趙鉅陽， 姚恒喆

（哈爾濱商業(yè)大學 旅游烹飪學院，黑龍江 哈爾濱150028）

關鍵字：長期凍藏豬肉；豬肉；近紅外光譜；電子鼻；快速無損檢測

豬肉由于其營養(yǎng)價值豐富、價格低廉、烹飪方式多樣等已成為了人們每日餐食中必不可少的部分，其需求日益見漲。國際肉類組織2016年公布的數據中顯示，中國畜禽肉類生產量約占世界生產總量的29%，其中豬肉產量在世界各國中穩(wěn)居第一（約50%）[1]。冷凍貯藏是食物常見的儲存方式，我國的《詩經》中曾記載，古時候人們就會利用冰以長期保存食物[2]。冷凍食品因其方便、快捷、成本適中的特點更加適合現代人快節(jié)奏的生活方式。

然而長期的凍藏會嚴重破壞畜禽肉的營養(yǎng)和食用品質，同時也會存在微生物大面積地繁殖等衛(wèi)生問題，若長期凍藏肉及其制品流入市場銷售、被食用將會造成很大的食品安全隱患[3-4]。新聞報道了一些不法分子將未經海關檢疫部門相關檢驗的海外長期凍藏肉作為走私品銷往市場，這些凍藏肉除品質問題外還有攜帶傳染性病毒的可能，對消費者健康造成嚴重的潛在威脅，故也被消費者稱為“僵尸肉”[5-8]。因此，有必要對可能流入市場的凍藏肉制品進行定性檢測，快速鑒別出“僵尸肉”。

檢測凍藏肉的新鮮度，常見的理化指標有：水分含量、致病菌菌落數、色澤、嫩度、紋理、持水力、風味等。傳統(tǒng)的檢測方法費時費力，因此急需可進行快速無損檢測凍藏肉新鮮度的方法。近紅外光譜能夠反映物質的成分及化學性質，同時借助化學計量方法建立化學成分與采集光譜間的定性、定量關系模型才能將光譜的內在深入信息顯現出來。在檢驗新樣本時，直接將光譜及化學值輸入原模型中，得到其定性、定量信息，即可達到快速無損的檢測目的。目前關于近紅外研究較為廣泛，如食品領域中的茶、牛奶及醫(yī)藥領域等[9-16]。這些研究主要集中于對食品中營養(yǎng)成分的檢測，如葉華等[17]利用近紅外光譜結合偏最小二乘法分析了果酒中的多酚含量，結果顯示該技術可以快速檢測果酒總酚含量。趙麗華等[18]利用該技術建立藜麥籽粒粗蛋白質含量，快速檢測的模型為高蛋白質藜麥的選育、栽培提供了技術支持。在肉及肉制品加工領域還都局限于新鮮肉制品或新鮮熟制品范圍內，如李婷婷[19]、何鴻舉[20]等總結了近些年利用近紅外光譜分析技術對各種禽、畜、魚肉摻假成分的分析檢測，為后續(xù)的研究提供充足的數據支撐和理論參考，同時也為肉品質量提供安全保障。

電子鼻模擬生物嗅覺感受，將采集到的氣體指紋信息輸入電腦中，進行嗅覺信號的處理，即可辨識揮發(fā)性氣味中是否存在差異[17-23]。電子鼻技術已被廣泛地應用于食品、藥品、煙草、石油化工、包裝材料等研究領域[22-28]，如劉瑤等[29]利用電子鼻分析技術檢測了不同處理方法在蔬菜貯藏模擬運輸過程中的揮發(fā)性成分，以篩選出最佳的處理方式有效地保持蔬菜的貯藏品質，延長其貨架期。張迪雅等[30]利用該技術對牛肉進行檢測，鑒別出不同醛類和醇類物質中的揮發(fā)性成分，該技術可對不同部位的牛肉進行快速鑒別檢測。同時，電子鼻分析技術還可用于區(qū)分摻假肉，如王綪等[31]利用電子鼻結合氣相色譜-質譜法對摻假羊肉進行了快速檢測。但對于凍藏豬肉貯存時間的檢測還鮮有報道。因此，將電子鼻與近紅外技術相結合更有利于鑒定“僵尸肉”。

作者應用近紅外光譜分析技術及電子鼻分析技術建立新鮮肉與長期凍藏豬肉的快速檢測定性模型，從而能夠快速、無損、精確檢測待檢肉樣的新鮮度，實現對“僵尸肉”的快速甄選。

1 材料與方法

1.1 材料

實驗所用的豬肉均為豬里脊肉，購于哈爾濱市家樂福超市。

1.2 實驗儀器與設備

砧板、菜刀：購于哈爾濱市家樂福超市；ANTARIS II近紅外分析儀：購于塞默飛世爾科技（中國）有限公司；JD200-3電子天平：購于梅特勒-托利多儀器（上海）有限公司；電子鼻：購于上海昂申智能科技有限公司。

1.3 實驗方法

1.3.1 樣品制備 新鮮肉樣品組，將新鮮的豬里脊肉于-18℃分別凍藏0、3個月，標記為A組。長期凍藏豬肉樣品組，于-18℃分別凍藏6、9個月，標記為B組。

將A、B兩組的凍藏豬肉分別置于4℃緩化24 h，并置于室溫中待肉樣中心溫度與室溫相同，拿出瀝干水分，剔除筋膜和脂肪。各處理組獲取樣本30個，共120個肉樣，依次標記為A-1至A-60和B-1至B-60。

1.3.2 光譜采集、建模及模型評價方法 將每組樣品依次放入積分球中采集樣品光譜，利用TQ軟件導出光譜，并在該軟件下瀏覽所有光譜并進行模型的建立與優(yōu)化。

使用TQ Analyst軟件分析光譜，采用偏最小二乘法（PLS）進行建模。

利用主成分分析圖，觀察預測樣本在整體模型中的分布情況來判斷模型的好壞。線性判別模型圖橫縱坐標分別表示到class1、class2兩類間的距離，判別同一模型中存在的不同樣本之間的差異。

1.3.3 電子鼻氣味采集 首先打開smart nose軟件，然后開啟電子鼻預熱30 min。設置檢測參數：清洗時間120 s、檢測時間120 s、等待時間10 s、氣體流量1 L/min。依次插入補氣針和進樣針，每次保存肉樣的檢測數據后再進行新一輪樣品的檢測。

1.3.4 數據分析方法 本實驗中，判別是否為長期凍藏豬肉（或新鮮肉），則需在對新鮮肉（或長期凍藏豬肉）所有光譜建模過程中混入少量（本實驗設定數量為5）長期凍藏豬肉（或新鮮肉）的樣本光譜，這些光譜充當了模型預測集的功能，在最后的線性判別圖中觀察模型中兩類樣本點的分布情況，直觀地反映待檢測豬肉的類別。

1）光譜建模區(qū)間選擇 分別采用不同光譜區(qū)間建立樣品模型，按照上述樣品光譜圖差異性，選出最佳建模的區(qū)間。

2）光譜預處理及優(yōu)化方法 光譜采集過程中，為避免一些客觀因素產生系統(tǒng)誤差影響NIR定量分析模型的信息，在建模過程中，可對原始光譜進行預處理進而不斷優(yōu)化所建立的模型。本研究中采用一階導數（FD）、二階導數（SD）降噪處理并結合Savitzky-Golay（S-G）卷積平滑、Norris導數平滑分別對原始光譜模型進行預處理和優(yōu)化。

1.4 電子鼻分析

電子鼻各個陣列中的傳感器對不同類型的化學風味物質的敏感度不同，所以不同樣品的傳感器響應高低各不同。本實驗中所用電子鼻擁有14根傳感器，每根傳感器對應的敏感物質不同。判別指數DI值可直觀地判斷傳感器陣列的優(yōu)化程度。DI值越大表明區(qū)分效果越理想，當DI值大于80%時實驗數據有效。PCA是一種將傳感器采集的信息數據轉換降維的分類方法，綜合了向量分析以及相關矩陣，從而最大程度上體現不同樣品之間的差異。主成分得分圖中，不同類型樣品間距離越遠越好，平行樣品間的距離越小越好。

2 長期凍藏豬肉判別模型結果與分析

2.1 長期凍藏豬肉判別模型特征波段的選擇

長期凍藏豬肉判別模型的建立共采集65組樣本光譜（見圖1），其中60組A樣本，并隨機選擇5組B樣本（B-1、B-3、B-4、B-5、B-8）作為判別分析。之后對原始光譜進行特征波段篩選，在4 000～5 400 nm、5 400～6 400 nm、6 400～7 400 nm、7 400～8 400 nm、8 400～10 000 nm 5個光譜區(qū)間下分別進行建模，根據模型中樣本點的離散分布情況，即新鮮肉樣本（“class1”）與長期凍藏豬肉樣本（“class2”）的分度，最終選擇如圖2所示在6 400～7 400 nm下所得模型，進行下一步模型優(yōu)化（其余波段未顯示）。

圖1 長期凍藏豬肉判別模型組65個樣本的全波段原始光譜圖Fig.1 Fu l l-band original spectra of 65 samples of the long-term frozen meat discrimination model group

圖2 6 400~7 400 nm波長范圍內的長期凍藏豬肉判別模型圖Fig.2 Discrimination model of long-term frozen meat in the wavelength range of 6 400～7 400 nm

2.2 長期凍藏豬肉判別模型優(yōu)化

2.2.1 剔除異常光譜優(yōu)化長期凍藏豬肉判別模型圖1的原始光譜圖中，存在偏離中心的異常樣本光譜圖（已用箭頭標注），將其剔除以提高模型的判別相關性。但用于判別分析模型的5個樣本圖起到判別分析的作用，因此即使偏離中心，也不可剔除。依次剔除了模型中明顯偏離中心的光譜。剔除后，依據2.1中建模所用光譜區(qū)間的選擇結果6 400～7 400 nm對剔除異常光譜后的樣本進行建模，結果如圖3所示。

圖3 長期凍藏豬肉判別模型剔除異常光譜后的判別模型Fig.3 Discriminant model of long-term frozen meat discrimination model after removing the abnormal spectra

2.2.2 不同預處理方式優(yōu)化長期凍藏豬肉判別模型 雖然縮小了建模波段，過濾去除了部分無效信息，但仍需對模型進行優(yōu)化處理以選出判別效果最佳的模型，故需要對光譜進行如平滑、去除光譜噪音等預處理。首先，對剔除異常光譜后的模型進行FD、SD降噪處理，再分別結合S-G卷積平滑或Norris導數平滑處理模型，判別模型如圖4所示。結果顯示，經FD降噪不平滑處理的模型難以清晰的區(qū)分出兩類樣本點（見圖4（a））；經過FD降噪結合S-G卷積平滑處理后的判別模型（見圖4（b））效果極差，樣本點混淆在一起，不能直觀判別樣本類型，判別模型失去意義；經過FD降噪結合Norris導數平滑處理后的判別模型（見圖4（c））的區(qū)分性與原始模型（見圖3）相當，都能直觀地從總體樣本中區(qū)分隨機挑選的5個B組長期凍藏豬肉樣本，但比較兩者的判別圖縱坐標值，發(fā)現原始模型縱坐標最大值（31）大于處理后模型組縱坐標最大值（9）（見圖4（c）），表明原始模型中新鮮肉與預測集長期凍藏豬肉的距離更大，因此原始模型判別分析效果更好；經SD降噪不平滑處理模型（見圖4（d））和經SD降噪結合S-G卷積平滑處理的模型（見圖4（e））中，預測的長期凍藏豬肉樣本點同新鮮肉樣本點在橫坐標上分布一致，表明其到新鮮肉的距離區(qū)分度不強，以上兩種模型不能從新鮮肉樣中很好地區(qū)分出長期凍藏豬肉樣本；經過SD降噪結合Norris導數平滑處理后的判別模型（見圖4（f）），在樣品分類分布圖中僅有一個樣本點混入，在一定程度上能區(qū)分出長期凍藏豬肉樣本點。

圖4 不同預處理方式的長期凍藏豬肉判別模型圖Fig.4 Discriminant model of long-term frozen meat discrimination model after different pretreatment methods

綜上，經FD降噪結合Norris導數平滑處理的判別模型優(yōu)于其余預處理方法，但與原始模型相比，原始判別模型中新鮮肉與長期凍藏豬肉間的距離更大，因此最終選擇不經降噪、平滑處理的原始長期凍藏豬肉判別模型（見圖3）。

2.2.3 長期凍藏豬肉判別模型主成分分析 為進一步判別所得模型的效果，將上一步所得的最優(yōu)模型（不經降噪、平滑處理）再進行主成分分析。分析模型中的不同樣本點在2D或3D主成分分析圖中所在象限及坐標值，以便看出各個樣品在某一主成分上是否存在差異，坐標值差異越小，則表明樣品間無明顯差異。將最優(yōu)模型進行主成分分析，分別得到2D主成分分析圖（見圖5）和3D主成分分析圖（見圖6）。如圖5所示，長期凍藏豬肉主要分布在第二、三象限，而新鮮肉主要集中在第一、四象限，結合橫縱坐標值可發(fā)現所選判別模型中，兩類樣本在PC1上區(qū)分性較強，在PC2上區(qū)分性較弱。因此該判別模型具有一定的應用價值。

圖5 未經降噪、平滑處理的長期凍藏豬肉判別模型2D主成分分析圖Fig.5 2D principal component analysis of the long-term frozen pork discrimination model without noise reduction and smoothing

由模型的3D分布圖及XZ平面圖（見圖6）也可觀察到兩類樣本點的分布情況，由圖6（a）可以發(fā)現在3D分布圖中長期凍藏豬肉與新鮮肉樣本差異明顯。在3D投影XZ平面圖中可直觀發(fā)現長期凍藏豬肉的樣本點主要集中于第三象限，新鮮肉樣本點主要分布于第一、二、四象限，且長期凍藏豬肉的樣本點在橫縱坐標值上都可與新鮮肉樣品點明顯區(qū)分開，這表明兩類樣本點在PC3和PC1上差異較大（見圖6（b））。因此該模型具有良好的判別效果。

圖6 未經降噪、平滑處理的長期凍藏豬肉判別模型3D主成分分析圖和3D主成分分析圖的XZ投影圖Fig.6 XZ projection diagrams of 3D principal component analysis and 3D principal component analysis of the long-term frozen pork discrimination model without noise reduction and smoothing

3 新鮮肉判別模型結果與分析

3.1 新鮮肉判別模型特征波段的選擇

同長期凍藏豬肉判別模型建立的方法類似，采集65組樣本光譜（見圖7）其中60組B樣本，隨機選擇5組A樣本作為判別分析。在不同波段下進行建模，根據模型中樣本點的離散分布情況，選擇光譜區(qū)間為8 400～10 000 nm所建立的模型能較好從長期凍藏豬肉樣本中區(qū)分出新鮮肉（見圖8）。故在8 400～10 000 nm光譜區(qū)間基礎上進行進一步的模型優(yōu)化。

圖7 新鮮肉判別模型組65個樣本的全波段原始光譜圖Fig.7 Full-band original spectra of 65 samples of fresh meat discrimination model group

圖8 8 400～10 000 nm波長范圍內的新鮮肉原始判別模型圖Fig.8 Original discrimination model of fresh meat in the wavelength range of 8 400～10 000 nm

3.2 新鮮肉判別模型優(yōu)化

3.2.1 剔除異常光譜優(yōu)化模型 同長期凍藏豬肉模型異常光譜剔除方法一致，剔除新鮮肉判別模型中的異常光譜，再根據3.1中針對建模所用光譜區(qū)間的選擇結果對剔除異常光譜后的樣本進行建模，結果如圖9所示。

圖9 新鮮肉判別模型剔除異常光譜后的判別模型Fig.9 Discriminant model of the fresh meat discriminant model after removing the abnormal spectra

3.2.2 不同預處理方式優(yōu)化新鮮肉判別模型 與長期凍藏豬肉模型優(yōu)化方法相同，對剔除異常光譜后的模型進行FD、SD降噪處理，并結合S-G卷積平滑或Norris導數平滑處理。對比分析發(fā)現所有處理方法也均不如未經處理的判別模型效果。

3.2.3 模型主成分分析 將未經降噪、平滑處理的新鮮肉判別模型進行主成分分析得到其2D主成分分析圖（見圖10）和3D主成分分析圖及其XZ投影圖（見圖11）。圖10中新鮮肉樣本點主要集中在第4象限，長期凍藏豬肉主要分布在所有象限，兩類樣本點在橫坐標（PC1）上差異顯著。由3D主成分分析圖的XZ投影圖（見圖11（b））展示的兩類樣本在PC1和PC3的區(qū)別，可以看出長期凍藏豬肉樣本和新鮮肉樣本在PC1上有明顯區(qū)分，這與其2D分布圖所展現的信息一致。進一步說明未經降噪、平滑處理的新鮮肉判別模型可以起到新鮮肉定性分析的作用。

圖10 未經處理的新鮮肉判別模型的2D主成分分析圖Fig.10 2D principal component analysis of untreated fresh meat discriminant model

圖11 未經處理的新鮮肉判別模型的3D主成分分析圖及其XZ投影圖Fig.11 3D principal component analysis and XZ projection of the untreated fresh meat discriminant model

4 電子鼻主成分分析

基于1.4中電子鼻傳感器陣列的優(yōu)化方法，選擇兩組DI值較高的傳感器陣列組合用于主成分分析（PCA），一組為S1、S7、S8、S9和S14，另一組為S1、S3、S7、S9和S11。根據得出的2組較優(yōu)傳感器陣列，對采集的氣味指紋圖譜進行主成分分析，分別得到如下圖12所示的電子鼻主成分分析圖，兩者累計方差貢獻率分別為97.4%和97.0%，意味著PCA降維得出的2個主成分能反應樣品氣味的綜合信息。由圖可知，無論哪組傳感器陣列，4組樣品間都有明顯的間距，說明電子鼻能夠有效區(qū)分新鮮肉和長期凍藏豬肉，電子鼻的穩(wěn)定性和重復性較好。選擇第1組傳感器陣列時，凍藏0、3、9個月份的樣本之間平行性較好，樣本點分布集中，凍藏3組內部平行性較差，相互間距離較大。當選擇第2組傳感器陣列時，樣品間區(qū)分性和樣品內部平行性都較為理想。因此選擇第2組傳感器陣列作為直接定性判別分析凍藏豬肉的傳感器陣列。

圖12 S1、S7、S8、S9、S14和S1、S3、S7、S9、S11傳感器陣列下的PCA分析圖Fig.12 PCA analysis charts under S1,S7,S8,S9,S14 and S1,S3,S7,S9,S11 sensor arrays

5 結語

作者對樣品的光譜值進行判別分析，所得模型可直觀地顯示出不同樣本的分布情況。建模過程中發(fā)現，不經降噪、平滑處理的長期凍藏豬肉和新鮮肉定性判別分析模型效果最佳，能夠有效將新鮮肉與長期凍藏豬肉區(qū)分開。其次采用氣味指紋圖譜技術采集凍藏不同時間下肉樣的化學風味物質，選擇S1、S3、S7、S9、S11傳感器陣列，結果顯示電子鼻可將4個凍藏月份的肉樣區(qū)分開。因此，近紅外光譜技術和電子鼻分析技術均可起到直接定性判別新鮮肉和長期凍藏豬肉的作用。該研究結果有望在凍藏食品的無損檢測領域被廣泛應用，為食品無損檢測奠定了一定的基礎。