无损检测技术在羊肉品质分析中的研究进展

姜 莎 闫彩霞 范 鑫 张彦斌 张宏博

内蒙古自治区市场监督管理审评查验中心 内蒙古呼和浩特 010090

随着居民生活水平的提高和消费观念的改变，肉类消费结构发生变化。羊肉因脂肪和胆固醇含量较低，且含有较高的蛋白质，逐渐受到消费者的欢迎，需求量不断上升。据国家统计局数据，2019年全国羊肉产量488万吨，同比增长2.6%。从肉类供给结构看，羊肉产量占肉产品总产量逐年稳步上升，发展空间可期[1]。对其品质进行管理、监测是肉品行业的重要工作之一。传统的品质评价主要以感官检测、理化检测及微生物检测为主[2]，由于实验周期较长且前处理具有一定破坏性，使得常规检测技术很难满足日益增长的肉品消费量的需求[3]。近年来，无损检测技术以其无损化、快速性等优点，在肉品品质检测领域发展迅速[4]。无损检测指在不影响或不损害被测对象使用性能前提下[5]，利用声、光、电、磁等特性快速判定被检对象品质的所有技术手段的总称[6,7]。针对肉品在检测过程中呈现出的特性,光谱、超声波、射频识别、核磁共振、X光成像、高光谱成像、计算机视觉、电子鼻、电子舌和生物传感器等实时、快速、准确、无损的检测技术被应用到肉品品质检测与评价中[8]。

本文综述了国内外羊肉品质无损检测方法的研究现状，并对未来我国羊肉品质无损检测技术的研究与发展做出展望。

1 感官品质的无损检测技术与应用

1.1 嫩度检测

肉的嫩度是评价肉品食用品质的重要指标之一，也是影响消费购买的因素之一[9]。国际上以切断肉品肌纤维的难易程度作为嫩度的判断标准，用剪切力值来表示[10]，嫩度(即柔韧性)的常规检测技术为感官检测，客观检测技术采用质构仪所检测的最大剪切力代表嫩度值，是以破坏原材料为前提的检测技术[11]。

王松磊[12](2016)等利用可见/近红外高光谱图谱融合技术对宁夏滩羊肉嫩度检测进行研究，创建羊肉嫩度的检测模型，优选经Savitzky-Golay(S-G)卷积平滑法处理的特征波长下光谱信息，经偏最小二乘回归(partial least squares regression，PLSR)建立了相关系数为0.89，预测均方根误差(root mean square error of prediction，RMSEP)为0.73的羊肉嫩度模型。张德权[13](2008)等以4个肉羊产区(内蒙、宁夏、甘肃、新疆)筛选98份羊肉样品为试材，应用傅里叶变换近红外光谱技术，采用偏最小二乘法(partial least squares，PLS)定量分析了羊肉嫩度，模型的决定系数(r2)为86.2%，校正标准差(root mean square error of cross validation，RMSECV)为0.445。Fowler[14](2014)等研究用拉曼光谱技术预测新鲜羊肉的剪切力，建立了羊肉嫩度与拉曼数据的联系，发现拉曼数据与剪切力具有较好的相关性。王婉娇[15](2015)等利用900～1 700 nm近红外高光谱成像系统，提取样本感兴趣区域(region of interest，ROI)反射光谱曲线，用剪切力值来表征冷鲜羊肉的标准嫩度，结合偏最小二乘回归化学计量分析方法建立了预测相关系数为0.773，均方根误差值为1.060的羊肉嫩度预测模型，该模型具有较好的预测稳定性。

1.2 色泽检测

肉类颜色的好坏不仅影响其品质，也会影响到消费者的购买欲望[16]。评价方法以感官评估为主，主观性较强。客观评定主要使用的是色差计[17,18]，一旦测量区域过大，有可能引起偏差，不适合大面积检测[19]，难以满足市场需求。

尚梦玉[20](2018)等通过900～1 700nm波长的近红外高光谱成像技术对检测羊肉的色泽，经过标准正态变量变换(standard normal variate，SNV)预处理，用正自适应加权算法(competitive adaptive reweighted sampling，CARS)对其降维，并利用偏最小二乘回归进行建模；结果表明，高光谱技术用于预测肉的颜色是可行的。王婉娇[21](2016)利用可见近红外高光谱成像技术对羊肉色泽进行检测，通过建立PLSR模型，探究不同前处理对建模效果的影响；结果表明，经S-G平滑处理后建立的冷鲜羊肉嫩度PLSR预测模型效果较好，对黄度b*的预测效果最明显，可以此参数有效实现快速无损检测冷鲜羊肉新鲜度的目的。许卫东[22](2016)等采用高光谱图像技术，对140个真空包装冷却羊肉储存过程中的亮度(L*)、红度(a*)、黄度(b*)和色差(e*)进行检测研究；结果表明，采用全波段和经过遗传算法(genetic algorithm，GA)提取的特征波段，经建模处理后的精度优于通过全波段建立的PLSR模型，然而b*的预测精度较低。梁晓燕[23](2016)等用波段为400～1 000nm的高光谱成像系统对140个冷鲜羊肉颜色进行无损检测研究；结果表明，可见-近红外高光谱成像技术结合联合区间偏最小二乘法对冷鲜羊肉颜色的快速无损检测是可行的。程丽娟[24](2020)等利用可见近红外光谱(visible near infrared spectrum，ViS-NIR)与化学计量学方法相结合，提取贮藏期间200个滩羊肉光谱图像的感兴趣区域，探讨高光谱成像快速无损检测滩羊肉中高铁肌红蛋白(metmyoglobin，MetMb)含量的可行性，以及开发滩羊肉中MetMb含量的定量函数；结果表明，最佳模型为间隔随机蛙跳算法(interval random frog，IRF)+连续投影算法(successie projection algorithm，SPA)-偏最小二乘回归(PLSR)，不仅减少了计算时间，而且生成了更准确、更稳健的预测模型。

2 理化指标的无损检测技术与应用

肉主要由水分、蛋白质、脂肪、无机物、维生素等组成，由于不同化学成分之间的系列反应，肉的颜色、滋味、嫩度都可能发生变化，从而导致不良的外观，影响消费者购买欲望，给销售者带来经济损失。现有用于检测主要成分的方法多具有破坏性、耗时，因此急需一种快速的无损检测方法来实现对这些理化指标的分析[25]。

Kamruzzaman[26](2012)等应用高光谱成像系统(波长900～1 700nm)检测羊肉脂肪、水分、蛋白质，选取与脂肪和水分相关性最大的6个特征波长(960、1 057、1 131、1 211、1 308、1 394 nm)，选取另外6个特征波长(1 008、1 211、1 315、1 445、1 562、1 649nm)用于蛋白质的预测。利用偏最小二乘回归建立多元校正模型，结果表明，脂肪、水分、蛋白质含量的决定系数分别为0.88、0.88和0.63，预测标准误差分别为0.40%、0.51%、0.34%。王家云[27,28](2015)等利用近红外高光谱图像技术(波长900～1 700nm)对滩羊肉开展品质检测研究，利用回归系数法分别针对pH值、蛋白质和脂肪提取特征波长，并分别建立各指标含量的PLSR模型，各指标模型预测集决定系数分别为0.72、0.83和0.86。刘晓琳[29](2018)等利用近红外反射光谱技术对市售的100批新冷鲜羊肉进行分析，运用偏最小二乘法对羊肉中水分、蛋白质、脂肪的含量进行定性分析，并建立了定量回归模型，所建立模型精确度符合检测要求，校验值都在0.9以上。车天宇[30](2019)等利用近红外光谱技术(near infrared spectroscopy，NIRS)分析大青山山羊肉中蛋白质与总脂肪含量，结合偏最小二乘法建立定量预测模型，预测模型的均方根误差(root mean square error，RMSEC)分别为0.503和0.668。验证该模型，得到蛋白质含量预测模型RPD(residual predictive deviation)值为3.71，总脂肪含量预测模型RPD值为3.23。

2.1 水分的检测

水分是肉的主要组成成分，也是营养物质之一，肉中的水分含量不仅影响其品质，同时也影响其货架期，因此水分含量的检测是肉类品质分析中的重要项目之一。

王迪[31](2018)等利用波段范围更宽的高光谱成像系统(1 000～2 500nm)对108个羊肉样本的含水率进行检测。采用相关系数法选取特征波长(1 100、1 346、1 421、1 635、1 786、2 111nm)，优选去趋势校正法为最佳预处理算法，建立PLSR模型和逐步多元线性回归(stepwise multiple linear regression，SMLR)模型，结果表明SMLR模型效果较好。王梦娇[32](2017)等利用低场核磁共振技术(low-field nuclear magnetic resonance，LF-NMR)，对羊肉中自由水、结合水与不易流动水的分布和变化情况与肉的品质的相关性进行研究，试验表明，羊肉中自由水、结合水与不易流动水的弛豫时间均与pH值、挥发性盐基氮(total volatile basic nitrogen，TVB-N)及菌落总数有显著的相关性，亦可以确定LF-NMR能够很好地表征冷鲜羊肉贮藏期间有关水分及品质变化情况。

2.2 pH的检测

羊肉本身的品种、屠宰方法、宰前生理状况等都会对肉的pH值产生一定影响。宰后的羊肉，由于代谢过程发生改变，肌糖剧烈分解，乳酸和磷酸渐渐聚集，使肉的pH值下降，因此pH值反映了羊肉的新鲜度。

Fowler[33](2015)等研究拉曼光谱手持装置预测新鲜羊肉品质特征的可行性，结果显示，羊在死后第1天所测半膜肌的pH值24h与拉曼光谱数据具有良好的相关性，但在第5天时，二者相关性降低。Kamruzzaman[34](2012)等应用高光谱成像技术(波长900～1 700nm)对羔羊肉的pH值进行预测，应用PLS建立最终模型，得到标准偏差与内部交叉验证均方差的比值为1.76，通常此值大于2表示预测合理[35]，这意味着该模型精度较低，未来需要更多的学者深入研究如何提高高光谱成像技术在羊肉pH值中的预测精度。邱园园[36](2017)等利用近红外光谱技术对新疆小尾寒羊的化学指标pH和物理指标颜色亮度(L*)进行分析，结果表明，最佳模型为遗传算法(GA)与连续投影算法(SPA)筛选特征波段建立的多元线性回归模型(multiple linear regression，MLR)，预测集相关系数均为0.91，预测集均方根误差分别为0.13和1.91。段宏伟[37](2016)等通过2种不同提取ROIs方法对羊肉pH值光谱检测模型进行评估与比较，结果表明，高光谱成像技术与“图像分割法”提取ROIs相结合的方法在羊肉pH值的检测中具有可行性。

2.3 挥发性盐基氮(TVB-N)的检测

挥发性盐基氮(TVB-N)是判断肉品腐败过程的主要化学信息[38]能有效评价羊肉的新鲜度。

张珏[39](2020)等通过高光谱成像系统获取羊肉样本935～2 539nm范围的图像，测定羊肉挥发性盐基氮(TVB-N)含量并划分样本新鲜度类别。结果表明，与基于反向人工神经网络(backpropagation artificial neural network，BPANN)模型相比，分类回归决策树(classification and regression tree，CART)模型具有更高的平均分类准确率和识别率，表明高光谱成像技术在羊肉新鲜度判别方面具有良好的应用潜力。张晶晶[40](2019)等利用可见/近红外高光谱成像技术(400～1 000nm)结合化学计量学和动力学方法，建立15℃贮藏过程中滩羊肉TVB-N含量模型，实现TVB-N的快速检测和贮藏期的预测。朱荣光[41](2016)等利用高光谱图像技术400～1 000nm检测羊肉TVB-N含量，结果表明，PLSR和PCR模型都能实现TVB-N的定量检测，最终建立的PLSR模型校正集的相关系数以及预测相关系数均为0.92。范中建[42](2018)等通过对460～1 000nm的羊肉高光谱图像提取数据，以TVB-N划分新鲜度等级，采用连续投影算法(SPA)、主成分分析(principal component analysis，PCA)2种方法对预处理后的光谱数据进行压缩降维，利用反向传播(back-propagation，BP)神经网络、自适应提升BP(adaptive boosting BP，Adaboost-BP)神经网络两种方法进行建模；结果表明，建立的Adaboost-BP模型校正集准确率均为100%，预测集准确率94.44%，优于采用SPA、PCA建立的BP模型。姜新华[43,44](2018)等分别采集了70个和140个代表各级新鲜程度的羊肉样本的高光谱图像(400～1 000nm)，选择感兴趣区域(ROIs)提取挥发性盐基氮(TVB-N)和菌落总数(TAC)的代表性光谱图像，进行三层神经网络分类识别试验；结果表明，高光谱图像与稀疏核典型相关分析冷鲜羊肉新鲜度等级总体精度(overall accuracy，OA)分别为0.9393和0.9378，均方根误差(RMSEC)分别为0.297和0.279。王莉[45](2017)等利用400～1 000nm可见近红外高光谱对宁夏滩羊冷鲜肉的挥发性盐基氮和菌落总数进行检测。采集羊肉表面光谱图像，运用理化值共生距离法(sample set partitioning based on joint X-Y distances，SPXY)划分样本校正集和预测集。结果表明，光谱数据经正交信号校正(OSC)预处理，建立的TVB-N含量和菌落总数预测模型效果较好，校正相关系数(Rc)分别为0.9147和0.9067，预测相关系数(Rp)分别为0.8802和0.8743。通过不同建模方法比较，偏最小二乘回归(PLSR)法效果较好。

3 微生物指标的无损检测技术与应用

细菌总数(total viable count，TVC)是反映羊肉腐败和被污染状况的重要指标，郑彩英[46](2015)等采用不同光谱范围的高光谱成像系统(400～1 100nm和900～1 700nm)检测冷却羊肉的细菌总数，结合人工神经网络(反向人工神经网络和径向基人工神经网络)和偏最小二乘法建立预测模型，以径向基人工神经网络900～1 700nm波长范围建立模型效果较优，其相关系数为0.9988。段宏伟[47](2017)等利用高光谱图像技术，结合特征波长筛选方法，预测真空包装冷却羊肉中的TVC；结果表明，竞争性自适应重加权法结合偏最小二乘模型的模型效果最优，该模型的预测集决定系数和预测集均方根误差大小分别为0.92和0.47，预测相对分析误差为3.58。郭中华[48](2014)等利用近红外高光谱(900～1 700nm)成像技术，对20d贮藏期内的冷鲜羊肉表面细菌总数进行快速无损检测。由80个样本表面高光谱图像获取目标区域反射光谱，采用多元散射校正和二阶导数相结合(multiplicative scatter correction adding second derivative，MSC+SD)的方法进行预处理。最后分别采用PLS、径向基函数人工神经网络(radial basis function artificial neural network，RBF-ANN)和BP-ANN建立冷鲜羊肉表面细菌总数预测模型，结果表明RBF-ANN模型预测效果最好，均方根误差为0.2507，相关系数达到0.9988。魏菁[49](2018)等利用400～1 100nm高光谱对冷却羊肉样本表面细菌总数进行检测，并采用基于极限学习机(extreme learning machine，ELM)及其改进算法建立预测模型；结果表明，最佳模型为遗传算法优化核极限学习机(GA-KELM)模型。高万豪[50](2019)利用多光谱相机采集图像数据(波长范围为600～1 000nm)，建立细菌总数预测模型，以化学计量学方法作为对照，同时在不同波段波长范围下，检测冷鲜羊肉表面微生物活细胞数量，确定了冷鲜羊肉细菌总数的最佳检测方法改进的极限学习机模型。

4 其他安全指标的无损检测技术与应用

在评价羊肉品质安全风险时，还应考虑肉的产地、品种，同时明确其来源。一旦品质出现了问题，可追溯到养殖源头。这对于羊肉安全检测有重要意义。张宁[51](2008)等采用近红外光谱技术，结合簇类独立软模式法(soft independent modeling of class analogy，SIMCA)建立羊肉产地溯源模型，结果表明，在1%的显著水平下，内蒙临河市、河北大厂县、宁夏银川市、山东济宁市产地校正集模型对未知样本的拒绝率均为100%，识别率分别为100%、100%、100%、95%。

思振华[52](2013)等采用高光谱成像技术(400～1 000nm)对羊肉表面5种小肠肠溶物及5种大肠肠溶物污染进行无损检测，结合主成分分析法对采集到的高光谱图像数据进行分析；结果表明，羊肉表面肠溶物基于特征波段光谱范围的检测率为98.1%，基于全光谱范围的检测率为98.5%。

5 掺假肉的无损检测技术与应用

刘友华[53](2015)等选取390～1 040nm波长范围的高光谱图像技术检测羊肉中掺假猪肉，结合PLS预处理方法选取标准正态变量校正法，利用竞争性自适应重加权算法简化分析模型；结果表明，该模型可对掺假羊肉进行准确的定量。王胜威[54](2015)利用低场核磁共振检测装置，对正常羊肉及注水、注胶羊肉进行鉴别，结合主成分分析法(PCA)及逐步判别分析(Step-LDA)对不同的羊肉样品进行区分辨识并交叉验证。结果表明，当注射不同种类胶后，T22增大向右偏移，其中峰面积变化与胶的吸水性有关，羊肉注水后T23向后推移且峰面积变大，并用PCA判别不同程度的注水肉。Biasio[55](2015)等利用改善空间分辨率的微拉曼光谱技术，结合PCA、LDA及K-近邻算法(k-nearest neighbors，KNN)检测羊肉、火鸡、鸡肉、猪肉、马肉和牛肉；结果表明，该模型可成功将其区分从而达到鉴别的目的。Nurjuliana[56](2011)等采用表面声波传感器电子鼻对羊肉、鸡肉、牛肉、猪肉及其香肠产品中的挥发性成分进行检测，利用PCA实现对不同肉类的判别。田晓静[57](2013)等利用电子舌检测掺假不同含量鸡肉的羊肉糜，结合PCA和判别分析，建立了能定量预测掺假鸡肉比例的多元线性回归分析和偏最小二乘回归分析模型(R2>0.99)。Tian[58](2013)等利用金属氧化物传感器分析羊肉中猪肉含量，确定逐步线性判别分析(linear discriminant analysis，LDA)为特征提取的最优方法，建立了较好的BPNN预测模型(R2>0.97)。

6 结语

综上所述，包括光谱、超声波、射频识别、核磁共振、X光成像、高光谱成像、计算机视觉、电子鼻与电子舌和生物传感器等无损检测技术，目前在羊肉品质的检测中发展较快。无损检测技术具有检测快速、易于操作且可在不破坏肉类结构的同时对样品进行测定等优点，在羊肉品质分析和安全评价等方面体现出巨大的潜在价值。目前大多数研究仅采用一种检测手段，及较传统的模式识别方法和信号预处理技术，而肉类品质分析和安全评价是一个涉及很多方面的复杂过程，必须运用多项指标综合评定。因此，多技术联合使用及现代模式识别技术、信号处理技术的不断提高，将是国内外肉类品质无损检测研究的发展趋势。