基于近红外光谱技术的肉糜检测方法研究

基于近红外光谱技术的肉糜检测方法研究

近红外光谱技术是一种新型的快速分析技术，在快速定性分析和农业角度方面发挥着重要作用。在肉品分析领域,近红外光谱技术不仅应用于肉与肉制品中主要化学成分,如蛋白质、脂肪和水分的定量分析,还用于肉类的定性鉴别,如用于鉴别不同种类、不同品种、不同年龄、不同基因型、不同饲喂方式、不同部位、不同产地、不同储存时间的肉及掺假肉类[4,5,6,7,8,9,10,11,12,13]。目前市场上牛肉以普通公牛肉、育肥阉牛肉为主,但仍存在淘汰母牛肉、小牛肉等特殊类型牛肉。这些特殊类型牛肉与普通牛肉在品质上存在很大差异,人们肉眼无法区分普通牛肉和特殊类型牛肉,一些传统的生物化学和分子生物学等方法,如凝胶电泳、酶联免疫、DNA探针和化学成分分析可以鉴别不同类型牛肉,但是这些方法操作复杂、实验成本高且耗时相对较长。本研究应用近红外光谱技术对来自内蒙和新疆两个产地的普通公牛肉与淘汰母牛肉在冷冻解冻和冷鲜状态下进行扫描鉴别研究,探索应用近红外光谱技术快速定性鉴别普通牛肉和特殊类型牛肉的可行性。1材料和方法1.1材料表面普通公牛肉和淘汰母牛肉取自内蒙古科尔沁牛业和新疆伊犁西天山农牧发展有限公司。1.2仪器和检测方法SupNIR-1000近红外光谱仪聚光科技公司;KjeltecTM2300凯式定氮仪、SoxtecTM2050脂肪测定仪丹麦Foss公司;GM2000研磨仪德国Retsch公司;Model235剪切力仪英国G-RManufacturing公司。1.3方法1.3.1近红外光谱扫描从内蒙古科尔沁牛业取同一品种的10头普通公牛和6头淘汰母牛,宰后排酸48h,取其14个部位肉(板腱、脖肉、大瓜、肩肉、辣椒条、里脊、霖肉、米龙、牛腩、上脑、臀肉、外脊、小瓜和眼肉)共224个样品。随机选取7头普通公牛和4头淘汰母牛的14个部位肉,共154个样品作为建模集,另3头普通公牛和2头淘汰母牛的14个部位肉,共70个样品作为预测集。样品在-20℃条件下储存运输,冷冻解冻后对肉糜进行近红外光谱扫描和成分测定。从新疆伊犁西天山农牧发展有限公司取同一品种的4头普通公牛和6头淘汰母牛,宰后排酸48h,取其13个部位(板腱、脖肉、大瓜、肩肉、辣椒条、里脊、霖肉、米龙、上脑、臀肉、外脊、小瓜和眼肉)共130个样本。随机选取3头普通公牛和4头淘汰母牛的13个部位肉,共91个样品作为建模集,另1头普通公牛和2头淘汰母牛的13个部位肉,共39个样品作为预测集。样品未经冷冻,排酸分割后直接对肉糜进行近红外光谱扫描。1.3.2新疆牛肉的制备将内蒙牛肉样品在室温下过夜解冻,至样品完全解冻并达室温条件后将样品制成肉糜,新疆牛肉样品则未经冷冻解冻直接制成肉糜。应用光栅色散型便携式近红外光谱仪,波长范围为1000~1799nm,分辨率为10nm,仪器平均扫描次数设置为50次,重复扫描肉糜样品3次取其平均光谱。1.3.3牛肉品质测定按照GB/T9695.11—2008《肉与肉制品:氮含量测定》、GB/T9695.7—2008《肉与肉制品:总脂肪含量的测定》、GB/T9695.15—2008《肉与肉制品:水分含量测定》、NY/T1180《肉嫩度的测定:剪切力测定法》分别对所取牛肉样本的蛋白质、脂肪、水分含量和剪切力值进行测定。1.3.4pls-da法光谱数据经格式转换后,应用Unscrambler(version9.8,CAMO)的偏最小二乘判别分析法(partialleast-squaresdiscriminantanalysis,PLS-DA)对两种类型牛肉进行鉴别。应用SAS/PC(8.0)对两种类型牛肉样品的蛋白质、脂肪、水分和剪切力测定值进行均值差异显著性检验。PLS-DA法是偏最小二乘法(PLS)的一种变体,它是通过创造“虚拟变量”来建立模型,利用PLS1法建立“虚拟变量”Y与光谱变量X的回归预测模型,然后通过比较“虚拟变量”预测值大小确定样品的类别。本研究建模过程中,将两种类别的牛肉光谱,分别赋予值1和2(1代表普通公牛肉,2代表淘汰母牛肉)作为光谱数据的参考值,应用交互验证的方法及预测残差平方和(predictiveresidualerrorsumofsquares,PRESS)为依据选择建立PLSR模型的主成分,采用偏最小二乘回归技术建立鉴别模型。如果预测值在普通公牛和淘汰母牛所赋予值(1和2)±0.5范围内,则判断其预测准确。2结果与分析2.1剪切力值的测定本研究分析了来自内蒙的10头普通公牛的14个部位肉共140个普通公牛肉样品和6头淘汰母牛的14个部位肉共84个淘汰母牛肉样品的蛋白质含量、脂肪含量、水分含量和剪切力值情况,结果见表1。从表1可以看出,普通公牛和淘汰母牛的蛋白质含量差异不显著(P>0.05),普通公牛肉的脂肪含量要极显著小于淘汰母牛肉的脂肪含量(P<0.001),水分含量要显著高于淘汰母牛的水分含量(P<0.001),而淘汰母牛肉的剪切力值显著高于普通公牛肉(P<0.001),剪切力值愈大肉愈老,说明淘汰母牛肉要老于普通公牛肉。2.2阶和双向异性处理内蒙和新疆普通公牛肉和淘汰母牛肉在1000~1799nm的近红外平均光谱曲线见图1和图2。从图中可以看出普通公牛肉和淘汰母牛肉的光谱曲线趋势一致,但两种类型牛肉光谱曲线在吸收峰上存在明显差异。为了进一步强化光谱特征,分别对来自内蒙牛肉样的原始光谱进行了一阶(Savitzky-Golay,11点),对来自新疆肉样的原始光谱进行一阶(Savitzky-Golay,9点)+SNVD处理,对处理后的来自内蒙和新疆的普通公牛肉和淘汰母牛肉同一部位的光谱数据分别取平均(图3、4)。从图3、4可以看出,两种不同类型牛肉近红外光谱在1150、1210、1395nm附近的光谱特征差异较大。2.4普通公信力和淘汰母牛肉主成分分布特征对内蒙和新疆普通公牛和淘汰母牛肉样的近红外光谱预处理数据进行主成分分析,依据PRESS分别提取出7和10个主成分,利用样本的前3个主成分得分作图时,两个产地的普通公牛和淘汰母牛肉样均呈现明显不同的分布特征(图5、6)。从图5、6可以看出同类型牛肉具有相似的得分特性,来自内蒙的普通公牛肉样的PC1得分多为负值,而淘汰母牛肉样PC1的得分多为正值,来自新疆的普通公牛肉样的PC3得分多为负值,而淘汰母牛肉样PC3的得分多为正值。2.5pls-da法校正模型适当的光谱预处理方式可以消除基线漂移、噪声、光散射及样品不均匀等带来的干扰,优化谱图信息,提高模型的精度,本研究分别对来自内蒙和新疆的校正集样本的全波段光谱分别进行了一阶、二阶求导(Savitzky-Golay,5点、9点、11点),多元散射校正(multiplicationscattercorrection,MSC)及标准正态化加去趋势校正(SNV+De-trending)等预处理,利用PLS-DA法建立校正模型,结果发现来自内蒙的光谱数据经一阶求导(Savitzky-Golay,11)处理建立的模型判别正确率最高(表2),其中校正集和验证集判别正确率达100%,对预测集判别正确率达96%(64/70)(图7),R2、RMSECV和RMSEP分别为0.90、0.24和0.26;来自新疆的光谱数据经一阶求导(Savitzky-Golay,9)+SNVD)处理建立的模型判别正确率最高(表2),其中校正集和验证集判别正确率达100%,对预测集判别正确率达90%(35/39)(图8),R2、RMSECV和RMSEP分别为0.96、0.20和0.21。3近红外光谱技术的应用本研究结果显示,普通公牛肉的脂肪含量要极显著小于淘汰母牛肉的脂肪含量(P<0.001),这与国外相关报道有相似之处。Aberle等报道动物脂肪含量的变化与年龄的增长及阉割有关。本研究中普通公牛肉的水分含量要显著高于淘汰母牛的水分含量(P<0.001)。Warris等研究也发现肉类样品中脂肪含量与水分含量呈反比。普通公牛肉和淘汰母牛肉的脂肪含量存在差异,在相应的近红外平均光谱和一阶导数光谱中得到体现。本研究中来自内蒙和新疆普通公牛和淘汰母牛肉样的近红外原始光谱和一阶导数光谱在脂肪的特征吸收区(即1150、1210nm和1395nm)存在明显差异,这对判别普通公牛肉和淘汰母牛肉非常重要。Prieto等应用近红外光谱对不同含量脂肪具有特征吸收,成功鉴别了成年阉牛肉和未成年牛肉,McDevitt等也利用近红外光谱对不同含量脂肪的特征信息,成功鉴别了不同基因型和不同饲喂方式鸡胴体。基于上述光谱信息差异,本研究应用偏最小二乘判别分析法(PLS-DA)分别建立了来自内蒙和新疆的普通公牛与淘汰母牛分类鉴别模型,校正模型R2分别达到0.90和0.96,RMSECV为0.24和0.20;利用所建模型对预测集肉样进行鉴别分析,鉴别准确率分别达96%和90%,RMSEP为0.26和0.21。国外相关研究也利用近红外光谱对不同类型肉中特定物质成分含量的特征差异进行了相关的鉴别研究。Cozzolino等应用近红外光谱技术对牛肉、袋鼠肉、羊肉、猪肉和鸡肉等不同种类肉进行了分类鉴别,鉴别准确率达到85%以上,Mamani-Linares等对牛肉、骆驼肉和马肉的鉴别成功率达95%。Alomar等应用近红外光谱对牛肉的品种和肌肉类型进行了鉴别分析,鉴别成功率分别为79%和98%。Andres等应用近红外光谱成功地鉴别了两个不同品种的羊肉。SunShumin等应用近红外光谱技术成功