基于可見-近紅外光譜的灘羊肉多品質指標無損檢測

馬夢媛 鄭曉春 李巖磊 陳 麗 楊 奇

(1 寧夏大學食品與葡萄酒學院，寧夏 銀川 750021；2 中國農業科學院農產品加工研究所，北京 100193；3 寧夏回族自治區獸藥飼料監察所，寧夏 銀川 750001)

灘羊是我國優良綿羊品種之一，主要分布在寧夏鹽池縣[1]。鹽池縣獨特的堿性生長環境造就了灘羊肉色澤鮮紅、脂肪分布均勻、含脂率低、風味不膻不腥、肉質富有彈性、口感細膩潤滑等優良品質，灘羊因此成為寧夏的“五寶”之一——“白寶”，深受廣大消費者的喜愛[2]。

隨著生活水平的提高，消費者更注重優質肉品的攝入[3]。肉品品質直接影響人們的生活質量和健康安全，也影響整個肉品行業的發展[4]。因此關于肉品品質的快速檢測技術倍受重視，也成為肉品科學當前的研究熱點之一。目前羊肉品質檢測大多采用感官評價和理化檢測等傳統方法[5]，檢測效率低、時間長且易破壞樣品[6]，無法滿足肉類品質快速、無損、準確的檢測需求，難以廣泛應用于市場檢測[7]。隨著電子鼻、電子舌、光譜技術、核磁共振等新型無損檢測技術的快速發展，肉品質檢測的速度、準確度、精度也在不斷提高[8]。近紅外光譜技術已廣泛應用于羊肉品質檢測中并快速發展成為現今的熱門技術[9]。國內外眾多學者利用該技術對不同肉類中化學組成成分、肉品品質特性、產地及摻假鑒別等方面進行了大量研究[10]，在肉品檢測中已有一定的應用基礎。在肉品理化成分與品質特性預測方面，Viljoen等[11]、Balage等[12]、Prieto等[13]和劉曉琳等[14]使用近紅外光譜技術對肉品色澤、pH值、嫩度、蛋白質、脂肪、水分等進行預測，建立的預測模型決定系數在0.30～0.90之間；在肉品定性分析方面，孫淑敏[15]利用近紅外技術建立的不同產地羊肉的判別模型可鑒別羊肉產地來源，王培培[16]建立的不同品種羊肉的定性判別模型可對9個品種羊肉進行鑒別，Kamruzzaman等[17]對羊肉中不同比例的豬肉摻假進行鑒別研究，結果表明所建的鑒別模型可準確鑒別摻雜豬肉的羊肉樣本。

綜上，近紅外光譜技術可較準確地測定肉中脂肪、蛋白質和水分等主要物質組成和含量，也可以構建產地和品種鑒別模型，但目前多數肉品質預測模型僅是基于某一批同質化程度較高的樣品集構建的，多數研究中檢測指標單一，樣品隨機性及豐富度不夠，使得構建的預測模型的適用性和穩定性均有一定的限制，在一定程度上限制了近紅外光譜技術在肉品質無損檢測裝備的在線化應用。

基于此，本試驗以寧夏灘羊為研究對象，采集宰后1、24和72 h 3個時期200～1 100和900～1 700 nm 2個波段的可見-近紅外光譜信息，并測定色澤、pH值、蒸煮損失等7個品質指標，基于預處理優化后的光譜數據建立各品質指標的偏最小二乘回歸(partia′least squares regression, PLSR)預測模型，以期實現灘羊宰后不同時期多部位融合的多品質指標無損預測，豐富和拓展羊肉品質近紅外光譜無損預測模型的適用范圍，為灘羊肉品質控制和優質特色產品生產提供數據支持和技術支撐。

1 材料與方法

1.1 試驗材料

灘羊肉樣品取自寧夏吳忠市鹽池縣灘羊產業集團，選取3～5月齡、6～9月齡、10～12月齡、12～15月齡的灘羊共36只，經屠宰后取其單側外脊、前腿、羊霖、臀肉4個部位肉共144塊，肉樣經分割整形后進行光譜數據采集及各品質指標測定，僵直前期、最大僵直期和解僵成熟期的光譜數據采集及各指標測定保證在灘羊宰后1、24、72 h完成。

1.2 儀器與設備

AvaSpec-ULS2048CL-EVO-RS型光譜儀，荷蘭Avantes公司(光譜分辨率最小為0.05 nm，自建光源：20 W鹵鎢燈反射燈杯)；MicroNIR微型近紅外光譜儀，美國JDSU公司(含雙集成真空鎢燈光源，分光器：線性漸變濾光片LVF)；CM-600D色差計，柯尼卡美能達公司；便攜式Testo 205型pH計，德圖儀器國際貿易上海有限公司；C-LM4型肌肉嫩度儀，東北農業大學工程學院；HH-4數顯恒溫水浴鍋，江蘇省金壇市榮華儀器制造有限公司；全自動凱式定氮儀，丹麥FOSS公司；SOX406型粗脂肪測定儀，山東海能科學儀器有限公司；DHG-9140AS型恒溫干燥箱，寧波江南儀器廠。

1.3 試驗方法

1.3.1 近紅外光譜采集 灘羊肉樣品200～1 100 nm、900～1 700 nm波段可見-近紅外光譜數據使用儀器自帶的AvaSoft 8.7和MicroNIR1.5.7軟件采集。采集前先打開光譜儀預熱20 min，并對光譜采集系統進行黑白參考校正，采集參數設置為：AvaSpec-ULS2048CL-EVO-RS型光譜儀(采集波段范圍200～1 100 nm， 積分時間100 ms，平均次數5次，掃描分辨率0.6 nm)；MicroNIR微型近紅外光譜儀(采集波段范圍900～1 700 nm，積分時間38 ms，掃描次數50次，掃描分辨率為6.2 nm)。每個樣品采集表面3個不同位點的可見-近紅外反射光譜數據，計算其平均光譜作為該樣本的代表光譜，光譜采集示意圖如圖1所示。

圖1 光譜采集示意圖Fig.1 Schematic diagram of spectral acquisition

1.3.2 品質指標測定 樣品色澤測定參考李蒙[18]的方法，色差計校準后在樣品表面隨機選取4個點進行測定，以L*、a*、b*值表示樣品色澤；pH值測定參考Szerman等[19]的方法，將校準后的便攜式pH計探頭插入肉中，插入深度約為1.5～2 cm，測定樣品表面3個隨機點的pH值，以平均值表示樣品的pH值；蒸煮損失測定參考肖雄[20]的方法，稱取樣品50～70 g置于蒸煮袋內71℃水浴30 min，取出肉塊冷卻至室溫測定蒸煮損失，蒸煮損失率用樣品水浴前后質量差與水浴前質量的比值表示；剪切力測定參考李桂霞等[21]的方法并稍作更改，測定完蒸煮損失的樣品沿肌纖維方向切成1.0 cm×1.0 cm×1.5 cm的塊狀，用肌肉嫩度儀測定樣品的剪切力；樣品蛋白質、粗脂肪和水分含量均參照《GB 5009.5-2016 食品安全國家標準 食品中蛋白質的測定》[22]、《GB 5009.6-2016 食品安全國家標準 食品中脂肪的測定》[23]和《GB 5009.3-2016 食品安全國家標準 食品中水分的測定》[24]測定。

1.4 光譜數據處理及建模

本研究使用SG平滑法(Savitzky-Golay, SG)、一階導數處理(first derivative, 1-Der)、二階導數處理(second derivative, 2-Der)、多元散射校正(multiplicative scatter correction, MSC)、標準正態變量(standard normalized variate, SNV)對采集的原始光譜數據進行預處理。使用偏最小二乘回歸(PLSR)建立各品質指標的預測模型。PLSR可實現主成分分析、典型相關分析與多元線性回歸的綜合[25]，提取主成分時對自變量X(光譜矩陣)和因變量Y(樣品理化成分矩陣)進行信息提取，將X、Y分別分解成特征向量、載荷向量矩陣，對其進行回歸分析，使得特征向量直接與樣品性質相關，所建立的模型具有較高的解釋和預測能力[26]。

1.5 模型驗證評價

建模時144個樣品劃分108個校正集樣本(calibration set)來建立量化分析模型，36個預測集樣本(prediction set)對模型效果進行初步驗證評價。試驗選用校正均方根誤差(root mean square error of calibration set, RMSEC)、預測均方根誤差(root mean square error of prediction set, RMSEP)、校正集相關系數(related coefficient of calibration set,Rc)、預測集相關系數(related coefficient of prediction set,Rp)等[27]參數評價各指標PLSR模型的預測性能，選擇出更為精準的模型。

1.6 數據處理

采用SPSS 22軟件對測定的灘羊肉樣品品質指標數據進行分析，采用MATLAB R2014a軟件對光譜數據進行預處理及PLSR建模分析。

2 結果與分析

2.1 灘羊肉品質參數測定結果

肉品品質參數主要包括色澤、pH值、蒸煮損失、剪切力、蛋白質、脂肪、水分等，這些品質參數直接影響肉的加工性能及食用品質[28-29]。對測定的144個灘羊肉樣品各品質指標數據進行區間劃分，結果如圖2所示，從灘羊肉各品質指標值的分布情況來看，樣品的色澤L*值集中分布在30～40之間，a*值集中分布在9～12之間，b*值集中分布在6～10之間，pH值集中分布在6.5～7.3之間，蒸煮損失集中分布在20%～30%之間，剪切力集中分布在50～100 N之間，蛋白質含量集中分布在20%～22%之間，粗脂肪含量集中分布在1%～3%之間，水分含量集中分布在72%～76%之間。以上結果表明，各品質參數理化值變化范圍較廣，數據分布較穩定，近似呈正態分布，各品質指標數據具有代表性，表明樣品集的選擇比較合理，有利于建立適用范圍廣、預測能力更好的模型[30]。

2.2 光譜數據預處理

采集樣品200～1 100 nm波段的光譜數據兩端噪聲較大且信號較弱，因此截取370～1 050 nm范圍的光譜信息進行預處理，結果如圖3所示。圖中A為原始光譜曲線，B～F為經過不同預處理的光譜曲線，各樣品原始光譜曲線形狀基本一致且大量集中分布，經過預處理后的光譜曲線變得更為平滑，且排列也比處理前更整齊、緊密，能夠更加清楚地觀察到樣品反射光譜波峰波谷的位置。樣品光譜曲線在400～600 nm范圍反射率比較低，在600～900 nm紅色光譜區域反射率較高，在450、570、750、980 nm附近出現強烈吸收峰，前3個峰在可見光范圍內出現，這與反映肉色澤的物質對光的吸收有關[31]，450 nm附近為脫氧肌紅蛋白和氧合肌紅蛋白的特征吸收峰，570 nm附近反映了脫氧肌紅蛋白的吸收峰，750 nm處的吸收峰主要與肉中血紅蛋白、肌紅蛋白特征吸收有關[32]，980 nm附近的吸收峰對應C-H、O-H基團的四級和二級倍頻吸收，與肉中的水分密切相關[33]。

圖2 灘羊肉各指標化學值分布直方圖Fig.2 Distribution of chemical values of each index in Tan mutton

采集樣品900～1 700 nm波段光譜數據，其光譜曲線如圖4所示。圖中A為原始光譜圖，B～F為不同預處理的光譜圖，原始光譜曲線呈現為兩個數據群體，可能是由于采集光譜過程中受到外界噪音、光源影響或部分樣品的肌間筋膜、肌間脂肪較多使得樣品的反射率增加[34]。對原始光譜進行SNV處理和MSC處理明顯改善了光譜曲線分離的現象，使光譜曲線排列更緊密整齊。羊肉脂肪、蛋白及水分含量約占質量的95%以上，因此光譜吸收峰主要與其所含的O-H、C-H和N-H2等基團緊密相關。從圖中可觀察到樣品有2個明顯的吸收峰，在970～980 nm處的吸收峰可能與O-H基團的二級倍頻吸收有關，1 190～1 200 nm處的吸收峰可能與C-H基團的一級、二級倍頻吸收有關[35]。

2.3 各指標PLSR建模結果分析及光譜數據預處理方法的選擇

參與建模分析的樣品各指標參數結果統計如表1所示，共有144個樣品，按照3∶1的比例隨機劃分為校正集108個、預測集36個，表中校正集各指標參數變幅范圍與預測集相近，且校正集與預測集的平均值和標準差相近，可見校正集與驗證集內的樣本分布相似，表明建模樣品集選擇合理。

注：A：原始光譜圖；B：SG處理光譜圖；C：MSC處理光譜圖；D：SNV處理光譜圖；E：一階導光譜圖；F：二階導光譜圖。下同。Note: A: Original spectrogram. B: SG processing spectrogram. C: MSC processing spectrogram. D: SNV processing spectrogram. E: 1-Der processing spectrogram. F: 1-Der processing spectrogram. The same as following.圖3 灘羊肉原始光譜曲線及不同預處理光譜曲線(370～1 050 nm)Fig.3 Original spectral curve and different pretreatment spectral curve of Tan mutton(370～1 050 nm)

圖4 灘羊肉原始光譜曲線及不同預處理光譜曲線(900～1 700 nm)Fig.4 Original spectral curve and different pretreatment spectral curve of Tan mutton(900～1 700 nm)

2.3.1 灘羊肉370～1 050 nm波段PLSR建模結果分析 各品質指標370～1 050 nm波段不同光譜預處理的PLSR模型結果如表2所示，蒸煮損失和粗脂肪含量原始光譜建立PLSR模型效果較好，其中粗脂肪校正集、預測集的相關系數RC和RP為0.910和0.830，誤差值RMSEC和RMSEP為0.562和0.709，其余指標原始光譜建模效果不佳。各指標經過預處理之后建模效果得到提升，校正集和預測集的RC和RP均明顯提高，RMSEC和RMSEP減小；SG處理后光譜數據的建模效果稍有提升，但對預測集的改善效果不好，甚至會出現預測集的相關系數降低的情況；光譜數據經MSC或SNV處理建模效果明顯提升，二者對建模效果的改善結果基本一致，SNV處理后色澤L*、a*、b*值和剪切力值建模效果最優，RC和RP分別為0.912、0.948、0.948、0.896和0.843、0.922、0.918、0.805，RMSEC和RMSEP分別為1.762、0.502、0.671、8.515和2.427、0.621、0.761、11.382；MSC處理后pH值、蒸煮損失值、蛋白質含量、水分含量建模效果最優，RC和RP分別為0.910、0.955、0.925、0.924 和0.834、0.869、0.882、0.879，RMSEC和RMSEP分別為0.156、1.335、0.781、0.892和0.233、2.287、1.005、1.276；一階導數、二階導數處理的建模效果較差，校正集、預測集的RC和RP明顯降低，說明導數處理可能引入了其他的噪音干擾，降低了預測模型的性能。

綜合以上結果發現建立的色澤a*、b*值、蒸煮損失值、蛋白質含量和水分含量最優PLSR模型結果優于其他指標建模結果，RC均達0.9以上，RP均達0.85以上，色澤L*、pH值、剪切力值、粗脂肪含量最優PLSR模型RC雖然大多數達到0.9以上，但RP相對稍低，為0.83以上，模型預測的精準度略低。

2.3.2 灘羊肉900～1 700 nm波段PLSR建模結果分析 各品質指標900～1 700 nm波段不同光譜預處理的PLSR模型結果如表3所示，表中各指標原始光譜數據的建模結果不佳，經過預處理之后得到提升，校正集和預測集的RC和RP均明顯提高，RMSEC和RMSEP減小。MSC處理后色澤b*、蛋白質含量、水分含量的建模效果最優，RC和RP分別為0.892、0.901、0.954 和0.888、0.895、0.941，RMSEC和RMSEP分別為0.956、0.884、0.741和0.871、0.880、0.779；SNV處理后色澤L*、a*、pH值、蒸煮損失值、剪切力值的建模效果達到最優，RC和RP分別為0.900、0.933、0.924、0.907、0.866 和0.889、0.922、0.881、0.862、0.837，RMSEC和RMSEP分別為1.856、0.575、0.147、1.950、9.389和2.068、0.629、0.174、2.283、10.666；粗脂肪含量建模最優預處理方法為2-Der，RC和RP為0.911 和0.848，RMSEC和RMSEP為0.588和0.545。

表1 灘羊肉各指標樣本集化學值統計Table 1 Statistics of chemical values of each index sample set of Tan mutton

表2 羊肉各指標不同預處理方法下PLSR模型比較Table 2 Comparison of PLSR model under different pretreatment methods for each index of Tan mutton

表2(續)

表3 灘羊肉各指標不同預處理方法下PLSR模型比較Table 3 Comparison of PLSR model under different pretreatment methods for each index of Tan mutton

表3(續)

綜上可知，色澤L*、a*、b*、pH值、蒸煮損失值、蛋白質含量和水分含量的建模效果優于粗脂肪含量和剪切力值，RC和RP均大于0.85，RC和RP最高為0.954 和0.941；粗脂肪含量和剪切力值最優模型結果欠佳，但RC和RP均大于0.85和0.80，說明建立的各指標預測模型效果較好，可以用于灘羊肉各品質指標的預測。

2.4 各指標PLSR最優模型預測結果

對各品質指標兩個波段的最優PLSR預測模型預測能力進行驗證，以各品質指標實測值為橫坐標，預測值為縱坐標作擬合效果圖，圖5和圖6分別為370～1 050 nm和900～1 700 nm波段各品質參數最優PLSR預測模型的效果，每個子圖中黑色星標代表校正集樣品，紅色圈標代表預測集樣品，樣本點越接近直線，表明預測結果越精準。兩波段中各品質參數校正集的參數均勻的分布在擬合趨勢線的附近，預測集中部分樣品分布較為散亂、距校正集較遠；建模結果顯示，pH值、剪切力值在兩個波段的預測模型相關系數較低，且剪切力預測模型的誤差值較大，因此散點圖中顯示二者預測模型中樣品分布較散亂，少數樣品的分布距線性擬合線較遠，模型的預測性能需進一步提升。

注：A：L*值；B：a*值；C：b*值；D：pH值；E：蒸煮損失；F：剪切力；G：蛋白質含量；H：粗脂肪含量；I：水分含量。下同。Note: A: L* value. B: a* value. C: b* value. D: pH value. E: Cooking lossrate. F: Shear force value. G: Protein content. H: Crude fat content. I: Moisture content. The same as following.圖5 灘羊肉各品質參數預測值與實測值的相關關系圖(370～1 050 nm)Fig.5 Correlation diagram of predicted value and measured value of each quality parameter of Tan mutton(370～1 050 nm)

圖6 灘羊肉各品質參數預測值與實測值的相關關系圖 (900～1 700 nm)Fig.6 Correlation diagram of predicted value and measured value of each quality parameter of Tan mutton (900～1 700 nm)

3 討論

近紅外光譜技術結合化學計量學方法可實現肉品定性或定量分析，在肉品質評價檢測上具有獨特的優勢[36]。考慮到實際生產中對肉品檢測實時、快速、在線、無損、成本低廉等需求，本研究中使用的兩臺近紅外光譜儀均為便攜式光譜儀，實驗操作在屠宰企業車間進行，從試驗結果來看對灘羊肉多個品質指標的預測結果較好，證明這種便攜式的近紅外光譜設備可以用于肉品生產過程中的品質檢測。

通過近紅外光譜技術所建立的預測模測是一種間接模型，模型預測的準確性和穩定性與建模時的樣品集選擇、光譜預處理方法、常規化學檢測方法的選擇以及模型建立方法均有很大的關系，因此要建立一個準確的肉品化學成分NIRS校正模型，必須選擇變化范圍大的校正樣品集，確定正確定標檢測方法、光譜預處理和建模方法[26]。本研究使用經典的PLSR建模方法和5種典型的光譜預處理方法建立灘羊肉7個品質指標PLSR定量預測模型，光譜數據預處理結果中導數處理效果最差，校正集、預測集的相關系數明顯降低，說明導數處理可能引入了其他的噪音干擾。導數處理雖能提高光譜分辨率，改善譜峰重疊，但也會增加光譜噪聲，降低信噪比，導數階數越高信噪比降低越嚴重，因此近紅外光譜分析中導數光譜一般只使用一階或二階，很少用到三階，再高階的導數光譜基本不用。建立定量分析模型中主因子數的選擇至關重要，采用的主因子數過多或過少均會對模型的性能產生影響，主因子數過少導致數據擬合程度不夠，不能代表樣品特征信息，主因子數過多則會導致數據過擬合，模型的預測準確度降低[36]。本研究中370～1 050 nm波段各指標最優模型的主因子數均小于900～1 700 nm 波段，其主因子數選在3～15范圍內，且最優模型的RMSEC/RMSEP比值在0.6～1.0范圍內，說明370～1 050 nm 波段的模型較900～1 700 nm波段的模型更為穩定可靠。

本研究中灘羊肉7個品質指標的檢測結果變化較大，對比各指標兩個波段的建模結果發現色澤L*、a*、b*值在第一波段的建模效果較好，a*、b*值建模結果優于第二波段，兩波段L*值建模結果較接近，這與決定肉色的氧合肌紅蛋白和脫氧肌紅蛋白的特征吸收峰有關，氧合肌紅蛋白和脫氧肌紅蛋白的特征吸收峰主要集中在第一波段可見光范圍內，因此第一波段的光譜數據提供更多與色澤相關的信息，色澤利用第一波段的光譜數據建模更好，這也與王文秀等[35]的研究結果相近。兩波段中pH值、剪切力值的PLSR模型預測效果有待進一步提高，由生鮮羊肉pH值、嫩度形成機理可知，動物宰后肌肉中糖原分解產生乳酸和肌原纖維蛋白降解等復雜的生理生化變化引起pH值和嫩度發生變化，因此可以通過采集近紅外光譜提取與pH值，嫩度指標有關的光譜信息來構建預測模型，進而綜合反映這些復雜的物質變化，提取與pH值、嫩度指標有關的光譜信息構建預測模型[37]。此外，嫩度PLSR模型預測效果也與測定時的試驗條件有關，嫩度測定極易受樣品形狀與環境等因素的影響，標準方法要求切塊大小均勻，嚴格控制蒸煮時間，切樣時嚴格與肌纖維方向平行等，諸多影響因素使得同一樣品多次平行測定的剪切力值變化較大，這對建模效果也會產生影響[38]。因此，pH值、嫩度指標預測模型的進一步優化將通過提取關鍵光譜信息、提高樣品理化值平行測定的一致性來實現。

本研究對灘羊肉多個品質指標的預測取得較好的效果，在后續的研究中還可進一步擴大樣本的容量和豐富度，補充來自不同地理區域、不同質量等級、不同屠宰批次及不同儲存條件樣品以增強模型的穩定性和適用范圍，并利用更多關鍵變量提取算法和建模方法建立更精準、穩定的預測模型，集成為更為簡潔易用的技術與設備，以便更好地應用于各類產業場景中。

4 結論

本研究采用可見-近紅外光譜技術構建了灘羊肉基于2個光譜波段7個品質指標的PLSR預測模型。結果表明，不同品質指標最佳光譜預處理方法不同，同一指標在2個波段的最佳預處理方法也不完全相同；在370～1 050 nm波段，a*值、b*值、蒸煮損失、蛋白含量和水分含量PLSR模型預測效果較好，預測集相關系數最高可達0.922；在900～1 700 nm波段，L*值、a*值、b*值、pH值、蒸煮損失值、蛋白質含量和水分含量建模效果較好，預測集相關系數最高可達0.941；各指標2個波段最優PLSR模型相關系數均大于0.800，模型的預測效果較好。表明可見-近紅外光譜技術可對未知灘羊肉樣品7個品質指標進行定量預測，能實現灘羊肉多個品質指標的無損檢測。