近红外光谱技术在畜产品检测中的应用研究

发布日期：2024-11-23 19:01

信息摘要：

随着畜牧业的飞速发展，畜产品种类不断增多，其产量也在不断攀升，人们对畜产品的消费需求也与日俱增。但同时暴露出许多问题，如掺假造假、以假乱真、以次...

随着畜牧业的飞速发展，畜产品种类不断增多，其产量也在不断攀升，人们对畜产品的消费需求也与日俱增。但同时暴露出许多问题，如掺假造假、以假乱真、以次充好的现象时有发生，严重侵害了消费者的权益，制约着畜牧业的健康发展。因此，鉴别畜产品种类、品质、产地对保障畜产品质量安全尤为重要。

传统的畜产品检测方法有形态学鉴别法、蛋白质分析法[1]、免疫法[2]、DNA鉴定法[3～4][3～4]等，但上述方法都存在检测时间长、需对肉品进行一定程度的损坏等不足之处，因此不能满足实时、快速、高通量的检测需求。近红外光谱（NIR）技术是近年来发展起来的一类新型检验方法，其波长范围为780～2 526 nm，可利用被检测样品的分子在近红外光谱区域内的吸收光照强度来对被检测样品中的一种或多种化学成分含量及特性进行快速测量。由于近红外光谱技术具备快速、无损、无污染、效率高、成本低的优点，已经在畜产品检测方面得到了广泛的应用。本文对近年来近红外光谱技术在主要畜产品（肉、原料乳和毛绒）源性成分检测和品质评价等方面的研究进展进行了概述，并对该技术在畜产品领域的应用作出展望，以期为有效监控畜产品质量提供科学依据和技术保障。

一、近红外光谱技术在肉品检测中的应用

（一）源性成分检测

由于不同品种动物在肌肉组成、纤维类型、肌肉蛋白分子量和肌肉内脂肪等方面具有差异性[5]，因此样品在近红外光谱下有不同的反射模式，可利用此特点对肉品进行定性鉴别。牛肉、羊肉价格远高于猪肉和禽肉，故常会出现用猪肉、鸡鸭肉掺假牛肉和羊肉的现象。目前，已有大量关于近红外光谱技术在肉类源性成分检测方面的应用报道（见表1）。

在肉类定性鉴别方面，赵红波等[6]采用近红外光谱结合马氏距离判别方法，实现了对猪肉和牛肉的准确定性。孟一等[7]和王昱陆[8]采用近红外光谱对猪肉、牛肉和羊肉的预测准确率均大于90%。牛肉、羊肉中掺入其他肉类一直是检测的重点和难点，MABOOD等[9]用PLSR法建立预测模型，当牛羊肉中添加10%以上的猪肉时，检测正确率可达100%。陈迎丽等[10]利用近红外光谱技术结合因子化法对掺入猪肉和鸡肉的掺假牛肉样本进行鉴别，正确鉴别率分别为94%和97%。韩方凯等[11]采用傅立叶变换近红外光谱仪结合极限学习机构建的模型，对牛肉中掺入猪肉的正确识别率达到83.33%。白京等[12]基于近红外光谱技术建立的定量检测模型，对牛肉汉堡中猪瘦肉掺假比例的检测限在20%。白亚斌等[13]在500～1 000 nm波段内选择了741.6、768.0、806.5、907.4、929.0 nm 5个波长作为特征波长进行建模（比全波长建模简单且更具有代表性），实现了对牛肉中掺假猪肉的定量预测。杨清华等[14]采集肉品高光谱图像数据，通过设定阈值提取感兴趣区域，在确定波长和阈值宽度参数后提取400～1 000 nm的平均光谱建立模型，建立的模型对掺入猪肉的牛肉样本的鉴别更加稳定、精准。张玉华等[15]在1 000～2 500nm波段中选择了1 113～1 285 nm和1 822～2 336 nm两个波段的近红外特征光谱，利用PCA和PLS法，分别建立了牛肉中掺猪肉和羊肉中掺猪肉的定性鉴别模型，模型对预测集的鉴别准确率分别达到91.23%和92.98%。ALAMPRESE等[16]报道了在牛肉中掺入高于20%比例的火鸡肉，用近红外光谱可以准确预测。白京等[17]用近红外漫反射光谱技术结合化学计量学方法对羊肉卷中猪肉掺假进行了定量检测，检测精度在±10%范围内。此外，近红外光谱技术还可以用于肉中掺入植物性蛋白[18]、注入卡拉胶[19]的定性和定量检测。

表1 近红外光谱技术在肉类源性成分检测方面的应用

注：Rc为校正模型相关系数；Rp为预测模型相关系数；Rcv为交叉验证相关系数；SEC为校正集标准差；SEP为验证集标准差；RMSEC为校正均方根误差；RMSEP为预测均方根误差；RMSECV为交叉验证均方根误差；BLC为基线校正；SD为二阶导数；MC为均值中心化；FD为一阶导数；MSC为多元散射校正；S-G为卷积平滑；SNV为标准正态变量；KPCA为核主成分分析；SPA为连续投影算法；PLS为偏最小二乘；PLSR为全波段偏最小二乘回归；PLS-DA为偏最小二乘回归分析；CARS为竞争性自适应加权采样；ELM为极限学习机；PCA为主成分分析。下同。

（二）品种和产地溯源

目前，近红外光谱技术在肉品品种和产地溯源方面已经有了一定的研究进展，如王彩霞等[20]利用可见/近红外高光谱成像技术建立CARS模型，对荷斯坦奶牛、秦川牛、西门塔尔牛3个品种牛肉的鉴别准确率分别达到100%、98%和82%。刘海峰等[21]采用3个特征光谱1 600～1 989、2 248～2 428、1 282～1 442 nm建立模型，准确鉴别出山西平遥牛肉、四川黑牛肉和安徽颍州牛肉。DUMALISILE等[22]采用908～1 700 nm近红外光谱结合线性判别（LDA）分析，不用任何预处理，对黑斑羚、白斑羚、跳羚、大羚羊、黑角马和斑马的分类精度可达到68%～100%。王靖等[23]通过提取特征波长，CARS-PLS-DA建模，实现了对宁夏银川、固原、盐池3个不同产地绵羊肉的鉴别。史岩等[24]通过对5个产地鸡肉样本的近红外光谱进行主成分分析和聚类分析，建立了鸡肉产地溯源的定性判别模型，该模型对样本的预测识别率为100%。沈啸[25]采用SIMCA结合PCA建立的模型对6个肉鸡品种进行定性鉴别，预测正确率为78.87%～87.32%。

（三）品质评价

肉类品质评价是对肉类感官特征、理化指标、营养价值、安全性等多种质量性状的综合评价，包括新鲜度、嫩度、持水力、蛋白质含量、脂肪含量、微生物指标等。近红外光谱技术在这方面具有独特的优势，已经被广泛用于肉类品质评价（见表2）。

新鲜度是评价肉品品质的一项重要指标，在贮藏、运输和销售过程中，肉品极易在微生物和酶的作用下发生品质衰变，如pH降低、酸价上升、TVB-N含量上升等，造成新鲜度下降[40]。因此，常用TVB-N含量来划分肉类新鲜度等级。刘飞等[26]通过蒙特卡洛-无信息变量消除算法和连续投影算法提取了新鲜冷藏（4℃）猪肉近红外光谱的最优波长变量，并建立了PLS预测模型，相比较全波长变量构建的PLS模型，变量个数减少了95%，精度得到有效提高。马世榜等[27]选取8个有效光谱建立的LS-SVM模型和LENG等[28]建立的线性PLS回归模型都可以实现对生鲜牛肉中TVB-N含量的快速无损检测。郭丽丽等[29]建立了冷鲜猪肉、羊肉、牛肉中TVB-N含量的PLS校正模型，其相关系数分别为0.906 9、0.910 6和0.958 7。张凡等[41]还利用近红外光谱技术构建了肉新鲜度指标（颜色、pH和TVB-N含量）的PLS快速预测模型。TBARS是一种经典的脂肪氧化标记物，也被用作评价肉类新鲜度的指标。KUCHA和NGADI[30]通过连续投影算法和加权回归系数选择了15个最佳波长，开发了基于PLSR的TBARS预测模型。

表2 近红外光谱技术在肉类品质评价方面的应用

注：TVB-N为挥发性盐基氮；TBARS为硫代巴比妥酸反应物；LS-SVM为最小二乘支持向量机；UVE为无信息变量消除；MLR为多元线性回归；OSC为正交信号校正；SGS为卷积平滑；MAS为移动平均值平滑；MFS为中值滤波平滑；GFS为高斯滤波；NC为标准化校正；De-trending为去趋势算法；RAW为原始光谱；RC为回归系数法：RSD为相对标准偏差；RPD为相对百分误差。下同。

蛋白质和脂肪是肉类最主要的营养成分，使用近红外光谱技术对肉类蛋白质和脂肪含量进行分析，操作简便快速、数据准确，可一次性完成定性和定量。车天宇等[31]利用近红外光谱对大青山山羊肉中蛋白质与总脂肪含量建立定量预测模型，其相关系数分别为0.919 6和0.951 6。MOUROT等[42]发现近红外光谱对牛背最长肌脂肪酸含量预测准确性要优于腹直肌和半腱肌。FAN等[32]和HUANG等[33]均利用近红外光谱对猪背最长肌肌内脂肪含量进行了预测，其中HUANG等[33]发现近红外光谱对猪肋骨最后2、3根位置处肌内脂肪含量的预测能力最强。刘晓琳等[34]建立了羊肉蛋白质、脂肪和水分含量预测模型，其相关系数分别为0.931 2、0.915 7和0.920 0。胆固醇也是脂肪的组成成分之一，姚荣刚[35]通过便携式中波近红外光谱仪建立了生鲜猪肉中胆固醇含量的预测模型，校正集相关系数在0.8以上；王辉等[36]发现建立的生鲜猪肉中胆固醇含量预测模型在50～70 mg/100 g区段的预测准确率高达91.7%，说明模型精度与胆固醇含量有关。此外，利用近红外光谱技术，还可以对肉颜色亮度[37]、pH[38]、酸价[39]、嫩度[43]等指标进行快速、无损检测。

二、近红外光谱技术在原料乳检测中的应用

目前，常见的原料乳有牛奶、羊奶、马奶和骆驼奶，其中牛奶的饮用范围最广。近红外光谱已经广泛用于原料乳真实性检测和营养成分预测（见表3），这也为原料乳的监管提供了一种新的方法。不法商人常采取在原料乳中添加各种伪蛋白、增稠剂的方法，以提高固形物含量。钟珍珍等[44]在糊精水溶液中分别加入三聚氰胺或尿素，作为假牛奶掺入原奶，通过近红外光谱技术建立掺假原奶的判别模型，该模型对掺假原奶的判别正确率在90%以上，对原奶的判别正确率在81%以上。张露[45]利用可见/近红外光谱对牛奶中三聚氰胺进行检测，检测限为0.1%。李亮[46]利用近红外光谱技术结合MLP建立了7种掺假原料乳的定量分析模型，均有较好的预测效果。此外，有学者将近红外光谱仪用于牛奶中乳脂肪和乳蛋白含量的检测，所得检测结果与使用乳成分分析仪检测得到的结果无显著差异[51]。还有学者研究发现，牛奶均质化处理可降低乳脂颗粒大小，使其分布均匀，可提高近红外光谱检测的重复性和预测精度[52]。

羊奶由于营养价值丰富、易于吸收，受到了很多消费者的追捧，然而因羊奶产量低、价格高，出于成本考虑，有些不法人员会在出售的羊奶里添加其他奶源。曹佳等[47]建立了羊奶中所掺植物蛋白的定标方程，实现了对羊奶中植物蛋白的快速检测。PEREIRAAB等[53]利用PLS-DA模型对羊奶中添加牛奶进行检测，发现检测的最低限可达到1.015 4g/100g。马奶相比牛羊奶，其酪蛋白和脂肪含量低、乳糖含量高，对人体具有保健功效。黄亚东[48]利用近红外光谱建立了马奶中蛋白质、脂肪、乳糖和灰分含量的预测模型，能较准确地预测马奶的营养成分。骆驼奶的脂肪、乳糖和总干物质含量显著高于牛奶，具有降血糖与辅助治疗糖尿病的功效。汪洋等[49]建立了驼奶中脂肪、乳糖、蛋白质、水分和灰分共5种营养元素的定量预测模型，其相关系数均大于0.9。MABOOD等[50]利用近红外光谱建立的PLS回归模型对骆驼奶中掺入山羊奶的检测限为0.5%。

表3 近红外光谱技术在原料乳检测中的应用

表格图

注：MLP为多层神经网络；IS-KNN为改进的最近邻算法；MPLS为改进最小二乘；SECV为交互验证误差。下同。

三、近红外光谱技术在毛绒检测中的应用

羊毛和羊绒是天然纺织纤维，二者的化学组成和结构非常相似，但由于羊绒具有光泽好、细度均匀、滑糯柔软等特性，经济价值远超过羊毛，因此，准确鉴别羊绒与羊毛纤维极为重要。传统的羊毛和羊绒鉴别方法有形态观察法、显微镜法、溶液法、染色法，但均会对样品造成破坏，而近红外光谱技术可实现快速无损判别，已广泛用于纺织品中成分的定性和定量研究（见表4）。例如，GUO等[63]和刘心如等[54]利用近红外光谱可以对羊毛和羊绒快速定性鉴别。吕丹等[56]利用近红外光谱技术建立分析模型，不仅能对羊绒、羊毛进行定性鉴别，而且对羊绒/羊毛混纺纤维含量也可以准确预测。

随着科技的发展，越来越多的人造纤维用于纺织。季惠等[57]使用近红外光谱结合SIMCA方法对棉、涤纶、锦纶、羊毛等纯纺织物实现了快速而准确的鉴别。WANG等[64]利用近红外光谱结合主成分分析法对棉花、羊毛、丝绸、亚麻、粘胶纤维和聚酯纤维进行了准确分类。ZOCCOLA等[58]利用近红外光谱结合SIMCA方法建模，实现了对羊毛、羊绒、牦牛和安哥拉兔毛纤维的定性鉴别，并且可以快速粗略估计羊毛/羊绒混纺产品中羊绒含量。

现代服饰追求款式新颖、服用性能良好，因此，出现了各种混纺产品，而将近红外光谱技术用于定量分析混纺面料中纤维成分含量[65]已经成为热门技术手段。例如，王彩虹等[59]对羊毛/棉、羊毛/马海毛、羊毛/氨纶、羊毛/丝、羊毛/羊绒5种羊毛混纺进行近红外光谱检测，其中羊毛/棉、羊毛/马海毛、羊毛/氨纶3类面料的分类准确率均为100%，羊毛/羊绒的分类准确率为95%，羊毛/丝的分类准确率为85%。陈智锋等[60]对羊毛/锦纶、羊毛/聚酯、羊毛/锦纶/聚酯混纺织品进行近红外光谱检测，在羊毛含量小于20%时，检测结果达到了纺织检测标准（GB/T 2910-2009）要求。魏子涵等[61]基于1 000～2 200 nm波段近红外光谱数据建模，所建模型中聚酯/羊毛混纺织物的定量分析模型的预测效果最佳。罗峻等[62]基于近红外光谱法，通过粒子群算法优化计算方法，可对毛涤混纺织物成分含量快速无损测定。

四、结语与展望

与传统检测技术相比，近红外光谱技术具有检测快速、不损坏样品、操作简单的优点，在畜产品检测中应用已经越来越广泛，但也存在一定问题，如检测精度仍有待提高、建模对数据质量和操作者专业知识要求较高、检测过程难以做到完全自动化、模型在不同型号近红外光谱仪器上通用性不强等。因此，近红外光谱技术在畜产品检测中的应用，特别是在建模数据的选择、光谱数据预处理、模型稳定性和精度方面仍需深入探索。此外，还要加强同一模型在不同光谱设备之间的转化适用性研究，同时需加快对自动化、便携化近红外检测设备的研发，降低用户使用门槛，真正实现快速、无损、精准检测。

表4 近红外光谱技术在毛绒检测中的应用