基于近紅外光譜儀分析中式爆炒豬肉的水分含量

摘 要：應(yīng)用傅里葉變換近紅外光譜技術(shù)建立中式傳統(tǒng)爆炒豬肉片水分含量預(yù)測模型，達(dá)到快速無損檢測的目的。通過直接干燥法測定100 組爆炒豬肉片樣品的水分含量，并掃描得到其近紅外光譜圖。采用偏最小二乘法并通過二階微分結(jié)合卷積平滑算法對光譜進(jìn)行預(yù)處理，通過拐點(diǎn)法、馬氏距離法、杠桿值、學(xué)生殘差法與內(nèi)部交互驗(yàn)證均方根法進(jìn)一步剔除異常樣本，優(yōu)化光譜模型。結(jié)果表明：所構(gòu)建的中式爆炒肉片水分含量近紅外光譜預(yù)測模型的校正均方差值為0.089 1，相關(guān)系數(shù)為0.972 1；且將預(yù)測值與真實(shí)值進(jìn)行比較發(fā)現(xiàn)，預(yù)測結(jié)果正確率大于

98.7%（P<0.05），表明本研究建立的用于檢測中式爆炒肉片水分含量的近紅外光譜預(yù)測模型效果良好，能夠快速檢測并準(zhǔn)確預(yù)測中式爆炒肉片的水分含量，具有一定的應(yīng)用價值。

關(guān)鍵詞：近紅外光譜；中式爆炒豬肉；水分含量；無損檢測

Detection of Water Content of Chinese Stir-Fired Pork by Near Infrared Spectroscopy

ZHAO Juyang， SHI Changbo*， FANG Weijia

（College of Tourism and Cuisine， Harbin University of Commerce， Harbin 150076， China）

Abstract： In the study， a nondestructive and rapid method for detecting the water content of Chinese stir-fired pork was established by near infrared reflectance spectroscopy. The moisture contents of 100 groups of stir-fired pork samples were determined by direct drying method and near infrared spectra of the samples were acquired. The original spectra were pretreated by second derivative and Savitzky-Golay smoothing in order to perform a partial least squares regression. Then inflection point， Mahalanobis distance， root mean square error of cross-validation and studentized residual were used to eliminate the outliers in order to establish a calibration model. The results showed that the proposed predictive model had a high correlation coefficient （r = 0.972 1） with a root mean squared error of calibration of 0.089 1. Furthermore， the prediction accuracy was greater than 98.7% （P < 0.05） when compared with the true value indicating the model established in this study has a good predictive performance. The results showed that the model allows accurate prediction of water content and has the potential for use in Chinese stir-fired pork processing and food industry.

Keywords： near infrared reflectance spectroscopy； Chinese stir-fired pork； moisture content； nondestructive detection

DOI：10.7506/rlyj1001-8123-201807008

中圖分類號：TS207.3 文獻(xiàn)標(biāo)志碼：A 文章編號：1001-8123（2018）07-0042-07

引文格式：

趙鉅陽， 石長波， 方偉佳. 基于近紅外光譜儀分析中式爆炒豬肉的水分含量[J]. 肉類研究， 2018， 32（7）： 42-48. DOI：10.7506/rlyj1001-8123-201807008. http：//www.rlyj.pub

ZHAO Juyang， SHI Changbo， FANG Weijia. Detection of water content of chinese stir-fired pork by near infrared spectroscopy[J]. Meat Research， 2018， 32（7）： 42-48. DOI：10.7506/rlyj1001-8123-201807008. http：//www.rlyj.pub

爆炒是中國傳統(tǒng)典型烹飪工藝之一，爆炒主要通過熱對流、熱傳導(dǎo)和熱輻射的方式進(jìn)行[1]，由于烹飪溫度高、時間短、過程激烈，因而在爆炒過程中，食品顆粒表面溫度會迅速升高，但食品顆粒中心點(diǎn)達(dá)到成熟時，水分還未來得及向食品表面流動和擴(kuò)散，整個爆炒過程已經(jīng)完成，因而爆炒的菜肴脆嫩爽口[2]。然而，傳統(tǒng)的爆炒方法往往由于廚師的經(jīng)驗(yàn)性人為操作而造成炒制時間過度，進(jìn)而影響肉品的多汁性、嫩度和口感[3]，因此急需對中式烹飪?nèi)忸惒穗鹊钠焚|(zhì)進(jìn)行測定。

肉制品的水分含量是評價肉制品品質(zhì)的重要指標(biāo)，水分含量的多少和水在肉品中的存在形式直接關(guān)系到肉品的多汁性、嫩度、口感、風(fēng)味和色澤等食用品質(zhì)[4]，決定肉品的質(zhì)量和貨架期，是肉品加工貯藏中的重要衛(wèi)生、營養(yǎng)指標(biāo)[5]。肉制品水分檢測的傳統(tǒng)方法一般是采用國家標(biāo)準(zhǔn)GB 5009.3—2010《食品安全國家標(biāo)準(zhǔn) 食品中水分的測定》[6]中的直接干燥法，但這種方法對樣品存在一定的破壞性，測定過程易受干燥器密封性和樣品冷卻時間等外界環(huán)境因素的影響，而且耗時耗力、操作繁瑣且效率低下，檢測時間多長達(dá)7～8 h[7]。

近紅外光譜分析技術(shù)是近年來高速發(fā)展的一種用于實(shí)現(xiàn)肉類標(biāo)準(zhǔn)化的先進(jìn)技術(shù)[8]，具有分析速度快、成本低、對樣品無破壞性、可以實(shí)現(xiàn)在線分析等諸多優(yōu)點(diǎn)[9]。如果將近紅外光譜分析技術(shù)應(yīng)用于肉類的檢測，則可通過掃描未知樣品的近紅外光譜圖，再套用所建立的具體科學(xué)模型，即可得到其水分含量值，操作過程簡便、短時、安全、無污染且對肉質(zhì)無損傷，進(jìn)而能夠節(jié)省大量的人力、物力和時間[10]，這對于推動中餐標(biāo)準(zhǔn)化進(jìn)程，實(shí)現(xiàn)食品的工業(yè)化有著關(guān)鍵的意義。

目前，關(guān)于近紅外光譜技術(shù)在肉制品領(lǐng)域的應(yīng)用研究，國內(nèi)外學(xué)者取得了一定的研究成果，但大多是利用近紅外光譜分析生肉制品的營養(yǎng)成分，例如，研究發(fā)現(xiàn)近紅外光譜可以實(shí)現(xiàn)對脂肪[11]、蛋白質(zhì)[12]、水分[13]、鹽含量[14]、氨基酸[15]和肌肉內(nèi)脂肪酸組成[16]等組分的定量分析，此外，近紅外光譜還可以對生肉的物理特性，包括pH值、顏色特性、系水力和剪切力等指標(biāo)進(jìn)行評價[17]，還可以間接對肉的顏色、大理石紋、氣味、多汁性、嫩度和新鮮度等感官指標(biāo)進(jìn)行評價分析[18]。此外，Prevolnik等[19]分析闡述了近紅外光譜在生肉制品化學(xué)組分和品質(zhì)檢測方面的應(yīng)用，研究表明，近紅外光譜在肉制品品質(zhì)檢測方面能夠替代昂貴且耗時的化學(xué)檢測方法，但其檢測精度受其數(shù)學(xué)建模模型的限制，因此良好的模型對于其化學(xué)值的預(yù)測至關(guān)重要。

目前，國內(nèi)外的近紅外光譜技術(shù)研究主要集中在對畜禽[20]、海鮮[21]或其生肉制品[22]的檢測，在熟肉制品的水分含量檢測方面研究極少。此外，由于中式傳統(tǒng)菜肴復(fù)雜多變的特點(diǎn)，使得其肉類主料的水分含量測定具有相當(dāng)大的難度，國內(nèi)外文獻(xiàn)中幾乎沒有利用近紅外光譜測定中式烹飪?nèi)忸愔髁现兴趾康南嚓P(guān)報道。本研究應(yīng)用傅里葉變換近紅外光譜分析技術(shù)建立中式“爆炒”豬肉中水分含量的快速無損檢測方法，以期為中式菜肴類食品品質(zhì)檢測提供新途徑，為實(shí)際生產(chǎn)中的快速檢測提供理論依據(jù)。

1 材料與方法

1.1 材料與試劑

新鮮豬里脊肉 哈爾濱家樂福超市；大豆油 九三糧油工業(yè)集團(tuán)有限公司；料酒 湖州老恒和釀造有限公司；碘鹽 中國鹽業(yè)總公司。

1.2 儀器與設(shè)備

電子天平 沈陽天平儀器有限公司；Antaris傅里葉變換近紅外分析儀 美國塞默飛世爾科技有限公司；DHG/50Hz鼓風(fēng)干燥箱 上海一恒科學(xué)儀器有限公司；YZ-1531多功能油炸鍋 廣東友田家用電器有限公司。

1.3 方法

1.3.1 肉片處理工藝

爆炒豬肉片的加熱工藝流程如圖1所示。

操作要點(diǎn)：1）為了嚴(yán)格控制爆炒溫度，采用可控溫的油炸鍋進(jìn)行爆炒處理，首先將溫度調(diào)節(jié)至所需溫度（150～190 ℃），再將切片的豬里脊肉放置其中并快速翻炒；2）爆炒結(jié)束后，在室溫下靜置10 min冷卻，瀝干油分，并用濾紙吸干肉片表面多余油脂。

1.3.2 水分含量測定

參照GB 5009.3—2010[6]，采用恒溫干燥法進(jìn)行測定。稱取4 g爆炒豬肉片樣品于恒溫干燥箱內(nèi)，105 ℃干燥，直到樣品的質(zhì)量不再發(fā)生變化為止（干燥前后質(zhì)量差小于2 mg），稱取樣品質(zhì)量。按照下式計算樣品的水分含量，每組樣品重復(fù)測定3 次。

1.3.3 光譜采集、建模及模型評價

1.3.3.1 光譜采集

采用配置積分球采樣系統(tǒng)的Antaris傅里葉變換近紅外分析儀進(jìn)行樣品測定。分別于150、160、170、180、190 ℃條件下按上述爆炒基本制作工藝處理肉片，冷卻后將肉樣均勻平鋪于紅外光譜儀的掃描皿上，保證肉片完全覆蓋掃描皿中間部分。采用積分球采樣系統(tǒng)采集樣品光譜。光譜采集條件：波數(shù)范圍4 000～9 000 cm-1，掃描次數(shù)64 次。每個溫度梯度測量20 組樣品，共測量100 組樣品，每組樣品進(jìn)行3 次平均光譜處理。

1.3.3.2 建模

使用TQ Analyst軟件進(jìn)行光譜分析，采用偏最小二乘法（partial least squares，PLS）進(jìn)行建模，即在一個算法下可以同時實(shí)現(xiàn)回歸建模（多元線性回歸）、數(shù)據(jù)結(jié)構(gòu)簡化（主成分分析）以及2 組變量之間的相關(guān)性分析（典型相關(guān)分析），是一種多因變量對多自變量的回歸建模方法。

1.3.3.3 模型評價

選用最佳的預(yù)處理方法和優(yōu)化的光譜區(qū)間建立PLS模型，用驗(yàn)證集樣品對最終模型進(jìn)行外部驗(yàn)證，并以校正相關(guān)系數(shù)（Rc）、驗(yàn)證相關(guān)系數(shù)（Rv）、校正均方根誤差（root mean square error of calibration，RMSEC）和預(yù)測均方根誤差（root-mean-squares error of prediction，RMSEP）值作為模型性能的評價指標(biāo)。

1.3.4 數(shù)據(jù)分析方法

由于樣品基質(zhì)和其他化學(xué)成分的干擾，很難直接從一張近紅外光譜圖中找到某種化學(xué)成分的特征吸收帶，因此需要預(yù)先測得水分含量，再在樣品的近紅外光譜信息與其水分含量之間建立經(jīng)驗(yàn)性的數(shù)學(xué)關(guān)系。

1.3.4.1 校正集和驗(yàn)證集的劃分

將所有的樣品劃分為校正集和驗(yàn)證集。樣品集的劃分采用KS（Kennard-Stone）法，KS方法是基于光譜變量的選擇方法，將樣品劃分為校正集和驗(yàn)證集。根據(jù)約4∶1的比列將樣品劃分為80 個校正集和20 個驗(yàn)證集。

1.3.4.2 光譜預(yù)處理

光譜采集過程中，由于受樣品狀態(tài)、光散射、儀器狀態(tài)等因素的影響，導(dǎo)致近紅外光譜基線漂移等現(xiàn)象。因此，在建立PLS模型前進(jìn)行光譜預(yù)處理尤為重要。本研究采用卷積平滑（Savitzky-Golay，S-G）、N-D（norris derivative）平滑、多元散射校正（multiplicative scatter correction，MSC）、標(biāo)準(zhǔn)正態(tài)變量（standard normal variable，SNV）變換以及一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、對數(shù)化分別對原始光譜進(jìn)行預(yù)處理，并建立PLS模型。

1.3.4.3 光譜異常樣本的剔除

采用TQ Analyst v6軟件提供的馬氏距離相似性判別計算其光譜到每個類別中心點(diǎn)的距離，判別樣品類別的匹配程度，采用杠桿值與學(xué)生殘差t檢驗(yàn)和內(nèi)部交互驗(yàn)證均方根誤差（root mean square error by cross validation，RMSECV）剔除異常樣本，并采用基于Dixon準(zhǔn)則或Chauvenet準(zhǔn)則的Spectra Outlier功能對存在光譜數(shù)據(jù)誤差的異常樣品進(jìn)行剔除。

2 結(jié)果與分析

2.1 不同光譜預(yù)處理方式對模型構(gòu)建的影響

近紅外光譜主要由被測物的近紅外光譜特征主導(dǎo)，包含噪聲等各種外在因素的干擾與影響。同時，無論人為操作多么精確，還是無法避免一些客觀因素產(chǎn)生的系統(tǒng)誤差影響近紅外光譜定量分析模型的信息，例如，由于樣品不均勻?qū)е聵悠返墓庾V和組分含量標(biāo)準(zhǔn)值沒有真正對應(yīng)；由于含量和其他性質(zhì)的分布不均勻，導(dǎo)致難以精確計算光譜信息與組分含量值之間的相關(guān)關(guān)系；由于光譜采集方式不恰當(dāng)、光譜噪音太大和人為誤差造成光譜質(zhì)量下降或引入誤差；由于光譜范圍的選擇不正確、樣品被污染，受到其他組分的干擾等而產(chǎn)生誤差，因此在建模前要對原始光譜進(jìn)行預(yù)處理，進(jìn)而不斷優(yōu)化所建立的模型[23]。

2.1.1 原始光譜采集與處理

當(dāng)肉片中的分子受到近紅外光線的照射時，其中的含氫基團(tuán)通過不斷的振動將近紅外光的部分能量吸收，吸收帶的波長、位置和強(qiáng)度可以反映出分子結(jié)構(gòu)的特點(diǎn)。

由圖2可知，爆炒豬肉片的近紅外原始光譜在5 000、6 000、7 000 cm-1附近產(chǎn)生了幾次波峰，這些是明顯的光譜吸收峰，光譜在4 100 cm-1時產(chǎn)生的噪音比較大，在10 000 cm-1時趨近平穩(wěn)，但譜圖整體的走勢大抵一致，說明在原始近紅外光譜中無偏離較遠(yuǎn)的異常光譜出現(xiàn)。

2.1.2 近紅外3D主成分投影圖處理對模型構(gòu)建的影響

近紅外投射光譜3D主成分投影圖的主要目的是實(shí)現(xiàn)數(shù)據(jù)降維，以消除眾多信息中相互重疊的部分，其方法是將原來的變量進(jìn)行轉(zhuǎn)換，使數(shù)目較少的新變量成為原變量的線性組合，新變量應(yīng)該最大限度地保留原變量的數(shù)據(jù)結(jié)構(gòu)特征，且不丟失信息。

由圖3可知，多數(shù)主成分投影點(diǎn)的分布比較集中，而部分點(diǎn)在載荷向量平面的分布較為分散，主成分距離較大，這可能是由于實(shí)驗(yàn)中含水量測定時的人為誤差和實(shí)驗(yàn)材料本身的差異性，將異常樣本剔除，并重新建模。

RMSEC為主成分選擇的主要依據(jù)，此數(shù)值越小表示模型誤差越?。欢鴕表示線性相關(guān)系數(shù)，此數(shù)值越大表示正相關(guān)性越大。由表1可知，剔除分散的光譜點(diǎn)后，RMSEC值由0.125降至0.113，誤差變小，而r由0.945 9升高至0.955 7，說明剔除后可以優(yōu)化模型。

2.1.3 不同光譜預(yù)處理方式結(jié)合對模型構(gòu)建的影響

在近紅外光譜分析技術(shù)中，對于不同化學(xué)計量學(xué)方法的使用是必要的，不同的近紅外光譜預(yù)處理方法和不同的變量選取方法是整個近紅外光譜分析過程的基礎(chǔ)，采用不同的預(yù)處理方法可以有效剔除一些在原始光譜中不易察覺的異常樣本，對于建立預(yù)測能力強(qiáng)、穩(wěn)健性好的模型起到至關(guān)重要的決定性作用[24]。

平滑處理可以消除高頻隨機(jī)誤差，提高信噪比，平滑算法是針對“窗口”內(nèi)的每個點(diǎn)進(jìn)行取平均或擬合，從而進(jìn)一步求得平滑點(diǎn)數(shù)的最佳估計值，使圖譜光滑，減少尖銳不平的凸起點(diǎn)，更好地體現(xiàn)光譜有效信息[25]。

由表2可知，當(dāng)圖像只有平滑處理時，RMSEC值為

0.111 0，r為0.954 3，相較于原始光譜RMSEC值減小，誤差減小，r減小，說明單純進(jìn)行平滑處理并不能更好地優(yōu)化模型，還需進(jìn)一步做其他光譜預(yù)處理。

原始光譜進(jìn)行求導(dǎo)變換后，所得的導(dǎo)數(shù)光譜的分辨率比原始光譜高，其光譜輪廓變換的清晰度也有一定程度的提高，其原因主要在于消除了基線漂移、背景干擾并忽略了譜線重疊，其中一階微分能去掉和波長沒有關(guān)系的漂移，二階微分能去掉和波長有關(guān)系的漂移[26]。相較于原始光譜，進(jìn)行一階導(dǎo)數(shù)處理后，RMSEC值減小，r增加；進(jìn)行二階導(dǎo)數(shù)處理后，RMSEC值減小，r值增加，但二階導(dǎo)數(shù)處理與一階導(dǎo)數(shù)相比，模型RMSEC值沒有變化，而r反而減小，這可能是由于經(jīng)過二階導(dǎo)數(shù)后噪音擴(kuò)大，導(dǎo)致模型過度擬合，因此還需進(jìn)一步做其他光譜預(yù)處理。

當(dāng)一階導(dǎo)數(shù)、二階導(dǎo)數(shù)分別與平滑處理相結(jié)合時發(fā)現(xiàn)，2 種結(jié)合方式均可以進(jìn)一步優(yōu)化模型，但是一階導(dǎo)數(shù)結(jié)合平滑處理的效果更好。

S-G算法是一種利用S-G函數(shù)對光譜進(jìn)行多點(diǎn)處理的算法，其主要思想是利用多項式來對數(shù)據(jù)進(jìn)行擬合，對于擬合函數(shù)，選擇經(jīng)典的PLS法，然后對于所得的擬合系數(shù)加以處理，其本質(zhì)上仍是一種加權(quán)平均，更強(qiáng)調(diào)中心點(diǎn)的作用，S-G處理通常與其他預(yù)處理方式結(jié)合使用[27]。將一階導(dǎo)數(shù)和二階導(dǎo)數(shù)分別與SG處理相結(jié)合后發(fā)現(xiàn)，2 種結(jié)合方式均可以進(jìn)一步優(yōu)化模型，但是二階導(dǎo)數(shù)結(jié)合SG處理后模型RMESC值為0.099 5，r為0.963 4，誤差最小，平行性進(jìn)一步加強(qiáng)。綜上所述，二階導(dǎo)數(shù)結(jié)合SG處理為最優(yōu)光譜預(yù)處理方式。

2.1.4 拐點(diǎn)法篩選模型主因子數(shù)

恰當(dāng)?shù)闹饕蜃訑?shù)選取可以提高模型的實(shí)際預(yù)測能力，如果因子數(shù)低于恰當(dāng)值，則不能充分表達(dá)全部樣品信息；如果因子數(shù)高于恰當(dāng)值，則會由于不必要信息的增加而增添噪聲，進(jìn)而導(dǎo)致模型實(shí)際預(yù)測能力下降。因此，恰當(dāng)?shù)闹饕蜃訑?shù)是良好模型建立的必要條件[28]。

通常當(dāng)主因子數(shù)改變時，可以通過RMSECV的下降程度來判斷主成分對模型的貢獻(xiàn)，例如，當(dāng)RMSECV下降速率越快時，說明這一主成分對模型實(shí)際預(yù)測能力的意義很大；而當(dāng)其上升或下降趨勢很緩慢時，主成分預(yù)測能力意義不大，此時的主因子數(shù)可予以舍棄。

由圖4可知：隨著主因子數(shù)從0增加至3，RMSECV大幅度下降；當(dāng)主因子數(shù)大于3之后，隨著主因子數(shù)的增加，RMSECV的變化不大，且當(dāng)模型的主因子數(shù)設(shè)置為3～10時，此時模型的RMSECV值也幾乎不再變化，因此將此拐點(diǎn)對應(yīng)的主因子數(shù)3作為模型的主因子數(shù)。

2.2 異常樣本的剔除

近紅外光譜包含噪聲等各種外在因素的干擾與影響，且無論人為操作多么精確，還是無法避免一些客觀因素的產(chǎn)生，從而影響建模的信息，例如，肉樣本身的散射或漫反射以及儀器本身產(chǎn)生的噪音，導(dǎo)致圖譜不連續(xù)、噪聲過大等一系列影響模型構(gòu)建的問題產(chǎn)生，因此在建模后要對原始光譜模型進(jìn)行進(jìn)一步處理，進(jìn)而不斷優(yōu)化建立的模型。

通過對原始光譜模型的處理可以篩選剔除掉一些人為因素造成的錯誤或誤差，而實(shí)際上無論實(shí)驗(yàn)設(shè)計多么合理詳細(xì)，實(shí)驗(yàn)操作多么精細(xì)考究，依然會存在著難以避免的系統(tǒng)誤差，進(jìn)而影響模型的構(gòu)建，因此還需要通過多種手段剔除異常樣本，進(jìn)一步優(yōu)化處理模型。

2.2.1 馬氏距離排序剔除

馬氏距離由印度學(xué)家馬哈拉諾比斯提出，表示2 個數(shù)據(jù)之間的協(xié)方差距離，它是一種高效的得知兩樣本間相似度的方法[14]。換言之，從馬氏距離分析圖上可以得知相距距離最遠(yuǎn)的點(diǎn)，即相似度最低的點(diǎn)，剔除此點(diǎn)，可增加數(shù)據(jù)的平行性與模型的精確性。

由圖5可知，根據(jù)馬氏距離法的計算原則，異常樣本與其他樣本的平行性最低，差異最大，故它的數(shù)值越大，圖中最右側(cè)線的馬氏距離最大，因此將此樣本剔除。

2.2.2 杠桿值與學(xué)生殘差t檢驗(yàn)剔除

由表3可知，將上述3 個異常樣本全部剔除后，模型的RMSEC值減小，誤差降低，r增大，表明全部剔除3 個異常樣本有利于模型的優(yōu)化構(gòu)建。但是全部剔除3 個異常樣本也有可能將非異常樣品當(dāng)做異常樣品剔除掉，因此在建模過程中，為避免發(fā)生這樣的錯誤，需要對被判定為異常的樣品進(jìn)行逐一回收，根據(jù)回收后的模型性能確定樣品的去留，這樣在很大程度上避免了異常樣品的誤判，使最終的模型保留了更多的樣品，從而更加穩(wěn)定和具有代表性。

當(dāng)回收52號樣本時，與對照組相比，RMSEC值增大，誤差增大，r減小，相關(guān)性減弱，說明52號樣本不但會導(dǎo)致誤差增大，也會使相關(guān)性降低，因此應(yīng)予以剔除；當(dāng)回收53號樣本時，與對照組相比，RMSEC值增加，r降低，因此予以剔除；當(dāng)回收62號樣本時，與對照組相比，RESEC值減小，r增大，與全部剔除組相比，RESEC值增加至0.098 6，誤差增大，r由0.965 3增大到0.965 7，相關(guān)性增強(qiáng)，說明62號樣本存在時，雖然誤差會略微增大，但是相關(guān)性增強(qiáng)，在本研究中具有一定的存在意義，應(yīng)考慮保留。

2.2.3 RMSECV剔除

RMSECV法為每次從所有樣本中隨機(jī)取1 個樣本，用余下的樣本建立模型后再驗(yàn)證取出的樣本，之后重復(fù)上述步驟，直到所有的樣本都被取出來為止[30]。

由圖9可知，RMSEC=0.089 1，r=0.972 1，主因子數(shù)為3。經(jīng)過RMSECV法剔除異常樣本后模型的相關(guān)系數(shù)由原來的0.965 7增加至0.972 1，RMSEC值則由原來的0.098 6降低至0.089 1，說明RMSECV法剔除異常樣本能夠優(yōu)化模型，使其誤差減小，r增加。

2.3 模型實(shí)際預(yù)測能力檢驗(yàn)

在100 個樣本中選取80 個樣本作為校正集，選取20 個樣本作為驗(yàn)證集，并計算其與預(yù)測集之間的相互關(guān)系。RMSEP作為評價模型預(yù)測能力的關(guān)鍵參數(shù)，其值越小，表明和實(shí)測值越接近，模型的預(yù)測能力越強(qiáng)[31]。

由圖10可知，預(yù)測集分布在校正集和驗(yàn)證集分布的范圍內(nèi)，模型RMSEC值為0.108 0，r為0.956 0；RMSEP值為0.262 0，r為0.974 2；主因子數(shù)為3。

此外，隨機(jī)選取10 個肉樣由直接干燥法測定其水分含量（真實(shí)值），并與前文構(gòu)建的近紅外光譜模型預(yù)測得到的水分含量（預(yù)測值）進(jìn)行比較。由表4可知，預(yù)測值與真實(shí)值相比，預(yù)測結(jié)果誤差率≤1.3%，即正確率大于98.7%（P<0.05）。說明本研究建立的用于檢測中式爆炒肉片中水分含量的模型能夠快速檢測并預(yù)測其水分含量，表明本研究建立的用于檢測中式爆炒肉片中水分含量的模型效果良好，能夠快速檢測并準(zhǔn)確預(yù)測中式爆炒肉片的水分含量，具有一定的應(yīng)用價值。

3 結(jié) 論

選取中式“爆炒”豬肉片作為樣本集與校正集，采用近紅外光譜儀結(jié)合直接干燥法，在4 100～10 000 cm-1

波數(shù)內(nèi)采集肉片樣品的近紅外光譜，并立即測定其水分含量，采用PLS法建立水分含量測定的近紅外光譜預(yù)測模型。模型經(jīng)過光譜預(yù)處理、主因子數(shù)篩選及異常樣本剔除后能夠?qū)崿F(xiàn)對水分含量的預(yù)測，避免了直接干燥法耗時耗力的處理過程及原料的浪費(fèi)。同時，經(jīng)過校正集和外部預(yù)測集驗(yàn)證，所構(gòu)建的檢測中式爆炒肉片中水分含量模型的RMSEC值為0.089 1，r為0.972 1，預(yù)測結(jié)果正確率大于98.7%（P<0.05），能夠?qū)崿F(xiàn)對中式爆炒豬肉片中水分含量的準(zhǔn)確預(yù)測，達(dá)到快速無損檢測的目的。

參考文獻(xiàn)：

[1] 崔俊， 鄧力， 汪孝， 等. 油炒烹飪中食品體系吸熱功率研究[J]. 食品工業(yè)， 2017， 39（7）： 182-187.

[2] 崔俊， 余冰妍. 基于CFD的涮爆烹飪過程模擬及試驗(yàn)驗(yàn)證[J]. 食品安全導(dǎo)刊， 2018， 12（4）： 144-146. DOI：10.16043/j.cnki.cfs.2018.12.105.

[3] 汪孝， 鄧力， 李雙艷， 等. 油炒溫度對豬肉水分的影響[J]. 食品科技， 2017， 39（7）： 128-133. DOI：10.13684/j.cnki.spkj.2017.07.023.

[4] 劉家忠， 王希彪. 雞肉可榨出水分測定條件的初步探討[J]. 肉類研究， 1991， 5（2）： 30-32.

[5] GUPTA A， SHETH M. Chemical stability of cottonseed and groundnut oil used for frying bhajias and its sensory qualities[J]. Journal of Microbiology Biotechnology and Food Sciences， 2015， 4（3）： 198-202. DOI：10.15414/jmbfs.2014-15.4.3.198-202.

[6] 中華人民共和國國家衛(wèi)生和計劃生育委員會. 食品安全國家標(biāo)準(zhǔn) 食品中水分的測定： GB 5009.3—2010[S]. 北京： 中國標(biāo)準(zhǔn)出版社， 2010： 1-2.

[7] 曹小華， 李小鑾， 劉娟花， 等. 肉骨粉常規(guī)營養(yǎng)成分近紅外模型的建立及驗(yàn)證[J]. 糧食與飼料工業(yè)， 2017， 12（3）： 51-54.

[8] MARCHI M D， MANUELIAN C L， SOFIA T， et al. Prediction of sodium content in commercial processed meat products using near infrared spectroscopy[J]. Meat Science， 2017， 125（3）： 61-65. DOI：10.1016/j.meatsci.2016.11.014.

[9] WANG Jianxu， FAN Lifeng， WANG Haihua， et al. Determination of the moisture content of fresh meat using visible and near-infrared spatially resolved reflectance spectroscopy[J]. Biosystems Engineering， 2017， 162（10）： 40-56. DOI：10.1016/j.biosystemseng.2017.07.004.

[10] ALAMPRESE C， AMIGO J M， ERNESTINA C， 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（11）： 175-181. DOI：10.1016/j.meatsci.2016.06.018.

[11] 代啟虎， 馬晨晨， 李冉. 近紅外光譜分析技術(shù)在食品脂肪含量測定上的應(yīng)用[J]. 廣東化工， 2017， 44（2）： 58-59.

[12] 楊福臣， 孫兆遠(yuǎn)， 孫芝楊. 乳粉中蛋白質(zhì)和脂肪近紅外測定模型研究[J]. 食品研究與開發(fā)， 2017（2）： 169-173. DOI：10.3969/j.issn.1005-6521.2017.02.038.

[13] 王會， 盧雅婷. 近紅外水分測定儀的發(fā)展及在食品水分檢測中的應(yīng)用[J]. 農(nóng)業(yè)工程， 2016， 6（1）： 58-61.

[14] MARCHI M D， MANUELIAN C L， TON S， et al. Prediction of sodium content in commercial processed meat products using near infrared spectroscopy[J]. Meat Science， 2016， 125： 61-65. DOI：10.1016/j.meatsci.2016.11.014.

[15] HELL J， PR?CKLER M， DANNER L， et al. A comparison between near-infrared （NIR） and mid-infrared （ATR-FTIR） spectroscopy for the multivariate determination of compositional properties in wheat bran samples[J]. Food Control， 2016， 60（5）： 365-369. DOI：10.1016/j.foodcont.2015.08.003.

[16] RIOVANTO R， DE MARCHI M， CASSANDRO M， et al. Use of near infrared transmittance spectroscopy to predict fatty acid composition of chicken meat[J]. Food Chemistry， 2012， 134（4）： 2459-2464. DOI：10.1016/j.foodchem.2012.04.038.

[17] PRIETO N， L?PEZCAMPOS O， AALHUS J L， et al. Use of near infrared spectroscopy for estimating meat chemical composition， quality traits and fatty acid content from cattle fed sunflower or flaxseed[J]. Meat Science， 2014， 98（2）： 279-288. DOI：10.1016/j.meatsci.2014.06.005.

[18] CEN Haiyan， HE Yong. Theory and application of near infrared reflectance spectroscopy in determination of food quality[J]. Trends in Food Science and Technology， 2007， 18（2）： 72-83. DOI：10.1016/j.tifs.2006.09.003.

[19] PREVOLNIK M， MARJETA C P， ?KORJANC D. Predicting pork water-holding capacity with NIR spectroscopy in relation to different reference methods[J]. Journal of Food Engineering， 2010， 98（3）：

347-352. DOI：10.1016/j.jfoodeng.2009.11.022.

[20] 蔣祎麗， 郝莉花， 張麗華， 等. 豬肉糜中摻雞肉的近紅外光譜快速定性判別方法研究[J]. 食品科技， 2014（11）： 319-322. DOI：10.13684/j.cnki.spkj.2014.11.068.

[21] 徐文杰， 劉茹， 洪響聲， 等. 基于近紅外光譜技術(shù)的淡水魚品種快速鑒別[J]. 農(nóng)業(yè)工程學(xué)報， 2014， 30（1）： 253-261.

[22] 花錦， 趙悠悠， 高媛惠， 等. 基于近紅外技術(shù)快速測定不同鮮肉中脂肪含量[J]. 光譜學(xué)與光譜分析， 2017， 37（11）： 3424-3429.

[23] 彭博， 涂斌， 陳志， 等. 運(yùn)用近紅外光譜技術(shù)快速測定植物食用油的過氧化值[J]. 武漢輕工大學(xué)學(xué)報， 2016， 35（1）： 13-16.

[24] 王輝， 田寒友， 張順亮， 等. 基于中波近紅外光譜定量分析生鮮牛肉膽固醇[J]. 食品科學(xué)， 2016， 37（24）： 185-189. DOI：10.7506/

spkx1002-6630-201624029.

[25] 潘磊慶， 劉明， 韓東海， 等. 水蜜桃貨架期內(nèi)糖度的近紅外光譜檢測[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報， 2013， 36（4）： 116-120.

[26] 馬毅， 汪西原， 雍慧. 小波變換去噪應(yīng)用于鮮棗糖度近紅外光譜檢測的研究[J]. 計算機(jī)與應(yīng)用化學(xué)， 2011， 28（3）： 303-306. DOI：10.16866/j.com.app.chem2011.03.012.

[27] 朱紅艷， 邵詠妮， 蔣璐璐， 等. 浸入式可見/近紅外光譜技術(shù)的藻種鑒別研究[J]. 光譜學(xué)與光譜分析， 2016， 36（1）： 75-79.

[28] 王輝， 田寒友， 張順亮， 等. 便攜式中波近紅外光譜儀在線無損檢測生鮮豬肉膽固醇[J]. 光譜學(xué)與光譜分析， 2017， 37（6）： 1759-1764.

[29] 梁秀英， 李小昱， 楊萬能. 奇異數(shù)據(jù)篩選法在玉米籽粒蛋白質(zhì)近紅外光譜檢測中的應(yīng)用[J]. 激光生物學(xué)報， 2015， 24（1）： 38-45.

[30] 曹江娜， 張俊， 陸勝民. 基于近紅外光譜技術(shù)的柑橘罐頭品質(zhì)測定方法的研究[J]. 食品工業(yè)科技， 2016， 37（4）： 68-72. DOI：10.13386/j.issn1002-0306.2016.04.004.

[31] 湯其坤， 王鈺， 吳躍進(jìn)， 等. 近紅外光譜法直接檢測甜葉菊葉片甜菊糖苷模型建立[J]. 光譜學(xué)與光譜分析， 2014， 34（10）： 2719-2722.