(石河子大學(xué)機(jī)械電氣工程學(xué)院，新疆石河子 832003)

doi:10.6048/j.issn.1001-4330.2017.11.017

真空包裝冷卻羊肉pH值和顏色的近紅外快速無損檢測(cè)

邱園園，朱榮光，黃昆鵬，范中建，閻 聰，孟令峰

(石河子大學(xué)機(jī)械電氣工程學(xué)院，新疆石河子 832003)

目的羊肉新鮮度理化指標(biāo)傳統(tǒng)測(cè)定中存在操作繁瑣、需使用化學(xué)試劑、樣品被破壞與接觸等問題。研究真空包裝冷卻羊肉pH值和顏色的近紅外快速無損檢測(cè)。方法以新疆小尾寒羊作為研究對(duì)象，利用近紅外光譜技術(shù)(NIRS)，研究儲(chǔ)藏過程中真空包裝冷卻羊肉理化指標(biāo)的快速無損檢測(cè)，針對(duì)化學(xué)指標(biāo)pH和物理指標(biāo)顏色亮度(L*)，采用光譜預(yù)處理和特征波段篩選方法優(yōu)化和簡(jiǎn)化各指標(biāo)含量預(yù)測(cè)模型。結(jié)果pH和L*均以組合使用遺傳算法(GA)與連續(xù)投影算法(SPA)篩選特征波段建立的多元線性回歸模型(MLR)最佳，優(yōu)于單一波段篩選方法，其預(yù)測(cè)集相關(guān)系數(shù)均為0.91，預(yù)測(cè)集均方根誤差分別為0.13和1.91。結(jié)論近紅外光譜技術(shù)具有綠色、無損、同時(shí)分析多指標(biāo)的檢測(cè)優(yōu)勢(shì)，可替代傳統(tǒng)檢測(cè)手段實(shí)現(xiàn)對(duì)肉品理化指標(biāo)的快速無損準(zhǔn)確檢測(cè)。

冷卻羊肉；近紅外光譜技術(shù)；pH值；亮度；特征波段

0 引 言

【研究意義】羊肉具有味道鮮美和營養(yǎng)豐富的特點(diǎn)，在肉類消費(fèi)市場(chǎng)中占據(jù)重要地位。肉品新鮮度作為肉品品質(zhì)評(píng)價(jià)的重要指標(biāo)，決定肉類產(chǎn)品的經(jīng)濟(jì)價(jià)值和可食用性[1]，其檢測(cè)方法包括感官評(píng)定、理化指標(biāo)檢測(cè)及微生物指標(biāo)檢測(cè)等[2]。其中，理化指標(biāo)檢測(cè)因具有客觀和穩(wěn)定的優(yōu)點(diǎn)在大量肉品新鮮度檢測(cè)研究中得到應(yīng)用[3-5]。而傳統(tǒng)檢測(cè)方法對(duì)理化指標(biāo)的檢測(cè)存在操作繁瑣、費(fèi)時(shí)費(fèi)力、破壞與接觸肉品和化學(xué)試劑潛在污染等缺點(diǎn)[2]，無法滿足現(xiàn)代肉品工業(yè)的檢測(cè)要求，尋求一種快速、無損、綠色的檢測(cè)手段十分必要?！厩叭搜芯窟M(jìn)展】近年來，NIRS技術(shù)因其快速、無損、重現(xiàn)性好的優(yōu)點(diǎn)在肉品檢測(cè)領(lǐng)域得到廣泛應(yīng)用，主要應(yīng)用于豬肉、牛肉、雞肉等畜肉產(chǎn)品檢測(cè)[4,6-7]。目前，NIRS技術(shù)針對(duì)羊肉開展的檢測(cè)研究主要包括組分分析和種類判定等方面，其研究對(duì)象多是非真空包裝的冷卻羊肉，而少見真空包裝冷卻羊肉新鮮度變化的研究報(bào)道[8-9]。真空包裝具備低氧條件可抑制微生物生存，保障肉品不易于腐敗，其肉品腐敗變化進(jìn)程和貨架期不同于非真空包裝[10]。羊肉在儲(chǔ)藏過程中，其主要有機(jī)組分逐漸被降解，導(dǎo)致內(nèi)糖原酵解、蛋白質(zhì)變性及脂肪酸敗等現(xiàn)象，從而使得肉的酸堿度發(fā)生改變[3]。近紅外光譜采集系統(tǒng)獲取的光譜波段高達(dá)數(shù)百個(gè)，夾雜大量冗余信息，影響建模效率和模型精度，有必要對(duì)全波段光譜進(jìn)行特征變量選擇。朱榮光，付丹丹，李江波[11-13]等研究表明通過組合使用特征波段提取方法均較單一方法相比其特征波段建立的模型性能更優(yōu)。GA作為模擬生物進(jìn)化規(guī)律的隨機(jī)化尋優(yōu)算法，具有較好的通用性和全局搜算能力[10,14]。SPA在變量整體中尋求含有最低限度冗余信息的變量組，實(shí)現(xiàn)數(shù)據(jù)的高效降維，來挖掘共線性最小的有效信息[13-14]?！颈狙芯壳腥朦c(diǎn)】國內(nèi)研究學(xué)者利用pH值作為肉品新鮮度指標(biāo)開展近紅外光譜研究取得了良好的檢測(cè)效果，表明pH同肉品內(nèi)部化學(xué)組分含量的變化密切相關(guān)，可表征肉品新鮮度的變化[3-4]。亮度(L*)作為評(píng)價(jià)肉品顏色的主要物理指標(biāo)，能夠反映肉品新鮮度變化過程中外觀整體的變化情況[5]。研究選用pH和L*分別作為化學(xué)指標(biāo)和物理指標(biāo)，利用近紅外光譜技術(shù)開展真空包裝冷卻羊肉貯藏過程中新鮮度理化指標(biāo)的快速無損檢測(cè)研究?！緮M解決的關(guān)鍵問題】研究通過GA全局搜索重要變量，并聯(lián)合使用SPA獲得最低冗余信息的變量集合，達(dá)到篩選有效信息和優(yōu)化與簡(jiǎn)化檢測(cè)模型的目的，為建立羊肉新鮮度指標(biāo)快速檢測(cè)方法，以及后續(xù)開發(fā)羊肉新鮮度多光譜在線檢測(cè)系統(tǒng)提供一定的理論參考。

1 材料與方法

1.1 材 料

試驗(yàn)所用羊肉采購于新疆石河子西部牧業(yè)，選取冷庫排酸后的小尾寒羊外脊肌肉，使用冷藏保溫箱運(yùn)至實(shí)驗(yàn)室。于無菌操作間，將羊肉的脂肪、結(jié)締組織等部分切除，并將羊肉切割成尺寸大小約為40 mm×40 mm×10 mm的樣品，共計(jì)155個(gè)。將樣品逐個(gè)裝入無菌真空PE包裝袋中抽真空并熱封包裝，隨后冷藏于4℃恒溫箱，儲(chǔ)藏天數(shù)為1～20 d。

1.2 方 法

1.2.1 近紅外光譜采集

研究使用的近紅外光譜采集系統(tǒng)包括近紅外光譜儀(NIRQuest256-2.5, 美國)、光源(VIVO, 美國)、光纖(QP400-1-VIS-NIR, 美國)、計(jì)算機(jī)及暗箱等部件構(gòu)成，繪出該系統(tǒng)的結(jié)構(gòu)示意圖。光譜數(shù)據(jù)采集前需預(yù)熱光譜儀20 min，隨后需對(duì)該系統(tǒng)進(jìn)行黑白校正，將待采集羊肉樣品的表面水分擦拭，放置于VIVO光源載物臺(tái)上進(jìn)行近紅外漫反射光譜采集。參數(shù)設(shè)置包括：采集波段范圍900～2 500 nm，積分時(shí)間為18 ms，掃描次數(shù)和平滑度分別為32和3。近紅外光譜采集數(shù)據(jù)采集過程中，采集每個(gè)樣品同一側(cè)面上5個(gè)不同位置的點(diǎn)，計(jì)算5個(gè)點(diǎn)獲取的光譜數(shù)據(jù)的平均值作為該樣本的代表光譜。圖1

圖1 近紅外光譜采集系統(tǒng)的結(jié)構(gòu)示意
Fig.1 Schematic diagram of near infrared reflectance spectroscopy acquisition system

1.2.2 理化值測(cè)定

pH值的測(cè)定采用pH計(jì)(UB-7型, 美國)，參照國標(biāo)《GB 5009.237-2016 食品安全國家標(biāo)準(zhǔn) 食品pH值的測(cè)定》[15]。pH計(jì)測(cè)定前需進(jìn)行清洗和校準(zhǔn)，pH計(jì)的電極放入樣品液的上清液中待數(shù)值穩(wěn)定后讀數(shù)，各樣品重復(fù)操作測(cè)定6次，取其平均值作為該樣品的pH值。L*值的測(cè)定采用測(cè)色色差計(jì)(WSC-S, 上海)。測(cè)色色差計(jì)使用前也需要預(yù)熱，時(shí)間約為30 min，隨后進(jìn)行測(cè)色色差計(jì)校零，樣品需剪成與盛放樣品器皿的大小相仿并置于測(cè)試頭下進(jìn)行測(cè)定，各樣品重復(fù)操作測(cè)定6次，取其平均值作為該樣品的L*值。

1.3 數(shù)據(jù)處理

羊肉樣品的數(shù)據(jù)采集與數(shù)據(jù)處理軟件分別為Spectra Suite和MATLAB 2010b。為降低光譜噪聲信號(hào)影響，試驗(yàn)分別針對(duì)羊肉pH和L*進(jìn)行最優(yōu)預(yù)處理方法選擇，分別采用一階導(dǎo)(1D)、多元散射校正(MSC)、Savitzky-Golay平滑(S-G)、標(biāo)準(zhǔn)正態(tài)變量變換(SNV)和中心化(Mean-centering)等方法及組合方法進(jìn)行光譜數(shù)據(jù)預(yù)處理。分別針對(duì)各指標(biāo)，采用GA、SPA和GA-SPA對(duì)最優(yōu)光譜預(yù)處理后的數(shù)據(jù)進(jìn)行特征波段篩選，比較全波段模型和各特征波段模型的模型結(jié)果，確定各指標(biāo)最優(yōu)特征波段篩選算法，以實(shí)現(xiàn)對(duì)真空包裝冷卻羊肉pH和L*的快速無損準(zhǔn)確檢測(cè)。研究中，GA參數(shù)設(shè)置如下：種群大小64，窗口寬度為1，初始變量數(shù)目30%，最大迭代次數(shù)100，收斂百分比50%，變異率0.005；SPA設(shè)定的變量篩選范圍為5～35。由于GA對(duì)變量的選擇具有隨機(jī)性，因此研究將多次運(yùn)行該算法，保留每次變量篩選結(jié)果并建立模型，根據(jù)模型交互驗(yàn)證結(jié)果確定GA篩選的最佳變量集合。

1.4 模型效果

針對(duì)羊肉新鮮度指標(biāo)pH和L*開展的最優(yōu)預(yù)處理方法和最優(yōu)特征波段篩選算法的比較研究中，全波段和GA篩選的特征波段均采用偏最小二乘回歸(PLSR)模型和留一交互驗(yàn)證方法，根據(jù)RMSECV值確定模型的最佳潛變量因子數(shù)。SPA和GA-SPA篩選的光譜變量數(shù)目較少，采用多元線性回歸模型(MLR)模型進(jìn)行模型效果比較。以上兩者模型效果的評(píng)價(jià)指標(biāo)包括RMSECV、RCV、RMSEP和RP。其中，RMSECV和RMSEP越小，所建模型效果越好，而RCV和RP越大，則表明模型的預(yù)測(cè)能力越好[16]。

2 結(jié)果與分析

2.1 羊肉樣品的pH和L*值

試驗(yàn)共制備155個(gè)羊肉樣品，分別針對(duì)兩指標(biāo)采用Q殘差界限和霍特林T2界限判別法進(jìn)行樣品異常值選取[17]，經(jīng)異常值剔除后pH、L*的樣本數(shù)分別為142和147。將各樣本按照理化值濃度排列采用隔三選一法劃分樣品的校正集與預(yù)測(cè)集，pH指標(biāo)的校正集和預(yù)測(cè)集樣品數(shù)分別為107和35，L*指標(biāo)的校正集和預(yù)測(cè)集樣品數(shù)分別為110和37，羊肉樣品pH值和L*值的統(tǒng)計(jì)結(jié)果。表1

2.2 光譜數(shù)據(jù)預(yù)處理

由于受到外部環(huán)境和儀器暗電流的影響，羊肉樣品在光譜數(shù)據(jù)采集過程中存在噪聲信號(hào)、基線漂移和譜線重疊等現(xiàn)象，影響后續(xù)模型精度和穩(wěn)定性。為消除以上影響和增強(qiáng)樣品因理化值不同造成的光譜差異，試驗(yàn)對(duì)真空包裝冷卻羊肉pH和L*分別進(jìn)行最優(yōu)光譜預(yù)處理方法選取?；赑LSR模型，羊肉pH和L*的不同預(yù)處理方法的模型結(jié)果比較為，pH的最優(yōu)預(yù)處理方法為1D+S-G(15)+MC，L*的最優(yōu)預(yù)處理方法為1D+S-G(17)+MC。表2

表1 羊肉pH和L*值

表2 pH和L*不同預(yù)處理方法的模型

注：RC和RMSEC為校正集的相關(guān)系數(shù)和均方根誤差，RCV和RMSECV為交互驗(yàn)證集的相關(guān)系數(shù)和均方根誤差，RP和RMSEP為預(yù)測(cè)集的相關(guān)系數(shù)和均方根誤差

Note: RCand RMSEC, the correlation coefficients and root mean square errors in the calibration set. RCVand RMSECV, the correlation coefficients and root mean square errors in the cross-validation set. RPand RMSEP, the correlation coefficients and root mean square errors in the prediction set

2.3 特征波段篩選

利用單一的GA進(jìn)行光譜特征波段篩選，針對(duì)羊肉理化指標(biāo)pH和L*篩選的波段數(shù)目分別為48和43，其變量頻率分布圖顯示，細(xì)線以上的波段為所選取的特征波段。由頻率分布圖可以發(fā)現(xiàn)，兩指標(biāo)采用GA篩選的特征波段不完全相同，但都包括了分子振動(dòng)光譜倍頻及合頻吸收帶在內(nèi)的重要波段[16]。在910、1 200、1 750和2 450 nm附近的波段分別與有機(jī)物中C-H鍵的三級(jí)倍頻、二級(jí)倍頻、一級(jí)倍頻和合頻相關(guān)；960和2 000 nm則分別同水中O-H鍵的二級(jí)倍頻和合頻相關(guān)，表現(xiàn)出顯著的光譜吸收帶；1 540 nm處的光譜吸收帶與蛋白質(zhì)相關(guān)，與其中N-H鍵的一級(jí)倍頻相關(guān)[3,16,18]。圖2

利用單一的SPA進(jìn)行光譜特征波段篩選，針對(duì)各指標(biāo)篩選的波段數(shù)目分別為16和19，波段篩選的情況分布為，方塊標(biāo)記處波段為所選取的波段。對(duì)于兩指標(biāo)，篩選的特征波段均分布在肉中水分、脂肪及蛋白質(zhì)等主要組分光譜特征吸收峰附近。特征波段主要包括900、1 210、1 650、2 470 nm等C-H鍵倍頻與合頻吸收帶區(qū)域及附近的波段，960、1 450和2 000 nm附近的波段同與水的光譜吸收帶鄰近，1 040 nm 附近的波段與N-H鍵相關(guān)[16]。圖3

聯(lián)合使用GA和SPA進(jìn)行光譜特征波段篩選，針對(duì)pH和L*篩選的波段數(shù)目分別為14和18，波段篩選的情況分布為，方塊標(biāo)記處波段為所選取的波段。對(duì)于pH指標(biāo)，其篩選特征波段分別為901.74、908.24、947.30、960.32、973.34、1 110.00、1 123.01、1 201.04、1 214.04、1 460.56、1 602.72、2 107.61、2 377.29、2 464.10和2 482.63 nm。對(duì)于L*指標(biāo)，分別為940.79、1 018.90、1 110.00、1 304.98、1 369.86、1 557.54、1 622.06、1 699.32、1 814.85、1 885.20、1 993.51、2 113.93、2 132.87、2 151.80、2 164.40、2 189.59、2 202.17和2 383.51 nm。圖4

2.4 pH模型、L*模型結(jié)果

研究表明，對(duì)于W-PLSR和GA-PLSR，當(dāng)潛變量因子數(shù)均為12時(shí)模型效果較優(yōu)，GA-PLSR的RMSECV和RCV分別為0.92和0.13，較W-PLSR相比得到顯著改善，但模型預(yù)測(cè)能力降低。GA算法具有全局搜索的特點(diǎn)[14]，其篩選的波段數(shù)目較大，變量中仍攜帶了部分無關(guān)信息從而導(dǎo)致模型預(yù)測(cè)能力降低。SPA-MLR和GA-SPA-MLR的變量數(shù)分別為16和15，二者的模型預(yù)測(cè)能力均得到提高，但GA-SPA-MLR的交互驗(yàn)證效果較優(yōu)。GA-SPA篩選的變量僅占全波段的6%，模型效果較優(yōu)于全波段模型。表3

研究表明，當(dāng)W-PLSR和GA-PLSR的潛變量因子數(shù)分別為12和10時(shí)模型效果較優(yōu)，其中GA-PLSR的交互驗(yàn)證結(jié)果優(yōu)于W-PLS，但預(yù)測(cè)能力降低。SPA-MLR和GA-SPA-MLR中的特征變量數(shù)分別為19和18，模型結(jié)構(gòu)較全波段得到高效簡(jiǎn)化，且模型預(yù)測(cè)能力均優(yōu)于W-PLSR和GA-PLSR。GA-SPA-MLR的RMSECV和RCV分別為0.93和1.62，交互驗(yàn)證集結(jié)果最優(yōu)，雖與GA-PLSR的結(jié)果較為接近，但GA-SPA篩選變量數(shù)僅占GA篩選變量數(shù)的41.86%。表3

圖2 GA篩選波段的頻率分布
Fig.2 Frequency distribution of bands selected by GA

圖3 SPA篩選波段分布
Fig.3 Distribution map of bands selected by SPA

圖4 GA-SPA篩選波段分布
Fig.4 Distribution map of bands selected by GA-SPA

表3 不同波段下羊肉pH和L*模型結(jié)果

3 討 論

3.1 GA、SPA和GA-SPA三種方法雖對(duì)羊肉中同一組分的特征波段選取不完全相同，但波段鄰近，均能夠篩選出主要特征光譜吸收帶在內(nèi)及附近的特征波段，其與羊肉主要組分的分子振動(dòng)光譜倍頻及合頻吸收帶密切相關(guān)。以上符合肉品新鮮度降低的原因，正由于肉品主要組分(脂肪、蛋白質(zhì)、碳水化合物等)伴隨儲(chǔ)藏時(shí)間在酶與細(xì)菌的共同作用下被分解，導(dǎo)致肉品腐敗與變質(zhì)并表現(xiàn)出不同的光譜吸收特性[3]，而分解產(chǎn)物使得肉品的顏色、酸堿度、氣味等發(fā)生改變。針對(duì)真空包裝冷卻羊肉的理化指標(biāo)pH和L*，GA-SPA篩選的特征波段可為定制濾光片和開發(fā)針對(duì)羊肉新鮮度多光譜在線檢測(cè)系統(tǒng)提供重要的理論基礎(chǔ)。

3.2 對(duì)于真空包裝冷卻羊肉的pH指標(biāo)，較優(yōu)的預(yù)測(cè)模型為GA-SPA-MLR。通過測(cè)定待測(cè)羊肉樣品的光譜數(shù)據(jù)，根據(jù)以上獲得的特征波段來篩選光譜信息，利用有效預(yù)測(cè)模型中光譜數(shù)據(jù)與pH值之間建立的對(duì)應(yīng)關(guān)系，可實(shí)現(xiàn)樣品pH值快速準(zhǔn)確檢測(cè)，而無需再開展操作繁瑣、費(fèi)時(shí)費(fèi)力且具有污染性和破壞性的測(cè)定試驗(yàn)。

3.3 羊肉L*指標(biāo)的最優(yōu)特征波段篩選算法為GA-SPA，其建立的模型視作該指標(biāo)的最佳預(yù)測(cè)模型。待測(cè)羊肉樣品經(jīng)光譜測(cè)定后，利用模型性能最優(yōu)的GA-SPA-MLR模型可實(shí)現(xiàn)顏色L*指標(biāo)的快速準(zhǔn)確預(yù)測(cè)。

4 結(jié) 論

真空包裝冷卻羊肉化學(xué)指標(biāo)pH和物理指標(biāo)L*的最優(yōu)光譜預(yù)處理方法分別為1D+S-G(15)+MC和1D+S-G(17)+MC，最優(yōu)的變量篩選算法均為GA-SPA，獲得的特征波段數(shù)目分別為15和18。對(duì)于pH和L*的GA-SPA-MLR，其模型效果均較W-PLSR得到改善，綜合交互驗(yàn)證集與預(yù)測(cè)集結(jié)果均較優(yōu)于GA-PLSR和SPA-MLR，以上兩個(gè)理化指標(biāo)的RMSEP分別為0.13和0.91，RP均為1.91。聯(lián)合使用特征提取方法較優(yōu)于單一方法的使用，有效簡(jiǎn)化模型結(jié)果和改善模型性能。研究表明，NIRS技術(shù)可替代傳統(tǒng)檢測(cè)手段實(shí)現(xiàn)真空包裝冷卻羊肉儲(chǔ)藏過程中新鮮度理化指標(biāo)的快速無損準(zhǔn)確檢測(cè)，其特征提取研究可為后續(xù)開發(fā)羊肉新鮮度多光譜在線檢測(cè)系統(tǒng)提供一定的理論參考。

參考文獻(xiàn)(References)

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

ZHOU Guang-hong. (1999)MeatScience[M]. Beijing: Agricultural Science and Technology Press of China: 79-82. (in Chinese)

[2] 蔣麗施. 肉品新鮮度的檢測(cè)方法[J]. 肉類研究,2011,25(1):46-49.

JIANG Li-shi. (2011). Methods of meat freshness detection [J].MeatResearch, 25 (1): 46-49. (in Chinese)

[3] 楊勇, 王殿友, 楊慶余, 等. 近紅外光譜技術(shù)快速測(cè)定鵝肉新鮮度[J]. 食品科學(xué), 2014, 35(24):239-242.

YANG Yong, WANG Dian-you, YANG Qing-yu, et al. (2014). Rapid determination of goose meat freshness using near infrared spectroscopy [J].FoodScience, 35(24):239-242. (in Chinese)

[4] 張雷蕾, 李永玉, 彭彥昆, 等. 基于高光譜成像技術(shù)的豬肉新鮮度評(píng)價(jià)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(7):254-259.

ZHANG Lei-lei, LI Yong-yu, PENG Yan-kun, et al. (2012). Determination of pork freshness attributes by hyperspectral imaging technique [J].TransactionsoftheChineseSocietyofAgriculturalEngineering, 28(7):254-259. (in Chinese)

[5] 許衛(wèi)東, 朱榮光, 段宏偉, 等. 基于高光譜圖像技術(shù)的冷卻羊肉顏色檢測(cè)[J]. 中國科技論文, 2016, 11(4):454-458.

XU Wei-dong, ZHU Rong-guang, DUAN Hong-wei, et al. (2016). Detection of color parameters of chilled lamb based on hyperspectral imaging [J].ChinaSciencePaper, 11(4):454-458. (in Chinese)

[6] 趙杰文,翟劍妹,劉木華,等. 牛肉嫩度的近紅外光譜法檢測(cè)技術(shù)研究[J]. 光譜學(xué)與光譜分析, 2006, (4):640-642.

ZHAO Jie-wen, ZHAI Jian-mei, LIU Mu-hua, et al. (2006). The Determination of Beef Tenderness Using Near-Infrared Spectroscopy [J].SpectroscopyandSpectralAnalysis, (4):640-642. (in Chinese)

[7] 龔艷, 湯曉艷, 王敏, 等. 近紅外光譜法對(duì)雞肉品種的快速無損鑒別[J]. 食品科學(xué), 2015, 36(16):148-152.

GONG Yan, TANG Xiao-yan, WANG Min, et al. (2015). Rapid and Nondestructive Identification of Chicken Breeds by Near Infrared Spectroscopy [J].FoodScience, 36(16):148-152. (in Chinese)

[8] 王昱陸,郭輝,韓長杰. 基于可見/近紅外光譜對(duì)不同品種羊肉鑒別方法研究[J]. 食品科技, 2015, 40(9):298-302.

WANG Yu-lu, GUO Hui, HAN Chang-jie. (2015). Identifi cation of different varieties of mutton by VIS/NIR spectroscopy [J].FoodScienceandTechnology, 40(9):298-302. (in Chinese)

[9] 王培培, 張德權(quán), 陳麗, 等. 近紅外光譜法預(yù)測(cè)羊肉化學(xué)成分的研究[J]. 核農(nóng)學(xué)報(bào), 2012, 26(3):500-504.

WANG Pei-pei, ZHANG De-quan, CHEN Li, et al. (2012).Prediction of mutton chemical composition by near infrared reflectance spectroscopy [J].JournalofNuclearAgricultureSciences, 26(3):500-504. (in Chinese)

[10] 段宏偉, 朱榮光, 許衛(wèi)東, 等. 基于GA和CARS的真空包裝冷卻羊肉細(xì)菌菌落總數(shù)高光譜檢測(cè)[J]. 光譜學(xué)與光譜分析, 2017, 37(3):847-852.

DUAN Hong-wei, ZHU Rong-guang, XU Wei-dong, et al. (2017). Hyperspectral imaging detection of total viable count from vacuum packing cooling mutton based on GA and CARS algorithms [J].SpectroscopyandSpectralAnalysis, 37(3):847-852. (in Chinese)

[11] 朱榮光, 段宏偉, 姚雪東, 等. 基于高光譜圖像和偏最小二乘的羊肉pH特征波段篩選研究[J]. 光譜學(xué)與光譜分析, 2016, 36(9):2 925-2 929.

ZHU Rong-guang, DUAN Hong-wei, YAO Xue-dong, et al. (2016). Study on characteristic bands selection of lamb pH value based on hyperspectral imaging and partial least squares [J].SpectroscopyandSpectralAnalysis, 36(9):2,925-2,929. (in Chinese)

[12] 付丹丹, 王巧華. 雞蛋新鮮度、pH值及黏度的高光譜檢測(cè)模型[J]. 食品科學(xué), 2016, 37(22):173-179.

FU Dan-dan, WANG Qiao-hua. (2016). Predictive Models for the Detection of Egg Freshness, Acidity and Viscosity Using Hyper-Spectral Imaging [J].FoodScience, 37(22):173-179. (in Chinese)

[13] 李江波, 郭志明, 黃文倩,等. 應(yīng)用CARS和SPA算法對(duì)草莓SSC含量NIR光譜預(yù)測(cè)模型中變量及樣本篩選[J]. 光譜學(xué)與光譜分析, 2015, 35(2):372-378.

LI Jiang-bo, GUO Zhi-ming, HUANG Wen-qian, et al. (2015). Near-infrared spectra combining with CARS and SPA algorithms to screen the variables and samples for quantitatively determining the soluble solids content in strawberry [J].SpectroscopyandSpectralAnalysis, 35(2):372-378. (in Chinese)

[14] Li, S., Wu, H., Wan, D., & Zhu, J. (2011). An effective feature selection method for hyperspectral image classification based on genetic algorithm and support vector machine.Knowledge-BasedSystems, 24(1):40-48.

[15] GB 5009.237-2016. 食品安全國家標(biāo)準(zhǔn) 食品pH值的測(cè)定[S].

GB 5009. 237-2016. Food safety national standard: Determination of food pH value[S]. (in Chinese)

[16] Pu, H., Kamruzzaman, M., & Sun, D. W. (2015). Selection of feature wavelengths for developing multispectral imaging systems for quality, safety and authenticity of muscle foods-a review.TrendsinFoodScience&Technology, 45(1): 86-104.

[17] 紀(jì)楠. 大豆秸稈木質(zhì)素和纖維素含量與近紅外光譜相關(guān)性模型研究[D]. 東北農(nóng)業(yè)大學(xué), 2016.

JI Nan. (2016).CorrelationModelResearchinCelluloseandLigninofSoybeanStrawBasedonNearInfraredSpectroscopy[D]. Master Thesis. Northeast Agricultural University. (in Chinese)

[18] Prieto, N., Roehe, R., Lavín, P., Batten, G., & Andrés, S. (2009). Application of near infrared reflectance spectroscopy to predict meat and meat products quality: a review.MeatScience, 83(2):175-186.

RapidandNondestructiveDetectionofthepHValueandLuminosityforVacuumPackedChilledMuttonbyUsingNearInfraredReflectanceSpectroscopyTechnique

QIU Yuan-yuan, ZHU Rong-guang, HUANG Kun-peng, FAN Zhong-jian,YAN Cong, MENG Ling-feng

(CollegeofMechanicalandElectricalEngineering,ShiheziUniversity，ShiheziXinjiang832003,China)

ObjectiveThe purpose of this research is to solve the problems in the traditional determination of mutton freshness physicochemical indexes, such as the fussy operation, the necessary chemical reagents, and destruction and contact of samples and so on.MethodThe small tailed Han Sheep in Xinjiang was taken as the research object, and the near infrared reflectance spectroscopy (NIRS) technique was used to carry out the rapid and nondestructive detection of physicochemical indexes in vacuum packed chilled mutton during the storage. For the chemical index pH and the physical index luminosity (L*), the spectral pretreatment and the feature bands selection methods were adopted to optimize and simplify the prediction model of each index content.ResultThe optimal models of pH and L*were the multiple linear regression (MLR) models established with the feature bands, which were selected by the combination of genetic algorithm (GA) and successive projections algorithm (SPA) rather than the single method. The correlation coefficients of prediction sets were 0.91 and 0.91, and the root mean square errors of prediction sets were 0.13 and 1.91.ConclusionNIRS technique has the detection advantages of non-pollution, nondestructive, and simultaneous analysis of multiple indexes, and it can replace traditional detection methods to achieve rapid, nondestructive and accurate detection of freshness physicochemical indexes in meat.

chilled mutton; near infrared reflectance spectroscopy technique; pH; luminosity; feature bands

Supported by: The National Natural Science Foundation of China "Dynamics of storage quality for chilled mutton in Xinjiang and fusion of different optical rapid measurement techniques"(31460418); Youth Innovative Talent Cultivation Plan Project in Shihezi University "Rapid detection mechanism and system development of mutton freshness based on multi-source optical information " (CXRC201707)

ZHU Rong-guang (1982- ), male, native place: Dancheng, Henan. Associate professor, Doctor, research field: Modern nondestructive detection technique of agricultural and livestock products. (E-mail) rgzh_jd@163.com

O657.3；S826

A

1001-4330(2017)11-2092-08

2017-08-12

國家自然科學(xué)基金項(xiàng)目“新疆冷卻羊肉儲(chǔ)藏品質(zhì)的動(dòng)力學(xué)及不同光學(xué)速測(cè)技術(shù)融合研究”(31460418)；石河子大學(xué)青年創(chuàng)新人才培育計(jì)劃項(xiàng)目“基于多源光學(xué)信息的羊肉新鮮度快速檢測(cè)機(jī)理及系統(tǒng)開發(fā)研究”(CXRC201707)

邱園園(1992 - )，女，新疆喀什人，碩士研究生，研究方向?yàn)楝F(xiàn)代農(nóng)畜產(chǎn)品無損檢測(cè)技術(shù)，(E-mail)qyy_vina@163.com

朱榮光(1982 - )，男，河南鄲城人，副教授，博士，研究方向?yàn)楝F(xiàn)代農(nóng)畜產(chǎn)品無損檢測(cè)技術(shù)，(E-mail)rgzh_jd@163.com