基于品质指标预测北京烤鸭的中心温度

柳艳霞，王振宇，郑晓春，朱瑶迪，陈丽，张德权

基于品质指标预测北京烤鸭的中心温度

柳艳霞1，2，王振宇1，郑晓春1，朱瑶迪2，陈丽1，张德权1

（1中国农业科学院农产品加工研究所/农业农村部农产品加工重点实验室，北京 100193；2河南农业大学食品科学技术学院/河南省肉制品加工与 质量安全控制重点实验室，郑州 450002）

【目的】解决烤鸭传统挂炉烤制过程中中心温度难以在线精确监测的问题。【方法】通过测定烤鸭的品质指标，利用多元线性回归、偏最小二乘回归、支持向量回归、人工神经网络等方法对北京烤鸭中心温度进行在线客观预测。【结果】烤鸭胸肉的*、*、*、脱氧肌红蛋白、氧合肌红蛋白、高铁肌红蛋白、水分含量、脂肪含量、蛋白二级结构等指标均可用于有效识别北京烤鸭的中心温度；线性模型多元线性回归和偏最小二乘回归的预测集决定系数2C分别为0.9543和0.9384，均方根误差SEC分别为5.8205℃和6.7634℃，MLR模型预测效果优于偏最小二乘回归模型；非线性模型支持向量回归优于人工神经网络模型，其预测集决定系数2C和交叉验证决定系数2CV分别为0.9837和0.9496，均方根误差SEC和交叉验证均方根误差SECV分别为3.5215℃和6.1236℃，北京烤鸭中心温度预测模型构建以支持向量回归模型效果最好；支持向量回归验证集的决定系数2V较高，达到0.9748，均方根误差SEV为5.5204℃，结合建模结果得出支持向量回归模型预测挂炉烤制北京烤鸭的中心温度效果最佳。【结论】北京烤鸭胸肉的色度、肌红蛋白、水分含量、脂肪含量、蛋白二级结构等可有效识别北京烤鸭的中心温度；基于品质指标的SVR模型可准确预测烤鸭的中心温度。

北京烤鸭；中心温度；品质；预测模型

0 引言

【研究意义】北京烤鸭历史悠久，被誉为“天下美味”而驰名中外[1-3]。目前餐饮店加工的北京烤鸭95%以上采用明火挂炉烤制，烤制过程火候控制和产品熟度（degree of doneness）判定皆依赖于操作师傅的经验，缺乏自动控温设备和熟度量化标准，从而经常造成产品品质不均、质量不稳等问题，难以实现标准化生产。熟度是指肉类的烹调成熟度，直接影响肉品的适口性和消费者的接受程度[4-5]。烤制终点的中心温度对肉制品的嫩度、色泽和风味等均产生较大的影响[6-8]，是标准化生产的关键控制点，是判断其熟度的核心参数。肉类烹调程度受烹调时间和温度的控制，“适度”为主要原则，测温法被确定为肉类烹调程度的最常用方法[4]。实时掌握烤制过程中产品的中心温度，可以较好地判定产品的熟度。【前人研究进展】肉品中心温度的监测常使用专用温度计。肉用温度计有两种类型—直接型和间接型[4]。目前，在烤制环境温度较低及没有明火存在的情况下，使用温度记录仪连接探针可以方便快捷地反映中心温度变化情况[6,9]，例如微波烤制牛肉[10]、荣昌烤制猪肉[8]等，从而控制其嫩度、风味等品质。国内外学者开展了中心温度与肉品品质相关的研究工作[6-7,9-14]。李宏燕等[11]利用红外测温仪测定羊肉的中心温度。潘腾等[9]采用热电偶联合多路巡检控制仪监测烤制羊排中心温度。【本研究切入点】北京烤鸭挂炉烤制过程中采用明火加热，其中心温度的监测对于温度记录仪的设备要求苛刻，温度探针的寿命非常短，监测成本大幅增加，亟需开发新的中心温度监测技术。【拟解决的关键问题】本研究利用品质指标构建中心温度的预测模型，实现传统挂炉烤鸭的中心温度实时预测，为北京烤鸭熟度的判定提供一种新的途径。

1 材料与方法

试验于2018年12月至2019年3月在中国农业科学院农产品加工研究所/农业农村部农产品加工重点实验室和北京东直门东兴楼饭庄进行。

1.1 材料

试验样品购于北京金星鸭业有限公司，品种为北京四系填鸭，鸭体质量为（2 000±300）g，42日龄。按照《鲜（冻）畜、禽产品》（GB2707—2016）和《鸭肉等级规格》（NY/T 1760—2009）要求的操作规程屠宰，屠宰后冷却成熟后的鲜鸭坯。随机选取105只试验鸭，其中84只作为校正集样品用于构建和优化模型，21只样品作为验证集用于验证模型预测的准确性。

1.2 仪器与设备

CM700d柯尼卡美能达分光测色仪（日本柯尼卡美能达商用科技股份有限公司），Vertex 80V型傅里叶变换红外光谱仪（德国Bruker公司），SER 148型全自动粗脂肪测定仪（丹麦FOSS公司），LK1048U温度记录仪（江苏常州蓝光电子有限公司），DH070A干燥箱（上海一恒科学仪器有限公司）。

1.3 试验方法

1.3.1 样品制备 在北京东直门东兴楼饭庄由烤鸭师按照传统技法[15]对鸭坯进行处理，所用挂炉烤鸭炉内空气温度维持在203—254℃，挂鸭炉中部区域温度为224—235℃。试验设置0、10、20、30、40、50和60 min 7个时间点，每个时间点各取出15只鸭坯并分离出鸭胸肉，12只用于模型构建，3只用于模型验证，立即测定或-80℃冻存后测定。

1.3.2 中心温度的测定 中心温度的监测是将温度记录仪探针插入左侧鸭胸肉的中心部位，采用温度记录仪对鸭胸肉的中心温度进行连续检测，每10 s读取一次数据，直至烤制结束。

1.3.3 色泽的测定 参照Li等[16]的方法，测定北京烤鸭胸肉的亮度值*、红度值*、黄度值*以及根据公式计算脱氧肌红蛋白、氧合肌红蛋白以及高铁肌红蛋白含量。

高铁肌红蛋白MetMb=C(MetMb）/C(Mb)=-0.159R1- 0.085R2+1.262R3-0.520

氧合肌红蛋白OxyMb=C(OxyMb)/C(Mb)=0.722R1- 1.432R2-1.659R3+2.599

脱氧肌红蛋白DeoMb=C(DeoMb)/C(Mb)=-0.543R1+ 1.594R2+0.552R3-1.329

R1=A582/A525，R2=A557/A525，R3=A503/A525

1.3.4 水分含量的测定 采用GB/T 5009.3—2016的第一法直接干燥法测定。

1.3.5 脂肪含量的测定 采用GB/T 5009.6—2016的第二法酸水解法测定。

1.3.6-螺旋、-折叠、-转角、无规则卷曲 采用配有ATR附件的Vertex 80V型傅里叶变换红外光谱仪测定蛋白二级结构（如-螺旋、-折叠、-转角、无规则卷曲）。参照文献[17]方法将参数调整为：液氮冷却的MCT检测器，有45°孔径角晶体Ge片。将鸭胸肉去除表面1 mm后，取很薄的一层样品覆盖于ATR附件的晶体Ge片上，压紧，使样品和晶体充分接触。积分球漫反射，分辨率8 cm-1，扫描次数64次，光谱扫描范围4 000—600 cm-1。测前先用丙酮清洗Ge晶体，再用去离子水清洗，最后用脱脂棉擦干。

1.4 构建中心温度预测模型

采用MATLAB软件的多元线性回归（multiple linear regression，MLR）和偏最小二乘回归（partial least square method，PLSR）[18]两种线性建模方法及支持向量回归（support vector regression，SVR）和人工神经网络（artificial neural network，ANN）[19]2种非线性建模方法，基于北京烤鸭胸肉的色泽、肌红蛋白、水分含量、脂肪含量、蛋白二级结构等构建北京烤鸭中心温度预测模型，通过校正集、留一法交叉验证以及验证集（外部）的决定系数和均方根误差评价北京烤鸭中心温度预测模型的预测效果、稳定性和适用性。

本研究利用pls_toolbox工具包（来源于Eigenvector Research Incorporated）进行算法优化和建模分析。采用支持向量机模型建立烤鸭中心温度预测模型时，选择核函数时，对比线性核函数和径向核函数后发现径向核函数的预测效果较好，基于径向核函数建立支持向量机模型。选择最佳惩罚因子时，设置从10-3—100范围优化，优化的惩罚因子为31.26。使用ANN算法时，首先将数据进行归一化处理，然后利用工具包的默认设置用于超函数的优化，构建ANN模型。

1.5 数据统计分析

每组试验样品做6个平行，以平均值±标准差表示；采用SPSS 22.0（IBM Corporation Inc., USA）进行单因素方差分析，显著性分析置信度95%（0.05）；ORIGIN 8.6（OriginLab Corporation, Northampton, MA, USA）作图；MATLAB 2014a（Mathworks Inc, Natick, MA, USA）进行模型构建与验证。

2 结果

2.1 北京烤鸭中心温度及相关品质指标变化

2.1.1 中心温度变化 烤制过程中，北京烤鸭的中心温度从开始时的20.8℃分别以每分钟2.04℃、2.19℃、1.36℃、1.01℃、1.07℃、0.16℃的速率升温至结束时的99.1℃（＜0.05，图1）。为了得到鸭胸肉温度上升规律，采用Origin软件进行模型拟合得出鸭胸肉中心温度变化与二次函数曲线相似度较高，鸭胸肉的中心温度符合方程：=19.824+1.807-0.8822（＜60 min），对方程进行检验，得到Adj.2=0.991，F=2158.21，F检验显著性＜0.01，说明方程拟合非常显著。

不同小写字母表示差异显著（P<0.05）。下同

2.1.2 色泽变化 随着温度升高，肌红蛋白的热变性使肉色变化加速[12]。*是食品工业品质控制的因素[14,20]，肌球蛋白和肌动蛋白的热变性[21]使*增加[22]。美拉德反应的中间产物和最终产物为黄色/棕色，肉中色素类化合物降解程度增大[23-24]。由图2可知，烤制期间，北京烤鸭鸭胸肉的*、*、脱氧肌红蛋白和氧合肌红蛋白含量上升，*和高铁肌红蛋白含量下降（＜0.05）。随着烤制时间的延长，鸭胸肉的*值从开始的43.91上升至65.67（＜0.05），20 min时*值显著低于40 min（0.05）。*值先上升后降低（0.05），40 min后保持稳定（＞0.05）。烤制过程中，脱氧肌红蛋白含量从初始的11.22%上升至50 min的25.62%（<0.05）；高铁肌红蛋白含量下降至40 min的49.67%（<0.05），而后以平均每分钟0.41%的速度降至43.67%（<0.05）。

2.1.3 水分含量和脂肪含量变化 肌肉组织中与水结合的主要成分是蛋白质，加热后肉中蛋白质逐渐变性或沉淀，失去结合水的能力，导致水分流失，水分被输送到样品的边缘或表面[10]。随着烤制时间的延长，北京烤鸭的水分含量从75.56%降至58.70%（＜0.05），但30 min和40 min、40 min和50 min之间保持稳定（＞0.05）（图3）。肉中脂肪流失和分布情况改变对肉的品质和嫩度至关重要[25]。北京烤鸭胸肉的脂肪含量由0.47%升至4.52%（＜0.05），30 min和50 min无明显变化（＞0.05），30 min是脂肪含量变化的拐点（图3）。烤制期间，鸭坯的皮下脂肪受热后液化，在热力推动下向鸭胸肉中迁移，部分皮下脂肪直接流出形成滴油[26]。

图2 不同烤制时间对北京烤鸭色泽的影响

图3 烤制过程中北京烤鸭水分含量和脂肪含量的变化

2.1.4 肌原纤维蛋白二级结构变化 当几乎所有的蛋白质二级结构和三级结构遭到破坏时，蛋白会展开并聚集[27-28]。目前广泛应用红外光谱的酰胺I带（1 700—1 600 cm-1）的波峰分析蛋白二级结构，对热致肌肉蛋白变化进行表征[29-32]。图4为不同烤制时间北京烤鸭胸肉的红外光谱图。随着烤制时间延长，北京烤鸭的胸肉-螺旋先下降后上升，-转角上升，无规则卷曲下降（＜0.05），出现转折的时间点不一致，但是折叠变化不大（＞0.05），这是由于蛋白质热变性导致蛋白的不可逆沉淀及-折叠展开[31-32]。

2.2 中心温度预测模型的构建与验证

2.2.1 预测模型的比较 利用鸭胸肉的色泽、肌红蛋白含量、水分含量、脂肪含量、蛋白二级结构等参数，基于多元线性回归（MLR）、偏最小二乘法（PLSR）、支持向量回归（SVR）、人工神经网络（ANN）4种建模方法构建了构建北京烤鸭中心温度的预测模型[33]。采用“留一法”交叉验证[19]综合评价模型的预测效果；以测量值为横坐标、预测值为纵坐标绘制4种预测模型的散点图，筛选中心温度的最佳预测模型，具体结果如表1和图5所示。

从表1和图5所示的建模结果来看，北京烤鸭中心温度的4种预测模型中，线性模型MLR和PLSR的预测效果接近，预测集决定系数2分别为0.9543和0.9384，均方根误差SEC分别为5.8205℃和6.7634℃，PLSR的模型方程为=0.58311-0.57232+ 0.91203+1.74964+1.04775+0.46256-1.77567-0.01018+0.21559+0.401510+1.226211+0.869612；MLR的模型方程为=0.51381-1.21662+1.81293+14.44544+ 14.68935+13.69346-1.76537+0.25128-13.20679-12.781210-12.691211-12.667112，但是二者的交叉验证结果差距明显，MLR模型要优于PLSR，前者交叉验证的决定系数2CV为0.9376，均方根误差SECV为6.8249℃，因此MLR模型预测效果优于PLSR模型。非线性模型SVR优于ANN模型，前者预测集决定系数2C和交叉验证决定系数2CV分别为0.9837和0.9496，均方根误差SEC和交叉验证均方根误差SECV分别为3.5215℃和6.1236℃。综上，在北京烤鸭中心温度预测模型构建时SVR模型效果最好，MLR、PLSR、ANN次之。

图4 北京烤鸭烤制期间蛋白二级结构的变化

表1 北京烤鸭中心温度的预测模型

公式中1代表*，2代表*，3代表*，4代表脱氧肌红蛋白含量，5代表氧合肌红蛋白含量，6代表高铁肌红蛋白含量，7代表水分含量，8代表脂肪含量，9代表α-螺旋含量，10代表-折叠含量，11代表-转角含量，12代表无规则卷曲含量

The1-12in the formula represent*,*,*, content of deoxymyoglobin, content of oxymyoglobin, content of metmyoglobin, moisture content, fat content, content of-helix, content of-sheet, content of-turn, and content of random coil, respectively

图5 中心温度的模型预测结果

2.2.2 模型验证 选取21个样品的色泽、肌红蛋白含量、水分含量、脂肪含量、蛋白二级结构等作为验证集，采用外部验证法对中心温度的支持向量机回归（SVR）预测模型进行验证；以测量值为横坐标、验证值为纵坐标绘制中心温度预测模型验证结果的散点图，如图6所示。SVR验证集的决定系数2V较高，达到0.9748，均方根误差SEV为5.5204℃，集合建模结果说明基于色泽、肌红蛋白含量、水分含量、脂肪含量、蛋白二级结构等品质参数的SVR模型能较准确地预测北京烤鸭中心温度，具有较好的稳定性和预测能力。

3 讨论

烤制期间北京烤鸭发生蛋白质热变性聚集，形成凝胶，同时水分迁移和蒸发，从而使北京烤鸭呈现不同的色泽、嫩度等。温度55℃时肌红蛋白热变性导致肉色变白，65—80℃时肌红蛋白完全变性[12]，肌原纤维蛋白等变性引起的结构变化可能导致肌红蛋白的光散射和光学掩蔽作用增强，产生更淡的颜色[34]。北京烤鸭的中心温度从20.8℃升温至99.1℃，水分含量逐渐降低，脂肪含量不断升高，烤制结束时烤鸭肉质细嫩，品质佳，这与以前的高温烹饪（>95℃）会使鸭肉质量变劣[20]的结果不一致，可能是由于烤制期间鸭肉蛋白受热变性、二级结构改变所致。烤制20 min时鸭胸肉的中心温度达到60℃以上，肌红蛋白开始发生变性；40 min时中心温度大于85℃，肌红蛋白完全变性，色泽稳定下来[12,21,24]；蛋白质变性也会降低保水能力，导致烤制过程中水分损失[35]，北京烤鸭的水分含量不断降低[13]。因此，挂炉烤制过程中蛋白质热变性、二级结构、水分含量和脂肪含量等能反映肉品中心温度的变化。

图6 SVR模型的验证结果

多元线性回归（MLR）、偏最小二乘回归（PLSR）、支持向量回归（SVR）和人工神经网络（ANN）等常用于多变量数据的相关性预测[18-19,36]。采用上述4种方法构建的北京烤鸭中心温度预测模型都可成功实现中心温度的预测，但是各模型的预测精度不同。本研究所建线性模型MLR和PLSR的预测集决定系数2分别为0.9543和0.9384，均方根误差SEC分别为5.8205℃和6.7634℃，MLR模型预测效果优于PLSR模型，但是二者的预测精度偏低[18-19,33]。北京烤鸭中心温度的非线性预测模型SVR和ANN的预测集决定系数2C和交叉验证决定系数2CV高于线性模型，且SVR优于ANN模型，这与SVR和ANN预测模型对交互数据强大的处理能力有关[33,36]。传统北京挂炉烤鸭中心温度的监测成本高、难度大，利用品质指标构建中心温度预测模型，可较好地预测挂炉烤制期间北京烤鸭的中心温度，实现熟度的快速识别。

4 结论

（1）烤制过程中北京烤鸭的中心温度以二次函数方式快速升高，蛋白质二级结构遭到破坏，肌红蛋白、肌球蛋白和肌动蛋白的热变性使鸭胸肉的*值和*增加、*下降，部分脂肪与水分形成烤制损失，部分脂肪向鸭胸肉中迁移，造成鸭胸肉的水分含量下降和脂肪含量增加。

（2）北京烤鸭胸肉的5个特征：色度、肌红蛋白、水分含量、脂肪含量、蛋白二级结构，能够用来有效识别北京烤鸭的中心温度。

（3）基于色泽、肌红蛋白含量、水分含量、脂肪含量、蛋白二级结构等品质参数的SVR模型可准确预测挂炉烤制期间北京烤鸭的中心温度。

[1] 王雅琪, 饶伟丽, 田建文, 王振宇. 烤鸭绿色制造技术研究进展. 食品工业科技, 2017, 38(13): 315-319.

Wang Y Q, Rao W L, Tian J W, Wang Z Z. Research progress in green manufacturing technology of roasted duck., 2017, 38(13): 315-319. (in Chinese)

[2] 周小理, 王雨蔷, 唐文, 谢凡, 周一鸣. 烤鸭水提物细胞抗氧化活性的研究. 食品工业, 2016, 37(6): 212-215.

ZHOU X L, WANG Y Q, TANG W, XIE F, ZHOU Y M. Research of water-soluble extracts from roast duck on cell antioxidant activity., 2016, 37(6): 212-215. (in Chinese)

[3] Huang J. The dining experience of Beijing Roast Duck: A comparative study of the Chinese and English online consumer reviews., 2017, 66: 117-129.

[4] 刘登勇, 周光宏, 徐幸莲. 西餐中肉类烹调程度的控制. 扬州大学烹饪学报, 2004(3): 37-40.

LIU D Y, ZHOU G H, XU X L. Control of meat cooking degree in western cuisine., 2004(3): 37-40. (in Chinese)

[5] 万红兵, 祁兴磊, 李海鹏, 王欢, 雷元华, 张松山, 谢鹏, 刘璇, 孙宝忠. 加热温度和时间对牛肉嫩度影响的主成分分析评价.农业工程学报, 2018, 34(13): 303-310.

WAN H B, QI X L, LI H P, Wang H, Lei Y H, Zhang S H, Xie P, Liu X, Sun B Z. Evaluation of effects of heating temperature and time on tenderness of beef based on principal component analysis., 2018, 34(13): 303-310. (in Chinese)

[6] Aaslyng M D, Bejerholm C, Ertbjerg P, Bertram H C, Andersen H J. Cooking loss and juiciness of pork in relation to raw meat quality and cooking procedure., 2003, 14(4): 277-288.

[7] Wattanachant S, Benjakul S, Ledward D A. Effect of heat treatment on changes in texture, structure and properties of Thai indigenous chicken muscle., 2005, 93(2): 337-348.

[8] 秦刚. 荣昌猪肉在不同烤制温度中挥发性风味物质的研究[D]. 重庆: 西南大学, 2011.

Qin G. Study on the aroma compounds of Rong-chang pork at different core temperature in processing [D]. Chongqing: Southwest University, 2011. (in Chinese)

[9] 潘腾, 孟静, 崔建云, 郭慧媛, 罗海玲, 葛克山. 商业化烤制羊排中心温度预测模型. 农业机械学报, 2015, 46(6): 233-238.

PAN T, MENG J, CUI J Y, GUO H Y, LUO H L, GE K S. Mathematical model for predicting core temperature of commercial mutton chops during grilling., 2015, 46(6): 233-238. (in Chinese)

[10] Liu Y W, Sun D W, Cheng J H, Han Z. Hyperspectral imaging sensing of changes in moisture content and color of beef during microwave heating process., 2018, 11(9): 2472-2484.

[11] 李宏燕, 何建国, 马莹, 王松磊, 吴龙国, 康宁波, 王芹志. 自然对流红外辐射复合加热在羊肉烤制过程中的传热解析. 食品科学, 2017, 38(21): 61-66.

LI H Y, HE J G, MA Y, WANG S L, WU L G, KANG N B, WANG Q Z. Heating transfer analysis during mutton roasting by natural convection combined with infrared radiation., 2017, 38(21): 61-66. (in Chinese)

[12] Felix R, Feyissa A H. Kinetic Modeling of Texture and Color Changes During Thermal Treatment of Chicken Breast Meat., 2018, 11(8): 1495-1504.

[13] 刘晶晶. 结缔组织热变化对牛肉嫩度影响的研究[D]. 北京: 中国农业科学院, 2018.

LIU J J. The influence of heat change of connective tissue on beef tenderness[D]. Beijing: Chinese Academy of Agricultural Sciences, 2018. (in Chinese)

[14] Vieira E S, Mársico E T, Conte-Junior C A, Damiani C, Canto A C V C S, Monteiro M L G, Silva F A. Effects of different frying techniques on the color, fatty acid profile, and lipid oxidation of., 2018, 42(11): e13820.

[15] 叶树良. 北京烤鸭加工工艺研究. 肉类工业, 2012(8): 8-9.

YE S L. Study on processing technology of Beijing roast duck., 2012(8): 8-9. (in Chinese)

[16] Li X, Zhang Y, Li Z, Li M, Liu Y F, Zhang D Q. The effect of temperature in the range of -0.8 to 4℃ on lamb meat color stability., 2017, 134: 28-33.

[17] Zhang L L, Zhang F X, Wang X. Changes of protein secondary structures of pollock surimi gels under high-temperature (100℃ and 120℃) treatment., 2016, 171: 159-163.

[18] 艾虎. 基于计算机视觉的人工神经网络和图像处理技术的牛肉大理石花纹自动分级研究[D]. 雅安: 四川农业大学, 2009.

AI H. Study on the automatic grading for beef marbling based on computer vision ＆ artificial neural network ＆ image processing. Ya’an: Sichuan Agricultural University, 2009. (in Chinese)

[19] 田晓静. 基于电子鼻和电子舌的羊肉品质检测[D]. 杭州: 浙江大学, 2014.

Tian X J. Detection of mutton quality based on electronic nose and lectronic tongue [D].Hangzhou: Zhejiang University, 2014. (in Chinese)

[20] Khan M A, Ali S, Yang H j, Kamboh A A, Ahmad Z, Tume R K, Zhou G h. Improvement of color, texture and food safety of ready-to-eat high pressure-heat treated duck breast., 2019, 277: 646-654.

[21] Yu X y, Llave Y, Fukuoka M, Sakai N. Estimation of color changes in fish surface at the beginning of grilling based on the degree of protein denaturation., 2014, 129: 12-20.

[22] Ferrini G, Comaposada J, Arnau J, Gou P. Colour modification in a cured meat model dried by Quick-Dry-Slice process® and high pressure processed as a function of NaCl, KCl, K-lactate and water contents., 2012, 13: 69-74.

[23] García-Romero J, Ginés R, Izquierdo M S, Haroun R, Badilla R, Robaina L. Effect of dietary substitution of fish meal for marine crab and echinoderm meals on growth performance, ammonia excretion, skin colour, and flesh quality and oxidation of red porgy ()., 2014, 422/423: 239-248.

[24] Cai L y, Li D m, Dong Z j, Cao A l, Lin H, Li J r. Change regularity of the characteristics of Maillard reaction products derived from xylose and Chinese shrimp waste hydrolysates., 2016, 65: 908-916.

[25] Yarmand M S, Homayouni A. Effect of microwave cooking on the microstructure and quality of meat in goat and lamb., 2009, 112(4): 782-785.

[26] Adedeji A A, Ngadi M O, Raghavan G S V. Kinetics of mass transfer in microwave precooked and deep-fat fried chicken nuggets., 2009, 91(1): 146-153.

[27] Yu T Y, Morton J D, Clerens S, Dyer J M. Cooking-induced protein modifications in meat., 2017, 16(1): 141-159.

[28] Wei L q, Cui B w, Jamali M A, Hui T, Liu S x, Bao Y j, Peng Z q, Zhang Y w. The mechanics of formation of heat- induced myofibrillar protein gel from rabbit psoas major., 2017, 15(2): 181-190.

[29] Böcker U, Ofstad R, Bertram H C, Egelandsdal B, Kohler A. Salt-induced changes in pork myofibrillar tissue investigated by FT-IR microspectroscopy and light microscopy., 2006, 54(18): 6733-6740.

[30] Bertram H C, Kohler A, Böcker U, Ofstad R, Andersen H J. Heat-induced changes in myofibrillar protein structures and myowater of two pork qualities. A combined FT-IR spectroscopy and low-field NMR relaxometry study., 2006, 54(5): 1740-1746.

[31] Kirschner C, Ofstad R, Skarpeid H J, HØst V, Kohler A. Monitoring of denaturation processes in aged beef loin by fourier transform infrared microspectroscopy., 2004, 52(12): 3920-3929.

[32] Hashim D M, Che Man Y B, Norakasha R, Shuhaimi M, Salmah Y, Syahariza Z A. Potential use of Fourier transform infrared spectroscopy for differentiation of bovine and porcine gelatins., 2010, 118(3): 856-860.

[33] Farifteh J, Van der Meer F, Atzberger C, Carranza E J M. Quantitative analysis of salt-affected soil reflectance spectra: A comparison of two adaptive methods (PLSR and ANN)., 2007, 110(1): 59-78.

[34] Hughes J M, Oiseth S K, Purslow P P, Warner R D. A structural approach to understanding the interactions between colour, water-holding capacity and tenderness., 2014, 98(3): 520-532.

[35] Micklandery E, Peshlovy B, Purslow P P, Engelseny S B. NMR-cooking: monitoring the changes in meat during cooking by low-field1H-NMR., 2002, 13(9/10): 341-346.

[36] 熊振杰. 基于高光谱成像技术的鸡肉品质快速无损检测[D]. 广州: 华南理工大学, 2015.

XIONG Z J. Rapid and non-destructive detection of chicken meat quality based onhyperspectral imaging technique [D]. Guangzhou: South China University of Technology, 2015. (in Chinese)

Prediction of Center Temperature of Beijing Roast Duck Based on Quality Index

LIU YanXia1,2, WANG ZhenYu1, ZHENG XiaoChun1, ZHU YaoDi2, CHEN Li1, ZHANG DeQuan1

(1Institute of Food Science and Technology, Chinese Academy of Agricultural Sciences/Key Laboratory of Agro-Products Processing, Ministry of Agriculture and Rural Affairs, Beijing 100193;2College of Food science and Technology, Henan Agricultural University/Henan Key Laboratory of Meat Processing and Quality Safety Control, Zhengzhou 450002)

【Objective】 The aim of this study was to solve the problem in detecting center temperature of Beijing roast duck during traditional Gua-lu roasting accurately and timely. 【Method】The prediction models of center temperature were established by using multiple linear regression, partial least-squares regression, support vector regression and artificial neural network according to the quality indicators. 【Result】The results showed that the models were effective to identify center temperature of Beijing roast duck by*,*,*, deoxymyoglobin, oxymyoglobin, metmyoglobin, moisture and fat content, as well as protein secondary structure of duck breast. The R2Cof multiple linear regression and partial least-squares regression were 0.9543 and 0.9384, and SEC of 5.8205℃ and 6.7634℃, respectively. The prediction effect of multiple linear regression was better than partial least-squares regression, while the prediction model of support vector regression was superior to artificial neural network.2Cand2CVof support vector regression were 0.9837 and 0.9496, SEC and SECV were 3.5215℃ and 6.1236℃, respectively, so the support vector regression was the best prediction model of center temperature. The2Vof the verified models of support vector regression was 0.9748, and the SEV was 5.5204℃. The model obtained by support vector regression together with the modeling results could accurately predict the center temperature of Beijing roast duck. 【Conclusion】The color, myoglobin, water content, fat content and protein secondary structure of the breast of Beijing roast duck could effectively identify the central temperature. The SVR model was the most accurate prediction model for the center temperature.

Beijing roast duck; center temperature; quality; prediction model

2019-12-10；

2020-02-14

国家重点研发计划（2016YFD0401505）

柳艳霞，E-mail：liuyanxia@henau.edu.cn。通信作者张德权，E-mail：dequan_zhang0118@126.com

（责任编辑 赵伶俐）