近紅外光譜技術快速測定鵝肉嫩度

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

（齊齊哈爾大學食品與生物工程學院，農產品加工黑龍江省普通高校重點實驗室，黑龍江 齊齊哈爾 161006）

我國鵝肉產量世界第一，占全球產量的94.36%[1]，鵝肉品質快速無損檢測研究意義重大。嫩度是肉品品質的一個重要感官特征，也是其食用質量與商業價值的重要指標，肉質鮮嫩的肉很受消費者歡迎，具有較高的經濟效益[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，前者一般是由經過訓練的品評員或消費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、耗時、重復性差、花費高。剪切力法測定嫩度結果客觀，但這種檢測方法操作過程很繁瑣、耗時、有損，且不能在肉類生產在線應用[4-8]。近紅外光譜作為新型光學檢測技術在食品行業中得到廣泛應用，該技術能實現肉品在線、快速、無損檢測，是肉和肉制品品質分析的重要和最具潛力的新技術之一[9-13]。國外研究者[14-18]對牛肉、羊肉和雞肉的嫩度品質等進行了近紅外光譜預測研究，并取得了較滿意的效果。國內Cai Jianrong等[19]把WBSF看做是肉嫩度的一個重要指標，確定了用近紅外光譜在肉中測定WBSF的可行性[19]。張德權等[21]對羊肉嫩度進行了近紅外預測，光譜經矢量歸一法處理后，建立的羊肉嫩度模型精度最高，模型的決定系數達到0.862，建模集交互驗證均方差為0.445 0。根據目前的報道總結，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]，但近紅外光譜技術從未應用于鵝肉嫩度檢測中。我國是鵝肉生產和出口第一大國，應用近紅外技術判斷生鮮鵝肉的品質，對待售生鮮肉進行自動分級、按質論價、分級加工，指導鵝肉制品的生產，促進鵝肉制品的銷售具有重要的意義。本實驗擬利用近紅外光譜技術對鵝肉嫩度進行研究，考察近紅外光譜和鵝肉嫩度之間的相關性，建立鵝肉嫩度的近紅外檢測模型，研究利用近紅外光譜預測鵝肉嫩度的方法，為建立鵝肉的在線無損檢測技術提供一定的參考依據。

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質構儀 美國Brookfield實驗儀器有限公司；HH-S型恒溫水浴鍋 鞏儀義市予華儀器有限責任公司；真空封裝機 廣東東莞金橋電子產品公司。

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。每個樣品重復掃描3 次，每次掃描時樣品要求重新裝樣，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，質構儀的設置參數如表1所示。

表 1 質構儀測剪切力設置參數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，在100 ℃的沸水中煮到中心溫度達到80 ℃，并持續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，規格為40 mm×10 mm×10 mm。將修整后的鵝肉條置于質構儀上，選擇Warner-Bratzler剪切刀頭垂直于肌纖維方向對鵝肉條進行剪切測定，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 個特征樣品作為校正集樣品，其余隨機選取20 個作為預測集樣品。

1.2.3 光譜數據處理與分析

利用Unscrambler 9.8軟件對5點移動窗口平滑處理（smothing，SM）、一階微分（first derivative，FD）、標準正態變量變換（standard normal variate，SNV）和多元散射校正（multiplicative signal correction，MSC）等6種光譜預處理方法的消噪效果進行比較，應用主成分回歸（principle component regression，PCR）和偏最小二乘法（partial least square，PLS）兩種數學校正方法分別建模。用模型決定系數（R2）、交互驗證均方根誤差（root mean standard error of cross validation，RMSECV）、預測均方根誤差（root mean square error of prediction，RMSEP）為模型精度評價指標，用預測值和實測值的相關系數（r）和預測平均偏差（Bias）檢驗模型的準確度。

2 結果與分析

2.1 鵝肉樣品近紅外平均光譜圖

校正集60 個鵝肉樣品的近紅外平均光譜圖見圖1，剪切力數據分布如表2所示。從光譜圖來看，在950～1 650 nm譜區內，鵝肉近紅外反射光譜曲線各區段表現出獨特吸收，在整個光譜區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的合頻區、倍頻區均形成強烈的吸收，1 350～1 450 nm（6 900～7 400 cm－1）波段之間受水蒸氣的影響產生了較微小的噪聲信號，肉中蛋白質的吸收主要與N—H的分子振動相關，有學者研究表明：N—H鍵伸縮振動的一級倍頻在1 500 nm（6 666 cm－1）附近，帶有N—H鍵的雜環芳香化合物，較強的一級倍頻出現在1 463 nm（6 835 cm－1）。而蛋白質的特征譜帶為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]，因此在建模時需要考慮特征波長區間的選取。

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 個鵝肉樣品，根據鵝肉樣品的剪切力范圍選取具有代表性的60 個特征樣品作為校正集樣品，其余隨機選取20 個作為預測集樣品。60 個校正集樣品的剪切力值范圍為133.40～2 094.47 g，基本涵蓋了我國現有的鵝肉嫩度值分布范圍，說明本實驗選用的樣品就有很強的代表性。校正集和預測集鵝肉樣品剪切力的實測結果見表2。

表 2 鵝肉剪切力測定結果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 樣品數量/個 剪切力范圍/g 平均值/g 標準偏差/g校正集 60 133.40～2 094.47 525.84 405.56預測集 20 113.40～640.33 342.64 134.05

2.3 最佳光譜預處理方法的確定

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

表 3 不同光譜預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光譜預處理方法 主成分數 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處理光譜數據，以PLS法建立回歸模型的預測能力優于另外5 種預處理方法。

表 4 不同光譜預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光譜預處理方法 主成分數 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作為光譜預處理方法，以PCR法建立回歸模型的預測能力優于另外5 種預處理方法。

2.4 最佳定標模型的確定

通過光譜預處理方法的篩選，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行比較，結果如表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法建模時間明顯比PCR法建模時間短，因此適合鵝肉嫩度的最優建模方法為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 主成分數 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回歸模型的預測能力優于采用SNV處理光譜建立的PCR回歸模型的預測能力。

2.5 鵝肉嫩度模型的可靠性驗證

選取主成分數10，用PLS法處理光譜建立鵝肉嫩度模型，將驗證集的20 個樣品代入模型中，進行鵝肉樣品的嫩度測定，預測值和實測值的分布見圖2所示。結果表明：鵝肉剪切力預測值和實測值的r2為0.940 2，兩組數據的r為0.971 1，說明近紅外光譜預測值與剪切力實測值具有極顯著的相關性，經單因素方差分析得到P=0.596 2＞0.05，即在95%的置信區間內，鵝肉剪切力實測值與預測值無顯著性差異。Bias為21.673 g。

圖 2 鵝肉剪切力PLS模型的外部驗證結果Fig.2 External verification of WBSF using PLS model

3 結 論

3.1 在950～165 0 nm的波長范圍內，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，主成分數為10時，模型R2為0.908 0，RMSECV達到最小值113.618 6。用此模型對20 個鵝肉樣品進行預測，鵝肉光譜預測值和WBSF實測值之間r為0.971 1，Bias為21.673 g。

3.2 應用近紅外光譜技術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進行鵝肉嫩度快速非破壞性檢測的一種方法。

[1]陳銳. 中國為世界第一產鵝大國[J]. 農業技術與裝備, 2010, 25(19): 76.

[2]周光宏. 肉品學[M]. 北京: 中國農業科技出版社, 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, 2002, 23(4):99-102.

[5]劉興余, 金邦荃, 詹魏, 等. 豬肉質構的儀器測定與感官評定之間的相關性分析[J]. 食品科學, 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[J]. 河南工業大學學報: 自然科學版, 2009, 30(6): 29-32.

[7]張秋會, 趙改名, 李苗云, 等. 肉制品的食用品質及其評價[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的禽肉品質檢測[D]. 南昌: 江西農業大學, 2011: 30-35.

[9]徐霞, 成芳, 應義斌. 近紅外光譜技術在肉品檢測中的應用和研究進展[J]. 光譜學與光譜分析, 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[J].光譜學與光譜分析, 2010, 30(3): 685-687.

[11]陳士進, 彭增起, 李景軍, 等. 光譜技術預測牛肉嫩度研究進展[J].食品科學, 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研究[J]. 光譜學與光譜分析, 2006, 26(4): 640-642.

[21]張德權, 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]. 光譜學與光譜分析, 2008, 28(11): 2550-2553.

[22]吳建虎, 彭彥昆, 江發潮, 等. 牛肉嫩度高光譜法檢測技術[J]. 農業機械學報, 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]嚴衍祿, 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: 95-97.