利用近红外光谱建立牛肉理化品质预测模型

亐开兴 ，吴金亮 ，杨 凯 ，王 喆 ，赵 刚 ，张继才 ，高月娥 ，王安奎 ，杨国荣 ，金显栋 *

（1.云南省草地动物科学研究院，昆明 650212；2.云南省肉牛工程技术研究中心，昆明 650212；3.云南省畜牧兽医科学院，昆明 650224）

牛肉富含蛋白质，脂肪含量低，营养构成更接近人体的均衡需要，能增强体魄和提高人体抗病力，对促进人们生长发育及组织修复好处良多。牛肉是世界第三大消耗肉品，约占肉类市场的25%，低于猪肉（38%）和禽肉（30%）。随着人们生活水平的提高，牛肉品质成为了消费者最为关注的重要因素之一。受品种、日粮、饲养环境等多方面因素影响，牛肉品质有很大差异。在牛肉供应市场，不恰当的销售与加工渠道会出现掺假牛肉制品谋取利益。因此，有必要采取先进的技术手段，实现快速高效检测和甄别牛肉品质与真假。以往常用的感官、理化与微生物检验方法费时费力，而近红外光谱 （near infrared spectroscopy，NIRS）是近年发展起来的一种具有方便、快速、高效、准确而成本低、不破坏样品、绿色环保等优点的检测技术，在肉品品质快速检测中受到越来越多人的青睐。国内外学者在通过NIRS检测来预测各种肉类化学组成方面进行了大量研究[1-9]。Berzaghi（2005）等[7]对鸡胸肉脂肪含量进行预测，其相关系数为0.99；刘炜等（2005）[8]采用傅里叶变换近红外光谱法预测猪肉中肌间脂肪、蛋白质和水分含量，其相关系数分别为0.999、0.979 和 0.989；González-Martín 等（2003）、Savenije 等（2006）[5,6]利用 NIRS 对猪肉的品质进行预测，Liao等（2010）[9]发现近红外光谱与肌间脂肪、水分及蛋白含量均呈正相关（R2＞0.81）。前期工作表明，NIRS可用于各种肉品品质检测检验，多数用于鸡猪等肉类上，在牛肉的研究较少，本文采用NIRS对牛肉的营养成分进行预测，探索该方法的应用前景。

1 材料与方法

1.1 实验仪器

实验使用瑞典PERTON DA 7200近红外光谱仪对牛肉光谱进行扫描分析，其光谱范围在950～1 650 nm之间。

1.2 样品采集

样品采自云南省草地动物科学研究院实验屠宰场及石林云昊农产品有限公司屠宰场，牛只来自云南省草地动物科学研究院、石林农产品有限公司、红河炆远牧业有限公司和大姚齐和牧业有限公司的肉牛养殖场，屠宰按GB/T19477-2004方法屠宰，牛只宰前断水8 h、禁食24 h。宰后胴体二分体于湿度90%～95%排酸间、-2℃～+4℃排酸后熟48 h后进行胴体分割，取牛胴体一侧背最长肌到第6～7肋间上脑200 g，采集后装入密封袋中于-20℃保存。采集分析样本数分别为安本杂（安格斯♂×云南黄牛♀）10头份、婆罗门牛12头份、BMY牛（云岭牛）10头份、西本杂（西门塔尔♂×云南黄牛♀）10头份和云南黄牛10头份，共计52头份。

1.3 试验方法

1.3.1牛肉化学成分测定

水分（MT）按 GB/T9695.15-2008《肉与肉制品水分含量测定》、蛋白质（CP）按 GB/T9695.11-2008《肉与肉制品中氮含量测定》、脂肪（EE）按GB/T9695.7-2008《肉与肉制品总脂肪含量的测定》、灰分（Ash）按GB/T9695.18-2008《肉与肉制品总灰分测定》、氨基酸（AA）按GB/T 5009.124-2003《食品中氨基酸的测定》方法进行测定。

1.3.2 牛肉光谱采集

牛肉样品进行近红外光谱采集前，把样品进行微波快速解冻，然后粉碎研磨处理。处理方法如下：取出冻存的肉样放入微波炉，解冻5 min左右，剔除肉块表面的筋膜、血管和脂肪后切成薄片，放入榨汁机粉碎约30 s，再将磨碎的肉末放入样品旋转盘，抹平、压实待用，该样品即可直接用于近红外分析仪扫描。

使用DA 7200近红外分析仪扫描样品进行光谱采集，随机软件为Simplicity 4.0.2，采集模式为吸收光谱。光谱数值为4次扫描的平均值，收集光谱范围为950～1 650 nm，数据间隔为1 nm，每个样品收集到701个近红外光谱数据点。要求仪器工作环境的相对湿度稳定，温度在25℃左右。

1.4 数据处理

采用Unscrambler软件MSC（多元散射校正，multiplicative scatter correction）和SNV（变量正态标准化，standardized normal variate）对光谱进行预处理，通过PLS（partial least-square，偏最小二乘法）建立近红外光谱预测模型。数据使用SPSS 16.0软件进行统计分析，将样品设定为校正集与验证集两个数据集，采用交叉验证法来检验模型的内部稳定性和拟合效果，以模型的验证决定系数（R2验正）、交叉验证均方根及校正决定系数（R2校正）作为评价模型的参数。使用10个已测定的理化指标值，对已建立的牛肉近红外光谱模型进行验证。通过偏最小二乘法建立光谱预测模型，并采用交叉验证法检验模型的稳定性。

2 结果与分析

2.1 牛肉理化品质分析

通过采用国标测定52个样品的MT、CP、EE、Ash、16种氨基酸等理化品质的含量（表1），从表1中可看出，各成分的分布变化均匀，变化范围较大，符合正态分布，具有明显的代表性，样品集的选择相对合理。

表1 牛肉理化值数据分布表

2.2 牛肉的近红外光谱分析

采用DA7200光谱仪扫描样品，每个样品重复4次，图1为的平均光谱曲线（52sample）。从图1可知，所有样品的光谱曲线形状基本一致，大量谱图表现相对集中，在1 180 nm和1 430 nm出现了明显的吸收峰，分别为C-H的二级倍频吸收、O-H伸缩振动的一级倍频以及N-H伸缩振动的一级倍频；而在1 730 nm处吸收峰较低，为C-H的一级倍频吸收。

2.3 牛肉理化品质的近红外光谱预测模型

通过偏最小二乘法（PLS）建立近红外光谱预测模型，结合交叉验证法验证模型的稳定性，常用的预处理方法有数据求导、平滑、归一化和多元散射（MSC）等。采用Unscrambler软件对光谱进行预处理，所建立模型的因子数为6，交叉验证均方根、R2校正、R2验正详见表2。近红外光谱模型的测定值与预测值作出的散点图见图2～图21，由此可见模型的测定值与预测值较为接近，构建的预测模型比较理想。

图1 52个样品近红外光谱图

表2 建立牛肉化学成分含量近红外光谱预测模型表

图2 牛肉MT含量近红外光谱预测值与测定值散点图（单位：%）

图3 牛肉EE含量近红外光谱预测值与测定值散点图（单位：%）

图4 牛肉CP含量近红外光谱预测值与测定值散点图（单位：%）

图5 牛肉Ash含量近红外光谱预测值与测定值散点图（单位：%）

图6 牛肉Asp含量近红外光谱预测值与测定值散点图（单位：%）

图7 牛肉Thr含量近红外光谱预测值与测定值散点图（单位：%）

图8 牛肉Ser近红外光谱预测值与测定值散点图（单位：%）

图9 牛肉Glu含量近红外光谱预测值与测定值散点图（单位：%）

图10 牛肉Gly含量近红外光谱预测值与测定值散点图（单位：%）

图11 牛肉Ala含量近红外光谱预测值与测定值散点图（单位：%）

图12 牛肉Cys含量近红外光谱预测值与测定值散点图（单位：%）

图13 牛肉Val含量近红外光谱预测值与测定值散点图（单位：%）

图14 牛肉Met含量近红外光谱预测值与测定值散点图（单位：%）

图15 牛肉Ile含量近红外光谱预测值与测定值散点图（单位：%）

图16 牛肉Leu含量近红外光谱预测值与测定值散点图（单位：%）

图17 牛肉Tyr含量近红外光谱预测值与测定值散点图（单位：%）

图18 牛肉Phe含量近红外光谱预测值与测定值散点图（单位：%）

图19 牛肉Lys含量近红外光谱预测值与测定值散点图（单位：%）

图20 牛肉His含量近红外光谱预测值与测定值散点图（单位：%）

图21 牛肉Arg含量近红外光谱预测值与测定值散点图（单位：%）

3 结 论

肌肉品质与脂肪、蛋白质与水分含量紧密关联[10]。本研究采用近红外光谱对牛肉样品的MT、CP、EE等含量进行预测，达到了既快速检测牛肉理化品质，又不破坏肉块、不污染环境的目的。对于近红外光谱预测结果，其主要影响因素为样品代表性与光谱预处理方法，本研究所采集的牛肉有典型的代表性，各化学成分含量相对标准偏差最小值为7.93（MT）。

采取MSC和SNV预处理方法建立了较理想的牛肉理化指标近红外光谱预测模型。本研究中，MT、EE、CP、Ash、Asp、Thr、Ala、Val、Ile、Leu、Tyr、Phe、Lys、His、Arg 等含量的近红外光谱预测模型的 R2验正均超过0.66，其中MT、EE、CP、Ash含量的近红外光谱预测模型的R2验正分别达到0.866、0.883、0.668和0.812，预测模型取得了较理想的效果，但还需进一步完善，可能在建模型时所采集的肌肉应当涵盖多个品种或不同年龄屠宰的肉块，那么所要求的样品代表性更强[10-13]；同时，样品采集应该包含一些未知的样品，且各组分含量分布变化均匀[14,15]。Ser、Glu、Gly、Cys含量的近红外光谱预测模型的R2验正介于0.286与0.584之间，而Gly含量的近红外光谱预测模型的R2验正最低为0.286，预测效果较差。Ash含量的近红外光谱预测模型的R2校正、R2验正分别为0.818、0.812，尽管它作为肉品经高温灼烧后残留的无机盐和氧化物，在近红外光谱区域无吸收，但它也是通过与肉样中有机物含量存在的相关性来获得预测。

本研究采集的样品数稍显有限，同时样品的代表性还有待补充，今后的研究中应扩充肉牛品种、不同年龄阶段以及不同部位的样品，以达到大样本所需的代表性，以便建立更加全面的近红外光谱预测模型。