近紅外光譜無損分析肉類品質的研究進展

摘 要：近年來，近紅外光譜分析技術以其無損、快速、高效、環境友好等特點，被廣泛應用于肉類品質無損快速分析領域。然而，由于基質復雜、水分含量高，肉類常會對近紅外光譜產生一定干擾，進而影響分析結果的準確度。為進一步明確近紅外光譜分析技術在肉類品質無損分析方面的最新研究進展，本文對近年來近紅外光譜技術在牛肉、羊肉、豬肉、雞肉、水產品5 種常見肉類的品質無損分析方面的應用進行梳理，包括品質檢測、分類研究、真偽鑒別、質量安全4 個方面，并就近紅外光譜分析技術在肉類品質無損分析方面的應用進行總結與展望。可為近紅外光譜分析技術在肉類品質無損檢測、分類研究、真偽鑒別及質量安全方面的應用提供一定的參考與借鑒。

關鍵詞：近紅外光譜；肉；品質檢測；分類研究；真偽鑒別；質量安全

Progress in Non-Destructive Analysis of Meat Quality by Near-infrared Spectroscopy

WANG Dong， LUAN Yunxia， WANG Xinran， JIA Wenshen*

（Institute of Quality Standard and Testing Technology， Beijing Academy of Agriculture and Forestry Sciences， Beijing 100097， China）

Abstract： In recent years， near-infrared spectroscopy， being non-destructive， fast， efficient， and environmentally friendly， has been widely applied in the non-destructive and rapid analysis of meat quality. However， the complex matrix and high moisture content of meat often interfere with near-infrared spectroscopy， which will affect the accuracy of analytical results. In order to gain insights into the latest progress in the application of near-infrared spectroscopy in non-destructive analysis of meat quality， this review deals with the recent applications of near-infrared spectroscopy in non-destructive quality analysis of common meats such as beef， mutton， pork， chicken as well as aquatic products from 4 aspects： quality testing， species identification， authentication， and safety evaluation. Moreover， an outlook on future prospects in this field is given. This paper will provide reference and inspiration for the application of near-infrared spectroscopy in non-destructive quality testing， species identification， authentication and safety evaluation of meat.

Keywords： near-infrared spectroscopy; meat; quality testing; species identification; authentication; quality and safety

DOI：10.7506/rlyj1001-8123-20240513-118

中圖分類號：TS251.5" " " " " " " " " " " " " " " " " " " 文獻標志碼：A 文章編號：1001-8123（2024）05-0061-10

引文格式：

王冬， 欒云霞， 王欣然， 等. 近紅外光譜無損分析肉類品質的研究進展[J]. 肉類研究， 2024， 38（5）： 61-70. DOI：10.7506/rlyj1001-8123-20240513-118." " http：//www.rlyj.net.cn

WANG Dong， LUAN Yunxia， WANG Xinran， et al. Progress in non-destructive analysis of meat quality by near-infrared spectroscopy[J]. Meat Research， 2024， 38（5）： 61-70. （in Chinese with English abstract） DOI：10.7506/rlyj1001-8123-20240513-118.

http：//www.rlyj.net.cn

肉類能夠為人體提供豐富的蛋白質、脂肪、維生素等必需營養元素。近年來，隨著居民生活水平的日益提高，消費者飲食結構逐漸發生變化，動物性蛋白質的占比逐漸增加。根據國家統計局《中國統計年鑒2023》數據，2022年，我國豬肉、牛肉、羊肉產量分別超過

5 000萬、700萬、500萬 t，水產品總產量超過6 000萬 t。肉類的品質、真偽和質量安全逐漸成為消費者日益關注的焦點，因此對肉類進行品質檢測、分類和真偽鑒別及質量安全風險控制不僅對消費者飲食安全十分重要，也是增強我國肉類市場規范化程度、提高我國肉類農產品附加值和市場競爭力的有效技術手段。

常規肉類品質檢測技術手段主要采用國家標準規定的方法。GB 5009.5—2016《食品安全國家標準 食品中蛋白質的測定》規定肉品中蛋白質的測定應采用凱氏定氮法及分光光度法；GB 5009.6—2016《食品安全國家標準 食品中脂肪的測定》規定肉品中脂肪的測定應采用索氏提取法及酸水解法；GB 5009.3—2016《食品安全國家標準 食品中水分的測定》規定肉品中水分含量的測定應采用直接干燥法和蒸餾法；GB 5009.228—2016《食品安全國家標準 食品中揮發性鹽基氮的測定》中規定肉品中總揮發性鹽基氮（total volatile basic nitrogen，TVB-N）的測定應采用半微量定氮法、自動凱氏定氮儀法和微量擴散法。有關肉類分類研究和真偽鑒別的國家標準或行業標準仍舊缺乏，常用的方法有形態學鑒別法及蛋白質或DNA分析法等；對肉類質量安全，主要依據國家標準GB 4789.2—2022《食品安全國家標準 食品微生物學檢驗 菌落總數測定》，用測定菌落總數法對肉中的致病微生物進行菌落總數分析?，F行國家標準規定的方法及本領域公認的分析方法主要有分析時間長、分析過程復雜等問題，從而導致肉類的品質檢測、分類與真偽性鑒別和質量安全檢測目前尚以抽檢為主，進而導致檢測覆蓋面受限，難以適應現代社會對肉類在品質分析和質量安全等方面存在的大量需求。由此可見，研究肉類品質無損檢測技術從而實現肉類品質無損快速檢測，成為亟待解決的難題。

近年來，隨著化學計量學的發展、計算機技術的進步，加之微機電制造技術的興起，近紅外光譜分析技術以其無損、快速、高效及環境友好等特點得以迅速發展，被廣泛應用于農產品及食品的無損快速分析檢測中[1-2]。

近紅外光譜的吸收主要來源于物質分子中含氫官能團的合頻與倍頻吸收，絕大多數有機物及水等無機物在近紅外譜區有明顯的吸收，例如，肉類中的蛋白質、脂肪（脂肪酸）、水分等物質都在近紅外光譜區有其各自的吸收，這是近紅外光譜實現定性及定量分析的光譜學基礎。近紅外光譜的吸收強度和物質含量呈一定的數學關系，這是近紅外光譜實現定量分析的數學基礎；但是由于各官能團在近紅外譜區的吸收重疊嚴重，一般難以通過單一吸收峰的峰高、峰面積實現近紅外光譜定量分析，需要對近紅外光譜數據進行有效信息提取，進一步建立校正模型。在實驗方面，可以采用反射、漫反射、透射及漫透射等多種方式采集實驗樣品的近紅外光譜數據，并可實現對實驗樣品無損傷、快速采集近紅外光譜數據。近年來，近紅外光譜技術和圖像分析技術相互融合，誕生了近紅外高光譜、可見-近紅外高光譜分析技術，并被越來越多地應用于農產品及食品的品質分析中。目前，已有學者將近紅外光譜技術用于肉類品質分析[3]和水產品質量檢測[4]等領域。

近紅外光譜技術一般需要在收集代表性樣品的基礎上建立多元校正模型。對于定性分析，通常采用模型的預測準確率等統計量作為衡量所建模型的分類能力；對于定量分析，一般需要計算模型的決定系數（R2）、均方根誤差（root mean square error，RMSE）和相對預測性能（ratio performance deviation，RPD）。其中，R2用于反映模型的相關性，在數值上和相關系數（correlation coefficient，r）的平方相等，R2越接近1則模型的相關性越好，R2越接近0則模型的相關性越差；RMSE用于反映模型的誤差大小，RMSE的數值越小則模型的誤差越小，RMSE的數值越大則模型的誤差越大；RPD用于反映模型的預測性能[5]，RPD≥3.0表示模型具有較好的預測性能，1.5≤RPD＜3.0表明模型的預測性能可以用于快速檢測或初篩分析，RPD＜1.5表明模型的預測性能較差。

需要注意的是，在建立近紅外光譜定量校正模型時，校正集、交互驗證集和外部驗證集（預測集）分別有各自的R2和RMSE，一般用下標C、CV、P表示，即校正測定系數（R2C）、交互驗證測定系數（R2CV）、外部驗證測定系數（R2P）、校正均方根誤差、交互驗證均方根誤差和外部驗證均方根誤差（root mean square error of prediction，RMSEP）。在眾多統計量中，R2P、RMSEP和RPD最為重要，這3 個統計量分別反映模型預測數據的相關性、預測誤差和模型的預測性能。

本文對近年來近紅外光譜技術在牛肉、羊肉、豬肉、雞肉和水產品的品質無損分析方面的應用進行梳理，包括品質檢測、分類研究、真偽鑒別和質量安全四方面，并對近紅外光譜技術在肉類品質無損分析方面的應用進行總結與展望，為近紅外光譜分析技術在肉類品質無損分析方面的應用提供一定的參考與借鑒。

1 近紅外光譜技術在肉類品質檢測方面的應用

很多學者探索了近紅外光譜技術應用于肉類品質檢測[6]，例如，肉類水分含量分析[7-8]和脂肪酸定量分析[9]等。本節從牛肉、羊肉、豬肉、雞肉及水產品5 個方面對近紅外光譜技術在肉類品質檢測方面的應用進行綜述。

1.1 牛肉品質近紅外光譜無損檢測

有學者研究基于近紅外光譜技術的牛肉品質無損檢測方法，包括氨基酸、水分、蛋白質、脂肪及pH值等，并探討關鍵變量篩選在建立牛肉品質近紅外光譜模型中的應用。Dong Fujia等[10]用可見-近紅外高光譜成像與長短期記憶網絡相結合評價牛肉必需氨基酸指數，結果表明，牛肉必需氨基酸指數評價模型的R2P和RPD分別0.909 5和2.76。Dias等[11]用400～2 500 nm波長的可見-近紅外反射光譜預測漢堡中牛肉的水分、蛋白質和脂肪含量，結果表明，脂肪、粗蛋白和水分含量的R2CV分別為0.93、0.89和0.72，交互驗證標準差（standard error of cross validation，SECV）分別為1.25、0.99和2.18。禹文杰等[12]基于可見-近紅外高光譜成像技術對牛肉水分含量及分布進行快速檢測，結果表明，采用卷積平滑對光譜數據進行預處理后所建牛肉水分偏最小二乘回歸模型效果較好，R2P和RMSEP分別為0.850和0.375。喬蘆等[13]

基于可見-近紅外高光譜成像技術建立牛肉pH值的定量模型并對牛肉pH值空間分布進行預測，結果表明，所建偏最小二乘回歸模型的R2P和RMSEP分別為0.783 7和0.072 2；此外，還利用競爭自適應重加權采樣-偏最小二乘回歸模型計算牛肉樣本中像素點的pH值并通過選取742 nm波長處的偽彩色圖像直觀表示牛肉樣本的pH值空間分布情況。

1.2 羊肉品質近紅外光譜無損檢測

大量研究表明，近紅外光譜技術在羊肉品質無損檢測中具有較好的應用效果，包括蛋白質、脂肪、脂肪酸等常規營養指標，以及TVB-N含量等表征羊肉新鮮度的指標，甚至硬度、黏性等物理指標。梁靜等[14]基于近紅外光譜技術建立羊肉營養成分定量分析模型，結果表明，采用改良偏最小二乘算法建模效果最佳；脂肪、蛋白質、油酸、亞油酸、單不飽和脂肪酸及多不飽和脂肪酸模型的R2CV分別為0.916 6、0.913 9、0.910 4、0.937 3、0.962 5和0.952 0，R2P分別為0.936、0.916、0.843、0.883、0.911和0.895，RPD分別為3.843、4.229、3.306、3.524、4.299和3.795。Liu Sijia等[15]采用可見-近紅外高光譜成像結合熵權法綜合評價灘羊肉抗氧化酶活性，結果表明，迭代保留信息變量-競爭自適應重加權采樣-紋理特征-人工神經網絡模型效果最佳，R2P和RMSEP分別為0.881 3和0.050 8?？稻暗萚16]基于近紅外光譜技術結合改良偏最小二乘法構建新鮮羊肉粗脂肪的定量分析模型，結果表明，模型的R2C、R2P和RPD分別為0.91、0.90和3.60。Liu Cunchuan等[17]基于電子鼻與可見-近紅外高光譜圖像數據融合，建立羊肉TVB-N定量模型；結果表明，所建模型的RMSEP、預測相關系數（correlation coefficient of prediction，rP）和RPD分別為3.039、0.920和3.59。Zhang Jingjing等[18]采用波長900～1 700 nm的近紅外高光譜成像結合優化算法快速評價灘羊肉物理指標，結果表明，最小二乘支持向量機-區間變量迭代空間收縮-競爭自適應沖加權采樣算法所建的灘羊肉硬度和黏性模型效果最佳，RMSEP分別為5.259和3.051，R2P

分別為0.986和0.984；最小二乘支持向量機-區間變量迭代空間收縮-連續投影算法所建灘羊肉咀嚼性模型效果最佳，R2P和RMSEP分別為0.987和4.970。Cheng Lijuan等[19]基于近紅外高光譜數據建立灘羊肉冷藏過程中高鐵肌紅蛋白含量的定量模型，結果表明，通過廣義二維相關光譜篩選關鍵波長變量，所建高鐵肌紅蛋白含量定量模型的R2P、RMSEP和RPD分別為0.849、2.695和2.786。Fan Naiyun等[20]基于900～1 700 nm波長的近紅外高光譜成像數據建立硫代巴比妥酸反應物（thiobarbituric acid reactive substances，TBARS）值的定量模型，從而評價羊肉脂質氧化程度，結果表明，競爭自適應重加權采樣-最小二乘支持向量機模型效果最佳，R2P、RMSEP和RPD分別為0.83、0.11和2.82。

1.3 雞肉品質近紅外光譜無損檢測

在雞肉品質無損檢測方面，有學者研究基于近紅外光譜技術建立雞肉蛋白質、水分和氨基酸等品質的無損分析模型，并探討關鍵變量篩選在建立雞肉品質無損分析模型中的應用。Ramo等[21]采用數字圖像、近紅外光譜、數據融合和多元校準法建立雞蛋粉中的水分、總蛋白和磷含量模型，結果表明，總蛋白模型的校正相關系數（rC）和RPD分別為0.995和9.55；基于臺式近紅外光譜儀水分模型的rC和RPD分別為0.974和4.35，基于臺式近紅外光譜儀的總磷含量模型的rC和RPD分別為0.98和4.3。Serva等[22]基于近紅外光譜結合機器學習算法建立雞胸肉品質模型，結果表明，粗蛋白和醚提取物R2CV分別為0.98和0.99，然而只有3 種氨基酸（天冬氨酸、丙氨酸和甲硫氨酸）的R2CV大于0.55。袁凱等[23]采用間隔偏最小二乘-區間變量迭代空間收縮-迭代保留信息變量算法篩選近紅外光譜關鍵波長變量，建立生鮮雞胸肉水分模型，結果表明，rP和RMSEP分別為0.943 5和0.612 3。何鴻舉等[24]

基于近紅外高光譜技術，采用偏最小二乘回歸算法建立雞肉滴水損失率定量模型，結果表明，用逐步回歸法從基線校正全光譜中篩選14 個優化波長變量建立的多元線性回歸模型，rP、RMSEP和RPD分別為0.97、0.22和4.19。陶琳麗等[25]基于1 000～2 502 nm波長的近紅外光譜數據，采用偏最小二乘回歸算法建立雞胸肌凍干粉賴氨酸定量預測模型，結果表明，R2P和RPD分別為0.88和2.93。

1.4 豬肉品質近紅外光譜無損檢測

很多學者針對豬肉品質近紅外光譜無損檢測開展研究，包括脂肪、肌紅蛋白等營養指標，以及酸價、TBARS值和TVB-N含量等表征豬肉氧化程度或新鮮度的指標。Zuo Jiewen等[26]用近紅外高光譜成像技術無損檢測豬肉營養物質含量及其分布，結果表明，標準正態變量變換結合競爭自適應重加權采樣算法提取的關鍵波長變量具有更好的預測性能，所建脂肪模型的rP、RMSEP和RPD分別為0.929、0.699和2.669，所建蛋白質模型的rP、RMSEP和RPD分別為0.934、0.603和2.586。Rong Yanna等[27]用便攜式可見-近紅外光譜儀快速檢測凍豬肉的肌紅蛋白，結果表明，肌紅蛋白、脫氧肌紅蛋白、氧合肌紅蛋白和總肌紅蛋白的rP分別為0.909 5、0.900 4、0.857 8和0.913 3。Cheng Jiehong等[28]采用高光譜成像結合三維卷積神經網絡的廣義和異二維相關性分析評估豬肉中的脂質氧化，結果表明，TBARS值的三維卷積神經網絡模型效果最佳，R2P和RMSEP分別為0.921 4和0.036 4。何鴻舉等[29]采用近紅外高光譜技術建立冷鮮豬肉酸價的定量模型，結果表明，采用回歸系數法對原光譜篩選28 個關鍵波長變量建立偏最小二乘回歸模型，rP、RMSEP和RPD分別為0.846、0.569和1.831。何鴻舉等[30]基于近紅外高光譜技術建立冷鮮豬肉2-硫代巴比妥酸（2-thiobarbituric acid，TBA）定量模型用于評估冷鮮豬肉脂質氧化情況，結果表明，采用回歸系數法篩選29 個關鍵波長變量所建偏最小二乘回歸模型的rP和RMSEP分別為0.924和0.034。張凡等[31]為實現豬肉新鮮度等級的快速綜合評價，以貯藏1～14 d豬肉為研究對象，建立新鮮度指標（TVB-N含量）的近紅外光譜快速預測模型，結果表明，模型的rP、驗證集標準分析誤差（standard error of prediction，SEP）和RPD分別為0.967 7、2.177 4和2.977 9。

1.5 水產品品質近紅外光譜無損檢測

水產品脂肪酸含量、新鮮度是決定其品質的重要指標。有學者采用近紅外光譜技術建立三文魚等水產品中脂肪酸含量的無損分析模型；并有學者探索基于近紅外光譜技術建立水產品新鮮度的定量校正模型。

Lintvedt等[32]用拉曼光譜和近紅外高光譜成像在線檢測三文魚片的脂肪酸含量，結果表明，對二十碳五烯酸（eicosapentaenoic acid，EPA）和二十二碳六烯酸（docosahexaenoic acid，DHA）建模，拉曼光譜和近紅外高光譜模型的R2CV分別為0.96和0.97。苗鈞魁等[33]基于近紅外光譜技術建立磷蝦油中磷脂、EPA、DHA和酸價的偏最小二乘模型，結果表明，酸價的交互驗證相關系數（rCV）為0.917，其余指標的rCV均大于0.95；酸價的交互驗證相對預測性能（RPD of cross validation，RPDCV）為2.365，其余指標的RPDCV、外部驗證相對預測性能（RPD of external validation，RPDEV）及酸價的RPDEV均大于2.5。Agyekum等[34]基于近紅外光譜建立魚類鮮度指標（K值）的定量校正模型，結果表明，采用蟻群偏最小二乘算法所建模型的rC和rP分別為0.982 7和0.978 6。

可見大量文獻表明，近紅外光譜技術結合化學計量學算法建立校正模型，在常見肉類的化學成分（蛋白質、脂肪、水分、脂肪酸和氨基酸）、新鮮度（TVB-N含量、TBARS值和K值）、物理屬性（硬度和黏性）等品質的檢測方面具有較好應用，所建模型具有較好的相關性和較高的預測準確度，可以滿足肉類品質快速檢測的需求。近紅外光譜技術在肉類品質檢測方面的應用概況如表1所示。

2 近紅外光譜技術在肉類分類方面的應用

眾多學者探索了近紅外光譜技術應用于肉類分類研究[35]，例如，清真食品中是否含有非清真成分[36]、新鮮豬肉和長期凍藏豬肉的鑒別[37]等。本節對近年來近紅外光譜在肉類分類研究方面的應用進行綜述。

在牛肉分類研究和產地溯源方面，有學者基于近紅外光譜技術開展有關研究，并就光譜波長的選擇進行較為細致的研究。辛世華等[38]用可見-近紅外高光譜成像技術對荷斯坦乳牛、秦川牛、西門塔爾牛、安格斯牛和利木贊牛5 個品種的牛肉進行快速無損判別，結果表明，一階導數預處理后，采用徑向基函數-支持向量機算法所建模型的校正集和預測集的準確率分別為100%和99%。Barragán等[39]利用可見-近紅外光譜結合判別分析算法鑒定不同飼糧谷物源牛肉，從而為鑒別牛肉脂肪酸種類提供依據，結果表明，對大麥喂養、玉米喂養牛的皮下脂肪和完整胸最長肌樣本的偏最小二乘判別分析模型總體分類準確率不低于94%。黃玨等[40]基于近紅外光譜技術建立進口牛肉產地溯源定性判別模型，結果表明，經標準正態變量變換、一階導數和平滑預處理，澳大利亞、新西蘭、加拿大進口牛肉的近紅外平均光譜變化趨勢基本一致，在4 400～5 000、5 500～6 050、6 500～7 800、8 600～10 500 cm－1波數內存在差異；全譜（4 000～12 000 cm－1）數據的主成分分析和判別分析可有效區分不同產地的進口牛肉，判別正確率達到100%。王彩霞等[41]基于可見-近紅外高光譜成像技術建立荷斯坦乳牛、秦川牛和西門塔爾牛的牛肉品種鑒別模型，結果表明，經一階導數預處理后，基于競爭自適應重加權采樣算法提取的關鍵波長變量所建支持向量機模型的校正集和預測集正確率分別為100%和98.82%。

在豬肉分類研究方面，有學者基于近紅外光譜技術建立豬肉分類模型，獲得較高的分類正確率。白天等[42]基于近紅外光譜技術建立凍融豬肉糜鑒別模型，結果表明，子空間判別模型和線性判別模型的預測正確判別率分別為96.2%和94.3%。Horcada等[43]采用便攜近紅外光譜儀對伊比利亞豬肉進行官方質量類別認證研究，結果表明，基于鮮肉和皮下脂肪樣品的近紅外光譜數據，胴體正確分類率分別可達到93.2%和93.4%。Totaro等[44]研究豬肉脂肪部分的近紅外光譜數據結合數據驅動變量簇類獨立軟模式算法建立豬肉鑒別模型，結果表明，標準正態變量變換預處理結合前4 個主成分所建分類模型最佳，校準和驗證的靈敏度和特異性均達到100%。

在雞肉分類研究方面，有學者基于近紅外光譜技術結合機器學習算法建立雞肉分類模型，并得到正確率較高的結果。Parastar等[45]采用近紅外光譜結合機器學習算法建立新鮮雞肉和凍融雞肉的分類模型，結果表明，基于隨機子空間判別集成算法所建判別模型的分類準確率大于95%，優于偏最小二乘判別分析、人工神經網絡和支持向量機。

在水產品分類研究方面，有學者基于近紅外光譜技術結合機器學習算法建立分類模型，所得判別準確度較高。Chen Xinghao等[46]使用近紅外光譜結合一維卷積神經網絡對鮭魚和鱈魚進行分類，所建模型的判別準確度可達98.00%。王劭晟等[47]基于近紅外光譜數據和機器學習算法實現挪威大西洋真鱈和冰島黑線鱈等8 種鱈魚品種的快速分類，結果表明，獨立成分分析法結合支持向量機的鱈魚品種二分類模型的預測準確率可達到97.2%、召回率達到99.4%。

可見，近紅外光譜技術在肉類分類方面的研究以建立定性分類鑒別模型為主，其中，關鍵變量的篩選及機器學習算法的應用大幅提高了所建模型的判別準確度，大多數模型的判別準確率可達到95%及以上。近紅外光譜技術在肉類分類研究方面的應用概況如表2所示。

3 近紅外光譜技術在肉類真偽鑒別方面的應用

分類研究側重于區分不同種類的肉。有別于分類研究，肉類真偽鑒別側重于肉中是否含有其他本不應含有的成分。很多學者研究近紅外光譜技術應用于肉類摻

假[48]及真偽鑒別[49]，例如，鑒別羊肉摻假[50]等，而豬肉等常被作為牛羊肉的摻假成分[51]需被鑒別。本節對近年來近紅外光譜在肉類真偽鑒別方面的應用進行綜述。

針對牛肉中的摻假成分豬肉、鴨肉、雞肉及植物蛋白，很多學者基于近紅外光譜技術建立牛肉摻假無損鑒別模型。Weng Shizhuang等[52]基于可見-近紅外反射光譜結合多變量算法建立牛肉糜摻假豬肉的快速檢測方法，結果表明，采用主成分分析消除共線干擾后建立深度卷積神經網絡判別模型的準確率可達到99%以上；采用競爭自適應重加權采樣-隨機森林算法建立的定量模型，R2P和RMSEP分別為0.973和2.145。陳亮亮等[53]基于近紅外高光譜技術建立牛肉中豬肉摻入量的定量模型，其采用逐步回歸算法篩選8 個關鍵波長變量所建多元線性回歸模型的R2P、RMSEP、RPD分別為0.96、5.70和5.56。Leng Tuo等[54]采用近紅外光譜結合化學計量學算法定量檢測牛肉與豬肉、鴨肉的二元、三元摻假，結果表明，篩選關鍵波長變量且無預處理建模，二元、三元摻假體系的分類正確率分別達到100%、91.5%，全波段偏最小二乘回歸模型對二元、三元摻假體系的rP分別為95.80%和95.69%，RMSEP分別為7.27和9.27。朱亞東等[55]

采用近紅外高光譜成像技術結合現行回歸算法對牛肉中摻假雞肉建立定量模型，結果表明，采用連續投影算法結合多元線性回歸算法所建模型效果最佳，模型的R2P、RMSEP和RPD分別為0.97、5.31和6.82。王婧茹等[56]

基于近紅外高光譜成像技術建立牛肉中豌豆蛋白摻入量的定量模型，結果表明，采用回歸系數法從高斯濾波平滑預處理光譜中篩選24 個關鍵波長變量所建偏最小二乘模型的R2P、RMSEP和RPD分別為0.90、2.85和6.19。

何鴻舉等[57]基于近紅外高光譜數據建立牛肉中摻入的大豆分離蛋白的定量模型，結果表明，全譜偏最小二乘回歸定量模型效果最佳，模型的rP、RMSEP和RPD分別為0.96、2.33和4.04。

已有文獻表明，對于高價值的牛肉和羊肉，廉價肉類（如雞肉、鴨肉、豬肉）是主要的摻假成分。針對這一問題，眾多學者基于近紅外光譜技術研究牛肉和羊肉摻假模型的建立。Wang Li等[58]采用可見-近紅外二維相關光譜-深度學習法和偏最小二乘-判別分析法識別牛肉和羊肉中的摻假雞肉、鴨肉和豬肉成分，結果表明，殘差卷積神經網絡深度學習算法具有有效提取二維相關光譜特征信息的優勢，模型的正確識別率達到100%。梁靜等[59]基于近紅外光譜技術建立牛肉及羊肉中摻假雞肉和鴨肉的正交偏最小二乘判別分析定量模型，經數據平滑結合多元散射校正預處理的牛肉摻假模型對訓練集、預測集的鑒別準確率分別為97.24%和90%；經數據平滑結合標準正態變量變換預處理的羊肉摻假模型對訓練集和預測集的鑒別準確率分別為97.24%和97.14%。Dashti等[60]用便攜式可見-近紅外高光譜成像儀和近紅外高光譜成像儀建立牛肉和羊肉中摻假豬肉定量模型，結果表明，基于可見-近紅外高光譜成像數據所建定量模型具有更好的預測性能，牛肉中摻假豬肉、羊肉中摻假豬肉模型的R2P分別為0.99和0.88，RMSEP分別為9和24。

對于羊肉中摻入的雞肉、鴨肉和豬肉，甚至狐貍肉的問題，很多學者基于近紅外光譜技術開展相關研究，建立羊肉摻假判別模型。另一方面，還有學者研究新鮮和凍融羊肉的摻假鑒別。Jiang Hongzhe等[61]用可見光和近紅外高光譜成像針對羊肉串中摻入的雞肉、鴨肉和豬肉進行鑒別，結果表明，偏最小二乘-判別分析模型對新鮮羊肉串摻假的判別準確度、靈敏度、特異性和精確度分別為97.5%、1.00、0.97和0.91，對熟羊肉串摻假的判別準確度、靈敏度、特異性和精確度分別為100%、1.00、1.00和1.00。Zhang Yaoxin等[62]用高光譜圖像結合頻譜變換遞歸圖-卷積神經網絡鑒別和定量測定新鮮和凍融摻假羊肉，結果表明，新鮮、凍融、混合3 種摻假羊肉的分類準確率分別為100%、100%和99.95%；對于摻假羊肉中豬肉含量的預測，新鮮、凍融、混合3 種數據集的R2分別為0.976 2、0.980 7和0.947 9。趙靜遠等[63]基于可見-近紅外高光譜技術和近紅外高光譜技術建立羊肉摻假偏最小二乘定量檢測模型，結果表明，近紅外高光譜模型效果優于可見-近紅外高光譜模型；采用標準正態變量變換預處理、連續投影算法篩選關鍵波長變量后所建偏最小二乘模型的R2P、RMSEP和RPD分別為0.968 4、0.058 2和5.625 4。白宗秀等[64]基于近紅外高光譜技術建立羊肉中摻假狐貍肉的定量模型，結果表明，采用二維相關光譜提取的14 個關鍵波長變量所建支持向量回歸模型的預測性能最優，模型的驗證測定系數（R2V）、驗證均方根誤差（root mean square error of validation，RMSEV）和RPD分別為0.928、3.00和4.85。

可見，近紅外光譜技術在肉類真偽鑒別方面不僅具有較好的定性識別正確率，而且具有較高的定量預測準確度；向牛肉、羊肉中摻入豬肉、鴨肉、狐貍肉及植物蛋白等廉價成分是近年來肉類真偽鑒別研究較多的內容。近紅外光譜技術在肉類真偽鑒別方面的應用概況如表3所示。

4 近紅外光譜技術在肉類質量安全方面的應用

很多學者進行近紅外光譜技術應用于肉類質量安全檢測相關研究，例如，肉類食源性病原菌的快速監測[65]等。本節對近年來近紅外光譜在肉類質量安全方面的應用進行綜述。

有學者基于近紅外光譜技術研究牛肉微生物定量分析方法及牛肉中摻入變質牛肉的定量檢測方法。

Achata等[66]用可見-近紅外高光譜成像結合化學計量學檢測牛肉背最長肌微生物含量，結果表明，4 ℃下菌落總數模型的R2P、RMSEP和RPD分別為0.96、0.58和4.13。Zhao Haitao等[67]基于可見-近紅外高光譜成像結合最小二乘支持向量機算法檢測牛肉中摻入的變質牛肉，結果表明，采用入侵性雜草優化算法篩選關鍵波長變量，基于所選關鍵波長變量的光譜數據建立的變質牛肉定量模型，R2P和RMSEP分別為0.95和5.67。

此外，有學者基于近紅外光譜技術研究豬肉中卡拉膠的定量測定方法及病死豬肉的鑒別模型。何鴻舉等[68]采用近紅外高光譜技術對含有不同濃度梯度卡拉膠的豬里脊肉以漫反射方式采集光譜，采用偏最小二乘回歸算法建立注膠肉無損定量檢測模型，結果表明，采用連續投影算法篩選關鍵波長變量，基于所選關鍵波長變量的光譜數據建立豬里脊肉中卡拉膠的定量檢測模型，rP、RMSEP和RPD分別為0.93、3.51和2.66。戴小也等[69]采用近紅外光譜技術建立病死豬肉鑒別模型，結果表明，經過標準正態變量變換，結合多元散射校正預處理和傅里葉變換降維后，所建支持向量機分類模型的交叉驗證準確率達到94.5%。

有學者將關鍵變量篩選方法應用于雞肉微生物如熱殺索絲菌、食源性病原體金黃色葡萄球菌的定性及定量檢測，并基于數據融合方法研究雞肉菌落總數定量模型的建立。何鴻舉等[70]基于近紅外高光譜技術快速評估雞肉熱殺索絲菌含量，嘗試多元散射校正、基線校正和標準正態變量變換3 種數據預處理方法，分別采用偏最小二乘回歸、多元線性回歸建立雞肉熱殺索絲菌定量校正模型，并采用偏最小二乘系數法、逐步回歸算法、連續投影算法篩選關鍵波長變量，結果表明，經基線校正預處理的全波光譜構建的偏最小二乘模型預測雞肉熱殺索絲菌效果最佳，rP和RMSEP分別為0.973和0.295。Qiu Ruicheng等[71]采用可見-近紅外高光譜對新鮮雞胸肉中的食源性病原體金黃色葡萄球菌建立分類模型，結果表明，卷積神經網絡模型優于傳統分類模型，雞肉樣本分類的總體準確率從83.88%提高到91.38%。Li Xiaoxin等[72]

將可見-近紅外高光譜成像和近紅外高光譜成像進行數據初級和中級融合，采用偏最小二乘回歸算法建立雞肉中TVB-N含量和菌落總數的定量模型，結果表明，基于融合數據所建模型TVB-N含量、菌落總數2 個指標均由于單一數據模型；對于TVB-N含量，中級融合模型效果最佳，R2P和RMSEP分別為0.865 2和2.609 4；對于菌落總數，初級融合模型效果最佳，R2P和RMSEP分別為0.927 5和0.188 9。

可見，近紅外光譜技術應用于肉類質量安全方面的研究主要集中于致病菌、變質或病死肉以及添加劑的不安全使用方面，所建模型具有較好的相關性和較高的預測準確度，可以滿足肉類質量安全初篩的需求。其中，數據融合方法被引入肉類質量安全模型的建立過程，并成功建立了肉類菌落總數模型。近紅外光譜技術在肉類質量安全方面的應用概況如表4所示。

5 結 語

近紅外光譜技術由于具有快速、無損、高效等特點，在肉類品質分析方面有廣泛的應用。大量文獻表明，在肉類品質方面，基于近紅外光譜技術所建肉類化學成分、新鮮度及物理屬性的定量校正模型具有較高的準確度，可以滿足肉類品質快速檢測的需求；在肉類分類方面，基于近紅外光譜技術建立的肉類定性分類鑒別模型具有較高的分類準確率；在肉類真偽鑒別方面，基于近紅外光譜技術不僅可以建立較高正確率的定性識別模型，而且可以建立預測準確度較高的定量分析模型；在肉類質量安全方面，采用近紅外光譜技術建立的致病菌等模型具有較好的相關性和較高的預測準確度。研究表明，近紅外光譜技術結合線性回歸和機器學習等化學計量學算法、關鍵變量篩選方法、數據融合方法等技術，可高效建立肉類品質無損分析模型，并且可滿足肉類品質、分類、真偽鑒別和質量安全方面的快速分析需求。將近紅外光譜技術應用于肉類品質分析，可實現肉類品質的無損、快速檢測，在大幅降低檢測成本的同時還可有效提高檢測覆蓋面，從而有利于提升肉類品質、確保肉品真實性，進而為肉類質量安全提供技術支持，并有利于肉類品質分析檢測領域的高質量發展。

目前，近紅外光譜應用于肉類品質檢測已有GB/T 41366—2022《畜禽肉品質檢測 水分、蛋白質、脂肪含量的測定 近紅外法》、NY/T 3512—2019《肉中蛋白無損檢測法 近紅外法》、NY/T 2797—2015《肉中脂肪無損檢測方法 近紅外法》等相關標準。2022年3月1日實施的GB/T 40467—2021《畜禽肉品質檢測 近紅外法通則》針對畜禽肉的特點，建立了科學、適用的肉品檢測近紅外光譜分析體系，規范了檢測儀器配備、樣品處理、模型建立和驗證等檢測程序和要求；該標準的制定和發布將有效完善中國畜禽肉品質檢測標準體系，提升畜禽肉品質快速檢測水平，提高畜禽肉品質檢測效率[73]。由此可見，近紅外光譜技術在肉類品質分析方面的應用正日趨成熟，并有望逐步成為肉類品質分析檢測的標準方法。

通過梳理已有研究，近紅外光譜技術在肉類品質分析中的應用還需注意以下4 個方面的問題：1）建模光譜形式選擇。近紅外光譜的數據可以用吸光度、透過率、反射率3 種常用方式進行記錄。從化學角度而言，在一定含量范圍內，只有吸光度和目標物質的含量具有線性相關性，透過率、反射率和吸光度的換算是負對數函數，因此透過率、反射率數據本身和目標物質的含量并不具備線性相關性。目前很多文獻采用反射率作為近紅外光譜的分析數據，以反射率數據作為自變量建立校正模型，從純數學角度也可建立模型，但該模型的載荷無法從化學角度進行解讀。2）模型維護的長期性。近紅外光譜的模型需要經常維護，而且是長期維護，這樣才能使近紅外光譜模型和新的樣品相適應，以確保模型的準確度和精密度。從實用的角度出發，穩定且連續的3～5 年樣品數據是建立一個實用的近紅外光譜校正模型的基礎。然而近紅外光譜模型并不是一勞永逸的，對于一個連續的工作，后面年份樣品不斷加入、前面年份樣品有選擇地退出，在相對穩定的范圍內形成動態變化的訓練集樣品是確保近紅外光譜校正模型預測準確度的關鍵。3）模型描述的規范性。目前的文獻對模型性能的描述參數尚缺乏規范性，例如，對相關性的描述有測定系數、相關系數，對誤差的描述有預測均方根誤差、交互驗證標準差、標準分析誤差等。在此呼吁采用標準化的參數對所建模型的性能進行描述，從而可以更好地對不同學者的學術成果進行橫向比較，并有益于近紅外光譜技術在肉類品質分析領域的長期應用。關于近紅外光譜定量校正模型的參數，可以參考GB/T 29858--—2013《分子光譜多元校正定量分析通則》。4）對所篩選關鍵波長變量的解析。很多學者采用變量篩選算法對近紅外光譜數據篩選了關鍵波長變量，在一定程度上達到了簡化模型的目的。對于所選關鍵波長變量，其穩定性和普適性是模型成敗的關鍵。另一方面，對所選波長變量的解析尚鮮有文獻報道。雖然近紅外光譜的解析是非常困難的，但是從光譜學結合化學角度對所選關鍵波長變量進行解析，從而判斷關鍵波長變量的歸屬及其官能團來源十分必要，將有益于從分子角度理解所建模型的含義，并能夠為肉類品質分析提供機理方面的參考。

參考文獻：

[1] GRASSI S， JIMéNEZ A， RUIZ J， et al. Use of ultrasound and NIRs as tools for monitoring ice formation in superchilled meat[J]. Journal of Food Engineering， 2024， 369： 111957. DOI：10.1016/j.jfoodeng.2024.111957.

[2] XU X D， GAO B， LI Y Y， et al. The effect of temperature on the identification of NIR animal fats and oils species and its mechanism[J]. Vibrational Spectroscopy， 2023， 124： 103498. DOI：10.1016/j.vibspec.2023.103498.

[3] TANG X， XIE L， LIU S Y， et al. Extensive evaluation of prediction performance for 15 pork quality traits using large scale VIS/NIRS data[J]. Meat Science， 2022， 192： 108902. DOI：10.1016/j.meatsci.2022.108902.

[4] MELADO-HERREROS á， NIETO-ORTEGA S， OLABARRIETA I，

et al. Comparison of three rapid non-destructive techniques coupled with a classifier to increase transparency in the seafood value chain： Bioelectrical impedance analysis （BIA）， near-infrared spectroscopy （NIR） and time domain reflectometry （TDR）[J]. Journal of Food Engineering， 2022， 322： 110979. DOI：10.1016/j.jfoodeng.2022.110979.

[5] 王冬， 馮海智， 李龍， 等. 兩種近紅外光譜儀的番茄可溶性固形物含量定量模型比較研究[J]. 光譜學與光譜分析， 2023， 43（5）： 1351-1357. DOI：10.3964/j.issn.1000-0593（2023）05-1351-07.

[6] 何鴻舉， 朱亞東， 王慧， 等. 近紅外光譜技術在生鮮禽肉質量檢測中應用的研究進展[J]. 食品科學， 2019， 40（21）： 317-323. DOI：10.7506/spkx1002-6630-20181119-218.

[7] 王廷敏， 謝安國， 付淑亞， 等. 基于低場核磁-近紅外二維相關光譜技術研究加熱溫度對牛肉水分的影響[J]. 食品與發酵工業， 2023， 49（20）： 288-293. DOI：10.13995/j.cnki.11-1802/ts.032552.

[8] ACHATA E M， ESQUERRE C， OJHA K S， et al. Development of NIR-HSI and chemometrics process analytical technology for drying of beef jerky[J]. Innovative Food Science and Emerging Technologies， 2021， 69： 102611. DOI：10.1016/j.ifset.2021.102611.

[9] 撒苗苗， 李亞蕾， 羅瑞明， 等. 灘羊肉中油酸和亞油酸含量的近紅外預測模型建立[J]. 肉類研究， 2020， 34（9）： 39-45. DOI：10.7506/rlyj1001-8123-20200520-128.

[10] DONG F J， BI Y Z， HAO J， et al. A new comprehensive quantitative index for the assessment of essential amino acid quality in beef using Vis-NIR hyperspectral imaging combined with LSTM[J]. Food Chemistry， 2024， 440： 138040. DOI：10.1016/j.foodchem.2023.138040.

[11] DIAS C S A M M， NUNES H P， MELO T M M V， et al. Application of near infrared reflectance （NIR） spectroscopy to predict the moisture， protein， and fat content of beef for gourmet hamburger preparation[J]. Livestock Science， 2021， 254： 104772. DOI：10.1016/j.livsci.2021.104772.

[12] 禹文杰， 王彩霞， 喬蘆， 等. 高光譜成像技術對牛肉水分含量及分布的快速檢測[J]. 光電子·激光， 2020， 31（3）： 326-333. DOI：10.16136/j.joel.2020.03.035.

[13] 喬蘆， 賀曉光， 王松磊， 等. 利用高光譜成像技術預測牛肉pH值及其空間分布[J]. 河南農業大學學報， 2020， 54（4）： 664-672. DOI：10.16445/j.cnki.1000-2340.2020.04.015.

[14] 梁靜， 趙祥民， 李璐璐， 等. 基于近紅外光譜技術構建民勤羊肉養分含量檢測模型[J]. 食品與發酵工業， 2023， 49（14）： 272-279. DOI：10.13995/j.cnki.11-1802/ts.034102.

[15] LIU S J， DONG F J， HAO J， et al. Combination of hyperspectral imaging and entropy weight method for the comprehensive assessment of antioxidant enzyme activity in Tan mutton[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2023， 291： 122342. DOI：10.1016/j.saa.2023.122342.

[16] 康景， 姚海博， 梁婷， 等. 基于不同近紅外建模軟件定量分析新鮮羊肉營養成分[J]. 食品與發酵工業， 2022， 48（22）： 248-254. DOI：10.13995/j.cnki.11-1802/ts.030201.

[17] LIU C C， CHU Z J， WENG S Z， et al. Fusion of electronic nose and hyperspectral imaging for mutton freshness detection using input-modified convolution neural network[J]. Food Chemistry， 2022， 385： 132651. DOI：10.1016/j.foodchem.2022.132651.

[18] ZHANG J J， MA Y H， LIU G S， et al. Rapid evaluation of texture parameters of Tan mutton using hyperspectral imaging with optimization algorithms[J]. Food Control， 2022， 135： 108815. DOI：10.1016/j.foodcont.2022.108815.

[19] CHENG L J， LIU G S， HE J G， et al. Development of a novel quantitative function between spectral value and metmyoglobin content in Tan mutton[J]. Food Chemistry， 2021， 342： 128351. DOI：10.1016/j.foodchem.2020.128351.

[20] FAN N Y， MA X， LIU G S， et al. Rapid determination of TBARS content by hyperspectral imaging for evaluating lipid oxidation in mutton[J]. Journal of Food Composition and Analysis， 2021， 103： 104110. DOI：10.1016/j.jfca.2021.104110.

[21] RAMO L B， NOBREGA R O， FERNANDES D D S， et al. Determination of moisture and total protein and phosphorus contents in powdered chicken egg samples using digital images， NIR spectra， data fusion， and multivariate calibration[J]. Journal of Food Composition and Analysis， 2024， 127： 105940. DOI：10.1016/j.jfca.2023.105940.

[22] SERVA L， MARCHESINI G， CULLERE M， et al. Testing two NIRs instruments to predict chicken breast meat quality and exploiting machine learning approaches to discriminate among genotypes and presence of myopathies[J]. Food Control， 2023， 144： 109391. DOI：10.1016/j.foodcont.2022.109391.

[23] 袁凱， 張志勇， 席前， 等. 3步混合變量選擇策略在雞肉近紅外水分檢測中的應用[J]. 食品與機械， 2020， 36（9）： 72-76; 81. DOI：10.13652/j.issn.1003-5788.2020.09.012.

[24] 何鴻舉， 王洋洋， 王魏， 等. 基于不同預處理高光譜信息的雞肉滴水損失率快速預測研究[J]. 食品工業科技， 2020（18）： 252-256; 279. DOI：10.13386/j.issn1002-0306.2020.18.040.

[25] 陶琳麗， 陶冶， 甘文斌， 等. 雞胸肌凍干粉賴氨酸近紅外定量預測模型的建立與優化[J]. 現代食品科技， 2021， 37（10）： 270-282. DOI：10.13982/j.mfst.1673-9078.2021.10.0114.

[26] ZUO J W， PENG Y K， LI Y Y， et al. Nondestructive detection of nutritional parameters of pork based on NIR hyperspectral imaging technique[J]. Meat Science， 2023， 202： 109204. DOI：10.1016/j.meatsci.2023.109204.

[27] RONG Y N， ZAREEF M， LIU L H， et al. Application of portable Vis-NIR spectroscopy for rapid detection of myoglobin in frozen pork[J]. Meat Science， 2023， 201： 109170. DOI：10.1016/j.meatsci.2023.109170.

[28] CHENG J H， SUN J， YAO K S， et al. Generalized and hetero two-dimensional correlation analysis of hyperspectral imaging combined with three-dimensional convolutional neural network for evaluating lipid oxidation in pork[J]. Food Control， 2023， 153： 109940. DOI：10.1016/j.foodcont.2023.109940.

[29] 何鴻舉， 王魏， 王洋洋， 等. 基于近紅外高光譜技術快速檢測冷鮮豬肉酸價[J]. 食品與發酵工業， 2020， 46（10）： 264-270. DOI：10.13995/j.cnki.11-1802/ts.023489.

[30] 何鴻舉， 王魏， 李波， 等. 近紅外高光譜快速無接觸評估冷鮮豬肉脂質氧化[J]. 食品與機械， 2020， 36（8）： 117-122. DOI：10.13652/j.issn.1003-5788.2020.08.021.

[31] 張凡， 姜鑫， 張存存， 等. 近紅外光譜結合灰色關聯度分析快速綜合評價豬肉新鮮度[J]. 河北農業大學學報， 2020， 43（1）： 89-95. DOI：10.13320/j.cnki.jauh.2020.0013.

[32] LINTVEDT T A， ANDERSEN P V， AFSETH N K， et al. Raman spectroscopy and NIR hyperspectral imaging for in-line estimation of fatty acid features in salmon fillets[J]. Talanta， 2023， 254： 124113. DOI：10.1016/j.talanta.2022.124113.

[33] 苗鈞魁， 張雅婷， 金永霈， 等. 近紅外技術在南極磷蝦油關鍵品質指標快速檢測中的應用研究[J]. 食品工業科技， 2022， 43（14）： 10-17. DOI：10.13386/j.issn1002-0306.2021120098.

[34] AGYEKUM A A， KUTSANEDZIE F Y H， ANNAVARAM V， et al. FT-NIR coupled chemometric methods rapid prediction of K-value in fish[J]. Vibrational Spectroscopy， 2020， 108： 103044. DOI：10.1016/j.vibspec.2020.103044.

[35] 楊旭寧， 郭中華， 吳忻怡， 等. 基于Matlab GUI的羊肉產地鑒別平臺設計[J]. 現代電子技術， 2019， 42（12）： 21-24. DOI：10.16652/j.issn.1004-373x.2019.12.005.

[36] ALSAQRI S N， MABOOD F， BOQUé R， et al. Rapid detection of pork gelatin in ice cream samples by using non-destructive FT-NIR spectroscopy and partial least squares-discriminant analysis[J]. Food Chemistry Advances， 2023， 2： 100215. DOI：10.1016/j.focha.2023.100215.

[37] ZHAO J Y， YAO H Z. Non-destructive identification of long-term frozen pork by near infrared analysis technology and electronic nose technique[J]. Journal of Food Science and Biotechnology， 2021， 40（3）： 89-96. DOI：10.3969/j.issn.1673-1689.2021.03.011.

[38] 辛世華， 韓小珍， 王彩霞. 基于高光譜成像技術對牛肉品種判別的研究[J]. 食品研究與開發， 2019， 40（20）： 190-194. DOI：10.12161/j.issn.1005-6521.2019.20.034.

[39] BARRAGáN W， AALHUS J L， PENNER G， et al. Authentication of barley-finished beef using visible and near infrared spectroscopy （Vis-NIRS） and different discrimination approaches[J]. Meat Science， 2021， 172： 108342. DOI：10.1016/j.meatsci.2020.108342.

[40] 黃玨， 王正亮， 李慕雨， 等. 基于電子舌和近紅外光譜技術的進口牛肉產地溯源[J]. 中國食品學報， 2021， 21（12）： 254-260. DOI：10.16429/j.1009-7848.2021.12.027.

[41] 王彩霞， 王松磊， 賀曉光， 等. 基于可見/近紅外高光譜成像技術的牛肉品種鑒別[J]. 食品工業科技， 2019， 40（12）： 241-247. DOI：10.13386/j.issn1002-0306.2019.12.039.

[42] 白天， 張麗華， 李順峰， 等. 基于近紅外光譜的凍融豬肉糜鑒別模型研究[J]. 食品安全質量檢測學報， 2023， 14（20）： 56-63. DOI：10.19812/j.cnki.jfsq11-5956/ts.2023.20.002.

[43] HORCADA A， VALERA M， JUáREZ M， et al. Authentication of Iberian pork official quality categories using a portable near infrared spectroscopy （NIRS） instrument[J]. Food Chemistry， 2020， 318： 126471. DOI：10.1016/j.foodchem.2020.126471.

[44] TOTARO M P， SQUEO G， ANGELIS D D， et al. Application of NIR spectroscopy coupled with DD-SIMCA class modelling for the authentication of pork meat[J]. Journal of Food Composition and Analysis， 2023， 118： 105211. DOI：10.1016/j.jfca.2023.105211.

[45] PARASTAR H， KOLLENBURG G V， WEESEPOEL Y， et al. Integration of handheld NIR and machine learning to “Measure 7 Monitor” chicken meat authenticity[J]. Food Control， 2020， 112： 107149. DOI：10.1016/j.foodcont.2020.107149.

[46] CHEN X H， CHENG G Y， LIU S H， et al. Probing 1D convolutional neural network adapted to near-infrared spectroscopy for efficient classification of mixed fish[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2022， 279： 121350. DOI：10.1016/j.saa.2022.121350.

[47] 王劭晟， 田緒紅， 邱少健， 等. 基于近紅外光譜結合機器學習的鱈魚品種二分類方法研究[J]. 食品安全質量檢測學報， 2021， 12（22）： 8651-8659. DOI：10.19812/j.cnki.jfsq11-5956/ts.2021.22.002.

[48] 郎玉苗， 楊春柳， 李翠. 光譜技術在肉品摻雜摻假鑒別中的應用研究進展[J]. 肉類研究， 2019， 33（2）： 72-77. DOI：10.7506/rlyj1001-8123-20181217-231.

[49] SILVA L C R， FOLLI G S， SANTOS L P， et al. Quantification of beef， pork， and chicken in ground meat using a portable NIR spectrometer[J]. Vibrational Spectroscopy， 2020， 111： 103158. DOI：10.1016/j.vibspec.2020.103158.

[50] ZHANG Y X， ZHENG M C， ZHU R G， et al. Detection of adulteration in mutton using digital images in time domain combined with deep learning algorithm[J]. Meat Science， 2022， 192： 108850. DOI：10.1016/j.meatsci.2022.108850.

[51] MABOOD F， BOQUé R， ALKINDI A Y， et al. Fast detection and quantification of pork meat in other meats by reflectance FT-NIR spectroscopy and multivariate analysis[J]. Meat Science， 2020， 163： 108084. DOI：10.1016/j.meatsci.2020.108084.

[52] WENG S Z， GUO B Q， TANG P P， et al. Rapid detection of adulteration of minced beef using Vis/NIR reflectance spectroscopy with multivariate methods[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2020， 230： 118005. DOI：10.1016/j.saa.2019.118005.

[53] 陳亮亮， 朱亞東， 李夢姣， 等. 基于近紅外高光譜成像快速預測牛肉中豬肉摻入量[J]. 海南師范大學學報（自然科學版）， 2022， 35（4）： 402-406. DOI：10.12051/j.issn.1674-4942.2022.04.008.

[54] LENG T， LI F， XIONG L A， et al. Quantitative detection of binary and ternary adulteration of minced beef meat with pork and duck meat by NIR combined with chemometrics[J]. Food Control， 2020， 113： 107203. DOI：10.1016/j.foodcont.2020.107203.

[55] 朱亞東， 何鴻舉， 王魏， 等. 高光譜成像技術結合現行回歸算法快速預測雞肉摻假牛肉[J]. 食品工業科技， 2020， 41（4）： 184-189. DOI：10.13386/j.issn1002-0306.2020.04.031.

[56] 王婧茹， 何鴻舉， 朱亞東， 等. 基于近紅外高光譜技術快速檢測豌豆蛋白摻假牛肉[J]. 食品工業科技， 2023， 44（14）： 312-317. DOI：10.13386/j.issn1002-0306.2022090263.

[57] 何鴻舉， 朱亞東， 陳巖， 等. 基于高光譜成像快速檢測牛肉糜中大豆分離蛋白摻入量[J]. 食品工業科技， 2020， 41（20）： 206-211. DOI：10.13386/j.issn1002-0306.2020.20.033.

[58] WANG L， LIANG J， LI F， et al. Deep learning based on the Vis-NIR two-dimensional spectroscopy for adulteration identification of beef and mutton[J]. Journal of Food Composition and Analysis， 2024， 126： 105890. DOI：10.1016/j.jfca.2023.105890.

[59] 梁靜， 郝生燕， 趙祥民， 等. 基于近紅外光譜技術構建牛羊肉摻假鑒別模型[J]. 甘肅農業大學學報， 2023， 58（1）： 19-29; 37. DOI：10.13432/j.cnki.jgsau.2023.01.003.

[60] DASHTI A， MüLLER-MAATSCH J， ROETGERINK E， et al. Comparison of a portable Vis-NIR hyperspectral imaging and a snapscan SWIR hyperspectral imaging for evaluation of meat authenticity[J]. Food Chemistry： X， 2023， 18： 100667. DOI：10.1016/j.fochx.2023.100667.

[61] JIANG H Z， YUAN W D， RU Y， et al. Feasibility of identifying the authenticity of fresh and cooked mutton kebabs using visible and near-infrared hyperspectral imaging[J]. Spectrochimica Acta Part A：

Molecular and Biomolecular Spectroscopy， 2022， 282： 121689. DOI：10.1016/j.saa.2022.121689.

[62] ZHANG Y X， ZHENG M C， ZHU R G， et al. Adulteration discrimination and analysis of fresh and frozen-thawed minced adulterated mutton using hyperspectral images combined with recurrence plot and convolutional neural network[J]. Meat Science， 2022， 192： 108900. DOI：10.1016/j.meatsci.2022.108900.

[63] 趙靜遠， 張俊芹， 孫梅， 等. 基于高光譜成像的羊肉摻假可視化無損定量檢測[J]. 食品與機械， 2022， 38（10）： 61-68. DOI：10.13652/j.spjx.1003.5788.2022.90174.

[64] 白宗秀， 朱榮光， 王世昌， 等. 高光譜圖像結合特征變量篩選定量檢測羊肉中狐貍肉摻假[J]. 農業工程學報， 2021， 37（17）： 276-284. DOI：10.11975/j.issn.1002-6819.2021.17.032.

[65] BONAH E， HUANG X Y， AHETO J H， et al. Comparison of variable selection algorithms on vis-NIR hyperspectral imaging spectra for quantitative monitoring and visualization of bacterial foodborne pathogens in fresh pork muscles[J]. Infrared Physics and Technology， 2020， 107： 103327. DOI：10.1016/j.infrared.2020.103327.

[66] ACHATA E M， OLIVEIRA M， ESQUERRE C A， et al. Visible and NIR hyperspectral imaging and chemometrics for prediction of microbial quality of beef Longissimus dorsi muscle under simulated normal and abuse storage conditions[J]. LWT-Food Science and Technology， 2020， 128： 109463. DOI：10.1016/j.lwt.2020.109463.

[67] ZHAO H T， FENG Y Z， CHEN W， et al. Application of invasive weed optimization and least square support vector machine for prediction of beef adulteration with spoiled beef based on visible near-infrared （Vis-NIR） hyperspectral imaging[J]. Meat Science， 2019， 151： 75-81. DOI：10.1016/j.meatsci.2019.01.010.

[68] 何鴻舉， 朱亞東， 王魏， 等. 基于近紅外高光譜成像快速無損檢測注膠肉研究[J]. 食品工業科技， 2020， 41（10）： 219-223. DOI：10.13386/j.issn1002-0306.2020.10.036.

[69] 戴小也， 於鑫慧， 饒中鈺. 基于近紅外光譜技術的豬肉品質檢測應用研究[J]. 紅外， 2018， 39（9）： 22-26; 48. DOI：10.3969/j.issn.1672-8785.2018.09.004.

[70] 何鴻舉， 蔣圣啟， 馬漢軍， 等. 基于NIR高光譜技術快速預測冷鮮雞肉熱殺索絲菌含量[J]. 食品工業科技， 2020， 41（13）： 241-246; 252. DOI：10.13386/j.issn1002-0306.2020.13.038.

[71] QIU R C， ZHAO Y L， KONG D D， et al. Development and comparison of classification models on VIS-NIR hyperspectral imaging spectra for qualitative detection of the Staphylococcus aureus in fresh chicken breast[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2023， 285： 121838. DOI：10.1016/j.saa.2022.121838.

[72] LI X X， CAI M R， LI M S， et al. Combining Vis-NIR and NIR hyperspectral imaging techniques with a data fusion strategy for the rapid qualitative evaluation of multiple qualities in chicken[J]. Food Control， 2023， 145： 109416. DOI：10.1016/j.foodcont.2022.109416.

[73] 高勝普， 李春保， 王永林， 等. 重要畜禽屠宰與肉類加工技術標準解讀[J]. 肉類工業， 2022（11）： 46-52.