近红外光谱技术快速测定鹅肉嫩度

杨 勇，杨庆余，林 巍，王存堂，张 舵，董 原，宋春丽，裴世春*，李毛毛，胥红利

（齐齐哈尔大学食品与生物工程学院，农产品加工黑龙江省普通高校重点实验室，黑龙江 齐齐哈尔 161006）

摘 要：目的：应用近红外光谱技术快速检测鹅肉的嫩度值。方法：采集完整鹅肉的近红外光谱（950～
1 650 nm），光谱经多种校正预处理后，再分别采用主成分回归和偏最小二乘法建立鹅肉嫩度的定量预测数学模型。结果：采用5点移动窗口平滑处理结合偏最小二乘法所建立模型的预测效果最好，嫩度定量校正数学模型的模型决定系数为0.908 0，内部交互验证均方根误差为113.618 6。用此模型对预测集20 个样品进行预测，预测值与实测值的相关系数达到0.971 1，预测值平均偏差为21.673g，预测值和实测值之间没有显著性差异（P＞0.05）。结论：近红外光谱作为一种无损快速的检测方法，可用于评价鹅肉的嫩度。

关键词：近红外光谱；鹅肉；嫩度；沃-布剪切力

Rapid Determination of Goose Tenderness Using Near Infrared Spectroscopy

YANG Yong, YANG Qing-yu, LIN Wei, WANG Cun-tang, ZHANG Duo, DONG Yuan,

SONG Chun-li, PEI Shi-chun*, LI Mao-mao, XU Hong-li

(Key Laboratory of Processing Agricultural Products of Heilongjiang Province,

College of Food and Biological Engineering, Qiqihar University, Qiqihar 161006, China)

Abstract: Objective: To propose a rapid method for the identification of goose tenderness by near infrared spectroscopy (NIR) technology. Methods: NIR spectra (950–1 650 nm) of goose meat were collected. After multiple correction and pretreatment of the spectra, mathematical models for the quantitative prediction of goose tenderness were established by principal component regression (PCR) and partial least squares regression (PLSR). Results: The PLSR model based on five-point moving window smoothing was the best predictive model with a determination coefficient (R2) of 0.908 0 and a root mean square error of cross validation (RMSECV) of 113.618 6. No significant difference (P ＞ 0.05) was found between the predicted and measured values for 20 samples in the prediction set, with a correlation coefficient of 0.971 1, and the predicted values showed an average bias of 21.673 g. Conclusion: NIR can be used in the evaluation of goose meat tenderness as a fast nondestructive detection method.

Key words: near infrared spectroscopy (NIR); goose meat; tenderness ; Warner-Bratzler shear force (WBSF)

中图分类号：TS251.7 文献标志码：A 文章编号：1002-6630（2014）08-0259-04

doi:10.7506/spkx1002-6630-201408052

我国鹅肉产量世界第一，占全球产量的94.36%[1]，鹅肉品质快速无损检测研究意义重大。嫩度是肉品品质的一个重要感官特征，也是其食用质量与商业价值的重要指标，肉质鲜嫩的肉很受消费者欢迎，具有较高的经济效益[2-3]。目前肉嫩度检测主要使用的方法包括感官评定和剪切力方法，前者一般是由经过训练的品评员或消费者组成的品评小组品尝判定，后者一般利用剪切力方法判定，应用的主要有沃-布剪切力（Warner-Bratzler shear force，WBSF）法。感官评定肉嫩度主观性强、耗时、重复性差、花费高。剪切力法测定嫩度结果客观，但这种检测方法操作过程很繁琐、耗时、有损，且不能在肉类生产在线应用[4-8]。近红外光谱作为新型光学检测技术在食品行业中得到广泛应用，该技术能实现肉品在线、快速、无损检测，是肉和肉制品品质分析的重要和最具潜力的新技术之一[9-13]。国外研究者[14-18]对牛肉、羊肉和鸡肉的嫩度品质等进行了近红外光谱预测研究，并取得了较满意的效果。国内Cai Jianrong等[19]把WBSF看做是肉嫩度的一个重要指标，确定了用近红外光谱在肉中测定WBSF的可行性[19]。张德权等[21]对羊肉嫩度进行了近红外预测，光谱经矢量归一法处理后，建立的羊肉嫩度模型精度最高，模型的决定系数达到0.862，建模集交互验证均方差为0.445 0。根据目前的报道总结，近红外嫩度研究绝大部分是针对牛肉、羊肉和猪肉，另有少部分的鸡肉[14-22]，但近红外光谱技术从未应用于鹅肉嫩度检测中。我国是鹅肉生产和出口第一大国，应用近红外技术判断生鲜鹅肉的品质，对待售生鲜肉进行自动分级、按质论价、分级加工，指导鹅肉制品的生产，促进鹅肉制品的销售具有重要的意义。本实验拟利用近红外光谱技术对鹅肉嫩度进行研究，考察近红外光谱和鹅肉嫩度之间的相关性，建立鹅肉嫩度的近红外检测模型，研究利用近红外光谱预测鹅肉嫩度的方法，为建立鹅肉的在线无损检测技术提供一定的参考依据。

1 材料与方法

1.1 材料与仪器

鹅肉品种为狮头鹅，采购自齐齐哈尔。

DA7200二极管阵列近红外光谱仪（256像素InGaSe检测器，波长范围900～1 700 nm） 瑞典Perten公司；QTS-25质构仪 美国Brookfield实验仪器有限公司；HH-S型恒温水浴锅 巩仪义市予华仪器有限责任公司；真空封装机 广东东莞金桥电子产品公司。

1.2 方法

1.2.1 鹅肉近红外光谱采集

将剔除骨头和外皮的鹅肉样品均匀平铺在Ø 75 mm的样品杯中，使用近红外分析仪以2 nm的分辨率扫描60 次，样品及环境温度均为25 ℃，光谱扫描范围为900～1 700 nm，得出扫描光谱图。每个样品重复扫描3 次，每次扫描时样品要求重新装样，保持装样的均一性，求得平均光谱曲线。

1.2.2 鹅肉剪切力的测量

鹅肉剪切力的测量采用Warner-Bratzler剪切刀头，质构仪的设置参数如表1所示。

表 1 质构仪测剪切力设置参数

Table 1 The WBSF parameters of texture analyzer

将剔除骨头和外皮的鹅肉装入蒸煮袋内，在100 ℃的沸水中煮到中心温度达到80 ℃，并持续10 min。将蒸煮袋取出后用凉水冲凉，然后取出鹅肉顺着肌纤维的方向切条，规格为40 mm×10 mm×10 mm。将修整后的鹅肉条置于质构仪上，选择Warner-Bratzler剪切刀头垂直于肌纤维方向对鹅肉条进行剪切测定，每块肉取3 条检测，每条检测2 次，平均每块肉样检测6 次取平均值。根据鹅肉样品的剪切力范围从鹅肉样品中选取具有代表性的60 个特征样品作为校正集样品，其余随机选取20 个作为预测集样品。

1.2.3 光谱数据处理与分析

利用Unscrambler 9.8软件对5点移动窗口平滑处理（smothing，SM）、一阶微分（first derivative，FD）、标准正态变量变换（standard normal variate，SNV）和多元散射校正（multiplicative signal correction，MSC）等6 种光谱预处理方法的消噪效果进行比较，应用主成分回归（principle component regression，PCR）和偏最小二乘法（partial least square，PLS）两种数学校正方法分别建模。用模型决定系数（R2）、交互验证均方根误差（root mean standard error of cross validation，RMSECV）、预测均方根误差（root mean square error of prediction，RMSEP）为模型精度评价指标，用预测值和实测值的相关系数（r）和预测平均偏差（Bias）检验模型的准确度。

2 结果与分析

2.1 鹅肉样品近红外平均光谱图

校正集60 个鹅肉样品的近红外平均光谱图见图1，剪切力数据分布如表2所示。从光谱图来看，在950～1 650 nm谱区内，鹅肉近红外反射光谱曲线各区段表现出独特吸收，在整个光谱区间有多处吸收峰呈递增或递减的趋势，表明鹅肉大量含氢基团的合频区、倍频区均形成强烈的吸收，1 350～1 450 nm（6 900～7 400 cm－1）波段之间受水蒸气的影响产生了较微小的噪声信号，肉中蛋白质的吸收主要与N—H
的分子振动相关，有学者研究表明：N—H键伸缩振动的一级倍频在1 500 nm（6 666 cm－1）附近，带有N—H键的杂环芳香化合物，较强的一级倍频出现在1 463nm（6 835 cm－1）。而蛋白质的特征谱带为973～1 019nm（10 277～9 804 cm－1）、1 500～1 530 nm（6 667～6 536 cm－1）的N—H倍频吸收[23]，因此在建模时需要考虑特征波长区间的选取。

图 1 鹅肉近红外平均光谱图

Fig.1 Average near-infrared spectra of goose meat

2.2 鹅肉剪切力值范围

本研究共选取80 个鹅肉样品，根据鹅肉样品的剪切力范围选取具有代表性的60 个特征样品作为校正集样品，其余随机选取20 个作为预测集样品。60 个校正集样品的剪切力值范围为133.40～2 094.47 g，基本涵盖了我国现有的鹅肉嫩度值分布范围，说明本实验选用的样品就有很强的代表性。校正集和预测集鹅肉样品剪切力的实测结果见表2。

表 2 鹅肉剪切力测定结果

Table 2 The WBSF values of goose meat samples used for
calibration and validation

2.3 最佳光谱预处理方法的确定

鹅肉样品的大小和均匀程度会影响光谱的信噪比，因此采用SM、FD、MSC、SNV、FD＋SNV和FD＋SM＋
SNV共6 种光谱预处理方法对鹅肉的原始光谱进行预处理，然后分别采用PLS法和PCR法建模。实验结果如表3、4所示。实验通过对近红外光谱全波段进行分析，以模型的R2、RMSECV和RMSEP为模型精度评价指标，R2越大、RMSECV和RMSEP越小，说明模型的精度越高，所建模型的预测能力和稳健性越高[24]。

表 3 不同光谱预处理方法对鹅肉剪切力的PLS模型精确性的影响

Table 3 Influence of different spectral pretreatment methods on the accuracy of PLS models for goose meat WBSF

表3表明：采用SM处理光谱数据，以PLS法建立回归模型的预测能力优于另外5 种预处理方法。

表 4 不同光谱预处理方法对鹅肉剪切力的PCR模型精确性的影响

Table 4 Influence of different spectral pretreatment methods on the accuracy of PCR models for goose meat WBSF

表4表明：采用SNV作为光谱预处理方法，以PCR法建立回归模型的预测能力优于另外5 种预处理方法。

2.4 最佳定标模型的确定

通过光谱预处理方法的筛选，分别建立鹅肉剪切力的PCR、PLS校正模型，然后对两种方法建立的模型进行比较，结果如表5所示。采用SM处理光谱建立的PLS回归模型的RMSECV和RMSEP值均比采用SNV处理光谱建立的PCR回归模型小，R2为0.908 0比PCR法建立的回归模型大，而且PLS法建模时间明显比PCR法建模时间短，因此适合鹅肉嫩度的最优建模方法为PLS法。

表 5 采用PLS、PCR方法建立的校正模型精确性比较

Table 5 Comparative accuracy of PLS and PCR models for
goose meat WBSF

综上，采用SM处理光谱建立的PLS回归模型的预测能力优于采用SNV处理光谱建立的PCR回归模型的预测能力。

2.5 鹅肉嫩度模型的可靠性验证

选取主成分数10，用PLS法处理光谱建立鹅肉嫩度模型，将验证集的20 个样品代入模型中，进行鹅肉样品的嫩度测定，预测值和实测值的分布见图2所示。结果表明：鹅肉剪切力预测值和实测值的r2为0.940 2，两组数据的r为0.971 1，说明近红外光谱预测值与剪切力实测值具有极显著的相关性，经单因素方差分析得到P=0.596 2＞0.05，即在95%的置信区间内，鹅肉剪切力实测值与预测值无显著性差异。Bias为21.673g。

图 2 鹅肉剪切力PLS模型的外部验证结果

Fig.2 External verification of WBSF using PLS model

3 结 论

3.1 在950～165 0 nm的波长范围内，采用SM处理光谱，利用PLS建立鹅肉近红外光谱嫩度测定模型，主成分数为10时，模型R2为0.908 0，RMSECV达到最小值113.618 6。用此模型对20 个鹅肉样品进行预测，鹅肉光谱预测值和WBSF实测值之间r为0.971 1，Bias为21.673g。

3.2 应用近红外光谱技术检测鹅肉嫩度是可行的，该方法可作为屠宰场及肉制品加工企业进行鹅肉嫩度快速非破坏性检测的一种方法。

参考文献：

[1] 陈锐. 中国为世界第一产鹅大国[J]. 农业技术与装备, 2010, 25(19): 76.

[2] 周光宏. 肉品学[M]. 北京: 中国农业科技出版社, 1999: 79-82.

[3] SHACKELFORD S D, WHEELER T L, MEADE M K, et al. Consumer impressions of tender select beef[J]. Journal of Animal Science, 2001, 79(10): 2605-2614.

[4] 蒋予箭, 周雁. 肉类弹性测定方法的研究[J]. 食品科学, 2002, 23(4): 99-102.

[5] 刘兴余, 金邦荃, 詹魏, 等. 猪肉质构的仪器测定与感官评定之间的相关性分析[J]. 食品科学, 2007, 28(4): 245-248.

[6] 杨勇, 任健, 王存堂, 等. 鹅肉嫩度的测定及感官评价[J]. 河南工业大学学报: 自然科学版, 2009, 30(6): 29-32.

[7] 张秋会, 赵改名, 李苗云, 等. 肉制品的食用品质及其评价[J]. 肉类研究, 2011, 25(5): 48-51.

[8] 沈杰. 基于X射线及近红外光谱技术的禽肉品质检测[D]. 南昌: 江西农业大学, 2011: 30-35.

[9] 徐霞, 成芳, 应义斌. 近红外光谱技术在肉品检测中的应用和研究进展[J]. 光谱学与光谱分析, 2009, 29(7): 1876-1880.

[10] 杨建松, 孟庆翔, 任丽萍, 等. 近红外光谱法快速评定牛肉品质[J]. 光谱学与光谱分析, 2010, 30(3): 685-687.

[11] 陈士进, 彭增起, 李景军, 等. 光谱技术预测牛肉嫩度研究进展[J]. 食品科学, 2013, 34(1): 333-338.

[12] MITSUMOTO M, MAEDA S, MITSUHASHI T, et al. Near infrared spectroscopy determination of physical and chemical characteristics in beef cuts[J]. Journal of Food Science, 1991, 56(6): 1493-1496.

[13] ElMASRY G, SUN D W, ALLEN P. Near-infrared hyperspectral imaging for predicting colour, pH and tenderness of fresh beef[J]. Journal of Food Engineering, 2012, 110(1): 127-140.

[14] PARK B, CHEN W R, HRUSCHKA S D, et al. Near-infrared reflectance analysis for predicting beef longissimus tenderness[J]. Journal of Animal Science, 1998, 76(8): 2115-2120.

[15] LEROY B, LAMBOTTE S, DOTREPPE O, et al. Prediction of technological and organoleptic properties of beef Longissimus thoracis from near-infrared reflectance and transmission spectra[J]. Meat Science, 2004, 66(1): 45-54.

[16] ANDRES S, MURRAY I, NAVAJAS E A, et al. Prediction of sensory characteristics of lamb meat samples by near infrared reflectance spectroscopy[J]. Meat Science, 2007, 76(3): 509-516.

[17] PRIETO N, ROEHE R, LAVIN P, et al. Application of near infrared reflectance spectroscopy to predict meat and meat products quality: a review[J]. Meat Science, 2009, 83(2): 175-186.

[18] RAUL G, SANCHEZ A J, GIRON J, et al. Nondestructive assessment of freshness in packaged sliced chicken breasts using SW-NIR spectroscopy[J]. Food Research International, 2011, 44(1): 331-337.

[19] CAI Jianrong, CHEN Quansheng, WAN Xinmmin, et al. Determination of total volatile basic nitrogen (TVB-N) content and Warner-Bratzler shear force (WBSF) in pork using Fourier transform near infrared (FT-NIR) spectroscopy[J]. Food Chemistry, 2011, 126(3): 1354-1360.

[20] 赵杰文, 翟剑妹, 刘木华, 等. 牛肉嫩度的近红外光谱法检测技术研究[J]. 光谱学与光谱分析, 2006, 26(4): 640-642.

[21] 张德权, 陈宵娜, 孙素琴, 等. 羊肉嫩度傅里叶变换近红外光谱偏最小二乘法定量分析研究[J]. 光谱学与光谱分析, 2008, 28(11): 2550-2553.

[22] 吴建虎, 彭彦昆, 江发潮, 等. 牛肉嫩度高光谱法检测技术[J]. 农业机械学报, 2009, 40(12): 135-150.

[23] WORKMAN J, WEYER L. Practical guide to interpretive near-infrared spectroscopy[M]. Beijing: Chemical Industry Press, 2009: 113-122.

[24] 严衍禄, 赵龙莲, 韩东海, 等. 近红外光谱分析基础与应用[M]. 北京: 中国轻工业出版社, 2005: 95-97.