全 文 ：核 农 学 报 2011，25(3):0529 ～ 0533
Journal of Nuclear Agricultural Sciences
收稿日期:2011-22-22 接受日期:2011-05-20
基金项目:国家高技术研究与发展技术(863 计划)资助项目 (2008AA10Z209)
作者简介:赵进辉(1978 －)，男，湖南华容人，博士，讲师，主要从事图像处理与农畜产品无损检测研究。E-mail:zjhxiaocao@ sina． com
通讯作者:刘木华(1969 －)，男，江西赣州人，博士，教授，主要从事农畜产品无损检测研究。E-mail:suikelmh@ sina． com
文章编号:1000-8551(2011)03-0529-05
鸭肉中谷氨酸含量的可见 －近红外光谱测定研究
赵进辉 刘木华 吁 芳 沈 洁 涂东成
(江西农业大学工学院，江西 南昌 330045)
摘 要:为实现鸭肉中谷氨酸含量的快速测定，提出了利用可见 －近红外光谱结合 PCA、BP 神经网络来
建立鸭肉中谷氨酸含量测定的定量分析模型。采集试验首先采集光谱范围在 350 ～ 1800nm 的鸭肉可
见 －近红外反射光谱，并在 430 ～ 1000、1001 ～ 1400 和 430 ～ 1400nm 3 个光谱范围内分别用一阶导数
(FD)、二阶导数(SD)、多元散射校正(MSC)、标准正交变量变换(SNV)4 种方法对原始光谱进行光谱
预处理;然后以前 8 个主成分得分和鸭肉中谷氨酸含量分别作为 BP 神经网络的输入变量和输出变量
来建立鸭肉中谷氨酸含量预测模型。试验结果表明，在 430 ～ 1000nm 光谱范围内，采用 SNV 光谱预处
理建立的 BP 神经网络模型为最优，其验证集的相关系数为 0. 9564，预测样本均方根误差为 0. 058572，
能够满足鸭肉中谷氨酸含量快速测定的实际要求。
关键词:鸭肉;谷氨酸;可见 －近红外光谱;BP 神经网络;主成分分析
QUANTITATIVE ANALYSIS OF GLUTAMATE CONTENT IN DUCK
MEAT USING VISIBLE-NEAR INFRARED SPECTROSCOPY
ZHAO Jin-hui LIU Mu-hua YU Fang SHEN Jie TU Dong-cheng
(College of Engineering，Jiangxi Agricultural University，Nanchang，JiangXi 330045)
Abstract:Quantitative analysis models of glutamate contents in duck meat were established using visible-near infrared
spectroscopy combining with principal component analysis (PCA)and BP neural network to achieve the rapid prediction
of glutamate contents in duck meat． Visible-near infrared spectroscopies of duck meat in the range of 350 ～ 1800nm were
obtained，and first derivative(FD)，second derivative(SD)，multiplicative scatter correction(MSC) and standard
orthogonal variable transformation (SNV)were used to complete the pretreatment of original spectroscopy in the spectral
region of 430 ～ 1000，1001 ～ 1400 and 430 ～ 1400nm，respectively． The scores of 8 principal components (PCs)and
glutamate contents in duck meat were selected as the inputs and outputs of BP neural network to build the prediction
model of glutamate content in duck meat， respectively． The results showed that the model of BP neural network
established using the pretreatment spectroscopy by SNV in the spectral region of 430 ～ 1000nm was optimal． The
correlation coefficient and the root mean squared error of prediction samples were 0. 9564 and 0. 058572 in the validation
set respectively，and the model could meet the demands of rapid detection of duck meet glutamate content．
Key words:duck meat;glutamate;visible-near infrared spectroscopy;BP neural network;principal component analysis
鸭肉是人们食用较多的一种禽肉产品，大量研究
表明，鸭肉中富含的谷氨酸不仅可参与脑蛋白和碳水
化合物的代谢，增强大脑功能，缓解疲劳，加速溃疡愈
合，同时也是一种重要的肉类滋味呈味物质。谷氨酸
925
核 农 学 报 25 卷
含量是评价鸭肉品质的重要指标之一。因此研究鸭肉
中谷氨酸含量的快速、无损测定方法具有重要的社会
和经济意义。传统的谷氨酸含量测定方法，如离子交
换色谱法(IEC)或高效液相色谱法(HPLC)虽然具有
较高的准确度和良好的重复性，但检测费时，费用高，
且需使用有毒化学试剂［1 ～ 3］。
可见 －近红外光谱分析技术具有操作简单、无毒
害、速度快、稳定性好，能实现在线无损分析的特
点［4 ～ 6］。国内外已有学者利用近红外光谱来测定鱼
粉、饲料、大豆、稻米及中国黄酒中的 谷 氨 酸 含
量［7 ～ 12］，但目前还没有利用近红外光谱测定鸭肉中谷
氨酸含量的报道。
本研究采用可见 － 近红外反射光谱技术，结合主
成分分析和 BP 神经网络技术来建立鸭肉中谷氨酸含
量快速测定的定量分析模型，旨在满足鸭肉中谷氨酸
含量快速测定的实际需要。
1 材料与方法
1. 1 试验材料
试验对象麻鸭购于江西农业大学菜市场。将鸭去
毛后悬挂在铁架上，自然状态下冷却 1h 后进行取样。
由鸭的生理结构可知，鸭的整体谷氨酸含量高低可以
在特殊部位得到体现，谷氨酸含量高的鸭，其特殊部位
谷氨酸含量也高，这也是许多研究者取特殊部位进行
品质分析的依据［13］。本研究取鸭身上的特殊部位鸭
胸脯肉(整片)作为试验样本，共取 70 只，鸭胸肉分别
编号为 01 ～ 70 号。
1. 2 仪器设备
试 验 用 光 谱 仪 为 QualitySpec Pro 光 谱 仪
(Analytical Spectral Devices，Inc．，USA)，光谱测量范
围为 350 ～ 1800nm，其中在 350 ～ 1000nm 采样间隔为
1. 4nm，分辨率为 3nm，在 1000 ～ 1800nm 采样间隔为
2nm，分辨率为 10nm;日立 L － 8800 型氨基酸自动分
析仪。
1. 3 可见 －近红外反射光谱采集与化学测定
为防止干扰，光谱采集在密闭的暗箱中进行。采
集样本光谱前，对系统配置优化标准白板进行标定。
采集样本光谱时，将样本置于圆形石英器皿中，用光谱
仪自带附件高密度光源检测探头采集样本的可见 －近
红外反射光谱。每个样本在 3 个不同部位进行扫描，
并取平均值作为该样本的原始光谱。应用 Indico4. 0
(Analytical Spectral Devices，Inc．，USA)软件和与之配
套的标准白板采集归一化后的光谱数据并转换格式，
以便后续数据处理和分析。
样本在完成光谱采集后，对鸭肉中的谷氨酸含量
按照 GB /T 5009. 124 – 2003 食品中氨基酸的测
定［14］进行。
1. 4 数据分析
用数据处理软件 Unscramble V9. 7 和 DPS V7. 05
分析鸭胸脯肉的可见 －近红外反射光谱与鸭胸脯肉中
谷氨酸含量之间的关系。
2 结果与讨论
2. 1 光谱波段范围的选择
对获取的 70 个样本按照谷氨酸含量顺序，每间隔
4 个样本选择 1 个样本，作为验证集样本，共 13 个，即
05、10、15、20、25、30、35、40、45、50、55、60、65 号;其余
的 57 个作为校正集样本。
图 1 为校正集样本的原始光谱。由于光谱仪在测
量范围的两端存在较多噪音，这一点从 350 ～ 430nm
范围内光谱曲线可以看出;同时，在 1400 ～ 1800nm 范
围内光谱曲线比较平直，相对反射率变化不大;此外，
在 350 ～ 1100nm 光谱范围内，为低噪声 512 阵元 PDA
探测器，在 1000 ～ 1800nm 光谱范围内，为 InGaAs 探测
器。综上所叙，本研究选择 430 ～ 1000、1001 ～ 1400 和
430 ～ 1400nm 3 个波段进行对比分析，以选择最佳波
段范围。
图 1 鸭肉校正集样本的可见 －近红外光谱图
Fig． 1 Visible-near infrared spectra of
calibration set samples of duck meat
2. 2 光谱预处理
由于在采集的可见 －近红外光谱中往往包含一些
与待测样品性质无关的噪声，导致可见 － 近红外光谱
的基线漂移、旋转和光谱的不重复［15］，因此，为了得到
更加稳定和有效的预测模型，有必要对原始光谱进行
预处理。本研究采用一阶导数(first derivative，FD)、
035
3 期 鸭肉中谷氨酸含量的可见 －近红外光谱测定研究
二阶 导 数 (second derivative，SD)、多 元 散 射 校 正
(multiplicative scattering correction，MSC)和标准正交
变量变换(standard normal variate，SNV)4 种方法对原
始光谱进行预处理，并从中选择一种较优的光谱预处
理方法。
2. 3 主成分分析
若将全波段的波长变量作为 BP 神经网络的输
入，会大大地增加计算量，同时，输入变量越多，建模训
练样本也越多，一些重复和次要的变量也会使模型的
预测能力下降，因此，有必要减少输入变量数目。本研
究采用 PCA 分析，以得到合适的 BP 神经网络的输入
变量。本研究以波长点的相对反射率作为 PCA 分析
的输入变量，通过交互验证(cross validation)方法得到
相应的主成分的特征值及累计可信度。表 1 给出了在
3 个光谱范围内采用不同光谱预处理方法得到的前 10
个主成分的累计可信度。由表 1 可知，前 8 个主成分
的累积可信度在 94%以上，能够反映光谱数据绝大部
分的特征信息。因此，本研究以前 8 个主成分得分作
为 BP 神经网络的输入变量，这样就把原来较多的波
长变量压缩成了彼此正交的 8 个新变量。
表 1 不同光谱范围和预处理方法下的前 10 个主成分的累计可信度
Table 1 Accumulative reliabilities of the first 10 PCs of different preprocessing methods and spectral ranges
光谱范围
spectral
range (nm)
预处理方法
preprocessing
method
主成分
principal
components
PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 PC9 PC10
430 ～ 1000 原始光谱
original spectroscopy
累计可信度 90． 834 98． 748 99． 414 99． 669 99． 813 99． 905 99． 959 99． 976 99． 983 99． 99
一阶导数 FD accumulative 66． 777 79． 132 88． 029 90． 871 93． 401 94． 823 95． 627 96． 234 96． 742 97． 113
二阶导数 SD reliability 83． 871 89． 556 90． 791 91． 868 92． 877 93． 629 94． 317 94． 881 95． 413 95． 912
多元散射校正 MSC (%) 84． 824 93． 169 95． 97 97． 271 98． 484 99． 353 99． 758 99． 848 99． 893 99． 926
标准正交变量变换 SNV 83． 946 92． 884 95． 968 97． 263 98． 454 99． 325 99． 735 99． 844 99． 891 99． 923
1001 ～ 1400 原始光谱
original spectroscopy
累计可信度 92． 423 99． 137 99． 813 99． 898 99． 958 99． 98 99． 987 99． 99 99． 993 99． 995
一阶导数 FD accumulative 75． 45 88． 041 91． 314 92． 258 93． 122 93． 789 94． 44 95． 035 95． 532 95． 998
二阶导数 SD reliability 88． 145 89． 299 90． 361 91． 289 92． 14 92． 867 93． 516 94． 112 94． 655 95． 169
多元散射校正 MSC (%) 85． 387 99． 045 99． 492 99． 722 99． 883 99． 939 99． 962 99． 973 99． 98 99． 984
标准正交变量变换 SNV 85． 261 99． 039 99． 487 99． 718 99． 877 99． 939 99． 962 99． 973 99． 98 99． 983
430 ～ 1400 原始光谱
original spectroscopy
累计可信度 84． 658 95． 249 98． 729 99． 281 99． 621 99． 75 99． 854 99． 925 99． 96 99． 972
一阶导数 FD accumulative 67． 576 80． 585 87． 728 90． 25 92． 272 93． 718 94． 634 95． 268 95． 786 96． 252
二阶导数 SD reliability 84． 058 89． 237 90． 357 91． 255 92． 107 92． 833 93． 498 94． 059 94． 547 95． 02
多元散射校正 MSC (%) 79． 081 92． 288 96． 534 97． 849 98． 719 99． 336 99． 641 99． 778 99． 835 99． 882
标准正交变量变换 SNV 78． 685 92． 099 96． 409 97． 723 98． 594 99． 255 99． 574 99． 755 99． 819 99． 871
2. 4 预测模型的建立
本研究采用只含有 1 个隐含层的 3 层的 BP 神经
网络结构来建立 BP 神经网络模型。以前 8 个主成分
得分作为 BP 神经网络的输入，鸭肉中谷氨酸含量作
为 BP 神经网络的输出，因此，输入层和输出层节点数
分别确定为 8 和 1。目前还没有一个很好的解析式来
表达隐含层节点数，本研究根据如下经验公式［16，17］来
初步确定隐含层节点数。
槡j = n + m + α (1)
式中:j 为隐含层节点数，n 为输入层节点数，m 为输出
层结点数，a 为 1 ～ 10 的常数。
由于输入层节点数为 8，输出层节点数为 1，根据
式(1)初步确定隐含层节点数为 4、5、6、7、8、9、10、11、
12 和 13 中的 1 个。为从中选择 1 个作为隐含层节点
数，通过多次改变隐含层节点数进行分析对比，以确定
最佳隐含层节点数。网络训练的其他的相关参数为:
网络的初始权值为 － 0. 15 ～ + 0. 15 之间的随机数，最
大迭代次数为 1000 次，最小训练速率取 0. 1，动态参
数为 0. 6，允许误差为 0. 0001。表 2 给出了在不同光
谱范围和 FD、SD、MSC、SNV 光谱预处理方法下的最
佳隐含层节点数和校正模型结果。
2. 5 模型预测结果与分析
相关系数(R2)越大，校正均方根误差(RMSEC)、
预测均方根误差(RMSEP)越小，说明模型的预测能力
越强。由表 2 可知，在 430 ～ 1000、1001 ～ 1400 和 430
～ 1400nm 光谱范围内，用 SNV 光谱预处理方法建立
135
核 农 学 报 25 卷
的 BP 模型的 RMSEC 比其他几种光谱处理方法建立
的 BP 模型的明显降低，而 R2 则明显增加，说明在鸭
肉中谷氨酸含量的可见 － 近红外光谱测定中用 SNV
光谱预处理方法建立的 BP 模型的预测能力比其他几
种光谱预处理方法建立的 BP 模型更强。因此，本研
究确定选用 SNV 光谱预处理方法作为鸭肉中谷氨酸
含量测定的可见 －近红外光谱预处理方法。由表 2 可
知，在 430 ～ 1000nm 光谱范围内，用 SNV 光谱预处理
方法建立的 BP 模型的 R2 和 RMSEC 分别为 0. 9987
和 0. 00972;在 1001 ～ 1400nm 光谱范围内，用 SNV 光
谱预处理方法建立的 BP 模型的 R2 和 RMSEC 分别为
0. 808 和 0. 110854;在 430 ～ 1400nm 光谱范围内，用
SNV 光谱预处理方法建立的 BP 模型的 R2 和 RMSEC
分别为 0. 9963 和 0. 013972。
表 2 不同光谱范围和预处理方法下的校正模型结果
Table 2 Calibration model results of different preprocessing methods and spectral ranges
光谱范围
spectral range (nm)
预处理方法
preprocessing method
最佳隐含层节点数
No． of appropriate
hidden node
校正均方根误差
RMSEC
相关系数(R2)
correlation coefficient
430 ～ 1000 原始光谱 original spectroscopy 6 0. 061921 0. 9321
一阶导数 FD 7 0. 228691 0. 6123
二阶导数 SD 5 0. 229558 0. 4731
多元散射校正 MSC 6 0. 135765 0. 6557
标准正交变量变换 SNV 6 0. 00972 0. 9987
1001 ～ 1400 原始光谱 original spectroscopy 6 0. 181276 0. 3835
一阶导数 FD 7 0. 229186 0. 4508
二阶导数 SD 6 0. 229583 0. 0562
多元散射校正 MSC 7 0. 155741 0. 5492
标准正交变量变换 SNV 6 0. 110854 0. 808
430 ～ 1400 原始光谱 original spectroscopy 4 0. 084126 0. 8674
一阶导数 FD 4 0. 227037 0. 5389
二阶导数 SD 7 0. 229032 0. 5263
多元散射校正 MSC 6 0. 112374 0. 7666
标准正交变量变换 SNV 6 0. 013972 0. 9963
表 3 给出了不同光谱范围条件下通过 SNV 光谱
预处理的预测模型结果。由表 3 可知，在 430 ～ 1000
和 430 ～ 1400nm 光谱范围内，用 SNV 光谱预处理方法
建立的 BP 模型的 R2 在 0. 95 以上，RMSEP 在 0. 06 以
下，说明在 430 ～ 1000 和 430 ～ 1400nm 这 2 个光谱范
围内都可作为用 SNV 光谱预处理方法建立的 BP 模型
的光谱波段范围;在 1001 ～ 1400nm 光谱范围内，用
SNV 光谱预处理方法建立的 BP 模型的 R2 在 0. 8 以
下，说明在这个光谱范围内用 SNV 光谱预处理方法建
立的 BP 模型的预测能力较差，不适合作为用 SNV 光
谱预处理方法建立的 BP 模型的光谱波段范围。由上
面分析可知，虽然在 430 ～ 1000 和 430 ～ 1400nm 光谱
范围内用 SNV 光谱预处理方法建立的 BP 模型的 R2
和 RMSEP 分别相差不大，都可以作为用 SNV 光谱预
处理方法建立的 BP 模型的光谱波段范围，但由于 430
～ 1400nm 光谱范围的波长点数比 430 ～ 1000nm 光谱
范围的波长点数要多，模型建立的计算量会更大。因
此，在鸭肉中谷氨酸含量的快速测定中可以优先选择
430 ～ 1000nm 作为建立模型的光谱波段范围。图 2 给
出了在 430 ～ 1000nm 谱范围内用 SNV 光谱预处理方
法建立的 BP 模型预测未知样本的预测值和实际值之
间的关系图。
表 3 不同光谱范围条件下的预测模型结果
Table 3 Predictive model results of
different spectral ranges
光谱范围
spectral
range
(nm)
预处理方法
preprocessing
method
预测均方
根误差
RMSEP
相关系数
(R2)
correlation
coefficient
430 ～ 1000 标准正交变量变换 SNV 0. 058572 0. 9564
1001 ～ 1400 标准正交变量变换 SNV 0. 122372 0. 7887
430 ～ 1400 标准正交变量变换 SNV 0. 049823 0. 9626
3 结论
在 430 ～ 1000nm 光谱范围内，采用 SNV 光谱预处
理建立的 BP 神经网络模型为最优，其验证集的相关
系数为 0. 9564，预测样本均方根误差为 0. 058572，能
够满足鸭肉中谷氨酸含量快速测定的实际应用要求。
参考文献:
［1］ 万丹晶，陈妙芬，翟咏虹 ． 用 HPLC 法和氨基酸分析仪测定多维
235
Journal of Nuclear Agricultural Sciences
2011，25(3):0529 ～ 0533
图 2 鸭肉中谷氨酸含量测定中预测值和实际值之间的关系
Fig． 2 Relationship between actual value and
predictive value of glutamate contents in duck meat
氨基酸片中 18 种氨基酸［J］．药学服务与研究，2006，6(3):212
－ 214
［2］ 李 歆，李小玲 ． 高效液相色谱技术在饲料安全生产中的应用
［J］．畜牧与饲料科学，2009，30(1):92 － 94
［3］ 梁丽绒，吕利华，赵良启 ． 饮品与调味品中香味成分分析方法
［J］．山西化工，2006，26(2):28 － 32
［4］ 吴 军，白琪林，苏胜宝，陈绍江，孟庆翔，严衍禄 ． 近红外反射光
谱法分析玉米秸秆纤维素含量的研究［J］． 分析化学，2005，33
(10):1421 － 1423
［5］ 申 艳，张晓平，梁爱珍，时秀焕，范如芹，杨学明 ． 近红外光谱法
在土壤有机质研究中的应用［J］．核农学报，2010，24 (1) :199
－ 207
［6］ 李 勇，魏益民，王 锋 ． 影响近红外光谱分析结果准确性的因素
［J］．核农学报，2005 ，19 (3) :236 － 240
［7］ Shen F， Niu X， Yang D， Ying Y， Li B， Zhu G， Wu J．
Determination of amino acids in Chinese rice wine by fourier
transform near-infrared spectroscopy［J］． J Agric Food Chem，2010 ，
58(17):9809 － 9816
［8］ González-Martín I，Alvarez-García N，González-Cabrera JM． Near-
infrared spectroscopy (NIRS) with a fibre-optic probe for the
prediction of the amino acid composition in animal feeds［J］．
Talanta，2006，69(3):706 － 710
［9］ 牛智有，韩鲁佳 ． 鱼粉中氨基酸近红外光谱定量分析［J］． 农业
机械学报，2007，38(5):114 － 117
［10］ 刘波平，秦华俊，罗 香，曹树稳，王俊德 ． 偏最小二乘 － 反向传
播 －近红外光谱法同时测定饲料中 4 种氨基酸［J］． 分析化学，
2007，(4):525 － 528
［11］ 陆艳婷，张小明，叶胜海，祁永斌，金庆生 ． 稻米品质近红外光谱
法分析中定标样品选择与模型优化［J］． 核农学报，2008 ，22
(6) :823 － 828
［12］ 王文真，付翠真 ． 利用近红外反射光谱快速测定大豆籽粒蛋白
质、脂肪和部分氨基酸含量［J］．中国种业，1994，(1):31 － 32
［13］ 刘海霞，章建浩，王永丽，靳国锋 ． 木瓜蛋白酶嫩化处理对淘汰
蛋鸡风鸡肌肉蛋白质水解和嫩度等品质的影响［J］．食品工业科
技，2009，30(1):174 － 177
［14］ GB /T5009. 124 – 2003，食品中氨基酸的测定［S］
［15］ 黎 静，薛龙，刘木华，王 晓，罗春生 ． 基于可见 － 近红外光谱
识别氧乐果污染的脐橙［J］．农业工程学报，2010，26 (2):366 －
169
［16］ 肖钢铬，钟 珞，陈立耀 ．神经网络结构与训练参数选取［J］． 武
汉工业大学学报，1997，19(2):108 － 110
［17］ 张德丰 ． MATLAB 神经网络应用设计［M］． 北京:机械工业出版
社，2009
(责任编辑 高美须 裴 颖
櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀
)
(上接第 501 页)
［7］ 徐建龙，林贻滋，奚永安，张小明，鲍根良，张炳林，姚建龙，朱卫
东，朱茂丹，庐王印，严培鸿，陈 斌 ． 高产优质早熟晚糯航育 1 号
的选育、特征特性及其栽培技术［J］． 浙江农业科学，1999，(2):
74 － 76
［8］ 中国农业科学院 ． 中国稻作学［M］． 北京:农业出版社，1986:
379 － 418
［9］ 肖武名，杨祁云，陈志强，王 慧，郭 涛，刘永柱，朱小源 ． 空间诱
变水稻品系抗稻瘟病遗传及微卫星多态性分析［J］． 中国农业
科学，2008，41(12):3952 － 3958
［10］ 石春海，申宗坦 ． 早籼粒型的遗传和改良［J］． 中国水稻科学，
1995，9(1):27 － 32
［11］ 李源祥，李金国，蒋兴村，华育坚 ． 丰产高抗“赣早籼 47 号”的航
天育种研究［A］． 刘纪原 ． 中国航天诱变育种［M］． 北京:中国
宇航出版社，2007:169 － 176
［12］ 谢华安 ． 超级杂交稻恢复系“航 1 号”的选育与应用［A］． 刘纪
原 ．中国航天诱变育种［M］．北京:中国宇航出版社，2007:103 －
110
(责任编辑 王媛媛)
335