近红外光谱分析技术在肉类检测中的应用

近红外光谱技术的发展是从农产品中的应用开始的，最早的应用是农副产品中水分的测定，之后又用于谷物及饲料中的蛋白、水分、纤维、糖分及脂肪等项目的分析，都取得了较满意的结果。

近红外光谱技术在肉与肉制品中最早应用于对化学成分的预测，例如蛋白质、脂肪、水分、干物质、灰分、总能量、肌红蛋白和胶原蛋白等，取得了较满意的结果；随着科学技术的发展，人们的研究对准了影响肉类加工的技术参数指标，例如pH、持水力等。与此同时，对于影响消费者购买的食用品质的预测研究也广泛开展，例如色泽、嫩度、风味、多汁性。但有些指标同样由于上述原因或者品评员的主观因素差异导致预测能力较差。另外，基于某些肉品品质的分级、品种鉴定、溯源地判别、冷冻肉判别等定性区分的研究也有报道，取得了一定成果；但是，对反映肉类新鲜度的指标进行定量预测的研究较少，例如TVB-N、pH值、菌落总数等。

国外学者对近红外光谱分析技术在肉类检测中的应用起步较早，研究也比较深入。Monroy 等对可见/近红外（350-2500nm）光谱分析技术作为一种无损评价猪肉品质等级的方法进行了研究，PSE，RSE，PFN 和 RFN 四种不同品质的猪肉样本各60个作为研究对象，对光谱数据先进行逐步回归分析选择优化特征波段后建立判别分析模型，通过留一交互验证和5折交叉验证两种方法验证判别分析模型精度，判别正确率分别为80%和 79%，研究表明，可见/近红外光谱可用于猪肉品质分类预测，进一步的研究可将近红外光谱分析技术应用于猪肉在线品质检测系统。Barbin等采用近红外高光谱成像（900-1700nm）技术，建立了PLSR预测模型，对猪肉各个不同部位的主要成分含量进行了预测。Balage 等采用近红外光谱（400-1495nm）技术，利用 PLS 对pH、颜色、肌内脂肪和剪切力进行建模，对猪肉品质检测进行了可行性研究。Neyrinck 等利用近红外光谱技术对火腿生产过程中的猪肉品质进行分类，从正常品质猪肉中鉴别 PSE 猪肉，以pH、颜色和电解性作为指标，使用 SPSS Statistics v.22数据分析软件进行分析，结果显示，对猪背最长肌的分类准确率为93.3%，半膜肌的准确率为90.0%。研究表明，使用近红外光谱技术对火腿生产中的猪肉品质进行检测是可行的。

国内学者对近红外光谱分析技术应用于肉及肉制品检测方面的研究起步相对比较晚，相关文献相对较少，主要研究方向同样集中于肉类品质特性及物理特性的定量定性分析。侯瑞锋等用近红外漫反射光谱法，建立挥发性盐基氮的预测模型，并通过聚类分析法对数据进行分类，使用统计学方法确定TVB-N阈值，表明当猪肉样品中 TVB-N含量超过11.6mg/100g时，可以判定该肉品为次鲜肉。蔡健荣等通过近红外光谱法建立了TVB-N 的 siPLS 预测模型，其最佳的校正集和预测集的预测相关系数分别为0.833和 0.824。彭彦昆等]对光谱技术在生鲜肉品质安全快速检测的研究进展尽量概述，主要综述了近红外光谱、拉曼光谱、高光谱成像技术、荧光光谱等光谱技术在生鲜肉品质检测和安全评定上的重要应用和研究进展。廖宜涛等对基于可见/近红外光谱分析技术猪肉肌内脂肪含量的在线检测做了初步研究，采用0.25m/s的运动速度采集猪肉肉块的可见/近红外光谱，通过小波变换对光谱进行降噪，结合不同光谱预处理建立猪肉肌内脂肪含量的预测模型，校正及预测相关系数分别为0.892和0.834，RMSEC 和 RMSEP分别为0.09和0.08。马世榜等利用可见近红外光谱多指标综合预测生鲜牛肉储存期，采用GA-PLS 建立TVB-N的预测模型，实现了牛肉的新鲜度的评价。赵松玮等用 380~1080nm范围内的近红外光谱建立TVB-N 和pH值的预测模型，其预测相关系数分别为0.91 和0.93。黄林等利用近红外光谱结合计算机视觉和电子鼻技术对猪肉中的TVB-N 含量进行检测，建立了BP-ANN 模型，预测集相关系数高达 0.9527，均方根误差2.73mg/100g，表明结合使用上述三种技术对猪肉的无损检测具有很大的应用前景。Qiping Huang等利用近红外光谱技术检测猪肉新鲜度，以TVB-N为指标，采用 BP-AdaBoost算法建立检测模型，其预测相关系数达到0.8325，预测均方根误差为6.9439mg/100g。