近紅外光譜技術(shù)快速測定鵝肉嫩度

楊 勇，楊慶余，林 巍，王存堂，張 舵，董 原，宋春麗，裴世春*，李毛毛，胥紅利

（齊齊哈爾大學(xué)食品與生物工程學(xué)院，農(nóng)產(chǎn)品加工黑龍江省普通高校重點(diǎn)實(shí)驗(yàn)室，黑龍江 齊齊哈爾 161006）

我國鵝肉產(chǎn)量世界第一，占全球產(chǎn)量的94.36%[1]，鵝肉品質(zhì)快速無損檢測研究意義重大。嫩度是肉品品質(zhì)的一個(gè)重要感官特征，也是其食用質(zhì)量與商業(yè)價(jià)值的重要指標(biāo)，肉質(zhì)鮮嫩的肉很受消費(fèi)者歡迎，具有較高的經(jīng)濟(jì)效益[2-3]。目前肉嫩度檢測主要使用的方法包括感官評定和剪切力方法，前者一般是由經(jīng)過訓(xùn)練的品評員或消費(fèi)者組成的品評小組品嘗判定，后者一般利用剪切力方法判定，應(yīng)用的主要有沃-布剪切力（Warner-Bratzler shear force，WBSF）法。感官評定肉嫩度主觀性強(qiáng)、耗時(shí)、重復(fù)性差、花費(fèi)高。剪切力法測定嫩度結(jié)果客觀，但這種檢測方法操作過程很繁瑣、耗時(shí)、有損，且不能在肉類生產(chǎn)在線應(yīng)用[4-8]。近紅外光譜作為新型光學(xué)檢測技術(shù)在食品行業(yè)中得到廣泛應(yīng)用，該技術(shù)能實(shí)現(xiàn)肉品在線、快速、無損檢測，是肉和肉制品品質(zhì)分析的重要和最具潛力的新技術(shù)之一[9-13]。國外研究者[14-18]對牛肉、羊肉和雞肉的嫩度品質(zhì)等進(jìn)行了近紅外光譜預(yù)測研究，并取得了較滿意的效果。國內(nèi)Cai Jianrong等[19]把WBSF看做是肉嫩度的一個(gè)重要指標(biāo)，確定了用近紅外光譜在肉中測定WBSF的可行性[19]。張德權(quán)等[21]對羊肉嫩度進(jìn)行了近紅外預(yù)測，光譜經(jīng)矢量歸一法處理后，建立的羊肉嫩度模型精度最高，模型的決定系數(shù)達(dá)到0.862，建模集交互驗(yàn)證均方差為0.445 0。根據(jù)目前的報(bào)道總結(jié)，近紅外嫩度研究絕大部分是針對牛肉、羊肉和豬肉，另有少部分的雞肉[14-22]，但近紅外光譜技術(shù)從未應(yīng)用于鵝肉嫩度檢測中。我國是鵝肉生產(chǎn)和出口第一大國，應(yīng)用近紅外技術(shù)判斷生鮮鵝肉的品質(zhì)，對待售生鮮肉進(jìn)行自動(dòng)分級、按質(zhì)論價(jià)、分級加工，指導(dǎo)鵝肉制品的生產(chǎn)，促進(jìn)鵝肉制品的銷售具有重要的意義。本實(shí)驗(yàn)擬利用近紅外光譜技術(shù)對鵝肉嫩度進(jìn)行研究，考察近紅外光譜和鵝肉嫩度之間的相關(guān)性，建立鵝肉嫩度的近紅外檢測模型，研究利用近紅外光譜預(yù)測鵝肉嫩度的方法，為建立鵝肉的在線無損檢測技術(shù)提供一定的參考依據(jù)。

1 材料與方法

1.1 材料與儀器

鵝肉品種為獅頭鵝，采購自齊齊哈爾。

DA7200二極管陣列近紅外光譜儀（256像素InGaSe檢測器，波長范圍900～1 700 nm） 瑞典Perten公司；QTS-25質(zhì)構(gòu)儀 美國Brookfield實(shí)驗(yàn)儀器有限公司；HH-S型恒溫水浴鍋 鞏儀義市予華儀器有限責(zé)任公司；真空封裝機(jī) 廣東東莞金橋電子產(chǎn)品公司。

1.2 方法

1.2.1 鵝肉近紅外光譜采集

將剔除骨頭和外皮的鵝肉樣品均勻平鋪在? 75 mm的樣品杯中，使用近紅外分析儀以2 nm的分辨率掃描60 次，樣品及環(huán)境溫度均為25 ℃，光譜掃描范圍為900～1 700 nm，得出掃描光譜圖。每個(gè)樣品重復(fù)掃描3 次，每次掃描時(shí)樣品要求重新裝樣，保持裝樣的均一性，求得平均光譜曲線。

1.2.2 鵝肉剪切力的測量

鵝肉剪切力的測量采用Warner-Bratzler剪切刀頭，質(zhì)構(gòu)儀的設(shè)置參數(shù)如表1所示。

表 1 質(zhì)構(gòu)儀測剪切力設(shè)置參數(shù)Table 1 The WBSF parameters of texture analyzer

將剔除骨頭和外皮的鵝肉裝入蒸煮袋內(nèi)，在100 ℃的沸水中煮到中心溫度達(dá)到80 ℃，并持續(xù)10 min。將蒸煮袋取出后用涼水沖涼，然后取出鵝肉順著肌纖維的方向切條，規(guī)格為40 mm×10 mm×10 mm。將修整后的鵝肉條置于質(zhì)構(gòu)儀上，選擇Warner-Bratzler剪切刀頭垂直于肌纖維方向?qū)Z肉條進(jìn)行剪切測定，每塊肉取3 條檢測，每條檢測2 次，平均每塊肉樣檢測6 次取平均值。根據(jù)鵝肉樣品的剪切力范圍從鵝肉樣品中選取具有代表性的60 個(gè)特征樣品作為校正集樣品，其余隨機(jī)選取20 個(gè)作為預(yù)測集樣品。

1.2.3 光譜數(shù)據(jù)處理與分析

利用Unscrambler 9.8軟件對5點(diǎn)移動(dòng)窗口平滑處理（smothing，SM）、一階微分（first derivative，F(xiàn)D）、標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variate，SNV）和多元散射校正（multiplicative signal correction，MSC）等6種光譜預(yù)處理方法的消噪效果進(jìn)行比較，應(yīng)用主成分回歸（principle component regression，PCR）和偏最小二乘法（partial least square，PLS）兩種數(shù)學(xué)校正方法分別建模。用模型決定系數(shù)（R2）、交互驗(yàn)證均方根誤差（root mean standard error of cross validation，RMSECV）、預(yù)測均方根誤差（root mean square error of prediction，RMSEP）為模型精度評價(jià)指標(biāo)，用預(yù)測值和實(shí)測值的相關(guān)系數(shù)（r）和預(yù)測平均偏差（Bias）檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確度。

2 結(jié)果與分析

2.1 鵝肉樣品近紅外平均光譜圖

校正集60 個(gè)鵝肉樣品的近紅外平均光譜圖見圖1，剪切力數(shù)據(jù)分布如表2所示。從光譜圖來看，在950～1 650 nm譜區(qū)內(nèi)，鵝肉近紅外反射光譜曲線各區(qū)段表現(xiàn)出獨(dú)特吸收，在整個(gè)光譜區(qū)間有多處吸收峰呈遞增或遞減的趨勢，表明鵝肉大量含氫基團(tuán)的合頻區(qū)、倍頻區(qū)均形成強(qiáng)烈的吸收，1 350～1 450 nm（6 900～7 400 cm－1）波段之間受水蒸氣的影響產(chǎn)生了較微小的噪聲信號，肉中蛋白質(zhì)的吸收主要與N—H的分子振動(dòng)相關(guān)，有學(xué)者研究表明：N—H鍵伸縮振動(dòng)的一級倍頻在1 500 nm（6 666 cm－1）附近，帶有N—H鍵的雜環(huán)芳香化合物，較強(qiáng)的一級倍頻出現(xiàn)在1 463 nm（6 835 cm－1）。而蛋白質(zhì)的特征譜帶為973～1 019 nm（10 277～9 804 cm－1）、1 500～1 530 nm（6 667～6 536 cm－1）的N—H倍頻吸收[23]，因此在建模時(shí)需要考慮特征波長區(qū)間的選取。

圖 1 鵝肉近紅外平均光譜圖Fig.1 Average near-infrared spectra of goose meat

2.2 鵝肉剪切力值范圍

本研究共選取80 個(gè)鵝肉樣品，根據(jù)鵝肉樣品的剪切力范圍選取具有代表性的60 個(gè)特征樣品作為校正集樣品，其余隨機(jī)選取20 個(gè)作為預(yù)測集樣品。60 個(gè)校正集樣品的剪切力值范圍為133.40～2 094.47 g，基本涵蓋了我國現(xiàn)有的鵝肉嫩度值分布范圍，說明本實(shí)驗(yàn)選用的樣品就有很強(qiáng)的代表性。校正集和預(yù)測集鵝肉樣品剪切力的實(shí)測結(jié)果見表2。

表 2 鵝肉剪切力測定結(jié)果Table 2 The WBSF values of goose meat samples used for Table 2 The WBSF values of goose meat samples used for calibration and validation ion分組 樣品數(shù)量/個(gè) 剪切力范圍/g 平均值/g 標(biāo)準(zhǔn)偏差/g校正集 60 133.40～2 094.47 525.84 405.56預(yù)測集 20 113.40～640.33 342.64 134.05

2.3 最佳光譜預(yù)處理方法的確定

鵝肉樣品的大小和均勻程度會(huì)影響光譜的信噪比，因此采用SM、FD、MSC、SNV、FD＋SNV和FD＋SM＋SNV共6 種光譜預(yù)處理方法對鵝肉的原始光譜進(jìn)行預(yù)處理，然后分別采用PLS法和PCR法建模。實(shí)驗(yàn)結(jié)果如表3、4所示。實(shí)驗(yàn)通過對近紅外光譜全波段進(jìn)行分析，以模型的R2、RMSECV和RMSEP為模型精度評價(jià)指標(biāo)，R2越大、RMSECV和RMSEP越小，說明模型的精度越高，所建模型的預(yù)測能力和穩(wěn)健性越高[24]。

表 3 不同光譜預(yù)處理方法對鵝肉剪切力的PLS模型精確性的影響Table 3 Influence of different spectral pretreatment methods on the Table 3 Influence of different spectral pretreatment methods on the accuracy of PLS models for goose meat WBSF光譜預(yù)處理方法 主成分?jǐn)?shù) R2 RMSECV RMSEP SM 10 0.908 0 113.618 6 177.973 6 FD 6 0.751 7 179.803 3 269.535 6 MSC 8 0.885 3 124.063 2 196.044 3 SNV 9 0.906 9 114.129 2 200.132 4 FD＋SNV 6 0.743 7 182.557 0 250.107 5 SM＋FD＋SNV 9 0.902 5 116.185 7200.234 1

表3表明：采用SM處理光譜數(shù)據(jù)，以PLS法建立回歸模型的預(yù)測能力優(yōu)于另外5 種預(yù)處理方法。

表 4 不同光譜預(yù)處理方法對鵝肉剪切力的PCR模型精確性的影響Table 4 Influence of different spectral pretreatment methods on the Table 4 Influence of different spectral pretreatment methods on the accuracy of PCR models for goose meat WBSF光譜預(yù)處理方法 主成分?jǐn)?shù) R2 RMSECV RMSEP SM 12 0.897 9 118.355 6 181.162 2 FD 7 0.689 0 200.760 9 240.499 1 MSC 11 0.879 1 126.819 4 186.196 7 SNV 12 0.898 8 117.915 7 178.988 3 FD＋SNV 8 0.809 2 155.276 7 212.668 2 SM＋FD＋SNV 12 0.879 4 126.683 3 196.401 0

表4表明：采用SNV作為光譜預(yù)處理方法，以PCR法建立回歸模型的預(yù)測能力優(yōu)于另外5 種預(yù)處理方法。

2.4 最佳定標(biāo)模型的確定

通過光譜預(yù)處理方法的篩選，分別建立鵝肉剪切力的PCR、PLS校正模型，然后對兩種方法建立的模型進(jìn)行比較，結(jié)果如表5所示。采用SM處理光譜建立的PLS回歸模型的RMSECV和RMSEP值均比采用SNV處理光譜建立的PCR回歸模型小，R2為0.908 0比PCR法建立的回歸模型大，而且PLS法建模時(shí)間明顯比PCR法建模時(shí)間短，因此適合鵝肉嫩度的最優(yōu)建模方法為PLS法。

表 5 采用PLS、PCR方法建立的校正模型精確性比較Table 5 Comparative accuracy of PLS and PCR models for Table 5 Comparative accuracy of PLS and PCR models for goose meat WBSF BSF光譜建模方法 主成分?jǐn)?shù) R2 RMSECV RMSEP SM＋PLS 10 0.908 0 113.618 6 177.973 6 SNV＋PCR 12 0.898 8 117.915 7 178.988 3

綜上，采用SM處理光譜建立的PLS回歸模型的預(yù)測能力優(yōu)于采用SNV處理光譜建立的PCR回歸模型的預(yù)測能力。

2.5 鵝肉嫩度模型的可靠性驗(yàn)證

選取主成分?jǐn)?shù)10，用PLS法處理光譜建立鵝肉嫩度模型，將驗(yàn)證集的20 個(gè)樣品代入模型中，進(jìn)行鵝肉樣品的嫩度測定，預(yù)測值和實(shí)測值的分布見圖2所示。結(jié)果表明：鵝肉剪切力預(yù)測值和實(shí)測值的r2為0.940 2，兩組數(shù)據(jù)的r為0.971 1，說明近紅外光譜預(yù)測值與剪切力實(shí)測值具有極顯著的相關(guān)性，經(jīng)單因素方差分析得到P=0.596 2＞0.05，即在95%的置信區(qū)間內(nèi)，鵝肉剪切力實(shí)測值與預(yù)測值無顯著性差異。Bias為21.673 g。

圖 2 鵝肉剪切力PLS模型的外部驗(yàn)證結(jié)果Fig.2 External verification of WBSF using PLS model

3 結(jié) 論

3.1 在950～165 0 nm的波長范圍內(nèi)，采用SM處理光譜，利用PLS建立鵝肉近紅外光譜嫩度測定模型，主成分?jǐn)?shù)為10時(shí)，模型R2為0.908 0，RMSECV達(dá)到最小值113.618 6。用此模型對20 個(gè)鵝肉樣品進(jìn)行預(yù)測，鵝肉光譜預(yù)測值和WBSF實(shí)測值之間r為0.971 1，Bias為21.673 g。

3.2 應(yīng)用近紅外光譜技術(shù)檢測鵝肉嫩度是可行的，該方法可作為屠宰場及肉制品加工企業(yè)進(jìn)行鵝肉嫩度快速非破壞性檢測的一種方法。

[1]陳銳. 中國為世界第一產(chǎn)鵝大國[J]. 農(nóng)業(yè)技術(shù)與裝備, 2010, 25(19): 76.

[2]周光宏. 肉品學(xué)[M]. 北京: 中國農(nóng)業(yè)科技出版社, 1999: 79-82.

[3]SHACKELFORD S D, WHEELER T L, MEADE M K, et al.Consumer impressions of tender select beef[J]. Journal of Animal Science, 2001, 79(10): 2605-2614.

[4]蔣予箭, 周雁. 肉類彈性測定方法的研究[J]. 食品科學(xué), 2002, 23(4):99-102.

[5]劉興余, 金邦荃, 詹魏, 等. 豬肉質(zhì)構(gòu)的儀器測定與感官評定之間的相關(guān)性分析[J]. 食品科學(xué), 2007, 28(4): 245-248.

[6]楊勇, 任健, 王存堂, 等. 鵝肉嫩度的測定及感官評價(jià)[J]. 河南工業(yè)大學(xué)學(xué)報(bào): 自然科學(xué)版, 2009, 30(6): 29-32.

[7]張秋會(huì), 趙改名, 李苗云, 等. 肉制品的食用品質(zhì)及其評價(jià)[J]. 肉類研究, 2011, 25(5): 48-51.

[8]沈杰. 基于X射線及近紅外光譜技術(shù)的禽肉品質(zhì)檢測[D]. 南昌: 江西農(nóng)業(yè)大學(xué), 2011: 30-35.

[9]徐霞, 成芳, 應(yīng)義斌. 近紅外光譜技術(shù)在肉品檢測中的應(yīng)用和研究進(jìn)展[J]. 光譜學(xué)與光譜分析, 2009, 29(7): 1876-1880.

[10]楊建松, 孟慶翔, 任麗萍, 等. 近紅外光譜法快速評定牛肉品質(zhì)[J].光譜學(xué)與光譜分析, 2010, 30(3): 685-687.

[11]陳士進(jìn), 彭增起, 李景軍, 等. 光譜技術(shù)預(yù)測牛肉嫩度研究進(jìn)展[J].食品科學(xué), 2013, 34(1): 333-338.

[12]MITSUMOTO M, MAEDA S, MITSUHASHI T, et al. Near infrared spectroscopy determination of physical and chemical characteristics in beef cuts[J]. Journal of Food Science, 1991, 56(6): 1493-1496.

[13]ElMASRY G, SUN D W, ALLEN P. Near-infrared hyperspectral imaging for predicting colour, pH and tenderness of fresh beef[J].Journal of Food Engineering, 2012, 110(1): 127-140.

[14]PARK B, CHEN W R, HRUSCHKA S D, et al. Near-infrared reflectance analysis for predicting beef longissimus tenderness[J].Journal of Animal Science, 1998, 76(8): 2115-2120.

[15]LEROY B, LAMBOTTE S, DOTREPPE 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(1): 45-54.

[16]ANDRES 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(3): 509-516.

[17]PRIETO N, ROEHE R, LAVIN P, et al. Application of near infrared reflectance spectroscopy to predict meat and meat products quality: a review[J]. Meat Science, 2009, 83(2): 175-186.

[18]RAUL G, SANCHEZ A J, GIRON J, et al. Nondestructive assessment of freshness in packaged sliced chicken breasts using SW-NIR spectroscopy[J]. Food Research International, 2011, 44(1): 331-337.

[19]CAI Jianrong, CHEN Quansheng, WAN Xinmmin, et al.Determination of total volatile basic nitrogen (TVB-N) content and Warner-Bratzler shear force (WBSF) in pork using Fourier transform near infrared (FT-NIR) spectroscopy[J]. Food Chemistry, 2011,126(3): 1354-1360.

[20]趙杰文, 翟劍妹, 劉木華, 等. 牛肉嫩度的近紅外光譜法檢測技術(shù)研究[J]. 光譜學(xué)與光譜分析, 2006, 26(4): 640-642.

[21]張德權(quán), 陳宵娜, 孫素琴, 等. 羊肉嫩度傅里葉變換近紅外光譜偏最小二乘法定量分析研究[J]. 光譜學(xué)與光譜分析, 2008, 28(11): 2550-2553.

[22]吳建虎, 彭彥昆, 江發(fā)潮, 等. 牛肉嫩度高光譜法檢測技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2009, 40(12): 135-150.

[23]WORKMAN J, WEYER L. Practical guide to interpretive nearinfrared spectroscopy[M]. Beijing: Chemical Industry Press, 2009:113-122.

[24]嚴(yán)衍祿, 趙龍蓮, 韓東海, 等. 近紅外光譜分析基礎(chǔ)與應(yīng)用[M]. 北京:中國輕工業(yè)出版社, 2005: 95-97.