基于光譜技術(shù)的畜禽肉新鮮度評價方法研究進展

張凱華，臧明伍，王守偉，李 丹，張哲奇，喬曉玲

（中國肉類食品綜合研究中心，北京食品科學研究院，北京 100068）

?

基于光譜技術(shù)的畜禽肉新鮮度評價方法研究進展

張凱華，臧明伍*，王守偉，李 丹，張哲奇，喬曉玲

（中國肉類食品綜合研究中心，北京食品科學研究院，北京 100068）

摘 要：本文綜述了基于光譜學原理的近紅外光譜、高光譜成像技術(shù)、熒光光譜和拉曼光譜等無損檢測技術(shù)在冷卻畜禽肉新鮮度評價中的應(yīng)用研究進展，分析不同技術(shù)在評價畜禽肉新鮮度方面的優(yōu)劣，以期為國內(nèi)學者開展畜禽肉新鮮度無損檢測相關(guān)研究提供借鑒。

關(guān)鍵詞：光譜技術(shù)；冷卻肉；新鮮度；進展

張凱華, 臧明伍, 王守偉, 等. 基于光譜技術(shù)的畜禽肉新鮮度評價方法研究進展[J]. 肉類研究, 2016, 30(1): 30-35. DOI:10.15922/j.cnki.rlyj.2016.01.007. http://rlyj.cbpt.cnki.net.

ZHANG Kaihua, ZANG Mingwu, WANG Shouwei, et al. Progress on spectroscopic freshness evaluation of chilled meat[J]. Meat Research, 2016, 30(1): 30-35. (in Chinese with English abstract) DOI:10.15922/j.cnki.rlyj.2016.01.007. http://rlyj.cbpt.cnki.net.

肉類中蛋白質(zhì)、脂肪、礦物質(zhì)等營養(yǎng)物質(zhì)豐富，是人們?nèi)粘Ｉ攀持袆游锏鞍踪|(zhì)的重要獲取來源。冷卻肉是在良好操作規(guī)范和良好衛(wèi)生條件下，活畜經(jīng)宰前、宰后檢驗檢疫合格屠宰后，胴體經(jīng)冷卻處理，其后腿肌肉深層中心溫度在24 h內(nèi)降至0～4 ℃，在10～12 ℃的車間內(nèi)進行分割加工，并在后續(xù)的包裝、貯藏、流通和銷售過程中始終保持在0～4 ℃范圍內(nèi)的生鮮肉[1]，具有肉質(zhì)鮮嫩、營養(yǎng)價值高、安全衛(wèi)生等優(yōu)點。新鮮度作為冷卻肉品質(zhì)評價的重要指標，能夠綜合反映肉類營養(yǎng)性、安全性和嗜好性等特點。在冷卻肉逐漸成為消費主流的過程中，如何實現(xiàn)對冷卻肉新鮮度無損、快速、準確測定是不少研究學者關(guān)注的重點。

1　畜禽肉新鮮度評價指標概述

冷卻肉新鮮度的變化主要是由微生物引起的，初始菌相及貯藏流通條件差等因素使得微生物在肉表面生長繁殖，在微生物及內(nèi)外源酶的作用下，肉中蛋白質(zhì)、脂肪被分解成小分子代謝物，產(chǎn)生不良氣味，肉的pH值也隨之升高，顏色也發(fā)生變化，從而導致肉腐敗變質(zhì)，失去食用價值。畜禽肉新鮮度變化過程中，揮發(fā)性鹽基氮（total volatile basic nitrogen，TVB-N）、菌落總數(shù)（total viable counts，TVC）、pH值、硫代巴比妥酸值（2-thiobarbituric acid reactive substances，TBARs）、肉色（L*、a*和b*）、三磷酸腺苷（adenosine triphosphate，ATP）及代謝產(chǎn)物K值等指標都會發(fā)生不同程度的變化，都可以作為評價畜禽肉新鮮度變化的指標。

GB 2707—2005《鮮（凍）畜肉衛(wèi)生標準》規(guī)定生鮮畜肉TVB-N≤15 mg/100 g，基于TVB-N的新鮮度評價多以此為標準，但該指標與感官評價間存在一定差異[2]，郭培源等[3]利用自組織特征映射網(wǎng)絡(luò)（self-organizing feature map，SOM）對TVB-N值數(shù)據(jù)進行聚類分析，將豬肉新鮮度劃定為新鮮肉、中鮮肉、次鮮肉、中腐肉及腐敗肉，區(qū)間分別是[0，11.5）、[11.5，16.8）、[16.8，24.6）、[24.6，32.9）及＞32.9 mg/100g。NY/T 632—2002《冷卻豬肉》規(guī)定冷卻豬肉菌落總數(shù)≤106CFU/g，NY/T 633—2002《冷卻羊肉》規(guī)定冷卻羊肉菌落總數(shù)≤5×105CFU/g，研究中多以106CFU/g為肉不新鮮的判定依據(jù)。除菌落總數(shù)外，低溫嗜冷菌如假單胞菌、熱索絲菌、乳酸菌也是導致肉類腐敗的主要優(yōu)勢菌群[4]。

畜禽肉pH值變化與腐敗程度同樣存在相關(guān)性，一般認為尸僵階段pH值為5.2～6.2，成熟階段pH值為5.2～5.8，自溶階段pH值6.0左右，腐敗階段pH值≥6.9，胡耀華等[5]基于感官評價和聚類分析通過主成分分析、Ward距離法對室溫和冷藏溫度條件下肉品pH值進行分級細化，認為冷藏條件下新鮮肉pH值為5.51～5.65，次新鮮肉為5.66～5.87，變質(zhì)肉為5.91～6.22。

值得注意的是，肉新鮮程度的變化是一個復雜的過程，基于多指標的綜合評價能更全面、準確地評價冷卻肉新鮮度變化及等級劃分，張雷蕾[6]基于數(shù)據(jù)分析方法以及冷卻豬肉不同貯藏時間內(nèi)TVB-N、pH值、菌落總數(shù)、假單胞菌數(shù)（Presumptive Pseudomonas，PP）、L*指標變化規(guī)律，認為冷卻豬肉新鮮狀態(tài)的評價標準為L*＞49.0，pH≤5.5，TVB-N≤15 mg/100 g，TVC、PP≤6.0 lg（CFU/g），將新鮮度評價指標體系綜合化。

2　基于光譜技術(shù)的畜禽肉新鮮度評價應(yīng)用研究進展

基于新鮮度評價指標開展冷卻肉畜禽肉新鮮度的方法有感官評價、理化指標測定等，感官評價主觀性較強，需配備專業(yè)技術(shù)人員，以TVB-N、TBARs、pH值及微生物菌落數(shù)等理化指標的測定往往耗時長，且破環(huán)樣品。隨著新技術(shù)的不斷發(fā)展成熟，無損、快速、便捷的新鮮度評價方法逐漸受到研究者的關(guān)注，光譜學技術(shù)、計算機視覺技術(shù)、核磁共振技術(shù)等無損檢測技術(shù)紛紛成為國內(nèi)外學者評價畜禽肉新鮮度的重要技術(shù)手段，而光譜技術(shù)具有檢測速度快、非破壞性、無污染、可檢測多種化學成分含量及質(zhì)量特性指標、適于大規(guī)模產(chǎn)業(yè)化在線檢測和實時監(jiān)測等特點，在畜禽肉新鮮度評價方面應(yīng)用廣泛。

2.1可見-近紅外光譜技術(shù)

近紅外光是介于可見光區(qū)與中紅外區(qū)之間的電磁波（波長范圍為700～2 500 nm），能夠反映分子中單個化學鍵的基頻振動的倍頻和合頻吸收。近紅外光譜技術(shù)以快速、無損、可多組分同時分析的特點在肉品化學成分（如水分、蛋白質(zhì)、脂肪、脂肪酸組成、礦物質(zhì)）、品質(zhì)（肉色、蒸煮損失、剪切力、嫩度等）及肉類摻假快速檢測方面取得不少研究成果[7-13 ]。

基于近紅外光譜的冷卻肉新鮮度評價更多地是對TVB-N值、pH值的定量模型的構(gòu)建。Leroy等[14]首次借助近紅外光譜技術(shù)，測定肉品在1 200～1 300 nm的光譜譜圖，建立TVB-N預測模型，使基于近紅外光譜技術(shù)的肉品新鮮度快速無損檢測技術(shù)研究成為可能。國內(nèi)學者也紛紛借助近紅外光譜以TVB-N為指標預測肉品新鮮度，但研究以豬肉為主[15-16]。2012年，馬世榜等[17]以牛肉為研究對象，以多元散射校正（multiplicative scatter correction，MSC）+Savitzky-Golay（S-G）平滑預處理+支持向量機徑向基核函數(shù)（radial basis function，RBF）建立可見-近紅外（400～1 600 nm）光譜新鮮度分級定性判定模型，采用TVB-N≤15 mg/100 g為新鮮，TVB-N≥15 mg/100 g為不新鮮的分級標準，該模型的回判識別率和預測識別率分別為96.3%和100%。胡耀華[5]、廖宜濤[18]等也驗證了pH值在預測冷卻肉新鮮度的可行性。

微生物也是評價新鮮度的重要指標?；诮t外衰減全反射光譜技術(shù)，借助偏最小二乘（partial least squares，PLS）回歸法和遺傳算法、遺傳進化兩種算法可建立牛肉糜在室溫24 h內(nèi)的微生物腐敗模型[19]，Alexandrakis等[20]運用化學計量法和近紅外光譜檢測李斯特菌、熒光假單胞菌、惡臭假單胞菌、門多薩假單胞菌和大腸桿菌，成功區(qū)分新鮮和受污染的雞胸肉，為冷卻肉微生物預測模型研究提供思路。Argyri等[21]基于傅里葉變換紅外光譜技術(shù)，建立0、5、10、15、20 ℃牛肉腐敗變質(zhì)過程菌落總數(shù)的預測模型，該模型對牛肉樣品新鮮、次新鮮和腐敗變質(zhì)的判別準確率分別為91.7%、81.2%和94.1%。還有研究發(fā)現(xiàn)，基于傅里葉變換近紅外光譜建立冷卻肉表面細菌總數(shù)的預測模型，線性分析算法PLS法的預測效果要優(yōu)于非線性算法人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）[22]。

近紅外光譜還可實現(xiàn)對肉品多指標的同時測定和預測。Gra u等[23]基于短波近紅外（400～1 000 nm）光譜技術(shù)和偏最小二乘判別分析法（partial least squares discriminant analysis，PLSDA）建立的包裝切片雞胸肉需氧菌落數(shù)、K1值和TVB-N模型的預測系數(shù)較高。劉靜等[24]基于近紅外光譜技術(shù)和支持向量機（support vector machine，SVM）Linear核函數(shù)和RBF核函數(shù)模型，建立減壓貯藏豬肉TVB-N值、細菌總數(shù)、pH值及感官評價數(shù)據(jù)的預測模型，對新鮮、次新鮮和腐敗肉有較高的分類率。王麗等[25]采用傅里葉變換近紅外光譜技術(shù)建立恒溫（30 ℃）豬肉糜色澤（L*、a*和b*）、TVB-N、pH值的快速檢測方法，模型預測相關(guān)系數(shù)均在0.80以上，可見近紅外光譜可滿足豬肉新鮮度多指標的同時測定。楊勇等[26]采用變量標準化（standard normalized variate，SNV）處理光譜，利用PLS建立基于近紅外光譜的鵝肉TVB-N和pH值預測模型，模型R2分別為0.727和0.991，預測相關(guān)系數(shù)為0.976和0.705。借助近紅外光譜技術(shù)還可實現(xiàn)對冷卻肉貨架期的預測。Sinelli等[27]基于傅里葉近紅外光譜技術(shù)，對比近紅外（800～2 800 nm）和中紅外（2 500～14 000 nm）下高氧氣調(diào)（30% CO2/70%O2）包裝切片牛肉鮮度變化的預測準確性，研究發(fā)現(xiàn)兩種模式均可實現(xiàn)包裝牛肉貨架期的預測，且結(jié)果相近，不同溫度下包裝切片牛肉的貨架期分別為6～7 d（4.3 ℃）、2～3 d（8.41℃）和不足1 d（15.5℃）。

基于近紅外光譜技術(shù)來評價畜禽肉新鮮度的方法不斷成熟，但受單點檢測的限制，無法實現(xiàn)畜禽肉內(nèi)外品質(zhì)的同時檢測，且檢測中易受到采樣等局部因素的影響，在全面綜合評價新鮮度方面仍有局限。

2.2高光譜成像技術(shù)

高光譜成像技術(shù)興起于20世紀80年代，它集合光學、光電子學、電子學、信息處理、計算機科學等先進技術(shù)，具有連續(xù)多波段、光譜分辨率高和圖像光譜合一等特點，能夠獲取樣品的空間信息、光譜信息和輻射信息，在畜產(chǎn)品品質(zhì)無損快速檢測方面更具優(yōu)勢。國內(nèi)外學者利用高光譜成像技術(shù)在肉品營養(yǎng)指標[28-29]、嫩度[30-32]、大理石花紋[33-34]、顏色[35]、品質(zhì)分級[36-38]、持水能力[39]、不同部位肉區(qū)分[40]快速無損檢測方面取得不少成果。其中，Barbin等[29]基于近紅外（900～1700 nm）高光譜成像技術(shù)建立不同凍融循環(huán)下生鮮肉顏色、凍融損失的PLSDA預測模型，可實現(xiàn)對預測集100%的凍肉與鮮肉的區(qū)分。Xie等[38]獲取4 種凍結(jié)方式下，即液氮凍結(jié)、沉浸凍結(jié)、鼓風凍結(jié)和家用冰箱凍結(jié)下豬肉高光譜信息，建立PLS模型，發(fā)現(xiàn)蒸煮損失、滴水損失、L*、a*和b*預測情況較好，預測系數(shù)分別為0.845、0.762、0.907、0.716和0.814、，可實現(xiàn)不同凍結(jié)方式下凍肉的區(qū)分。

冷卻肉新鮮度變化是一個復雜的過程，高光譜成像技術(shù)可以獲取冷卻肉新鮮度變化及腐敗變質(zhì)過程多方面的信息，包括表征樣品外部特征的物理信息（如肉色、紋理特征）和表征內(nèi)部組分的化學特性（如嫩度、TVB-N、pH值、菌落總數(shù)等），從而提高新鮮度預測的準確性。目前，基于高光譜成像技術(shù)的冷卻肉新鮮度評價指標多為TVB-N和微生物變化。在TVB-N方面，Wang 等[41]借助聲光可調(diào)濾波器和可見-近紅外光譜成像技術(shù)測定宰后3～13 d的豬肉的圖譜信息，通過識別有效檢測興奮區(qū)域、去除脂肪干擾，采用留一法（leave-one-out，LOO）交互驗證發(fā)現(xiàn)TVB-N模型預測均方根誤差和確定系數(shù)分別是1.91 mg/kg和0.89。在微生物變化方面，高光譜成像技術(shù)要優(yōu)于近紅外光譜技術(shù)。國內(nèi)Peng等[42]基于高光譜空間散射成像技術(shù)，結(jié)合洛倫茲分布函數(shù)優(yōu)選特征波長建立牛肉腐敗細菌和豬肉菌落總數(shù)的多元線性回歸預測模型，最佳決定系數(shù)為0.95，標準誤差為0.30，為基于微生物指標的冷卻肉新鮮度評價奠定基礎(chǔ)。

除TVB-N、菌落總數(shù)和嗜冷菌落數(shù)外，TBARs也是重要的評價指標。Xiong等[43]在400～1 000 nm波長下，用高光譜成像技術(shù)快速測定雞肉4℃冷藏條件下0～9 d內(nèi)丙二醛（TBARs產(chǎn)物）含量，用成像數(shù)據(jù)和測定值基于PLSR進行建模，模型預測回歸系數(shù)Rp為0.944，用連續(xù)投影算法（successive projections algorithm，SPA）優(yōu)選10個波長，基于SPA-PLSR模型推演出雞肉樣品新鮮度變換的可視化圖像信息，模型系數(shù)分別是0.801和0.157。

與近紅外光譜不同，高光譜成像中非線性算法的預測效果更佳，尤其是反向傳播自適應(yīng)提升（back propagation-AdaBoost，BP-AdaBoost）算法模型。Huang 等[44]以1 280、1 440、1 660 nm為特征波段，用灰度共生矩陣來提取光譜圖像數(shù)據(jù)預測TVB-N，發(fā)現(xiàn)BP-AdaBoost預測模型要優(yōu)于PLS和誤差反向傳播人工神經(jīng)網(wǎng)絡(luò)（back propagation artificial neutral network，BPANN），均方根誤差是6.943 9 mg/100 g，校正系數(shù)是0.832 5。Li等[45]基于高光譜成像、氣敏比色傳感器和非線性數(shù)據(jù)融合技術(shù)建立生鮮豬肉TVB-N無損檢測模型，BP-AdaBoost模型較主成分分析-BPANN（principle component analysis-BPANN，PCA-BPANN）模型預測效果更佳。

最初，高光譜成像技術(shù)的應(yīng)用僅是提取光譜信息對表征新鮮度的理化指標進行預測，未充分應(yīng)用高光譜“圖譜合一”的特點。Barbin等[46-47]利用高光譜成像技術(shù)建立可視化圖像信息，應(yīng)用900～1 000 nm高光譜成像系統(tǒng)建立細菌總數(shù)模型和嗜冷菌平板計數(shù)PLSR模型的同時，還通過特征波長選取推演出不同貯藏時間內(nèi)肉的可視化圖像信息[48]。國內(nèi)趙杰文等[49]基于高光譜成像技術(shù)預測TVB-N時，僅篩選不同波長下的特征圖像，尚未建立不同樣本的可視化圖像信息。

2.3熒光光譜技術(shù)

熒光是一種光致發(fā)光現(xiàn)象，指一種物質(zhì)在經(jīng)一定波長的入射光照射后，發(fā)出較入射光波長更長的出射光[50]。熒光光譜技術(shù)便是基于該原理發(fā)展起來的，常規(guī)熒光光譜技術(shù)、前表面熒光劑技術(shù)、同步熒光光譜技術(shù)、三維熒光光譜技術(shù)不斷應(yīng)用到食品品質(zhì)評價中。目前，我國熒光光譜技術(shù)多用于白酒產(chǎn)地溯源、農(nóng)獸藥殘留檢測及煎炸食用油、地溝油等品質(zhì)鑒別，在肉品新鮮度評價方面的研究剛剛起步。

由于冷卻肉腐敗變質(zhì)過程中發(fā)生的脂質(zhì)氧化、蛋白質(zhì)水解及ATP水解等都會產(chǎn)生具有熒光特性的物質(zhì)。原卟啉和鋅原卟啉是脂質(zhì)氧化過程中熒光產(chǎn)物的主要發(fā)光成分，激發(fā)熒光的波長分布和熒光強度可以實現(xiàn)高氧氣調(diào)包裝火雞肉糜和真空包裝豬肉糜存放時間的預測[51]，為基于熒光光譜的冷卻肉新鮮度評價提供思路。國內(nèi)學者汪希偉等[52]開發(fā)基于紫外熒光成像原理的包裝鮮豬肉在貯藏過程中脂質(zhì)氧化熒光代謝產(chǎn)物，以背膘與肉皮中熒光區(qū)域面積占比作為新鮮度的評價指標，發(fā)現(xiàn)該指標與貯藏時間復合指數(shù)函數(shù)模型，確定系數(shù)為0.933 6，均方根誤差為5.186。熒光光譜技術(shù)在微生物預測中也有很好的應(yīng)用，借助表面熒光光譜結(jié)合化學計量學方法可以實現(xiàn)對雞肉切片表面菌落總數(shù)、假單胞菌、大腸桿菌和熱殺索絲菌的預測，相關(guān)性為0.99[53]。Ait-Kaddour等[54]借助便攜式熒光光譜結(jié)合PLSR建立牛肉糜表面總菌落數(shù)、假單胞菌、乳酸菌和霉菌生長模型，相關(guān)系數(shù)在0.50～0.99。一系列研究表明通過熒光光譜技術(shù)以微生物為技術(shù)指標評價肉品新鮮度是可行的。

肉腐敗變質(zhì)過程中產(chǎn)生的色氨酸、還原型輔酶Ⅰ（NADH）和還原型輔酶Ⅱ（NADPH）同樣具有熒光特性，不少學者基于色氨酸和NADH的熒光強度變化來評價肉的新鮮度。Oto等[55]應(yīng)用激發(fā)-發(fā)射熒光光譜技術(shù)測定肉腐敗變質(zhì)過程中因色氨酸和NADPH引發(fā)的熒光強度變化，基于偏最小二乘回歸法建立在15 ℃條件下豬肉表面3 d內(nèi)ATP含量和菌落總數(shù)與熒光強度的預測模型，ATP含量和菌落總數(shù)校正系數(shù)分別為0.97和0.94，預測系數(shù)分別為0.84和0.88。利用色氨酸和ATP代謝產(chǎn)物K值的熒光特性，基于表面熒光光譜技術(shù)和激發(fā)發(fā)射熒光光譜技術(shù)也可以實現(xiàn)對水產(chǎn)品新鮮度的準確預測[56-57]。

2.4拉曼光譜技術(shù)

拉曼光譜技術(shù)是基于拉曼散射效應(yīng)發(fā)展起來的光譜分析技術(shù)，可以表征分子振動或轉(zhuǎn)動信息。目前已形成傅里葉拉曼光譜、表面增強拉曼光譜、激光共振拉曼光譜和顯微共焦拉曼光譜等多種分析手段，在食品品質(zhì)評價及質(zhì)量安全檢測方面應(yīng)用廣泛。拉曼光譜在評定肉類質(zhì)量方面具有直接、無損、樣品用量少等優(yōu)點，可用于肉類鑒別、肌肉品質(zhì)測定[58-59]，在肉品新鮮度評價方面的研究多集中在微生物菌落數(shù)的預測[60-61]。Argyri等[62]對比傅里葉變換近紅外光譜和拉曼光譜在預測牛肉糜6 d內(nèi)微生物和感官評價的變化時，發(fā)現(xiàn)拉曼光譜在預測TVC、乳酸菌和腸桿菌數(shù)要優(yōu)于近紅外光譜，近紅外光譜遺傳算法-遺傳程序（genetic algorithm- genetic programming，GA-GP）對感官評價的預測效果最好，拉曼光譜GA-ANN模型效果較好。可見，拉曼光譜用于評價畜禽肉新鮮度是可行的。

3　結(jié) 語

3

基于光譜技術(shù)的近紅外光譜、高光譜成像、熒光光譜和拉曼光譜在畜禽肉新鮮度檢測方面應(yīng)用廣泛，體現(xiàn)出極佳的應(yīng)用價值?；诠庾V技術(shù)的無損檢測手段正從單一參數(shù)檢測向多參數(shù)同時檢測、從外部品質(zhì)檢測向內(nèi)外部品質(zhì)同時檢測、從靜態(tài)檢測向動態(tài)檢測方向發(fā)展，因此，利用多元信息開展畜禽肉新鮮度的綜合評價，實現(xiàn)其快速、無損、準確檢測是必然趨勢。當前，基于光學技術(shù)的畜禽肉新鮮度評價仍以近紅外光譜技術(shù)為主，高光譜成像技術(shù)以其融合近紅外光譜信息和計算機視覺的圖像信息雙重信息的優(yōu)點，必將在新鮮度評價方面實現(xiàn)更多應(yīng)用，而熒光光譜和拉曼光譜隨著技術(shù)的進步也將不斷擴大其應(yīng)用范圍。目前，畜禽肉新鮮度快速檢測研究多以豬肉為主，雞肉、牛羊肉研究還相對較少，隨著雞肉、牛羊肉消費比重的不斷攀升，基于快速、無損、精準的雞肉、牛羊肉新鮮度評價也將會成為研究重點。另外，應(yīng)加快適合我國的畜禽肉新鮮度快速、在線檢測裝備的研發(fā)，通過不斷強化過程控制和在線檢測來提升冷卻肉品質(zhì)，推動我國冷卻肉的市場份額的不斷壯大。

參考文獻：

[1] 中華人民共和國農(nóng)業(yè)部. NY/T 1565—2007 冷卻肉加工技術(shù)規(guī)范[S].北京: 中國農(nóng)業(yè)出版社, 2007.

[2] 林亞青, 房子舒. 豬肉新鮮度檢驗方法綜述[J]. 肉類研究, 2011, 25(5): 62-65.

[3] 郭培源, 林巖, 付妍, 等. 基于近紅外光譜技術(shù)的豬肉新鮮度等級研究[J]. 激光與光電子學進展, 2013, 50(3): 1-7. DOI:10.3788/ LOP50.033002.

[4] 黃林, 陳全勝, 張燕華, 等. 冷卻豬肉優(yōu)勢腐敗菌分離鑒定及致腐能力測定[J]. 食品科學, 2013, 34(1): 205-209.

[5] 胡耀華, 熊來怡, 劉聰, 等. 基于近紅外光譜的生鮮豬肉pH檢測及其品質(zhì)安全判別[J]. 中國農(nóng)業(yè)大學學報, 2012, 17(3): 121-126.

[6] 張雷蕾. 冷卻肉微生物污染及食用安全的光學無損評定研究[D]. 北京: 中國農(nóng)業(yè)大學, 2015.

[7] GJERLAUG-ENGER E, KONGSRO J, AASS L, et al. Prediction of fat quality in pig carcasses by near-infrared spectroscopy[J]. Animal, 2011, 5(1): 1829-1841.

[8] de MARCHI M, RIOVANTO R, PENASA M, et al . At-line prediction of fatty acid profile in chicken breast using near infrared reflectance spectroscopy[J]. Meat Science, 2012, 90(3):653-657.

[9] de MARCHI M. On-line prediction of beef quality traits using near infrared spectroscopy[J]. Meat Science, 2013, 94(4): 455-460.

[10] 鄒昊, 田寒友, 劉文營, 等. 應(yīng)用便攜式近紅外儀檢測生鮮羊通脊肉的嫩度[J]. 肉類研究, 2014, 28(10): 15-19.

[11] 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.

[12] 王文秀, 彭彥昆. 基于近紅外光譜的冷鮮肉-解凍肉的判別研究[J].食品安全質(zhì)量檢測學報, 2014, 5(3): 754-760.

[13] MONROY M, PRASHER S, NGADI M O, et al. Pork meat quality classification using visible/near-infrared spectroscopic data[J]. Biosystems Engineering, 2010, 107(3): 271-276.

[14] LEROY B, LAMBOTTE S, DOTREPPE O, et al. Prediction of technological and organoleptic properties of beef longissimus thoracis from near-infrared reflectance and transmission spectra[J]. Meat Science, 2003, 66(1): 45-54.

[15] 侯瑞峰, 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.

[16] 蔡健榮, 萬新民, 陳全勝. 近紅外光譜法快速檢測豬肉中揮發(fā)性鹽基氮的含量[J]. 光學學報, 2009, 29(10): 2808-2812. DOI:10.3788/ AOS20092910.2808.

[17] 馬世榜, 徐揚, 彭延昆, 等. 基于光譜技術(shù)的支持向量機判別牛肉新鮮度[J]. 食品安全質(zhì)量檢測學報, 2012, 3(6): 630-607.

[18] 廖宜濤, 樊玉霞, 伍學千, 等. 豬肉pH值的可見近紅外光譜在線檢測研究[J]. 光譜學與光譜分析, 2010(3): 681-684. DOI:10.3964/j. issn. 1000-0593(2010)03-0681-04.

[19] ELLIS D I, BROADHURST D, GOODACRE R . Rapid and quantitative detection of the microbial spoilage of beef by Fourier transform infrared spectroscopy and machine learning[J]. An International Journal Devoted All Branches of Analytic Chemistry, 2004, 514(2): 193-201.

[20] ALEXANDRAKIS D, DOWNEYG, SCANNELL A G M, et al. Detection and identification of selected bacteria, inoculated on chicken breast, using near infrared spectroscopy and chemometrics[J]. Sensing and Instrumentation for Food Quality and Safety, 2011, 5(2): 57-62.

[21] ARGYRI A A, PANAGOU E Z, TARANTILIS P A, et a1. Rapid qualitative and quantitative detection of beef fillets spoilage based on Fourier transform infrared spectroscopy data and artificial neural networks[J]. Sensors and Actuators B: Chemical, 2010, 145(1): 146-154.

[22] PANAGOU E Z, MOHAREB F R, ARGYRI A A, et al. A comparison of artificial neural networks and partial least squares modelling for the rapid detection of the microbial spoilage of beef fillets based on Fourier transform infrared spectral fingerprints[J]. Food Microbiology, 2011, 28(4): 782-790.

[23] GRAU R, SANCHEZ A J, GIRON J, et al. Nondestructive assessment of freshness in packaged sliced chicken breasts using SW-NIR spectroscopy[J]. Food Research International, 2011, 44(1): 331-337.

[24] 劉靜, 管驍. 基于SVM方法的豬肉新鮮度分類問題研究[J]. 食品與發(fā)酵工業(yè), 2011, 37(4): 221-225.

[25] 王麗, 劉兆豐, 勵建榮. 近紅外光譜技術(shù)快速檢測豬肉新鮮度指標的方法研究[J]. 中國食品學報, 2012, 12(6): 159-163.

[26] 楊勇, 王殿友, 楊慶余, 等. 近紅外光譜技術(shù)快速測定鵝肉新鮮度[J].食品科學, 2014, 35(24): 239-242. DOI:10.7506/spkx1002-6630-201424046.

[27] SINELLI N, LIMBO S, TORRI L, et al. Evaluation of freshness decay of minced beef stored in high-oxygen modified atmosphere packaged at different temperature using NIR and MIR spectroscopy[J]. Meat Science, 2010, 86(3): 748-752.

[28] KAMRUZZAMAN M, EIMASRY G, SUN D W, et al. Prediction of some quality attributes of lamb meat using near-infrared hyperspectral imaging and multivariate analysis[J]. An International Journal Devoted All Branches of Analytic Chemistry, 2012, 714: 57-67.

[29] BARBIN D F, SUN D W, SU C. NIR hyperspectral imaging as nondestructive evaluation tool for the recognition of fresh and frozen–thawed porcine longissimus dorsi muscles[J]. Innovative Food Science and Emerging Technologies, 2013, 18: 226-236.

[30] NAGANATHAN G K, GRIMES L M, SUBBIAH J, et al. Visible/ near-infrared hyperspectral imaging for beef tenderness prediction[J]. Computer Electron Agriculture, 2008, 64(2): 225-233.

[31] 吳建虎, 彭彥昆, 江發(fā)潮, 等. 牛肉嫩度的高光譜法檢測技術(shù)研究[J].農(nóng)業(yè)機械學報, 2009, 40(12): 135-138.

[32] WU J H, PENG Y K, LI H Y, et al. Prediction of beef quality attributes using VIS/NIR hyperspectral scattering imaging technique[J]. Journal of Food Engineering, 2012, 109(2): 267-273.

[33] QIAO J, NGADI M O, WANG N, et al. Pork quality and marbling level assessment using a hyperspectral imaging system[J]. Journal of Food Engineering, 2007, 83(1): 10-16.

[34] 高曉東, 吳建虎, 彭彥昆, 等. 基于高光譜成像技術(shù)的牛肉大理石花紋的評估[J]. 農(nóng)產(chǎn)品加工(學刊), 2009(10): 33-37.

[35] EIMASRY G, SUN D W, ALLEN P. Near-infrared hyperspectral imaging for predicting colour, pH and tenderness of fresh beef[J]. Journal of Food Engineering, 2012, 110: 127-140.

[36] BARBIN D F, EIMASRY G, SUN D W, et al. Near-infrared hyperspectral imaging for grading and classification of pork[J]. Meat Science, 2012, 90(1): 259-268.

[37] 吳建虎, 彭彥昆, 陳菁菁, 等. 基于高光譜散射特征的牛肉品質(zhì)參數(shù)的預測研究[J]. 光譜學與光譜分析, 2010, 30(7): 1815-1819.

[38] XIE A G, SUN D W, XU Z Y, et al. Rapid detection of frozen pork quality without thawing by vis. NIR hyperspectral imaging technique[J]. Talanta, 2015, 139: 208-215.

[39] EIMASRY G, SUN D W, ALLEN P, et al. Nondestructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging[J]. Food Research International, 2011, 44: 2624-2633.

[40] KAMRUZZAMAN M, EIMASRY G, SUN D W, et al. Application of NIR hyperspectral imaging for discrimination of lamb muscles[J]. Journal of Food Engineering, 2011, 104(3): 332-340.

[41] WANG X W, ZHAO M Z, JU R H, et al. Visualizing quantitatively the freshness of intact fresh pork using acousto-optical tunable filter-based visible/near-infrared spectral imagery[J]. Computer and Electronics in Agriculture, 2013, 99: 41-53.

[42] PENG Y K, JING Z J, WANG W, et al. Potential prediction of the microbial spoilage of beef using spatially resolved hyperspectral scattering profiles[J]. Journal of Food Engineering, 2011, 102(2): 163-169.

[43] XIONG Z J, SUN D W, PU H B, et al. Non-destructive prediction of thiobarbituric acid reactive substances(TBARS) value for freshness evaluation of chicken meat using hyperspectral imaging[J]. Food Chemistry, 2015, 179: 175-181.

[44] HUANG Q P, CHEN Q S, LI H H, et al. Non-destructively sensing pork’s freshness indicator using near infrared multispectral imaging technique[J]. Journal of Food Engineering, 2015, 154: 69-75.

[45] LI H H, CHEN Q S, ZHAO J W, et al. Nondestructive detection of total volatile basic nitrogen (TVB-N) content in pork meat by integrating hyperspectral imaging and colorimetric sensor combined with a nonlinear data fusion[J]. LWT-Food Science and Technology, 2015, 63(1): 268-274.

[46] BARBIN D F, EIMASRY G, SUN D W, et al. Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging[J]. Food Chemistry, 2013, 138: 1162-1171.

[47] BARBIN D F, EIMASRY G, SUN D W, et al. Predicting quality and sensory attributes of pork using near-infrared hyperspectral imaging[J]. An International Journal Devoted All Branches of Analytic Chemistry, 2012, 719: 30-42.

[48] BARBIN D F, EIMASRY G, SUN D W, et al. Non-destructive assessment of microbial contamination in porcine meat using NIR hyperspectral imaging[J]. Innovative Food Science and Emerging Technologies, 2013, 17: 180-191.

[49] 趙杰文, 惠喆, 黃林, 等. 高光譜成像技術(shù)檢測雞肉中揮發(fā)性鹽基氮含量[J]. 激光與光電子學進展, 2013, 50(7): 158-164. DOI:10.3788/ LOP50.073003.

[50] KAROUI R, BLECKER C. Fluorescence spectroscopy measurement for quality assessment of food system: a review[J]. Food and Bioprocess Technology, 2011, 4: 364-386.

[51] VEBERG A, S?RHEIM O, MOAN J, et al. Measurement of lipid oxidation and prophyrins in high oxygen modified atmosphere and vacuum-packed minced turkey and pork meat by fluorescence spectra and images[J]. Meat Science, 2006, 73(3): 511-520.

[52] 汪希偉, 趙茂程, 居榮華, 等. 基于紫外熒光成像對包裝鮮豬肉存儲時間預測研究[J]. 包裝與食品機械, 2011, 29(6): 5-8. DOI:10.3969/j. issn. 1005-1295.2011.06.002.

[53] SAHAR A, BOUBELLOUTA T, DUFOUR E. Synchronous frontface fluorescence spectroscopy as a promising tool for the rapid determination of spoilage bacteria on chicken breast fillet[J]. Food Research International, 2011, 44: 471-480.

[54] AIT-KADDOUR A, BOUBELLOUTA T, CHEVALLIER I. Development of a portable spectrofl uorimeter for measuring the microbial spoilage of minced beef[J]. Meat Science, 2011, 88(4): 675-681.

[55] OTO N, OSHITA S, MAKINO Y, et al. Non-destructive evaluation of ATP content and plate count on pork meat surface by fl uorescencespectroscopy[J]. Meat Science, 2013, 93(3): 579-585.

[56] HASSOUN A, KAROUI E. Front-face fluorescence spectroscopy coupled with chemometric tools for monitoring fish freshness stored under different refrigerated conditions[J]. Food Control, 2015, 54: 240-249.

[57] EIMASRY G, NAGAI H, MORIA K, et al. Freshness estimation of intact frozen fish using fluorescence spectroscopy and chemometrics of excitation-emission matrix[J]. Talanta, 2015, 143: 145-156.

[58] HERRERO A M. Raman spectroscopy a promising technique for quality assessment of meat and fi sh: areview[J]. Food Chemistry, 2008, 107(4): 1642-1651.

[59] HERRERO A M. Raman spectroscopy for monitoring protein structure in muscle food system[J]. Critical Reviews in Food Science and Nutrition, 2008, 48: 512-523.

[60] SOWOIDNICH K, SCHMIDT H, MAIWALD M, et al. Application of diode-laser Raman spectroscopy for in situ investigation of meat spoilage[J]. Food Bioprocess Technology, 2010, 3: 878-882.

[61] SCHMIDT H, SOWOIDNICH K, KRONFELDT H D. A prototype hand-held ramansensor for the in situ characterization of meat quality[J]. Applied Spectroscopy, 2010, 64(8): 888-894 .

[62] ARGYRI A A, JARVIS R M, WEDGE D, et al. A comparison of Raman and FT-IR spectroscopy for the prediction of meat spoilage[J]. Food Control, 2013, 29(3): 461-470.

Progress on Spectroscopic Freshness Evaluation of Chilled Meat

ZHANG Kaihua, ZANG Mingwu*, WANG Shouwei, LI Dan, ZHANG Zheqi, QIAO Xiaoling
(Beijing Academy of Food Sciences, China Meat Research Center, Beijing 100068, China)

Abstract:This paper summarizes recent progress in the application of non-destructive detection techniques such as infrared spectroscopy, hyperspectral imaging, fluorescence spectroscopy and Raman spectroscopy to evaluate the freshness of chilled meat. The advantages and disadvantages of these techniques are analyzed, aiming to provide references for future studies in this field.

Key words:spectroscopic technique; chilled meat; freshness; progress

DOI:10.15922/j.cnki.rlyj.2016.01.007

中圖分類號：TS251.51

文獻標志碼：A

文章編號：1001-8123（2016）01-0030-06

*通信作者：臧明伍（1981—），男，高級工程師，碩士，研究方向為肉品科學與食品安全。E-mail：cmrcfood@126.com

作者簡介：張凱華（1990—），女，碩士，研究方向為食品科學和食品安全。E-mail：zhkh.happy@163.com

基金項目：“十二五”國家科技支撐計劃項目（2014BAD04B05）；公益性行業(yè)（農(nóng)業(yè)）科研專項（201303082）

收稿時間：2015-07-19

引文格式：