基于可见-近红外光谱的滩羊肉多品质指标无损检测

马梦媛 郑晓春 李岩磊 陈 丽 杨 奇

(1 宁夏大学食品与葡萄酒学院，宁夏 银川 750021；2 中国农业科学院农产品加工研究所，北京 100193；3 宁夏回族自治区兽药饲料监察所，宁夏 银川 750001)

滩羊是我国优良绵羊品种之一，主要分布在宁夏盐池县[1]。盐池县独特的碱性生长环境造就了滩羊肉色泽鲜红、脂肪分布均匀、含脂率低、风味不膻不腥、肉质富有弹性、口感细腻润滑等优良品质，滩羊因此成为宁夏的“五宝”之一——“白宝”，深受广大消费者的喜爱[2]。

随着生活水平的提高，消费者更注重优质肉品的摄入[3]。肉品品质直接影响人们的生活质量和健康安全，也影响整个肉品行业的发展[4]。因此关于肉品品质的快速检测技术倍受重视，也成为肉品科学当前的研究热点之一。目前羊肉品质检测大多采用感官评价和理化检测等传统方法[5]，检测效率低、时间长且易破坏样品[6]，无法满足肉类品质快速、无损、准确的检测需求，难以广泛应用于市场检测[7]。随着电子鼻、电子舌、光谱技术、核磁共振等新型无损检测技术的快速发展，肉品质检测的速度、准确度、精度也在不断提高[8]。近红外光谱技术已广泛应用于羊肉品质检测中并快速发展成为现今的热门技术[9]。国内外众多学者利用该技术对不同肉类中化学组成成分、肉品品质特性、产地及掺假鉴别等方面进行了大量研究[10]，在肉品检测中已有一定的应用基础。在肉品理化成分与品质特性预测方面，Viljoen等[11]、Balage等[12]、Prieto等[13]和刘晓琳等[14]使用近红外光谱技术对肉品色泽、pH值、嫩度、蛋白质、脂肪、水分等进行预测，建立的预测模型决定系数在0.30～0.90之间；在肉品定性分析方面，孙淑敏[15]利用近红外技术建立的不同产地羊肉的判别模型可鉴别羊肉产地来源，王培培[16]建立的不同品种羊肉的定性判别模型可对9个品种羊肉进行鉴别，Kamruzzaman等[17]对羊肉中不同比例的猪肉掺假进行鉴别研究，结果表明所建的鉴别模型可准确鉴别掺杂猪肉的羊肉样本。

综上，近红外光谱技术可较准确地测定肉中脂肪、蛋白质和水分等主要物质组成和含量，也可以构建产地和品种鉴别模型，但目前多数肉品质预测模型仅是基于某一批同质化程度较高的样品集构建的，多数研究中检测指标单一，样品随机性及丰富度不够，使得构建的预测模型的适用性和稳定性均有一定的限制，在一定程度上限制了近红外光谱技术在肉品质无损检测装备的在线化应用。

基于此，本试验以宁夏滩羊为研究对象，采集宰后1、24和72 h 3个时期200～1 100和900～1 700 nm 2个波段的可见-近红外光谱信息，并测定色泽、pH值、蒸煮损失等7个品质指标，基于预处理优化后的光谱数据建立各品质指标的偏最小二乘回归(partia′least squares regression, PLSR)预测模型，以期实现滩羊宰后不同时期多部位融合的多品质指标无损预测，丰富和拓展羊肉品质近红外光谱无损预测模型的适用范围，为滩羊肉品质控制和优质特色产品生产提供数据支持和技术支撑。

1 材料与方法

1.1 试验材料

滩羊肉样品取自宁夏吴忠市盐池县滩羊产业集团，选取3～5月龄、6～9月龄、10～12月龄、12～15月龄的滩羊共36只，经屠宰后取其单侧外脊、前腿、羊霖、臀肉4个部位肉共144块，肉样经分割整形后进行光谱数据采集及各品质指标测定，僵直前期、最大僵直期和解僵成熟期的光谱数据采集及各指标测定保证在滩羊宰后1、24、72 h完成。

1.2 仪器与设备

AvaSpec-ULS2048CL-EVO-RS型光谱仪，荷兰Avantes公司(光谱分辨率最小为0.05 nm，自建光源：20 W卤钨灯反射灯杯)；MicroNIR微型近红外光谱仪，美国JDSU公司(含双集成真空钨灯光源，分光器：线性渐变滤光片LVF)；CM-600D色差计，柯尼卡美能达公司；便携式Testo 205型pH计，德图仪器国际贸易上海有限公司；C-LM4型肌肉嫩度仪，东北农业大学工程学院；HH-4数显恒温水浴锅，江苏省金坛市荣华仪器制造有限公司；全自动凯式定氮仪，丹麦FOSS公司；SOX406型粗脂肪测定仪，山东海能科学仪器有限公司；DHG-9140AS型恒温干燥箱，宁波江南仪器厂。

1.3 试验方法

1.3.1 近红外光谱采集 滩羊肉样品200～1 100 nm、900～1 700 nm波段可见-近红外光谱数据使用仪器自带的AvaSoft 8.7和MicroNIR1.5.7软件采集。采集前先打开光谱仪预热20 min，并对光谱采集系统进行黑白参考校正，采集参数设置为：AvaSpec-ULS2048CL-EVO-RS型光谱仪(采集波段范围200～1 100 nm， 积分时间100 ms，平均次数5次，扫描分辨率0.6 nm)；MicroNIR微型近红外光谱仪(采集波段范围900～1 700 nm，积分时间38 ms，扫描次数50次，扫描分辨率为6.2 nm)。每个样品采集表面3个不同位点的可见-近红外反射光谱数据，计算其平均光谱作为该样本的代表光谱，光谱采集示意图如图1所示。

图1 光谱采集示意图Fig.1 Schematic diagram of spectral acquisition

1.3.2 品质指标测定 样品色泽测定参考李蒙[18]的方法，色差计校准后在样品表面随机选取4个点进行测定，以L*、a*、b*值表示样品色泽；pH值测定参考Szerman等[19]的方法，将校准后的便携式pH计探头插入肉中，插入深度约为1.5～2 cm，测定样品表面3个随机点的pH值，以平均值表示样品的pH值；蒸煮损失测定参考肖雄[20]的方法，称取样品50～70 g置于蒸煮袋内71℃水浴30 min，取出肉块冷却至室温测定蒸煮损失，蒸煮损失率用样品水浴前后质量差与水浴前质量的比值表示；剪切力测定参考李桂霞等[21]的方法并稍作更改，测定完蒸煮损失的样品沿肌纤维方向切成1.0 cm×1.0 cm×1.5 cm的块状，用肌肉嫩度仪测定样品的剪切力；样品蛋白质、粗脂肪和水分含量均参照《GB 5009.5-2016 食品安全国家标准 食品中蛋白质的测定》[22]、《GB 5009.6-2016 食品安全国家标准 食品中脂肪的测定》[23]和《GB 5009.3-2016 食品安全国家标准 食品中水分的测定》[24]测定。

1.4 光谱数据处理及建模

本研究使用SG平滑法(Savitzky-Golay, SG)、一阶导数处理(first derivative, 1-Der)、二阶导数处理(second derivative, 2-Der)、多元散射校正(multiplicative scatter correction, MSC)、标准正态变量(standard normalized variate, SNV)对采集的原始光谱数据进行预处理。使用偏最小二乘回归(PLSR)建立各品质指标的预测模型。PLSR可实现主成分分析、典型相关分析与多元线性回归的综合[25]，提取主成分时对自变量X(光谱矩阵)和因变量Y(样品理化成分矩阵)进行信息提取，将X、Y分别分解成特征向量、载荷向量矩阵，对其进行回归分析，使得特征向量直接与样品性质相关，所建立的模型具有较高的解释和预测能力[26]。

1.5 模型验证评价

建模时144个样品划分108个校正集样本(calibration set)来建立量化分析模型，36个预测集样本(prediction set)对模型效果进行初步验证评价。试验选用校正均方根误差(root mean square error of calibration set, RMSEC)、预测均方根误差(root mean square error of prediction set, RMSEP)、校正集相关系数(related coefficient of calibration set,Rc)、预测集相关系数(related coefficient of prediction set,Rp)等[27]参数评价各指标PLSR模型的预测性能，选择出更为精准的模型。

1.6 数据处理

采用SPSS 22软件对测定的滩羊肉样品品质指标数据进行分析，采用MATLAB R2014a软件对光谱数据进行预处理及PLSR建模分析。

2 结果与分析

2.1 滩羊肉品质参数测定结果

肉品品质参数主要包括色泽、pH值、蒸煮损失、剪切力、蛋白质、脂肪、水分等，这些品质参数直接影响肉的加工性能及食用品质[28-29]。对测定的144个滩羊肉样品各品质指标数据进行区间划分，结果如图2所示，从滩羊肉各品质指标值的分布情况来看，样品的色泽L*值集中分布在30～40之间，a*值集中分布在9～12之间，b*值集中分布在6～10之间，pH值集中分布在6.5～7.3之间，蒸煮损失集中分布在20%～30%之间，剪切力集中分布在50～100 N之间，蛋白质含量集中分布在20%～22%之间，粗脂肪含量集中分布在1%～3%之间，水分含量集中分布在72%～76%之间。以上结果表明，各品质参数理化值变化范围较广，数据分布较稳定，近似呈正态分布，各品质指标数据具有代表性，表明样品集的选择比较合理，有利于建立适用范围广、预测能力更好的模型[30]。

2.2 光谱数据预处理

采集样品200～1 100 nm波段的光谱数据两端噪声较大且信号较弱，因此截取370～1 050 nm范围的光谱信息进行预处理，结果如图3所示。图中A为原始光谱曲线，B～F为经过不同预处理的光谱曲线，各样品原始光谱曲线形状基本一致且大量集中分布，经过预处理后的光谱曲线变得更为平滑，且排列也比处理前更整齐、紧密，能够更加清楚地观察到样品反射光谱波峰波谷的位置。样品光谱曲线在400～600 nm范围反射率比较低，在600～900 nm红色光谱区域反射率较高，在450、570、750、980 nm附近出现强烈吸收峰，前3个峰在可见光范围内出现，这与反映肉色泽的物质对光的吸收有关[31]，450 nm附近为脱氧肌红蛋白和氧合肌红蛋白的特征吸收峰，570 nm附近反映了脱氧肌红蛋白的吸收峰，750 nm处的吸收峰主要与肉中血红蛋白、肌红蛋白特征吸收有关[32]，980 nm附近的吸收峰对应C-H、O-H基团的四级和二级倍频吸收，与肉中的水分密切相关[33]。

图2 滩羊肉各指标化学值分布直方图Fig.2 Distribution of chemical values of each index in Tan mutton

采集样品900～1 700 nm波段光谱数据，其光谱曲线如图4所示。图中A为原始光谱图，B～F为不同预处理的光谱图，原始光谱曲线呈现为两个数据群体，可能是由于采集光谱过程中受到外界噪音、光源影响或部分样品的肌间筋膜、肌间脂肪较多使得样品的反射率增加[34]。对原始光谱进行SNV处理和MSC处理明显改善了光谱曲线分离的现象，使光谱曲线排列更紧密整齐。羊肉脂肪、蛋白及水分含量约占质量的95%以上，因此光谱吸收峰主要与其所含的O-H、C-H和N-H2等基团紧密相关。从图中可观察到样品有2个明显的吸收峰，在970～980 nm处的吸收峰可能与O-H基团的二级倍频吸收有关，1 190～1 200 nm处的吸收峰可能与C-H基团的一级、二级倍频吸收有关[35]。

2.3 各指标PLSR建模结果分析及光谱数据预处理方法的选择

参与建模分析的样品各指标参数结果统计如表1所示，共有144个样品，按照3∶1的比例随机划分为校正集108个、预测集36个，表中校正集各指标参数变幅范围与预测集相近，且校正集与预测集的平均值和标准差相近，可见校正集与验证集内的样本分布相似，表明建模样品集选择合理。

注：A：原始光谱图；B：SG处理光谱图；C：MSC处理光谱图；D：SNV处理光谱图；E：一阶导光谱图；F：二阶导光谱图。下同。Note: A: Original spectrogram. B: SG processing spectrogram. C: MSC processing spectrogram. D: SNV processing spectrogram. E: 1-Der processing spectrogram. F: 1-Der processing spectrogram. The same as following.图3 滩羊肉原始光谱曲线及不同预处理光谱曲线(370～1 050 nm)Fig.3 Original spectral curve and different pretreatment spectral curve of Tan mutton(370～1 050 nm)

图4 滩羊肉原始光谱曲线及不同预处理光谱曲线(900～1 700 nm)Fig.4 Original spectral curve and different pretreatment spectral curve of Tan mutton(900～1 700 nm)

2.3.1 滩羊肉370～1 050 nm波段PLSR建模结果分析 各品质指标370～1 050 nm波段不同光谱预处理的PLSR模型结果如表2所示，蒸煮损失和粗脂肪含量原始光谱建立PLSR模型效果较好，其中粗脂肪校正集、预测集的相关系数RC和RP为0.910和0.830，误差值RMSEC和RMSEP为0.562和0.709，其余指标原始光谱建模效果不佳。各指标经过预处理之后建模效果得到提升，校正集和预测集的RC和RP均明显提高，RMSEC和RMSEP减小；SG处理后光谱数据的建模效果稍有提升，但对预测集的改善效果不好，甚至会出现预测集的相关系数降低的情况；光谱数据经MSC或SNV处理建模效果明显提升，二者对建模效果的改善结果基本一致，SNV处理后色泽L*、a*、b*值和剪切力值建模效果最优，RC和RP分别为0.912、0.948、0.948、0.896和0.843、0.922、0.918、0.805，RMSEC和RMSEP分别为1.762、0.502、0.671、8.515和2.427、0.621、0.761、11.382；MSC处理后pH值、蒸煮损失值、蛋白质含量、水分含量建模效果最优，RC和RP分别为0.910、0.955、0.925、0.924 和0.834、0.869、0.882、0.879，RMSEC和RMSEP分别为0.156、1.335、0.781、0.892和0.233、2.287、1.005、1.276；一阶导数、二阶导数处理的建模效果较差，校正集、预测集的RC和RP明显降低，说明导数处理可能引入了其他的噪音干扰，降低了预测模型的性能。

综合以上结果发现建立的色泽a*、b*值、蒸煮损失值、蛋白质含量和水分含量最优PLSR模型结果优于其他指标建模结果，RC均达0.9以上，RP均达0.85以上，色泽L*、pH值、剪切力值、粗脂肪含量最优PLSR模型RC虽然大多数达到0.9以上，但RP相对稍低，为0.83以上，模型预测的精准度略低。

2.3.2 滩羊肉900～1 700 nm波段PLSR建模结果分析 各品质指标900～1 700 nm波段不同光谱预处理的PLSR模型结果如表3所示，表中各指标原始光谱数据的建模结果不佳，经过预处理之后得到提升，校正集和预测集的RC和RP均明显提高，RMSEC和RMSEP减小。MSC处理后色泽b*、蛋白质含量、水分含量的建模效果最优，RC和RP分别为0.892、0.901、0.954 和0.888、0.895、0.941，RMSEC和RMSEP分别为0.956、0.884、0.741和0.871、0.880、0.779；SNV处理后色泽L*、a*、pH值、蒸煮损失值、剪切力值的建模效果达到最优，RC和RP分别为0.900、0.933、0.924、0.907、0.866 和0.889、0.922、0.881、0.862、0.837，RMSEC和RMSEP分别为1.856、0.575、0.147、1.950、9.389和2.068、0.629、0.174、2.283、10.666；粗脂肪含量建模最优预处理方法为2-Der，RC和RP为0.911 和0.848，RMSEC和RMSEP为0.588和0.545。

表1 滩羊肉各指标样本集化学值统计Table 1 Statistics of chemical values of each index sample set of Tan mutton

表2 羊肉各指标不同预处理方法下PLSR模型比较Table 2 Comparison of PLSR model under different pretreatment methods for each index of Tan mutton

表2(续)

表3 滩羊肉各指标不同预处理方法下PLSR模型比较Table 3 Comparison of PLSR model under different pretreatment methods for each index of Tan mutton

表3(续)

综上可知，色泽L*、a*、b*、pH值、蒸煮损失值、蛋白质含量和水分含量的建模效果优于粗脂肪含量和剪切力值，RC和RP均大于0.85，RC和RP最高为0.954 和0.941；粗脂肪含量和剪切力值最优模型结果欠佳，但RC和RP均大于0.85和0.80，说明建立的各指标预测模型效果较好，可以用于滩羊肉各品质指标的预测。

2.4 各指标PLSR最优模型预测结果

对各品质指标两个波段的最优PLSR预测模型预测能力进行验证，以各品质指标实测值为横坐标，预测值为纵坐标作拟合效果图，图5和图6分别为370～1 050 nm和900～1 700 nm波段各品质参数最优PLSR预测模型的效果，每个子图中黑色星标代表校正集样品，红色圈标代表预测集样品，样本点越接近直线，表明预测结果越精准。两波段中各品质参数校正集的参数均匀的分布在拟合趋势线的附近，预测集中部分样品分布较为散乱、距校正集较远；建模结果显示，pH值、剪切力值在两个波段的预测模型相关系数较低，且剪切力预测模型的误差值较大，因此散点图中显示二者预测模型中样品分布较散乱，少数样品的分布距线性拟合线较远，模型的预测性能需进一步提升。

注：A：L*值；B：a*值；C：b*值；D：pH值；E：蒸煮损失；F：剪切力；G：蛋白质含量；H：粗脂肪含量；I：水分含量。下同。Note: A: L* value. B: a* value. C: b* value. D: pH value. E: Cooking lossrate. F: Shear force value. G: Protein content. H: Crude fat content. I: Moisture content. The same as following.图5 滩羊肉各品质参数预测值与实测值的相关关系图(370～1 050 nm)Fig.5 Correlation diagram of predicted value and measured value of each quality parameter of Tan mutton(370～1 050 nm)

图6 滩羊肉各品质参数预测值与实测值的相关关系图 (900～1 700 nm)Fig.6 Correlation diagram of predicted value and measured value of each quality parameter of Tan mutton (900～1 700 nm)

3 讨论

近红外光谱技术结合化学计量学方法可实现肉品定性或定量分析，在肉品质评价检测上具有独特的优势[36]。考虑到实际生产中对肉品检测实时、快速、在线、无损、成本低廉等需求，本研究中使用的两台近红外光谱仪均为便携式光谱仪，实验操作在屠宰企业车间进行，从试验结果来看对滩羊肉多个品质指标的预测结果较好，证明这种便携式的近红外光谱设备可以用于肉品生产过程中的品质检测。

通过近红外光谱技术所建立的预测模测是一种间接模型，模型预测的准确性和稳定性与建模时的样品集选择、光谱预处理方法、常规化学检测方法的选择以及模型建立方法均有很大的关系，因此要建立一个准确的肉品化学成分NIRS校正模型，必须选择变化范围大的校正样品集，确定正确定标检测方法、光谱预处理和建模方法[26]。本研究使用经典的PLSR建模方法和5种典型的光谱预处理方法建立滩羊肉7个品质指标PLSR定量预测模型，光谱数据预处理结果中导数处理效果最差，校正集、预测集的相关系数明显降低，说明导数处理可能引入了其他的噪音干扰。导数处理虽能提高光谱分辨率，改善谱峰重叠，但也会增加光谱噪声，降低信噪比，导数阶数越高信噪比降低越严重，因此近红外光谱分析中导数光谱一般只使用一阶或二阶，很少用到三阶，再高阶的导数光谱基本不用。建立定量分析模型中主因子数的选择至关重要，采用的主因子数过多或过少均会对模型的性能产生影响，主因子数过少导致数据拟合程度不够，不能代表样品特征信息，主因子数过多则会导致数据过拟合，模型的预测准确度降低[36]。本研究中370～1 050 nm波段各指标最优模型的主因子数均小于900～1 700 nm 波段，其主因子数选在3～15范围内，且最优模型的RMSEC/RMSEP比值在0.6～1.0范围内，说明370～1 050 nm 波段的模型较900～1 700 nm波段的模型更为稳定可靠。

本研究中滩羊肉7个品质指标的检测结果变化较大，对比各指标两个波段的建模结果发现色泽L*、a*、b*值在第一波段的建模效果较好，a*、b*值建模结果优于第二波段，两波段L*值建模结果较接近，这与决定肉色的氧合肌红蛋白和脱氧肌红蛋白的特征吸收峰有关，氧合肌红蛋白和脱氧肌红蛋白的特征吸收峰主要集中在第一波段可见光范围内，因此第一波段的光谱数据提供更多与色泽相关的信息，色泽利用第一波段的光谱数据建模更好，这也与王文秀等[35]的研究结果相近。两波段中pH值、剪切力值的PLSR模型预测效果有待进一步提高，由生鲜羊肉pH值、嫩度形成机理可知，动物宰后肌肉中糖原分解产生乳酸和肌原纤维蛋白降解等复杂的生理生化变化引起pH值和嫩度发生变化，因此可以通过采集近红外光谱提取与pH值，嫩度指标有关的光谱信息来构建预测模型，进而综合反映这些复杂的物质变化，提取与pH值、嫩度指标有关的光谱信息构建预测模型[37]。此外，嫩度PLSR模型预测效果也与测定时的试验条件有关，嫩度测定极易受样品形状与环境等因素的影响，标准方法要求切块大小均匀，严格控制蒸煮时间，切样时严格与肌纤维方向平行等，诸多影响因素使得同一样品多次平行测定的剪切力值变化较大，这对建模效果也会产生影响[38]。因此，pH值、嫩度指标预测模型的进一步优化将通过提取关键光谱信息、提高样品理化值平行测定的一致性来实现。

本研究对滩羊肉多个品质指标的预测取得较好的效果，在后续的研究中还可进一步扩大样本的容量和丰富度，补充来自不同地理区域、不同质量等级、不同屠宰批次及不同储存条件样品以增强模型的稳定性和适用范围，并利用更多关键变量提取算法和建模方法建立更精准、稳定的预测模型，集成为更为简洁易用的技术与设备，以便更好地应用于各类产业场景中。

4 结论

本研究采用可见-近红外光谱技术构建了滩羊肉基于2个光谱波段7个品质指标的PLSR预测模型。结果表明，不同品质指标最佳光谱预处理方法不同，同一指标在2个波段的最佳预处理方法也不完全相同；在370～1 050 nm波段，a*值、b*值、蒸煮损失、蛋白含量和水分含量PLSR模型预测效果较好，预测集相关系数最高可达0.922；在900～1 700 nm波段，L*值、a*值、b*值、pH值、蒸煮损失值、蛋白质含量和水分含量建模效果较好，预测集相关系数最高可达0.941；各指标2个波段最优PLSR模型相关系数均大于0.800，模型的预测效果较好。表明可见-近红外光谱技术可对未知滩羊肉样品7个品质指标进行定量预测，能实现滩羊肉多个品质指标的无损检测。