090.990.11表1根據表1可以看出校正集決定係數r2cal、檢測集決定係數r2val、校正集均方根誤差rmsec和檢測集均方根誤差rmsecv均有所提高，說明奇異點樣本對建模模型有較大影響，排除奇異點樣本後進行建模模型鑑別時，其性能更好。另外，為了排除原始光譜採集過程中受設備、環境、樣本製作的因素的影響，本文對原始光譜進行預處理。預處理方法可採用多元散射校正預處理、標準正則變換預處理、一階求導預處理、二階求導預處理、sacitzky-golay平滑預處理以及歸一化預處理六種預處理方法。本發明還對上述六種預處理的方法進行分析後得到每種預處理的方法對於鑑別結果的影響性能，如表2所示。表2從表2中可以看出，一階求導預處理方法和二階求導預處理方法不僅放大了特徵吸收波段，同時也放大了噪聲，導致模型性能和準確率反而下降，而歸一化處理由於能夠排除不同樣本之間厚度、透過率的影響，因此更能有效消除同種肉類樣本間的差異，效果最好。其中，r2cal為校正集決定係數、r2val為檢測集決定係數、rmsec為校正集均方根誤差、rmsecv為預測集均方根誤差。另外，從表1中的數據還可以看出，歸一化預處理方法的校正集決定係數r2cal、檢測集決定係數r2val均為0.99、校正集均方根誤差rmsec為0.06、預測集均方根誤差rmsecv為0.08、檢測集預測準確率為100％，由此可以看出歸一化預處理應用於建模時使得預測準確率最高。因此，歸一化預處理為最為優選地預處理方法。另外，上述六種預處理方法均為現有比較成熟的技術手段，其方法本身並不是本發明的發明點。對所有的樣本進行預處理後，對樣本集進行建模，首先對三種肉類的所有樣本進行隨機劃分，將樣本劃分為兩部分，一部分為校正集而一部分為檢測集，然後通過對校正集、檢測集分別進行建立鑑別模型。每種肉類的樣本集中剔除奇異點樣本後，豬肉的樣本集中剩餘58個樣本、牛肉的樣本集中剩餘59個樣本、羊肉的樣本集中剩餘59個樣本，分別隨機將上述所有的樣本進行拆分。比如隨機選取豬肉的38個樣本、牛肉的39個樣本、羊肉的39個樣本作為校正集，而對應剩下的豬肉20個樣本、牛肉20個樣本、羊肉20個樣本作為檢測集。本發明所採用的建模方法之一為pls-da建模方法(也稱為偏最小二乘法建模方法)，是通過最小化均方根誤差找到一組數據的最佳函數匹配；用最簡單的方法求得一些絕對不可知的真值，而令均方根誤差之和為最小。pls-da建模方法的具體建模過程如下(以下建模的計算過程只是較簡單的介紹，該建模方法的具體計算過程是本領域技術人員所熟知的)：設x為豬肉或牛肉或羊肉校正集樣本光譜矩陣，y為本方案假設的包含{-1，0，1}的向量，其中-1、0、1分別對應牛肉樣本、豬肉樣本和羊肉樣本的參考值。a、對x和y進行中心化，得到x0和y0；並從y0中選擇一列作為u1。一般來說，選擇方差較大的一列作為u1。b、迭代求解x的變換權重w1、因子t1，y的變換權重c1、因子u1，直到收斂。該迭代求解的過程為：b1、利用y的信息u1，求x的變換權重w1及因子t1，從而將x0的信息用t1來近似表達；迭代公式如下：w1＝x0tu1/(u1tu1)，w1＝w1/||w1||，t1＝x0w1。b2、利用x的信息t1求y的變換權重c1，並將因子u1更新為μ1，從而將y0的信息用t1來近似表達；迭代公式如下：c1＝y0tt1/(t1tt1)，c1＝c1/||c1||，μ1*＝y0c1。b3、根據δu判斷是否已經找到合理解，若是則執行s3；若否則繼續進行迭代求解，直到找到合理解；其中δu為δu＝uδtuδ＝(u1*-u1)t(u1*-u1)，其中uδ＝u1*-u1；當δu＜閾值，找到合理解，則執行s3；否則，取u1＝u1*，返回s21。該閾值可以是10-6。c、求x與y的殘差矩陣。首先，x的載荷為p1：p1＝x0tt1/(t1tt1)。則p1的推導公式如下：根據t1來表達x0，建立回歸模型：對轉置得兩邊右乘t1有從而有求得x0的殘差x1為：其中，p1代表因子t1在x上的載荷(loadings)，它反映了原始變量x與第一個因子向量t1間的關係，而殘差x1表達了u1所不能反映的x0中的信息。建立x因子t1與y因子u1間的回歸模型u1＝b1t1，用t1預測u1的信息，得到b1＝u1tt1/(t1tt1)，則殘差y1為其中殘差y1表達了x因子t1所不能預測的y0中的信息。d、然後利用x1與y1重複上面步驟，求解下一個主成分pls參數，最終求出一定主成分的pls-da模型；其中pls參數包括因子、轉換權重、載荷、回歸係數等。通過pls-da建模方法對檢測集建立對應的鑑別模型，得出檢測集中每個樣本的預測值，然後將預測值通過圖示的方式進行顯示，如圖7所示。本文中採用參考值上下浮動±0.5，作為參考值的參考範圍，也即是得到的預測值若是在參考值上下浮動±0.5以內，均認為是正常的。如圖7為檢測集中每種肉類的每個樣本的預測值與參考值的分布圖，牛肉的每個樣本的預測值位於[-1.09，-0.92]而牛肉的樣本的參考值範圍為[-1.5，-0.5]、豬肉的每個樣本的預測值位於[-0.05，0.18]而豬肉的樣本的參考值範圍為[-0.5，0.5]、羊肉的每個樣本的預測值位於[0.70，1.08]而羊肉的樣本的參考值範圍為[0.5，1.5]。由此可見，檢測集的每種肉類的每個樣本的預測值都在相應參考值允許的範圍內，建模方法所建立的鑑別模型其預測準確率為100％，pls-da建模方法具有良好的判斷性能。另外，本發明還對校正集建立鑑別模型，如圖8所示為校正集中每種肉類的每個樣本的預測值與對應參考值的分布圖，本文可根據校正集的每個樣本的預測值與對應參考值的分布圖來對pls-da建模方法進行的評價。本發明還提供了另外一種建模方法，即是svm建模方法(又稱為支持向量機建模方法，該建模的具體計算過程也是本領域技術人員所熟知的)，通過svm建模方法同樣的將剔除奇異點樣本的剩餘樣本集中的所有樣本隨機劃分為校正集與檢測集，然後對檢測集通過svm建模方法進行建模，從而得到如9所示檢測集中每種肉類的每個樣本的預測值與參考值的分布圖。由圖9得知，檢測集中的每個樣本的預測值均在相應的參考值可允許的範圍內，也即是該svm建模方法所建立的鑑別模型其預測準確率達到100％。同樣的，還通過svm建模方法對校正集建立鑑別模型，從而得到校正集中每種肉類的每個樣本的預測值與參考值的關係，可用來對svm建模方法的計算過程進行評價。本發明通過pls-da建模方法和svm建模方法分別對校正集與檢測集建立鑑別模型，其預測準確率均達到了100％。優選地，本發明還包括s6：通過計算上述兩種建模方法所建立的鑑別模型的決定係數、均方根誤差以及交叉驗證均方根誤差來驗證兩種建模方法的性能優劣。建模方法r2calrmsecr2valrmsecvrmsep檢測集預測準確率/％pls-da0.990.060.990.080.08100svm0.970.150.960.170.24100表3從表3中可以看出，pls-da建模方法和svm建模方法對檢測集的預測準確率都達到了100％，同時兩種建模方法的校正集決定係數r2cal、檢測集決定係數r2val都在0.96以上，校正集均方根誤差rmsec、檢測集均方根誤差rmsecv都在0.25以下，因此兩種建模方法都具有較好的性能，都能準確的對三種肉類進行鑑別。但在比較兩種建模方法的優劣時可以看出，pls-da建模方法的校正集決定係數r2cal和檢測集決定係數r2val都達到了0.99，均高於svm建模方法的；同時pls-da建模方法的校正集均方根誤差rmsec、檢測集均方根誤差rmsecv以及交叉驗證均方根誤差rmsep都在0.08以下，均小於svm建模方法的。因此pls-da建模方法比svm建模方法具有更好的判別性能。如圖10所示，本發明還提供了一種應用於產地溯源的肉類摻假鑑別裝置，包括：樣本採集模塊，用於分別製備多個不同肉類的樣本集，每個樣本集包括多個檢測樣本；光譜採集模塊，用於分別採集s1中每個檢測樣本的原始光譜；奇異樣本剔除模塊，用於計算每個檢測樣本的馬氏距離以及每種肉類的馬氏距離閾值，並根據每個檢測樣本的馬氏距離以及對應肉類的馬氏距離閾值得出奇異點樣本，然後將奇異點樣本從每種肉類的樣本集中剔除後得到對應的剩餘樣本集；預處理模塊，用於對多個剩餘樣本集中所有檢測樣本分別進行預處理；鑑別模塊，用於將多個剩餘樣本集中所有檢測樣本隨機劃分為校正集和檢測集，通過建模方法對檢測集建立鑑別模型。對本領域的技術人員來說，可根據以上描述的技術方案以及構思，做出其它各種相應的改變以及形變，而所有的這些改變以及形變都應該屬於本發明權利要求的保護範圍之內。當前第1頁12