电子鼻技术对猪肉挥发性盐基氮的预测研究

蒙万隆,郑丽敏,2,*,杨 璐,程国栋,许姗姗

(1.中国农业大学信息与电气工程学院,北京 100083;2.中国农业大学食品质量与安全北京实验室,北京 100083)

猪肉新鲜度可由pH、颜色、嫩度、风味物质、肌肉持水力、肌内脂肪含量等指标判别[1-2],传统的猪肉新鲜度的检测方法主要包括感官检测,理化检测和微生物检测[3-4],感观检测即通过观察外观和气味识别,理化检测和微生物法主要包括挥发性盐基氮的测定、结构组织镜检法[5],其中,测定挥发性盐基氮(total volatile basic nitrogen,TVB-N)含量是评价猪肉新鲜度的重要理化方法[6],但是,挥发性盐基氮的测定需要对样本进行预处理,检测过程繁琐,需要耗费大量的人力、物力和财力,同时该方法也会对样本造成不可恢复性的破坏[7-8]。

近年来,电子鼻技术在国内外不断进步和发展,从只用于识别简单或复杂气味[9]到作为一种灵敏、快速、可重现性的无损检测仪器,电子鼻已经成功运用于不同种类食物挥发性成分的区分与检测[10-16]。电子鼻在猪肉新鲜度方面也做了大量的相关研究[17-18],柴春祥等[19]利用电子鼻检测猪肉在不同存储温度条件下挥发性成分的变化,结果表明电子鼻技术可用于评价不同实验条件下猪肉新鲜度的变化。Park等[20]对不同部位的猪肉在不同存储方式下挥发性物质进行研究,结果表明里脊肉的挥发性化合物如烷烃、醛、酮、醇等高于五花肉。Li等[21]用电子鼻与TVB-N、TVC结合的方法对不同包装方式的猪肉新鲜度进行分析,电子鼻能够预测TVB-N和TVC的含量并评价猪肉的新鲜度。

上述研究对单一的猪肉样本在不同存储时间、不同温度或不同存储方式下进行猪肉新鲜度研究,然而,现实中猪肉本身成分复杂,不同部位猪肉的成分不同,在储藏过程中挥发的气味在质和量上都有所差异,这会导致新鲜度的变化不同,电子鼻检测的数据也有差异,虽然也有对不同部位猪肉的研究,但是猪肉部位不同而导致研究结果不同的本质原因是营养成分的差异,因此,对不同肥瘦比例的猪肉利用电子鼻技术建立猪肉TVB-N含量变化的模型,对其新鲜度做出评价具有客观性和实际意义。

实验以不同肥瘦比例的猪肉为研究对象,利用电子鼻提取4 ℃恒温下猪肉气味的特征数据,将其作为输入建立营养成分的回归预测模型,再建立TVB-N值的定量预测模型。本研究旨在通过电子鼻技术,近红外检测技术与表征猪肉新鲜度指标的TVB-N值的相关研究,为不同营养成分猪肉的TVB-N检测提供一种快速有效的方法,进而为不同成分猪肉的新鲜度评价提供一种新方法。

1 材料和方法

1.1 材料与仪器

猪肉 北京资源集团,瘦肉猪生猪屠宰后取其里脊肉并将其分成纯肥肉和纯瘦肉两部分,分别绞成肉糜,获得的2种肉糜均为10 kg，分开包装并1 h内冷冻运输送至实验室,然后贮藏在4 ℃冰箱内；盐酸、硼酸、氧化镁、甲基红-乙醇指示剂、次甲基蓝指示剂(均为分析纯) 北京化学试剂公司。

QSJ-A03A1切碎机 佛山环纳电器有限公司;KDY-9820凯氏定氮仪 北京瑞邦兴业科技有限公司;E-Nose 10001型电子鼻 中国农业大学计算机实验室自主研发;XDS RLA近红外光谱仪 由农业部农产品质量安全监督检验测试中心提供。

1.2 实验方法

1.2.1 样本预处理 冻的猪肉糜在4 ℃条件解冻后,将纯肥和纯瘦的肉糜混合成7种不同肥瘦配比的样本,7种配比为100%瘦、90%瘦、80%瘦、70%瘦、60%瘦、50%瘦和100%肥。每种配比的样本总质量为2 kg,以90%瘦配比方法为例,从纯瘦肉糜中取1.8 kg,然后从纯肥肉糜中取0.2 kg,二者在搅肉机中混匀就可获得90%瘦配比的样本。按照相同方法操作可获得剩下6种不同配比的样本。然后按照GB/T 9695-2008《肉与肉制品取样方法》取样,每份样本的质量均为20 g,称好后装入密封袋中,每种配比的样本分成三份放入4 ℃的冰箱中冷藏,分别用于营养成分测定、电子鼻检测和TVB-N检测。用于电子鼻检测和TVB-N检测的样本,每种配比的样本每天各测5组和2组数据并连续测定7 d,则共计245组用于电子鼻实验,98组用于TVB-N含量的测定;另外每种配比的样本各取5组,共计35组用于营养成分的测定,实验样本共计343组。

1.2.2 TVB-N检测 分别对不同肥瘦配比的样本进行检测,对每种肥瘦配比的样本,首先从2 kg的样本中取1 kg样本作为TVBN检测的总质量,每次实验从中称取10 g,将样本置于锥形瓶中,然后加入100 mL水,不时摇匀振荡,在浸渍30 min后过滤,滤液置冰箱备用。然后将盛有10 mL硼酸吸收液以及5～6滴混合指示液的锥形瓶置于冷凝管下端并使其下端插入吸收液的液面下,准确吸取5.0 mL的上述试样滤液于蒸馏器反应室内,加入5 mL氧化镁混悬液。迅速盖塞,并加水以防漏气。通入蒸汽,进行蒸馏,蒸馏5 min后停止,吸收液用盐酸溶液进行滴定,直到吸收液呈蓝紫色。

样本的TVB-N含量的计算公式如式(1)所示。

式(1)

其中：X-试样中挥发性盐基氮的含量(mg/100 g)；V1-测定用样液消耗盐酸标准溶液体积(mL)；V2-试剂空白消耗盐酸标准溶液体积(mL)；c-盐酸标准溶液的实际浓度，单位为摩尔每升(mol/L)；14-与1.00 mL盐酸标准滴定溶液[c(HCl)=1.00 mol/L]相当的氮的质量(mg)；m-试样质量(g)。

1.2.3 近红外检测 猪肉的蛋白质、水分和脂肪成分测定采用近红外光谱仪测得,检测时对不同肥瘦配比的样本分别进行。首先开机检查仪器的温湿度,温湿度合适后打开操作软件,设置软件为自动采集样品,然后取200 g预处理的肉馅放入样品仓,采集结束后对谱图进行数据处理得到蛋白质、水分和脂肪的含量(%)结果。

1.2.4 电子鼻检测方法 电子鼻系统传感器阵列有16个传感器,型号均为Figaro系列具体型号如下:TGS824、TGS822、TGS825、TGS880、TGS812、TGS831、TGS813、TGS830、TGS822TF、TGS2600、TGS2620、TGS2611、TGS2602、TGS2620、TGS2610、TGS2201。

电子鼻系统开启后,首先用经过过滤的气瓶空气对传感器进行清洗,清洗结束后开始进行电子鼻检测。将猪肉样本置于电子鼻气室内的盛物槽中,采用静态顶空采样方式对样本进行数据采集,采集时间设定为300 s,采集结束重复传感器的清洗过程以进行下一次实验。采集时气室密闭,此时气室无气流并处于40 ℃恒温状态,清洗时空气流量为3 L/min,分别对245组实验样本进行检测并分析传感器的响应曲线。

气敏传感器阵列特征值的提取:将采集到的传感器阵列原始数据进行数据处理,本研究通过对原始曲线拟合选取相对平均值、相对积分值、微分值、半宽值、二次项系数、一次项系数、对数拟合一次项系数和对数拟合常数项系数共9个特征[22],再对初始的16个传感器进行筛选,最终选择除S5、S9、S16外的13个传感器的特征组成117(13×9)个特征值的向量。

1.2.5 回归模型的建立 多元线性回归(multiple linear regression MLR)是分析一个随机变量与多个变量之间线性关系的统计方法[23]。本研究以近红外技术检测的猪肉蛋白质和脂肪数据为因变量Y,电子鼻检测的气味特征数据所构成的矩阵为自变量X,建立蛋白质和脂肪回归预测模型。从所有的35个样本中,每种成分随机选择4个,即共28个样本组成训练组,其余7个样本组成预测组。

1.2.6 建立BP神经网络预测模型 BP神经网络(back propagation neural network BPNN)是一种按误差逆传播算法训练的多层前馈网络,它在模式识别和分类、非线性映射、特征提取等领域获得了成功应用[24-26]。本研究分两种方法建立TVB-N的BP神经网络预测模型,首先根据营养成分预测模型获得脂肪、蛋白质的含量,一种方法以脂肪、蛋白质的含量和所有样本的电子鼻特征数据作为自变量建立预测模型(方法一);另一种方法则在获得脂肪、蛋白质的含量后,先将样本分成2类,再建立仅以电子鼻特征数据为自变量的预测模型(方法二),并对比分析2个模型的优劣。

1.3 数据统计分析

利用IBM SPSS Statistics V19软件,利用数据归一化、多元线性回归建立营养成分和电子鼻特征的逐步回归模型,利用Excel 2016软件对逐步回归模型的预测组误差进行统计计算。利用Matlab 2013a软件建立电子鼻特征数据和TVB-N数据的BP神经网络预测模型,利用Excel 2016软件统计BP神经网络模型训练组和预测组的绝对误差分布,然后绘制绝对误差区间分布折线图。

2 结果与分析

2.1 不同样本的成分回归分析

样品的营养成分测定结果如表1所示。

表1 营养成分测定结果Table 1 Results of nutritional components

首先建立营养成分的预测方程,以表1中脂肪和蛋白质比例的百分数为因变量,电子鼻特征数据为自变量,采用多元线性回归分别建立模型,回归方程如下所示:

y1=-3.875+0.547×x11+2.086×x12+5.024×x13

式(1)

y2=9.862-1.163×x21+0.014×x22-0.077×x23+3.771×x24-0.069×x25

式(2)

式(1)、(2)中自变量x为电子鼻传感器特征值,y1、y2分别代表脂肪和蛋白质。

建立的模型的统计结果如表2所示。

表2 模型统计结果Table 2 Model statistical results

表2模型结果显示,p值均低于0.01，说明自变量与因变量之间线性关系明显,可以建立线性模型;模型1决定系数R2为0.919,说明回归方程能体现自变量与因变量之间很强的相关性,相比之下,蛋白质与电子鼻建立的模型决定系数R2达0.941,表3结果显示,模型2的7个预测组相对误差均在3%以内,而模型1预测组的相对误差波动大,最大达28.1%,最小为0.14%,方差较大,模型2预测组均方误差也远小于模型1,模型更加精确。

表3 预测组误差统计结果Table 3 Statistical results of prediction group error

2.2 TVB-N检测结果分析

不同肥瘦配比、不同储藏时间猪肉样本的TVB-N含量检测结果如表4所示。

表4 4 ℃储藏下不同营养成分猪肉TVB-N含量变化Table 4 Changes of TVB-N content in pork with different nutrients under 4 ℃ storage conditions

根据GB2707-2005鲜(冻)畜肉挥发性盐基氮的标准,TVB-N含量<15 mg·(100 g)-1为鲜猪肉,TVB-N含量>15 mg·(100 g)-1为腐败肉,由表4知,随着储藏时间的延长,对于各肥瘦配比的猪肉,TVB-N含量都呈上升趋势,第1类从第1 d的2.59 mg·(100 g)-1,随天数增加依次增为5.25、6.65、8.89、13.92、18.69、20.72 mg·(100 g)-1,第2～7类的TVB-N数值仍有相同变化趋势,只是在数值上大小有差异,这表明猪肉的新鲜度在逐渐的下降。结合表1,对储藏天数相同的猪肉,随着蛋白质比例的增大,TVB-N的质量分数也呈上升的趋势。蛋白质比例高的第1类、2类样本在第6 d时已经腐败,蛋白质比例较低第3类、4类、5类、6类样本到第7 d才腐败,而蛋白质比例最低的第7类样本到第7 d仍然没有腐败。

2.3 BP神经网络模型

2.3.1 神经网络分析结果 首先以营养成分预测模型获得的脂肪、蛋白质含量以及电子鼻检测获得的特征数据做自变量,以TVB-N检测数据为因变量建立预测模型。在神经网络建模时,电子鼻样本总数为245个,其中选取70%(171个)的样本作为训练组,15%(37个)的样本为验证组、15%(37个)的样本为预测组。

如图1所示,模型的训练组相关系数rC为0.988,训练组交互验证均方根误差(Root Mean Square Error of Cross Validation,RMSECV)为1.07;预测组的相关系数rp为0.941,预测组均方根误差(Root Mean Square Error of Prediction,RMSEP)为2.07。

图1 TVB-N含量BP神经网络模型预测值与实测值的相关关系Fig.1 The correlation between the predicted value and themeasured value of TVB-N content BP neural network mode

表5所示为绝对误差个数区间分布表,可以看出训练组的绝对误差集中在0～0.5之间,说明训练模型拟合度高;然而预测组的误差集中区间扩大为0～1.0,误差区间在1～2.5和误差大于3的样本各占25%的样本总量,说明预测组与模型之间存在较大偏差。

表5 模型绝对误差个数分布Table 5 Number distribution of absolute error of model

2.3.2 样本分类神经网络分析结果 首先根据脂肪、蛋白质回归模型将7种肥瘦配比分成两大类,由脂肪、蛋白质回归模型可知,蛋白质回归模型更加稳定,根据表1和表3知,第3类样本误差为±0.11,第4类样本误差为±0.461,即对应的蛋白质比例为17.20±0.18、15.97±0.501,两者相差最小为0.530;又均方误差为0.094,即第3类与第4类样本不会被误分,因此,选择前3种肉馅肥瘦比为一类,后4种肉馅肥瘦比为一类。然后对这两类样本分别建立TVB-N含量的预测模型,两类样本都各选取70%样本总量作为训练组,剩余30%作为验证组和预测组。

如图2所示,前3种肉馅肥瘦比样本所得到的回归模型2-1训练组的相关系数rc和RMSECV分别为0.994和0.88,预测组rp和RMSEP分别为0.984和1.31;后4种肉馅肥瘦比样本获得的模型2-2训练组的相关系数rc和RMSECV分别为0.985和0.91,预测组rp和RMSEP分别为0.979和1.30。表6为2个模型的绝对误差区间分布汇总表,由表6可知训练组与预测组的误差分布区间较为一致,误差集中在0～1.0之间样本各有149个和23个,各占样本总数的86%和62%;另外，训练组没有绝对误差大于2.5的样品，预测组中绝对误差大于2.5的样本占预测样本的8.5%。说明所建立的模型不仅拟合度高且预测组与模型偏差小、准确性高。

图2 TVB-N含量BP神经网络模型预测值与实测值的相关关系Fig.2 The correlation between the predicted value and the measured value of TVB-N content BP neural network mode

表6 模型绝对误差个数分布Table 6 Number distribution of absolute error of model

2.3.3 模型对比分析结果 对2个模型进行比较,模型的优劣可以通过训练组的相关系数rc和交互验证均方根误差RMSECV、预测组的相关系数rp和预测组均方根误差RMSEP以及模型的误差分布来综合评价,相关系数越高,均方根误差越小,误差分布越趋近于0,模型的性能就越好,2种方法建立预测模型统计结果如表7所示。图3所示为2种模型训练组和预测组的绝对误差个数的区间分布折线图。

表7 模型对比统计结果Table 7 Statistical results of model comparison

图3 训练组与预测组绝对误差个数的区间分布Fig.3 Interval distribution of absolute error number of training group and prediction group注:模型1对应模型编号1-1,模型2对应模型2-1和2-2的结合。

从表7可知,相比于方法一以成分为自变量建立的神经网络模型,方法二所建立神经网络模型的RMSECV和RMSEP分别下降0.2和0.7左右,训练组rc相接近。图3(a)训练组误差个数分布图知,模型1误差曲线的下降速度快,即误差分布较为集中,分布在0～0.5和0.5～1之间的样本个数分别为153和15个,总共占样本总数的97%。模型2误差曲线下降较慢,误差分布在0～0.5和0.5～1之间的样本个数分别为98和53个,总共占样本总数的86%。这说明模型1训练组优于模型2的训练组。由图3(b)预测组误差个数分布图可以看出,模型2的误差在区间0～0.5和0.5～1的样本分别为11和12个,占预测组样本总数的62.6%,模型1的误差在区间0～0.5和0.5～1的样本分别为9和10个,占预测组样本总数的51.3%,而且模型1的误差在大于3的区间有9个但模型2仅有3个,这说明模型2预测组与训练模型之间拟合度高,模型1可能存在过拟合现象,模型2优于模型1。又由成分预测模型知,脂肪预测模型相关系数相对较小,相对误差也相对较大,方法一以其做自变量建立模型就可能带来双重误差,因此,在获得营养成分的基础上直接建立TVB-N的神经网络预测模型更为优越,鉴于电子鼻传感器阵列与TVB-N之间存在良好的相关性,表明电子鼻能很好的反映出猪肉贮藏过程中新鲜度变化导致的TVB-N值的变化,电子鼻技术能作为一种快速无损检测不同成分猪肉新鲜度的方法。

3 结论

TVB-N的含量是判断猪肉新鲜度的重要指标,本研究首先建立成分回归模型,然后分两种方法分别建立神经网络模型,首先得到营养成分数据,一种方法以营养成分和电子鼻特征一起作为自变量建模,另一种则根据营养成分先将样本分类,再仅用电子鼻特征做自变量建模,比较两种方法建立的模型发现,对成分分类建模能更好的映射出电子鼻传感器阵列和TVB-N数值之间的关系,而且不会出现双重误差,同时模型的精度得到了提高,RMSECV和RMSEP值分别从1.07和2.07下降为0.91和1.30,分别下降0.2和0.7左右,训练组rc相接近,但预测组的相关系数rp从0.941提高至0.979,比方法一的神经网络模型提高0.04,而且预测组的误差分布集中在0～1之间,误差大的样本个数远远少于方法一的神经网络模型。本研究表明,电子鼻传感器阵列与猪肉新鲜度评价指标TVB-N之间存在较高的相关性,运用电子鼻技术可快速无损检测不同成分猪肉的新鲜度。

[1]Huang L,Zhao J,Chen Q,et al. Nondestructive measurement of total volatile basic nitrogen(TVB-N)in pork meat by integrating near infrared spectroscopy,computer vision and electronic nose techniques[J]. Food Chemistry,2014,145(2):228-236.

[2]陈艳珍.猪肉品质的评定及影响因素[J].中国畜牧兽医,2012,39(7):155-158.

[3]王小占.基于电子鼻的猪肉新鲜度检测体系的研究[D].天津:天津商业大学,2012:2-8.

[4]樊玉霞.猪肉肉糜品质与安全可见/近红外光谱快速检测方法的实验研究[D].杭州：浙江大学,2011:4-10.

[5]王智凝.电子鼻在猪肉新鲜度检测中的应用研究[D].北京:中国农业大学,2015:4-11.

[6]林亚青,房子舒.猪肉新鲜度检测方法综述[J].肉类研究,2011,25(5):62-65.

[7]Siadat M,Losson E. Application of electronic nose to beer recognition using supervised artificial neural networks[C]. International Conference on Control,Decision and Information Technologies IEEE,2014:640 - 645.

[8]黄星奕,蒋飞燕,穆丽君,等.基于嗅觉可视化的鲳鱼TVB-N预测模型[J].江苏大学学报：自然科学版,2013,34(1):38-43.

[9]Gardner J W,Bartlett P N. A brief history of electronic noses[J]. Sensors and Actuators B,1994,18-19(1):211-220.

[10]Hong X Z,Wang J,Zheng H. Discrimination and prediction of multiple beef freshness indexes based on electronic nose[J]. Sensors and Actuators B,2012,1(161):381-389.

[11]王炳蔚,杨璐,郑丽敏,等.基于统计空间映射和电子鼻的猪肉风味物质检测[J].食品科学,2016,37(8):102-107.

[12]刘辉,牛智有.基于电子鼻的鱼粉中挥发性盐基氮检测模型比较[J].农业工程学报,2010,26(4):322-327.

[13] Ye X,Jin J J,Hui G H. Determination of the freshness of beef strip loins(M. longissimus lumborum)Using Electronic Nose[J]. Food Analytical Methods,2014,7(8):1612-1618.

[14]Hong X Z,Wang J. Parameters optimization of electronic nose in detection of beef freshness[J].Transactions of the Chinese Society for Agricultural Machinery,2013,44(9):125-131,137.

[15]Tian X J,Wang J,Cui S Q. Analysis of pork adulteration in minced mutton using electronic nose of metal oxide sensors[J]. Journal of Food Engineering,2013,119(4):744-749.

[16]贾洪峰,卢一,何江红,等.电子鼻在牦牛肉和牛肉猪肉识别中的应用[J].农业工程学报,2011,27(5):358-363.

[17]Hong X Z,Wang J. Discrimination and prediction of pork freshness by e-nose[C]. 5th International Conference on Computer and Computing Technologies in Agriculure,Beijing,October 29-31,2011,370:1-14.

[18]Hong X Z,Wang J.Discrimination of different storage time of pork by electronic nose[J].Chinese Journal of Sensors & Actuators,2010,23(10):1376-1380.

[19]柴春祥,杜利农.电子鼻检测猪肉新鲜度的研究[J].食品科学,2008,29(4):444-447.

[20]Park S Y,Kim Y J,Lee H C. Effects of pork meat cut and packaging type on lipid oxidation and oxidative products during refrigerated storage(8 ℃)[J]. Journal of Food Science,2008,73(3):C127-34.

[21]Li M,Wang H,Sun L. Application of electronic nose for measuring total volatile basic nitrogen and total viable counts in packaged pork during refrigerated storage[J]. Journal of Food Science,2016,81(4):906-912.

[22]王智凝,郑丽敏,方雄武,等.电子鼻传感器阵列优化对猪肉新鲜度法的检测[J].肉类研究,2015,29(4):27-30.

[23]梁冯珍,史道济,关静,等.统计学[M]. 北京:机械工业出版社,2009:350-385.

[24]韩剑众,黄丽娟,顾振宇,等.基于电子舌的鱼肉品质及新鲜度评价[J].农业工程学报,2008,24(12):141-144.

[25]Zhou B,Wang Y W,Wang J. Electronic nose technique potential monitoring for storage time and quality attribute of egg[J].Journal of Zhejiang University,2010,44(5):863-869.

[26]Panigrahi S,Balasubramanian S,Gua H,et al. Neural-network-integrated electronic nose system for identification of spoiled beef[J].Food Science and Technology,2006,2(39):135-145.