近紅外光譜分析技術在動物源性食品檢測中的應用進展

吳 浩，劉 源，董若琰，顧賽麒，王錫昌

(上海海洋大學食品學院，上海水產(chǎn)品加工及貯藏工程技術研究中心，上海201306)

隨著我國經(jīng)濟的發(fā)展和人民生活水平的不斷提高，人們對動物源性食品的需求發(fā)生了從數(shù)量到質(zhì)量的轉變。動物源性食品包括全部可食用的動物組織以及奶和蛋，包含肉類及其制品(包含動物臟器)、水生動物產(chǎn)品等［1］。有關動物源性食品的檢測以安全和營養(yǎng)為主，動物源性食品自身易于變質(zhì)的特點決定了其檢測方法必須快捷，有些情況下甚至需要現(xiàn)場檢測。自從美國農(nóng)業(yè)部的Norris研究小組［2］在20世紀60年代將近紅外光譜分析技術應用于谷物以來，該技術有了突飛猛進的發(fā)展，如今已經(jīng)廣泛用于農(nóng)業(yè)、化工、石油、醫(yī)藥、食品等諸多領域。在食品領域，近紅外光譜分析技術可以進行成分分析［3］、品質(zhì)評價［4］、加工監(jiān)測［5］、安全控制［6］等。由于近紅外光譜分析技術具有分析速度快、非破壞性、所需樣品量小、多組分多通道同時測定、適于每一個質(zhì)量控制環(huán)節(jié)，且可實現(xiàn)對生產(chǎn)過程的連續(xù)實時監(jiān)控等優(yōu)點［7］，使其在食品行業(yè)發(fā)揮出巨大作用。本文綜述了NIR分析技術在動物源性食品檢測中的研究進展，并對該技術在動物源性食品檢測中的發(fā)展趨勢進行了闡述。

1 近紅外光譜理論及常用預處理方法

美國材料與實驗檢測協(xié)會(American Society for Testing and Meterials，ASTM)對近紅外區(qū)的定義是波長介于780和2526nm之間的電磁波［8］，將近紅外區(qū)劃分為短波近紅外區(qū)(780～1100nm)和長波近紅外區(qū)(1100～2526nm)。有機物分子中含氫基團對近紅外光的倍頻和合頻吸收會產(chǎn)生近紅外光譜［9］。當近紅外光照射到有機物時，一些官能團(C－H、N－H、O－H等)就會吸收與各自分子振動頻率相同的近紅外光，通過檢測吸收光或反射光可以得到復雜的近紅外光譜圖，再利用化學計量學方法將光譜數(shù)據(jù)和標準方法測定的理化數(shù)據(jù)相關聯(lián)，建立校正模型，最后用已知理化數(shù)據(jù)的驗證集樣品對校正模型進行驗證。目前常用的光譜預處理方法如圖1。常用的建模方法包括:多元線性回歸 (Multiple Linear Regression，MLR)、主成分分析(Principal Component Analysis，PCA)、偏最小二乘法(Partial Least Square，PLS)、修正偏最小二乘法(Modified Partial Least Square，MPLS)、人工神經(jīng)網(wǎng)絡(Artificial Neural Network，ANN)等。

圖1 常用的光譜預處理方法Fig.1 The frequently used methods of spectral data pretreatment

表1 近紅外光譜技術應用于動物源性食品營養(yǎng)成分分析Table1 Nutritional content analysis of animal foods by NIR

2 近紅外光譜技術在動物源性食品檢測中的應用

動物源性食品作為食品領域的重要組成部分，一直以來就是科研工作者研究的重點和熱點之一。目前利用近紅外光譜分析技術檢測動物源性食品，主要包括品質(zhì)評價和安全評價兩個方面。

2.1 近紅外光譜技術對動物源性食品的品質(zhì)評價

食品的品質(zhì)評價是食品綜合性質(zhì)的集中體現(xiàn)，它對于生產(chǎn)商和消費者均具有重大的現(xiàn)實意義，不僅可以為產(chǎn)品的研發(fā)與銷售提供保障依據(jù)，還有助于滿足消費者對于食品的各種要求。而人們往往希望對食品的品質(zhì)評價是客觀且準確的，很多客觀、快速的品質(zhì)評價技術應運而生，近紅外光譜分析技術就是其中之一。

2.1.1 營養(yǎng)成分分析 自20世紀60～70年代就有了近紅外反射光譜與水分、蛋白質(zhì)、脂肪以及熱量之間相關性的研究，這為深入挖掘近紅外光譜技術在此領域的應用與發(fā)展打下了基礎。如今近紅外光譜技術在食品營養(yǎng)成分分析方面的應用已經(jīng)較為成熟，市面上也有了相應的儀器設備，比如丹麥FOSS公司的肉類食品成分快速分析儀，采用近紅外全光柵透射技術，可以檢測蛋白質(zhì)、脂肪、水份和膠原蛋白等指標。表1列舉了近年來近紅外光譜技術應用于動物源性食品營養(yǎng)成分分析的研究進展。要求近紅外法的樣品質(zhì)地均勻，所以利用該技術檢測肉品品質(zhì)時，一般需將樣品磨碎至糜狀，方可準確測定其中脂肪、蛋白質(zhì)和水分等的含量，經(jīng)過此處理后準確度較高。這對于裝樣過程要求較高，但相比于傳統(tǒng)測定方法，仍具有明顯的優(yōu)勢。

2.1.2 物理特性預測 對動物源性食品物理特性的檢測主要包括持水性、剪切力、肉色、pH以及彈性等。Gamal等人［19］利用近紅外光譜法預測了牛肉的持水能力，由PCA和PLS方法組建的數(shù)學模型，其決定系數(shù)為0.98;交叉驗證所得的標準誤差為0.26%。羅陽等人［20］對草魚制成魚丸的彈性進行了預測。另外，Giunchi等［21］利用近紅外光譜技術預測生雞蛋的新鮮度，得到了較好的結果。作者分別照射雞蛋的赤道面和鈍面，再測定其氣室高度、蛋白高度和哈氏單位。建模方法為PCA、PLS和偏最小二乘——判別分析。其驗證集相關系數(shù)分別為 0.722、0.789和0.676，并且按照貯藏時間進行分類的正確率為100%。

2.1.3 感官指標評定 大多數(shù)食品感官性狀的變化，實際上是由于其化學組成和結構特性發(fā)生變化所引起的，因此研究人員試圖利用近紅外光譜對感官指標進行間接預測。Andrés等人［22］利用近紅外光譜對羔羊肉的感官指標(大理石花紋、多汁性、香味強度、異味強度及整體偏好)進行了預測，感官評價小組使用八點強度法對以上五項指標進行評定。但是預測結果并不理想:相關系數(shù)均在0.130～0.380之間。González等人［23］結合近紅外光譜技術，快速預測不同奶酪(冬天和夏天奶源制成的奶酪、成熟期為4個月和6個月制成的奶酪)的感官特性。由具備經(jīng)驗的6女2男(年齡在23～42歲之間)組成的感官評價小組進行包括:孔洞、硬度、咀嚼度、粘稠度、咸度、黃油香味、腐敗氣味、辛辣味以及鼻后嗅覺等9項指標在內(nèi)的感官評定。光譜進行MSC、SNV－DT等預處理。64個樣品中，選擇50個做定標集，其余14個做驗證集，采用MPLS建模。這9項感官指標的定標集相關系數(shù)分別為0.796、0.890、0.838、0.530、0.568、0.726、0.768、0.820、0.824。

2.2 近紅外光譜技術對動物源性食品的安全評價

近紅外光譜技術具備快速、無損、多指標同時檢測等優(yōu)勢，可作為動物源性食品的安全評價，主要包括以下幾個方面:微生物檢測、溯源檢測和摻假檢測。

2.2.1 微生物檢測 傳統(tǒng)的食品微生物檢驗步驟復雜、耗時費力，難以適應飛速發(fā)展的現(xiàn)代食品生產(chǎn)和流通需求。近年來國外學者開始嘗試利用近紅外光譜分析技術檢測食品中的微生物，從而預測食品的腐敗程度，這具有重要的科研價值與實際意義，果汁、酒類、蔬菜以及肉類等均有相關報道。Lin等［24］在600～1100nm短波近紅外區(qū)，利用PCA和PLS建立的數(shù)學模型可以較好地預測虹鱒魚的腐敗變質(zhì)情況:4℃下保藏的虹鱒魚魚肉側掃描，R=0.97，SEP= 0.38［lg(cfu/g)］;4℃下保藏的虹鱒魚魚皮側掃描，R=0.94，SEP=0.53［lg(cfu/g)］;21℃保藏的剁碎虹鱒魚魚肉掃描，R=0.82，SEP=0.82［lg(cfu/g)］。得出結論，近紅外法可以快速準確地對微生物進行定量分析，進而預測虹鱒魚的腐敗變質(zhì)情況。N B Tito等［25］也進行過類似的研究:用NIR法檢測大西洋鮭魚中的微生物菌落總數(shù)，定標集結果良好，但驗證集結果差強人意。Al－Qadiri等人［26］對巴氏消毒牛奶進行微生物菌落總數(shù)的檢測，R=0.99，預測標準誤差為0.34［lg(cfu/m L)］。表明NIR用于乳制品的微生物檢測是可行的。

2.2.2 溯源檢測 歐盟食品法規(guī)定:食品、飼料、供食品制造用的家畜，以及與食品、飼料制造相關的物品，在生產(chǎn)、加工、流通等各個階段必須建立食品信息可追溯系統(tǒng)。國內(nèi)食品行業(yè)溯源體系尚不完善，使得不法商販可以輕易地以假亂真、以次充好來仿冒名優(yōu)產(chǎn)品;同時消費者也一直關注高品質(zhì)食品的溯源問題［27］。為了保護地方名優(yōu)產(chǎn)品，在國內(nèi)建立快速準確的食品溯源體系意義重大。目前用于食品溯源的技術頗多，包括同位素指紋溯源技術、DNA溯源技術、近紅外光譜技術等。蔡先峰等人［28］利用近紅外光譜區(qū)分產(chǎn)于內(nèi)蒙古、陜西、河南三地的牛肉，作者認為牛肉的近紅外光譜特征與地域、飼料種類和飼養(yǎng)方式等因素密切相關。孫淑敏等人［29］較好地區(qū)分了五個產(chǎn)地的羊肉，采用PCA結合線性判別分析，其整體正確判別率為91.2%。張寧等人［30］也對羊肉進行了區(qū)分，其驗證集的正確判別率在80%以上。

2.2.3 摻假檢測 國內(nèi)有關食品摻假的報道日漸增多，摻假方式趨于多樣化、復雜化，且越來越不易檢測。Prieto等人［31］研究表明，利用近紅外光譜可以區(qū)分成年閹割牛肉(＞4歲齡)和小牛肉(＜14月齡)，研究認為其預測的結果可能與脂肪含量和含水量有關。Gayo等人［32］利用可見—近紅外光譜檢測大西洋藍蟹和遠海梭子蟹摻假情況，兩種蟹肉中加入由魚糜仿制的蟹肉。從掃描的譜圖可知，隨著仿制蟹肉的增加，水的特征吸收會有所下降，建模方法為PLS和PCA，SEP分別為0.252和0.244。王右軍等人［33］分別檢測了摻入水解植物蛋白粉(摻入量0.3～50g/kg)、乳清粉(0.03～30g/kg)和植脂末(0.03～30g/kg)的牛奶，對摻入水解植物蛋白粉的定量預測準確度較高，相關系數(shù)達到0.969，SEP為0.456g/kg，但是對后兩項的預測效果不佳，這可能是由于后兩項摻假物濃度過低所致。

3 近紅外光譜技術在動物源性食品檢測中的發(fā)展趨勢

近紅外光譜分析技術在動物源性食品檢測中的發(fā)展趨勢總結如下:該技術應用于食品營養(yǎng)成分的分析已經(jīng)較為成熟，其快速、無損、多指標同時檢測等優(yōu)點在未來會有進一步地發(fā)展;測定質(zhì)地均勻樣品的物理特性，該法可靠，可以較為全面地分析動物源性食品的質(zhì)構特性。而對于非均勻樣品，通常需進行必要的前處理，以獲得較好的模型;以單一的近紅外光譜檢測方法對動物源性食品進行感官評定，效果不佳。聯(lián)合多種檢測手段進行綜合評定，是未來研究的熱點;在對動物源性食品進行安全評價，特別是溯源和摻假方面，近紅外光譜法擁有一定的優(yōu)勢，將成為快速檢測的有效手段。

近紅外光譜分析技術目前已在農(nóng)產(chǎn)品、食品、化工產(chǎn)品、藥品等諸多行業(yè)中得到應用，并逐漸擴大其研究廣度和深度，相信這一技術在今后一段時間里必將擁有更加廣泛的發(fā)展空間。

［1］周宏琛，閆秋成，田曉林，等.動物源性食品安全快速檢測及酶聯(lián)免疫吸附方法的應用［J］.肉類研究，2006，3:29－32.

［2］李民贊.光譜分析技術及其應用［M］.北京:科學出版社，2006.

［3］Musleh Uddin，Emiko Okazaki，Hideto Fukushima，et al.Nondestructive determination of water and protein in surimi by near－infrared spectroscopy［J］.Food Chemistry，2006，96(3): 491－495.

［4］侯瑞鋒，黃嵐，王忠義，等.用近紅外漫反射光譜檢測肉品新鮮度的初步研究［J］.光譜學與光譜分析，2006，26(12): 2193－2196.

［5］Kawasaki M，Kawamura S，Tsukahara M，et al.Near－infrared spectroscopic sensing system for on－linemilk quality assessment in amilking robot［J］.Computers and Electronics in Agriculture，2008，63(1):22－27.

［6］Suthiluk，Phunsiri，Saranwong，et al.Possible of using near infrared spectroscopy for evaluation of bacterial contamination in shredded cabbage［J］.International Journal of Food＆Science Technology，2008，43(1):160－165.

［7］馮紅年，陳英斌，黎世文，等.在線近紅外光譜分析技術及應用［J］.控制工程，2010，17:96－99.

［8］陸婉珍.現(xiàn)代近紅外光譜分析技術［M］.第二版.北京:中國石化出版社，2007.

［9］劉建學.實用近紅外光譜分析技術［M］.北京:科學出版社，2008.

［10］高榮強，范世福，嚴衍祿，等.近紅外光譜的數(shù)據(jù)預處理研究［J］.光譜學與光譜分析，2004，24(12):1563－1565.

［11］尼珍，胡昌勤，馮芳.近紅外光譜分析中光譜預處理方法的作用及其發(fā)展［J］.藥物分析雜志，2008，28(5):824－829.

［12］褚小立，袁洪福，陸婉珍.近紅外分析中光譜預處理及波長選擇方法進展與應用［J］.化學進展，2004，16(4):528－542.

［13］郭婷婷，鄔文錦，蘇謙，等.近紅外玉米品種鑒別系統(tǒng)預處理和波長選擇方法［J］.農(nóng)業(yè)機械學報，2009，40:87－92.

［14］Zome?o C，Juste V，Hernández P.Application of NIRS for predicting fatty acids in intramuscular fat of rabbit［J］.Meat Science，2012，91(2):155－159.

［15］Viljoen M，Hoffman LC，Brand TS.Prediction of the chemical composition ofmutton with near infrared reflectance spectroscopy［J］.Small Ruminant Research，2007，69(1－3):88－94.

［16］Collell C，Gou P，Arnau J，et al.Non－destructive estimation ofmoisture，water activity and NaCl at ham surface during resting and drying using NIR spectroscopy［J］.Food Chemistry，2011，129 (2):601－607.

［17］王錫昌，陸燁，劉源.近紅外光譜技術快速無損測定狹鱈魚糜水分和蛋白質(zhì)含量［J］.食品科學，2010，31(16): 168－171.

［18］李曉云，王加華，黃亞偉，等.便攜式近紅外儀檢測牛奶中脂肪、蛋白質(zhì)及干物質(zhì)含量［J］.光譜學與光譜分析，2011，31(3):665－668.

［19］ElMasry G，Sun D－W，Allen P.Non－destructive determination of water－h(huán)olding capacity in fresh beef by using NIR hyperspectral imaging［J］.Food Research International，2011，44(9):2624－2633.

［20］羅陽，王錫昌，鄧德文.近紅外光譜分析檢測魚丸彈性的可行性研究［J］.食品科學，2008，29(8):530－533.

［21］Giunchi A，Berardinelli A，Ragni L，et al.Non－destructive freshness assessment of shell eggs using FT－NIR spectroscopy［J］.Journal of Food Engineering，2008，89(2):142－148.

［22］Andrés S，Murray I，Navajas EA，et al.Prediction of sensory characteristics of lamb meat samples by near infrared reflectance spectroscopy［J］.Meat Science，2007，76(3):509－516.

［23］González－Martín MI，Severiano－Pérez P，Revilla I，et al.Prediction of sensory attributes of cheese by near－infrared spectroscopy［J］.Food Chemistry，2011，127(1):256－263.

［24］Mengshi Lin MM，Murad Al－Holy，Anna.Rapid near infrared spectroscopic method for the detection of spoilage in rainbow trout (Oncorhynchusmykiss)fillet［J］.Journal of Food Science，2006，71(1):18－23.

［25］N B Tito，T Rodemann，S M Powell.Use of near infrared spectroscopy to predict microbial numbers on Atlantic salmon［J］.Food Microbiology，2012，32(2):431－436.

［26］Al－QadiriHM，Lin M，Al－Holy MA，etal.Monitoring quality loss of pasteurized skim milk using visible and short wavelength near－infrared spectroscopy and multivariate analysis［J］.Journal of Dairy Science，2008，91(3):950－958.

［27］Dion M A M Luykx，Saskia M van Ruth.An overview of analyticalmethods for determining the geographical origin of food products［J］.Food Chemistry，2008，107(2):897－911.

［28］蔡先峰，郭波莉，魏益民，等.牛肉近紅外光譜的地域及飼養(yǎng)期特征分析［J］.中國農(nóng)業(yè)科學，2011，44(20): 4272－4278.

［29］孫淑敏，郭波莉，魏益民，等.近紅外光譜指紋分析在羊肉產(chǎn)地溯源中的應用［J］.光譜學與光譜分析，2011，31(4): 937－941.

［30］張寧，張德權，李淑榮，等.近紅外光譜結合SIMCA法溯源羊肉產(chǎn)地的初步研究［J］.農(nóng)業(yè)工程學報，2008，24(12): 309－312.

［31］Prieto N，Andrés S，Giráldez FJ，etal.Ability of near infrared reflectance spectroscopy(NIRS)to estimate physical parameters of adult steers(oxen)and young cattle meat samples［J］.Meat Science，2008，79(4):692－699.

［32］Javier Gayo，SA Hale，Susan M Blanchard.Quantitative analysis and detection of adulteration in crab meat using visible and near－Infrared spectroscopy［J］.Food and Feed Chemistry，2006，54(4):1130－1136.

［33］王右軍，朱大洲，屠振華，等.CCD短波近紅外光譜快速檢測牛奶中摻假物質(zhì)的研究［J］.食品科學，2009，30(6): 135－138.