近红外光谱技术在南美白对虾鲜度判别中的应用*

2014-05-12任瑞娟柴春祥鲁晓翔李立杰郭美娟

食品与发酵工业 2014年3期

任瑞娟，柴春祥，鲁晓翔，李立杰，郭美娟

(天津商业大学生物技术与食品科学学院，天津市食品生物技术重点实验室，天津，300134)

南美白对虾(Penaeus vannamei Boone)具有高蛋白、低脂肪的特点，得到了广大消费者的欢迎［1］。但因其水分、蛋白质含量高，组织蛋白酶活性较强，自溶迅速，易于腐败变质。南美白对虾体内所含的多酚氧化酶，在氧气存在下，将虾类表面的无色化合物最终转变成有色的醌类物质。醌类有很高的活性，极易与氨基酸或蛋白质结合生成黑色素［2］，沉积于虾的外壳，导致南美白对虾发生黑变［3］。

判别虾新鲜度的方法有很多，但近红外光谱技术在虾新鲜度判别中的应用研究极为罕见［4］。近红外光谱技术具有分析速度快、效率高、测试重现性好、适用范围广、对样品无损伤等优点［1］，因此本文对运用近红外光谱技术判别虾的新鲜度进行了尝试性研究。

1 材料与方法

1.1 材料与设备

南美白对虾，天津市王顶堤水产批发市场购买的鲜活虾。

DA7200近红外光谱仪(瑞典波通仪器公司):波长采集范围950～1 650 nm;样品杯直径75 mm，装样3次，扫面 3次，分辨率 5.0 nm，Unscrambler10.3，CAMO公司。

1.2 方案与方法

1.2.1 样品的制备

将鲜活虾用碎冰块猝死，分装成42份，根据虾的大小每份12～15只，留出1份作为新鲜样品，其余41份分别置于冷藏(5℃)、微冻(－3℃)、冷冻(－18℃)3个温度下保藏待用，其中冷藏7份，微冻15份，冷冻19份。并对样品进行编号，新鲜样为1号，冷藏样品依次为2～8号，冷冻样品依次为9～27号，微冻样品依次为28～42号。

1.2.2 实验方法

近红外光谱仪预热1 h，虾去头去壳，用组织搅碎机将其制成虾糜，取约100 g装入75 mm样品杯中，厚度不小于0.5 cm［5］，测量虾糜温度后抚平表面，放入样品槽上采集近红外光谱曲线。根据表1方案进行虾糜光谱的采集，同步测量挥发性盐基氮(TVB-N)值和菌落总数值。

1.2.3 挥发性盐基氮(TVB-N)的测定

半微量蒸馏定氮法SC/T3032－2007，TVB－N≤25 mg/100 g为一级鲜度，TVB－N≤30 mg/100 g为二级鲜度。

1.2.4 菌落总数的测定

参照GB/T4789.2－2010方法，菌落总数可用TBC［菌落总数(单位为CFU/g)的对数值(以10为底数)］［6］表示，新鲜虾 TBC为 4.4左右，TBC≤5.0为一级鲜度，TBC≤5.7为二级鲜度。

表1 三个温度条件下实验方法安排Table 1 Experimental arrangement in the three temperature

2 结果与分析

2.1 鲜度指标分析

2.1.1 挥发性盐基氮(TVB-N)值的变化

TVB-N是指动物性食品由于细菌的作用，在腐败过程中使蛋白质分解后产生的氨、伯胺、仲胺及叔胺等具有挥发性的碱性含氮物质［7］，一般随鲜度的下降而增加，是反映鱼贝虾类等水产品腐败程度的重要指标之一［8］。实验测得3个温度下TVB-N变化如图1所示。

由图1可知，3个贮藏条件下虾体内的TVB-N含量随时间的延长都有所增加。冷藏条件下增加较快，在第4天时TVB-N值为22.39 mg/100 g，接近南美白对虾的一级鲜度上限，第5天时TVB-N达到30.74 mg/100 g，超出南美白对虾的二级鲜度上限，此时虾体发出明显的臭味，已经不可以食用;冷冻条件下虾体内TVB-N含量增加缓慢，在第208天时TVB-N值达到27.42 mg/100 g，仍在二级鲜度范围内，可以食用;微冻条件下第12天，TVB-N值达到24.72 mg/100 g，接近南美白对虾一级鲜度上限，在贮藏第30天TVB-N值为29.91 mg/100 g，接近二级鲜度上限，此时虾已不能食用。

图1 三个温度条件下虾体内TVB-N变化Fig.1 Changes of TVB-N in Penaeus vannamei Boone in three temperature

2.1.2 菌落总数的变化

菌落总数是指食品检样经过处理，在一定条件下(如培养基、培养温度和培养时间等)培养后，所得每g(mL)检样中形成的微生物菌落总数。菌落总数的高低，表明了食品污染程度的轻重，是评价食品腐败变质的重要指标之一，尤其是含水量较高的虾产品中［9］，很容易滋生细菌，因此，检测菌落总数对判别虾的新鲜度有重要意义。图2为3个温度条件下TBC的变化。

图2 三个温度条件下虾体内TBC变化Fig.2 Changes of TBC in Penaeus vannamei Boone in three temperature

图2显示了3个贮藏条件下虾体内TBC的变化，随着贮藏时间的增加TBC都呈现增长趋势。冷藏条件增长较快，第2天TBC值就达到5.447，超过南美白对虾的一级鲜度上限，第5天TBC值达到6.146，已超过二级鲜度上限，此时虾体发臭，已不能食用;冷冻条件下TBC增长缓慢，第208天TBC值为5.204，仍在二级鲜度之内，可以食用;微冻条件下第12天TBC值达到4.982，已接近虾的一级鲜度上限，在第28天TBC值为7.079，已超过二级鲜度上限，虾已不能食用。

2.2 近红外光谱分析

2.2.1 近红外光谱的采集

按照上述实验方案，运用DA7200近红外光谱仪采集南美白对虾虾糜光谱图，得到的原始光谱图如图3所示。

图3 虾糜近红外光谱原始图Fig.3 Near infrared spectrum of minced shrimp

从图3中可以看出，所有样品的近红外光谱变化趋势大致相同但不重合，这是样品中吸收基团含量的不同导致的［10］。光谱在980、1 200和1 450 nm处出现了3个较为明显的吸收峰，是对虾体内含C、N、H等基团倍频及合频的吸收，含有丰富的光谱信息。

2.2.2 光谱预处理

近红外光谱区的吸收主要是基团振动能态跃迁的倍频与合频吸收，强度较弱、谱峰较宽，谱峰重叠严重［11］，并且，近红外光谱仪采集到的光谱信息除样品信息外，还含有各方面的噪声。光谱预处理的目的是优化光谱信号，滤去噪声，提高模型的稳定性，为更好的建立和校正模型奠定基础［12，13］。常用的光谱预处理方法有多元散射校正(multiple scattering correction，MSC)，平滑处理，一阶、二阶导数处理、标准归一化(standard normal variate，SNV)等［14］。经过反复计算，光谱经过多项式滤波平滑(savitzky-golay)、一阶导数及标准正态变化(standard normal variate，SNV)处理，取得的结果最好。光谱经过预处理后得到谱图如下图4所示。

由图4可知，光谱经过预处理后，得到的光谱信号更为明显。

2.2.3 近红外模型的建立

建立近红外模型常用的算法有主成分回归分析(PCA)、多元线性回归 (MLR)［15］、偏最小二乘法(PLS)［16］、人工神经网络(ANN)、拓扑方法(TP)等。这些算法可以解决近红外光谱的谱峰重叠与复杂背景的影响，其中偏最小二乘法(PLS)在近红外光谱分析中应用最广泛，已成为一种标准的常用方法［17］，所以本文采用偏最小二乘法(PLS)建立近红外模型。近红外光谱经过预处理后，与虾体内的挥发性盐基氮与菌落总数进行关联，采用偏最小二乘法(PLS)，交叉验证(cross-validation)，选取33个样品建立校正模型。运用化学值误差Residual和光谱影响值Leverage2个参数剔除化学值和光谱的异常值［18］，逐步优化，最后得到较为理想的模型。图5与图6分别为挥发性盐基氮(TVB-N)、菌落总数(TBC)与光谱数据相关联的数学模型。

图4 经过一阶导数、SG和SNV处理的光谱图Fig.4 Spectra processed by first derivation，SG and SNV

图5 虾糜TVB-N测定值与模型预测值的散点图Fig.5 TVB-N value of predicted and tested in minced shrimp

由图5可知，TVB-N、TBC校正模型的决定系数R2分别为0.961和0.981，相关系数分别为0.980和0.991，交叉验证标准方差(RMSECV)分别为1.189和0.136，模型模拟较好。用一元线性回归方法将近红外预测值与实测值相关，相关方程分别如式1、式2所示。

式中:X，半微量蒸馏定氮法SC/T3032－2007测得TVB-N含量(mg/100g);Y，近红外光谱法分析TVB-N含量(mg/100g)。

图6 虾糜TBC测定值与模型预测值的散点图Fig.6 TBC value of predicted and tested in minced shrimp

式中:X，GB/T4789.2－2010方法测得TBC含量(CFU/g);Y—近红外光谱法分析TBC含量(CFU/g)。

方程的线性关系良好，适合用于定量分析。

2.2.4 近红外模型的检验

除了用模型的基本参数衡量回归模型的质量优劣外，还需要通过模外检验评价回归模型的实际预测能力。因此，选用另外9份样品作为预测集检验模型放的预测能力。分别将TVB-N、TBC预测值与实测值进行比较，结果如表2所示。

表2 虾糜样品TVB-N实测值与预测值比较Table 2 Comparing of the measured and predicted value of TVB-N in minced shrimp

从表2可知，7、27号样品出现了较大误差，其他样品都能得到很好的预测，最大预测绝对偏差5.027，最小偏差0.264，平均绝对预测偏差1.187，预测模型中相关系数为0.923，预测均方根误差(RMSEP)为2.179，预测标准误差(SEP)为2.306;由表3可以看出，相比TVB-N模型的预测，TBC预测结果较好，最大绝对预测偏差2.456，最小绝对预测偏差0.011，平均偏差0.598，预测模型中相关系数0.943，RMSEP为0.603，SEP为0.643。可见 TBC模型较优于TVB-N模型，但也可达到很好的预测效果。综上，3个温度条件下贮藏的虾TVB-N和TBC的含量都能够得到很好的预测，可以用于虾新鲜度的判别，所建模型有实际意义。

表3 虾糜样品TBC实测值与预测值比较Table 3 Comparing of the measured and predicted value of TBC in minced shrimp

3 结论

本实验选取南美白对虾为研究对象，利用DA7200近红外光谱仪采集3个贮藏条件下虾糜的近红外漫反射光谱，经过SG平滑、一阶导数及SNV处理，结合虾鲜度指标挥发性盐基氮和菌落总数，利用偏最小二乘法建立TVB-N及TBC模型，并对模型进行预测。TVB-N模型中定标方程为Y=0.961X+0.709，定标集和预测集相关系数分别为0.980和0.923，RMSECV和 RMSEP分别为1.189和2.179;TBC模型中定标方程为Y=0.981X+0.090，定标集和预测集相关系数分别为0.991和0.943，RMSECV和RMSEP分别为0.136和0.603。模型能够预测TVB-N及TBC的含量，并且取得了较好的预测效果，内部交叉检验和外部验证均证明，近红外定量分析具有较高的准确度，可用来判别虾的新鲜度。综上可知，近红外光谱技术可以很好的应用于虾新鲜度判别中，快速评价虾的新鲜程度，克服了传统方法测定虾新鲜度时间长、操作繁琐的难题，为今后近红外光谱技术在虾产品得到更广泛的应用提供数据支持。

［1］徐丽敏.南美白对虾与鹰爪虾的保鲜及防黑变初步研究［D］.山东:中国海洋大学，2008.

［2］ Bartolo I，Birk E O.Some factors affecting Norway lobster(Nephrops norvegicus)cuticle polyphenol oxidase activity and blackspot development［J］.International Journal of Food Science and Technology，1998，33，329－336.

［3］ Montero P，Martinez-alvarez O，Gomez-guillen M C.Effectiveness of onboard application of 4-hexylresorcinol in inhibiting melanosis in shrimp(Parapenaeus longirostris)［J］.Journal of Food Science，2004，69(8):643 －647.

［4］任瑞娟，柴春祥，鲁晓翔.近红外光谱技术在水产品检测中的应用展望［J］.食品工业科技，2013，34(2):361－363.

［5］李志新.应用近红外品质分析仪测定马铃薯淀粉的研究［J］.黑龙江农业科学，2011(11):78－79.

［6］凌萍华，谢晶，赵海鹏，等.冰温贮藏对南美白对虾保鲜效果的影响［J］.江苏农业学报，2010，26(4):828－832.

［7］周德庆，马敬军，徐晶晶.水产品鲜度评价方法研究进展［J］. 莱阳农学院学报，2004，21(4):312－315.

［8］任瑞娟，柴春祥，鲁晓翔，等.冷藏南美白对虾新鲜度的近红外光谱方法研究［J］.食品与发酵工业，2013，39(6):70－73.

［9］何定芬，乐建盛.贮藏温度和时间对南美白对虾(Penaeus vannamei Boone)鲜度的影响［J］.现代渔业信息，2005，20(7):14 －16.

［10］李娟，李忠梅，付湘晋.稻谷新陈度近红外快速无损检测的研究［J］.光谱学与光谱分析，2012，32(8):2 126－2 130.

［11］侯瑞峰，黄岚，王忠义，等.用近红外漫反射光谱检测肉品新鲜度的初步研究［J］.光谱学与光谱分析，2006，26(12):2 193 －2 196.

［12］杨琼.近红外光谱法定量分析及其应用研究［D］.重庆:西南大学，2009.

［13］刘聪，郭康权，张强，等.基于近红外光谱的室温贮藏下鲜枣霉菌污染动力学模型［J］.农业工程学报，2013，29(1):278－284.

［14］俞建成，周德成，刘木清.近红外光谱分析的应用［J］.红外，2003(8):24－27.

［15］芦永军，张军，朴仁官.组合生成算法与多元线性回归相结合用于近红外光谱波长的优选［J］.分析化学，2004，32(8):1 116 －2 119.