引用本文
刘瑜明, 王巧华, 陈远哲, 刘成康, 范维, 祝志慧, 刘世伟. 猪肉理化指标的近红外光谱无损检测[J]. 光谱学与光谱分析, 2024,44(5): 1346-1353.
LIU Yu-ming, WANG Qiao-hua, CHEN Yuan-zhe, LIU Cheng-kang, FAN Wei, ZHU Zhi-hui, LIU Shi-wei. Non-Destructive Near-Infrared Spectroscopy of Physical and Chemical Indicator of Pork Meat[J]. Spectroscopy and Spectral Analysis, 2024,44(5): 1346-1353.
Doi:10.3964/j.issn.1000-0593(2024)05-1346-08  
Permissions
Copyright©2024, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
猪肉理化指标的近红外光谱无损检测
刘瑜明1,2,3, 王巧华1,2,3,*, 陈远哲1, 刘成康1, 范维1, 祝志慧1, 刘世伟1
1.华中农业大学工学院, 湖北 武汉 430070
2.华中农业大学深圳营养与健康研究院, 湖北 武汉 430070
3.中国农业科学院深圳农业基因组研究所和岭南现代农业科学与技术广东省实验室深圳分中心, 广东 深圳 518124
*通讯作者 e-mail: wqh@mail.hzau.edu.cn

作者简介: 刘瑜明, 1998年生, 华中农业大学工学院硕士研究生 e-mail: lighter@webmail.hzau.edu.cn

收稿日期: 2023-02-24 修订日期: 2023-05-05
基金: 华中农业大学深圳营养与健康研究院研发项目(SZYJY2023007), 国家自然科学基金项目(31871863, 32072302)资助
摘要

我国是世界上最大的猪肉生产国, 同时也是最大的消费国。 猪肉的品质影响着人们摄取蛋白质的质量, 目前缺乏有效的快速无损检测方法应对巨大的检测需要。 为快速测定冷藏猪肉挥发性盐基氮(TVB-N)、 pH值和含水率, 提出一种新的猪肉品质检测方法, 利用近红外光谱技术结合化学计量学方法建立冷藏猪肉TVB-N、 pH值和含水率的数学模型。 以不同种类的白条猪肉为研究对象, 选择排酸完成后的猪最长背部肌肉的切块, 采集相应猪肉近红外光谱数据并结合化学计量学试验获取TVB-N、 pH和含水率的测量值, 对比分析采集到的光谱信息和理化指标, 发现在8 600~8 450、 7 160~6 950、 5 300~5 000 cm-1区域出现显著的吸收峰, 而8 600~8 450 cm-1附近吸收峰的峰值却明显小于其他吸收峰。 使用SPXY(sample set partitioning based on joint X-Y distances)算法进行数据集划分, 将数据集按照3∶1的比例划分成训练集和测试集。 使用蒙特卡罗交叉验证法(MCCV)剔除异常数据, 通过偏最小二乘法回归(PLSR)建立TVB-N、 pH值、 含水率和全波段光谱信息的回归关系。 利用数据中心化、 Savitzky-Golay(S-G)一阶求导、 S-G二阶求导、 直接差分二阶求导和多元散射校正等方法对原始光谱进行预处理, 探寻合适的预处理方式。 结果显示: 数据中心化、 直接差分二阶求导、 二阶求导取得较优的试验效果; 故结合竞争性自适应重加权算法(CARS)、 非信息变量剔除(UVE)、 连续投影算法(SPA)等特征波长提取算法建立PLSR特征波段模型并进行分析。 结果显示, TVB-N、 pH值、 含水率的预测模型结构分别为数据中心化-CARS-PLSR、 直接差分二阶求导-CARS-PLSR、 二阶求导-CARS-PLSR时具有优异的性能, 其中训练集相关系数 RC分别为0.947 1、 0.998 8、 0.997 1, 均方根误差(RMSE)分别为1.208 8、 0.008 7、 0.001 5; 测试集相关系数 RP分别为0.927 5、 0.963 0、 0.945 9, RMSE分别为1.683 6、 0.051 7、 0.005 6。 综上可知, 近红外波段区域与猪肉TVB-N、 pH值、 含水率存在显著相关性, 利用近红外光谱可以准确预测猪肉中TVB-N、 pH值和含水率。

关键词: 猪肉; 近红外光谱; TVB-N; pH; 含水率
中图分类号:O657.33 文献标志码:A
Non-Destructive Near-Infrared Spectroscopy of Physical and Chemical Indicator of Pork Meat
LIU Yu-ming1,2,3, WANG Qiao-hua1,2,3,*, CHEN Yuan-zhe1, LIU Cheng-kang1, FAN Wei1, ZHU Zhi-hui1, LIU Shi-wei1
1. College of Engineering, Huazhong Agricultural University, Wuhan 430070, China
2. Shenzhen Institute of Nutrition and Health, Huazhong Agricultural University, Wuhan 430070, China
3. Shenzhen Branch, Guangdong Laboratory for Lingnan Modern Agriculture, Genome Analysis Laboratory of the Ministry of Agriculture, Agricultural Genomics Institute at Shenzhen, Chinese Academy of Agricultural Sciences, Shenzhen 518124, China
*Corresponding author
Abstract

China is the world's largest pork producer and consumer. The quality of pork affects the quality of protein intake for people. There needs to be more effective rapid non-destructive testing methods to cope with the huge testing needs. In order to rapidly determine volatile salt nitrogen (TVB-N), pH and moisture content of frozen pork and to propose a new method for pork quality testing, this paper uses near-infrared spectroscopy combined with chemometric methods to establish mathematical models for TVB-N, pH and moisture content of frozen pork. The NIR spectral data were collected and combined with chemometric tests to obtain the measured values of TVB-N, pH and moisture content. ~5 000 cm-1 region, while the absorption peaks around 8 600~8 450 cm-1 were significantly smaller than the other absorption peaks. The SPXY (sample set partitioning based on joint X-Y distances) algorithm was used to partition the data set into a training set and a test set in the ratio of 3∶1. The abnormal data were removed using Monte Carlo cross-validation (MCCV) and a partial least squares regression (PLSR) was used to establish The regression relationships of TVB-N, pH, water content and full-band spectral information were established by partial least squares regression (PLSR), and the raw spectra were pre-processed using data centering, Savitzky-Golay(S-G) first-order derivatization, S-G second-order derivatization, direct difference second-order derivatization and multiple scattering corrections to explore the appropriate pre-processing methods. The results show that the data centering, direct differential second-order derivation and second-order derivation achieve good experimental results, so the combination of competitive adaptive reweighted sampling (CARS), uninformative variables elimination (UVE), and multiplicative scatter correction (MSC) has been applied. The PLSR feature band model was developed and analysed by combining the competitive adaptive reweighted sampling (CARS), uninformative variables elimination (UVE) and successive projections algorithm (SPA). The results showed that the prediction models for TVB-N, pH and water content had excellent performance when the structures were data centered-CARS-PLSR, direct difference second-order derivative-CARS-PLSR and second-order derivative-CARS-PLSR, respectively, where the training set correlation coefficients RC were 0.947 1, 0.998 8 and 0.997 1, respectively, and the root mean square errors (RMSE) were 1.208 8, 0.008 7 and 0.001 5, respectively; the test set correlation coefficients RP were 0.927 5, 0.963 0 and 0.945 9, respectively, and the RMSE were 1.683 6, 0.051 7 and 0.005 6, respectively. In summary, it can be seen that the NIR band region is significantly correlated with pork TVB-N, pH and moisture content, and the use of NIR spectra can The NIR spectra can be used to predict TVB-N, pH and moisture content in pork accurately.

Keyword: Pork; Near-infrared spectroscopy; Volatile salt-based nitrogen(TVB-N); pH; Water content
引言

冷藏是猪肉在运输和销售过程当中常见的储存方式[1, 2], 生猪在被屠宰之后也会被置于0~4 ℃的环境当中进行排酸。 猪肉在冷藏过程中, 挥发性盐基氮(TVB-N)含量、 pH值和含水率都会发生不同程度的变化, 从而影响猪肉的品质。 目前对于猪肉新鲜与否的划分依据还是依靠GB2707—2016[29]中对TVB-N含量的规定, 该国家标准规定TVB-N含量在15 mg· (100 g)-1以下为新鲜, 超过15 mg· (100 g)-1为不新鲜。 根据其他学者的研究[3, 4, 5]也可以发现pH值、 含水率[6]也是反应猪肉品质的重要参考指标。 目前, 无论是通过感官检测还是理化指标检测都需要消耗许多人力物力, 且检测结果受主观影响程度较大, 在使用肉眼检测时准确率难以把控, 利用化学计量法时缺乏检测时效性, 不适合同时检测大量猪肉[7, 8]; 因此完善一种快速无损检测冷藏猪肉品质的方法十分必要。

近红外光谱技术具有快速、 便捷的特性, 在检测肉类中的pH值、 含水率和TVB-N时相比化学检测的方法便捷许多[9, 10, 28]。 在研究如何检测猪肉品质及评价指标方面, 赵茂程等[11]对猪肉新鲜度提出基于准度和精度的评价方法, 通过提高像素光谱信噪比和限制模型波段增益提高预测精度。 彭彦昆[12]等通过近红外光谱技术对猪肉内含水率的预测准确率达到90.48%; Zhang等[13]通过建立及时学习模型(JITL)降低预测TVB-N时的均方根误差。 王文秀等[14]结合两种波段对猪肉中pH值进行预测, 验证集相关系数达到0.903 5; 同时用散点矫正技术对偏最小二乘回归(PLSR)预测的模型进行矫正, 可以使模型对猪肉中水分、 脂肪和蛋白质含量预测的误差和偏差分别降低52%和84%[15]。 Adebayo等[16]将背散射成像技术应用于猪肉的新鲜度检测, 从而在提升检测效率方面取得一定成效, 但仍然需要一定的算法改进以提升检测速度。 上述研究中多使用400~1 100 nm之间的可见/近红外短波段数据, 在1 100~2 500 nm的近红外长波段却鲜有人进行分析。

为此基于近红外光谱技术[17, 18], 采集猪肉1 000~2 500 nm范围内猪肉的近红外光谱信息, 通过化学计量学技术测量猪肉在冷藏条件下每一天的实际pH值、 含水率、 TVB-N含量, 建立近红外光谱快速无损检测猪肉TVB-N、 pH值、 含水率的模型, 发现近红外波段区域与猪肉TVB-N、 pH值、 含水率存在显著相关性。 通过对比不同预处理方式和特征波长提取算法的建模效果, 筛选出最优模型用于检测猪肉中对应的理化指标为快速判断冷藏猪肉的品质提供支持, 以达到快速无损检测猪肉品质的目的。

1 实验部分
1.1 材料与试剂

选择屠宰后经过24 h排酸的猪背最长肌部分, 由供广深圳肉类智能交易市场有限公司提供。 随机从不同胴体的背最长肌处切下12 cm× 8 cm× 4 cm形态均匀的样品共6块并切去脂肪和结缔组织, 每个样本均采用保鲜膜密封, 将样品水平置于4 ℃冰箱中冷藏, 以待分析猪肉在该环境下的TVB-N、 pH值和含水率的变化情况同光谱数据之间的联系。

1.2 仪器与设备

海能K1160全自动凯式定氮仪, 海能未来技术集团股份有限公司; 上海衡平电子天平JY1002; 台式离心机Velocity14R, 天美仪拓实验室设备(上海)有限公司; FSH-2A可调高速匀浆机, 常州天瑞仪器有限公司; PHS-25 pH计, 上海雷磁仪器; AntarisⅡ 傅里叶变换近红外光谱仪, 美国塞默飞世尔科技公司(Thermo Fisher), 光谱仪的波段范围10 000~4 000 cm-1, 分辨率4 cm-1; 电热恒温鼓风干燥箱, 武汉环试检测设备有限公司。

1.3 近红外光谱采集

近红外光谱信息采集装置如图1所示, 使用AntarisⅡ 傅里叶变换近红外光谱仪作为采集设备, 通过积分球完成对猪肉样本漫反射光谱信息的收集。 光谱仪参数如下: 测量波段范围为: 10 000~4 000 cm-1, 分辨率为4 cm-1, 扫描频率为32。 近红外光谱采集设备在使用前预热30 min, 降低暗电流和光学器件因为温度不同而产生的测量结果差异[28, 29], 并调整光源探头的距离以获得噪声最小的照射位置, 并保持被测样品周围黑暗无外部光源干扰。 同时, 选择即将被切除用于测量TVB-N含量、 pH值及含水率的区域中均匀分布的三点, 将测量数据平均后作为本次采样的最终光谱数据。

图1 近红外采集装置示意图
1: 样品猪肉块; 2: 带孔载物板; 3: 光谱仪内部积分球; 4: 光源; 5: 计算机Fig.1 Diagram of the near-infrared acquisition device
1: Sample pork cube; 2: Perforated pallet; 3: Spectrometer internal integrating sphere; 4: Light source; 5: Calculator

试验分为三个批次, 用以提高模型的鲁棒性。 每次使用的样品猪肉均为已经排酸完成的猪背最长肌部分。 第一批试验一共6个样品, 在每天下午15:00固定时间测量近红外光谱、 TVB-N、 pH值、 含水率, 共持续10 d, 第二、 三批试验同第一批试验一致, 用于增加样本数量。 上述三个批次的试验在不同的日期进行。

1.4 猪肉理化指标测量

1.4.1 TVB-N含量的测定

根据GB 5009.228—2016《食品中挥发性盐基氮的测定》中自动凯式定氮法, 测定猪肉中TVB-N含量。 每次测量时切取10 g样品并加入100 mL蒸馏水经过匀浆机匀浆后, 准确量取10 mL上清液置于消化管中, 同时加入0.1 g的轻质氧化镁用于辅助蒸馏, 随后等待机器完成滴定操作并记录测量数值。 试验过程中滴定酸为0.01 mol· L-1盐酸, 同时准备两组空白对照用于消除溶液中溶剂内的TVB-N含量影响试验结果。

挥发性盐基氮的计算公式为

X=V1-V2m×c×14×100%(1)

式(1)中: X为样品中TVB-N含量, mg· (100 g)-1; V1为测定样本消耗的标准滴定酸体积, mL; V2为空白消耗的盐酸体积, mL; c为盐酸标准溶液的实际浓度, (mol· L-1); m为测量的样本质量, g。

1.4.2 pH值的测定

在每次测量pH值之后选用pH值为6.86的标准液对pH计进行校正。 测量时, 每次选取5 g样品并加入50 mL蒸馏水利用匀浆机匀浆后沉淀30 min, 取上清液测量pH值, 每测量完一次后用蒸馏水清洗pH计探头。

1.4.3 含水率的测定

参考GB5009.3—2016中的直接烘干法, 每次取5 g左右样品于铝盒中, 随后依次称量猪肉加铝盒的质量, 在105 ℃的干燥箱内烘干20 h, 直至干燥重量保持不变。

试样中的水含量计算公式如式(2)

Y=m2-m3m1×100%(2)

式(1)中: Y为猪肉含水率, %; m1为称量样品质量, g; m2为称取样品及对应铝盒质量, g; m3为干燥完成后样品及铝盒的质量, g。

2 结果与讨论
2.1 猪肉的近红外光谱分析

不同贮藏时间猪肉原始光谱曲线与不同贮藏时间猪肉平均光谱曲线如图2所示。 结合各类基团倍频与合频吸收谱带信息, 发现在8 600~8 450、 7 160~6 950和5 300~5 000 cm-1区域出现显著的吸收峰[19], 同时对比图2(b)发现不同贮藏天数的猪肉光谱信息变化也集中在该区域, 这些波峰分别为C—H的二级倍频与合频的吸收峰、 水中游离O—H的一级倍频吸收带、 纯水分子中O—H键伸缩振动的组频吸收带, 同时, 由于8 600~8 450 cm-1附近吸收峰的吸收作用大于其他吸收峰, 因此考虑是C—H第一、 第二、 第三泛音所致[20]。 猪肉内含有丰富的有机物, 随着储藏时间的变化, 有机物逐步被分解, 猪肉对近红外光的吸收与反射作用同样会出现差异[21, 22]。

图2 (a)猪肉原始光曲线; (b)不同贮藏时间猪肉平均光谱曲线Fig.2 (a) Raw absorbance spectra of pork; (b) Average absorbance spectra of pork at different storage days

2.2 猪肉样本集划分及异常样本剔除

对采集来的数据集使用SPXY(sample set partitioning based on joint X-Y distances)算法进行数据集划分, 得到训练集和测试集, 比例设置为3∶ 1, 划分后的样本集如表1所示, 同时使用蒙特卡罗交叉验证法(MCCV)[23]对异常的原始光谱曲线进行剔除, 剔除异常数据后的原始光谱曲线与不同贮藏时间猪肉平均光谱曲线如图3所示。

表1 SPXY算法划分的样本集数据 Table 1 Sample set data divided by the SPXY algorithm

图3 (a)MCCV法剔除后猪肉原始光亲曲线; (b)MCCV法剔除后不同贮藏时间猪肉平均光谱曲线Fig.3 (a) Original spectra of pork after rejection by the MCCV method; (b) Average spectra of pork at different storage days after rejection by the MCCV method

2.3 TVB-N含量、 pH值和含水率全波段预测模型建立

选择经上述处理的光谱数据, 运用不同预处理方法对全波段近红外光谱信息建立TVB-N含量、 pH值和含水率的预测模型。 通过使用数据中心化、 S-G一阶求导、 S-G二阶求导、 直接差分二阶求导、 多元散射校正[24]对采集到的光谱数据进行预处理后建立PLSR预测模型, 设置S-G一阶求导与S-G二阶求导窗口大小为7, 直接差分二阶求导窗口大小为3。 选出具有较好建模效果的预处理方法, 结果如表2所示。 从表中可以看出, 各种预处理方式中训练集准确率较高时, 测试集的准确率有很大幅度下降, 说明模型此时发生过拟合现象, 使得测试集的准确率降低。

表2 全波段预测模型结果图 Table 2 Full-band forecast model result graph
2.4 TVB-N含量、 pH值和含水率特征波段预测模型建立

为解决在使用全波段进行拟合时发生的过拟合现象, 对采集到的光谱信息进行特征提取, 降低数据冗余, 用以更好的消除过拟合现象。 选择上述试验结果中的预处理光谱数据, 利用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)、 非信息变量剔除(uninformative variables elimination, UVE)、 连续投影算法(successive projections algorithm, SPA)提取特征波长降低光谱数据的维度, 分别建立特征波段光谱信息同TVB-N含量、 pH值和含水率的CARS-PLSR预测模型。

根据表2和表3中建模准确率对比结果发现, CARS、 SPA、 UVE算法可以很好的减少过拟合现象, 同时增加模型的鲁棒性。

表3 原始光谱不同特征波段提取算法结果图 Table 3 Feature bands extraction results of original spectra by different algorithms

根据表4中的数据发现UVE、 CARS、 SPA获取的特征波数的数量依次减小, 并且呈现出UVE特征波数包含CARS特征波数包含SPA特征波数的现象, CARS、 SPA两种算法获得的波数偏少但在8 600~8 450、 7 160~6 950和5 300~5 000 cm-1区域依然存在较多的分布, UVE在上述区域中的分布也因为波数的增加而逐渐集中。

表4 原始光谱选取波数图 Table 4 Selected wavebands from raw spectra

2.4.1 CARS算法提取特征波段

以CASS算法筛选TVB-N特征波段为例, 使用CARS算法对采集到的猪肉光谱数据进行预处理。 设定初始MCCV采样50次, 训练集中50%用于交叉验证, 重采样率0.7。 由图4(a)可知, 随着迭代次数的提升大量无用的光谱信息被剔除。 图4(b)中RMSECV值降到最低点33之前为消除无用光谱信息, 在最低点33之后有效光谱信息被剔除RMSECV开始上升。 图4(c)中交叉验证集的均方根误差(RMSECV)趋向最低点时, 迭代次数为33次, 说明此时光谱中的有效信息达到最大, 由此得到最优特征波长集合。

图4 (a) 抽样变量数; (b) RMSECV趋势; (c) 回归系数轨迹Fig.4 (a) Number of sampling runs; (b) RMSECV trend; (c) Regression coefficients path

2.4.2 SPA算法提取特征波段

利用SPA算法对猪肉光谱的特征变量进行筛选, 以TVB-N特征波段的筛选过程为例, 如图5(a)所示, 当均方根误差(RMSE)达到最低点时, 大量无用的光谱信息被剔除, 余下对应的光谱信息将作为特征光谱, 此时最低点对应的波长个数为13, RMSE为2.0291, 选取的特征变量占原始光谱信息的0.84%, 极大的降低了数据的维度。 特征波长点如图5(b)所示。

图5 (a)SPA算法提取特征波长RMSE趋势图; (b) SPA-特征波数图Fig.5 (a) RMSE of characteristic wavelength selection by SPA; (b) Characteristic wavelengths selected by SPA

2.4.3 UVE算法提取特征波段

以TVB-N特征波段的筛选过程为例, 在利用UVE算法时先将阈值设定为0.9, 主成分数15。 UVE提取特征波长如图6所示, 图中左侧蓝线为猪肉的光谱矩阵稳定值, 右侧红色曲线为添加光谱随机噪声矩阵变量, 图中虚线处为随机噪声的最大阈值(± 3.415), 处在两条虚线中间的光谱信息将作为无效信息被剔除, 其余的信息将被保存为特征波长。 经过UVE筛选共有187个特征波长, 占原始光谱的12.01%。 总体来看, UVE提取的特征波长数量远高于CARS、 SPA, 保留了更多的光谱信息。

图6 UVE算法选择特征波长Fig.6 Spectral characteristic wavelengths selected by UVE algorithm

2.5 TVB-N含量、 pH值和含水率最优模型的比较与选择

通过表2的数据发现对光谱数据使用除数据中心化以外的预处理方式后在对TVB-N含量进行预测时获得的RC与RP出现相对于原始光谱数据减小的情况由此选择数据中心化作为预处理方式; 预测pH值时, 在使用S-G一阶求导和直接差分二阶求导的预处理方式后RC与RP均获得提升, 选择提升效果更明显的直接差分二阶求导的方式作为预处理方式; 对含水率的预测, 则在使用S-G二阶求导的预处理方式后RC与RP获得较大的提升。 选择上述准确率较高的三种预处理方式对采集到的光谱数据进行变换并结合特征波长提取算法将得到的光谱数据带入PLSR模型, 建立猪肉理化指标的预测模型, 结果如表5所示。 根据表5中的对比结果可以发现, 在利用CARS算法对光谱信息进行特征提取之后得到的模型预测准确率高于使用SPA算法、 UVE算法, 说明CARS算法在对猪肉光谱信息的筛选过程中存在一定优势。

表5 特征提取算法结合不同预处理方式结果 Table 5 Prediction results by using diferent feature extraction algorithms and different preprocessing methods

试验结果表明, TVB-N在对光谱数据进行数据中心化预处理后经过CARS算法提取特征波长时拥有最佳的拟合效果, pH值在对光谱数据进行直接差分二阶求导预处理后经过CARS算法提取特征波长时拥有最佳的拟合效果, 含水率在对光谱数据进行S-G二阶求导预处理后经过CARS算法提取特征波长时拥有最佳的拟合效果。

利用被筛选之后特征光谱信息建立的CARS-PLSR模型中, 预测TVB-N含量时利用数据中心化对光谱信息进行预处理时获得最佳效果训练集RC为0.947 1, RMSEC为1.208 8, 测试集RP为0.927 5, RMSEP为1.683 6, 如图7(a)所示。

图7 预测散点图
(a): TVB-N; (b): pH; (c): 含水率Fig.7 Scatter plots
(a): TVB-N; (b): pH; (c): Moisture content

预测pH值时使用直接差分二阶求导设置窗口大小为3的预处理方式可以使模型的预测效果达到最佳, 训练集RC为0.998 8, RMSEC为0.008 7, 测试集RP为0.963 0, RMSEP为0.051 7, 如图7(b)所示。

预测含水率时使用S-G二阶求导设置窗口大小为7的预处理方式可以使模型的预测效果达到最佳训练集RC为0.997 1, RMSEC为0.001 5, 测试集RP为0.945 9, RMSEP为0.005 6, 如图7(c)所示。

试验结果表明, 在对近红外光谱信息进行合适的预处理之后可以有效提高CARS-PLSR模型的相关系数R, 同时降低RMSE, 这一试验结果证明利用近红外光谱信息确定猪肉中TVB-N含量、 pH值和含水率确实可行[25, 26, 27]。

表6 最优预测模型准确率 Table 6 Accuracy of optimal prediction model
3 结论

通过研究猪肉近红外光谱信息和TVB-N、 pH值和含水率的关系, 分别建立了猪肉TVB-N、 pH值、 含水率的PLSR检测模型, 根据试验结果可以发现上述模型具有较好的检测精度。 随后, 试验了CARS、 SPA、 UVE三种算法对原始光谱的处理效果, 发现CARS算法在对猪肉理化指标预测模型的建立过程中具有一定优势。 预测TVB-N含量时利用数据中心化对光谱信息进行预处理时获得最佳效果训练集RC为0.947 1, RMSEC为1.208 8, 测试集RP为0.927 5, RMSEP为1.683 6; 预测pH值时使用直接差分二阶求导的预处理方式可以使模型的预测效果达到最佳, 训练集RC为0.998 8, RMSEC为0.008 7, 测试集RP为0.963 0, RMSEP为0.051 7; 预测含水率时使用二阶求导的预处理方式可以使模型的预测效果达到最佳训练集RC为0.997 1, RMSEC为0.001 5, 测试集RP为0.945 9, RMSEP为0.005 6。 研究结果标明, 猪肉中TVB-N、 pH值和含水率同近红外光谱之间存在显著相关性, 利用近红外光谱可以准确预测猪肉中TVB-N、 pH值和含水率。

参考文献
[1] TANG Lu-yun, QI Chun-jie(汤路昀, 祁春节). Chinese Journal of Agricultural Resources and Regional Planning(中国农业资源与区划), 2021, 42(7): 37. [本文引用:1]
[2] WU Yi-ming(吴艺鸣). Modern Food Science and Technology(现代食品科技), 2020, 36(3): 127. [本文引用:1]
[3] LI Hua-jian, CHEN Tao, YANG Bo-ruo, et al(李华健, 陈韬, 杨波若, 等). Food Science(食品科学), 2021, 42(3): 14. [本文引用:1]
[4] Jang J H, Kang H J, Adede J I, et al. Food Chemistry, 2023, 403: 134366. [本文引用:1]
[5] Cheng J, Sun J, Yao K, et al. LWT—Food Science and Technology, 2022, 165: 113778. [本文引用:1]
[6] Barlocco N, Vadell A, Ballesteros F, et al. Animal Science an International Journal of Fundamental & Applied Research, 2006, 82(1): 111. [本文引用:1]
[7] WANG Wen-xiu, PENG Yan-kun, WANG Fan, et al(王文秀, 彭彦昆, 王凡, 等). Food Science(食品科学), 2019, 40(14): 339. [本文引用:1]
[8] Sanchez P D C, Arogancia H B T, Boyles K M, et al. Applied Food Research, 2022: 100147. [本文引用:1]
[9] Perez-Palacios T, Caballero D, González-Mohíno A, et al. Journal of Food Engineering, 2019, 263: 417. [本文引用:1]
[10] Cáceres-Nevado J M, Garrido-Varo A, De Pedro-Sanz E, et al. Meat Science, 2021, 175: 108440. [本文引用:1]
[11] ZHAO Mao-cheng, WU Ze-ben, WANG Xi-wei, et al(赵茂程, 吴泽本, 汪希伟, 等). Transcations of the Chinese Society for Agricultural Machinery(农业机械学报), 2022, 53(3): 412. [本文引用:1]
[12] PENG Yan-kun, YANG Qing-hua, WANG Wen-xiu, et al(彭彦昆, 杨清华, 王文秀, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2018, 49(3): 347. [本文引用:1]
[13] Zhang Fan, Kang Tonghai, Sun Jianfeng, et al. Meat Science, 2022, 188: 108801. [本文引用:1]
[14] WANG Wen-xiu, PENG Yan-kun, XU Tian-feng, et al(王文秀, 彭彦昆, 徐田锋, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2016, 36(12): 4001. [本文引用:1]
[15] Wang Wenxiu, Peng Yankun, Sun Hongwei, et al. Journal of Food Engineering, 2018, 237: 103. [本文引用:1]
[16] Adebayo S E, Hashim N, Abdan K, et al. Journal of Food Engineering, 2016, 169: 155. [本文引用:1]
[17] Mishra P, Verkleij T, Klont R. Infrared Physics & Technology, 2021, 113: 103643. [本文引用:1]
[18] GAO Sheng, WANG Qiao-hua, SHI Hang, et al(高升, 王巧华, 施行, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2021, 52(2): 308. [本文引用:1]
[19] Li Pao, Li Shangke, Du Guorong, et al. Food Science & Nutrition, 2020, 8(5): 2543. [本文引用:1]
[20] Johnson J B, Thani P R, Naiker M. Chemical Papers, 2023, 77(4): 2009. [本文引用:1]
[21] Xie Anguo, Sun Dawen, Xu Zhongyue, et al. Talanta, 2015, 139(1): 208. [本文引用:1]
[22] Barbin D, Elmasry G, Sun D W, et al. Journal of Food Engineering, 2012, 110(1): 127. [本文引用:1]
[23] LIU Cui-ling, HU Yu-jun, WU Sheng-nan, et al(刘翠玲, 胡玉君, 吴胜男, 等). Journal of Food Science and Technology(食品科学技术学报), 2014, 32(5): 74. [本文引用:1]
[24] Mishra P, Biancolillo A, Roger J M, et al. TrAC Trends in Analytical Chemistry, 2020, 132: 116045. [本文引用:1]
[25] Monroy M, Prasher S, Ngadi M O, et al. Biosystems Engineering, 2010, 107(3): 271. [本文引用:1]
[26] Del Moral F G, Guillén A, Del Moral L G, et al. Journal of Food Engineering, 2009, 90(4): 540. [本文引用:1]
[27] Issued by: National Health and Family Planning Commission of the People's Republic of China, The State Food and Drug Administration(中华人民共和国国家卫生和计划生育委员会, 国家食品药品监督管理总局发布). National Stand ard of the People's Republic of China. GB 2707—2016 Food Safety National Stand ard, Fresh (Frozen) Livestock and Poultry Products(中华人民共和国国家标准GB 2707—2016. 食品安全国家标准鲜(冻)畜、 禽产品), 2016. [本文引用:1]
[28] Simone G, Dyson M J, Janssen R A J, et al. Advanced Functional Materials, 2020, 30(20): 1904205. [本文引用:2]
[29] Lee C C, Estrada R, Li Y Z, et al. Advanced Optical Materials, 2020, 8(17): 2000519. [本文引用:2]