近紅外光譜分析技術在肉品品質檢測中的應用*

熊成，董慶利，曾靜，胡孟晗

(上海理工大學醫療器械與食品學院，上海，200093)

近紅外光譜分析技術在肉品品質檢測中的應用*

熊成，董慶利，曾靜，胡孟晗

(上海理工大學醫療器械與食品學院，上海，200093)

系統介紹了近紅外光譜(NIRS)分析技術檢測原理，NIRS分析技術在肉類化學成分含量、物理特性、感官特性及品質分級檢測中的應用，研究了幾種影響檢測結果準確性的因素，并分析了這一領域發展趨勢。

近紅外光譜(NIRS)技術，肉類，品質

NIRS分析技術作為一種綠色檢測技術，其以分析速度快、效率高、成本低、非破壞性和易于實現在線分析等優點，已經在農業、食品、醫藥、能源等行業得到了廣泛的應用［1］。將NIRS分析技術應用于肉品品質在線檢測，以實現過程控制，為消費者提供良好的品質保證和明確的消費信息，正是廣大食品研究者關注的熱點。

目前，國外已有大量的相關報道，而我國相對較少。在這些報道中，以牛肉為研究對象的有:趙杰文等［2］、Prieto 等［3］主要進行了牛肉品質分級研究;同時 Prieto 等［4］、Yancey 等［5］還針對于化學成分含量、物理特性和感官特性等方面做了詳細報道。在豬肉品質檢測方面:Brφndum等［6］采用4種光譜(光導纖維探測技術——FOP，可見光近紅外光譜——VISNIRS技術，熒光可視技術及低頻核磁共振——LFNMR)預測豬肉的持水性及幾種化學成分含量，比較了實驗中因采用光譜的波數范圍不同而產生的實驗結果的準確性差異。對于光譜范圍而言，Savenije等［7］采用的是 VIS－NIRS;Prevolnik 等［8］采用了幾種不同范圍的光譜;而 Fernández－Cabanás 等［9］僅采用NIRS并對該實驗結果進行了光譜的最優化研究。值得注意的是，Prevolnik等［10］不僅研究了NIRS技術應用于肉品品質檢測的可行性，還分析了應用不同的化學計量學方法建模所帶來的準確性差異。NIRS技術在禽肉品質檢測方面有:Viljoen等［11］應用近紅外光譜技術檢測鴕鳥肉的化學成分含量;Tejerina等［12］使用NIRS技術檢測雞肉的物理－化學特性。除了進行在以上單一品種的檢測外，也有學者將其用于不同種類動物肌肉的分類鑒定，如:Cozzolino等［13］利用VISNIRS技術鑒別肉類品種(牛肉、羊肉、豬肉和禽肉)。

1 NIRS分析技術的基本原理

近紅外光譜的波長為780～2 526 nm.。該光區的吸收譜帶主要是由低能電子躍遷、含氫原子基團(O—H、N—H、C—H等)伸縮振動的倍頻吸收譜帶及伸縮振動和搖擺振動的合頻吸收譜帶構成。因為不同的化學成分對應著不同的基團頻率，從而產生特征吸收峰(能代表基團存在并有較高強度的吸收譜帶稱為基團頻率，其所在的波長位置又稱為特征吸收峰)的位置也不相同;相同的化學成分，因其含量不同所反映出來的特征吸收峰的強度也不相同，所以NIRS技術可用于物質的定量和定性分析。如基于O—H伸縮振動的第一泛音吸收譜帶出現在7 100cm－1，可以測定各種試樣中的水分、有機酸、醇等的含量［15］。

近紅外光譜檢測技術利用化學計量學方法建立合理的定標分析模型，通過擬合待測樣品的近紅外光譜，實現物質的定量和定性分析。這些常用的化學計量學方法如表1。

2 NIRS分析技術在檢測肉類各種屬性中的應用

2.1 化學成分檢測

檢測化學成分含量是在食品領域應用NIRS技術的最初目的，這些化學成分主要包括粗蛋白(crude protein，CP)、肌內脂肪(intramuscular fat，IMF)、水分/干物質(moisture/dry matter，M/DM)、灰分(ash)。

Savenije等［7］研究了 VIS－NIRS 技術檢測豬肉肌內脂肪含量的可行性，結果表明該方法能較好地檢測豬肉中的IMF含量，3組定標模型(Calibration)的定標相關系數(RC)分別是 0.70、0.86和0.83，而 3 組驗證集的預測相關系數(Rp)分別是(0.69、0.76、0.63)。Tφgersen 等［15］以半凍結碎牛肉為研究對象，采用交叉驗證法建立各成分的定標模型，得到的均方根誤差(RMSECV)分別是 IMF0.48%～1.11%、M0.43% ～0.97%、CP0.41% ～0.47%。Viljoen等［11］分析了基于PLS(R)方法的NIRS技術檢測鴕鳥肉化學成分的作用，得到的RC和定標標準誤差(SEC)分別是Ash(0.72%、0.29%)、CP(0.98、0.55%)、IMF(0.99、0.29%);RP和預測標準誤差(SEP)Ash(0.71、0.23%)、CP(0.97、0.64%)、IMF(0.99、0.18%)。這個結果與 Tejerina 等［12］使用NIRS技術檢測雞肉的各種化學成分含量的結果是一致的:IMF和CP的定標模型預測效果較好，而Ash的定標模型預測效果相對較差，后者定標決定系數(RC

2)和SEC分別是 IMF(0.961、0.30%)、CP(0.95、0.640%)、Ash(0.899、0.030%)。以上研究表明，使用 NIRS檢測肉類的 IMF、CP、水分是可行的，但是不能有效檢測Ash含量，有學者認為這可能是由于礦物質不能吸收近紅外光譜而引起的，因此檢測Ash含量需要采用其他的檢測方法。

表1 應用于近紅外光譜技術的化學計量學方法

2.2 物理特性的檢測

肉類的物理特性主要包括持水性－WHC(EZ－滴水損失、托盤滴水損失、離心損失亨調損失－CL)，嫩度(WBF)，肉品顏色(L*、a*、b*)，肌原纖維節長度(SL)，pH 值。

2.2.1 持水性

Prevolnik等［7］采用 NIRS技術檢測豬肉的持水性，預測效果并不明顯(交差決定系數RCV2≤0.62)。同樣，在預測豬肉的持水性時Savenije等［7］得到的檢測均值也較低(SEC=1.19、交叉驗證標準誤差SECV=1.31、R=0.67、SEP=1.32、RP=0.58)。與以上 2種結果相一致，Prieto等［4］在預測牛肉持水性以及Tejerina等［12］在研究雞肉的持水性時，預測的準確性仍然較低，前者 SEC=1.49、RC2=0.759;后者預測決定系數RP2=0.35、SECV=2.35、偏差比率 RPD=1.14。為了進一步研究NIRS技術預測肉類WHC的可行性，Brφndum等［6］比較了4種光譜學方法檢測豬肉WHC的效果，結果表明:LF－NMR檢測效果最好(R=0.75)，但總體水平較低。Prevolnik 等［10］采用CP－ANN和BP－ANN兩種方法建立豬肉滴水損失的定標模型，然而2種模型的預測結果均不理想(RC2=0.53、RP2=0.37，RC2=0.44、RP2=0.38)。以上研究說明，NIRS技術不能直接預測肉類的WHC，有學者認為導致預測效果不佳的原因是:在肌肉成熟期間，pH值降低導致蛋白質和水分子之間產生靜電排斥，形成了一個持水性較好的封閉系統;在測量亨調損失時，熔化的脂肪包裹著結締組織，形成柵欄一樣的防護網，阻止汁液流失，降低了該特性的變異(CV)范圍，從而影響定標模型的線性關系［4］。

2.2.2 嫩度

在國外的研究中肉品的嫩度主要以沃布剪切力(WBSF)表示(或歐文斯剪切——MORS)，肉品的嫩度會隨著其成熟度的變化而發生顯著變化，一般在肉品成熟 24h后測定嫩度。Andrés等［17］研究發現，NIRS基本可以用于牛肉嫩度的檢測，他們得到RP2=0.64、RPD=1.46，這個結論與 Byrne 等［18］、Park等［19］、Rφdbotten 等［20］所獲得的研究結果一致，這些的實驗結果分別是RP2=0.68、0.63、0.67。然而同樣以牛肉為研究對象，Prieto 等［4］、Yancey 等［5］在檢測牛肉的嫩度時，研究結果并不理想，前者 RC2=0.28、SEC=0.56、SECV=0.60，后者 RC=0.47、RP=0.40、SEC=0.69、SEP=0.71。值得注意的是，后者在文中指出:增大定標模型的變異系數(CV)是提高檢測準確性的前提條件。綜合以上研究成果我們可以看出，NIRS技術用于肉品嫩度的檢測的相關系數還有待提高，在現有的研究基礎上，需要進一步改進實驗方法。在加熱測定WBSF時，有些實驗以加熱時間為準，有些以樣品中心溫度為準，有些用水浴加熱，而也有采用烘烤的方法進行加熱，不同的方法得到的實驗結果也不同，因此需要對實驗方法進行最優化。

2.2.3 肉色

肉色(L*、a*、b*)是顧客在購買產品時最重要的評價指標之一。Savenije等［6］研究發現，VIS－NIRS能較好地檢測豬肉的肉色，L*、a*、b*的分析均值結果分別是 RC=0.87、0.82、0.76;RP=0.84、0.69、0.74。同樣，Prieto 等［4］在使用 VIS－NIRS 檢測牛肉的顏色時，得到的結果分別是L*、b*(RP2=0.86、0.91，SECV=0.96、0.69，RPD=2.47、2.48)。這個結果與Andrés等［16］用 VIS－NIRS 檢測宰后牛肉 24h 的肉色的結果相一致，肌肉切口0min和60 min時L*(RP2=0.85、0.85，SECV=1.16、1.36)，另外 Leroy 等［21］在檢測牛肉肉色的L*時，得到的結果也較好(RP2=0.83)。然而，Liu 等［22］研究 VIS 的檢測結果發現，與L*相關的化學成分(水、IMF)的特征吸收峰出現在NIRS區域，因此檢測效果不佳。另一方面，Andrés等［16］得出 a*、b*(RP2＜0.60、RPD ＞0.90)，Leroy［20］和 Liu［21］卻成功檢測了 a*、b*(RP2=0.90、0.78)。分析以上研究結果我們可以看出:a*、b*的特征吸收峰與VIS密切相關，而L*的特征吸收峰存在于NIRS范圍。所以在檢測肉色時，為了提高檢測效果，不同的指標需要不同范圍的光譜來建立相應的定標模型。

2.2.4 pH 值

有學者還研究了NIRS用于pH值測定的可行性，生豬屠宰后，pH值有著顯著的變化(7.0→5.0)，一些新產生的酸類物質都含有O—H，這種化學鍵在近紅外譜區具有明顯的特征吸收峰。Andrés等［15］使用NIRS預測宰后24 h牛肉的pH值，并獲得了成功(光譜二階導數 R2=0.97、RPD=3.17)。然而，Andrés等［23］在另一篇以羊肉為研究對象的報道中指出:NIRS用于pH值測定的可行性較低(R2＜0.4)，但是檢測的時間不同，得到的相關系數也不同。同樣Prevolnik等［24］在其文章中表明 NIRS預測肉類 pH也未取得成功。

2.3 感官評價

感官特性包括風味(flavour)、口感(texture)、咀嚼性(chewiness)、多汁性(juiciness)、異味(abnormalflavour)等。Prieto等［4］以牛肉的多汁性、風味和異味為檢測目標，分析表明該檢測可行性較低(RC2=0.21、0.59、0.22，SEC=0.3、0.34、0.35，SECV=0.41、0.42、0.37)。這個結果與 Andrés 等［22］預測羊肉的感官特性的結果相似，多汁性、風味、異味(RC2=0.380、0.343、0.130，SECV=0.440、0.465、0.436)。然而，Yancey 等［5］得到了較好的結果(R2=0.79)。感官評價受到多種因素的影響，預測結果很不穩定，除了受評價人員的主觀因素影響外，還需要優化其他的檢測步驟，如感官評價時的環境等。

2.4 肉類品質分級

大量研究表明，NIRS技術是一種有效的肉品品質分級工具，正確分級的樣品占80%～100%。趙杰文等［2］研究了牛肉嫩度(老牛肉、小牛肉、中等嫩度牛肉)的分級，通過建立MLR模型得到的結果是(R=0.806)，正確分級率為84.21%。另一項基于模式識別判別分析法建模的研究得出了更好的結果(100%)［3］。同樣，Cozzolino 等［13］得到的實驗結果也較好，PCR 模型(R=0.94～0.97，SEP=0.34～0.39)，PLS 模型(R=0.95～0.97，SEP=0.28～0.42)。以上研究表明，NIRS技術在品質差別較大的肉類分級中作用表現顯著，但是基于化學成分含量較小差別的肉品分級的研究報道較少。

3 影響NIRS技術檢測準確性的因素

3.1 樣品溫度對光譜的影響

NIRS檢測技術要求每一個樣品在完成光譜采集之前，盡可能保持溫度一致，樣品溫度變化會引起光譜發生明顯變化。Iwamoto等［25］發現水溫從30℃上升到60℃時，1 400～1 500 nm附近的光譜帶會像短波方向發生偏移，他們在1 442 nm處發現了一個明顯的等消光點。這種現象可能是由于水溫升高，破壞了水分子之間原有的氫鍵平衡。Tφgersen等［15］在研究冷凍牛肉的品質時，發現樣品的溫度對NIRS有明顯的影響。如圖1所示，樣品溫度的上升，使得譜線向左漂移。因此，進行樣品光譜采集時要保持所有樣品溫度一致。

3.2 波長范圍的選擇

在NIRS檢測中，選用不同的波數范圍，檢測的準確性不同，有些特征吸收峰并不完全在NIRS區，如a*的特征吸收峰在VIS區。Prevolnik等［8］在研究豬肉的持水性時，采用3種波長范圍的光譜(400～1 100 nm，1 100～2 500 nm，400～2 500 nm)建模，結果表明，第一種光譜預測效果最好。有學者在VISNIRS范圍內遴選特殊的波數建立模型，得到的準確性也不同。探究一定條件下，同一官能團產生特征吸收峰的波數并進行標準化，以及不同官能團吸收光譜出現等消光點的規律將有助于提高NIRS技術檢測的可靠性和實用性。

圖1 不同溫度的平均吸收光譜

4 結論與展望

近紅外光譜技術在檢測肉類化學成分和肉類品質分級方面有著重要的作用，同時在預測肉類物理特性方面也表現出一定的可行性，因此可以將該技術用于一些有害、危險環境中代替人工檢測。但是NIRS在檢測性能上存在一定的局限性，尤其是在進行肉類的感官評價時，可行性較差，主要是因為檢測樣品的不均一性和感官評價人員的主觀性影響。因此，提高檢測方法的可行性，增大分析模型的檢測范圍和穩定性，以及實現檢測方法的標準化將有利于提高NIRS檢測效果和擴大其應用范圍，隨著相關技術的不斷發展，NIRS技術將會在肉品工業中得到更為廣泛的應用。

［1］陸婉珍，袁洪福，徐廣通，等.現代近紅外光譜分析技術［M］.北京:中國石化出版社，2000.

［2］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研究［J］.光譜學與光譜分析，2006，26:640－642.

［3］Prieto N，Andrés S，Giráldez F J，et al.Discrimination of adult steer(oxen)and young cattle ground Meat samples by near infrared reflectance spectroscopy(NIRS) ［J］.Meat Science，2007，79:198－201.

［4］Prieto N，Ross D W，Navajas E A，et al.On－line application of visible and near infrared reflectance spectroscopy to predict chemical–physical and sensory characteristics of beef quality［J］.Meat Science，2009，83:96－103.

［5］Yancey J W S，Apple J K，Meullenet J F，et al.Consumer responses for tenderness and overall impression can be predicted by visible and near－infrared spectroscopy，Meullenet–Owens razor shear and Warner–Bratzler shear force［J］.Meat Science，2010，85:487－492 .

［6］Br?ndum J，Munck L，Henckel P，et al.Prediction of waterholding capacity and composition of porcine meat by comparative spectroscopy ［J］.Meat Science，2000，55:177－185.

［7］Savenije B，Geesink G H，VanderPalen J G P，et al.Prediction of pork quality using visible/near– infrared reflectance spectroscopy ［J］.Meat Science，2006，73:181－184.

［8］Prevolnik M，Candek－Potokar M，MarjanaNovic，et al.An attempt to predict pork drip loss from pH and colour measurements or near infrared spectra using artificial neural networks［J］.Meat Science，2009，83:405－411.

［9］Fernández－Cabanás V M，Garrido－Varo A，GarcíaOlmo J，et al.Optimisation of the spectral pre－treatments used for Iberian pig fat NIR calibrations［J］.Chemometrics and Intelligent Laboratory Systems2007，87:104－112.

［10］Prevolnik M，MarjetaCandek－Potokar，?korjanc D.Predicting pork water－holding capacity with NIR spectroscopy in relation to different reference methods［J］.Journal of Food Engineering，2010，98:347－352.

［11］Viljoen M，Homan L C，Brand T S.Prediction of the chemical composition of freeze dried ostrich meat with near infrared reflectance spectroscopy［J］.Meat Science，2005，69:255－261.

［12］Tejerina D，López－Parra M，García－Torres S.Potential used of near infrared reflectance spectroscopy to predict meat physico－chemical composition of guinea fowl(Numidameleagris)reared under different production systems［J］.Food Chemistry，2009，113:1 290－1 296.

［13］Cozzolino D，Murray I.Identification of animal meat muscles by visible and near infrared.reflectance spectroscopy［J］.Lebensm－Wiss u－Technol，2004，37:447－452.

［14］劉建學.實用近紅外光譜分析技術［M］.北京:北京科學出版社，2008:15－16.

［15］Tφgersen G，Arnesenb J F，Nilsena 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.

［16］Andrés S，Silva A，Soares－Pereira A L，et al.The use of visible and near infrared reflectance spectroscopy to pre－dict beef M.longissimus thoracis et lumborum quality attributes［J］.Meat Science，2008，78:217－224.

［17］Byrne C E，Troy D J，Downey G，et al.Near Infrared spectroscopy as a meat quality indicator［C］.In Proceedings43th International congress of meat science and technology，1997，27:644－645.

［18］Park B，Chen Y R，Hruschka W R，et al.Near infrared reflectance analysis for Predicting beef longissimus tenderness［J］.Journal of Animal Science，1998，76:2 115－2 120.

［19］Rφdbotten R，Nilsen B N，Hildrum K I.Prediction of beef quality attributes for early post mortem near infrared reflectance spectra ［J］.Food Chemistry，2000，69:427－436.

［20］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，2003，66:45－54.

［21］Liu Y，Lyon B，Windham W，et al.Prediction of color，texture and sensory characteristics of beef steaks by visible and near infrared reflectance spectroscopy:A feasibility study［J］.Meat Science，2003，65:1 107－1 115.

［22］Andrés 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.

［23］Prevolnik M，Candek－Potokar M，Skorjanc D.Ability of NIR spectroscopy to predict meat chemical composition and quality——review ［J］.Czech Journal of Animal Science，2004，49:500－510.

［24］Iwamoto M，Uozumi K，Nishinari K.Preliminary investigation of the state of water in foods by near infrared spectroscopy［C］.In Proceedings of the International NIR/NIT Conference，1986:3－12.

Application of Near Infrared Reflectance Spectroscopy to Predict Meat Products Quality

Xiong Cheng，Dong Qing－li，Zen Jin，Hu Men－han
(School of Medical Instrument and Food Engineering University of Shanmghai for Science ＆ Technology，Shanghai 200093，China)

This review focused on the principle of near infrared reflectance spectroscopy(NIRS)and the application of NIRS to analyze the chemical composition，physical parameters，sensory attributes and quality classification.Moreover，some factors of affecting the accuracy of determination were discussed in this paper.Finally，the trend in the development of NIRS research was also analyzed.

NIRS，meat，quality

碩士研究生(董慶利副教授為通訊作者)。

*上海市研究生創新基金項目(JWCXS1002);國家自然科學基金(30800864)資助

2010－06－30，改回日期:2010－09－30