陳偉華，許長華，樊玉霞，胡 偉，吳 浩，吳 娜，王錫昌，劉 源*

（上海海洋大學食品學院，上海水產品加工及貯藏工程技術研究中心，上海 201306）

近紅外光譜技術快速無損評價羅非魚片新鮮度

陳偉華，許長華，樊玉霞，胡 偉，吳 浩，吳 娜，王錫昌，劉 源*

（上海海洋大學食品學院，上海水產品加工及貯藏工程技術研究中心，上海 201306）

利用傅里葉變換近紅外光譜儀采集絞碎前后羅非魚片背肉及腹肉的近紅外光譜，并將其與總揮發(fā)性鹽基氮（total volatile basic nitrogen，TVB-N）含量進行擬合，構建定量預測模型。在建模過程中，比較三點平滑、九點平滑（smoothing average 9 points，sa9）、九點卷積平滑（smoothing savitzky-golay 9 points，sg9）、一階導數（1stderivative，Db1）、趨近歸一化、單位長度歸一化、標準正態(tài)變換、多元散射校正以及它們與Db1結合對光譜進行預處理的模型效果。結果表明，sg9和Db1相比于其他預處理方法可以較好地消除光譜噪音，提高模型預測能力，且各方法在與Db1聯合使用后，模型的預測準確性以及建模效率普遍得到了提升。繼續(xù)對光譜的波數范圍進行篩選，剔除無關信息后，模型效果得到進一步提升，絞碎前背肉模型的校正集和驗證集決定系數由0.870、0.821上升到了0.973、0.925，校正集和驗證集標準偏差由2.152、2.991 mg/100 g減小到了1.032、1.581 mg/100 g。比較各模型效果可知，利用絞碎后的魚肉光譜進行建模時效果要好于絞碎前的魚肉。其中，以絞碎后腹肉模型的效果為最優(yōu)，其驗證集決定系數以及標準偏差分別為0.984、0.879 mg/100 g。但在綜合考慮實際應用中快速、無損等需求后，絞碎前的魚肉所建模型仍具有明顯優(yōu)勢。最終，本研究選用絞碎前腹肉建立模型，校正集與驗證集決定系數分別為0.982、0.976，校正集與驗證集標準偏差分別為0.962、1.006 mg/100 g，在預測羅非魚片TVB-N含量，快速、無損評價其新鮮度方面顯示出了巨大潛力。

近紅外光譜技術；羅非魚片；新鮮度；揮發(fā)性鹽基氮；光譜預處理

羅非魚（Oreochromis），又名非洲鯽魚、越南魚、吳郭魚等，屬硬骨魚綱、鱸形目、鱺魚科、羅非魚屬，共有600余種。因其具有食性廣、生長快、抗病力與繁殖力強等優(yōu)點，已于1976年被聯合國糧農組織列為向世界各國推廣養(yǎng)殖的魚類，并有望成為未來動物性蛋白質的主要來源之一[1]。近年來，我國羅非魚養(yǎng)殖業(yè)發(fā)展迅猛，養(yǎng)殖總產量由2002年的70.7萬 t上升到2012年的155.3萬 t，其中2012年的出口總量為36.2萬 t，出口總額為11.6億 美元，養(yǎng)殖量和出口量均位居世界第一[2-4]。

水產品在貯運過程中極易腐敗變質，失去食用性以及加工性，并且危害到消費者的身體健康?？倱]發(fā)性鹽基氮（total volatile basic nitrogen，TVB-N）是魚貝類在酶和細菌的作用下，蛋白質分解生成具有揮發(fā)性的氨、伯胺、仲胺及叔胺等低級堿性含氮化合物的統(tǒng)稱，可以作為評價魚類新鮮度的重要指標[5]。GB 2733—2005《鮮、凍動物性水產品衛(wèi)生標準》[6]規(guī)定了各類水產品相對應的TVB-N含量上限。然而在實際操作過程中，傳統(tǒng)的TVB-N檢測方法費時、費力，且必須破壞樣品，造成損失，無法滿足在生產及流通過程中快速無損評價魚肉新鮮度的需求。

近紅外光譜技術以其可以快速、無損、批量分析復雜樣品而被廣泛應用于對農業(yè)、食品、石化與藥物等產品的分析[7-8]。近年來，應用近紅外光譜技術檢測魚肉新鮮度的研究時有報道，然而由于魚肉水分含量高、樣品均一性差，如何達到無損檢測的目標仍然是研究的熱點[9-13]。

目前，我國羅非魚出口總量的6 成以上是凍羅非魚片，其在運輸和貯藏過程中極易因環(huán)境溫度上升而導致新鮮度下降。因此，本研究通過冷藏獲得新鮮度不同的羅非魚片，采集其不同部位的近紅外光譜以及TVB-N含量，優(yōu)化光譜預處理及建模方法，從而獲得最優(yōu)羅非魚片TVB-N含量的近紅外定量預測模型，以期建立羅非魚片新鮮度的近紅外光譜快速、無損評價方法。

1 材料與方法

1.1 材料與試劑

鮮活羅非魚（0.4～0.6 kg），購自上海市銅川路水產市場，采用泡沫塑料箱充氧保活運至實驗室。擊暈、宰殺并去除魚鱗、內臟后清洗、剖片（沿脊骨剖切）、去皮，用保鮮膜將魚片包裹于聚丙烯托盤中，放置在4 ℃冰箱保存。在貯藏時間0、2、4、6、8、10 d時取樣，每次取8 片用于后續(xù)實驗。

輕質氧化鎂、硼酸、溴甲酚綠、甲基紅（均為分析純） 國藥集團化學試劑有限公司。

1.2 儀器與設備

NIR Flex N500型傅里葉變換近紅外光譜儀（光源為鎢燈，檢測器為珀耳帖溫控InGaAs，波數精度為±0.2 cm－1，帶固體測量池和XL附件（光譜采集窗口為直徑20 mm的圓）） 瑞士Büchi公司；KEJET 8400型自動定氮儀 丹麥Foss公司；A11 basic分析用研磨機德國IKA公司；HYC-326A藥品保存箱 海爾公司。

1.3 方法

1.3.1 光譜采集方法

魚片在擦干表面水分后直接置于XL附件上（靠近魚皮的一面緊貼XL附件），以漫反射的方式采集光譜。背部與腹部分別掃描3次，每次采集的區(qū)域不重疊。將魚片沿側線剪開，背部與腹部分別絞碎后置于XL附件上仍以漫反射的方式采集光譜，每個樣品掃描3 次。將每個樣品得到的3 條光譜求平均后待分析。

NIR Flex N500光譜采集參數：掃描譜區(qū)波數范圍4 000～10 000 cm－1（1 000～2 500 nm），掃描次數32次，分辨率4 cm－1，以Spectralon為參照背景。

1.3.2 TVB-N含量的測定

根據GB/T 5009.44—2003《肉與肉制品衛(wèi)生標準的分析方法》[14]及略加修改的鄧輝萍等[15]的方法，利用凱式定氮儀對絞碎的背肉及腹肉分別進行測定。準確稱取絞碎羅非魚肉（2.000 0±0.100 0）g于750 mL消化管中，加入0.5 g輕質氧化鎂，設置參數如下：吸收液30 mL，蒸餾水50 mL，加堿量0 mL，模式delay。每個樣品做3個平行，結果取平均值作為TVB-N的含量。

2 結果與分析

2.1 TVB-N含量測定結果

羅非魚背肉及腹肉的TVB-N含量測定結果見表1。GB 2733—2005《鮮、凍動物性水產品衛(wèi)生標準》[6]規(guī)定當淡水魚、蝦的TVB-N含量超過20 mg/100g時即為不新鮮。本實驗所采集羅非魚肉的TVB-N含量范圍為8.7～31.92 mg/100g，具有比較好的代表性。

為了對校正集所建模型的優(yōu)劣進行評價，事先將所有48 個樣本按3∶1的比例隨機劃分成校正集和驗證集。同時應注意校正集樣本的TVB-N含量范圍要大于驗證集，以保證所建模型在進行驗證時具有良好的適用性[7]。

表1 背肉及腹肉模型校正集與驗證集TVB-N含量范圍Table 1 TVB-N contents of calibration set and validation set of back and abdomen meat models

2.2 光譜預處理

絞碎前后不同部位羅非魚肉的近紅外原始光譜見圖1、2。比較魚肉絞碎前后的原始光譜可以明顯地看出，絞碎過程使魚肉的均勻性得到了大幅提升。絞碎前的魚肉因樣本間光譜采集部位的不同導致其光譜形狀上存在差異，而絞碎后魚肉光譜的形狀則基本一致。另外，絞碎前魚肉的光譜在8 000～10 000 cm－1范圍內的反射率值要低于絞碎后的魚肉。這可能是由于水分在此波數范圍內有特征吸收，而絞碎前的魚肉表面有較多水分殘留且絞碎過程使肌肉中不易流動水產生損失所造成的[16]。

圖1 絞碎前（a）、絞碎后（b）羅非魚背肉的原始近紅外光譜圖Fig.1 Original NIR spectra of tilapia dorsal muscle before (a) and after (b) being minced

圖2 絞碎前（a）、絞碎后（b）羅非魚腹肉的原始近紅外光譜圖Fig.2 Original NIR spectra of tilapia belly muscle before (a) and after (b) being minced

近紅外光譜不僅可以反映樣品的化學組成及含量等信息，還會受到其密度、粒度、紋理等物理因素的干擾，甚至還包含有一部分的無關信息，如背景噪音、雜散光等。為了盡可能多地從光譜中提取與待測化學組成相關的信息，以便建立穩(wěn)定、可靠的定性、定量預測模型，就必須對光譜進行適當地預處理，消除其他無關信息的干擾[17]。

由于本實驗是直接采集魚肉的近紅外光譜，故魚肉均一性不佳且表面平整性較差等因素將會直接影響光譜信息的挖掘，更需要選用合適的光譜預處理方法。González-Martin等[18]在研究應用近紅外光譜技術無損檢測豬肉脂肪酸的含量時，將多種光譜預處理方法結合使用，得到了較好的結果。

因此，本實驗采用三點平滑（smoothing average 3 points，sa3）、九點平滑（smoothing average 9 points，sa9）、九點卷積平滑（smoothing savitzky-golay 9 points，sg9）、一階導數（1stderivative，Db1）、趨近歸一化（normalization by closure，Ncl）、單位長度歸一化（normalization to unit length，Nle）、標準正態(tài)變換（standard normal variate，SNV）、多元散射校正（multiplicative scatter correction，MSC）對所得的原始光譜進行預處理后，利用偏最小二乘法對全波段進行回歸分析，以絞碎前的背肉為例，通過比較所建模型的優(yōu)劣選擇合適的光譜預處理方法，結果如表2所示。

通過比較模型間決定系數及標準偏差的大小可以看出，單一使用某一預處理方法時，僅有sg9和Db1效果尚可。它們的校正集和驗證集決定系數均在0.87以上，標準偏差均接近甚至小于2 mg/100 g。這主要是因為導數可以用于消除光譜的基線漂移及背景干擾，分辨重疊峰，提高分辨率和靈敏度。而Savitzky-Golay卷積平滑相對于移動平均平滑可以避免光譜信號的失真，獲得更好地去噪效果[19]。當其他預處理方法結合一階導數再對光譜進行預處理時，模型的各評價指標均得到了優(yōu)化，決定系數多數增大到0.9以上，標準偏差則普遍接近并小于2mg/100g。模型建立所用主因子數也普遍小于單一預處理方法，說明建模效率得到了提升。經比較，SNV+Db1具有最佳的預處理效果，其所得模型具有最大校正集與驗證集的決定系數，分別為0.964和0.931，標準偏差也都要小于其他方法，分別為1.144 mg/100 g和1.612 mg/100 g。這可能與SNV能夠消除固體顆粒大小、表面散射以及光程變化對光譜的影響有關[17]，處理后的光譜見圖3。

表2 不同預處理方法的絞碎前背肉TVB-N模型結果Table 2 TVB-N models of dorsal muscle before being minced by using various preprocessing methods

圖3 經SNV＋Db1處理后的絞碎前羅非魚背肉近紅外光譜圖Fig.3 NIR spectra of tilapia dorsal muscle before being minced pretreated by SNV＋Db1

采用同樣的步驟對絞碎后背肉及絞碎前后腹肉進行光譜預處理方法的優(yōu)化。優(yōu)化后的模型效果見表3。

表3 光譜預處理方法的優(yōu)化結果Table 3 The best pretreatment methods for NIR spectra

2.3 模型的建立及優(yōu)化

由于多元校正模型效果的優(yōu)劣不僅取決于樣本的質量，更與樣本各變量所含有的信息息息相關，因此模型的建立應保證所用變量具有較好的代表性并且包含有盡可能多的相關信息而非無關信息。然而近紅外光譜在進行模型的建立時基本都需要對大量的樣本和變量進行分析，剔除那些不提供信息的變量就成為了提高模型預測能力的必要手段[20-21]。本研究利用光譜儀自帶的NIR Cal 5.2數據處理軟件對各模型進行波數范圍的篩選，結果見表4。

表4 模型的波數篩選結果Table 4 The best wavenumber region for modeling

從表4可以看出，與未經絞碎的魚肉相比，絞碎后的魚肉均是在使用全波段建模時具有最佳模型效果。也就是說，絞碎前的魚肉因樣品均一性差、表面不平整等原因造成某些光譜區(qū)域噪聲增大，無關信息增多，需要通過篩選變量才能獲得效果較優(yōu)的模型。其中，在接近InGaAs檢測器檢測極限4 000～5 000 cm－1波數范圍內時，檢測器的敏感性會降低，光譜吸收減少，反射光的信噪比也會隨之下降。因此，在進行波長篩選的時候，常常需要考慮剔除這一波數范圍內的變量信息[22]。

最后，經過光譜預處理方法以及波數范圍的優(yōu)選，絞碎前背肉TVB-N定量預測模型的校正集和驗證集決定系數由0.870、0.821上升到了0.973、0.925，校正集和驗證集標準偏差由2.152、2.991 mg/100 g減小到1.032、1.581 mg/100 g，說明光譜預處理及波數范圍篩選過程對提高模型預測能力具有比較明顯的效果。從最終得到的模型來看，絞碎過程因其提高了樣品的均一性，確實有利于樣品的光譜采集以及預測模型的建立，絞碎后背肉及腹肉模型效果要優(yōu)于各自絞碎前魚肉所建的模型。Barbin[23]及Barlocco[24]等比較了絞碎及完整豬肉的水分、蛋白質、脂肪等近紅外定量預測模型，均有類似結果。但是考慮到絞碎過程破壞了樣品且增加了測定步驟，耗費了更多的時間，無法應用于實際生產和批量檢測。因此，不經絞碎、直接進行光譜采集的方式在能夠保證模型的預測效果的同時，將具有明顯的優(yōu)勢。本研究結果表明，絞碎前腹肉TVB-N定量預測模型的校正集和驗證集決定系數分別為0.982、0.976，校正集和驗證集標準偏差分別為0.962、1.006 mg/100 g，甚至略優(yōu)于絞碎后的背肉所建立的模型。這可能是由于相對于背肉而言，腹肉更適合于建立TVB-N定量預測模型。程旎等[25]針對鳊魚不同部位進行了光譜采集，最終建立的TVB-N預測模型效果是尾部最優(yōu)，腹部其次，胸部最差。

本研究所建羅非魚片絞碎前背肉及腹肉TVB-N定量預測模型的實測值與預測值散點圖如圖4所示。

圖4 TVB-N實測值與模型預測值散點圖Fig.4 Scatter plots of NIR predicted vs. actual values for TVB-N content

3 結 論

采集羅非魚片近紅外光譜后利用化學計量學方法將其與魚肉TVB-N含量進行擬合，可以構建TVB-N近紅外定量預測模型以評價其新鮮度。然而，由于原始光譜帶有一些噪音，會使得預測模型受到無關信息的干擾。通過采用sa3、sa9、sg9、Db1、Ncl、Nle、SNV、MSC對光譜進行預處理，可以實現消除光譜的背景干擾，提高分辨率以及去噪等效果。且在將其他預處理方法與Db1結合的時候不僅可以提高模型預測能力還能夠提升建模效率。在對波數范圍進行篩選，剔除無關信息之后，各預測模型效果達到最優(yōu)。

通過比較絞碎前后不同部位魚肉所建立的TVB-N定量預測模型可知，絞碎過程提高了魚肉的均一性，有利于預測模型的建立，但無法實現快速無損的檢測。而絞碎前腹肉TVB-N定量預測模型的校正集和驗證集決定系數分別為0.982、0.976，校正集和驗證集標準偏差分別為0.962、1.006 mg/100 g，模型效果良好，預測準確度較好，為快速、無損、批量評價羅非魚片新鮮度提供了一種可行的辦法。

[1] 賀艷輝, 張紅燕, 龔赟翀, 等. 我國羅非魚養(yǎng)殖品種及養(yǎng)殖發(fā)展分析[J].水產養(yǎng)殖, 2009(2): 12-14.

[2] 農業(yè)部漁業(yè)局. 2003中國漁業(yè)統(tǒng)計年鑒[M]. 北京: 中國農業(yè)出版社, 2003: 22.

[3] 農業(yè)部漁業(yè)局. 2013中國漁業(yè)統(tǒng)計年鑒[M]. 北京: 中國農業(yè)出版社, 2013: 31.

[4] 農業(yè)部漁業(yè)局. 2012年全國水產品進出口貿易情況[EB/OL]. 2013-01-29 [2014-06-06]. http://www.moa.gov.cn/zwllm/jcyj/shc/201301/ t20130129_3210802.htm.

[5] 劉書成. 水產食品加工學[M]. 鄭州: 鄭州大學出版社, 2011: 137-138.

[6] 國家標準化管理委員會. GB 2733—2005 鮮, 凍動物性水產品衛(wèi)生標準[S]. 北京: 中國標準出版社, 2005.

[7] 陸婉珍. 現代近紅外光譜分析技術[M]. 北京: 中國石化出版社, 2007: 6-7; 174-176.

[8] 嚴衍祿. 近紅外光譜分析基礎與應用[M]. 北京: 中國輕工業(yè)出版社, 2005: 1-5.

[9] CHENG Junhu, SUN Dawen, ZENG Xin’an, et al. Non-destructive and rapid determination of TVB-N content for freshness evaluation of grass carp (Ctenopharyngodon idella) by hyperspectral imaging[J]. Innovative Food Science & Emerging Technologies, 2014, 21(1): 179-187.

[10] KIMIYA T, SIVERTSEN A H, HEIA K. 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.

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

[12] FUENTES A, MASOT R, FERN?NDEZ-SEGOVIA I, et al. Differentiation between fresh and frozen-thawed sea bream (Sparus aurata) using impedance spectroscopy techniques[J]. Innovative Food Science & Emerging Technologies, 2013, 19(7): 210-217.

[13] B±KNAS N, JENSEN K N, ANDERSEN C 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.

[14] 國家標準化管理委員會. GB/T 5009.44—2003 肉與肉制品衛(wèi)生標準的分析方法[S]. 北京: 中國標準出版社, 2003.

[15] 鄧輝萍, 林凱, 張紅宇, 等. 肉類中的揮發(fā)性鹽基氮的自動定氮儀快速測定法[J]. 職業(yè)與健康, 2005, 21(6): 838-839.

[16] 張玉偉, 羅海玲, 賈慧娜, 等. 肌肉系水力的影響因素及其可能機制[J].動物營養(yǎng)學報, 2012, 24(8): 1389-1396.

[17] 尼珍, 胡昌勤, 馮芳. 近紅外光譜分析中光譜預處理方法的作用及其發(fā)展[J]. 藥物分析雜志, 2008, 28(5): 824-829.

[18] GONZ?LEZ-MARTIN I, GONZ?LEZ-PéREZ C, ALVAREZGARCIA N, et al. On-line determination of fatty acid composition in intramuscular fat of Iberian pork loin by NIRs with a remote reflectance fibre optic probe[J]. Meat Science, 2005, 69(2): 243-248.

[19] 褚小立, 袁洪福, 陸婉珍. 近紅外分析中光譜預處理及波長選擇方法進展與應用[J]. 化學進展, 2004, 16(4): 528-542.

[20] CHEN Huazhou, PAN Tao, CHEN Jiemei, et al. Waveband selection for NIR spectroscopy analysis of soil organic matter based on SG smoothing and MWPLS methods[J]. Chemometrics and Intelligent Laboratory Systems, 2011, 107(1): 139-146.

[21] LI Yankun, JING Jing. A consensus PLS method based on diverse wavelength variables models for analysis of near-infrared spectra[J]. Chemometrics and Intelligent Laboratory Systems, 2014, 130(1): 45-49.

[22] 陸輝山, 應義斌, 傅霞萍, 等. 新鮮蘋果汁可溶性固形物含量的傅里葉變換近紅外光譜檢測[J]. 光譜學與光譜分析, 2007, 27(3): 494-498.

[23] BARBIN D F, ELMASRY G, SUN D W, et al. Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging[J]. Food Chemistry, 2013, 138(2): 1162-1171.

[24] BARLOCCO N, VADELL A, BALLESTEROS F, et al. Predicting intramuscular fat, moisture and Warner-Bratzler shear force in pork muscle using near infrared reflectance spectroscopy[J]. Animal Science, 2006, 82(1): 111-116.

[25] 程旎, 李小昱, 趙思明, 等. 魚體新鮮度近紅外光譜檢測方法的比較研究[J]. 食品安全質量檢測學報, 2013, 4(2): 427-432.

Non-Destructive Freshness Evaluation of Tilapia (Oreochromis) Fillets Using Near Infrared Spectroscopy

CHEN Wei-hua, XU Chang-hua, FAN Yu-xia, HU Wei, WU Hao, WU Na, WANG Xi-chang, LIU Yuan*
(Shanghai Engineering Research Center of Aquatic-Product Processing and Preservation, College of Food Science and Technology, Shanghai Ocean University, Shanghai 201306, China)

Fourier transform near infrared spectrometer was used in this experiment to collect the spectra of tilapia dorsal and belly muscle before and after being minced. By fitting the total volatile basic nitrogen (TVB-N) content to the spectra, quantitative prediction models were established. For modeling, Smoothing Average 3 Points (sa3), Smoothing Average 9 Points (sa9), Smoothing Savitzky-Golay 9 Points (sg9), 1stDerivative (Db1), Normalization by Closure (Ncl), Normalization to Unit Length (Nle), Standard Normal Variate (SNV), and Multiplicative Scatter Correction (MSC) were applied to pretreat the spectra. According to the results, sg9 and Db1 compared with other pretreatment methods could remove the noise, improve the prediction ability of models and the models showed better prediction accuracy and modeling efficiency by using other methods combined with Db1. The best wavenumber region was chosen to get rid of the irrelevant information and the models were further optimized. The determination coefficient of calibration set and validation set for dorsal muscle before being minced was increased from 0.870 and 0.821 to 0.973 and 0.925, respectively. While the standard errors were reduced to 1.032 and 1.581 mg/100 g from 2.152 and 2.991 mg/100 g, respectively. By comparison of model performance, the process of mincing was beneficial to modeling. And the model of minced belly muscle showed the best performance,which showed a determination coefficient of 0.984 with a standard error of 0.879 mg/100 g for validation set. But when the actual requirements for rapid and non-destructive freshness evaluation are under consideration, the model established for flesh before being minced still has obvious advantages. At last, the belly muscle before being minced was used to establishthe model. The calibration set gave a determination coefficient of 0.982 with a standard error of 0.962 mg/100 g and the validation set presented a determination coefficient of 0.976 with a standard error of 1.006 mg/100 g. This method s howed enormous potential for TVB-N content prediction and non-destructive freshness evaluation of tilapia fillets.

near infrared spectroscopy; tilapia fillets; freshness; total volatile basic nitrogen; spectral pretreatment

TS254.7

A

1002-6630（2014）24-0164-05

10.7506/spkx1002-6630-201424031

2014-06-27

“十二五”國家科技支撐計劃項目（2012BAD28B01）；上海市教委重點學科建設項目（J50704）；上海高校知識服務平臺上海海洋大學水產動物遺傳育種中心項目（ZF1206）；上海市科委工程中心建設項目（11DZ2280300）；云南省科技計劃項目（2012IB016）

陳偉華（1990—），男，碩士研究生，研究方向為食品營養(yǎng)與品質評價。E-mail： chenwh_1990@hotmail.com

*通信作者：劉源（1979—），男，副教授，博士，研究方向為食品營養(yǎng)與品質評價。E-mail：yuanliu0302@hotmail.com