康景,姚海博,梁婷,唐德富,年芳,2*

1(甘肅農(nóng)業(yè)大學(xué) 動(dòng)物科學(xué)技術(shù)學(xué)院,甘肅 蘭州,730070)2(甘肅農(nóng)業(yè)大學(xué) 理學(xué)院,甘肅 蘭州,730070)

隨著居民生活水平的提高,人們?cè)谧⒅厝庵破房诟酗L(fēng)味的同時(shí),也越來(lái)越重視其營(yíng)養(yǎng)價(jià)值及質(zhì)量安全。羊肉肉質(zhì)鮮美細(xì)膩,營(yíng)養(yǎng)價(jià)值高,是可食用肉品中重要的紅肉來(lái)源,因具有“低脂、低膽固醇、高蛋白”的特點(diǎn)受到廣大消費(fèi)者的喜愛(ài)與青睞[1]。一般而言,羊肉營(yíng)養(yǎng)價(jià)值的高低及品質(zhì)的優(yōu)劣取決于其中所含營(yíng)養(yǎng)物質(zhì)的多少,如:水分、蛋白質(zhì)、脂肪、揮發(fā)性脂肪酸等,這些物質(zhì)的含量會(huì)影響羊肉的營(yíng)養(yǎng)價(jià)值、感官品質(zhì)及口感風(fēng)味[2]。因此,準(zhǔn)確檢測(cè)出羊肉各營(yíng)養(yǎng)成分的含量是肉品檢測(cè)行業(yè)中一項(xiàng)重要的工作。傳統(tǒng)的檢測(cè)方法如:干燥法(水分)、凱氏定氮法(粗蛋白)、索氏抽提法(粗脂肪)、炭化灼燒法(粗灰分)等,不僅費(fèi)時(shí)耗力,難以實(shí)現(xiàn)大量樣品的快速檢測(cè),并且還會(huì)產(chǎn)生大量的實(shí)驗(yàn)室廢棄物,容易對(duì)環(huán)境造成污染和破壞。因此,提出一種方便快捷的檢測(cè)方法將對(duì)肉品檢測(cè)行業(yè)及科研工作領(lǐng)域產(chǎn)生重要意義。近紅外光譜(near-infrared reflectance spectroscopy, NIRS)檢測(cè)技術(shù)作為21世紀(jì)以來(lái)日趨成熟的檢測(cè)技術(shù),具有快速、高效、無(wú)損、環(huán)保的特點(diǎn),且在制備樣品簡(jiǎn)單的同時(shí)又可評(píng)估多種肉制品的特性,因此在肉品檢測(cè)領(lǐng)域具有十分廣闊的應(yīng)用前景[3]。

NIRS檢測(cè)技術(shù)是近年來(lái)發(fā)展最為迅速的光譜分析檢測(cè)技術(shù)之一,根據(jù)其對(duì)不同待測(cè)樣品中有機(jī)含氫基團(tuán)的倍頻及合頻的吸收,掃描得到不同的近紅外光譜,可即時(shí)反映被測(cè)樣品化學(xué)組分及物理特性等信息[4]。目前,NIRS技術(shù)已在農(nóng)業(yè)、牧業(yè)、食品、化工和制藥等各個(gè)領(lǐng)域均取得了顯著進(jìn)展[5],在肉類檢測(cè)行業(yè)也有多方面的報(bào)道,如摻假檢測(cè)[6]、品質(zhì)評(píng)價(jià)[7]、分級(jí)評(píng)定[8]、化學(xué)成分分析[9]、品種鑒別[10]及產(chǎn)地溯源[11]等,這為肉品檢測(cè)及加工行業(yè)提供了一種快速高效的測(cè)定方法和手段。本研究利用NIRS技術(shù),應(yīng)用WINISI III與Foss Calibrator 2種定標(biāo)軟件對(duì)新鮮羊肉中的6種營(yíng)養(yǎng)成分[水分(moisture,MT)、粗脂肪(ether extract,EE)、粗蛋白(crude pro- tein,CP)、葡萄糖(glucose,Glu)、粗灰分(crude ash,Ash)及總磷(phosphorus,P)]進(jìn)行定量建模,探究其可行性,以期對(duì)羊肉營(yíng)養(yǎng)價(jià)值進(jìn)行快速、準(zhǔn)確地評(píng)定。

1 材料與方法

1.1 樣品采集與制備

于2019年12月至2020年10月在甘肅省武威市民勤縣中天羊業(yè)有限公司采集樣品共203份,包括湖羊后腿樣品98份、灘羊背最長(zhǎng)肌55份、澳×湖雜交羊(澳洲美利奴羊×湖羊)后腿樣品12份、杜泊羊后腿樣品38份。試驗(yàn)羊只飼養(yǎng)于甘肅省武威市民勤縣中天羊業(yè)股份有限公司養(yǎng)殖場(chǎng),按國(guó)際標(biāo)準(zhǔn)方法進(jìn)行屠宰。采集的樣品真空包裝,保存以備近紅外光譜儀掃描和化學(xué)分析使用。羊肉樣品進(jìn)行近紅外光譜采集前,需將樣品進(jìn)行預(yù)處理。具體處理方法如下:剔除肉塊表面的筋膜和脂肪后放入絞肉機(jī)絞碎成肉糜,再將磨碎后的肉糜放入樣品杯,壓實(shí)待測(cè)。

1.2 儀器與設(shè)備

AL104型分析天平,上海梅特勒-托利多儀器有限公司;DHG-9070A型電熱恒溫鼓風(fēng)干燥箱,上海齊欣科學(xué)儀器有限公司;KT8400型全自動(dòng)凱氏定氮儀,福斯華(北京)科貿(mào)有限公司;TM-3012P型陶瓷纖維馬弗爐,北京盈安美誠(chéng)科學(xué)儀器有限公司;XT151型自動(dòng)脂肪分析儀,美國(guó)ANKOM公司。

1.3 實(shí)驗(yàn)方法

1.3.1 羊肉營(yíng)養(yǎng)成分測(cè)定

MT含量按GB 5009.3—2016《食品安全國(guó)家標(biāo)準(zhǔn) 食品中水分的測(cè)定》標(biāo)準(zhǔn)中的干燥法進(jìn)行測(cè)定;EE含量按GB 5009.6—2016《食品安全國(guó)家標(biāo)準(zhǔn) 食品中脂肪的測(cè)定》標(biāo)準(zhǔn)中的抽提法進(jìn)行測(cè)定;CP含量按GB 5009.5—2016《食品安全國(guó)家標(biāo)準(zhǔn)食品中蛋白質(zhì)的測(cè)定》標(biāo)準(zhǔn)中的凱氏定氮法進(jìn)行測(cè)定;Glu含量按葡萄糖氧化酶法使用Glu試劑盒(南京建成生物研究所,A154-1-1)測(cè)定;Ash含量按GB 5009.4—2016《食品安全國(guó)家標(biāo)準(zhǔn) 食品中灰分的測(cè)定》標(biāo)準(zhǔn)中的灼燒法進(jìn)行測(cè)定;P含量按GB 5009.87—2016《食品安全國(guó)家標(biāo)準(zhǔn) 食品中磷的測(cè)定》標(biāo)準(zhǔn)中的釩鉬黃-分光光度法進(jìn)行測(cè)定。

1.3.2 羊肉近紅外分析

1.3.2.1 羊肉NIRS圖的采集

使用FoodScan TM2近紅外分析儀(FOSS,丹麥)掃描樣品進(jìn)行光譜采集,收集光譜范圍為400～1 100 nm,數(shù)據(jù)間隔為0.5 nm,測(cè)樣方式為透射,儀器類型為光柵掃描型,儀器工作時(shí)環(huán)境溫度要求為20～25 ℃左右。將經(jīng)過(guò)預(yù)處理后的樣本肉糜裝入樣品杯中,每個(gè)樣品均需重復(fù)裝樣3次,并掃描3次。圖1為203份羊肉樣品的原始光譜圖,取自每份樣品掃描3次之后的平均光譜。由圖1可看出每份樣品的光譜信息趨勢(shì)基本一致,但略有不同。圖2與圖3分別為原始光譜經(jīng)過(guò)一階導(dǎo)數(shù)處理與二階導(dǎo)數(shù)處理后的光譜圖,由圖2和圖3可看出原始光譜經(jīng)過(guò)導(dǎo)數(shù)處理(一階導(dǎo)數(shù)、二階導(dǎo)數(shù))之后特征譜峰均增多,這是由于導(dǎo)數(shù)處理具有消除光譜中冗余的背景信息以及提高分辨率的作用[12]。

圖1 203份羊肉樣品原始光譜圖Fig.1 The original near infrared spectrum of 203 mutton samples

圖2 203份羊肉樣品一階導(dǎo)數(shù)處理光譜圖Fig.2 First derivative of near infrared spectrum of 203 mutton samples

圖3 203份羊肉樣品二階導(dǎo)數(shù)處理光譜圖Fig.3 Second derivative of near infrared spectrum of 203 mutton samples

1.3.2.2 兩種定標(biāo)軟件建模參數(shù)及建模過(guò)程的異同

采用WINISI III軟件建立定標(biāo)模型時(shí),以改良偏最小二乘法(modified partial least squared,MPLS)為回歸方法,將NIRS結(jié)合化學(xué)實(shí)測(cè)值建立定標(biāo)模型,而利用Foss Calibrator軟件建立定標(biāo)模型時(shí),是以偏最小二乘法(partial least squared,PLS)為回歸方法,將NIRS結(jié)合化學(xué)實(shí)測(cè)值建立定標(biāo)模型。實(shí)際上,PLS與MPLS都是采用主成分分析定標(biāo)建模的回歸技術(shù),MPLS是在PLS的基礎(chǔ)上進(jìn)行改進(jìn)和擴(kuò)展的一種算法,相比于PLS,MPLS在每次循環(huán)運(yùn)算后會(huì)對(duì)數(shù)據(jù)進(jìn)行歸一化處理,并且會(huì)對(duì)殘余變量進(jìn)行殘余變量標(biāo)準(zhǔn)化處理,可達(dá)到二次優(yōu)化的效果。2個(gè)建模軟件劃分樣品時(shí)均按4∶1劃分為定標(biāo)集(N≈160)與驗(yàn)證集(N≈40)。WINISI III定標(biāo)軟件剔除異常值時(shí)由全局距離(global distance, GH≥3)和“T”值(T>2.5)自動(dòng)剔除,而Foss Calibrator定標(biāo)軟件需要在軟件判別出異常值后再手動(dòng)進(jìn)行剔除。為消除與光譜信息無(wú)關(guān)的干擾因素(如:噪聲、環(huán)境溫度與濕度、雜散光等)導(dǎo)致光譜基線發(fā)生漂移,WINISI III軟件建模時(shí)采用0階微分(導(dǎo)數(shù)0,間隔0,平滑1,平滑1)、1階微分(導(dǎo)數(shù)1,間隔4,平滑4,平滑1)、2階微分(導(dǎo)數(shù)2,間隔4,平滑4,平滑1)共3種導(dǎo)數(shù)處理方式與7種散射校正方法(None、SNV and Detrend、SND only、Detrend only、Standard MSC、Weighted MSC、Inverse MSC)相結(jié)合,共計(jì)21種方式對(duì)原始光譜進(jìn)行處理。Foss Calibrator軟件建立的校正模型僅采用SNV only方法處理原始光譜。使用WINISI III軟件建立的定標(biāo)模型,其定標(biāo)結(jié)果根據(jù)定標(biāo)標(biāo)準(zhǔn)誤差(standard error of calibration,SEC)、交互驗(yàn)證標(biāo)準(zhǔn)誤差(standard error of cross validation,SECV)、交互驗(yàn)證決定系數(shù)(1 minus the variance ration,1-VR)選擇出最優(yōu)的處理組合,當(dāng)定標(biāo)集的SEC與SECV越小、1-VR越接近于1時(shí),證明模型越可靠。Foss Calibrator軟件建立的定標(biāo)模型,其結(jié)果由定標(biāo)分析誤差[root mean square error of calibration,RMSEP(cal)]、交互驗(yàn)證分析誤差[root mean square error of cross-verification,RMSEP(cross)]決定,RMSEP(cal)與RMSEP(cross)越小,證明模型效果越好。定標(biāo)模型建立后,還需選擇部分獨(dú)立樣本作為驗(yàn)證集(N≈40)進(jìn)一步驗(yàn)證模型的優(yōu)劣。使用WINISI III軟件建模的外部驗(yàn)證結(jié)果需要根據(jù)預(yù)測(cè)決定系數(shù)(coefficient of determination for validation,RSQ)與外部驗(yàn)證相對(duì)分析誤差(ratio of performance to deviation for validation,RPD)進(jìn)一步驗(yàn)證模型的穩(wěn)健性,只有經(jīng)過(guò)驗(yàn)證的模型才能準(zhǔn)確對(duì)未知樣品進(jìn)行評(píng)估。當(dāng)RSQ越接近于1,RPD(ratio of stand- ard deviation of the validation set to standard error of prediction,RPD=SDv/SEP)越大時(shí),證明該模型的可靠性越好。當(dāng)0.26≤RSQ≤0.49,表明所建立的預(yù)測(cè)模型效果差,不可在實(shí)際生產(chǎn)中應(yīng)用;當(dāng)0.50≤RSQ≤0.64,表明所建立的模型預(yù)測(cè)效果一般,不能準(zhǔn)確預(yù)測(cè)樣本的化學(xué)組分及物理性質(zhì),但可用于大量樣本的粗略篩選;當(dāng)0.66≤RSQ≤0.81,表明所建立的模型具有良好的預(yù)測(cè)能力,可在實(shí)際生產(chǎn)中應(yīng)用;當(dāng)0.83≤RSQ≤0.90,表明所建立的模型預(yù)測(cè)能力很好,可在某些領(lǐng)域中達(dá)到精確預(yù)測(cè)的效果[13]。Foss Calibrator軟件的驗(yàn)證結(jié)果需要根據(jù)驗(yàn)證分析誤差[root mean square error of validation,RMSEP(val)]、決定系數(shù)R2、RPD進(jìn)一步驗(yàn)證模型的穩(wěn)健性,當(dāng)RMAEP越小;R2越接近于1、RPD越大時(shí)、證明模型的效果越好。

2 結(jié)果與分析

2.1 羊肉各營(yíng)養(yǎng)成分實(shí)驗(yàn)室分析

表1為采用WINISI III軟件定標(biāo)的各營(yíng)養(yǎng)成分化學(xué)實(shí)測(cè)值。由表1可知,羊肉定標(biāo)集MT、EE、CP、Glu、Ash、P的含量范圍分別為68.78%～76.67%、2.11%～7.81%、21.52%～26.03%、0.15%～2.97%、1.44%～3.13%、0.93%～1.37%,平均含量分別為:72.63%、3.54%、23.55%、0.96%、1.88%、1.12%。驗(yàn)證集MT、EE、CP、Glu、Ash、P的含量范圍分別為67.25%～75.97%、1.92%～7.43%、20.92%～25.95%、0.17%～2.72%、1.49%～2.47%、0.90%～1.32%,平均含量分別為72.69%、3.60%、23.59%、0.96%、1.86%、1.12%。

表2為采用Foss Calibrator軟件定標(biāo)的各營(yíng)養(yǎng)成分化學(xué)實(shí)測(cè)值。由表2可知,MT、EE、CP、Glu、Ash、P的含量范圍分別為67.25%～76.61%、1.92%～7.81%、20.92%～26.03%、0.17%～2.49%、1.10%～2.20%、0.90%～1.37%,平均含量分別為:72.63%、3.60%、23.54%、0.93%、1.35%、1.12%。

表1 羊肉樣品定標(biāo)集和驗(yàn)證集各營(yíng)養(yǎng)成分含量(WINISI III)Table 1 Nutritional component contents of calibration and validation set of mutton samples(WINISI III)

表2 羊肉樣品定標(biāo)集和驗(yàn)證集各營(yíng)養(yǎng)成分含量(Foss Calibrator)Table 2 Nutritional component contents of calibration and validation set of mutton samples(Foss Calibrator)

2.2 羊肉各營(yíng)養(yǎng)成分定標(biāo)模型的建立及評(píng)價(jià)

使用WINISI III與Foss Calibrator定標(biāo)軟件分別建立羊肉6種營(yíng)養(yǎng)成分的NIRS模型,并對(duì)模型的可靠性進(jìn)行比較。

WINISI III軟件定標(biāo)及驗(yàn)證結(jié)果如表3所示。由表3可知,WINISI III軟件以MPLS為回歸方法,對(duì)羊肉6種營(yíng)養(yǎng)成分以3種導(dǎo)數(shù)結(jié)合7種去散射方法,共計(jì)21種方式分別對(duì)光譜進(jìn)行處理。舍棄400～800 nm 可見(jiàn)光區(qū)后,最終選擇在波段780～1 100 nm處定標(biāo)(近紅外短波區(qū))。以最小的SECV與最大的1-VR為篩選標(biāo)準(zhǔn),選擇出最優(yōu)的處理組合。由表3可知,MT、EE、CP、Glu、Ash、P的最優(yōu)組合分別為None與2,4,4,1、Standard MSC與2,4,4,1、SNV only與1,4,4,1、Standard MSC與1,4,4,1、Standard MSC與0,0,1,1、SNV and Detrend與2,4,4,1。各營(yíng)養(yǎng)成分所對(duì)應(yīng)的SECV和1-VR值分別如下:MT為0.54與0.86、EE為0.29與0.91、CP為0.30與0.82、Glu為0.17與0.57、Ash為0.10與0.58、P為0.04與0.44。校正模型建立后,選擇獨(dú)立的樣品作為驗(yàn)證集(N≈40)對(duì)各營(yíng)養(yǎng)成分的模型進(jìn)行驗(yàn)證。MT、EE、CP、Glu、Ash、P這6種營(yíng)養(yǎng)成分的最優(yōu)模型外部驗(yàn)證RSQ和RPD分別為0.83與2.47、0.90與3.60、0.81與2.79、0.54與3.05、0.54與1.91、0.45與1.80。

Foss Calibrator軟件定標(biāo)及驗(yàn)證結(jié)果如表4所示。由表4可知,Foss Calibrator軟件以PLS為回歸方法,采用標(biāo)準(zhǔn)正?；椒⊿NV only對(duì)光譜進(jìn)行預(yù)處理,舍棄400～800 nm可見(jiàn)光區(qū)后,最終選擇在波段800～1 099.5 nm處定標(biāo)(近紅外短波區(qū))。各營(yíng)養(yǎng)成分所對(duì)應(yīng)的RMSEP(cal)和RMSEP(cross)分別為0.537與0.631、0.301與0.326、0.353與0.468、0.16 0與0.127、0.159與0.179、0.087與0.086。校正模型建立后,選擇獨(dú)立的樣品作為驗(yàn)證集(N≈40)對(duì)各營(yíng)養(yǎng)成分的模型進(jìn)行驗(yàn)證。MT、EE、CP、Glu、Ash、P這6種營(yíng)養(yǎng)成分的RMSEP(val)和R2分別為0.628與0.84、0.310與0.87、0.352與0.83、0.177與0.53、0.154與0.51、0.091與0.33。

表3 羊肉樣品各個(gè)營(yíng)養(yǎng)成分的定標(biāo)模型及外部驗(yàn)證結(jié)果(WINISI III)Table 3 NIRS calibration models and external validation results for nutrition components of mutton samples(WINISI III)

表4 羊肉樣品各個(gè)營(yíng)養(yǎng)成分的定標(biāo)模型及驗(yàn)證結(jié)果(Foss Calibrator)Table 4 NIR calibration models and external validation results for nutrition components of mutton samples(Foss Calibrator)

2.3 羊肉各營(yíng)養(yǎng)成分的化學(xué)實(shí)測(cè)值與預(yù)測(cè)值的相關(guān)性

采用WINISI III軟件定標(biāo)的羊肉各營(yíng)養(yǎng)成分化學(xué)測(cè)定值和預(yù)測(cè)值之間的相關(guān)性如圖4所示。由圖4可知,MT、EE、CP化學(xué)分析值和預(yù)測(cè)值的相關(guān)性較好,RSQ分別為0.83、0.90、0.81;Glu和Ash化學(xué)測(cè)定值和預(yù)測(cè)值的相關(guān)性一般,RSQ均為0.54;P化學(xué)測(cè)定值和預(yù)測(cè)值的相關(guān)性較差,RSQ為0.45。

采用Foss Calibrator軟件定標(biāo)的羊肉各營(yíng)養(yǎng)成分化學(xué)測(cè)定值和預(yù)測(cè)值之間的相關(guān)性如圖5所示。由圖5可知,MT、EE、CP化學(xué)測(cè)定值和預(yù)測(cè)值的相關(guān)性較好,R2分別為0.84、0.87、0.83;Glu和Ash化學(xué)測(cè)定值和預(yù)測(cè)值的相關(guān)性一般,R2分別為0.53、0.51;P化學(xué)測(cè)定值和預(yù)測(cè)值的相關(guān)性較差,R2僅為0.33。

a-MT;b-EE;c-CP;d-Glu;e-Ash;f-P圖4 MT、EE、CP、Glu、Ash、P含量預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)性(WINISI III)Fig.4 Correlation between predicted value and actual value of MT, EE, CP, Glu, Ash, P contents(WINISI III)

a-MT;b-EE;c-CP;d-Glu;e-Ash;f-P圖5 MT、EE、CP、Glu、Ash、P含量預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)性(Foss Calibrator)Fig.5 Correlation between predicted value and actual value of MT, EE, CP, Glu, Ash, P contents(Foss Calibrator)

3 討論

近20年來(lái),國(guó)內(nèi)外大量學(xué)者利用近紅外光譜技術(shù)準(zhǔn)確、快速地預(yù)測(cè)了各類動(dòng)物肉中的營(yíng)養(yǎng)成分。如:GIARETTA等[14]利用NIRS技術(shù)對(duì)新鮮羊肉與冷凍干燥羊肉的化學(xué)成分(MT、Fat、CP、Ash)進(jìn)行了分析,結(jié)果表明，除Ash預(yù)測(cè)模型精度較低外(R2=0.60)，其余各模型精度均較高(R2：0.89～0.97),可在實(shí)際檢測(cè)過(guò)程中應(yīng)用。 TEIXEIRA 等[15]利用NIR技術(shù)成功建立了山羊背最長(zhǎng)肌中MT、Fat、CP、Ash的預(yù)測(cè)模型(R2≥0.83)。這些研究所建立的定標(biāo)模型可以快速準(zhǔn)確地預(yù)測(cè)羊肉營(yíng)養(yǎng)成分,這對(duì)于快速高效評(píng)估羊肉品質(zhì)具有重要意義。

本試驗(yàn)所建立的羊肉6種營(yíng)養(yǎng)成分的定標(biāo)模型中EE的模型最佳,這與PULLANAGARI等[16]對(duì)羊肉中的研究結(jié)果一致。不同研究者對(duì)MT建立的NIRS模型的準(zhǔn)確度存在較大差異,本研究建立的MT預(yù)測(cè)模型較好,與KAMRUZZAMAN等[17]在羊肉中的研究結(jié)果一致。但BR?NDUM等[18]在豬肉中的研究結(jié)果較差,這是由于鮮肉中的水分含量易隨環(huán)境和時(shí)間的改變而發(fā)生較大變化,MT的建模結(jié)果較差可能與掃描肉樣和測(cè)定水分是否即時(shí)、實(shí)驗(yàn)室測(cè)定的準(zhǔn)確程度等有很大關(guān)系。CP的預(yù)測(cè)效果也較好,僅次于MT,這與趙文英等[19]在豬、牛、羊肉中的研究結(jié)論均一致,但也有研究學(xué)者對(duì)CP建立的NIRS預(yù)測(cè)模型結(jié)果顯示較差,如RIPOLL等[20]對(duì)均質(zhì)羊肉CP的預(yù)測(cè)校正決定系數(shù)只達(dá)到0.11。分析原因,可能與化學(xué)實(shí)測(cè)的準(zhǔn)確度及建模方法有關(guān),RIPOLL等采用的是主成分回歸法進(jìn)行建模,這與本研究及其他學(xué)者采用的MPLS及PLS建模方式存在較大差異。Glu與Ash的模型效果一般,不能替代常規(guī)化學(xué)檢測(cè)方法,但可用于大量樣品的粗略篩選和分析。這與GIARETTA等[14]與PRIETO等[21]對(duì)牛肉中研究結(jié)果一致,這是由于Ash作為肉品經(jīng)高溫灼燒后殘留的無(wú)機(jī)鹽和氧化物,近紅外光不能與其相互作用,雖可通過(guò)檢測(cè)與無(wú)機(jī)物相結(jié)合的有機(jī)物或螯合物的成分,使掃描到的NIRS圖有所變化,進(jìn)而獲得灰分或無(wú)機(jī)物的含量[22-23],但在使用傳統(tǒng)方法炭化灼燒時(shí)會(huì)有部分無(wú)氮浸出物損失溢出,這使得光譜信息并不能與化學(xué)實(shí)測(cè)含量準(zhǔn)確匹配,因此,這種間接建立的模型預(yù)測(cè)效果一般。P的NIRS定標(biāo)模型的結(jié)果較差,不能在實(shí)際生產(chǎn)中應(yīng)用,這是由于P屬于礦物質(zhì)元素,不含氫基團(tuán),其在NIRS區(qū)內(nèi)無(wú)吸收,與NIRS反映的有機(jī)物結(jié)構(gòu)結(jié)合較差[24],無(wú)法建立較為準(zhǔn)確的近紅外預(yù)測(cè)模型。

4 結(jié)論

本研究利用NIRS技術(shù)建立了新鮮羊肉6種營(yíng)養(yǎng)成分(MT、EE、CP、Glu、Ash、P)的預(yù)測(cè)模型,使用WI- NISI III(MPLS)與Foss Calibrator(PLS)2個(gè)定標(biāo)軟件對(duì)其分別定標(biāo),2個(gè)定標(biāo)結(jié)果均顯示:MT、EE、CP的預(yù)測(cè)模型效果很好,可應(yīng)用于實(shí)際生產(chǎn)中精確預(yù)測(cè);Glu、Ash的預(yù)測(cè)模型效果一般,不能完全替代常規(guī)分析,但可用于大量樣品的粗略篩選和分析,模型還需進(jìn)一步優(yōu)化;P的預(yù)測(cè)模型效果較差,不能在實(shí)際生產(chǎn)中應(yīng)用。

通過(guò)比較WINISI III與Foss Calibrator定標(biāo)軟件在建立NIRS模型中的過(guò)程及結(jié)果可知,2種建模軟件各有優(yōu)缺點(diǎn),WINISI III軟件關(guān)于定標(biāo)及驗(yàn)證的評(píng)價(jià)指標(biāo)更加全面完善,但操作相對(duì)繁瑣;而Foss Calibrator軟件關(guān)于定標(biāo)及驗(yàn)證的評(píng)價(jià)指標(biāo)較少,但操作簡(jiǎn)單易學(xué)。如上所述,更加建議采用WINISI III軟件及MPLS回歸方法建立NIRS定量模型。