基于仪器性状的复合猪肉品质指数构建及其高光谱预测

《Foods》：Development of a Composite Pork Quality Index from Instrumental Traits and Its Hyperspectral Prediction

　　

猪肉品质是多维的，但常规评价方法通常是破坏性的、耗时的，不适合快速分级。在本研究中，研究人员使用体重30–150 kg猪的背最长肌样本，从仪器性状构建了一个复合品质指数（CQI）。测量了与颜色、持水力、抗氧化能力和质地相关的性状，经主成分分析后保留了13个性状。所得CQI表示一个数据集依赖的仪器品质性状汇总，而非经验证的感官食用品质度量。从猪肉切片采集高光谱图像，并使用区间组合优化（ICO）结合极端梯度提升（XGBoost）预测CQI。在固定光谱级比较中，经标准正态变量变换（SNV）处理的ICO–XGBoost模型达到了R_p²为0.8670，RMSE_p为1.7319，RPD_p为2.7423。在50次随机分割的动物级平均光谱验证中，偏最小二乘回归（PLSR）获得了最高的平均预测性能，R_p²为0.807 ± 0.058，RMSE_p为1.857 ± 0.345，RPD_p为2.374 ± 0.345，提供了对模型性能更保守的评估。预测的CQI值进一步在猪肉表面进行了定性可视化，支持对高光谱成像（HSI）用于快速无损评估仪器衍生猪肉品质的进一步评估。

**论文解读：基于仪器性状的复合猪肉品质指数构建及其高光谱预测**

**研究背景、问题与意义**
猪肉品质是一个多维概念，涉及颜色、持水力、质地和抗氧化状态等多个方面，但这些性状受遗传、宰后生化变化及环境条件的影响，且传统评价方法（如化学分析和感官评定）具有破坏性、耗时且不适合快速在线分级。现有研究多利用高光谱成像（HSI）预测单个指标（如pH、肉色），但忽略了各品质维度间的内在关联，难以提供统一的品质评价。因此，开发一种能综合多维度仪器品质性状的快速无损检测方法具有重要应用价值。该研究发表于《Foods》，旨在通过构建复合猪肉品质指数（CQI）并利用HSI结合机器学习实现其快速预测，为猪肉品质的多维综合评估提供新思路。

**主要技术方法**
研究人员从广东汕头某商业屠宰场获取228头大白×长白杂交母猪的背最长肌样本，按屠宰前体重分为三组：A组（30–70 kg）、B组（70–110 kg）和C组（110–150 kg），每组76头。测量了18个仪器品质性状，包括肉色（L*、a*、b*）、pH、剪切力（SF）、质地剖面分析（TPA：硬度HD、弹性SP、内聚性CO、胶黏性GM、咀嚼性CH、回复性RE）、水分含量（MC）、持水力（WHC）、滴水损失（DL）、蒸煮损失（CL），以及抗氧化指标（总超氧化物歧化酶T-SOD、丙二醛MDA、总抗氧化能力T-AOC）。采用主成分分析（PCA）筛选变量并构建CQI。高光谱数据通过SPECIM FX10线扫描系统（397.66–1003.81 nm，224个波段）采集，经标准正态变量变换（SNV）等预处理后，采用区间组合优化（ICO）、竞争性自适应重加权采样（CARS）、变量迭代空间收缩法（VISSA）和无信息变量消除法（UVE）进行特征波长选择，并建立偏最小二乘回归（PLSR）、反向传播神经网络（BPNN）和极端梯度提升（XGBoost）预测模型。模型评价指标包括决定系数（R²）、均方根误差（RMSE）和相对百分比偏差（RPD）。此外，进行动物级平均光谱的50次随机分割验证以评估稳健性。

**研究结果**

**3.1 不同体重组间仪器品质性状差异**
通过单因素方差分析比较三组18个性状，发现B组肉色（L*、a*、b*）最高，A组T-SOD活性最高，MC随体重增加而降低，WHC则相反；B、C组WHC显著高于A组。质地方面，B、C组的SF、HD和GM较高，但SP和CH模式不一致。肌原纤维蛋白分析显示，A组肌原纤维碎片指数（MFI）显著更高，表明肌原纤维结构破坏更严重；二级结构中A组β-转角和无规卷曲比例最高，C组α-螺旋含量最高，B组β-折叠最高；化学力分析表明B、C组离子键和二硫键含量更高，疏水相互作用在A组最高。这些结果解释了不同组间持水力和质地差异，但须注意体重组间的差异可能受年龄、饲养历史等因素混淆。

**3.2 变量筛选与主成分分析**
对18个指标进行PCA，KMO为0.706，Bartlett检验显著（p<0.001），适合PCA。根据提取共同度<0.5剔除pH、DL、CL、SP和MDA，保留13个指标。前5个主成分特征值>1，累计解释81.678%方差。PC1主要载荷a*、b*、MC、WHC、SF、HD、CH、GM；PC2载荷CO、GM、RE；PC3载荷L*、b*、T-AOC、T-SOD；PC4载荷L*、b*、T-AOC、T-SOD、WHC、SF；PC5载荷MC、WHC。

**3.3 CQI与CWI的构建与比较**
基于旋转成分矩阵中PC1载荷方向，将L*、a*、b*、WHC、SF、HD、GM、CH归为正载荷组，T-AOC、T-SOD、MC、CO、RE归为负载荷组，按公式CQI = 1000 × ln(∏正常化正载荷指标 / ∏正常化负载荷指标)计算每个猪的CQI。同时，利用成分得分系数和方差贡献率计算综合加权指数（CWI）进行比较。CQI与代表性指标（a*、SF、HD、WHC、T-AOC）均显著相关（r=0.33–0.75，p<0.001），而CWI与T-AOC无显著相关（r=0.08，p=0.229）。因此选择CQI作为后续建模目标。

**3.4 样本光谱分析**
原始光谱显示三组在434.37 nm（Soret带）、500.37 nm和564.26 nm（肌红蛋白衍生物）、794.84 nm和981.27 nm（水O-H倍频）、880.58 nm（蛋白质N-H伸缩）等特征波段存在差异，与肉色、持水力和蛋白结构变化一致，支持CQI预测建模。

**3.5 光谱预处理方法比较**
比较SG平滑、SNV、MSC和基线校正四种预处理后PLSR模型性能，SNV-PLSR在预测集上表现最优（R_p²最高，RMSE_p最低），因此选择SNV预处理用于后续分析。

**3.6 特征波长选择**
CARS保留84个波段，VISSA保留67个，UVE保留54个，ICO保留83个。所选波段多位于肌红蛋白吸收区（400–500 nm）、水O-H倍频区（850–1000 nm）及蛋白质相关区（650–850 nm）。ICO保留了连续区间850–883 nm和953–1003 nm，可能与蛋白质N-H和水O-H信息相关。变量减少超过60%，降低了光谱冗余。

**3.7 CQI预测模型建立**

**3.7.1 光谱级模型比较**
使用SNV预处理全光谱及特征波长子集建立PLSR、BPNN和XGBoost模型。固定光谱级比较中，XGBoost模型表现最佳，其中SNV-ICO-XGBoost获得数值最高的预测性能：R_p²=0.8670，RMSE_p=1.7319，RPD_p=2.7423。但XGBoost存在校准-预测差距（R_c²≈0.998），提示可能存在过拟合。PLSR在特征波长选择后性能下降，但ICO-PLSR略有改善。

**3.7.2 动物级稳健性评估**
将每个猪的三条光谱平均后，对PLSR、BPNN和XGBoost进行50次随机分割验证。PLSR获得最高且最稳定的平均预测性能：R_p²=0.807±0.058，RMSE_p=1.857±0.345，RPD_p=2.374±0.345。XGBoost仍具可接受预测能力但校准-预测差距更大，BPNN对数据分割更敏感。动物级结果为模型性能提供了更保守的估计。

**3.8 CQI可视化**
将SNV-ICO-XGBoost模型逐像素应用于猪肉样品，生成CQI分布图。B组和C组显示较大范围的高CQI区域，与样品级结果一致。样品边缘预测值较低，可能由表面曲率或光照散射引起。由于缺乏像素级参考值，CQI图仅用于定性展示。

**讨论与结论**
**讨论部分总结**：CQI反映了数据集内仪器品质性状的综合变异，但未经感官或消费者结果验证，其构建依赖于PC1载荷方向分组，且CQI值仅表示相对位置。模型性能在固定光谱级与动物级评估间存在差异，动物级验证更保守。未来需在独立生产批次、不同品种、饲养系统和宰后条件下验证完整建模流程，并考虑年龄、体重和生产批次的混杂效应。
**研究结论翻译**：本研究开发了一个由不同体重组猪的颜色、持水力、质地和抗氧化状态相关仪器性状构成的复合品质指数（CQI）。CQI表示所选仪器性状的数据集依赖汇总，未针对感官或消费者结果进行验证。CQI的公式也依赖于本数据集中根据PC1载荷方向对性状进行的分组。随后将高光谱成像与机器学习相结合，用于快速预测CQI。在固定光谱级比较中，SNV-ICO-XGBoost获得了数值最高的预测性能，R_p²为0.8670，RPD_p为2.7423。使用平均光谱，重复的动物级评估显示，PLSR在50次随机分割中获得了最高的平均预测性能，R_p²为0.807 ± 0.058，RMSE_p为1.857 ± 0.345，RPD_p为2.374 ± 0.345。这些结果提供了比固定光谱级比较更保守的动物级预测性能估计。总体而言，结果表明在本数据集中，多个仪器猪肉品质性状的变异可被一个复合指数汇总，并可从高光谱数据预测。CQI图定性展示了模型预测的空间变异。未来工作应针对独立感官或消费者结果评估CQI，并使用独立生产批次、品种、饲喂系统和宰后条件验证完整建模流程，同时应考虑年龄、体重和生产批次的可能混杂效应。