趙文英 花 錦 張梨花

張鑫鑫2 籍智芬1 陳夢男1

(1. 中北大學化工與環(huán)境學院，山西 太原 030051；2. 山西省出入境檢驗檢疫局，山西 太原 030051)

近紅外光譜測定不同鮮肉肉糜中蛋白質含量

趙文英1花 錦2張梨花2

張鑫鑫2籍智芬1陳夢男1

(1. 中北大學化工與環(huán)境學院，山西 太原 030051；2. 山西省出入境檢驗檢疫局，山西 太原 030051)

采集4 000～10 000 cm-1波數(shù)范圍內210 份鮮肉(牛、羊、豬肉各70份)為校正集樣品光譜數(shù)據(jù)，在不同的光譜預處理基礎上，用偏最小二乘法 (partial least squares，PLS) 建立了單獨的不同種類肉品，及其混合鮮肉肉糜紅外光譜與蛋白質測量值之間的定量分析模型。90份鮮肉(牛、羊、豬肉各30份)為預測集樣品，采集光譜數(shù)據(jù)后用于模型的驗證。結果表明：鮮肉建模集及預測集相關系數(shù)分別為0.954，0.929；RMSEC及RMSEP分別為0.495，0.669。該模型能夠很好地實現(xiàn)鮮肉蛋白質含量的快速測定，提高了模型預測的廣適性。

近紅外光譜技術；鮮肉；蛋白質；偏最小二乘法

蛋白質是檢測肉品質的基本指標之一[1]。目前蛋白質的檢測仍采用傳統(tǒng)的化學分析方法。傳統(tǒng)檢測方法需要耗費大量的人力物力財力，而且耗時長，不能進行大批量的檢測，分析效率低不能夠滿足國家和市場的需要。近紅外光譜技術(NIRS)是近年來發(fā)展迅速的一種綠色分析技術，該法具有檢測速度快、簡單無污染、非破壞性、可檢測多種化學成分含量及其特性，適合于大規(guī)模產(chǎn)業(yè)化生產(chǎn)的在線檢測的優(yōu)點。目前不斷有新的簡易檢測設備的報道[2-4]。

用近紅外光譜法檢測肉中的脂肪、蛋白質和水分含量的研究已經(jīng)有很多報道，并且取得了一些比較令人滿意的預測結果[5-9]。但是這些研究在樣品選擇時，多采用同一種肉類[7,10-11]，甚至針對同一品種肉類[3,8,12]，以及同一種肉類中某一固定部位的樣品[13]來建立不同檢測指標的定量模型。這些模型的適用性有限。由于肉類中蛋白含量頗豐，且蛋白有區(qū)別于水分、脂肪的特定元素及結構，而使用不同的肉類樣品，以蛋白質為定量檢測目標進行紅外光譜建模研究，尚未有報道。

本試驗擬選取新鮮的豬肉、牛肉、羊肉作為研究對象，對其所有的樣品進行光譜掃描，以期建立混合鮮肉肉糜紅外光譜與蛋白質測量值之間的定量分析模型，探索同一模型應用于不同肉品蛋白質含量測定的可行性。

1 材料與方法

1.1 材料與試劑

豬肉、羊肉和牛肉：市售；

凱氏定氮儀：8400型，丹麥FOSS儀器公司；

傅立葉變換近紅外光譜儀：NICOLET 6700型，美國熱電公司；

電子天平：AE163型，瑞士瑞梅特勒儀器有限公司。

1.2 樣品的采集

本試驗所用樣品為超市市場購得的新鮮牛肉、羊肉、豬肉各100批樣品。將樣品切割成小塊，放于絞肉機中，用轉速為35 r/s的速度絞兩次，每次用時15 s，制成肉糜狀放于制樣袋中，編號，密封保存，從中取樣進行光譜的采集和蛋白質含量的測定。

1.3 樣品的近紅外光譜采集

將制得的豬羊牛肉的糜狀樣品取約5 g于潔凈的培養(yǎng)皿中，光源照射區(qū)是樣品表面直徑為5 mm的圓。掃描范圍為4 000～10 000 cm-1，掃描次數(shù)32次，分辨率8 cm-1。本試驗對同一樣品的3個不同部位進行掃描，采集光譜數(shù)據(jù)，計算3個光譜的平均值作為該樣品的原始光譜。

樣品光譜采集與理化分析基本同時進行，避免由于樣品存放時間過長而導致樣品內部成分發(fā)生變化。光譜采集時，保持試驗室內溫度在20℃左右，濕度基本一致。

1.4 樣品的理化分析

本試驗對豬肉，牛肉，羊肉各100個樣品按照GB/T 5009.5—2010進行蛋白質含量的測定。

1.5 模型建立及評價方法

數(shù)據(jù)處理采用TQ analyst分析軟件進行。選擇偏最小二乘法(PLS)為蛋白質定量建模方法。光譜數(shù)據(jù)來自全波段掃描，光譜的預處理包括一階、二階導數(shù)處理，Norris和S-G光滑處理等方法。校正集相關系數(shù)和標準差為模型精度評價指標，確定光譜的預處理方法。并通過模型的預測相關系數(shù)和標準差來評價模型的可靠性。

2 結果與討論

2.1 各鮮肉蛋白質含量的分析結果

本試驗對豬肉、牛肉、羊肉共300份樣品按照GB/T 5009.5—2010進行了蛋白質含量的測定。

由表1可知，3種肉的蛋白質含量分布范圍有差別，但樣品的平均值接近理論值；鮮肉的標準偏差最大，其校正集和驗證集均大于2。相比較而言，樣品豬肉與牛肉的蛋白質含量相近，羊肉的蛋白質含量偏低，但都處于16%～18%。樣品蛋白質的含量代表性強，基本覆蓋了模型所要分析的樣品范圍。

表1 GB/T 5009.5—2010所測鮮肉蛋白質的含量值Table 1 The protein content in thefresh meat determined by standard method

2.2 原始光譜分析

圖1是各肉類樣品的近紅外平均原始光譜圖，整個譜圖跨度為4 000～10 000 cm-1，可以看出不同肉類樣品的近紅外光譜圖大致相似，波譜吸收值從高到低，依次是牛肉、豬肉、羊肉，與蛋白質含量呈正相關。但牛肉波形在7 250～6 600 cm-1波段緊緊貼合與豬肉的波形，5 200～4 000 cm-1波段出現(xiàn)錯位。這說明牛肉在物質組成方面與豬、羊肉有較大的不同。掃描波譜中有3個比較大的波峰，分別在8 700～8 250 cm-1波段、7 000 cm-1和5 000 cm-1附近。

圖1 豬牛羊肉樣品的平均原始光譜圖Figure 1 The mean original spectra of pork beef and lamb

2.3 鮮肉肉糜蛋白質定量建模結果

對原始光譜進行預處理，有可能改進光譜特性，消除光譜包含的無用信息，從而進一步提高光譜建模效果。導數(shù)光譜可以有效削弱光譜的系統(tǒng)差異。選用一階導數(shù)和二階導數(shù)的處理方法。其次，為消除隨機噪聲，提高模型的穩(wěn)健性，選用信號平滑處理。根據(jù)數(shù)據(jù)平滑擬合方法不同，平滑處理分為S-G平滑(Savitzky-Golay filters)，Norris平滑(Norris derivative filter)。

試驗對全波段的光譜掃描數(shù)據(jù)，通過不同的預處理，應用偏最小二乘法(partial least squares，PLS)，首先分別對各種肉類樣品進行了蛋白質含量建模研究，然后把3種肉類樣品混合，進行了鮮肉蛋白質含量建模研究。

由表2可知，豬肉的原光譜數(shù)據(jù)建模集相關系數(shù)最好，豬肉校正集相關系數(shù)為0.943，預測集相關系數(shù)為0.932。林巖等[7]所建立的豬肉蛋白質含量預測模型，其預測集的相關系數(shù)為0.979 8。高于本試驗的0.94，可能是采用了聯(lián)合區(qū)間光譜波段。而黃偉等[8]對滇南小耳豬均質肉糜的蛋白質含量進行建模研究時，也得出原始光譜建模效果較好，校正集相關系數(shù)為 0.946。

表2 預處理方法對豬肉肉糜蛋白質含量建模的影響Table 2 The effect of different prepossessing of spectra on pork protein content model

由表3可知，羊肉肉糜光譜數(shù)據(jù)經(jīng)一階導和S-G處理后，所建模型參數(shù)最佳。其校正相關系數(shù)為0.961，預測集相關系數(shù)為0.903。RMSEC及RMSEP分別為0.245，0.853。Mohamed K等[11]利用近紅外高光譜成像技術，采用偏最小二乘回歸法對羊肉蛋白質進行預測，基于特征波長的新PLSR模型得交叉驗證相關系數(shù)為0.85，預測相關系數(shù)為0.82，預測標準偏差為0.47。可見成像技術所建模型略差。

表3 預處理方法對羊肉肉糜蛋白質含量建模的影響Table 3 The effect of different prepossessing of spectra on mutton protein content model

由表4可知，牛肉肉糜光譜數(shù)據(jù)經(jīng)二階導和Norris處理后，所建模型校正集相關系數(shù)最好為0.950，預測集相關系數(shù)為0.915。孫小明等[10]所得模型相關系數(shù)低于本試驗的數(shù)據(jù)。陳育濤[13]所建立的牛柳樣品的蛋白質校正模型相關系數(shù)為0.954，其結果接近。這可能與樣本差異有關。

表4 預處理方法對牛肉肉糜蛋白質含量建模的影響Table 4 The effect of different prepossessing of spectra on beef protein content model

由表5可知，針對全肉類樣品進行建模研究，其建模結果良好。其中，經(jīng)過一階導和S-G處理所得校正集、預測集相關系數(shù)為0.954，0.929;RMSEC及RMSEP分別為0.495，0.669。其結果與單一品種肉類所建蛋白質模型相關系數(shù)差異不大。但綜合起來所建模型的樣本量增加到3倍，使得所建模型更可靠。故該模型的建立能夠很好地實現(xiàn)鮮肉蛋白質含量快速的測定。試驗選擇了全波段光譜，今后可以選取粗蛋白中一些基團的特征吸收譜段進一步研究。

表5 預處理方法對鮮肉肉糜蛋白質含量建模的影響Table 5 The effect of different prepossessing of spectra on fresh meat protein content model

3 結論

本研究以超市購買的鮮豬肉、羊肉、牛肉為試驗樣品，利用近紅外光譜分析技術，采用偏最小二乘法，建立了肉糜紅外光譜與蛋白質測量值之間的定量分析模型。豬、牛、羊肉所建立的模型校驗相關系數(shù)都在0.9以上，達到了預期的效果。將肉類樣品混合建模，其建模集及預測集相關系數(shù)分別為0.954，0.929；RMSEC及RMSEP分別為0.495，0.669。該模型可適用于不同種類肉糜蛋白質的定量測定，提高了模型的廣適性。今后可探討該模型對其他品種肉類的適用性。通過擴大樣本量，擴大樣品的來源，使模型更精確地預測未知樣品中的粗蛋白含量，提高模型的穩(wěn)健性與準確性。另外，也可以將定性判斷和定量模型結合起來，以提高模型功能的全面性。

[1] 楊智靈, 李濤, 任保增. 近紅外光譜技術在食品安全檢測中的最新研究進展[J]. 食品與機械, 2013, 29(5): 237-240.

[2] MASIRI J, BENOIT L, BARRIOS-LOPEZ B, et al. Development and validation of a rapid test system for detection of pork meat and collagen residues[J]. Meat Science, 2016, 121: 397-402.

[3] ALFREDO T, ANTONIO O, KATIA P, et al. An approach to predict chemical composition of goat longissimus thoracis et lumborum muscle by Near Infrared Reflectance spectroscopy[J]. Small Ruminant Research, 2015, 126: 40-43.

[4] GAMAL E, SHEGIKI N. Prediction of meat spectral signatures in the near infrared region using optical properties of main chromophores[J]. Food Science & Nature, 2015, 4(2): 269-283.

[5] BARBIN D, ELMASRY G, SUN Da-wen, et al. Near-infrared hyperspectral imaging for grading and classification of pork [J]. Meat Science, 2012, 90: 259-268.

[6] DOUGLAS F, GAMAL E, DAWEN S. Analytical Methods Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging[J]. Food Chemistry, 2013, 138(2):1 162-1 171.

[7] 林巖, 郭培源, 王昕琨, 等. 基于近紅外光譜的豬肉蛋白質及脂肪含量檢測[J]. 食品科技, 2014, 39(2): 262-266.

[8] 黃偉, 楊秀娟, 曹志勇, 等. 應用近紅外光譜檢測滇南小耳豬肉化學組分含量[J]. 云南農業(yè)大學學報: 自然科學, 2016, 30(2): 303-309.

[9] DOUGLAS B, GAMAL E, SUN Da-wen, et al. Near-infrared hyperspectral imaging for grading and classification of pork[J]. Meat Science, 2012, 90: 259-268.

[10] 孫曉明, 盧凌, 張佳程, 等. 牛肉化學成分的近紅外光譜檢測方法的研究[J]. 光譜學與光譜分析, 2011, 31(2): 379-383.

[11] KAMRUZZAMANA M, GAMAL S, SUN Da-wen. Non-destructive prediction and visualization of chemical composition in lamb meat using NIR hyperspectral imaging and multivariateregression[J]. Innovative Food Science & Emerging Technologies, 2012 , 16(2): 218-226.

[12] AMANILINARES L,GALLO C, ALOMAR D. Identification of cattle, lamb and horse meat by near infrared reflectance or transflectance spectroscopy[J]. Meat Science, 2012, 90: 378-385.

[13] 陳育濤, 朱秋勁, 盧開紅, 等. 近紅外光譜對特征部位牛肉的分析[J]. 肉類研究, 2012, 26(3): 34-38.

Prediction on protein concentration of fresh minced meat using near-infrared spectroscopy

ZHAO Wen-ying1HUAJin2ZHANGLi-hua2

ZHANGXin-xin2JIZhi-fen1CHENMeng-nan1

(1.NorthUniversityofChinaChemicalEngineeringandEnviromentCollege,Taiyuan,Shanxi030051,China; 2.ShaanxiEntry-ExitInspectionandQuarantineBureau,Taiyuan,Shanxi030051,China)

Meat samples for calibration (n=210, pork, beef and muttonn=70, respectively) were scanned, over a NIR spectral range of 4 000～10 000 cm-1, and the chemical analysis were performed. Meat samples (n=90, pork, beef and muttonn=30 respectively) were scanned and analyzed for prediction of protein content. It was developed a PLS regression model assaying based on different spectral pretreatment methods. The best calibrations models of fresh meat samples showed relatively good predictability for protein, the coefficient of determination of calibrations samples was 0.954, the coefficient of determination of prediction samples was 0.929, the RMSEC and RMSEP were 0.495 and 0.669, respectively. Therefore, the fresh meat quantitative models can apply for protein prediction for different meat samples, which enhanced its application range.

near-infrared spectroscopy technology; fresh meat; protein; partial least square method

山西省科技攻關項目(編號：20150313015)

趙文英(1977—)，女，中北大學副教授，博士。 E-mail：zzr1zwy2@163.com

2016-09-05

10.13652/j.issn.1003-5788.2017.01.010