基于近红外光谱技术构建民勤羊肉养分含量检测模型

为提高特色产品的质量,促进区域经济发展和对外贸易,国家在“十四五”计划中明确规定了要建设优势农产品带和特色农产品优势区,发展地理标志产品。民勤羊肉(全生长期在产地范围内的活体羊)因其独特风味被列入《地理标志产品保护规定》(2005年7月15日颁发)[1-2]。但到目前为止,我国对肉质品质的标准和方法评价还不全面,许多不法商贩伪造或冒用地理标志产品的标志以获取高额利润。不仅损害消费者以及养殖场利益,还导致肉类行业肉品价格失调,扰乱肉类市场秩序。但传统的肉质分析过程较为繁琐,检测成本高,耗时长且损害样品。而近红外光谱技术作为分析化学领域发展迅速的绿色分析技术之一,具有操作简单、快速、无损、准确率高的特点,可实现肉品品质快速测定,是肉类行业重要检测技术之一,具有良好应用前景[3]。迄今为止,近红外光谱技术在农业[4]、医学[5]、食品[6]等领域已广泛应用。

近年来,人们应用近红外光谱技术在肉品品质的预测方面有着诸多研究报道[7-9]。BAILES等[10]应用近红外光谱技术预测了冻干牛羊肉整体的肌内脂肪和蛋白质含量。QIN等[11]应用近红外光谱技术(950～1 650 nm)结合一阶导数建立鸭肉肌内脂肪含量的偏最小二乘法模型。燕昌江[12]应用近红外光谱技术分别成功预测了猪肉和鸡肉中脂肪、蛋白、水分的含量。前人的研究结果证实了其技术在实际生产应用中的可行性和巨大发展潜力。但是大部分准确度较高的肉品品质的预测中,肉品涵盖的品种以及部位比较单一,对羊肉脂肪酸含量的预测研究较少,对民勤羊肉这种地理标志产品品质预测的研究报道几乎没有。因此,本试验应用近红外光谱技术结合化学计量学法预测民勤羊肉不同部位肌肉脂肪、蛋白质、脂肪酸的含量,旨在为定量检测民勤羊肉营养成分含量提供理论依据以及为民勤羊肉的营养特性和产品价值提供技术支持。

1 材料与方法

1.1 材料与试剂

试验所用样品于2021年7月在甘肃省武威市民勤县民勤中天羊业有限公司屠宰场采集,共采集羊只90头,包括30只湖羊、30只湖寒杂种、30只寒蒙杂种。采样部位为背最长肌肉、前腿肉、后腿肉,每份肉采集1.5 kg左右,用不锈钢刀剔除肉样表面大块的脂肪后装入自封袋后编号,共计得到269份新鲜肉样。

氢氧化钾(分析纯)、无水甲醇(色谱纯)、浓硫酸、正己烷(色谱纯)、硫酸钾(分析纯)、硫酸铜(分析纯)、石油醚。

1.2 仪器与设备

XDS-RCA近红外光谱分析仪,丹麦FOSS公司;QSJ-C03M1绞肉机,佛山小熊厨房电器有限公司;HH-6电热恒温水浴锅,北京科伟永兴仪器有限公司;SC-3610低速离心机,安徽中科中佳科学仪器有限公司;AL104分析天平,上海梅特勒-托利多仪器有限公司;GC-2010plus气相色谱仪,日本岛津公司;AOC-20自动进样器,日本岛津公司;FID氢火焰离子化检测器,日本岛津公司;DHG-9070A电热恒温鼓风干燥箱,上海齐欣科学仪器有限公司;XT151全自动脂肪分析仪,美国ANKOMTechnology;KT8400全自动凯氏定氮仪,福斯华(北京)科贸有限公司。

1.3 实验方法

用不锈钢刀将新鲜肉样上的多余脂肪和筋膜剔除。用小型绞肉机绞成肉糜,分装于不同自封袋中,用于后续肉样脂肪、蛋白、脂肪酸的测定。

1.3.2 近红外光谱采集及光谱数据提取

XDS近红外光谱仪检测参数:扫描范围全波段扫描,扫描次数32次,扫描分辨率<8 nm。仪器参数:光源为卤钨灯,主机光谱400～2 500 nm,反射方式为漫反射。

试验样品扫描前,仪器开机预热30 min,待仪器自检完成后装样进行全光谱扫描,装样时保证样品杯底部无气泡,每份样品扫描3次,取平均值,光谱数据采样间隔点2 nm,269个样本共得到269条平均光谱。利用winISI III软件将光谱转换为吸光度值作为样本的光谱数据,得到羊肉269×1 050的光谱数据集。

1.3.3 近红外光谱数据预处理

为降低温度、湿度、样品平整度等对近红外光谱采集时的影响,最大程度消除光谱出现的基线漂移、噪声等,本试验在利用近红外光谱技术对民勤羊肉肌肉中脂肪、蛋白质、主要脂肪酸含量建立定量分析模型时,利用一阶导数和二阶导数对光谱数据进行数学转换,在原始光谱、一阶导数、二阶导数(second derivative, 2ndDer)的基础上再进行7种预处理,分别为无处理(none)、标准正态变量校正和去趋势化(SNV and DT)、标准正态变量校正(standard normal variable correction, SNV)、去趋势化(detrend, DT)、标准化多元散射校正(standard multiplicative scatter correction, S-MSC)、加权多元散射校正(weighted standard multiplicative scatter correction, W-MSC)、逆多元散射校正(inverse standard multiplicative scatter correction, I-MSC)。

1.3.4 定标模型的建立与验证

本试验使用winISI Ⅲ分析软件,将原始光谱数据按照4∶1的比例分为定标集(80%)和验证集(20%),定标集用于定标模型的构建,验证集用来验证模型的预测能力。利用改良偏最小二乘法(modified partial least squared, MPLS)、偏最小二乘法(partial least squared, PLS)、主成分回归分析法(principal component regression, PCR)3种回归方法,结合1.3.3中的预处理进行羊肉肌肉中营养成分含量的定标模型的建立与验证,具体处理方法见表1。

结合定标决定系数(RSQ)、交叉检验决定系数(1-VR)、定标标准误差(square error correction, SEC)、交叉检验标准误差(square error cross validation, SECV)、预测标准偏差(square error prediction, SEP)、相对分析误差(residual predictive deviation,RSP, RPD=SD/SEP)评估定标模型的性能。定标模型预测精度标准:RSQ>0.95和RPD>4(最好);0.90≤RSQ≤0.95和3≤RPD≤4(好);0.8≤RSQ<0.90和2.25≤RPD<3(较好);0.7≤RSQ<0.8和1.75≤RPD<2.25(合格);RSQ<0.7和RPD<1.75(不合格),表明模型不可靠[13]。

1.3.5 肌肉中粗脂肪的测定

按照GB 5000.6—2016《食品安全国家标准食品中脂肪的测定》标准中的抽提法进行测定。

1.3.6 肌肉中粗蛋白的测定

按照GB 5000.5—2016《食品安全国家标准食品中蛋白质的测定》标准中的凯氏定氮法进行测定。

1.3.7 肌肉中脂肪酸的测定

样品制备流程如图1所示;色谱条件如表2所示;标准曲线如图2所示。

2 结果与分析

2.1 羊肉样品近红外光谱图

XDS近红外光谱分析仪得到的民勤羊肉样品的光谱图以及光谱处理图如图3所示。由于组成样品化学官能团在近红外区有特异的吸收峰,其吸光度与样品中营养成分含量的高低相关[12],图3中在400～2 500 nm全波段光谱范围内,光谱在不同波长处出现吸收峰,未经处理的光谱在780～2 500 nm显示出强烈的光谱吸收峰。在980、1 440、1 960 nm处有较强的吸收峰,主要是由于水的吸收。在1 650 nm和2 310 nm处的吸收峰与脂肪和脂肪酸中C—H键的拉伸振动有关[14]。经过处理的光谱,吸收峰更加明显,峰数有所增加,是因为原始光谱在经1 stDer和2ndDer处理后,光谱分辨率被提高所致。

2.2 近红外光谱技术对羊肉营养成分含量的预测

2.2.1 化学法测定羊肉营养成分含量的结果

利用化学方法测定民勤羊肉肌肉中脂肪、蛋白质、脂肪酸含量的结果见表3,脂肪和蛋白质含量均值分别为3%和21.23%。羊肉肌肉中检测到脂肪酸共28种,其中肉豆蔻酸、棕榈酸、十七烷酸、硬脂酸、二十三酸、棕榈油酸、反油酸、油酸、亚油酸的含量相对较高,其平均值分别为1.18%～3.47%、15.81%～28.41%、0.65%～2.95%、8.90%～15.15%、1.07%～7.33%、0.32%～2.94%、0.29%～6.01%、30.97%～46.84%、1.78%～16.66%之间,其他脂肪酸含量的平均值均在1%以下。总体来看,饱和脂肪酸含量均值为43.23%;单不饱和脂肪酸含量均值为46.83%;多不饱和脂肪酸含量均值为9.93%。

2.2.2 近红外光谱技术对羊肉营养成分含量的预测

利用近红外光谱技术对民勤羊肉肌肉中脂肪、蛋白、主要脂肪酸的含量进行定量分析。采用MPLS、PLS、PCR三种回归方法建模的结果见表4,对比3种回归方法结果筛选出最佳模型。结果显示,除硬脂酸最佳建模方法为PLS外,其余指标模型最佳建模方法均为MPLS,证实其MPLS回归方法的优越性。

2.2.3 化学法与近红外光谱技术对羊肉肌肉营养成分含量测定比较

化学法测定羊肉肌肉中脂肪、蛋白、主要脂肪酸结果以在2.2.1中详细叙述,由表5可知,用近红外光谱技术预测羊肉肌肉营养成分时,脂肪含量均值为3.09%;蛋白含量均值为21.20%;肉豆蔻酸含量均值为2.26%;棕榈酸含量均值为22.97%;硬脂酸含量均值为11.85%;油酸含量均值为39.75%;亚油酸含量均值为8.49%;饱和脂肪酸含量均值为43.26%;单不饱和脂肪酸含量均值为49.93%;多不饱和脂肪酸含量均值为9.83%。

从以上的结果可以看出,2种方法测定的指标中,平均值和相对标准偏差的值都很相近,其中,2种方法测得的指标的平均值差值变化范围在0.01%～0.1%,相对标准误差差值变化范围在0～0.09,说明这几种指标的平均值准确性高,代表性强。而从标准差来看,两种方法测定的值差异较大,近红外光谱法对几种指标测得的值的范围较化学法更小,说明用近红外光谱法测定的指标含量在样品中各变数差异较小,相对集中的分布于均值的两侧,测定出的指标含量比化学法准确性高。

2.2.4 化学法与近红外光谱技术对羊肉营养成分含量预测的相关性比较

对2.2.2选出的10种最优定标模型进行外部验证,结果见表6和图4。脂肪、蛋白、单不饱和脂肪酸模型的外部验证结果中,RSQ值均在0.9以上,分别为0.936、0.916、0.911,RPD分别为3.843、4.229、4.299,其中蛋白与单不饱和脂肪酸模型的RPD均大于4,脂肪模型的RPD大于3且小于4,蛋白、单不饱和脂肪酸的定标模型精度很好,脂肪定标模型次之。棕榈酸、油酸、亚油酸、饱和脂肪酸、多不饱和脂肪酸外部验证结果中,RSQ值在0.8以上,分别为0.806、0.843、0.883、0.852、0.895,RPD分别为2.898、3.036、3.524、3.430、3.795,其中,油酸、亚油酸、饱和脂肪酸、多不饱和脂肪酸定标模型RPD均大于3,小于4,棕榈酸定标模型的RPD大于2.25,小于3,表明油酸、亚油酸、饱和脂肪酸、多不饱和脂肪酸的定标模型精度比较好,而棕榈酸的定标模型的精度只达到合格。肉豆蔻酸和硬脂酸定标模型的验证结果中,RSQ值均小于0.7,分别为0.323和0.561,RPD分别为1.479和1.788,二者定标模型不可靠。

3 讨论

肉品的化学组成对肉的营养和食用品质有很大影响,肉品中水分、脂肪、蛋白的含量会一定程度上影响肉的风味、嫩度和多汁性[15]。应用近红外反射光谱技术对肉品中的脂肪、蛋白质和水分的研究最早开始于20世纪70—80年代[16]。为后续近红外光谱技术预测肉品品质的研究奠定了基础。COZZOLINO等[17]应用可见近红外光谱技术预测了羊(51只)的不同部位肌肉水分、蛋白和肌内脂肪含量,模型相关系数分别为0.76、0.83、0.73,模型预测效果一般。本试验研究结果与COZZOLINO等[17]研究结果一致,应用近红外光谱技术结合PCR、PLS、MPLS三种回归方法,预测了羊肉(90只)不同部位肌肉中脂肪和蛋白质含量。其中采用MPLS回归方法所建模型效果最佳,脂肪和蛋白模型外部验证RSQ分别为0.936和0.916,认为是由于MPLS在PLS的基础上对光谱数据进一步优化,提升了模型精度。

影响肉品品质及营养价值的因素除脂肪、蛋白、水分这些主要组分外,还有脂肪中脂肪酸的种类和含量。本试验中肌肉脂肪酸定量分析模型的结果表明,油酸、亚油酸、饱和脂肪酸、多不饱和脂肪酸的定标模型精度比较好,而棕榈酸的定标模型的精度只达到合格。肉豆蔻酸和硬脂酸定标模型预测结果不可靠。与GUY等[18]和王彩霞[19]的研究结果一致。GUY等[18]应用近红外光谱技术预测了羊肉背最长肌脂肪酸含量,证实了近红外光谱技术预测羊肉的可行性。王彩霞[19]利用近红外高光谱成像技术分别对油酸、棕榈酸、硬脂酸和亚油酸含量的全波段光谱数据进行预处理及建模分析。其中油酸、棕榈酸、硬脂酸、亚油酸含量定量模型校正集相关系数分别为0.835 1、0.901 7、0.816 2、0.576 7,预测集相关系数分别为0.867 9、0.863 3、0.757 4、0.414 4。全波段光谱数据对油酸、棕榈酸和硬脂酸含量的预测结果较好,但对亚油酸含量预测效果不佳。而本试验中,使用全波段光谱数据对油酸和亚油酸含量的预测结果比较好,对棕榈酸和硬脂酸含量预测效果不佳,造成二者结果不同原因可能有:(1)试验所选用的羊肉品种不同,其化学组成稍有差异就会影响采集的近红外光谱,对含量相对较多的油酸、亚油酸、棕榈酸等检测结果尚可, 但对其他含量较少的脂肪酸检测结果较差,主要因为含量较少的脂肪酸在近红外光谱中,其碳氢基团倍频和合频的吸收强度较弱造成的。(2)脂肪酸在化学实测过程中,操作过程复杂繁琐,某些含量较低的脂肪酸可能会产生一定的误差,导致化学实测值与近红外预测值相关性变差,模型预测精度下降。总体来说,应用近红外光谱技术预测肉品中的主要脂肪酸含量是可行的,但含量较少的脂肪酸的预测模型精度还有待进一步提升。

4 结论

应用近红外光谱技术结合化学计量学法对羊肉肌肉中脂肪、蛋白质含量有很好的预测能力;对脂肪酸中单不饱和脂肪酸有很好预测能力;对棕榈酸、油酸、亚油酸、饱和脂肪酸、多不饱和脂肪酸等部分脂肪酸有较好的预测能力。

[1] 地理标志产品保护规定[J].中国质量技术监督, 2005(9):14-15.

Provisions on the protection of geographical indication products[J].China Quality and Technical Supervision, 2005(9):14-15.

[2] 李睿. 民勤羊肉地理标志产品的品牌化建设研究[D].兰州:兰州大学, 2016.

LI R.Brand construction of geographical indication products of the Minqin mutton[D].Lanzhou:Lanzhou University, 2016.

[3] 石长波, 姚恒喆, 袁惠萍, 等.近红外光谱技术在肉制品安全性检测中的应用研究进展[J].美食研究, 2021, 38(2):62-67.

SHI C B, YAO H Z, YUAN H P, et al.Advances of near infrared spectroscopy in meat product safety detection[J].Journal of Researches on Dietetic Science and Culture, 2021, 38(2):62-67.

[4] JIN X L, ZARCO-TEJADA P J, SCHMIDHALTER U, et al.High-throughput estimation of crop traits:A review of ground and aerial phenotyping platforms[J].IEEE Geoscience and Remote Sensing Magazine, 2021, 9(1):200-231.

[5] KHOUJ Y, DAWSON J, COAD J, et al.Hyperspectral imaging and K-means classification for histologic evaluation of ductal carcinoma in situ[J].Frontiers in Oncology, 2018, 8:17.

[6] 庄齐斌, 郑晓春, 杨德勇, 等.基于高光谱反射特性的猪肉新鲜度和腐败程度的对比分析[J].食品科学, 2021, 42(16):254-260.

ZHUANG Q B, ZHENG X C, YANG D Y, et al.Comparative analysis of pork freshness and spoilage of pork based on hyperspectral reflection characteristics[J].Food Science, 2021, 42(16):254-260.

[7] CAFFERKY J, SWEENEY T, ALLEN P, et al.Investigating the use of visible and near infrared spectroscopy to predict sensory and texture attributes of beef M.longissimus thoracis et lumborum[J].Meat Science, 2020, 159:107915.

[8] 刘炜, 俞湘麟, 孙东东, 等.傅立叶变换近红外光谱法快速检测鲜猪肉中肌内脂肪、蛋白质和水分含量[J].养猪, 2005(3):47-50.

LIU W, YU X L, SUN D D, et al.Rapid detection of intramuscular fat, protein and moisture content in fresh pork by Fourier transform near infrared spectroscopy[J].Pig Farming, 2005(3):47-50.

[9] 廖宜涛, 樊玉霞, 伍学千, 等.猪肉肌内脂肪含量的可见/近红外光谱在线检测[J].农业机械学报, 2010, 41(9):104-107;137.

LIAO Y T, FAN Y X, WU X Q, et al. On-line prediction of intramuscular fat content in pork muscle with visible/near-infrared spectroscopy. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(9):104-107; 137.

[10] BAILES K L, MEYER R G, PILTZ J W.Prediction of the intramuscular fat and protein content of freeze-dried ground meat from cattle and sheep using near-infrared spectroscopy (NIRS)[J].International Journal of Food Science &Technology, 2022, 57(4):2 249-2 256.

[11] QIN F L, WANG X C, DING S R, et al.Prediction of peking duck intramuscle fat content by near-infrared spectroscopy[J].Poultry Science, 2021, 100(8):101281.

[12] 燕昌江. 基于近红外光谱(NIR)技术的畜禽肉质分析及预测的研究[D].哈尔滨:东北农业大学, 2012.

YAN C J. Analysis and estimation meat qualitg of pig and chicken component by near infrared reflectance(NIR) spectroscopy. Harbin: Northeast Agricultural University, 2012.

[13] LUDWIG B, KHANNA P K, BAUHUS J, et al.Near infrared spectroscopy of forest soils to determine chemical and biological properties related to soil sustainability[J].Forest Ecology and Management, 2002, 171(1-2):121-132.

[14] KUSWANDI B, CENDEKIAWAN K A, KRISTININGRUM N, et al.Pork adulteration in commercial meatballs determined by chemometric analysis of NIR spectra[J].Journal of Food Measurement and Characterization, 2015, 9(3):313-323.

[15] 吴习宇, 赵国华, 祝诗平.近红外光谱分析技术在肉类产品检测中的应用研究进展[J].食品工业科技, 2014, 35(1):371-374;380.

WU X Y, ZHAO G H, ZHU S P. Study on the application of near infrared spectroscopy in the meat quality evaluation. Science and Technology of Food Industry, 2014, 35(1):371-374; 380.

[16] LANZA E.Determination of moisture, protein, fat, and calories in raw pork and beef by near infrared spectroscopy[J].Journal of Food Science, 1983, 48(2):471-474.

[17] COZZOLINO D, MURRAY I, SCAIFE J R, et al.Study of dissected lamb muscles by visible and near infrared reflectance spectroscopy for composition assessment[J].Animal Science, 2000, 70(3):417-423.

[18] GUY F, PRACHE S, THOMAS A, et al.Prediction of lamb meat fatty acid composition using near-infrared reflectance spectroscopy (NIRS)[J].Food Chemistry, 2011, 127(3):1 280-1 286.

[19] 王彩霞. 羊肉主要脂肪酸光谱解析及图谱融合优化检测技术研究[D].银川:宁夏大学, 2020.

WANG C X. Research on optimization detection technology of spectral analysis and spectral image fusion of main fatty acids in lamb meat. Yinchuan: Ningxia University, 2020.