劉慶森，羅 欣，董鵬程，郝劍剛，毛衍偉,*，成海建，張一敏,*

（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.國(guó)家肉牛牦牛產(chǎn)業(yè)技術(shù)體系烏拉蓋試驗(yàn)站，內(nèi)蒙古 烏拉蓋 026321；3.山東省農(nóng)業(yè)科學(xué)院畜牧獸醫(yī)研究所，山東 濟(jì)南 250000）

我國(guó)2021年全年豬牛羊禽肉產(chǎn)量8 990萬(wàn) t[1]。如此巨大產(chǎn)量的肉類(lèi)不可避免地會(huì)受到微生物、添加劑、獸藥、非法添加等污染，其中超過(guò)25%的肉類(lèi)不合格率是由微生物引起的[2-3]。在肉的貯藏過(guò)程中，由微生物生長(zhǎng)及其代謝活動(dòng)而引起的腐敗是造成肉浪費(fèi)的最主要原因之一，給肉類(lèi)產(chǎn)業(yè)造成巨大的經(jīng)濟(jì)損失。肉在腐敗過(guò)程會(huì)產(chǎn)生異味、肉色變暗、表面發(fā)黏的現(xiàn)象，使消費(fèi)者無(wú)法接受。一旦微生物總數(shù)或某種致病菌超過(guò)一定數(shù)量，食用后還會(huì)給人體帶來(lái)健康隱患[4]。

傳統(tǒng)的微生物檢測(cè)過(guò)程是先通過(guò)微生物富集，再進(jìn)行生化分析確認(rèn)，最常用的方法為平板培養(yǎng)計(jì)數(shù)法。雖然該方法具有目的性強(qiáng)、成熟可靠等優(yōu)點(diǎn)，但其周期長(zhǎng)、勞動(dòng)強(qiáng)度大、會(huì)對(duì)被測(cè)物造成破壞等缺點(diǎn)不容忽視[5]?，F(xiàn)代食品質(zhì)量與安全檢測(cè)方法要求更加方便、快捷，這也迫切需要引入新型的檢測(cè)技術(shù)，而光譜學(xué)技術(shù)在快速無(wú)損、實(shí)時(shí)在線等需求方面表現(xiàn)出巨大優(yōu)勢(shì)[6]。已有學(xué)者對(duì)拉曼光譜預(yù)測(cè)肉色、pH值、嫩度、剪切力等肉類(lèi)品質(zhì)指標(biāo)進(jìn)行綜述[7]，雖然涉及肉類(lèi)腐敗預(yù)測(cè)，但對(duì)相關(guān)文獻(xiàn)總結(jié)不夠全面。此外，Khaled等[8]對(duì)肉類(lèi)品質(zhì)和安全的快速檢測(cè)技術(shù)進(jìn)行了綜述，但主要針對(duì)食源性致病菌的檢測(cè)。目前，缺乏關(guān)于光譜學(xué)技術(shù)檢測(cè)肉類(lèi)腐敗微生物的綜述。

本文在分析肉源腐敗微生物致腐機(jī)理及其預(yù)測(cè)模型建立過(guò)程的基礎(chǔ)上，對(duì)拉曼光譜、紅外光譜和光譜成像技術(shù)的原理及研究和應(yīng)用情況進(jìn)行闡述，以期為光譜學(xué)技術(shù)在肉類(lèi)腐敗微生物檢測(cè)中的應(yīng)用和進(jìn)一步研究提供思路和理論指導(dǎo)。

1 肉中的腐敗微生物及代謝活動(dòng)

1.1 初始腐敗微生物及優(yōu)勢(shì)腐敗菌

肉中的初始微生物水平對(duì)其貨架期具有至關(guān)重要的影響，較為常見(jiàn)的腐敗微生物有莫拉氏菌、假單胞菌、嗜冷桿菌、肉毒桿菌、沙雷氏菌、索絲菌、埃希氏菌、不動(dòng)桿菌等[9-10]。在肉類(lèi)貯藏及流通過(guò)程中，不同包裝方式（如托盤(pán)包裝、真空包裝以及氣調(diào)包裝（modified atmosphere packaging，MAP））所提供的環(huán)境會(huì)篩選出特定種類(lèi)的優(yōu)勢(shì)腐敗菌[11-12]。

肉在有氧環(huán)境中貯藏時(shí)，優(yōu)勢(shì)腐敗菌通常為假單胞菌、熱死環(huán)絲菌[11-12]。而在無(wú)氧條件下，肉中的優(yōu)勢(shì)腐敗菌主要為乳酸菌、腐敗希瓦氏菌、腸桿菌[11-12]。通常情況下，優(yōu)勢(shì)腐敗菌數(shù)量大，提供的信息足以滿足快速預(yù)測(cè)技術(shù)實(shí)現(xiàn)測(cè)定的需求。但要實(shí)現(xiàn)對(duì)肉類(lèi)微生物菌群結(jié)構(gòu)的預(yù)測(cè)，對(duì)非優(yōu)勢(shì)腐敗菌的快速檢測(cè)變得非常重要。

1.2 腐敗微生物的代謝活動(dòng)

在肉的貯藏和流通過(guò)程中，微生物會(huì)利用碳水化合物（主要利用糖原分解產(chǎn)生的葡萄糖）、蛋白質(zhì)、脂肪等營(yíng)養(yǎng)物質(zhì)產(chǎn)生氨、硫化物、酮和醛等一系列代謝物，最終導(dǎo)致肉的腐敗[13-14]。大多數(shù)腐敗微生物首先利用肉中殘存的葡萄糖產(chǎn)生乙酸、乙偶姻、乙丁酸和3-甲基丁醇等異味物質(zhì)[15-16]。當(dāng)微生物繁殖到一定數(shù)量，葡萄糖被利用殆盡。腐敗微生物開(kāi)始利用胞外酶將蛋白質(zhì)降解為氨基酸，氨基酸進(jìn)一步被分解為胺、氨、硫化物等，而脂肪及脂肪酸會(huì)被微生物來(lái)源的脂肪酶分解為甘油、醛、酮等化合物，產(chǎn)生難聞的腐敗氣味[13-14]。

不同的腐敗微生物會(huì)利用不同的營(yíng)養(yǎng)物質(zhì)，并產(chǎn)生特定的代謝產(chǎn)物。假單胞菌是低溫有氧貯藏肉中的優(yōu)勢(shì)腐敗菌，它們優(yōu)先利用葡萄糖，而后利用氨基酸并產(chǎn)生硫化物、二甲基硫等物質(zhì)，使肉發(fā)生腐敗[17]。但假單胞菌在無(wú)氧條件下可利用丙酮酸、葡萄糖酸鹽、氨基酸進(jìn)行生長(zhǎng)繁殖，產(chǎn)生乙酯、二甲基硫化物[18]。腸桿菌、乳酸菌、熱死環(huán)絲菌同樣是導(dǎo)致肉類(lèi)腐敗的常見(jiàn)微生物，在利用完葡萄糖和葡萄糖酸鹽-6-磷酸之后，選擇性利用乳酸、葡萄糖酸、丙酮酸、氨基酸、甘油等[19]。乳酸菌、熱死環(huán)絲菌多產(chǎn)生乙偶姻、乳酸等最終產(chǎn)物，腸桿菌則多與硫化氨類(lèi)化合物的產(chǎn)生有關(guān)[20-21]。

微生物生長(zhǎng)代謝導(dǎo)致肉類(lèi)發(fā)生腐敗的過(guò)程中，以肉為主體的“生態(tài)體系”會(huì)同時(shí)發(fā)生許多復(fù)雜變化，主要是肉中蛋白質(zhì)二級(jí)結(jié)構(gòu)（α-螺旋、β-折疊）的變化、氨基酸的合成和分解、微生物數(shù)量的增加（圖1），此類(lèi)變化是判斷肉類(lèi)腐敗的重要信息。葡萄糖是腐敗微生物生長(zhǎng)繁殖的重要營(yíng)養(yǎng)物質(zhì)，可作為微生物快速檢測(cè)的內(nèi)標(biāo)物質(zhì)，而氨水平的上升同樣可成為判定肉類(lèi)腐敗的重要信息。不同的優(yōu)勢(shì)腐敗菌在生長(zhǎng)代謝過(guò)程中會(huì)產(chǎn)生復(fù)雜的代謝副產(chǎn)物，如何尋找優(yōu)勢(shì)腐敗菌的特異性代謝產(chǎn)物成為實(shí)現(xiàn)肉類(lèi)腐敗快速檢測(cè)的重點(diǎn)及難點(diǎn)。

圖1 肉類(lèi)腐敗快速檢測(cè)的物質(zhì)基礎(chǔ)Fig.1 Material basis for the rapid detection of meat spoilage

2 光譜學(xué)技術(shù)在肉類(lèi)腐敗檢測(cè)中的應(yīng)用

2.1 光譜數(shù)據(jù)處理及模型建立

光譜學(xué)技術(shù)可以結(jié)合化學(xué)計(jì)量學(xué)方法，利用被測(cè)物質(zhì)分子獨(dú)特的結(jié)構(gòu)及組成成分，將生物學(xué)差異信號(hào)轉(zhuǎn)變成可視化物理信號(hào)數(shù)據(jù)[22]，并進(jìn)一步建立腐敗微生物快速預(yù)測(cè)模型（圖2）。原始光譜既包含目標(biāo)信息，同時(shí)也存在大量的干擾信息。這些噪音主要來(lái)源于環(huán)境中的雜光、熒光效應(yīng)、電荷耦合元件（charge coupled device，CCD）檢測(cè)器噪音、固體顆粒散射等[23]。所以建立預(yù)測(cè)模型的第一步為降噪處理，方法通常包括基線校正、平滑處理、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、多元散射校正、標(biāo)準(zhǔn)正太化、去趨勢(shì)化處理等[24-25]。為進(jìn)一步篩選目標(biāo)信息和減少信息的冗雜程度，需要進(jìn)行特征波段的篩選，例如，競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（competitive adaptive reweighting algorithm，CARS）[26]可以通過(guò)偏最小二乘法（partial least squares，PLS）篩選出與預(yù)測(cè)目標(biāo)高度相關(guān)的變量并組成新的子集，進(jìn)而提高模型的運(yùn)行速度和準(zhǔn)確性。主成分分析（principal component analysis，PCA）可以解決變量之間的多重線性相關(guān)問(wèn)題，進(jìn)而降低數(shù)據(jù)維度。最后，通過(guò)人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（support vector machines，SVMs）、隨機(jī)森林、偏最小二乘回歸（partial least squares regression，PLSR）等機(jī)器學(xué)習(xí)方法[27-28]建立預(yù)測(cè)模型。通常，按照3∶1劃分訓(xùn)練集和驗(yàn)證集，模型性能的評(píng)價(jià)指標(biāo)以決定系數(shù)（R2）、相關(guān)系數(shù)（r）和均方根誤差（root mean standard error，RMSE）為主。由于人工神經(jīng)網(wǎng)絡(luò)初始權(quán)重的隨機(jī)性、SVMs可配置不同的核函數(shù)和懲罰因子等，往往使模型運(yùn)行結(jié)果具有不唯一性，可通過(guò)結(jié)合遺傳算法（genetic algorithm，GA）、連續(xù)投影算法和蟻群算法找到機(jī)器學(xué)習(xí)方法的最優(yōu)解以解決上述問(wèn)題。隨著研究的不斷深入，研究人員開(kāi)始將單個(gè)或多個(gè)傳感器提供的特征波段與實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析，如以紅外光譜和拉曼光譜所提供的信息互為補(bǔ)充。

圖2 利用光譜技術(shù)建立預(yù)測(cè)模型一般步驟Fig.2 General steps for establishing a prediction model using spectroscopic techniques

2.2 拉曼光譜基本原理及其在肉類(lèi)腐敗檢測(cè)中的應(yīng)用

2.2.1 拉曼光譜原理及特征峰

拉曼光譜是分子散射光譜，當(dāng)待測(cè)物中的分子被激發(fā)光照射時(shí)，分子吸收能量從原始基態(tài)躍遷到不穩(wěn)定的虛態(tài)，虛態(tài)的分子會(huì)釋放能量回到基態(tài)。如果此時(shí)的基態(tài)是原始基態(tài)，則為瑞利散射；若基態(tài)與原始基態(tài)存在能級(jí)差，則為拉曼散射[29]。拉曼光譜鑒定肉的腐敗主要是根據(jù)微生物數(shù)量和菌群結(jié)構(gòu)的變化、微生物產(chǎn)生的特異性代謝產(chǎn)物以及微生物導(dǎo)致肉本身結(jié)構(gòu)和成分發(fā)生的改變。這些變化又導(dǎo)致肉中化學(xué)鍵發(fā)生不同的振動(dòng)，從而使光譜中出現(xiàn)不同的特征峰。例如，酰胺I帶（1 645～1 685 cm－1）、酰胺III帶（1 200～1 235 cm－1）常常與肉類(lèi)品質(zhì)有關(guān)。而酰胺I帶可反映α-螺旋（1 650～1 658 cm－1）、β-折疊（1 665～1 680 cm－1）、β-轉(zhuǎn)角（1 680 cm－1）和無(wú)規(guī)卷曲（1 660～1 665 cm－1）信息[30]。

表1總結(jié)了部分可用于分析肉類(lèi)腐敗的拉曼特征峰。肉在貯藏過(guò)程中，蛋白質(zhì)的α-螺旋和β-折疊等變化會(huì)伴隨著C＝O、C—N伸縮振動(dòng)及N—H彎曲振動(dòng)，拉曼光譜技術(shù)可以根據(jù)此類(lèi)化學(xué)鍵的變化來(lái)檢測(cè)肉類(lèi)腐敗。此外，苯丙氨酸（1 002、1 205 cm－1）、色氨酸（755、1 551 cm－1）、酪氨酸（826、855 cm－1）等芳香族氨基酸的拉曼位移峰可作為分析肉類(lèi)腐敗的補(bǔ)充信息[31]。除1 700～500 cm－1所提供的特征峰之外，水和脂類(lèi)的O—H伸縮振動(dòng)（3 397～3 309 cm－1）、氨基酸和蛋白質(zhì)及胺類(lèi)的N—H伸縮振動(dòng)（3 303～3 291 cm－1）、過(guò)氧酸的O—H伸縮振動(dòng)（3 284～3 250 cm－1）以及游離氨基酸的NH3＋（2 141～1 997 cm－1）也被用于構(gòu)建腐敗微生物的預(yù)測(cè)模型。

表1 與肉類(lèi)腐敗相關(guān)的拉曼光譜特征峰Table 1 Characteristic peaks in Raman spectra associated with meat spoilage

2.2.2 拉曼光譜在肉類(lèi)腐敗檢測(cè)中的應(yīng)用

已有學(xué)者探究了拉曼光譜技術(shù)分析肉類(lèi)腐敗的能力。不同狀態(tài)雞胸肉的拉曼光譜可以通過(guò)PCA進(jìn)行區(qū)分，進(jìn)而達(dá)到判斷新鮮腐敗的目的[39]。肉在貯藏過(guò)程中會(huì)發(fā)生變化，進(jìn)而引起拉曼光譜的改變，尋找與腐敗微生物相關(guān)的特征峰對(duì)預(yù)測(cè)肉品貨架期具有重要意義。Sowoid nich 等[31]通過(guò)拉曼光譜結(jié)合PCA，并根據(jù)1 651 cm－1處的酰胺I帶、902 cm－1和935 cm－1處的C—C伸縮振動(dòng)以及833 cm－1和860 cm－1處的酪氨酸帶振動(dòng)等變化，成功對(duì)豬背最長(zhǎng)肌和腰大肌的新鮮度進(jìn)行了判別。僅依靠PCA等方法進(jìn)行定性分析是遠(yuǎn)遠(yuǎn)不夠的，開(kāi)發(fā)并建立微生物的定性定量預(yù)測(cè)模型是關(guān)鍵。

Argyri等[40]嘗試?yán)肎A優(yōu)化人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)人工感官評(píng)分結(jié)果，優(yōu)化后總體分類(lèi)精確度達(dá)到83.08%。此外，Argyri等[40]利用支持向量回歸、PLSR、遺傳編程和神經(jīng)網(wǎng)絡(luò)對(duì)菌落總數(shù)（total viable count，TVC）、乳酸菌數(shù)量、腸桿菌數(shù)量進(jìn)行定量預(yù)測(cè)，發(fā)現(xiàn)R2集中在0.6～0.8（個(gè)別方法R2＜0.5），對(duì)TVC的預(yù)測(cè)效果總體好于單菌屬[40]。上述結(jié)果表明，肉類(lèi)表面復(fù)雜的微生物種類(lèi)會(huì)對(duì)單一菌屬的預(yù)測(cè)產(chǎn)生影響。

此前的研究目標(biāo)多以肉糜為主，而對(duì)于大塊肉排的研究較少。Yang Hongbo等[41]利用拉曼光譜結(jié)合PLSR對(duì)生鮮牛排的TVC、假單胞菌、乳酸菌、熱死環(huán)絲菌進(jìn)行預(yù)測(cè)，結(jié)果表明，檢測(cè)細(xì)菌分類(lèi)越精確，拉曼光譜對(duì)單菌屬數(shù)量預(yù)測(cè)效果相對(duì)較差。雖然拉曼光譜結(jié)合化學(xué)計(jì)量學(xué)方法能夠判別新鮮肉和腐敗肉，并能較好地預(yù)測(cè)TVC，但對(duì)于實(shí)現(xiàn)精準(zhǔn)、實(shí)時(shí)在線預(yù)測(cè)肉類(lèi)剩余貨架期及優(yōu)勢(shì)腐敗菌（種、屬）還存在一定的距離。Lu Weilai等[42]利用人工智能結(jié)合共聚焦顯微拉曼光譜分析了14 種單細(xì)胞微生物的不同生長(zhǎng)狀態(tài)，并得到（95.64±5.46）%的分類(lèi)正確率。在未來(lái)的研究中，拉曼光譜可以結(jié)合更加合適的人工智能方法分析肉類(lèi)表面不同微生物的生長(zhǎng)狀態(tài)從而實(shí)現(xiàn)更加準(zhǔn)確的檢測(cè)效果。

拉曼光譜在肉類(lèi)腐敗檢測(cè)中的應(yīng)用匯總?cè)绫?所示。

表2 拉曼光譜在肉類(lèi)腐敗檢測(cè)中的應(yīng)用Table 2 Application of Raman spectroscopy in meat spoilage detection

2.3 紅外光譜在肉類(lèi)腐敗檢測(cè)中的應(yīng)用

紅外光主要分為近紅外光（780～2 500 nm）、中紅外光（2 5 0 0 ～2 5 0 0 0 n m）和遠(yuǎn)紅外光（25 000～1 000 000 nm）。近紅外光可激發(fā)物質(zhì)分子中的泛音和諧波振動(dòng)，而中紅外光對(duì)物質(zhì)分子的基礎(chǔ)振動(dòng)和相關(guān)旋轉(zhuǎn)-振動(dòng)結(jié)構(gòu)更為敏感，因此多將近紅外光譜法和中紅外光譜應(yīng)用于肉類(lèi)的品質(zhì)檢測(cè)[44]。同拉曼光譜法相似，紅外光譜法檢測(cè)肉源細(xì)菌主要利用其物質(zhì)化學(xué)鍵的特征吸收峰（表3）。酰胺I帶（1 700～1 600 cm－1）和酰胺II帶（1 600～1 500 cm－1）所提供的蛋白質(zhì)及氨基酸信息是預(yù)測(cè)微生物的關(guān)鍵，脂肪酸區(qū)（3 000～2 800 cm－1）和碳水化合物吸收帶（1 500～1 200 cm－1）也可以作為預(yù)測(cè)模型的主成分。

表3 與細(xì)菌相關(guān)的紅外光譜吸收區(qū)Table 3 Infrared absorption regions associated with bacteria

2.3.1 以腐敗細(xì)菌數(shù)量為預(yù)測(cè)指標(biāo)的研究進(jìn)展

自2001年起就有學(xué)者利用紅外光譜法預(yù)測(cè)肉糜的腐敗，主要研究對(duì)象為牛肉和禽肉，并初步對(duì)TVC進(jìn)行定量分析[49-50]。隨著研究的進(jìn)一步深入，研究人員開(kāi)始建立腐敗細(xì)菌（屬、種）的紅外光譜定性預(yù)測(cè)模型。

如表4所示，紅外光譜和肉中腐敗微生物具有較好的相關(guān)性。有學(xué)者利用近紅外光譜結(jié)合PCA成功區(qū)分接菌和未接菌的雞胸肉，但未能成功區(qū)分表面接種的英諾克李斯特菌、熒光假單胞菌、惡臭假單胞菌、門(mén)多薩假單胞菌和大腸埃希氏菌[51]。與拉曼光譜相同，紅外光譜離實(shí)現(xiàn)鑒別菌種水平的腐敗微生物仍有一定距離，不斷提高光譜處理方法是提取重要信息的關(guān)鍵。Kodogiannis等[52]通過(guò)反卷積處理紅外光譜的洛倫茲寬度，發(fā)現(xiàn)游離氨基酸含量與雞肉腐敗程度密切相關(guān)。除定性分析外，研究人員也展開(kāi)了假單胞菌、乳酸菌、腸桿菌和熱死環(huán)絲菌等優(yōu)勢(shì)腐敗菌的快速定量分析，并實(shí)現(xiàn)了較好的預(yù)測(cè)效果[53-54]。Argyri等[50]通過(guò)不同的數(shù)據(jù)處理方法對(duì)TVC、假單胞菌、乳酸菌、熱死環(huán)絲菌進(jìn)行定量分析，R2集中在0.6～0.9（個(gè)別方法R2＜0.4）。在傅里葉變換紅外光譜（Fourier transform infrared spectroscopy，F(xiàn)TIR）結(jié)合化學(xué)計(jì)量學(xué)方法對(duì)益生菌發(fā)酵香腸檢測(cè)微生物狀況的研究中，PLSR模型預(yù)測(cè)TVC和乳酸菌的RMSE分別為0.641和0.633[55]。目前，尚未有基于FTIR建立益生菌發(fā)酵香腸預(yù)測(cè)接種乳酸菌數(shù)量的其他模型，所以結(jié)合人工神經(jīng)網(wǎng)絡(luò)、SVMs等方法建立預(yù)測(cè)模型可能會(huì)進(jìn)一步提高該技術(shù)的性能。Spyrelli等[56]不但利用PLSR對(duì)假單胞菌進(jìn)行了定量預(yù)測(cè)，還采用LDA、二次判別分析（quadratic discriminant analysis，QDA）、SVMs進(jìn)行分析，結(jié)果表明QDA結(jié)合FTIR光譜預(yù)測(cè)新鮮腐敗狀態(tài)的效果最好。Spyrelli等[57]進(jìn)一步通過(guò)不同機(jī)器學(xué)習(xí)方法預(yù)測(cè)雞胸肉表面的TVC和假單胞菌數(shù)量，發(fā)現(xiàn)選擇合適的數(shù)據(jù)處理方法對(duì)于模型性能具有至關(guān)重要的意義。綜上，選擇合適的實(shí)驗(yàn)?zāi)繕?biāo)菌相和化學(xué)計(jì)量學(xué)方法可提高預(yù)測(cè)模型的準(zhǔn)確度，這也使紅外光譜在肉類(lèi)腐敗判別中表現(xiàn)出更大的潛力。目前，紅外光譜結(jié)合多元回歸法建立肉源腐敗微生物的定量預(yù)測(cè)模型仍處于探索階段。

表4 紅外光譜在肉類(lèi)腐敗檢測(cè)中的應(yīng)用Table 4 Application of infrared spectroscopy in meat spoilage detection

2.3.2 以揮發(fā)性鹽基氮含量作為預(yù)測(cè)肉類(lèi)腐敗指標(biāo)的研究進(jìn)展

總揮發(fā)性鹽基氮（total volatile basic nitrogen，TVB-N）是我國(guó)國(guó)家標(biāo)準(zhǔn)中規(guī)定的判定肉類(lèi)腐敗的物質(zhì)，其產(chǎn)生與細(xì)菌的代謝活動(dòng)密切相關(guān)。姜新華[59]的研究表明TVB-N含量和TVC的皮爾遜相關(guān)系數(shù)高達(dá)0.902。如表5所示，Wu Xiaohong等[60]在擬合近紅外光譜圖與TVB-N含量的過(guò)程中發(fā)現(xiàn)，Adaboost算法可以顯著提高模型的判別性能，其結(jié)合非相關(guān)性判別分析（uncorrelated linear discriminant analysis，ULDA）可使分類(lèi)正確率達(dá)到100%。此外，特征波段的選擇尤為重要，波段過(guò)長(zhǎng)會(huì)出現(xiàn)數(shù)據(jù)冗雜、后期模型運(yùn)轉(zhuǎn)速度慢等問(wèn)題，但波段過(guò)短會(huì)使數(shù)據(jù)信息缺失，進(jìn)而導(dǎo)致模型的準(zhǔn)確度下降。Ouyang Qin等[61]使用4 種不同的特征波段選擇方法，分別建立了預(yù)測(cè)TVB-N含量的組合區(qū)間偏最小二乘法（synergy interval partial least square，Si-PLS）、變量組合總體-分析-偏最小二乘法（variable combination population analysis partial least squares，VCPA-PLS）、CARS-PLS和隨機(jī)青蛙-偏最小二乘法（random frog partial least squares，RF-PLS）模型，其中RF-PLS預(yù)測(cè)模型的性能最佳，因?yàn)镽F選擇的特征波段提供了更多與—NH2相關(guān)的譜峰。

表5 紅外光譜預(yù)測(cè)肉中TVB-N含量的應(yīng)用Table 5 Application of infrared spectroscopy in predicting TVB-N content in meat

在大多數(shù)的研究中，近紅外光譜多結(jié)合PLSR建立線性回歸模型，很少有研究建立非線性預(yù)測(cè)模型。Chen Yifan等[62]首先利用PCA將數(shù)據(jù)進(jìn)行降維處理，然后結(jié)合BPNN建立TVB-N含量的預(yù)測(cè)模型（r＝0.96），然后采用MIV預(yù)處理方法選擇特征波段，提高了模型的預(yù)測(cè)性能（r＝0.98），說(shuō)明TVB-N含量具有較強(qiáng)的非線性效應(yīng)。利用便攜式近紅外光譜儀能夠較好地預(yù)測(cè)魚(yú)片腐敗，特別是利用GA優(yōu)化BP-ANN的方法最為有效，r和RMSE分別為0.985和0.095[63]。

2.4 光譜成像在肉類(lèi)腐敗檢測(cè)中的應(yīng)用

2.4.1 光譜成像的分類(lèi)及特點(diǎn)

光譜成像技術(shù)可分為多光譜成像技術(shù)、高光譜成像技術(shù)和超光譜成像技術(shù)[64]。多光譜成像技術(shù)同時(shí)包括光譜信息和圖像信息，相比于拉曼光譜和紅外光譜技術(shù)，其具有更小的波段和更加明顯的特征波段[65]。而高光譜成像技術(shù)可獲得點(diǎn)、線和面掃描圖像[66]，其成像方式主要有漫反射、透射和反射成像[67]3 種。超光譜成像技術(shù)的優(yōu)勢(shì)在于同一時(shí)間可測(cè)試樣品整個(gè)區(qū)域內(nèi)所有點(diǎn)的信息，光譜的分辨率也可達(dá)到一個(gè)更精確的數(shù)量級(jí)，但對(duì)其用于肉類(lèi)腐敗微生物的檢測(cè)還鮮有研究。在食品微生物檢測(cè)中，光譜成像主要選用近紅外光波段和可見(jiàn)光波段[68]。物質(zhì)分子結(jié)構(gòu)的特異性決定其在近紅外光譜中存在不同的吸收帶，進(jìn)而能夠通過(guò)差異性圖像光譜結(jié)合化學(xué)計(jì)量學(xué)方法實(shí)現(xiàn)可視化分析。

2.4.2 多光譜成像在肉類(lèi)腐敗菌檢測(cè)中的應(yīng)用

基于多光譜成像技術(shù)的優(yōu)勢(shì)，該技術(shù)不僅可應(yīng)用于肉類(lèi)色澤、紋理等方面的檢測(cè)，而且在肉類(lèi)腐敗微生物的檢測(cè)方面也逐漸發(fā)展起來(lái)。除對(duì)新鮮度和TVC進(jìn)行預(yù)測(cè)[69]，單菌屬的預(yù)測(cè)也是光譜成像技術(shù)應(yīng)用的方向。Panagou等[70]利用PLSR模型預(yù)測(cè)TVC、假單胞菌和熱死環(huán)絲菌水平，結(jié)果顯示，模型對(duì)于TVC的預(yù)測(cè)效果明顯優(yōu)于假單胞菌和熱死環(huán)絲菌。與拉曼光譜和FTIR技術(shù)相似，預(yù)測(cè)目標(biāo)越精確，光譜成像所提供的信息越有限。

數(shù)據(jù)處理方法對(duì)于模型的預(yù)測(cè)能力至關(guān)重要，研究不同的數(shù)據(jù)處理方法是光譜成像技術(shù)發(fā)展的前提。Alshejari等[71]研究發(fā)現(xiàn)，相較于自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理系統(tǒng)（adaptive neural fuzzy inference system，ANFIS）、多層神經(jīng)網(wǎng)絡(luò)（multilayer neural networks，MLP）和PLSR模型，基于自適應(yīng)模糊推理神經(jīng)網(wǎng)絡(luò)（adaptive fuzzy inference neural network，AFINN）的非線性回歸模型對(duì)TVC具有更好的預(yù)測(cè)能力。除此之外，研究人員也將不同光譜學(xué)技術(shù)結(jié)合進(jìn)行微生物預(yù)測(cè)。在進(jìn)行相同數(shù)據(jù)處理的基礎(chǔ)上，多光譜成像結(jié)合FTIR相比單一多光譜成像能夠提供更多的TVC預(yù)測(cè)信息[72]。不同傳感器的信息融合可以提高模型的精確度，為未來(lái)光譜學(xué)技術(shù)應(yīng)用于肉類(lèi)的腐敗預(yù)測(cè)提供了新的研究方向。

2.4.3 高光譜成像在肉類(lèi)腐敗菌檢測(cè)中的應(yīng)用

相對(duì)于多光譜成像，擁有更高精確度的高光譜成像[73]結(jié)合化學(xué)計(jì)量方法在微生物檢測(cè)方面具有明顯優(yōu)勢(shì)。研究表明，利用可見(jiàn)光和近紅外光范圍（400～1 100 nm）的高光譜成像技術(shù)能夠較好地預(yù)測(cè)牛肉、豬肉的腐敗情況[74]。Barbin等[75]利用PLSR建立TVC和嗜冷菌數(shù)（psychrotrophic plate count，PPC）的預(yù)測(cè)模型，得到預(yù)測(cè)集的R2分別為0.86和0.89。魏菁[76]通過(guò)多種數(shù)據(jù)處理方法預(yù)測(cè)冷鮮羊肉的TVC，結(jié)果表明，基于極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）預(yù)測(cè)模型的性能優(yōu)于PLSR、SVM等，在新鮮度分級(jí)模型中，基于混沌粒子群算法（chaos particle swarm optimization，CPSO）的SVM模型的預(yù)測(cè)效果最好。姜新華[59]采用核稀疏圖嵌入典型相關(guān)分析法（kernel sparse graph embedding canonical correlation analysis，KSGECCA）對(duì)高光譜圖像數(shù)據(jù)進(jìn)行提取，并通過(guò)自適反向神經(jīng)網(wǎng)絡(luò)分類(lèi)法使羊肉新鮮度的總體分類(lèi)精度達(dá)到93.93%。除了預(yù)測(cè)微生物數(shù)量隨時(shí)間的變化，高光譜提供的特征值還可以用于構(gòu)建關(guān)于微生物的二級(jí)生長(zhǎng)模型。Zhou Binjing等[77]發(fā)現(xiàn)457、509 nm波長(zhǎng)處的相對(duì)反射率與豬肉表面的假單胞菌數(shù)量相關(guān)性最強(qiáng)，以其作為特征值構(gòu)建假單胞菌關(guān)于溫度的二級(jí)生長(zhǎng)模型，R2在0.849～0.974范圍內(nèi)。同樣，拉曼光譜和FTIR在未來(lái)的研究中也可以涉及微生物二級(jí)生長(zhǎng)模型預(yù)測(cè)。

高光譜成像作為快速檢測(cè)技術(shù)研究的熱點(diǎn)，與FTIR等技術(shù)進(jìn)行信息融合建立預(yù)測(cè)模型是未來(lái)的研究方向之一。相比于單一傳感器，多傳感器融合特征波段的信息可以提高預(yù)測(cè)模型的精確度[78]。

光譜成像在肉類(lèi)腐敗檢測(cè)中的應(yīng)用研究匯總?cè)绫?所示。

表6 光譜成像在肉類(lèi)腐敗檢測(cè)中的應(yīng)用Table 6 Application of spectral imaging in meat spoilage detection

3 結(jié) 語(yǔ)

肉在腐敗過(guò)程中會(huì)發(fā)生很多變化，如酰胺含量的增加、C＝O雙鍵含量的減少、微生物數(shù)量的增加并伴隨著代謝物質(zhì)的產(chǎn)生等，可通過(guò)拉曼光譜、紅外光譜和高光譜成像技術(shù)反映此類(lèi)變化從而實(shí)現(xiàn)對(duì)肉類(lèi)腐敗的快速檢測(cè)。3 種技術(shù)涉及了肉類(lèi)新鮮度及其表面優(yōu)勢(shì)腐敗菌的定性、定量檢測(cè)，并能夠涵蓋不同貯藏條件下的豬、牛、羊、禽、魚(yú)等多個(gè)物種的分割肉或肉制品。在數(shù)據(jù)處理上，光譜的預(yù)處理方法和機(jī)器學(xué)習(xí)的不斷優(yōu)化，使得腐敗預(yù)測(cè)模型具有良好的分類(lèi)和預(yù)測(cè)效果。ELM、KSGECCA法等也被應(yīng)用于模型的建立中，并能夠較好地捕捉光譜中與肉的腐敗相關(guān)的信息。

雖然拉曼光譜、紅外光譜和高光譜成像技術(shù)在肉類(lèi)腐敗檢測(cè)中取到了一定的發(fā)展，但依然存在較多的不足。在定量分析中，3 種技術(shù)預(yù)測(cè)肉中TVC的穩(wěn)定性和精確度仍不能滿足肉類(lèi)工業(yè)的實(shí)際需求；在定性分析中，3 種技術(shù)難以直接對(duì)肉中的腐敗菌屬、種進(jìn)行區(qū)分。不斷改進(jìn)數(shù)據(jù)處理方法和獲取大量的實(shí)驗(yàn)樣本是光譜學(xué)技術(shù)解決以上不足的關(guān)鍵，并且可以以不同光譜技術(shù)的數(shù)據(jù)融合作為研究重點(diǎn)。隨著計(jì)算機(jī)技術(shù)和編程方法的不斷發(fā)展，相信未來(lái)的光譜學(xué)技術(shù)會(huì)融入更加先進(jìn)、便捷的數(shù)據(jù)處理方法，結(jié)合光譜儀器在高準(zhǔn)確度、低成本等方面的不斷升級(jí)，并通過(guò)系統(tǒng)性地建立不同場(chǎng)景的數(shù)據(jù)庫(kù)，最終實(shí)現(xiàn)應(yīng)用于家庭和工業(yè)生產(chǎn)實(shí)時(shí)監(jiān)測(cè)肉品表面微生物數(shù)量的目標(biāo)。另外，通過(guò)進(jìn)一步研究并確定每種腐敗微生物的光譜特征峰，光譜學(xué)技術(shù)手段有望成為快速預(yù)測(cè)微生物種群結(jié)構(gòu)的實(shí)用工具。