两种近红外光谱分辨率预测牛肉营养成分的比较研究

刘晓晔，汤晓艳，*，孙宝忠，王 敏，毛雪飞，吴 伟

(1.中国农业科学院农业质量标准与检测技术研究所/农业部农产品质量安全重点实验室，北京100081;2.中国农业科学院北京畜牧兽医研究所，北京100193)

近红外光谱作为一种快速、简便、无损的分析技术，在多个行业中成功地应用于检测产品的各项指标，比如农产品、石油产品、药品及乳产品等均可用近红外光谱技术作定性或定量分析［1］。在应用近红外光谱进行测量建模时应该考虑光谱的测量范围、分辨率、扫描累加次数及测量方式等。对某些样品，一定范围内改变测量分辨率或许基本不改变光谱的性质(信噪比和峰的数量，位置等)，对于某些样品，光谱质量与分辨率还是相关的。Sato等［2］研究不同密度的聚乙烯丸和薄膜的近红外光谱发现，分析模型的相关系数和交互验证标准差与光谱分辨率关系很小。王一兵等［3］通过研究不同分辨率对多组分混合物中乙酰氨基苯酚和乙水杨胺的定量分析模型的影响，发现随着分辨率下降，定量分析模型的预测能力呈现不同程度的下降趋势。近年来，近红外光谱技术已经被用于肉类质量参数的测定，尤其是营养成分(蛋白质、脂肪和水分)的测定。如Kestens和Liao等人［4－5］对猪肉营养成分的测定，Prevolnik 等人［6］对牛肉营养成分的测定，Viljoen 等人［7］对羊肉营养成分的测定，McDevitt和刘炜等人［8－9］对鸡肉营养成分的测定，栾东磊和王小燕等人［10－11］对大黄鱼和带鱼肉营养成分的测定，及 Ortiz－Somovilla［12］等人对肉类制品香肠营养成分的测定，都获得了很好的预测效果。但对于光谱分辨率对肉品成分测定模型的影响尚未有研究报道。本论文以牛肉为介质，以其中的蛋白质、脂肪和水分含量为测定对象，研究近红外光谱分辨率与牛肉营养成分定量分析的关系，探讨近红外光谱分辨率对肉类介质参数测定模型的影响，为肉类参数测定的最佳光谱采集条件选择提供了理论依据。

1 材料与方法

1.1 材料与仪器

牛肉均取自内蒙古科尔沁牛业股份有限公司，为16头西门塔尔杂交牛(公牛10头，母牛6头)，宰后排酸48h后，按分割部位取样，取其14个部位(板腱、脖肉、大瓜、肩肉、辣椒条、里脊、霖肉、米龙、牛腩、上脑、臀肉、外脊、小瓜和眼肉)共224个样品，每个样品重约2kg。样品在－20℃条件下储存运输，而后进行近红外光谱扫描和蛋白质、脂肪、水分含量的测定。

Spectrum 100N FT－NIR(光谱范围833～2500nm，分辨率1.6nm)美国PE公司;SupNIR－1000近红外光谱仪(光谱范围1000～1800nm、分辨率10.0nm)北京聚光科技股份有限公司;KjeltecTM2300凯氏定氮仪、Soxtec TM2050脂肪测定仪 丹麦Foss公司;GM2000研磨仪 德国Retsch公司;BCD－238S冰箱海尔公司。

1.2 实验方法

1.2.1 样品制备 宰后48h采集运输的牛肉样品在室温下过夜解冻，至样品完全解冻并达室温条件，随后将样品制成肉糜(GM2000研磨仪，2000r·min－1，0.20min)，得到的牛肉糜分别进行近红外光谱扫描以及蛋白质、脂肪和水分含量的测定。

1.2.2 牛肉近红外光谱扫描 将制成的肉糜装入样品池，采用漫反射扫描方式，分别在分辨率1.6nm及分辨率10nm的条件下进行近红外光谱采集，每个样品采集三条光谱曲线，求其平均光谱建立近红外光谱定量分析模型。

1.2.3 蛋白质、脂肪和水分的测定 牛肉中蛋白质、脂肪和水分含量分别按照GB/T9695·11－2008《肉与肉制品氮含量测定》［13］、GB/T9695·7－2008《肉与肉制品总脂肪含量的测定》［14］和 GB/T 9695·15－2008《肉与肉制品水分含量测定》［15］进行测定。

1.2.4 数据处理与分析 应用The Unscrambler(version9.8，CAMO)专业化学计量学软件，对不同光谱分辨率下扫描的近红外光谱信息进行分析，采用多元散射校正(MSC)、标准正态化处理(SNV)、去趋势化(De－trending)、平滑(Smoothing)和导数(Derivative)的光谱预处理方法进行处理，来降低光谱噪声和扣除背景干扰［15］，选择偏最小二乘回归技术(PLSR)和交互验证程序，分别建立牛肉中蛋白质、脂肪和水分含量的近红外定量分析模型。模型的优劣用校正集相关系数(R)、校正标准差(RMSEC)、交互验证相关系数(R)、交互验证标准差(RMSECV)作为衡量指标。

2 结果与讨论

2.1 化学成分数据分析

对224个牛肉样本按照1.2.3所列国标方法进行了蛋白质、脂肪和水分的测定，统计结果见表1。表1中列出了牛肉样品中蛋白质、脂肪和水分的平均值和标准偏差，本研究采用的是不同分割部位的牛肉样本，从表1中可见，其营养成分含量变化范围较大，其中蛋白质含量范围为18.29%～23.48%，脂肪为0.20%～9.46%，水分为68.07%～88.27%。

表1 牛肉样品的蛋白质、脂肪和水分统计Table 1 The statistics of protein，fat and moisture of beef

2.2 光谱分析

两种不同分辨率条件下所得近红外光谱如图1～图2所示。比较图1(分辨率1.6nm)和图2(分辨率10nm)可以看出，在相同的波长范围(1000～1799nm)下，分辨率为1.6nm时，特征吸收峰比较明显，包含的信息也比较丰富，但光谱噪音有所增加;低分辨率下获得的光谱(图2)较为光滑。

图1 分辨率1.6nm的牛肉糜原始光谱Fig.1 Original spectroscopys of mince beef under resolution of 1.6nm

图2 分辨率10.0nm的牛肉糜原始光谱Fig.2 Original spectroscopys of mince beef under resolution of 10.0 nm

2.3 不同分辨率下模型结果分析

在相同的波段范围下，利用在分辨率为1.6和10nm下扫描的光谱，所建立的蛋白质、脂肪和水分定量分析模型结果如表2所示。相关数据分析得知，在相同的波段范围下，尽管两种分辨率下扫描光谱所建定量分析模型的相关系数R相差不大，但是从其交互验证标准偏差(RMSECV)的比较上可以看出，高分辨率(1.6nm)下所建立的蛋白质、脂肪和水分模型的RMSECV值分别为0.49、0.64和1.18，小于低分辨率(10.0nm)下蛋白质、脂肪和水分模型的RMSECV值(0.54、0.76和1.26)，说明高分辨率下定量分析模型精度要略优于低分辨率下所建模型。图3～图5分别为牛肉蛋白质、脂肪和水分验证集真实值与预测值分布图，图3中也可以看出，图(A)高分辨率下的模型要比图(B)的模型线性关系明显，王一冰等人［3］在做近红外光谱分辨率对定量分析的影响时指出，如果测量时分辨率过低，则不能提供足够的光谱信息，会影响定量模型的质量，笔者推断可能是因为高分辨率条件下扫描的光谱所包含信息更加丰富，更能反映出营养成分含量变化对近红外光谱的影响。

表2 不同分辨率下牛肉样品的蛋白质、脂肪和水分的模型比较Table 2 The comparison of protein，fat and moisture model of beef under two resolutions

图3 牛肉蛋白质模型验证集真实值与预测值分布图Fig.3 Predicted and true value of validation with beef protein model

图4 牛肉脂肪模型验证集真实值与预测值分布图Fig.4 Predicted and true value of validation with beef fat model

图5 牛肉水分模型验证集真实值与预测值分布图Fig.5 Predicted and true value of validation with beef moisture model

表2中模型结果显示，两种分辨率下蛋白质的近红外模型精度(RMSECV:0.49、0.54)都要优于脂肪和水分的模型(RMSECV:0.64、0.76;RMSECV:1.18、1.26)，从图4、图5的对比中可以看出，低脂肪含量的样品多，而高脂肪含量的样品相对较少，中间水分含量的样本多，而两端低水分含量和高水分含量的样本较少，理想的建模对象应当是在整个的含量变化范围内呈现均匀分布的样品［1］，如图3中蛋白质的含量分布图。与蛋白质和脂肪模型相比，水分的模型效果较差，除与样品参考值的分布有一定关系外，样品制备过程中水分的蒸发，光谱的扫描和水分的测量不在同一时间点，都会对模型结果产生不利的影响，这与Cozzolino等人［16］的研究结果是一致的。

3 结论

3.1 结果表明，对于牛肉中的蛋白质、脂肪和水分来说，两种分辨率下应用近红外光谱所建定量分析模型相关系数R相差不大，高光谱分辨率(1.6nm)下所建立的近红外模型精度要略优于低光谱分辨率(10nm)下所建立模型。

3.2 证实了近红外能够作为一种替代性手段用来检测肉类中的蛋白质、脂肪和水分含量。但是对每个参数建立模型时，应注意所选取的样品要在测量范围内均匀分布，且参考值的测定应当与近红外光谱的扫描在时间点上尽可能一致。

［1］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，2005:130.

［2］SATO H，SHIMOYAMA M，KAMIYA T，et al.Near infrared spectra of pellets and thin films of high－density，low－density and linear low－density polyethylenes and prediction of their physical properties by multivariate data analysis［J］.Near Infrared Spectrosc，2003，11(4):309－321.

［3］王一兵，王红宇，翟宏菊，等.近红外光谱分辨率对定量分析的影响［J］.分析化学研究简报，2006，34(5):699－701.

［4］KESTENS V，CHAROUD－ GOT J，BAU A，et al.Online measurement of water content in candidate reference materials by acoustooptical tuneable filter near－infrared spectrometry(AOTFNIR)using pork meat calibrants controlled［J］.Food Chemistry，2008，106(4):1359－1365.

［5］LIAO Y T，FAN Y X，CHENG F.On－line prediction of fresh pork quality using visible/near－infrared reflectance spectroscopy［J］.Meat Science，2010，86(4):901－907.

［6］PREVOLNIK M，CANDEK－POTOKAR M，SKORJANC D，et al.Predicting intramuscular fat content in pork and beef by near infrared spectroscopy［J］.Journal of Near Infrared Spectroscopy，2005，13(2):77－85.

［7］VILJOEN M，HOFFMAN L C，BRAND T S.Prediction of the chemical composition of mutton with near infrared reflectance spectroscopy［J］.Small Ruminant Research，2007，69(1 － 3):88－94.

［8］MCDEVITT R M，GAVIN A J，ANDRES S，et al.The ability of visible and near infrared reflectance spectroscopy(NIRS)to predict the chemical composition of ground chicken carcasses and to discriminate between carcasses from different genotypes［J］.Journal of Near Infrared Spectroscopy，2005，13(3):109－117.

［9］刘炜，吴昊旻，孙东东，等.近红外光谱分析技术在鲜鸡肉快速检测分析中的应用研究［J］.中国家禽，2009，31(2):8－11.

［10］栾东磊，王玉明，薛长湖，等.大黄鱼脂肪含量的近红外光谱快速无损检测［J］.中国海洋学报，2009，39:59－62.

［11］王小燕，顾赛麒，刘源，等.近红外光谱法快速检测带鱼肉中的水分和蛋白质含量［J］.食品工业科技，2012，33(5):317－319.

［12］GAITAN－JURADO A J，ORTIZ－SOMOVILLA V，ESPANA－ESPANA F，et al.Quantitative analysis of pork dry－cured sausages to quality control by NIR spectroscopy［J］.Meat Science，2008，78(4):391－399.

［13］杨万颖，罗美中，孟海鸥，等.GB/T9695·11.肉与肉制品氮含量测定［S］.北京:中国标准出版社，2008.

［14］吴处森，贺建华，郭新东，等.GB/T9695·7.肉与肉制品总脂肪含量测定［S］.北京:中国标准出版社，2008.

［15］陈泽勇，杨万颖，罗美中，等.GB/T 9695·15.肉与肉制品水分含量测定［S］.北京:中国标准出版社，2008.

［16］COZZOLINO D，DE MATTOS D，MARTINS V.Visible/near infrared reflectance spectroscopy for predicting composition and tracing system of production of beef muscle［J］.Animal Science，2002，74:477－484.