近紅外光譜分析技術在肉類產品檢測中的應用研究進展

,,

(1.西南大學食品科學學院,重慶 400715； 2.西南大學工程技術學院,重慶 400715)

近紅外光譜分析技術在肉類產品檢測中的應用研究進展

吳習宇1,2,趙國華1,祝詩平2,*

(1.西南大學食品科學學院,重慶 400715； 2.西南大學工程技術學院,重慶 400715)

近年來,近紅外光譜技術(Near Infared Spectroscopy,NIRS)作為一種新型光學檢測技術在食品工業中得到越來越廣泛的應用,被證實為肉和肉制品品質檢測中最為有效、先進的方法之一。文章綜述了近紅外光譜技術在肉類行業應用中近年來的研究進展,主要包括肉品化學成分、感官指標、物理性質的檢測及肉品品種、等級的鑒定，并且展望了該技術的發展前景,認為標準化取樣、改善參考方法將有助于提高近紅外光譜技術的預測精度。

近紅外光譜技術,肉品,肉品分析

近紅外光(Near Infrared,NIR)是指波長介于可見光區與中紅外區之間的電磁波,波長范圍780～2526nm,該光區的吸收帶主要是由低能電子躍遷、含氫原子團(如N-H、O-H、C-H)的伸縮、彎曲振動的倍頻及組合頻吸收產生。當有機物中的物質分子受到近紅外線照射時,其中的含氫基團產生振動使光的部分能量被吸收,由于吸收帶波長位置與吸收譜帶的強度反映了分子結構的特點,因此近紅外光譜法可用于鑒定未知物的結構組成,同時吸收譜帶的吸收強度與分子組成或化學基團的含量有關,還可用以進行定量分析或純度鑒定[1]。對某些無近紅外光譜吸收的物質,也能夠通過其共存的本體物質的近紅外光譜變化,間接地反映其信息。但由于近紅外光譜承載的復雜樣品信息具有多元性特征,形成了光譜的復雜、重疊與變動,使得從中提取待測量的弱信息變得困難。因此,運用化學計量學算法建立與應用待測量與樣品光譜特征間具有容變性的關系模型是近紅外光譜分析技術的關鍵。由于肉類產品中的大多數有機化合物如蛋白質、脂肪、有機酸、碳水化合物等都含有不同的含氫基團,所以通過對其進行近紅外光譜分析可測定這些化學成分的含量,并可以此為依據,得到更多的與肉品品質相關的信息。由于近紅外光譜分析技術具有檢測速度快、非破壞性、簡單無污染、可檢測多種化學成分含量及其特性、適于大規模產業化生產的在線檢測等優點,近年來在食品行業發展較快,它不僅能實現肉類產品的化學成分檢測,同時也可用于感官品質評價、物理特性、品種鑒別與安全評定及在線分級分揀等,本文主要介紹近年來近紅外光譜技術在肉類產品無損檢測方面的應用與研究進展。

1 近紅外光譜技術應用于肉類產品化學成分分析

肉品的化學成分對肉的食用品質和營養品質有較大的影響,如肉品中水分含量關系到肉的品質和風味,肌內脂肪含量影響肉的多汁性和嫩度等。傳統的化學分析方法具有破壞性大、花費時間長,不適宜于在線即時檢測,而NIR技術應用于肉品化學成分分析,可以快速、無損測定原料肉及肉類制品中多種組分的含量,以評定其品質[2]。早在20世紀70～80年代,國外已有研究者開始關注近紅外反射光譜與水分、蛋白質、脂肪之間的相關性研究[3],這為深入挖掘近紅外光譜在肉品快速檢測方面的應用與發展打下了基礎。近年來,近紅外光譜技術在肉品的化學成分快速檢測方面取得了諸多進展,如Cozzolino等應用可見/近紅外光譜對51只羊身上不同部位的306塊肌肉進行檢測,發現測定的結果與化學分析測得的結果具有較好的相關性,水、蛋白質、肌內脂肪的相關系數分別為0.76、0.83、0.73[4]。Gaitán-Jurado等將兩個品種的豬肉混合后采用切片和絞碎兩種方法制成熏干肉腸,利用NIR獲得光譜建立脂肪、蛋白質、水分的關系模型,采用切片方法加工的肉腸脂肪、水分和蛋白質的相關系數分別為0.98、0.93、0.97,絞碎方法加工的肉腸脂肪、水分、蛋白質的相關系數則分別為0.99、0.98、0.97[5]。

除了蛋白質、脂肪、水分這三種主要的組分外,脂肪中脂肪酸的組成和含量對肉的品質和營養價值也具有較大的影響,近年來,也有一些學者開始對肉類脂肪酸的組成和含量進行了近紅外光譜分析研究。Sierra等采用NIR技術預測了牛肉中各種脂肪酸含量,飽和脂肪酸、支鏈脂肪酸和單一不飽和脂肪酸校正模型的相關系數分別為0.837、0.701和0.852[6]。De Marchi等在波長范圍1100～1830nm用近紅外光纖探頭在線采集未切碎的雞胸肉光譜,采用MPLS建立模型對多種脂肪酸含量進行了預測,結果證實利用近紅外反射光難以對無損雞胸肉的脂肪酸含量進行有效的在線檢測[7]。Prieto等采用近紅外光纖探頭采集兩種不同飼養方式的牛肉樣本光譜研究脂肪酸含量,LIMX樣本中的部分脂肪酸含量的相關系數大于0.64,而AAx樣本中脂肪酸含量的近紅外光譜檢測相關系數較低[8]。可見,除了對含量相對較多的油酸、單不飽和脂肪酸等的檢測尚可外,對肉品中其他含量較少的脂肪酸進行近紅外光譜檢測較困難,這主要是由于近紅外光譜是碳氫基團倍頻和合頻的吸收,其吸收強度較弱,不利于痕量分析,對肉品中含量較低的部分脂肪酸,采用NIR檢測難以獲得較好的結果。

在肉類微量元素含量的近紅外光譜分析方面,Gonzalez-Martin利用近紅外反射光譜對Iberian鮮豬肉糜中的礦物質元素Fe、Zn、Ca、Na和K進行了檢測并建立模型,得到的Fe、Zn、Ca、Na和K的相關系數分別為0.842、0.695、0.761、0.639、0.781,直接利用光纖反射探頭獲得樣本光譜建立模型,得到的Fe、Na和K相關系數分別為0.898、0.757、0.775[9]。Viljoen等利用近紅外反射光譜對綿羊肉糜中的礦物質元素Zn,K,Mg的預測相關系數為0.86、0.86、0.92[10]。從以上文獻可見,對肉品中礦物質的近紅外光譜檢測是可行的,這可能是由于肉品中礦物質的存在形式與有機官能團相關,從而間接地反映在近紅外光譜上。

此外,也有一些學者對肉類制品的近紅外光譜在線檢測進行了研究,Togersen等在1996年首次采用近紅外反射儀構建了肉糜在線檢測系統,對不同粒度大小的牛肉糜中的脂肪、蛋白質和水分含量進行了在線檢測,檢測結果表明,肉糜粒度越小,其預測誤差越小,但該系統只能用于少量樣品的檢測[11]。Liao Yi-Tao等利用可見/近紅外技術對新鮮豬肉進行在線檢測,構建了檢測系統,并建立了偏最小二乘回歸模型,肌內脂肪、蛋白質和水分含量的相關系數≥0.81[12]。

近紅外光譜技術可較準確地測定肉中主要成分脂肪、蛋白質和水分的組成和含量,但對含量較少的其他化學成分的檢測精度還不是特別理想,有待于改善參考方法以提高檢測精度。另外,利用近紅外反射光譜測定肉中成分的含量時,將肉切碎或絞碎均勻混合成肉糜狀,其檢測精度比整塊肉樣明顯要高,而且對于裝樣過程要求也比較高,對于完整肉片或肉塊檢測時,近紅外光譜法雖然建模預測精度相對較差,但能達到其在線檢測的要求,為增加檢測精度,可增加掃描次數或擴大取樣范圍。

2 近紅外光譜技術應用于肉類產品感官評價的分析

肉類的感官指標主要指肉品的顏色、紋理、風味、嫩度、多汁性等,近紅外光譜技術利用這些指標與肉品其他物化性質的關聯性可對其進行檢測。

肉色是肉品感官評定的重要指標,由于肉的顏色(L*(亮度)、a*(紅度)、b*(黃度))跟肌內脂肪含量有關,近年來有學者通過NIR技術對其進行檢測。Cozmlino等利用可見光和近紅外光譜采用修正的偏最小二乘分析方法分析預測豬肉樣本的顏色,得到同品種豬肉的L*和a*的驗證相關系數較高[13]。Prieto等利用近紅外光譜(1100～2500nm)研究了成年牛肉和幼年牛肉的pH、肉色、系水力等,發現近紅外光譜技術對顏色特性中的L*值和b*的相關系數分別為0.869和0.901[14]。胡耀華等采用漫反射光纖探頭對任意厚度真空包裝豬肉進行可見/近紅外光譜分析,經回歸分析后得到肉色的相關系數均大于0.83[15]。De Marchi采用近紅外光纖探頭在線采集230頭牛的近紅外光譜,研究其pH、肉色、蒸煮損失和剪切力,得到的pH、肉色和蒸煮損失的相關系數較好,而剪切力的預測較差[16]。

嫩度也是肉類食用品質中重要的衡量指標之一,用近紅外光譜技術對肉類嫩度的檢測早有報導。Byrne等采用主成分分析法(PCR,principal component regression)在750～1098nm的光譜范圍內研究了牛肉背最長肌(LD)的嫩度、紋理以及風味與近紅外光譜的相關性[17]；Park等采用近紅外反射光譜技術結合主成分分析法(PCR)分析波長在1100～2498nm處生牛肉的吸收光譜,發現其與剪切力測得的熟肉嫩度相關[18]。Shackelford等利用可見、近紅外嫩度檢測儀對美國精選牛肉背長肌的嫩度進行在線檢測,實現對牛肉畜體的質量評價與產量分級[19]。趙杰文等利用近紅外光譜技術和沃布剪切儀測得的牛肉(LD)的最大剪切力值建模對牛肉樣本進行主觀嫩度的等級評價,正確分級率達到84.21%[20]。張德權等應用傅里葉變換近紅外光譜技術,采用偏最小二乘法(MPLS)定量分析了羊肉嫩度,建立的羊肉嫩度模型相關系數達到86.2%[21]。胡耀華等采用可見/近紅外漫反射光譜對真空包裝豬肉的蒸煮損失和嫩度進行了檢測研究,用偏最小二乘法建立定量模型,相關系數分別為0.81和0.78[22]。

新鮮度也可利用近紅外光譜來進行快速評定,其主要通過揮發性鹽基氮這一指標來表示。Leroy等在1200～1300nm波長范圍利用近紅外光譜技術建立了揮發性鹽基氮預測模型以評價豬肉的新鮮度[23]。侯瑞峰等通過近紅外漫反射光譜法建立了揮發性鹽基氮(TVB-N)的預測模型,并通過聚類分析方法對光譜數據進行了分類處理,實現了對肉品的新鮮度非破壞性、快速檢測[24]。蔡健榮等利用NIR技術和聯合區間偏最小二乘法快速無損檢測豬肉揮發性鹽基氮含量[25]。趙松瑋等利用多通道可見近紅外光譜系統對豬肉新鮮度進行評價,使用PLSR建立預測模型,對TVB-N的預測相關系數為0.91,對pH的預測相關系數為0.93,用該模型對豬肉新鮮度進行評定準確率達92.9%[26]。

可見,近紅外光譜技術快速檢測肉類主要感官指標是可行性的,但由于肉類多不均勻而造成研究肌肉部位受到限制,使得預測模型往往不容易重復,若近紅外光譜技術能與目前應用最為廣泛的機器視覺技術等方法進行融合,既可提高肉品的感官評定精度,又可綜合評定多種肉品指標,則在一定程度上可提高在線檢測效率和實際的經濟效益。

3 近紅外光譜技術應用于肉類產品物理特性的分析

NIR技術對肉類物理特性的檢測主要包括pH、系水力、剪切力等。

肉品系水力(WHC)是肌肉組織保持水分的能力,多用滴水損失(Drip Lose)表示肉品的保水性,若肉品系水力不良,在生產、運輸過程中將造成嚴重的重量損失。近年來國內外均有學者利用可見近紅外光譜技術對生鮮肉系水力進行檢測研究,但結果并不是很理想。Hoving-Bolink等用近紅外光譜在線檢測,發現對滴水損失的預測效果很差[27]。Prevolnik等利用近紅外光譜對豬肉的滴水損失進行了研究,采用神經網絡算法和偏最小二乘回歸分別建模,其預測誤差相近,且近紅外光譜預測模型的預測誤差高于以特性參數建立的預測模型[28]。該學者還采用四種不同的方法對228個豬肉樣本對其系水力的近紅外光譜檢測進行了研究,并在三個波段范圍(400～1100、1100～2500、400～2500nm)分別建立預測模型,最好的模型相關系數0.62[29]。Kapper等對131個豬肉樣品進行近紅外光譜分析,得到滴水損失的相關系數為0.73[30]。胡耀華等采用近紅外漫反射光譜檢測真空包裝豬肉的系水力,使用偏最小二乘法建立定量檢測模型,相關系數為0.73～0.79,其結果好于近紅外反射和透過光譜法[31]。

很多研究發現,利用近紅外光譜技術可對多種肉類pH進行檢測。De Marchi等利用光纖探測器在波長350～1800nm對193個雞胸肉樣品進行可見/近紅外光譜分析,pH、L*和蒸煮損失的相關系數0.69～0.76[32]。廖宜濤等研究了豬肉pH的可見/近紅外光譜在線檢測,實驗動態采集了豬肉肉塊樣本的可見/近紅外光譜,同時測定pH,采用PLSR建立pH的預測模型,經一階微分結合多元散射校正對光譜預處理后所建模型的預測相關系數為0.905,RMSEP為0.051[33]。

從當前的研究來看,基于近紅外光譜預測肉品滴水損失存在一定的局限性,但由于其他評價系水力的方法都存在破壞樣品、耗時長、樣品準備復雜等諸多問題,而近紅外光譜分析技術更具有在線無損檢測的實際應用價值。因此,更好地防止外在因素對光譜獲取的影響及改善參考方法,提高近紅外光譜法對肉品滴水損失的預測精度,具有一定的現實意義。

4 近紅外光譜應用于肉類品種判斷和安全鑒定

在肉類品種鑒別過程中,作為原料肉首先應明確其來源,這對于食品的安全檢測非常重要。以近紅外光譜技術對肉類的化學成分和含量分析、以品質評定為依據,可進一步實現肉類的品種判斷和安全鑒定。McDevitt等采用近紅外光譜技術結合經典化學分析方法,用以鑒別不同飼養條件的雞肉,得到脂肪、蛋白質和灰分的相關系數分別為0.93、0.86和0.71,發現養殖時間短的雞肉含有更高的脂肪和更低的蛋白質和灰分,并可通過近紅外光譜技術快速判別其養殖條件[34]。Cozzolino等對100個牛肉、44個豬肉、140個羊肉和46個雞肉樣本進行了近紅外光譜定性判別,采用主成分分析和偏最小二乘回歸建立模型,判別正確率高于80%[35]。Andrés等對232個羊羔肉樣品分別獲得NIR光譜曲線和通過化學分析及專業人員進行感官分析,雖然得到嫩度、多汁性、氣味等感官指標的相關系數小于0.40,但通過近紅外光譜分析,可明顯區分出25個最好和最差的樣品,證明近紅外光譜技術具有快速判別羊羔肉的感官特性、區分具有優良感官指標的肉品[36]。Gangidi等對絞碎牛肉中摻入0～100ppm脊髓的樣本采集近紅外光譜,經二階微分處理后建立PLSR模型,校正和預測相關系數分別為0.94和O.90,模型的限為21ppm,摻假判別的正確率為87%[37]。此外,近紅外光譜還可判別PSE肉和DFD[38-39],Monroy等以PSE、RSE、PFN和RFN四種品質的60個豬肉樣本作為研究對象建立NIR分析模型,判別正確率大于79%[40]。

由于肉品成分復雜,摻雜后外觀、組成比較接近,采用一般的化學方法鑒別真偽花費的時間較長,這使得近紅外光譜技術能快速對肉類摻假進行鑒別的意義重大,可應用于原料肉品質的快速定性與鑒別分析。

5 結語

近紅外光譜是一種具有同時對大量肉樣的化學組成進行檢測并對肉樣進行質量分級的檢測技術,它可以代替那些耗費時間、代價昂貴同時還危害健康或污染環境的檢測器工具或檢測技術,還能對肉的物理性質和感官品質進行分析。通過近紅外光譜技術,肉類工業能夠實現肉品的快速、無損和在線檢測,將近紅外光譜技術在肉類工業中進行推廣應用,將能夠更好地完善肉及肉制品行業的安全監控,具有重要的現實意義。特別是近期研究人員正在積極開發一些能夠顯著提高近紅外光譜技術檢測效率和精度的配套器械,為近紅外光譜技術的推廣打下了堅實的基礎。隨著近紅外光譜技術越來越受到人們的關注,降低參照方法的檢測誤差,使用變化范圍更大的樣品和更合理的檢測方法,以及與其他檢測技術進行綜合,利用多重信息對肉品進行全面評價,可使提取有效信息的效率不斷提高,光譜的信噪比逐步增大,近紅外光譜技術在肉品工業中的應用將會更加高效而廣泛。

[1]張小超,吳靜珠,徐云.近紅外光譜分析技術及其在現代農業中的應用[M].北京：電子工業出版社,2012.

[2]Osborne BG,Fearn T,Hindle PH. Practical NIR spectroscopy with applications in food and beverage analysis[M]. Harlow,Essex,UK:Longman Scientific & Technical,1993.

[3]Lanza E. Determination of moisture,protein,fat and calories in raw pork and beef by near infrared spectroscopy[J]. Journal of Food Science,1983,48(2):471-474.

[4]Cozzolino D,Murray I,Scaife JR,etal. Study of dissected lamb muscles by visible and near infrared reflectance spectroscopy for composition assessment[J]. Animal Science,2000,70(3):417-423.

[5]Gaitán-Jurado AJ,Ortiz-Somovilla V,Espaa-Espaa F,etal. Quantitative analysis of pork dry-cured sausages to quality control by NIR spectroscopy[J]. Meat Science,2008,78(4):391-399.

[6]Sierra V,Aldai N,Castro P,etal. Prediction of the fatty acid composition of beef by near infrared transmittance spectroscopy[J]. Meat Science,2008,78(3):248-255.

[7]De Marchi M,Riovanto R,Penasa M,etal. At-line prediction of fatty acid profile in chicken breast using near infrared reflectance spectroscopy[J]. Meat Science,2012,90(3):653-657.

[8]Prieto N,Ross DW,Navajas EA,etal. Online prediction of fatty acid profiles in crossbred Limousin and Aberdeen Angus beef cattle using near infrared reflectance spectroscopy[J]. Animal,2011,5(1):155-165.

[9]González-Martín I,González-Pérez C,Hernández-Méndez J,etal. Mineral analysis(Fe,Zn,Ca,Na,K)of fresh Iberian pork loin by near infrared reflectance spectrometry:Determination of Fe,Na and K with a remote fibre-optic reflectance probe[J]. Anlytica Chimica Acta,2002,468(2):293-301.

[10]Viljoen M,Hoffman LC,Brand TS. Prediction of the chemical composition of mutton with near infrared reflectance spectroscopy[J]. Small Ruminant Research,2007,69(1-3):88-94.

[11]T?gersen G,Isaksson T,Nilsen BN,etal. On-line NIR analysis of fat,water and protein in industrial scale ground meat batches[J]. Meat Science,1999,51(1):97-102.

[12]Liao YT,Fan YX,Cheng F. On-line prediction of fresh pork quality using visible/near-infrared reflectance spectroscopy[J]. Meat Science,2010,86(4):901-907.

[13]Cozzolino D,Barlocco N,Vadell A,etal. The use of visible and near-infrared reflectance spectroscopy to predict colour on both intact and homogenised pork muscle[J]. LWT-Food Science and Tech-nology,2003,36(2):195-202.

[14]Prieto N,Andrés S,Giráldez FJ,etal. Ability of near infrared reflectance spectroscopy(NIRS)to estimate physical parameters of adult steers(oxen)and young cattle meat samples[J]. Meat Science,2008,79(4):692-699.

[15]Hu YH,Guo KQ,Suzuki T,etal. Determination of fresh pork color by visible and near infrared spectroscopy with fiber optics in interactance mode[J]. Journal of Northwest A & F University(Natural Science Edition),2008,36(7):160-164.

[16]De Marchi M. On-line prediction of beef quality traits using near infrared spectroscopy[J]. Meat Science,2013,94(4):455-460.

[17]Byrne CE,Downey G,Troy DJ,etal. Non-destructive prediction of selected quality attributes of beef by near-infrared reflectance spectroscopy between 750 and 1098 nm[J]. Meat Science,1998,49(4):399-409.

[18]Park B,Chen YR,Hruschka WR,etal. Principle component regression of near-infrared reflectance spectra for beef tenderness prediction[J]. Transactions of the ASAE,2001,44(3):609-615.

[19]Shackelford SD,Wheeler TL,Koohmaraie M. On-line classify-cation of US Select beef carcasses for longissimus tenderness using visible and near-infrared reflectance spectroscopy[J]. Meat Science,2005,69(3):409-415.

[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]胡耀華,熊來怡,蔣國振,等.基于可見光和近紅外光譜鮮豬肉蒸煮損失和嫩度檢測的研究[J].光譜學與光譜分析,2010,30(11),2950-2953.

[23]Leroy B,Lambotte S,Dotreppe O,etal. Prediction of technolo-gical and organoleptic properties of beef Longissius thoracis from near-infrared reflectance and transmission spectra[J]. Meat Science,2004,66(1):45-54.

[24]侯瑞峰,黃嵐,王中義,等.用近紅外漫反射光譜檢測肉品新鮮度的初步研究[J].光譜學與光譜分析,2006,26(12)：2193-2196.

[25]蔡健榮,萬新民,陳全勝.近紅外光譜法快速檢測豬肉中揮發性鹽基氮含量[J].光學學報,2009,29(10)：2808-2812.

[26]趙松瑋,彭彥昆,王偉,等.基于近紅外光譜的生鮮豬肉新鮮度實時評估[J].食品安全質量檢測學報,2012,3(6)：580-584.

[27]Hoving-Bolink AH,Vedder HW,Merks JWM,etal. Perspective of NIRS measurements early post mortem for prediction of pork qua-lity[J]. Meat Science,2005,69(3):417-423.

[30]Kapper C,Klont RE,Verdonk JMAJ,etal. Prediction of pork quality with near infrared spectroscopy(NIRS):1.Feasibility and robustness of NIRS measurements at laboratory scale[J].Meat science,2012,91(3):294-299.

[31]胡耀華,郭康權,野口剛,等.基于近紅外光譜檢測豬肉系水力的研究[J].光譜學與光譜分析,2009,29(12)：259-3262.

[32]De Marchi M,Penasa M,Battagin M,etal. Feasibility of the direct application of near-infrared reflectance spectroscopy on intact chicken breasts to predict meat color and physical traits[J].Poultry science,2011,90(7):1594-1599.

[33]廖宜濤,樊玉霞,伍學千,等.豬肉pH的可見近紅外光譜在線檢測研究[J].光譜學與光譜分析,2010,30(3)：681-684.

[34]McDevitt RM,Gavin AJ,Andrés S,etal. The ability of visible and near infrared reflectance spectroscopy to predict the chemical composition of ground chicken carcasses and to discriminate between carcasses from different genotypes[J].Journal of Near Infrared Spectro-scopy,2005,13(3):109-117.

[35]Cozzolino D,Murray I. Identification of animal meat muscles by visible and near infrared reflectance speelroscopy[J]. LWT-Food Science and Technology,2004,37(4):447-452.

[36]Andrés S,Murray I,Navajas EA,etal. Prediction of sensory characteristics of lamb meat samples by near infrared reflectance spectroscopy[J]. Meat Science,2007,76(3):509-516.

[37]Gangidi RR,Proctor A,Pohlman FW,etal. Rapid determination of spinal cord content in ground beef by near-infrared spectroscopy[J]. Journal of Food Science,2005,70(6):397-400.

[38]Savenije B,Geesink GH,van der Palen JGP,etal. Prediction of pork quality using visible/near-infrared reflectance spectroscopy[J]. Meat Science,2006,73(1):181-184.

[39]Xing J,Ngadi M,Gunenc A,etal. Use of visible spectroscopy for quality classification of intact pork meat[J]. Journal of Food Engi-neering,2007,82(2):135-141.

[40]Monroy M,Prasher S,Ngadi MO,etal. Pork meat quality classification using Visible/Near-Infrared spectroscopic data[J]. Biosystems Engineering,2010,107(3):271-276.

Study on the application of Near Infrared Spectroscopy in the meat quality evaluation

WUXi-yu1,2,ZHAOGuo-hua1,ZHUShi-ping2,*

(1. College of Food Science,Southwest University,Chongqing 400715,China; 2. College of Engineering and Technology,Southwest University,Chongqing 400715,China)

As one of new optical detection methods,near infrared spectroscopy(NIRS)technique has been widely used in food industry and proved to be one of the most efficient and advanced tools for estimation of quality attributes in meat and meat products in recent years. The paper reviewed the recent development of research of near infrared spectroscopy in meat industry,including the potential to predict chemical composition,sensory attributes,physical properties and to categorize meat into quality classes. Lastly,this review tried to come up with some perspectives on meat quality detection with NIRS. Standardizing sample preparation and improving the accuracy reference methods were considered useful to improve precision of NIRS.

near infared spectroscopy;meat quality;meat analysis

2013-05-28 *通訊聯系人

吳習宇(1978-)，女，在讀博士，講師，研究方向：農產品貯藏工程。

西南大學基本科研業務費專項資金項目(XDJK2012C055)。

TS251.7

：A

：1002-0306(2014)01-0371-05