基于近紅外光譜技術的生鮮豬肉質量檢測研究進展

何鴻舉,王 魏,王 慧,馬漢軍,2,陳復生,劉 璽, 劉蘇漢,劉 紅,康壯麗,潘潤淑,朱明明,趙圣明,王正榮

(1.河南科技學院食品學院,河南新鄉 453003; 2.河南科技學院博士后研發基地,河南新鄉 453003; 3.河南工業大學糧油食品學院,河南鄭州 450001; 4.河南科技學院新科學院,河南新鄉 453003; 5.海南師范大學化學與化工學院,海南海口 571158)

豬肉一直以來都是人們餐桌上最重要的肉品之一[1-2],其食用量遠超其他畜禽類[3]。據國家統計局公布數據可知,從2010年開始我國豬肉產量一直在5000萬噸以上,2016年我國豬肉產量5299萬噸[2-3],2017年達到5340萬噸。如今,我國豬肉產量約占全球產量的一半,人均占有量超過世界平均水平[2]。豬肉富含蛋白質、脂肪、礦物質和多種人體所需氨基酸,是人們動物脂肪和蛋白質的主要來源。豬肉纖維細軟,結蹄組織少,肌內脂肪層次多,經烹飪后味道特別鮮美,因此備受廣大消費者青睞。豬肉在日常飲食結構中有著如此重要地位,其品質對食品工業的健康發展意義重大[2-3],提高豬肉品質鑒別效率,能夠維護肉品市場秩序,保障食品安全和人們健康[4]。

近紅外光譜(near-infrared spectroscopy,NIR)分析技術是利用被測物質的光譜信息,用統計的方法在被測物質的某種屬性值和所測光譜數據之間建立最優模型的一種間接分析技術[5]。近紅外光是介于可見光與中紅外光之間的電磁波,波長在780～2526 nm之間[6],其由分子非諧振性振動引起的能量由低級向高級躍遷所產生的。近紅外光譜主要反映含氫基團(C-H、N-H、O-H等)振動的倍頻、合頻吸收,而大多數有機物質主要成分都由此類基團構成[7]。肉類中富含蛋白質、脂肪、碳水化合物等有機物,通過近紅外光譜分析可以得到肉品大量信息,為肉品品質的快速、無損檢測提供技術支持[6-10]。

相比傳統理化及生物學方法反復試驗且破壞原料獲取數據,近紅外光譜信息更容易獲取、信息量更豐富、數據計算結果速度更快。近紅外光譜與計算機技術的結合使近紅外光譜技術成為一類快捷的分析技術,廣泛應用于食品品質的檢測[8-9]。目前,近紅外光譜技術在豬肉品質快速檢測方面有大量研究,試驗成果頗多。本文主要綜述了2010年至今基于近紅外光譜技術的生鮮豬肉質量檢測研究進展,主要涉及物理屬性、化學成分、新鮮度預測和肉品摻假等方面。最后對近紅外光譜技術在豬肉快速無損檢測應用的研究進行展望。

1 NIR檢測生鮮豬肉物理屬性

1.1 色澤

色澤是感官評定中的一項重要物理指標,它可以直觀地反映出豬肉的品質,直接影響消費者的購買意愿[11-13]。孫宏偉等[14]基于可見/近紅外(400～1000 nm)光譜,經標準正態變量變換(Standard Normal Variable Transform,SNVT)和SG平滑(Savitzky-Golay Smoothing)預處理,建立豬里脊肉顏色的偏最小二乘(Partial Least Squares Regression,PLSR)模型,得到色澤參數L*、a*和b*的校正相關系數(rc)分別為0.99、0.99和0.98,校正誤差(RMSEC)分別為0.43、0.16和0.17。在400～1495 nm波段,Balage等[15]也獲得了相似的研究結果。王文秀等[13,16]基于單波段(350～1100 nm)光譜數據和雙波段(350～1100和1000～2500 nm)光譜融合數據,經預處理后將光譜數據和豬肉的色澤數據相關聯,結果顯示PLSR模型L*、a*和b*的預測相關系數(rp)均在0.90以上,預測誤差(RMSEP)均在1.0以下(表1)。相比色差儀測量肉品色澤參數,近紅外光譜技術可潛在實現無接觸測量,但是目前研究結果并不能達到理想效果,還需進行大量試驗,提高預測效果。

表1 NIR技術在豬肉物理屬性方面的應用Table 1 NIR for determination of pork physical attributes

1.2 嫩度

肉的嫩度也是消費者關注的品質指標之一[11]。張志勇等[17]在使用小波變換預處理長波近紅外光譜(900～1700 nm),并結合連續投影算法(Successive Projections Algorithm,SPA)提取出18個最優波長構建PLSR模型預測豬肉嫩度,結果顯示rc為0.812,RMSEC為4.942,效果可接受但并不理想。王文秀等[16]基于雙波段(350～1100 nm和1000～2500 nm)光譜信息,使用競爭性自適應加權算法(Competitive Adaptive Reweighted Sampling,CARS)篩選出139個最優波長,建立豬肉嫩度PLSR模型,光譜信息和嫩度的相關系數有所提升,但也增加了預測誤差,效果依然不是很理想。Barbin等[18]的研究也得出了類似的結果。

剪切力常被用于反映肉品嫩度,其與嫩度成反比關系。Balage等[15]嘗試使用400～1495 nm光譜數據與豬肉的剪切力相關聯,結果顯示PLSR模型的預測效果比較差。相比之下,黃琪評[19]采集的870～1770 nm光譜數據,通過篩選出3個最優波長,建立的蟻群優化算法-反向傳播人工神經網絡(Ant Colony Optimization Back-Propagation Artificial Neural Network,ACO-BPANN)模型,預測效果(rp=0.845,RMSEP=0.909)明顯提高。目前這些研究結果驗證了豬肉嫩度和近紅外光譜信息之間的相關度并不是非常好,后續還需要在肉樣、不同的儲藏時間,光譜信息處理等方面做進一步研究。

1.3 紋理

紋理是衡量豬肉品質的重要視覺指標,與嫩度和風味密切相關。Huang等[20-21]使用900～1700 nm近紅外光譜,基于DMG算法和Stepwise算法分別建立關于鮮豬肉紋理的多元線性回歸(Multiple linear regression,MLR)模型,rc分別為0.88和0.99,RMSEC分別為0.40和0.88。由此可見,Stepwise算法更適合用于MLR模型預測豬肉紋理。豬肉紋理的近紅外光譜研究過少,還需繼續探討該技術檢測紋理的可行性。

1.4 持水力

檢測豬肉持水力的方法通常有滴水損失、蒸煮損失、離心損失和解凍損失等。Prevolnik等[22]基于1100～2500 nm光譜數據建立EZ drip loss、蒸煮損失、離心損失和Tray drip loss的PLSR模型,得到rc在0.60～0.70之間,RMSEC在0.90～2.5之間,效果不理想。但使用400～1100 nm光譜信息時,持水力的這四個參數預測效果均好于1100～2500 nm波段。王文秀等[13,16]基于350～1100和1000～2500 nm全波段光譜信息,結合CARS算法篩最優波長,建立豬肉的蒸煮損失PLSR模型,得到的rp值均在0.90以上,RMSEP分別為0.011和2.560,這兩個波段建立的模型預測結果均比較理想。黃琪評[19]在870～1770 nm波段也得到了相似的研究結果。豬肉持水力的四個指標與近紅外光譜信息之間的相關性差異較大,其中蒸煮損失的相關性好于其他三個,但是模型精度依然不高,這與波段和波長數量有關,也與篩選最優波長的方法和建模算法有關。

2 NIR檢測生鮮豬肉化學組成

2.1 水分

水分含量是衡量生鮮肉品質的重要指標之一,水分含量的高低直接影響肉的口感和營養,加工、貯藏及運輸[23]。目前,近紅外光譜技術已經被作為一種快捷無損技術應用于豬肉水分含量的檢測,并且取得了較好的研究成果(表2)。黃偉等[24-25]采用近紅外反射光譜技術(909～23256 nm)對滇南小耳豬肉塊及肉糜的水分含量進行了檢測研究。采用PLSR挖掘預處理光譜數據相關聯水分數據,rc分別高達0.987和0.990,RMSEC分別為0.300和0.177。同年,Li等[26]采用短波近紅外光譜對豬肉的水分含量也進行了檢測研究,其建立的神經網絡(Artificial Neural Network,ANN)預測模型rp為0.986,RMSEP為0.181,該結果且與黃偉等的研究接近。除此之外,王文秀等[16]又獲取350～1100和1000～2500 nm兩個波段的光譜數據對豬肉水分進行了檢測,并利用CARS算法從全波段內篩選出了74個特征變量來優化PLSR模型,相關系數rp為0.912,RMSEP為0.381,相比前面的研究,預測效果降低,這可能是由于篩選波長后,部分光譜信息缺失,導致模型精度下降。總體而言,近紅外光譜技術檢測豬肉水分含量效果良好,這與水分在近紅外波段的吸收較多有關。可以通過增加樣本數量,進一步提高模型預測精度。

表2 NIR技術在豬肉化學組成方面的測定應用Table 2 NIR for determination of chemical compositions in pork

2.2 脂肪

脂肪含量與豬肉的色澤、嫩度、紋理、持水力、風味等食用品質密切相關,是影響豬肉品質的重要因素[27]。通過近幾年來的研究,近紅外檢測技術可快速準確的預測出豬肉中的脂肪含量。2014年,林巖等[28]利用多元散射校正(Multiplicative Scatter Correction,MSC)和均值中心化預處理850～1048 nm波段光譜數據,建立聯合區間PLSR(SiPLSR)模型,rp為0.980,RMSEP為為0.228,試驗結果表明該算法可較快速準確檢測豬肉脂肪含量。在同樣的光譜區間,Li等[26]使用ANN模型預測豬肉脂肪含量,預測效果略有提高(rp=0.995,RMSEP=0.109)。在黃偉等[24-25]的研究中,豬肉烘干粉和均質肉糜中的脂肪含量與標準正態化處理(Standard Normal Variate,SNV)的光譜信息有高度的相關性。花錦等[29]采集2347～1663 nm的光譜建立PLSR模型預測豬肉脂肪,也獲得了相似的效果。Huang等[20,30]嘗試利用900～1700 nm的近紅外光譜,分別通過DMG-MLR和Stepwise-MLR算法構建簡化的MLR模型預測豬肉脂肪,但結果并不理想。Balage等[15]基于400～1495 nm范圍的光譜信息構建PLSR模型預測豬肉的肌內脂肪(Intramuscular fat,IMF)含量,結果也不理想。陳亞靜等[31]對比了常規的索氏抽提法與近紅外光譜法測定IMF的效果,結果顯示兩種方法的相關性高達0.981,說明近紅外光譜方法可用于豬肉脂肪的測定。可見,結合不同的數據算法處理光譜信息構建的豬肉脂肪含量的快速預測模型具有很好的可行性。

2.3 蛋白質

豬肉中的蛋白質是人們日常飲食中不可或缺的重要營養成分,其含量關系到肉品的等級和品質[32]。除了脂肪,林巖等[28]還利用SiPLSR預測豬肉蛋白質含量,結果顯示預測效果良好(rp=0.979,RMSEP=0.241)。經SNV預處理豬肉糜光譜信息后,黃偉等[24-25]在909～23256 nm波長構建的PLSR模型在預測蛋白質含量的精度上接近于林巖等[28]的研究。經小波變換預處理850～1048 nm范圍的豬肉光譜,ANN模型的預測效果并沒有提高[26]。趙文英等[33]使用1000～2500 nm波長預測鮮豬肉糜中蛋白質含量的效果也略差一些。蛋白質在近紅外波段范圍也有吸收,但相對于水分吸收顯得較弱,其吸收信息被水分信息所掩蓋,需要選擇合適的化學計量學算法挖掘相關數據,可有效提升預測豬肉蛋白質含量的精度。

3 NIR檢測生鮮豬肉新鮮度

3.1 微生物污染

豬肉腐敗變質的程度可以通過測定其中的細菌或者大腸桿菌的總菌落數來評定[19,34]。谷芳等[34]采集833～2500 nm波數范圍的豬肉樣品光譜,通過PCA分析建立菌落總數對數值的動力學模型,該模型r在冷藏條件下為0.92,室溫下為0.98。張雷蕾[35]基于400～1000 nm全波段的預處理光譜,建立豬肉細菌菌落總數(TVC)和假單胞菌PLSR模型,rc分別為0.959和0.952,RMSEC分別為0.463和0.670,顯示了良好的預測效果。經無信息變量消除法(Uninformative Variables Elimination,UVE)、間隔偏最小二乘(Interval Partial Least Squares,iPLS)、CARS和SPA等四種方法進行波長變量優選后,PLSR預測TVC和假單胞菌效果略有提升,而利用1000～2500 nm波段光譜的預測效果并沒有400～1000 nm波段理想[35],詳細結果如表3所示。這些研究結果說明,雖然微生物在近紅外波段沒有明顯的吸收峰,但通過選用合適的化學計量學方法挖掘光譜信息,揭示出微生物與近紅外光譜信息之間有較好的相關性,經比較,400～1000 nm波段的光譜信息構建近紅外光譜預測模型效果更好。

3.2 揮發性鹽基氮

豬肉的新鮮度往往通過測定揮發性鹽基氮含量(Total Volatile Basic Nitrogen,TVB-N)進行評價[19,36]。汪希偉[37]基于575～940 nm光譜,經SNV、SG預處理后分別篩選出9個和4個最優波長建立PLSR預測模型,rcv分別為0.943、0.889,RMSECV分別為1.94、2.71,預測效果較為理想。王文秀等[16,38]基于350～1100、1000～2500 nm雙波段和380～900 nm單波段光譜,分別采用CARS算法、模擬退火算法(Simulated Annealing,SA)和粒子群算法(Particle Swarm Optimization,PSO)挖掘光譜信息,構建PLSR模型預測豬肉中的TVB-N含量,預測效果有所提升(見表3)。基于1000～1799 nm波段中選出的36個波長構建的PLSR模型[39],和基于1280、1280、1440 nm三特征波長構建的BP-AdaBoost模型[19,40],以及基于450～905 nm波段篩選的13個最優波長構建的MLR模型[41],均獲得了類似的研究結果。近年來,黃林[42]融合NIR、計算機視覺(CV)和電子鼻(EN)技術,構建了豬肉TVB-N含量的BP-ANN模型,將模型rc提高至0.992,比單獨使用光譜技術所建模型效果更好。此外,郭培源等[43]以TVB-N含量作為新鮮度指標,利用700～2500 nm波段光譜研究了豬肉新鮮度的等級劃分,預測正確率達70%,需進一步研究提高預測正確率。

表3 NIR技術在豬肉新鮮度方面的評價Table 3 NIR for assessment of pork freshness

利用近紅外光譜技術檢測豬肉中TVB-N含量總體效果并不理想,這很可能與TVB-N含量低有關,對于豬肉組分含量低的組分,近紅外光譜技術檢測效果往往表現不佳。

3.3 硫代巴比妥酸

脂質氧化是降低肉類及肉制品新鮮度的重要原因之一[44]。脂質氧化的程度與脂類不飽和程度密切相關,豬肉的脂肪氧化通過硫代巴比妥酸(Thiobarbituricacid Reactive Substances,TBARS)間接判斷。Wu等[45]基于870～1734 nm波段光譜信息,建立豬肉TBARS的PLSR模型預測,rC為0.85,RMSEC為0.47,效果尚可。由于豬肉TBARS的近紅外光譜研究較少,還需繼續探討該技術檢測脂肪氧化的可行性。

3.4 pH

新鮮冷藏肉的pH一般在5.8～6.4之間,如果存儲不當,細菌在適宜的條件下迅速繁殖使肌肉組織分解,脂肪發生酸敗甚至變質,此時的pH一般在6.7以上[46]。通過檢測肉品的pH,可以對肉品的新鮮度進行常規判斷。孫宏偉等[14]通過SNVT和SG預處理,建立豬里脊肉pH的PLSR模型,得到校正集相關系數為0.97,校正集標準差為0.12。在Balage等[15]的研究中,400～1495 nm全波段的PLSR模型也獲得了類似的結果。利用350～1100和1000～2500 nm全波段光譜,王文秀等[13,16]利用CARS算法篩最優波長,構建了預測豬肉pH的PLSR模型,rp分別為0.942和0.930,RMSEP分別為0.078和0.128,這兩個波段的光譜均可用于預測豬肉pH,且效果良好。經對比,400～1000 nm波段構建的PLSR模型預測豬肉pH效果好于其他波段,說明選擇合適的波段對于提高pH預測效果作用巨大。

4 NIR檢測生鮮豬肉摻假

孟一等[47-48]在波數范圍1000～2500 nm采集豬肉樣品反射光譜信息,采用PLSR法建立注水量和注膠量分析模型,rp分別為0.925和0.930。此外,該課題組還通過近紅外光譜結合模式識別方法,對豬肉、牛肉和羊肉進行識別,識別率分別高達99.28%、97.42%和100%。王昱陸[49]基于198～1118 nm光譜,以主成分得分為變量建立豬、牛、羊肉的識別模型,準確率分別為94.7%、100%、95.6%。張玉華等[50]運用近紅外結合PCA法、判別分析法,對牛肉摻豬肉、羊肉摻豬肉的鑒別準確率分別為91.23%和92.98%。郝冬梅等[51]基于600～1300 nm光譜和稀疏表示的檢測方法對注水肉的平均識別準確率達93.16%。蔣祎麗等[52]預處理1000～2500 nm光譜后結合PCA,建立豬肉中摻鴨肉的PLSR-DA模型,正確判別率達100%。豬肉摻假形式多樣,導致近紅外光譜技術鑒別豬肉摻假效果各異,目前研究較少,還需針對不同的摻假樣品進行大量的研究,尋找特征光譜信息,可提高快速鑒別效果(表4)。

表4 NIR技術在肉品摻假方面的應用Table 4 NIR for identification of pork adulteration

5 NIR檢測生鮮豬肉其他品質

NIR技術不僅在化學成分、物理屬性、微生物污染、新鮮度預測和肉品摻假方面有大量研究,在儲藏時間、綜合品質、瘦肉率、品種鑒別等方面也有很多研究成果[53-57]。Wu等[57-58]采集波段范圍為1000～2500 nm的光譜信息,分別建立FLVQ和Adaboost-ULDA預測模型,對豬肉儲藏時間的識別正確率分別達85.2%和97.7%。武小紅等[59]也獲得了相似的研究結果(見表5)。

表5 NIR技術在肉品其他方面的應用Table 5 NIR for identification and determination of other pork quality

對于生鮮豬肉綜合品質預測,劉媛媛等[60]篩選出13個特征波長,構建的PLSR模型對白肌肉、正常肉和黑干肉的預測正確率均在80%以上。以生豬血液中的葡萄糖和皮質醇濃度作為參照,利用NIR預判劣質肉,準確率可達到90%以上[61]。基于Fisher算法建立腐敗肉的判別模型,準確率也在80%左右[62]。670 nm處的反射光譜光強用于識別豬肉的肥瘦度,效果良好[63]。基于909～23256 nm近紅外反射光譜,可有效鑒別滇南小耳豬和DLY商品豬兩個品種[64]。NIR技術還被用于檢測豬肉的加熱終點溫度[65]和膽固醇含量[66],結果良好,詳見表5。近年來除了豬肉品質常規參數研究,近紅外還逐漸被用于以上這些非常規指標檢測,旨在增加近紅外光譜技術在豬肉檢測方面的適應性和廣泛性,但是鑒于研究相對較少,后續研究依然值得探討。

6 展望

相比傳統分析技術,近紅外光譜技術具有無接觸、無需破壞肉樣、快速獲取光譜信息、高效分析數據等優勢[67-69]。但獲取的大量近紅外光譜信息同時存在有用信息和干擾信息,需經預處理消除干擾,以最大程度提高模型精度和穩定性。因此,未來的實際應用研究中,應著重考慮一下幾個方向:a:近紅外光譜儀器型號眾多,構建模型在不同型號儀器上是否具有適用性;b:有效光譜信息的篩選對于模型有效性和預測精度至關重要,選用哪種波長篩選方法還需進一步驗證;c:目前PLSR是應用最廣泛的建模方法,穩定性和抗干擾性均較好,但前提是需要品質指標的精準測量,因此在指標測量時盡量減少人為誤差很重要;d:樣品量還需增加,構建不同條件下的豬肉品質指標數據庫對于模型的精度提高作用巨大;e:實際應用是科研理論研究的終極目標,開發高精準度的肉類品質指標的快速檢測設備勢在必行。期待近紅外光譜技術在肉品工業上的應用日趨成熟,以滿足消費者對肉品質量與安全的高標準要求。