引用本文
董鑫鑫, 杨方威, 于航, 姚卫蓉, 谢云飞. 基于拉曼光谱技术的猪瘦肉新鲜度快速无损检测方法研究[J]. 光谱学与光谱分析, 2023,43(2): 484-488.
DONG Xin-xin, YANG Fang-wei, YU Hang, YAO Wei-rong, XIE Yun-fei. Study on Rapid Nondestructive Detection of Pork Lean Freshness Based on Raman Spectroscopy[J]. Spectroscopy and Spectral Analysis, 2023,43(2): 484-488.
Doi:10.3964/j.issn.1000-0593(2023)02-0484-05  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于拉曼光谱技术的猪瘦肉新鲜度快速无损检测方法研究
董鑫鑫, 杨方威, 于航, 姚卫蓉, 谢云飞*
江南大学食品学院, 江苏 无锡 214122
*通讯作者 e-mail: xieyunfei@jiangnan.edu.cn

作者简介: 董鑫鑫, 1997年生,江南大学食品学院硕士研究生 e-mail: 17863931174@163.com

收稿日期: 2021-09-27 修回日期: 2022-05-12
基金: 国家重点研发项目(2018YFC1602300),国家自然科学基金项目(32001627)资助
摘要

猪肉是我国主要肉类消费产品, 其新鲜度与居民健康息息相关。 目前感官检测、 理化检测、 微生物检测是其新鲜度的通用检测方法, 但感官检测存在可靠性、 可比性差, 理化检测和微生物检测存在耗时长、 操作繁琐、 破坏样品等问题, 因此建立猪肉快速无损检测方法应用意义重大。 拉曼光谱作为一种检测技术, 具有快速、 无损的特点, 仅用激光探头照射样品就可获得样本拉曼谱图, 便携式拉曼光谱更是为食品现场检测提供了新途径, 有望实现加工业快速实时大批量检测。 目前未见拉曼光谱技术快速检测猪肉新鲜度理化指标的研究, 因此采用便携式拉曼光谱仪对冷藏猪瘦肉新鲜度进行快速检测。 对随时间变化的样本进行拉曼光谱采集并同时监测其对应的新鲜度指标, 如挥发性盐基氮(TVB-N)、 pH、 颜色L*值、 a*值、 b*值, 采用标准正态变量变换(SNV)、 曲线平滑(SG)、 归一化(NL)、 多元散射校正(MSC)、 基线校正(BL)、 去趋势化处理(DFA)等单方法对拉曼光谱进行预处理, 采用偏最小二乘回归(PLSR)建立基于全波段光谱的猪瘦肉新鲜度指标定量预测模型。 结果表明, 各指标全波段PLSR模型预测性能较为理想, TVB-N和pH的全谱最佳模型为SNV-PLSR, 预测集相关系数( RP)分别为0.948和0.886, 颜色L*、 颜色a*、 颜色b*的全谱最优模型分别为SNV-PLSR、 DFA-PLSR、 MSC-PLSR, RP分别为0.827, 0.858和0.900。 采用回归系数法(RC)筛选各指标最优模型光谱波段, 建立各指标优选波段PLSR模型, 结果表明, TVB-N模型和pH模型可以简化, 仅用20%的光谱波段就可达到较好的预测效果, 优选波段TVB-N模型和pH模型的 RP分别为0.933和0.880。 便携式拉曼光谱在快速检测猪瘦肉新鲜度方面尤其是在预测与新鲜度最相关的指标TVB-N含量显示出巨大的潜力, 为猪瘦肉新鲜度的现场快速无损检测提供了一种新方法。

关键词: 拉曼光谱; 猪瘦肉; 新鲜度; 化学计量学; 快速检测
中图分类号:O657.37 文献标志码:A
Study on Rapid Nondestructive Detection of Pork Lean Freshness Based on Raman Spectroscopy
DONG Xin-xin, YANG Fang-wei, YU Hang, YAO Wei-rong, XIE Yun-fei*
School of Food Science and Technology, Jiangnan University, Wuxi 214122, China
*Corresponding author
Abstract

Pork is the main meat consumption product in China. Its freshness is closely related to the health of residents. At present, the most common detection methods for meat quality include sensory testing, physical and chemical testing, and microbiological testing, but sensory detection is less reliable and comparable. Physical and chemical testing and microbiological testing have many problems, such as time-consuming, complicated operation and destroying samples, thus establishing a fast and nondestructive detection method has great significance. Raman spectroscopy is fast and nondestructive as a detection technology. Moreover, portable Raman spectroscopy provides a new way for food spot detection and is expected to achieve rapid real-time mass detection in the processing industry. At present, there is no study on the rapid detection of physical and chemical indexes of pork freshness by Raman spectroscopy. Therefore, a portable Raman spectrometer was used in this study to detect the freshness of cold storage lean pork. Collecting the Raman spectroscopy of samples with time and monitoring the corresponding freshness index, including total volatile base nitrogen (TVB-N), pH, L*, a*, and b*. Raman spectra were pre-processed by standard normal variable transformation(SNV), curve smoothing(SG), normalize(NL), multiple scattering correction(MSC), baseline(BL), and Detrending(DFA). Partial least squares regression (PLSR) was used to establish a quantitative prediction model of pork freshness indicators based on full displacements of Raman spectroscopy. The results indicated that the PLSR model based on the Raman spectrum had a good performance predicting pork freshness. The optimal model for TVB-N and pH was SNV-PLSR, and the correlation coefficient was 0.948 and 0.886, respectively. The optimal models for color L*, color a*, and color b* were SNV-PLSR, DFA-PLSR, and MSC-PLSR, respectively. The correlation coefficients were 0.827, 0.858 and 0.900, respectively. The regression coefficient method (RC) was used to screen the optimal spectral bands of each index model, and the PLSR model of the optimal spectral bands of each index was established. The results showed that the TVB-N and pH models could be simplified, and only 20% of the spectral bands can achieve a good prediction effect. The RP of the TVB-N model and pH model were 0.933 and 0.880, respectively. Raman spectroscopy providing us with a spot detection method shows great potential in rapidly detecting pork freshness, especially in predicting TVB-N content.

Keyword: Raman spectroscopy; Pork; Freshness; Chemometrics; Rapid detection
引言

猪肉富含蛋白质、 脂肪、 矿物质等, 是我国居民膳食组成中的重要部分。 据调查显示, 猪肉仍是主要肉类消费产品[1], 猪肉新鲜与否与居民健康密切相关, 因此研究猪肉新鲜度的快速无损检测方法意义重大。 目前, 肉品新鲜度的通用检测方法可分为感官检测、 理化检测、 微生物检测[2], 感官检测易受主观因素的影响, 其可靠性、 可比性差, 理化检测和微生物检测耗时长、 操作繁琐, 不适用于加工业快速实时大批量检测。 近年来, 许多研究已将光谱分析技术用于肉类新鲜度快速检测领域, 如近红外光谱[3, 4, 5]、 拉曼光谱、 高光谱、 荧光光谱[6]等, 其中近红外光谱技术是研究最多、 最常见的新鲜度检测技术。

拉曼光谱和近红外光谱均可以表征分子振动或转动信息, 但拉曼光谱属于散射光谱, 主要由非极性基团振动引起, 不会造成偶极矩的改变, 而近红外光谱是吸收光谱, 主要反映由C—H, O—H, N—H, S—H等含氢基团振动引起的分子内部偶极矩的改变, 因而二者可以互补。 近年来许多研究表明拉曼光谱在肉质品检测领域具有巨大潜力, Santos[7]等研究了便携式拉曼光谱仪预测猪肉嫩度和剪切力的效果, 也有研究表明拉曼光谱仪具有预测牛肉多汁性和嫩度的潜力[8], Zhao[9]等采用拉曼光谱结合多变量数据分析判断牛肉汉堡是否掺假, 也有研究采用拉曼光谱结合偏最小二乘回归(partial least squares regression, PLSR)模型及岭回归模型对明虾鲜度进行快速定量检测, 结果表明可行性较高[10]。

目前近红外光谱技术是最常见的肉品新鲜度光谱检测技术, 而拉曼光谱技术同样具有快速、 无损的特点, 便携式拉曼光谱更是为食品现场检测提供了新途径。 本研究以挥发性盐基氮(total volatile basic nitrogen, TVB-N)为猪瘦肉主要新鲜度指标, pH、 颜色L*值(亮度)、 颜色a*值(红色)、 颜色b*值(黄色)为新鲜度参考指标, 首先采用化学计量学方法将猪瘦肉全波段拉曼光谱和新鲜度指标间建立关联, 建立全波段PLSR预测模型, 筛选出最优模型, 然后采用回归系数(regression coefficient, RC)法筛选出特征波段, 建立优选波段PLSR模型, 以期建立一种基于拉曼光谱技术的猪瘦肉新鲜度快速检测方法, 解决传统检测方法操作繁琐、 费时等问题, 为后续拉曼光谱快速检测肉品新鲜度的研究提供参考, 推动肉品现场快速无损检测方法的应用拓展。

1 实验部分
1.1 材料与试剂

材料: 6 kg猪后腿肉购于无锡市博大购物广场欧尚大润发超市, 1 h内运往实验室。 对6 kg猪后腿肉进行去脂、 去筋处理, 用绞肉机将其绞碎后混合均匀, 进行分装处理, 每份样品30 g(±0.001 g), 保鲜膜包好, 置于实验室4 ℃冰箱储存。 每天选取3~5个时间点取样, 每个时间点取出6份样本进行拉曼光谱的采集和新鲜度指标的测定, 连续测定7 d。

试剂: 氢氧化钠, 硼酸, 盐酸, 氧化镁, 氯化钾, 均为分析纯, 购于国药集团化学试剂有限公司; 甲基红, 溴甲酚绿, 均为分析纯, 购于北京伊诺凯科技有限公司。

1.2 仪器

BCD-551WKM冰箱(安徽合肥美的冰箱有限公司); F1-F0785E60X-W No.19001便携式拉曼光谱仪(北京卓立汉光仪器有限公司)、 CR-400色差计(日本柯尼卡美能达控股公司)、 K9860自动凯氏定氮仪(山东济南海能仪器股份有限公司)、 便携式酸度计(瑞士梅特勒-托利多集团)。

1.3 拉曼光谱的采集

为减少环境光的干扰, 在暗室中进行拉曼光谱测量, 在激发波长785 nm、 激光功率60 mW、 积分时间5 s、 积分次数1次、 采样间距7 mm, 仪器分辨率14 cm-1的检测条件下, 对每份猪瘦肉样品在203~3 198 cm-1范围进行便携式拉曼光谱扫描。 每份猪瘦肉样品随机扫描20次(正面不同位置扫描10次, 反面不同位置扫描10次)以获得较多的猪瘦肉样品表面信息, 20次测量的平均值代表每个样品的拉曼光谱。

1.4 猪瘦肉新鲜度指标的测定

按照1.1中的取样方法取样进行猪瘦肉新鲜度指标的测定。

TVB-N值参照GB5009.228—2016中第二法自动凯氏定氮法规定的方法进行测定。 pH值的测定: 称取5 g猪瘦肉于烧杯中, 向其中加入50 mL 0.1 mol·L-1氯化钾溶液, 用玻璃棒搅拌均匀, 使用pH计测定其pH, 每份样本3个平行, 每个平行测定3次, 以平均值代表每份样本的pH值。 色泽的测定: 使用手持式色差计对猪瘦肉进行颜色的测定, 从每个样品正反面共选取10个位置测量以获得各位置的颜色L*值(亮度), 颜色a*值(红色)和颜色b*值(黄色), 最终以10个位置L*值, a*值和颜色b*值的平均值代表样品颜色。

1.5 数据处理

使用Origin 2021进行作图。 光谱预处理、 波段优选及模型的建立使用软件The Unscrambler X 6.4完成, 光谱预处理方式为标准正态变量变换(standard normal variate, SNV)、 曲线平滑(Savitzky-Golay, SG)、 归一化(normalize, NL)、 多元散射校正(multiplicative scatter correction, MSC)、 基线校正(baseline, BL)、 去趋势化处理(detrending, DFA)。

2 结果与讨论
2.1 不同储存时间猪瘦肉样本拉曼光谱分析

不同样本的拉曼光谱图如图1所示, 由图1可知, 所有样本的拉曼光谱曲线总体趋势相似, 但同一样本的不同位置光谱有差异, 不同样本同一位置的光谱强度也有差异。

图1 猪瘦肉样本原始拉曼光谱图Fig.1 Original Raman spectroscopy of lean pork samples

新鲜样本和次新鲜样本的拉曼光谱对比图如图2所示, 由图2可知, 新鲜和次新鲜样本的光谱具有差异, 特别是在蛋白质酰胺Ⅰ 带1 600~1 700和1 419 cm-1的C=O伸缩振动区, 1 600~1 700 cm-1区域主要包括C=O拉伸振动、 C—N拉伸振动和N—H平面内弯曲振动, 所能反映出的二级结构有α-螺旋, β-片和随机线圈结构[11]; 光谱在酰胺Ⅰ 带的光谱强度的降低可能与蛋白质二级结构变化有关。 850 cm-1与酪氨酸基团振动有关, 1 363 cm-1与色氨酸吲哚环振动相关[11]。

图2 不同新鲜度样本原始拉曼光谱对比图Fig.2 Comparison of original Raman spectra of different freshness samples

2.2 样本分集统计数据

本研究中获得的TVB-N、 pH、 颜色(L*、 a*、 b*)值的样本数分别为124, 130和121, 各指标75%样本作为校正集, 25%样本作为预测集。 指标分集统计数据如表1所示, 由表1可知, 储存7 d后, TVB-N值由12.766增大到22.665, pH值由5.67增大到6.42, 猪瘦肉样本大部分处在新鲜、 次新鲜范围内, 且校正集和预测集的平均值相差不大, 这为后续PLSR模型的建立奠定基础。

表1 各新鲜度指标的分集统计数据 Table 1 Diversity statistical data of each freshness indicator
2.3 基于拉曼光谱的猪瘦肉新鲜度指标PLSR模型的建立

2.3.1 全波段PLSR模型的建立

将全波段拉曼光谱同测定的不同新鲜度指标值建立全波段PLSR模型, 评价模型的效果好坏指标为相关系数(R)、 校正均方根误差(RMSEC)和预测均方根误差(RMSEP)。 R越接近于1, RMSEC和RMSEP, RMSEP和RMSEC的差值越小, 模型的预测能力越好[12]。

各指标原始光谱全波段建模结果如表2所示, 基于拉曼全谱建立的PLSR模型对各指标均有一定的预测能力。 TVB-N、 pH预测模型RC分别为0.991和0.975, RP分别为0.938和0.886, 建立的色泽预测模型效果一般, 这可能是由于噪声、 基线漂移等因素对拉曼光谱产生影响, 从而导致后续分析的误差, 因此为了降低外界因素的干扰, 要通过光谱预处理提高光谱的贡献量[13]。

表2 不同新鲜度指标原始光谱建模结果对比 Table 2 Comparison of original spectral modeling results of different freshness indexes

光谱预处理图如图3所示, 由图3可知, 经MSC、 SNV、 NL处理后, 光谱更为集中, 光谱的强度分布范围变窄, 光谱形状趋势未改变; 经SG和BL处理后, 光谱与原始光谱基本无差异; 经DFA处理后, 谱峰较原始光谱更明显, 在一定程度上减少了光谱的基线漂移。

图3 猪肉样本拉曼光谱预处理图Fig.3 Pre-processing Raman spectra of pork samples

不同光谱预处理方式对模型效果会产生不同的影响, 以TVB-N模型为例, 不同预处理方式对其影响如表3所示, 由表3可知, 光谱经SNV、 NL、 BL预处理后, RC和RP提高; 光谱经SG、 MSC、 DFA预处理后, RC和RP降低, 说明并不是所有的光谱预处理方式都可以提高模型性能。

表3 不同光谱预处理方式对TVB-N模型的影响 Table 3 Influence of different spectral preprocessing methods on model building

采用不同方法对光谱进行预处理后建立不同指标新鲜度模型, 各指标最优模型如表4所示, 由表4可知, 光谱经SNV处理后, TVB-N、 pH、 L*值预测模型校正集和预测集的相关系数均提高, 为最佳光谱预处理方式, 其中TVB-N模型的RC和RP均可达0.9以上, 分别为0.994和0.948, 同时模型的均方根误差减小, RMSEC由0.405降至0.329, RMSEP由1.058降至0.917, 说明模型的稳定性提高, pH值模型的RC和RP分别为0.993和0.886, RMSEC和RMSEP分别为0.031和0.114, L*值模型的RC和RP分别为0.989和0.827, a*值的最佳模型为DFA-PLSR模型, RC和RP分别为0.966和0.858, L*值模型和a*值模型的的过拟合现象较为严重, 可能是由于光谱维数过多造成的。 光谱经MSC处理后建立的b*值预测模型效果最好, 模型的RC和RP分别为0.964和0.900, 与SNV处理后模型预测效果相近。 经对比发现, 基于拉曼全波段光谱建立的猪瘦肉新鲜度模型对TVB-N的预测能力最佳, 对pH、 颜色b*值预测效果次之。

表4 不同新鲜度指标最优PLSR模型对比 Table 4 Comparison of the optimal PLSR models for each freshness indicator

2.3.2 优选波段PLSR模型的建立

采用RC法优选拉曼光谱特征波段, 以期能简化各指标全波段PLSR最优模型, 缩短运算时间, 优选波段建模结果如表5所示, 由表5可知, TVB-N、 pH、 b*值所对应的拉曼光谱优选波段仅占全波段20%, L*值和a*值优选波段分别占比15%和17%。 最终建模结果表明, TVB-N全波段模型和pH全波段模型可以简化, TVB-N优选波段PLSR模型RC和RP分别为0.958和0.933, RMSEP和RMSEC的差值降低, pH优选波段PLSR模型RC和RP分别为0.988和0.880。 L*、 a*优选波段模型RC和RP均降低, b*值优选波段模型RP仅为0.649, 因此不建议采用RC法简化L*、 a*、 b*值全波段PLSR模型。

表5 优选波段建模结果 Table 5 Modeling results of selected wavenumber
3 结论

采用便携式拉曼光谱仪快速无损检测猪瘦肉新鲜度, 以拉曼光谱为基础, 采用化学计量学方法同新鲜度指标TVB-N、 pH、 颜色L*、 a*、 b*建立了全波段PLSR定量预测模型, 其最优模型RP分别为0.948, 0.886, 0.827, 0.858和0.900, RMSEP分别为0.917, 0.114, 0.970, 0.468和0.425。 在全谱建模基础上, 采用RC法筛选特征波段, 建立了各指标优选波段PLSR定量预测模型, TVB-N和pH预测模型可以简化, 虽然模型精度较全谱模型有小幅下降, 但仅用20%的光谱波段就可达到定量预测的目的, 缩短了运算时间, 研究结果表明, 便携式拉曼光谱仪可以实现对猪瘦肉新鲜度的快速无损检测, 且对最常用的新鲜度指标TVB-N值的预测效果最好。

参考文献
[1] LI Ang, LI Wei-hua, ZHAI Hai-hua, et al(李昂, 李卫华, 翟海华, 等). Rural Work Newsletter(农村工作通讯), 2020, (8): 43. [本文引用:1]
[2] JIANG Sha, YAN Cai-xia, FAN Xin, et al(姜莎, 闫彩霞, 范鑫, 等). The Meat Industry(肉类工业), 2021, (2): 38. [本文引用:1]
[3] Kucha C T, Ngadi M O. Journal of Food Measurement and Characterization, 2020, 14(2): 1105. [本文引用:1]
[4] Perez-Palacios T, Caballero D, González-Mohíno A, et al. Journal of Food Engineering, 2019, 263: 417. [本文引用:1]
[5] Wang W, Zhang C, Food Analytical Methods, 2020, 13(9): 1764. [本文引用:1]
[6] Monago-Marana O, Wold J P, Rodbotten R, et al. LWT-Food Science and Technology, 2021, 140: 1. [本文引用:1]
[7] Santos C C, Zhao J, Dong X, et al. Meat Science, 2018, 145: 79. [本文引用:1]
[8] Fowler S M, Schmidt H, van de Ven R, et al. Meat Science, 2018, 138: 53. [本文引用:1]
[9] Zhao M, Downey G, O'Donnell C P. Journal of Agricultural and Food Chemistry, 2015, 63(5): 1433. [本文引用:1]
[10] SUI Ya-nan, ZHANG Lei-lei, LU Shi-yang, et al(眭亚南, 张蕾蕾, 卢诗扬, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2020, 40(5): 1607. [本文引用:1]
[11] Herrero A M. Critical Reviews in Food Science and Nutrition, 2008, 48(6): 512. [本文引用:2]
[12] WANG Li, LIU Zhao-feng, LI Jian-rong(王丽, 刘兆丰, 励建荣). Chinese Journal of Food Science(中国食品学报), 2012, 12(6): 159. [本文引用:1]
[13] Liu Y, Ren X, Yu H, et al. Food Control, 2020, 118: 1. [本文引用:1]