何鴻舉，朱亞東，王 慧，馬漢軍,2，陳復生，劉 璽，賈方方，康壯麗，劉 紅，朱明明，趙圣明，王正榮，劉蘇漢

（1.河南科技學院食品學院，河南 新鄉(xiāng) 453003；2.河南科技學院博士后研發(fā)基地，河南 新鄉(xiāng) 453003；3.河南工業(yè)大學糧油食品學院，河南 鄭州 450001；4.商丘師范學院生物與食品學院，河南 商丘 476000；5.海南師范大學化學與化工學院，海南 海口 571158；6.河南科技學院新科學院，河南 新鄉(xiāng) 453003）

禽類（雞、鴨、鵝）肉制品以其低廉的價格、豐富的蛋白質含量、鮮嫩的口感等優(yōu)勢深受廣大消費者喜愛[1-2]。近年來，隨著禽類養(yǎng)殖業(yè)的飛速發(fā)展以及人們生活水平的不斷提高，消費者對禽類肉制品的要求也從解決溫飽問題轉變?yōu)閷η萑馄焚|（色澤、口感、營養(yǎng)價值及衛(wèi)生指標）能達到更高的要求[3]。盡管我國肉品產業(yè)發(fā)展迅速，但依然存在以次充好、以假亂真等現(xiàn)象，這些安全問題使得消費者對肉制品質量有所擔憂。我國高度重視食品安全問題，不僅制定了肉制品相關的法律法規(guī)[4]，還鼓勵科研人員積極研發(fā)快速檢測技術及相應設備，以滿足企業(yè)和市場需求，確保肉制品質量。

近紅外光譜（near-infrared spectroscopy，NIRS）技術，作為一種高效、快速、環(huán)保、無損同時又能進行定性和定量分析的綠色技術，近些年來得到了廣大科研工作者的關注。研發(fā)應用NIRS快速檢測設備已經成為近年的研究熱點之一，尤其是將該技術應用于農畜產品貯藏與加工品質控制方面[5]。近紅外光是介于可見光和中紅外光之間的電磁波束，其波長范圍在780～2 526 nm之間，有機物的NIRS吸收主要基于含氫基團（主要包括O—H、N—H、S—H等）的伸縮、振動、彎曲所引起的倍頻和合頻吸收。朗伯-比爾吸收定律指出，待測物樣品的光子吸收光譜特性和樣品的化學組成密切相關，由于有機物包含蛋白質、脂肪、碳水化合物、有機酸等含氫化合物，因此通過NIRS吸收圖像可以檢測出待測樣品的主要結構和組成成分，并通過對NIRS圖像分析和數(shù)據處理可以進一步得出待測樣品的具體信息[6]。

目前，NIRS技術在肉品質量中的應用研究取得了諸多成果[7]，尤其在禽肉的檢測方面已進行了大量的研究。本文主要綜述了NIRS技術在禽肉品質快速檢測方面的最新研究進展，主要涉及到禽肉的物理屬性、化學成分以及微生物污染等方面，并對NIRS技術在禽肉類品質上的應用做出展望。

1 NIRS技術應用于雞肉質量檢測

1.1 物理特性檢測

1.1.1 色澤

表 1 NIRS技術檢測雞肉色澤的相關研究Table 1 Application of NIRS for the detection of chicken color

色澤是感官評定的一項重要指標，禽肉的顏色與肌肉中肌紅蛋白、血紅蛋白和細胞色素的含量有關[8]。肌肉的顏色特征是消費者直接觀察到的肉品特征，色澤的優(yōu)劣會直接影響消費者的購買欲。肌肉的色澤通常用色差計測定亮度（L*值）、紅度（a*值）、黃度（b*值）加以評價[9-10]。運用NIRS技術檢測雞肉色澤參數(shù)已有報道。Liu Yongliang等[11]采集144 個雞肉樣品在400～1 850 nm范圍內的光譜數(shù)據，建立色澤參數(shù)的偏最小二乘回歸（partial least squares regression，PLSR）模型，得到L*、a*和b*值校正模型的相關系數(shù)（Rc2）分別為0.84、0.83和0.78，其中僅L*和b*值的預測效果較好。經多元散射校正（multiplicative scatter correction，MSC）和求導預處理光譜后，Samuel[12]和de Marchi[13]等建立的PLSR模型預測雞肉色澤效果反而降低，這可能與預處理方法有關。經主成分分析（principal component analysis，PCA）預處理光譜并利用加權回歸系數(shù)法選取最優(yōu)波長建立PLSR模型[14]，預測效果和Liu Yonglian等[11]等研究相似。最近的研究中，Yang Yi等[15]采集400～2 500 nm光譜數(shù)據，利用回歸系數(shù)（regression coefficients，RC）法選取最優(yōu)波長的預測效果并不理想。這可能與最終波長選擇后，部分重要光譜信息缺失有關。Jiang Hongzhe等[16]在不同的波段下運用相同的最優(yōu)波長提取方法和建模方法得到L*值模型預測精度較好，但a*、b*值不理想。盡管NIRS技術預測雞肉色澤研究存在差異（表1），但因其快速無損大批量檢測優(yōu)勢，未來可繼續(xù)深入研究，可以考慮針對不同的指標選擇不同的光譜預處理方式和模型建立方法，以提高預測色澤效果。

1.1.2 嫩度

嫩度也是評定雞肉品質優(yōu)劣的一個重要指標，其影響雞肉的口感和風味。雞肉嫩度主要由以下3 個方面影響：蛋白質結構特征、肌間脂肪含量以及肌纖維數(shù)量[17]。剪切力常被用于評定肉嫩度的優(yōu)劣[18]，但使用質構儀測定時需要破壞樣品。熊振杰[8]采集400～1 000 nm范圍內可見NIRS圖像，通過對比RC與連續(xù)投影算法（successive projections algorithm，SPA）選出12 個最優(yōu)波長建立PLSR模型預測雞肉嫩度，但效果不理想。在相同波長范圍內，王正偉等[19]采用權重逐步回歸法篩選最優(yōu)波長建立多元線性回歸模型（multivariate linear regression，MLR）提高了NIRS技術對雞肉嫩度的預測效果（RP＝0.94，RMSEP＝1.97 kg）。這說明選擇合適的波長和建模方法可有效提高雞肉嫩度預測精度。

1.1.3 pH值

pH值直接關系到肉的嫩度、腐敗程度和新鮮度等相關指標[20]。運用NIRS技術對雞肉的pH值進行預測已有報道。de Marchi等[13]掃描獲取193 個雞肉樣品的NIRS信息（350～1 800 nm），通過吸收光譜值lg（1/R）建立PLSR回歸模型預測雞肉pH值，但效果并不理想。Jiang Hongzhe等[16]通過運用RC法建立預測pH值的PLSR模型效果也不理想。Barbin等[14]運用PCA法分析400～2 500 nm波長信息，采用加權回歸系數(shù)法選取最優(yōu)波長建立PLSR模型，pH值預測效果得到提升。Jia Beibei等[21]運用競爭性自適應重加權采樣（competitive adaptive reweighed sampling，CARS）建立pH值的PLSR模型，模型精度得到了較大的提升（＝0.94、＝0.73）。這些研究顯示，NIRS技術具有快速有效測定雞肉pH值的潛力。

1.1.4 系水力

肉的系水力（water holding capacity，WHC）也稱為保水性和系水性，目前多采用滴水損失來反映肉制品的WHC[22-24]。WHC影響肉品的口感、新鮮度以及在加工運輸過程中營養(yǎng)汁液的損失，因此WHC的預測可及時反映肉制品品質[9]。沈杰[2]運用NIRS預測雞肉的WHC，但效果不理想。Barbin等[14]運用PCA法處理NIRS信息，選取440、558、1 656、1 908 nm等4 個特征波長建立WHC的PLSR模型，預測效果略有提高，但依然不理想。Yang Yi等[15]的研究依然未能提高預測效果。這說明NIRS技術預測雞肉WHC有待于進一步研究。以上研究具體信息見表2。

表 2 NIRS技術用于雞肉物理特性檢測Table 2 Application of NIRS for the detection of chicken physical indexes

1.2 化學特性檢測

雞肉中的化學成分主要有脂肪、蛋白質、水分等，這些化學成分影響著雞肉的新鮮度、口感和品質[26-27]。NIRS技術在肉品化學組分的分析研究中已經有廣泛應用，并獲得良好的結果[28]。Windham等[29]采集獲取850～1 050 nm范圍的雞肉光譜信息，建立預測脂肪的PLSR模型，RP高達0.99，預測效果極好。McDevitt等[30]建立改進的PLSR（modified PLSR，MPLSR）模型與劉煒等[31]建立的PLSR模型也均能很好地預測雞肉中脂肪含量，其他學者也進行了相關的研究，但結果并未提高。對于雞肉蛋白質的檢測研究，McDevitt等[30]建立的MPLSR模型預測效果較理想，為0.86，RMSEC為19.40 g/kg。邢素霞等[32]在850～1 050 nm波段建立的區(qū)間PLSR（interval PLSR，iPLSR）模型預測土雞與肉雞蛋白質含量的效果更好。劉煒等[31]采用10 000～4 000 cm－1波段進一步提高了雞肉蛋白質預測精度，RP均接近于1.0。肉品中最多的組分是水分，NIRS技術也最適合在水分含量檢測中應用，PLSR模型檢測雞肉水分的精度可高達0.99[31]。相比之下，雞肉中灰分的檢測效果較差[30]。除了主要的化學成分檢測研究，王輝等[33-34]建立了兩個波段的雞肉膽固醇PLSR預測模型，預測效果可接受，仍需進一步提高。Xiong Zhenjie等[35]建立400～1 000 nm波段雞肉中羥脯氨酸（hydroxyproline，HYP）的PLSR預測模型，其模型精度有待提高。上述研究結果詳見表3。

表 3 NIRS技術對雞肉化學特性檢測Table 3 Application of NIRS for the detection of chicken chemical indexes

1.3 腐敗微生物及新鮮度檢測

雞肉由于水分含量多、營養(yǎng)物質豐富[36]，在貯藏過程中極易受到微生物的污染、氧化以及酶的作用等發(fā)生腐敗，從而導致其品質下降[37]。其中，微生物污染是引起冷鮮雞肉腐敗變質的最主要原因。常規(guī)的微生物檢測方法程序繁瑣、效率低下，許多學者嘗試利用NIRS技術實現(xiàn)微生物的快速檢測。Feng Yaoze等[38]采用RC法篩選最優(yōu)波長建立細菌總數(shù)的PLSR模型，預測效果良好。Jiang Fachao等[39]也獲得了類似的結果。Ye Xujun等[40]在400～1 000 nm范圍內提取光譜信息建立細菌總數(shù)與雙波段新鮮度指標（rwo band freshness index，TBFI）間的相關性，結果并不理想。以細菌總數(shù)為指標，構建雞肉新鮮度NIRS預測模型，其精度與穩(wěn)定性依然有待于研究。

大量研究顯示，腸桿菌屬、假單胞菌屬、熱殺索絲菌、乳酸菌等是導致冷鮮肉發(fā)生腐敗變質的優(yōu)勢腐敗菌。這些優(yōu)勢腐敗菌的快速檢測具有重要意義[41]。王名星[37]與陳全勝[42]等在相同的波段（10 000～4 000 cm－1）采集光譜信息建立假單胞菌反向傳播人工神經網絡（back propagating artificial neutral net，BP-ANN）模型，其校正集與預測集識別率都比較理想。Feng Yaoze等[43]運用遺傳算法（genetic algorithm，GA）選取最優(yōu)波長建立假單胞菌預測模型，精度不理想；但利用PLSR預測雞肉中腸桿菌效果良好[44]。從這些研究中可以發(fā)現(xiàn)NIRS分析技術在檢測微生物方面具有巨大潛力。

Grau等[45]運用400～1 000 nm的可見NIRS技術，采集包裝雞肉0、7、14 d的光譜信息，構建雞肉新鮮度預測模型，結果顯示K1（ATP關聯(lián)化合物）、揮發(fā)性鹽基氮（total volatile basic nitrogen，TVB-N）含量與新鮮度具有較高的相關性。Xiong Zhenjie等[46]建立的硫代巴比妥酸反應物（thiobarbituric acid reactive substances，TBARS）值（328～1 115 nm）PLSR預測模型，與Khulal等[47]建立的TVB-N含量的BP-ANN預測模型，所預測雞肉新鮮度效果都不太理想，這可能是由于模型預測性能與TBARS值和TVB-N含量、波長選擇方式以及建模方式等因素有關。上述研究結果詳見表4。

表 4 NIRS技術用于雞肉中微生物及新鮮度指標的檢測Table 4 Application of NIRS for the evaluation of microbiota and freshness in chicken

1.4 其他檢測方面

除了以上檢測研究外，NIRS技術還被用于肉類摻假、添加劑檢測等研究中[48-49]。Rahim等[50]采集780～2 500 nm波段禽肉NIRS信息，用于識別僵硬禽肉和鮮嫩禽肉，僵硬禽肉檢出率為90%，鮮嫩禽肉的檢出率為86%。NIRS技術也被用于檢測雞肉中農藥殘留（四環(huán)素）[51]，但結果欠佳。孫瀟等[52]通過NIRS信息識別不同產地雞肉，正確率高達90%～95%，表明NIRS技術具有用于雞肉產地溯源的可行性。劉功明等[53]運用NIRS技術檢測雞肉加熱終點溫度也取得了良好效果，對肉制品加熱溫度的控制提供了理論依據。Xiong Zhenjie等[54]利用NIRS信息建立徑向基函數(shù)-支持向量機（radial basis function-support vector machine，RBF-SVM）模型辨別散養(yǎng)雞與家養(yǎng)雞，辨別率可達93.33%。Kamruzzaman等[55]在400～1 000 nm波段建立的PLSR預測模型用于牛肉中摻雞肉的檢測，預測效果較理想（＝0.97）。上述研究結果詳見表5。

表 5 NIRS技術用于雞肉中其他指標檢測Table 5 Application of NIRS for detection of other indexes in chicken

2 近紅外技術應用于鴨肉和鵝肉質量檢測

除了雞肉的檢測應用，NIRS技術還被用于鴨肉和鵝肉的品質檢測。相比之下，基于NIRS技術檢測鴨、鵝肉的報道較少[56]。目前關于NIRS技術檢測鴨肉和鵝肉質量的報道主要集中在國內研究，趙進輝等[57-58]在350～1 800 nm波段建立了鴨肉中谷氨酸含量的BP-ANN模型與鵝肉中彈性的最小二乘支持向量機模型（least square support vector for regression，LSSVR），預測效果均較理想。楊勇等[59]應用NIRS技術檢測鵝肉的嫩度，采用平滑處理（5 點移動窗口平滑處理）、一階微分、標準正態(tài)變量變換和MSC等預處理原始光譜，得出平滑處理-PLSR模型預測效果最優(yōu)（RP＝0.97）。在已有研究基礎上，楊勇等[60]通過建立NIRS和TVB-N含量之間的定量關系，探討了PLSR模型預測鵝肉新鮮度可行性，結果較理想。而Qiao Lu等[61]以TVB-N含量為指標預測鴨肉新鮮度的結果不理想。在相同的波段，Qiao Lu等[62]又建立鴨肉色澤參數(shù)和pH值的PLSR預測模型，結果顯示色澤的預測效果好于pH值。楊勇等[60]建立的鵝肉pH值PLSR模型預測效果也不理想，這可能是因為pH值變化范圍小。在400～2 498 nm波長范圍內，Molette等[63]運用NIRS對鵝肥肝的化學組成進行預測，其中鵝肥肝中脂肪和干物質的校正模型都比較理想（＝0.81、＝0.91）。在相同的波段內，Bazar等[64]比較不同NIRS模式得出最優(yōu)PLSR預測模型，對鵝血脂成分進行分析，其中總脂肪、三酸甘油酯、總膽固醇的模型預測精度高于對鵝血脂中高密度蛋白膽固醇的模型預測精度?？傊?，NIRS技術檢測鴨、鵝肉的研究相對較少（表6），尤其在生化指標方面，未來將有很大的研究空間。

表 6 NIRS技術對鴨肉與鵝肉指標的檢測Table 6 Application of NIRS for quality evaluation in duck and goose meat

3 結 語

NIRS技術目前主要用于雞肉的品質檢測研究，有少量的研究涉及到鴨肉、鵝肉。從研究結果可以得出，作為一種快速、無損、高效率的檢測技術，NIRS技術在禽肉品質檢測研究中潛力巨大，可在禽肉的組分分析、等級鑒別、品種鑒定以及產地溯源等方面發(fā)揮巨大作用，為禽肉及其制品提供安全保障。盡管如此，NIRS技術應用目前依然沒有形成完整的體系和方法，需要加強NIRS技術與其他技術相結合，進一步完善改進NIRS技術的應用效果，未來可從以下幾個方面著手：1）待測禽肉樣品的篩選及指標測量誤差需進一步減少；2）模型構建方式的選擇和特征波長的選擇仍需大量研究，以最大限度保留信息量大的光譜；3）同一模型在不同光譜設備之間的轉化，增強模型的適用性；4）研發(fā)更加便攜式的NIRS專用設備；通過大量的數(shù)據支撐和理論研究，NIRS技術在禽肉質量控制方面將提供強有力的保障。

除了近紅外，中紅外以及遠紅外波段范圍內也存在著大量的食品組分光譜吸收信息，未來研究也可將光譜技術拓展至中紅外光譜技術和遠紅外光譜技術，利用中紅外以及遠紅外光譜區(qū)間的信息優(yōu)勢來加強紅外光譜技術的應用性：1）大多數(shù)有機物和無機物的基頻吸收帶都出現(xiàn)在中紅外區(qū)，運用中紅外光譜區(qū)間的優(yōu)勢，研發(fā)聯(lián)用光譜儀器對相關化合物的官能團進行強特征性鑒定；2）運用中紅外吸收峰相對敏感的特性結合NIRS技術實現(xiàn)對結構類似化合物高精度鑒別；3）中紅外光譜可以對氣體、液體以及固體等樣品進行測定，可以開發(fā)多波段光譜，提高光譜儀器的適用廣度；4）運用遠紅外光譜高熱量傳導、熱量傳遞速率高以及無需媒介等優(yōu)勢研發(fā)多適用性紅外光譜設備，實現(xiàn)檢測、成熟、溫控、殺菌一體化。