近紅外光譜快速測定乳化香腸的化學成分

史智佳，臧明伍，呂 玉，喬曉玲*

(中國肉類食品綜合研究中心，北京 100068)

近紅外光譜快速測定乳化香腸的化學成分

史智佳，臧明伍，呂 玉，喬曉玲*

(中國肉類食品綜合研究中心，北京 100068)

對乳化香腸中脂肪、蛋白質和水分含量的近紅外光譜快速檢測技術進行研究。光譜經過校正處理和范圍優選，采用偏最小二乘法建立脂肪、蛋白質和水分的定量分析模型。統計結果顯示，脂肪的定量分析模型的決定系數(R2)、內部交互驗證校正標準偏差(RMSECV)、預測標準偏差(RMSEP)和外部驗證交互檢驗相對標準偏差(RPD)分別為0.9867、0.556%、1.25%和3.98；蛋白質的定量分析模型的R2、RMSECV、RMSEP和RPD分別為0.9723、0.28%、0.59%和2.83；水分的定量分析模型的R2、RMSECV、RMSEP和RPD分別為0.9905、0.428%、1.15%和3.85。這說明所建定量分析模型具有良好的分析精度和穩定性，可以用于乳化香腸中脂肪、蛋白質和水分的檢測。

乳化香腸；近紅外光譜；快速檢測；定量模型

近紅外光譜是指波長范圍為780～2526nm，介于可見光譜區和中紅外光譜區之間的電磁波，對應于分子振動的倍頻和組合頻，它通常受含氫基團如C—H、N—H、O—H的倍頻和合頻的重疊主導，所以在NIR光譜區域，主要測量含氫基團X—H振動的倍頻和合頻吸收[1-3]。由于肉類中的大多數有機化合物如蛋白質、脂肪、有機酸、碳水化合物等含有不同的含氫基團，所以可以通過分析其近紅外光譜確定不同物質的含量。

近紅外光譜分析技術已經在牛、羊、豬、雞等畜禽生鮮肉組分定量檢測中進行了廣泛的研究，主要集中于粗蛋白質、肌間脂肪、干物質、灰分、水分、總能量、肌紅蛋白和膠原蛋白等物質[4-13]，均取得了較好的效果。劉曉曄等[14]還將近紅外光譜分析技術用于普通公牛肉和淘汰母牛肉的鑒別，采用偏最小二乘判別分析法(PLSDA)建立了兩個產地普通公牛肉和淘汰母牛肉的鑒別模型的預測準確率分別達到96%和90%。在肉制品中，Ortiz-Somovilla[15]和Gaitan-Jurado[16]等分別研究了豬肉香腸和干腌豬肉香腸中蛋白質、脂肪和水分的近紅外定量分析技術，效果良好；趙麗麗等[17]應用近紅外光譜分析技術定量檢測腌臘肉制品的酸價和水分的含量，同樣取得的很好的效果。但整體而言，近紅外光譜在肉制品組分定量檢測中的應用研究非常少。乳化香腸是以畜禽肉為主要原料，經過絞碎、腌制、斬拌乳化、灌腸、蒸煮、煙熏等工藝制成的中低溫西式肉制品[18]，在肉制品市場上占據重要地位。乳化香腸的蛋白質、脂肪和水分等組分含量信息，是評判產品品質的重要依據。為了快速獲得乳化香腸的有效信息，本實驗進行近紅外光譜分析技術快速檢測乳化香腸的組分含量的應用研究。

1 材料與方法

1.1 材料與試劑

豬通脊肉、豬背脂 北京市第五肉類聯合加工廠；乙醚、濃硫酸、硫酸鉀、硫酸銅、鹽酸、氫氧化鈉、硼酸、甲基紅/溴甲酚綠混合指示劑(均為分析純) 北京北北精細化學品有限公司；亞硝酸鈉(食品級) 北京北方霞光食品添加劑有限公司；香辛料(食品級) 德國BK公司；三聚磷酸鈉(食品級) 北京美添前景科技有限公司；VC-Na(食品級) 北京嘉康源科技發展有限公司；大豆分離蛋白 吉林不二蛋白有限公司。

1.2 儀器與設備

MPA傅里葉變換近紅外光譜儀(配有漫反射積分球、Version 7.0 OPUS光譜處理軟件) 德國布魯克光譜儀器公司；FSP-625組織搗碎機 日本Nihonseiki Kaisha公司；TA-XT plus質構儀 英國Stable Micro System公司；Cutter K20 Ras V斬拌機和WH82絞肉機 德國賽德曼機械制造公司；BYXX-50全自動煙熏箱 杭州艾博機械工程有限公司；OSCAR 20真空灌腸機 德國海因里希弗雷機械制造有限公司；DZ-600/2S型真空包裝機 山東小康機械有限公司。

1.3 方法

1.3.1 乳化香腸的制備

按照原料肉→解凍→修割→絞制→斬拌(過程中分步加入鹽類、輔料和脂肪)→真空灌腸→煮制→冷卻包裝的工藝，將不同比例的通脊肉、脂肪、水、大豆分離蛋白等原輔料加工制成乳化香腸，包裝后置于4℃冷庫中貯藏備用。

1.3.2 理化指標的測定

水分的測定：參照GB/T 9695.15—2008《肉與肉制品：水分含量測定》；脂肪的測定：參照GB/T 9695.7—2008《肉與肉制品：總脂肪含量測定》；蛋白質的測定：參照GB/T 9695.11—2008《肉與肉制品：氮含量測定》。

1.3.3 近紅外光譜的采集

于實驗前一晚將乳化香腸從冷藏庫中取出，使用組織搗碎機將其粉碎。將粉碎所得肉糜鋪滿聚苯乙烯表面皿，并置于可旋轉水平樣品臺，使用鍍金漫反射積分球采集其漫反射近紅外光譜。光譜采集范圍4000～12000cm-1，掃描次數64次，分辨率8cm-1。為了避免裝樣對近紅外光譜采集的影響，每個樣品重復裝樣2次。

1.3.4 定量分析模型的建立及評價

近紅外光譜的處理分析使用Version 7.0 OPUS光譜處理軟件。通過對原始光譜的校正處理、波長范圍優選，最終建立偏最小二乘法(partial least square，PLS)定量分析模型。

傳統觀點認為PLS具有較強的抗干擾能力，可全波長參與多元校正模型的建立。但隨著對PLS的深入研究和應用發現，通過特定方法篩選特征波長或波長區間有可能得到更好的定量校正模型[19]，其不但可以簡化模型，還可以剔除不相關或非線性變量，提高模型的預測能力和穩健性。在絕大多數情況下，波長的篩選只需確定一個范圍即可滿足提高模型質量的要求，無需尋找單點光譜數據。確定最佳波長范圍的方法則是列舉全部有意義的波長范圍分別進行PLS回歸分析，然后根據交互驗證標準偏差(RMSECV)進行優選。

近紅外光譜校正方法有很多種，常用的主要有求導法、多元散射校正(multiplicative scatter correction，MSC)、卷積平滑法(savitzky-golay，SG)、矢量歸一化(standard normal variate transformation，SNV)等。MSC主要是消除顆粒分布不均勻及顆粒大小產生的散射影響，增強與成分含量相關的光譜吸收，在固體漫反射和漿狀物透(反)射光譜中應用較為廣泛。SNV的作用與MSC基本一致，主要是用來消除固體顆粒大小、表面散射以及光程變化對NIR漫反射光譜的影響[19-20]。光譜求導法校正可有效地除去基線和其他背景的干擾，分辨重疊峰，提高分辨率和靈敏度[19]，其中一階導數和二階導數最為常用。但為了消除光譜變換帶來的噪聲，常在求導前需對原始光譜進行平滑處理。SG是消除噪聲最常用的一種方法，其本質是對光譜曲線進行低通濾波，去掉高頻成分，保留有用低頻信息[21]。

模型在建立和外部驗證過程中，通常根據決定系數(R2)、內部交互驗證標準偏差(root mean square error of cross validation，RMSECV)、外部檢驗預測標準偏差(root mean square error of prediction，RMSEP)和交互檢驗相對標準偏差(residual prediction deviation，RPD)對其質量進行評價，以選取最優的參數。

決定系數(R2)值反映因變量(吸光度)和自變量(成分含量)之間相關的密切程度。R2值越接近于1，說明自變量對因變量的解釋程度越高，自變量引起的變異占總變異的比例越高，模型的準確度越高。RMSECV為交互驗證標準偏差，其計算公式為：

式中：yi,actual為第i個樣品參考方法的測定值；yi,predicted為用所建模型對校正集中第i個樣品的預測值；n為校正集的樣品數。RMSECV越小，表明模型的回歸性越好。RMSEP為預測標準偏差。按照概率統計，通過RMSEP可以估計出預測值與參考方法實際值的之間的偏差。如光譜方法的預測值為，則參考方法實際值落在[±SEP]范圍的概率為67%左右，落在[±2×SEP]范圍的概率為95%左右[19]。因此，RMSEP值越小，結果越準確。RPD為驗證集標準偏差與預測標準偏差的比值。通常認為，如果RPD≥3.0，說明定標效果良好，建立的定標模型可以用于實際檢測；如果2.5＜RPD＜3.0，說明利用NIR對該成分進行定量分析是可行的，但預測精度有待于提高；如果RPD＜2.5，則說明該成分難于進行NIRS定量分析[22]。

2 結果與分析

2.1 乳化香腸組分分析及圖譜采集結果

乳化香腸樣品共計46個，其中校正集34個，驗證集12個。所有樣品的脂肪含量介于10.5%～29.7%，蛋白質含量介于10.2%～18.5%，水分含量介于52.2%～73.6%，統計結果見表1。乳化香腸原始的近紅外光譜如圖1所示。

表1 樣品中脂肪、蛋白質和水分含量Table1 Chemical analyses of fat, protein and water in samples

圖1 乳化香腸的原始近紅外光譜Fig.1 Original NIR spectra of emulsion-type sausage

2.2 近紅外光譜的校正

由于近紅外光譜除含有乳化香腸化學成分信息外，還包括各種儀器噪聲，如高頻隨機噪聲、基線漂移、雜散光、樣品背景等。因此，在數據進行分析前，應對光譜進行校正，消除(或減弱)各種非目標因素對光譜的影響，為穩定、可靠的校正模型建立奠定基礎。不同的光譜預處理方法對建立的定量分析模型的分析精度有著不同的影響。本實驗研究了MSC、SNV、一階導數＋SG、二階導數＋SG、一階導數＋SG＋SNV和一階導數＋SG＋MSC六種光譜校正方法和組合對全光譜(4000～12000cm-1)PLS回歸模型的影響。

表2 不同的光譜校正方法和窗口寬度對全光譜PLS模型效果的影響Table2 Effects of different spectral pre-processing methods and Savitky-Golay smoothing with different smoothing points on NIR mathematic models

圖2 MSC預處理乳化香腸近紅外光譜圖Fig.2 NIR spectra of emulsion-type sausage obtained by MSC pre-processing

圖3 SNV預處理乳化香腸近紅外光譜圖Fig.3 NIR spectra of emulsion-type sausage obtained by SNV pre-processing

將經過MSC和SNV校正過的光譜進行全光譜PLS回歸，其留一法的內部交互驗證結果如表2所示。光譜經過MSC和SNV校正后分別建立的全光譜PLS回歸模型，其決定系數(R2)、交互驗證校正標準偏差(RMSECV)和交互檢驗相對標準偏差(RPD)的值差異不大。這主要是兩種光譜校正方法的目的基本相同，即MSC主要是消除顆粒分布不均勻及顆粒大小產生的散射影響，增強與成分含量相關的光譜吸收，而SNV主要是用來消除固體顆粒大小、表面散射以及光程變化對NIR漫反射光譜的影響[19-20]。經MSC和SNV校正后的乳化香腸的近紅外光譜如圖2、3所示。可以看出，經過光譜經SNV處理后，其縱坐標值明顯小于MSC校正結果，這是由于兩種校正方法的校正理論不同造成的。

在卷積平滑處理過程中，平滑窗口寬度(也即平滑點數)是一個重要參數——窗口寬度太小，平滑去噪效果不佳；平滑窗口過大，有用信息也將被平滑掉，造成信號失真。平滑窗口寬度是在實際應用中總結出來的，不同樣品的窗口寬度是不一樣的[23]。表2給出了乳化香腸的近紅外光譜經過不同窗口寬度的平滑處理，再經不同校正方法處理后，建立的全光譜PLS回歸模型的留一法內部交互驗證結果。

從表2可以看出，對于脂肪而言，一階導數光譜校正最佳平滑點數為5點，此時R2值最大、RMSECV值最小，分別為95.57%和1.01；二階導數光譜校正最佳平滑點數為9點，對應的R2值、RMSECV值分別為95.71%、0.997；SNV＋一階導數和MSC＋一階導數光譜校正的最佳平滑點數都為17點。對于蛋白質而言，一階導數、二階導數、SNV＋一階導數和MSC＋一階導數光譜校正的最佳平滑點分別為9點、25點、13點和21點；而水分的則分別為9點、21點、5點和5點。

2.3 定量分析模型的建立及驗證

表3 乳化香腸化學成分PLS定量分析模型評價結果Table3 Evaluation results for the PLS models of fat, protein and water contents

定量分析模型采用偏最小二乘法(PLS)。由表2可知，對于脂肪和水分而言，光譜經MSC和SNV校正后建立的全光譜PLS回歸模型最好；而對于蛋白質而言，光譜經SG(13點)＋SNV＋一階導數和SG(21點)＋MSC＋一階導數校正后建模效果最好。針對不同組分，在確定光譜校正方法后，利用OPUS軟件列舉全部有意義的波長范圍并分別進行PLS回歸分析，再根據交互驗證標準偏差(RMSECV)確定最佳波長范圍，進而建立定量分析模型并進行外部驗證，結果如表3所示。

從表3可以看出，近紅外光譜經過MSC校正后建立的脂肪的PLS定量分析模型的RMSEP最小值和RPD最大值分別為1.25和3.98，這說明所建立的定量分析模型具有良好的分析精度和穩定性，最佳波長范圍有兩個，分別是7498.6～9404.1cm-1和4243～5454.2cm-1。而對于蛋白質而言，PLS定量分析模型的RMSEP最小值為0.59，RPD最大值為2.83，最佳波長范圍是6094.5～9404.1cm-1和4243～4852.5cm-1；對于水分而言，RMSEP最小值、RPD最大值和最佳波長范圍分別為1.15、3.85和7498.6～9404.1cm-1。這些說明，近紅外光譜分析技術可以很好的用于乳化香腸中脂肪和水分的快速檢測，而用于蛋白質含量的檢測盡管是可行的，但分析精度還有待提高。

3 結 論

本研究使用近紅外光譜分析技術對乳化香腸的3種主要組分進行檢測，研究了MSC、SNV、一階導數＋SG、二階導數＋SG、一階導數＋SG＋SNV和一階導數＋SG＋MSC六種光譜校正方法或組合，以及卷積平滑處理過程中不同窗口寬度對全光譜(4000～12000cm-1)PLS回歸模型的影響。結果顯示，對于脂肪和水分，光譜預處理僅需采用MSC或SNV；而對于蛋白質，光譜預處理則宜采用求導法以提高分辨率和靈敏度，但在光譜轉換(求導)前需對光譜進行抗噪處理。

在確定了光譜校正方法后，借助OPUS光譜分析軟件的波長范圍自動優選(自動列舉出全部的有意義的波長范圍并進行PLS回歸分析，根據RMSECV篩選波長范圍)功能，針對不同組分篩選了最佳波長范圍，建立了PLS定量分析模型并進行了外部驗證。結果顯示，對于脂肪而言，選取介于7498.6～9404.1cm-1和4243～5454.2cm-1的波長建立的定量分析模型質量最好，而蛋白質的最佳建模波長范圍為6094.5～9404.1cm-1和4243～4852.5cm-1，水分的最佳波長范圍是7498.6～9404.1cm-1。

最后對建立的PLS定量分析模型進行外部驗證。結果顯示，脂肪和水分的近紅外定量分析模型的RPD均大于3，說明所建立的定量分析模型具有良好的分析精度和穩定性，可用于乳化香腸中脂肪和水分的檢測；而蛋白質定量分析模型的RPD介于2.5～3之間，則說明利用近紅外可以對蛋白質進行定量分析，但該模型的分析精度還有待于提高。

參考文獻：

[1] 嚴衍錄, 趙龍蓮, 韓東海, 等. 近紅外光譜分析基礎與應用[M]. 北京:中國輕工業出版社, 2005.

[2] 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, 2006.

[3] 李民贊. 光譜分析技術及其應用[M]. 北京: 科學出版社, 2006.

[4] 孫曉明, 盧凌, 張佳程, 等. 牛肉化學成分的近紅外光譜檢測方法的研究[J]. 光譜學與光譜分析, 2011, 31(2): 379-383.

[5] KESTENS V, CHAROUD-GOT J, BAU A, et al. Online measurement of water content in candidate reference materials by acousto-optical tuneable filter near-infrared spectrometry (AOTF-NIR) using pork meat calibrants controlled[J]. Food Chemistry, 2008, 106: 1359-1365.

[6] RIPOLL G, ALBERT? P, PANEA B, et al. Near-infrared reflectance spectroscopy for predicting chemical, instrumental and sensory quality of beef[J]. Meat Science, 2008, 80: 697-702.

[7] BARLOCCO N, VADELL A, BALLESTEROS F, et al. Predicting intramuscular fat, moisture and Warner–Bratzler shear force in pork muscle using near infrared reflectance spectroscopy[J]. Animal Science, 2006, 82: 111-116.

[8] MCDEVITT R M, GAVIN A J, ANDR?S S, et al. The ability of visible and near infrared reflectance spectroscopy (NIRS) to predict the chemical composition of ground chicken carcasses and to discriminate between carcasses from different genotypes[J]. Journal of Near Infrared Spectroscopy, 2005, 13: 109-117.

[9] BERZAGHI P, DALLA ZOTTE A, JANSSON L M, et al. Nearinfrared reflectance spectroscopy as a method to predict chemical composition of breast meat and discriminate between different n-3 feeding sources[J]. Poultry Science, 2005, 84: 128-136.

[10] 成芳, 樊玉霞, 廖宜濤. 應用近紅外漫反射光譜對豬肉肉糜進行定性定量檢測研究[J]. 光譜學與光譜分析, 2012, 32(2): 354-359.

[11] VILJOEN M, HOFFMAN L C, BRAND T S. Prediction of the chemical composition of mutton with near infrared reflectance spectroscopy[J]. Small Ruminant Research, 2007, 69: 88-94.

[12] 劉魁武, 成芳, 林宏建, 等. 可見/近紅外光譜檢測冷鮮豬肉中的脂肪、蛋白質和水分含量[J]. 光譜學與光譜分析, 2009, 29(1): 102-105.

[13] PRIETO N, ANDR?S S, GIR?LDEZ F J, et al. Potential use of near infrared reflectance spectroscopy (NIRS) for the estimation of chemical composition of oxen meat samples[J]. Meat Science, 2006, 74: 487-496.

[14] 劉曉曄, 湯曉艷, 孫寶忠, 等. 普通公牛肉和淘汰母牛肉的近紅外光譜鑒別方法[J]. 食品科學, 2012, 33(24): 244-248.

[15] ORTIZ-SOMOVILLA V, ESPA?A-ESPA?A F, GAIT?N-JURADO A J, et al. Proximate analysis of homogenized and minced mass of pork sausages by NIRS[J]. Food Chemistry, 2007, 101: 1031-1040.

[16] GAIT?N-JURADO A J, ORTIZ-SOMOVILLA V, ESPA?AESPA?A F, et al. Quantitative analysis of pork dry-cured sausages to quality control by NIR spectroscopy[J]. Meat Science, 2008, 78: 391-399.

[17] 趙麗麗, 馬長偉, 張錄達, 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.

[18] 王玉田, 馬兆瑞. 肉品加工技術[M]. 北京: 中國農業出版社, 2008: 45.

[19] 褚小立. 化學計量學方法與分子光譜分析技術[M]. 北京: 化學工業出版社, 2011.

[20] 劉魁武, 成芳, 林宏建, 等. 可見/近紅外光譜檢測冷鮮豬肉中的脂肪、蛋白質和水分含量[J]. 光譜學與光譜分析, 2009, 29(1): 102-105.

[21] 詠梅, 張鐵強, 張軍, 等. 平滑、導數、基線校正對近紅外光譜PLS定量分析的影響研究[J]. 光譜學與光譜分析, 2004, 24(12): 1546-1548.

[22] 黃光群, 韓魯佳, 楊增玲. 近紅外漫反射光譜法快速測定畜禽糞便堆肥多組分含量[J]. 光譜學與光譜分析, 2007, 27(11): 2203-2207.

[23] 李鵬飛. 梨內部品質可見/近紅外光譜無損檢測研究[D]. 北京: 中國農業大學, 2009.

Rapid Determination of Chemical Constituents in Emulsion-Type Sausage by Near-Infrared Diffuse Reflectance Spectroscopy

SHI Zhi-jia，ZANG Ming-wu，L? Yu，QIAO Xiao-ling*
(China Meat Research Center, Beijing 100068, China)

This study reports on the application of near-infrared (NIR) diffuse reflectance spectroscopy for rapid determination of fat, protein and water in emulsion-type sausage. After the original spectra were calibrated and the optimum range was selected, partial least-squares model (PLS) models for quantitative analysis of fat, protein and water were developed. The statistical data showed that the determination coefficient (R2), root mean square error of cross validation (RMSECV), root mean square error of prediction (RMSEP) and residual prediction deviation (RPD) for the quantitative analysis model of fat were 0.9867, 0.556%, 1.25% and 3.98; the values of R2, RMSECV, RMSEP and RPD were 0.9723, 0.28%, 0.59% and 2.83 for protein; and 0.9905, 0.428%, 1.15% and 3.85 for water, respectively. The results prove that the quantitative analysis models have good precision and stability, and can be used for rapid detection of fat, protein and water in emulsion-type sausage.

emulsion-type sausage；NIR spectroscopy；rapid determination；quantitative model

TS251.7

A

1002-6630(2013)18-0175-05

10.7506/spkx1002-6630-201318035

2013-04-18

國家公益性行業(農業)科研專項(200903012)

史智佳(1982—)，男，工程師，碩士，主要從事肉類制品加工及質量安全控制研究。E-mail：szj2006@sina.com

*通信作者：喬曉玲(1964—)，女，教授級高級工程師，本科，主要從事肉品科學和加工技術研究。E-mail：cmecsen@126.com