王新怡,楊鴻博,張一敏,董鵬程,羅欣,2,毛衍偉*

1(山東農(nóng)業(yè)大學(xué) 食品科學(xué)與工程學(xué)院,山東 泰安,271018) 2(江蘇省肉類生產(chǎn)與加工質(zhì)量安全控制協(xié)同創(chuàng)新中心,江蘇 南京,210095)

肉是人類飲食的重要組成部分。聯(lián)合國(guó)糧食及農(nóng)業(yè)組織的報(bào)告顯示,至2025年全球肉類產(chǎn)量預(yù)計(jì)將比基準(zhǔn)期(2013～2015年)高出16%；至2050年,全球肉類產(chǎn)量預(yù)計(jì)增加2億t,達(dá)到4.7億t[1]。調(diào)查顯示,消費(fèi)者愿意為質(zhì)量和安全得到保證的肉及肉制品支付更高的價(jià)錢[2]。因此,為滿足消費(fèi)者對(duì)肉類安全及品質(zhì)的需求,應(yīng)對(duì)肉類生產(chǎn)的整個(gè)過程進(jìn)行監(jiān)控,即對(duì)原材料到最終產(chǎn)品的品質(zhì)和安全進(jìn)行控制與分析[3]。

肉類工業(yè)中常涉及到肉類分級(jí)、肉類摻假鑒別、肉類腐敗鑒定以及食用品質(zhì)指標(biāo)檢測(cè)等工作。目前,肉的品質(zhì)研究中主要應(yīng)用感官分析和傳統(tǒng)測(cè)定的方法對(duì)這些指標(biāo)進(jìn)行分析評(píng)估,如感官評(píng)定法測(cè)定肉類顏色、氣味,沃-布茨法測(cè)定肉類嫩度等。但在工業(yè)中應(yīng)用感官分析存在耗時(shí)、耗力、價(jià)格較高等問題,且結(jié)果的主觀性較強(qiáng)[4]；傳統(tǒng)的分析方法所測(cè)定的結(jié)果較為準(zhǔn)確,但大多會(huì)涉及大量復(fù)雜的樣品預(yù)處理,有時(shí)還會(huì)使用高危險(xiǎn)性試劑；且這些傳統(tǒng)的方法也不適合在肉類工業(yè)快節(jié)奏的生產(chǎn)和加工環(huán)境中應(yīng)用[5]。近年來,無損檢測(cè)鑒別技術(shù)得到了迅速發(fā)展,這為肉類品質(zhì)的研究和鑒定提供了新的思路[6]。

目前,國(guó)內(nèi)外在肉類品質(zhì)檢測(cè)、分級(jí)、鑒定等方面利用無損技術(shù)主要有電子鼻、電子舌、機(jī)器視覺、光譜學(xué)等。其中,計(jì)算機(jī)視覺、拉曼光譜和近紅外光譜技術(shù)應(yīng)用較為廣泛。本文介紹了上述3種快速無損檢測(cè)技術(shù)的研究進(jìn)展,總結(jié)對(duì)比了其在研究領(lǐng)域和工業(yè)應(yīng)用中的優(yōu)缺點(diǎn)(表1),以期對(duì)快速無損檢測(cè)技術(shù)在肉類工業(yè)中的應(yīng)用和的研究提供理論指導(dǎo)。

表1 機(jī)器視覺、近紅外和拉曼光譜技術(shù)的優(yōu)缺點(diǎn)對(duì)比Table 1 Comparison of computer vision system,near-infrared spectroscopy and Raman spectroscopy

1 計(jì)算機(jī)視覺系統(tǒng)技術(shù)

1.1 計(jì)算機(jī)視覺系統(tǒng)技術(shù)原理

計(jì)算機(jī)視覺系統(tǒng)(computer vision system,CVS)是指用攝影機(jī)和電腦代替人眼對(duì)目標(biāo)進(jìn)行識(shí)別、跟蹤和測(cè)量等的機(jī)器視覺,具有準(zhǔn)確性高、結(jié)果客觀穩(wěn)定、適合在線檢測(cè)等特點(diǎn)。CVS可通過幾何、物理、統(tǒng)計(jì)和學(xué)習(xí)理論來構(gòu)建模型[7],不僅可以獲取圖像或視頻中的數(shù)字或符號(hào)信息,還可以自動(dòng)提取和分析相關(guān)對(duì)象的高維數(shù)據(jù)信息[8],通過電子感知和分析圖像代替人類視覺系統(tǒng)完成任務(wù)[9]。一個(gè)完整的CVS系統(tǒng)至少含有以下3個(gè)部分：攝像設(shè)備、專屬照明室和圖像處理軟件。與人眼類似,CVS技術(shù)的應(yīng)用也依賴周圍環(huán)境的燈光效果,良好的照明條件可以提高其分析精度[10]。通過攝像設(shè)備捕捉二維圖像并將數(shù)據(jù)傳遞到計(jì)算機(jī)中,再經(jīng)過對(duì)圖像的背景扣除、圖像平滑、二值化、閾值化等處理可以獲得所需的高質(zhì)量圖像信息。

1.2 計(jì)算機(jī)視覺技術(shù)在肉類分級(jí)中的應(yīng)用

CVS技術(shù)具有快速、準(zhǔn)確、無損、客觀、無需樣品處理等優(yōu)點(diǎn),并可與工廠在線操作結(jié)合,形成一套完整的線上分類分級(jí)系統(tǒng),因此可以用于食品的無損、快速分級(jí),以及缺陷檢測(cè)和肉品品質(zhì)指標(biāo)(如肉色、形狀、大小、表面缺陷和污染等)的評(píng)估[11]。與美國(guó)農(nóng)業(yè)部1997年頒布的傳統(tǒng)的基于人為感官評(píng)估的分級(jí)方法相比,CVS在肉類分級(jí)的過程中以數(shù)碼相機(jī)代替人眼功能,以學(xué)習(xí)算法取代人腦思考；通過相機(jī)記錄客觀、一致的圖像數(shù)據(jù),利用學(xué)習(xí)算法將圖像數(shù)據(jù)對(duì)應(yīng)到適當(dāng)?shù)姆诸惣?jí)別。

表2對(duì)CVS在肉類分級(jí)中研究的目標(biāo)、使用的裝置、數(shù)據(jù)的分析以及分析結(jié)果的準(zhǔn)確度等進(jìn)行了總結(jié)。CVS技術(shù)應(yīng)用研究已涉及豬肉、牛肉和雞肉多個(gè)肉類品種,研究的主要品質(zhì)指標(biāo)包括肉色、肌內(nèi)脂肪含量(大理石花紋)、嫩度和背膘厚度,使用的數(shù)據(jù)分析方法主要有支持向量機(jī)(support vector machine,SVM)、線性回歸、相似度檢驗(yàn)和偏最小二乘回歸(partial least squares regression,PLSR)。

表2 計(jì)算機(jī)視覺技術(shù)在肉類分級(jí)上的應(yīng)用Table 2 Application of computer vision system on meat grading

相較于傳統(tǒng)分級(jí)方法,應(yīng)用CVS技術(shù)對(duì)不同肉類肉色、肌內(nèi)脂肪含量(大理石花紋)、表面質(zhì)構(gòu)等分級(jí)指標(biāo)進(jìn)行分級(jí)的優(yōu)勢(shì)體現(xiàn)在其具有快速、無損性、客觀性和準(zhǔn)確性,且結(jié)果準(zhǔn)確率較高,尤其是對(duì)豬肉背膘厚度和腰大肌肌內(nèi)脂肪含量的測(cè)定,準(zhǔn)確率在90%以上。GIROLAMI等[12]對(duì)比研究了色差計(jì)和CVS技術(shù)在牛肉、豬肉、雞肉肉色分級(jí)中的應(yīng)用。結(jié)果表明,與傳統(tǒng)色差計(jì)相比,CVS技術(shù)提取的數(shù)字圖像與實(shí)際樣品的顏色更加吻合(P<0.001),測(cè)定結(jié)果更準(zhǔn)確[12]。JACKMAN等[14]利用CVS測(cè)定牛肉肉色、大理石花紋指標(biāo),與感官評(píng)價(jià)適口性數(shù)據(jù)相結(jié)合,結(jié)果表明CVS對(duì)牛肉感官指標(biāo)具有良好的預(yù)測(cè)能力。其中表面質(zhì)構(gòu)的結(jié)果與感官評(píng)定數(shù)據(jù)最為接近,而大理石花紋預(yù)測(cè)結(jié)果較差。CHMIEL等[20]使用CVS技術(shù)提取了不同部位雞肉(雞胸肉和雞腿肉)以及火雞雞腿肉圖像,使用白色像素點(diǎn)來代表肌內(nèi)脂肪,并結(jié)合傳統(tǒng)索氏抽提法檢測(cè)的脂肪含量進(jìn)行了相關(guān)性分析。結(jié)果顯示CVS可準(zhǔn)確測(cè)定雞腿肉和火雞腿肉脂肪含量(相關(guān)系數(shù)R分別為0.81和0.83),但無法測(cè)定雞胸肉脂肪含量(R=0.50)。這說明CVS在測(cè)定脂肪含量較低的肌肉時(shí),由于肌肉和脂肪組織圖像間的顏色變化較小,會(huì)導(dǎo)致計(jì)算機(jī)無法識(shí)別,進(jìn)而降低結(jié)果的準(zhǔn)確性,因此CVS技術(shù)更適合對(duì)脂肪含量較高的部位進(jìn)行脂肪含量預(yù)測(cè)。由此可見,雖然與傳統(tǒng)感官評(píng)定相比CVS在降低評(píng)估成本的同時(shí)減少了主觀因素對(duì)評(píng)定結(jié)果的影響,但動(dòng)物品種、肉類部位、數(shù)據(jù)處理方法的差異均會(huì)影響CVS技術(shù)對(duì)大理石花紋、肉色、脂肪含量等指標(biāo)分類的準(zhǔn)確性,選擇適合的分類對(duì)象和數(shù)據(jù)處理方法至關(guān)重要。

1.3 計(jì)算機(jī)視覺在肉類分級(jí)中常用的分類算法

CVS對(duì)肉類質(zhì)量評(píng)價(jià)的本質(zhì)是進(jìn)行分類,通過模擬人的思維,使機(jī)器做出正確而復(fù)雜的判斷。利用圖像處理技術(shù),可以通過顏色、大小、形狀和紋理等一系列特征來描述肉類圖像。利用這些特征形成訓(xùn)練模型,然后利用分類算法提取模型信息,對(duì)未知情況進(jìn)行決策。在CVS中,人們開發(fā)了多種方法,如鄰近算法、SVM模型、人工神經(jīng)網(wǎng)絡(luò)等,用于肉的分類。

SVM是一種按監(jiān)督的學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行分類的模型,它使用相關(guān)的學(xué)習(xí)算法評(píng)估用于分類和回歸分析的數(shù)據(jù)。SVM是從線性可分情況下的最優(yōu)分類面發(fā)展而來的,其通過用內(nèi)積函數(shù)定義的非線性變換將輸入空間變換成一個(gè)高維空間,在這個(gè)空間中求最優(yōu)分類面(廣義)[21]。目前SVM技術(shù)在肉類分級(jí)鑒別中得到廣泛應(yīng)用[19],常與CVS聯(lián)用進(jìn)行肉色、脂肪含量等指標(biāo)的預(yù)測(cè)。與線性回歸、逐步回歸模型相比,SVM模型具有更好的穩(wěn)定性和更高的準(zhǔn)確度[16,18]。SUN及其團(tuán)隊(duì)近年來使用SVM等化學(xué)計(jì)量法對(duì)肉類快速分級(jí)進(jìn)行研究[16]。結(jié)果表明,使用SVM模型對(duì)豬肉肉色、大理石花紋進(jìn)行分級(jí),準(zhǔn)確率最高(75%和92.5%),其次是線性回歸模型(63%和75%)和逐步回歸模型(R2=0.70)。目前,CVS技術(shù)已具有足夠的成熟度,圖像信息獲取裝置等硬件的更新發(fā)展以及更加穩(wěn)定準(zhǔn)確的分類方法將進(jìn)一步促進(jìn)、優(yōu)化CVS技術(shù)在肉類分級(jí)中的應(yīng)用。

k-NN指的是在特征空間中,如果某個(gè)樣本的k個(gè)最相鄰樣本中的大多數(shù)屬于某一類別,則該樣本也屬于這個(gè)類別,并具有該類別中其他樣本的特性[22]。BARBON等[13]開發(fā)了一種針對(duì)肉類大理石花紋分級(jí)的CVS技術(shù),該系統(tǒng)利用k-NN對(duì)分割圖像進(jìn)行評(píng)分并分類,可以靈活地適應(yīng)不同的分級(jí)標(biāo)準(zhǔn)。該方法對(duì)于大理石花紋評(píng)定分類僅需使用3個(gè)樣本,極大地降低了所需要的樣本數(shù),但其準(zhǔn)確率與SVM模型相比仍待提高。

2 近紅外光譜技術(shù)

近紅外光譜(near-infrared spectroscopy,NIR)是一種利用電磁波譜近紅外區(qū)域(780～2 500 nm)進(jìn)行光譜分析的方法。當(dāng)樣品受到近紅外光照射時(shí),樣品分子會(huì)吸收部分近紅外光輻射,并從基態(tài)躍遷到激發(fā)態(tài),使照射光強(qiáng)度減弱。近紅外光吸光度與波數(shù)(或波長(zhǎng))的變化曲線即近紅外光譜圖。由于不同官能團(tuán)中包含不同的化學(xué)鍵(O—H、C—H、N—H,S—H鍵等),且這些含氫基團(tuán)均對(duì)應(yīng)特定的近紅外光譜吸收峰,因此當(dāng)近紅外光照射到肉類時(shí),肉類基本成分(例如水分、蛋白質(zhì)、脂質(zhì)等)的結(jié)構(gòu)、組成差異會(huì)使光譜在特定波長(zhǎng)上發(fā)生偏移[23]。應(yīng)用化學(xué)計(jì)量學(xué)從近紅外光譜中提取正確的信息,能夠定性和定量地檢測(cè)肉類化學(xué)成分,實(shí)現(xiàn)肉類鑒別、分類。

典型的近紅外光譜儀體系包括輻射源、波長(zhǎng)選擇設(shè)備、樣品架、光電探測(cè)器和處理數(shù)據(jù)的計(jì)算機(jī)系統(tǒng)。固體或不透明液體中的光散射、溫度、密度和樣品粒度的變化及光譜儀的光噪聲等均會(huì)使近紅外光譜發(fā)生一些變化,如基線偏移等,因此,通常應(yīng)用降噪、基線校正、增強(qiáng)分辨率、中心化和歸一化等預(yù)處理方法對(duì)光譜進(jìn)行預(yù)處理,獲取穩(wěn)定優(yōu)良的光譜數(shù)據(jù)。

堅(jiān)持這條道路是汲取了他人教訓(xùn)后的選擇。20世紀(jì)90年代東歐社會(huì)主義運(yùn)動(dòng)的失敗和前蘇聯(lián)的解體，并不是社會(huì)主義本身的失敗，而恰恰是違背了馬克思主義基本原理導(dǎo)致的失敗。列寧早就告誡過，“忙于臨時(shí)應(yīng)付，遷就眼前的事變和微小的政治變動(dòng)”，[10]P7遺忘了改變資本主義時(shí)代的整體特點(diǎn)和時(shí)代訴求，終究是要失敗的。歐洲一些打著社會(huì)主義旗號(hào)的國(guó)家、黨派組織的失敗就在于忙于短期和局部利益的取舍。反觀中國(guó)，改革開放之初，中國(guó)共產(chǎn)黨黨就發(fā)出了走自己的路、建設(shè)有中國(guó)特色社會(huì)主義的偉大號(hào)召，開辟出中國(guó)特色社會(huì)主義發(fā)展道路的新篇章。中國(guó)改革開放發(fā)展道路具有自我革命的主動(dòng)性，而不是被逼無奈的被動(dòng)選擇。

2.1 近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量法在肉類分級(jí)中的應(yīng)用

近紅外光譜可反映被檢測(cè)物質(zhì)的化學(xué)信息及官能團(tuán)信息,常代替?zhèn)鹘y(tǒng)的檢測(cè)方法,用于多種肉品品質(zhì)指標(biāo)的檢測(cè)[24]。表3展示了近年來NIR技術(shù)應(yīng)用于肉類分級(jí)的相關(guān)研究。NIR技術(shù)不僅可以準(zhǔn)確測(cè)定牛肉、豬肉、雞肉的肉色[24,34]、肌內(nèi)脂肪含量[30]、蛋白質(zhì)含量[31]等品質(zhì)和營(yíng)養(yǎng)指標(biāo)[31],還可準(zhǔn)確鑒別PSE(pale soft exudative)肉、DFD(dark，firm and dry)肉[25]和木質(zhì)化雞胸肉[33]；準(zhǔn)確預(yù)測(cè)肉的新鮮度[28]、成熟時(shí)間和凍融次數(shù)[29]等。對(duì)近紅外光譜數(shù)據(jù)進(jìn)行分析時(shí)多使用PLSR和主成分分析(principal component analysis,PCA)相結(jié)合的方法,相關(guān)系數(shù)>0.8時(shí)表明預(yù)測(cè)準(zhǔn)確度較高。

表3 近年來近紅外光譜技術(shù)在肉類分級(jí)技術(shù)中的應(yīng)用Table 3 Near infrared spectrum application on meat grading in the recent years

pH值是鑒定異質(zhì)肉的重要指標(biāo),也是衡量肉類品質(zhì)的基礎(chǔ)指標(biāo)。REIS等[25]、BARBIN等[32]將NIR與PLSR相結(jié)合,分別對(duì)牛肉、雞肉等肉類的宰后極限pH值進(jìn)行了預(yù)測(cè)分類。結(jié)果表明NIR與PLSR結(jié)合創(chuàng)建的擬合模型不僅可以準(zhǔn)確將牛背最長(zhǎng)肌分類為正常pH值組(pHu<5.8)和高pH值組(pHu>5.8)[25],還可以對(duì)pH值進(jìn)行準(zhǔn)確預(yù)測(cè)(R>0.9)。

肉色是評(píng)估肉類最直觀的指標(biāo),也是影響消費(fèi)者對(duì)肉類購(gòu)買欲最直接的指標(biāo)。PRIETO等[24]、BARBIN等[32]以及YANG等[34]利用NIR對(duì)不同品種肉類的肉色進(jìn)行了預(yù)測(cè)。YANG等[34]的研究中利用了因子分析的方法,以肉色(L*,a*,b*)指標(biāo)為基礎(chǔ)定義了一種新的指標(biāo)——肉色因子,NIR可較準(zhǔn)確地對(duì)肉色因子進(jìn)行預(yù)測(cè)(R2=0.74)。

脂肪、蛋白質(zhì)等營(yíng)養(yǎng)物質(zhì)是影響肉類風(fēng)味的重要因素。目前的研究中,NIR模型對(duì)營(yíng)養(yǎng)品質(zhì)指標(biāo)預(yù)測(cè)[30-31]呈現(xiàn)良好的預(yù)測(cè)精度(R2>0.8),且經(jīng)過一階導(dǎo)和多元散射校正(multiplicative scatter correction,MSC)處理地光譜數(shù)據(jù)在預(yù)測(cè)肉類營(yíng)養(yǎng)品質(zhì)時(shí)預(yù)測(cè)精度更高[31]。此外,近紅外高光譜成像技術(shù)結(jié)合多元線性回歸法可較準(zhǔn)確地預(yù)測(cè)肌內(nèi)脂肪含量以及大理石花紋評(píng)分,數(shù)據(jù)間具有良好的線性關(guān)系[30]。

除測(cè)定肉類品質(zhì)外,NIR技術(shù)還可以對(duì)異常肉進(jìn)行鑒別分類,包括鑒別腐敗肉[27-28]、凍融肉[29]、DFD肉[25]、PSE肉[32]以及木質(zhì)化雞肉[33]等。揮發(fā)性鹽基氮、硫代巴比妥酸反應(yīng)物、菌落總數(shù)是衡量肉類腐敗變質(zhì)的重要指標(biāo),近紅外光譜結(jié)合多傳感器信息融合的建模方法,可準(zhǔn)確鑒別腐敗豬肉(RTVB-N=0.86,RpH=0.94)[28]；結(jié)合PCA建立預(yù)測(cè)模型可準(zhǔn)確鑒別凍融豬肉(準(zhǔn)確率97.73%)[29]。木質(zhì)硬度缺陷雞肉是一種主要發(fā)生在雞胸肉上的品質(zhì)缺陷肉,與正常雞肉相比,缺陷肉顏色蒼白,觸感硬度較大,食用品質(zhì)和消費(fèi)者接受度也遠(yuǎn)低于正常肉。NIR技術(shù)結(jié)合圖像分析和SVM分類模型可準(zhǔn)確將木質(zhì)硬度缺陷雞胸肉與正常雞胸肉進(jìn)行分類(準(zhǔn)確率97.5%)[33],為木質(zhì)硬度缺陷雞肉的在線快速檢測(cè)提供了可能。

但由于水分含量會(huì)對(duì)NIR數(shù)據(jù)產(chǎn)生干擾,而肉類的蒸煮損失率與其保水性有關(guān),因此NIR幾乎無法對(duì)牛肉的嫩度、蒸煮損失以及感官評(píng)分指標(biāo)進(jìn)行預(yù)測(cè),預(yù)測(cè)相關(guān)系數(shù)R2僅為0.21～0.59[24]。同時(shí),在烹飪過程中融化的脂肪會(huì)包裹在結(jié)締組織周圍形成屏障阻止水分流失,進(jìn)一步影響了近紅外光譜對(duì)蒸煮損失的預(yù)測(cè)準(zhǔn)確度(R2=0.31)。因此,NIR技術(shù)并不適用于嫩度、蒸煮損失和感官評(píng)分指標(biāo)的預(yù)測(cè)。

2.2 近紅外光譜在肉類研究中常用的化學(xué)計(jì)量法

NIR數(shù)據(jù)噪聲較大,而在肉類分級(jí)鑒定時(shí),噪聲會(huì)對(duì)變量間的相關(guān)性造成不良影響。因此可通過化學(xué)計(jì)量學(xué)方法處理光譜,去除光譜噪聲,進(jìn)而提高分類預(yù)測(cè)模型的準(zhǔn)確度,更好地獲取有關(guān)物質(zhì)的成分、結(jié)構(gòu)及其他相關(guān)信息。光譜預(yù)處理中最重要的2種化學(xué)計(jì)量學(xué)方法是多元校正和多元分類[36]。多元校正旨在確定2組測(cè)量數(shù)據(jù)間的定量關(guān)系,即建立光譜數(shù)據(jù)與傳統(tǒng)指標(biāo)間的聯(lián)系。應(yīng)用多元矯正處理后的模型結(jié)合樣本光譜可精確預(yù)測(cè)未知樣本中的目標(biāo)參數(shù),從而取代傳統(tǒng)的評(píng)價(jià)分析方法[37]。多元校正模型的準(zhǔn)確度主要取決于校正時(shí)使用的樣本數(shù)量,多數(shù)情況下模型準(zhǔn)確性會(huì)隨樣本數(shù)量的增加而增加[38]。多元分類旨在對(duì)數(shù)據(jù)進(jìn)行定性分類,通過大量的樣本組成訓(xùn)練集并以此建立數(shù)學(xué)模型,進(jìn)而對(duì)待測(cè)樣本數(shù)據(jù)進(jìn)行分類。常用的多元分類包括多元判別分析、線性判別分析、PCA、PLS等。

PCA是指通過正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量,轉(zhuǎn)換后的變量被稱為主成分(PCs),即去除關(guān)系緊密的重復(fù)變量,建立盡可能少的不相關(guān)新變量。PCA主要用于探索性數(shù)據(jù)分析和分類模型建立,是最簡(jiǎn)單的基于特征向量的多元分析方法。PCA在肉品分級(jí)、分類、鑒定中的應(yīng)用較為成熟[29,32],通常情況下單次使用PCA即可將樣本按照光譜特征進(jìn)行準(zhǔn)確分類,不需要進(jìn)行復(fù)雜的數(shù)據(jù)分析。但當(dāng)樣本特征相關(guān)性較為復(fù)雜時(shí),準(zhǔn)確率會(huì)降低。例如,在對(duì)PSE肉進(jìn)行篩選時(shí),PCA在對(duì)光譜數(shù)據(jù)主要以L*值作為變量進(jìn)行分類,因此無法區(qū)分PSE肉與顏色蒼白但pH值正常的肉[32]；同時(shí),由于PCA無法對(duì)樣本數(shù)據(jù)組進(jìn)行組間差異統(tǒng)計(jì)和分析,會(huì)混淆原本的數(shù)據(jù)結(jié)構(gòu),因此PCA僅可以將鮮肉樣本和凍融1次的樣本進(jìn)行分類,無法準(zhǔn)確判別新鮮肉、凍融1次和凍融2次的樣品[29]。

綜上所述,NIR技術(shù)在肉類分級(jí)、鑒定及指標(biāo)檢測(cè)方面均具有較高準(zhǔn)確率,且與傳統(tǒng)檢測(cè)方式相比效率高、成本低、操作簡(jiǎn)便,因此極有潛力成為肉類工業(yè)檢測(cè)分級(jí)的線上手段。但仍需要進(jìn)一步研究來提高NIR在工業(yè)工藝條件下的穩(wěn)定性和準(zhǔn)確性。

3 拉曼光譜技術(shù)

3.1 拉曼光譜技術(shù)原理

拉曼光譜技術(shù)是一種基于拉曼散射效應(yīng)而建立的光譜分析技術(shù)。樣品被激光照射后,大部分光以與入射光相同的頻率發(fā)生散射(瑞利散射),少量入射光的頻率(<10-6)發(fā)生改變,即拉曼散射[39]。拉曼光譜中拉曼位移、強(qiáng)度的變化與被測(cè)樣品中分子單個(gè)化學(xué)鍵的各種拉伸、彎曲、振動(dòng)模式一一對(duì)應(yīng)[40],因此又被稱為結(jié)構(gòu)指紋圖譜。拉曼光譜中不同拉曼位移條帶分別對(duì)應(yīng)不同氨基酸、脂質(zhì)的不同官能團(tuán),拉曼強(qiáng)度的變化對(duì)應(yīng)官能團(tuán)的改變。因此拉曼光譜可用于檢測(cè)蛋白質(zhì)二級(jí)結(jié)構(gòu)的變化,并提供氨基酸殘基的信息。例如510～545 cm-1(半胱氨酸),829 cm-1(苯丙氨酸、亮氨酸、纈氨酸),856 cm-1(谷氨酸、丙氨酸、纈氨酸、賴氨酸),879 cm-1(谷氨酸、賴氨酸),1082、1126 cm-1(脂質(zhì)),1 247～1 304 cm-1(β-折疊和α-螺旋)。通過拉曼光譜可以獲取樣本中蛋白質(zhì)、脂質(zhì)等成分的組成、結(jié)構(gòu)信息,這對(duì)于深度研究待測(cè)樣本中各類生化反應(yīng)的反應(yīng)機(jī)理具有重要意義[41]。

3.2 拉曼光譜技術(shù)結(jié)合化學(xué)計(jì)量法在肉類分級(jí)鑒定中的應(yīng)用

近年來,拉曼光譜廣泛應(yīng)用于肉類研究中,如檢測(cè)胴體宰后初期生理變化、預(yù)測(cè)肉類品質(zhì)指標(biāo)、預(yù)測(cè)肉品貨架期及鑒別摻假等(表4)。如前文所述,拉曼光譜中不同的特征峰對(duì)應(yīng)著不同的蛋白質(zhì)、脂質(zhì)結(jié)構(gòu)信息,因此可通過分析不同樣本拉曼光譜間的差異對(duì)樣本的蛋白質(zhì)、脂質(zhì)、水分等指標(biāo)進(jìn)行預(yù)測(cè),從而達(dá)到樣本牛月齡分級(jí)[43],樣本嫩度分級(jí)[42],部位肉分類[43]、牛肉摻假鑒別[44]、凍融肉鑒別[45]和腐敗肉鑒別[46]等目的。

表4 拉曼光譜技術(shù)在肉類分級(jí)技術(shù)上的應(yīng)用Table 4 Application of Raman Spectrum on meat grading

通過各特征峰間拉曼強(qiáng)度的差異不僅可以對(duì)肉的嫩度進(jìn)行分級(jí),還可以揭示與嫩度相關(guān)的各官能團(tuán)間的差異。如與嫩度好的牛肉相比,嫩度差的牛肉在α-螺旋蛋白(906、935、1 312、1 447、1 650 cm-1)、肌紅蛋白(714、755、885、999、1 126、1 340、1 540 cm-1)和芳香氨基酸側(cè)鏈(尤其是色氨酸759、1 009、1 336、1 353、1 550 cm-1)處的拉曼特征峰信號(hào)明顯增強(qiáng),而酪氨酸雙帶(825、855 cm-1)幾乎沒有變化[42]。同時(shí),由于不同品種的肉類特征峰不同,拉曼光譜還可準(zhǔn)確鑒別肉品摻假。BOYACI等[44]應(yīng)用拉曼光譜準(zhǔn)確鑒別了牛肉中摻雜的馬肉(馬肉含量25%、50%、75%),同時(shí)證實(shí)了馬肉和牛肉的拉曼光譜中相同條帶內(nèi)的特征峰強(qiáng)度存在差異(555、678、815、1 032、1 265、1 392、1 611、1 706 cm-1),且馬肉脂肪含有獨(dú)有的特定條帶(919、974、1 215 cm-1)。

SOWOIDNICH等[46]將拉曼光譜與PCA技術(shù)結(jié)合,準(zhǔn)確鑒別出貯藏第7天菌落總數(shù)超過106CFU/cm2的腐敗豬肉樣。研究表明,隨著豬肉貯藏期的延長(zhǎng),色氨酸(755、1 551 cm-1)、酪氨酸(826、855 cm-1)、苯丙氨酸(1 205 cm-1)、C—H彎曲振動(dòng)(1 340、1 446 cm-1)、蛋白質(zhì)骨架(1 126 cm-1)等相關(guān)條帶,以及構(gòu)象敏感帶：酰胺I帶(1 651 cm-1)、C—C伸縮振動(dòng)相關(guān)條帶(902、935 cm-1)的特征峰信號(hào)強(qiáng)度發(fā)生了變化。與SCHMIDT等[39]的研究結(jié)果一致,即隨著貯藏時(shí)間增加,α-螺旋蛋白結(jié)構(gòu)含量減少,β-折疊以及無序二級(jí)結(jié)構(gòu)增加。PHONGPA-NGAN等[49]以雞胸肉為樣本,研究表明拉曼光譜可以準(zhǔn)確地將肉雞分類為低生長(zhǎng)率肉雞(增重250克/周)和高生長(zhǎng)率肉雞(299克/周)；雞胸肉也可準(zhǔn)確的被分為低保水性雞肉(4.08 g/100 g)和高保水性雞肉(89.26 g/100 g)。

拉曼光譜在肉類研究中應(yīng)用較為廣泛,結(jié)合不同化學(xué)計(jì)量學(xué)方法建立的預(yù)測(cè)模型穩(wěn)定性準(zhǔn)確度也較高,但目前仍存在以下問題：(1)不同物種的肉品具有其獨(dú)一無二的拉曼光譜,在工業(yè)化應(yīng)用前需要建立大量數(shù)據(jù)庫并與各項(xiàng)指標(biāo)進(jìn)行相關(guān)性分析；(2)目前,拉曼光譜技術(shù)在肉品中的應(yīng)用仍處于科研摸索階段,對(duì)肉品進(jìn)行分級(jí)、品質(zhì)預(yù)測(cè)時(shí)準(zhǔn)確性(R2)差異較大,需結(jié)合化學(xué)計(jì)量學(xué)方法及優(yōu)化掃描參數(shù)來提高其準(zhǔn)確率穩(wěn)定性。但拉曼光譜快速、安全、無損的特點(diǎn)使其在食品工業(yè)在線應(yīng)用領(lǐng)域存在極大潛力。

3.3 拉曼光譜在肉類研究中常用到的化學(xué)計(jì)量法

拉曼光譜技術(shù)應(yīng)用于肉類分級(jí)鑒定時(shí),同樣存在光譜數(shù)據(jù)噪聲較大的問題。通過化學(xué)計(jì)量學(xué)方法對(duì)拉曼光譜進(jìn)行預(yù)處理可以去除光譜噪聲進(jìn)而提高預(yù)測(cè)模型的準(zhǔn)確率。PLS是化學(xué)計(jì)量學(xué)中最常用的方法,且具有廣泛的適應(yīng)性,但在一些研究中,以PLS對(duì)拉曼光譜進(jìn)行預(yù)處理后得到的預(yù)測(cè)結(jié)果仍存在較大偏差,其原因可能是：PLS模型的過度擬合[39]；蛋白質(zhì)在肉類成熟期間降解,導(dǎo)致氨基酸條帶位置發(fā)生變化,從而影響光譜與蛋白質(zhì)含量的相關(guān)性[40]；光譜預(yù)處理方法選擇不當(dāng)[43]；傳統(tǒng)方法測(cè)定指標(biāo)時(shí)誤差較大或沒有剔除光譜異常值[46]。因此在建立擬合模型的過程中應(yīng)：保證光譜數(shù)據(jù)的穩(wěn)定,必要時(shí)剔除異常值光譜；對(duì)比選擇最優(yōu)預(yù)處理方法去除噪聲；防止過度擬合；盡量避免實(shí)驗(yàn)時(shí)間過長(zhǎng),減少肉類樣品發(fā)生生理變化的可能性。

另一種常用的預(yù)處理方法是PCA。學(xué)者分別利用PCA結(jié)合拉曼光譜技術(shù)準(zhǔn)確地對(duì)肉類樣品進(jìn)行了摻假鑒定和新鮮度鑒定。在摻假肉鑒別的實(shí)驗(yàn)中,主成分載荷圖顯示有8個(gè)差異聚類,分別代表了馬肉和牛肉拉曼光譜中的差異條帶[44]。因此可通過PCA提取不同肉類的拉曼光譜差異條帶,從而對(duì)未知來源的肉類進(jìn)行分類或摻假鑒別。在肉類新鮮度鑒定的實(shí)驗(yàn)中,主成分載荷圖以貯藏第7天的豬肉拉曼光譜圖為分界線(菌落總數(shù)未超過106CFU/cm2的腐敗限)準(zhǔn)確地將拉曼光譜分為了2個(gè)聚類(貯藏時(shí)間1～7 d和貯藏時(shí)間7 d以上)[46]。證實(shí)了拉曼光譜結(jié)合PCA技術(shù)鑒別腐敗肉的潛力。

4 結(jié)語

電子技術(shù)的發(fā)展推動(dòng)肉類工業(yè)發(fā)展了一大步,產(chǎn)品品質(zhì)更加滿足消費(fèi)者的需求。在本文綜述的3種技術(shù)中各有優(yōu)缺點(diǎn)：CVS技術(shù)主要應(yīng)用于肉色、脂肪含量預(yù)測(cè)和分級(jí),這2種指標(biāo)可以通過簡(jiǎn)單的模型來進(jìn)行分類。但是不同部位肉、不同分類模型對(duì)預(yù)測(cè)的準(zhǔn)確度有較大影響,要想提高分級(jí)準(zhǔn)確率,不但需要選擇適合的分析對(duì)象,且針對(duì)分類指標(biāo)使用合適的分類模型也很重要。NIR和拉曼光譜是2種典型的光譜技術(shù),幾乎可以應(yīng)用于肉類工業(yè)的各個(gè)方面。但是肉類本身的復(fù)雜性意味著其光譜不像純物質(zhì)光譜一樣典型,往往都有較大的噪聲,這成為影響光譜預(yù)測(cè)模型準(zhǔn)確性的重要因素?；瘜W(xué)計(jì)量學(xué)方法對(duì)光譜分析具有重要意義,選用科學(xué)合理的化學(xué)計(jì)量學(xué)方法有利于消除噪聲影響,提高預(yù)測(cè)模型的準(zhǔn)確度。

總體而言,這3種技術(shù)目前皆處于科學(xué)研究階段,幾乎沒有結(jié)合肉類工業(yè)實(shí)際應(yīng)用的實(shí)例。但是,作為肉類品質(zhì)的快速分級(jí)鑒定技術(shù),本文綜述的3種技術(shù)有著巨大的潛力。在未來,這些無損檢測(cè)技術(shù)將廣泛應(yīng)用于實(shí)驗(yàn)室、食品工業(yè)的生產(chǎn)線上各項(xiàng)指標(biāo)的無損檢測(cè),準(zhǔn)確的肉類分類、分級(jí)及肉類品質(zhì)的準(zhǔn)確鑒定已不再遙不可及。