近红外光谱技术建立镜鲤新鲜度定量预测模型

张欣欣，曲高阳，杨 莹，庄晓萌，张 岚

（吉林医药学院公共卫生学院，吉林 吉林 132013）

我国是一个大量食用水产品的大国［1］，水产品已成为人类食物的重要组成部分。我国淡水鱼产量占鱼类产量的一半，是居民蛋白质的主要来源。近年来，淡水鱼占据了居民消费比例的大部分［2-3］，其中，镜鲤易繁殖，在我国产量极为丰富，因其滋味鲜美、营养成分丰富，蛋白质含量高于其他鲤鱼品种而使大众消费大大增加。目前，水产品加工、营养价值以及安全方面都成为消费者关注的焦点［4］。

鱼体死亡后，其新鲜度在不同贮藏温度和时间下发生变化［5］。pH、TVB-N（挥发性盐基氮）、TBA（硫代巴比妥酸）等一系列评价鱼肉新鲜度的指标，随着鱼体逐渐腐败，微生物分解蛋白质产生一系列物质，鱼肉的pH也相应的发生变化，与此同时，在腐败变质时鱼肉中会形成一种氨和胺类等碱性含氮物质［6］。TVB-N与肉品的新鲜度有一定的关系，它是反映鱼肉新鲜度的重要组分之一［7］。

传统新鲜度测定的流程中，掺杂了一些个人因素并且花费大量的时间和精力，事倍功半，未能高效、精确地反映鱼肉的新鲜度。这就急需开发一种简单省时、客观准确的分析方法对鱼类保鲜、深加工和食品安全具有非常重要的作用［8］。鱼肉中大量的有机组分在近红外光中可以检测得到，这一条件为应用近红外光谱检测鱼肉新鲜度提供了可信的技术保障。

近红外光谱分析技术（NIRS）的原理是运用物质对近红外光的选择性吸收及吸收强度来预测其成分及含量，主要用于有机物质定性和定量分析［9-11］。近红外光谱分析技术操作简洁，检测迅速，对检测人员没有严格的技术要求，检测时无污染，在石化、农业、食品、工业控制、医学等多个范畴均得到了普遍应用且结果良好，其应用范围正在不断扩展［12-19］。

我国应用近红外光谱技术对淡水鱼新鲜度检测的探究较少，仅见对草鱼、鳙鱼、鲢鱼、鲫鱼、鲈鱼5种淡水鱼的相关研究［20-22］。因此，本项目以北方市场常见的淡水鱼品种镜鲤为研究对象，通过近红外光谱仪扫描鱼肉得到的光谱图与运用化学计量方法得到的反映鱼肉新鲜度的pH、TVB-N、TBA值，最后利用NIRS建立鱼肉新鲜度快速评价模型。

1 材料与方法

1.1 试验材料

鲜活镜鲤，市购。分不同批次购买新鲜镜鲤（记录日期），剖取鱼背腹部肌肉，绞碎,置于4℃冰箱中保存，每次购买的鱼放置时间不超过5 d，每个指标测定数据150个。

仪器与设备：SupNIR-2720型近红外光谱仪，聚光科技（杭州）股份有限公司；FE20/EL20型pH计，梅特勒-仪器（上海）有限公司；HZL-F100全温振荡培养箱，太仓市强乐实验设备有限公司；201-1型电热恒温干燥箱，天津市泰斯特仪器有限公司；MJP-150型培养箱，上海精宏实验设备有限公司。

1.2 光谱采集

取绞碎的鱼肉样品10 g，使其均匀地铺满样品盒，并将底部气泡排出。启动近红外光谱仪后需实施30 min的预热操作，光谱仪在白板参比和功能测试后方可进行扫描。近红外光谱仪以与其配套的5 V卤钨灯作为光源，光源旁边为探头，将鱼肉样品置于光源正下方200 mm处进行扫描。鱼肉样品经3次扫描，3次光谱取平均值作为最终的光谱并进行分析。

1.3 化学指标的测定

1.3.1 pH值 取绞碎的鱼肉样品10 g，并入新煮沸后冷却的蒸馏水100 mL，摇匀，静置30 min后过滤，取约50 mL滤液于烧杯中，用pH计测定。

1.3.2 TVB-N值 参照《食品中挥发性盐基氮的测定》（GB 5009.228-2016），运用微量扩散法测定TVB-N值。测量3次取平均值。

式中，V1为实验样品用掉盐酸的体积，mL；V2为空白样品用掉盐酸标准滴定液体积，mL；C为盐酸的实际浓度，mol/L；m为试样质量，g。

1.3.3 TBA值 取绞碎的鱼肉样品10 g放置于锥形瓶中，加入25 mL蒸馏水，搅拌至均匀，再加入5%三氯乙酸25 mL，振荡完全后静置30 min,过滤，在50 mL容量瓶中用5%三氯乙酸定容。取5 mL上清液于具塞试管中，并入0.02 mol/L的TBA溶液5 mL混合，将具塞试管放于80℃的恒温水浴锅中加热40 min，冷却至室温后，在532 nm波长下测定吸光度，测定3次取平均值［23］。

式中，A为样品吸光度值。

1.4 模型建立方法

运用近红外光谱仪自带的RIMP 软件对光谱数据进行分析，首先将150个数据进行K-S分组，定标集为80%，验证集为20%，分别采用偏最小二乘法、偏最小二乘法和BP人工神经网络技术两种方法对3个指标分别建立模型，内部验证通过定标相关系数（Rc）、验证相关系数（Rp）、定标标准偏差（SEC）、验证标准偏差（SEP）、交互验证标准误差（SECV）等参数进行，经两种方法建模效果的比较，选取最佳方法，确定最优模型后，继而通过外部验证模型的灵敏度和准确度［24］。

2 结果与分析

2.1 光谱扫描结果

150个镜鲤鱼肉样品的光谱图（图1）显示在1 000～1 799 nm光谱曲线分布连续且集中，这与鱼肉中含有的与营养物质相关的C-H、N-H、O-H、C=O等化学键的倍频及合频吸收谱带有关，表明鱼肉样品在1 000～1 799 nm波长范围内有大量的组分信息，再加上新鲜鱼肉储存时间短，肉品中含有的组分基本相似，因而光谱图较为集中。这一结果为利用近红外光谱技术建立镜鲤新鲜度提供了前提条件。

图1 150个镜鲤样品近红外光谱

2.2 化学指标测定结果

3个评定镜鲤新鲜度指标的测定结果见表1，通过3个指标测定结果的极差以及标准差可知，pH值、TVB-N值和TBA值的变异程度均较大，各个指标的数值分布离散程度较大，为进一步建立镜鲤新鲜度模型提供了保障。

表1 镜鲤新鲜度化学指标统计结果

2.3 偏最小二乘法模型的建立

2.3.1 偏最小二乘法 偏最小二乘法是NIRS定量分析中应用范围最广且最多的多元校正方法，既可以对光谱矩阵实行拆分，还可以对浓度矩阵实施拆分［25-28］。Rc与Rp越靠近1，SECV、SEC 与SEP越接近0，表示所建立的模型精确度越高［29］。

2.3.2 建立模型 鱼肉样品扫描光谱经基线校正方法结合标准正态变量变换方法预处理后，所建立的pH模型的Rc和Rp较高，SEC、SECV和SEP较靠近0，故在PLS法中，采用基线校正、标准正态变量变换方法所建立的pH模型最佳。应用21种光谱预处理方式建立的pH模型的统计参数如表2所示。

2.3.3 最优波段的确定 在最佳预处理方式下，运用10种波段所形成的模型参数如表3所示。由表3可知，在10个波段范围下，经统计参数的相互比较，当波长为1 000～1 300 nm或1 700～1 799 nm时，Rc最高，SEC接近0，此时的建模条件最佳。应用此种方式对TVB-N、TBA分别创建模型。

2.3.4 化学指标的最佳处理 从表4可以看出，pH模型在基线校正、标准正态变量变换预处理方式及 1 000～1 300、1 700～1 799 nm 波段下建立的模型最优；TVB-N模型在净分析信号预处理方式及 1 000～1 200、1 300～1 650 nm 波段下建立的模型最优；TBA模型同时满足预处理方式为Savitzky-Golay导数、基线校正及波段为1 000～1 799 nm时，模型最优。偏最小二乘法创建的镜鲤新鲜度模型的内部验证效果见表5。

表2 镜鲤pH模型最佳预处理方法的确定

表3 pH模型最优波段的选择

表4 镜鲤新鲜度偏最小二乘法建模的最优条件

表5 镜鲤新鲜度偏最小二乘法模型的内部验证结果

2.4 偏最小二乘法和BP人工神经网络模型的建立

2.4.1 建立模型 应用偏最小二乘法与BP人工神经网络联合技术建立模型［26］，通过21种光谱预处理方式的比较得出最优预处理方式，在最优预处理方式下经由10种波段所得到参数的对比，最后得出最好波段。

最优预处理方式与最优波段相结合即为镜鲤新鲜度定量检测的最优模型。表6为pH模型的统计参数。由表6可知，在多元散射校正、Savitzky-Golay 平滑预处理方式下，模型的Rc和Rp较高，SEC和SEP靠近0，因而应用偏最小二乘法和BP人工神经网络在多元散射校正、Savitzky-Golay 平滑预处理方式下获得的模型最优。同样，确定TVB-N、TBA的最佳预处理方法。

2.4.2 最优波段的确定 在多元散射校正方法结合Savitzky-Golay平滑方法这一预处理方法下，根据表7确定最优波段。当波长范围为1 000～1 650 nm时，Rc和Rp相对较高，SEC和SEP相对较小，接近0，此时所建立的模型最优。故应用偏最小二乘法和BP人工神经网络建立的pH模型，在波长为1 000～1 650 nm，预处理为多元散射校正方法结合Savitzky-Golay平滑方法下得到最优模型。采取相同的方式可得到TVB-N、TBA的最优波段。

表6 镜鲤pH模型最佳预处理方法的确定

表7 pH模型在不同光谱波段条件下的参数统计

2.4.3 化学指标的最佳处理 从表8可以看出，pH模型在多元散射校正、Savitzky-Golay平滑预处理方式及1 000～1 650 nm波段下建立的模型最优；TVB-N模型在Savitzky-Golay导数预处理方法及1 000～1 799 nm波段下建立的模型最优；TBA模型同时满足预处理方法为Savitzky-Golay导数、Savitzky-Golay平滑及波段为1 000～1 799 nm时，模型最优。3种指标在各自最优条件下的内部验证效果见表9。

表8 偏最小二乘法和BP人工神经网络建立鲤鱼新鲜度定量预测模型的最优条件

表9 鲤鱼新鲜度定量预测模型的内部验证结果

2.5 镜锂最佳定量预测模型的建立

按照两种方法对3个指标创建模型的统计结果，利用偏最小二乘法建立的模型比偏最小二乘法与BP人工神经网络结合建立的模型结果好。镜鲤新鲜度最佳建模方法和内部验证结果见表10。

表10 鲤鱼新鲜度最佳建模方法及内部验证结果

3个指标建立的模型的Rc均较高，表示所建立的模型对镜鲤的新鲜度有很好的预测力，经近红外光谱仪的RIMP分析软件，将模型所得数据与实际检测的指标含量配对，得到二者的线性关系，pH值、TVB-N值和TBA值3个指标分别在鱼肉中含量的真实值与经模型得出的预测值之间的线性关系如图2所示。

图2 基于近红外光谱参数的鲤鱼新鲜度预测模型

2.6 鲤鱼新鲜度模型的检验

为验证所建立模型的准确性，将建立定量模型以外的化学指标与其对应的预测值进行比较，结果见表11。随后对真实值与预测值进行t检验，镜鲤新鲜度3项指标所得的t值分别为 -0.231、1.836、-1.159，均小于 t （0.05,30）=2.042，表明真实值与预测值的差异无统计学意义，可认为真实值与预测值相等。

表11 未知鲤鱼样品的预测结果

3 结论与讨论

新鲜鱼类死亡后，起初品质的变化主要是由于自溶作用引起的，使得鱼的外表黏液增多，产生异味，肉色变深，后来的腐败变质是由于微生物和酶的作用［30-31］。在鱼类的腐败变质过程中，无论是感官品质的变化还是肉质本身的化学改变均给居民带来健康问题。因此，鱼肉肉品新鲜度的检测与评估显得尤为重要。

近红外光线具有很强的穿透能力，在检测样品时，不需要进行任何前处理，可以穿透玻璃和塑料包装进行直接检测，也不需要任何化学试剂［32］。本研究利用近红外光谱技术这一优点，对150个镜鲤鱼肉样品进行了光谱的扫描及化学指标的测定，采用偏最小二乘法、偏最小二乘法和BP人工神经网络模型两种办法建模，并通过数据的优化确定了pH、TVB-N和TBA的最佳预处理方法及波段，进而建立了最优的模型。

经统计参数的比较，3个指标含量均采取偏最小二乘法建立的模型最佳，可能是归因于镜鲤光谱数据与新鲜度指标趋于线性回归，偏最小二乘法是线性回归而BP人工神经网络为非线性回归。3个指标含量的SEC均超过0.99，表明在近红外光谱区内有大量与3个指标含量有关的信息，因而得以证实，在波段为1 000～1 799 nm内建立的镜锂新鲜度模型是可靠的。3个指标的最优预处理方式分别为基线校正和标准正态变量变换、净分析信号、Savitzky-Golay导数和基线校正，最优波长范围分别为1 000～1 300 nm和1 700～1 799 nm、1 000～1 200 nm和1 300～1 650 nm、1 000～1 799 nm，而且pH、TVB-N和TBA的Rc分别为0.9906、0.99865、0.99971，Rp分别为0.6436、0.021357、0.77229。

本研究在镜鲤新鲜度预测模型建立的样品制备过程中，每次在采购样品时只是针对采购地点采取了统一，却忽略了每次采购的固定时间、鱼的原产地和饲养环境等方面对鱼的肉质影响，在这些方面还需进一步探讨。与过去测定新鲜度的方式相比，本研究建立的模型有了极大的改善，大大降低了人力物力和精力的消耗，只需将所测得鱼肉样品的光谱曲线带入所建立的模型中，即可马上检测出鱼肉新鲜度的情况。经检验具有统计学意义，所以该模型在预测镜锂新鲜度方面是准确的，可以被应用。