楊 勇，王殿友，楊慶余，林 巍，李毛毛，王存堂，張 舵，董 原，裴世春,*

（1.齊齊哈爾大學食品與生物工程學院，農產品加工黑龍江省普通高校重點實驗室，黑龍江 齊齊哈爾 161006；2.東北農業(yè)大 學食品學院，黑龍江 哈爾濱 150030；3.齊齊哈爾市產品質量監(jiān)督檢驗所，黑龍江 齊齊哈爾 161005）

近紅外光譜技術快速測定鵝肉新鮮度

楊 勇1,2，王殿友3，楊慶余1，林 巍1，李毛毛1，王存堂1，張 舵1，董 原1，裴世春1,*

（1.齊齊哈爾大學食品與生物工程學院，農產品加工黑龍江省普通高校重點實驗室，黑龍江 齊齊哈爾 161006；2.東北農業(yè)大 學食品學院，黑龍江 哈爾濱 150030；3.齊齊哈爾市產品質量監(jiān)督檢驗所，黑龍江 齊齊哈爾 161005）

目的：應用近紅外光譜技術快速檢測鵝肉的新鮮度，評價指標包括總揮發(fā)性鹽基氮和pH值。方法：采集完整冷鮮鵝肉的近紅外光譜（950～1 650 nm），光譜經多種校正預處理后，采用偏最小二乘法建立鵝肉新鮮度的定量預測數學模型。結果：對于這2 種指標均采用標準常態(tài)變量結合偏最小二乘法所建立模型的預測效果最好，總揮發(fā)性鹽基氮和pH值定量校正數學模型的模型決定系數分別為0.727、0.991，內部交互驗證均方根誤差分別為3.666、0.028。用此模 型對預測集20 個樣品進行預測，預測值與實測值的相關系數分別達到0.976、0.705，預測值平均偏差分別為－0.240、－0.024，預測值和實測值之間沒有顯著性差異（P＞0.05）。結論：近紅外光譜作為一種無損快速的檢測方法，可用于評價鵝肉新鮮度。

近紅外光譜；鵝肉；新鮮度；揮發(fā)性鹽基氮；pH值

我國鵝肉產量和出口量均為世界第一[1]，鵝肉品質快速無損檢測研究意義重大。新鮮度是肉品品質的一個重要感官特征，也是其食用質量與商業(yè)價值的重要指標[2]。傳統(tǒng)的肉品新鮮度檢測方法主要有感官檢驗、理化檢驗和微生物檢驗，這些方法存在耗時、耗力、周期長、成本高、效率低等問題，這難以滿足當前肉品快速非破壞性的檢測要求，因此迫切需要研究肉品快速檢測方法[3-4]。而近紅外光譜分析技術作為一門簡單、快速、高效、環(huán)保的新型的檢測技術，在食品行業(yè)中已得到廣泛應用[5]。

國外學者[6-11]利用近紅外光譜對肉類新鮮度進行了研究，研究結果表明水分、水分活度、pH值、總揮發(fā)性鹽基氮（total volatile base nitrogen，TVB-N）、三磷酸腺苷（adenosine-triphosphate，ATP）分解產物（K1值）和常溫細菌等理化和微生物指標，都可用來預測肉類的新鮮度。國內學者[4,12-19]對豬肉TVB-N值、pH值等新鮮度指標進行了近紅外光譜研究取得了良好的效果，肉類在腐敗過程中，由于酶和細菌的作用，蛋白質分解而產生氨、胺類等堿性含氮物質，使TVB-N值、pH值等發(fā)生改變，因此利用近紅外光譜檢測TVB-N值、pH值可以表征肉品新鮮度的變化[20]。

本研究擬利用近紅外光譜技術對鵝肉新鮮度主要指標：TVB-N值、pH值進行研究，考察近紅外光譜和鵝肉新鮮度之間的相關性，建立鵝肉新鮮度的近紅外檢測模型，研究利用近紅外光譜預測鵝肉新鮮度的方法，為建立鵝肉品質在線無損檢測技術提供理論依據。

1 材料與方法

1.1 材料與試劑

鵝肉品種為獅頭鵝，采購自黑龍江齊齊哈爾站前市場。將新鮮鵝腿肉去除表皮及骨頭，整理成肉塊，用自封袋密封包裝后編號置于4 ℃冰箱冷藏備用。每次取樣100 g進行檢測，共連續(xù)測量7 d，后2 d為室溫強制快速腐敗。實驗按照TVB-N值和pH值的梯度從200余個樣品中共選取具有代表性的樣品80 個，60 個樣品作為校正集，用于建立數學模型，20 個樣品作為驗證集，對建立好的數學模型進行驗證。

硼酸、氧化鎂、溴甲酚藍、甲基紅 天津凱通化學試劑有限公司。

1.2 儀器與設備

DA7200二極管陣列近紅外光譜儀（256像素InGaSe檢測品，波長范圍900～1 700 nm） 瑞典Perten公司；PB-10型pH計 賽多利斯科學儀器（北京）有限公司；1765型半微量定氮器 沈陽中亞玻璃儀器有限公司。

1.3 方法

1.3.1 鵝肉近紅外光譜采集

將剔除骨頭和外皮的鵝肉樣品制成肉糜均勻平鋪在直徑75 mm的樣品杯中，使用近紅外分析儀以2 nm的分辨率掃描60 次，樣品及環(huán)境溫度均為25 ℃，光譜掃描范圍為900～1 700 nm，得出掃描光譜圖。每個樣品重復掃描3 次，每次掃描時樣品要求重新裝樣，保持裝樣的均一性，求得平均光譜曲線。

1.3.2 鵝肉中總TVB-N值測定

采用GB/T 5009.44—2003《肉與肉制品衛(wèi)生標準的測定方法：半微量定氮法》測定[21]。

1.3.3 酸度計法測定鵝肉浸漬液pH值

取測定TVB-N值時的鵝肉浸漬液備用，用pH計復合電極測定鵝肉浸漬液的pH值，每個樣品重復測量3 次，結果取其平均值。

1.3.4 光譜數據處理與分析

利用Unscrambler 9.8軟件對5 點移動窗口平滑處理（smothing，SM）、一階微分（fi rst derivative，1stD）、標準正態(tài)變量變換（standard normal variate，SNV）和多元散射校正（multiplicative signal correction，MSC）等6 種光譜預處理方法的消噪效果進行比較，應用偏最小二乘（partial least square，PLS）法數學校正方法分別建模。用模型決定系數（R2）、交互驗證均方根誤差（root mean square error of cross validation，RMSECV）、相對預測均方根誤差（relative prediction mean square error ，RMSEP）為模型精度評價指標，用預測值和實測值的相關系數（r）和預測平均偏差檢驗模型的準確度[22]。

2 結果與分析

2.1 鵝肉TVB-N值和pH值實測值的分析

表1 鵝肉樣品TVB-N值、pH值的實測值分析Table 1 Statistics of measured values of TVB-N and pH in goose meat samples

由表1中校正集和驗證集中含量分布、平均值和標準偏差可知，選取樣品中的各組分含量范圍較寬，代表性強，符合近紅外光譜建模要求。

2.2 鵝肉樣品近紅外平均光譜圖

圖1 鵝肉原始光譜圖Fig.1 Near infrared spectra of goose meat

從圖1可知，在950～1 650 nm譜區(qū)內，鵝肉近紅外反射光譜曲線各區(qū)段表現出獨特吸收，在整個光譜區(qū)間有多處吸收峰呈遞增或遞減的趨勢，表明鵝肉大量含氫基團的合頻區(qū)、倍頻區(qū)均形成強烈的吸收，1 350～1 450 nm（6 900～7 400 cm－1）波段之間受水蒸氣的影響產生了較微小的噪聲信號，肉中蛋白質的吸收主要與N—H的分子振動相關，有研究[23-24]表明：N—H鍵伸縮振動的一級倍頻在1500 nm（6 666 cm－1）附近，帶有N—H的雜環(huán)芳香化合物，較強的一級倍頻出現在1 463 nm（6 835 cm－1）。而蛋白質的特征譜帶為973～1 019 nm（10 277～9 804 cm－1）、1 500～1 530 nm（6 667～6 536 cm－1）的N—H倍頻吸收，因此實驗在建模時需要考慮特征波長區(qū)間的選取。

2.3 最佳光譜預處理方法的確定

鵝肉樣品的大小和均勻程度會影響光譜的信噪比，因此采用SM、1stD、MSC、SNV、1stD+SNV和1stD+ SM+SNV共6 種光譜預處理方法對鵝肉的原始光譜進行預處理，然后采用PLS法建模。結果如表2所示。通過對近紅外光譜全波段進行分析，以模型的R2、RMSECV和RMSEP為模型精度評價指標，R2越大、RMSECV和RMSEP越小，說明模型的精度越高，所建模型的預測能力和穩(wěn)健性越高[25]。

表2 不同光譜預處理方法對鵝肉TVB-N值和pH值的PLS模型精確性的影響Table 2 Effects of spectral pretreatment methods on the accuracy of PLS models for TVB-N and pH in goose meat

表2結果表明，采用SNV處理光譜數據，以PLS法建立回歸模型的R2最大，RMSECV最小，因此SNV+PLS預測能力優(yōu)于另外5 種預處理方法。

綜上所述，對于鵝肉TVB-N值和pH值來說均采用SNV處理光譜建立的PLS回歸模型的預測能力優(yōu)于采用1stD處理光譜建立的PCR回歸模型的預測能力。

2.4 鵝肉新鮮度模型的可靠性驗證

選取最優(yōu)主成分數，用PLS法處理光譜分別建立TVB-N值和pH值的模型，將驗證集的20 個樣品代入模型中，進行鵝肉樣品的新鮮度測定，預測值和實測值的驗證結果如圖2所示。結果表明：TVB-N預測值和實測值2 組數據的r為0.976，說明2 組數據具有極顯著的相關性，經單因素方差分析得到P值為0.948，即在95%的置信區(qū)間內，2 組數據無顯著性差異。預測平均偏差為－0.240。pH預測值和實測值2 組數據的r為0.705，說明2 組數據具有極顯著的相關性，經單因素方差分析得到P值為0.830，即在95%的置信區(qū)間內，2 組數據無顯著性差異。預測平均偏差為－0.024。

圖2 鵝肉TVB-N值（a）和pH值（b）的PLS模型的外部驗證結果Fig.2 External verification results of TVB-N and pH using PLS model

3 結 論

TVB-N值：在950～1 650 nm的波長范圍內，采用SNV處理光譜，利用PLS建立鵝肉TVB-N數學模型，主成分數為6時，模型R2為0.727，RMSECV達到最小值3.666。用20 個鵝肉樣品進行外部驗證預測，鵝肉TVB-N預測值和實測值之間的相關系數r為0.976，預測值平均偏差為－0.240。

pH值：在950～1 650 nm的波長范圍內，采用SNV處理光譜，利用PLS建立鵝肉pH值數學模型，主成分數為12時，模型R2為0.991，RMSECV達到最小值0.028。用20 個鵝肉樣品進行外部驗證預測，鵝肉pH預測值和實測值之間的相關系數r為0.705，預測值平均偏差為－0.024。

應用近紅外光譜技術檢測鵝肉新鮮度主要指標：TVB-N值和pH值是可行的，傳統(tǒng)檢測方法至少需要30 min以上，應用近紅外光譜掃描法每個樣測定時間在2～5 min以內，因此近紅外光譜法可作為消費者及肉制品加工企業(yè)進行鵝肉新鮮度快速非破壞性檢測的一種方法。

[1] 陳銳. 中國為世界第一產鵝大國[J]. 農業(yè)技術與裝備, 2011(19): 76.

[2] 周光宏. 肉品學[M]. 北京: 中國農業(yè)科技出版社, 1999: 79-82.

[3] SHACKELFORD S D, WHEELER T L, MEADE M K, et al. Consumer impressions of tender select beef[J]. Journal of Animal Science, 2001, 79(10): 2605-2614.

[4] 王麗, 劉兆豐, 勵建榮. 近紅外光譜技術快速檢測豬肉新鮮度指標的方法研究[J]. 中國食品學報, 2012, 12(6): 159-165.

[5] 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: 139-145.

[6] DAVID I E, DAVID B, DOUGLAS B K, et al. Rapid and quantitative detection of the microbial spoilage of meat by Fourier transform infrared spectroscopy and machine learning[J]. Appied and Environmental Microbiology, 2002, 68(6): 2822-2828.

[7] GEESINK G H, SCHREUTELKAMP F H, FRANKHUIZEN R, et al. Prediction of pork quality attributes from near infrared refl ectance spectra[J]. Meat Science, 2003, 65(1): 661-668.

[8] LEROY B, LAMBOTTE S, DOTREPPE O, et al. Prediction of technological and organoleptic properties of beef Longissimus thoracis from near-infrared reflectance and transmission spectra[J]. Meat Science, 2004, 66(1): 45-54.

[9] MOHAMMED S A, ANTHOULA A, GEORGE-JOHN E, et al. Rapid monitoring of the spoilage of minced beef stored under conventionally and active packaging conditions using Fourier transform infrared spectroscopy in tandem with chemometrics[J]. Meat Science, 2009, 81(3): 507-514.

[10] ARGYRI A A, PANAGOU E Z, TARANTILIS P A, et al. Rapid qualitative and quantitative detection of beef fillets spoilage based on Fourier transform infrared spectroscopy data and artificial neural networks[J]. Sensors and Actuators B: Chemical, 2010, 145(1): 146-154.

[11] RAúL G, 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, 44(1): 331-337.

[12] 侯瑞鋒, 黃嵐, 王忠義, 等. 用近紅外漫反射光譜檢測肉品新鮮度的初步研究[J]. 光譜學與光譜分析, 2006, 26(12): 2193-2196.

[13] 蔡健榮, 萬新民, 陳全勝. 近紅外光譜法快速檢測豬肉中揮發(fā)性鹽基氮的含量[J]. 光學學報, 2009, 29(10): 2808-2812.

[14] 廖宜濤, 樊玉霞, 伍學千, 等. 豬肉pH的可見近紅外光譜在線檢測研究[J]. 光譜學與光譜分析, 2010, 30(3): 681-684.

[15] 楊志敏. 應用近紅外光譜技術快速檢測原料肉新鮮度及摻假的研究[D]. 楊凌: 西北農林科技大學, 2001: 12-17.

[16] CHEN Quansheng, CAI Jianrong, WAN Xinmin, et al. Application of linear/non-linear classifi cation algorithms in discrimination of pork storage time using Fourier transform near infrared (FT-NIR) spectroscopy[J]. LWT-Food Science and Technology, 2011, 44(10): 2053-2058.

[17] 胡耀華, 熊來怡, 劉聰, 等. 基于近紅外光譜的生鮮豬肉pH檢測及其品質安全判別[J]. 中國農業(yè)大學學報, 2012, 17(3): 121-126.

[18] 郭培源, 林巖, 付妍, 等. 基于近紅外光譜技術的豬肉新鮮度等級研究[J]. 激光與光電子學進展, 2013, 50(3): 180-186.

[19] 鄒小波, 李志華, 石吉勇, 等. 高光譜成像技術檢測肴肉新鮮度[J].食品科學, 2014, 35(8): 89-93.

[20] 張玉華, 孟一. 肉類品質無損檢測技術研究現狀與發(fā)展趨勢[J]. 食品工業(yè)科技, 2012, 33(12): 392-395; 400.

[21] 上海市食品衛(wèi)生監(jiān)督檢驗所. GB/T 5009.44—2003 肉與肉制品衛(wèi)生標準的測定方法: 半微量定氮法[S]. 北京: 中國標準出版社, 2003.

[22] 嚴衍祿, 趙龍蓮, 韓東海, 等. 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: 95-97.

[23] 趙政, 李小昱, 劉潔, 等. 豬肉中揮發(fā)性鹽基氮含量光譜檢測模型的修正方法[J]. 食品安全質量檢測學報, 2013, 4(3): 883-889.

[24] WORKMAN J, WEYER L. Practical guide to interpretive nearinfrared spectroscopy[M]. Chemical Industry Press, 2009: 156-158.

[25] 張德權, 陳宵娜, 孫素琴, 等. 羊肉嫩度傅里葉變換近紅外光譜偏最小二乘法定量分析研究[J]. 光譜學與光譜分析, 2008, 28(11): 2550-2553.

Rapid Determination of Goose Meat Freshness Using Near Infrared Spectroscopy

YANG Yong1,2, WANG Dian-you3, YANG Qing-yu1, LIN Wei1, LI Mao-mao1, WANG Cun-tang1, ZHANG Duo1, DONG Yuan1, PEI Shi-chun1,*
(1. Key Laboratory of Processing Agricultural Products of Heilongjiang Province, College of Food and Biological Engineering, Qiqihar University, Qiqihar 161006, China; 2. College of Food Science, Northeast Agricultural University, Harbin 150030, China; 3. Qiqihar Product Quality Supervision and Inspection Center, Qiqihar 161005, China)

Objective: To determine goose meat freshness based on total volatile base nitrogen (TVB-N) and pH by near infrared (NIR) spectroscopy. Methods: Near infrared spectra (950–1 650 nm) of goose meat were collected, and then sequentially subjected to multiple correction pretreatment, multiple linear regression, and principal component regression for the establishment of quantitative prediction mathematical models for evaluating goose meat freshness based on TVB-N and pH by partial least squares regression. Results: The models obtained by standard normal variate (SNV) combined with partial least squares regression exhibited the best prediction performance with a coeffi cient of determination for calibration of 0.727 and 0.991, and a root mean square error of cross validation (RMSECV) of 3.666 and 0.028 for TVB-N and pH, respectively. The correlation coeffi cients between predicted and measured values of TVB-N and pH for 20 samples were 0.976 and 0.705, and the average deviations were -0.240 and -0.024, respectively, suggesting no signifi cant difference (P > 0.05) between predicted and measured values. Conclusion: NIR spectroscopy as a rapid nondestructive detection method can be used in the evaluation of goose meat freshness.

near infrared (NIR) spectroscopy; goose meat; freshness; total volatile base nitrogen (TVB-N); pH

TS251.7

A

1002-6630（2014）24-0239-04

10.7506/spkx1002-6630-201424046

2014-06-30

黑龍江省自然科學基金項目（C201331）；黑龍江省普通高校青年學術骨干支持計劃項目（1252G069）；

齊齊哈爾市科技局農業(yè)攻關項目（NYGG-201206-3）；齊齊哈爾大學校重點資助項目（2012K-Z03）

楊勇（1979—），男，副教授，博士研究生，研究方向為食品安全近紅外光譜檢測技術。E-mail：yangyong7904@163.com

*通信作者：裴世春（1966—），男，教授，博士，研究方向為食品營養(yǎng)與安全。E-mail：1079481030@qq.com