第3 5卷,第7期 2 0 1 5年7月 光谱学与光谱分析 Vo1.35,No.7,pp1973—1979 Spectroscopy and Spectral Analysis July,2015 不同品种冷鲜猪肉pH值高光谱检测模型的传递方法研究 刘 娇,李小昱 ,金 瑞,徐森淼,库 静 华中农业大学工学院,湖北武汉430070 摘要针对目前模型传递方法研究大多在不同仪器之间且均采用近红外光谱建立模型,采用高光谱技术 建立猪肉pH值定量检测模型,并针对不同品种间的模型传递提出了一种光谱和预测值同步校正(sync cor— rection of spectrum and prediction value,CSPV)的传递算法,并与模型更新方法进行比较。当模型满足预测 相关系数(correlation coefficient of prediction,rp)rp≥0.837,且剩余预测偏差(residual prediction deviation, RPD)RPD≥1.9时,表明预测结果可靠。以杜长大、茂佳山黑猪和零号土猪3个品种猪肉样品为研究对象, 以杜长大作为主品种,茂佳山黑猪和零号土猪作为从品种,采用偏最小二乘(partial least squares regression, PLS)法建立主品种猪肉pH值定量检测模型,模型校正相关系数(correlation coefficient of cross-validation rc)和预测相关系数r口分别达到0.922和0.904,交互验证均方根误差(root mean squared error of cross vali— dation,RMSECV)和预测均方根误差(root mean squared error of prediction,RMSEP)分别为0.045和 0.046,RPD为2.380。用主模型分别对茂佳山黑猪和零号土猪pH值进行预测,rp仅达到0.770和0.731, RMSEP分别为0.111和0.209,RPD分别为1.533和1.234,预测精度较差。分别采用CSPV传递算法和模 型更新方法对主模型进行传递和修正,比较并验证了两种方法的模型传递和修正结果。采用CSPV算法对 模型传递后,当标样个数分别为9个和10个时,rp可提高到’0.889和0.900,RPD提高到2.071和2.213, 均满足rD≥0.837,且RPD ̄I.9;而采用模型更新方法对模型修正后,当添加的代表性样品分别为11个和 9个时,rD分别达到0.869和0.845,但RPD仅达到1.934和1.804,不满足RPD> ̄1.9的条件。结果表明, CSPV传递算法能实现主模型对茂佳山黑猪和零号土猪样品的预测,而模型更新方法只能实现对茂佳山黑 猪品种的预测,不能实现对零号土猪样品的预测,且CSPV传递算法预测结果优于模型更新方法。 关键词猪肉;pH值;高光谱;模型传递;模型更新 文献标识码:A DOI:10.3964/j.issn.1000—0593(2015)07—1973—07 中图分类号:0433.4 是对每一品种样品分别建模,则建模成本高,耗时长,效率 引 言 高光谱成像技术克服了传统光谱技术只能获取单一光谱 信息的缺点,能够同时获取被测对象的图像及光谱信息,其 中不仅包含了被测物的表面物理特征,同时还含有内部结构 特征及化学组分信息_1]。目前,高光谱成像技术在果蔬、肉 类等农产品品质检测方面已有十分广泛的应用L2。]。对于光 低。因此,需要对模型进行维护,以提高模型适配性。 目前,针对不同仪器之间的模型传递方法的研究已有较 多,如刘贤等l6]采用局部中心化、全局中心化、Z-score标准 化等不同预处理的正交信号校正方法,研究了秸秆饲料近红 外光谱模型在一台源仪器和两台目标仪器间的传递效果,实 验结果表明上述方法均可成功实现不同仪器间的模型传递。 Sulub等[7]运用偏最小二乘(partial least squares regression, PLS)法建立了药片含量均匀度测定的近红外光谱校正模型, 探讨了分段直接标准化(piecewise direct standardization, 谱分析技术,其原理大多是利用多元校正方法建立光谱和被 测量之间的数学模型,然后利用未知待测样的光谱和已建模 型实现对被测量进行预测_4]。然而一种数学模型只能对一定 测量条件、时间或某一品种的样品进行检测,对于建模品种 PDs)方法对模型在不同仪器之间传递的结果,表明PDS方 法可较好地用于模型传递。Du等l8]提出了光谱空间变换的 模型传递(SST)方法,以减小不同仪器或测量条件下的光谱 以外的样品则存在预测误差很大或模型不适用的问题_5]。若 收稿日期:2014—04—02.修订日期:2014-08-12 基金项目:公益性行业(农业)科研专项(201003008)资助 作者简介:刘娇,女,1988年生,华中农业大学工学院硕士研究生 e-mail:lixiaoyu@mail.hzau.edu.cn e-mail:li ̄iao9693@163.corn *通讯联系人 1974 光谱学与光谱分析 第35卷 差异,结果证明SKI、法能完成不同仪器或测量条件下的模型 一传递。谭超等【。 提出 种小波变换的校正转移法,对两台近 红外光谱仪的光谱进行转移,其转移性能优于分段直接标准 化(PDS)方法。此外,Shenk’S算法l“ 、直接校正(direct standardization,DS)算法 、斜率截距校正(slope/bias cor— 白板图像。 ; … 式中f为校正后图像, 为原始图像, 为黑板图像,J 为 运用ENVI4.7软件(ITT Visual Information SolutknIS, Boulder,CO,USA)选择校正后图像中问部位约4 000个像 素点的椭圆区域作为感兴趣区域(Region of Interest,R()I), rection,SBC)算法_l I等在模型传递中也有较多应用。 日前针对 同品种或不同批次样品间的模型修正传递方 法研究相对较少,H.研究对象均为近红外光谱模型,而尚未 见高光谱模型关于小问品种之间修正传递方法的研究。如谢 丽娟等【” 采用模型更新和吸光度值修正两种方法,对同批 次相同成熟度、不同批次相同成熟度及同批次不同成熟度的 类转基因番茄样本的近红外鉴别模型进行修正。结果表 明,对同批次不同成熟度的番茄样本,吸光度值修正算法优 于模型更新。Farrell【1 等采用模型更新方法对药片活性成分 检洲模型进行修正,实现-『对四种不同生产条件下的药片进 行预{!J!Ii。结果表明,只需向原模型校正集中添加少量有代表 性新品种样品,模型预测误差相对更新前有很大改善,更新 后模型的预测误差最大可降低64 。 本研究以杜长大、零号土猪、茂佳山黑猪3个品种猪肉 为研究对象,提出r一 种光谱和预测值同步校正(syne cot— rection of spectrum and prediction value,CSPV)的模型传递 算法,分别应用CSPV与模型更新(Model Updating)方法对 猪肉pH值高光谱检测模型进行传递和修正,验证并比较了 两种方法的模型修正结果。 1 实验部分 1.1材料 以杜长人、岑 t猪、茂佳山黑猪三个品种猪肉为研究 对象,取不同猪体背最长肌制备样品,将肉样切成厚约2 cnl,重约50 g的肉片。分别采集杜长大样品117个,茂佳山 黑猪样品121个,零号t猪样品123个。将制备好的样品用 保鲜袋密封装好并编号后采集猪肉高光谱图像数据,然后立 即完成pH值的测定。 1.2高光谱图像采集系统 试验所用高光谱系统为HyperSIS农产品高光谱成像 仪,该系统半要由光源、CCD摄像头(Andor,Clara,Brit— ain)、成像光谱仪(SPECIM,V10E,Finland)、电控位移载物 台、计算机等部件组成,波长范围为391.21~1 043.14 nm, 共520个波段。设置系统相关参数为:曝光时问0.1 s,电控 位移载物台的运行速度2 ITlnl・S ,扫描长度为120 rflrn,波 长问隔为1.25 nm。 1.3高光谱数据采集及猪肉pH值测定 采集高光谱图像前,需打开高光谱仪光源预热30 min, 以减少光源强度不稳定以及测量温度对光谱数据的影响,同 时为减小窀内光照和仪器工作暗电流的影响,光谱图像采集 前需进行黑、向板校正,用遮住镜头和采集标准白板图像的 方式获得黑、白板图像,用于对采集到的原始光谱图像进行 校正,校正公式见武(1) 提取该区域的平均反射光谱作为样品的最终光谱。 完成猪肉样品的高光谱数据采集后,立即进行猪{炎l pt l 值的测定。化学测定根据GB/T 9695.5—2o08《肉与肉制品 pH测定》中规定的方法进行操作。 1.4模型修正方法及评价指标 1.4.1模型修正方法原理 不同品种间与不同仪器间的模型修正传递不同。对f 同仪器间的模型传递,样品间只存在光谱数据的不同,而化 学值是相同的,故只需对光谱矩阵进行校正即可实现模型传 递。对于不同品种间的模型修正传递,样品问除了存在光谱 差异外,化学值也不同,若仅对光谱值进行校正,则不能彳}{ 好地改善模型预测结果。同时由于光谱和化学值均秤任差 异,品种问标准化样品的选取更为复杂。针对上述问题,捉 出了一种光谱和预测值同步校正(CSPV)的传递算法,并分 别采用了CSPV传递算法和模型更新方法对模型进行传递和 修正。 CSPV传递算法是在不改变主品种模型的条件卜,通过 缩小从品种与主品种样品之间的光谱距离,并对模型预测值 进行同步校正来实现模型对从品种样品准确预测的方法。以 建模品种为主品种,被预测品种为从品种。CSPV传递算法 的基本步骤如式(2): (1)计算样品马氏距离 按照马氏距离计算公式分别计算土、从品种样品光谱 主品种校正集平均光谱之间的马氏距离。马氏距离的引‘算公 式如下 D 一 (s( ,:)一S(j,:))×C ×(s( ,:)s(j,:)) (2) 式中,D 为样品i与样品J之『日】的马氏距离,S为光谱矩阵, C为S的协方差矩阵。主、从品种样品与主品种校正集甲均 光谱之间的马氏距离分别用D1 和D z 表示。 (2)选取标样对 选择主品种中与主品种校正集平均光谱距离最近的若r 样品作为主品种标样,其光谱矩阵为S ,同时在从品种 选择与主品种校正集平均光谱距离最近的等量样品作为从品 种标样,其光谱矩阵为 a,将S 与Sz a按照马氏距离人 小顺序一一对应组成标样对。 (3)光谱矩阵及预钡4值的校正 将从品种标样光谱矩阵Sz刊转化为主品种标样光谱矩阵 S ,求得转化矩阵 ,然后利用转化矩阵F 将从品种的 未知待测样光谱矩阵Sz 进行转化。 光谱矩阵的转化公式见式(3)和式(4) S1 Ld( )== d( ,( —k1): :( 十 2))×F (.-) . (:{) 第7期 光谱学与光谱分析 不。 1975 S2 ( , )一 un( ,( —k1): :( +矗2))×F (:, )(4) 式中,S d, td均为mX 7"/矩阵,m为标样个数, 为波长变 量数,S ( , )表示S a光谱矩阵中第i个样品的第J个波 长点的光谱值; 正的窗口宽度; Table 1 Chemical values of pa in pork sampls from differente species 为光谱校正矩阵,愚t+是z+1为波长点校 为 经 校正后的光谱矩阵。 同时,用主模型对从品种标样 。 转化后光谱S a进行 预测,得到预测值 ,建立预测值 与从品种标样实测 S.n:Standard deviation 值y2 。a之间的转化关系,然后利用转化关系对从品种的未知 待测样转化后光谱sz 在主模型中的预测值进行校正,校正 公式见式(5)和式(6) y2 d—n× +b (5) Y 一a× +b (6) 式中, 为模型对S a的预测值;y2刚为sz。 样品对应的化 学测量值;yl盎为模型对 的预测值;Y巯为 嚣经校正后 的预测值。 (4)则y 为模型对从品种未知待测样的最终预测值。 计算 与从品种未知待测样的实测值y2 之间的相关系数 rD和剩余预测偏差RPD。 模型更新是一种简单有效的模型修正方法。当运用已有 模型对另一新品种样品进行预测时,先从被测新品种样品中 选出具有代表性的样品添加进已建模型的校正集中,通过扩 大原模型校正集的变异范围来提高模型适配性。由于更新后 的模型校正集包含了新品种样品信息,因此能实现对新品种 样品的预测。然而,由于向主模型校正集中添加了从品种样 品,故模型更新方法还会降低主模型的稳健性。 1.4.2模型评价指标 模型稳健性的优劣由交叉验证相关系数(correlation CO— efficient of cross-validation,rc)和交叉验证均方根误差(root mean squared error of cross validation,RMSECV)来评价, 模型的预测结果由预测相关系数(correlation coefficient of prediction,rp)、预测均方根误差(root mean squared error of prediction,RMSEP)及剩余预测偏差(residual prediction de— viation,RPD)来评价。RPD计算公式如下 c、r、 RPD一丽OL/ref (7) 式中,SD 为测试集样品化学值的标准差。 模型 和r口越高,RMSECV和RMSEP越低,则说明 模型鲁棒性和预测性能越好;当 ≥0.837,且RPD≥1.9 时,则证明预测结果可靠_1 。模型修正结果根据rp和RPD 进行评价。 2结果与讨论 2.1猪肉pH值的统计结果 去掉前后两端信噪比低的光谱波段,取415~1 019 nm 波段处光谱数据进行后续计算。采用蒙特卡罗结合偏最小二 乘(monte-carlo sampling combined with partial least squares, MCPLS)法检测并剔除三个品种中的异常样品。剔除异常样 品后,杜长大、茂佳山黑猪和零号土猪样品个数分别为114, 116和118个,3个品种猪肉样品pH值的统计信息如表1所 Table 2 The prediction result of duchangda model to pork samplse from different species 2.2主模型建立与适用性检验 2.2.1定量校正模型的建立 以杜长大作为主品种,茂佳山黑猪和零号土猪为从品 种。采用(sample set partitioning based on joint x_Y distances algorithm,SPXY)方法从114个杜长大样品集中选择8O个 作为校正集,剩余34个作为测试集,分别采用平滑(smoot hing)、多元散射校正(multiplicative scatter correction,Msc) 等方法对光谱进行预处理,选出最优预处理方法,然后采用 偏最小二乘(PLS)建立杜长大pH值预测模型,预测结果如 表2所示,模型校正相关系数 和预测相关系数rp分别达 到0.922和0.904,均方根误差RMSECV和RMSEP分别为 0.045和0.046,RPD为2.380,满足r口≥0.837,且RPD≥ 1.9的条件,表明模型可以较好地实现对杜长大样品pH值 的预测。 2.2.2模型适配性检验 从茂佳山黑猪和零号土猪样品集中各选出6O个样品作 为未知待测样,用于模型修正方法的验证,并将剩余的样品 用于模型修正。 利用主成分分析(principal component analysis,PCA)得 到样品的主成分得分,并利用得分值计算光谱之间的马氏距 离,根据不同品种问的主成分得分和马氏距离分布图可以直 观地对模型的适用性作出判断。由图1可以看出,杜长大校 正集样品的第一和第二主成分得分空间与2个待测从品种的 得分空间只有部分交叉,并不能完全覆盖待测品种的得分空 间。从图2的马氏距离分布图也可以看出,3个品种的马氏 距离相差较大,且零号土猪与杜长大样品光谱差异大于茂佳 山黑猪与杜长大的光谱差异。综上所述,杜长大样品变异范 围最小,不能实现对茂佳山黑猪和零号土猪样品的预测。 利用已建立的杜长大模型分别对茂佳山黑猪和零号土猪 的6O个未知待测样品进行预测,预测结果如表2所示。预测 相关系数r口仅达到0.770和0.731,预测均方根误差RM— SEP分别为0.111和0.209,RPD分别为1.533和1.234,显 然,rD≤o.837,RPD≤1.9,杜长大模型不适用于对茂佳山 l976 光谱学与光谱分析 第35卷 黑猪和零号土猪的pH值预测。一摹0一. 0一 u(I口0∞ 00∽ O 0.6 O.4 O.2 O 一0.2 —0.4 0.6 0.8 .1 7 8 9 lO 1l 12 Scores on PC l(99.86%、 (a)PCs scores ofduchangda and maojia samples Q3u吼s【p∞一qo磊 嚼苫 7 6 6 5 5 4 4 3 3 2 0 5 0 5 O 5 0 5 O 5 -{1 O .0 .O 1 7 8 9 10 11 12 Scores on PC 1(99.86%) (b)PCs scores ofduchangda and linghao samples F .1 PCs scores spatial distribution of pork samples from different species 9 8 7 § 6 芎 点5 鼋 d 2 0 5O lO0 15O 2o0 Samples number Fig.2 Mahalanobis distance distribution fo pork samples 一 0一.0一Nu 口0∞ jo3s 0 10 20 3O 40 50 60 Samples number (a)Mahalanobis distance between majia and duchangda 7.5 7.O 6.5 6.0 5.5 5.O 4.5 4.0 3.5 0 10 2O 3O 40 50 60 Samples number (b)Mahalanobis distance between majia and dnchangda Fig.3 Results ofMahalanobis distance of spetra Table 3 Prediction result fo duchangda model to maojia and linghao samplse by CSPV transfer method 2.3 CSPV传递算法的模型修正结果 分别计算用于模型修正的56个茂佳山黑猪和58个零号 土猪样品与杜长大校正集平均光谱的马氏距离,结果如图3 ou牙锡若∞一D0—高 案 第7期 光谱学与光谱分析 1977 所示。根据计算结果,选择马氏距离小的样品作为标样,并 讨论了2到16个不同标样数量对模型修正结果的影响,模 型修正结果如表3所示。 试验表明,对于茂佳山黑猪样品,当光谱校正窗口宽度 为25时,CSPV传递算法的校正结果最优;对于零号土猪样 Table 4 Prediction result of duchangda model to maojia and linghao samples by model updating method 添加样品个数 O 2 茂佳山黑猪 rp 零号土猪 rp 0.731 0.758 0.758 RPD 1.533 1.547 1.669 RPD 1.234 1.402 0.770 品,当光谱校正窗口宽度为175时,CSPV传递算法的校正 结果最优。 0.825 0.830 0.853 0.855 0.856 0.858 1.380 1.686 1.720 1.830 1.870 1.912 0.812 0.829 0.84J 0.837 由表3可知,CSPV传递算法可实现杜长大模型对茂佳 山黑猪和零号土猪样品的预测,且不同的标准样品数量对模 型修正结果有较大影响。随着标样数量的逐渐增多,rp和 1.767 1.767 1.912 RPD均呈现先上升后下降的趋势。这是由于当标样个数较少 时,光谱及化学值的校正矩阵获取的信息不足,而当标样个 数选取较多时,光谱及化学值校正矩阵中含有过多冗余信 息,导致校正幅度过大。 对于茂佳山黑猪样品,当标样个数增加到8时,模型即 可实现对茂佳山黑猪60个待测样品pH值的预测,rp由传 递前的0.770提高到0.871,RPD由1.533提高到1.928,满 足rD≥O.837,RPD ̄I.9的条件,表明预测结果可用。当标 样个数为9时,CSPV算法传递结果达到最优,此时,rp和 0 n RPD分别达到0.889和2.071,结果表明,经CSPV传递算 法进行模型修正后,杜长大模型可实现对茂佳山黑猪样品 pH值的预测。 对于零号土猪样品,当标样个数为9时,模型即可实现 对零号土猪60个待测样品pH值的预测, 由传递前的 0.731提高到0.893,RPD由1.234提高到2.136,满足rp≥ 0.837,RPD ̄1.9,表明结果可用。当标样个数为lO时,模 型预测结果达到最优,此时,rp和RPD分别达到0.900和 2.213,结果表明经CSPV传递算法进行模型修正后,杜长大 模型可实现对零号土猪样品pH值的预测。 2.4模型更新方法的修正结果 采用Kennard/Stone(KS)算法分别从用于模型修正的56 个茂佳山黑猪和58个零号土猪样品中依次选出不同数量的 代表性样品,将这些样品添加到杜长大模型校正集中建立修 正模型,利用修正后模型对待测样进行预测,预测相关系数 rD和剩余预测残差RPD如表4所示。 由表4可知,当添加的代表性样品个数为6个时,模型 即可实现对茂佳山黑猪pH值的预测,此时rp由修正前的 0.770上升至0.856,RPD由1.533提高到1.912,满足 ≥ 0.837,且RPD ̄I.9的条件,表明预测结果可用。当添加样 品数增加到11个时,模型预测结果达到最优, 达到 0.869,RPD提高到1.934。结果表明,模型更新方法可实现 杜长大模型对茂佳山黑猪pH值的预测。 当添加的零号土猪样品数为9个时,模型预测结果达到 最优, 和RPD分别由修正前的0.731和1.234提高到 0.845和1.804,虽满足r口≥O.837,但不满足RPD≥1.9的 条件,结果表明,虽然向杜长大模型中添加零号土猪样品可 以改善模型的预测性能,但改善效果有限,且由于零号土猪 光谱马氏距离与杜长大品种差距较大,模型更新方法最终未 能实现杜长大模型对零号土猪样品的预测。 0.863 1.934 0.837 1.779 0.862 1.934 0.845 1.804 0.866 l_912 0.841 1.792 0.869 I.934 0.842 1.804 0.857 1.870 0.850 l_779 0.856 1.870 0.851 1.779 0.857 1.891 0.849 1.767 0.865 1.912 0.849 1.755 0.860 1.870 O.851 1.787 M 2.5两种模型修正方法结果比较 比较CSPV传递算法和模型更新方法对模型的修正结果 可知,CSPV传递算法能同时实现杜长大模型对茂佳山黑猪 和零号土猪样品的预测,而模型更新方法只实现了对茂佳山 黑猪样品的预测,未能实现对零号土猪样品的预测。 对于茂佳山黑猪样品,采用CSPV传递算法对杜长大模 型进行传递,当选取的标样个数为9个时,杜长大模型对茂 佳山黑猪6O个待测样品的预测相关系数rp达到0.889, RPD达到2.071;而采用模型更新方法,当添加的代表性样 品数为11个时,rp达到0.869,RPD达到1.934,结果表明 CSPV传递算法优于模型更新方法。 由于零号土猪样品的光谱马氏距离与杜长大样品差距较 大,所以模型更新方法只是在一定程度上改善了杜长大模型 对零号土猪样品的预测结果,当添加的代表性样品为9个 时,最优预测结果rD和RPD只达到0.845和1.804,虽然满 足rD≥O.837,但不满足RPD ̄I.9的条件,故修正后模型不 可用于对零号土猪样品pH值的预测;而经CSPV传递算法 对模型进行传递后,当标样个数为1O个时,模型对零号土猪 未知待测样的预测结果最优,此时,rp和RPD分别达到 0.900和2.213,满足 >/o.837,RPD ̄I.9的条件,结果表 明CSPV传递算法克服了模型更新方法不能解决的品种差异 大的问题,且预测结果优于模型更新方法。 3结论 (1)用杜长大样品建立的pH值高光谱检测模型可以实 现对杜长大品种样品pH值的快速、无损检测,模型校正相 关系数 和预测相关系数rp分别达到0.922和0.904,均方 根误差RMSECV和RMSEP分别为0.045和0.046,RPD为 2.380,而用该模型对茂佳山黑猪和零号土猪样品的预测结 果则很差,预测相关系数r口仅达到0.770和0.731,预测误 ”l978 光谱学与光谱分析 预测。 笫35卷 差均方根RMSEP分别为0.11l和0.209,RPD分别为 1.533和1.234,表明杜长大模型不能用于对茂佳山黑猪和 零号土猪样品的预测。 而采用模型更新方法,当添加的代表性样品个数为l1 个时,模型可实现对茂佳山黑猪样品的预测,预测结果 为 0.869,RPD为1.934;当添加的代表性零号土猪样品为9个 时,模型预测结果rp为0.845,而RPD仅达到1.804,不满 足RPD ̄I.9的条件,表明模型更新方法不能实现对零号上 猪样品的预测。 (2)针对不同品种间的模型传递,提出了一种光谱和预 测值同步校正(CSPV)的传递算法。该算法可实现杜长大主 模型对茂佳山黑猪和零号土猪2个品种pH值的预测。 CSPV传递算法只需选取9个标样即可实现杜长大模型对茂 佳山黑猪6O个待测样的预测, 达到0.889,RPD达到 2.071;只需选取1O个标样即可实现杜长大模型对零号土猪 6O个样品的预测,预测结果rD达到0.900,RPD达到 比较CSPV传递算法和模型更新两种方法对杜长大模型 的修正结果可知,CSPV传递算法预测结果优于模型更新方 法。 2.213,结果表明该传递算法可实现主品种对两个从品种的 References L 1 Namruzzaman M,E1Masry G,Sun D W,et a1.Innovative Food Science 8L Emerging Technologies,2012,16:218 .u R,Ariana D P,et a1.Food and Bioprocess Technology,2014,7(6):1689. [2 J Cen H,1y G,Sun I)W,Allen P.Food Research International,2011,44(9):2624. [3] EiMasrl 4] z}IANC-Hui,S()NG Yan,LENG Jing,et al(张2007,24(3):388. 卉,宋妍,冷静,等).Chinese Journal of Spectroscopy Laboratory(光谱实验窒), L 5 l Il U Wan—zhen(陆婉珍).Modern Near Infrared Spectroscopy(现代近红外光谱分析技术).Beijing:China Petrochemical Press(-[L京:q』国 石化出版社),2007. L 6 [7 I IU Xian,HAN 1.u jia,YANG Zeng-ling,et al(刘贤,韩鲁佳,杨增玲,等).Analytical Chemistry(分析化学),2012,40(4):596. Sulub Y,LoBrutto R,Vivilecchia R,et a1.Vibrational Spectroscopy,2008,46(2):128. [8 L 9 1)u W,Chen Z I ,Zhong I J,et al,Analytica Chimica Aeta,201l,690(1):64. TAN Chao,QIN Xin,wu Tong(谭645. 超,覃鑫,吴 同).Computers and Applied Chemistry(计算机与应用化学),2009,26(5): 云,高建芹,王小天).JiangSu Agricultural Sciences(江苏农业科学),2012,40(:{): L10j GAO Yun,(j A【)Jian qin,WAN(;-Xiao-tian(高292. ma B I I ,1)e Vasconcelos F V C,Pereira C F,et a1.Fuel,2010,89(2):405. Ij Fatiguero C I ,['alagos B,Pefla R F,et a1.Computers and Electronics in Agriculture,2013,96:202. 2] Sal3] XIE 1 i juan,YING Yi—bin(谢丽娟,应义斌).Journal of Jiangsu University(江苏大学学报),2012,33(5):538. J A,Higgins K.Kalivas j H.3ournal of Pharmaceutical and Biomedical Analysis,2012,61:l14. 4j Farrell5] Kapper C,Klont R E,Verdonk J M A J,Urlings H A P.Meat Science,2012,91(3):294. Extending Hyperspectral Detecting Model of pH in Fresh Pork to New Breeds 1.1U Jiao,IA Xia(>yu ,JIN Rui,XU Sen-miao,KU Jing College of Engineering,Huazhong Agricultural University,Wuhan 430070,China Abstract Calibration transfer is an effective approach to solve model invalidation problems caused by the change of instrumenls or the prediction samples.However,most studies on calibration transfer were based on different instruments,and models were established by Near Infrared Spectroscopy.In this study,hyperspectral detecting model of pork pH value was established,and in order to enhance the applicabilitY of model to different breeds of pork samples,a new transfer algorithm based on spectra Ma~ halanobis distance,sync correction of spectrum and prediction value(CSPV),has been proposed,and was compared with model updating method.Equations with correlation coefficient of prediction(rp)≥O.837 and residual prediction deviation(RPD)≥1.9 were considered as applicable to predict pork quality.In this paper,three breeds,duchangda,maojia and linghao pork were re searched,and a pH detecting model of duchangda(the primary breed)was established using partial least squares(PLS)regres‘ sion method with re Of 0.922,Yp of 0.904,root mean squared error of cross validation(RMSECV)of 0.045,root mean squared error of prediction(RMSEP)of 0.046 and RPD of 2.380.However,the prediction of the model to samples from maojia and 第7期 光谱学与光谱分析 l979 1inghao breeds(the secondary breeds)was very poor with rp of 0.770 and 0.731 respectively,RMSEP of 0.111 and 0.209,RPD reached only l_533 and 1.234 separately.Obviously,the PLS model of duchangda was unable tO achieve the prediction tO maojia and linghao samples.With the transformation of CSPV algorithm to duchangda model。only 9 and 10 standard samples from maojia and linghao breeds were used respectively,the prediction ability was improved with rD of 0.889 and 0.900,RPD grew to 2.071 and 2.231,which met the requirement of rp≥O.837 and RPD ̄I.9.While with mode1 updating method,when ll and 9 representative samples from maojia and linghao breeds were added tO calibration set of duchangda model,rD increased to 0.869 and 0.845,but RPD only raised to 1.934 and 1.804 exclusively,even though tally rp≥O.837,it didn’t meet that RPD≥1.9. The results demonstrate that CSPV transfer algorithm could realize the pH value prediction of duchangda model tO maojia and linghao samples,while model updating method was only applicable for maojia samples instead of linghao samples,and the per— formance of CSPV transfer algorithm was better than model updating. Keywords Pork;pH value;Hyperspectral;Model transfer;Model update (Received Apr.2,2014;accepted Aug.12,2014) *Corresponding author