中国肉类食品综合研究中心，北京食品科学研究院，肉类加工技术北京市重点实验室的白 京、李家鹏*、邹 昊等人研究选取高品质解冻状态下的牛肉汉堡饼为掺假对象，以相对较低价位的猪肉进行掺假，采集样品的近红外光谱信息，选取合适的预处理方法并分别建立定性和定量模型，提出一种快速检测不同肥肉占比的解冻牛肉汉堡饼中猪肉掺假的定性定量分析方法，为国内牛肉汉堡饼的掺假快速检测提供技术支撑。
1、原始光谱测定结果
未掺假样品和掺假样品的光谱曲线趋势相近，但掺假样品相对未掺假样品变化幅度更大，未掺假样品的光谱曲线比掺假样品更加平滑，尤其在7 000～4 000 cm－1之间比较明显。在近红外中峰宽代表信号的强弱，掺加猪肉会引起光谱信号变弱。
2、主成分分析-支持向量机（PCA-SVM）模型判别
PCA结果
从得分图可以看出，掺假样品和未掺假样品之间不能明显区分，但是两类的重心可以区分。PC2对两组样本的部分分离做出了较为显着的贡献，而PC3则描述了每组样本中的变化，其中掺假样本组中变化受影响较高。使用前3 个主成分的累计贡献率已经达到99.19%，能够准确反映样品光谱信息。
模型的建立
通过交叉验证方法选取核参数的SVM模型判别正确率相对较高，其中当交叉验证折数为10，惩罚因子C为64，核参数γ为0.09时，校正集判别正确率最高为100%，验证集判别正确率最高为83%。验证集中被误判的样品各不相同，分别为10号掺假样品（猪肉占比30.25%、脂肪占比14.15%）、11号掺假样品（猪肉占比12.63%、肥肉占比12.37%）、15%肥肉占比的未掺假样品。
3、PLS-DA模型判别
对校正集原始光谱数据做标准正态变换（SNV）预处理后，选取主因子数为13，建立PLS-DA判别模型，判别时以0.5为阈值，高于0.5的判别为掺假样品，低于0.5的判别为未掺假样品，掺假样品和未掺假样品的判别正确率均为100%。
4、PLS定量检测模型
应用MC预处理后，预测系数较高，且RMSEC与RMSEP的值均较低且二者相差较小，该模型比较准确。当掺假比例在20%以上时，预测值均匀分布在预测线两侧，真实值与预测值相差较小，而掺假比例低于20%时，真实值与预测值相差较大，说明该模型的检测限为20%，后期可选取合适样品数量或优化模型参数方法进一步降低检测限。
结 论
本研究基于近红外光谱技术，对不同肥肉占比的牛肉汉堡饼中的猪肉掺假进行定性判别和定量检测研究，得出了以下结论：1）应用SVM和PLS-DA算法均可实现不同肥肉占比的牛肉汉堡饼中猪肉掺假的定性鉴别，其中PLS-DA模型判别效果更好，验证集和校正集判别正确率均为100%。2）应用PLSR算法可以实现不同肥肉占比的牛肉汉堡中猪肉掺假比例的定量检测，校正集和验证集的相关系数分别为0.968 9和0.861 1，RMSEP为7.221%。
本实验中选取的牛肉汉堡饼为高品质汉堡饼，未考虑其他辅料的影响，后期可选取低品质牛肉汉堡饼为研究对象，丰富配方内容，进一步扩大该方法的应用范围。另可进一步优化参数或选择合适样品数量进一步降低该方法检测限。
