傅里葉變換近紅外光譜技術快速檢測金槍魚新鮮度

摘 要：采用傅里葉變換近紅外光譜儀和化學計量學方法，探究以近紅外為手段的金槍魚新鮮度指標快速檢測技術。選取不同品種、不同貯藏時間下的金槍魚分割肉塊作為研究對象，在4 000～12 000 cm-1波數范圍內采集金槍魚肉樣的近紅外光譜數據，應用偏最小二乘法（partial least squares regression，PLS）建立K值、硫代巴比妥酸（thiobarbituric acid value，TBA）值、高鐵肌紅蛋白（metmyoglobin，MetMb）含量、pH值、亮度值（L*）和紅度值（a*）等新鮮度指標的定量預測模型，經光譜分析和不同預處理方法優化后，模型能夠實現對K值、TBA、MetMb含量、pH值、L*和a*的快速檢測，校正相關系數（correlation coefficient of calibration set，RC）分別為0.876 7、0.908 7、0.893 7、0.753 2、0.815 0和0.723 2，內部交互驗證校正標準偏差（root mean square error of cross validation，RMSECV）分別為3.641 1、0.654 8、4.700 9、0.053 4、1.286 3和1.317 3。經過外部驗證集驗證和T檢驗，模型得到的預測值與真實值之間沒有顯著性差異（P>0.05），說明預測結果準確可靠，可以作為金槍魚新鮮度檢測的有效手段。

關鍵詞：近紅外；金槍魚；新鮮度；快速檢測

Abstract： The objective of this work was to investigate the potential of Fourier transform near infrared reflectance （FT-NIR） spectroscopy and chemometrics methods to rapidly determine tuna meat freshness. NIR spectra of meat cuts from different tuna species stored for different durations were recorded in the wavenumber range of 4000?12000 cm-1 and preprocessed for the establishment of a quantitative model to predict K value， thiobarbituric acid （TBA） value， metmyoglobin （MetMb） content， pH， L* value and a* value of tuna meat using partial least squares regression （PLSR） method. The results indicated that all above parameters could be predicted quickly and accurately by the developed models with correlation coefficients of calibration set （RC） of 0.876 7， 0.908 7， 0.893 7， 0.753 2， 0.815 0 and 0.723 2， and root mean square errors of cross validation （RMSECV） of 3.641 1， 0.654 8， 4.700 9， 0.053 4， 1.286 3 and 1.317 3， respectively. The models were validated using an external test set and T-test. It was found that no significant difference existed between the predicted values and the actual values （P > 0.05）. Accordingly， the models were reliable and could be used to predict the freshness of tuna meat.

Key words： near infrared reflectance spectroscopy （NIR）； tuna； freshness； rapid detection

DOI：10.7506/rlyj1001-8123-201704008

中圖分類號：TS254.7 文獻標志碼：A 文章編號：1001-8123（2017）04-0043-07

引文格式：

陶瑞， 史智佳， 貢慧， 等. 傅里葉變換近紅外光譜技術快速檢測金槍魚新鮮度[J]. 肉類研究， 2017， 31（4）： 43-49. DOI：10.7506/rlyj1001-8123-201704008. http：//www.rlyj.pub

TAO Rui， SHI Zhijia， GONG Hui， et al. Rapid determination of tuna meat freshness based on fourier transform near infrared reflectance spectroscopy （FT-NIR）[J]. Meat Research， 2017， 31（4）： 43-49. DOI：10.7506/rlyj1001-8123-201704008. http：//www.rlyj.pub

金槍魚又名鮪魚、吞拿魚，是全球重要的大型遠洋性商品食用魚之一。金槍魚肉質柔嫩鮮美，肉色紅潤鮮亮，營養成分豐富，含有大量的肌紅蛋白、不飽和脂肪酸和必需氨基酸，能有效預防貧血、降低膽固醇、保護肝臟等，被視作營養健康的重要魚種，為日本、歐美等發達國家所青睞。近年來，隨著我國經濟的發展和飲食文化的不斷繁榮，消費者越來越注重食品的營養、健康與安全，金槍魚在我國的消費量不斷增加。但是作為遠洋魚種，金槍魚在長途運輸和貯藏過程中很容易因環境或微生物、酶的作用而腐敗變質，影響它的營養價值和食用安全。新鮮度是評價金槍魚品質的重要指標，也是企業生產加工時的重要參考，對于確保產品消費價值，預測貨架期具有十分重要的意義[1-2]。傳統的魚肉新鮮度檢測多以K值、硫代巴比妥酸（thiobarbituric acid，TBA）值等破壞性方法為主，不僅過程復雜、費時費力、時效性差，還會造成原料的大量污染和浪費，無法滿足企業和消費者對檢測方法快速無損的要求。

近紅外光譜技術（near infrared spectroscopy，NIRS）作為一種快速、準確、綠色無污染的檢測分析技術在肉及肉制品分析領域有著非常廣泛的應用。尤其魚類產品在貯藏過程中，與品質變化相關的C—H、O—H、N—H和C=O等的倍頻及合頻吸收譜帶主要表現在近紅外光區，通過這些化學鍵的紅外吸收變化便可以檢測原樣品的新鮮度信息[3-4]。一些研究[5-15]表明，近紅外光譜技術在豬肉、雞肉、雞蛋、鱈魚、鯽魚、鮭魚等肉和肉制品新鮮度分析檢測中有著良好的預測效果

（R>0.75），但是目前針對金槍魚新鮮度的快速檢測還鮮有報道。因此，有必要借助近紅外技術，建立一套快速、有效的新鮮度檢測方法，減少浪費的同時，為金槍魚的品質保藏和貨架期預測提供有效依據。

本實驗采用傅里葉變換近紅外光譜儀，針對金槍魚的貯藏條件和品質特點，在肉塊狀態下對不同品種、不同貯存時間下的金槍魚新鮮度進行快速檢測，建立了

K值、TBA值、高鐵肌紅蛋白（metmyoglobin，MetMb）含量、pH值和顏色值（亮度值（L*）和紅度值（a*））等6 項指標的快速預測模型，對減少金槍魚樣品的污染和浪費，快速實現品質檢測提供有效依據。

1 材料與方法

1.1 材料與試劑

金槍魚由北京北水嘉倫水產品有限公司提供，包括大目、黑鰭、紅鰭、劍鰭、馬蘇5 個品種。遠洋捕撈上來后立即宰殺放血，去頭、去內臟，冰水沖洗干凈后于

-18 ℃冷藏，分別貯藏2、4、6、8、10 周。

鹽酸、高氯酸、三氯乙酸、硫代巴比妥酸、氫氧化鈉、三氯甲烷等均為分析純 北京化工廠。

1.2 儀器與設備

MPA傅里葉變換近紅外光譜儀（配有Version 7.0 OPUS光譜處理軟件） 德國布魯克光譜儀器公司；2800型紫外-可見分光光度計 美國尤尼柯儀器有限

公司；PB-10 pH計 德國賽多利斯集團；PGC 6002i電子天平 英國艾德姆衡器有限公司；Sorvall LYNX 4000高速落地離心機 美國賽默飛世爾科技公司；CR-400色差計 日本柯尼卡美能達公司。

1.3 方法

1.3.1 品質指標的測定

1.3.1.1 K值的測定

K值的測定參照SC/T 3048—2014《魚類鮮度指標K值的測定》[16]。

取10 g樣品在4 ℃條件下均質混勻，稱取（2.00±0.02） g于離心管內，加入20 mL高氯酸溶液，渦旋離心后取上清液。再用10 mL高氯酸溶液提取沉淀物中的待測液，重復上述操作，合并上清液。將pH值調至6.0～6.4，定容至50 mL。在4 ℃條件下離心，過0.22 μm微孔濾膜，4 ℃條件下保存待測。

色譜條件：液相色譜柱C18柱（4.6×250 mm，5 m）；流動相：A為0.05 mol/L磷酸二氫鉀和磷酸一氫鉀溶液，用磷酸調pH至6.5；B為甲醇溶液，A、B溶液體積比為85∶15；等度洗脫流速0.7 mL/min，進樣量為20 μL；檢測波長為254 nm。K值計算如式（1）所示。

（1）

式中：MATP為樣品中腺苷三磷酸的含量/（μmol/g）；

MADP為樣品中腺苷二磷酸的含量/（μmol/g）；MAMP為樣品中腺苷酸的含量/（μmol/g）；MIMP為樣品中肌苷酸的含量/（μmol/g）；MHxR為樣品中次黃嘌呤核苷的含量/（μmol/g）；MHx為樣品中次黃嘌呤的含量/（μmol/g）。

1.3.1.2 TBA值的測定

TBA值的測定參考萬建榮[17]、楊震[18]等的方法進行。

取10 g絞碎的樣品，加入50 mL三氯乙酸溶液，振搖30 min后，雙層濾紙過濾2 次，取10 mL濾液加入等量的硫代巴比妥酸溶液于90 ℃水浴40 min，冷卻后加10 mL三氯甲烷，靜置分層后取上層溶液于532 nm和600 nm波長處測定吸光度。TBA值計算如式（2）所示。

（2）

式中：A532 nm為532 nm波長處的吸光度；A600 nm為600 nm波長處的吸光度。

1.3.1.3 高鐵肌紅蛋白（MetMb）含量的測定

高鐵肌紅蛋白含量的測定參考Krzywicki[19]方法。取10 g絞碎的金槍魚，加入10 mL去離子水，混勻后4 ℃條件下5 000×g離心10 min，取上清液，用鹽酸將pH值調成6.0后，用NaOH調至6.8～7.0，相同條件下再次離心，取上清液稀釋3 倍后過濾，分別在525、545、565 nm和572 nm波長處測定吸光度，MetMb含量計算如式（3）所示。

MetMb含量/%=（-2.514R1+0.777R2+0.800R3+1.098）×100 （3）

式中：R1=A572 nm/A525 nm，R2=A565 nm/A525 nm，R3=A545 nm/A525 nm。

1.3.1.4 pH值的測定

將pH計插入金槍魚肉塊的不同位置，共測6 組pH值，求取平均值。每次測定前對pH計進行兩點校正。

1.3.1.5 顏色的測定

將解凍好的金槍魚表面擦拭干凈，用CR-400色差計在肉塊表面的不同位置測定6 組L*和a*色差值，分別取平均值。

1.3.2 光譜采集

將金槍魚樣品從-18 ℃的冰箱中取出，于室溫下解凍，棄去真空包裝后擦去表面水分，在肉塊狀態下應用傅里葉變換近紅外光譜儀快速采集近紅外光譜。光譜范圍4 000～12 000 cm-1，掃描次數64 次，分辨率8 cm-1，每個樣品重復掃描3 次，取平均光譜。

1.3.3 數據分析與模型評價

對采集的光譜數據進行格式轉換，應用The Unscrambler（version 9.8，CAMO）建立預測模型，采用偏最小二乘法（partial least squares regression，PLS），利用主成分分析（principal component analysis，PCA）將吸光度矩陣和含量矩陣分解為特征向量和載荷向量，用交互驗證法由預測殘差總和（predicted residual error sum of square，PRESS）確定最佳主因子數，然后建立吸光度矩陣和濃度的數學模型，從而建立金槍魚各個新鮮度指標的定量預測方法。以校正集和預測集樣本實測值與預測值的校正相關系數（correlation coefficient of calibration，RC）和預測相關系數（correlation coefficient of prediction，RP）、內部交叉驗證校正標準偏差（root mean square error of cross validation，RMSECV）以及預測標準偏差（root mean square error of prediction，RMSEP）作為評價模型的質量指標。根據一般評價規則，RC和RP越接近1越好，RMSECV和RMSEP相互之間越接近且越小越好[20]。通過這些模型參數評價指標篩選最佳的光譜預處理方法和定量分析模型。其中，RMSECV和RMSEP的計算公式如式（4）、（5）所示。

（4）

式中：yc，i為校正集中第i個樣品的新鮮度指標實際測定值；c，i為第i個樣品的新鮮度指標模型預測值；n為校正集的樣品數。

（5）

式中：yp，i為預測集中第i個樣品的新鮮度指標實際測定值；p，i為第i個樣品的新鮮度指標模型預測值；n為預測集的樣品數。

2 結果與分析

2.1 魚肉新鮮度指標的化學分析結果

將各項新鮮度指標的化學分析結果劃分為4 份，按照3∶1的比例建立校正集和預測集，其中K值、TBA值、MetMb含量共有原始指標173 個，pH值原始指標118 個，L*和a*共有原始指標106 個，各項指標統計結果見表1。

近紅外在預測樣品準確度上的好壞除了受到各指標測量精度的影響外，還受到光譜所包含信息的多少以及參考數據的變異范圍的影響。由表1可知，為提高預測準確性，擴大各項指標數據范圍，本研究在建立數據集時，將一些特征值（最大值、最小值等）歸入校正集中，確保校正集范圍包含預測集的范圍，保證所建模型的適用性和可靠性。

2.2 光譜分析和預處理

2.2.1 原始光譜分析

由圖1可知，不同金槍魚樣本的近紅外光譜譜線相近但不完全重合，吸光度在0.45～4.50之間。近紅外光譜不同波段代表的信息不同，在8 590 cm-1和6 895 cm-1范圍內出現較強的吸收峰，它們是O—H鍵的一級倍頻和合頻，因為魚肉中水分含量超過70%，因此O—H鍵的吸收峰非常明顯；在4 900～5 170cm-1內是N—H鍵（一級胺和三級胺）伸縮振動產生的合頻峰，可以反應金槍魚中與蛋白質或氨基酸相關組分的含量信息；而4 350 cm-1和5 770 cm-1則是C—H鍵的合頻和一級倍頻峰，可以指示脂肪等的含量信息[21-22]。因為蛋白質、脂肪和水分含量是金槍魚新鮮度變化的直接體現，所以這些吸收峰的變化對預測結果的準確性尤其重要。

2.2.2 光譜預處理

近紅外光譜在采集過程中往往會受到一些與樣品性質無關因素的干擾，如環境溫度、樣品狀態、光的散射以及儀器響應等，這些因素導致了近紅外光譜的基線漂移和重復性差，影響了模型預測的準確性。因此在建模之前，有必要對采集的近紅外光譜數據進行分析和預處理，以消除不利影響，提高預測能力[23]。本研究分別采用SG平滑（Savitzky-Golay smoothing）、SG求導（Savitzky-Golay derivative，SGD）、標準正態化（standard normolvariate，SNV）、多元散射校正（multiplicative signal correction，MSC）和去趨勢化校正（de-trending，DT）等不同方法處理原始光譜，剔除異常光譜，并根據RMSEP值確定最佳主因子數，以消除各種高頻噪音和基線漂移的影響，提高重復性和信噪比[24]。

其中，SG求導可以有效消除由于樣品顏色或個體差別等因素引起的干擾；MSC處理可以消除近紅外漫反射過程中樣品信息分布不均，顆粒大小不同產生的散射影響，增強光譜重復性和基線穩定性；SNV則主要是用來消除固體顆粒大小、表面散射以及光程變化等對NIR漫反射光譜的影響[25-26]。圖2為經過SNV處理后的近紅外光譜圖，SNV處理有效減少了光譜的線性基線漂移，強化了譜帶特征，重復性顯著變好，光譜數據在8 600 cm-1和6 900 cm-1附近的O—H吸收峰、4 900～5 170 cm-1的N—H

吸收峰等都更加明顯，有效提高了光譜預測的準確性。

2.2.3 金槍魚新鮮度模型的建立

采用PLS建立模型并經不同方法預處理后得到的金槍魚新鮮度指標定量分析結果如表2所示。

由表2可知，通過篩選合適的主因子數并經不同方法預處理后，魚肉樣品各項新鮮度指標的內部交叉驗證均方根誤差（RMSECV）均較小，K值、TBA值、MetMb含量、L*的最優校正集相關系數RC均超過0.80，能夠得到滿意的結果；pH值和a*的最優校正集相關系數RC則在0.70以上，預測效果較滿意，說明校正集樣本預測值與真實值之間具有較好的相關性。其中，當主因子數為7，經過MSC處理后，模型對K值的預測效果較好；主因子數為3，經Smooth-G（13）處理后的模型對TBA值的預測效果較好；主因子數為7，經SNV處理后的模型對MetMb含量的預測效果較好；主因子數為5，經Smooth-G（7）處理后的模型對pH值的預測效果較好；主因子數為6，經SNV處理后的模型對L*的預測效果較好；主因子數為4，經Smooth-G（7）處理后的模型對a*的預測效果較好。

根據PLS的定量分析結果，將模型得到的魚肉新鮮度指標預測值與真實值一一對應，以二者的差異來評價模型的預測能力，得到的各項指標評價結果如圖3所示。

由圖3可知，K值、TBA值、MetMb含量、L*的模型樣本點分布較為均勻，表明預測值與真實值之間有較好的相關性。而pH值、a*的預測分布不均勻，一方面可能是由于原始pH值、a*的變異范圍小，如pH值在不同肉樣中的標準差僅為0.087 1；另一方面是因為在完整肉塊樣品中，pH值和a*的分布不均勻，尤其是a*，很容易受到內部成分或外部環境的變化而發生改變，從而影響預測結果的準確性[26]。但是整體上，為避免污染和浪費，在不做任何前處理的前提下，近紅外對新鮮度指標的預測可以滿足要求。

2.3 模型的外部驗證

根據表1各項指標結果劃分出的驗證集完成模型的外部驗證。將驗證集中各項指標的近紅外光譜和對應測量值導入已有的最優模型中，對金槍魚的新鮮度指標進行預測，將得到的預測值與真實值進行比較，以T檢驗來判斷驗證集中預測值與真實值是否存在差異，結果見

表3～4。

3 討 論

魚肉及其制品的新鮮度是影響食品安全和消費價值的重要方面，隨著近紅外技術的發展，近紅外光譜技術應用到魚肉及其制品的新鮮度檢測愈發廣泛。實際預測新鮮度時，近紅外很難與這些指標直接建立聯系，但是它與魚肉組織中的蛋白、脂肪和水分等化學成分密切相關，可以通過這些化學成分的變化，實現對新鮮度指標的預測。如肉成熟過程中，乳糖的水解會使pH值降低，而貯藏和運輸過程中的環境變化勢必會引起蛋白質、脂肪等降解或結構改變，從而引發新鮮度的變化[27]。Sivertsen[28]和Sinelli[29]等都采用近紅外技術實現了對肉及肉制品的新鮮度檢測。但是需要指出的是，將近紅外光譜預測新鮮度的能力用于無損、無污染操作才更有意義[30]。

因此，本實驗采用傅里葉變換近紅外光譜儀，在肉塊狀態下完成對金槍魚魚肉的新鮮度檢測，確定最佳主因子數分別為7、3、7、5、4、6時，所得模型的K值、

TBA值、MetMb含量、pH值、a*和L*的RC分別為0.876 7、0.908 7、0.893 7、0.753 2、0.723 2和0.815 0，與其他研究[5-7]的預測結果相近。雖然無法實現對完整金槍魚體的無損檢測，但在實際應用中能夠有效減少原料污染和浪費，節約生產成本。

近紅外對樣品新鮮度的檢測除了受到樣品狀態的影響外，還受到檢測指標的變異范圍和檢測精度的影響。Prieto等[22]研究指出，近紅外的成功預測依靠樣品的可變性，當光譜所包含的信息量少或參考數據的變異范圍小時都可能會對近紅外的預測性能產生負面影響。為保證預測的準確性，謝雯雯等[21]采集了鳙、鰱和草魚3 個品種在貯藏不同時間后的近紅外光譜數據，有效擴大了建模集的數據范圍，實現了近紅外對TVB-N、TBA等新鮮度指標的準確預測。Grau等[31]則選擇在4 ℃條件下貯藏0、7、14 d的雞胸肉塊，采用無損短波-近紅外技術采集光譜，能夠實現對水分含量、水分活度、TVB-N、pH值等新鮮度指標的較好預測。為保證樣品數據范圍的可變性，本研究在數據采集時選擇了大目、馬蘇、黑鰭、黃鰭、紅鰭共5 個品種金槍魚，分別在-18 ℃條件下貯藏了2、4、6、8、10 周后取出解凍測定，最終實現了對K值、TBA值、MetMb含量和L*的準確預測（RC>0.80），但是對pH值和a*的預測效果一般（RC>0.70），有待進一步擴大建模時參數的變異范圍并提高測量精度。

4 結 論

本研究選取不同品種、不同貯藏時間下的金槍魚作為樣本集，采用傅里葉變換近紅外光譜儀結合化學計量學方法，在4 000～12 000 cm-1范圍內對肉塊狀態下的金槍魚樣品完成光譜采集，并立即測定K值、TBA值、MetMb含量、pH值、L*和a*等新鮮度指標，采用偏最小二乘法建立各個指標的預測模型。模型經過主因子數篩選和最佳預處理方法優化后能夠實現對各個新鮮度指標的較好預測，避免了化學檢測時復雜的前處理過程和大量有害試劑的使用，有效節約了時間，避免了原料浪費。同時經過外部預測集驗證，模型的預測結果準確可靠，能夠實現對未知金槍魚樣品新鮮度的準確預測，為金槍魚的品質保藏和貨架期預測提供了理論依據。

參考文獻：

[1] 湯元睿， 謝晶， 李念文， 等. 不同冷鏈物流過程對金槍魚品質及組織形態的影響[J]. 農業工程學報， 2014， 30（5）： 285-291. DOI：10.3969/j.issn.1002-6819.2014.05.036.

[2] 徐慧文， 謝晶. 金槍魚保鮮方法及其鮮度評價指標研究進展[J]. 食品科學， 2014， 35（7）： 258-263. DOI：10.7506/spkx1002-6630-201407051.

[3] 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.

[4] 蔣麗施. 肉品新鮮度的檢測方法[J]. 肉類研究， 2011， 25（1）： 46-49.

[5] WANG Xiwei， ZHAO Maocheng， JU Ronghua. Visualizing quantitatively the freshness of intact fresh pork using acousto-optical tunable filter-based visible/near-infrared spectral imagery[J]. Computers and Electronics in Agriculture， 2013， 99： 41-53. DOI：10.1016/j.compag.2013.08.025.

[6] LIN Hao， ZHAO Jiewen， SUN Li， et al. Freshness measurement of eggs using near infrared （NIR） spectroscopy and multivariate data analysis[J]. Innovative Food Science and Emerging Technologies， 2011， 12（2）： 182-186. DOI：10.1016/j.ifset.2011.01.008.

[7] GIUNCHI A， BERARDINELLI A， RAGNI L. Non-destructive freshness assessment of shell eggs using FT-NIR spectroscopy[J]. Journal of Food Engineering， 2008， 89（2）： 142-148. DOI：10.1016/j.jfoodeng.2008.04.013.

[8] ZHAO Jiewen， LIN Hao， CHEN Quansheng， et al. Identification of eggs freshness using NIR and support vector data description[J]. Journal of Food Engineering， 2010， 98（4）： 408-414. DOI：10.1016/j.jfoodeng.2010.01.018.

[9] NIELS B， JENSENK N， ANDERSENC M， et al. Freshness assessment of thawed and chilled cod fillets packed in modified atmosphere using near-infrared spectroscopy[J]. LWT-Food Science and Technology， 2002， 35（7）： 628-634. DOI：10.1006/fstl.2002.0923.

[10] 程旎. 基于近紅外光譜和機器視覺技術的淡水魚新鮮度檢測方法研究[D]. 武漢： 華中農業大學， 2013. DOI：10.7666/d.Y2394847.

[11] 劉歡， 徐文杰， 劉友明， 等. 鯽魚新鮮度近紅外定量預測模型的建立[J]. 現代食品科技， 2015， 31（7）： 173-182. DOI：10.13982/j.mfst.1673-9078.2015.7.028.

[12] 黃濤， 李小昱， 彭毅. 基于近紅外光譜的淡水魚新鮮度在線檢測方法研究[J]. 光譜學與光譜分析， 2014， 34（10）： 2732-2736. DOI： 10.3964/j.issn.1000-0593（2014）10-2732-05.

[13] 孟一， 張玉華， 許麗丹， 等. 近紅外光譜采集方式與樣品形態對帶魚新鮮度檢測結果的影響[J]. 食品工業科技， 2014， 35（11）： 282-287. DOI：10.13386 /j.issn1002 - 0306.2014.11.053.

[14] 孟志娟， 周宇芳， 楊會成， 等. 近紅外光譜技術快速檢測帶魚新鮮度的研究[J]. 食品科技， 2013， 38（12）： 294-298.

[15] KIMIYA T， SIVERTSEN A H. VIS/NIR spectroscopy for non-destructive freshness assessment of Atlantic salmon （Salmo salar L.） fillets[J]. Journal of Food Engineering， 2013， 116（3）： 758-764. DOI：10.1016/j.jfoodeng.2013.01.008.

[16] 福建省水產研究所， 南海水產研究所， 農業部漁業產品質量監督檢驗測試中心. SC/T 3048—2014 魚類鮮度指標 K值的測定 高效液相色譜法[S]. 北京： 中國農業出版社， 2014.

[17] 萬建榮， 洪玉著， 奚印慈. 水產食品化學分析手冊[M]. 上海： 上海科學技術出版社， 1993.

[18] 楊震， 貢慧， 史智佳， 等. 凍貯溫度對生食金槍魚品質變化的影響[J]. 肉類研究， 2016， 30（2）： 26-30. DOI：10.15922/j.cnki.rlyj.2016.02.006.

[19] KRZYWICKI K. Assessment of relative content of myoglobin， oxymyologlobin and metmyoglobin at the surface of beef[J]. Meat Science， 1979， 3： 1-10. DOI：10.1016/0309-1740（79）90019-6.

[20] 史智佳， 臧明伍， 呂玉， 等. 近紅外光譜快速測定乳化香腸的化學成分[J]. 食品科學， 2013， 34（18）： 175-179.

[21] 謝雯雯， 李俊杰， 劉茹. 基于近紅外光譜技術的魚肉新鮮度評價方法的建立[J]. 淡水漁業， 2013， 43（4）： 85-90. DOI：10.3969/j.issn.1000-6907.2013.04.016.

[22] PRIETO N， ROEHE R. Application of near infrared reflectance spectroscopy to predict meat and meat products quality： a review[J]. Meat Science， 2009， 83： 175-186. DOI：10.1016/j.meatsci.2009.04.016.

[23] 張曉敏. 近紅外光譜技術快速評估鱸魚新鮮度的方法研究[D]. 杭州： 浙江工商大學， 2012. DOI：10.7666/d.Y2292234.

[24] 王輝， 田寒友， 張順亮， 等. 基于中波近紅外光譜構建生鮮雞肉膽固醇定量分析模型[J]. 食品科學， 2016， 37（20）： 134-140. DOI：10.7506/spkx1002-6630-201620022.

[25] ZOMENO C， JUSTE V， HERNANDEZ P. Application of NIRS for predicting fatty acids in intramuscular fat of rabbit[J]. Meat Science， 2012， 91（2）： 155-159. DOI：10.1016/j.meatsci.2012.01.009.

[26] POREP J U， KAMMERER D R， CARLE R， et al. On-line application of near infrared （NIR） spectroscopy in food production[J]. Trends in Food Science and Technology， 2015， 46（2）： 211-230. DOI：10.1016/j.tifs.2015.10.002.

[27] MAGNEA G K， ARASONS， KRISTINESSONH G， et al. The application of near infrared spectroscopy to study lipid characteristics and deterioration of frozen lean fish muscles[J]. Food Chemistry， 2014， 159： 420-427. DOI：10.1016/j.foodchem.2014.03.050.

[28] SIVERTSEN A H， KIMIYA T， HEIA K， et al. Automatic freshness assessment of cod （Gadus morhua） fillets by Vis/Nir spectroscopy[J]. Journal of Food Engineering， 2011， 103（3）： 317-323. DOI：10.1016/j.jfoodeng.2010.10.030.

[29] SINELLI N， LIMBO S， TORRI L， et al. Evaluation of freshness decay of minced beef stored in high-oxygen modified atmosphere packaged at different temperatures using NIR and MIR spectroscopy[J]. Meat Science， 2010， 86（3）： 748-752. DOI：10.1016/j.meatsci.2010.06.016.

[30] POREPJ U， KAMMERERD R， CARLE R. On-line application of near infrared （NIR） spectroscopy in food production[J]. Trends in Food Science and Technology， 2015， 46（2）： 211-230. DOI：10.1016/j.tifs.2015.10.002.

[31] GRAU R， ANTONIO J S， JOEL G， et al. Nondestructive assessment of freshness in packaged sliced chicken breasts using SW-NIR spectroscopy[J]. Food Research International， 2011， 41（1）： 331-337. DOI：10.1016/j.foodres.2010.10.011.