肉及肉制品具有较高的营养价值，可为人体提供较高生物学价值的蛋白质和重要的微量营养素。肉品消费是世界食品消费的重要组成部分，据FAO统计从1990-2013年全球肉类消费总量增长近72.2%[1]。然而，肉类工业增长速度较快，导致肉类产品等供应链中出现一些不良行为[2]，例如肉及肉制品的掺假。

近年来，国内外均发生了严重的肉掺假事件，如2013年欧洲多国发生的“马肉风波”,以马肉掺假牛肉；2017年日本发生的掺假神户牛肉；2013年江苏地区发生的用狐狸肉生产假羊肉等。肉掺假是指不法商家将廉价肉类、不可食用肉类、水及非肉类物质等掺到高价肉品如牛、羊肉或其制品等以获取高额利益。在掺假肉及肉制品中还可能加入违规用量的亚硝酸盐、色素等添加剂来掩盖掺假肉的感官性质，最常见的掺假肉及肉制品是用较便宜或易获得的肉来部分或全部替换高价肉[3]。市场上销售的掺假肉及肉制品最有可能出现在肉丸、肉馅及汉堡肉饼当中，主要是由于这些原料肉的形态已变化，肉眼无法直接分辨[4]，不同种类的掺假肉及肉制品如表1所示。

掺假肉品可能有食用安全隐患：(1)掺假物质有毒；(2)减少维持健康所需的营养；(3)过敏问题等[5]。因此，检测肉及肉制品是否掺假对于消除食品安全隐患有着重要的作用。

1 掺假肉及肉制品的传统检测技术

掺假肉及肉制品的传统检测技术主要以肉中代表性的脂肪、蛋白质和核酸作为标准进行检验[16]。已经应用到掺假肉及其制品的检测技术主要包括：(1)感官鉴定；(2)分子生物学；(3)酶联免疫学；(4)色谱方法。这些方法各有优劣，感官鉴定可通过色泽、气味、脂肪纹理等进行鉴定。成本低，但易受感官人员主观经验影响，准确度不高且不适合工业在线监测。分子生物学方法，例如实时PCR和多重PCR，特异性强且灵敏度高，但需昂贵的实验设备和专业人员操作，只能半定量分析及不适合在线监测。酶联免疫学方法有商品化试剂盒法，操作简单，成本低，但易产生假阳或假阴性。色谱方法精确，但前处理过程较繁琐，分析时间较长。由于这些技术在检测时会破坏产品而造成一定的经济损失，因此，寻求经济，无损，准确及短时间内检测大量掺假肉及肉制品的无损技术至关重要。

2 掺假肉及肉制品的无损检测技术

无损检测技术(non-destructive testing technique, NDT)可在不破坏待检样品的物理形态及化学性质的基础上对样品进行分析测定。NDT与传统破坏性检测技术鉴别掺假肉及肉制品的主要区别在于，破坏性分析技术一般需使用较繁琐的步骤提取检测样品中掺假物质的特征性成分，如核酸、代谢物及蛋白质种类，从而定性定量分析掺假肉及肉制品。相反，利用NDT只需取用非常少量的样品，无需化学预处理，并在不损坏样品的形态下通过简单的测量获得检测信息，且少量样品的鉴定结果通常就能代表整体的理化性质[17]。NDT作为一种高新技术已被应用于食品质量安全的快速筛查中，其优点包括：(1)不破坏样品；(2)鉴定速度快、污染少、分析成本低，可重复性高；(3)适合大规模在线生产和自动检测。

目前，鉴别掺假肉及肉制品的NDT主要包括光谱学和生物传感器技术。由于光谱学和生物传感器技术获取的数据量大且复杂，利用化学计量学方法可从这些复杂数据中提取代表性的信息[18]，从而定性和定量的鉴定不同种类肉及肉制品。包括主成分分析(principal component analysis, PCA)、典则判别分析(canonical discriminant analysis, CDA)、软独立建模分析(soft independent modeling of class analogy, SIMCA)、K最近邻法(k-nearest neighbor, KNN)、线性鉴别分析(linear discriminant analysis, LDA)、偏最小二乘回归(partial least squares regression, PLSR)、偏最小二乘(partial least squares, PLS)及偏最小二乘判别分析(partial least squares discrimination analysis, PLS-DA)、多线性回归(multiple linear regression, MLR)、BP神经网络(BP neural network, BPNN)和支持向量机(support vector machine, SVM)等。

2.1 光谱学技术

光谱学技术具有快速、灵敏及无损等优点，其在食品检验中的应用较多。文章主要综述红外光谱(infrared spectroscopy, IR)、拉曼光谱、高光谱成像(hyperspectral imaging, HSI)、多光谱成像(multispectral imaging， MSI)和核磁共振技术(nuclear magnetic resonance, NMR)在掺假肉及肉制品中的应用。其中IR、拉曼光谱、HSI以及MSI技术都属于典型的振动光谱，检测示意图如图1[19]所示。

2.1.1 IR技术

IR包括了大多数有机物及无机物的信息，为其检测掺假肉及肉制品的物理性质和化学成分提供了可能[20]，它具有定性定量、快速、无预处理、不需大量样品准备、低成本等特点。IR在检测掺假肉及肉制品方面已经取得了一定发展，其中波长范围为0.75～2.5 μm的近红外(NIR)和波长范围在2.5～25 μm的中红外(MIR)已广泛地用于食品分析。

ALAMPRESE等[21]利用傅里叶近红外光谱(FT-NIR)基于新鲜、冷冻并解冻，煮熟碎牛肉中掺假火鸡肉(质量分数为5%、10%、15%、20%、30%、40%、50%)所具有的不同含水量，选择干扰较少的0.9～1.92 μm的频率区域，根据水分子官能团的信息建立能判别掺假含量低于20%的PLS-DA模型，由于冻结引起的机械损伤和解冻过程中不均匀的水渗漏，FT-NIR检测冷冻解冻模型的性能会稍有降低。哺乳动物的内脏胆固醇含量较高，在人类饮食中不是优选部分，因此常被用作掺假的廉价肉，MORSY等[22]基于NIR结合PLSR、LDA及PLS-DA成功检测了新鲜和解冻牛肉中内脏、猪肉和脂肪的掺假，尤其是LDA及PLS-DA判别掺假的正确率较高。

MIR相比NIR通常表现出更好的特异性和重现性，它能提供样品分子中更多官能团细节[23]，MIR检测掺假肉及肉制品应用相对较多。RAHMANIA等[24]利用FT-MIR对鼠肉及牛肉中不同脂肪酸的甘油三酯峰强度进行分析，其检测波长位于具有高R2系数以及低均方根误差的10～13.3 μm内，并建立PLS预测牛肉中的鼠肉含量的模型，利用PCA成功检测了牛肉丸中鼠肉成分。NUNES等[25]利用FT-MIR检测从市场缴获注入保水性物质(氯化钠、磷酸盐、麦芽糖糊精及胶原蛋白等)来提高重量的掺假牛肉，结果表明利用PLS-DA判别模型的正确率仅为84%，可能是市售样品并非都以相同水平注入所有掺假物，因此难以准确检测。MRQUEZ等[26]利用MIR检测牛肉中掺假大豆蛋白，建立预测掺假质量分数在2%～90%的PLS模型，根据蛋白质、脂肪、水分和无机物性质与含量利用SIMCA判别纯牛肉末和掺假大豆蛋白的样品。目前未见有相关报道研究远红外光谱检测掺假肉及肉制品。

IR检测技术在掺假肉及肉制品的应用较多，但主要检测牛羊肉等高价肉品中内脏、禽类和猪肉及保水性物质的掺假，对于不可食用肉类老鼠、狐狸等掺假鉴定很少涉及，未来研究需扩大IR技术鉴别不同种类掺假肉及肉制品的范围。另外，IR技术会受本身特点、样本及环境条件的限制而出现光谱基线平移等不利现象，为了检测更具准确性及参考价值，需优化IR关键技术，消除光谱的干扰因素。

2.1.2 拉曼光谱技术

几乎每个生物分子都有独特的拉曼光谱信号，特别是食品中有机分子中CC、CN等官能团能给予强烈反应，加之拉曼光谱的谱峰尖锐，很少发生重叠，因此能较好地分辨振动频率[27]。拉曼光谱具有特异性高、无样品预处理、分析时间短，仅需少量样品就可测定的优势。

拉曼光谱在评估加工和储存期间食品品质具有高效性，近年来在食品中的应用逐步增多，但拉曼光谱检测的掺假食品主要是蜂蜜等液态食品[28]，在肉及肉制品的掺假检测应用少。BOYACI等[16]于波长200～2 000 cm-1内利用拉曼光谱区分牛肉及马肉的纯脂肪，其中974 cm-1与1 213 cm-1特征波长处马肉与牛肉光谱差异分别源于平面内变形C-H骨架振动及磷脂和脂肪酸链振动相对应的反对称磷酰伸缩，学者根据特征化学键利用PCA模型快速(30s)鉴定了牛肉中掺假不同含量的马肉。由于样品中有机分子产生的荧光效应会影响拉曼光谱分析的准确性，而分散拉曼光谱能抑制在780或830 nm产生的荧光，使检测结果更加准确。ZHAO等[4]利用在900～1 800 cm-1的分散拉曼光谱鉴别冷冻并解冻掺假汉堡牛肉饼，通过与特殊蛋白质和脂质化学结构有关的特征性波长利用PCA在一定程度上区分真实和掺假样品，并建立正确判别率为90%的PLS-DA和高灵敏度SIMCA判别模型，但利用PLS模型对掺假鉴别的误差大，可能与内脏和牛肉的光谱相似性及冻融后大分子的结构变化等有关。

BIASIO等[29]利用改善空间分辨率的微拉曼光谱结合PCA、LDA及KNN成功鉴别了鸡肉、猪肉、火鸡、羊肉、牛肉和马肉。SOWOIDNICH等[30]利用可有效去除荧光效应的移频激发差分拉曼光谱结合PCA区分牛肉、鸡肉、火鸡肉及猪肉，因此这2种拉曼光谱技术可为检测牛羊肉等高价肉品是否掺假提供一定的数据参考价值。另外，拉曼光谱在分析分子结构信息上可与IR互补，为了最大化的提升掺假肉样品鉴别的正确率，有研究表明可将拉曼光谱与IR技术结合来鉴定掺假肉样品。ZAJA等[31]利用NIR和RAMAN依据氨基酸特征光谱之间的良好拟合性区分了掺假不同含量马肉的牛肉，其中IR可观察到1 000～1 250 cm-1波长内的谱带为牛肉蛋白质特征谱带，另外拉曼光谱中937、879、856、829和480 cm-1处氨基酸谱带可鉴别马肉掺假牛肉样品。

拉曼光谱技术在肉及肉制品的掺假检测领域起步较晚，作为一种新兴的无损检测技术，目前仍有较多限制,仪器昂贵使得它难以在肉及肉制品行业中普及使用，样品中有机分子的荧光效应会影响拉曼准确性等。因此，今后研究方向：(1)开发低成本且专有的在线拉曼光谱检测设备；(2)扩大高分辨度的傅里叶拉曼光谱、高灵敏度特异性的表面增强拉曼光谱、分散拉曼光谱及移频激发差分拉曼光谱等可消除或抑制荧光效应的拉曼技术在掺假肉及肉制品应用；(3)结合拉曼光谱与其他无损检测技术共同鉴定掺假肉及肉制品。

2.1.3 HSI技术

HSI是一项综合性的新兴技术，它集合了光谱和成像技术，其检测波长主要在400～1 700 nm的可见光和近红外区域之间，相比IR为点扫描技术仅能获取被测规则样品的光谱数据，HSI还可获得不规则性样本的空间信息，包括化学成分、数量及空间位置[32]，因此可利用HSI技术测定肉及肉制品不同程度、种类的掺假。

HSI在检测肉品质量及安全性中应用较为广泛，在掺假肉及肉制品检测应用少。HSI技术检测食品通常考虑2个波长范围：400～1 000 nm和900～1 700 nm，对肉及水产品的HSI研究波长主要位于900～1 700 nm。WU等[33]在波长范围为897～1 753 nm NIR-HSI及SVM检测对虾头和腹部的明胶掺假，结果表明HSI检测对虾明胶掺假的有效性高，并解决了单一光谱技术不能检测对虾等不规则物体不同部位具有的掺假明胶含量的问题。刘友华等[34]利用波长范围为390～1 040 nm VNIR-HSI结合PLS检测羊肉中猪肉掺假，采用标准正态变量校正法作为最优光谱预处理方法，利用决定系数最大及均方根误差最小的竞争性自适应重加权算法简化分析模型，在该条件下HSI可对掺假样品进行准确定量。KAMRUZZAMAN[35]等利用波长范围为400～1 000 nm的VNIR-HSI通过图像处理技术能在像素级检测掺假鸡肉的碎牛肉，且PLSR模型为判别掺假的最佳模型。由于波长范围在400～1 000 nm及900～1 700 nm检测掺假肉及肉制品有其各自的优缺点，在检测样品时，对两段波长范围内检测的结果进行对比，以找出最佳波长范围来优化检测结果。

目前，HSI技术是预测肉类品质和安全性的最有效的成像方法之一，其无损、快速，无需样品预处理，但它获得的光谱数据信息量较大，处理复杂，受到计算机硬件的限制，且常需降维处理，因此使用受到一定限制，且检测结果包括冗杂信息。未来研究需不断优化降低HSI数据维度的方法、提高数据处理的速度，并扩大HSI检测不同掺假肉及肉制品的范围。

2.1.4 MSI技术

MSI技术是指在不同的波段下对样品进行同时扫描，只需几分钟的图像采集和处理便可获得结果，检测结果包括光谱和空间信息[36]。目前，MSI技术已应用于肉理化性质的评估等，但它在掺假肉及肉制品的研究几乎很少，ROPODI等[37]利用MSI测定9种不同比例掺假猪肉的牛肉样品，随着混合物中猪肉比例的增加，样品的反射率在大部分波长范围内都增加，说明MSI在识别肉类掺假中的有效性，且利用PLS-DA模型能很好判别掺假牛肉和猪肉样本，ROPODI等[38]还利用MSI技术结合PLS-DA和SVM检测新鲜碎牛肉中马肉的掺假。

MSI技术作为一种有潜力的检测技术，可基于该技术对食品品质研究的原理和方法，将MSI更多地应用到不同种类掺假肉及肉制品的鉴定中，有研究表明可将MSI和FT-IR光谱技术结合识别解冻的碎牛肉[39]，因此MSI技术和其他无损技术相结合鉴别掺假肉及肉制品也是一种可能的发展趋势。由于MSI技术检测结果还包括会影响结果准确性的多余信息如样本背景及连接组织，因此，还需优化图像处理步骤，使其更加有效去除样本中图像背景以确保结果准确性。

2.1.5 NMR技术

NMR技术通过检测样品中H、C和P等元素的任一同位素(1H、13C、31 P)吸收的特征频率辐射来进行分析测定[40]，其优点包括无需样品预处理、不破坏样品的完整性、检测不受样品尺寸和形状影响、精度高及重复性好。

NMR技术已经对蜂蜜、红酒及食用油等[41]进行了真假鉴定，NMR技术在掺假肉及肉制品中的应用很少，且主要是利用该技术检测注水注胶肉。NMR技术检测的原理是根据样品弛豫时间T2来反映食物中的水分含量及分布，检测信号强度会与水分含量成正比[42]，特别是低场核磁共振技术(LF-NMR) 利用H原子特性在检测含水分食品有特殊优势，其可分析T21(结合水)、T22(不易流动水)及T23(自由水)变化趋势，因此目前常利用LF-NMR对注水注胶肉进行检测。

王胜威[43]利用LF-NMR鉴定新鲜、注水及注胶羊肉。结果表明羊肉注水后T23向后推移且峰面积变大；当注射不同种类胶后，T22增大向右偏移，其中峰面积变化与胶的吸水性有关，并用PCA判别不同程度的注水肉。王欣等[44]利用LF-NMR结合CDA成功对不同注水比例肉糜进行判别。由于磁共振成像能进一步提供检测样品的化学成分和内部结构的信息，LI等[45]利用LF-NMR和磁共振成像检测对虾中掺假的明胶、魔芋胶、黄原胶及琼脂，根据注入不同种类胶后T21和T23特定变化来辨别正常和掺假的虾，利用磁共振成像图像观察对虾掺假部位(虾头、背及脚)，建立PCA模型对不同胶含量掺假对虾进行判别，另外，该分析方法还可应用于实时检测市场中其他注胶海产品。

目前，NMR检测技术在掺假肉及肉制品发展的障碍主要包括NMR仪器成本高，要求专业知识及磁场维护等。在未来的研究中，开发低成本、便携的NMR仪器促进NMR技术在掺假肉及肉制品的应用，扩大NMR技术与磁共振成像技术结合检测不同种类掺假肉及肉制品的范围。

2.2 传感器技术

传感器技术应用广泛，具有快速、无损、灵敏的特点。该文主要综述电子鼻和电子舌传感器在检测掺假肉及肉制品中的应用，电子鼻和电子舌的工作示意图分别如图2-a及图2-b所示。

电子鼻是基于人体嗅觉建立的体系，其操作简便、快速，需样量少。电子鼻中最常见的传感器包括金属氧化物、导电聚合物和表面声波气体传感器等，样品气体分子与传感器涂层材料会相互作用，并生成电子信号而获得检测结果。目前，电子鼻主要检测肉新鲜度、卫生质量[46]，其检测掺假肉及肉制品的研究较少。TIAN等[47]利用金属氧化物传感器检测羊肉中猪肉含量，建立了较好的BPNN预测模型(R2>0.97)，并确定逐步LDA为特征提取的最优方法。NURJULIANA等[48]采用表面声波传感器电子鼻分析样品挥发性成分并结合PCA快速区分了牛肉、羊肉、鸡肉以及猪肉及其香肠产品，其中电子鼻检测到猪肉中丰富的庚醛可作为区分猪肉及其他肉类产品的依据，这为判别猪肉掺假清真食品的无损检测提供一定的参考。

电子舌通过模拟人体舌头功能获得样品的酸、甜、苦和咸等信息，其化学传感器具有交叉敏感性，能提供多种分析物浓度信息。利用电子鼻检测操作简便、快速无损，但测定时需选择最佳溶液浸提样品的特征性物质，出于无损检测考虑，一般情况下用纯水浸提[49]。电子舌很少检测肉及肉制品掺假，田晓静等[50]取少量样品置于浸提液30 min，利用电子舌结合PCA和判别分析区分掺假不同含量鸡肉的羊肉糜，并建立的能有效预测掺假鸡肉比例的PLS和MLR模型(R2>0.99)。

虽然电子鼻和电子舌操作简单，但无法对样品各组分进行准确定量，加之食品成分的复杂性，仅用电子鼻或电子舌检测肉制品的掺假是不够精确的。为获得更具参考性的结果，电子鼻、舌和光谱技术的结合已被用作有效的鉴别方法。另外，电子鼻和电子舌中传感器阵列的种类与其灵敏性和检测结果的可靠性密切相关，可开发先进和功能齐全的传感器阵列来改善电子鼻和电子舌检测技术的灵敏性与准确性，使其在掺假肉检测应用更加广泛，评估掺假肉及肉制品的真实性更快、更可靠。

3 无损检测技术展望

红外光谱、拉曼光谱、高光谱成像、多光谱成像、核磁共振、电子鼻及电子舌无损检测技术，由于快速、低成本、高重复性，近年来在检测掺假肉及肉制品得到了越来越多的应用，但无损检测技术的发展仍面临一定挑战，对于掺假肉及肉制品的无损检测应：(1)建立不同无损检测技术的掺假肉及肉制品检测数据库，未来实现对掺假肉及肉制品的快速通用分析；(2)消除光谱检测中的不利因素、优化光谱处理技术；(3)研究不同无损检测技术的结合，弥补无损检测技术本身的不足；(4)开发经济有效的无损检测系统设备来增加其在工业线上的应用，优化无损检测仪器中关键检测元件的灵敏性；(5)针对复杂的数据处理过程和图像处理系统成本较高的问题，开发有效、简便而经济的数据处理方法及软件是未来一个发展趋势，从而为无损技术检测掺假肉及肉制品提供更为完善的理论和依据，保障肉及肉制品的真实性及安全性。

参考文献

[1] FAOSTAT. Food and Agriculture Organization of the United Nations[EB/OL]. 2018.http://www.fao.org/faostat/en/#data.

[2] RAHMATI S, JULKAPLI N M, YEHYE W A, et al. Identification of meat origin in food products-A review[J]. Food Control, 2016, 68: 379-390.

[3] HRBEK V, VACLAVIK L, ELICH O, et al. Authentication of milk and milk-based foods by direct analysis in real time ionization-high resolution mass spectrometry (DART-HRMS) technique: A critical assessment[J]. Food Control, 2014, 36(1): 138-145.

[4] ZHAO M, DOWNEY G, O’DONNELL C P. Dispersive Raman spectroscopy and multivariate data analysis to detect offal adulteration of thawed beefburgers[J]. Journal of Agricultural and Food Chemistry, 2015, 63(5): 1 433-1 441.

[5] BANSAL S, SINGH A, MANGAL M, et al. Food adulteration: sources, health risks, and detection methods[J]. Critical Reviews in Food Science and Nutrition, 2017, 57(6): 1 174-1 189.

[6] SHI Y, FENG Y, XU C, et al. Loop-mediated isothermal amplification assays for the rapid identification of duck-derived ingredients in adulterated meat[J]. Food Analytical Methods, 2017, 10(7): 2 325-2 331.

[7] ROHMAN A, ERWANTO Y, MAN Y B C. Analysis of pork adulteration in beef meatball using fourier transform infrared (FTIR) spectroscopy[J]. Meat Science, 2011, 88(1): 91-95.

[8] RAHMAN M M, ALI M E, HAMID S B A, et al. Polymerase chain reaction assay targeting cytochrome b gene for the detection of dog meat adulteration in meatball formulation[J]. Meat Science, 2014, 97(4): 404-409.

[9] KAPPEL K, SCHRÖDER U. Substitution of high-priced fish with low-priced species: adulteration of common sole in German restaurants[J]. Food Control, 2016, 59: 478-486.

[10] FANG X, ZHANG C. Detection of adulterated murine components in meat products by TaqMan© real-time PCR[J]. Food Chemistry, 2016, 192: 485-490.

[11] BALLIN N Z. Authentication of meat and meat products[J]. Meat Science, 2010, 86(3): 577-587.

[12] TANG M, WANG X, XU Y, et al. Water-injected detecting method research based on relative value of water content of beef[C]//2016 ASABE Annual International Meeting. America: American Society of Agricultural and Biological Engineers, 2016: 1.

[13] LEITNER A, CASTRO-RUBIO F, MARINA M L, et al. Identification of marker proteins for the adulteration of meat products with soybean proteins by multidimensional liquid chromatography-tandem mass spectrometry[J]. Journal of Proteome Research, 2006, 5(9): 2 424-2 430.

[14] PERISIC N, AFSETH N K, OFSTAD R, et al. Monitoring protein structural changes and hydration in bovine meat tissue due to salt substitutes by fourier transform infrared (FTIR) microspectroscopy[J]. Journal of Agricultural and Food Chemistry, 2011, 59(18): 10 052-10 061.

[15] PERISIC N, AFSETH N K, OFSTAD R, et al. Characterizing salt substitution in beef meat processing by vibrational spectroscopy and sensory analysis[J]. Meat Science, 2013, 95(3): 576-585.

[16] BOYACI I H, TEMIZ H T, UYSAL R S, et al. A novel method for discrimination of beef and horsemeat using raman spectroscopy[J]. Food Chemistry, 2014, 148: 37-41.

[17] PEIRIS K, POSUDIN Y, KAYS S. Non-destructive detection of food adulteration to guarantee human health and safety[J]. Ukrainian Food Journal, 2015,4:207-260.

[18] KUMAR Y, KARNE S C. Spectral analysis: a rapid tool for species detection in meat products[J]. Trends in Food Science & Technology, 2017, 62: 59-67.

[19] LOHUMI S, LEE S, LEE H, et al. A review of vibrational spectroscopic techniques for the detection of food authenticity and adulteration[J]. Trends in Food Science & Technology, 2015, 46(1): 85-98.

[20] 黄伟,杨秀娟,张燕鸣,等. 近红外光谱技术在肉类定性鉴别中的研究进展[J]. 肉类研究, 2014, 28(1): 31-34.

[21] ALAMPRESE C, AMIGO J M, CASIRAGHI E, et al. Identification and quantification of turkey meat adulteration in fresh, frozen-thawed and cooked minced beef by FT-NIR spectroscopy and chemometrics[J]. Meat Science, 2016, 121: 175-181.

[22] MORSY N, SUN D W. Robust linear and non-linear models of NIR spectroscopy for detection and quantification of adulterants in fresh and frozen-thawed minced beef[J]. Meat Science, 2013, 93(2): 292-302.

[23] BELLON-MAUREL V, MCBRATNEY A. Near-infrared (NIR) and mid-infrared (MIR) spectroscopic techniques for assessing the amount of carbon stock in soils-critical review and research perspectives[J]. Soil Biology and Biochemistry, 2011, 43(7): 1 398-1 410.

[24] RAHMANIA H, ROHMAN A. The employment of FTIR spectroscopy in combination with chemometrics for analysis of rat meat in meatball formulation[J]. Meat Science, 2015, 100: 301-305.

[25] NUNES K M, ANDRADE M V O, SANTOS FILHO A M P, et al. Detection and characterisation of frauds in bovine meat in natura by non-meat ingredient additions using data fusion of chemical parameters and ATR-FTIR spectroscopy[J]. Food Chemistry, 2016, 205: 14-22.

[26] MEZA-MRQUEZ O G, GALLARDO-VELZQUEZ T, OSORIO-REVILLA G. Application of mid-infrared spectroscopy with multivariate analysis and soft independent modeling of class analogies (SIMCA) for the detection of adulterants in minced beef[J]. Meat Science, 2010, 86(2): 511-519.

[27] YANG D, YING Y. Applications of Raman spectroscopy in agricultural products and food analysis: A review[J]. Applied Spectroscopy Reviews, 2011, 46(7): 539-560.

[28] ÖZBALCI B, BOYACI H, TOPCU A, et al. Rapid analysis of sugars in honey by processing Raman spectrum using chemometric methods and artificial neural networks[J]. Food Chemistry, 2013, 136(3-4): 1 444-1 452.

[29] DE BIASIO M, STAMPFER P, LEITNER R, et al. Micro-Raman spectroscopy for meat type detection[C]//Next-Generation Spectroscopic Technologies VIII. America:International Society for Optics and Photonics, 2015.

[30] SOWOIDNICH K, KRONFELDT H D. Shifted excitation Raman difference spectroscopy at multiple wavelengths for in-situ meat species differentiation[J]. Applied Physics B, 2012, 108(4): 975-982.

[31] ZAJAC A, HANUZA J, L. Raman spectroscopy in determination of horse meat content in the mixture with other meats[J]. Food Chemistry, 2014, 156: 333-338.

[32] TAO F, PENG Y, LI Y, et al. Simultaneous determination of tenderness and Escherichia coli contamination of pork using hyperspectral scattering technique[J]. Meat Science, 2012, 90(3): 851-857.

[33] WU D, SHI H, HE Y, et al. Potential of hyperspectral imaging and multivariate analysis for rapid and non-invasive detection of gelatin adulteration in prawn[J]. Journal of Food Engineering, 2013, 119(3): 680-686.

[34] 刘友华,白亚斌,邱祝福. 等. 基于高光谱图像技术和波长选择方法的羊肉掺假检测方法研究[J]. 海南师范大学学报(自然科学版), 2015, 28(3):265-269.

[35] KAMRUZZAMAN M, MAKINO Y, OSHITA S. Rapid and non-destructive detection of chicken adulteration in minced beef using visible near-infrared hyperspectral imaging and machine learning[J]. Journal of Food Engineering, 2016, 170: 8-15.

[36] QIN J, CHAO K, KIM M S, et al. Hyperspectral and multispectral imaging for evaluating food safety and quality[J]. Journal of Food Engineering, 2013, 118(2): 157-171.

[37] ROPODI A I, PAVLIDIS D E, MOHAREB F, et al. Multispectral image analysis approach to detect adulteration of beef and pork in raw meats[J]. Food Research International, 2015, 67: 12-18.

[38] ROPODI A I, PANAGOU E Z, NYCHAS G J E. Multispectral imaging (MSI): A promising method for the detection of minced beef adulteration with horsemeat[J]. Food Control, 2017, 73: 57-63.

[39] ROPODI A I, PANAGOU E Z, NYCHAS G J E. Rapid detection of frozen-then-thawed minced beef using multispectral imaging and Fourier transform infrared spectroscopy[J]. Meat Science, 2018, 135: 142-147.

[40] LAGHI L, PICONE G, CAPOZZI F. Nuclear magnetic resonance for foodomics beyond food analysis[J]. TrAC Trends in Analytical Chemistry, 2014, 59: 93-102.

[41] MARCONE M F, WANG S, ALBABISH W, et al. Diverse food-based applications of nuclear magnetic resonance (NMR) technology[J]. Food Research International, 2013, 51(2): 729-747.

[42] PEARCE K L, ROSENVOLD K, ANDERSEN H J, et al. Water distribution and mobility in meat during the conversion of muscle to meat and ageing and the impacts on fresh meat quality attributes—A review[J]. Meat Science, 2011, 89(2): 111-124.

[43] 王胜威. 基于低场核磁共振及电子舌对羊肉品质安全判别研究[D]. 贵阳：贵州大学, 2015.

[44] 王欣,王志永,陈利华， 等. 注水肉糜的低场核磁弛豫特性及判别分析[J]. 现代食品科技, 2016 (5): 79-84.

[45] LI M, LI B, ZHANG W. Rapid and non-invasive detection and imaging of the hydrocolloid-injected prawns with low-field NMR and MRI[J]. Food Chemistry, 2018, 242: 16-21.

[46] HONG X, WANG J, HAI Z. Discrimination and prediction of multiple beef freshness indexes based on electronic nose[J]. Sensors and Actuators B: Chemical, 2012, 161(1): 381-389.

[47] TIAN X, WANG J, CUI S. Analysis of pork adulteration in minced mutton using electronic nose of metal oxide sensors[J]. Journal of Food Engineering, 2013, 119(4): 744-749.

[48] NURJULIANA M, MAN Y B C, HASHIM D M, et al. Rapid identification of pork for halal authentication using the electronic nose and gas chromatography mass spectrometer with headspace analyzer[J]. Meat Science, 2011, 88(4): 638-644.

[49] 韩方凯. 基于电子舌技术的鱼新鲜度无损检测方法研究[D]. 镇江：江苏大学, 2013.

[50] 田晓静,王俊,崔绍庆. 羊肉纯度电子舌快速检测方法[J]. 农业工程学报, 2013, 29(20):255-262.