CN102435574B - 一种羊胴体产量的无损分级方法 - Google Patents

Abstract

本发明公开了一种羊胴体的无损分级方法。该方法是基于肋肉厚度近红外预测模型实现的，包括下述步骤：1)采集待分级的羊胴体的肋肉厚度测量部位的近红外光谱图；2)将采集的近红外光谱进行预处理，并代入肋肉厚度近红外预测模型中，得出肋肉厚度值；3)将肋肉厚度、近红外预测模型胴体出肉率方程、产量分级方法相结合，实现羊胴体无损分级；其中，肋肉厚度预测模型构建方法如下：1)测量不同羊胴体的肋肉厚度数值；2)采集不同羊胴体肋肉厚度部位的近红外图谱；3)将采集的近红外光谱进行预处理，然后与测量的肋肉厚度数值进行关联建立数学模型。本方法无需破坏羊胴体，分析快速简便，为我国羊肉加工企业提供了较为快捷的初期分级准备。

Description

一种羊胴体产量的无损分级方法

技术领域

本发明涉及一种羊胴体产量的无损分级方法。

背景技术

近年来，人们生活水平显著提高，进而对食品质量提出了更高的要求，优质优价的概念已经深入人心。这就要求我们对羊胴体在精细分割之前进行分级。羊胴体人工产量分级模型需要人为的测量肋部厚度，测量位置破坏胴体肋骨、测量过程繁琐且存在人为误差。因此，急需一种无损的智能化分级方法。

近红外光谱(NIR)分析技术随着化学计量学方法的应用迅速推广，并在仪器研制、软件研究、基础研究和应用等方面取得了可喜的成果，尤其是在农产品、饲料、饮料、药物、石油化工领域中的应用已积累了很多实践经验。NIR已经应用到肉制品嫩度、色泽和风味的检测上，也成功应用于肉制品主要成分的定量分析上。Cozzolino对51只羊身上不同部位的306块肌肉的检测发现，近红外测定的结果与化学分析测得的结果具有相关性，其中对水、蛋白质、肌内脂肪的复相关系数(R²)分别为0.76，0.83和0.73。Tùgersen等利用近红外仪器(MM55，Infrared Engi-neering Ltd)构建了肉品质在线检测系统，Anderson等利用DA-700近红外分析系统建立了肉品质在线检测系统，但是还没有近红外应用于羊胴体分级的报道。

发明内容

本发明的目的是为了克服现有方法中人工分级产生的误差以及分级过程中对胴体的损坏等缺陷，提供了一种操作简单、方便快捷且高效的羊胴体无损分级方法。

为实现上述目的，本发明采用的技术方案为：

1)采集待分级的羊胴体的肋脂厚度测量部位的近红外光谱图；

2)将采集的近红外光谱图代入肋脂厚度近红外光谱预测模型中，得出待分级的羊胴体的肋脂厚度值；

3)将步骤2)得到的肋脂厚度值代入下述方程计算得到羊胴体产肉率：

羊胴体产肉率(％)＝(78.28904×肋脂厚度-32.30705)/肋脂厚度×100％，R²＝0.9935；

4)根据步骤3)计算得到的羊胴体产肉率，将羊胴体产量分成五级：一级，胴体产肉率≥78％；二级，72％≤胴体产肉率＜78％；三级，66％≤胴体产肉率＜72％；四级，60％≤胴体产肉率＜66％；五级，胴体产肉率＜60％。

上述方法中所用的肋脂厚度近红外光谱预测模型，是通过下述步骤构建得到的：

1)选取不同肋脂厚度范围的羊胴体，实测羊胴体的肋脂厚度值，肋脂厚度的范围应尽量广；

2)用近红外探头采集步骤1)中所述羊胴体的肋脂厚度测量部位的近红外光谱；

3)将步骤2)得到的近红外光谱进行预处理，得到预处理后的近红外光谱；

4)通过化学计量学方法将所述预处理后的近红外光谱与步骤1)实测所得的肋脂厚度值进行关联，建立肋脂厚度近红外光谱预测模型；

5)对所述肋脂厚度近红外光谱预测模型的预测能力进行验证。

在上述步骤1)中，肋脂厚度值为羊胴体12肋骨距离脊柱中心11cm处脂肪的厚度值。

步骤2)中采集近红外光谱时，扫秒的波长范围为1000nm～1800nm。测试条件：近红外光谱扫描次数32次；光谱分辨率≤12nm；室温25℃。每个样本采集5条光谱，建立光谱库。

通过比较不同光谱预处理方法(如标准化法、平滑法、信号校正法等)对模型的影响，以模型的主成分数、决定系数和校正交互验证均方差(RMSECV)作为评价标准，所建模型的决定系数越大、RMSECV越小，模型的预测效果越好。最终采用正交信号校正法+Savitzky-Golay求导法+标准化法得到肋脂厚度预测最优模型。模型的主成分数为4，模型校正集的决定系数(RC)为0.63428，RMSECV为4.5174，模型预测性较高，模型可以使用。

步骤4)中所述化学计量学方法为偏最小二乘法。

对所建立模型的预测能力进行验证，所选模型的验证集的决定系数(RP)为0.74285。

与人工分级技术相比，本发明方法具有以下优点：

(1)不破坏羊胴体、在其表面进行光谱扫描，不用试剂、不污染环境。

(2)分析速度快、光谱扫描之后立即可以得到羊胴体级别，迅速高效。

(3)机械化程度高，可以避免人为误差。

(4)模型准确率高，可以达到很好的预测效果，使整个操作过程自动化，方便高效。

附图说明

图1腿部肌肉得分参照图示。

图2背膘厚度的测定部位。

图3肋脂厚度的测定部位。

图4腹壁厚度的测定部位。

图5学生残差分布散点图。

图6羊胴体肋脂厚度测定部位的原始近红外光谱。

图7羊胴体肋脂厚度测定部位的原始近红外光谱库。

图8肋脂厚度近红外光谱预测模型校正集真实值与预测值散点图。

图9肋脂厚度近红外光谱预测模型验证集真实值与预测值散点图。

图10本发明提供的羊胴体无损分级方法的操作流程图。

具体实施方式

下面通过具体实施例对本发明的方法进行说明，但本发明并不局限于此。

下述实施例中所述实验方法，如无特殊说明，均为常规方法；所述试剂和材料，如无特殊说明，均可从商业途径获得。

实施例1、羊胴体产肉率人工预测模型构建

1.1试验材料、仪器

1.1.1试验材料

按照国家标准《GB/T 20551-2006畜禽屠宰HACCP应用规范》中附录E牛羊屠宰标准操作规程的规定，进行屠宰加工，并持有产地动物防疫监督机构出具的检疫合格证明的羊胴体。

1.1.2试验仪器

求积仪：数字式求积仪KP-90N，日本小泉公司生产；

色差计：美能达CR-400，日本柯尼卡公司生产；

电子计重台秤：BSWE-1-60，台湾联贸电子有限公司；

电子数显卡尺：0-150mm，上海台海工量具有限公司。

1.2试验方法

1.2.1试验设计

参考美国、澳大利亚等国家羊胴体分级标准[1)陈丽，张德权.羊胴体分级技术研究现状及趋势[J].食品科技，2010，35(9)：146-150.2)Miguel E，Onega E，Caneque V，et al.Carcass Classification in sucking lambs.Discrimination ability of the European Union scale[J].Meat Science，2003，63：107-117.]，并对国内38家羊肉深加工企业进行调研，征集羊胴体产量分级指标。对157只发育正常，健康无病的周岁羊胴体进行相关指标的测量，采用相关性分析、主成分分析、回归分析等对指标进行筛选，确定适宜用于羊胴体产肉率预测的指标，并通过方程拟合，建立羊胴体产肉率无损预测模型。

1.2.2羊胴体产肉率人工测定方法

将羊胴体剔骨分割后，称量胴体肉重，胴体肉重占胴体重的百分率，即为胴体产肉率，其计算公式为：

1.2.3胴体性状测定方法

胴体重：宰后去毛皮、头、蹄、尾、内脏及体腔内全部脂肪后，称重[中华人民共和国农业部.NY/T630-2002羊肉质量分级[S].北京：中国标准出版社，2002.]。

腿部肌肉得分：参考美国羊肉分级标准，采用感官评价法进行评定，腿部肌肉得分分值范围为9-15，具体参考图示见图1[United States Department of Agriculture.UnitedStates Standards for Grades of Lamb，Yearling Mutton，and Mutton Carcasses[S]1992.7.6.]。

眼肌面积：在胴体12-13肋骨处垂直切断背最长肌(眼肌)，用硫酸纸覆盖于眼肌横断面上，用深色笔沿眼肌边缘描出眼肌轮廓，再用求积仪求出眼肌的面积，单位为平方厘米[吕绎如，王云良，赵朝魏.猪胴体眼肌面积常规测定方法比较[J].畜牧与兽医，1992，24(1)：26-28.]。

背膘厚度：在羊胴体12-13肋骨处切开，从靠近脊柱的一端起，在眼肌长度的3/4处，垂直于外表面测量该处的脂肪厚度，即为背膘厚度，见图2。

肋脂厚度：在羊胴体12-13肋骨处切开，测量12肋骨距离脊柱中心110mm处脂肪的厚度，见图3。

腹壁厚度：在羊胴体12-13肋骨处切开，测量距脊柱中心127mm处腹壁的厚度^[14]，见图4。

1.3数据分析

1.3.1相关性分析法

计算任意两个指标X和Y的相关系数r，相关系数r的取值范围为1≥r≥-1，其中r＝1，表示序列X和Y呈线性正相关；r＝-1，表示序列X和Y呈线性负相关；r＝0，表示序列X和Y不相关；1＞r＞0，表示序列X和Y呈正相关，r越大相关度越高；0＞r＞-1，表示序列X和Y呈负相关，r越接近-1负相关度越高。

$r=\frac{\mathrm{\Σ}{x}_i{y}_i-\frac{\mathrm{\Σ}{x}_i\mathrm{\Σ}{y}_i}{n}}{\sqrt{(\mathrm{\Σ}{x}_i^2-\frac{{\left(\mathrm{\Σ}{x}_i\right)}^2}{n})(\mathrm{\Σ}{y}_i^2-\frac{{\left(\mathrm{\Σ}{y}_i\right)}^2}{n})}}$

1.3.2主成分分析法

首先对原始数据进行标准化处理，排除不同量纲和不同数量级对结果的影响，并计算样本均值和样本协方差阵的特征值及相应的特征向量；而后选择p个主分量，计算各分量方差的比例和累积比例，即贡献率和累积贡献率，以累积贡献率或者特征值作为选择指标；计算各样本的主分量值，以第一主分量y1为横坐标，二主分量y2为纵坐标，将m个样本的主分量值(y1_j，y2_j)标在X-Y平面上，并把距离相近的归为一类。

1.3.3回归分析法

回归分析就是找出合适的回归方程，从而用一个变量来预测另一个变量。如果两个变量x，y之间存在回归关系，则有回归模型：总体：y_i＝α+βx_i+ε_i样本：y_i＝a+bx_i+ε_i，回归方程：

在实际拟合过程中，两个变量不一定呈线性关系，曲线的回归模型会取得更好的效果。回归模型的好坏可由R²、Press值和Cp统计量来判定。R²越大，Press值越小，Cp统计量的值越小，越接近含截距的参数个数，回归模型越好。

1.3.4统计软件

本试验的数据处理均应用Excel和SAS8.1统计软件。

2结果与分析

2.1羊胴体产肉率预测指标的筛选

2.2.1羊胴体各性状指标统计分析

本实验选取胴体重、腿部肌肉得分、背膘厚度、肋脂厚度、腹壁厚度和眼肌面积为羊胴体产肉率的预测指标，经统计分析后得到它们的平均值、最大值、最小值、标准差和变异系数见表1。

表1羊胴体性状指标分析表(样本量＝40)

2.2.2各胴体性状间相关分析

对157组羊胴体产肉率预测指标数据进行相关性分析见表2。从表中可以看出，肋脂厚度和腹壁厚度的相关系数最大，达到0.97201，其它指标间的相关系数都大于0.3，相关性较强，符合主成分分析的要求，即变量间的相关系数大于0.3，通过主成分分析可以对数据进行有效的降维处理。

表2六个产量级指标之间的相关性

2.2.3主成分分析

对六个指标进行主成分分析，结果见表3。Morrison建议保留能使累计方差大于75％的前几个主成分可以涵盖样本的全部信息[Morrison D F.Multivariate statisticalMethods[M].New York：McGraw-Hill Book Company，1967.]。试验中主成分1的累计贡献率达80.5％，达到主成分分析的要求，因此，只需选取一个主成分就可以对羊胴体产肉率进行评定。表4为入选的特征值系数。从表4中可知，对主成分1影响较大的两个因素分别是肋脂厚度0.657184和腹壁厚度0.615304，对主成分1中的肋脂厚度和腹壁厚度进行相关性分析，从表2可知它们的相关系数可达0.97201，对其进行回归分析可得到回归方程：腹壁厚度＝0.91145×肋脂厚度+0.47788(R²＝0.9448)，腹壁厚度这个指标可以用肋脂厚度来代替，所以对主成分1影响最大的指标可以认为是肋脂厚度。由此可以得到羊胴体产肉率预测指标为肋脂厚度。

表3六个指标的主成分分析特征根及贡献率

表4入选特征根系数

2.3羊胴体产肉率人工预测模型的建立

2.3.1产肉率模型的拟合

应用SAS分析软件，对采集到的157只羊胴体的肋脂厚度和胴体产肉率进行线性和非线性拟合，以胴体产肉率为因变量，肋脂厚度为自变量，拟合的方程结果见表5。

表5方程拟合模型汇总

决定系数R²表示方程预测能力的大小，系数越大，说明模型的预测能力越高，反之则越低。从表5可以看出，选择第十五个模型y＝(a+bx)/x，决定系数R²＝0.9935，预测能力相对较高，其拟合方程为：

2.3.2最优方程的回归诊断

把原样本的测试数据返代入回归方程中，计算出每只肉羊产肉率的估测值，进而求出每个估测结果的残差值，然后以估测值为纵坐标，残差值为横坐标，做出对该方程回归诊断分析的散点图，见图5。

由分布图可见，有95％以上的试验点分布在(-2，2)之间，且分布趋势的规律性不明显，表明残差与估测值之间没有相关关系，则可认为残差是标准正态分布，说明此回归方程较可靠。

为进一步验证拟合方程的准确性，试验把原样本的测试数据返代入回归方程中，计算出每只羊胴体产肉率的估测值，通过两样本的配对法T-Test检验，判断估测值与实测值的差异是否显著，其结果见表6。

表6回归方程的T检验结果

根据检验结果t＝0.07，P＝0.9448可知：羊胴体产肉率的估测值与实测值差异不显著(P＞0.05)，证明拟合的方程与实际符和程度高，准确性好，是可靠的。

实施例2、肋脂厚度近红外光谱预测模型构建并基于该模型进行羊胴体产量无损分级

首先在羊肉加工车间选取不同肋脂厚度范围的羊胴体进行肋脂厚度数值的测量，测量部位为羊胴体12肋骨距离脊柱中心11cm处脂肪的厚度。

同时采用便携式近红外探头采集对应部位的近红外光谱(扫描范围1000nm-1800nm)。测试条件：近红外光谱扫描次数32次；光谱分辨率≤12nm；实验温度25℃。每个样本采集5条光谱，建立光谱库，如图7所示。

试验测定了274个样本的肋脂厚度值和近红外光谱，随机选取200个作为校正集样本，其余74个作为验证集样本。

将所得近红外光谱图与常规测量所得的肋脂厚度值采用偏最小二乘法进行关联，建立数学模型，并比较不同光谱预处理方法对模型的影响，验证模型的预测能力。本试验以校正集样本的相关系数(RC)和校正交互验证均方差(RMSECV)以及验证集样本的相关系数(RP)作为评价标准。所建模型的RC和RP越高，RMSECV越小，模型的效果越好。结果见表7-11。确定最佳的预处理方法为：正交信号校正法+Savitzky-Golay求导法+标准化法。从而得到肋脂厚度近红外光谱预测模型。

将肋脂厚度近红外光谱预测模型预测出的肋脂厚度值代入羊胴体产肉率预测模型，计算得到羊胴体产肉率，再根据羊胴体产量分级方法对羊胴体进行分级：一级，胴体产肉率≥78％；二级，72％≤胴体产肉率＜78％；三级，66％≤胴体产肉率＜72％；四级，60％≤胴体产肉率＜66％；五级，胴体产肉率＜60％，从而实现羊胴体产量无损分级。

表7羊胴体的肋脂厚度实测值

表8不同预处理方式对模型的影响

表9 OSC法结合其它预处理方式对模型的影响

表10 OSC法和S-G求导结合其它预处理方式对模型的影响

表11优化的肋脂厚度近红外光谱预测模型

Claims (3)

1.一种肋脂厚度近红外光谱预测模型，是按照包括下述步骤的方法构建得到的：

1）选取不同肋脂厚度范围的羊胴体作为校正集样本，人工实测校正集样本的肋脂厚度；

2）用近红外探头采集步骤1）中所述校正集样本的肋脂厚度测量部位的近红外光谱；

3）将步骤2）得到的近红外光谱进行预处理，得到预处理后的近红外光谱库；

4）通过化学计量学方法将所述预处理后的近红外光谱库与步骤1）实测所得的肋脂厚度值进行关联，建立肋脂厚度近红外光谱预测模型；

步骤3）中所述预处理的方法为正交信号校正法+Savitzky-Golay求导法+标准化法；

步骤4）中所述化学计量学方法为偏最小二乘法；

步骤2）中所述近红外光谱的采集波长范围为1000nm～1800nm；

所述建立肋脂厚度近红外光谱预测模型中肋脂厚度的主成分数为4。

2.根据权利要求1所述的肋脂厚度近红外光谱预测模型，其特征在于：步骤1）中所述肋脂厚度为羊胴体12肋骨距离脊柱中心11cm处脂肪的厚度。

3.根据权利要求1或2所述的肋脂厚度近红外光谱预测模型，其特征在于：构建所述肋脂厚度近红外光谱预测模型的方法还包括对所述肋脂厚度近红外光谱预测模型的预测能力进行验证的步骤。

Images