近红外光谱分析技术在肉类产品检测中的应用研究进展

,,

(1.西南大学食品科学学院,重庆 400715； 2.西南大学工程技术学院,重庆 400715)

近红外光谱分析技术在肉类产品检测中的应用研究进展

吴习宇1,2,赵国华1,祝诗平2,*

(1.西南大学食品科学学院,重庆 400715； 2.西南大学工程技术学院,重庆 400715)

近年来,近红外光谱技术(Near Infared Spectroscopy,NIRS)作为一种新型光学检测技术在食品工业中得到越来越广泛的应用,被证实为肉和肉制品品质检测中最为有效、先进的方法之一。文章综述了近红外光谱技术在肉类行业应用中近年来的研究进展,主要包括肉品化学成分、感官指标、物理性质的检测及肉品品种、等级的鉴定，并且展望了该技术的发展前景,认为标准化取样、改善参考方法将有助于提高近红外光谱技术的预测精度。

近红外光谱技术,肉品,肉品分析

近红外光(Near Infrared,NIR)是指波长介于可见光区与中红外区之间的电磁波,波长范围780～2526nm,该光区的吸收带主要是由低能电子跃迁、含氢原子团(如N-H、O-H、C-H)的伸缩、弯曲振动的倍频及组合频吸收产生。当有机物中的物质分子受到近红外线照射时,其中的含氢基团产生振动使光的部分能量被吸收,由于吸收带波长位置与吸收谱带的强度反映了分子结构的特点,因此近红外光谱法可用于鉴定未知物的结构组成,同时吸收谱带的吸收强度与分子组成或化学基团的含量有关,还可用以进行定量分析或纯度鉴定[1]。对某些无近红外光谱吸收的物质,也能够通过其共存的本体物质的近红外光谱变化,间接地反映其信息。但由于近红外光谱承载的复杂样品信息具有多元性特征,形成了光谱的复杂、重叠与变动,使得从中提取待测量的弱信息变得困难。因此,运用化学计量学算法建立与应用待测量与样品光谱特征间具有容变性的关系模型是近红外光谱分析技术的关键。由于肉类产品中的大多数有机化合物如蛋白质、脂肪、有机酸、碳水化合物等都含有不同的含氢基团,所以通过对其进行近红外光谱分析可测定这些化学成分的含量,并可以此为依据,得到更多的与肉品品质相关的信息。由于近红外光谱分析技术具有检测速度快、非破坏性、简单无污染、可检测多种化学成分含量及其特性、适于大规模产业化生产的在线检测等优点,近年来在食品行业发展较快,它不仅能实现肉类产品的化学成分检测,同时也可用于感官品质评价、物理特性、品种鉴别与安全评定及在线分级分拣等,本文主要介绍近年来近红外光谱技术在肉类产品无损检测方面的应用与研究进展。

1 近红外光谱技术应用于肉类产品化学成分分析

肉品的化学成分对肉的食用品质和营养品质有较大的影响,如肉品中水分含量关系到肉的品质和风味,肌内脂肪含量影响肉的多汁性和嫩度等。传统的化学分析方法具有破坏性大、花费时间长,不适宜于在线即时检测,而NIR技术应用于肉品化学成分分析,可以快速、无损测定原料肉及肉类制品中多种组分的含量,以评定其品质[2]。早在20世纪70～80年代,国外已有研究者开始关注近红外反射光谱与水分、蛋白质、脂肪之间的相关性研究[3],这为深入挖掘近红外光谱在肉品快速检测方面的应用与发展打下了基础。近年来,近红外光谱技术在肉品的化学成分快速检测方面取得了诸多进展,如Cozzolino等应用可见/近红外光谱对51只羊身上不同部位的306块肌肉进行检测,发现测定的结果与化学分析测得的结果具有较好的相关性,水、蛋白质、肌内脂肪的相关系数分别为0.76、0.83、0.73[4]。Gaitán-Jurado等将两个品种的猪肉混合后采用切片和绞碎两种方法制成熏干肉肠,利用NIR获得光谱建立脂肪、蛋白质、水分的关系模型,采用切片方法加工的肉肠脂肪、水分和蛋白质的相关系数分别为0.98、0.93、0.97,绞碎方法加工的肉肠脂肪、水分、蛋白质的相关系数则分别为0.99、0.98、0.97[5]。

除了蛋白质、脂肪、水分这三种主要的组分外,脂肪中脂肪酸的组成和含量对肉的品质和营养价值也具有较大的影响,近年来,也有一些学者开始对肉类脂肪酸的组成和含量进行了近红外光谱分析研究。Sierra等采用NIR技术预测了牛肉中各种脂肪酸含量,饱和脂肪酸、支链脂肪酸和单一不饱和脂肪酸校正模型的相关系数分别为0.837、0.701和0.852[6]。De Marchi等在波长范围1100～1830nm用近红外光纤探头在线采集未切碎的鸡胸肉光谱,采用MPLS建立模型对多种脂肪酸含量进行了预测,结果证实利用近红外反射光难以对无损鸡胸肉的脂肪酸含量进行有效的在线检测[7]。Prieto等采用近红外光纤探头采集两种不同饲养方式的牛肉样本光谱研究脂肪酸含量,LIMX样本中的部分脂肪酸含量的相关系数大于0.64,而AAx样本中脂肪酸含量的近红外光谱检测相关系数较低[8]。可见,除了对含量相对较多的油酸、单不饱和脂肪酸等的检测尚可外,对肉品中其他含量较少的脂肪酸进行近红外光谱检测较困难,这主要是由于近红外光谱是碳氢基团倍频和合频的吸收,其吸收强度较弱,不利于痕量分析,对肉品中含量较低的部分脂肪酸,采用NIR检测难以获得较好的结果。

在肉类微量元素含量的近红外光谱分析方面,Gonzalez-Martin利用近红外反射光谱对Iberian鲜猪肉糜中的矿物质元素Fe、Zn、Ca、Na和K进行了检测并建立模型,得到的Fe、Zn、Ca、Na和K的相关系数分别为0.842、0.695、0.761、0.639、0.781,直接利用光纤反射探头获得样本光谱建立模型,得到的Fe、Na和K相关系数分别为0.898、0.757、0.775[9]。Viljoen等利用近红外反射光谱对绵羊肉糜中的矿物质元素Zn,K,Mg的预测相关系数为0.86、0.86、0.92[10]。从以上文献可见,对肉品中矿物质的近红外光谱检测是可行的,这可能是由于肉品中矿物质的存在形式与有机官能团相关,从而间接地反映在近红外光谱上。

此外,也有一些学者对肉类制品的近红外光谱在线检测进行了研究,Togersen等在1996年首次采用近红外反射仪构建了肉糜在线检测系统,对不同粒度大小的牛肉糜中的脂肪、蛋白质和水分含量进行了在线检测,检测结果表明,肉糜粒度越小,其预测误差越小,但该系统只能用于少量样品的检测[11]。Liao Yi-Tao等利用可见/近红外技术对新鲜猪肉进行在线检测,构建了检测系统,并建立了偏最小二乘回归模型,肌内脂肪、蛋白质和水分含量的相关系数≥0.81[12]。

近红外光谱技术可较准确地测定肉中主要成分脂肪、蛋白质和水分的组成和含量,但对含量较少的其他化学成分的检测精度还不是特别理想,有待于改善参考方法以提高检测精度。另外,利用近红外反射光谱测定肉中成分的含量时,将肉切碎或绞碎均匀混合成肉糜状,其检测精度比整块肉样明显要高,而且对于装样过程要求也比较高,对于完整肉片或肉块检测时,近红外光谱法虽然建模预测精度相对较差,但能达到其在线检测的要求,为增加检测精度,可增加扫描次数或扩大取样范围。

2 近红外光谱技术应用于肉类产品感官评价的分析

肉类的感官指标主要指肉品的颜色、纹理、风味、嫩度、多汁性等,近红外光谱技术利用这些指标与肉品其他物化性质的关联性可对其进行检测。

肉色是肉品感官评定的重要指标,由于肉的颜色(L*(亮度)、a*(红度)、b*(黄度))跟肌内脂肪含量有关,近年来有学者通过NIR技术对其进行检测。Cozmlino等利用可见光和近红外光谱采用修正的偏最小二乘分析方法分析预测猪肉样本的颜色,得到同品种猪肉的L*和a*的验证相关系数较高[13]。Prieto等利用近红外光谱(1100～2500nm)研究了成年牛肉和幼年牛肉的pH、肉色、系水力等,发现近红外光谱技术对颜色特性中的L*值和b*的相关系数分别为0.869和0.901[14]。胡耀华等采用漫反射光纤探头对任意厚度真空包装猪肉进行可见/近红外光谱分析,经回归分析后得到肉色的相关系数均大于0.83[15]。De Marchi采用近红外光纤探头在线采集230头牛的近红外光谱,研究其pH、肉色、蒸煮损失和剪切力,得到的pH、肉色和蒸煮损失的相关系数较好,而剪切力的预测较差[16]。

嫩度也是肉类食用品质中重要的衡量指标之一,用近红外光谱技术对肉类嫩度的检测早有报导。Byrne等采用主成分分析法(PCR,principal component regression)在750～1098nm的光谱范围内研究了牛肉背最长肌(LD)的嫩度、纹理以及风味与近红外光谱的相关性[17]；Park等采用近红外反射光谱技术结合主成分分析法(PCR)分析波长在1100～2498nm处生牛肉的吸收光谱,发现其与剪切力测得的熟肉嫩度相关[18]。Shackelford等利用可见、近红外嫩度检测仪对美国精选牛肉背长肌的嫩度进行在线检测,实现对牛肉畜体的质量评价与产量分级[19]。赵杰文等利用近红外光谱技术和沃布剪切仪测得的牛肉(LD)的最大剪切力值建模对牛肉样本进行主观嫩度的等级评价,正确分级率达到84.21%[20]。张德权等应用傅里叶变换近红外光谱技术,采用偏最小二乘法(MPLS)定量分析了羊肉嫩度,建立的羊肉嫩度模型相关系数达到86.2%[21]。胡耀华等采用可见/近红外漫反射光谱对真空包装猪肉的蒸煮损失和嫩度进行了检测研究,用偏最小二乘法建立定量模型,相关系数分别为0.81和0.78[22]。

新鲜度也可利用近红外光谱来进行快速评定,其主要通过挥发性盐基氮这一指标来表示。Leroy等在1200～1300nm波长范围利用近红外光谱技术建立了挥发性盐基氮预测模型以评价猪肉的新鲜度[23]。侯瑞峰等通过近红外漫反射光谱法建立了挥发性盐基氮(TVB-N)的预测模型,并通过聚类分析方法对光谱数据进行了分类处理,实现了对肉品的新鲜度非破坏性、快速检测[24]。蔡健荣等利用NIR技术和联合区间偏最小二乘法快速无损检测猪肉挥发性盐基氮含量[25]。赵松玮等利用多通道可见近红外光谱系统对猪肉新鲜度进行评价,使用PLSR建立预测模型,对TVB-N的预测相关系数为0.91,对pH的预测相关系数为0.93,用该模型对猪肉新鲜度进行评定准确率达92.9%[26]。

可见,近红外光谱技术快速检测肉类主要感官指标是可行性的,但由于肉类多不均匀而造成研究肌肉部位受到限制,使得预测模型往往不容易重复,若近红外光谱技术能与目前应用最为广泛的机器视觉技术等方法进行融合,既可提高肉品的感官评定精度,又可综合评定多种肉品指标,则在一定程度上可提高在线检测效率和实际的经济效益。

3 近红外光谱技术应用于肉类产品物理特性的分析

NIR技术对肉类物理特性的检测主要包括pH、系水力、剪切力等。

肉品系水力(WHC)是肌肉组织保持水分的能力,多用滴水损失(Drip Lose)表示肉品的保水性,若肉品系水力不良,在生产、运输过程中将造成严重的重量损失。近年来国内外均有学者利用可见近红外光谱技术对生鲜肉系水力进行检测研究,但结果并不是很理想。Hoving-Bolink等用近红外光谱在线检测,发现对滴水损失的预测效果很差[27]。Prevolnik等利用近红外光谱对猪肉的滴水损失进行了研究,采用神经网络算法和偏最小二乘回归分别建模,其预测误差相近,且近红外光谱预测模型的预测误差高于以特性参数建立的预测模型[28]。该学者还采用四种不同的方法对228个猪肉样本对其系水力的近红外光谱检测进行了研究,并在三个波段范围(400～1100、1100～2500、400～2500nm)分别建立预测模型,最好的模型相关系数0.62[29]。Kapper等对131个猪肉样品进行近红外光谱分析,得到滴水损失的相关系数为0.73[30]。胡耀华等采用近红外漫反射光谱检测真空包装猪肉的系水力,使用偏最小二乘法建立定量检测模型,相关系数为0.73～0.79,其结果好于近红外反射和透过光谱法[31]。

很多研究发现,利用近红外光谱技术可对多种肉类pH进行检测。De Marchi等利用光纤探测器在波长350～1800nm对193个鸡胸肉样品进行可见/近红外光谱分析,pH、L*和蒸煮损失的相关系数0.69～0.76[32]。廖宜涛等研究了猪肉pH的可见/近红外光谱在线检测,实验动态采集了猪肉肉块样本的可见/近红外光谱,同时测定pH,采用PLSR建立pH的预测模型,经一阶微分结合多元散射校正对光谱预处理后所建模型的预测相关系数为0.905,RMSEP为0.051[33]。

从当前的研究来看,基于近红外光谱预测肉品滴水损失存在一定的局限性,但由于其他评价系水力的方法都存在破坏样品、耗时长、样品准备复杂等诸多问题,而近红外光谱分析技术更具有在线无损检测的实际应用价值。因此,更好地防止外在因素对光谱获取的影响及改善参考方法,提高近红外光谱法对肉品滴水损失的预测精度,具有一定的现实意义。

4 近红外光谱应用于肉类品种判断和安全鉴定

在肉类品种鉴别过程中,作为原料肉首先应明确其来源,这对于食品的安全检测非常重要。以近红外光谱技术对肉类的化学成分和含量分析、以品质评定为依据,可进一步实现肉类的品种判断和安全鉴定。McDevitt等采用近红外光谱技术结合经典化学分析方法,用以鉴别不同饲养条件的鸡肉,得到脂肪、蛋白质和灰分的相关系数分别为0.93、0.86和0.71,发现养殖时间短的鸡肉含有更高的脂肪和更低的蛋白质和灰分,并可通过近红外光谱技术快速判别其养殖条件[34]。Cozzolino等对100个牛肉、44个猪肉、140个羊肉和46个鸡肉样本进行了近红外光谱定性判别,采用主成分分析和偏最小二乘回归建立模型,判别正确率高于80%[35]。Andrés等对232个羊羔肉样品分别获得NIR光谱曲线和通过化学分析及专业人员进行感官分析,虽然得到嫩度、多汁性、气味等感官指标的相关系数小于0.40,但通过近红外光谱分析,可明显区分出25个最好和最差的样品,证明近红外光谱技术具有快速判别羊羔肉的感官特性、区分具有优良感官指标的肉品[36]。Gangidi等对绞碎牛肉中掺入0～100ppm脊髓的样本采集近红外光谱,经二阶微分处理后建立PLSR模型,校正和预测相关系数分别为0.94和O.90,模型的限为21ppm,掺假判别的正确率为87%[37]。此外,近红外光谱还可判别PSE肉和DFD[38-39],Monroy等以PSE、RSE、PFN和RFN四种品质的60个猪肉样本作为研究对象建立NIR分析模型,判别正确率大于79%[40]。

由于肉品成分复杂,掺杂后外观、组成比较接近,采用一般的化学方法鉴别真伪花费的时间较长,这使得近红外光谱技术能快速对肉类掺假进行鉴别的意义重大,可应用于原料肉品质的快速定性与鉴别分析。

5 结语

近红外光谱是一种具有同时对大量肉样的化学组成进行检测并对肉样进行质量分级的检测技术,它可以代替那些耗费时间、代价昂贵同时还危害健康或污染环境的检测器工具或检测技术,还能对肉的物理性质和感官品质进行分析。通过近红外光谱技术,肉类工业能够实现肉品的快速、无损和在线检测,将近红外光谱技术在肉类工业中进行推广应用,将能够更好地完善肉及肉制品行业的安全监控,具有重要的现实意义。特别是近期研究人员正在积极开发一些能够显著提高近红外光谱技术检测效率和精度的配套器械,为近红外光谱技术的推广打下了坚实的基础。随着近红外光谱技术越来越受到人们的关注,降低参照方法的检测误差,使用变化范围更大的样品和更合理的检测方法,以及与其他检测技术进行综合,利用多重信息对肉品进行全面评价,可使提取有效信息的效率不断提高,光谱的信噪比逐步增大,近红外光谱技术在肉品工业中的应用将会更加高效而广泛。

[1]张小超,吴静珠,徐云.近红外光谱分析技术及其在现代农业中的应用[M].北京：电子工业出版社,2012.

[2]Osborne BG,Fearn T,Hindle PH. Practical NIR spectroscopy with applications in food and beverage analysis[M]. Harlow,Essex,UK:Longman Scientific & Technical,1993.

[3]Lanza E. Determination of moisture,protein,fat and calories in raw pork and beef by near infrared spectroscopy[J]. Journal of Food Science,1983,48(2):471-474.

[4]Cozzolino D,Murray I,Scaife JR,etal. Study of dissected lamb muscles by visible and near infrared reflectance spectroscopy for composition assessment[J]. Animal Science,2000,70(3):417-423.

[5]Gaitán-Jurado AJ,Ortiz-Somovilla V,Espaa-Espaa F,etal. Quantitative analysis of pork dry-cured sausages to quality control by NIR spectroscopy[J]. Meat Science,2008,78(4):391-399.

[6]Sierra V,Aldai N,Castro P,etal. Prediction of the fatty acid composition of beef by near infrared transmittance spectroscopy[J]. Meat Science,2008,78(3):248-255.

[7]De Marchi M,Riovanto R,Penasa M,etal. At-line prediction of fatty acid profile in chicken breast using near infrared reflectance spectroscopy[J]. Meat Science,2012,90(3):653-657.

[8]Prieto N,Ross DW,Navajas EA,etal. Online prediction of fatty acid profiles in crossbred Limousin and Aberdeen Angus beef cattle using near infrared reflectance spectroscopy[J]. Animal,2011,5(1):155-165.

[9]González-Martín I,González-Pérez C,Hernández-Méndez J,etal. Mineral analysis(Fe,Zn,Ca,Na,K)of fresh Iberian pork loin by near infrared reflectance spectrometry:Determination of Fe,Na and K with a remote fibre-optic reflectance probe[J]. Anlytica Chimica Acta,2002,468(2):293-301.

[10]Viljoen M,Hoffman LC,Brand TS. Prediction of the chemical composition of mutton with near infrared reflectance spectroscopy[J]. Small Ruminant Research,2007,69(1-3):88-94.

[11]Tøgersen G,Isaksson T,Nilsen BN,etal. On-line NIR analysis of fat,water and protein in industrial scale ground meat batches[J]. Meat Science,1999,51(1):97-102.

[12]Liao YT,Fan YX,Cheng F. On-line prediction of fresh pork quality using visible/near-infrared reflectance spectroscopy[J]. Meat Science,2010,86(4):901-907.

[13]Cozzolino D,Barlocco N,Vadell A,etal. The use of visible and near-infrared reflectance spectroscopy to predict colour on both intact and homogenised pork muscle[J]. LWT-Food Science and Tech-nology,2003,36(2):195-202.

[14]Prieto N,Andrés S,Giráldez FJ,etal. Ability of near infrared reflectance spectroscopy(NIRS)to estimate physical parameters of adult steers(oxen)and young cattle meat samples[J]. Meat Science,2008,79(4):692-699.

[15]Hu YH,Guo KQ,Suzuki T,etal. Determination of fresh pork color by visible and near infrared spectroscopy with fiber optics in interactance mode[J]. Journal of Northwest A & F University(Natural Science Edition),2008,36(7):160-164.

[16]De Marchi M. On-line prediction of beef quality traits using near infrared spectroscopy[J]. Meat Science,2013,94(4):455-460.

[17]Byrne CE,Downey G,Troy DJ,etal. Non-destructive prediction of selected quality attributes of beef by near-infrared reflectance spectroscopy between 750 and 1098 nm[J]. Meat Science,1998,49(4):399-409.

[18]Park B,Chen YR,Hruschka WR,etal. Principle component regression of near-infrared reflectance spectra for beef tenderness prediction[J]. Transactions of the ASAE,2001,44(3):609-615.

[19]Shackelford SD,Wheeler TL,Koohmaraie M. On-line classify-cation of US Select beef carcasses for longissimus tenderness using visible and near-infrared reflectance spectroscopy[J]. Meat Science,2005,69(3):409-415.

[20]赵杰文,翟剑妹,刘木华,等.牛肉嫩度的近红外光谱法检测技术研究[J].光谱学与光谱分析,2006,26(4)：640-642.

[21]张德权,陈宵娜,孙素琴,等.羊肉嫩度傅里叶变换近红外光谱偏最小二乘法定量分析研究[J].光谱学与光谱分析,2008,28(11)：2550-2553.

[22]胡耀华,熊来怡,蒋国振,等.基于可见光和近红外光谱鲜猪肉蒸煮损失和嫩度检测的研究[J].光谱学与光谱分析,2010,30(11),2950-2953.

[23]Leroy B,Lambotte S,Dotreppe O,etal. Prediction of technolo-gical and organoleptic properties of beef Longissius thoracis from near-infrared reflectance and transmission spectra[J]. Meat Science,2004,66(1):45-54.

[24]侯瑞峰,黄岚,王中义,等.用近红外漫反射光谱检测肉品新鲜度的初步研究[J].光谱学与光谱分析,2006,26(12)：2193-2196.

[25]蔡健荣,万新民,陈全胜.近红外光谱法快速检测猪肉中挥发性盐基氮含量[J].光学学报,2009,29(10)：2808-2812.

[26]赵松玮,彭彦昆,王伟,等.基于近红外光谱的生鲜猪肉新鲜度实时评估[J].食品安全质量检测学报,2012,3(6)：580-584.

[27]Hoving-Bolink AH,Vedder HW,Merks JWM,etal. Perspective of NIRS measurements early post mortem for prediction of pork qua-lity[J]. Meat Science,2005,69(3):417-423.

[30]Kapper C,Klont RE,Verdonk JMAJ,etal. Prediction of pork quality with near infrared spectroscopy(NIRS):1.Feasibility and robustness of NIRS measurements at laboratory scale[J].Meat science,2012,91(3):294-299.

[31]胡耀华,郭康权,野口刚,等.基于近红外光谱检测猪肉系水力的研究[J].光谱学与光谱分析,2009,29(12)：259-3262.

[32]De Marchi M,Penasa M,Battagin M,etal. Feasibility of the direct application of near-infrared reflectance spectroscopy on intact chicken breasts to predict meat color and physical traits[J].Poultry science,2011,90(7):1594-1599.

[33]廖宜涛,樊玉霞,伍学千,等.猪肉pH的可见近红外光谱在线检测研究[J].光谱学与光谱分析,2010,30(3)：681-684.

[34]McDevitt RM,Gavin AJ,Andrés S,etal. The ability of visible and near infrared reflectance spectroscopy to predict the chemical composition of ground chicken carcasses and to discriminate between carcasses from different genotypes[J].Journal of Near Infrared Spectro-scopy,2005,13(3):109-117.

[35]Cozzolino D,Murray I. Identification of animal meat muscles by visible and near infrared reflectance speelroscopy[J]. LWT-Food Science and Technology,2004,37(4):447-452.

[36]Andrés S,Murray I,Navajas EA,etal. Prediction of sensory characteristics of lamb meat samples by near infrared reflectance spectroscopy[J]. Meat Science,2007,76(3):509-516.

[37]Gangidi RR,Proctor A,Pohlman FW,etal. Rapid determination of spinal cord content in ground beef by near-infrared spectroscopy[J]. Journal of Food Science,2005,70(6):397-400.

[38]Savenije B,Geesink GH,van der Palen JGP,etal. Prediction of pork quality using visible/near-infrared reflectance spectroscopy[J]. Meat Science,2006,73(1):181-184.

[39]Xing J,Ngadi M,Gunenc A,etal. Use of visible spectroscopy for quality classification of intact pork meat[J]. Journal of Food Engi-neering,2007,82(2):135-141.

[40]Monroy M,Prasher S,Ngadi MO,etal. Pork meat quality classification using Visible/Near-Infrared spectroscopic data[J]. Biosystems Engineering,2010,107(3):271-276.

Study on the application of Near Infrared Spectroscopy in the meat quality evaluation

WUXi-yu1,2,ZHAOGuo-hua1,ZHUShi-ping2,*

(1. College of Food Science,Southwest University,Chongqing 400715,China; 2. College of Engineering and Technology,Southwest University,Chongqing 400715,China)

As one of new optical detection methods,near infrared spectroscopy(NIRS)technique has been widely used in food industry and proved to be one of the most efficient and advanced tools for estimation of quality attributes in meat and meat products in recent years. The paper reviewed the recent development of research of near infrared spectroscopy in meat industry,including the potential to predict chemical composition,sensory attributes,physical properties and to categorize meat into quality classes. Lastly,this review tried to come up with some perspectives on meat quality detection with NIRS. Standardizing sample preparation and improving the accuracy reference methods were considered useful to improve precision of NIRS.

near infared spectroscopy;meat quality;meat analysis

2013-05-28 *通讯联系人

吴习宇(1978-)，女，在读博士，讲师，研究方向：农产品贮藏工程。

西南大学基本科研业务费专项资金项目(XDJK2012C055)。

TS251.7

：A

：1002-0306(2014)01-0371-05