摘 要：利用近红外光谱分析技术建立冰温贮藏牛肉品质的快速定量检测方法。采用近红外光谱技术建立近红外光谱的pH值、失水率、挥发性碱基总氮、色差值（L*/a*）的校正模型，能同时预测出牛肉样品的多项品质指标。结果表明：建立的校正模型相关系数都在0.70以上，校正模型的预测值与真实值决定系数均在0.90以上，具有较高的预测准确度。并且利用聚类分析的方法对不同贮藏阶段肉品近红外光谱的数据进行了分类处理，聚类分析结果证明，近红外反射光谱对牛肉的新鲜程度有着较好的分类结果。近红外光谱技术能够替代传统方法快速、非破坏地评价牛肉的肉品质及新鲜程度。
关键词：近红外光谱；冰温贮藏；牛肉；品质；校正模型
Abstract： In this experiment， a rapid quantitative detection method was proposed by near infrared spectroscopy （NIR） for beef quality during ice temperature storage. The calibration models of beef pH， water loss， TVB-N and color value （L*/a*） were established by NIR technique allowing the simultaneous predication of several beef quality indicators. The correlation coefficient （R2） of the calibration models were all above 0.70 and the R2 values for the predicted and actual values were all above 0.90. The calibration models had high prediction accuracy. Furthermore， cluster analysis was used to categorize the near infrared spectral data of beef stored for different durations. The results showed that based on the near infrared spectral data meat freshness was categorized well. NIR is suitable for rapid and non-invasive estimation beef quality and freshness as an alternative to the traditional detection method.
Key words： near infrared spectroscopy （NIR）； controlled freezing point storage； beef； quality； calibration model
中图分类号：TS251.1 文献标志码：A文章编号：1001-8123（2015）03-0023-04
doi： 10.7506/rlyj1001-8123-201503006
目前，对牛肉品质指标的检测仍较常采用感官检验、理化检验与微生物学检验相结合的综合检验方法，得出的感官检验结论会因感觉器官的局限性、人的主观性造成出入[1-6]，而理化检验操作复杂，测定过程耗时、耗力，不易进行大批量的快速检测[3-6]，食品行业与检验部门迫切需求一种快速、非破坏性和客观的检测技术。其中，近红外光谱技术（near infrared spectroscopy，NIR）的应用，很好地解决了传统检测方法带来的弊端[3]。
近红外光谱分析技术是利用物质含氢基团振动的合频和倍频吸收信息进行物质的定性和定量分析的一种快速检测方法[4，6]。由于食品中的大多数有机化合物如蛋白质、脂肪、有机酸、碳水化合物等都含有不同的含氢基团，不同的基团在近红外区域具有不同的吸收位置，据此可对物质进行定性分析，根据吸收强度和物质含量的线性关系，又能对物质进行定量分析。具有分析速度快、信息量大、多组分同时测定、无损样品、无污染等优点，符合当前工业生产的需求，目前在食品领域已应用于鲜肉及肉制品中营养成分和品质的检测[4，6-11]。
本研究通过采集冰温条件下牛霖肉在贮藏期内的近红外光谱数据，同时采用传统方法测定常规肉品质指标如pH值、失水率、挥发性碱基总氮（total volatile basic nitrogen，TVB-N）、色差值，以偏最小二乘法建立这些指标的校正模型。并且利用聚类分析的方法对不同贮藏阶段肉品近红外光谱的数据进行分类处理。旨在为利用近红外光谱分析技术快速评价冷鲜牛肉品质和鲜度提供相关实验依据。
1 材料与方法
1.1 材料与试剂
屠宰12 h内的鲜牛霖肉（冷链贮藏） 市购。
稀硫酸、碳酸钾、硼酸、甘油、阿拉伯胶、甲基红、次甲基蓝、乙醇均为分析纯。
1.2 仪器与设备
数显温度计 天津市科辉仪表厂；JY3001型电子天平、JA-1104N型电子天平（感应量为0.000 1 g）、HJ-6A型多头磁力搅拌器 江苏省金坛市文华仪器有限公司；PH100型笔式pH计 上海三信仪表厂；双夹板压力计 实验室自制；WSC-S测色色差计 上海精密科学仪器有限公司；NIT-38近红外光谱分析仪 澳大利亚NIR Techno1ogy公司。
1.3 方法
1.3.1 肉样处理
将鲜牛霖肉（冷链贮藏，样品采至同一头牛同一部位），采用内装冰袋的泡沫保温箱4 ℃运回，去除附着的脂肪和结缔组织，平均分割成小份总共11份，每份100 g（6.5 cm×4 cm×4 cm），不进行包装处理，置于温度为―1 ℃（冰温）冰箱变温区贮藏（冰箱内相对湿度70%）。各项指标每2 d测定1 次，每次测定时从每组中各取1份测定肉的各项指标，每项指标重复测定3 次，结果取平均值，共连续测量21 d。
1.3.2 肉样品质指标测定
pH值测定[12-13]：采用电表pH计测定法，将pH计直接插入被检肉新鲜切面上读取pH值，依次取3 个测试点。
失水率测定[13]：将肉样切为1.0 mm厚度，用直径2.523 cm圆形取样器切取肉样，用感量为0.000 1 g天平称质量，然后将肉样上下各垫6 层滤纸，置于35 kg压力计上压制5 min，撤除压力后立即称质量，计算失水率。
TVB-N测定：按照GB/T 5009.44—2003《肉与肉制品卫生标准的分析方法》中微量扩散法测定样品的TVB-N测定。
色差值测定[12]：将肉样切成厚薄均匀的薄片，放入WSC-S测色色差计样品池中，铺平，测定其L*值、a*值。
1.3.3 样品近红外光谱采集
将肉样切成厚薄均匀的薄片，放入厚度为15 mm的样品池内，保持样品均匀铺平，在720～l 100 nm近红外光谱区范围内进行透射扫描，每次测定对每份样品连续扫描3次，取平均值[4]，以获得样品每个检测日的近红外光谱数据，共连续测量21 d。
1.3.4 近红外光谱数学模型的建立
将样品集分成校正集和验证集，采用一阶导数（first derivative，FD）、二阶导数（second derivative，SD）、标准正态变换（standard normal variate，SNV）和多元散射校正（multipl scatter correction，MSC）等方法对所获得的近红外光谱数据进行预处理，利用分析建模软件NTAS（NIR Technology Australia Software）通过偏最小二乘法（partialleast squares regression，PLS）对校正集样品的pH值、失水率、TVB-N、色差值等肉质指标建立近红外光谱校正模型[4]。
1.3.5 模型的验证
选用未参与校正模型建立的样品组成验证集，将验证集样品的近红外光谱数据代入到校正模型中，通过校正模型计算获得样品样品肉质指标的预测值，最后根据预测值与样品肉质指标的真实值（实验值）的接近程度，来衡量校正模型预测值的准确度[14]。
1.3.6 聚类分析
聚类分析是通过找出指标之间能代表其相近程度的统计量，以这些统计量为划分类别的依据，找出指标间的共性和变化规律。分类过程中，首先将差异较小的聚合为一类，然后根据指标间的亲疏程度，将差异最小的两类进行合并。然后考虑合并后的类与其他类之间的亲疏程度，再进行合并。如此不断重复比较直至将所有指标聚合分类完毕[6，15-17]。采用可用聚类分析的方法研究不同贮藏阶段肉的近红外光谱的变化规律和分类结果。
1.4 数据处理
使用SPSS 19.0进行数据分析。对pH值、失水率、TVB-N、色差值等数据进行求平均值和标准偏差处理，并且对每个测定参数进行ANOVA分析。
2 结果与分析
2.1 牛肉样品的近红外光谱分析
图1为贮藏期间牛肉样品集不同贮藏时间下的近红外原始光谱图，样品的图谱形状大致相同，峰值都出现在920 nm附近。在短波近红外区（780～1 100 nm），其主要的吸收物质是水分、脂肪和蛋白质，其吸收峰分别在964、928、908 nm波长处[14]。牛肉在不同贮藏时间下的近红外光谱吸光度有差异，可以间接证明随着贮藏时间的延长牛肉中水分、脂肪和蛋白质含量在变化，而三大组分的含量变化直接关系到牛肉的pH值、失水率、TVB-N、肉色等指标，因此利用近红外光谱技术对这几项指标进行预测是可行的。
2.2 近红外光谱模型的建立
近红外光谱谱线包含复杂的化学信息，存在样品不同组分之间相互干扰、谱峰相互掩盖等问题。另外，还包含一些与待测样品性质无关的因素带来的干扰，如样品装样均匀度、装样状态或仪器状态等，都会导致光谱产生基线漂移或偏移、背景干扰等现象。因此在建立校正模型之前对近红外原始光谱进行预处理是很有必要的，常用的预处理方法有光程校正，如MSC和SNV；微分处理，如FD和SD[18]。
由表1可知，在建立的模型中，对pH值采用SNV处理后的光谱数据进行建模，对失水率、TVB-N、L*值和a*值采用二阶导数处理后的光谱数据进行建模，建立的模型标准误差SEC最小或相关系数R2最大，各模型的结果均达到最理想。采用SNV处理后的光谱数据，pH值校正模型的相关系数是0.932，是所建立的模型中效果最理想的一个。采用二阶导数处理后的光谱数据，失水率校正模型相关系数为0.848；TVB-N的校正模型相关系数为0.926；L*值的校正模型相关系数为0.810；a*值的校正模型相关系数为0.749。
对各指标校正模型的准确性产生影响的因素较多，包括样品代表性、检测环境条件、仪器灵敏度、响应特性等，而此次建立的校正模型相关系数都在0.70以上，具有较好的相关性，可满足牛肉常规品质的检测。
2.3 近红外光谱模型的验证
目前研究多采用相关图的方法来分析考察校正模型对样品预测的预测值（y）和样品真实值（x）的接近程度[14，19-20]。选用未参与校正模型建立的样品组成验证集（验证集样品数为19），将验证集样品的近红外光谱数据代入到校正模型中，通过校正模型计算获得样品肉质指标的预测值，用最小二乘法对预测值和真实值进行一元线性拟合，根据预测值与真实值的线性相关性，来衡量校正模型的预测值的准确度[14]。通常用相关系数R2来度量拟合程度，（R2）越接近于1，则说明预测值和真实值越接近，校正模型的预测准确度越高[21]。
由图2可知，各个预测模型的真实值与预测值的R2均在0.90以上，说明预测值与真实值比较接近，可对未知样品进行预测。相关性分析结果说明校正模型的预测值与真实值接近程度较高，利用近红外光谱分析法对牛肉品质及鲜度进行检测和品质快速评价检测可信度高。
2.4 聚类分析
为了确定肉样光谱数据随贮藏时间的变化规律，对样品集连续21 d每2 d的原始光谱数据做了系统聚类分析。对贮藏期间样品的原始光谱数据采用“欧氏距离”，聚类方法选“最远邻元素法”进行分析，结果如图3所示。
由图3可知，样品集21 d的光谱可明显的分为2 类，第1类是样品集前15 d的光谱值；第2类为17～21 d的光谱值。从第1类分类结果看，第1～5天的数据与第7～15天的数据分成两个小类。由聚类分析的结果可推测出，前5 d样品处于新鲜程度变化的初期，7～15 d为腐败变化的过渡期，最后17～21 d样品加速腐败，故光谱明显区别于前15 d的情况。
牛肉变质是一个渐进的过程，牛肉从新鲜到次鲜再到变质的变化，就是肉中成分在逐渐腐败变性的原因。比如汁液流失导致的水分及水中可溶性物质被带出、碳水化合物的消耗、蛋白质的分解、脂肪的氧化，这些物质成分发生的变化，都能导致肉的近红外光谱吸收系数、散射系数发生改变。在不同的贮藏阶段对肉进行光谱扫描，光谱信息中将携带吸收系数、散射系数的变化特征，从而可以实现对肉新鲜度的分类。由实验结果可知，利用近红外漫反射光谱对牛肉的新鲜程度有着较好的分类结果。
3 结 论
牛肉在贮藏过程中的腐败变质是一个非常复杂的物理化学过程，采用常规理化方法结合感官检测可以对肉品质进行检测，但步骤繁琐且耗时。本实验采用近红外光谱技术建立了牛肉近红外光谱pH值、失水率、TVB-N、色差值（L*/a*）的校正模型，能同时预测出牛肉样品的多项品质指标。建立的校正模型相关系数都在0.70以上，具有较好的相关性。校正模型的预测值与真实值接近程度较高，决定系数均在0.90以上，具有较高的预测准确度。可满足牛肉常规品质的检测。
利用聚类分析的方法对不同贮藏阶段肉品近红外光谱的数据进行了分类处理，聚类分析的结果表明近红外反射光谱对牛肉的新鲜程度有着较好的分类结果，为近红外光谱快速非破坏性的检测肉品新鲜度提供了进一步的依据。与传统的化学分析方法相比，该技术可快速、非破坏评价牛霖肉的肉品质及新鲜程度。
参考文献：
[1]鲜于建川. 冷却牛肉质量评定系统研究与开发[D]. 长春： 吉林大学， 2002.
[2]庄玉亭， 赵月兰. 肉品新鲜度检测方法[J]. 河北科技大学学报， 1999， 20（2）： 63-65.
[3]徐广通， 袁洪福， 陆婉珍. 现代近红外光谱技术及应用进展[J]. 光谱学与光谱分析， 2000， 20（2）： 134-142.
[4]陈育涛， 朱秋劲， 卢开红， 等. 近红外光谱对特征部位牛肉的分析[J]. 肉类研究， 2012， 26（3）： 34-38.
[5]侯瑞锋， 黄岚， 王忠义， 等. 肉品新鲜度检测方法[J]. 现代科学仪器， 2006（5）： 76-80.
[6]侯瑞锋， 黄岚， 王忠义， 等. 用近红外漫反射光谱检测肉品新鲜度的初步研究[J]. 光谱学与光谱分析， 2007， 26（12）： 2193-2196.
[7]WANG Wenbo， PALIWAL J. Near-infrared spectroscopy and imaging in food quality and safety[J]. Sensing and Instrumentation for Food Quality and Safety， 2007， 1（4）： 193-207.
[8]PRIETO N， ANDRES S， GIRALDEZ F， et al. Potential use of near infrared reflectance spectroscopy（NIRS）for the estimation of chemical composition of oxen meat samples[J]. Meat Science， 2006， 74： 478-496.
[9]LEROY B， LAMBOTTE S， DOTREPP O， et al. Prediction of technological and organoleptic properties of beef longissimus thoracis from near-infrared reflectance and transmission spectra[J]. Meat Science， 2004， 66： 45-54.
[10]TOGERSEN G， ARNESEN J F， NILSEN B N， et al. On-line prediction of chemical composition of semi-frozen ground beef by non-invasive NIR spectroscopy[J]. Meat Science， 2003， 63： 515-523.
[11]SHACKELFORD S D， WHEELER T L， KOOHMARAIE M. Development of optimal protocol for visible and near-infrared reflectance spectroscopic evaluation of meat quality[J]. Meat Science， 2004， 68（3）： 371-381.
[12]许倩， 朱秋劲， 叶春， 等. 低场核磁共振分析冰温牛肉中不同状态水分变化[J]. 肉类研究， 2013， 27（5）： 17-21.
[13]周永昌， 王文升， 等. 畜产品加工实验指导[M]. 北京： 中国农业出版社， 1999： 55-56.
[14]ALOMAR D， GALLO C， CASTANTEDA M， et a1. Chemical and discriminant analysis of bovine meat by near infrared reflectance spectros-copy（NIRS）[J]. Meat Science， 2003， 63（4）： 441-450.
[15]肖宜滨. 聚类分析的理论及其应用[J]. 江苏统计， 2001（11）： 13-15.
[16]王骏， 王士同， 邓赵红. 聚类分析研究中的若干问题[J]. 控制与决策， 2012， 27（3）： 321-328.
[17]郭培源， 林岩， 付妍， 等. 基于近红外光谱技术的猪肉新鲜度等级研究[J]. 激光与光电子学进展， 2013， 50（3）： 180-186.
[18]刘炜， 吴昊旻， 孙东东， 等. 近红外光谱分析技术在鲜鸡肉快速检测分析中的应用研究[J]. 中国家禽， 2009， 31（2）： 8-11.
[19]LOMIWES D， REIS M M， WIKLUND E， et a1. Nearinfrared spectros-copy as an on-line to quantitatively determine glycogen and predict ultimate pH in pre rigor bovine M.1ongissimus dorsi[J]. Meat Science， 2010， 86（4）： 999-1004.
[20]ANDRES S， SILVA A， SOARES-PEREIRA A L， et a1. The use of visible and near infrared reflectance spectroscopy to predict beef M.longissimus thoracis et lunborum quality attributes[J]. Meat Science， 2008， 78（3）： 217-224.
[21]甘健胜. 概率论与数理统计[M]. 北京： 清华大学出版社， 2005： 225.
