滩羊肉中油酸和亚油酸含量的近红外预测模型建立

撒苗苗 李亚蕾 罗瑞明 赵珺怡

摘 要：基于近紅外光谱技术结合化学计量学方法建立滩羊肉中油酸和亚油酸含量的预测模型。选取滩羊肉外脊、里脊、羊霖、羊腩共138 份样本，在900～2 500 nm波长范围内，采集滩羊肉糜样品的近红外反射光谱，利用气相色谱法作为参考，测定样品中油酸和亚油酸含量，并建立滩羊肉中油酸和亚油酸含量的偏最小二乘回归（partial least squares regression，PLSR）模型。为优化模型性能，使用间隔随机蛙跳（interval random frog，IRF）算法进行数据降维处理。结果表明：对于油酸模型，经过标准正态变量变换结合一阶导数处理后的全波长模型相关性较高，校正相关系数（Rc）和交叉验证均方根误差（root mean square error of cross-validation，RMSECV）分别为0.889 5和10.251 5，预测相关系数（Rp）和预测集均方根误差（root mean square error of prediction set，RMSEP）分别为0.735 7和10.249 2，然而，经IRF算法提取92 个特征波长后，Rc和Rp均低于全波长模型;对于亚油酸模型，使用多元散射校正处理后的全波长模型Rc最大，为0.874 7，RMSECV为1.051 2，但其Rp和RMSEP较小，利用IRF算法提取102 个特征波长后，建立的亚油酸模型相关性得到极大改善，其中Rc最大达到0.991 2，相应的RMSECV为0.011 8，Rp为0.987 9，RMSEP为0.012 2。因此，近红外光谱技术结合IRF算法不能较好预测滩羊肉中油酸含量，但对亚油酸含量具有较好的预测能力。

关键词：近红外光谱技术;滩羊肉;油酸;亚油酸;间隔随机蛙跳算法;偏最小二乘回归模型

Abstract： Predictive modelling was performed to determine oleic acid and linoleic acid contents in Tan sheep meat using near infrared spectroscopy combined with chemometrics. In this study， 138 samples of striploin， tenderloin， thick flank and belly from Tan sheep were collected. Near infrared reflectance spectra of minced meat samples were collected within the wavelength range of 900–2 500 nm. The contents of oleic acid and linoleic acid in the samples were determined by gas chromatography （GC） and the analytical data obtained were used as a reference to establish a partial least squares regression （PLSR） model. The performance of the model was optimized by reducing the dimension of the data using the interval random frog （IRF） algorithm. The results showed that the full-wavelength model for oleic acid developed through spectral preprocessing using standard normal variate （SNV） transformation combined with first derivative exhibited a higher correction coefficient of calibration （Rc） of 0.889 5 compared with any other spectral preprocessing method， with root mean square error of cross-validation （RMSECV） of 10.251 5， correlation coefficient of prediction （Rp） of 0.735 7， and root mean square error of prediction set （RMSEP） of 10.249 2. The Rc and Rp were both higher than those based on 92 characteristic wavelengths extracted using IRF. For linoleic acid， the full-wavelength model established with multiplicative scatter correction （MSC） presented the highest Rc of 0.874 7 with RMSECV of 1.051 2 but the Rp and RMSEP were lower. The model based on 102 characteristic wavelengths extracted by IRF showed greatly improved correlation， with the highest Rc of 0.991 2， as well as RMSECV of 0.011 8， Rp of 0.987 9， and RMSEP of 0.012 2. Therefore， near-infrared spectroscopy combined with IRF algorithm cannot well predict the oleic acid content of Tan sheep meat， but it has high predictive ability for the linoleic acid content.

Keywords： near infrared spectroscopy; Tan sheep meat; oleic acid; linoleic acid; interval random leapfrog algorithm; partial least squares regression model

DOI：10.7506/rlyj1001-8123-20200520-128

中图分类号：O657.33                                     文献标志码：A 文章编号：1001-8123（2020）09-0039-07

引文格式：

撒苗苗， 李亚蕾， 罗瑞明， 等. 滩羊肉中油酸和亚油酸含量预测的近红外模型建立[J]. 肉类研究， 2020， 34（9）： 39-45. DOI：10.7506/rlyj1001-8123-20200520-128.    http：//www.rlyj.net.cn

SA Miaomiao， LI Yalei， LUO Ruiming， et al. Establishment of predictive models for determination of oleic acid and linoleic acid contents in Tan sheep meat by near infrared spectroscopy[J]. Meat Research， 2020， 34（9）： 39-45. DOI：10.7506/rlyj1001-8123-20200520-128.    http：//www.rlyj.net.cn

在我国，滩羊作为肉裘两用的绵羊品种，因其独特的风味和丰富的营养，深受消费者喜爱。其中宁夏盐池地区的滩羊肉质细嫩、无腥膻味、含脂率较低、脂肪分布均匀，是宁夏特色畜种[1-3]。滩羊肉脂肪的主要成分之一是脂肪酸，其中，单不饱和脂肪酸（monounsaturated fatty acid，MUFA）和多不饱和脂肪酸（polyunsaturated fatty acid，PUFA）（如棕榈油酸、油酸、亚油酸等）的组成及含量直接影响肉及肉制品的风味和加工品质[4]。与其他绵羊相比，滩羊具有一定的品种优势，特别是功能性脂肪酸中的油酸（C18：1）和亚油酸（C18：2）含量相对较高，有研究表明，滩羊肉不饱和脂肪酸中的油酸和亚油酸含量明显高于小尾寒羊和滩寒杂交羊[5]，油酸含量显著高于苏尼特羊和乌珠穆沁羊[6-7]。因此，测定滩羊肉中的油酸和亚油酸含量可以为辨别滩羊肉及调控滩羊肉中油酸和亚油酸含量提供一定的理论依据。

目前，脂肪酸检测最常使用的方法是毛细管气相色谱法，但是，该方法在处理样品时需使用大量有毒试剂，检测过程耗时且成本很高，因此无法用于市场中肉类质量的快速评估。相比之下，基于透射率、反射率或吸收率等光学测量的近红外光谱（near infrared spectrum，NIR）技术是一种快速、无损、廉价且安全的肉品质量评估方法[8-9]。已有研究报道NIR技术已成功用于肉类和肉类衍生产品中主要成分（水分、脂肪和蛋白质）和品质指标的测定[10-13]。Balage等[14]利用可见光/近红外反射光谱（visible and near-infrared reflectance spectroscopy，Vis/NIRS）技术预测猪肉的剪切力、肌內脂肪含量和新鲜度等指标，结果表明，建立的近红外模型可以用于预测完整猪肉样品的品质性状。除此之外，NIR技术也已用于冷冻肉和鲜肉的区分以及肉类的掺假检测[15-19]。近几年的一些研究表明，NIRS可以用于预测肉类脂肪酸组成。Pullanagari等[20]探讨Vis/NIRS在商业屠宰场条件下定量测定羊肉脂肪酸组成的潜力;Cascant等[21]采用NIR技术快速测定三文鱼油中的MUFA、PUFA、饱和脂肪酸、甘油三酯、游离脂肪酸和麦角甾醇含量，结果表明，偏最小二乘（partial least squares，PLS）-NIR为三文鱼油中油酸、棕榈酸、亚油酸、亚麻酸、n-3脂肪酸、n-6脂肪酸含量测定提供了一种快速分析方法，并对MUFA、PUFA、饱和脂肪酸、甘油三酯、游离脂肪酸和麦角甾醇含量的预测具有可行性，但模型的预测性能还需要继续改进。牛晓颖等[22]选取驴肉、牛肉、羊肉和猪肉鲜肉样品共63 个，在4 000～12 500 cm-1波段分别采集肉块和粉碎口径3 mm的肉糜样品在5、10、15、20、25、30、35 ℃条件下的NIRS，并使用气相色谱法作为参考检测样品中不饱和脂肪酸含量，结果显示，NIRS可以用于鲜肉中不饱和脂肪酸含量的测定。目前，针对油酸和亚油酸含量测定的NIRS研究方法大多数用于烟草和食用油，使用NIRS技术对滩羊肉中的油酸和亚油酸含量进行检测分析的研究很少。

间隔随机蛙跳（interval random frog，IRF）算法是一种基于PLS法框架的波长区间选择方法，该方法比移动窗口PLS法、区间PLS法、反向区间PLS法和联合区间PLS法等其他方法选择了更多的信息区间，并且运行更好。IRF算法考虑了所有可能的谱间距，并基于PLS模型的绝对回归系数对所有的谱间距进行排序。基于此，本研究通过采集不同部位（外脊、里脊、羊霖、羊腩）的新鲜滩羊肉构成分析样品集，利用NIRS技术，结合IRF算法，并采用不同的光谱预处理方法，构建滩羊肉中油酸和亚油酸含量的偏最小二乘回归（partial least squares regression，PLSR）模型，期望能为滩羊肉中特征脂肪酸含量的测定提供可靠且稳定的参考方法，为后续便携式近红外脂肪酸含量快速测定仪光源发射波长和检测器探测范围的选择提供理论依据。

1 材料与方法

1.1 材料与试剂

使用不同部位的肌肉有助于提供更大范围的脂肪酸组成，可以为NIRS预测滩羊肉脂肪酸含量提供更好的统计基础。选取138 份滩羊肉样品，包括35 份外脊、35 份里脊、34 份羊霖及34 份羊腩，均采自宁夏盐池县鑫海食品有限公司，其中每只滩羊上选取4 个不同部位，共35 只滩羊。每份样品称取约（25.500±0.025） g，使用小型绞肉杯将样品绞成均匀肉糜状（绞拌时间15 s），装入25 mL黑色环形杯压实。

脂肪酸甲酯标准品：油酸甲酯、亚油酸甲酯、37 种脂肪酸甲酯混合标准品 上海安谱实验科技股份有限公司;甲醇、异辛烷（均为色谱纯） 天津大茂化学试剂厂;KOH、NaHSO4（均为分析纯） 国药集团化学试剂有限公司。

1.2 仪器与设备

GC-2010 Plus气相色谱仪 日本岛津公司;NIRQuest-512近红外光谱仪 海洋光学仪器有限公司。

1.3 方法

1.3.1 样品处理及脂肪酸含量测定

根据GB/T 5009.168—2016《食品安全国家标准 食品中脂肪酸的测定》及改良过的Floch法[23-24]，对滩羊肉样品进行脂质提取和甲酯化。取约1 mL甲酯化后的脂肪酸样品，利用气相色谱仪检测其脂肪酸组成及含量。利用单个脂肪酸甲酯标准品及37 种脂肪酸甲酯混合标准品中各组分峰的保留时间对样品中的脂肪酸进行定性分析，采用外標法对滩羊肉中的油酸和亚油酸进行定量分析。

气相色谱条件：DB-WAX色谱柱（30 m×0.25 mm，0.25 μm）;检测器：火焰离子化检测器;载气：氮气（99.99%）;进样口温度250 ℃;分流比10∶1;检测器温度240 ℃;柱温箱：初始温度50 ℃，保持1 min，以25 ℃/min升温至200 ℃，继续以3 ℃/min升温至240 ℃，保持25 min;进样量1.0 μL。

1.3.2 光谱采集

采用近红外光谱仪进行样品光谱数据采集，采集时保证滩羊肉糜密度一致，波长900～2 500 nm，积分时间100 ms，平均次数5 次，每个样品总采样点数为512 个。样品的相对漫反射比（R）分别测定5 次，取平均值。测得的R与样品中的油酸和亚油酸含量均不呈线性关系，因此在近红外建模过程中选择反射吸光度（A），A=lg（1/R），使光谱的A与油酸和亚油酸含量之间呈现一种分段线性拟合关系[25]。

1.3.3 样品集划分

采用RS算法[26]将样品集划分为建模集和测试集，保证建模集样品的浓度范围涵盖整个测试集样品的浓度范围，并且要求样品均匀分布。为保证样本模型的稳健性，一般要求建模集样品和测试集样品数量比为3∶1。因此，将138 个样品进行划分，其中105 个样品用于模型的建立，其余33 个样品用于模型的测试。

1.3.4 光谱数据的预处理方法

Norris-Williams（NW）导数算法主要用于消除光谱基线的漂移。NW导数算法主要包括2 个步骤：首先对采集到的光谱进行平滑处理，然后根据给定的参数（窗宽和拟合次数）计算平滑后光谱的一阶导数或二阶导数[27]，或者先求导再进行平滑处理。

标准正态变量（standard normal variate，SNV）变换的主要功能是消除表面散射和光路变化对近红外光谱的影响[28]，光谱Ai，k的SNV变换公式如式（1）所示。

式中：Ai，SNV为经SNV变换后的光谱A;Ai，k为原始光谱A;i为第i条光谱A的平均值（标量）;i=1，2，…，n，n为校正集的样本总数;k=1，2，…，m，m为波长点数。

多元散射校正（multiplicative scatter correction，MSC）可以消除一些物理因素（如相对湿度、样品均匀性、加载密度等）对散射的影响，有效提高光谱的信噪比[26]。具体算法为：首先计算校正集样本的A平均值，然后进行一元线性回归，方程如式（2）所示。

根据式（2）求出ai（相对偏移系数）和bi（偏移量），最后按式（3）计算MSC预处理后的光谱Ai，MSC。

式中：Ai为第i条光谱A;Ai，MSC为经过MSC预处理后的光谱A。

1.3.5 IRF算法提取特征波长

IRF是一种可逆的跳跃马尔可夫链蒙特卡罗式算法，最初被应用于基因选择，它通过不同模型之间的固定维和跨维移动在模型空间中进行搜索，然后计算伪马尔可夫链蒙特卡罗链，并将其用于计算每个变量的选择概率，之后可以根据所有变量的选择概率排名选择变量[29]。IRF算法在运行时会考虑所有可能的连续光谱间隔，以找到可能的信息间隔，即通过在整个光谱带上移动一个固定宽度的窗口，将光谱划分为多个子区间，这些重叠的间隔区间运用IRF和PLS进行排序，然后根据交叉验证均方根误差（root mean square error of cross-validation，RMSECV）选择最佳的间隔区间。

1.3.6 模型的建立和评价

采用不同的光谱预处理方法，可以建立滩羊肉中油酸和亚油酸含量的PLSR定量分析模型[30]。以模型的校正相关系数（Rc）和RMSECV为评价指标，对不同的光谱预处理方法进行优化，并用预测集的预测相关系数（Rp）和预测集均方根误差（root mean square error of prediction set，RMSEP）对最终模型的精度进行评价。用Matlab R2018a软件划分样品集并对光谱数据进行预处理，并用The Unscrambler X 10.4软件建立PLSR模型[31]。其中Rc越大，RMSECV越小，模型的精度越高;Rp越大，RMSEP越小，模型的预测能力越好。

2 结果与分析

2.1 气相色谱测定滩羊肉中的油酸和亚油酸含量

利用气相色谱对滩羊肉脂肪酸进行分析，样品中油酸和亚油酸的出峰时间分别为12.422 min和13.060 min，与油酸甲酯和亚油酸甲酯标准品的出峰时间相对应。油酸甲酯标品的线性方程为y=34 887.0x-3 212.5（R2=0.999 5）;亚油酸甲酯标品的线性方程为y=67 613.0x-6 686.1（R2=0.999 5），二者均具有良好的线性相关性。油酸和亚油酸含量测定结果如表1所示。

2.2 光谱预处理方法的选择

由图1可知，SNV、MSC、一阶导数预处理都可以降低原始光谱沿Y轴的扩散程度。其中，一阶导数预处理显示出更丰富的光谱带和更显著的方差。

采用蒙特卡罗法检测样本集中的异常值，分别为7、63、82、96、99、101号样本。剔除异常值前，油酸模型的Rc为0.510 9，RMSECV为14.494 9，Rp为0.413 5，RMSEP为10.104 7;亚油酸模型的Rc为0.545 7，RMSECV为2.030 7，Rp为0.465 0，RMSEP为2.894 2。剔除异常值后，油酸模型的Rc提高至0.747 1，RMSECV降低至8.719 3;亚油酸模型的Rc为0.815 7，RMSECV为1.180 7;2 种脂肪酸模型的相关系数均有所提高，误差均有所降低。

采用Savitzky-Golay（S-G）卷积平滑、一阶导数、MSC、MSC结合一阶导数、SNV、SNV结合一阶导数6 种光谱预处理方法对原始光谱信息进行变换和提取，并建立PLSR模型。

由表2～3可知，原始光譜经过不同方法预处理后，滩羊肉样品中油酸和亚油酸含量的PLSR模型结果相差较大。对于滩羊肉中油酸含量的PLSR模型，基于MSC结合一阶导数和SNV结合一阶导数2 种方法处理后的Rc分别为0.881 4和0.889 5，RMSECV分别为10.327 8和10.251 5，Rc和RMSECV较其他预处理方法均有所改善，所对应的Rp分别为0.733 3和0.735 7，RMSEP为10.711 0和10.249 2，说明2 种方法处理后的PLSR模型对滩羊肉中的油酸含量具有预测能力。对于滩羊肉中亚油酸含量的PLSR模型，MSC预处理方法Rc最高，可以达到0.874 7，原始光谱和一阶导数及SNV处理后的模型Rc均可达到0.8以上，但是Rp仅在0.6以上，结果表明，经MSC预处理的PLSR模型对亚油酸含量的预测具有一定可行性。

2.3 IRF算法提取特征波长

利用MATLAB R2018a软件运行IRF算法时，参数设置如下：迭代次数1 000，固定窗口宽度15，子间隔初始值（Q）为50，最大主成分数20[29，32]。IRF程序运行完成后，分别得到油酸和亚油酸498 个波长间隔中排名前10的波长间隔，具体见表4～5，组合间隔的RMSECV如图2～3所示。

根据表5油酸含量光谱数据排名前10的波长间隔区间选出的波点范围为23～50、366～380、443～457、460～493，图2显示，RMSECV最低点对应的组合间隔为5，因此，选取排名前10间隔的波长作为特征波长是适用的，这些波段为965.12～1 053.60、2 080.15～2 124.49、2 321.96～2 365.34、2 374.61～2 475.96 nm，共计92 个波长。

根据表6亚油酸含量光谱数据排名前10的波长间隔区间选出的波点范围为92～120、137～151、175～189、198～212、465～492，图3显示，RMSECV最低点对应的组合间隔为1，因此，最后选出作为特征波长的波段为1 191.37～1 283.21、1 338.93～1 384.79、1 463.33～1 509.08、1 538.46～1 584.11、2 390.04～2 472.90 nm，共计102 个波长。

2.4 PLSR模型的建立

采用PLSR方法建模是从自变量和因变量的矩阵中提取偏最小二乘成分，从而有效降低数据维数，消除自变量之间可能存在的复杂共线关系，从而显著提高数据结果的可靠性和准确性[33]。通过对多种光谱预处理方法和IRF变量优选方法进行对比分析可知，对于油酸和亚油酸2 种脂肪酸光谱，其PLSR分析模型的精度和复杂度的最优处理方法有所不同。

由表6～7可知，建立的滩羊肉中油酸含量PLSR模型的校正集Rc最高为0.871 6，对应的RMSECV为7.344 2，对应的光谱预处理方法为MSC-IRF。对于亚油酸含量PLSR模型，采用不同的光谱预处理方法对IRF算法提取的特征波长进行处理，其中原始光谱、一阶导数和S-G平滑预处理后建立的PLSR模型Rc均在0.9以上。

分别对2 种脂肪酸含量的测试集样本进行预测分析，其中油酸含量PLSR模型的Rp普遍较低，MSC处理后的Rp最高，为0.516 2，RMSEP为8.058 0，因此该模型没有实际应用意义。亚油酸含量PLSR模型的Rp可达到0.9以上，其中Rp最高为0.987 9，对应的RMSEP为0.012 2，标准误差为0.112 3。

由图4～5可知，亚油酸含量的参考值和预测值之间存在较好的线性相关性。将建立的亚油酸含量IRF-PLSR模型用于30 个滩羊肉样本的亚油酸含量预测，并利用气相色谱法测定亚油酸含量，模型预测结果与气相色谱法分析结果相近，样本实测值与预测值的均方差为0.016 2，各应用样本的相对误差均小于2.5%，该模型可用于实际生产中。

3 结 论

基于NIRS技术，采用6 种光谱预处理方法并结合IRF算法对滩羊肉中油酸和亚油酸含量建立不同的PLSR预测模型，结果表明：1）油酸含量的PLSR预测模型Rc最高为0.889 5，最优预处理方法为SNV结合一阶导数，但其Rp较低，经IRF算法运行后，模型的Rc均有所下降，因此，建立的PLSR模型及IRF-PLSR模型不适用于滩羊肉中油酸含量的预测，后续需要寻找更为合适的光谱处理方法;2）经比较，亚油酸含量的PLSR预测模型具有较好的预测能力，其中，基于IRF算法提取的特征波长建立的模型比使用全波长建立的模型相关性好，校正集Rc最高达到0.991 2，相应的RMSECV为0.011 8、预测集Rp为0.987 9、RMSEP为0.012 2，并且应用该模型进行30 个样品的预测，所得结果与气相色谱测得的结果接近。因此，该方法有望成为滩羊肉中亚油酸含量的快速分析方法之一。

参考文献：

[1] 赵晓勇， 牛文智. 宁夏滩羊发展现状的分析与思考[J]. 中国草食动物， 2008， 28（1）： 50-51. DOI：10.3969/j.issn.2095-3887.2008.01.023.

[2] 梁勇， 闵庆文. 宁夏重要农业文化遗产的保护与利用研究[J]. 自然与文化遗产研究， 2019， 4（11）： 96-100. DOI：10.19490/j.cnki.issn2096-698X.2019.11.096-100.

[3] 崔磊， 杨芳， 李玉凤. 宁夏盐池滩羊产业发展现状及策略分析[J]. 安徽农业科学， 2014， 42（16）： 5261-5263. DOI：10.13989/j.cnki.0517-6611.2014.16.114.

[4] LUCARINI M， SACCANI G， DEVOLI L， et al. Micronutrients in Italian ham： a survey of traditional products[J]. Food Chemistry， 2013， 140（40）： 837-842. DOI：10.1016/j.foodchem.2012.10.020.

[5] 李昊， 葛翠翠， 冯帆， 等. 脂肪酸在育肥滩羊、小尾寒羊及滩寒杂交羊肌肉组织中的含量特征[J]. 食品研究与开发， 2019， 40（3）： 165-169. DOI：10.3969/j.issn.1005-6521.2019.03.028.

[6] 罗玉龙， 赵丽华， 王柏辉， 等. 苏尼特羊不同部位肌肉挥发性风味成分和脂肪酸分析[J]. 食品科学， 2017， 38（4）： 171-175. DOI：10.7506/spkx1002-6630-201704026.

[7] 米璐， 谢遇春， 车天宇， 等. 乌珠穆沁羊不同部位肌肉脂肪酸含量比较研究[J]. 中国畜牧杂志， 2018， 54（12）： 62-66. DOI：10.19556/j.0258-7033.2018-12-062.

[8] 徐广通， 袁洪福， 陆婉珍. 现代近红外光谱技术及应用进展[J]. 光谱学与光谱分析， 2000， 20（2）： 134-142. DOI：10.3321/j.issn：1000-0593.2000.02.003.

[9] 孙通， 徐惠荣， 应义斌. 近红外光谱分析技術在农产品/食品品质在线无损检测中的应用研究进展[J]. 光谱学与光谱分析， 2009， 29（1）： 122-126. DOI：10.3964/j.issn.1000-0593（2009）01-0122-05.

[10] LI Wenwen， LIN Min， ZHANG Yu. Application of wavelet transform and neural network in near infrared spectroscopy analysis in pork[C]//IEEE 2016 Sixth International Conference on Instrumentation and Measurement， Computer， Communication and Control （IMCCC）， Harbin， China， 2016： 826-829. DOI：10.1109/IMCCC.2016.117.

[11] 花锦， 赵悠悠， 高媛惠， 等. 基于近红外技术快速测定不同鲜肉中脂肪含量[J]. 光谱学与光谱分析， 2017， 37（11）： 3424-3429. DOI：10.3964/j.issn.1000-0593（2017）11-3424-06.

[12] 黄伟， 杨秀娟， 曹志勇， 等. 应用近红外光谱检测滇南小耳猪肉化学组分含量[J]. 云南农业大学学报（自然科学）， 2016， 31（2）： 303-309. DOI：10.16211/j.issn.1004-390X（n）.2016.02.017.

[13] YANG Yi， ZHUANG Hong， YOON S C， et al. Quality assessment of intact chicken breast fillets using factor analysis with Vis/NIR spectroscopy[J]. Food Analytical Methods， 2018， 11（5）： 1356-1366. DOI：10.1007/s12161-017-1102-0.

[14] BALAGE J M， DA LUZ E SILVA S， GOMIDE C A， et al. Predicting pork quality using Vis/NIR spectroscopy[J]. Meat Science， 2015， 108： 37-43. DOI：10.1016/j.meatsci.2015.04.018.

[15] 白京， 李家鹏， 邹昊， 等. 近红外光谱定性定量检测牛肉汉堡饼中猪肉掺假[J]. 食品科学， 2019， 40（8）： 295-300. DOI：10.7506/spkx1002-6630-20180802-016.

[16] REIS M M， MART?NEZ E， SAITUA E， et al. Non-invasive differentiation between fresh and frozen/thawed tuna fillets using near infrared spectroscopy （Vis-NIRS）[J]. LWT-Food Science and Technology， 2017， 78： 129-137. DOI：10.1016/j.lwt.2016.12.014.

[17] KAMRUZZAMAN M， SUN D W， ElMASRY G， et al. Fast detection and visualization of minced lamb meat adulteration using NIR hyperspectral imaging and multivariate image analysis[J]. Talanta， 2013， 103（15）： 130-136. DOI：10.1016/j.talanta.2012.10.020.

[18] RADY A， ADEDEJIA A. Assessing different processed meats for adulterants using visible-nearinfrared spectroscopy[J]. Meat Science， 2018， 136： 59-67. DOI：10.1016/j.meatsci.2017.10.014.

[19] L?PEZ-MAESTRESALAS A， INSAUSTI K， JAR?N C， et al. Detection of minced lamb and beef fraud using NIR spectroscopy[J]. Food Control， 2019， 98： 465-473. DOI：10.1016/j.foodcont.2018.12.003.

[20] PUIIANAGARI R R， YULE I J， AGNEW M. On-line prediction of lamb fatty acid composition by visible near infrared spectroscopy[J]. Meat Science， 2015， 100： 156-163. DOI：10.1016/j.meatsci.2014.10.008.

[21] CASCANT M M， BREIL C， FABIANO-TIXIER A S， et al. Determination of fatty acids and lipid classes in salmon oil by near infrared spectroscopy[J]. Food Chemistry， 2018， 239： 865-871. DOI：10.1016/j.foodchem.2017.06.158.

[22] 牛晓颖， 邵利敏， 赵志磊， 等. 鲜肉中不饱和脂肪酸近红外检测方法优化[J]. 光谱学与光谱分析， 2019， 39（2）： 443-447. DOI：10.3964/j.issn.1000-0593（2019）02-0443-05.

[23] 中華人民共和国国家卫生和计划生育委员会， 国家食品药品监督管理总局. 食品安全国家标准 食品中脂肪酸的测定： GB 5009.168—2016[S]. 北京： 中国标准出版社， 2016.

[24] BOSELLI E， CABONI M F， RODRIGUEZ-ESTRADA M T， et al. Photoxidation of cholesterol and lipids of turkey meat during storage under commercial retail conditions[J]. Food Chemistry， 2005， 91（4）： 705-713. DOI：10.1016/j.foodchem.2004.06.043.

[25] 布鲁克光谱仪器公司. 近红外光谱分析的基本原理[EB/OL]. 上海： 布鲁克光谱仪器公司上海代表处. （2017） [2020-01-19]. https：//www.docin.com/p-1999895574.html.

[26] 焦方金. RS算法原理及对比分析[J]. 科技信息（学术版）， 2008（9）： 35-37.

[27] 褚小立， 袁洪福， 陆婉珍. 近红外分析中光谱预处理及波长选择方法进展与应用[J]. 化学进展， 2004， 16（4）： 528-542. DOI：10.3321/j.issn：1005-281X.2004.04.008.

[28] BARNES R J， DHANOA M S， LISTER S J. Standard normal variate transformation and de-trending of near-infrared diffuse reflectance spectra[J]. Applied Spectroscopy， 2016， 43（5）： 772-777. DOI：10.1366/0003702894202201.

[29] YUN Yonghuan， LI Hongdong， WOOD L R E， et al. An efficient method of wavelength interval selection based on random frog for multivariate spectral calibration[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2013， 111： 31-36. DOI：10.1016/j.saa.2013.03.083.

[30] 褚小立， 许育鹏， 陆婉珍. 偏最小二乘法方法在光谱定性分析中的应用研究[J]. 现代仪器与医疗， 2007， 13（5）： 13-15. DOI：10.3969/ j.issn.1672-7916.2007.05.005.

[31] 陈素彬， 胡振， 张晓琪， 等. 软件技术在近红外光谱定量分析中的应用[J]. 化学教育（中英文）， 2018， 39（16）： 62-67. DOI：10.13884/j.1003-3807hxjy.2017100073.

[32] 丁佳兴. 基于高光谱和激光诱导荧光高光谱技术的贮藏期灵武长枣主要可溶性糖检测研究[D]. 银川： 宁夏大学， 2018.

[33] 梁逸增， 俞汝勤. 分析化学手册（第十分册）： 化学计量学[M]. 北京： 化学工业出版社， 2000.