黃偉+楊秀娟+張曦+曹志勇+鄧君明+甘文斌+高映紅+陶琳麗

摘 要：應用近紅外漫反射光譜技術（near infrared reflectance spectroscopy，NIRS），對滇南小耳豬和DLY商品豬的整塊、勻質肉糜、烘干粉、凍干粉的光譜建模分析，進行品種鑒別，并篩選出最優(yōu)的光譜建模方法。采集4 300～11 000 cm-1范圍內53 頭滇南小耳豬、58 頭DLY商品豬背最長肌整塊、勻質肉糜、烘干粉、凍干粉光譜數據。分別采用原始光譜、一階導數、二階導數、變量標準化、多元散射校正等方法進行光譜預處理，應用簇類獨立軟模式方法建立品種鑒別模型。其中80 個樣品作為校正集，余下31 個樣品作為驗證集。結果表明：DLY商品豬和滇南小耳豬整塊肉光譜模型對驗證集DLY商品豬識別率為100%，拒絕率為0%，對驗證集滇南小耳豬識別率為100%，拒絕率50%，效果不理想；勻質肉糜光譜模型對驗證集DLY商品豬識別率為100%，拒絕率為0%，對驗證集滇南小耳豬識別率為100%，拒絕率0%，效果不理想；烘干粉、凍干粉的近紅外光譜模型鑒別效果較好，驗證集的識別率和拒絕率均為100%。綜上，近紅外光譜分析方法可用于鑒別DLY商品豬和滇南小耳豬兩個品種。

關鍵詞：豬肉；近紅外光譜；簇類獨立軟模式；品種鑒別

The Use of Near-Infrared Reflectance Spectroscopy to Identify Pork from Diannan Small-Eared Pigs and

DLY Commercial Pigs

HUANG Wei1， YANG Xiujuan1，2， ZHANG Xi1，2， CAO Zhiyong3， DENG Junming1，2， GAN Wenbin4， GAO Yinghong， TAO Linli1，2，*

（1.College of Animal Science and Technology， Yunnan Agricultural University， Kunming 650201， China；

2. Yunnan Key Laboratory of Animal Nutrition and Feed， Kunming 650201， China； 3. College of Basis and Information， Yunnan Agricultural University， Kunming 650201， China； 4. Yunnan Veterinary Medicine and Forage Inspection Institution，

Kunming 650201， China； 5. Kunming Yunling-Grand Breeder Poultry Feed Co. Ltd.， Kunming 650215， China）

Abstract： Intact， ground， oven-dried and freeze-dried pork samples from Diannan small-eared pigs and DLY commercial pigs were analyzed for breed discrimination using spectral modeling by near infrared reflection spectroscopy （NIRS）. In order to select the optimal spectral modeling method， the spectra of intact， ground， oven-dried and freeze-dried samples of longissimus dorsi from 53 Diannan small-eared pigs and 58 DLY commercial pigs in the range of 4 300–11 000 cm-1 were acquired， and the original spectra were preprocessed by first derivative， second derivative， standardization of variables， and multiple scattering correction， respectively. The models for breed discrimination were established using soft independent modeling of class analogy （SIMCA）. Eight of the 111 samples were selected as calibration set， while the remaining 31 were included in validation set. Results showed that the recognition rate and rejection rate for DLY commercial pig in the validation set by the model of intact pork were 100% and 0， and those for Diannan small-eared pig in the validation set were 100% and 50%， respectively， which were unsatisfactory. Similarly， unsatisfactory recognition rate and rejection rate for both pig breeds in the validation set were obtained using the model of ground pork， which were 100% and 0， respectively. However， the models of oven-dried and freeze-dried pork exhibited good recognition performance， using which the recognition rate and rejection rate for the validation set were both 100%. To sum up， NIRS is useful to discriminate between Diannan small-eared pigs and DLY commercial pigs.

Key words： pork； near infrared spectroscopy （NIRS）； soft independent modeling of class analogy （SIMCA）； breed identification

DOI： 10.15922/j.cnki.rlyj.2016.04.008

中圖分類號：TS207.3 文獻標志碼：A 文章編號：1001-8123（2016）04-0035-06

引文格式：

黃偉， 楊秀娟， 張曦， 等. 近紅外光譜鑒別滇南小耳豬和DLY商品豬[J]. 肉類研究， 2016， 30（4）： 35-40. DOI： 10.15922/j.cnki.rlyj.2016.04.008. http：//rlyj.cbpt.cnki.net

HUANG Wei， YANG Xiujuan， ZHANG Xi， et al. The use of near-infrared reflectance spectroscopy to identify pork from diannan small-eared pigs and dly commercial pigs[J]. Meat Research， 2016， 30（4）： 35-40. （in Chinese with English abstract） DOI： 10.15922/j.cnki.rlyj.2016.04.008. http：//rlyj.cbpt.cnki.net

近紅外光譜分析技術作為一種綠色分析技術[1]，具有客觀、快速[2-3]、無損[4]、精確[5]、多指標[6-7]、可再現、易操

作[8]、經濟等優(yōu)點，在肉類的定量分析模型中可以精確地測定肉中的水分、蛋白質、脂肪等化學含量[9-12]，在肉類定性鑒別中的研究主要包括肉的等級鑒別[13]、品種鑒別[16]、物種鑒別[17-18]以及產地溯源、飼喂方式等鑒別研究[19-21]。

Monroy等[22]選擇宰后24 h的新鮮豬肉樣，每個等級樣品60 個，4 000～28 571 cm-1光譜范圍內掃描，進行等級分類鑒別，結果表明，可見光-近紅外光譜在豬肉等級分類應用的可能性。Moral[23]等選擇15 頭6 月齡杜洛克豬和15 頭12～14 月齡、125 kg的伊伯利亞豬進行兩品種鑒別，結果表明，對于兩個品種豬的判別正確率大于95%。Prieto等[24]選擇53 個4 歲成年牛的肉樣和67 個14 月齡以下青年牛的肉樣，對于兩種肉樣的鑒別率為100%。Cozzolino等[25]選擇牛肉、羊肉、豬肉、雞肉樣品分別100、140、44、48 個，結果表明，可見光和近紅外光能夠客觀、快速地鑒別不同物種的肉。Dian等[26]使用可見光-近紅外光譜區(qū)分牧草和濃縮料飼喂的羔羊，結果表明，能夠應用于不同飼喂方式的鑒別。Osorio等[27]選擇母羊飼喂和人工飼喂乳的羔羊，在4 000～9 090 cm-1光譜范圍內掃描，通過偏最小二乘法處理分析光譜，結果表明，近紅外光譜通過乳來源不同，能夠100%鑒別母羊和人工飼喂的羔羊。張寧等[28]采用近紅外光譜法結合簇類獨立軟模式法溯源羊肉產地，建立了羊肉產地的溯源模型。

滇南小耳豬是云南地方優(yōu)良地方品種之一，具有皮薄骨細、屠宰率高、肉質優(yōu)良、口感細嫩、肥而不膩、風味獨特等特點[29]，屬豬肉市場上的高端產品。DLY豬是利用國外引進的長白、約克與杜洛克公豬進行三元雜交生產的商品豬。DLY豬具有生長速度快、飼料轉化率高等特點[30-31]。隨著外來豬種的大范圍飼養(yǎng)及農戶生產、生活需求等的變化，滇南小耳豬的種群數量在逐漸減少，市場上也出現了以低價豬肉冒充滇南小耳豬肉的現象。因此，如何快速準確檢測出滇南小耳豬肉就顯得十分必要。

本研究選取波數范圍4 300～11 000 cm-1的近紅外光譜采用原始、一階導數（first derivative）、二階導數（second derivative）、多元散射校正（multiplicative scattering correction，MSC）、變量標準化（standard normalized variate，SNV）預處理光譜，主成分分析選取特征光譜，然后用有監(jiān)督的模式判別方法中的簇類獨立軟模式（soft independent modeling of class analogy，SIMCA）生成定性判據，判斷未知樣品屬于哪類，用識別率和拒絕率來判定模型的好壞。

1 材料與方法

1.1 材料

肉樣來源于云南邦格農業(yè)集團當天屠宰的滇南小耳豬和云南省昆明市盤龍區(qū)蒜村農貿市場訂購的DLY商品豬。

1.2 儀器與設備

傅里葉IRPrestige-21型變換紅外光譜儀及其近紅外附件、邁克爾遜干涉儀 日本島津公司；冷凍干燥機 北京博醫(yī)康實驗儀器有限公司；高速萬能粉碎機 溫嶺市林大機械有限公司；電動玻璃勻漿機 寧波新芝生物科技有限公司；電子天平 梅特勒-托利多儀器（上海）有限公司。

1.3 方法

1.3.1 樣品采集與處理

分別取53 頭30～60 kg的滇南小耳豬和58 頭90～130 kg的DLY商品豬的背最長肌，每個樣品取0.5 kg。然后，每個樣品取3 cm×3 cm×3 cm正方體肉塊，放入5絲的4號聚乙烯自封袋，進行光譜掃描，獲得整塊光譜數據。掃描結束后全部用絞肉機絞碎，再用電動玻璃勻漿機勻漿，最后用研缽研磨，使其充分混勻得到勻質肉糜，放入5絲的4號聚乙烯自封袋，掃描獲取勻質肉糜光譜。取樣進行水分測定。勻質肉糜0.25 kg放在（105±2） ℃的恒溫干燥箱中烘至恒質量，用粉碎機粉碎，過80 目篩，再次放入（105±2） ℃的烘箱中烘至恒質量，得到絕干粉，放入5絲的4號聚乙烯自封袋，掃描獲取絕干粉光譜。由于是采用熱風干燥方法烘干，實驗統(tǒng)一稱作烘干粉。剩余勻質肉糜用冷凍干燥機進行冷凍干燥處理，用粉碎機粉碎，過40目篩，再次放入冷凍干燥機恒質量，得到絕干粉，放入5絲的4號聚乙烯自封袋，掃描獲取絕干粉光譜。由于是采用冷凍干燥的方法，實驗統(tǒng)一稱為凍干粉。

1.3.2 光譜采集

使用島津IRPrestige-21型傅里葉變換紅外光譜儀及其近紅外附件，島津IRsolution1.50SU1采集光譜。由于樣品是放入5絲的4號聚乙烯自封袋中進行掃描獲得光譜，因此在光譜掃描時，首先對自封袋進行背景光譜采集。采用2 mm固體光纖探頭，使用Irsolution軟件采集樣品的漫反射光譜，波數范圍4 300～11 000 cm-1，分辨率8 cm-1，進行30 次掃描，將自封袋中整塊、肉糜、烘干粉、凍干粉每個樣品分別取3 個部位掃描，每個部位掃描3 次，取9 次的平均光譜曲線進行分析。

1.4 數據處理

分別用原始、一階導數、二階導數、SNV、MSC預處理，采用SIMCA法：第一步，先建立每一類的主成分分析模型得到樣本分類的基本印象；第二步，以未知樣本逐一去擬合各類主成分模型，從而進行判別分類，通過識別率和拒絕率來判斷鑒別模型的好壞。公式如下：

（1）

（2）

2 結果與分析

2.1 DLY商品豬和滇南小耳豬背最長肌4 300～11 000 cm-1光譜圖

Fig.4 Spectra of freeze-dried powder of longissimus dorsi of DLY commercial pig （a） and Diannan small-eared pig （b）

由圖1～2可知，DLY商品豬、滇南小耳豬的整塊肉光譜吸光度為0～1.2之間，肉糜光譜吸光度為0～1.4之間，肉糜光譜吸光度高于整塊肉光譜的吸光度，這可能與豬肉樣品的不同形態(tài)及肌纖維的不同形態(tài)有關，整塊和肉糜光譜形態(tài)不一樣，對光譜的吸光度不同。肉糜對光譜的吸光度更高。圖3～4光譜比圖1～2光譜的噪音明顯低，光譜波形也比較清晰。

2.2 DLY商品豬和滇南小耳豬背最長肌光譜圖比較分析

由圖5可知，DLY商品豬肉塊的光譜吸光度明顯高于滇南小耳豬。由圖6可知，DLY商品豬肉糜和滇南小耳豬肉糜基本一致，但吸光度還是DLY商品豬高于滇南小耳豬。由圖7～8可知，滇南小耳豬的烘干粉和凍干粉吸光度均高于DLY商品豬，這與豬肉塊和豬肉糜的結果相反，可能與水分含量的不同有關。兩種豬肉不同形態(tài)、不同處理方式均差異不大，光譜的差異有可能與品種差異有關，同一物種的光譜基本相同。

2.3 不同光譜預處理方法對豬肉品種鑒別的影響

由表1可知，兩個品種豬肉采用原始光譜、MSC、SNV、一階導數、二階導數光譜預處理建模分析，識別率均較高，但是拒絕率均很低，表明能夠識別出同一品種豬肉的機率較大，但同時將其他品種誤判為此品種的機率也較大，模型不可靠，不能夠用于實際鑒別中。

由表2可知，兩個品種豬肉糜采取原始光譜、MSC、SNV、一階導數、二階導數預處理光譜建模分析，識別率均較高，但是拒絕率均很低，與表1結果一致，表明能夠識別出同一品種豬肉的機率較大，但同時將其他品種誤判為此品種的機率也較大，模型不可靠，不能夠用于實際鑒別中。

由表3可知，原始光譜對兩個品種鑒別效果較好，校正集和驗證集的識別率和拒絕率均達到100%，所以本研究就沒有采用MSC、SNV、一階導數、二階導數等光譜預處理方法對原始光譜進行處理。這一結果表明整塊肉光譜以及肉糜光譜對DLY商品豬和滇南小耳豬品種鑒別效果較差，而烘干粉和凍干粉光譜對于兩品種鑒別效果較好?？赡苁怯捎谡麎K肉和勻質肉糜中含有水分含量較高（65%以上），而水分的光譜特征差異不顯著，所以比較難鑒別。

3 討 論

本研究結果表明，DLY商品豬與滇南小耳豬肉在整塊、勻質肉糜、烘干粉、凍干粉光譜上存在一定的差異，兩個品種豬肉可以通過定性分析模型來識別。但是整塊、勻質肉糜光譜預測效果不理想，烘干粉和凍干粉預測效果較好。

Moral等[23]在350～2 500 nm采集15 頭杜洛克豬和15 頭伊伯利亞豬的整塊肉光譜，數據采用人工神經網絡方法處理，結果表明，對于兩個品種豬的判別正確率大于95%。但是本研究整塊肉效果不理想，與其研究結果不一致，這可能與本實驗是選用了近紅外譜段，沒有掃描紅外譜段有關。在以后的研究中可以嘗試使用紅外譜段掃描DLY商品豬和滇南小耳豬，觀察效果。除此之外，還有數學方法上的差異。Dian等[26]選擇120 只牧草飼喂的羔羊和139 只濃縮料飼喂的羔羊，使用可見光-近紅外光譜區(qū)分牧草和濃縮料飼喂的羔羊，采用主成分分析法和偏最小二乘判別分析法對光譜數據進行了分析，在400～2 500 nm效果最好，對于濃縮飼料組判別正確率分別是98.6%、98.6%、97.8%，利用可見光和近紅外光譜對于牧草組和濃縮飼料組的鑒別率分別為97.8%、97.5%，能夠應用于不同飼喂方式的鑒別。本實驗將嘗試掃描紅外和近紅外光譜，進行結合，用不同的數學分析方法對整塊肉和肉糜進一步建模預測。

本研究與張寧等[28]研究結果一致，采用近紅外光譜法結合簇類獨立軟模式法溯源羊肉產地，建立了羊肉產地的溯源模型，在3 999～11 995 cm-1波長范圍內掃描凍干粉光譜，光譜經5點平滑與MSC方法處理，采用SIMCA方法建立了穩(wěn)健的羊肉產地溯源模型?？赡苁潜狙芯颗c張寧等[28]采用的光譜區(qū)間和數學方法基本一致。

本研究對整塊肉和肉糜效果不好，當試樣水分超過20%時，試樣的吸收峰將達到飽和，在這種情況下，其他成分的吸收有可能被這個強烈的吸收所淹沒，因此這個區(qū)域用來測定的試樣最好以水分低于20%的較干燥的物質較好[1]。而整塊和肉糜的含水量均高于65%，所以本研究采用烘干粉、凍干粉絕干樣光譜研究效果較好。

本研究的樣品數雖然符合建模要求[32]，但是對比來說涵蓋范圍不夠廣，今后可以通過擴大樣本量、樣品的來源進一步分析，擴大DLY商品豬和滇南小耳豬的數據庫，更精確地鑒別兩個品種的豬肉。

4 結 論

本研究表明，DLY商品豬和滇南小耳豬整塊肉、勻質肉糜的近紅外光譜模型鑒別兩品種效果不理想。而DLY商品豬和滇南小耳豬烘干粉、凍干粉的近紅外光譜模型鑒別效果較好，識別率和拒絕率均為100%。因此，近紅外光譜分析方法能夠鑒別DLY商品豬和滇南小耳豬兩個品種的豬肉。

參考文獻：

[1] 杰爾·沃克曼， 洛伊斯·文依. 近紅外光譜解析實用指南[M]. 褚小立， 許育鵬， 田高友， 譯. 北京： 化學工業(yè)出版社， 2009.

[2] 凌靜， 向洋. 近紅外光譜分析技術及其在肉類制品中的應用[J]. 肉類研究， 2008， 22（1）： 52-55.

[3] 楊紅菊， 姜艷彬， 候東軍， 等. 注膠肉的近紅外光譜快速判別分析[J]. 肉類研究， 2008， 22（11）： 62-64.

[4] 楊志敏， 丁武. 近紅外光譜技術快速鑒別原料肉摻假的可行性研究[J].

肉類研究， 2011， 25（2）： 25-28.

[5] PRIETO N， ROEHE R， LAV?N P， et al. Application of near infrared reflectance spectroscopy to predict meat and meat products quality： a review[J]. Meat Science， 2009， 83： 175-186. DOI：10.1016/j.meatsci.2009.04.016.

[6] 黃偉， 楊秀娟， 張燕鳴， 等. 近紅外光譜技術在肉類定性鑒別中的研究進展[J]. 肉類研究， 2014， 28（1）： 31-34.

[7] 陶琳麗， 楊秀娟， 鄧君明， 等. 畜禽化學成分近紅外光譜檢測技術研究進展[J]. 光譜學與光譜分析， 2013， 33（11）： 3002-3009.

[8] 開晗， 孔保華. 近紅外光譜檢測技術在肉類工業(yè)中的應用[J]. 肉類研究， 2011， 25（9）： 35-37.

[9] RIPOLL G， ALBERTI P， PANEA B， et al. Near-infrared reflectance spectroscopy for predicting chemical， instrumental and sensory quality of beef[J]. Meat Science， 2008， 80（3）： 697-702. DOI：10.1111/j.1365-2621.1991.tb08623.x.

[10] LIAO Y T， FAN Y X， CHENG F. On-line prediction of fresh pork quality using visible/near-infrared reflectance spectroscopy[J]. Meat Science， 2010， 86（4）： 901-907. DOI： 10.1016/j.meatsci.2010.07.011.

[11] T?GERSEN 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. DOI： 10.1016/S0309-1740（02）00113-4.

[12] 趙麗麗， 張錄達， 宋忠祥， 等. 近紅外光譜定量檢測腌臘肉制品品質的研究[J]. 光譜學與光譜分析， 2007， 27（1）： 46-49.

[13] BARBIN D F， ElMASRY G， SUN D W， et al. Near-infrared hyperspectral imaging for grading and classification of pork[J]. Meat Science， 2012， 90： 259-268. DOI：10.1016/j.meatsci.2011.07.011.

[14] SAVENIJE B， GEESINK G H， VANDER PALEN J G， et al. Prediction of pork quality using visible/near-infrared reflectance spectroscopy[J]. Meat Science， 2006， 73（1）： 181-184. DOI：10.1016/j.meatsci.2005.11.006.

[15] LIU L， NGACD M O， PRASHER S O， et al. Categorization of pork quality using Gabor filter-based hyper-spectral imaging technology[J].Journal of Food Engineering， 2010（99）： 284-293. DOI：10.1016/j.jfoodeng.2010.03.001.

[16] GUILL?N A， MORAL F D G， HERRERA L J， et al. Using near-infrared spectroscopy in the classification of white and iberian pork with neural networks[J]. Neural Computing & Applications， 2010， 19： 465-470. DOI：10.1007/s00521-009-0327-2.

[17] MAMANI-LINARES L W， GALLO C， ALOMAR D. Identification of cattle， llama and horse meat by near infrared reflectance or transflectance spectroscopy[J]. Meat Science， 2012， 79（90）： 378-385. DOI：10.1016/j.meatsci.2011.08.002.

[18] 趙紅波， 譚紅， 史會兵， 等. 近紅外光譜技術鑒別豬肉和牛肉的研究[J].

中國農學通報， 2011， 27（26）： 151-155.

[19] KAMRUZZAMAN M， ElMASRY G， SUN D W， et al. Application of NIR hyperspectral imaging for discrimination of lamb muscles[J].Journal of Food Engineering， 2011， 104（3）： 332-340. DOI：10.1016/j.jfoodeng.2010.12.024.

[20] ANDR?S S， MURRAY I， NAVAJAS E A， et al. Prediction of sensory characteristics of lamb meat samples by near infrared reflectance spectroscopy[J]. Meat Science， 2007， 76： 509-516. DOI：10.1016/j.meatsci.2007.01.011.

[21] DEMARCHI M， BERZAGHI P， BOUKHA A， et al. Use of near infrared spectroscopy for assessment of beef quality traits[J].Italian Journal of Animal Science， 2007， 6： 421-423. DOI： 10.4081/ijas.2007.1s.421.

[22] MONROY M， PRASHER S， NGADI M O， et al. Pork meat quality classification using visible/near-infrared spectroscopic data[J]. Biosystems Engineering， 2010， 107： 271-276. DOI： 10.1016/j.biosystemseng.2010.09.006.

[23] MORAL F G， GUILL?N A， MORAL L G， et al. Duroc and Iberian pork neural network classification by visible and near infrared reflectance spectroscopy[J]. Journal of Food Engineering， 2009， 90： 540-547. DOI：10.1016/j.jfoodeng.2008.07.027.

[24] PRIETO N， ANDRES S， GIRALDEZ F J， et al. Discrimination of adult steers （oxen） and young cattle ground meat samples by near infrared reflectance spectroscopy （NIRS）[J]. Meat Science， 2008， 79（1）： 198-201. DOI： 10.1016/j.meatsci.2007.08.001.

[25] COZZOLINO D， MURRAY I. Identification of animal meat muscles by visible and near infrared reflectance spectroscopy[J]. LWT-Food Science and Technology， 2004， 37（4）： 447-452. DOI： 10.1016/j.lwt.2003.10.013.

[26] DIAN P H M， ANDUEZA D， JESTIN M， et al. Comparison of visible and near infrared reflectance spectroscopy to discriminate between pasture-fed and concentrate-fed lamb carcasses[J]. Meat Science， 2008， 80： 1157-1164. DOI：10.1017/S1751731115001172.

[27] OSORIO M T， ZUMALAC?RREGUI J M， PRIETO N， et al. Differentiation between carcasses from suckling lambs reared with ewe milk or milk replacers by near infrared reflectance spectroscopy of perirenal fat[J]. Small Ruminant Research， 2007， 72： 221-226. DOI：10.1016/j.smallrumres.2006.10.011.

[28] 張寧， 張德權， 李淑榮， 等. 近紅外光譜結合SIMCA法溯源羊肉產地的初步研究[J]. 農業(yè)工程學報， 2008， 24（12）： 309-312.

[29] 鄧祖洪， 吳茂霞， 罕文珍. 滇南小耳豬產業(yè)化發(fā)展對策探討[J]. 云南畜牧獸醫(yī)， 2009（5）： 10-12.

[30] 張正榮. 對DLY三元雜交生豬生產中出現毛色分離現象的研究[J]. 四川畜牧獸醫(yī)， 2007（11）： 27-29.

[31] 宋鎮(zhèn). DLY三元雜商品豬生產性能的測定[J]. 中國畜禽種業(yè)， 2014（8）： 59-60.

[32] 陸婉珍. 現代近紅外光譜分析技術[M]. 2版. 北京： 中國石化出版社， 2010.