基于近红外光谱技术的生鲜猪肉质量检测研究进展

何鸿举,王 魏,王 慧,马汉军,2,陈复生,刘 玺, 刘苏汉,刘 红,康壮丽,潘润淑,朱明明,赵圣明,王正荣

(1.河南科技学院食品学院,河南新乡 453003; 2.河南科技学院博士后研发基地,河南新乡 453003; 3.河南工业大学粮油食品学院,河南郑州 450001; 4.河南科技学院新科学院,河南新乡 453003; 5.海南师范大学化学与化工学院,海南海口 571158)

猪肉一直以来都是人们餐桌上最重要的肉品之一[1-2],其食用量远超其他畜禽类[3]。据国家统计局公布数据可知,从2010年开始我国猪肉产量一直在5000万吨以上,2016年我国猪肉产量5299万吨[2-3],2017年达到5340万吨。如今,我国猪肉产量约占全球产量的一半,人均占有量超过世界平均水平[2]。猪肉富含蛋白质、脂肪、矿物质和多种人体所需氨基酸,是人们动物脂肪和蛋白质的主要来源。猪肉纤维细软,结蹄组织少,肌内脂肪层次多,经烹饪后味道特别鲜美,因此备受广大消费者青睐。猪肉在日常饮食结构中有着如此重要地位,其品质对食品工业的健康发展意义重大[2-3],提高猪肉品质鉴别效率,能够维护肉品市场秩序,保障食品安全和人们健康[4]。

近红外光谱(near-infrared spectroscopy,NIR)分析技术是利用被测物质的光谱信息,用统计的方法在被测物质的某种属性值和所测光谱数据之间建立最优模型的一种间接分析技术[5]。近红外光是介于可见光与中红外光之间的电磁波,波长在780～2526 nm之间[6],其由分子非谐振性振动引起的能量由低级向高级跃迁所产生的。近红外光谱主要反映含氢基团(C-H、N-H、O-H等)振动的倍频、合频吸收,而大多数有机物质主要成分都由此类基团构成[7]。肉类中富含蛋白质、脂肪、碳水化合物等有机物,通过近红外光谱分析可以得到肉品大量信息,为肉品品质的快速、无损检测提供技术支持[6-10]。

相比传统理化及生物学方法反复试验且破坏原料获取数据,近红外光谱信息更容易获取、信息量更丰富、数据计算结果速度更快。近红外光谱与计算机技术的结合使近红外光谱技术成为一类快捷的分析技术,广泛应用于食品品质的检测[8-9]。目前,近红外光谱技术在猪肉品质快速检测方面有大量研究,试验成果颇多。本文主要综述了2010年至今基于近红外光谱技术的生鲜猪肉质量检测研究进展,主要涉及物理属性、化学成分、新鲜度预测和肉品掺假等方面。最后对近红外光谱技术在猪肉快速无损检测应用的研究进行展望。

1 NIR检测生鲜猪肉物理属性

1.1 色泽

色泽是感官评定中的一项重要物理指标,它可以直观地反映出猪肉的品质,直接影响消费者的购买意愿[11-13]。孙宏伟等[14]基于可见/近红外(400～1000 nm)光谱,经标准正态变量变换(Standard Normal Variable Transform,SNVT)和SG平滑(Savitzky-Golay Smoothing)预处理,建立猪里脊肉颜色的偏最小二乘(Partial Least Squares Regression,PLSR)模型,得到色泽参数L*、a*和b*的校正相关系数(rc)分别为0.99、0.99和0.98,校正误差(RMSEC)分别为0.43、0.16和0.17。在400～1495 nm波段,Balage等[15]也获得了相似的研究结果。王文秀等[13,16]基于单波段(350～1100 nm)光谱数据和双波段(350～1100和1000～2500 nm)光谱融合数据,经预处理后将光谱数据和猪肉的色泽数据相关联,结果显示PLSR模型L*、a*和b*的预测相关系数(rp)均在0.90以上,预测误差(RMSEP)均在1.0以下(表1)。相比色差仪测量肉品色泽参数,近红外光谱技术可潜在实现无接触测量,但是目前研究结果并不能达到理想效果,还需进行大量试验,提高预测效果。

表1 NIR技术在猪肉物理属性方面的应用Table 1 NIR for determination of pork physical attributes

1.2 嫩度

肉的嫩度也是消费者关注的品质指标之一[11]。张志勇等[17]在使用小波变换预处理长波近红外光谱(900～1700 nm),并结合连续投影算法(Successive Projections Algorithm,SPA)提取出18个最优波长构建PLSR模型预测猪肉嫩度,结果显示rc为0.812,RMSEC为4.942,效果可接受但并不理想。王文秀等[16]基于双波段(350～1100 nm和1000～2500 nm)光谱信息,使用竞争性自适应加权算法(Competitive Adaptive Reweighted Sampling,CARS)筛选出139个最优波长,建立猪肉嫩度PLSR模型,光谱信息和嫩度的相关系数有所提升,但也增加了预测误差,效果依然不是很理想。Barbin等[18]的研究也得出了类似的结果。

剪切力常被用于反映肉品嫩度,其与嫩度成反比关系。Balage等[15]尝试使用400～1495 nm光谱数据与猪肉的剪切力相关联,结果显示PLSR模型的预测效果比较差。相比之下,黄琪评[19]采集的870～1770 nm光谱数据,通过筛选出3个最优波长,建立的蚁群优化算法-反向传播人工神经网络(Ant Colony Optimization Back-Propagation Artificial Neural Network,ACO-BPANN)模型,预测效果(rp=0.845,RMSEP=0.909)明显提高。目前这些研究结果验证了猪肉嫩度和近红外光谱信息之间的相关度并不是非常好,后续还需要在肉样、不同的储藏时间,光谱信息处理等方面做进一步研究。

1.3 纹理

纹理是衡量猪肉品质的重要视觉指标,与嫩度和风味密切相关。Huang等[20-21]使用900～1700 nm近红外光谱,基于DMG算法和Stepwise算法分别建立关于鲜猪肉纹理的多元线性回归(Multiple linear regression,MLR)模型,rc分别为0.88和0.99,RMSEC分别为0.40和0.88。由此可见,Stepwise算法更适合用于MLR模型预测猪肉纹理。猪肉纹理的近红外光谱研究过少,还需继续探讨该技术检测纹理的可行性。

1.4 持水力

检测猪肉持水力的方法通常有滴水损失、蒸煮损失、离心损失和解冻损失等。Prevolnik等[22]基于1100～2500 nm光谱数据建立EZ drip loss、蒸煮损失、离心损失和Tray drip loss的PLSR模型,得到rc在0.60～0.70之间,RMSEC在0.90～2.5之间,效果不理想。但使用400～1100 nm光谱信息时,持水力的这四个参数预测效果均好于1100～2500 nm波段。王文秀等[13,16]基于350～1100和1000～2500 nm全波段光谱信息,结合CARS算法筛最优波长,建立猪肉的蒸煮损失PLSR模型,得到的rp值均在0.90以上,RMSEP分别为0.011和2.560,这两个波段建立的模型预测结果均比较理想。黄琪评[19]在870～1770 nm波段也得到了相似的研究结果。猪肉持水力的四个指标与近红外光谱信息之间的相关性差异较大,其中蒸煮损失的相关性好于其他三个,但是模型精度依然不高,这与波段和波长数量有关,也与筛选最优波长的方法和建模算法有关。

2 NIR检测生鲜猪肉化学组成

2.1 水分

水分含量是衡量生鲜肉品质的重要指标之一,水分含量的高低直接影响肉的口感和营养,加工、贮藏及运输[23]。目前,近红外光谱技术已经被作为一种快捷无损技术应用于猪肉水分含量的检测,并且取得了较好的研究成果(表2)。黄伟等[24-25]采用近红外反射光谱技术(909～23256 nm)对滇南小耳猪肉块及肉糜的水分含量进行了检测研究。采用PLSR挖掘预处理光谱数据相关联水分数据,rc分别高达0.987和0.990,RMSEC分别为0.300和0.177。同年,Li等[26]采用短波近红外光谱对猪肉的水分含量也进行了检测研究,其建立的神经网络(Artificial Neural Network,ANN)预测模型rp为0.986,RMSEP为0.181,该结果且与黄伟等的研究接近。除此之外,王文秀等[16]又获取350～1100和1000～2500 nm两个波段的光谱数据对猪肉水分进行了检测,并利用CARS算法从全波段内筛选出了74个特征变量来优化PLSR模型,相关系数rp为0.912,RMSEP为0.381,相比前面的研究,预测效果降低,这可能是由于筛选波长后,部分光谱信息缺失,导致模型精度下降。总体而言,近红外光谱技术检测猪肉水分含量效果良好,这与水分在近红外波段的吸收较多有关。可以通过增加样本数量,进一步提高模型预测精度。

表2 NIR技术在猪肉化学组成方面的测定应用Table 2 NIR for determination of chemical compositions in pork

2.2 脂肪

脂肪含量与猪肉的色泽、嫩度、纹理、持水力、风味等食用品质密切相关,是影响猪肉品质的重要因素[27]。通过近几年来的研究,近红外检测技术可快速准确的预测出猪肉中的脂肪含量。2014年,林岩等[28]利用多元散射校正(Multiplicative Scatter Correction,MSC)和均值中心化预处理850～1048 nm波段光谱数据,建立联合区间PLSR(SiPLSR)模型,rp为0.980,RMSEP为为0.228,试验结果表明该算法可较快速准确检测猪肉脂肪含量。在同样的光谱区间,Li等[26]使用ANN模型预测猪肉脂肪含量,预测效果略有提高(rp=0.995,RMSEP=0.109)。在黄伟等[24-25]的研究中,猪肉烘干粉和均质肉糜中的脂肪含量与标准正态化处理(Standard Normal Variate,SNV)的光谱信息有高度的相关性。花锦等[29]采集2347～1663 nm的光谱建立PLSR模型预测猪肉脂肪,也获得了相似的效果。Huang等[20,30]尝试利用900～1700 nm的近红外光谱,分别通过DMG-MLR和Stepwise-MLR算法构建简化的MLR模型预测猪肉脂肪,但结果并不理想。Balage等[15]基于400～1495 nm范围的光谱信息构建PLSR模型预测猪肉的肌内脂肪(Intramuscular fat,IMF)含量,结果也不理想。陈亚静等[31]对比了常规的索氏抽提法与近红外光谱法测定IMF的效果,结果显示两种方法的相关性高达0.981,说明近红外光谱方法可用于猪肉脂肪的测定。可见,结合不同的数据算法处理光谱信息构建的猪肉脂肪含量的快速预测模型具有很好的可行性。

2.3 蛋白质

猪肉中的蛋白质是人们日常饮食中不可或缺的重要营养成分,其含量关系到肉品的等级和品质[32]。除了脂肪,林岩等[28]还利用SiPLSR预测猪肉蛋白质含量,结果显示预测效果良好(rp=0.979,RMSEP=0.241)。经SNV预处理猪肉糜光谱信息后,黄伟等[24-25]在909～23256 nm波长构建的PLSR模型在预测蛋白质含量的精度上接近于林岩等[28]的研究。经小波变换预处理850～1048 nm范围的猪肉光谱,ANN模型的预测效果并没有提高[26]。赵文英等[33]使用1000～2500 nm波长预测鲜猪肉糜中蛋白质含量的效果也略差一些。蛋白质在近红外波段范围也有吸收,但相对于水分吸收显得较弱,其吸收信息被水分信息所掩盖,需要选择合适的化学计量学算法挖掘相关数据,可有效提升预测猪肉蛋白质含量的精度。

3 NIR检测生鲜猪肉新鲜度

3.1 微生物污染

猪肉腐败变质的程度可以通过测定其中的细菌或者大肠杆菌的总菌落数来评定[19,34]。谷芳等[34]采集833～2500 nm波数范围的猪肉样品光谱,通过PCA分析建立菌落总数对数值的动力学模型,该模型r在冷藏条件下为0.92,室温下为0.98。张雷蕾[35]基于400～1000 nm全波段的预处理光谱,建立猪肉细菌菌落总数(TVC)和假单胞菌PLSR模型,rc分别为0.959和0.952,RMSEC分别为0.463和0.670,显示了良好的预测效果。经无信息变量消除法(Uninformative Variables Elimination,UVE)、间隔偏最小二乘(Interval Partial Least Squares,iPLS)、CARS和SPA等四种方法进行波长变量优选后,PLSR预测TVC和假单胞菌效果略有提升,而利用1000～2500 nm波段光谱的预测效果并没有400～1000 nm波段理想[35],详细结果如表3所示。这些研究结果说明,虽然微生物在近红外波段没有明显的吸收峰,但通过选用合适的化学计量学方法挖掘光谱信息,揭示出微生物与近红外光谱信息之间有较好的相关性,经比较,400～1000 nm波段的光谱信息构建近红外光谱预测模型效果更好。

3.2 挥发性盐基氮

猪肉的新鲜度往往通过测定挥发性盐基氮含量(Total Volatile Basic Nitrogen,TVB-N)进行评价[19,36]。汪希伟[37]基于575～940 nm光谱,经SNV、SG预处理后分别筛选出9个和4个最优波长建立PLSR预测模型,rcv分别为0.943、0.889,RMSECV分别为1.94、2.71,预测效果较为理想。王文秀等[16,38]基于350～1100、1000～2500 nm双波段和380～900 nm单波段光谱,分别采用CARS算法、模拟退火算法(Simulated Annealing,SA)和粒子群算法(Particle Swarm Optimization,PSO)挖掘光谱信息,构建PLSR模型预测猪肉中的TVB-N含量,预测效果有所提升(见表3)。基于1000～1799 nm波段中选出的36个波长构建的PLSR模型[39],和基于1280、1280、1440 nm三特征波长构建的BP-AdaBoost模型[19,40],以及基于450～905 nm波段筛选的13个最优波长构建的MLR模型[41],均获得了类似的研究结果。近年来,黄林[42]融合NIR、计算机视觉(CV)和电子鼻(EN)技术,构建了猪肉TVB-N含量的BP-ANN模型,将模型rc提高至0.992,比单独使用光谱技术所建模型效果更好。此外,郭培源等[43]以TVB-N含量作为新鲜度指标,利用700～2500 nm波段光谱研究了猪肉新鲜度的等级划分,预测正确率达70%,需进一步研究提高预测正确率。

表3 NIR技术在猪肉新鲜度方面的评价Table 3 NIR for assessment of pork freshness

利用近红外光谱技术检测猪肉中TVB-N含量总体效果并不理想,这很可能与TVB-N含量低有关,对于猪肉组分含量低的组分,近红外光谱技术检测效果往往表现不佳。

3.3 硫代巴比妥酸

脂质氧化是降低肉类及肉制品新鲜度的重要原因之一[44]。脂质氧化的程度与脂类不饱和程度密切相关,猪肉的脂肪氧化通过硫代巴比妥酸(Thiobarbituricacid Reactive Substances,TBARS)间接判断。Wu等[45]基于870～1734 nm波段光谱信息,建立猪肉TBARS的PLSR模型预测,rC为0.85,RMSEC为0.47,效果尚可。由于猪肉TBARS的近红外光谱研究较少,还需继续探讨该技术检测脂肪氧化的可行性。

3.4 pH

新鲜冷藏肉的pH一般在5.8～6.4之间,如果存储不当,细菌在适宜的条件下迅速繁殖使肌肉组织分解,脂肪发生酸败甚至变质,此时的pH一般在6.7以上[46]。通过检测肉品的pH,可以对肉品的新鲜度进行常规判断。孙宏伟等[14]通过SNVT和SG预处理,建立猪里脊肉pH的PLSR模型,得到校正集相关系数为0.97,校正集标准差为0.12。在Balage等[15]的研究中,400～1495 nm全波段的PLSR模型也获得了类似的结果。利用350～1100和1000～2500 nm全波段光谱,王文秀等[13,16]利用CARS算法筛最优波长,构建了预测猪肉pH的PLSR模型,rp分别为0.942和0.930,RMSEP分别为0.078和0.128,这两个波段的光谱均可用于预测猪肉pH,且效果良好。经对比,400～1000 nm波段构建的PLSR模型预测猪肉pH效果好于其他波段,说明选择合适的波段对于提高pH预测效果作用巨大。

4 NIR检测生鲜猪肉掺假

孟一等[47-48]在波数范围1000～2500 nm采集猪肉样品反射光谱信息,采用PLSR法建立注水量和注胶量分析模型,rp分别为0.925和0.930。此外,该课题组还通过近红外光谱结合模式识别方法,对猪肉、牛肉和羊肉进行识别,识别率分别高达99.28%、97.42%和100%。王昱陆[49]基于198～1118 nm光谱,以主成分得分为变量建立猪、牛、羊肉的识别模型,准确率分别为94.7%、100%、95.6%。张玉华等[50]运用近红外结合PCA法、判别分析法,对牛肉掺猪肉、羊肉掺猪肉的鉴别准确率分别为91.23%和92.98%。郝冬梅等[51]基于600～1300 nm光谱和稀疏表示的检测方法对注水肉的平均识别准确率达93.16%。蒋祎丽等[52]预处理1000～2500 nm光谱后结合PCA,建立猪肉中掺鸭肉的PLSR-DA模型,正确判别率达100%。猪肉掺假形式多样,导致近红外光谱技术鉴别猪肉掺假效果各异,目前研究较少,还需针对不同的掺假样品进行大量的研究,寻找特征光谱信息,可提高快速鉴别效果(表4)。

表4 NIR技术在肉品掺假方面的应用Table 4 NIR for identification of pork adulteration

5 NIR检测生鲜猪肉其他品质

NIR技术不仅在化学成分、物理属性、微生物污染、新鲜度预测和肉品掺假方面有大量研究,在储藏时间、综合品质、瘦肉率、品种鉴别等方面也有很多研究成果[53-57]。Wu等[57-58]采集波段范围为1000～2500 nm的光谱信息,分别建立FLVQ和Adaboost-ULDA预测模型,对猪肉储藏时间的识别正确率分别达85.2%和97.7%。武小红等[59]也获得了相似的研究结果(见表5)。

表5 NIR技术在肉品其他方面的应用Table 5 NIR for identification and determination of other pork quality

对于生鲜猪肉综合品质预测,刘媛媛等[60]筛选出13个特征波长,构建的PLSR模型对白肌肉、正常肉和黑干肉的预测正确率均在80%以上。以生猪血液中的葡萄糖和皮质醇浓度作为参照,利用NIR预判劣质肉,准确率可达到90%以上[61]。基于Fisher算法建立腐败肉的判别模型,准确率也在80%左右[62]。670 nm处的反射光谱光强用于识别猪肉的肥瘦度,效果良好[63]。基于909～23256 nm近红外反射光谱,可有效鉴别滇南小耳猪和DLY商品猪两个品种[64]。NIR技术还被用于检测猪肉的加热终点温度[65]和胆固醇含量[66],结果良好,详见表5。近年来除了猪肉品质常规参数研究,近红外还逐渐被用于以上这些非常规指标检测,旨在增加近红外光谱技术在猪肉检测方面的适应性和广泛性,但是鉴于研究相对较少,后续研究依然值得探讨。

6 展望

相比传统分析技术,近红外光谱技术具有无接触、无需破坏肉样、快速获取光谱信息、高效分析数据等优势[67-69]。但获取的大量近红外光谱信息同时存在有用信息和干扰信息,需经预处理消除干扰,以最大程度提高模型精度和稳定性。因此,未来的实际应用研究中,应着重考虑一下几个方向:a:近红外光谱仪器型号众多,构建模型在不同型号仪器上是否具有适用性;b:有效光谱信息的筛选对于模型有效性和预测精度至关重要,选用哪种波长筛选方法还需进一步验证;c:目前PLSR是应用最广泛的建模方法,稳定性和抗干扰性均较好,但前提是需要品质指标的精准测量,因此在指标测量时尽量减少人为误差很重要;d:样品量还需增加,构建不同条件下的猪肉品质指标数据库对于模型的精度提高作用巨大;e:实际应用是科研理论研究的终极目标,开发高精准度的肉类品质指标的快速检测设备势在必行。期待近红外光谱技术在肉品工业上的应用日趋成熟,以满足消费者对肉品质量与安全的高标准要求。