近红外光谱鉴别滇南小耳猪和DLY商品猪

黄伟+杨秀娟+张曦+曹志勇+邓君明+甘文斌+高映红+陶琳丽

摘 要：应用近红外漫反射光谱技术（near infrared reflectance spectroscopy，NIRS），对滇南小耳猪和DLY商品猪的整块、匀质肉糜、烘干粉、冻干粉的光谱建模分析，进行品种鉴别，并筛选出最优的光谱建模方法。采集4 300～11 000 cm-1范围内53 头滇南小耳猪、58 头DLY商品猪背最长肌整块、匀质肉糜、烘干粉、冻干粉光谱数据。分别采用原始光谱、一阶导数、二阶导数、变量标准化、多元散射校正等方法进行光谱预处理，应用簇类独立软模式方法建立品种鉴别模型。其中80 个样品作为校正集，余下31 个样品作为验证集。结果表明：DLY商品猪和滇南小耳猪整块肉光谱模型对验证集DLY商品猪识别率为100%，拒绝率为0%，对验证集滇南小耳猪识别率为100%，拒绝率50%，效果不理想；匀质肉糜光谱模型对验证集DLY商品猪识别率为100%，拒绝率为0%，对验证集滇南小耳猪识别率为100%，拒绝率0%，效果不理想；烘干粉、冻干粉的近红外光谱模型鉴别效果较好，验证集的识别率和拒绝率均为100%。综上，近红外光谱分析方法可用于鉴别DLY商品猪和滇南小耳猪两个品种。

关键词：猪肉；近红外光谱；簇类独立软模式；品种鉴别

The Use of Near-Infrared Reflectance Spectroscopy to Identify Pork from Diannan Small-Eared Pigs and

DLY Commercial Pigs

HUANG Wei1， YANG Xiujuan1，2， ZHANG Xi1，2， CAO Zhiyong3， DENG Junming1，2， GAN Wenbin4， GAO Yinghong， TAO Linli1，2，*

（1.College of Animal Science and Technology， Yunnan Agricultural University， Kunming 650201， China；

2. Yunnan Key Laboratory of Animal Nutrition and Feed， Kunming 650201， China； 3. College of Basis and Information， Yunnan Agricultural University， Kunming 650201， China； 4. Yunnan Veterinary Medicine and Forage Inspection Institution，

Kunming 650201， China； 5. Kunming Yunling-Grand Breeder Poultry Feed Co. Ltd.， Kunming 650215， China）

Abstract： Intact， ground， oven-dried and freeze-dried pork samples from Diannan small-eared pigs and DLY commercial pigs were analyzed for breed discrimination using spectral modeling by near infrared reflection spectroscopy （NIRS）. In order to select the optimal spectral modeling method， the spectra of intact， ground， oven-dried and freeze-dried samples of longissimus dorsi from 53 Diannan small-eared pigs and 58 DLY commercial pigs in the range of 4 300–11 000 cm-1 were acquired， and the original spectra were preprocessed by first derivative， second derivative， standardization of variables， and multiple scattering correction， respectively. The models for breed discrimination were established using soft independent modeling of class analogy （SIMCA）. Eight of the 111 samples were selected as calibration set， while the remaining 31 were included in validation set. Results showed that the recognition rate and rejection rate for DLY commercial pig in the validation set by the model of intact pork were 100% and 0， and those for Diannan small-eared pig in the validation set were 100% and 50%， respectively， which were unsatisfactory. Similarly， unsatisfactory recognition rate and rejection rate for both pig breeds in the validation set were obtained using the model of ground pork， which were 100% and 0， respectively. However， the models of oven-dried and freeze-dried pork exhibited good recognition performance， using which the recognition rate and rejection rate for the validation set were both 100%. To sum up， NIRS is useful to discriminate between Diannan small-eared pigs and DLY commercial pigs.

Key words： pork； near infrared spectroscopy （NIRS）； soft independent modeling of class analogy （SIMCA）； breed identification

DOI： 10.15922/j.cnki.rlyj.2016.04.008

中图分类号：TS207.3 文献标志码：A 文章编号：1001-8123（2016）04-0035-06

引文格式：

黄伟， 杨秀娟， 张曦， 等. 近红外光谱鉴别滇南小耳猪和DLY商品猪[J]. 肉类研究， 2016， 30（4）： 35-40. DOI： 10.15922/j.cnki.rlyj.2016.04.008. http：//rlyj.cbpt.cnki.net

HUANG Wei， YANG Xiujuan， ZHANG Xi， et al. The use of near-infrared reflectance spectroscopy to identify pork from diannan small-eared pigs and dly commercial pigs[J]. Meat Research， 2016， 30（4）： 35-40. （in Chinese with English abstract） DOI： 10.15922/j.cnki.rlyj.2016.04.008. http：//rlyj.cbpt.cnki.net

近红外光谱分析技术作为一种绿色分析技术[1]，具有客观、快速[2-3]、无损[4]、精确[5]、多指标[6-7]、可再现、易操

作[8]、经济等优点，在肉类的定量分析模型中可以精确地测定肉中的水分、蛋白质、脂肪等化学含量[9-12]，在肉类定性鉴别中的研究主要包括肉的等级鉴别[13]、品种鉴别[16]、物种鉴别[17-18]以及产地溯源、饲喂方式等鉴别研究[19-21]。

Monroy等[22]选择宰后24 h的新鲜猪肉样，每个等级样品60 个，4 000～28 571 cm-1光谱范围内扫描，进行等级分类鉴别，结果表明，可见光-近红外光谱在猪肉等级分类应用的可能性。Moral[23]等选择15 头6 月龄杜洛克猪和15 头12～14 月龄、125 kg的伊伯利亚猪进行两品种鉴别，结果表明，对于两个品种猪的判别正确率大于95%。Prieto等[24]选择53 个4 岁成年牛的肉样和67 个14 月龄以下青年牛的肉样，对于两种肉样的鉴别率为100%。Cozzolino等[25]选择牛肉、羊肉、猪肉、鸡肉样品分别100、140、44、48 个，结果表明，可见光和近红外光能够客观、快速地鉴别不同物种的肉。Dian等[26]使用可见光-近红外光谱区分牧草和浓缩料饲喂的羔羊，结果表明，能够应用于不同饲喂方式的鉴别。Osorio等[27]选择母羊饲喂和人工饲喂乳的羔羊，在4 000～9 090 cm-1光谱范围内扫描，通过偏最小二乘法处理分析光谱，结果表明，近红外光谱通过乳来源不同，能够100%鉴别母羊和人工饲喂的羔羊。张宁等[28]采用近红外光谱法结合簇类独立软模式法溯源羊肉产地，建立了羊肉产地的溯源模型。

滇南小耳猪是云南地方优良地方品种之一，具有皮薄骨细、屠宰率高、肉质优良、口感细嫩、肥而不腻、风味独特等特点[29]，属猪肉市场上的高端产品。DLY猪是利用国外引进的长白、约克与杜洛克公猪进行三元杂交生产的商品猪。DLY猪具有生长速度快、饲料转化率高等特点[30-31]。随着外来猪种的大范围饲养及农户生产、生活需求等的变化，滇南小耳猪的种群数量在逐渐减少，市场上也出现了以低价猪肉冒充滇南小耳猪肉的现象。因此，如何快速准确检测出滇南小耳猪肉就显得十分必要。

本研究选取波数范围4 300～11 000 cm-1的近红外光谱采用原始、一阶导数（first derivative）、二阶导数（second derivative）、多元散射校正（multiplicative scattering correction，MSC）、变量标准化（standard normalized variate，SNV）预处理光谱，主成分分析选取特征光谱，然后用有监督的模式判别方法中的簇类独立软模式（soft independent modeling of class analogy，SIMCA）生成定性判据，判断未知样品属于哪类，用识别率和拒绝率来判定模型的好坏。

1 材料与方法

1.1 材料

肉样来源于云南邦格农业集团当天屠宰的滇南小耳猪和云南省昆明市盘龙区蒜村农贸市场订购的DLY商品猪。

1.2 仪器与设备

傅里叶IRPrestige-21型变换红外光谱仪及其近红外附件、迈克尔逊干涉仪 日本岛津公司；冷冻干燥机 北京博医康实验仪器有限公司；高速万能粉碎机 温岭市林大机械有限公司；电动玻璃匀浆机 宁波新芝生物科技有限公司；电子天平 梅特勒-托利多仪器（上海）有限公司。

1.3 方法

1.3.1 样品采集与处理

分别取53 头30～60 kg的滇南小耳猪和58 头90～130 kg的DLY商品猪的背最长肌，每个样品取0.5 kg。然后，每个样品取3 cm×3 cm×3 cm正方体肉块，放入5丝的4号聚乙烯自封袋，进行光谱扫描，获得整块光谱数据。扫描结束后全部用绞肉机绞碎，再用电动玻璃匀浆机匀浆，最后用研钵研磨，使其充分混匀得到匀质肉糜，放入5丝的4号聚乙烯自封袋，扫描获取匀质肉糜光谱。取样进行水分测定。匀质肉糜0.25 kg放在（105±2） ℃的恒温干燥箱中烘至恒质量，用粉碎机粉碎，过80 目筛，再次放入（105±2） ℃的烘箱中烘至恒质量，得到绝干粉，放入5丝的4号聚乙烯自封袋，扫描获取绝干粉光谱。由于是采用热风干燥方法烘干，实验统一称作烘干粉。剩余匀质肉糜用冷冻干燥机进行冷冻干燥处理，用粉碎机粉碎，过40目筛，再次放入冷冻干燥机恒质量，得到绝干粉，放入5丝的4号聚乙烯自封袋，扫描获取绝干粉光谱。由于是采用冷冻干燥的方法，实验统一称为冻干粉。

1.3.2 光谱采集

使用岛津IRPrestige-21型傅里叶变换红外光谱仪及其近红外附件，岛津IRsolution1.50SU1采集光谱。由于样品是放入5丝的4号聚乙烯自封袋中进行扫描获得光谱，因此在光谱扫描时，首先对自封袋进行背景光谱采集。采用2 mm固体光纤探头，使用Irsolution软件采集样品的漫反射光谱，波数范围4 300～11 000 cm-1，分辨率8 cm-1，进行30 次扫描，将自封袋中整块、肉糜、烘干粉、冻干粉每个样品分别取3 个部位扫描，每个部位扫描3 次，取9 次的平均光谱曲线进行分析。

1.4 数据处理

分别用原始、一阶导数、二阶导数、SNV、MSC预处理，采用SIMCA法：第一步，先建立每一类的主成分分析模型得到样本分类的基本印象；第二步，以未知样本逐一去拟合各类主成分模型，从而进行判别分类，通过识别率和拒绝率来判断鉴别模型的好坏。公式如下：

（1）

（2）

2 结果与分析

2.1 DLY商品猪和滇南小耳猪背最长肌4 300～11 000 cm-1光谱图

Fig.4 Spectra of freeze-dried powder of longissimus dorsi of DLY commercial pig （a） and Diannan small-eared pig （b）

由图1～2可知，DLY商品猪、滇南小耳猪的整块肉光谱吸光度为0～1.2之间，肉糜光谱吸光度为0～1.4之间，肉糜光谱吸光度高于整块肉光谱的吸光度，这可能与猪肉样品的不同形态及肌纤维的不同形态有关，整块和肉糜光谱形态不一样，对光谱的吸光度不同。肉糜对光谱的吸光度更高。图3～4光谱比图1～2光谱的噪音明显低，光谱波形也比较清晰。

2.2 DLY商品猪和滇南小耳猪背最长肌光谱图比较分析

由图5可知，DLY商品猪肉块的光谱吸光度明显高于滇南小耳猪。由图6可知，DLY商品猪肉糜和滇南小耳猪肉糜基本一致，但吸光度还是DLY商品猪高于滇南小耳猪。由图7～8可知，滇南小耳猪的烘干粉和冻干粉吸光度均高于DLY商品猪，这与猪肉块和猪肉糜的结果相反，可能与水分含量的不同有关。两种猪肉不同形态、不同处理方式均差异不大，光谱的差异有可能与品种差异有关，同一物种的光谱基本相同。

2.3 不同光谱预处理方法对猪肉品种鉴别的影响

由表1可知，两个品种猪肉采用原始光谱、MSC、SNV、一阶导数、二阶导数光谱预处理建模分析，识别率均较高，但是拒绝率均很低，表明能够识别出同一品种猪肉的机率较大，但同时将其他品种误判为此品种的机率也较大，模型不可靠，不能够用于实际鉴别中。

由表2可知，两个品种猪肉糜采取原始光谱、MSC、SNV、一阶导数、二阶导数预处理光谱建模分析，识别率均较高，但是拒绝率均很低，与表1结果一致，表明能够识别出同一品种猪肉的机率较大，但同时将其他品种误判为此品种的机率也较大，模型不可靠，不能够用于实际鉴别中。

由表3可知，原始光谱对两个品种鉴别效果较好，校正集和验证集的识别率和拒绝率均达到100%，所以本研究就没有采用MSC、SNV、一阶导数、二阶导数等光谱预处理方法对原始光谱进行处理。这一结果表明整块肉光谱以及肉糜光谱对DLY商品猪和滇南小耳猪品种鉴别效果较差，而烘干粉和冻干粉光谱对于两品种鉴别效果较好。可能是由于整块肉和匀质肉糜中含有水分含量较高（65%以上），而水分的光谱特征差异不显著，所以比较难鉴别。

3 讨 论

本研究结果表明，DLY商品猪与滇南小耳猪肉在整块、匀质肉糜、烘干粉、冻干粉光谱上存在一定的差异，两个品种猪肉可以通过定性分析模型来识别。但是整块、匀质肉糜光谱预测效果不理想，烘干粉和冻干粉预测效果较好。

Moral等[23]在350～2 500 nm采集15 头杜洛克猪和15 头伊伯利亚猪的整块肉光谱，数据采用人工神经网络方法处理，结果表明，对于两个品种猪的判别正确率大于95%。但是本研究整块肉效果不理想，与其研究结果不一致，这可能与本实验是选用了近红外谱段，没有扫描红外谱段有关。在以后的研究中可以尝试使用红外谱段扫描DLY商品猪和滇南小耳猪，观察效果。除此之外，还有数学方法上的差异。Dian等[26]选择120 只牧草饲喂的羔羊和139 只浓缩料饲喂的羔羊，使用可见光-近红外光谱区分牧草和浓缩料饲喂的羔羊，采用主成分分析法和偏最小二乘判别分析法对光谱数据进行了分析，在400～2 500 nm效果最好，对于浓缩饲料组判别正确率分别是98.6%、98.6%、97.8%，利用可见光和近红外光谱对于牧草组和浓缩饲料组的鉴别率分别为97.8%、97.5%，能够应用于不同饲喂方式的鉴别。本实验将尝试扫描红外和近红外光谱，进行结合，用不同的数学分析方法对整块肉和肉糜进一步建模预测。

本研究与张宁等[28]研究结果一致，采用近红外光谱法结合簇类独立软模式法溯源羊肉产地，建立了羊肉产地的溯源模型，在3 999～11 995 cm-1波长范围内扫描冻干粉光谱，光谱经5点平滑与MSC方法处理，采用SIMCA方法建立了稳健的羊肉产地溯源模型。可能是本研究与张宁等[28]采用的光谱区间和数学方法基本一致。

本研究对整块肉和肉糜效果不好，当试样水分超过20%时，试样的吸收峰将达到饱和，在这种情况下，其他成分的吸收有可能被这个强烈的吸收所淹没，因此这个区域用来测定的试样最好以水分低于20%的较干燥的物质较好[1]。而整块和肉糜的含水量均高于65%，所以本研究采用烘干粉、冻干粉绝干样光谱研究效果较好。

本研究的样品数虽然符合建模要求[32]，但是对比来说涵盖范围不够广，今后可以通过扩大样本量、样品的来源进一步分析，扩大DLY商品猪和滇南小耳猪的数据库，更精确地鉴别两个品种的猪肉。

4 结 论

本研究表明，DLY商品猪和滇南小耳猪整块肉、匀质肉糜的近红外光谱模型鉴别两品种效果不理想。而DLY商品猪和滇南小耳猪烘干粉、冻干粉的近红外光谱模型鉴别效果较好，识别率和拒绝率均为100%。因此，近红外光谱分析方法能够鉴别DLY商品猪和滇南小耳猪两个品种的猪肉。

参考文献：

[1] 杰尔·沃克曼， 洛伊斯·文依. 近红外光谱解析实用指南[M]. 褚小立， 许育鹏， 田高友， 译. 北京： 化学工业出版社， 2009.

[2] 凌静， 向洋. 近红外光谱分析技术及其在肉类制品中的应用[J]. 肉类研究， 2008， 22（1）： 52-55.

[3] 杨红菊， 姜艳彬， 候东军， 等. 注胶肉的近红外光谱快速判别分析[J]. 肉类研究， 2008， 22（11）： 62-64.

[4] 杨志敏， 丁武. 近红外光谱技术快速鉴别原料肉掺假的可行性研究[J].

肉类研究， 2011， 25（2）： 25-28.

[5] PRIETO N， ROEHE R， LAV?N P， et al. Application of near infrared reflectance spectroscopy to predict meat and meat products quality： a review[J]. Meat Science， 2009， 83： 175-186. DOI：10.1016/j.meatsci.2009.04.016.

[6] 黄伟， 杨秀娟， 张燕鸣， 等. 近红外光谱技术在肉类定性鉴别中的研究进展[J]. 肉类研究， 2014， 28（1）： 31-34.

[7] 陶琳丽， 杨秀娟， 邓君明， 等. 畜禽化学成分近红外光谱检测技术研究进展[J]. 光谱学与光谱分析， 2013， 33（11）： 3002-3009.

[8] 开晗， 孔保华. 近红外光谱检测技术在肉类工业中的应用[J]. 肉类研究， 2011， 25（9）： 35-37.

[9] RIPOLL G， ALBERTI P， PANEA B， et al. Near-infrared reflectance spectroscopy for predicting chemical， instrumental and sensory quality of beef[J]. Meat Science， 2008， 80（3）： 697-702. DOI：10.1111/j.1365-2621.1991.tb08623.x.

[10] 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. DOI： 10.1016/j.meatsci.2010.07.011.

[11] T?GERSEN G， ARNESEN J F， NILSEN B N， et al. On-line prediction of chemical composition of semi-frozen ground beef by non-invasive NIR spectroscopy[J]. Meat Science， 2003， 63： 515-523. DOI： 10.1016/S0309-1740（02）00113-4.

[12] 赵丽丽， 张录达， 宋忠祥， 等. 近红外光谱定量检测腌腊肉制品品质的研究[J]. 光谱学与光谱分析， 2007， 27（1）： 46-49.

[13] BARBIN D F， ElMASRY G， SUN D W， et al. Near-infrared hyperspectral imaging for grading and classification of pork[J]. Meat Science， 2012， 90： 259-268. DOI：10.1016/j.meatsci.2011.07.011.

[14] SAVENIJE B， GEESINK G H， VANDER PALEN J G， et al. Prediction of pork quality using visible/near-infrared reflectance spectroscopy[J]. Meat Science， 2006， 73（1）： 181-184. DOI：10.1016/j.meatsci.2005.11.006.

[15] LIU L， NGACD M O， PRASHER S O， et al. Categorization of pork quality using Gabor filter-based hyper-spectral imaging technology[J].Journal of Food Engineering， 2010（99）： 284-293. DOI：10.1016/j.jfoodeng.2010.03.001.

[16] GUILL?N A， MORAL F D G， HERRERA L J， et al. Using near-infrared spectroscopy in the classification of white and iberian pork with neural networks[J]. Neural Computing & Applications， 2010， 19： 465-470. DOI：10.1007/s00521-009-0327-2.

[17] MAMANI-LINARES L W， GALLO C， ALOMAR D. Identification of cattle， llama and horse meat by near infrared reflectance or transflectance spectroscopy[J]. Meat Science， 2012， 79（90）： 378-385. DOI：10.1016/j.meatsci.2011.08.002.

[18] 赵红波， 谭红， 史会兵， 等. 近红外光谱技术鉴别猪肉和牛肉的研究[J].

中国农学通报， 2011， 27（26）： 151-155.

[19] KAMRUZZAMAN M， ElMASRY G， SUN D W， et al. Application of NIR hyperspectral imaging for discrimination of lamb muscles[J].Journal of Food Engineering， 2011， 104（3）： 332-340. DOI：10.1016/j.jfoodeng.2010.12.024.

[20] ANDR?S 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： 509-516. DOI：10.1016/j.meatsci.2007.01.011.

[21] DEMARCHI M， BERZAGHI P， BOUKHA A， et al. Use of near infrared spectroscopy for assessment of beef quality traits[J].Italian Journal of Animal Science， 2007， 6： 421-423. DOI： 10.4081/ijas.2007.1s.421.

[22] MONROY M， PRASHER S， NGADI M O， et al. Pork meat quality classification using visible/near-infrared spectroscopic data[J]. Biosystems Engineering， 2010， 107： 271-276. DOI： 10.1016/j.biosystemseng.2010.09.006.

[23] MORAL F G， GUILL?N A， MORAL L G， et al. Duroc and Iberian pork neural network classification by visible and near infrared reflectance spectroscopy[J]. Journal of Food Engineering， 2009， 90： 540-547. DOI：10.1016/j.jfoodeng.2008.07.027.

[24] PRIETO N， ANDRES S， GIRALDEZ F J， et al. Discrimination of adult steers （oxen） and young cattle ground meat samples by near infrared reflectance spectroscopy （NIRS）[J]. Meat Science， 2008， 79（1）： 198-201. DOI： 10.1016/j.meatsci.2007.08.001.

[25] COZZOLINO D， MURRAY I. Identification of animal meat muscles by visible and near infrared reflectance spectroscopy[J]. LWT-Food Science and Technology， 2004， 37（4）： 447-452. DOI： 10.1016/j.lwt.2003.10.013.

[26] DIAN P H M， ANDUEZA D， JESTIN M， et al. Comparison of visible and near infrared reflectance spectroscopy to discriminate between pasture-fed and concentrate-fed lamb carcasses[J]. Meat Science， 2008， 80： 1157-1164. DOI：10.1017/S1751731115001172.

[27] OSORIO M T， ZUMALAC?RREGUI J M， PRIETO N， et al. Differentiation between carcasses from suckling lambs reared with ewe milk or milk replacers by near infrared reflectance spectroscopy of perirenal fat[J]. Small Ruminant Research， 2007， 72： 221-226. DOI：10.1016/j.smallrumres.2006.10.011.

[28] 张宁， 张德权， 李淑荣， 等. 近红外光谱结合SIMCA法溯源羊肉产地的初步研究[J]. 农业工程学报， 2008， 24（12）： 309-312.

[29] 邓祖洪， 吴茂霞， 罕文珍. 滇南小耳猪产业化发展对策探讨[J]. 云南畜牧兽医， 2009（5）： 10-12.

[30] 张正荣. 对DLY三元杂交生猪生产中出现毛色分离现象的研究[J]. 四川畜牧兽医， 2007（11）： 27-29.

[31] 宋镇. DLY三元杂商品猪生产性能的测定[J]. 中国畜禽种业， 2014（8）： 59-60.

[32] 陆婉珍. 现代近红外光谱分析技术[M]. 2版. 北京： 中国石化出版社， 2010.