【摘要】 基于 LIBS（激光诱导击穿光谱）和拉曼光谱相结合的互补光谱信息（包括 LIBS、拉曼和 LIBS-拉曼 3 个选项）对提高牛羊肉和猪肉肉组织分类精度的影响。

肉类在中国食品中很常见，中国是肉类生产和消费大国之一。其中，猪肉、牛肉、羊肉的消费量位居前列。随着肉类消费规模的扩大，肉制品掺假已成为食品安全的一大问题。基于 LIBS（激光诱导击穿光谱）和拉曼光谱相结合的互补光谱信息（包括 LIBS、拉曼和 LIBS-拉曼 3 个选项）对提高牛羊肉和猪肉肉组织分类精度的影响。

 

使用经过 RF（随机森林）优化输入变量的 BPNN（反向传播神经网络）对 3 种肉组织进行分类。通过10倍交叉验证的方法得到模型混淆矩阵、Precision、Recall、Kappa、MAE（平均绝对误差）、RMSE（均方根误差）等参数对3个分类模型进行评价，结果对三种方法进行了比较。

 

结果表明，组合的LIBS-Raman模型的分类精度最高可达99.42%，并且在模型一致性和置信度方面优于其他2种单独的方法，表明组合的LIBS-Raman方法显着提高了分类精度。肉组织的识别能力和分类精度，利用了两种方法获得的互补光谱信息。因此，LIBSRaman 和 BPNN 的结合是一种快速、稳健的肉组织识别方法.

 

Fig. S2. Difference in Raman spectra of meat (a) beef, (b) mutton, and (c) pork.【1】

 

图1显示了三种肉组织的拉曼光谱。可以看出，所有的肉组织都富含蛋白质，其拉曼光谱也趋于相似，其中包括胱氨酸、半胱氨酸、蛋氨酸、色氨酸等16种氨基酸。拉曼光谱由S-S伸缩振动、C-S伸缩振动和N-H面内弯曲振动产生。然而，生物组织中的3种蛋白质虽然表现出相似的拉曼光谱模式，但其光谱强度却存在明显差异，可以识别出16种蛋白质作为模型的输入变量。

 

并通过提取较高权重的特征向量来计算特征向量权重，同时减少无用信息干扰，进一步提高模型的分类精度。神经网络输入层节点的选择会影响网络训练的速度和准确性。如果输入层节点太少，网络获得的信息就会太少，网络模型就会存在缺陷。如果输入层节点过多，模型的复杂度就会增加。

 

由于光谱数据中含有大量无用数据，因此在选择网络的输入变量时，既要注意变量之间的相关性，又要考虑所选谱线的物理意义。鉴于生物组织光谱数据固有的高维和特征冗余，通过随机森林计算每个特征向量的权重，首先有效地消除不相关和冗余的特征，从而使分类器的分类性能得以保持和提高。同时得到改善。

 

通过观察三种组织的LIBS和拉曼光谱图，结合NIST数据库，首先选取4个元素和1个分子谱带作为分类模型的特征向量进行研究。应用RF来评估LIBS、拉曼和LIBS-拉曼方法收集的肉组织光谱信息的光谱特征作为权重向量。

 

使用大于平均值的一个特征权重作为 BPNN 模型输入的卷积，具有学习能力，使用交叉验证将模型改进 10 倍以评估模型。得到模型的混淆矩阵、Precision、Recall、MAE、RMSE等参数作为模型的评价指标。

 

数据分析表明，LIBS-Raman模型在分类精度、模型一致性和鲁棒性方面均优于LIBS和Raman单独模型。在LIBS-拉曼模型中，可以从拉曼光谱推断组织的分子组成，同时可以从LIBS光谱确定原子组成。

 

这项研究表明，对于不同生物组织的完整分析和分类，利用多种技术互补的组合系统比仅基于一种或多种但单独的技术的系统更好。所提出的LIBS-Raman方法与BPNN模型相结合，可以为不同生物组织的识别提供有价值的信息，有效提高食品安全检测的准确性.

 

【1】Haoran Sun, Chao Song, Xiaomei Lin, Xun Gao, Identification of meat species by combined laser-induced breakdown and Raman spectroscopies, Spectrochimica Acta Part B: Atomic Spectroscopy, Volume 194, 2022, 106456.

 

科学指南针已获得检验检测机构资质认定证书（CMA）、实验动物使用许可证、“ISO三体系认证”等专业认证，并荣获国家高新技术企业、国家“互联网+科研服务领军企业等多项荣誉。未来，科学指南针将继续朝着“世界级科研服务机构”的目标，在产品研发和用户服务等方面持续努力，为科学发展和技术创新做出更大贡献。

 

免责声明：部分文章整合自网络，因内容庞杂无法联系到全部作者，如有侵权，请联系删除，我们会在第一时间予以答复，万分感谢。