基于冷冻干燥基础的猪肉营养成分近红外快速检测模型构建

梁世岳，李泽青，李宁，魏勇跃，旦智草，闫峻

（1. 天津市畜禽分子育种与生物技术重点实验室/天津市畜禽健康养殖工程技术中心/天津市农业科学院畜牧兽医研究所, 天津 300381；2.天津市农业发展服务中心，天津 300061；3. 天津市武清区农业发展服务中心，天津 301700；4. 甘南藏族自治州科学技术情报研究所，甘肃 合作 747000）

近年来，随着人们群众生活水平的提高，市场对优良品质猪肉的需求逐渐增加，对猪肉营养成分检测的时效性提出了更高要求。目前，我国猪肉营养成分的检测方法多为传统的国标法，这种检测方法耗时长、成本高、检测结果等待时间长、收费也较高[1]。为满足市场需要，迫切需要开发一种优化猪肉营养成分快速检测的新方法。

20 世纪80 年代后期，近红外光谱技术（near infrared reflectance spectroscopy，NIRS）因为其具有检测速度快、无需化学试剂、无污染、非破坏性、成本低、可以检测多种化学成分含量及其特性、适合于大规模产业化生产等优点迅速发展起来[2-3]，并且在食品[4-5]、药物[6-7]、饲料[3,8]等各个领域得到了广泛应用。利用近红外光谱技术对肉制品中水分、粗脂肪、粗蛋白等含量的研究国内外已有很多报道[9-10]，表明近红外光谱可以对猪肉进行快速检测。对肉制品的研究中，多数是以肉糜形式进行检测[11]，基于冷冻干燥方法的研究相对较少。

冷冻干燥利用了冰晶升华的原理，在高度真空的环境下将冻结的水分直接从冰升华为蒸汽。其优点是干燥后的物料可以保持原来的化学成分和物理特性。研究表明，使用冷冻干燥的方法处理肉样的效果优于肉糜样品，冷冻干燥方法可以使样品的肌纤维保存完好，散射效果更明显。同时冷冻干燥样品的水分含量极低，测定结果也会优于非冷冻干燥样品[12]。

为避免因猪肉鲜样水分过高而导致的预测模型准确度不高的问题，本试验主要研究基于冷冻干燥基础的猪肉的水分、粗蛋白、粗脂肪在近红外光谱区域的特征吸收，优选出其水分、粗蛋白、粗脂肪的最佳预处理方法与在近红外光谱区域的最佳波段选择范围，建立基于冷冻干燥基础的猪肉营养成分近红外定量校正模型，为今后猪肉中营养成分的定量检测提供一种快速准确的检测方法。

1 材料与方法

1.1 试验材料

冷冻干燥猪肉粉130 头份，取猪左侧胴体背最长肌，将肌肉样本切成0.5 cm3小块，在真空冷冻干燥机中冷冻干燥12 h，为了减少因样品不均匀以及样品的温度和湿度的不同对采集光谱的影响，所有样品统一研磨成粉末状在低温研磨机中压碎，放入自封口袋中抽真空冷冻保存，用于实验室化学分析和近红外光谱扫描。

1.2 样品营养成分测定

冷冻干燥排除的水分测定：在冷冻干燥前将切好的肌肉样本称质量记录，冷冻干燥完成后再次称质量，计算出冷冻干燥排除的水分值，换算出鲜肉的营养成分。

冷冻干燥后的样品，测定水分、粗蛋白和粗脂肪分别参照GB/T 6435—2014《饲料中水分的测定》、GB/T 6432—2018《饲料中粗蛋白的测定——凯氏定氮法》、GB/T 6433—2006《饲料中粗脂肪的测定》的方法进行测定。

1.3 样品的近红外光谱采集

本研究选用近红外光谱仪（BRUKER TANGOR），并使用IN311-S 样品杯（直径50 mm），取满杯样品置于IN311/C 的旋转台中进行光谱扫描。为了提高建模的稳定性，本研究对每个样品重复采集2次光谱，用2 次光谱作为该样本的光谱信息进行分析。本研究收集了130 头份冷冻干燥猪肉粉，全部样品的近红外反射光谱图如图1 所示，近红外有多处吸收峰，可以作为定量分析的依据，将收集的冷冻干燥猪肉粉样品按4∶1 的比例随机分为定标集和验证集[13]，即随机取104 份作为定标集，另外26 份作为验证集。

图1 冷冻干燥猪肉粉扫描光谱图

1.4 异常样品的剔除以及近红外模型预处理方法与波段的选择

将定标集的104 头份冷冻干燥猪肉粉样品的光谱图，与实测值进行关联，利用仪器自带的OPUS 7.8 软件分别计算实测值与近红外光谱预测值间的R2及RMSECV，并进行进行异常样品的剔除以及优化，得到的冷冻干燥猪肉粉水分模型的最佳波段选择范围为7 500 ～5 447.8 nm、4 425.8 ～4 244.5 nm，最佳预处理方法为一阶导数+矢量归一化（SNV）；粗蛋白模型的最佳波段选择范围为8 447.8～7 491.8 nm、5 777.5～5 447.8 nm、4 607.2～4 425.8 nm，最佳预处理方法为矢量归一化（SNV）；粗脂肪模型的最佳波段选择范围为9 403.9～5 447.8nm、4 607.2～4 244.5 nm，最佳预处理方法为一阶导数+MSC。

2 结果与分析

2.1 近红外定量分析模型的建立

使用最佳预处理方法与波段选择，采用偏最小二乘法(PLS) 建立定标模型，分别对107 头份冷冻干燥猪肉粉的水分、粗蛋白、粗脂肪的实测值与近红外预测值进行交叉验证的相关关系，见图2至图4。

图2 冷冻干燥猪肉粉中的水分实测值与近红外预测值的相关关系

图3 冷冻干燥猪肉粉中的粗蛋白实测值与近红外预测值的相关关系

由图2 至图4 中可以看出，冷冻干燥猪肉粉水分模型的R2值为96.58%，RMSECV 值为0.305；粗蛋白的R2值为99.31%，RMSECV 值为0.742；粗脂肪的R2值为99.47%，RMSECV 值为0.692。

2.2 模型外部验证

采用外部验证的方法对所建立的模型预测效果进行验证，取验证集的26 头份冷冻干燥猪肉粉，用所得模型预测检验各样品中该成分的含量，求出预测值与实际值的偏差值以及模型的预测标准偏差，如表1 所示。

表1 验证集冷冻干燥猪肉粉的预测值与实测值的偏差值

结果显示，模型测定值和实测值比较接近，其中水分、粗蛋白和粗脂肪模型的RMSEP 值分别为0.294、2.297、0.460。

3 讨论与结论

近红外光是可见光区和中红外区域之间，波长780～2 526 nm 的电磁波，该光区的吸收带主要产生于低能电子跃迁、含氢的原子团（例如N-H，O-H，C-H）伸缩、弯曲振动的倍频和组合频率吸收。当有机物中的物质分子被近红外光照射时，含氢的基团会产生振动，并吸收一部分光的能量。由于分子结构的特点可以反映在吸收带波长位置与吸收谱带的强度，因此该方法可用于识别未知物体的结构。同时，吸收谱带的吸收强度与分子或化学基团的含量有关，其也可用于执行定量分析或纯度鉴别[14]。对于某些无近红外光谱吸收的物质，可以间接通过共存本体物质的近红外光谱的变化信息来反映其信息。通过近红外光谱传递的复杂样本信息具有多样化的特征，形成了光谱的复杂、重叠和变化，很难从中提取较弱的信息。因此，运用化学计量学算法建立和应用待测量与样品光谱特征间具有容变性的关系模型的使用是近红外分析技术的关键。因为肉类产品中大多数有机化合物，例如蛋白质、脂肪、有机酸、碳水化合物等，都包含不同的含氢基团，这些化学成分的含量均可以使用近红外光谱来测定，并且可以以此为据，获取有关肉品品质的更多相关信息[15]。

当建立近红外光谱的定量校正模型时，所有样品按4∶1 的比例分成校正集和验证集，分别用于建立定量校正模型和验证模型，还需要结合相关系数（R2）、交互验证标准偏差（RMSECV）、预测标准偏差（RMSEP）来评价模型。校正集中每个样品的交叉预测值和化学方法测量值误差的平方和除以校正集中每个样品测量值与全部样品测定的平均值的平方和，用1 减去以上数值得到的数据即为R2值，R2值用来判断定量校正模型与待测组分之间的线性关系，其数值越接近1，模型的预测结果越好。通过交互验证的方法验证模型的原理是：在模型验证过程中，每次从校正集中提取1 个或多个样品作为临时验证样品，对剩余样品进行建模，然后预测该样品，如此循环以便分别获得每个样品的模型交叉预测值，最后得到交叉预测值和测定值误差平方和的均方根值即为RMSECV。验证集中的样品未参与建立校正模型的过程，通过计算测定值与模型得出的预测值之间误差的平方和的均方根即为RMSEP[16]。

本研究使用交互式验证和验证集验证相结合来验证模型的效果。对于同一批次样品，模型的RMSECV 值和RMSEP 值越小，表明模型效果越好。通过图5 至图7 显示的数据可知，冷冻干燥猪肉粉的水分、粗蛋白、粗脂肪模型的R2值均大于96%，RMSECV 均达到0.75 以下，近红外预测值与实测值拟合较好。另外，通过表1 数据可知，3 种模型的RMSEP 值均达到2.30 以下，进一步证明模型的有效性，建立的模型可以用于冷冻干燥猪肉粉样品的快速检测，表明此次冷冻干燥猪肉粉模型的建立比较成功。

目前基于冷冻干燥基础建立肉营养成分模型的研究较少。陶琳丽等[17-18]测定了263 个鸡腿肌冻干粉的蛋氨酸含量以及鸡胸肌冻干粉的赖氨酸含量，分别建立了近红外定量预测模型。其中，鸡腿肌冻干粉蛋氨酸模型的R2值为93%，RMSECV 值为0.060 9，RMSEP 值为0.83；鸡胸肌冻干粉赖氨酸模型的R2值为92%，RMSECV 值为0.328 4，RMSEP 值为0.88。王岩等[19]测定了近江牡蛎6 处组织及其全部软体混样冻干粉的糖原含量，所建立的7 个模型R2值为97.16%～99.63%，RMSECV 值为0.969 4～0.996 9，RMSEP 值为0.949 0～0.990 8。黄伟等[20]分别对滇南小耳猪和DLY 商品猪肉的整块、匀质肉糜、烘干粉、冻干粉的光谱进行建模分析，其中猪肉冻干粉的近红外光谱模型鉴别效果较好，验证集的识别率和拒绝率均为100%。结合本研究结果可以得出，基于冷冻干燥基础的肉营养成分近红外检测技术，在肉品质检测研究中蕴含巨大潜力，将在肉的品种鉴定、等级鉴别、产地溯源、组分分析等方面发挥巨大作用。

近红外模型建立后,需要不断维护和改进以扩充样品库，在今后工作中，仍需要测量大量具有代表性的样品用于优化近红外光谱模型,以提高检测结果准确度。