基于化学计量学的手持NIR与高光谱成像技术快速检测牛肉饼中豌豆、大豆和鹰嘴豆蛋白的比较研究

《Food Control》：Rapid detection of pea, soybean and chickpea protein in beef patties using chemometrics: comparing hand-held NIR and NIR hyperspectral imaging

本研究针对肉类产品中植物蛋白掺假及标签欺诈问题，探讨了手持近红外(NIR)光谱仪与高光谱成像(HSI)技术在检测牛肉饼中低含量(1%-6%)豌豆(PP)、大豆(SP)和鹰嘴豆(CP)蛋白的可行性。研究人员通过偏最小二乘判别分析(PLS-DA)和线性判别分析(LDA)构建分类模型，准确率超90%，并创新性地提出层次模型分类器(HMC)，实现了对西班牙皇家法令No. 474/2014规定的3%法定阈值的快速筛查。该研究为食品行业提供了一种非破坏性、实时的质量控制新方案，有效保障消费者权益与食品安全。

　　

在食品工业中，肉类产品的真实性一直是个棘手的问题。你是否想过，超市里购买的牛肉汉堡可能并不像标签上写的那么"纯粹"？历史上曾爆出的欧洲马肉丑闻和巴西变质肉事件，让消费者对肉类产品的质量监控产生了严重担忧。特别是对于加工肉制品来说，各种成分经过混合处理后，仅凭肉眼根本无法分辨其中是否掺入了其他蛋白质来源。更令人担忧的是，植物蛋白的添加不仅涉及经济利益驱动，还可能引发严重的食品安全问题，尤其是对于对大豆等过敏原敏感的人群。

西班牙通过皇家法令No. 474/2014明确规定，肉饼中植物蛋白的添加量不得超过3%（w/w）。然而，传统的检测方法如酶联免疫吸附测定(ELISA)、高效液相色谱(HPLC)和DNA检测技术虽然准确，但耗时较长，无法满足现代食品工业对快速检测的需求。正是在这样的背景下，近红外光谱技术(NIRS)及其成像扩展——高光谱成像(HSI)技术应运而生，为食品真实性检测提供了新的解决方案。

这项发表在《Food Control》上的研究由西班牙公立纳瓦拉大学食品链创新与可持续发展研究所的Sara León-Ecay等人完成，他们系统比较了手持NIR光谱仪和台式HSI系统在检测牛肉饼中三种常见植物蛋白（豌豆、大豆和鹰嘴豆）方面的性能，为食品质量控制领域带来了新的技术突破。

研究人员采用了几项关键技术方法开展本研究。在样本制备方面，他们使用牛腰肉(longissimus lumborum, LL)制作了240个手工肉饼，包括60个纯牛肉对照组和180个添加了不同比例（1%-6%）植物蛋白的实验组。光谱采集阶段，他们分别使用VIAVI Solutions的MicroNIR? 1700 OnSite-W手持光谱仪和Xenics Xeva-1.7-320高光谱相机获取数据覆盖908-1676nm和1000-1700nm波段。数据分析方面，研究团队运用了多种化学计量学方法，包括主成分分析(PCA)进行探索性数据分析，偏最小二乘判别分析(PLS-DA)和线性判别分析(LDA)进行分类模型构建，并创新性地提出了层次模型分类器(HMC)处理复杂的多类别分类任务。所有数据分析均在MATLAB环境下使用PLS_Toolbox完成，并采用了严格的外部验证（70%训练集/30%测试集）确保模型可靠性。

3.1. 肉饼光谱特征与探索性分析

研究人员首先对获得的光谱数据进行了详细分析，发现随着植物蛋白添加量的增加（从1%到6%），肉饼的反射率呈现明显的梯度变化。手持NIR光谱仪在976nm、1202nm和1436nm处显示出特征吸收谷，分别对应C-H键的二次和三次倍频、O-H键的伸缩倍频以及N-H键的二次倍频。这些光谱特征为后续的定性分析提供了重要依据。

通过主成分分析(PCA)，研究人员成功在光谱空间中区分了不同类型的肉饼。特别是经过一阶导数+标准正态变量变换+均值中心化(1^st der+SNV+MC)预处理后，PCA模型能够清晰地将对照组和大豆蛋白添加组与豌豆蛋白和鹰嘴豆蛋白添加组分开，其中1378nm处的C-H键振动在区分过程中起到了关键作用。统计检验进一步证实了不同蛋白类型组别间的差异具有显著性（P值<0.05），为后续分类模型的建立奠定了坚实基础。

3.2. 判别分析

3.2.1. 牛肉饼中添加植物蛋白类型的识别

在蛋白类型识别方面，两种技术都表现出了优异的性能。手持NIR光谱仪结合LDA算法，在经过1^st der+SNV+MC预处理后，训练集和测试集的总体分类准确率均达到100%和97.58%。HSI技术虽然稍逊一筹，但在最佳预处理条件下（2^nd der+SNV+MC），仍能达到97.58%的训练集准确率和97.42%的测试集准确率。

特别值得注意的是，手持设备在检测低含量（1%）植物蛋白方面表现出的高灵敏度，这主要归功于其在900-1000nm波段的光谱采集能力。变量重要性投影(VIP)分析显示，926nm、945nm、963nm和982nm处的光谱波段在四类别区分中起到了关键作用，这些波段与脂肪含量和水分特征密切相关，说明植物蛋白的添加确实改变了肉饼的基础化学成分。

3.2.2. 根据蛋白质含量对牛肉饼进行分类

针对法规符合性检测这一实际需求，研究人员构建了能够区分三种浓度类别（纯牛肉、≤3%蛋白添加、>3%蛋白添加）的分类模型。结果显示，对于豌豆蛋白的检测，手持NIR结合LDA算法能够实现100%的训练集和测试集准确率。HSI技术虽然需要更复杂的数据处理，但在最佳条件下也能达到相近的性能水平。

大豆蛋白的检测结果同样令人鼓舞，手持NIR光谱仪在多种预处理条件下都能保持95%以上的分类准确率。这一结果显著优于先前文献中报道的基于可见-近红外光谱的检测方法，证明了NIR光谱在复杂食品基质中检测特定成分的独特优势。

作为研究的一个创新点，鹰嘴豆蛋白的检测在以往研究中较少被关注。本研究首次证实了NIR和HSI技术能够有效检测肉制品中的鹰嘴豆蛋白，最佳条件下的分类准确率达到100%，为食品检测领域拓展了新的应用方向。

3.2.3. 层次建模

为了解决同时进行蛋白类型和含量判断这一复杂问题，研究人员创新性地提出了层次模型分类器(HMC)方法。该模型采用树状结构，第一层节点负责区分蛋白类型（四类别），第二层节点则针对每种蛋白进行含量判断（是否符合≤3%的法规要求）。

对于手持NIR数据，HMC在测试集中对豌豆蛋白、大豆蛋白和鹰嘴豆蛋白的符合性判断准确率分别达到94.44%、94.44%和100%。HSI数据的表现略有波动，但整体仍保持在83.34%-100%的较高水平。这种分层处理方法不仅提高了分类效率，还允许在不同节点使用不同的预处理方法和算法，大大增强了模型的灵活性和实用性。

3.3. 添加蛋白的HSI图像筛查图谱

研究的另一个亮点是利用HSI技术生成的空间分布图谱，能够直观展示肉饼中植物蛋白的分布情况。研究人员将最优的PLS-DA模型应用于完整的HSI数据立方体，生成了能够区分≤3%和>3%蛋白添加的化学图谱。

这些图谱清晰显示了随着蛋白添加量的增加，相应类别像素点的比例呈现规律性变化。例如，在4%蛋白添加的肉饼中，代表>3%类别的紫色像素点相对较少，而在6%添加的样品中则显著增多。这种可视化方法不仅提供了成分的定性信息，还能反映成分在样品中的分布均匀性，为工业质量控制提供了直观的筛查工具。

本研究通过系统比较手持NIR光谱仪和HSI技术在检测牛肉饼中植物蛋白方面的性能，得出了一系列重要结论。两种技术均能有效识别低至1%的豌豆、大豆和鹰嘴豆蛋白添加，分类准确率超过90%。其中，手持NIR设备因其便携性和操作简便性，更适用于现场快速筛查；而HSI技术则凭借其空间分辨能力，能够提供成分分布信息，适合实验室级别的精确分析。

在算法方面，LDA和PLS-DA都表现出了优异的分类性能，而新提出的HMC方法则为解决复杂的多类别分类问题提供了新思路。特别是针对法规符合性检测这一实际需求，研究建立的分类模型能够准确判断肉饼是否满足≤3%蛋白添加的法定要求，为食品安全监管提供了可靠的技术支持。

该研究的实际意义在于，它开发了一套完整的从样品制备到数据分析的标准化流程，可直接应用于食品工业的质量控制环节。手持设备的便携性使得生产线上的实时监测成为可能，而HSI技术的空间分辨能力则为疑难样品的深入分析提供了手段。随着植物蛋白在食品工业中的应用日益广泛，这项技术有望在过敏原控制、成分验证和标签真实性等多个方面发挥重要作用。

未来研究可进一步探索这些技术在商业产品中的应用，考虑其他成分（如脂肪、盐分等）的干扰影响，并扩展到更多类型的植物蛋白和食品基质中。此外，与物联网、云计算等新兴技术的结合，也将为食品安全监测带来更加智能化的解决方案。