国内外猪肉质量快速无损检测技术的研究进展

李莹，张伟敏，黄海珠，胡晓苹，*

（1.海南大学食品学院，海南海口570228；2.海南罗牛山肉类食品有限公司，海南海口571133）

国内外猪肉质量快速无损检测技术的研究进展

李莹1，张伟敏1，黄海珠2，胡晓苹1，*

（1.海南大学食品学院，海南海口570228；2.海南罗牛山肉类食品有限公司，海南海口571133）

猪肉质量包含猪胴体分级及猪肉品质两方面，猪肉品质包括其感官品质、营养品质、安全品质及加工品质。概述猪胴体瘦肉率及猪肉品质的快速无损检测方法的研究现状。猪肉胴体分级的无损检测方法主要有超声波技术和近红外光谱技术；猪肉感官品质的无损检测多采用高光谱成像技术、红外光谱技术、拉曼光谱技术及核磁共振技术；猪肉营养品质的无损检测多采用红外光谱技术、超声波技术及核磁共振技术；猪肉安全品质的无损检测多采用电子鼻、电子舌、生物电学技术、计算机视觉技术及高光谱成像技术；猪肉加工品质的无损检测多采用核磁共振技术、红外光谱技术、拉曼光谱技术及高光谱成像技术等。结合国内外研究现状，对未来我国猪肉品质无损检测技术的研究与发展作出展望。

猪肉；胴体分级；感官品质；营养品质；安全品质；加工品质；快速无损检测技术

Abstract：Pork quality includes carcass grading and quality including sensory quality，nutrition quality，safety quality and processing quality.The research status of rapid nondestructive testing methods for the relevant indicators of lean meat rate of pork carcass and pork quality was discussed.Ultrasonic technique and near infrared spectroscopy have mainly been used for the classification of pork carcass；hyperspectral imaging technique，infrared spectroscopy，Raman spectroscopy and nuclear magnetic resonance have usually been used to evaluate sensory quality of pork；infrared spectroscopy，ultrasonic technique and nuclear magnetic resonance have been used to evaluate nutrition quality of pork；electronic nose，bio-impedance technique，computer vision and hyperspectral imaging technique have been used to evaluate the safety quality of pork；nuclear magnetic resonance，infrared spectroscopy，Raman spectroscopy and hyperspectral imaging techniques have been used for the detection of processing quality.The future investigation and development of nondestructive testing technology for pork quality in China is prospected on the basis of the domestic and foreign research statuses.

Key words：pork；carcass grading；sensory quality；nutrition quality；safety quality；processing quality；rapid nondestructive testing technology

在我国，猪肉是产量和消费量都最大的肉类，2015年其产量高达5487万吨，占当年全球总产量49.2%[1]，对其品质进行监测、管理是肉品行业的重要工作。并且，随着人们生活水平的不断提高以及饮食结构的逐步调整，消费者对猪肉质量有了更高的要求。

猪肉胴体的分级通常分为质量分级（肥肉厚度、瘦肉厚度和瘦肉率）和产量分级。猪肉品质包括其感官品质（色泽、口感、气味等）、营养品质（主要营养成分含量等）和安全品质（微生物污染、掺伪情况等）。猪肉质量的传统检测主要是感官评价和理化分析[2]。感官评价结果受主观影响大、数据差异大，理化检测不但步骤繁琐，还需要使用化学试剂。然而，无损检测技术无需破坏样品状态和化学性质、甚至无需接触样品即可对其品质进行客观、快速评价。无损检测技术是将被测对象的力学、电学、电磁学、声学、光学等物理性质与计算机、传感器、人工智能等信息技术相结合，从而实现对样品品质的准确、客观、快速检测[3-4]。无损检测技术包括高光谱成像技术（Hyper Spectral Imaging，HSI）、近红外光谱技术（Near Infrared，NIR）、中红外光谱技术（Infrared Spectroscopy，IR）、计算机视觉技术（Computer Vision，CV）、拉曼光谱（Raman Spectra，RS）、超声波检测技术、电学法、电子鼻（ElectronicNose，EN）、电子舌、核磁共振技术（Nuclear Magnetic Resonance，NMR）、太赫兹波（Terahertz，THz）技术、X 射线等多种技术。综述国内外关于猪肉品质的快速无损检测方法的研究现状，并对未来我国猪肉品质无损检测技术的研究与发展做出展望。

1 瘦肉率的无损检测技术

瘦肉率是判断猪胴体级别的主要指标之一，瘦肉率越高其经济价值越高。超声波检测技术具有快速、非破坏性、方向性好和穿透力强等特点。Brondum等[5]利用AutoFom超声波检测系统对猪胴体的肥肉厚度、瘦肉厚度和瘦肉率进行在线检测，其预测标准残差（Root Mean Square Error of Prediction，RMSEP）分别为1.24%、2.90%和1.84%；Fortin等[6]基于超声波扫描并结合HSI技术，组建三维图像，利用MLR和逐步回归法（SMLR）构建猪胴体瘦肉率模型，其相关系数r为0.905。刘峰等[7]基于激光光源的NIR（670 nm），并采用球形光纤导入探针对猪肉肥瘦成分进行评估，瘦肥正确识别率达96%。Sun等[8]基于近红外光谱技术（Near Infrared，NIR，650 nm～800 nm），构建猪肉肥瘦率检测系统并验证其可行性，其测量结果与样品的实际厚度基本一致。

2 猪肉感官品质的无损检测技术

2.1 色泽的无损检测技术

猪肉色泽由肌红蛋白和少量残留的血红蛋白决定，是消费者选择购买的重要因素之一，大家普遍认为新鲜猪肉为亮红色。主要通过感官评价对其进行评估，但该方法不能给出精准的数据。然而，快速无损检测法可有效避免感官评价时的主观影响，得到准确、可重复的结果。目前，用于猪肉色泽的无损检测技术主要为计算机视觉技术、中红外光谱技术（Computer Vision，Infrared Spectroscopy，CV，IR）（750 nm～2 500 nm）和HSI（200 nm～2 500 nm）技术。Lu等[9]基于CV，利用偏最小二乘法/多元线性回归（Partial Least Squares/Multiple Linear Regression，PLS/MLR） 和神经网络法（NN）构建了猪肉颜色等级的预测模型，该模型相关系数（r）分别为 0.75 和 0.52。Cozmlino等[10]利用可见光/近红外光谱（Vision/Near Infrared，Vis/NIR）对猪肉颜色进行检测，其亮度（L*）和红度（a*）的最佳偏最小二乘法（Partial Least Squares，PLS）模型的验证相关系数（r）均高于0.837；胡耀华等[11]采用漫反射光纤探头采集了真空包装猪胸段眼肌肉的Vis/NIR（400 nm～1 100 nm）光谱，经二阶微分处理，其 L*、a*、黄度（b*）、色度（c*）、色调角（H*）的 PLS回归模型的相关系数（r）均大于0.83；孙宏伟等[12]利用光导探头基于Vis/NIR（400 nm～1 000 nm）技术，采用标准正态变量变换（Standard Normalized Variate，SNV）和卷积平滑算法（Savitzky-Golay，S-G）平滑对猪里脊肉的光谱数据进行了预处理，其L*、a*和b*的PLSR模型的预测相关系数（r）为 0.90、0.97 、0.97。Barbin 等[13]采用 HSI（900 nm～1 700 nm）技术构建猪背最长肌的颜色参数L*、a*、b*、c*、H* 的 PLS 模型，其相关系数（r）分别可达0.97、0.93、0.96、0.95、0.94；Liu 等[14]基于 HSI（400 nm～1 000 nm）技术对咸猪肉色泽进行评估，其L*、a*的PLSR模型的相关系数（r）均为0.85。

2.2 大理石花纹的无损检测技术

大理石花纹是指肌内脂肪在肉组织中分布形成的可见花纹，是确定肉品等级的重要指标。通常，大理石花纹越丰富肉质越嫩，其检测方法多为感官评定。然而，猪肉相较于牛肉，其大理石花纹较少且颜色较浅，对其进行感官评估难度更大。研究者利用HSI、CV等方法对猪肉大理石花纹分级进行了探索。Qiao等[15]基于HSI（400 nm～1 000 nm）技术，利用十个主成分构建的人工神经网络（Artificial Neural Network，ANN）模型对猪肉大理石花纹分级（3级～5级）评估的正确率可达89%；伍学千[16]基于CV对猪胸段眼肌肉大理石纹建立了等级模型（1级～5级），其预测模型相关系数（r）为 0.945。

2.3 嫩度的无损检测技术

嫩度是肉品质量的首要指标，也是影响消费购买的重要因素之一[17]。猪肉嫩度常采用剪切力法（Warner-Braztler shear force，WBSF）测定，但该方法彻底破坏样品。目前，研究者主要将HSI、NIR和RS等无损技术用于猪肉嫩度的评估。陈全胜等[18]基于HSI（400 nm～1 000 nm）技术对猪肉嫩度等级进行评估，其NN预测模型对预测集样本的正确识别率为80.77%；钟雄斌[19]基于HSI技术，利用归一化处理光谱并采用支持向量机-判别分析法（Support Vector Machine-Discriminant Analysis，SVM-DA）建立了湖北山黑猪肉和零号土猪肉嫩度等级定性识别模型，其对校正集和预测集样本的识别正确率均为100%。Tao等[20]基于HSI（400 nm～1 100 nm）技术，结合Lorentzian算法，并采用不同的参数及参数组合，构建出最佳猪肉嫩度多元线性回归模型（Multiple Linear Regression，MLR）的相关系数（r）为0.930；Tao等[21]又利用Gompertz算法对猪肉嫩度进行评估，其MLR模型的相关系数（r）提升至0.949；Barbin 等[22]基于 HSI（910 nm～1 700 nm）技术，构建猪肉嫩度PLS模型，其相关系数（r）为0.86。熊来怡[23]基于NIR（400 nm～1 098 nm），构建猪肉嫩度PLS模型，其相关系数（r）为 0.78。Wang等[24]基于 RS（780 nm）技术，利用PLS模型对猪腰部肉质嫩度进行评估，其预测结果正确率达83%以上。

3 猪肉营养品质的快速无损检测技术

营养品质是猪肉最基本的性质。猪肉的主要营养成分为蛋白质、脂肪、碳水化合物和有机酸等，它们都有含氢基团，因此，IR是对其进行无损检测应用最广泛的方法。此外，超声波谱、HSI及NMR也可对猪肉的营养品质进行评估。

3.1 蛋白质含量的无损检测技术

对于猪肉蛋白质含量，基于Vis/NIR（350 nm～1 100 nm）技术，刘魁武等[25]对光谱数据采用多元散射校正（MSC）处理后，利用PLS模型对其进行评估，0℃～4℃和20℃下预测模型的相关系数（r）分别为0.713和0.455；Liao等[26]采用PLSR对其进行了在线检测，其预测模型的相关系数（r）高于0.757。成芳等[27]基于傅里叶变换近红外漫反射光谱（Fourier transform-Near Infrared，FT-NIR）（1 100 nm～2 500 nm）的漫反射光谱技术，构建了猪肉肉糜蛋白质含量的最佳最小二乘-支持向量机（Least Squares-Support Vector Machine，LS-SVM）模型，该模型预测性能优于PLSR模型，其相关系数（r）为 0.722。Barbin 等[28]基于 HSI（900 nm～1 700 nm）技术，构建猪肉蛋白质PLS模型，其相关系数（r）为 0.938。林岩等[29]基于 NIR（780 nm～2 526 nm）技术，采用联合区间偏最小二乘方法（SiPLS）对猪肉蛋白质含量进行评估，其预测模型的相关系数（r）为0.978 8。

3.2 脂肪含量的无损检测技术

猪肉脂肪含量方面，基于 Vis/NIR（350 nm～1 100 nm）技术，刘魁武等[25]利用PLS对其进行评估，0℃～4℃和20℃下预测模型的相关系数（r）分别为0.950和0.924；Liao等[26]利用PLSR模型对其进行了在线检测，其相关系数（r）高于0.757。成芳等[27]基于FTNIR（1 100 nm～2 500 nm）技术，采用 LS-SVM 模型对猪肉肉糜脂肪含量进行了评估，其预测模型相关系数（r）为 0.921；林岩等[29]基于 NIR（780 nm～2 526 nm），采用联合区间偏最小二乘方法（Simultaneous Partial Least Squares，SiPLS）对猪肉脂肪含量进行评估，其预测模型相关系数（r）为0.978 8。基于HSI（900 nm～1 700 nm）技术，Barbin等[28]构建猪肉脂肪的PLS模型，其相关系数（r）为0.974；Liu等[30]采用PLS对猪肉肌内脂肪含量进行了评估，其校正及预测模型的相关系数（r）分别为0.97和0.98；Huang等[31]利用MLR对猪肉肌内脂肪进行评估，其最佳预测模型相关系数（r）为0.98。

3.3 水分含量的无损检测技术

水分含量方面，基于 Vis/NIR（350 nm～1 100 nm）技术，刘魁武等[25]采用二阶求导数处理光谱，构建了0℃～4℃和20℃下猪肉水分含量的PLS预测模型，其相关系数（r）分别为 0.944 和 0.914；Liao等[26]对猪肉内部水分含量进行了在线检测，其偏最小二乘回归（Partial Least Squares Regression，PLSR）预测模型的相关系数（r）高于 0.757。成芳等[27]基于 FT-NIR（1 100 nm～2 500 nm）技术，对猪肉肉糜水分含量进行了评估，其LS-SVM模型的预测相关系数（r）为0.900。Barbin等[28]基于HSI（900 nm～1 700 nm）技术，构建猪肉水分PLS模型，其相关系数（r）为 0.932。

3.4 其他成分的无损检测技术

姚蕊等[32]利用NMR对猪肉中的含磷化合物（三磷酸腺苷、无机磷和磷酸肌酸等）进行了测定方法的开发与研究。Prados等[33]基于低强度超声波技术，利用MLR对猪的肱二头肌肌肉和背最长肌的含盐量进行预测，其相关系数（r）都大于0.878。

4 猪肉安全品质的无损检测技术

4.1 新鲜度的无损检测技术

新鲜度是猪肉安全品质的重要指标之一，K值、挥发性盐基氮（Total Volatile Basic Nitrogen，TVB-N）、pH值等是其相关测试指标。目前，国内外关于猪肉新鲜度的快速无损检测方法多样，主要涉及HSI、NIR、紫外荧光法、NMR、生物电阻抗法、电子鼻与电子舌和太赫兹波（Terahertz，THz）等。

Cheng等[34]基于HSI（328 nm～1 115 nm）技术，构建了猪肉K值的PLSR模型，其最佳模型相关系数（r）为0.947。对于TVB-N的定量预测：黄琪评[35]基于NIR（870 nm～1 770 nm）技术，将非线性的反向传播人工神经网络（Back-propagation Artificial Neural Network，BPANN）与自适应提升算法（Adaptive Boost，Ada Boost）相结合，构建的预测模型相关系数（r）为0.832 5；Li等[36]基于HSI和比色传感器，利用反向传播自适应增强（Back-propagation Adaptive Boost，BP-AdaBoost）算法，建立的预测模型偏差（RPD）为2.885，修正系数（R）为0.932，优于反向传播人工神经网络（BP-ANN）模型；王丽等[37]基 NIR（4 000 cm-1～10 000 cm-1）技术，建立的PLSR 模型，其相关系数（r）为 0.823 1；石丽敏等[38]通过测量猪肉的电阻抗评估了冷鲜猪肉的新鲜度，结果表明，阻抗特性与TVB-N含量高度相关（相关系数（r）为0.934）；黄林[39]将 NIR、CV 和 EN 技术信息融合，并采用BP-ANN算法，所建模型性能较单一技术信息所建模型的性能有了显著提高，其相关系数（r）提高至0.98。汪希伟等[40]基于紫外荧光成像技术，以猪肉脂肪区域的紫外荧光面积百分比为包装鲜猪肉新鲜度的评估指标，该方法对其新鲜度的预测效果良好（R2=0.933 6）；齐亮等[41]提出基于THz波谱测定肉品的新鲜度各指标（核苷酸、DNA、氨基酸、蛋白质等），有望实现猪肉新鲜度的快速无损检测。

此外，pH值是反映猪肉新鲜度的的另一重要指标，对猪肉货架期、新鲜度等有重要意义[42-44]。其传统测定方法主要采用pH计或表面电极检测，虽操作步骤简单快捷，但属于破坏性检测。目前，其快速无损检测方法多为光谱法。廖宜涛等[45]基于Vis/NIR（350 nm～1 000 nm）技术，构建了新鲜猪肉pH值的PLSR模型，其预测相关系数（r）为 0.905；Liao 等[26]基于 Vis/NIR（350 nm～1 000 nm）漫反射光谱，建立了猪肉pH值的在线检测PLSR模型，其预测相关系数（r）为0.906；Pu等[46]利用 Vis/NIR（400 nm～1 000 nm）技术，建立猪肉pH值的LS-SVM模型，其相关系数（r）为0.845。基于HSI技术，Barbin等[13]收集了猪肉NIR全波段扫描的图像信息，建立了猪肉pH值的PLSR模型，其相关系数（r）为0.932；钟雄斌[19]对光谱进行归一化处理，建立湖北山黑猪肉和零号土猪肉pH值的PLS模型，其校正集和测试集的预测相关系数（r）分别为0.885和0.864；Liu等[14]构建咸肉pH的PLSR模型，其预测相关系数（r）为 0.86。

4.2 微生物污染的无损检测技术

猪肉的微生物污染是影响其安全的重要因素之一。传统的微生物检测方法耗时长、步骤繁琐。电子舌、EN及HSI技术可实现猪肉中微生物的快速无损检测。Gil等[47]利用电子舌监控冷库中生鲜猪肉的微生物变化，构建的PLS模型回归系数（R2）为0.887 8；Wang等[48]基于EN，并将SVM与PLS相结合，构建了细菌数量模型，其相关系数（r）为0.94。Tao等[20]基于HSI（400 nm～1 100 nm）技术，结合 Lorentzian 算法，并采用不同的参数及参数组合，构建出最佳猪肉中大肠杆菌（E.coli）MLR 模型的相关系数（r）为 0.877；该课题组[21]又利用Gompertz算法对猪肉中E.coli进行评估，其MLR模型的相关系数（r）提升至0.939；他们[49]又基于HSI散射技术，利用Lorentzian算法和Gompertz算法分别构建猪肉菌落总数（TVC）最佳的预测模型，其相关系数（r）分别为0.94和0.93。

4.3 猪肉掺假的无损检测技术

近几年肉类掺假事件频发，一些食品制造商为了经济利益，以猪肉为主要原料辅以其他配料冒充牛肉制品或羊肉制品。这不仅会影响由于宗教、文化原因不食猪肉消费者的选择，更可能因为添加的辅料卫生安全问题影响消费者的健康安全，因此，肉制品中猪肉的鉴伪非常重要。Nurjuliana等[50]研究表明基于电子鼻技术，结合主成分分析法（PCA）可将猪肉与牛、羊、鸡肉及其香肠制品有效区分。

5 猪肉保水性的无损检测技术

猪肉的保水性是指肌肉组织保持水分的能力，滴水损失、蒸煮损失、解冻损失及压力法等是其常用测定方法，但这些方法均为破坏性检测。目前，NMR、NIR、IR、RS及HSI等技术均可用于猪肉保水性的快速无损检测。Bertram等[51]研究表明核磁共振氢谱（1H NMR）的横向驰豫时间与猪肉保水性呈现显著相关性。Geesink等[52]基于 NIR（1 000 nm～2 500 nm）技术，利用 MLR 和PLSR对猪肉滴水损失值进行了预测，其预测模型相关系数（r）为 0.71～0.74；胡耀华等[11]利用 NIR（700 nm～1 100 nm）漫反射光谱技术，建立真空包装猪眼肉的滴水损失值和系水力预测模型，其相关系数（r）分别为0.76 和 0.74；Prevolnik 等[53]基于 NIR（400 nm～2 500 nm）技术，建立了猪肉最佳的EZ滴水损失PLS模型，其相关系数（r）为0.787。Pedersen[54]等基于IR和RS技术，建立新鲜猪肉保水性的PLSR模型，其最佳模型的相关系数（r）分别为0.89和0.98。Barbin等[13]利用HSI（900 nm～1 700 nm）技术，收集猪肉的图像信息，建立猪肉滴水损失值的PLSR模型，其相关系数（r）为0.911；Ma等[55]基于HSI（328 nm～1 115 nm）技术，利用PLSR对猪肉在加热脱水（Heating-Dehydration，H-D）和冷空气脱水（Cold-Air-Dehydration，C-A-D）条件下的含水率（Moisture Content，MC）进行了预测，其相关系数（r）均达到 0.974。

6 研究展望

目前，国内外学者已利用 HSI、CV、NIR、RS、紫外荧光法、生物电阻抗法、超声波、电子鼻、电子舌及NMR等无损检测技术，基本实现了猪肉质量多个指标的评估。超声波技术、NIR等技术可用于猪肉胴体的分级；HSI、CV、NIR、RS、NMR 等技术也可快速获取猪肉的感官品质（猪肉色泽、大理石花纹等的检测和在线判别）；HSI、NMR、IR技术可快速评估猪肉的营养品质；HSI、NIR、NMR、电子鼻、电子舌、紫外荧光法及生物电阻抗法可应用于猪肉安全品质的快速无损检测；NMR、IR、RS及HSI等技术可应用于猪肉加工性质相关指标的检测，可见，HSI技术已成为猪肉品质检测应用最广的无损检测方法。总的来看，目前国内外研究多以某一项无损检测技术展开探讨，其实，各种检测技术都有其优缺点，多种技术的联合使用将是国内外猪肉品质检测研究的发展趋势。若能将多种技术有机融合，则效果更好、准确率更高的检测结果指日可待，即通过不同的途径获取同一品质的多种信息，从而通过信息互补提高品质检测的广度，进而提高检测结果的稳定性和准确性。

[1]朱馨.基于非参数方法的猪肉价格断点回归分析[D].杭州:浙江大学,2010

[2]屠康.肉类品质无损检测技术的研究进展[J].西北农林科技大学学报,2005,33(1):25-28

[3]韩东海.无损检测技术在食品质量安全检测中的典型应用[J].食品安全质量检测学报,2012,3(5):400-413

[4]Ellis D I,Broadhurst D,Kell D B,et al.Rapid and quantitative detection of the microbial spoilage of meat by fourier transform infrared spectroscopy and Machine Learning[J].Applied and Environmental Microbiology,2002,68(6):2822-2828

[5]Benedito J,Carcel J A,Rossello C,et al.Composition assessment of raw meat mixtures using ultrasonics[J].Meat Science,2001,57(4):365-370

[6]Fortin A,Tong A K W,Robertson W M,et al.A novel approach to grading pork carcasses:computer vision and ultrasound[J].Meat science,2003,63(4):451-462

[7]刘锋,何巍,骆飞,等.基于近红外激光光纤导入技术的猪肉肥瘦度检测方法[J].半导体光电,2014,35(5):928-931

[8]Sun Z C,Leng S,Ma W T,et al.Method for Detection of the Lean Meat Ratio in Pork Carcass Based on Fiber Optic Sensor[C].Published online,Electronic Technology and Application,MATEC Web of Conferences,2017

[9]Lu J,Tan J,Shatadal P,et al.Evaluation of pork color by using computer vision[J].Meat science,2000,56(1):57-60

[10]Cozzolino D,Barlocco N,Vadell A,et al.The use of visible and near-infrared reflectance spectroscopy to predict colour on both intact and homogenised pork muscle[J].LWT-Food Science and Technology,2003,36(2):195-202

[11]胡耀华,郭康权,野口刚,等.基于近红外光谱检测猪肉系水力的研究[J].光谱学与光谱分析,2009,29(12):3259-3262

[12]孙宏伟,彭彦昆,林琬.便携式生鲜猪肉多品质参数同时检测装置研发[J].农业工程学报,2015,31(20):268-273

[13]Barbin D F,Elmasry G,Sun D W,et al.Predicting quality and sensory attributes of pork using near-infrared hyperspectral imaging[J].Analytica Chimica Acta,2012,719(10):30-42

[14]Liu D,Pu H B,Sun D W,et al.Combination of spectra and texture data of hyperspectral imaging for prediction of pH in salted meat[J].Food Chemistry,2016,160(10):330-337

[15]Qiao J,Ngadi O M,Wang N,et al.Pork quality and marbling level assessment using a hyperspectral imaging system[J].Journal of Food Engineering,2007,83(1):10-16.

[16]伍学千.基于计算机视觉技术的猪肉品质检测与分级研究[D].杭州:浙江大学,2010

[17]汤晓艳,周光宏,徐幸莲,等.肉嫩度决定因子及牛肉嫩化技术研究进展[J].中国农业科学,2007,40(12):2835-2841

[18]陈全胜,张燕华,万新民.基于高光谱成像技术的猪肉嫩度检测研究[J].光学学报,2010,30(9):2602-2607

[19]钟雄斌.基于高光谱技术的不同品种猪肉品质检测模型维护方法研究[D].武汉:华中农业大学,2011

[20]Tao F F,Peng Y K,Li Y Y,et al.Simultaneous determination of tenderness and Escherichia coli contamination of pork using hyperspectral scattering technique[J].ScienceDirect,2012,90(3):851-857

[21]Tao F F,Peng Y K.A method for nondestructive prediction of pork meat quality and safety attributes by hyperspectral imaging technique[J].Journal of Food Engineering,2014,126(1):98-106

[22]Barbin D F,Valous N A,Sun D W.Tenderness prediction in porcine longissimus dorsi muscles using instrumental measurements along with NIR hyperspectral and computer vision imagery[J].Innovative Food Science and Emerging Technologies,2013,20(4):335-342

[23]熊来怡.近红外光谱技术检测猪肉品质及其安全判别研究[D].咸阳:西北农林科技大学,2012

[24]Wang Q,Lonergan S T,Yu C X.Rapid determination of pork sensory quality using Raman spectroscopy[J].Meat Science,2012,91(9):232-239

[25]刘魁武,成芳,林宏建,等.可见/近红外光谱检测冷鲜猪肉中的脂肪、蛋白质和水分含量[J].光谱学与光谱分析,2009,29(1):102-105

[26]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

[27]成芳,樊玉霞,廖宜涛.应用近红外漫反射光谱对猪肉肉糜进行定性定量检测研究[J].光谱学与光谱分析,2012,32(2):354-359

[28]Barbin D F,Elmasry G,Sun D W,et al.Non-destructive determination of chemical composition in intact and minced pork using nearinfrared hyperspectral imaging[J].Food Chemistry,2013,138(2/3):1162-1171

[29]林岩,郭培源,王昕琨.基于近红外光谱的猪肉蛋白质及脂肪含量检测[J].食品科技,2014,39(2):262-266

[30]Liu L,Ngadi M O.Predicting intramuscular fat content of pork using hyperspectral imaging[J].Journal of Food Engineering,2014,134:16-23

[31]Huang H,Liu L,Ngadi M O.Assessment of intramuscular fat content of pork using NIR hyperspectral images of rib end[J].Journal of Food Engineering,2017,193:29-41

[32]姚蕊,彭增起,周光宏.核磁共振在肉类科学研究中的应用[J].肉类研究,2005(9):27-30

[33]Prados M D,Garía-pérez J V,Benedito J.Non-destructive salt content prediction in brined pork meat using ultrasound technology[J].Journal of Food Engineering,2015,154:39-48

[34]Cheng W W,Sun D W,Pu H B,et al.Integration of spectral and textural data for enhancing hyperspectral prediction of K value in pork meat[J].LWT-Food Science and Technology,2016,72:322-329

[35]黄琪评.基于光谱成像技术的猪肉品质检测研究[D].镇江:江苏大学,2016

[36]Li H H,Chen Q S,Zhao J W,et al.Nondestructive detection of total volatile basic nitrogen(TVB-N)content in pork meat by integrating hyperspectral imaging and colorimetric sensor combined with a nonlinear data fusion[J].LWT-Food Science and Technology,2015,63(1):268-274

[37]王丽,刘兆丰,励建荣,等.近红外光谱技术快速检测猪肉新鲜度指标的方法研究[J].中国食品学报,2012,12(6)160-165

[38]石丽敏,黄岚,梁志宏.阻抗特性评价猪肉的新鲜度[J].食品科学,2013(11):13-18

[39]黄林.基于单一技术及多信息融合技术的猪肉新鲜度无损检测研究[D].镇江:江苏大学,2013

[40]汪希伟,赵茂程,居荣华,等.基于紫外荧光成像对包装鲜猪肉存储时间预测研究[J].包装与食品机械,2011,29(6):5-8

[41]齐亮,赵婕,赵茂程,等.冷鲜猪肉的新鲜度无损检测技术现状及THz检测技术展望[J].食品与机械,2016,32(9):219-224

[42]刘国庆,张黎利,宗凯,等.冷鲜猪肉货架期品质测定及主要致腐微生物预报[J].食品科学,2009,18(30):394-395

[43]王笑丹.吉林省优质猪肉品质评定方法[D].长春:吉林大学,2004

[44]Liao Y T,Fan Y X,Cheng F.On-line prediction of pH values in fresh pork using visible/near-infrared spectroscopy with wavelet de-noising and variable selection methods[J].Journal of Food Engineering,2012,109(4):668-675

[45]廖宜涛,樊玉霞,伍学千,等.猪肉pH的可见近红外光谱在线检测研究[J].光谱学与光谱分析,2010,30(3):681-684

[46]Pu H B,Sun D W,MA J,et al.Using wavelet textural features of visible and near infrared hyperspectral image to differentiate between fresh and Frozen-Thawed Pork[J].Food Bioprocess Technology,2014,7(11):3088-3099

[47]Gil L,Barat J M,Baigt D,et al.Monitoring of physical–chemical and microbiological changes in fresh pork meat under cold storage by means of a potentiometric electronic tongue[J].Food Chemistry,2011,126(3):1261-1268

[48]Wang D F,Wang X C,Liu T A,et al.Prediction of total viable counts on chilled pork using an electronic nose combined with support vector machine[J].Meat Science,2012,90(2):373-377

[49]Tao F F,Peng Y K.A Nondestructive Method for prediction of total viable count in pork meat by hyperspectral scattering imaging[J].Food Bioprocess Technology,2015,8(1):17-30

[50]Nurjuliana M,Man Y B H,Hashim D M,et al.Rapid identification of pork for halal authentication using the electronic nose and gas chromatography mass spectrometer with headspace analyzer[J].Meat Science,2011,88(4):638-644

[51]Bertram H C,Andersen H J,Karlsson A H.Comparative study of low-field NMR relaxation measurements and two traditional methods in the determination of water holding capacity of pork[J].Meat Science,2001,57(2):125-132

[52]Geesink G H,Schreutelkamp F H,Frank-huizen R,et al.Prediction of pork quality attributes from near infrared reflectance spectra[J].Meat Science,2003,65(1):661-668

[53]Prevolnik M,Cˇandek-potoksr M,Sˇkorjanc D.Predicting pork water-holding capacity with NIR spectroscopy in relation to different reference methods[J].Journal of Food Engineering,2010,98(3):347-352

[54]Pedersen D K,Morel S,Andersen H J,et al.Early prediction of water-holding capacity in meat by multivariate vibrational spectroscopy[J].Meat Science,2003,65(1):581-592

[55]Ma J,Sun D W,PU H B.Model improvement for predicting moisture content(MC)in pork longissimus dorsi muscles under diverse processing conditions by hyperspectral imaging[J].Journal of Food Engineering,2017,196:65-72

Research Progress in Domestic and Foreign Rapid Nondestructive Testing Technology for Pork Quality

LI Ying1，ZHANG Wei-min1，HUANG Hai-zhu2，HU Xiao-ping1，*
（1.College of Food Science and Technology，Hainan University，Haikou 570228，Hainan，China；2.Hainan LUONIUSHAN Meat Food Co.，Ltd.，Haikou 571133，Hainan，China）

2017-03-24

10.3969/j.issn.1005-6521.2017.20.044

海南省自然科学基金（314072）

李莹（1989—），女（汉），硕士，研究方向：农产品无损检测。

*通信作者：胡晓苹（1978—），女，副教授，博士，研究方向：农产品无损检测、天然产物。