近紅外光譜分析技術快速檢測冰溫貯藏牛肉品質

許倩等

摘 要：利用近紅外光譜分析技術建立冰溫貯藏牛肉品質的快速定量檢測方法。采用近紅外光譜技術建立近紅外光譜的pH值、失水率、揮發性堿基總氮、色差值（L*/a*）的校正模型，能同時預測出牛肉樣品的多項品質指標。結果表明：建立的校正模型相關系數都在0.70以上，校正模型的預測值與真實值決定系數均在0.90以上，具有較高的預測準確度。并且利用聚類分析的方法對不同貯藏階段肉品近紅外光譜的數據進行了分類處理，聚類分析結果證明，近紅外反射光譜對牛肉的新鮮程度有著較好的分類結果。近紅外光譜技術能夠替代傳統方法快速、非破壞地評價牛肉的肉品質及新鮮程度。

關鍵詞：近紅外光譜；冰溫貯藏；牛肉；品質；校正模型

Abstract： In this experiment， a rapid quantitative detection method was proposed by near infrared spectroscopy （NIR） for beef quality during ice temperature storage. The calibration models of beef pH， water loss， TVB-N and color value （L*/a*） were established by NIR technique allowing the simultaneous predication of several beef quality indicators. The correlation coefficient （R2） of the calibration models were all above 0.70 and the R2 values for the predicted and actual values were all above 0.90. The calibration models had high prediction accuracy. Furthermore， cluster analysis was used to categorize the near infrared spectral data of beef stored for different durations. The results showed that based on the near infrared spectral data meat freshness was categorized well. NIR is suitable for rapid and non-invasive estimation beef quality and freshness as an alternative to the traditional detection method.

Key words： near infrared spectroscopy （NIR）； controlled freezing point storage； beef； quality； calibration model

中圖分類號：TS251.1 文獻標志碼：A 文章編號：1001-8123（2015）03-0023-04

doi： 10.7506/rlyj1001-8123-201503006

目前，對牛肉品質指標的檢測仍較常采用感官檢驗、理化檢驗與微生物學檢驗相結合的綜合檢驗方法，得出的感官檢驗結論會因感覺器官的局限性、人的主觀性造成出入[1-6]，而理化檢驗操作復雜，測定過程耗時、耗力，不易進行大批量的快速檢測[3-6]，食品行業與檢驗部門迫切需求一種快速、非破壞性和客觀的檢測技術。其中，近紅外光譜技術（near infrared spectroscopy，NIR）的應用，很好地解決了傳統檢測方法帶來的弊端[3]。

近紅外光譜分析技術是利用物質含氫基團振動的合頻和倍頻吸收信息進行物質的定性和定量分析的一種快速檢測方法[4，6]。由于食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，不同的基團在近紅外區域具有不同的吸收位置，據此可對物質進行定性分析，根據吸收強度和物質含量的線性關系，又能對物質進行定量分析。具有分析速度快、信息量大、多組分同時測定、無損樣品、無污染等優點，符合當前工業生產的需求，目前在食品領域已應用于鮮肉及肉制品中營養成分和品質的檢測[4，6-11]。

本研究通過采集冰溫條件下牛霖肉在貯藏期內的近紅外光譜數據，同時采用傳統方法測定常規肉品質指標如pH值、失水率、揮發性堿基總氮（total volatile basic nitrogen，TVB-N）、色差值，以偏最小二乘法建立這些指標的校正模型。并且利用聚類分析的方法對不同貯藏階段肉品近紅外光譜的數據進行分類處理。旨在為利用近紅外光譜分析技術快速評價冷鮮牛肉品質和鮮度提供相關實驗依據。

1 材料與方法

1.1 材料與試劑

屠宰12 h內的鮮牛霖肉（冷鏈貯藏） 市購。

稀硫酸、碳酸鉀、硼酸、甘油、阿拉伯膠、甲基紅、次甲基藍、乙醇均為分析純。

1.2 儀器與設備

數顯溫度計 天津市科輝儀表廠；JY3001型電子天平、JA-1104N型電子天平（感應量為0.000 1 g）、HJ-6A型多頭磁力攪拌器 江蘇省金壇市文華儀器有限公司；PH100型筆式pH計 上海三信儀表廠；雙夾板壓力計 實驗室自制；WSC-S測色色差計 上海精密科學儀器有限公司；NIT-38近紅外光譜分析儀 澳大利亞NIR Techno1ogy公司。

1.3 方法

1.3.1 肉樣處理

將鮮牛霖肉（冷鏈貯藏，樣品采至同一頭牛同一部位），采用內裝冰袋的泡沫保溫箱4 ℃運回，去除附著的脂肪和結締組織，平均分割成小份總共11份，每份100 g（6.5 cm×4 cm×4 cm），不進行包裝處理，置于溫度為―1 ℃（冰溫）冰箱變溫區貯藏（冰箱內相對濕度70%）。各項指標每2 d測定1 次，每次測定時從每組中各取1份測定肉的各項指標，每項指標重復測定3 次，結果取平均值，共連續測量21 d。

1.3.2 肉樣品質指標測定

pH值測定[12-13]：采用電表pH計測定法，將pH計直接插入被檢肉新鮮切面上讀取pH值，依次取3 個測試點。

失水率測定[13]：將肉樣切為1.0 mm厚度，用直徑2.523 cm圓形取樣器切取肉樣，用感量為0.000 1 g天平稱質量，然后將肉樣上下各墊6 層濾紙，置于35 kg壓力計上壓制5 min，撤除壓力后立即稱質量，計算失水率。

TVB-N測定：按照GB/T 5009.44—2003《肉與肉制品衛生標準的分析方法》中微量擴散法測定樣品的TVB-N測定。

色差值測定[12]：將肉樣切成厚薄均勻的薄片，放入WSC-S測色色差計樣品池中，鋪平，測定其L*值、a*值。

1.3.3 樣品近紅外光譜采集

將肉樣切成厚薄均勻的薄片，放入厚度為15 mm的樣品池內，保持樣品均勻鋪平，在720～l 100 nm近紅外光譜區范圍內進行透射掃描，每次測定對每份樣品連續掃描3次，取平均值[4]，以獲得樣品每個檢測日的近紅外光譜數據，共連續測量21 d。

1.3.4 近紅外光譜數學模型的建立

將樣品集分成校正集和驗證集，采用一階導數（first derivative，FD）、二階導數（second derivative，SD）、標準正態變換（standard normal variate，SNV）和多元散射校正（multipl scatter correction，MSC）等方法對所獲得的近紅外光譜數據進行預處理，利用分析建模軟件NTAS（NIR Technology Australia Software）通過偏最小二乘法（partialleast squares regression，PLS）對校正集樣品的pH值、失水率、TVB-N、色差值等肉質指標建立近紅外光譜校正模型[4]。

1.3.5 模型的驗證

選用未參與校正模型建立的樣品組成驗證集，將驗證集樣品的近紅外光譜數據代入到校正模型中，通過校正模型計算獲得樣品樣品肉質指標的預測值，最后根據預測值與樣品肉質指標的真實值（實驗值）的接近程度，來衡量校正模型預測值的準確度[14]。

1.3.6 聚類分析

聚類分析是通過找出指標之間能代表其相近程度的統計量，以這些統計量為劃分類別的依據，找出指標間的共性和變化規律。分類過程中，首先將差異較小的聚合為一類，然后根據指標間的親疏程度，將差異最小的兩類進行合并。然后考慮合并后的類與其他類之間的親疏程度，再進行合并。如此不斷重復比較直至將所有指標聚合分類完畢[6，15-17]。采用可用聚類分析的方法研究不同貯藏階段肉的近紅外光譜的變化規律和分類結果。

1.4 數據處理

使用SPSS 19.0進行數據分析。對pH值、失水率、TVB-N、色差值等數據進行求平均值和標準偏差處理，并且對每個測定參數進行ANOVA分析。

2 結果與分析

2.1 牛肉樣品的近紅外光譜分析

圖1為貯藏期間牛肉樣品集不同貯藏時間下的近紅外原始光譜圖，樣品的圖譜形狀大致相同，峰值都出現在920 nm附近。在短波近紅外區（780～1 100 nm），其主要的吸收物質是水分、脂肪和蛋白質，其吸收峰分別在964、928、908 nm波長處[14]。牛肉在不同貯藏時間下的近紅外光譜吸光度有差異，可以間接證明隨著貯藏時間的延長牛肉中水分、脂肪和蛋白質含量在變化，而三大組分的含量變化直接關系到牛肉的pH值、失水率、TVB-N、肉色等指標，因此利用近紅外光譜技術對這幾項指標進行預測是可行的。

2.2 近紅外光譜模型的建立

近紅外光譜譜線包含復雜的化學信息，存在樣品不同組分之間相互干擾、譜峰相互掩蓋等問題。另外，還包含一些與待測樣品性質無關的因素帶來的干擾，如樣品裝樣均勻度、裝樣狀態或儀器狀態等，都會導致光譜產生基線漂移或偏移、背景干擾等現象。因此在建立校正模型之前對近紅外原始光譜進行預處理是很有必要的，常用的預處理方法有光程校正，如MSC和SNV；微分處理，如FD和SD[18]。

由表1可知，在建立的模型中，對pH值采用SNV處理后的光譜數據進行建模，對失水率、TVB-N、L*值和a*值采用二階導數處理后的光譜數據進行建模，建立的模型標準誤差SEC最小或相關系數R2最大，各模型的結果均達到最理想。采用SNV處理后的光譜數據，pH值校正模型的相關系數是0.932，是所建立的模型中效果最理想的一個。采用二階導數處理后的光譜數據，失水率校正模型相關系數為0.848；TVB-N的校正模型相關系數為0.926；L*值的校正模型相關系數為0.810；a*值的校正模型相關系數為0.749。

對各指標校正模型的準確性產生影響的因素較多，包括樣品代表性、檢測環境條件、儀器靈敏度、響應特性等，而此次建立的校正模型相關系數都在0.70以上，具有較好的相關性，可滿足牛肉常規品質的檢測。

2.3 近紅外光譜模型的驗證

目前研究多采用相關圖的方法來分析考察校正模型對樣品預測的預測值（y）和樣品真實值（x）的接近程度[14，19-20]。選用未參與校正模型建立的樣品組成驗證集（驗證集樣品數為19），將驗證集樣品的近紅外光譜數據代入到校正模型中，通過校正模型計算獲得樣品肉質指標的預測值，用最小二乘法對預測值和真實值進行一元線性擬合，根據預測值與真實值的線性相關性，來衡量校正模型的預測值的準確度[14]。通常用相關系數R2來度量擬合程度，（R2）越接近于1，則說明預測值和真實值越接近，校正模型的預測準確度越高[21]。

由圖2可知，各個預測模型的真實值與預測值的R2均在0.90以上，說明預測值與真實值比較接近，可對未知樣品進行預測。相關性分析結果說明校正模型的預測值與真實值接近程度較高，利用近紅外光譜分析法對牛肉品質及鮮度進行檢測和品質快速評價檢測可信度高。

2.4 聚類分析

為了確定肉樣光譜數據隨貯藏時間的變化規律，對樣品集連續21 d每2 d的原始光譜數據做了系統聚類分析。對貯藏期間樣品的原始光譜數據采用“歐氏距離”，聚類方法選“最遠鄰元素法”進行分析，結果如圖3所示。

由圖3可知，樣品集21 d的光譜可明顯的分為2 類，第1類是樣品集前15 d的光譜值；第2類為17～21 d的光譜值。從第1類分類結果看，第1～5天的數據與第7～15天的數據分成兩個小類。由聚類分析的結果可推測出，前5 d樣品處于新鮮程度變化的初期，7～15 d為腐敗變化的過渡期，最后17～21 d樣品加速腐敗，故光譜明顯區別于前15 d的情況。

牛肉變質是一個漸進的過程，牛肉從新鮮到次鮮再到變質的變化，就是肉中成分在逐漸腐敗變性的原因。比如汁液流失導致的水分及水中可溶性物質被帶出、碳水化合物的消耗、蛋白質的分解、脂肪的氧化，這些物質成分發生的變化，都能導致肉的近紅外光譜吸收系數、散射系數發生改變。在不同的貯藏階段對肉進行光譜掃描，光譜信息中將攜帶吸收系數、散射系數的變化特征，從而可以實現對肉新鮮度的分類。由實驗結果可知，利用近紅外漫反射光譜對牛肉的新鮮程度有著較好的分類結果。

3 結 論

牛肉在貯藏過程中的腐敗變質是一個非常復雜的物理化學過程，采用常規理化方法結合感官檢測可以對肉品質進行檢測，但步驟繁瑣且耗時。本實驗采用近紅外光譜技術建立了牛肉近紅外光譜pH值、失水率、TVB-N、色差值（L*/a*）的校正模型，能同時預測出牛肉樣品的多項品質指標。建立的校正模型相關系數都在0.70以上，具有較好的相關性。校正模型的預測值與真實值接近程度較高，決定系數均在0.90以上，具有較高的預測準確度。可滿足牛肉常規品質的檢測。

利用聚類分析的方法對不同貯藏階段肉品近紅外光譜的數據進行了分類處理，聚類分析的結果表明近紅外反射光譜對牛肉的新鮮程度有著較好的分類結果，為近紅外光譜快速非破壞性的檢測肉品新鮮度提供了進一步的依據。與傳統的化學分析方法相比，該技術可快速、非破壞評價牛霖肉的肉品質及新鮮程度。

參考文獻：

[1] 鮮于建川. 冷卻牛肉質量評定系統研究與開發[D]. 長春： 吉林大學， 2002.

[2] 莊玉亭， 趙月蘭. 肉品新鮮度檢測方法[J]. 河北科技大學學報， 1999， 20（2）： 63-65.

[3] 徐廣通， 袁洪福， 陸婉珍. 現代近紅外光譜技術及應用進展[J]. 光譜學與光譜分析， 2000， 20（2）： 134-142.

[4] 陳育濤， 朱秋勁， 盧開紅， 等. 近紅外光譜對特征部位牛肉的分析[J]. 肉類研究， 2012， 26（3）： 34-38.

[5] 侯瑞鋒， 黃嵐， 王忠義， 等. 肉品新鮮度檢測方法[J]. 現代科學儀器， 2006（5）： 76-80.

[6] 侯瑞鋒， 黃嵐， 王忠義， 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， 2007， 26（12）： 2193-2196.

[7] WANG Wenbo， PALIWAL J. Near-infrared spectroscopy and imaging in food quality and safety[J]. Sensing and Instrumentation for Food Quality and Safety， 2007， 1（4）： 193-207.

[8] PRIETO N， ANDRES S， GIRALDEZ F， 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： 478-496.

[9] LEROY B， LAMBOTTE S， DOTREPP 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： 45-54.

[10] TOGERSEN G， ARNESEN J F， NILSEN 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.

[11] SHACKELFORD S D， WHEELER T L， KOOHMARAIE M. Development of optimal protocol for visible and near-infrared reflectance spectroscopic evaluation of meat quality[J]. Meat Science， 2004， 68（3）： 371-381.

[12] 許倩， 朱秋勁， 葉春， 等. 低場核磁共振分析冰溫牛肉中不同狀態水分變化[J]. 肉類研究， 2013， 27（5）： 17-21.

[13] 周永昌， 王文升， 等. 畜產品加工實驗指導[M]. 北京： 中國農業出版社， 1999： 55-56.

[14] ALOMAR D， GALLO C， CASTANTEDA M， et a1. Chemical and discriminant analysis of bovine meat by near infrared reflectance spectros-copy（NIRS）[J]. Meat Science， 2003， 63（4）： 441-450.

[15] 肖宜濱. 聚類分析的理論及其應用[J]. 江蘇統計， 2001（11）： 13-15.

[16] 王駿， 王士同， 鄧趙紅. 聚類分析研究中的若干問題[J]. 控制與決策， 2012， 27（3）： 321-328.

[17] 郭培源， 林巖， 付妍， 等. 基于近紅外光譜技術的豬肉新鮮度等級研究[J]. 激光與光電子學進展， 2013， 50（3）： 180-186.

[18] 劉煒， 吳昊旻， 孫東東， 等. 近紅外光譜分析技術在鮮雞肉快速檢測分析中的應用研究[J]. 中國家禽， 2009， 31（2）： 8-11.

[19] LOMIWES D， REIS M M， WIKLUND E， et a1. Nearinfrared spectros-copy as an on-line to quantitatively determine glycogen and predict ultimate pH in pre rigor bovine M.1ongissimus dorsi[J]. Meat Science， 2010， 86（4）： 999-1004.

[20] ANDRES S， SILVA A， SOARES-PEREIRA A L， et a1. The use of visible and near infrared reflectance spectroscopy to predict beef M.longissimus thoracis et lunborum quality attributes[J]. Meat Science， 2008， 78（3）： 217-224.

[21] 甘健勝. 概率論與數理統計[M]. 北京： 清華大學出版社， 2005： 225.