郎玉苗 楊春柳 李翠 劉芳 王志強(qiáng) 鄧鈺楨

摘 要：近年來，肉品安全事件頻發(fā)，摻雜摻假現(xiàn)象屢見不鮮，甚至成為市場潛規(guī)則，這嚴(yán)重威脅到消費(fèi)者身心健康，擾亂了我國肉類工業(yè)的健康、可持續(xù)發(fā)展。建立快速、無損的檢測技術(shù)有利于從技術(shù)層面保障肉品真實(shí)性，從而保障肉品市場的健康發(fā)展。傳統(tǒng)檢測技術(shù)，如通過DNA（酶聯(lián)免疫吸附測定和聚合酶鏈?zhǔn)椒磻?yīng)）、蛋白質(zhì)、脂肪鑒別的方法，存在有損、耗時(shí)長和操作復(fù)雜等缺點(diǎn)。光譜技術(shù)，如近紅外光譜、高光譜成像、拉曼光譜等，作為快速、無損檢測技術(shù)在肉品摻雜摻假鑒別方面有很好的應(yīng)用前景。本文綜述近紅外光譜、高光譜成像和拉曼光譜技術(shù)在肉品摻雜摻假的定性判別和定量檢測中的研究進(jìn)展，并分析了3 種光譜技術(shù)的應(yīng)用現(xiàn)狀及存在的問題，并對其應(yīng)用前景進(jìn)行了展望。

關(guān)鍵詞：肉品;近紅外光譜;高光譜成像;拉曼光譜;摻雜摻假

中圖分類號：TS251.5? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)志碼：A 文章編號：1001-8123（2019）02-0072-06

Abstract： In recent years， meat safety incidents have occurred frequently. Meat adulteration has been a common occurance， which not only poses a threat to consumer health， but also restricts the sustainable development of Chinas meat industry. Establishment of rapid and non-destructive detection techniques can provide technical support for identifying the authenticity of meat products and thus ensuring healthy development of the meat market. Traditional detection techniques for DNA （enzyme linked immunosorbent assay and polymerase chain reaction）， protein and fat are destructive， time consuming and complicated to operate. By contrast， spectroscopic techniques， such as near-infrared spectroscopy， hyperspectral imaging and Raman spectroscopy， enable fast， non-destructive and online detection and hold great promise for application in the identification of meat adulteration. In this paper， recent progresses in the application of near-infrared spectroscopy， hyperspectral imaging and Raman spectroscopy in the identification and quantification of adulterated meat are reviewed， and existing problems and future prospects are discussed.

我國是肉品生產(chǎn)大國，其中雞肉、豬肉和羊肉產(chǎn)量居世界第一，牛肉產(chǎn)量居世界第三[1]。食品摻雜摻假是食品質(zhì)量和安全的主要問題之一。近年來，隨著肉品增值產(chǎn)品的加工規(guī)模逐漸擴(kuò)大，肉制品“以次充好，以假亂真”的現(xiàn)象屢見不鮮[2]，如以低價(jià)格肉品替代高價(jià)格肉品、冷凍-解凍肉替代冷鮮肉。這不僅嚴(yán)重?fù)p害了消費(fèi)者權(quán)益，還擾亂了正常的市場秩序[3]。除對經(jīng)濟(jì)的影響外，肉品摻雜摻假還引發(fā)一系列其他的問題，如健康（如無過敏原標(biāo)識）、飲食（如營養(yǎng)價(jià)值和能量）、宗教（如清真產(chǎn)品中無豬肉）和生活方式（如素食或有機(jī)食品等）[3-5]。因此，建立快速、無損的肉品摻雜摻假檢測技術(shù)就顯得尤為重要。

傳統(tǒng)的食品摻雜摻假鑒別主要采用酶聯(lián)免疫吸附測定、DNA、蛋白質(zhì)組和三酰甘油分析等技術(shù)手段[6-7]。傳統(tǒng)的檢測技術(shù)能檢測低水平的摻雜摻假，但具有有損、耗時(shí)長、操作復(fù)雜、對技術(shù)要求高等缺點(diǎn)，使其不適合快節(jié)奏的工廠加工以及市場監(jiān)督環(huán)境下的快速分析和早期檢測。此外，肉品經(jīng)冷凍或加熱后其蛋白質(zhì)變性，DNA受到破壞，使傳統(tǒng)方法無法使用。光譜技術(shù)是一種快速、無損、在線檢測技術(shù)，其在肉品的品質(zhì)[8-10]、安全[11-13]和分級[14-15]中均有應(yīng)用[16-18]。近些年，特別是“馬肉風(fēng)波”事件之后，光譜技術(shù)被用于對肉品摻雜摻假的鑒別[11-13]。目前，應(yīng)用于肉品摻雜摻假鑒別分析的光譜技術(shù)主要有近紅外光譜技術(shù)、高光譜成像技術(shù)和拉曼光譜技術(shù)等[15，18]。本文歸納介紹了近紅外光譜、高光譜和激光拉曼技術(shù)在肉品摻雜摻假鑒別方面的研究進(jìn)展。

1 近紅外光譜技術(shù)鑒別肉品摻雜摻假

近紅外光譜是波長介于中紅外和可見光之間，波長范圍為780～2 526 nm的電磁波。近紅外光吸收含氫基團(tuán)X-H（X=C、N、O）振動的倍頻和合頻，其中包含大多數(shù)類型有機(jī)化合物的組成和分子結(jié)構(gòu)信息[19]。目前，此方法在肉及肉制品顏色、嫩度等品質(zhì)指標(biāo)[20-21]、蛋白質(zhì)、脂肪、水分等理化指標(biāo)[22]以及肉品的摻雜摻假鑒別方面均具有較大的應(yīng)用潛力[23-24]。

由表1可知，關(guān)于近紅外光譜技術(shù)在肉品分類定性判別方面的應(yīng)用，牛曉穎等[25]采用傅里葉變換近紅外光譜技術(shù)建立并優(yōu)化了驢肉、牛肉、羊肉和豬肉肉塊及大、中、小3 個(gè)粉碎粒徑（7、5、3 mm）肉糜樣品的分類模型，比較了馬氏距離判別分析、SIMCA、LS-SVM法分別結(jié)合平滑、一階和二階微分、MSC和標(biāo)準(zhǔn)歸一化的光譜預(yù)處理方法對肉塊樣品及大、中、小3 個(gè)不同粉碎粒徑肉糜樣品的分類模型。結(jié)果表明，采用馬氏距離判別和SIMCA建立的模型判別精度高，所有模型對驢肉樣品的判別正確率均為100.00%。孟一等[27]利用傅里葉變換近紅外光譜技術(shù)建立豬肉、牛肉和羊肉的定性判別模型，用PCA法得到10 個(gè)主成分，利用附加散射校正技術(shù)結(jié)合S-G濾波法對光譜進(jìn)行預(yù)處理，采用DA法建立模型。模型對訓(xùn)練集的判別正確率為100.00%，對預(yù)測集豬肉、牛肉和羊肉的判別正確率分別為99.28%、97.42%和100.00%。由此可見，近紅外光譜技術(shù)可以定性鑒別不同粒徑、不同品種的肉塊和肉糜，且具有較好的鑒別效果。

關(guān)于近紅外光譜技術(shù)在肉品摻雜摻假定性判別方面的研究，Alamprese等[12]研究紫外-可見、近紅外和中紅外（mid infrared，MIR）光譜，結(jié)合化學(xué)計(jì)量技術(shù)鑒別摻雜火雞肉的碎牛肉，共掃描了44 個(gè)純牛肉和44 個(gè)純火雞肉樣本以及制備的154 個(gè)摻入5%～50%火雞肉的碎牛肉樣品，采用不同的預(yù)處理方式對光譜進(jìn)行處理，然后使用PCA、LDA和PLS法建立模型，結(jié)果表明：在3 種光譜技術(shù)中，使用近紅外和MIR光譜建立的PLS模型的預(yù)測結(jié)果最佳，而紫外-可見光譜的結(jié)果不太令人滿意，將紫外-可見、近紅外和MIR光譜信息整合的預(yù)測效果更佳。張麗華等[29]利用傅里葉變換近紅外光譜技術(shù)建立混入鴨肉中的摻假羊肉糜的判別模型，結(jié)果表明：采用15 點(diǎn)平滑處理后所建立的nu-SVM模型預(yù)測效果最好（96.15%），對所建模型的正確判別率為99.07%，對檢驗(yàn)集的正確判別率為96.15%。張麗華等[30]利用近紅外光譜技術(shù)（10 000～4 000 cm-1）對摻入不同質(zhì)量分?jǐn)?shù)（0%、5%、10%、15%、20%和25%）鴨肉的摻假牛肉進(jìn)行判別，光譜經(jīng)MSC預(yù)處理后所建立的牛里脊肉、摻假牛里脊肉和鴨肉的nu-SVM判別模型判別性能穩(wěn)定，對建模集的正確判別率為97.09%，對檢驗(yàn)集的正確判別率為94.00%。Rady等[33]采用可見-近紅外光譜鑒別碎牛肉和豬肉中的植物和動物性蛋白，利用可見-近紅外光譜（400～1 700 nm）掃描摻雜不同比例（1%～50%）組織化植物蛋白（texturized vegetable protein，TVP）和小麥蛋白（wheat gluten，WG）的牛肉或豬肉樣本，并采用PLSR建立預(yù)測模型，結(jié)果表明：采用篩選波長建立數(shù)據(jù)模型能夠完全鑒別牛肉、豬肉、雞肉、TVP和WG，摻雜樣本鑒別正確率為96%，其中，豬肉、TVP、雞肉、WG和豬肉+TVP鑒別的正確率分別為60%、76%、72%、96%和100%，碎牛肉中摻雜豬肉的鑒別正確率為97%。牛肉中摻雜豬肉、TVP、雞肉、WG和豬肉+TVP的預(yù)測模型最高r（性能偏差比（ratio of performance to deviation，RPD））值分別為0.85（1.77）、0.86（1.95）、0.86（1.98）、0.86（1.87）和0.87（1.64）;豬肉中摻雜TVP的預(yù)測模型最高r（RPD）值為0.86（1.79）。由此可見，使用可見-近紅外光譜法對肉品進(jìn)行摻雜摻假進(jìn)行定性判別是可行的。

關(guān)于近紅外光譜技術(shù)在肉品摻雜摻假定量檢測方面的研究，Alamprese等[13]采用傅里葉變換近紅外光譜（800～2 667 nm）技術(shù)和多變量分析法對碎牛肉中摻雜的火雞肉進(jìn)行分類鑒別和定量測定。采集新鮮、冷凍-解凍和加工肉樣的光譜，并利用不同的多元回歸和分類模型進(jìn)行評價(jià)，結(jié)果表明：建立的PLS-DA模型的R2高于0.84，預(yù)測均方根誤差低于10%。利用PLS-DA鑒別2 類摻雜樣本敏感性和特異性（摻雜界限=20%）的預(yù)測值分別高于0.84和0.76。由此可見，近紅外光譜技術(shù)不僅能夠定性判別肉品是否摻雜，而且能夠定量測定肉品的摻雜量。

2 高光譜成像技術(shù)鑒別肉品摻雜摻假

高光譜成像技術(shù)是一種基于高光譜儀的成像技術(shù)，其可在紫外到近紅外（200～2 252 nm）光譜覆蓋范圍內(nèi)，以幾十至數(shù)百個(gè)波長同時(shí)對物體連續(xù)成像，實(shí)現(xiàn)物體的空間信息、光譜信息和光強(qiáng)度信息的同步獲得[17]。該技術(shù)具有速度快、樣品前處理簡單、無損和在線檢測的優(yōu)勢，是無損檢測肉品品質(zhì)和安全性最具潛力的新方法之一[19，45-47]。

關(guān)于高光譜成像技術(shù)在肉品分類定性判別方面的研究，Kamruzzaman等[14]研究近紅外高光譜成像系統(tǒng)與多變量分析相結(jié)合區(qū)別3 種類型羔羊肌肉的可行性，采集Charollais羔羊的半腱肌、背最長肌和腰大肌的光譜圖片，光譜掃描范圍為900～1 700 nm，利用PCA進(jìn)行降維、波長選擇和可視化高光譜數(shù)據(jù)，從PCA的特征向量中選出6 個(gè)最佳波長（934、974、1 074、1 141、1 211、1 308 nm），然后建立判別模型，結(jié)果表明：近紅外高光譜成像技術(shù)可以成功區(qū)分所有的羔羊肌肉。為了建立高精度的像素標(biāo)度可視化分類結(jié)果，還開發(fā)了圖像處理算法。由此可見，高光譜成像技術(shù)應(yīng)用于肉品的分類判別是可行的，并且判別正確率較高。

關(guān)于高光譜技術(shù)在肉品摻雜摻假定性判別方面的研究，Ropodi等[6]利用高光譜成像技術(shù)建立摻雜豬肉的牛肉樣本的判別模型。用18 個(gè)波長掃描220 個(gè)肉樣本，并采用PLS-DA和LDA建立預(yù)測模型，用于區(qū)別所有摻假類別以及純牛肉和純豬肉樣品，結(jié)果表明：2 種方法均能很好地區(qū)分純樣本和摻雜樣本，總體正確判別率為98.48%;在10%誤差范圍內(nèi)，LDA和PLS-DA對摻雜樣本的判別正確率分別為98.48%和96.97%;進(jìn)一步用獨(dú)立樣本對模型進(jìn)行驗(yàn)證，PLS-DA能夠正確分類所有純樣本的摻雜樣本，而LDA的正確率相對較低。Ropodi等[38]研究多光譜成像結(jié)合數(shù)據(jù)分析方法鑒別牛肉中摻雜馬肉的可能性，并評估該模型在樣品冷藏條件下的性能。獲得來自3 個(gè)不同批次、110 個(gè)碎牛肉和馬肉樣本的18 個(gè)波長的多光譜圖像，將樣品在4 ℃貯藏6、24、48 h后再次進(jìn)行拍攝，利用前2 批數(shù)據(jù)建立分類模型（PLS-DA、隨機(jī)森林法和SVM法），第3批數(shù)據(jù)用于模型的外部/獨(dú)立驗(yàn)證。結(jié)果表明：模型可清晰鑒別新鮮碎肉和貯藏樣本，而分類模型對摻雜樣本的鑒別受到貯藏過程中肉色變化的影響，然而，使用兩步SVM法建立的模型能夠正確區(qū)分所有的純樣品和新鮮碎肉樣品，并且對獨(dú)立樣本驗(yàn)證的總體判別正確率達(dá)95.31%。由此可見，高光譜成像技術(shù)可以用于肉品摻雜摻假的定性判別，并且判別正確率高達(dá)90%以上。

關(guān)于高光譜成像技術(shù)在肉品摻假定量檢測方面的應(yīng)用，Kamruzzaman等[11]評估可見-近紅外高光譜成像和機(jī)器學(xué)習(xí)在檢測新鮮碎牛肉中摻雜雞肉的潛力。在碎牛肉中摻入0%～50%的碎雞肉（間隔2%），以反射模式（refelctance，R）獲得高光譜圖像，然后將其轉(zhuǎn)化為吸光度（absorbance，A）和庫貝爾卡-芒克（Kubelkae Munck，KM）單位，利用PLSR與3 種不同摻雜水平的測試樣本建立關(guān)聯(lián)，利用不同的獨(dú)立數(shù)據(jù)集驗(yàn)證這些模型，結(jié)果表明：R、A和KM光譜3 種模型的測定系數(shù)（R2p）分別為0.97、0.97和0.96。為了降低高光譜數(shù)據(jù)的維度，利用逐步回歸法選擇一些重要的波長，并利用PLSR法建立模型，然后將最佳模型轉(zhuǎn)化成圖片的像素來獲得預(yù)測圖片，結(jié)果表明：高光譜成像與機(jī)器學(xué)習(xí)相結(jié)合能夠用于檢測、定量和可視化碎牛肉中摻雜雞肉的含量。Liu Jinxia等[39]利用多譜線成像系統(tǒng)（405～970 nm）鑒別注水牛肉。采用多譜線可視系統(tǒng)采集注水高達(dá)21%的牛肉樣本圖片，并采用PLSR建立預(yù)測模型，模型的相關(guān)系數(shù)（r）為0.923，然后利用從原始顏色分量（R、G、B，RGB）數(shù)據(jù)提取的特征信息對模型進(jìn)行優(yōu)化（r=0.946），將預(yù)測方程轉(zhuǎn)化成可直觀看到水分分布增加的圖片。結(jié)果證實(shí)多譜線成像技術(shù)能夠作為快速和無損檢測技術(shù)鑒別注水牛肉。由此可見，高光譜檢測技術(shù)還可以定量檢測肉品的摻雜和摻假量。

此外，高光譜成像技術(shù)還可以用于不同種類動物蛋白粉的鑒別。Garrido-Novell等[37]基于近紅外高光譜成像法區(qū)別豬肉蛋白、禽肉蛋白和魚肉蛋白。首先，調(diào)查判別模型異常（或單個(gè)）像素點(diǎn)作為每個(gè)物種的可能判別像素點(diǎn)的可能性，隨后，采用PLS-DA法構(gòu)建光譜和紋理模型，前者反映光譜信息（光譜軌跡），后者反映基于不同特征組的空間（紋理軌跡）信息;最后，使用分類樹整合光譜和紋理信息，以確定這些信息的組合使用是否能提高判別不同物種的準(zhǔn)確性。采集40 個(gè)豬肉蛋白、40 個(gè)禽肉蛋白和40 個(gè)魚肉蛋白樣品的光譜信息（1 000～1 700 nm），然后使用45 個(gè)樣本（包含15 個(gè)豬肉蛋白、15 個(gè)禽肉蛋白和15 個(gè)魚肉蛋白）的外部驗(yàn)證集對模型進(jìn)行評價(jià)，結(jié)果表明：使用光譜和紋理信息整合建立的模型（92%）分類效果高于使用PLS-DA光譜信息建立的模型（83%）。

3 拉曼光譜技術(shù)鑒別肉品摻雜摻假

拉曼光譜是一種非彈性光散射技術(shù)，具有很強(qiáng)的識別能力，能夠獲取如動物蛋白、脂肪等成分的相對濃度和分布情況等信息。拉曼技術(shù)同光纖技術(shù)結(jié)合，可以直接應(yīng)用于生產(chǎn)線進(jìn)行實(shí)時(shí)檢測，其在肉的化學(xué)組成[48-50]、品質(zhì)評價(jià)[51-53]方面的應(yīng)用研究較多[18，54]。

關(guān)于激光拉曼光譜技術(shù)在肉品分類定性判別方面的研究，Zaj?c等[40]利用激光拉曼光譜技術(shù)鑒別馬肉中混雜的其他肉。在分析混合肉樣的拉曼光譜時(shí)，937/1003、879/1003、856/1003、829/1003、480/1003 cm-1的積分強(qiáng)度比率決定了光譜強(qiáng)度，結(jié)果表明：光譜參數(shù)和樣品的化學(xué)含量間有很好的擬合，并建立了這些參數(shù)的預(yù)測模型。De Biasio等[41]利用拉曼光譜技術(shù)鑒別雞肉、豬肉、火雞肉、羊肉、牛肉和馬肉，采用數(shù)據(jù)標(biāo)準(zhǔn)化和分類方法處理數(shù)據(jù)，結(jié)果表明：拉曼光譜可以對不同物種的肉進(jìn)行分類，模型能很容易區(qū)分紅肉和白肉，但是需要復(fù)雜的化學(xué)計(jì)量模型來區(qū)分不同物種的肉。Velio?lu等[42]建立基于拉曼光譜技術(shù)的魚品種的分類模型，并根據(jù)它們暴露的冷凍/解凍循環(huán)次數(shù)確定其新鮮度。對6 種不同物種（竹莢魚、歐洲鳀、縱帶羊魚、藍(lán)魚、大西洋鮭魚和飛行魴魚）的64 個(gè)魚樣品進(jìn)行鑒別分析，然后將魚樣暴露于不同的冷凍/解凍循環(huán)并分為3 組，即新鮮組、1次凍融組和2 次凍融組，進(jìn)行新鮮度分析。收集拉曼光譜數(shù)據(jù)，并與化學(xué)計(jì)量數(shù)據(jù)建立模型，采用PCA建立物種和新鮮度測定的2 種模型。由此可見，拉曼光譜技術(shù)能夠定性判別不同種類肉品，且能定性判別冷凍肉、冷鮮肉，其在肉品定性判別方面是可行的。

關(guān)于拉曼光譜技術(shù)在肉品摻雜摻假定性判別和定量檢測方面的研究，Boyaci等[43]采用拉曼光譜（200～2 000 cm-1）掃描49 份牛肉和馬肉脂肪樣本，并采用PCA方法進(jìn)行數(shù)據(jù)處理并建立模型。結(jié)果表明，該模型系統(tǒng)能夠成功鑒別所有的牛肉和馬肉樣本，并且能夠區(qū)分不同馬肉含量（25%、50%、75%）的牛肉樣本。周亞玲[44]利用拉曼光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法對摻入不同比例雞肉的摻假牛肉餡進(jìn)行快速判別。采集89 個(gè)樣本的拉曼光譜，并采用S-G法對光譜進(jìn)行預(yù)處理，采用PCA進(jìn)行聚類分析，利用支持向量回歸法建立判別模型，結(jié)果表明：摻假牛肉餡樣本校正模型的決定系數(shù)Rc2為0.999 4，均方根誤差（root mean sruare error，RMSE）為0.230 0;交互驗(yàn)證決定系數(shù)Rcv2為0.999 3，RMSE為0.298 0;預(yù)測模型的決定系數(shù)Rp2為0.971 6，RMSE為0.236 0。

4 結(jié) 語

雖然光譜技術(shù)能夠快速、無損和在線進(jìn)行肉品摻雜摻假鑒別，其在理論研究中是可行的，但是光譜技術(shù)（特別是高光譜成像技術(shù)和拉曼光譜技術(shù)）在實(shí)際生產(chǎn)中的應(yīng)用還有一段很長的路要走。近紅外光譜技術(shù)近年來發(fā)展迅速，但仍存在以下缺點(diǎn)[13，15-16]：1）建立可商業(yè)化應(yīng)用的精準(zhǔn)數(shù)據(jù)模型需要實(shí)驗(yàn)室校準(zhǔn)過程，這是一項(xiàng)耗時(shí)、耗力和耗費(fèi)大量資金的工作;2）模型的更新升級也需要耗費(fèi)大量人力和物力;3）肉品本身比較復(fù)雜，肉品品質(zhì)特性和理化特性受肉種類、品種、飼養(yǎng)管理和宰后成熟等多種因素影響，而光譜模型的建立正是依賴于這些品質(zhì)特性和理化特性（如肉色、蛋白質(zhì)和脂肪組成及含量），這就使得要建立可商業(yè)化的應(yīng)用模型難度增大;4）模型的穩(wěn)健性很容易受到光譜采集參數(shù)（如掃描時(shí)間、探頭距樣品高度）和環(huán)境因素（如環(huán)境溫度、濕度、光照條件及樣品溫度等）影響;5）光學(xué)儀器之間缺乏一致性，這使得使用某一臺光譜儀建立的校準(zhǔn)模型不能很好地在另一臺儀器上使用，而重新建立模型又需要耗費(fèi)大量的人力和物力。高光譜成像技術(shù)除了具有近紅外光譜技術(shù)的缺點(diǎn)之外，光譜信息和空間信息同時(shí)獲得使得其數(shù)據(jù)獲得和處理難度增大。從光譜中篩選出最佳波長并消除無關(guān)信息的影響也是一項(xiàng)挑戰(zhàn)。此外，大量的原始圖片數(shù)據(jù)使得高光譜成像技術(shù)很難廣泛進(jìn)行在線和實(shí)時(shí)應(yīng)用。高光譜成像儀精密度高，但價(jià)格昂貴。拉曼光譜技術(shù)由于其快捷方便和靈敏度高，被認(rèn)為應(yīng)用前景很好，然而其最大的問題就是熒光背景干擾。

盡管光譜技術(shù)存在不足，但科學(xué)家進(jìn)行了大量研究來克服這些不足。例如，設(shè)計(jì)新的光譜處理方法來去除儀器噪聲，提高模型性能;開發(fā)高效的便攜式或手持式光譜儀器來降低儀器成本;開發(fā)具有更高靈敏度和分辨率的儀器，并提高算法穩(wěn)定性。此外，可將多種檢測技術(shù)相融合，提高儀器的判別能力和穩(wěn)定性。

綜上所述，光譜技術(shù)具有快速、無損和在線檢測的優(yōu)點(diǎn)，但也存在一些不足，隨著技術(shù)的發(fā)展及這些不足的克服，其在肉類摻雜摻假鑒別方面的應(yīng)用前景廣闊。

參考文獻(xiàn)：

[1] ZHOU Guanghong， ZHANG Wangang， XU Xinglian. Chinas meat industry revolution： challenges and opportunities for the future[J]. Meat Science， 2012， 92（3）： 188-196. DOI：10.1016/j.meatsci. 2012.04.016.

[2] 蔣祎麗， 吳曉宗， 郝莉花， 等. 近紅外光譜技術(shù)快速檢測豬肉糜中的摻雜鴨肉[J]. 食品研究與開發(fā)， 2015， 36（21）： 133-135. DOI：10.3969/j.issn.1005-6521.2015.21.033.

[3] 徐瑗聰， 董凱， 黃昆侖， 等. 豬肉、牛肉和綿羊肉摻偽PCR的檢測技術(shù)[J]. 農(nóng)業(yè)生物技術(shù)學(xué)報(bào)， 2013， 21（12）： 1504-1508. DOI：10.3969/j.issn.1674-7968.2013.12.013.

[4] BALLIN N Z. Authentication of meat and meat products[J]. Meat Science， 2010， 86（3）： 577-587. DOI：10.1016/j.meatsci.2010.06.001.

[5] PREMANANDH J. Horse meat scandal： a wake-up call for regulatory authorities[J]. Food Control， 2013， 34（2）： 568-569. DOI：10.1016/j.foodcont.2013.05.033.

[6] ROPODI A I， PAVLIDIS D E， MOHAREB F， et al. Multispectral image analysis approach to detect adulteration of beef and pork in raw meats[J]. Food Research International， 2015， 67： 12-18. DOI：10.1016/j.foodres.2014.10.032.

[7] KIM G D， SEO J K， YUM H W， et al. Protein markers for discrimination of meat species in raw beef， pork and poultry and their mixtures[J]. Food Chemistry， 2017， 217： 163-170. DOI：10.1016/j.foodchem.2016.08.100.

[8] PRIETO N， LOPEZ-CAMPOS O， AALHUS J L， et al. Use of near infrared spectroscopy for estimating meat chemical composition， quality traits and fatty acid content from cattle fed sunflower or flaxseed[J]. Meat Science， 2014， 98（2）： 279-288. DOI：10.1016/j.meatsci.2014. 06.005.

[9] RIPOLL G， LOBON S， JOY M. Use of visible and near infrared reflectance spectra to predict lipid peroxidation of light lamb meat and discriminate dams feeding systems[J]. Meat Science， 2018， 143：?24-29. DOI：10.1016/j.meatsci.2018.04.006.

[10] MORAN L， ANDRES S， ALLEN P， et al. Visible and near infrared spectroscopy as an authentication tool： preliminary investigation of the prediction of the ageing time of beef steaks[J]. Meat Science， 2018， 142： 52-58. DOI：10.1016/j.meatsci.2018.04.007.

[11] KAMRUZZAMAN M， MAKINO Y， OSHITA S. Rapid and non-destructive detection of chicken adulteration in minced beef using visible near-infrared hyperspectral imaging and machine learning[J]. Journal of Food Engineering， 2016， 170： 8-15. DOI：10.1016/j.jfoodeng.2015.08.023.

[12] ALAMPRESE C， CASALE M， SINELLI N， et al. Detection of minced beef adulteration with turkey meat by UV-vis， NIR and MIR spectroscopy[J]. LWT-Food Science and Technology， 2013， 53（1）： 225-232. DOI：10.1016/j.lwt.2013.01.027.

[13] ALAMPRESE C， AMIGO J M， CASIRAGHI E， et al. Identification and quantification of turkey meat adulteration in fresh， frozen-thawed and cooked minced beef by FT-NIR spectroscopy and chemometrics[J]. Meat Science， 2016， 121： 175-181. DOI：10.1016/j.meatsci. 2016.06.018.

[14] KAMRUZZAMAN M， ELMASRY G， SUN D W， et al. Application of NIR hyperspectral imaging for discrimination of lamb muscles[J]. Journal of Food Engineering， 2011， 104（3）： 332-340. DOI：10.1016/j.jfoodeng.2010.12.024.

[15] 王勇峰， 郎玉苗， 黃必志， 等. 光譜技術(shù)鑒別冷鮮肉和凍融肉的研究進(jìn)展[J]. 黑龍江畜牧獸醫(yī)， 2017（6）： 68-71. DOI：10.13881/j.cnki.hljxmsy.2017.0964.

[16] WANG Wenxiu， PENG Yankun， SUN Hongwei， et al. Spectral detection techniques for non-destructively monitoring the quality， safety， and classification of fresh red meat[J]. Food Analytical Methods， 2018， 11（10）： 2707-2730. DOI：10.1007/s12161-018-1256-4.

[17] DIXIT Y， CASADO-GAVALDA M P， CAMA-MONCUNILL R， et al.?Developments and challenges in online NIR spectroscopy for meat processing[J]. Comprehensive Reviews in Food Science and Food Safety， 2017， 16（6）： 1172-1187. DOI：10.1111/1541-4337.12295.

[18] 彭彥昆， 張雷蕾. 農(nóng)畜產(chǎn)品品質(zhì)安全高光譜無損檢測技術(shù)進(jìn)展和趨勢[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2013（4）： 137-145. DOI：10.604l/j.issn.1000-1298.2013.04.025.

[19] 邢素霞， 王睿， 郭培源， 等. 高光譜成像及近紅外技術(shù)在雞肉品質(zhì)無損檢測中的應(yīng)用[J]. 肉類研究， 2017， 31（12）： 30-35. DOI：10.7506/rlyj1001-8123-201712006.

[20] ZHANG Li， SUN Baozhong， XIE Peng， et al. Using near infrared spectroscopy to predict the physical traits of Bos grunniens meat[J]. LWT-Food Science and Technology， 2015， 64（2）： 602-608. DOI：10.1016/j.lwt.2015.06.022.

[21] MAGALHAS A F B， TEIXEIRA G H A， RIOS A C H， et al. Prediction of meat quality traits in Nelore cattle by near-infrared reflectance spectroscopy[J]. Journal of Animal Science， 2018， 96（10）： 4229-4237. DOI：10.1093/jas/sky284.

[22] DIXIT Y， CASADO-GAVALDA M P， CAMA-MONCUNILL R， et al.?Multipoint NIR spectrometry and collimated light for predicting the composition of meat samples with high standoff distances[J]. Journal of Food Engineering， 2016， 175： 58-64. DOI：10.1016/j.jfoodeng.2015.12.004.

[23] KADEMI H I， ULUSOY B H， HECER C. Applications of miniaturized and portable near infrared spectroscopy （NIRS） for inspection and control of meat and meat products[J]. Food Reviews International， 2018： 1-20. DOI：10.1080/87559129.2018.1514624.

[24] REIS M M. Near infrared spectroscopy （Vis-NIRS） applied to differentiation between chilled and frozen/thawed meat[J]. NIR News， 2017， 28（7）： 10-15. DOI：10.1177/0960336017736246.

[25] 牛曉穎， 邵利敏， 董芳， 等. 基于近紅外光譜和化學(xué)計(jì)量學(xué)的驢肉鑒別方法研究[J]. 光譜學(xué)與光譜分析， 2014， 34（10）： 2737-2742. DOI：10.3964/j.issn.1000-0593（2014）10-2737-06.

[26] 劉媛媛， 彭彥昆， 王文秀， 等. 基于偏最小二乘投影的可見/近紅外光譜豬肉綜合品質(zhì)分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2014， 30（23）： 306-313. DOI：10.3969/j.issn.1002-6819.2014.23.039.

[27] 孟一， 張玉華， 王家敏， 等. 基于近紅外光譜技術(shù)快速識別不同動物源肉品[J]. 食品科學(xué)， 2014， 35（6）： 156-158. DOI：10.7506/spkx1002-6630-201406033.

[28] 孟一， 張玉華， 許麗丹， 等. 近紅外光譜技術(shù)對豬肉注水、注膠的快速檢測[J]. 食品科學(xué)， 2014， 35（8）： 299-303. DOI：10.7506/spkx1002-6630-201408060.

[29] 張麗華， 郝莉花， 李順峰， 等. 基于支持向量機(jī)的近紅外光譜技術(shù)快速鑒別摻假羊肉[J]. 食品工業(yè)科技， 2015， 36（23）： 289-293. DOI：10.13386 /j.issn1002-0306.2015.23.051.

[30] 張麗華， 相啟森， 李順峰， 等. 基于支持向量機(jī)的近紅外光譜技術(shù)鑒別摻假牛肉[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)： 自然科學(xué)版， 2016， 44（12）： 201-205. DOI：1671-9387（2016）12-0201-05.

[31] 黃偉， 楊秀娟， 張曦， 等. 近紅外光譜鑒別滇南小耳豬和DLY商品豬[J].?肉類研究， 2016， 30（4）： 35-40. DOI：10.15922/j.cnki.rlyj.2016.04.008.

[32] 張玉華， 孟一， 姜沛宏， 等. 近紅外技術(shù)對不同動物來源肉摻假的檢測[J]. 食品工業(yè)科技， 2015， 36（3）： 316-319. DOI：10.13386/j.issn1002-0306.2015.03.058.

[33] RADY A， ADEDEJI A. Assessing different processed meats for adulterants using visible-near-infrared spectroscopy[J]. Meat Science， 2018， 136： 59-67. DOI：10.1016/j.meatsci. 2017.10.014.

[34] ROBERTS J J， MOTIN J C， SWAIN D， et al. A feasibility study on the potential use of near infrared reflectance spectroscopy to analyze meat in live animals： discrimination of muscles[J]. Journal of Spectroscopy， 2017. DOI：10.1155/2017/3948708.

[35] KAMRUZZAMAN M， SUN D W， ELMASRY G， et al. Fast detection and visualization of minced lamb meat adulteration using NIR hyperspectral imaging and multivariate image analysis[J]. Talanta， 2013， 103： 130-136. DOI：10.1016/j.talanta.2012.10.020.

[36] BARBIN D F， SUN D W， SU C. NIR hyperspectral imaging as non-destructive evaluation tool for the recognition of fresh and frozen-thawed porcine Longissimus dorsi muscles[J]. Innovative Food Science and Emerging Technologies， 2013， 18： 226-236. DOI：10.1016/j.ifset.2012.12.011.

[37] GARRIDO-NOVELL C， GARRIDO-VARO A， PEREZ-MARIN D， et al.

Using spectral and textural data extracted from hyperspectral near infrared spectroscopy imaging to discriminate between processed pork， poultry and fish proteins[J]. Chemometrics and Intelligent Laboratory Systems， 2018， 172： 90-99. DOI：10.1016/j.chemolab.2017.11.011.

[38] ROPODI A I， PANAGOU E Z， NYCHAS G J E. Multispectral imaging （MSI）： a promising method for the detection of minced beef adulteration with horsemeat[J]. Food Control， 2017， 73： 57-63. DOI：10.1016/j.foodcont.2016.05.048.

[39] LIU Jinxia， CAO Yue， WANG Qiu， et al. Rapid and non-destructive identification of water-injected beef samples using multispectral imaging analysis[J]. Food Chemistry， 2016， 190： 938-943. DOI：10.1016/j.foodchem.2015.06.056.

[40] ZAJ?C A， HANUZA J， DYMINSKA L. Raman spectroscopy in determination of horse meat content in the mixture with other meats[J]. Food Chemistry， 2014， 156： 333-338. DOI：10.1016/j.foodchem.2014.02.002.

[41] DE BIASIO M， STAMPFER P， LEITNER R， et al. Micro-Raman spectroscopy for meat type detection[C]//Next-Generation Spectroscopic Technologies Ⅷ. Baltimore， Maryland， United States， International Society for Optics and Photonics， 2015， 9482： 94821J. DOI：10.1117/12.2176321.

[42] VELIO?LU H M， TEMIZ H T， BOYACI I H. Differentiation of fresh and frozen-thawed fish samples using Raman spectroscopy coupled with chemometric analysis[J]. Food Chemistry， 2015， 172： 283-290. DOI：10.1016/j.foodchem.2014.09.073.

[43] BOYACI I H， TEMIZ H T， UYSAL R S， et al. A novel method for discrimination of beef and horsemeat using Raman spectroscopy[J]. Food Chemistry， 2014， 148： 37-41. DOI：10.1016/j.foodchem.2013.10.006.

[44] 周亞玲. 基于拉曼光譜技術(shù)的摻雞肉牛肉餡快速判別方法[J]. 肉類研究， 2018， 32（5）： 26-29. DOI：10.7506/rlyj1001-8123-201805005.

[45] 朱榮光， 姚雪東， 段宏偉， 等. 羊肉揮發(fā)性鹽基氮的高光譜圖像快速檢測研究[J]. 光譜學(xué)與光譜分析， 2016， 36（3）： 806-810. DOI：10.3964/j.issn.1000-0593（2016）03-0806-05.

[46] 趙娟， 彭彥昆. 基于高光譜圖像紋理特征的牛肉嫩度分布評價(jià)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2015， 31（7）： 279-286. DOI：1002-6819（2015）-07-0279-08.

[47] 龔愛平， 王琦， 邵詠妮. 利用高光譜近紅外波段的臘腸品質(zhì)分級研究[J]. 光譜學(xué)與光譜分析， 2017， 37（8）： 2556-2559. DOI：10.3964/j.issn.1000-0593（2017）08-2556-04.

[48] FOWLER S M， SCHMIDT H， VAN DE VEN R， et al. Preliminary investigation of the use of Raman spectroscopy to predict meat and eating quality traits of beef loins[J]. Meat Science， 2018， 138： 53-58. DOI：10.1016/j.meatsci.2018.01.002.

[49] FOWLER S M， SCHMIDT H， SCHEIER R， et al. Raman spectroscopy for predicting meat quality traits[M]. 2nd ed. Boca Raton： CRC Press， 2017： 83-112.

[50] NIAN Y， ZHAO M， ODONNEL C P， et al. Assessment of physico-chemical traits related to eating quality of young dairy bull beef at different ageing times using Raman spectroscopy and chemometrics[J]. Food Research International， 2017， 99： 778-789. DOI：10.1016/j.foodres.2017.06.056.

[51] BAUER A， SCHEIER R， EBERLE T， et al. Assessment of tenderness of aged bovine gluteus medius muscles using Raman spectroscopy[J]. Meat Science， 2016， 115： 27-33. DOI：10.1016/j.meatsci.2015.12.020.

[52] ZHAO Ming， NIAN Yingquan， ALLEN Paul， et al. Application of Raman spectroscopy and chemometric techniques to assess sensory characteristics of young dairy bull beef[J]. Food Research International， 2018， 107： 27-40. DOI：10.1016/j.foodres.2018.02.007.

[53] ZHAO Ming， NIAN Yingquan， ALLEN Paul， et al. Performances of full cross-validation partial least squares regression models developed using Raman spectral data for the prediction of bull beef sensory attributes[J]. Data in Brief， 2018， 19： 1355-1360. DOI：10.1016/j.dib.2018.04.056.

[54] YASEEN T， SUN D W， CHENG J H. Raman imaging for food quality and safety evaluation： fundamentals and applications[J]. Trends in Food Science and Technology， 2017， 62： 177-189. DOI：10.1016/j.tifs.2017.01.012.