趙鉅陽， 姚恒喆

（哈爾濱商業(yè)大學(xué) 旅游烹飪學(xué)院，黑龍江 哈爾濱150028）

關(guān)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(shù)據(jù)中顯示，中國畜禽肉類生產(chǎn)量約占世界生產(chǎn)總量的29%，其中豬肉產(chǎn)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(jīng)》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(xiàn)代人快節(jié)奏的生活方式。

然而長期的凍藏會嚴(yán)重破壞畜禽肉的營養(yǎng)和食用品質(zhì)，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(jīng)海關(guān)檢疫部門相關(guān)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(zhì)問題外還有攜帶傳染性病毒的可能，對消費者健康造成嚴(yán)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(biāo)有：水分含量、致病菌菌落數(shù)、色澤、嫩度、紋理、持水力、風(fēng)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(zhì)的成分及化學(xué)性質(zhì)，同時借助化學(xué)計量方法建立化學(xué)成分與采集光譜間的定性、定量關(guān)系模型才能將光譜的內(nèi)在深入信息顯現(xiàn)出來。在檢驗新樣本時，直接將光譜及化學(xué)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(guān)于近紅外研究較為廣泛，如食品領(lǐng)域中的茶、牛奶及醫(yī)藥領(lǐng)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(jié)合偏最小二乘法分析了果酒中的多酚含量，結(jié)果顯示該技術(shù)可以快速檢測果酒總酚含量。趙麗華等[18]利用該技術(shù)建立藜麥籽粒粗蛋白質(zhì)含量，快速檢測的模型為高蛋白質(zhì)藜麥的選育、栽培提供了技術(shù)支持。在肉及肉制品加工領(lǐng)域還都局限于新鮮肉制品或新鮮熟制品范圍內(nèi)，如李婷婷[19]、何鴻舉[20]等總結(jié)了近些年利用近紅外光譜分析技術(shù)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(shù)據(jù)支撐和理論參考，同時也為肉品質(zhì)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(shù)已被廣泛地應(yīng)用于食品、藥品、煙草、石油化工、包裝材料等研究領(lǐng)域[22-28]，如劉瑤等[29]利用電子鼻分析技術(shù)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(zhì)，延長其貨架期。張迪雅等[30]利用該技術(shù)對牛肉進行檢測，鑒別出不同醛類和醇類物質(zhì)中的揮發(fā)性成分，該技術(shù)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(shù)還可用于區(qū)分摻假肉，如王綪等[31]利用電子鼻結(jié)合氣相色譜-質(zhì)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(shù)相結(jié)合更有利于鑒定“僵尸肉”。

作者應(yīng)用近紅外光譜分析技術(shù)及電子鼻分析技術(shù)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(xiàn)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(shè)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(biāo)記為A組。長期凍藏豬肉樣品組，于-18℃分別凍藏6、9個月，標(biāo)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(biāo)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(dǎo)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(yù)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(biāo)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(yù)熱30 min。設(shè)置檢測參數(shù)：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(shù)據(jù)后再進行新一輪樣品的檢測。

1.3.4 數(shù)據(jù)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(shè)定數(shù)量為5）長期凍藏豬肉（或新鮮肉）的樣本光譜，這些光譜充當(dāng)了模型預(yù)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(yù)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(chǎn)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(yù)處理進而不斷優(yōu)化所建立的模型。本研究中采用一階導(dǎo)數(shù)（FD）、二階導(dǎo)數(shù)（SD）降噪處理并結(jié)合Savitzky-Golay（S-G）卷積平滑、Norris導(dǎo)數(shù)平滑分別對原始光譜模型進行預(yù)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(xué)風(fēng)味物質(zhì)的敏感度不同，所以不同樣品的傳感器響應(yīng)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(yīng)的敏感物質(zhì)不同。判別指數(shù)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(dāng)DI值大于80%時實驗數(shù)據(jù)有效。PCA是一種將傳感器采集的信息數(shù)據(jù)轉(zhuǎn)換降維的分類方法，綜合了向量分析以及相關(guān)矩陣，從而最大程度上體現(xiàn)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(yuǎn)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(jié)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(jù)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(nèi)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(biāo)注），將其剔除以提高模型的判別相關(guān)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(jù)2.1中建模所用光譜區(qū)間的選擇結(jié)果6 400～7 400 nm對剔除異常光譜后的樣本進行建模，結(jié)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(yù)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(yù)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(jié)合S-G卷積平滑或Norris導(dǎo)數(shù)平滑處理模型，判別模型如圖4所示。結(jié)果顯示，經(jīng)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(jīng)過FD降噪結(jié)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(jīng)過FD降噪結(jié)合Norris導(dǎo)數(shù)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(dāng)，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(biāo)值，發(fā)現(xiàn)原始模型縱坐標(biāo)最大值（31）大于處理后模型組縱坐標(biāo)最大值（9）（見圖4（c）），表明原始模型中新鮮肉與預(yù)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(jīng)SD降噪不平滑處理模型（見圖4（d））和經(jīng)SD降噪結(jié)合S-G卷積平滑處理的模型（見圖4（e））中，預(yù)測的長期凍藏豬肉樣本點同新鮮肉樣本點在橫坐標(biāo)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(jīng)過SD降噪結(jié)合Norris導(dǎo)數(shù)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(yù)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(jīng)FD降噪結(jié)合Norris導(dǎo)數(shù)平滑處理的判別模型優(yōu)于其余預(yù)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(jīng)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(jīng)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(biāo)值，以便看出各個樣品在某一主成分上是否存在差異，坐標(biāo)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(jié)合橫縱坐標(biāo)值可發(fā)現(xiàn)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(yīng)用價值。

圖5 未經(jīng)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(xiàn)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(xiàn)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(biāo)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(jīng)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(jié)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(jù)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(chǔ)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(nèi)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(jù)3.1中針對建模所用光譜區(qū)間的選擇結(jié)果對剔除異常光譜后的樣本進行建模，結(jié)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(yù)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(jié)合S-G卷積平滑或Norris導(dǎo)數(shù)平滑處理。對比分析發(fā)現(xiàn)所有處理方法也均不如未經(jīng)處理的判別模型效果。

3.2.3 模型主成分分析 將未經(jīng)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(biāo)（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(xiàn)的信息一致。進一步說明未經(jīng)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(jīng)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(jīng)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(jù)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(yīng)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(fù)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(nèi)部平行性較差，相互間距離較大。當(dāng)選擇第2組傳感器陣列時，樣品間區(qū)分性和樣品內(nèi)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(jié)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(xiàn)，不經(jīng)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(shù)采集凍藏不同時間下肉樣的化學(xué)風(fēng)味物質(zhì)，選擇S1、S3、S7、S9、S11傳感器陣列，結(jié)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(shù)和電子鼻分析技術(shù)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(jié)果有望在凍藏食品的無損檢測領(lǐng)域被廣泛應(yīng)用，為食品無損檢測奠定了一定的基礎(chǔ)。