許倩等

摘 要：利用近紅外光譜分析技術(shù)建立冰溫貯藏牛肉品質(zhì)的快速定量檢測方法。采用近紅外光譜技術(shù)建立近紅外光譜的pH值、失水率、揮發(fā)性堿基總氮、色差值（L*/a*）的校正模型，能同時(shí)預(yù)測出牛肉樣品的多項(xiàng)品質(zhì)指標(biāo)。結(jié)果表明：建立的校正模型相關(guān)系數(shù)都在0.70以上，校正模型的預(yù)測值與真實(shí)值決定系數(shù)均在0.90以上，具有較高的預(yù)測準(zhǔn)確度。并且利用聚類分析的方法對不同貯藏階段肉品近紅外光譜的數(shù)據(jù)進(jìn)行了分類處理，聚類分析結(jié)果證明，近紅外反射光譜對牛肉的新鮮程度有著較好的分類結(jié)果。近紅外光譜技術(shù)能夠替代傳統(tǒng)方法快速、非破壞地評價(jià)牛肉的肉品質(zhì)及新鮮程度。

關(guān)鍵詞：近紅外光譜；冰溫貯藏；牛肉；品質(zhì)；校正模型

Abstract： In this experiment， a rapid quantitative detection method was proposed by near infrared spectroscopy （NIR） for beef quality during ice temperature storage. The calibration models of beef pH， water loss， TVB-N and color value （L*/a*） were established by NIR technique allowing the simultaneous predication of several beef quality indicators. The correlation coefficient （R2） of the calibration models were all above 0.70 and the R2 values for the predicted and actual values were all above 0.90. The calibration models had high prediction accuracy. Furthermore， cluster analysis was used to categorize the near infrared spectral data of beef stored for different durations. The results showed that based on the near infrared spectral data meat freshness was categorized well. NIR is suitable for rapid and non-invasive estimation beef quality and freshness as an alternative to the traditional detection method.

Key words： near infrared spectroscopy （NIR）； controlled freezing point storage； beef； quality； calibration model

中圖分類號：TS251.1 文獻(xiàn)標(biāo)志碼：A 文章編號：1001-8123（2015）03-0023-04

doi： 10.7506/rlyj1001-8123-201503006

目前，對牛肉品質(zhì)指標(biāo)的檢測仍較常采用感官檢驗(yàn)、理化檢驗(yàn)與微生物學(xué)檢驗(yàn)相結(jié)合的綜合檢驗(yàn)方法，得出的感官檢驗(yàn)結(jié)論會因感覺器官的局限性、人的主觀性造成出入[1-6]，而理化檢驗(yàn)操作復(fù)雜，測定過程耗時(shí)、耗力，不易進(jìn)行大批量的快速檢測[3-6]，食品行業(yè)與檢驗(yàn)部門迫切需求一種快速、非破壞性和客觀的檢測技術(shù)。其中，近紅外光譜技術(shù)（near infrared spectroscopy，NIR）的應(yīng)用，很好地解決了傳統(tǒng)檢測方法帶來的弊端[3]。

近紅外光譜分析技術(shù)是利用物質(zhì)含氫基團(tuán)振動的合頻和倍頻吸收信息進(jìn)行物質(zhì)的定性和定量分析的一種快速檢測方法[4，6]。由于食品中的大多數(shù)有機(jī)化合物如蛋白質(zhì)、脂肪、有機(jī)酸、碳水化合物等都含有不同的含氫基團(tuán)，不同的基團(tuán)在近紅外區(qū)域具有不同的吸收位置，據(jù)此可對物質(zhì)進(jìn)行定性分析，根據(jù)吸收強(qiáng)度和物質(zhì)含量的線性關(guān)系，又能對物質(zhì)進(jìn)行定量分析。具有分析速度快、信息量大、多組分同時(shí)測定、無損樣品、無污染等優(yōu)點(diǎn)，符合當(dāng)前工業(yè)生產(chǎn)的需求，目前在食品領(lǐng)域已應(yīng)用于鮮肉及肉制品中營養(yǎng)成分和品質(zhì)的檢測[4，6-11]。

本研究通過采集冰溫條件下牛霖肉在貯藏期內(nèi)的近紅外光譜數(shù)據(jù)，同時(shí)采用傳統(tǒng)方法測定常規(guī)肉品質(zhì)指標(biāo)如pH值、失水率、揮發(fā)性堿基總氮（total volatile basic nitrogen，TVB-N）、色差值，以偏最小二乘法建立這些指標(biāo)的校正模型。并且利用聚類分析的方法對不同貯藏階段肉品近紅外光譜的數(shù)據(jù)進(jìn)行分類處理。旨在為利用近紅外光譜分析技術(shù)快速評價(jià)冷鮮牛肉品質(zhì)和鮮度提供相關(guān)實(shí)驗(yàn)依據(jù)。

1 材料與方法

1.1 材料與試劑

屠宰12 h內(nèi)的鮮牛霖肉（冷鏈貯藏） 市購。

稀硫酸、碳酸鉀、硼酸、甘油、阿拉伯膠、甲基紅、次甲基藍(lán)、乙醇均為分析純。

1.2 儀器與設(shè)備

數(shù)顯溫度計(jì) 天津市科輝儀表廠；JY3001型電子天平、JA-1104N型電子天平（感應(yīng)量為0.000 1 g）、HJ-6A型多頭磁力攪拌器 江蘇省金壇市文華儀器有限公司；PH100型筆式pH計(jì) 上海三信儀表廠；雙夾板壓力計(jì) 實(shí)驗(yàn)室自制；WSC-S測色色差計(jì) 上海精密科學(xué)儀器有限公司；NIT-38近紅外光譜分析儀 澳大利亞NIR Techno1ogy公司。

1.3 方法

1.3.1 肉樣處理

將鮮牛霖肉（冷鏈貯藏，樣品采至同一頭牛同一部位），采用內(nèi)裝冰袋的泡沫保溫箱4 ℃運(yùn)回，去除附著的脂肪和結(jié)締組織，平均分割成小份總共11份，每份100 g（6.5 cm×4 cm×4 cm），不進(jìn)行包裝處理，置于溫度為―1 ℃（冰溫）冰箱變溫區(qū)貯藏（冰箱內(nèi)相對濕度70%）。各項(xiàng)指標(biāo)每2 d測定1 次，每次測定時(shí)從每組中各取1份測定肉的各項(xiàng)指標(biāo)，每項(xiàng)指標(biāo)重復(fù)測定3 次，結(jié)果取平均值，共連續(xù)測量21 d。

1.3.2 肉樣品質(zhì)指標(biāo)測定

pH值測定[12-13]：采用電表pH計(jì)測定法，將pH計(jì)直接插入被檢肉新鮮切面上讀取pH值，依次取3 個(gè)測試點(diǎn)。

失水率測定[13]：將肉樣切為1.0 mm厚度，用直徑2.523 cm圓形取樣器切取肉樣，用感量為0.000 1 g天平稱質(zhì)量，然后將肉樣上下各墊6 層濾紙，置于35 kg壓力計(jì)上壓制5 min，撤除壓力后立即稱質(zhì)量，計(jì)算失水率。

TVB-N測定：按照GB/T 5009.44—2003《肉與肉制品衛(wèi)生標(biāo)準(zhǔn)的分析方法》中微量擴(kuò)散法測定樣品的TVB-N測定。

色差值測定[12]：將肉樣切成厚薄均勻的薄片，放入WSC-S測色色差計(jì)樣品池中，鋪平，測定其L*值、a*值。

1.3.3 樣品近紅外光譜采集

將肉樣切成厚薄均勻的薄片，放入厚度為15 mm的樣品池內(nèi)，保持樣品均勻鋪平，在720～l 100 nm近紅外光譜區(qū)范圍內(nèi)進(jìn)行透射掃描，每次測定對每份樣品連續(xù)掃描3次，取平均值[4]，以獲得樣品每個(gè)檢測日的近紅外光譜數(shù)據(jù)，共連續(xù)測量21 d。

1.3.4 近紅外光譜數(shù)學(xué)模型的建立

將樣品集分成校正集和驗(yàn)證集，采用一階導(dǎo)數(shù)（first derivative，F(xiàn)D）、二階導(dǎo)數(shù)（second derivative，SD）、標(biāo)準(zhǔn)正態(tài)變換（standard normal variate，SNV）和多元散射校正（multipl scatter correction，MSC）等方法對所獲得的近紅外光譜數(shù)據(jù)進(jìn)行預(yù)處理，利用分析建模軟件NTAS（NIR Technology Australia Software）通過偏最小二乘法（partialleast squares regression，PLS）對校正集樣品的pH值、失水率、TVB-N、色差值等肉質(zhì)指標(biāo)建立近紅外光譜校正模型[4]。

1.3.5 模型的驗(yàn)證

選用未參與校正模型建立的樣品組成驗(yàn)證集，將驗(yàn)證集樣品的近紅外光譜數(shù)據(jù)代入到校正模型中，通過校正模型計(jì)算獲得樣品樣品肉質(zhì)指標(biāo)的預(yù)測值，最后根據(jù)預(yù)測值與樣品肉質(zhì)指標(biāo)的真實(shí)值（實(shí)驗(yàn)值）的接近程度，來衡量校正模型預(yù)測值的準(zhǔn)確度[14]。

1.3.6 聚類分析

聚類分析是通過找出指標(biāo)之間能代表其相近程度的統(tǒng)計(jì)量，以這些統(tǒng)計(jì)量為劃分類別的依據(jù)，找出指標(biāo)間的共性和變化規(guī)律。分類過程中，首先將差異較小的聚合為一類，然后根據(jù)指標(biāo)間的親疏程度，將差異最小的兩類進(jìn)行合并。然后考慮合并后的類與其他類之間的親疏程度，再進(jìn)行合并。如此不斷重復(fù)比較直至將所有指標(biāo)聚合分類完畢[6，15-17]。采用可用聚類分析的方法研究不同貯藏階段肉的近紅外光譜的變化規(guī)律和分類結(jié)果。

1.4 數(shù)據(jù)處理

使用SPSS 19.0進(jìn)行數(shù)據(jù)分析。對pH值、失水率、TVB-N、色差值等數(shù)據(jù)進(jìn)行求平均值和標(biāo)準(zhǔn)偏差處理，并且對每個(gè)測定參數(shù)進(jìn)行ANOVA分析。

2 結(jié)果與分析

2.1 牛肉樣品的近紅外光譜分析

圖1為貯藏期間牛肉樣品集不同貯藏時(shí)間下的近紅外原始光譜圖，樣品的圖譜形狀大致相同，峰值都出現(xiàn)在920 nm附近。在短波近紅外區(qū)（780～1 100 nm），其主要的吸收物質(zhì)是水分、脂肪和蛋白質(zhì)，其吸收峰分別在964、928、908 nm波長處[14]。牛肉在不同貯藏時(shí)間下的近紅外光譜吸光度有差異，可以間接證明隨著貯藏時(shí)間的延長牛肉中水分、脂肪和蛋白質(zhì)含量在變化，而三大組分的含量變化直接關(guān)系到牛肉的pH值、失水率、TVB-N、肉色等指標(biāo)，因此利用近紅外光譜技術(shù)對這幾項(xiàng)指標(biāo)進(jìn)行預(yù)測是可行的。

2.2 近紅外光譜模型的建立

近紅外光譜譜線包含復(fù)雜的化學(xué)信息，存在樣品不同組分之間相互干擾、譜峰相互掩蓋等問題。另外，還包含一些與待測樣品性質(zhì)無關(guān)的因素帶來的干擾，如樣品裝樣均勻度、裝樣狀態(tài)或儀器狀態(tài)等，都會導(dǎo)致光譜產(chǎn)生基線漂移或偏移、背景干擾等現(xiàn)象。因此在建立校正模型之前對近紅外原始光譜進(jìn)行預(yù)處理是很有必要的，常用的預(yù)處理方法有光程校正，如MSC和SNV；微分處理，如FD和SD[18]。

由表1可知，在建立的模型中，對pH值采用SNV處理后的光譜數(shù)據(jù)進(jìn)行建模，對失水率、TVB-N、L*值和a*值采用二階導(dǎo)數(shù)處理后的光譜數(shù)據(jù)進(jìn)行建模，建立的模型標(biāo)準(zhǔn)誤差SEC最小或相關(guān)系數(shù)R2最大，各模型的結(jié)果均達(dá)到最理想。采用SNV處理后的光譜數(shù)據(jù)，pH值校正模型的相關(guān)系數(shù)是0.932，是所建立的模型中效果最理想的一個(gè)。采用二階導(dǎo)數(shù)處理后的光譜數(shù)據(jù)，失水率校正模型相關(guān)系數(shù)為0.848；TVB-N的校正模型相關(guān)系數(shù)為0.926；L*值的校正模型相關(guān)系數(shù)為0.810；a*值的校正模型相關(guān)系數(shù)為0.749。

對各指標(biāo)校正模型的準(zhǔn)確性產(chǎn)生影響的因素較多，包括樣品代表性、檢測環(huán)境條件、儀器靈敏度、響應(yīng)特性等，而此次建立的校正模型相關(guān)系數(shù)都在0.70以上，具有較好的相關(guān)性，可滿足牛肉常規(guī)品質(zhì)的檢測。

2.3 近紅外光譜模型的驗(yàn)證

目前研究多采用相關(guān)圖的方法來分析考察校正模型對樣品預(yù)測的預(yù)測值（y）和樣品真實(shí)值（x）的接近程度[14，19-20]。選用未參與校正模型建立的樣品組成驗(yàn)證集（驗(yàn)證集樣品數(shù)為19），將驗(yàn)證集樣品的近紅外光譜數(shù)據(jù)代入到校正模型中，通過校正模型計(jì)算獲得樣品肉質(zhì)指標(biāo)的預(yù)測值，用最小二乘法對預(yù)測值和真實(shí)值進(jìn)行一元線性擬合，根據(jù)預(yù)測值與真實(shí)值的線性相關(guān)性，來衡量校正模型的預(yù)測值的準(zhǔn)確度[14]。通常用相關(guān)系數(shù)R2來度量擬合程度，（R2）越接近于1，則說明預(yù)測值和真實(shí)值越接近，校正模型的預(yù)測準(zhǔn)確度越高[21]。

由圖2可知，各個(gè)預(yù)測模型的真實(shí)值與預(yù)測值的R2均在0.90以上，說明預(yù)測值與真實(shí)值比較接近，可對未知樣品進(jìn)行預(yù)測。相關(guān)性分析結(jié)果說明校正模型的預(yù)測值與真實(shí)值接近程度較高，利用近紅外光譜分析法對牛肉品質(zhì)及鮮度進(jìn)行檢測和品質(zhì)快速評價(jià)檢測可信度高。

2.4 聚類分析

為了確定肉樣光譜數(shù)據(jù)隨貯藏時(shí)間的變化規(guī)律，對樣品集連續(xù)21 d每2 d的原始光譜數(shù)據(jù)做了系統(tǒng)聚類分析。對貯藏期間樣品的原始光譜數(shù)據(jù)采用“歐氏距離”，聚類方法選“最遠(yuǎn)鄰元素法”進(jìn)行分析，結(jié)果如圖3所示。

由圖3可知，樣品集21 d的光譜可明顯的分為2 類，第1類是樣品集前15 d的光譜值；第2類為17～21 d的光譜值。從第1類分類結(jié)果看，第1～5天的數(shù)據(jù)與第7～15天的數(shù)據(jù)分成兩個(gè)小類。由聚類分析的結(jié)果可推測出，前5 d樣品處于新鮮程度變化的初期，7～15 d為腐敗變化的過渡期，最后17～21 d樣品加速腐敗，故光譜明顯區(qū)別于前15 d的情況。

牛肉變質(zhì)是一個(gè)漸進(jìn)的過程，牛肉從新鮮到次鮮再到變質(zhì)的變化，就是肉中成分在逐漸腐敗變性的原因。比如汁液流失導(dǎo)致的水分及水中可溶性物質(zhì)被帶出、碳水化合物的消耗、蛋白質(zhì)的分解、脂肪的氧化，這些物質(zhì)成分發(fā)生的變化，都能導(dǎo)致肉的近紅外光譜吸收系數(shù)、散射系數(shù)發(fā)生改變。在不同的貯藏階段對肉進(jìn)行光譜掃描，光譜信息中將攜帶吸收系數(shù)、散射系數(shù)的變化特征，從而可以實(shí)現(xiàn)對肉新鮮度的分類。由實(shí)驗(yàn)結(jié)果可知，利用近紅外漫反射光譜對牛肉的新鮮程度有著較好的分類結(jié)果。

3 結(jié) 論

牛肉在貯藏過程中的腐敗變質(zhì)是一個(gè)非常復(fù)雜的物理化學(xué)過程，采用常規(guī)理化方法結(jié)合感官檢測可以對肉品質(zhì)進(jìn)行檢測，但步驟繁瑣且耗時(shí)。本實(shí)驗(yàn)采用近紅外光譜技術(shù)建立了牛肉近紅外光譜pH值、失水率、TVB-N、色差值（L*/a*）的校正模型，能同時(shí)預(yù)測出牛肉樣品的多項(xiàng)品質(zhì)指標(biāo)。建立的校正模型相關(guān)系數(shù)都在0.70以上，具有較好的相關(guān)性。校正模型的預(yù)測值與真實(shí)值接近程度較高，決定系數(shù)均在0.90以上，具有較高的預(yù)測準(zhǔn)確度。可滿足牛肉常規(guī)品質(zhì)的檢測。

利用聚類分析的方法對不同貯藏階段肉品近紅外光譜的數(shù)據(jù)進(jìn)行了分類處理，聚類分析的結(jié)果表明近紅外反射光譜對牛肉的新鮮程度有著較好的分類結(jié)果，為近紅外光譜快速非破壞性的檢測肉品新鮮度提供了進(jìn)一步的依據(jù)。與傳統(tǒng)的化學(xué)分析方法相比，該技術(shù)可快速、非破壞評價(jià)牛霖肉的肉品質(zhì)及新鮮程度。

參考文獻(xiàn)：

[1] 鮮于建川. 冷卻牛肉質(zhì)量評定系統(tǒng)研究與開發(fā)[D]. 長春： 吉林大學(xué)， 2002.

[2] 莊玉亭， 趙月蘭. 肉品新鮮度檢測方法[J]. 河北科技大學(xué)學(xué)報(bào)， 1999， 20（2）： 63-65.

[3] 徐廣通， 袁洪福， 陸婉珍. 現(xiàn)代近紅外光譜技術(shù)及應(yīng)用進(jìn)展[J]. 光譜學(xué)與光譜分析， 2000， 20（2）： 134-142.

[4] 陳育濤， 朱秋勁， 盧開紅， 等. 近紅外光譜對特征部位牛肉的分析[J]. 肉類研究， 2012， 26（3）： 34-38.

[5] 侯瑞鋒， 黃嵐， 王忠義， 等. 肉品新鮮度檢測方法[J]. 現(xiàn)代科學(xué)儀器， 2006（5）： 76-80.

[6] 侯瑞鋒， 黃嵐， 王忠義， 等. 用近紅外漫反射光譜檢測肉品新鮮度的初步研究[J]. 光譜學(xué)與光譜分析， 2007， 26（12）： 2193-2196.

[7] WANG Wenbo， PALIWAL J. Near-infrared spectroscopy and imaging in food quality and safety[J]. Sensing and Instrumentation for Food Quality and Safety， 2007， 1（4）： 193-207.

[8] PRIETO N， ANDRES S， GIRALDEZ F， et al. Potential use of near infrared reflectance spectroscopy（NIRS）for the estimation of chemical composition of oxen meat samples[J]. Meat Science， 2006， 74： 478-496.

[9] LEROY B， LAMBOTTE S， DOTREPP O， et al. Prediction of technological and organoleptic properties of beef longissimus thoracis from near-infrared reflectance and transmission spectra[J]. Meat Science， 2004， 66： 45-54.

[10] TOGERSEN G， ARNESEN J F， NILSEN B N， et al. On-line prediction of chemical composition of semi-frozen ground beef by non-invasive NIR spectroscopy[J]. Meat Science， 2003， 63： 515-523.

[11] SHACKELFORD S D， WHEELER T L， KOOHMARAIE M. Development of optimal protocol for visible and near-infrared reflectance spectroscopic evaluation of meat quality[J]. Meat Science， 2004， 68（3）： 371-381.

[12] 許倩， 朱秋勁， 葉春， 等. 低場核磁共振分析冰溫牛肉中不同狀態(tài)水分變化[J]. 肉類研究， 2013， 27（5）： 17-21.

[13] 周永昌， 王文升， 等. 畜產(chǎn)品加工實(shí)驗(yàn)指導(dǎo)[M]. 北京： 中國農(nóng)業(yè)出版社， 1999： 55-56.

[14] ALOMAR D， GALLO C， CASTANTEDA M， et a1. Chemical and discriminant analysis of bovine meat by near infrared reflectance spectros-copy（NIRS）[J]. Meat Science， 2003， 63（4）： 441-450.

[15] 肖宜濱. 聚類分析的理論及其應(yīng)用[J]. 江蘇統(tǒng)計(jì)， 2001（11）： 13-15.

[16] 王駿， 王士同， 鄧趙紅. 聚類分析研究中的若干問題[J]. 控制與決策， 2012， 27（3）： 321-328.

[17] 郭培源， 林巖， 付妍， 等. 基于近紅外光譜技術(shù)的豬肉新鮮度等級研究[J]. 激光與光電子學(xué)進(jìn)展， 2013， 50（3）： 180-186.

[18] 劉煒， 吳昊旻， 孫東東， 等. 近紅外光譜分析技術(shù)在鮮雞肉快速檢測分析中的應(yīng)用研究[J]. 中國家禽， 2009， 31（2）： 8-11.

[19] LOMIWES D， REIS M M， WIKLUND E， et a1. Nearinfrared spectros-copy as an on-line to quantitatively determine glycogen and predict ultimate pH in pre rigor bovine M.1ongissimus dorsi[J]. Meat Science， 2010， 86（4）： 999-1004.

[20] ANDRES S， SILVA A， SOARES-PEREIRA A L， et a1. The use of visible and near infrared reflectance spectroscopy to predict beef M.longissimus thoracis et lunborum quality attributes[J]. Meat Science， 2008， 78（3）： 217-224.

[21] 甘健勝. 概率論與數(shù)理統(tǒng)計(jì)[M]. 北京： 清華大學(xué)出版社， 2005： 225.