发酵香肠是指以猪等畜肉为原料,绞碎后混合盐、酒、糖、香辛料等调味料,经过微生物发酵和成熟、干燥制成的肠衣肉制品[1-2],香肠的自然发酵依赖于复杂而微妙的微生物群的协同作用[3]。在发酵成熟过程中,香肠形成了其独有的风味和品质[4]。发酵香肠通过微生物等多种作用,产生各种酯类、酮类、醛类物质[5-8];在肌肉内源酶及微生物的共同作用下,香肠中的蛋白质被部分分解[9],产生更易吸收、具有鲜味的肽和游离氨基酸[10-11];脂肪也会被少量分解,形成脂肪酸[12]。
香肠在发酵过程中,会发生复杂的品质变化,这些变化影响并决定香肠的品质和安全性。传统的检测方法存在耗时、操作复杂、破坏样品等缺点,而且只能对香肠的某个指标进行单一检测,难以全面、实时地描述其品质变化的动态规律,因此开发一种多指标的无损快速检测方法,实现对香肠发酵过程中品质变化的及时监测和在线检测,具有重要的现实意义。
近红外光谱(near-infrared,NIR)的波长范围为780～2 526 nm,波数范围为12 800～3 960 cm-1[13-14],可反映N—H、O—H、C—H等含H基团的振动倍率和合频吸收,涵盖了分子振动、伸缩振动以及电子跃迁等物理化学特性,能够有效分析复杂样品中的成分[15-17]。本文以发酵香肠为研究对象,采用NIR技术检测香肠发酵中主要理化、微生物指标的动态变化,建立不同理化指标的偏最小二乘(partial least squares,PLS)定量预测模型,为发酵香肠品质的无损快速检测提供理论依据和技术支持。
1 材料与方法
1.1 材料与仪器
冷鲜猪后腿肉、食盐、白砂糖、味精、辣椒粉、花椒粉、生姜粉、白胡椒粉等调味品,成都市郫都区沃尔玛超市。胶原蛋白香肠肠衣,双汇肠衣直销店。
香肠样品为按照下述工艺制作的川式香肠,在香肠不同批次、不同发酵阶段、不同部位进行取样,在香肠制作的8 d时间里,每天随机抽取5根香肠,每根香肠取不同的部位进行NIR的扫描。
平板计数琼脂培养,北京奥博星生物技术有限公司;亚铁氰化钾、乙酸锌、硼酸钠、冰乙酸,天津市科密欧化学试剂有限公司;浓盐酸,成都市科隆化学品有限公司;对氨基苯磺酸、盐酸萘乙二胺,上海国药试剂集团;PHs-320型pH酸度计,成都世纪方舟科技有限公司;TP-214电子天平,北京赛多利斯仪器有限公司;GI54DWS全自动高压蒸汽灭菌锅,致微(厦门)仪器有限公司;BPH-9028恒温培养箱,上海一恒科学仪器有限公司;YJ-840超净工作台,上海精宏实验设备有限公司;HBS-ScanX全波长酶标仪,南京德铁实验设备有限公司;SupNIR-2720近红外分析仪,聚光科技股份有限公司;LabMaster-aw水分活度仪,瑞士NOVASINA公司。
1.2 试验方法
1.2.1 样品的制备
工艺流程:原料肉→预处理→添加辅料→搅拌腌制→灌肠→排气→发酵→成熟→成品
主要工艺要点:选用猪前腿肉,去除筋膜及结缔组织,按肥瘦比2∶8(质量比)切片。加入配比辅料搅拌均匀后,于4 ℃腌制12 h。腌制后使用手动灌肠机灌装成直径约30 mm的香肠,漂烫10 s去油并排气。随后于25 ℃发酵48 h,再于15～18 ℃成熟8 d即得成品。
在香肠发酵过程中的不同时间点进行取样,取样时间分别为:发酵第1天、发酵第2天、成熟第1天、成熟第2天、成熟第3天、成熟第4天、成熟第5天、成熟第6天、成熟第7天、成熟第8天,在每个时间点随机抽取5根香肠,共取得50根香肠,每根香肠取12个不同的部位进行NIR的扫描及指标的测定,一共获得600条光谱和指标数据。
1.2.2 NIR信息采集方法
预热近红外分析仪30 min并进行仪器性能测试,待稳定后弹出参比白板以校准仪器。将发酵香肠样品均匀平铺在测试样品盘中,并快速采集NIR信息。采集波长范围为1 000～1 799 nm,光谱平均次数为30次,分辨率为12 nm-1。实验室温度保持在20 ℃和相对湿度45%以避免外部环境对近红外分析仪的影响。
1.2.3 pH值的测定
采用pH计进行样品pH值的测定,3点校准后将探头插入香肠内部,待读数稳定后记录结果,每个样品测定3次取平均值。
1.2.4 水分活度的测定
使用水分活度仪进行测定,将样品放入测试盒内进行检测,测试前需对水分活度仪进行预热。
1.2.5 菌落总数的测定
根据GB 4789.2—2022《食品安全国家标准 食品微生物学检验 菌落总数测定》中的方法进行测定。
1.2.6 亚硝酸盐含量的测定
根据GB 5009.33—2016《食品安全国家标准 食品中亚硝酸盐与硝酸盐的测定》中的第2法分光光度法进行测定。
1.3 模型的建立与验证
1.3.1 光谱预处理方法及特征波长筛选
扫描的原始光谱数据会受到系统以及外部环境的影响产生噪声信号,因此,需要选用不同的预处理方法对原始光谱数据进行处理,以消除无关的信息干扰,提高信噪比、模型精度和稳定性[18-20]。选取均值中心化(mean centering,MC)、标准正态变量变换(standard normal variate,SNV)、多元散射校正(multiplicative scatter correction,MSC)、矢量归一化(vector normalization,VN)、MC+SNV、MC+MSC和MC+VN这7种预处理方法对光谱进行预处理。
对香肠样品扫描的原始NIR数据包含有庞大的信息,但并不是全部的波长信息都是有效的,过多的波长数据,会导致模型的计算量增大、分析时间变长,所以在建立模型前筛选样品组分的特征光谱,有利于提高模型的运行效率[21-22]。本文采用了竞争自适应重加权采样(competitive adaptive reweighted sampling,CARS)、蒙特卡罗-无信息变量消除(Monte Carlo uninformative variable elimination,MCUVE)2种波长筛选方法,从全波长光谱数据中筛选特征波长,以期得到最佳的模型。
1.3.2 样本集划分
使用肯纳德-斯通算法(Kennard-Stone,KS)随机抽取80%的光谱数据作为校正集,同时对校正集作10折交叉验证以验证模型的预测能力,取20%的光谱数据作为预测集,不参与模型的建立,用来评价最终选定模型的实际预测误差。
1.3.3 模型的评价方法
在近红外模型建立之后,采用决定系数(R2)、校正集均方根误差(root mean square error of calibration,RMSEC)、交叉验证均方根误差(root mean square error of cross validation,RMSECV)、预测均方根误差(root mean square error of prediction,RMSEP)等指标来评估模型性能。其中,校正集和验证集的R2值越大,表示模型的预测能力越强,准确度越高,模型效果越好;RMSECV和RMSEP越小,说明模型预测值与真实值之间的偏差越小,且RMSECV与RMSEP越接近,表明模型的内部验证和外部预测效果误差越小,预测更精准[14, 23]。
2 结果与分析
2.1 发酵香肠样品的NIR
如图1所示,每个发酵阶段采集香肠样品的NIR 60条,共设置10个发酵阶段,共获得600条原始光谱数据。不同发酵时间的香肠样品光谱整体变化趋势基本一致,在1 210、1 450 nm处存在明显吸收峰;在1 400～1 500 nm和1 700～1 800 nm波段出现较强吸收信号;在1 600～1 700 nm区间观察到高频小幅振动。随着发酵时间的延长,部分波段的吸光强度出现差异,尤其在1 450 nm水分相关吸收区域和1 500 nm蛋白质相关区域变化显著。这种光谱吸收强度的差异主要受到发酵过程中水分挥发、蛋白质分解、脂肪转化等理化变化的影响。发酵香肠样品在不同发酵阶段的NIR图中吸收峰强度的变化可反映其品质指标的组分含量差异,为后续建立基于光谱数据的品质预测模型提供了依据。
a-发酵第1天;b-发酵第2天;c-成熟第1天;d-成熟第2天;e-成熟第3天;f-成熟第4天;g-成熟第5天;h-成熟第6天;i-成熟第7天;j-成熟第8天
图1 香肠样品的NIR图
Fig.1 NIR spectra of sausage samples
2.2 发酵香肠中各理化指标近红外定量预测模型的建立
2.2.1 发酵香肠pH值模型的建立与验证
2.2.1.1 光谱数据预处理
使用MC、SNV、MSC、VN以及组合方法对采集的光谱进行预处理,分别利用原始光谱和预处理后的光谱建立香肠中pH值的PLS模型,建立的模型效果如表1所示,原始光谱建立的模型效果最差,说明原始光谱数据存在较多噪声和干扰,经MC预处理方法处理过后建立模型的预测集相关系数最高,表明MC处理可以显著提高模型的拟合能力和预测精准度,其他预处理方法处理后建立的PLS模型效果相差不大,但都优于未处理的原始光谱,其中在3种组合方法中,MC+MSC和MC+VN的RMSEP都高于MSC和VN单独使用,说明这2种方法单独使用已经足够优化光谱数据,组合使用可能引入了冗余信息,导致预测误差变大。
表1 不同预处理方法建立的pH值的全波长PLS模型的主要评价参数
Table 1 Main evaluation parameters of pH value full band PLS models established by different preprocessing methods
预处理方法校正集交叉验证集预测集R2RMSECR2RMSECVR2RMSEP原始光谱0.834 70.088 60.779 50.102 30.782 20.103 8MC0.880 70.078 50.835 10.088 50.853 00.085 3SNV0.865 80.079 80.831 40.089 50.843 40.088 0MSC0.866 50.079 60.831 80.089 40.844 70.087 7VN0.877 80.076 20.835 20.088 50.848 10.086 7MC+SNV0.868 30.079 10.832 10.089 30.847 00.087 0MC+MSC0.877 10.078 10.819 90.094 50.840 60.088 6MC+VN0.868 90.078 90.830 80.089 60.847 00.087 0
因此,选用MC作为建立香肠中pH值PLS预测模型的预处理方法。其校正集的R2为0.880 7,RMSEC为0.078 5;交叉验证集R2为0.835 1,RMSECV为0.088 5;预测集的R2为0.853 0,RMSEP为0.085 3。
2.2.1.2 特征波长选择
采用MCUVE和CARS两种方法对全波长的800个波长进行特征筛选,以减少冗余变量,提高模型精度,同时降低计算复杂度。表2为基于MCUVE和CARS筛选的最优波长建立的香肠中pH值的PLS模型的结果,MCUVE和CARS两种波长筛选方法均能够显著减少光谱数量,且相比于全波长的MC-PLS模型,经波长筛选后的MC-PLS模型的校正集、交叉验证集和预测集的相关系数更高,均方根误差更小。其中,MCUVE选取了150个波长,仍保留了相对较多的光谱信息,但是相较于CARS方法,RMSEC、RMSECV和RMSEP均较大,说明该方法去除冗余信息的能力有限,可能还保留了一些无关变量,影响了模型的准确度;CARS仅选取了61个波长,比MCUVE的150个波长大幅减少,说明CARS能够更有效地筛选出重要变量,去除冗余波长。CARS的RMSEP比MCUVE小16.5%,表明它的泛化性能更好,CARS的RMSEC和RMSECV也更低,说明该方法在校正集和交叉验证集上的误差也更小。综上,选取经CARS波长筛选后的光谱进行建模,可提高香肠中pH值的MC-PLS模型的性能,最终建立的MC-CARS-PLS模型校正集R2为0.912 3,RMSEC为0.053 7;交叉验证集R2为0.901 5,RMSECV为0.068 3;预测集R2为0.902 4,RMSEP为0.066 3。
表2 pH值的2种不同特征波长筛选方法结果
Table 2 Results of two different feature wavelength screening methods for pH value
波长筛选方法波长变量数校正集交叉验证集预测集R2RMSECR2RMSECVR2RMSEPMCUVE1500.885 40.073 70.868 40.079 10.872 30.079 3CARS610.912 30.053 70.901 50.068 30.902 40.066 3
2.2.1.3 影响因子数选择
在建立PLS模型时,应恰当选择因子数,因子数的多少会影响模型的精准度。因子数选择过少会造成光谱信息的丢失,使得拟合不充分;而因子数选择过多会造成过度拟合,导致所建立的近红外模型的预测性能下降。
图2展示了香肠中pH值的MC-CARS-PLS模型的RMSECV随因子数的变化情况,随着因子数的增加,RMSECV先减小后增大,当因子数为16时,RMSECV达到最小,说明当因子数为16时,香肠中pH值的MC-CARS-PLS预测模型效果最佳。
图2 pH值模型的RMSECV随因子数的变化
Fig.2 Variation of pH value model RMSECV with the number of influencing factors
2.2.1.4 模型的建立与验证
通过对比不同预处理方法、不同特征波长的筛选可以得出,MC为最佳预处理方法,CARS为最佳特殊波长筛选方法,综合考虑最终建立MC-CARS-PLS模型用于预测香肠发酵过程中的pH值的变化。
图3为香肠中pH值的MC-CARS-PLS模型拟合图,各数据点都围绕参考线分布,表明模型整体拟合度高,越靠近参考线预测误差越小,校正集数据点和预测集数据点的分布较为一致,表明模型的泛用性较好,没有明显的过拟合现象,将未参与模型建立的预测集数据导入此模型,得到预测集相关系数R2为0.902 4,均方根误差为RMSEP为0.066 3,说明此模型可成功对香肠中的pH值进行精准的预测。
图3 香肠中pH值的MC-CARS-PLS模型拟合图
Fig.3 MC-CARS-PLS model fitting diagram of pH value in sausage
2.2.2 发酵香肠水分活度模型的建立与验证
2.2.2.1 光谱数据预处理
如表3所示,其中MC在校正集、交叉验证集和预测集中均拥有最高的相关系数和最低的均方根误差,各组合预处理方法建模效果也不及MC预处理方法,说明MC单独使用可以获得最佳的模型处理效果,其校正集的R2为0.976 1、RMSEC为0.010 3;交叉验证集R2为0.958 6、RMSECV为0.013 5;预测集R2为0.962 0、RMSEP为0.013 2。
表3 不同预处理方法建立的水分活度的全波长PLS模型的主要评价参数
Table 3 Main evaluation parameters of full band PLS models for water activity established by different preprocessing methods
预处理方法校正集交叉验证集预测集R2RMSECR2RMSECVR2RMSEP原始光谱0.963 30.012 70.939 40.016 30.938 90.016 7MC0.976 10.010 30.958 60.013 50.962 00.013 2SNV0.970 60.011 40.954 30.014 20.955 20.014 3MSC0.971 70.011 20.955 00.014 10.957 30.013 9VN0.974 20.010 70.957 30.013 70.959 70.013 5MC+SNV0.973 00.010 90.955 80.013 90.957 90.013 8MC+MSC0.971 70.011 20.955 00.014 10.957 30.013 9MC+VN0.970 60.011 40.955 60.013 90.958 70.013 7
2.2.2.2 特征波长选择
表4为全波长的800个波长经MCUVE和CARS筛选后的建模结果,MCUVE和CARS都能够有效减少光谱数量。相较于CARS处理,经过MCUVE处理后的模型波长数量更多为240个,相应保留的光谱信息也更多,其预测集R2也较CARS方法处理的高,表明其泛化能力较CARS强。而与未经筛选的、全光谱建立的模型相比,MCUVE筛选后的校正集和预测集的R2分别降低了0.37%和0.34%,RMSEC和RMSEP分别上升了6.8%和3.79%,交叉验证集的的R2上升了0.88%,RMSECV下降了11.11%。对比发现经2种方法筛选后建立的模型,其预测集效果都稍低于全波长建立的模型,固选用全波长的NIR数据,建立香肠中水分活度的预测模型。
表4 水分活度的2种不同特征波长筛选方法结果
Table 4 Results of two different feature wavelength screening methods for water activity
波长筛选方法波长变量数校正集交叉验证集预测集R2RMSECR2RMSECVR2RMSEPMCUVE2400.972 50.011 00.967 00.012 00.958 70.013 7CARS1100.973 70.010 70.969 70.011 50.953 60.014 5
2.2.2.3 影响因子数选择
图4展示了香肠中水分活度的MC-PLS模型的RMSECV随因子数的变化情况,随着因子数的增加,RMSECV持续下降,当因子数为20时,RMSECV达到最小,说明当因子数为20时,香肠中水分活度的MC-PLS预测模型效果达到最佳。
图4 水分活度模型的RMSECV随因子数的变化
Fig.4 Variation of RMSECV of water activity model with the number of influencing factors
2.2.2.4 模型的建立与验证
通过对比不同预处理方法、不同特征波长的筛选方法得出,MC为最佳预处理方法,采用全波长建立PLS模型效果最好,因此最终选择建立MC-PLS模型用于预测香肠发酵过程中水分活度的变化。
图5为香肠中水分活度的MC-PLS模型拟合图,各数据点紧密沿参考线分布,与表4中MC处理的高R2相吻合,模型预测能力强,将未参与模型建立的预测集数据导入此模型,得到预测集的相关系数R2为0.962 0,均方根误差为RMSEP为0.013 2,说明模型的准确性高,可成功对香肠中的水分活度进行精准的预测。
图5 香肠中水分活度的MC-PLS模型拟合图
Fig.5 MC-PLS model fitting diagram of water activity in sausage
2.2.3 发酵香肠菌落总数模型的建立与验证
2.2.3.1 光谱数据预处理
表5展示了基于全波长光谱不同预处理方法的香肠中菌落总数PLS建模结果效果对比,其中单一预处理方法中,MC处理的效果最好,VN处理后预测效果为最差,可能是因为过度归一化导致有效信息损失,但对比未经处理的原始光谱建立的模型,效果还是有所提高。在组合预处理方法中,MC+MSC预测集效果最佳,且优于单一预处理方法,说明基线校正结合散射校正能更好地获取光谱中的有效信息,使模型预测效果提高。
表5 不同预处理方法建立的菌落总数的全波长PLS模型的主要评价参数
Table 5 Main evaluation parameters of the full band PLS model for total bacterial count established by different preprocessing methods
预处理方法校正集交叉验证集预测集R2RMSECR2RMSECVR2RMSEP原始光谱0.946 50.190 60.904 10.255 10.883 60.284 8MC0.959 60.165 70.923 30.228 10.907 10.249 1SNV0.957 70.169 40.922 60.229 20.906 90.249 5MSC0.957 80.169 60.922 20.229 40.905 00.251 9VN0.955 40.173 90.920 00.233 10.895 30.264 4MC+SNV0.960 20.164 40.922 60.229 20.905 00.251 8MC+MSC0.957 70.169 60.922 20.229 40.912 70.246 8MC+VN0.960 10.164 70.920 60.232 10.899 30.259 3
因此,选用MC+MSC作为建立香肠中菌落总数PLS预测模型的预处理方法,其模型的校正集的R2为0.957 7、RMSEC为0.169 6;交叉验证集R2为0.922 2、RMSECV为0.229 4;预测集R2为0.912 7、RMSEP为0.246 8。
2.2.3.2 特征波长选择
表6为基于MCUVE和CARS筛选的最优波长建立的香肠中菌落总数的PLS模型结果。经MCUVE处理筛选出390个波长,其校正集、交叉验证集和预测集的R2均高于CARS筛选方法,均方根误差均低于CARS,尤其是预测集表现更佳;经CARS处理筛选出178个波长,简化了模型,但模型性能下降。结果说明,采用MCUVE筛选的NIR数据,建立PLS模型更佳,可提高香肠中菌落总数模型的性能,最终建立的MC+MSC-MCUVE-PLS模型校正集R2为0.952 5、RMSEC为0.178 3;交叉验证集R2为0.939 0,RMSECV为0.202 1;预测集R2为0.913 6,RMSEP为0.245 3。
表6 菌落总数的2种不同特征波长筛选方法结果
Table 6 Results of two different feature wavelength screening methods for total viable count
波长筛选方法波长变量数校正集交叉验证集预测集R2RMSECR2RMSECVR2RMSEPMCUVE3900.952 50.178 30.939 00.202 10.913 60.245 3CARS1780.947 50.187 40.937 80.204 00.894 60.271 0
2.2.3.3 影响因子数选择
图6展示了香肠中菌落总数的MC+MSC-MCUVE-PLS预测模型的RMSECV随因子数的变化情况,随着因子数的增加,RMSECV先下降后上升,当因子数为17时,RMSECV达到最小,说明当因子数为17时,香肠中菌落总数的MC+MSC-MCUVE-PLS预测模型效果达到最佳。
图6 菌落总数模型的RMSECV随因子数的变化
Fig.6 Variation of RMSECV of total viable count with the number of influencing factors
2.2.3.4 模型的建立与验证
通过对比不同预处理方法、不同特征波长的筛选方法得出,MC+MSC为最佳预处理方法,MCUVE为最佳的特征波长筛选方法,因此最终建立MC+MSC-MCUVE-PLS模型用于预测香肠发酵过程中的菌落总数的变化。图7为香肠中菌落总数的MC+MSC-MCUVE-PLS模型的拟合图,此模型的预测集R2为0.913 6,RMSEP为0.245 3,校正集和预测集的预测值和参考值均匀分布在参考线附近,说明模型可成功对香肠中的菌落总数进行精准的预测。
图7 香肠中菌落总数MC+MSC-MCUVE-PLS模型拟合图
Fig.7 Fitting diagram of MC+MSC-MCUVE-PLS model for total viable count in sausage
2.2.4 发酵香肠亚硝酸盐含量模型的建立与验证
2.2.4.1 光谱数据预处理
表7为基于全波长光谱不同预处理方法的香肠中亚硝酸盐含量PLS建模结果对比,在单一预处理方法中,SNV处理后的模型预测集相关系数R2最高,说明其预测效果最好,MC和MSC处理后的效果与未处理组相差不大,但是VN处理后的模型效果低于未处理组,可能是因为归一化的预处理使得光谱中的有效信息丢失。而与各组合处理方法相比较,SNV单一处理的效果仍是最佳,因此,选用SNV作为建立香肠中亚硝酸盐含量PLS预测模型的预处理方法。其校正集的R2为0.990 7、RMSEC为0.698 9;交叉验证集R2为0.980 5、RMSECV为1.012 8;预测集R2为0.978 5、RMSEP为1.054 5。
表7 不同预处理方法建立的亚硝酸盐含量的全波长PLS模型的主要评价参数
Table 7 Main evaluation parameters of the full wavelength PLS model for nitrite content established by different preprocessing methods
预处理方法校正集交叉验证集预测集R2RMSECR2RMSECVR2RMSEP原始光谱0.987 70.805 10.977 31.092 20.975 11.144 3MC0.987 70.805 40.979 31.043 80.977 21.092 0SNV0.990 70.698 90.980 51.012 80.978 51.054 5MSC0.987 60.808 20.977 21.094 80.975 31.113 9VN0.986 30.849 30.977 21.094 40.973 01.187 2MC+SNV0.989 20.752 00.978 61.060 00.976 51.108 2MC+MSC0.987 60.808 20.977 21.094 80.975 31.113 9MC+VN0.989 60.739 80.979 51.039 40.976 21.116 6
2.2.4.2 特征波长选择
表8为基于MCUVE和CARS筛选的最优波长建立的香肠中亚硝酸盐含量PLS模型的结果,经MCUVE处理后的模型筛选出了320条波长,其交叉验证集和预测集的R2均升高,效果高于全光谱和CARS处理后建立的模型,经CARS处理后的模型筛选出129条波长,虽然简化了模型,但是校正集和预测集的R2均降低,模型预测效果低于经MCUVE处理后的预测效果,因此选取MCUVE作为建立香肠中亚硝酸盐含量模型的特征波长筛选方法。
表8 亚硝酸盐含量的2种不同特征波长筛选方法结果
Table 8 Results of two different feature wavelength screening methods for nitrite content
波长筛选方法波长变量数校正集交叉验证集预测集R2RMSECR2RMSECVR2RMSEPMCUVE3200.990 20.716 90.985 90.862 20.979 81.021 8CARS1290.990 00.725 30.987 20.820 00.976 01.120 1
2.2.4.3 影响因子数选择
图8展示了香肠中亚硝酸盐含量的SNV-MCUVE-PLS预测模型的RMSECV随因子数的变化情况,随着因子数增加,RMSECV持续降低,当因子数为20时,RMSECV达到最小,说明当因子数为20时,香肠中亚硝酸盐含量的SNV-MCUVE-PLS模型效果达到最佳。
图8 亚硝酸盐含量模型的RMSECV随因子数的变化
Fig.8 Variation of RMSECV of nitrite content with the number of influencing factors
2.2.4.4 模型的建立与验证
根据以上结果,最终建立SNV-MCUVE-PLS模型用于预测香肠发酵过程中的亚硝酸盐含量的变化,图9为香肠中亚硝酸盐含量的SNV-MCUVE-PLS模型的拟合图,模型校正集、交叉验证集和预测集的相关系数R2都高于0.97,均方根误差较低,说明模型的准确性高,预测值和参考值集中且均匀分布在参考线附近,说明该模型可成功对香肠中的亚硝酸盐含量进行精准的预测。
图9 香肠中亚硝酸盐含量的SNV-MCUVE-PLS模型拟合图
Fig.9 SNV-MCUVE-PLS model fitting diagram of nitrite content in sausage
3 结论
本研究采集不同发酵阶段的香肠的NIR数据,结合传统检测方法得到的4个影响香肠品质的关键理化指标数据,建立了4个发酵香肠品质指标的预测模型。主要结果如下:1)在香肠中pH值的预测模型中,MC为最佳预处理方法,CARS为最佳波长筛选方法,建立的预测模型校正集R2为0.912 3,RMSEC为0.053 7;预测集R2为0.902 4,RMSEP为0.066 3。2)在香肠中水分活度的预测模型中,MC为最佳预处理方法,基于全波长光谱数据建模,建立的预测模型校正集的R2为0.976 1,RMSEC为0.010 3;预测集R2为0.962 0、RMSEP为0.013 2。3)在香肠中菌落总数的预测模型中,MC+MSC为最佳预处理方法,MCUVE为最佳特殊波长筛选方法,建立的预测模型校正集的R2为0.952 5,RMSEC为0.178 3;预测集R2为0.913 6,RMSEP为0.245 3。4)在香肠中亚硝酸盐含量的预测模型中,SNV为最佳预处理方法,MCUVE为最佳特殊波长筛选方法,建立的预测模型校正集的R2为0.990 2、RMSEC为0.716 9;预测集R2为0.979 8、RMSEP为1.021 8。
综上所述,本研究成功构建了基于NIR技术的香肠发酵关键指标的PLS定量预测模型。各模型具有良好的准确性和稳定性,能够实现发酵过程中品质的无损、快速、多指标检测,为发酵香肠的质量与安全监测提供了理论基础和应用支持,展现出广阔的应用前景。
[1] 尤天棋, 何济坤, 李丹, 等.川味五香香肠的常规理化和微生物特性及挥发性风味物质分析[J].食品工业科技, 2024, 45(14):224-233.YOU T Q, HE J K, LI D, et al.Analysis of routine physicochemical and microbial characteristics and volatile flavor substances of Sichuan-style spiced sausage[J].Science and Technology of Food Industry, 2024, 45(14):224-233.
[2] 王丽, 李淑荣, 王辉, 等.马铃薯全粉对香肠品质特性的影响[J].食品工业, 2024, 45(12):10-14.WANG L, LI S R, WANG H, et al.Effect of potato whole powder on sausage quality characteristics[J].The Food Industry, 2024, 45(12):10-14.
[3] SHAN K, YAO Y Y, WANG J Y, et al.Effect of probiotic Bacillus cereus DM423 on the flavor formation of fermented sausage[J].Food Research International, 2023, 172:113210.
[4] 赵银峰. 戊糖片球菌和肉葡萄球菌对四川香肠理化、代谢物影响及相关性研究[D].成都:成都大学, 2023.ZHAO, Y F.Effects and correlation of Pediococcus pentosaceus and Staphylococcus carnosus on the physicochemical and metabolite profiles of Sichuan sausage[D].Chengdu:Chengdu University, 2023.
[5] 李佳, 刘忠义, 付满, 等.发酵香肠风味物质气质分析及与发酵时间的关系[J].食品与机械, 2019, 35(5):61-66.LI J, LIU Z Y, FU M, et al.Temperament analysis of flavor substances in fermented sausage and its relationship with fermentation time[J].Food &Machinery, 2019, 35(5):61-66.
[6] 强艺, 张大革, 徐广谦, 等.植物乳植杆菌转录调控子YesN对蔗糖代谢及发酵香肠风味形成的影响[J].食品与发酵工业, 2025, 51(14):320-326.QIANG Y, ZHANG D G, XU G Q, et al.Effects of YesN, a transcriptional regulator of Lactobacillus plantarum, on sucrose metabolism and flavor formation of fermented sausages[J].Food and Fermentation Industries, 2025, 51(14):320-326.
[7] 赖茂佳, 牟燕, 范文教, 等.发酵香肠微生物多样性及风味物质相关性研究进展[J].食品科技, 2024, 49(10):127-136.LAI M J, MOU Y, FAN W J, et al.Progress on microbial diversity and flavor correlation in fermented sausage[J].Food Science and Technology, 2024, 49(10):127-136.
[8] 扈莹莹, 巴音巴特·巴依尔塔, 刘跃, 等.发酵肉制品中微生物的代谢作用及其对风味物质形成的影响研究进展[J].食品科学, 2024, 45(22):322-328.HU Y Y, BAYINBATE·B Y E T, LIU Y, et al.Research progress on the metabolism of microorganisms in fermented meat products and its influence on the formation of flavor substances[J].Food Science, 2024, 45(22):322-328.
[9] 赵佳莹, 唐善虎, 李思宁, 等.香蕉花提取物对牦牛肉自然发酵香肠理化品质及挥发性风味物质的影响[J].食品科学, 2023, 44(8):30-39.ZHAO J Y, TANG S H, LI S N, et al.Effect of banana flower extract on physicochemical quality and volatile flavor substances of naturally fermented yak meat sausage[J].Food Science, 2023, 44(8):30-39.
[10] WANG D X, CHENG F, WANG Y, et al.The changes occurring in proteins during processing and storage of fermented meat products and their regulation by lactic acid bacteria[J].Foods, 2022, 11(16):2427.
[11] 张倩, 张新斌, 李君冉, 等.发酵肉制品中乳酸菌抗氧化作用及其对感官品质影响的研究进展[J].农产品加工, 2024, (5):83-87;92.ZHANG Q, ZHANG X B, LI J R, et al.Research progress on antioxidant effects of lactic acid bacteria in fermented meat products and their effects on sensory quality[J].Farm Products Processing, 2024, (5):83-87;92.
[12] 王雍雍, 陈磊, 魏从娇, 等.功能菌株复配对发酵香肠抗氧化特性及风味的作用[J].食品科学, 2023, 44(22):149-157.WANG Y Y, CHEN L, WEI C J, et al.Effects of functional bacterial strain complex on antioxidant properties and flavor of fermented sausages[J].Food Science, 2023, 44(22):149-157.
[13] 王琳, 潘维, 陈寅, 等.无损检测技术在茶叶加工中的应用研究进展[J].新农民, 2024, (32):68-70.WANG L, PAN W, CHEN Y, et al.Research progress on application of nondestructive testing technology in tea processing[J].New Farmers, 2024, (32):68-70.
[14] 张珮, 王银红, 江靖, 等.便携式近红外光谱仪在果蔬品质定性和定量分析中的应用[J].食品科技, 2020, 45(5):287-292.ZHANG P, WANG Y H, JIANG J, et al.Application of portable near-infrared spectrometer in qualitative and quantitative analysis of fruit and vegetable quality[J].Food Science and Technology, 2020, 45(5):287-292.
[15] YE M Q, GAO Z P, LI Z, et al.Rapid detection of volatile compounds in apple wines using FT-NIR spectroscopy[J].Food Chemistry, 2016, 190:701-708.
[16] AFARA I O, FLOREA C, OLUMEGBON I A, et al.Characterizing human subchondral bone properties using near-infrared (NIR) spectroscopy[J].Scientific Reports, 2018, 8(1):9733.
[17] 余松柏, 黄张君, 赵兴蓉, 等.红外光谱技术及其在白酒酿造过程中快速检测与分析的研究进展[J].分析测试学报, 2025, 44(3):544-561.YU S B, HUANG Z J, ZHAO X R, et al.Research progress on infrared spectroscopy and its rapid detection and analysis in Baijiu brewing[J].Journal of Instrumental Analysis, 2025, 44(3):544-561.
[18] 潘发明, 郭涛, 李飞, 等.全株玉米青贮营养成分含量近红外光谱预测模型的建立[J].中国草食动物科学, 2025, 45(3):62-68.PAN F M, GUO T, LI F, et al.Establishment of near infrared spectroscopy prediction model for nutrient content of whole-plant corn silage[J].China Herbivore Science, 2025, 45(3):62-68.
[19] 李改英, 李品, 黄英杰, 等.近红外光谱技术快速鉴别河南省地方品种羊肉[J].食品安全质量检测学报, 2025, 16(14):89-96.LI G Y, LI P, HUANG Y J, et al.Rapid identification of local variety lamb in Henan province by near-infrared spectroscopy[J].Journal of Food Safety &Quality, 2025, 16(14):89-96.
[20] 丁超民, 李轲, 刘帆, 等.近红外光谱技术在复杂组分样品中的应用进展[J].化学试剂, 2025, 47(7):18-27.DING C M, LI K, LIU F, et al.Advancements in the application of near-infrared spectroscopy in complex compositional samples[J].Chemical Reagents, 2025, 47(7):18-27.
[21] 陈锦妮, 田谷丰, 李云红, 等.基于双路多尺度卷积的近红外光谱羊绒羊毛纤维预测模型[J].光谱学与光谱分析, 2025, 45(3):678-684.CHEN J N, TIAN G F, LI Y H, et al.Cashmere wool fiber prediction model based on near infrared spectroscopy with dual-path multi-scale convolution [J].Spectroscopy and Spectral Analysis, 2025, 45(3):678-684.
[22] 廖娟, 曹佳雯, 田泽丰, 等.基于近红外光谱的稻种秕谷含量等级快速判别[J].光谱学与光谱分析, 2025, 45(3):692-699.LIAO J, CAO J W, TIAN Z F, et al.Rapid identification of rice seed chaff content based on near infrared spectroscopy[J].Spectroscopy and Spectral Analysis, 2025, 45(3):692-699.
[23] 胡孟凤, 操丽丽, 庞敏, 等.近红外光谱技术定量分析小麦中黄曲霉毒素B1[J].食品安全质量检测学报, 2025, 16(4):10-17.HU M F, CAO L L, PANG M, et al.Quantitative analysis of aflatoxin B1 in Triticum aestivum L.by near-infrared spectroscopy technology[J].Journal of Food Safety and Quality, 2025, 16(4):10-17.