肉类现场快速智能化识别分类探究

陈简一

(安徽省合肥市第八中学)

1 引言

1928年，印度科学家Raman发现了拉曼散射现象，两年后被授予诺贝尔物理学奖。1974年，Fleischmann等人在溶液中观察到吡啶分子吸附在粗糙的银电极表面上显著增强的拉曼散射[1]。与正常拉曼信号相比，吸附分子的拉曼散射信号的增强因子要高出106倍。这就是著名的表面增强拉曼光谱(surface-enhanced Raman spectroscopy, SERS)技术。自从SERS效应被发现以来，由于其具有快速、超灵敏、指纹识别、无损等优势，已经在材料科学、生物化学与成像、催化反应和电化学等领域得到了广泛的应用。

肉类与普通百姓生活休戚相关，肉类的种类和品质是关乎百姓的身体健康的重要问题。而针对肉类物质的现场、原位、快速、准确、低廉的检测方法目前还没有。

中国科学院合肥物质科学研究院纳米材料与环境检测实验室，在毒品、爆炸物和有机污染物的SERS检测方面开展看大量研究，取得了丰硕的成果[2-7]。本研究论文是作者利用寒暑假和节假日跟随家人“泡”在实验室，并开展研究性学习的一个具体案例。设计并合成SERS增强基底，利用便携式拉曼光谱仪，结合软件和智能算法，实现对不同种类的肉类快速准确智能识别。本研究的优势在于：(1)操作简单，取样量少：将制备好的小指甲盖大小的硅片基底与待测肉类接触擦拭一下即可；(2)快速简便：便携式仪器便于现场操作，并在5秒内给出判定结果；(3)成本低：一次检测成本在一毛钱左右；(4)智能：利用识别软件和数据库比对，直接给出肉的种类。下面是具体的研究内容。

2 实验部分

2.1 主要仪器

FEI Sirion-200场发射扫描电子显微镜(SEM)，岛津SHIMADZU-UV-2550型紫外-可见(UV-vis)分光光谱，LabRAM HR800共聚焦拉曼光谱仪，DeltaNu Inspector 便携拉曼光谱仪。

2. 2 试剂

HAuCl4(1%)、1%的柠檬酸钠、超纯水。

2.3 金纳米颗粒的制备

(1)实验装置包括三口烧瓶、冷凝管、油浴皿。原料从三口烧瓶的两侧加入，采用加热比较均匀油浴作为加热源，有利于合成单分散性较好的纳米颗粒。冷凝水循环水是下进上出，提高热交换的效率。(2)在三口烧瓶中加入99 mL的水，再加入1 mL的1%的HAuCl4,搅拌加热至沸腾；(3)立即加入2 mL的1%的柠檬酸钠，可以观察到溶液由浅黄色-紫色-红色-酒红色，继续加热30 min；(4)停止搅拌、加热及冷凝水，实验结束，冷却至室温；(5)将上述100 mL的溶胶离心浓缩至1 mL，待用。

2.4 SERS基底的制备

2.5 待测样品的制备

将上述SERS基底与待测肉类样品表面接触并擦拭一下即可。

2.6 SERS样品的检测

将上述制备好的样品，放在便携式拉曼光谱仪激光探头下进行检测。激发波长785纳米，收集时间3秒。

2.7 模型训练和数据库的建立

所获取的肉类SERS谱图采用化学计量学中的主成分分析(PCA)与支持向量机(SVM)来构建自动辨识模型，并建立不同种类肉品的样品数据库，对未知样本进行预测和识别。

3 结果与讨论

3.1 金纳米颗粒的性能表征

图1a所示为金纳米溶胶的紫外-可见吸收光谱图，其吸收峰的位置在534nm处，从图中可以看出峰形状相对对称，半高宽较窄，因此初步判断单分散性较好。取1 mL的Au溶胶在5000rpm转速下离心去除上清液后摇匀，然后滴加在硅片上，干燥后即为SERS基底。图1b是其扫描电子显微镜(SEM)照片，从图中可以看到其整体的单分散性较好，这与之前的UV-Vis结果相对应，这些粒子的尺寸大概为55 nm，理论显示该尺寸大小的纳米颗粒SERS增强效果较好。

图1 (a)金溶胶的紫外-可见吸收光谱；(b)金纳米颗粒的扫描电子显微镜图

3.2 四种肉类的SERS谱图分析

表面增强拉曼光谱因其能够提供分子的指纹信息、高灵敏度检测手段而广泛应用于化学、生物、环境等领域中。这里主要采用SERS技术来测量四种常见的肉类，从而确定其种类，甄别出不法商贩挂羊头卖狗肉之嫌。将制备好的SERS基底硅片分别与鸡肉、牛肉、羊肉、猪肉接触刮擦之后，分别进行拉曼光谱采集。如下图a1、b1、c1、d1分别给出浸沾有鸡肉、牛肉、羊肉和猪肉血水的SERS光谱图。根据谱图解析，鸡肉、牛肉、羊肉、猪肉，SERS光谱的主要信号来自于次黄嘌呤[11]，其特征峰的具体归属如表一所示。可以看出主要的特征峰位置相似，峰强度之比差别不大，这就给肉类的判别增加了难度。a2、b2、c2、d2分别为鸡肉、牛肉、羊肉和猪肉血水的20条SERS光谱图，其标准变差RSD分别为11.2%，13.5%，14.3%，9.7%，均小于20%，因此每种肉类谱峰的重复性和稳定性都特别好。又由于不同种类肉的SERS谱图差别不大，这为一步证实了直接给出肉的种类有很大的难度。因此需要借助其他识别技术进行识别。

表1 四种肉类样品的SERS谱峰的归属[11]

图2 a1、b1、c1、d1分别为鸡肉、牛肉、羊肉和猪肉血水的SERS光谱图。a2、b2、c2、d2分别为鸡肉、牛肉、羊肉和猪肉血水的20条SERS光谱图

3.3 四种肉类的智能算法分类

由上述结果可知，SERS光谱数据的重现性好，但差别小，需要时间和专业人士去分析而获取有效的信息。在现场检测中，我们想要得到的是直观性的结果，即肉的种类。考虑到数据处理，我们引进了智能算法化学计量学中的主成分分析(principal component analysis, PCA)和支持向量机(support vector machine, SVM)技术。PCA是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分分析经常用减少数据集的维数，同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。而SVM是一种基于统计学习理论的机器学习方法，针对小样本情况表现出的优良性能，目前被广泛应用于函数回归、模式识别和故障诊断等方面。支持向量机采用的是结构风险最小化准则训练学习机器，其建立在严格的理论基础之上，很好地解决了高维度数、非线性、局部极小点等问题。

在本研究中，采用PCA和SVM来构建自动辨识模型，并对未知样本进行预测。首先对光谱数据进行基线扣除，采用的方法是多项式拟合去除基线漂移；接着对扣除基线的光谱采用PCA进行光谱的主体成分获取(以累计贡献率为99%)；然后获得主成分数据经过归一化(将数据数值控制在0～1之间，此为后续SVM处理的必要步骤)后，抽取部分数据(全部数据的2/3)建立智能辨识(分类)模型，利用剩余数据对已构建模型进行测试。图3是四种肉类SERS谱图经PCA处理之后，前三主成分的得分图，由图可知，不同肉类的得分散点图在空间上的分布位置不同且重叠部分较少，而同一种肉类的空间分布趋于统一。因此，后续算法(SVM)可以很容易基于经PCA处理后的光谱数据对上述四种肉类进行区分，进而达到准确辨识的目的。

图3 鸡肉、牛肉、羊肉和猪肉SERS光谱经PCA处理后前三主成分的得分分布散点图；Pc1，Pc2和Pc3为前三主成分向量；a,b为不同角度呈现的同一得分散点图

实验环境使用的是C++，2G内存，Windows 7操作系统，语言使用的是Matlab 8.0。所建立的模型对未知样本进行预测，预测结果如图4所示，预测总体准确率为89%，对鸡肉、牛肉、羊肉及猪肉预测准确率分别为100%，90%，86%和80%，基本上达到实际应用要求。由此可以看我们得到的数据模型的准确率是非常高的。之所以能够达到这样高的准确率，是因为数据的稳定性和数据之间的特异性。也就说，在便携拉曼仪上运用SERS和SVM可以实现对肉类样品的现场快速检测判断。

图4 模型预测结果。其中测试样本是指未参与模型训练的样本；训练样本是指参与过模型训练的样本

4 结论

利用柠檬酸钠还原合成了55 nm大小单分散性较好的金纳米颗粒，离心浓缩滴加在硅片上成膜，构建出SERS增强基底。分析鸡肉、牛肉、羊肉和猪肉SERS谱图，得出每种肉类的谱峰重复性和稳定性好，不同种类肉的SERS谱图差别不大。采用PCA和SVM来构建自动辨识模型，并对未知样本进行预测。结果显示，预测总体准确率为89%，对鸡肉、牛肉、羊肉和猪肉四种肉预测准确率分别为100%，90%，86%和80%，达到实际应用要求。通过设置软件中结果的显示方式，可以快速得到直观的判断结果。这就更方便了执法人员在现场中的使用，也使得SERS技术转变为适合现场的实用化技术。

致谢：感谢中科院合肥物质科学研究院纳米材料与环境检测实验室提供的试验平台；感谢晏秀男姐姐(硕士生)指导合成金纳米颗粒和制备SERS基底，感谢葛美红姐姐(硕士生)一起采集拉曼光谱，感谢周彬斌哥哥(博士生)的SERS光谱解析，感谢翁士状哥哥(博士)在智能算法方面的指导和结果分析；感谢合肥市淠河路美华农家乐饭店提供的肉类样品。感谢杨良保研究员给予实验设计和方法指导。