近紅外光譜技術(shù)在肉品摻假檢測方面的研究進展

,2

(1.河南科技學(xué)院食品學(xué)院,河南新鄉(xiāng) 453003; 2.河南科技學(xué)院博士后研發(fā)基地,河南新鄉(xiāng) 453003; 3.河南科技學(xué)院新科學(xué)院,河南新鄉(xiāng) 453003; 4.河南工業(yè)大學(xué)糧油食品學(xué)院,河南鄭州450001)

我國是肉制品的生產(chǎn)和消費大國,肉制品在居民食品消費中占有很大比例[1-2],其含有豐富的蛋白質(zhì)、脂肪、維生素B2和B12等人體所必需的營養(yǎng)物質(zhì),備受消費者青睞[1,3]。2013年以來,國內(nèi)外危害公眾健康的肉類食品安全事件頻繁發(fā)生,如馬肉事件,“假羊肉”事件及肉制品摻假,這一全球性問題引發(fā)了公眾以及各國政府對食品安全的擔(dān)憂和關(guān)注[3-9]。肉品摻假已成為我國食品行業(yè)的突出問題之一,這不僅影響人民群眾的生命健康、經(jīng)濟發(fā)展,甚至關(guān)乎社會穩(wěn)定和國家安全[10-12]。

肉制品摻假檢測方法目前主要有形態(tài)學(xué)鑒別法、蛋白質(zhì)分析法、DNA分析法和光譜分析法。形態(tài)學(xué)鑒別法依賴主觀判斷,對研究者的經(jīng)驗積累要求較高;蛋白質(zhì)分析法能很好的檢測對熱穩(wěn)定的蛋白質(zhì)且靈敏度高,

表1 NIRS識別肉的種類Table 1 NIRS for meat identification

注:PCA:Principal component analysis,主成分分析。

常見的有電泳分析法、高效液相色譜法和免疫分析法,可以對肉制品進行定性定量檢測,但不適用于蛋白質(zhì)變性的產(chǎn)品,重復(fù)性差、耗時較長等不足,在檢測中常作為輔助方法進行使用;DNA分析法是目前最為成熟的方法,特異性強、準(zhǔn)確性高,適用于單一成分的檢測,但是操作較為復(fù)雜;光譜分析法操作簡單且對樣品無損壞,具有良好的應(yīng)用前景[1-3,6,8]。近紅外光譜(Near-Infrared Spectroscopy,NIRS)技術(shù),可通過獲取被測肉品的近紅外光譜信息,并使用化學(xué)計量學(xué)方法建立被測肉樣摻假和光譜信息之間定性定量關(guān)系,實現(xiàn)對摻假肉的快速無損檢測[13-15]。NIRS技術(shù)無需樣品前處理,易于操作,檢測時間短、成本低、效率高,被認為是一種極具檢測應(yīng)用價值的有效方法,已被用于各種肉類質(zhì)量參數(shù)及食品摻假檢測研究[16-18]。

目前,運用NIRS鑒別肉品摻假的研究成果頗多。本文主要綜述了2010年至今近NIRS技術(shù)在肉品摻假檢測方面的研究進展和最新研究成果,主要涉及肉品種類識別和豬、牛、羊肉的摻假等方面,并對NIRS技術(shù)在肉品摻假檢測方面的應(yīng)用研究做出展望。

1 NIRS技術(shù)識別肉的種類

隨著社會的發(fā)展、居民生活水平的提高,人們的飲食結(jié)構(gòu)也在逐漸發(fā)生變化,動物性蛋白質(zhì)在飲食中所占的比例呈現(xiàn)逐漸升高的趨勢。這使得許多不法商販以價格低廉的馬肉、豬肉、雞肉或其他動物肉類冒充價格高昂的牛肉、羊肉,賺取高額利潤[9]。這種以假亂真、以次充好的現(xiàn)象時有發(fā)生,造成了企業(yè)和個人的不正當(dāng)競爭,嚴(yán)重危害了消費者的利益和健康。因此,日常生活中肉的種類識別意義重大,識別肉品種類、杜絕肉品造假是保障肉品安全的重要措施之一。

1.1 NIRS技術(shù)識別豬、牛、羊肉

Cozzolino等[19]采集400～2500 nm處牛肉、羊肉和豬肉樣本的可見/近紅外反射光譜,建立的主成分分析(principal component analysis,PCA)和偏最小二乘(Partial Least Squares Regression,PLSR)鑒別模型,準(zhǔn)確率可達85%,表明NIRS可以快速、準(zhǔn)確地鑒別不同物種的肉制品。馬釘凌等[20]采用可見光譜結(jié)合反向傳播人工神經(jīng)網(wǎng)絡(luò)對牛肉和豬肉進行識別,識別率高達97.5%。王麗等[21]利用中紅外光譜技術(shù)對豬肉、牛肉進行了識別。趙紅波等[22]采用近紅外漫反射光譜法,先對光譜數(shù)據(jù)進行主成分降維處理,再利用其主成分分析來計算馬氏距離進行判別,該模型對豬肉和牛肉的識別率比較高。Mamani-Linares等[23]在400～2500 nm處采集經(jīng)勻質(zhì)處理肉糜樣品的近紅外反射光譜,利用PCA和PLSR模型實現(xiàn)了樣品中牛肉的有效鑒別。與趙紅波等[22]相比,孟一等[24]通過近紅外光譜結(jié)合模式識別方法,對豬、牛、羊肉進行定性識別,識別率顯著提高(見表1)。王昱陸等[25]基于400～1000 nm光譜,通過主成分得分為變量建立豬、牛、羊肉的識別模型,該模型預(yù)測結(jié)果比較理想。Alfar等[26]研究了在900～1500 nm波段下NIRS結(jié)合支持向量機算法(Support Vector Machine,SVM)對于牛、豬肉油脂樣品的分類鑒別,準(zhǔn)確度較高。Wiedemair等[27]在800～2500 nm波段馬肉區(qū)別于羊肉的識別準(zhǔn)確率可達100%,對馬肉和牛肉的區(qū)分也表現(xiàn)出良好的識別度(75%～100%)。

1.2 NIRS技術(shù)識別其他肉類

馬釘凌等[20]采用可見光譜結(jié)合反向傳播人工神經(jīng)網(wǎng)絡(luò)技術(shù)對雞肉進行識別,鑒別準(zhǔn)確率明顯高于Cozzolino等[19]建立的PCA和PLSR鑒別模型。王麗等[21]利用光譜技術(shù)實現(xiàn)了明蝦肉和雞胸肉的識別。Wiedemair等[27]在800～2500 nm波段可準(zhǔn)確區(qū)分馬肉和雞肉。Alfar等[26]研究了900～1500 nm波段下雞油脂樣品的鑒別,準(zhǔn)確率達86.67%。應(yīng)用近紅外光譜儀,龔艷等[28]研究了在1000～2500 nm波長條件下鑒別拔益加肉雞、京海黃雞和狼山雞的可行性,驗證集準(zhǔn)確率達97.7%,實現(xiàn)了NIRS對雞肉品種的快速無損鑒別。同年,Mamani-Linares等[23]采集了400～2500 nm處肉糜樣品的反射光譜,利用PCA和PLSR模型實現(xiàn)了美洲鴕肉和馬肉的有效鑒別。

2 NIRS檢測肉品摻假

由于肉品的價格差異,不法商販以低價肉或其它病死動物肉摻入高價肉制品中出售,這類肉品的摻假不僅損害了消費者的利益,而且存在食品安全隱患[1,6,8]。隨著科學(xué)技術(shù)的不斷進步,面對肉品摻假這個世界范圍內(nèi)的共同問題,國內(nèi)外學(xué)者不斷深入研究更快速、更可靠的摻假檢測分析模型[29]。

2.1 NIRS檢測豬肉摻假

豬肉是全球食用最多的肉類,中國是世界豬肉產(chǎn)量最大的國家。然而,近年來,豬肉及其制品的摻假事件逐漸增多,嚴(yán)重損害消費者的經(jīng)濟利益和身體健康[30]。豬肉及其制品的摻假可分為兩類:一類是非同源摻假,即原料肉中注水、注膠、摻違規(guī)添加劑等[31-32];另一類是同源摻假,即肉肉摻假,將低價肉或劣質(zhì)肉摻入到豬肉中,達到降低成本、牟取暴利的目的[33-34]。因此,快速、簡便的摻假檢測技術(shù)已成為豬肉行業(yè)健康發(fā)展的有力保障。

楊志敏等[35]借助近紅外光譜儀測定樣品的漫反射光譜信息來鑒別豬肉中是否摻大豆蛋白,利用Fisher線性判斷得到的判別模型正確率達100%,利用偏最小二乘法建立大豆蛋白摻入量的定量檢測模型校正相關(guān)系數(shù)(rc)為0.966。Fan等[12]采用NIRS對豬肉中摻假肝臟和雞肉進行檢測,預(yù)測結(jié)果良好(見表2)。楊志敏等[36]采集了摻水、摻膠和摻鹽水的豬肉樣品的近紅外反射光譜,利用近紅外光譜技術(shù)結(jié)合主成分與多層感知器神經(jīng)網(wǎng)絡(luò)建立的摻假肉分類鑒別模型正確識別率達高94.2%。孟一等[32]采集1000～2500 nm光譜范圍內(nèi)豬肉樣品反射信息,用近紅外光譜結(jié)合PCA和判別分析法建立了注水肉、注膠肉和正常肉的定性判別模型,該模型對所有預(yù)測集樣品的總體判別準(zhǔn)確率為94.92%。此外,該課題研究小組還采用偏最小二乘結(jié)合主成分分析建立注水量和注膠量的定量檢測分析模型,預(yù)測相關(guān)系數(shù)(rp)分別為0.925和0.930,結(jié)果表明該模型對豬肉的注水量和注膠量均有良好的預(yù)測性能。蔣祎麗等[30]采集肉樣在波長1000～2500 nm處的光譜信息,用偏最小二乘判別分析方法(partial least squares discriminant analysis,PLS-DA)建立判別模型以識別豬肉糜中是否摻加雞肉糜,準(zhǔn)確率高達100%。郝冬梅等[31]基于600～1300 nm光譜和稀疏表示的檢測方法對豬肉注水的平均識別準(zhǔn)確率達93.16%。蔣祎麗等[37]預(yù)處理1000～2500 nm光譜后結(jié)合PCA,建立豬肉中摻鴨肉的PLS-DA模型,正確判別率達100%。Wiedemair等[27]采集豬肉摻假樣品在800～2500 nm處的近紅外光譜信息建立PLSR鑒別模型交叉驗證相關(guān)系數(shù)(rcv)為0.938,交叉驗證均方根誤差(RMSECV)為11.95%。

2.2 NIRS檢測牛肉摻假

牛肉是一種營養(yǎng)價值很高的肉類產(chǎn)品,其氨基酸組成相比較其他肉類更接近人體需求。市場上肉糜摻入廉價的肉類或內(nèi)臟代替牛肉,作為非法增加利潤的手段以賺取暴利的現(xiàn)象屢見不鮮[38-39]。

針對市面上牛肉中摻假豬肉的現(xiàn)象,張玉華等[40]運用近紅外結(jié)合PCA法、判別分析法,建立牛肉摻豬肉的定性鑒別模型,其鑒別準(zhǔn)確率可達97.86%。白亞斌等[39]在400～1000光譜范圍內(nèi)利用高光譜技術(shù)建立牛肉摻豬肉的快速檢測模型,結(jié)果顯示摻假定量檢測模型具有較高的準(zhǔn)確性和穩(wěn)定性(rp=0.990,RMSEP=4.23%)。類似地,楊清華等[41]通過閾值選取高光譜圖感興趣區(qū)域采用光譜-理化值共生距離法(sample set partitioning based on joint x-y distance,SPXY)對牛肉樣品分集后建立的PLSR模型獲得了相似的預(yù)測結(jié)果。由于牛肉丸中摻假豬肉現(xiàn)象頻繁發(fā)生,2011年,Rohman等[42]以脂肪為研究對象,利用傅里葉變換光譜技術(shù)和偏最小二乘法分析牛肉丸中摻假豬肉,結(jié)果表明該技術(shù)可用于定量分析牛肉丸中摻假豬肉。同樣地,Kuswandi等[43]對牛肉丸中的豬肉摻假問題進行研究并建立了兩種預(yù)測模型。其中,PLSR模型可用于定量預(yù)測摻假肉丸,而線性判別分析(Linear Discriminant Analysis,LDA)模型可用于鑒別純牛肉丸和摻假牛肉丸。市售牛肉香腸以商販自制為主,牛肉的純度難以確定,Schmutzler等[44]基于近紅外光譜數(shù)據(jù)使用多變量分析方法,建立了小牛肉香腸中摻假豬肉的模型,得出的摻假率高達10%。NIRS技術(shù)結(jié)合PCA與SVM算法,Schmutzler等[45]可以精確地檢測出市場上銷售的純小牛肉香腸中是否摻假豬肉。

市場上以雞肉和鴨肉充當(dāng)牛肉的現(xiàn)象也較為常見,Alamprese等[46]采集牛肉摻假火雞肉樣品的紫外、近紅外和中紅外反射光譜,運用PCA、LDA和PLSR分別建立鑒別模型,通過對比其精度得出利用近紅外和中紅外光譜建立的模型可以準(zhǔn)確識別摻假樣品,而紫外光譜模型結(jié)果不太理想。Alamprese等[47]基于FT-NIR光譜和多元分析的方法建立PLSR模型(rp>0.940,RMSEP<10.8%),可實現(xiàn)對牛肉糜摻假火雞肉進行鑒別和定量分析。Kamruzzaman等[48]在400～1000 nm波段建立的PLSR預(yù)測模型用于牛肉中摻雞肉的檢測,預(yù)測效果較理想。同年,張麗華等[49]對牛肉中摻假鴨肉進行判別研究,光譜數(shù)據(jù)經(jīng)MSC預(yù)處理后所建的nu-SVM模型正確判別率為97.09%,可以實現(xiàn)牛里脊肉中摻假鴨肉的判別。

除此之外,Kamruzzaman等[38]采用實驗室高光譜成像技術(shù)對牛肉糜中摻假馬肉進行了檢測,結(jié)果(見表2)表明,NIRS結(jié)合PLSR建模方法可以成功地應(yīng)用于牛肉糜摻假水平的快速檢測。同樣地,Ropodi等[50]運用多光譜成像技術(shù)結(jié)合數(shù)據(jù)分析方法檢測牛肉糜中摻假馬肉,總的正確分類率為95.31%,驗證了該方法的可行性。

近紅外光譜技術(shù)結(jié)合相應(yīng)算法還可以實現(xiàn)牛肉品質(zhì)的鑒別。Chen等[51]利用光譜分析方法對變質(zhì)牛肉摻假進行定量分析,在可見/近紅外波段提取最優(yōu)波長建立最佳PLSR模型(rc=0.954,RMSEC=0.08),該模型預(yù)測精度較高。Zhao等[52]在496～1000 nm波長范圍下,對比不同的多元數(shù)據(jù)分析方法構(gòu)建牛肉中摻假變質(zhì)牛肉的最小二乘

表2 NIR技術(shù)檢測肉品摻假Table 2 NIRS for identification of meat adulteration

注:PLSR:Partial least squares regression,偏最小二乘回歸;PLSR-DA:Partial least squares discriminant analysis,偏最小二乘判別分析法。PCA:Principal component analysis,主成分分析;LS-SVM:least squares support vector machine,最小二乘支持向量機;MLR:Multiple linear regression,多元線性回歸;CARS:Competitive adaptive reweighted sampling,競爭性自適應(yīng)加權(quán)算法;rc:Correlation coefficient of calibration,校正相關(guān)系數(shù);RMSEC:Root mean square error of calibration,校正均方根誤差;rp:Correlation coefficient of prediction,預(yù)測相關(guān)系數(shù);RMSEP:Root mean square error of prediction,預(yù)測均方根誤差。

支持向量機(least squares support vector machine,LS-SVM)全波段模型,得到了更好的預(yù)測性(rc=0.970,RMSEC=5.39%)。Morsy[53]研究了冷凍和新鮮狀態(tài)下牛肉的摻假預(yù)測,通過采集400～2500 nm波長范圍樣品的光譜數(shù)據(jù)并建立摻假預(yù)測模型(見表2),冷凍較新鮮狀態(tài)下模型精度略有下降,但仍具有較高的預(yù)測性。Velásquez等[54]利用400～1000 nm處光譜圖像以牛肉大理石花紋的形狀和分布參數(shù),建立牛肉大理石紋分類系統(tǒng)實現(xiàn)了牛肉品質(zhì)的分級。

2.3 NIRS檢測羊肉摻假

羊肉作為中國傳統(tǒng)的食補典型代表,是最受歡迎的肉品之一,其健康、安全的營養(yǎng)特性被廣泛認可[55]。近年來,常有不法商販以豬肉、雞肉、鴨肉等替代羊肉進行銷售,不僅危害了羊肉市場的秩序,也挫傷了宗教信仰消費者的購買熱情。由于鴨肉色澤與兩周歲的羊肉色澤較為接近,而且鴨肉紋理細膩,有一定的肌纖維,這就為羊肉摻假提供了天然的便利條件[56]。

Kamruzzaman等[57]利用910～1700 nm處樣品的全波段光譜數(shù)據(jù)建立PLSR模型,對羊肉糜摻假豬肉的程度進行預(yù)測,該模型具有很好的預(yù)測能力(rc=0.995,RMSEC=1.08%)。該課題組篩選最優(yōu)波長后建立的PLSR模型和多元線性回歸(Multiple linear regression,MLR)模型在預(yù)測羊肉摻假方面均顯示出良好的穩(wěn)定性。張玉華等[40]運用近紅外結(jié)合PCA法、判別分析法,建立羊肉摻假的定性鑒別模型,其中羊肉摻豬肉、羊肉摻鴨肉的訓(xùn)練集鑒別準(zhǔn)確率分別為98.28%和99.59%。劉友華等[58]針對羊肉摻假豬肉的定量檢測問題,建立高光譜圖像(390～1040 nm)基于競爭性自適應(yīng)重加權(quán)算法的最優(yōu)模型(rc=0.980,RMSEC=6.55%)。張麗華等[56]在光譜1000～2500 nm范圍采集樣品的近紅外漫反射光譜圖結(jié)合平滑預(yù)處理后建立nu-SVM模型可以實現(xiàn)羊肉中摻雜鴨肉的鑒別。Wiedemair等[27]采集羊肉摻假樣品在800～2500 nm處的近紅外光譜信息建立PLSR鑒別模型(rcv=0.970,RMSECV=7.52%)。Zhang等[55]基于近紅外光譜成像技術(shù)結(jié)合PLSR模型預(yù)測羊肉糜中摻假鴨肉程度,400～2000 nm全波段模型測定結(jié)果有很好的相關(guān)性(rc=0.999,RMSEC=0.66%),應(yīng)用提取的14個最優(yōu)波長所建立的PLSR模型也取得很好的預(yù)測結(jié)果(rc=0.998,RMSEC=1.92%)。

2.4 NIRS檢測其他肉類摻假

在人民日常生活中,雞肉及其制品以優(yōu)質(zhì)的蛋白質(zhì)、鮮嫩的口感、低廉的價格等優(yōu)勢廣受歡迎[59-60]。隨著人們生活水平的提高,人們對雞類肉制品的色澤、口感、營養(yǎng)價值及衛(wèi)生指標(biāo)有了更嚴(yán)格的要求[29,61]。Wiedemair等[27]采用傅里葉變換近紅外光譜建立PLSR模型實現(xiàn)雞肉中豬肉摻假率在10%以下的鑒別(rc=0.883,RMSEC=2.32%)。此外,該項目組采集雞肉摻假樣品在800～2500 nm處的近紅外光譜信息建立PLSR鑒別模型(rcv=0.922,RMSECV=13.83%)。

魚類和其他海產(chǎn)品在為人類健康和國際貿(mào)易提供優(yōu)質(zhì)產(chǎn)品方面發(fā)揮著重要作用[62-63]。目前,由于水產(chǎn)品的易損性和易腐性,需要尋找快捷和高效的技術(shù)來監(jiān)測質(zhì)量變化和安全指標(biāo)[64-68]。為了研究魚肉的貯藏時間和摻假情況,Shan等[69]在波長400～1000 nm范圍內(nèi)采集鯽魚完整魚(帶魚鱗)的光譜信息,建立了預(yù)測貯藏時間的最優(yōu)PLSR模型,新鮮魚和解凍魚的rcv分別為0.894和0.917。相同的方法,建立預(yù)測鯽魚片的貯藏時間的最優(yōu)PLSR模型,新鮮魚片和解凍魚片的rcv均為0.917。此外,采用偏最小二乘判別分析(PLS-DA)算法,利用完整魚(帶魚鱗)的光譜建立新鮮魚和解凍魚的分類模型,準(zhǔn)確識別率可達100%。類似的,利用鯽魚片的鱗片、肉片和皮片提取光譜并建立新鮮魚和解凍魚的分類模型,識別結(jié)果較好,準(zhǔn)確率分別為92.5%、97.5%和97.5%。

3 展望

NIRS技術(shù)為肉及其制品摻假的快速檢測方面提供技術(shù)支持,為肉品質(zhì)量提供安全保障。盡管如此,NIRS技術(shù)的應(yīng)用尚未形成完整的體系和方法,需要加強與統(tǒng)計和數(shù)學(xué)科學(xué)的結(jié)合,以顯著增強檢測技術(shù)的應(yīng)用潛力。在未來的研究中,應(yīng)著重考慮以下幾點:(1)擴大樣品采集范圍,增加檢測模型的覆蓋面和通用性;(2)深入研究特征波長的篩選方法和模型構(gòu)建方式,以最大限度增強模型精度和穩(wěn)定性;(3)不同光譜設(shè)備之間模型轉(zhuǎn)移和信息融合,以增強模型適用性;(4)研發(fā)生產(chǎn)線檢測設(shè)備,提高在線食品摻假檢測的準(zhǔn)確率。在大量實驗數(shù)據(jù)的支撐和理論研究成果的不斷完善下,NIRS技術(shù)將可為食品質(zhì)量與安全、維護消費者權(quán)益保駕護航。