近红外光谱技术在肉品掺假检测方面的研究进展

,2

(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.河南科技学院新科学院,河南新乡 453003; 4.河南工业大学粮油食品学院,河南郑州450001)

我国是肉制品的生产和消费大国,肉制品在居民食品消费中占有很大比例[1-2],其含有丰富的蛋白质、脂肪、维生素B2和B12等人体所必需的营养物质,备受消费者青睐[1,3]。2013年以来,国内外危害公众健康的肉类食品安全事件频繁发生,如马肉事件,“假羊肉”事件及肉制品掺假,这一全球性问题引发了公众以及各国政府对食品安全的担忧和关注[3-9]。肉品掺假已成为我国食品行业的突出问题之一,这不仅影响人民群众的生命健康、经济发展,甚至关乎社会稳定和国家安全[10-12]。

肉制品掺假检测方法目前主要有形态学鉴别法、蛋白质分析法、DNA分析法和光谱分析法。形态学鉴别法依赖主观判断,对研究者的经验积累要求较高;蛋白质分析法能很好的检测对热稳定的蛋白质且灵敏度高,

表1 NIRS识别肉的种类Table 1 NIRS for meat identification

注:PCA:Principal component analysis,主成分分析。

常见的有电泳分析法、高效液相色谱法和免疫分析法,可以对肉制品进行定性定量检测,但不适用于蛋白质变性的产品,重复性差、耗时较长等不足,在检测中常作为辅助方法进行使用;DNA分析法是目前最为成熟的方法,特异性强、准确性高,适用于单一成分的检测,但是操作较为复杂;光谱分析法操作简单且对样品无损坏,具有良好的应用前景[1-3,6,8]。近红外光谱(Near-Infrared Spectroscopy,NIRS)技术,可通过获取被测肉品的近红外光谱信息,并使用化学计量学方法建立被测肉样掺假和光谱信息之间定性定量关系,实现对掺假肉的快速无损检测[13-15]。NIRS技术无需样品前处理,易于操作,检测时间短、成本低、效率高,被认为是一种极具检测应用价值的有效方法,已被用于各种肉类质量参数及食品掺假检测研究[16-18]。

目前,运用NIRS鉴别肉品掺假的研究成果颇多。本文主要综述了2010年至今近NIRS技术在肉品掺假检测方面的研究进展和最新研究成果,主要涉及肉品种类识别和猪、牛、羊肉的掺假等方面,并对NIRS技术在肉品掺假检测方面的应用研究做出展望。

1 NIRS技术识别肉的种类

随着社会的发展、居民生活水平的提高,人们的饮食结构也在逐渐发生变化,动物性蛋白质在饮食中所占的比例呈现逐渐升高的趋势。这使得许多不法商贩以价格低廉的马肉、猪肉、鸡肉或其他动物肉类冒充价格高昂的牛肉、羊肉,赚取高额利润[9]。这种以假乱真、以次充好的现象时有发生,造成了企业和个人的不正当竞争,严重危害了消费者的利益和健康。因此,日常生活中肉的种类识别意义重大,识别肉品种类、杜绝肉品造假是保障肉品安全的重要措施之一。

1.1 NIRS技术识别猪、牛、羊肉

Cozzolino等[19]采集400～2500 nm处牛肉、羊肉和猪肉样本的可见/近红外反射光谱,建立的主成分分析(principal component analysis,PCA)和偏最小二乘(Partial Least Squares Regression,PLSR)鉴别模型,准确率可达85%,表明NIRS可以快速、准确地鉴别不同物种的肉制品。马钉凌等[20]采用可见光谱结合反向传播人工神经网络对牛肉和猪肉进行识别,识别率高达97.5%。王丽等[21]利用中红外光谱技术对猪肉、牛肉进行了识别。赵红波等[22]采用近红外漫反射光谱法,先对光谱数据进行主成分降维处理,再利用其主成分分析来计算马氏距离进行判别,该模型对猪肉和牛肉的识别率比较高。Mamani-Linares等[23]在400～2500 nm处采集经匀质处理肉糜样品的近红外反射光谱,利用PCA和PLSR模型实现了样品中牛肉的有效鉴别。与赵红波等[22]相比,孟一等[24]通过近红外光谱结合模式识别方法,对猪、牛、羊肉进行定性识别,识别率显著提高(见表1)。王昱陆等[25]基于400～1000 nm光谱,通过主成分得分为变量建立猪、牛、羊肉的识别模型,该模型预测结果比较理想。Alfar等[26]研究了在900～1500 nm波段下NIRS结合支持向量机算法(Support Vector Machine,SVM)对于牛、猪肉油脂样品的分类鉴别,准确度较高。Wiedemair等[27]在800～2500 nm波段马肉区别于羊肉的识别准确率可达100%,对马肉和牛肉的区分也表现出良好的识别度(75%～100%)。

1.2 NIRS技术识别其他肉类

马钉凌等[20]采用可见光谱结合反向传播人工神经网络技术对鸡肉进行识别,鉴别准确率明显高于Cozzolino等[19]建立的PCA和PLSR鉴别模型。王丽等[21]利用光谱技术实现了明虾肉和鸡胸肉的识别。Wiedemair等[27]在800～2500 nm波段可准确区分马肉和鸡肉。Alfar等[26]研究了900～1500 nm波段下鸡油脂样品的鉴别,准确率达86.67%。应用近红外光谱仪,龚艳等[28]研究了在1000～2500 nm波长条件下鉴别拔益加肉鸡、京海黄鸡和狼山鸡的可行性,验证集准确率达97.7%,实现了NIRS对鸡肉品种的快速无损鉴别。同年,Mamani-Linares等[23]采集了400～2500 nm处肉糜样品的反射光谱,利用PCA和PLSR模型实现了美洲鸵肉和马肉的有效鉴别。

2 NIRS检测肉品掺假

由于肉品的价格差异,不法商贩以低价肉或其它病死动物肉掺入高价肉制品中出售,这类肉品的掺假不仅损害了消费者的利益,而且存在食品安全隐患[1,6,8]。随着科学技术的不断进步,面对肉品掺假这个世界范围内的共同问题,国内外学者不断深入研究更快速、更可靠的掺假检测分析模型[29]。

2.1 NIRS检测猪肉掺假

猪肉是全球食用最多的肉类,中国是世界猪肉产量最大的国家。然而,近年来,猪肉及其制品的掺假事件逐渐增多,严重损害消费者的经济利益和身体健康[30]。猪肉及其制品的掺假可分为两类:一类是非同源掺假,即原料肉中注水、注胶、掺违规添加剂等[31-32];另一类是同源掺假,即肉肉掺假,将低价肉或劣质肉掺入到猪肉中,达到降低成本、牟取暴利的目的[33-34]。因此,快速、简便的掺假检测技术已成为猪肉行业健康发展的有力保障。

杨志敏等[35]借助近红外光谱仪测定样品的漫反射光谱信息来鉴别猪肉中是否掺大豆蛋白,利用Fisher线性判断得到的判别模型正确率达100%,利用偏最小二乘法建立大豆蛋白掺入量的定量检测模型校正相关系数(rc)为0.966。Fan等[12]采用NIRS对猪肉中掺假肝脏和鸡肉进行检测,预测结果良好(见表2)。杨志敏等[36]采集了掺水、掺胶和掺盐水的猪肉样品的近红外反射光谱,利用近红外光谱技术结合主成分与多层感知器神经网络建立的掺假肉分类鉴别模型正确识别率达高94.2%。孟一等[32]采集1000～2500 nm光谱范围内猪肉样品反射信息,用近红外光谱结合PCA和判别分析法建立了注水肉、注胶肉和正常肉的定性判别模型,该模型对所有预测集样品的总体判别准确率为94.92%。此外,该课题研究小组还采用偏最小二乘结合主成分分析建立注水量和注胶量的定量检测分析模型,预测相关系数(rp)分别为0.925和0.930,结果表明该模型对猪肉的注水量和注胶量均有良好的预测性能。蒋祎丽等[30]采集肉样在波长1000～2500 nm处的光谱信息,用偏最小二乘判别分析方法(partial least squares discriminant analysis,PLS-DA)建立判别模型以识别猪肉糜中是否掺加鸡肉糜,准确率高达100%。郝冬梅等[31]基于600～1300 nm光谱和稀疏表示的检测方法对猪肉注水的平均识别准确率达93.16%。蒋祎丽等[37]预处理1000～2500 nm光谱后结合PCA,建立猪肉中掺鸭肉的PLS-DA模型,正确判别率达100%。Wiedemair等[27]采集猪肉掺假样品在800～2500 nm处的近红外光谱信息建立PLSR鉴别模型交叉验证相关系数(rcv)为0.938,交叉验证均方根误差(RMSECV)为11.95%。

2.2 NIRS检测牛肉掺假

牛肉是一种营养价值很高的肉类产品,其氨基酸组成相比较其他肉类更接近人体需求。市场上肉糜掺入廉价的肉类或内脏代替牛肉,作为非法增加利润的手段以赚取暴利的现象屡见不鲜[38-39]。

针对市面上牛肉中掺假猪肉的现象,张玉华等[40]运用近红外结合PCA法、判别分析法,建立牛肉掺猪肉的定性鉴别模型,其鉴别准确率可达97.86%。白亚斌等[39]在400～1000光谱范围内利用高光谱技术建立牛肉掺猪肉的快速检测模型,结果显示掺假定量检测模型具有较高的准确性和稳定性(rp=0.990,RMSEP=4.23%)。类似地,杨清华等[41]通过阈值选取高光谱图感兴趣区域采用光谱-理化值共生距离法(sample set partitioning based on joint x-y distance,SPXY)对牛肉样品分集后建立的PLSR模型获得了相似的预测结果。由于牛肉丸中掺假猪肉现象频繁发生,2011年,Rohman等[42]以脂肪为研究对象,利用傅里叶变换光谱技术和偏最小二乘法分析牛肉丸中掺假猪肉,结果表明该技术可用于定量分析牛肉丸中掺假猪肉。同样地,Kuswandi等[43]对牛肉丸中的猪肉掺假问题进行研究并建立了两种预测模型。其中,PLSR模型可用于定量预测掺假肉丸,而线性判别分析(Linear Discriminant Analysis,LDA)模型可用于鉴别纯牛肉丸和掺假牛肉丸。市售牛肉香肠以商贩自制为主,牛肉的纯度难以确定,Schmutzler等[44]基于近红外光谱数据使用多变量分析方法,建立了小牛肉香肠中掺假猪肉的模型,得出的掺假率高达10%。NIRS技术结合PCA与SVM算法,Schmutzler等[45]可以精确地检测出市场上销售的纯小牛肉香肠中是否掺假猪肉。

市场上以鸡肉和鸭肉充当牛肉的现象也较为常见,Alamprese等[46]采集牛肉掺假火鸡肉样品的紫外、近红外和中红外反射光谱,运用PCA、LDA和PLSR分别建立鉴别模型,通过对比其精度得出利用近红外和中红外光谱建立的模型可以准确识别掺假样品,而紫外光谱模型结果不太理想。Alamprese等[47]基于FT-NIR光谱和多元分析的方法建立PLSR模型(rp>0.940,RMSEP<10.8%),可实现对牛肉糜掺假火鸡肉进行鉴别和定量分析。Kamruzzaman等[48]在400～1000 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。同年,张丽华等[49]对牛肉中掺假鸭肉进行判别研究,光谱数据经MSC预处理后所建的nu-SVM模型正确判别率为97.09%,可以实现牛里脊肉中掺假鸭肉的判别。

除此之外,Kamruzzaman等[38]采用实验室高光谱成像技术对牛肉糜中掺假马肉进行了检测,结果(见表2)表明,NIRS结合PLSR建模方法可以成功地应用于牛肉糜掺假水平的快速检测。同样地,Ropodi等[50]运用多光谱成像技术结合数据分析方法检测牛肉糜中掺假马肉,总的正确分类率为95.31%,验证了该方法的可行性。

近红外光谱技术结合相应算法还可以实现牛肉品质的鉴别。Chen等[51]利用光谱分析方法对变质牛肉掺假进行定量分析,在可见/近红外波段提取最优波长建立最佳PLSR模型(rc=0.954,RMSEC=0.08),该模型预测精度较高。Zhao等[52]在496～1000 nm波长范围下,对比不同的多元数据分析方法构建牛肉中掺假变质牛肉的最小二乘

表2 NIR技术检测肉品掺假Table 2 NIRS for identification of meat adulteration

注:PLSR:Partial least squares regression,偏最小二乘回归;PLSR-DA:Partial least squares discriminant analysis,偏最小二乘判别分析法。PCA:Principal component analysis,主成分分析;LS-SVM:least squares support vector machine,最小二乘支持向量机;MLR:Multiple linear regression,多元线性回归;CARS:Competitive adaptive reweighted sampling,竞争性自适应加权算法;rc:Correlation coefficient of calibration,校正相关系数;RMSEC:Root mean square error of calibration,校正均方根误差;rp:Correlation coefficient of prediction,预测相关系数;RMSEP:Root mean square error of prediction,预测均方根误差。

支持向量机(least squares support vector machine,LS-SVM)全波段模型,得到了更好的预测性(rc=0.970,RMSEC=5.39%)。Morsy[53]研究了冷冻和新鲜状态下牛肉的掺假预测,通过采集400～2500 nm波长范围样品的光谱数据并建立掺假预测模型(见表2),冷冻较新鲜状态下模型精度略有下降,但仍具有较高的预测性。Velásquez等[54]利用400～1000 nm处光谱图像以牛肉大理石花纹的形状和分布参数,建立牛肉大理石纹分类系统实现了牛肉品质的分级。

2.3 NIRS检测羊肉掺假

羊肉作为中国传统的食补典型代表,是最受欢迎的肉品之一,其健康、安全的营养特性被广泛认可[55]。近年来,常有不法商贩以猪肉、鸡肉、鸭肉等替代羊肉进行销售,不仅危害了羊肉市场的秩序,也挫伤了宗教信仰消费者的购买热情。由于鸭肉色泽与两周岁的羊肉色泽较为接近,而且鸭肉纹理细腻,有一定的肌纤维,这就为羊肉掺假提供了天然的便利条件[56]。

Kamruzzaman等[57]利用910～1700 nm处样品的全波段光谱数据建立PLSR模型,对羊肉糜掺假猪肉的程度进行预测,该模型具有很好的预测能力(rc=0.995,RMSEC=1.08%)。该课题组筛选最优波长后建立的PLSR模型和多元线性回归(Multiple linear regression,MLR)模型在预测羊肉掺假方面均显示出良好的稳定性。张玉华等[40]运用近红外结合PCA法、判别分析法,建立羊肉掺假的定性鉴别模型,其中羊肉掺猪肉、羊肉掺鸭肉的训练集鉴别准确率分别为98.28%和99.59%。刘友华等[58]针对羊肉掺假猪肉的定量检测问题,建立高光谱图像(390～1040 nm)基于竞争性自适应重加权算法的最优模型(rc=0.980,RMSEC=6.55%)。张丽华等[56]在光谱1000～2500 nm范围采集样品的近红外漫反射光谱图结合平滑预处理后建立nu-SVM模型可以实现羊肉中掺杂鸭肉的鉴别。Wiedemair等[27]采集羊肉掺假样品在800～2500 nm处的近红外光谱信息建立PLSR鉴别模型(rcv=0.970,RMSECV=7.52%)。Zhang等[55]基于近红外光谱成像技术结合PLSR模型预测羊肉糜中掺假鸭肉程度,400～2000 nm全波段模型测定结果有很好的相关性(rc=0.999,RMSEC=0.66%),应用提取的14个最优波长所建立的PLSR模型也取得很好的预测结果(rc=0.998,RMSEC=1.92%)。

2.4 NIRS检测其他肉类掺假

在人民日常生活中,鸡肉及其制品以优质的蛋白质、鲜嫩的口感、低廉的价格等优势广受欢迎[59-60]。随着人们生活水平的提高,人们对鸡类肉制品的色泽、口感、营养价值及卫生指标有了更严格的要求[29,61]。Wiedemair等[27]采用傅里叶变换近红外光谱建立PLSR模型实现鸡肉中猪肉掺假率在10%以下的鉴别(rc=0.883,RMSEC=2.32%)。此外,该项目组采集鸡肉掺假样品在800～2500 nm处的近红外光谱信息建立PLSR鉴别模型(rcv=0.922,RMSECV=13.83%)。

鱼类和其他海产品在为人类健康和国际贸易提供优质产品方面发挥着重要作用[62-63]。目前,由于水产品的易损性和易腐性,需要寻找快捷和高效的技术来监测质量变化和安全指标[64-68]。为了研究鱼肉的贮藏时间和掺假情况,Shan等[69]在波长400～1000 nm范围内采集鲫鱼完整鱼(带鱼鳞)的光谱信息,建立了预测贮藏时间的最优PLSR模型,新鲜鱼和解冻鱼的rcv分别为0.894和0.917。相同的方法,建立预测鲫鱼片的贮藏时间的最优PLSR模型,新鲜鱼片和解冻鱼片的rcv均为0.917。此外,采用偏最小二乘判别分析(PLS-DA)算法,利用完整鱼(带鱼鳞)的光谱建立新鲜鱼和解冻鱼的分类模型,准确识别率可达100%。类似的,利用鲫鱼片的鳞片、肉片和皮片提取光谱并建立新鲜鱼和解冻鱼的分类模型,识别结果较好,准确率分别为92.5%、97.5%和97.5%。

3 展望

NIRS技术为肉及其制品掺假的快速检测方面提供技术支持,为肉品质量提供安全保障。尽管如此,NIRS技术的应用尚未形成完整的体系和方法,需要加强与统计和数学科学的结合,以显著增强检测技术的应用潜力。在未来的研究中,应着重考虑以下几点:(1)扩大样品采集范围,增加检测模型的覆盖面和通用性;(2)深入研究特征波长的筛选方法和模型构建方式,以最大限度增强模型精度和稳定性;(3)不同光谱设备之间模型转移和信息融合,以增强模型适用性;(4)研发生产线检测设备,提高在线食品掺假检测的准确率。在大量实验数据的支撑和理论研究成果的不断完善下,NIRS技术将可为食品质量与安全、维护消费者权益保驾护航。