馬夢媛 鄭曉春 李巖磊 陳 麗 楊 奇

(1 寧夏大學(xué)食品與葡萄酒學(xué)院，寧夏 銀川 750021；2 中國農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品加工研究所，北京 100193；3 寧夏回族自治區(qū)獸藥飼料監(jiān)察所，寧夏 銀川 750001)

灘羊是我國優(yōu)良綿羊品種之一，主要分布在寧夏鹽池縣[1]。鹽池縣獨特的堿性生長環(huán)境造就了灘羊肉色澤鮮紅、脂肪分布均勻、含脂率低、風(fēng)味不膻不腥、肉質(zhì)富有彈性、口感細(xì)膩潤滑等優(yōu)良品質(zhì)，灘羊因此成為寧夏的“五寶”之一——“白寶”，深受廣大消費者的喜愛[2]。

隨著生活水平的提高，消費者更注重優(yōu)質(zhì)肉品的攝入[3]。肉品品質(zhì)直接影響人們的生活質(zhì)量和健康安全，也影響整個肉品行業(yè)的發(fā)展[4]。因此關(guān)于肉品品質(zhì)的快速檢測技術(shù)倍受重視，也成為肉品科學(xué)當(dāng)前的研究熱點之一。目前羊肉品質(zhì)檢測大多采用感官評價和理化檢測等傳統(tǒng)方法[5]，檢測效率低、時間長且易破壞樣品[6]，無法滿足肉類品質(zhì)快速、無損、準(zhǔn)確的檢測需求，難以廣泛應(yīng)用于市場檢測[7]。隨著電子鼻、電子舌、光譜技術(shù)、核磁共振等新型無損檢測技術(shù)的快速發(fā)展，肉品質(zhì)檢測的速度、準(zhǔn)確度、精度也在不斷提高[8]。近紅外光譜技術(shù)已廣泛應(yīng)用于羊肉品質(zhì)檢測中并快速發(fā)展成為現(xiàn)今的熱門技術(shù)[9]。國內(nèi)外眾多學(xué)者利用該技術(shù)對不同肉類中化學(xué)組成成分、肉品品質(zhì)特性、產(chǎn)地及摻假鑒別等方面進行了大量研究[10]，在肉品檢測中已有一定的應(yīng)用基礎(chǔ)。在肉品理化成分與品質(zhì)特性預(yù)測方面，Viljoen等[11]、Balage等[12]、Prieto等[13]和劉曉琳等[14]使用近紅外光譜技術(shù)對肉品色澤、pH值、嫩度、蛋白質(zhì)、脂肪、水分等進行預(yù)測，建立的預(yù)測模型決定系數(shù)在0.30～0.90之間；在肉品定性分析方面，孫淑敏[15]利用近紅外技術(shù)建立的不同產(chǎn)地羊肉的判別模型可鑒別羊肉產(chǎn)地來源，王培培[16]建立的不同品種羊肉的定性判別模型可對9個品種羊肉進行鑒別，Kamruzzaman等[17]對羊肉中不同比例的豬肉摻假進行鑒別研究，結(jié)果表明所建的鑒別模型可準(zhǔn)確鑒別摻雜豬肉的羊肉樣本。

綜上，近紅外光譜技術(shù)可較準(zhǔn)確地測定肉中脂肪、蛋白質(zhì)和水分等主要物質(zhì)組成和含量，也可以構(gòu)建產(chǎn)地和品種鑒別模型，但目前多數(shù)肉品質(zhì)預(yù)測模型僅是基于某一批同質(zhì)化程度較高的樣品集構(gòu)建的，多數(shù)研究中檢測指標(biāo)單一，樣品隨機性及豐富度不夠，使得構(gòu)建的預(yù)測模型的適用性和穩(wěn)定性均有一定的限制，在一定程度上限制了近紅外光譜技術(shù)在肉品質(zhì)無損檢測裝備的在線化應(yīng)用。

基于此，本試驗以寧夏灘羊為研究對象，采集宰后1、24和72 h 3個時期200～1 100和900～1 700 nm 2個波段的可見-近紅外光譜信息，并測定色澤、pH值、蒸煮損失等7個品質(zhì)指標(biāo)，基于預(yù)處理優(yōu)化后的光譜數(shù)據(jù)建立各品質(zhì)指標(biāo)的偏最小二乘回歸(partia′least squares regression, PLSR)預(yù)測模型，以期實現(xiàn)灘羊宰后不同時期多部位融合的多品質(zhì)指標(biāo)無損預(yù)測，豐富和拓展羊肉品質(zhì)近紅外光譜無損預(yù)測模型的適用范圍，為灘羊肉品質(zhì)控制和優(yōu)質(zhì)特色產(chǎn)品生產(chǎn)提供數(shù)據(jù)支持和技術(shù)支撐。

1 材料與方法

1.1 試驗材料

灘羊肉樣品取自寧夏吳忠市鹽池縣灘羊產(chǎn)業(yè)集團，選取3～5月齡、6～9月齡、10～12月齡、12～15月齡的灘羊共36只，經(jīng)屠宰后取其單側(cè)外脊、前腿、羊霖、臀肉4個部位肉共144塊，肉樣經(jīng)分割整形后進行光譜數(shù)據(jù)采集及各品質(zhì)指標(biāo)測定，僵直前期、最大僵直期和解僵成熟期的光譜數(shù)據(jù)采集及各指標(biāo)測定保證在灘羊宰后1、24、72 h完成。

1.2 儀器與設(shè)備

AvaSpec-ULS2048CL-EVO-RS型光譜儀，荷蘭Avantes公司(光譜分辨率最小為0.05 nm，自建光源：20 W鹵鎢燈反射燈杯)；MicroNIR微型近紅外光譜儀，美國JDSU公司(含雙集成真空鎢燈光源，分光器：線性漸變?yōu)V光片LVF)；CM-600D色差計，柯尼卡美能達公司；便攜式Testo 205型pH計，德圖儀器國際貿(mào)易上海有限公司；C-LM4型肌肉嫩度儀，東北農(nóng)業(yè)大學(xué)工程學(xué)院；HH-4數(shù)顯恒溫水浴鍋，江蘇省金壇市榮華儀器制造有限公司；全自動凱式定氮儀，丹麥FOSS公司；SOX406型粗脂肪測定儀，山東海能科學(xué)儀器有限公司；DHG-9140AS型恒溫干燥箱，寧波江南儀器廠。

1.3 試驗方法

1.3.1 近紅外光譜采集 灘羊肉樣品200～1 100 nm、900～1 700 nm波段可見-近紅外光譜數(shù)據(jù)使用儀器自帶的AvaSoft 8.7和MicroNIR1.5.7軟件采集。采集前先打開光譜儀預(yù)熱20 min，并對光譜采集系統(tǒng)進行黑白參考校正，采集參數(shù)設(shè)置為：AvaSpec-ULS2048CL-EVO-RS型光譜儀(采集波段范圍200～1 100 nm， 積分時間100 ms，平均次數(shù)5次，掃描分辨率0.6 nm)；MicroNIR微型近紅外光譜儀(采集波段范圍900～1 700 nm，積分時間38 ms，掃描次數(shù)50次，掃描分辨率為6.2 nm)。每個樣品采集表面3個不同位點的可見-近紅外反射光譜數(shù)據(jù)，計算其平均光譜作為該樣本的代表光譜，光譜采集示意圖如圖1所示。

圖1 光譜采集示意圖Fig.1 Schematic diagram of spectral acquisition

1.3.2 品質(zhì)指標(biāo)測定 樣品色澤測定參考李蒙[18]的方法，色差計校準(zhǔn)后在樣品表面隨機選取4個點進行測定，以L*、a*、b*值表示樣品色澤；pH值測定參考Szerman等[19]的方法，將校準(zhǔn)后的便攜式pH計探頭插入肉中，插入深度約為1.5～2 cm，測定樣品表面3個隨機點的pH值，以平均值表示樣品的pH值；蒸煮損失測定參考肖雄[20]的方法，稱取樣品50～70 g置于蒸煮袋內(nèi)71℃水浴30 min，取出肉塊冷卻至室溫測定蒸煮損失，蒸煮損失率用樣品水浴前后質(zhì)量差與水浴前質(zhì)量的比值表示；剪切力測定參考李桂霞等[21]的方法并稍作更改，測定完蒸煮損失的樣品沿肌纖維方向切成1.0 cm×1.0 cm×1.5 cm的塊狀，用肌肉嫩度儀測定樣品的剪切力；樣品蛋白質(zhì)、粗脂肪和水分含量均參照《GB 5009.5-2016 食品安全國家標(biāo)準(zhǔn) 食品中蛋白質(zhì)的測定》[22]、《GB 5009.6-2016 食品安全國家標(biāo)準(zhǔn) 食品中脂肪的測定》[23]和《GB 5009.3-2016 食品安全國家標(biāo)準(zhǔn) 食品中水分的測定》[24]測定。

1.4 光譜數(shù)據(jù)處理及建模

本研究使用SG平滑法(Savitzky-Golay, SG)、一階導(dǎo)數(shù)處理(first derivative, 1-Der)、二階導(dǎo)數(shù)處理(second derivative, 2-Der)、多元散射校正(multiplicative scatter correction, MSC)、標(biāo)準(zhǔn)正態(tài)變量(standard normalized variate, SNV)對采集的原始光譜數(shù)據(jù)進行預(yù)處理。使用偏最小二乘回歸(PLSR)建立各品質(zhì)指標(biāo)的預(yù)測模型。PLSR可實現(xiàn)主成分分析、典型相關(guān)分析與多元線性回歸的綜合[25]，提取主成分時對自變量X(光譜矩陣)和因變量Y(樣品理化成分矩陣)進行信息提取，將X、Y分別分解成特征向量、載荷向量矩陣，對其進行回歸分析，使得特征向量直接與樣品性質(zhì)相關(guān)，所建立的模型具有較高的解釋和預(yù)測能力[26]。

1.5 模型驗證評價

建模時144個樣品劃分108個校正集樣本(calibration set)來建立量化分析模型，36個預(yù)測集樣本(prediction set)對模型效果進行初步驗證評價。試驗選用校正均方根誤差(root mean square error of calibration set, RMSEC)、預(yù)測均方根誤差(root mean square error of prediction set, RMSEP)、校正集相關(guān)系數(shù)(related coefficient of calibration set,Rc)、預(yù)測集相關(guān)系數(shù)(related coefficient of prediction set,Rp)等[27]參數(shù)評價各指標(biāo)PLSR模型的預(yù)測性能，選擇出更為精準(zhǔn)的模型。

1.6 數(shù)據(jù)處理

采用SPSS 22軟件對測定的灘羊肉樣品品質(zhì)指標(biāo)數(shù)據(jù)進行分析，采用MATLAB R2014a軟件對光譜數(shù)據(jù)進行預(yù)處理及PLSR建模分析。

2 結(jié)果與分析

2.1 灘羊肉品質(zhì)參數(shù)測定結(jié)果

肉品品質(zhì)參數(shù)主要包括色澤、pH值、蒸煮損失、剪切力、蛋白質(zhì)、脂肪、水分等，這些品質(zhì)參數(shù)直接影響肉的加工性能及食用品質(zhì)[28-29]。對測定的144個灘羊肉樣品各品質(zhì)指標(biāo)數(shù)據(jù)進行區(qū)間劃分，結(jié)果如圖2所示，從灘羊肉各品質(zhì)指標(biāo)值的分布情況來看，樣品的色澤L*值集中分布在30～40之間，a*值集中分布在9～12之間，b*值集中分布在6～10之間，pH值集中分布在6.5～7.3之間，蒸煮損失集中分布在20%～30%之間，剪切力集中分布在50～100 N之間，蛋白質(zhì)含量集中分布在20%～22%之間，粗脂肪含量集中分布在1%～3%之間，水分含量集中分布在72%～76%之間。以上結(jié)果表明，各品質(zhì)參數(shù)理化值變化范圍較廣，數(shù)據(jù)分布較穩(wěn)定，近似呈正態(tài)分布，各品質(zhì)指標(biāo)數(shù)據(jù)具有代表性，表明樣品集的選擇比較合理，有利于建立適用范圍廣、預(yù)測能力更好的模型[30]。

2.2 光譜數(shù)據(jù)預(yù)處理

采集樣品200～1 100 nm波段的光譜數(shù)據(jù)兩端噪聲較大且信號較弱，因此截取370～1 050 nm范圍的光譜信息進行預(yù)處理，結(jié)果如圖3所示。圖中A為原始光譜曲線，B～F為經(jīng)過不同預(yù)處理的光譜曲線，各樣品原始光譜曲線形狀基本一致且大量集中分布，經(jīng)過預(yù)處理后的光譜曲線變得更為平滑，且排列也比處理前更整齊、緊密，能夠更加清楚地觀察到樣品反射光譜波峰波谷的位置。樣品光譜曲線在400～600 nm范圍反射率比較低，在600～900 nm紅色光譜區(qū)域反射率較高，在450、570、750、980 nm附近出現(xiàn)強烈吸收峰，前3個峰在可見光范圍內(nèi)出現(xiàn)，這與反映肉色澤的物質(zhì)對光的吸收有關(guān)[31]，450 nm附近為脫氧肌紅蛋白和氧合肌紅蛋白的特征吸收峰，570 nm附近反映了脫氧肌紅蛋白的吸收峰，750 nm處的吸收峰主要與肉中血紅蛋白、肌紅蛋白特征吸收有關(guān)[32]，980 nm附近的吸收峰對應(yīng)C-H、O-H基團的四級和二級倍頻吸收，與肉中的水分密切相關(guān)[33]。

圖2 灘羊肉各指標(biāo)化學(xué)值分布直方圖Fig.2 Distribution of chemical values of each index in Tan mutton

采集樣品900～1 700 nm波段光譜數(shù)據(jù)，其光譜曲線如圖4所示。圖中A為原始光譜圖，B～F為不同預(yù)處理的光譜圖，原始光譜曲線呈現(xiàn)為兩個數(shù)據(jù)群體，可能是由于采集光譜過程中受到外界噪音、光源影響或部分樣品的肌間筋膜、肌間脂肪較多使得樣品的反射率增加[34]。對原始光譜進行SNV處理和MSC處理明顯改善了光譜曲線分離的現(xiàn)象，使光譜曲線排列更緊密整齊。羊肉脂肪、蛋白及水分含量約占質(zhì)量的95%以上，因此光譜吸收峰主要與其所含的O-H、C-H和N-H2等基團緊密相關(guān)。從圖中可觀察到樣品有2個明顯的吸收峰，在970～980 nm處的吸收峰可能與O-H基團的二級倍頻吸收有關(guān)，1 190～1 200 nm處的吸收峰可能與C-H基團的一級、二級倍頻吸收有關(guān)[35]。

2.3 各指標(biāo)PLSR建模結(jié)果分析及光譜數(shù)據(jù)預(yù)處理方法的選擇

參與建模分析的樣品各指標(biāo)參數(shù)結(jié)果統(tǒng)計如表1所示，共有144個樣品，按照3∶1的比例隨機劃分為校正集108個、預(yù)測集36個，表中校正集各指標(biāo)參數(shù)變幅范圍與預(yù)測集相近，且校正集與預(yù)測集的平均值和標(biāo)準(zhǔn)差相近，可見校正集與驗證集內(nèi)的樣本分布相似，表明建模樣品集選擇合理。

注：A：原始光譜圖；B：SG處理光譜圖；C：MSC處理光譜圖；D：SNV處理光譜圖；E：一階導(dǎo)光譜圖；F：二階導(dǎo)光譜圖。下同。Note: A: Original spectrogram. B: SG processing spectrogram. C: MSC processing spectrogram. D: SNV processing spectrogram. E: 1-Der processing spectrogram. F: 1-Der processing spectrogram. The same as following.圖3 灘羊肉原始光譜曲線及不同預(yù)處理光譜曲線(370～1 050 nm)Fig.3 Original spectral curve and different pretreatment spectral curve of Tan mutton(370～1 050 nm)

圖4 灘羊肉原始光譜曲線及不同預(yù)處理光譜曲線(900～1 700 nm)Fig.4 Original spectral curve and different pretreatment spectral curve of Tan mutton(900～1 700 nm)

2.3.1 灘羊肉370～1 050 nm波段PLSR建模結(jié)果分析 各品質(zhì)指標(biāo)370～1 050 nm波段不同光譜預(yù)處理的PLSR模型結(jié)果如表2所示，蒸煮損失和粗脂肪含量原始光譜建立PLSR模型效果較好，其中粗脂肪校正集、預(yù)測集的相關(guān)系數(shù)RC和RP為0.910和0.830，誤差值RMSEC和RMSEP為0.562和0.709，其余指標(biāo)原始光譜建模效果不佳。各指標(biāo)經(jīng)過預(yù)處理之后建模效果得到提升，校正集和預(yù)測集的RC和RP均明顯提高，RMSEC和RMSEP減??；SG處理后光譜數(shù)據(jù)的建模效果稍有提升，但對預(yù)測集的改善效果不好，甚至?xí)霈F(xiàn)預(yù)測集的相關(guān)系數(shù)降低的情況；光譜數(shù)據(jù)經(jīng)MSC或SNV處理建模效果明顯提升，二者對建模效果的改善結(jié)果基本一致，SNV處理后色澤L*、a*、b*值和剪切力值建模效果最優(yōu)，RC和RP分別為0.912、0.948、0.948、0.896和0.843、0.922、0.918、0.805，RMSEC和RMSEP分別為1.762、0.502、0.671、8.515和2.427、0.621、0.761、11.382；MSC處理后pH值、蒸煮損失值、蛋白質(zhì)含量、水分含量建模效果最優(yōu)，RC和RP分別為0.910、0.955、0.925、0.924 和0.834、0.869、0.882、0.879，RMSEC和RMSEP分別為0.156、1.335、0.781、0.892和0.233、2.287、1.005、1.276；一階導(dǎo)數(shù)、二階導(dǎo)數(shù)處理的建模效果較差，校正集、預(yù)測集的RC和RP明顯降低，說明導(dǎo)數(shù)處理可能引入了其他的噪音干擾，降低了預(yù)測模型的性能。

綜合以上結(jié)果發(fā)現(xiàn)建立的色澤a*、b*值、蒸煮損失值、蛋白質(zhì)含量和水分含量最優(yōu)PLSR模型結(jié)果優(yōu)于其他指標(biāo)建模結(jié)果，RC均達0.9以上，RP均達0.85以上，色澤L*、pH值、剪切力值、粗脂肪含量最優(yōu)PLSR模型RC雖然大多數(shù)達到0.9以上，但RP相對稍低，為0.83以上，模型預(yù)測的精準(zhǔn)度略低。

2.3.2 灘羊肉900～1 700 nm波段PLSR建模結(jié)果分析 各品質(zhì)指標(biāo)900～1 700 nm波段不同光譜預(yù)處理的PLSR模型結(jié)果如表3所示，表中各指標(biāo)原始光譜數(shù)據(jù)的建模結(jié)果不佳，經(jīng)過預(yù)處理之后得到提升，校正集和預(yù)測集的RC和RP均明顯提高，RMSEC和RMSEP減小。MSC處理后色澤b*、蛋白質(zhì)含量、水分含量的建模效果最優(yōu)，RC和RP分別為0.892、0.901、0.954 和0.888、0.895、0.941，RMSEC和RMSEP分別為0.956、0.884、0.741和0.871、0.880、0.779；SNV處理后色澤L*、a*、pH值、蒸煮損失值、剪切力值的建模效果達到最優(yōu)，RC和RP分別為0.900、0.933、0.924、0.907、0.866 和0.889、0.922、0.881、0.862、0.837，RMSEC和RMSEP分別為1.856、0.575、0.147、1.950、9.389和2.068、0.629、0.174、2.283、10.666；粗脂肪含量建模最優(yōu)預(yù)處理方法為2-Der，RC和RP為0.911 和0.848，RMSEC和RMSEP為0.588和0.545。

表1 灘羊肉各指標(biāo)樣本集化學(xué)值統(tǒng)計Table 1 Statistics of chemical values of each index sample set of Tan mutton

表2 羊肉各指標(biāo)不同預(yù)處理方法下PLSR模型比較Table 2 Comparison of PLSR model under different pretreatment methods for each index of Tan mutton

表2(續(xù))

表3 灘羊肉各指標(biāo)不同預(yù)處理方法下PLSR模型比較Table 3 Comparison of PLSR model under different pretreatment methods for each index of Tan mutton

表3(續(xù))

綜上可知，色澤L*、a*、b*、pH值、蒸煮損失值、蛋白質(zhì)含量和水分含量的建模效果優(yōu)于粗脂肪含量和剪切力值，RC和RP均大于0.85，RC和RP最高為0.954 和0.941；粗脂肪含量和剪切力值最優(yōu)模型結(jié)果欠佳，但RC和RP均大于0.85和0.80，說明建立的各指標(biāo)預(yù)測模型效果較好，可以用于灘羊肉各品質(zhì)指標(biāo)的預(yù)測。

2.4 各指標(biāo)PLSR最優(yōu)模型預(yù)測結(jié)果

對各品質(zhì)指標(biāo)兩個波段的最優(yōu)PLSR預(yù)測模型預(yù)測能力進行驗證，以各品質(zhì)指標(biāo)實測值為橫坐標(biāo)，預(yù)測值為縱坐標(biāo)作擬合效果圖，圖5和圖6分別為370～1 050 nm和900～1 700 nm波段各品質(zhì)參數(shù)最優(yōu)PLSR預(yù)測模型的效果，每個子圖中黑色星標(biāo)代表校正集樣品，紅色圈標(biāo)代表預(yù)測集樣品，樣本點越接近直線，表明預(yù)測結(jié)果越精準(zhǔn)。兩波段中各品質(zhì)參數(shù)校正集的參數(shù)均勻的分布在擬合趨勢線的附近，預(yù)測集中部分樣品分布較為散亂、距校正集較遠；建模結(jié)果顯示，pH值、剪切力值在兩個波段的預(yù)測模型相關(guān)系數(shù)較低，且剪切力預(yù)測模型的誤差值較大，因此散點圖中顯示二者預(yù)測模型中樣品分布較散亂，少數(shù)樣品的分布距線性擬合線較遠，模型的預(yù)測性能需進一步提升。

注：A：L*值；B：a*值；C：b*值；D：pH值；E：蒸煮損失；F：剪切力；G：蛋白質(zhì)含量；H：粗脂肪含量；I：水分含量。下同。Note: A: L* value. B: a* value. C: b* value. D: pH value. E: Cooking lossrate. F: Shear force value. G: Protein content. H: Crude fat content. I: Moisture content. The same as following.圖5 灘羊肉各品質(zhì)參數(shù)預(yù)測值與實測值的相關(guān)關(guān)系圖(370～1 050 nm)Fig.5 Correlation diagram of predicted value and measured value of each quality parameter of Tan mutton(370～1 050 nm)

圖6 灘羊肉各品質(zhì)參數(shù)預(yù)測值與實測值的相關(guān)關(guān)系圖 (900～1 700 nm)Fig.6 Correlation diagram of predicted value and measured value of each quality parameter of Tan mutton (900～1 700 nm)

3 討論

近紅外光譜技術(shù)結(jié)合化學(xué)計量學(xué)方法可實現(xiàn)肉品定性或定量分析，在肉品質(zhì)評價檢測上具有獨特的優(yōu)勢[36]?？紤]到實際生產(chǎn)中對肉品檢測實時、快速、在線、無損、成本低廉等需求，本研究中使用的兩臺近紅外光譜儀均為便攜式光譜儀，實驗操作在屠宰企業(yè)車間進行，從試驗結(jié)果來看對灘羊肉多個品質(zhì)指標(biāo)的預(yù)測結(jié)果較好，證明這種便攜式的近紅外光譜設(shè)備可以用于肉品生產(chǎn)過程中的品質(zhì)檢測。

通過近紅外光譜技術(shù)所建立的預(yù)測模測是一種間接模型，模型預(yù)測的準(zhǔn)確性和穩(wěn)定性與建模時的樣品集選擇、光譜預(yù)處理方法、常規(guī)化學(xué)檢測方法的選擇以及模型建立方法均有很大的關(guān)系，因此要建立一個準(zhǔn)確的肉品化學(xué)成分NIRS校正模型，必須選擇變化范圍大的校正樣品集，確定正確定標(biāo)檢測方法、光譜預(yù)處理和建模方法[26]。本研究使用經(jīng)典的PLSR建模方法和5種典型的光譜預(yù)處理方法建立灘羊肉7個品質(zhì)指標(biāo)PLSR定量預(yù)測模型，光譜數(shù)據(jù)預(yù)處理結(jié)果中導(dǎo)數(shù)處理效果最差，校正集、預(yù)測集的相關(guān)系數(shù)明顯降低，說明導(dǎo)數(shù)處理可能引入了其他的噪音干擾。導(dǎo)數(shù)處理雖能提高光譜分辨率，改善譜峰重疊，但也會增加光譜噪聲，降低信噪比，導(dǎo)數(shù)階數(shù)越高信噪比降低越嚴(yán)重，因此近紅外光譜分析中導(dǎo)數(shù)光譜一般只使用一階或二階，很少用到三階，再高階的導(dǎo)數(shù)光譜基本不用。建立定量分析模型中主因子數(shù)的選擇至關(guān)重要，采用的主因子數(shù)過多或過少均會對模型的性能產(chǎn)生影響，主因子數(shù)過少導(dǎo)致數(shù)據(jù)擬合程度不夠，不能代表樣品特征信息，主因子數(shù)過多則會導(dǎo)致數(shù)據(jù)過擬合，模型的預(yù)測準(zhǔn)確度降低[36]。本研究中370～1 050 nm波段各指標(biāo)最優(yōu)模型的主因子數(shù)均小于900～1 700 nm 波段，其主因子數(shù)選在3～15范圍內(nèi)，且最優(yōu)模型的RMSEC/RMSEP比值在0.6～1.0范圍內(nèi)，說明370～1 050 nm 波段的模型較900～1 700 nm波段的模型更為穩(wěn)定可靠。

本研究中灘羊肉7個品質(zhì)指標(biāo)的檢測結(jié)果變化較大，對比各指標(biāo)兩個波段的建模結(jié)果發(fā)現(xiàn)色澤L*、a*、b*值在第一波段的建模效果較好，a*、b*值建模結(jié)果優(yōu)于第二波段，兩波段L*值建模結(jié)果較接近，這與決定肉色的氧合肌紅蛋白和脫氧肌紅蛋白的特征吸收峰有關(guān)，氧合肌紅蛋白和脫氧肌紅蛋白的特征吸收峰主要集中在第一波段可見光范圍內(nèi)，因此第一波段的光譜數(shù)據(jù)提供更多與色澤相關(guān)的信息，色澤利用第一波段的光譜數(shù)據(jù)建模更好，這也與王文秀等[35]的研究結(jié)果相近。兩波段中pH值、剪切力值的PLSR模型預(yù)測效果有待進一步提高，由生鮮羊肉pH值、嫩度形成機理可知，動物宰后肌肉中糖原分解產(chǎn)生乳酸和肌原纖維蛋白降解等復(fù)雜的生理生化變化引起pH值和嫩度發(fā)生變化，因此可以通過采集近紅外光譜提取與pH值，嫩度指標(biāo)有關(guān)的光譜信息來構(gòu)建預(yù)測模型，進而綜合反映這些復(fù)雜的物質(zhì)變化，提取與pH值、嫩度指標(biāo)有關(guān)的光譜信息構(gòu)建預(yù)測模型[37]。此外，嫩度PLSR模型預(yù)測效果也與測定時的試驗條件有關(guān)，嫩度測定極易受樣品形狀與環(huán)境等因素的影響，標(biāo)準(zhǔn)方法要求切塊大小均勻，嚴(yán)格控制蒸煮時間，切樣時嚴(yán)格與肌纖維方向平行等，諸多影響因素使得同一樣品多次平行測定的剪切力值變化較大，這對建模效果也會產(chǎn)生影響[38]。因此，pH值、嫩度指標(biāo)預(yù)測模型的進一步優(yōu)化將通過提取關(guān)鍵光譜信息、提高樣品理化值平行測定的一致性來實現(xiàn)。

本研究對灘羊肉多個品質(zhì)指標(biāo)的預(yù)測取得較好的效果，在后續(xù)的研究中還可進一步擴大樣本的容量和豐富度，補充來自不同地理區(qū)域、不同質(zhì)量等級、不同屠宰批次及不同儲存條件樣品以增強模型的穩(wěn)定性和適用范圍，并利用更多關(guān)鍵變量提取算法和建模方法建立更精準(zhǔn)、穩(wěn)定的預(yù)測模型，集成為更為簡潔易用的技術(shù)與設(shè)備，以便更好地應(yīng)用于各類產(chǎn)業(yè)場景中。

4 結(jié)論

本研究采用可見-近紅外光譜技術(shù)構(gòu)建了灘羊肉基于2個光譜波段7個品質(zhì)指標(biāo)的PLSR預(yù)測模型。結(jié)果表明，不同品質(zhì)指標(biāo)最佳光譜預(yù)處理方法不同，同一指標(biāo)在2個波段的最佳預(yù)處理方法也不完全相同；在370～1 050 nm波段，a*值、b*值、蒸煮損失、蛋白含量和水分含量PLSR模型預(yù)測效果較好，預(yù)測集相關(guān)系數(shù)最高可達0.922；在900～1 700 nm波段，L*值、a*值、b*值、pH值、蒸煮損失值、蛋白質(zhì)含量和水分含量建模效果較好，預(yù)測集相關(guān)系數(shù)最高可達0.941；各指標(biāo)2個波段最優(yōu)PLSR模型相關(guān)系數(shù)均大于0.800，模型的預(yù)測效果較好。表明可見-近紅外光譜技術(shù)可對未知灘羊肉樣品7個品質(zhì)指標(biāo)進行定量預(yù)測，能實現(xiàn)灘羊肉多個品質(zhì)指標(biāo)的無損檢測。