摘 要：近年來，近紅外光譜分析技術(shù)以其無損、快速、高效、環(huán)境友好等特點(diǎn)，被廣泛應(yīng)用于肉類品質(zhì)無損快速分析領(lǐng)域。然而，由于基質(zhì)復(fù)雜、水分含量高，肉類常會(huì)對(duì)近紅外光譜產(chǎn)生一定干擾，進(jìn)而影響分析結(jié)果的準(zhǔn)確度。為進(jìn)一步明確近紅外光譜分析技術(shù)在肉類品質(zhì)無損分析方面的最新研究進(jìn)展，本文對(duì)近年來近紅外光譜技術(shù)在牛肉、羊肉、豬肉、雞肉、水產(chǎn)品5 種常見肉類的品質(zhì)無損分析方面的應(yīng)用進(jìn)行梳理，包括品質(zhì)檢測(cè)、分類研究、真?zhèn)舞b別、質(zhì)量安全4 個(gè)方面，并就近紅外光譜分析技術(shù)在肉類品質(zhì)無損分析方面的應(yīng)用進(jìn)行總結(jié)與展望?？蔀榻t外光譜分析技術(shù)在肉類品質(zhì)無損檢測(cè)、分類研究、真?zhèn)舞b別及質(zhì)量安全方面的應(yīng)用提供一定的參考與借鑒。

關(guān)鍵詞：近紅外光譜；肉；品質(zhì)檢測(cè)；分類研究；真?zhèn)舞b別；質(zhì)量安全

Progress in Non-Destructive Analysis of Meat Quality by Near-infrared Spectroscopy

WANG Dong， LUAN Yunxia， WANG Xinran， JIA Wenshen*

（Institute of Quality Standard and Testing Technology， Beijing Academy of Agriculture and Forestry Sciences， Beijing 100097， China）

Abstract： In recent years， near-infrared spectroscopy， being non-destructive， fast， efficient， and environmentally friendly， has been widely applied in the non-destructive and rapid analysis of meat quality. However， the complex matrix and high moisture content of meat often interfere with near-infrared spectroscopy， which will affect the accuracy of analytical results. In order to gain insights into the latest progress in the application of near-infrared spectroscopy in non-destructive analysis of meat quality， this review deals with the recent applications of near-infrared spectroscopy in non-destructive quality analysis of common meats such as beef， mutton， pork， chicken as well as aquatic products from 4 aspects： quality testing， species identification， authentication， and safety evaluation. Moreover， an outlook on future prospects in this field is given. This paper will provide reference and inspiration for the application of near-infrared spectroscopy in non-destructive quality testing， species identification， authentication and safety evaluation of meat.

Keywords： near-infrared spectroscopy; meat; quality testing; species identification; authentication; quality and safety

DOI：10.7506/rlyj1001-8123-20240513-118

中圖分類號(hào)：TS251.5" " " " " " " " " " " " " " " " " " " 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1001-8123（2024）05-0061-10

引文格式：

王冬， 欒云霞， 王欣然， 等. 近紅外光譜無損分析肉類品質(zhì)的研究進(jìn)展[J]. 肉類研究， 2024， 38（5）： 61-70. DOI：10.7506/rlyj1001-8123-20240513-118." " http：//www.rlyj.net.cn

WANG Dong， LUAN Yunxia， WANG Xinran， et al. Progress in non-destructive analysis of meat quality by near-infrared spectroscopy[J]. Meat Research， 2024， 38（5）： 61-70. （in Chinese with English abstract） DOI：10.7506/rlyj1001-8123-20240513-118.

http：//www.rlyj.net.cn

肉類能夠?yàn)槿梭w提供豐富的蛋白質(zhì)、脂肪、維生素等必需營養(yǎng)元素。近年來，隨著居民生活水平的日益提高，消費(fèi)者飲食結(jié)構(gòu)逐漸發(fā)生變化，動(dòng)物性蛋白質(zhì)的占比逐漸增加。根據(jù)國家統(tǒng)計(jì)局《中國統(tǒng)計(jì)年鑒2023》數(shù)據(jù)，2022年，我國豬肉、牛肉、羊肉產(chǎn)量分別超過

5 000萬、700萬、500萬 t，水產(chǎn)品總產(chǎn)量超過6 000萬 t。肉類的品質(zhì)、真?zhèn)魏唾|(zhì)量安全逐漸成為消費(fèi)者日益關(guān)注的焦點(diǎn)，因此對(duì)肉類進(jìn)行品質(zhì)檢測(cè)、分類和真?zhèn)舞b別及質(zhì)量安全風(fēng)險(xiǎn)控制不僅對(duì)消費(fèi)者飲食安全十分重要，也是增強(qiáng)我國肉類市場(chǎng)規(guī)范化程度、提高我國肉類農(nóng)產(chǎn)品附加值和市場(chǎng)競(jìng)爭(zhēng)力的有效技術(shù)手段。

常規(guī)肉類品質(zhì)檢測(cè)技術(shù)手段主要采用國家標(biāo)準(zhǔn)規(guī)定的方法。GB 5009.5—2016《食品安全國家標(biāo)準(zhǔn) 食品中蛋白質(zhì)的測(cè)定》規(guī)定肉品中蛋白質(zhì)的測(cè)定應(yīng)采用凱氏定氮法及分光光度法；GB 5009.6—2016《食品安全國家標(biāo)準(zhǔn) 食品中脂肪的測(cè)定》規(guī)定肉品中脂肪的測(cè)定應(yīng)采用索氏提取法及酸水解法；GB 5009.3—2016《食品安全國家標(biāo)準(zhǔn) 食品中水分的測(cè)定》規(guī)定肉品中水分含量的測(cè)定應(yīng)采用直接干燥法和蒸餾法；GB 5009.228—2016《食品安全國家標(biāo)準(zhǔn) 食品中揮發(fā)性鹽基氮的測(cè)定》中規(guī)定肉品中總揮發(fā)性鹽基氮（total volatile basic nitrogen，TVB-N）的測(cè)定應(yīng)采用半微量定氮法、自動(dòng)凱氏定氮儀法和微量擴(kuò)散法。有關(guān)肉類分類研究和真?zhèn)舞b別的國家標(biāo)準(zhǔn)或行業(yè)標(biāo)準(zhǔn)仍舊缺乏，常用的方法有形態(tài)學(xué)鑒別法及蛋白質(zhì)或DNA分析法等；對(duì)肉類質(zhì)量安全，主要依據(jù)國家標(biāo)準(zhǔn)GB 4789.2—2022《食品安全國家標(biāo)準(zhǔn) 食品微生物學(xué)檢驗(yàn) 菌落總數(shù)測(cè)定》，用測(cè)定菌落總數(shù)法對(duì)肉中的致病微生物進(jìn)行菌落總數(shù)分析。現(xiàn)行國家標(biāo)準(zhǔn)規(guī)定的方法及本領(lǐng)域公認(rèn)的分析方法主要有分析時(shí)間長、分析過程復(fù)雜等問題，從而導(dǎo)致肉類的品質(zhì)檢測(cè)、分類與真?zhèn)涡澡b別和質(zhì)量安全檢測(cè)目前尚以抽檢為主，進(jìn)而導(dǎo)致檢測(cè)覆蓋面受限，難以適應(yīng)現(xiàn)代社會(huì)對(duì)肉類在品質(zhì)分析和質(zhì)量安全等方面存在的大量需求。由此可見，研究肉類品質(zhì)無損檢測(cè)技術(shù)從而實(shí)現(xiàn)肉類品質(zhì)無損快速檢測(cè)，成為亟待解決的難題。

近年來，隨著化學(xué)計(jì)量學(xué)的發(fā)展、計(jì)算機(jī)技術(shù)的進(jìn)步，加之微機(jī)電制造技術(shù)的興起，近紅外光譜分析技術(shù)以其無損、快速、高效及環(huán)境友好等特點(diǎn)得以迅速發(fā)展，被廣泛應(yīng)用于農(nóng)產(chǎn)品及食品的無損快速分析檢測(cè)中[1-2]。

近紅外光譜的吸收主要來源于物質(zhì)分子中含氫官能團(tuán)的合頻與倍頻吸收，絕大多數(shù)有機(jī)物及水等無機(jī)物在近紅外譜區(qū)有明顯的吸收，例如，肉類中的蛋白質(zhì)、脂肪（脂肪酸）、水分等物質(zhì)都在近紅外光譜區(qū)有其各自的吸收，這是近紅外光譜實(shí)現(xiàn)定性及定量分析的光譜學(xué)基礎(chǔ)。近紅外光譜的吸收強(qiáng)度和物質(zhì)含量呈一定的數(shù)學(xué)關(guān)系，這是近紅外光譜實(shí)現(xiàn)定量分析的數(shù)學(xué)基礎(chǔ)；但是由于各官能團(tuán)在近紅外譜區(qū)的吸收重疊嚴(yán)重，一般難以通過單一吸收峰的峰高、峰面積實(shí)現(xiàn)近紅外光譜定量分析，需要對(duì)近紅外光譜數(shù)據(jù)進(jìn)行有效信息提取，進(jìn)一步建立校正模型。在實(shí)驗(yàn)方面，可以采用反射、漫反射、透射及漫透射等多種方式采集實(shí)驗(yàn)樣品的近紅外光譜數(shù)據(jù)，并可實(shí)現(xiàn)對(duì)實(shí)驗(yàn)樣品無損傷、快速采集近紅外光譜數(shù)據(jù)。近年來，近紅外光譜技術(shù)和圖像分析技術(shù)相互融合，誕生了近紅外高光譜、可見-近紅外高光譜分析技術(shù)，并被越來越多地應(yīng)用于農(nóng)產(chǎn)品及食品的品質(zhì)分析中。目前，已有學(xué)者將近紅外光譜技術(shù)用于肉類品質(zhì)分析[3]和水產(chǎn)品質(zhì)量檢測(cè)[4]等領(lǐng)域。

近紅外光譜技術(shù)一般需要在收集代表性樣品的基礎(chǔ)上建立多元校正模型。對(duì)于定性分析，通常采用模型的預(yù)測(cè)準(zhǔn)確率等統(tǒng)計(jì)量作為衡量所建模型的分類能力；對(duì)于定量分析，一般需要計(jì)算模型的決定系數(shù)（R2）、均方根誤差（root mean square error，RMSE）和相對(duì)預(yù)測(cè)性能（ratio performance deviation，RPD）。其中，R2用于反映模型的相關(guān)性，在數(shù)值上和相關(guān)系數(shù)（correlation coefficient，r）的平方相等，R2越接近1則模型的相關(guān)性越好，R2越接近0則模型的相關(guān)性越差；RMSE用于反映模型的誤差大小，RMSE的數(shù)值越小則模型的誤差越小，RMSE的數(shù)值越大則模型的誤差越大；RPD用于反映模型的預(yù)測(cè)性能[5]，RPD≥3.0表示模型具有較好的預(yù)測(cè)性能，1.5≤RPD＜3.0表明模型的預(yù)測(cè)性能可以用于快速檢測(cè)或初篩分析，RPD＜1.5表明模型的預(yù)測(cè)性能較差。

需要注意的是，在建立近紅外光譜定量校正模型時(shí)，校正集、交互驗(yàn)證集和外部驗(yàn)證集（預(yù)測(cè)集）分別有各自的R2和RMSE，一般用下標(biāo)C、CV、P表示，即校正測(cè)定系數(shù)（R2C）、交互驗(yàn)證測(cè)定系數(shù)（R2CV）、外部驗(yàn)證測(cè)定系數(shù)（R2P）、校正均方根誤差、交互驗(yàn)證均方根誤差和外部驗(yàn)證均方根誤差（root mean square error of prediction，RMSEP）。在眾多統(tǒng)計(jì)量中，R2P、RMSEP和RPD最為重要，這3 個(gè)統(tǒng)計(jì)量分別反映模型預(yù)測(cè)數(shù)據(jù)的相關(guān)性、預(yù)測(cè)誤差和模型的預(yù)測(cè)性能。

本文對(duì)近年來近紅外光譜技術(shù)在牛肉、羊肉、豬肉、雞肉和水產(chǎn)品的品質(zhì)無損分析方面的應(yīng)用進(jìn)行梳理，包括品質(zhì)檢測(cè)、分類研究、真?zhèn)舞b別和質(zhì)量安全四方面，并對(duì)近紅外光譜技術(shù)在肉類品質(zhì)無損分析方面的應(yīng)用進(jìn)行總結(jié)與展望，為近紅外光譜分析技術(shù)在肉類品質(zhì)無損分析方面的應(yīng)用提供一定的參考與借鑒。

1 近紅外光譜技術(shù)在肉類品質(zhì)檢測(cè)方面的應(yīng)用

很多學(xué)者探索了近紅外光譜技術(shù)應(yīng)用于肉類品質(zhì)檢測(cè)[6]，例如，肉類水分含量分析[7-8]和脂肪酸定量分析[9]等。本節(jié)從牛肉、羊肉、豬肉、雞肉及水產(chǎn)品5 個(gè)方面對(duì)近紅外光譜技術(shù)在肉類品質(zhì)檢測(cè)方面的應(yīng)用進(jìn)行綜述。

1.1 牛肉品質(zhì)近紅外光譜無損檢測(cè)

有學(xué)者研究基于近紅外光譜技術(shù)的牛肉品質(zhì)無損檢測(cè)方法，包括氨基酸、水分、蛋白質(zhì)、脂肪及pH值等，并探討關(guān)鍵變量篩選在建立牛肉品質(zhì)近紅外光譜模型中的應(yīng)用。Dong Fujia等[10]用可見-近紅外高光譜成像與長短期記憶網(wǎng)絡(luò)相結(jié)合評(píng)價(jià)牛肉必需氨基酸指數(shù)，結(jié)果表明，牛肉必需氨基酸指數(shù)評(píng)價(jià)模型的R2P和RPD分別0.909 5和2.76。Dias等[11]用400～2 500 nm波長的可見-近紅外反射光譜預(yù)測(cè)漢堡中牛肉的水分、蛋白質(zhì)和脂肪含量，結(jié)果表明，脂肪、粗蛋白和水分含量的R2CV分別為0.93、0.89和0.72，交互驗(yàn)證標(biāo)準(zhǔn)差（standard error of cross validation，SECV）分別為1.25、0.99和2.18。禹文杰等[12]基于可見-近紅外高光譜成像技術(shù)對(duì)牛肉水分含量及分布進(jìn)行快速檢測(cè)，結(jié)果表明，采用卷積平滑對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理后所建牛肉水分偏最小二乘回歸模型效果較好，R2P和RMSEP分別為0.850和0.375。喬蘆等[13]

基于可見-近紅外高光譜成像技術(shù)建立牛肉pH值的定量模型并對(duì)牛肉pH值空間分布進(jìn)行預(yù)測(cè)，結(jié)果表明，所建偏最小二乘回歸模型的R2P和RMSEP分別為0.783 7和0.072 2；此外，還利用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣-偏最小二乘回歸模型計(jì)算牛肉樣本中像素點(diǎn)的pH值并通過選取742 nm波長處的偽彩色圖像直觀表示牛肉樣本的pH值空間分布情況。

1.2 羊肉品質(zhì)近紅外光譜無損檢測(cè)

大量研究表明，近紅外光譜技術(shù)在羊肉品質(zhì)無損檢測(cè)中具有較好的應(yīng)用效果，包括蛋白質(zhì)、脂肪、脂肪酸等常規(guī)營養(yǎng)指標(biāo)，以及TVB-N含量等表征羊肉新鮮度的指標(biāo)，甚至硬度、黏性等物理指標(biāo)。梁靜等[14]基于近紅外光譜技術(shù)建立羊肉營養(yǎng)成分定量分析模型，結(jié)果表明，采用改良偏最小二乘算法建模效果最佳；脂肪、蛋白質(zhì)、油酸、亞油酸、單不飽和脂肪酸及多不飽和脂肪酸模型的R2CV分別為0.916 6、0.913 9、0.910 4、0.937 3、0.962 5和0.952 0，R2P分別為0.936、0.916、0.843、0.883、0.911和0.895，RPD分別為3.843、4.229、3.306、3.524、4.299和3.795。Liu Sijia等[15]采用可見-近紅外高光譜成像結(jié)合熵權(quán)法綜合評(píng)價(jià)灘羊肉抗氧化酶活性，結(jié)果表明，迭代保留信息變量-競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣-紋理特征-人工神經(jīng)網(wǎng)絡(luò)模型效果最佳，R2P和RMSEP分別為0.881 3和0.050 8。康景等[16]基于近紅外光譜技術(shù)結(jié)合改良偏最小二乘法構(gòu)建新鮮羊肉粗脂肪的定量分析模型，結(jié)果表明，模型的R2C、R2P和RPD分別為0.91、0.90和3.60。Liu Cunchuan等[17]基于電子鼻與可見-近紅外高光譜圖像數(shù)據(jù)融合，建立羊肉TVB-N定量模型；結(jié)果表明，所建模型的RMSEP、預(yù)測(cè)相關(guān)系數(shù)（correlation coefficient of prediction，rP）和RPD分別為3.039、0.920和3.59。Zhang Jingjing等[18]采用波長900～1 700 nm的近紅外高光譜成像結(jié)合優(yōu)化算法快速評(píng)價(jià)灘羊肉物理指標(biāo)，結(jié)果表明，最小二乘支持向量機(jī)-區(qū)間變量迭代空間收縮-競(jìng)爭(zhēng)自適應(yīng)沖加權(quán)采樣算法所建的灘羊肉硬度和黏性模型效果最佳，RMSEP分別為5.259和3.051，R2P

分別為0.986和0.984；最小二乘支持向量機(jī)-區(qū)間變量迭代空間收縮-連續(xù)投影算法所建灘羊肉咀嚼性模型效果最佳，R2P和RMSEP分別為0.987和4.970。Cheng Lijuan等[19]基于近紅外高光譜數(shù)據(jù)建立灘羊肉冷藏過程中高鐵肌紅蛋白含量的定量模型，結(jié)果表明，通過廣義二維相關(guān)光譜篩選關(guān)鍵波長變量，所建高鐵肌紅蛋白含量定量模型的R2P、RMSEP和RPD分別為0.849、2.695和2.786。Fan Naiyun等[20]基于900～1 700 nm波長的近紅外高光譜成像數(shù)據(jù)建立硫代巴比妥酸反應(yīng)物（thiobarbituric acid reactive substances，TBARS）值的定量模型，從而評(píng)價(jià)羊肉脂質(zhì)氧化程度，結(jié)果表明，競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣-最小二乘支持向量機(jī)模型效果最佳，R2P、RMSEP和RPD分別為0.83、0.11和2.82。

1.3 雞肉品質(zhì)近紅外光譜無損檢測(cè)

在雞肉品質(zhì)無損檢測(cè)方面，有學(xué)者研究基于近紅外光譜技術(shù)建立雞肉蛋白質(zhì)、水分和氨基酸等品質(zhì)的無損分析模型，并探討關(guān)鍵變量篩選在建立雞肉品質(zhì)無損分析模型中的應(yīng)用。Ramo等[21]采用數(shù)字圖像、近紅外光譜、數(shù)據(jù)融合和多元校準(zhǔn)法建立雞蛋粉中的水分、總蛋白和磷含量模型，結(jié)果表明，總蛋白模型的校正相關(guān)系數(shù)（rC）和RPD分別為0.995和9.55；基于臺(tái)式近紅外光譜儀水分模型的rC和RPD分別為0.974和4.35，基于臺(tái)式近紅外光譜儀的總磷含量模型的rC和RPD分別為0.98和4.3。Serva等[22]基于近紅外光譜結(jié)合機(jī)器學(xué)習(xí)算法建立雞胸肉品質(zhì)模型，結(jié)果表明，粗蛋白和醚提取物R2CV分別為0.98和0.99，然而只有3 種氨基酸（天冬氨酸、丙氨酸和甲硫氨酸）的R2CV大于0.55。袁凱等[23]采用間隔偏最小二乘-區(qū)間變量迭代空間收縮-迭代保留信息變量算法篩選近紅外光譜關(guān)鍵波長變量，建立生鮮雞胸肉水分模型，結(jié)果表明，rP和RMSEP分別為0.943 5和0.612 3。何鴻舉等[24]

基于近紅外高光譜技術(shù)，采用偏最小二乘回歸算法建立雞肉滴水損失率定量模型，結(jié)果表明，用逐步回歸法從基線校正全光譜中篩選14 個(gè)優(yōu)化波長變量建立的多元線性回歸模型，rP、RMSEP和RPD分別為0.97、0.22和4.19。陶琳麗等[25]基于1 000～2 502 nm波長的近紅外光譜數(shù)據(jù)，采用偏最小二乘回歸算法建立雞胸肌凍干粉賴氨酸定量預(yù)測(cè)模型，結(jié)果表明，R2P和RPD分別為0.88和2.93。

1.4 豬肉品質(zhì)近紅外光譜無損檢測(cè)

很多學(xué)者針對(duì)豬肉品質(zhì)近紅外光譜無損檢測(cè)開展研究，包括脂肪、肌紅蛋白等營養(yǎng)指標(biāo)，以及酸價(jià)、TBARS值和TVB-N含量等表征豬肉氧化程度或新鮮度的指標(biāo)。Zuo Jiewen等[26]用近紅外高光譜成像技術(shù)無損檢測(cè)豬肉營養(yǎng)物質(zhì)含量及其分布，結(jié)果表明，標(biāo)準(zhǔn)正態(tài)變量變換結(jié)合競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣算法提取的關(guān)鍵波長變量具有更好的預(yù)測(cè)性能，所建脂肪模型的rP、RMSEP和RPD分別為0.929、0.699和2.669，所建蛋白質(zhì)模型的rP、RMSEP和RPD分別為0.934、0.603和2.586。Rong Yanna等[27]用便攜式可見-近紅外光譜儀快速檢測(cè)凍豬肉的肌紅蛋白，結(jié)果表明，肌紅蛋白、脫氧肌紅蛋白、氧合肌紅蛋白和總肌紅蛋白的rP分別為0.909 5、0.900 4、0.857 8和0.913 3。Cheng Jiehong等[28]采用高光譜成像結(jié)合三維卷積神經(jīng)網(wǎng)絡(luò)的廣義和異二維相關(guān)性分析評(píng)估豬肉中的脂質(zhì)氧化，結(jié)果表明，TBARS值的三維卷積神經(jīng)網(wǎng)絡(luò)模型效果最佳，R2P和RMSEP分別為0.921 4和0.036 4。何鴻舉等[29]采用近紅外高光譜技術(shù)建立冷鮮豬肉酸價(jià)的定量模型，結(jié)果表明，采用回歸系數(shù)法對(duì)原光譜篩選28 個(gè)關(guān)鍵波長變量建立偏最小二乘回歸模型，rP、RMSEP和RPD分別為0.846、0.569和1.831。何鴻舉等[30]基于近紅外高光譜技術(shù)建立冷鮮豬肉2-硫代巴比妥酸（2-thiobarbituric acid，TBA）定量模型用于評(píng)估冷鮮豬肉脂質(zhì)氧化情況，結(jié)果表明，采用回歸系數(shù)法篩選29 個(gè)關(guān)鍵波長變量所建偏最小二乘回歸模型的rP和RMSEP分別為0.924和0.034。張凡等[31]為實(shí)現(xiàn)豬肉新鮮度等級(jí)的快速綜合評(píng)價(jià)，以貯藏1～14 d豬肉為研究對(duì)象，建立新鮮度指標(biāo)（TVB-N含量）的近紅外光譜快速預(yù)測(cè)模型，結(jié)果表明，模型的rP、驗(yàn)證集標(biāo)準(zhǔn)分析誤差（standard error of prediction，SEP）和RPD分別為0.967 7、2.177 4和2.977 9。

1.5 水產(chǎn)品品質(zhì)近紅外光譜無損檢測(cè)

水產(chǎn)品脂肪酸含量、新鮮度是決定其品質(zhì)的重要指標(biāo)。有學(xué)者采用近紅外光譜技術(shù)建立三文魚等水產(chǎn)品中脂肪酸含量的無損分析模型；并有學(xué)者探索基于近紅外光譜技術(shù)建立水產(chǎn)品新鮮度的定量校正模型。

Lintvedt等[32]用拉曼光譜和近紅外高光譜成像在線檢測(cè)三文魚片的脂肪酸含量，結(jié)果表明，對(duì)二十碳五烯酸（eicosapentaenoic acid，EPA）和二十二碳六烯酸（docosahexaenoic acid，DHA）建模，拉曼光譜和近紅外高光譜模型的R2CV分別為0.96和0.97。苗鈞魁等[33]基于近紅外光譜技術(shù)建立磷蝦油中磷脂、EPA、DHA和酸價(jià)的偏最小二乘模型，結(jié)果表明，酸價(jià)的交互驗(yàn)證相關(guān)系數(shù)（rCV）為0.917，其余指標(biāo)的rCV均大于0.95；酸價(jià)的交互驗(yàn)證相對(duì)預(yù)測(cè)性能（RPD of cross validation，RPDCV）為2.365，其余指標(biāo)的RPDCV、外部驗(yàn)證相對(duì)預(yù)測(cè)性能（RPD of external validation，RPDEV）及酸價(jià)的RPDEV均大于2.5。Agyekum等[34]基于近紅外光譜建立魚類鮮度指標(biāo)（K值）的定量校正模型，結(jié)果表明，采用蟻群偏最小二乘算法所建模型的rC和rP分別為0.982 7和0.978 6。

可見大量文獻(xiàn)表明，近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)算法建立校正模型，在常見肉類的化學(xué)成分（蛋白質(zhì)、脂肪、水分、脂肪酸和氨基酸）、新鮮度（TVB-N含量、TBARS值和K值）、物理屬性（硬度和黏性）等品質(zhì)的檢測(cè)方面具有較好應(yīng)用，所建模型具有較好的相關(guān)性和較高的預(yù)測(cè)準(zhǔn)確度，可以滿足肉類品質(zhì)快速檢測(cè)的需求。近紅外光譜技術(shù)在肉類品質(zhì)檢測(cè)方面的應(yīng)用概況如表1所示。

2 近紅外光譜技術(shù)在肉類分類方面的應(yīng)用

眾多學(xué)者探索了近紅外光譜技術(shù)應(yīng)用于肉類分類研究[35]，例如，清真食品中是否含有非清真成分[36]、新鮮豬肉和長期凍藏豬肉的鑒別[37]等。本節(jié)對(duì)近年來近紅外光譜在肉類分類研究方面的應(yīng)用進(jìn)行綜述。

在牛肉分類研究和產(chǎn)地溯源方面，有學(xué)者基于近紅外光譜技術(shù)開展有關(guān)研究，并就光譜波長的選擇進(jìn)行較為細(xì)致的研究。辛世華等[38]用可見-近紅外高光譜成像技術(shù)對(duì)荷斯坦乳牛、秦川牛、西門塔爾牛、安格斯牛和利木贊牛5 個(gè)品種的牛肉進(jìn)行快速無損判別，結(jié)果表明，一階導(dǎo)數(shù)預(yù)處理后，采用徑向基函數(shù)-支持向量機(jī)算法所建模型的校正集和預(yù)測(cè)集的準(zhǔn)確率分別為100%和99%。Barragán等[39]利用可見-近紅外光譜結(jié)合判別分析算法鑒定不同飼糧谷物源牛肉，從而為鑒別牛肉脂肪酸種類提供依據(jù)，結(jié)果表明，對(duì)大麥喂養(yǎng)、玉米喂養(yǎng)牛的皮下脂肪和完整胸最長肌樣本的偏最小二乘判別分析模型總體分類準(zhǔn)確率不低于94%。黃玨等[40]基于近紅外光譜技術(shù)建立進(jìn)口牛肉產(chǎn)地溯源定性判別模型，結(jié)果表明，經(jīng)標(biāo)準(zhǔn)正態(tài)變量變換、一階導(dǎo)數(shù)和平滑預(yù)處理，澳大利亞、新西蘭、加拿大進(jìn)口牛肉的近紅外平均光譜變化趨勢(shì)基本一致，在4 400～5 000、5 500～6 050、6 500～7 800、8 600～10 500 cm－1波數(shù)內(nèi)存在差異；全譜（4 000～12 000 cm－1）數(shù)據(jù)的主成分分析和判別分析可有效區(qū)分不同產(chǎn)地的進(jìn)口牛肉，判別正確率達(dá)到100%。王彩霞等[41]基于可見-近紅外高光譜成像技術(shù)建立荷斯坦乳牛、秦川牛和西門塔爾牛的牛肉品種鑒別模型，結(jié)果表明，經(jīng)一階導(dǎo)數(shù)預(yù)處理后，基于競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣算法提取的關(guān)鍵波長變量所建支持向量機(jī)模型的校正集和預(yù)測(cè)集正確率分別為100%和98.82%。

在豬肉分類研究方面，有學(xué)者基于近紅外光譜技術(shù)建立豬肉分類模型，獲得較高的分類正確率。白天等[42]基于近紅外光譜技術(shù)建立凍融豬肉糜鑒別模型，結(jié)果表明，子空間判別模型和線性判別模型的預(yù)測(cè)正確判別率分別為96.2%和94.3%。Horcada等[43]采用便攜近紅外光譜儀對(duì)伊比利亞豬肉進(jìn)行官方質(zhì)量類別認(rèn)證研究，結(jié)果表明，基于鮮肉和皮下脂肪樣品的近紅外光譜數(shù)據(jù)，胴體正確分類率分別可達(dá)到93.2%和93.4%。Totaro等[44]研究豬肉脂肪部分的近紅外光譜數(shù)據(jù)結(jié)合數(shù)據(jù)驅(qū)動(dòng)變量簇類獨(dú)立軟模式算法建立豬肉鑒別模型，結(jié)果表明，標(biāo)準(zhǔn)正態(tài)變量變換預(yù)處理結(jié)合前4 個(gè)主成分所建分類模型最佳，校準(zhǔn)和驗(yàn)證的靈敏度和特異性均達(dá)到100%。

在雞肉分類研究方面，有學(xué)者基于近紅外光譜技術(shù)結(jié)合機(jī)器學(xué)習(xí)算法建立雞肉分類模型，并得到正確率較高的結(jié)果。Parastar等[45]采用近紅外光譜結(jié)合機(jī)器學(xué)習(xí)算法建立新鮮雞肉和凍融雞肉的分類模型，結(jié)果表明，基于隨機(jī)子空間判別集成算法所建判別模型的分類準(zhǔn)確率大于95%，優(yōu)于偏最小二乘判別分析、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。

在水產(chǎn)品分類研究方面，有學(xué)者基于近紅外光譜技術(shù)結(jié)合機(jī)器學(xué)習(xí)算法建立分類模型，所得判別準(zhǔn)確度較高。Chen Xinghao等[46]使用近紅外光譜結(jié)合一維卷積神經(jīng)網(wǎng)絡(luò)對(duì)鮭魚和鱈魚進(jìn)行分類，所建模型的判別準(zhǔn)確度可達(dá)98.00%。王劭晟等[47]基于近紅外光譜數(shù)據(jù)和機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)挪威大西洋真鱈和冰島黑線鱈等8 種鱈魚品種的快速分類，結(jié)果表明，獨(dú)立成分分析法結(jié)合支持向量機(jī)的鱈魚品種二分類模型的預(yù)測(cè)準(zhǔn)確率可達(dá)到97.2%、召回率達(dá)到99.4%。

可見，近紅外光譜技術(shù)在肉類分類方面的研究以建立定性分類鑒別模型為主，其中，關(guān)鍵變量的篩選及機(jī)器學(xué)習(xí)算法的應(yīng)用大幅提高了所建模型的判別準(zhǔn)確度，大多數(shù)模型的判別準(zhǔn)確率可達(dá)到95%及以上。近紅外光譜技術(shù)在肉類分類研究方面的應(yīng)用概況如表2所示。

3 近紅外光譜技術(shù)在肉類真?zhèn)舞b別方面的應(yīng)用

分類研究側(cè)重于區(qū)分不同種類的肉。有別于分類研究，肉類真?zhèn)舞b別側(cè)重于肉中是否含有其他本不應(yīng)含有的成分。很多學(xué)者研究近紅外光譜技術(shù)應(yīng)用于肉類摻

假[48]及真?zhèn)舞b別[49]，例如，鑒別羊肉摻假[50]等，而豬肉等常被作為牛羊肉的摻假成分[51]需被鑒別。本節(jié)對(duì)近年來近紅外光譜在肉類真?zhèn)舞b別方面的應(yīng)用進(jìn)行綜述。

針對(duì)牛肉中的摻假成分豬肉、鴨肉、雞肉及植物蛋白，很多學(xué)者基于近紅外光譜技術(shù)建立牛肉摻假無損鑒別模型。Weng Shizhuang等[52]基于可見-近紅外反射光譜結(jié)合多變量算法建立牛肉糜摻假豬肉的快速檢測(cè)方法，結(jié)果表明，采用主成分分析消除共線干擾后建立深度卷積神經(jīng)網(wǎng)絡(luò)判別模型的準(zhǔn)確率可達(dá)到99%以上；采用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣-隨機(jī)森林算法建立的定量模型，R2P和RMSEP分別為0.973和2.145。陳亮亮等[53]基于近紅外高光譜技術(shù)建立牛肉中豬肉摻入量的定量模型，其采用逐步回歸算法篩選8 個(gè)關(guān)鍵波長變量所建多元線性回歸模型的R2P、RMSEP、RPD分別為0.96、5.70和5.56。Leng Tuo等[54]采用近紅外光譜結(jié)合化學(xué)計(jì)量學(xué)算法定量檢測(cè)牛肉與豬肉、鴨肉的二元、三元摻假，結(jié)果表明，篩選關(guān)鍵波長變量且無預(yù)處理建模，二元、三元摻假體系的分類正確率分別達(dá)到100%、91.5%，全波段偏最小二乘回歸模型對(duì)二元、三元摻假體系的rP分別為95.80%和95.69%，RMSEP分別為7.27和9.27。朱亞東等[55]

采用近紅外高光譜成像技術(shù)結(jié)合現(xiàn)行回歸算法對(duì)牛肉中摻假雞肉建立定量模型，結(jié)果表明，采用連續(xù)投影算法結(jié)合多元線性回歸算法所建模型效果最佳，模型的R2P、RMSEP和RPD分別為0.97、5.31和6.82。王婧茹等[56]

基于近紅外高光譜成像技術(shù)建立牛肉中豌豆蛋白摻入量的定量模型，結(jié)果表明，采用回歸系數(shù)法從高斯濾波平滑預(yù)處理光譜中篩選24 個(gè)關(guān)鍵波長變量所建偏最小二乘模型的R2P、RMSEP和RPD分別為0.90、2.85和6.19。

何鴻舉等[57]基于近紅外高光譜數(shù)據(jù)建立牛肉中摻入的大豆分離蛋白的定量模型，結(jié)果表明，全譜偏最小二乘回歸定量模型效果最佳，模型的rP、RMSEP和RPD分別為0.96、2.33和4.04。

已有文獻(xiàn)表明，對(duì)于高價(jià)值的牛肉和羊肉，廉價(jià)肉類（如雞肉、鴨肉、豬肉）是主要的摻假成分。針對(duì)這一問題，眾多學(xué)者基于近紅外光譜技術(shù)研究牛肉和羊肉摻假模型的建立。Wang Li等[58]采用可見-近紅外二維相關(guān)光譜-深度學(xué)習(xí)法和偏最小二乘-判別分析法識(shí)別牛肉和羊肉中的摻假雞肉、鴨肉和豬肉成分，結(jié)果表明，殘差卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法具有有效提取二維相關(guān)光譜特征信息的優(yōu)勢(shì)，模型的正確識(shí)別率達(dá)到100%。梁靜等[59]基于近紅外光譜技術(shù)建立牛肉及羊肉中摻假雞肉和鴨肉的正交偏最小二乘判別分析定量模型，經(jīng)數(shù)據(jù)平滑結(jié)合多元散射校正預(yù)處理的牛肉摻假模型對(duì)訓(xùn)練集、預(yù)測(cè)集的鑒別準(zhǔn)確率分別為97.24%和90%；經(jīng)數(shù)據(jù)平滑結(jié)合標(biāo)準(zhǔn)正態(tài)變量變換預(yù)處理的羊肉摻假模型對(duì)訓(xùn)練集和預(yù)測(cè)集的鑒別準(zhǔn)確率分別為97.24%和97.14%。Dashti等[60]用便攜式可見-近紅外高光譜成像儀和近紅外高光譜成像儀建立牛肉和羊肉中摻假豬肉定量模型，結(jié)果表明，基于可見-近紅外高光譜成像數(shù)據(jù)所建定量模型具有更好的預(yù)測(cè)性能，牛肉中摻假豬肉、羊肉中摻假豬肉模型的R2P分別為0.99和0.88，RMSEP分別為9和24。

對(duì)于羊肉中摻入的雞肉、鴨肉和豬肉，甚至狐貍?cè)獾膯栴}，很多學(xué)者基于近紅外光譜技術(shù)開展相關(guān)研究，建立羊肉摻假判別模型。另一方面，還有學(xué)者研究新鮮和凍融羊肉的摻假鑒別。Jiang Hongzhe等[61]用可見光和近紅外高光譜成像針對(duì)羊肉串中摻入的雞肉、鴨肉和豬肉進(jìn)行鑒別，結(jié)果表明，偏最小二乘-判別分析模型對(duì)新鮮羊肉串摻假的判別準(zhǔn)確度、靈敏度、特異性和精確度分別為97.5%、1.00、0.97和0.91，對(duì)熟羊肉串摻假的判別準(zhǔn)確度、靈敏度、特異性和精確度分別為100%、1.00、1.00和1.00。Zhang Yaoxin等[62]用高光譜圖像結(jié)合頻譜變換遞歸圖-卷積神經(jīng)網(wǎng)絡(luò)鑒別和定量測(cè)定新鮮和凍融摻假羊肉，結(jié)果表明，新鮮、凍融、混合3 種摻假羊肉的分類準(zhǔn)確率分別為100%、100%和99.95%；對(duì)于摻假羊肉中豬肉含量的預(yù)測(cè)，新鮮、凍融、混合3 種數(shù)據(jù)集的R2分別為0.976 2、0.980 7和0.947 9。趙靜遠(yuǎn)等[63]基于可見-近紅外高光譜技術(shù)和近紅外高光譜技術(shù)建立羊肉摻假偏最小二乘定量檢測(cè)模型，結(jié)果表明，近紅外高光譜模型效果優(yōu)于可見-近紅外高光譜模型；采用標(biāo)準(zhǔn)正態(tài)變量變換預(yù)處理、連續(xù)投影算法篩選關(guān)鍵波長變量后所建偏最小二乘模型的R2P、RMSEP和RPD分別為0.968 4、0.058 2和5.625 4。白宗秀等[64]基于近紅外高光譜技術(shù)建立羊肉中摻假狐貍?cè)獾亩磕Ｐ?，結(jié)果表明，采用二維相關(guān)光譜提取的14 個(gè)關(guān)鍵波長變量所建支持向量回歸模型的預(yù)測(cè)性能最優(yōu)，模型的驗(yàn)證測(cè)定系數(shù)（R2V）、驗(yàn)證均方根誤差（root mean square error of validation，RMSEV）和RPD分別為0.928、3.00和4.85。

可見，近紅外光譜技術(shù)在肉類真?zhèn)舞b別方面不僅具有較好的定性識(shí)別正確率，而且具有較高的定量預(yù)測(cè)準(zhǔn)確度；向牛肉、羊肉中摻入豬肉、鴨肉、狐貍?cè)饧爸参锏鞍椎攘畠r(jià)成分是近年來肉類真?zhèn)舞b別研究較多的內(nèi)容。近紅外光譜技術(shù)在肉類真?zhèn)舞b別方面的應(yīng)用概況如表3所示。

4 近紅外光譜技術(shù)在肉類質(zhì)量安全方面的應(yīng)用

很多學(xué)者進(jìn)行近紅外光譜技術(shù)應(yīng)用于肉類質(zhì)量安全檢測(cè)相關(guān)研究，例如，肉類食源性病原菌的快速監(jiān)測(cè)[65]等。本節(jié)對(duì)近年來近紅外光譜在肉類質(zhì)量安全方面的應(yīng)用進(jìn)行綜述。

有學(xué)者基于近紅外光譜技術(shù)研究牛肉微生物定量分析方法及牛肉中摻入變質(zhì)牛肉的定量檢測(cè)方法。

Achata等[66]用可見-近紅外高光譜成像結(jié)合化學(xué)計(jì)量學(xué)檢測(cè)牛肉背最長肌微生物含量，結(jié)果表明，4 ℃下菌落總數(shù)模型的R2P、RMSEP和RPD分別為0.96、0.58和4.13。Zhao Haitao等[67]基于可見-近紅外高光譜成像結(jié)合最小二乘支持向量機(jī)算法檢測(cè)牛肉中摻入的變質(zhì)牛肉，結(jié)果表明，采用入侵性雜草優(yōu)化算法篩選關(guān)鍵波長變量，基于所選關(guān)鍵波長變量的光譜數(shù)據(jù)建立的變質(zhì)牛肉定量模型，R2P和RMSEP分別為0.95和5.67。

此外，有學(xué)者基于近紅外光譜技術(shù)研究豬肉中卡拉膠的定量測(cè)定方法及病死豬肉的鑒別模型。何鴻舉等[68]采用近紅外高光譜技術(shù)對(duì)含有不同濃度梯度卡拉膠的豬里脊肉以漫反射方式采集光譜，采用偏最小二乘回歸算法建立注膠肉無損定量檢測(cè)模型，結(jié)果表明，采用連續(xù)投影算法篩選關(guān)鍵波長變量，基于所選關(guān)鍵波長變量的光譜數(shù)據(jù)建立豬里脊肉中卡拉膠的定量檢測(cè)模型，rP、RMSEP和RPD分別為0.93、3.51和2.66。戴小也等[69]采用近紅外光譜技術(shù)建立病死豬肉鑒別模型，結(jié)果表明，經(jīng)過標(biāo)準(zhǔn)正態(tài)變量變換，結(jié)合多元散射校正預(yù)處理和傅里葉變換降維后，所建支持向量機(jī)分類模型的交叉驗(yàn)證準(zhǔn)確率達(dá)到94.5%。

有學(xué)者將關(guān)鍵變量篩選方法應(yīng)用于雞肉微生物如熱殺索絲菌、食源性病原體金黃色葡萄球菌的定性及定量檢測(cè)，并基于數(shù)據(jù)融合方法研究雞肉菌落總數(shù)定量模型的建立。何鴻舉等[70]基于近紅外高光譜技術(shù)快速評(píng)估雞肉熱殺索絲菌含量，嘗試多元散射校正、基線校正和標(biāo)準(zhǔn)正態(tài)變量變換3 種數(shù)據(jù)預(yù)處理方法，分別采用偏最小二乘回歸、多元線性回歸建立雞肉熱殺索絲菌定量校正模型，并采用偏最小二乘系數(shù)法、逐步回歸算法、連續(xù)投影算法篩選關(guān)鍵波長變量，結(jié)果表明，經(jīng)基線校正預(yù)處理的全波光譜構(gòu)建的偏最小二乘模型預(yù)測(cè)雞肉熱殺索絲菌效果最佳，rP和RMSEP分別為0.973和0.295。Qiu Ruicheng等[71]采用可見-近紅外高光譜對(duì)新鮮雞胸肉中的食源性病原體金黃色葡萄球菌建立分類模型，結(jié)果表明，卷積神經(jīng)網(wǎng)絡(luò)模型優(yōu)于傳統(tǒng)分類模型，雞肉樣本分類的總體準(zhǔn)確率從83.88%提高到91.38%。Li Xiaoxin等[72]

將可見-近紅外高光譜成像和近紅外高光譜成像進(jìn)行數(shù)據(jù)初級(jí)和中級(jí)融合，采用偏最小二乘回歸算法建立雞肉中TVB-N含量和菌落總數(shù)的定量模型，結(jié)果表明，基于融合數(shù)據(jù)所建模型TVB-N含量、菌落總數(shù)2 個(gè)指標(biāo)均由于單一數(shù)據(jù)模型；對(duì)于TVB-N含量，中級(jí)融合模型效果最佳，R2P和RMSEP分別為0.865 2和2.609 4；對(duì)于菌落總數(shù)，初級(jí)融合模型效果最佳，R2P和RMSEP分別為0.927 5和0.188 9。

可見，近紅外光譜技術(shù)應(yīng)用于肉類質(zhì)量安全方面的研究主要集中于致病菌、變質(zhì)或病死肉以及添加劑的不安全使用方面，所建模型具有較好的相關(guān)性和較高的預(yù)測(cè)準(zhǔn)確度，可以滿足肉類質(zhì)量安全初篩的需求。其中，數(shù)據(jù)融合方法被引入肉類質(zhì)量安全模型的建立過程，并成功建立了肉類菌落總數(shù)模型。近紅外光譜技術(shù)在肉類質(zhì)量安全方面的應(yīng)用概況如表4所示。

5 結(jié) 語

近紅外光譜技術(shù)由于具有快速、無損、高效等特點(diǎn)，在肉類品質(zhì)分析方面有廣泛的應(yīng)用。大量文獻(xiàn)表明，在肉類品質(zhì)方面，基于近紅外光譜技術(shù)所建肉類化學(xué)成分、新鮮度及物理屬性的定量校正模型具有較高的準(zhǔn)確度，可以滿足肉類品質(zhì)快速檢測(cè)的需求；在肉類分類方面，基于近紅外光譜技術(shù)建立的肉類定性分類鑒別模型具有較高的分類準(zhǔn)確率；在肉類真?zhèn)舞b別方面，基于近紅外光譜技術(shù)不僅可以建立較高正確率的定性識(shí)別模型，而且可以建立預(yù)測(cè)準(zhǔn)確度較高的定量分析模型；在肉類質(zhì)量安全方面，采用近紅外光譜技術(shù)建立的致病菌等模型具有較好的相關(guān)性和較高的預(yù)測(cè)準(zhǔn)確度。研究表明，近紅外光譜技術(shù)結(jié)合線性回歸和機(jī)器學(xué)習(xí)等化學(xué)計(jì)量學(xué)算法、關(guān)鍵變量篩選方法、數(shù)據(jù)融合方法等技術(shù)，可高效建立肉類品質(zhì)無損分析模型，并且可滿足肉類品質(zhì)、分類、真?zhèn)舞b別和質(zhì)量安全方面的快速分析需求。將近紅外光譜技術(shù)應(yīng)用于肉類品質(zhì)分析，可實(shí)現(xiàn)肉類品質(zhì)的無損、快速檢測(cè)，在大幅降低檢測(cè)成本的同時(shí)還可有效提高檢測(cè)覆蓋面，從而有利于提升肉類品質(zhì)、確保肉品真實(shí)性，進(jìn)而為肉類質(zhì)量安全提供技術(shù)支持，并有利于肉類品質(zhì)分析檢測(cè)領(lǐng)域的高質(zhì)量發(fā)展。

目前，近紅外光譜應(yīng)用于肉類品質(zhì)檢測(cè)已有GB/T 41366—2022《畜禽肉品質(zhì)檢測(cè) 水分、蛋白質(zhì)、脂肪含量的測(cè)定 近紅外法》、NY/T 3512—2019《肉中蛋白無損檢測(cè)法 近紅外法》、NY/T 2797—2015《肉中脂肪無損檢測(cè)方法 近紅外法》等相關(guān)標(biāo)準(zhǔn)。2022年3月1日實(shí)施的GB/T 40467—2021《畜禽肉品質(zhì)檢測(cè) 近紅外法通則》針對(duì)畜禽肉的特點(diǎn)，建立了科學(xué)、適用的肉品檢測(cè)近紅外光譜分析體系，規(guī)范了檢測(cè)儀器配備、樣品處理、模型建立和驗(yàn)證等檢測(cè)程序和要求；該標(biāo)準(zhǔn)的制定和發(fā)布將有效完善中國畜禽肉品質(zhì)檢測(cè)標(biāo)準(zhǔn)體系，提升畜禽肉品質(zhì)快速檢測(cè)水平，提高畜禽肉品質(zhì)檢測(cè)效率[73]。由此可見，近紅外光譜技術(shù)在肉類品質(zhì)分析方面的應(yīng)用正日趨成熟，并有望逐步成為肉類品質(zhì)分析檢測(cè)的標(biāo)準(zhǔn)方法。

通過梳理已有研究，近紅外光譜技術(shù)在肉類品質(zhì)分析中的應(yīng)用還需注意以下4 個(gè)方面的問題：1）建模光譜形式選擇。近紅外光譜的數(shù)據(jù)可以用吸光度、透過率、反射率3 種常用方式進(jìn)行記錄。從化學(xué)角度而言，在一定含量范圍內(nèi)，只有吸光度和目標(biāo)物質(zhì)的含量具有線性相關(guān)性，透過率、反射率和吸光度的換算是負(fù)對(duì)數(shù)函數(shù)，因此透過率、反射率數(shù)據(jù)本身和目標(biāo)物質(zhì)的含量并不具備線性相關(guān)性。目前很多文獻(xiàn)采用反射率作為近紅外光譜的分析數(shù)據(jù)，以反射率數(shù)據(jù)作為自變量建立校正模型，從純數(shù)學(xué)角度也可建立模型，但該模型的載荷無法從化學(xué)角度進(jìn)行解讀。2）模型維護(hù)的長期性。近紅外光譜的模型需要經(jīng)常維護(hù)，而且是長期維護(hù)，這樣才能使近紅外光譜模型和新的樣品相適應(yīng)，以確保模型的準(zhǔn)確度和精密度。從實(shí)用的角度出發(fā)，穩(wěn)定且連續(xù)的3～5 年樣品數(shù)據(jù)是建立一個(gè)實(shí)用的近紅外光譜校正模型的基礎(chǔ)。然而近紅外光譜模型并不是一勞永逸的，對(duì)于一個(gè)連續(xù)的工作，后面年份樣品不斷加入、前面年份樣品有選擇地退出，在相對(duì)穩(wěn)定的范圍內(nèi)形成動(dòng)態(tài)變化的訓(xùn)練集樣品是確保近紅外光譜校正模型預(yù)測(cè)準(zhǔn)確度的關(guān)鍵。3）模型描述的規(guī)范性。目前的文獻(xiàn)對(duì)模型性能的描述參數(shù)尚缺乏規(guī)范性，例如，對(duì)相關(guān)性的描述有測(cè)定系數(shù)、相關(guān)系數(shù)，對(duì)誤差的描述有預(yù)測(cè)均方根誤差、交互驗(yàn)證標(biāo)準(zhǔn)差、標(biāo)準(zhǔn)分析誤差等。在此呼吁采用標(biāo)準(zhǔn)化的參數(shù)對(duì)所建模型的性能進(jìn)行描述，從而可以更好地對(duì)不同學(xué)者的學(xué)術(shù)成果進(jìn)行橫向比較，并有益于近紅外光譜技術(shù)在肉類品質(zhì)分析領(lǐng)域的長期應(yīng)用。關(guān)于近紅外光譜定量校正模型的參數(shù)，可以參考GB/T 29858--—2013《分子光譜多元校正定量分析通則》。4）對(duì)所篩選關(guān)鍵波長變量的解析。很多學(xué)者采用變量篩選算法對(duì)近紅外光譜數(shù)據(jù)篩選了關(guān)鍵波長變量，在一定程度上達(dá)到了簡(jiǎn)化模型的目的。對(duì)于所選關(guān)鍵波長變量，其穩(wěn)定性和普適性是模型成敗的關(guān)鍵。另一方面，對(duì)所選波長變量的解析尚鮮有文獻(xiàn)報(bào)道。雖然近紅外光譜的解析是非常困難的，但是從光譜學(xué)結(jié)合化學(xué)角度對(duì)所選關(guān)鍵波長變量進(jìn)行解析，從而判斷關(guān)鍵波長變量的歸屬及其官能團(tuán)來源十分必要，將有益于從分子角度理解所建模型的含義，并能夠?yàn)槿忸惼焚|(zhì)分析提供機(jī)理方面的參考。

參考文獻(xiàn)：

[1] GRASSI S， JIMéNEZ A， RUIZ J， et al. Use of ultrasound and NIRs as tools for monitoring ice formation in superchilled meat[J]. Journal of Food Engineering， 2024， 369： 111957. DOI：10.1016/j.jfoodeng.2024.111957.

[2] XU X D， GAO B， LI Y Y， et al. The effect of temperature on the identification of NIR animal fats and oils species and its mechanism[J]. Vibrational Spectroscopy， 2023， 124： 103498. DOI：10.1016/j.vibspec.2023.103498.

[3] TANG X， XIE L， LIU S Y， et al. Extensive evaluation of prediction performance for 15 pork quality traits using large scale VIS/NIRS data[J]. Meat Science， 2022， 192： 108902. DOI：10.1016/j.meatsci.2022.108902.

[4] MELADO-HERREROS á， NIETO-ORTEGA S， OLABARRIETA I，

et al. Comparison of three rapid non-destructive techniques coupled with a classifier to increase transparency in the seafood value chain： Bioelectrical impedance analysis （BIA）， near-infrared spectroscopy （NIR） and time domain reflectometry （TDR）[J]. Journal of Food Engineering， 2022， 322： 110979. DOI：10.1016/j.jfoodeng.2022.110979.

[5] 王冬， 馮海智， 李龍， 等. 兩種近紅外光譜儀的番茄可溶性固形物含量定量模型比較研究[J]. 光譜學(xué)與光譜分析， 2023， 43（5）： 1351-1357. DOI：10.3964/j.issn.1000-0593（2023）05-1351-07.

[6] 何鴻舉， 朱亞東， 王慧， 等. 近紅外光譜技術(shù)在生鮮禽肉質(zhì)量檢測(cè)中應(yīng)用的研究進(jìn)展[J]. 食品科學(xué)， 2019， 40（21）： 317-323. DOI：10.7506/spkx1002-6630-20181119-218.

[7] 王廷敏， 謝安國， 付淑亞， 等. 基于低場(chǎng)核磁-近紅外二維相關(guān)光譜技術(shù)研究加熱溫度對(duì)牛肉水分的影響[J]. 食品與發(fā)酵工業(yè)， 2023， 49（20）： 288-293. DOI：10.13995/j.cnki.11-1802/ts.032552.

[8] ACHATA E M， ESQUERRE C， OJHA K S， et al. Development of NIR-HSI and chemometrics process analytical technology for drying of beef jerky[J]. Innovative Food Science and Emerging Technologies， 2021， 69： 102611. DOI：10.1016/j.ifset.2021.102611.

[9] 撒苗苗， 李亞蕾， 羅瑞明， 等. 灘羊肉中油酸和亞油酸含量的近紅外預(yù)測(cè)模型建立[J]. 肉類研究， 2020， 34（9）： 39-45. DOI：10.7506/rlyj1001-8123-20200520-128.

[10] DONG F J， BI Y Z， HAO J， et al. A new comprehensive quantitative index for the assessment of essential amino acid quality in beef using Vis-NIR hyperspectral imaging combined with LSTM[J]. Food Chemistry， 2024， 440： 138040. DOI：10.1016/j.foodchem.2023.138040.

[11] DIAS C S A M M， NUNES H P， MELO T M M V， et al. Application of near infrared reflectance （NIR） spectroscopy to predict the moisture， protein， and fat content of beef for gourmet hamburger preparation[J]. Livestock Science， 2021， 254： 104772. DOI：10.1016/j.livsci.2021.104772.

[12] 禹文杰， 王彩霞， 喬蘆， 等. 高光譜成像技術(shù)對(duì)牛肉水分含量及分布的快速檢測(cè)[J]. 光電子·激光， 2020， 31（3）： 326-333. DOI：10.16136/j.joel.2020.03.035.

[13] 喬蘆， 賀曉光， 王松磊， 等. 利用高光譜成像技術(shù)預(yù)測(cè)牛肉pH值及其空間分布[J]. 河南農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2020， 54（4）： 664-672. DOI：10.16445/j.cnki.1000-2340.2020.04.015.

[14] 梁靜， 趙祥民， 李璐璐， 等. 基于近紅外光譜技術(shù)構(gòu)建民勤羊肉養(yǎng)分含量檢測(cè)模型[J]. 食品與發(fā)酵工業(yè)， 2023， 49（14）： 272-279. DOI：10.13995/j.cnki.11-1802/ts.034102.

[15] LIU S J， DONG F J， HAO J， et al. Combination of hyperspectral imaging and entropy weight method for the comprehensive assessment of antioxidant enzyme activity in Tan mutton[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2023， 291： 122342. DOI：10.1016/j.saa.2023.122342.

[16] 康景， 姚海博， 梁婷， 等. 基于不同近紅外建模軟件定量分析新鮮羊肉營養(yǎng)成分[J]. 食品與發(fā)酵工業(yè)， 2022， 48（22）： 248-254. DOI：10.13995/j.cnki.11-1802/ts.030201.

[17] LIU C C， CHU Z J， WENG S Z， et al. Fusion of electronic nose and hyperspectral imaging for mutton freshness detection using input-modified convolution neural network[J]. Food Chemistry， 2022， 385： 132651. DOI：10.1016/j.foodchem.2022.132651.

[18] ZHANG J J， MA Y H， LIU G S， et al. Rapid evaluation of texture parameters of Tan mutton using hyperspectral imaging with optimization algorithms[J]. Food Control， 2022， 135： 108815. DOI：10.1016/j.foodcont.2022.108815.

[19] CHENG L J， LIU G S， HE J G， et al. Development of a novel quantitative function between spectral value and metmyoglobin content in Tan mutton[J]. Food Chemistry， 2021， 342： 128351. DOI：10.1016/j.foodchem.2020.128351.

[20] FAN N Y， MA X， LIU G S， et al. Rapid determination of TBARS content by hyperspectral imaging for evaluating lipid oxidation in mutton[J]. Journal of Food Composition and Analysis， 2021， 103： 104110. DOI：10.1016/j.jfca.2021.104110.

[21] RAMO L B， NOBREGA R O， FERNANDES D D S， et al. Determination of moisture and total protein and phosphorus contents in powdered chicken egg samples using digital images， NIR spectra， data fusion， and multivariate calibration[J]. Journal of Food Composition and Analysis， 2024， 127： 105940. DOI：10.1016/j.jfca.2023.105940.

[22] SERVA L， MARCHESINI G， CULLERE M， et al. Testing two NIRs instruments to predict chicken breast meat quality and exploiting machine learning approaches to discriminate among genotypes and presence of myopathies[J]. Food Control， 2023， 144： 109391. DOI：10.1016/j.foodcont.2022.109391.

[23] 袁凱， 張志勇， 席前， 等. 3步混合變量選擇策略在雞肉近紅外水分檢測(cè)中的應(yīng)用[J]. 食品與機(jī)械， 2020， 36（9）： 72-76; 81. DOI：10.13652/j.issn.1003-5788.2020.09.012.

[24] 何鴻舉， 王洋洋， 王魏， 等. 基于不同預(yù)處理高光譜信息的雞肉滴水損失率快速預(yù)測(cè)研究[J]. 食品工業(yè)科技， 2020（18）： 252-256; 279. DOI：10.13386/j.issn1002-0306.2020.18.040.

[25] 陶琳麗， 陶冶， 甘文斌， 等. 雞胸肌凍干粉賴氨酸近紅外定量預(yù)測(cè)模型的建立與優(yōu)化[J]. 現(xiàn)代食品科技， 2021， 37（10）： 270-282. DOI：10.13982/j.mfst.1673-9078.2021.10.0114.

[26] ZUO J W， PENG Y K， LI Y Y， et al. Nondestructive detection of nutritional parameters of pork based on NIR hyperspectral imaging technique[J]. Meat Science， 2023， 202： 109204. DOI：10.1016/j.meatsci.2023.109204.

[27] RONG Y N， ZAREEF M， LIU L H， et al. Application of portable Vis-NIR spectroscopy for rapid detection of myoglobin in frozen pork[J]. Meat Science， 2023， 201： 109170. DOI：10.1016/j.meatsci.2023.109170.

[28] CHENG J H， SUN J， YAO K S， et al. Generalized and hetero two-dimensional correlation analysis of hyperspectral imaging combined with three-dimensional convolutional neural network for evaluating lipid oxidation in pork[J]. Food Control， 2023， 153： 109940. DOI：10.1016/j.foodcont.2023.109940.

[29] 何鴻舉， 王魏， 王洋洋， 等. 基于近紅外高光譜技術(shù)快速檢測(cè)冷鮮豬肉酸價(jià)[J]. 食品與發(fā)酵工業(yè)， 2020， 46（10）： 264-270. DOI：10.13995/j.cnki.11-1802/ts.023489.

[30] 何鴻舉， 王魏， 李波， 等. 近紅外高光譜快速無接觸評(píng)估冷鮮豬肉脂質(zhì)氧化[J]. 食品與機(jī)械， 2020， 36（8）： 117-122. DOI：10.13652/j.issn.1003-5788.2020.08.021.

[31] 張凡， 姜鑫， 張存存， 等. 近紅外光譜結(jié)合灰色關(guān)聯(lián)度分析快速綜合評(píng)價(jià)豬肉新鮮度[J]. 河北農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2020， 43（1）： 89-95. DOI：10.13320/j.cnki.jauh.2020.0013.

[32] LINTVEDT T A， ANDERSEN P V， AFSETH N K， et al. Raman spectroscopy and NIR hyperspectral imaging for in-line estimation of fatty acid features in salmon fillets[J]. Talanta， 2023， 254： 124113. DOI：10.1016/j.talanta.2022.124113.

[33] 苗鈞魁， 張雅婷， 金永霈， 等. 近紅外技術(shù)在南極磷蝦油關(guān)鍵品質(zhì)指標(biāo)快速檢測(cè)中的應(yīng)用研究[J]. 食品工業(yè)科技， 2022， 43（14）： 10-17. DOI：10.13386/j.issn1002-0306.2021120098.

[34] AGYEKUM A A， KUTSANEDZIE F Y H， ANNAVARAM V， et al. FT-NIR coupled chemometric methods rapid prediction of K-value in fish[J]. Vibrational Spectroscopy， 2020， 108： 103044. DOI：10.1016/j.vibspec.2020.103044.

[35] 楊旭寧， 郭中華， 吳忻怡， 等. 基于Matlab GUI的羊肉產(chǎn)地鑒別平臺(tái)設(shè)計(jì)[J]. 現(xiàn)代電子技術(shù)， 2019， 42（12）： 21-24. DOI：10.16652/j.issn.1004-373x.2019.12.005.

[36] ALSAQRI S N， MABOOD F， BOQUé R， et al. Rapid detection of pork gelatin in ice cream samples by using non-destructive FT-NIR spectroscopy and partial least squares-discriminant analysis[J]. Food Chemistry Advances， 2023， 2： 100215. DOI：10.1016/j.focha.2023.100215.

[37] ZHAO J Y， YAO H Z. Non-destructive identification of long-term frozen pork by near infrared analysis technology and electronic nose technique[J]. Journal of Food Science and Biotechnology， 2021， 40（3）： 89-96. DOI：10.3969/j.issn.1673-1689.2021.03.011.

[38] 辛世華， 韓小珍， 王彩霞. 基于高光譜成像技術(shù)對(duì)牛肉品種判別的研究[J]. 食品研究與開發(fā)， 2019， 40（20）： 190-194. DOI：10.12161/j.issn.1005-6521.2019.20.034.

[39] BARRAGáN W， AALHUS J L， PENNER G， et al. Authentication of barley-finished beef using visible and near infrared spectroscopy （Vis-NIRS） and different discrimination approaches[J]. Meat Science， 2021， 172： 108342. DOI：10.1016/j.meatsci.2020.108342.

[40] 黃玨， 王正亮， 李慕雨， 等. 基于電子舌和近紅外光譜技術(shù)的進(jìn)口牛肉產(chǎn)地溯源[J]. 中國食品學(xué)報(bào)， 2021， 21（12）： 254-260. DOI：10.16429/j.1009-7848.2021.12.027.

[41] 王彩霞， 王松磊， 賀曉光， 等. 基于可見/近紅外高光譜成像技術(shù)的牛肉品種鑒別[J]. 食品工業(yè)科技， 2019， 40（12）： 241-247. DOI：10.13386/j.issn1002-0306.2019.12.039.

[42] 白天， 張麗華， 李順峰， 等. 基于近紅外光譜的凍融豬肉糜鑒別模型研究[J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào)， 2023， 14（20）： 56-63. DOI：10.19812/j.cnki.jfsq11-5956/ts.2023.20.002.

[43] HORCADA A， VALERA M， JUáREZ M， et al. Authentication of Iberian pork official quality categories using a portable near infrared spectroscopy （NIRS） instrument[J]. Food Chemistry， 2020， 318： 126471. DOI：10.1016/j.foodchem.2020.126471.

[44] TOTARO M P， SQUEO G， ANGELIS D D， et al. Application of NIR spectroscopy coupled with DD-SIMCA class modelling for the authentication of pork meat[J]. Journal of Food Composition and Analysis， 2023， 118： 105211. DOI：10.1016/j.jfca.2023.105211.

[45] PARASTAR H， KOLLENBURG G V， WEESEPOEL Y， et al. Integration of handheld NIR and machine learning to “Measure 7 Monitor” chicken meat authenticity[J]. Food Control， 2020， 112： 107149. DOI：10.1016/j.foodcont.2020.107149.

[46] CHEN X H， CHENG G Y， LIU S H， et al. Probing 1D convolutional neural network adapted to near-infrared spectroscopy for efficient classification of mixed fish[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2022， 279： 121350. DOI：10.1016/j.saa.2022.121350.

[47] 王劭晟， 田緒紅， 邱少健， 等. 基于近紅外光譜結(jié)合機(jī)器學(xué)習(xí)的鱈魚品種二分類方法研究[J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào)， 2021， 12（22）： 8651-8659. DOI：10.19812/j.cnki.jfsq11-5956/ts.2021.22.002.

[48] 郎玉苗， 楊春柳， 李翠. 光譜技術(shù)在肉品摻雜摻假鑒別中的應(yīng)用研究進(jìn)展[J]. 肉類研究， 2019， 33（2）： 72-77. DOI：10.7506/rlyj1001-8123-20181217-231.

[49] SILVA L C R， FOLLI G S， SANTOS L P， et al. Quantification of beef， pork， and chicken in ground meat using a portable NIR spectrometer[J]. Vibrational Spectroscopy， 2020， 111： 103158. DOI：10.1016/j.vibspec.2020.103158.

[50] ZHANG Y X， ZHENG M C， ZHU R G， et al. Detection of adulteration in mutton using digital images in time domain combined with deep learning algorithm[J]. Meat Science， 2022， 192： 108850. DOI：10.1016/j.meatsci.2022.108850.

[51] MABOOD F， BOQUé R， ALKINDI A Y， et al. Fast detection and quantification of pork meat in other meats by reflectance FT-NIR spectroscopy and multivariate analysis[J]. Meat Science， 2020， 163： 108084. DOI：10.1016/j.meatsci.2020.108084.

[52] WENG S Z， GUO B Q， TANG P P， et al. Rapid detection of adulteration of minced beef using Vis/NIR reflectance spectroscopy with multivariate methods[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2020， 230： 118005. DOI：10.1016/j.saa.2019.118005.

[53] 陳亮亮， 朱亞東， 李夢(mèng)姣， 等. 基于近紅外高光譜成像快速預(yù)測(cè)牛肉中豬肉摻入量[J]. 海南師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2022， 35（4）： 402-406. DOI：10.12051/j.issn.1674-4942.2022.04.008.

[54] LENG T， LI F， XIONG L A， et al. Quantitative detection of binary and ternary adulteration of minced beef meat with pork and duck meat by NIR combined with chemometrics[J]. Food Control， 2020， 113： 107203. DOI：10.1016/j.foodcont.2020.107203.

[55] 朱亞東， 何鴻舉， 王魏， 等. 高光譜成像技術(shù)結(jié)合現(xiàn)行回歸算法快速預(yù)測(cè)雞肉摻假牛肉[J]. 食品工業(yè)科技， 2020， 41（4）： 184-189. DOI：10.13386/j.issn1002-0306.2020.04.031.

[56] 王婧茹， 何鴻舉， 朱亞東， 等. 基于近紅外高光譜技術(shù)快速檢測(cè)豌豆蛋白摻假牛肉[J]. 食品工業(yè)科技， 2023， 44（14）： 312-317. DOI：10.13386/j.issn1002-0306.2022090263.

[57] 何鴻舉， 朱亞東， 陳巖， 等. 基于高光譜成像快速檢測(cè)牛肉糜中大豆分離蛋白摻入量[J]. 食品工業(yè)科技， 2020， 41（20）： 206-211. DOI：10.13386/j.issn1002-0306.2020.20.033.

[58] WANG L， LIANG J， LI F， et al. Deep learning based on the Vis-NIR two-dimensional spectroscopy for adulteration identification of beef and mutton[J]. Journal of Food Composition and Analysis， 2024， 126： 105890. DOI：10.1016/j.jfca.2023.105890.

[59] 梁靜， 郝生燕， 趙祥民， 等. 基于近紅外光譜技術(shù)構(gòu)建牛羊肉摻假鑒別模型[J]. 甘肅農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2023， 58（1）： 19-29; 37. DOI：10.13432/j.cnki.jgsau.2023.01.003.

[60] DASHTI A， MüLLER-MAATSCH J， ROETGERINK E， et al. Comparison of a portable Vis-NIR hyperspectral imaging and a snapscan SWIR hyperspectral imaging for evaluation of meat authenticity[J]. Food Chemistry： X， 2023， 18： 100667. DOI：10.1016/j.fochx.2023.100667.

[61] JIANG H Z， YUAN W D， RU Y， et al. Feasibility of identifying the authenticity of fresh and cooked mutton kebabs using visible and near-infrared hyperspectral imaging[J]. Spectrochimica Acta Part A：

Molecular and Biomolecular Spectroscopy， 2022， 282： 121689. DOI：10.1016/j.saa.2022.121689.

[62] ZHANG Y X， ZHENG M C， ZHU R G， et al. Adulteration discrimination and analysis of fresh and frozen-thawed minced adulterated mutton using hyperspectral images combined with recurrence plot and convolutional neural network[J]. Meat Science， 2022， 192： 108900. DOI：10.1016/j.meatsci.2022.108900.

[63] 趙靜遠(yuǎn)， 張俊芹， 孫梅， 等. 基于高光譜成像的羊肉摻假可視化無損定量檢測(cè)[J]. 食品與機(jī)械， 2022， 38（10）： 61-68. DOI：10.13652/j.spjx.1003.5788.2022.90174.

[64] 白宗秀， 朱榮光， 王世昌， 等. 高光譜圖像結(jié)合特征變量篩選定量檢測(cè)羊肉中狐貍?cè)鈸郊賉J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（17）： 276-284. DOI：10.11975/j.issn.1002-6819.2021.17.032.

[65] BONAH E， HUANG X Y， AHETO J H， et al. Comparison of variable selection algorithms on vis-NIR hyperspectral imaging spectra for quantitative monitoring and visualization of bacterial foodborne pathogens in fresh pork muscles[J]. Infrared Physics and Technology， 2020， 107： 103327. DOI：10.1016/j.infrared.2020.103327.

[66] ACHATA E M， OLIVEIRA M， ESQUERRE C A， et al. Visible and NIR hyperspectral imaging and chemometrics for prediction of microbial quality of beef Longissimus dorsi muscle under simulated normal and abuse storage conditions[J]. LWT-Food Science and Technology， 2020， 128： 109463. DOI：10.1016/j.lwt.2020.109463.

[67] ZHAO H T， FENG Y Z， CHEN W， et al. Application of invasive weed optimization and least square support vector machine for prediction of beef adulteration with spoiled beef based on visible near-infrared （Vis-NIR） hyperspectral imaging[J]. Meat Science， 2019， 151： 75-81. DOI：10.1016/j.meatsci.2019.01.010.

[68] 何鴻舉， 朱亞東， 王魏， 等. 基于近紅外高光譜成像快速無損檢測(cè)注膠肉研究[J]. 食品工業(yè)科技， 2020， 41（10）： 219-223. DOI：10.13386/j.issn1002-0306.2020.10.036.

[69] 戴小也， 於鑫慧， 饒中鈺. 基于近紅外光譜技術(shù)的豬肉品質(zhì)檢測(cè)應(yīng)用研究[J]. 紅外， 2018， 39（9）： 22-26; 48. DOI：10.3969/j.issn.1672-8785.2018.09.004.

[70] 何鴻舉， 蔣圣啟， 馬漢軍， 等. 基于NIR高光譜技術(shù)快速預(yù)測(cè)冷鮮雞肉熱殺索絲菌含量[J]. 食品工業(yè)科技， 2020， 41（13）： 241-246; 252. DOI：10.13386/j.issn1002-0306.2020.13.038.

[71] QIU R C， ZHAO Y L， KONG D D， et al. Development and comparison of classification models on VIS-NIR hyperspectral imaging spectra for qualitative detection of the Staphylococcus aureus in fresh chicken breast[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2023， 285： 121838. DOI：10.1016/j.saa.2022.121838.

[72] LI X X， CAI M R， LI M S， et al. Combining Vis-NIR and NIR hyperspectral imaging techniques with a data fusion strategy for the rapid qualitative evaluation of multiple qualities in chicken[J]. Food Control， 2023， 145： 109416. DOI：10.1016/j.foodcont.2022.109416.

[73] 高勝普， 李春保， 王永林， 等. 重要畜禽屠宰與肉類加工技術(shù)標(biāo)準(zhǔn)解讀[J]. 肉類工業(yè)， 2022（11）： 46-52.