近红外光谱检测鹅肉新鲜度的研究

近红外光谱检测鹅肉新鲜度的研究

我国鹅产量和出口量均为世界第一，对鹅品质的快速维护和检测具有重要意义。新鲜度是肉品品质的一个重要感官特征,也是其食用质量与商业价值的重要指标。传统的肉品新鲜度检测方法主要有感官检验、理化检验和微生物检验,这些方法存在耗时、耗力、周期长、成本高、效率低等问题,这难以满足当前肉品快速非破坏性的检测要求,因此迫切需要研究肉品快速检测方法。而近红外光谱分析技术作为一门简单、快速、高效、环保的新型的检测技术,在食品行业中已得到广泛应用。国外学者利用近红外光谱对肉类新鲜度进行了研究,研究结果表明水分、水分活度、pH值、总挥发性盐基氮(totalu2005volatileu2005baseu2005nitrogen,TVB-N)、三磷酸腺苷(adenosine-triphosphate,ATP)分解产物(K1值)和常温细菌等理化和微生物指标,都可用来预测肉类的新鲜度。国内学者[4,12,13,14,15,16,17,18,19]对猪肉TVB-N值、pH值等新鲜度指标进行了近红外光谱研究取得了良好的效果,肉类在腐败过程中,由于酶和细菌的作用,蛋白质分解而产生氨、胺类等碱性含氮物质,使TVB-N值、pH值等发生改变,因此利用近红外光谱检测TVB-N值、pH值可以表征肉品新鲜度的变化。本研究拟利用近红外光谱技术对鹅肉新鲜度主要指标:TVB-N值、pH值进行研究,考察近红外光谱和鹅肉新鲜度之间的相关性,建立鹅肉新鲜度的近红外检测模型,研究利用近红外光谱预测鹅肉新鲜度的方法,为建立鹅肉品质在线无损检测技术提供理论依据。1材料和方法1.1样品的制备和验证鹅肉品种为狮头鹅,采购自黑龙江齐齐哈尔站前市场。将新鲜鹅腿肉去除表皮及骨头,整理成肉块,用自封袋密封包装后编号置于4℃冰箱冷藏备用。每次取样100g进行检测,共连续测量7d,后2d为室温强制快速腐败。实验按照TVB-N值和pH值的梯度从200余个样品中共选取具有代表性的样品80个,60个样品作为校正集,用于建立数学模型,20个样品作为验证集,对建立好的数学模型进行验证。硼酸、氧化镁、溴甲酚蓝、甲基红天津凯通化学试剂有限公司。1.2se检测品DA7200二极管阵列近红外光谱仪(256像素InGaSe检测品,波长范围900~1700nm)瑞典Perten公司;PB-10型pH计赛多利斯科学仪器(北京)有限公司;1765型半微量定氮器沈阳中亚玻璃仪器有限公司。1.3方法1.3.1光谱扫描图谱将剔除骨头和外皮的鹅肉样品制成肉糜均匀平铺在直径75mm的样品杯中,使用近红外分析仪以2nm的分辨率扫描60次,样品及环境温度均为25℃,光谱扫描范围为900~1700nm,得出扫描光谱图。每个样品重复扫描3次,每次描时样品要求重新装样,保持装样的均一性,求得平均光谱曲线。1.3.2绵羊中总毫不犹豫值为km-n采用GB/T5009.44—2003《肉与肉制品卫生标准的测定方法:半微量定氮法》测定。1.3.3采用酸度计法测定了鹅肉提取物的ph值取测定TVB-N值时的鹅肉浸渍液备用,用pH计复合电极测定鹅肉浸渍液的pH值,每个样品重复测量3次,结果取其平均值。1.3.4光谱预处理方法对比利用Unscrambler9.8软件对5点移动窗口平滑处理(smothing,SM)、一阶微分(firstderivative,1stD)、标准正态变量变换(standardnormalvariate,SNV)和多元散射校正(multiplicativesignalcorrection,MSC)等6种光谱预处理方法的消噪效果进行比较,应用偏最小二乘(partialleastsquare,PLS)法数学校正方法分别建模。用模型决定系数(R2)、交互验证均方根误差(rootmeansquareerrorofcrossvalidation,RMSECV)、相对预测均方根误差(relativepredictionmeansquareerror,RMSEP)为模型精度评价指标,用预测值和实测值的相关系数(r)和预测平均偏差检验模型的准确度。2结果与分析2.1对鹅肉血浆浓度和ph值的分析由表1中校正集和验证集中含量分布、平均值和标准偏差可知,选取样品中的各组分含量范围较宽,代表性强,符合近红外光谱建模要求。2.2细胞内蛋白质吸收的影响从图1可知,在950~1u2005650u2005nm谱区内,鹅肉近红外反射光谱曲线各区段表现出独特吸收,在整个光谱区间有多处吸收峰呈递增或递减的趋势,表明鹅肉大量含氢基团的合频区、倍频区均形成强烈的吸收,1350~1u2005450u2005nm(6900~7u2005400u2005cm-1)波段之间受水蒸气的影响产生了较微小的噪声信号,肉中蛋白质的吸收主要与N—H的分子振动相关,有研究表明:N—H键伸缩振动的一级倍频在1500u2005nm(6u2005666u2005cm-1)附近,带有N—H的杂环芳香化合物,较强的一级倍频出现在1u2005463u2005nm(6u2005835u2005cm-1)。而蛋白质的特征谱带为973~1u2005019u2005nm(10277~9u2005804u2005cm-1)、1500~1u2005530u2005nm(6667~6u2005536u2005cm-1)的N—H倍频吸收,因此实验在建模时需要考虑特征波长区间的选取。2.3tvb-n和pls的预测能力比较鹅肉样品的大小和均匀程度会影响光谱的信噪比,因此采用SM、1stD、MSC、SNV、1stD+SNV和1stD+SM+SNV共6种光谱预处理方法对鹅肉的原始光谱进行预处理,然后采用PLS法建模。结果如表2所示。通过对近红外光谱全波段进行分析,以模型的R2、RMSECV和RMSEP为模型精度评价指标,R2越大、RMSECV和RMSEP越小,说明模型的精度越高,所建模型的预测能力和稳健性越高。表2结果表明,采用SNV处理光谱数据,以PLS法建立回归模型的R2最大,RMSECV最小,因此SNV+PLS预测能力优于另外5种预处理方法。综上所述,对于鹅肉TVB-N值和pH值来说均采用SNV处理光谱建立的PLS回归模型的预测能力优于采用1stD处理光谱建立的PCR回归模型的预测能力。选取最优主成分数,用PLS法处理光谱分别建立TVB-N值和pH值的模型,将验证集的20个样品代入模型中,进行鹅肉样品的新鲜度测定,预测值和实测值的验证结果如图2所示。结果表明:TVB-N预测值和实测值2组数据的r为0.976,说明2组数据具有极显著的相关性,经单因素方差分析得到P值为0.948,即在95%的置信区间内,2组数据无显著性差异。预测平均偏差为-0.240。pH预测值和实测值2组数据的r为0.705,说明2组数据具有极显著的相关性,经单因素方差分析得到P值为0.830,即在95%的置信区间内,2组数据无显著性差异。预测平均偏差为-0.024。3初支教料pns-h值建模及验证TVB-N值:在950~1650nm的波长范围内,采用SNV处理光谱,利用PLS建立鹅肉TVB-N数学模型,主成分数为6时,模型R2为0.727,RMSECV达到最小值3.666。用20个鹅肉样品进行外部验证预测,鹅肉TVB-N预测值和实测值之间的相关系数r为0.976,预测值平均偏差为-0.240。pH值:在950~1650nm的波长范围内,采用SNV处理光谱,利用PLS建立鹅肉pH值数学模型,主成分数为12时,模型R2为0.991,RMSECV达到最小值0.028。用20个鹅肉样品进行外部验证预测,鹅肉pH预测值和实测值之间的