近红外光谱技术在生鲜禽肉质量检测中应用的研究进展

何鸿举，朱亚东，王 慧，马汉军,2，陈复生，刘 玺，贾方方，康壮丽，刘 红，朱明明，赵圣明，王正荣，刘苏汉

（1.河南科技学院食品学院，河南 新乡 453003；2.河南科技学院博士后研发基地，河南 新乡 453003；3.河南工业大学粮油食品学院，河南 郑州 450001；4.商丘师范学院生物与食品学院，河南 商丘 476000；5.海南师范大学化学与化工学院，海南 海口 571158；6.河南科技学院新科学院，河南 新乡 453003）

禽类（鸡、鸭、鹅）肉制品以其低廉的价格、丰富的蛋白质含量、鲜嫩的口感等优势深受广大消费者喜爱[1-2]。近年来，随着禽类养殖业的飞速发展以及人们生活水平的不断提高，消费者对禽类肉制品的要求也从解决温饱问题转变为对禽肉品质（色泽、口感、营养价值及卫生指标）能达到更高的要求[3]。尽管我国肉品产业发展迅速，但依然存在以次充好、以假乱真等现象，这些安全问题使得消费者对肉制品质量有所担忧。我国高度重视食品安全问题，不仅制定了肉制品相关的法律法规[4]，还鼓励科研人员积极研发快速检测技术及相应设备，以满足企业和市场需求，确保肉制品质量。

近红外光谱（near-infrared spectroscopy，NIRS）技术，作为一种高效、快速、环保、无损同时又能进行定性和定量分析的绿色技术，近些年来得到了广大科研工作者的关注。研发应用NIRS快速检测设备已经成为近年的研究热点之一，尤其是将该技术应用于农畜产品贮藏与加工品质控制方面[5]。近红外光是介于可见光和中红外光之间的电磁波束，其波长范围在780～2 526 nm之间，有机物的NIRS吸收主要基于含氢基团（主要包括O—H、N—H、S—H等）的伸缩、振动、弯曲所引起的倍频和合频吸收。朗伯-比尔吸收定律指出，待测物样品的光子吸收光谱特性和样品的化学组成密切相关，由于有机物包含蛋白质、脂肪、碳水化合物、有机酸等含氢化合物，因此通过NIRS吸收图像可以检测出待测样品的主要结构和组成成分，并通过对NIRS图像分析和数据处理可以进一步得出待测样品的具体信息[6]。

目前，NIRS技术在肉品质量中的应用研究取得了诸多成果[7]，尤其在禽肉的检测方面已进行了大量的研究。本文主要综述了NIRS技术在禽肉品质快速检测方面的最新研究进展，主要涉及到禽肉的物理属性、化学成分以及微生物污染等方面，并对NIRS技术在禽肉类品质上的应用做出展望。

1 NIRS技术应用于鸡肉质量检测

1.1 物理特性检测

1.1.1 色泽

表 1 NIRS技术检测鸡肉色泽的相关研究Table 1 Application of NIRS for the detection of chicken color

色泽是感官评定的一项重要指标，禽肉的颜色与肌肉中肌红蛋白、血红蛋白和细胞色素的含量有关[8]。肌肉的颜色特征是消费者直接观察到的肉品特征，色泽的优劣会直接影响消费者的购买欲。肌肉的色泽通常用色差计测定亮度（L*值）、红度（a*值）、黄度（b*值）加以评价[9-10]。运用NIRS技术检测鸡肉色泽参数已有报道。Liu Yongliang等[11]采集144 个鸡肉样品在400～1 850 nm范围内的光谱数据，建立色泽参数的偏最小二乘回归（partial least squares regression，PLSR）模型，得到L*、a*和b*值校正模型的相关系数（Rc2）分别为0.84、0.83和0.78，其中仅L*和b*值的预测效果较好。经多元散射校正（multiplicative scatter correction，MSC）和求导预处理光谱后，Samuel[12]和de Marchi[13]等建立的PLSR模型预测鸡肉色泽效果反而降低，这可能与预处理方法有关。经主成分分析（principal component analysis，PCA）预处理光谱并利用加权回归系数法选取最优波长建立PLSR模型[14]，预测效果和Liu Yonglian等[11]等研究相似。最近的研究中，Yang Yi等[15]采集400～2 500 nm光谱数据，利用回归系数（regression coefficients，RC）法选取最优波长的预测效果并不理想。这可能与最终波长选择后，部分重要光谱信息缺失有关。Jiang Hongzhe等[16]在不同的波段下运用相同的最优波长提取方法和建模方法得到L*值模型预测精度较好，但a*、b*值不理想。尽管NIRS技术预测鸡肉色泽研究存在差异（表1），但因其快速无损大批量检测优势，未来可继续深入研究，可以考虑针对不同的指标选择不同的光谱预处理方式和模型建立方法，以提高预测色泽效果。

1.1.2 嫩度

嫩度也是评定鸡肉品质优劣的一个重要指标，其影响鸡肉的口感和风味。鸡肉嫩度主要由以下3 个方面影响：蛋白质结构特征、肌间脂肪含量以及肌纤维数量[17]。剪切力常被用于评定肉嫩度的优劣[18]，但使用质构仪测定时需要破坏样品。熊振杰[8]采集400～1 000 nm范围内可见NIRS图像，通过对比RC与连续投影算法（successive projections algorithm，SPA）选出12 个最优波长建立PLSR模型预测鸡肉嫩度，但效果不理想。在相同波长范围内，王正伟等[19]采用权重逐步回归法筛选最优波长建立多元线性回归模型（multivariate linear regression，MLR）提高了NIRS技术对鸡肉嫩度的预测效果（RP＝0.94，RMSEP＝1.97 kg）。这说明选择合适的波长和建模方法可有效提高鸡肉嫩度预测精度。

1.1.3 pH值

pH值直接关系到肉的嫩度、腐败程度和新鲜度等相关指标[20]。运用NIRS技术对鸡肉的pH值进行预测已有报道。de Marchi等[13]扫描获取193 个鸡肉样品的NIRS信息（350～1 800 nm），通过吸收光谱值lg（1/R）建立PLSR回归模型预测鸡肉pH值，但效果并不理想。Jiang Hongzhe等[16]通过运用RC法建立预测pH值的PLSR模型效果也不理想。Barbin等[14]运用PCA法分析400～2 500 nm波长信息，采用加权回归系数法选取最优波长建立PLSR模型，pH值预测效果得到提升。Jia Beibei等[21]运用竞争性自适应重加权采样（competitive adaptive reweighed sampling，CARS）建立pH值的PLSR模型，模型精度得到了较大的提升（＝0.94、＝0.73）。这些研究显示，NIRS技术具有快速有效测定鸡肉pH值的潜力。

1.1.4 系水力

肉的系水力（water holding capacity，WHC）也称为保水性和系水性，目前多采用滴水损失来反映肉制品的WHC[22-24]。WHC影响肉品的口感、新鲜度以及在加工运输过程中营养汁液的损失，因此WHC的预测可及时反映肉制品品质[9]。沈杰[2]运用NIRS预测鸡肉的WHC，但效果不理想。Barbin等[14]运用PCA法处理NIRS信息，选取440、558、1 656、1 908 nm等4 个特征波长建立WHC的PLSR模型，预测效果略有提高，但依然不理想。Yang Yi等[15]的研究依然未能提高预测效果。这说明NIRS技术预测鸡肉WHC有待于进一步研究。以上研究具体信息见表2。

表 2 NIRS技术用于鸡肉物理特性检测Table 2 Application of NIRS for the detection of chicken physical indexes

1.2 化学特性检测

鸡肉中的化学成分主要有脂肪、蛋白质、水分等，这些化学成分影响着鸡肉的新鲜度、口感和品质[26-27]。NIRS技术在肉品化学组分的分析研究中已经有广泛应用，并获得良好的结果[28]。Windham等[29]采集获取850～1 050 nm范围的鸡肉光谱信息，建立预测脂肪的PLSR模型，RP高达0.99，预测效果极好。McDevitt等[30]建立改进的PLSR（modified PLSR，MPLSR）模型与刘炜等[31]建立的PLSR模型也均能很好地预测鸡肉中脂肪含量，其他学者也进行了相关的研究，但结果并未提高。对于鸡肉蛋白质的检测研究，McDevitt等[30]建立的MPLSR模型预测效果较理想，为0.86，RMSEC为19.40 g/kg。邢素霞等[32]在850～1 050 nm波段建立的区间PLSR（interval PLSR，iPLSR）模型预测土鸡与肉鸡蛋白质含量的效果更好。刘炜等[31]采用10 000～4 000 cm－1波段进一步提高了鸡肉蛋白质预测精度，RP均接近于1.0。肉品中最多的组分是水分，NIRS技术也最适合在水分含量检测中应用，PLSR模型检测鸡肉水分的精度可高达0.99[31]。相比之下，鸡肉中灰分的检测效果较差[30]。除了主要的化学成分检测研究，王辉等[33-34]建立了两个波段的鸡肉胆固醇PLSR预测模型，预测效果可接受，仍需进一步提高。Xiong Zhenjie等[35]建立400～1 000 nm波段鸡肉中羟脯氨酸（hydroxyproline，HYP）的PLSR预测模型，其模型精度有待提高。上述研究结果详见表3。

表 3 NIRS技术对鸡肉化学特性检测Table 3 Application of NIRS for the detection of chicken chemical indexes

1.3 腐败微生物及新鲜度检测

鸡肉由于水分含量多、营养物质丰富[36]，在贮藏过程中极易受到微生物的污染、氧化以及酶的作用等发生腐败，从而导致其品质下降[37]。其中，微生物污染是引起冷鲜鸡肉腐败变质的最主要原因。常规的微生物检测方法程序繁琐、效率低下，许多学者尝试利用NIRS技术实现微生物的快速检测。Feng Yaoze等[38]采用RC法筛选最优波长建立细菌总数的PLSR模型，预测效果良好。Jiang Fachao等[39]也获得了类似的结果。Ye Xujun等[40]在400～1 000 nm范围内提取光谱信息建立细菌总数与双波段新鲜度指标（rwo band freshness index，TBFI）间的相关性，结果并不理想。以细菌总数为指标，构建鸡肉新鲜度NIRS预测模型，其精度与稳定性依然有待于研究。

大量研究显示，肠杆菌属、假单胞菌属、热杀索丝菌、乳酸菌等是导致冷鲜肉发生腐败变质的优势腐败菌。这些优势腐败菌的快速检测具有重要意义[41]。王名星[37]与陈全胜[42]等在相同的波段（10 000～4 000 cm－1）采集光谱信息建立假单胞菌反向传播人工神经网络（back propagating artificial neutral net，BP-ANN）模型，其校正集与预测集识别率都比较理想。Feng Yaoze等[43]运用遗传算法（genetic algorithm，GA）选取最优波长建立假单胞菌预测模型，精度不理想；但利用PLSR预测鸡肉中肠杆菌效果良好[44]。从这些研究中可以发现NIRS分析技术在检测微生物方面具有巨大潜力。

Grau等[45]运用400～1 000 nm的可见NIRS技术，采集包装鸡肉0、7、14 d的光谱信息，构建鸡肉新鲜度预测模型，结果显示K1（ATP关联化合物）、挥发性盐基氮（total volatile basic nitrogen，TVB-N）含量与新鲜度具有较高的相关性。Xiong Zhenjie等[46]建立的硫代巴比妥酸反应物（thiobarbituric acid reactive substances，TBARS）值（328～1 115 nm）PLSR预测模型，与Khulal等[47]建立的TVB-N含量的BP-ANN预测模型，所预测鸡肉新鲜度效果都不太理想，这可能是由于模型预测性能与TBARS值和TVB-N含量、波长选择方式以及建模方式等因素有关。上述研究结果详见表4。

表 4 NIRS技术用于鸡肉中微生物及新鲜度指标的检测Table 4 Application of NIRS for the evaluation of microbiota and freshness in chicken

1.4 其他检测方面

除了以上检测研究外，NIRS技术还被用于肉类掺假、添加剂检测等研究中[48-49]。Rahim等[50]采集780～2 500 nm波段禽肉NIRS信息，用于识别僵硬禽肉和鲜嫩禽肉，僵硬禽肉检出率为90%，鲜嫩禽肉的检出率为86%。NIRS技术也被用于检测鸡肉中农药残留（四环素）[51]，但结果欠佳。孙潇等[52]通过NIRS信息识别不同产地鸡肉，正确率高达90%～95%，表明NIRS技术具有用于鸡肉产地溯源的可行性。刘功明等[53]运用NIRS技术检测鸡肉加热终点温度也取得了良好效果，对肉制品加热温度的控制提供了理论依据。Xiong Zhenjie等[54]利用NIRS信息建立径向基函数-支持向量机（radial basis function-support vector machine，RBF-SVM）模型辨别散养鸡与家养鸡，辨别率可达93.33%。Kamruzzaman等[55]在400～1 000 nm波段建立的PLSR预测模型用于牛肉中掺鸡肉的检测，预测效果较理想（＝0.97）。上述研究结果详见表5。

表 5 NIRS技术用于鸡肉中其他指标检测Table 5 Application of NIRS for detection of other indexes in chicken

2 近红外技术应用于鸭肉和鹅肉质量检测

除了鸡肉的检测应用，NIRS技术还被用于鸭肉和鹅肉的品质检测。相比之下，基于NIRS技术检测鸭、鹅肉的报道较少[56]。目前关于NIRS技术检测鸭肉和鹅肉质量的报道主要集中在国内研究，赵进辉等[57-58]在350～1 800 nm波段建立了鸭肉中谷氨酸含量的BP-ANN模型与鹅肉中弹性的最小二乘支持向量机模型（least square support vector for regression，LSSVR），预测效果均较理想。杨勇等[59]应用NIRS技术检测鹅肉的嫩度，采用平滑处理（5 点移动窗口平滑处理）、一阶微分、标准正态变量变换和MSC等预处理原始光谱，得出平滑处理-PLSR模型预测效果最优（RP＝0.97）。在已有研究基础上，杨勇等[60]通过建立NIRS和TVB-N含量之间的定量关系，探讨了PLSR模型预测鹅肉新鲜度可行性，结果较理想。而Qiao Lu等[61]以TVB-N含量为指标预测鸭肉新鲜度的结果不理想。在相同的波段，Qiao Lu等[62]又建立鸭肉色泽参数和pH值的PLSR预测模型，结果显示色泽的预测效果好于pH值。杨勇等[60]建立的鹅肉pH值PLSR模型预测效果也不理想，这可能是因为pH值变化范围小。在400～2 498 nm波长范围内，Molette等[63]运用NIRS对鹅肥肝的化学组成进行预测，其中鹅肥肝中脂肪和干物质的校正模型都比较理想（＝0.81、＝0.91）。在相同的波段内，Bazar等[64]比较不同NIRS模式得出最优PLSR预测模型，对鹅血脂成分进行分析，其中总脂肪、三酸甘油酯、总胆固醇的模型预测精度高于对鹅血脂中高密度蛋白胆固醇的模型预测精度。总之，NIRS技术检测鸭、鹅肉的研究相对较少（表6），尤其在生化指标方面，未来将有很大的研究空间。

表 6 NIRS技术对鸭肉与鹅肉指标的检测Table 6 Application of NIRS for quality evaluation in duck and goose meat

3 结 语

NIRS技术目前主要用于鸡肉的品质检测研究，有少量的研究涉及到鸭肉、鹅肉。从研究结果可以得出，作为一种快速、无损、高效率的检测技术，NIRS技术在禽肉品质检测研究中潜力巨大，可在禽肉的组分分析、等级鉴别、品种鉴定以及产地溯源等方面发挥巨大作用，为禽肉及其制品提供安全保障。尽管如此，NIRS技术应用目前依然没有形成完整的体系和方法，需要加强NIRS技术与其他技术相结合，进一步完善改进NIRS技术的应用效果，未来可从以下几个方面着手：1）待测禽肉样品的筛选及指标测量误差需进一步减少；2）模型构建方式的选择和特征波长的选择仍需大量研究，以最大限度保留信息量大的光谱；3）同一模型在不同光谱设备之间的转化，增强模型的适用性；4）研发更加便携式的NIRS专用设备；通过大量的数据支撑和理论研究，NIRS技术在禽肉质量控制方面将提供强有力的保障。

除了近红外，中红外以及远红外波段范围内也存在着大量的食品组分光谱吸收信息，未来研究也可将光谱技术拓展至中红外光谱技术和远红外光谱技术，利用中红外以及远红外光谱区间的信息优势来加强红外光谱技术的应用性：1）大多数有机物和无机物的基频吸收带都出现在中红外区，运用中红外光谱区间的优势，研发联用光谱仪器对相关化合物的官能团进行强特征性鉴定；2）运用中红外吸收峰相对敏感的特性结合NIRS技术实现对结构类似化合物高精度鉴别；3）中红外光谱可以对气体、液体以及固体等样品进行测定，可以开发多波段光谱，提高光谱仪器的适用广度；4）运用远红外光谱高热量传导、热量传递速率高以及无需媒介等优势研发多适用性红外光谱设备，实现检测、成熟、温控、杀菌一体化。