基于品質(zhì)指標(biāo)預(yù)測(cè)北京烤鴨的中心溫度

柳艷霞，王振宇，鄭曉春，朱瑤迪，陳麗，張德權(quán)

基于品質(zhì)指標(biāo)預(yù)測(cè)北京烤鴨的中心溫度

柳艷霞1，2，王振宇1，鄭曉春1，朱瑤迪2，陳麗1，張德權(quán)1

（1中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品加工研究所/農(nóng)業(yè)農(nóng)村部農(nóng)產(chǎn)品加工重點(diǎn)實(shí)驗(yàn)室，北京 100193；2河南農(nóng)業(yè)大學(xué)食品科學(xué)技術(shù)學(xué)院/河南省肉制品加工與 質(zhì)量安全控制重點(diǎn)實(shí)驗(yàn)室，鄭州 450002）

【目的】解決烤鴨傳統(tǒng)掛爐烤制過(guò)程中中心溫度難以在線精確監(jiān)測(cè)的問(wèn)題?！痉椒ā客ㄟ^(guò)測(cè)定烤鴨的品質(zhì)指標(biāo)，利用多元線性回歸、偏最小二乘回歸、支持向量回歸、人工神經(jīng)網(wǎng)絡(luò)等方法對(duì)北京烤鴨中心溫度進(jìn)行在線客觀預(yù)測(cè)。【結(jié)果】烤鴨胸肉的*、*、*、脫氧肌紅蛋白、氧合肌紅蛋白、高鐵肌紅蛋白、水分含量、脂肪含量、蛋白二級(jí)結(jié)構(gòu)等指標(biāo)均可用于有效識(shí)別北京烤鴨的中心溫度；線性模型多元線性回歸和偏最小二乘回歸的預(yù)測(cè)集決定系數(shù)2C分別為0.9543和0.9384，均方根誤差SEC分別為5.8205℃和6.7634℃，MLR模型預(yù)測(cè)效果優(yōu)于偏最小二乘回歸模型；非線性模型支持向量回歸優(yōu)于人工神經(jīng)網(wǎng)絡(luò)模型，其預(yù)測(cè)集決定系數(shù)2C和交叉驗(yàn)證決定系數(shù)2CV分別為0.9837和0.9496，均方根誤差SEC和交叉驗(yàn)證均方根誤差SECV分別為3.5215℃和6.1236℃，北京烤鴨中心溫度預(yù)測(cè)模型構(gòu)建以支持向量回歸模型效果最好；支持向量回歸驗(yàn)證集的決定系數(shù)2V較高，達(dá)到0.9748，均方根誤差SEV為5.5204℃，結(jié)合建模結(jié)果得出支持向量回歸模型預(yù)測(cè)掛爐烤制北京烤鴨的中心溫度效果最佳。【結(jié)論】北京烤鴨胸肉的色度、肌紅蛋白、水分含量、脂肪含量、蛋白二級(jí)結(jié)構(gòu)等可有效識(shí)別北京烤鴨的中心溫度；基于品質(zhì)指標(biāo)的SVR模型可準(zhǔn)確預(yù)測(cè)烤鴨的中心溫度。

北京烤鴨；中心溫度；品質(zhì)；預(yù)測(cè)模型

0 引言

【研究意義】北京烤鴨歷史悠久，被譽(yù)為“天下美味”而馳名中外[1-3]。目前餐飲店加工的北京烤鴨95%以上采用明火掛爐烤制，烤制過(guò)程火候控制和產(chǎn)品熟度（degree of doneness）判定皆依賴于操作師傅的經(jīng)驗(yàn)，缺乏自動(dòng)控溫設(shè)備和熟度量化標(biāo)準(zhǔn)，從而經(jīng)常造成產(chǎn)品品質(zhì)不均、質(zhì)量不穩(wěn)等問(wèn)題，難以實(shí)現(xiàn)標(biāo)準(zhǔn)化生產(chǎn)。熟度是指肉類的烹調(diào)成熟度，直接影響肉品的適口性和消費(fèi)者的接受程度[4-5]?？局平K點(diǎn)的中心溫度對(duì)肉制品的嫩度、色澤和風(fēng)味等均產(chǎn)生較大的影響[6-8]，是標(biāo)準(zhǔn)化生產(chǎn)的關(guān)鍵控制點(diǎn)，是判斷其熟度的核心參數(shù)。肉類烹調(diào)程度受烹調(diào)時(shí)間和溫度的控制，“適度”為主要原則，測(cè)溫法被確定為肉類烹調(diào)程度的最常用方法[4]。實(shí)時(shí)掌握烤制過(guò)程中產(chǎn)品的中心溫度，可以較好地判定產(chǎn)品的熟度?！厩叭搜芯窟M(jìn)展】肉品中心溫度的監(jiān)測(cè)常使用專用溫度計(jì)。肉用溫度計(jì)有兩種類型—直接型和間接型[4]。目前，在烤制環(huán)境溫度較低及沒(méi)有明火存在的情況下，使用溫度記錄儀連接探針可以方便快捷地反映中心溫度變化情況[6,9]，例如微波烤制牛肉[10]、榮昌烤制豬肉[8]等，從而控制其嫩度、風(fēng)味等品質(zhì)。國(guó)內(nèi)外學(xué)者開(kāi)展了中心溫度與肉品品質(zhì)相關(guān)的研究工作[6-7,9-14]。李宏燕等[11]利用紅外測(cè)溫儀測(cè)定羊肉的中心溫度。潘騰等[9]采用熱電偶聯(lián)合多路巡檢控制儀監(jiān)測(cè)烤制羊排中心溫度?！颈狙芯壳腥朦c(diǎn)】北京烤鴨掛爐烤制過(guò)程中采用明火加熱，其中心溫度的監(jiān)測(cè)對(duì)于溫度記錄儀的設(shè)備要求苛刻，溫度探針的壽命非常短，監(jiān)測(cè)成本大幅增加，亟需開(kāi)發(fā)新的中心溫度監(jiān)測(cè)技術(shù)。【擬解決的關(guān)鍵問(wèn)題】本研究利用品質(zhì)指標(biāo)構(gòu)建中心溫度的預(yù)測(cè)模型，實(shí)現(xiàn)傳統(tǒng)掛爐烤鴨的中心溫度實(shí)時(shí)預(yù)測(cè)，為北京烤鴨熟度的判定提供一種新的途徑。

1 材料與方法

試驗(yàn)于2018年12月至2019年3月在中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品加工研究所/農(nóng)業(yè)農(nóng)村部農(nóng)產(chǎn)品加工重點(diǎn)實(shí)驗(yàn)室和北京東直門(mén)東興樓飯莊進(jìn)行。

1.1 材料

試驗(yàn)樣品購(gòu)于北京金星鴨業(yè)有限公司，品種為北京四系填鴨，鴨體質(zhì)量為（2 000±300）g，42日齡。按照《鮮（凍）畜、禽產(chǎn)品》（GB2707—2016）和《鴨肉等級(jí)規(guī)格》（NY/T 1760—2009）要求的操作規(guī)程屠宰，屠宰后冷卻成熟后的鮮鴨坯。隨機(jī)選取105只試驗(yàn)鴨，其中84只作為校正集樣品用于構(gòu)建和優(yōu)化模型，21只樣品作為驗(yàn)證集用于驗(yàn)證模型預(yù)測(cè)的準(zhǔn)確性。

1.2 儀器與設(shè)備

CM700d柯尼卡美能達(dá)分光測(cè)色儀（日本柯尼卡美能達(dá)商用科技股份有限公司），Vertex 80V型傅里葉變換紅外光譜儀（德國(guó)Bruker公司），SER 148型全自動(dòng)粗脂肪測(cè)定儀（丹麥FOSS公司），LK1048U溫度記錄儀（江蘇常州藍(lán)光電子有限公司），DH070A干燥箱（上海一恒科學(xué)儀器有限公司）。

1.3 試驗(yàn)方法

1.3.1 樣品制備 在北京東直門(mén)東興樓飯莊由烤鴨師按照傳統(tǒng)技法[15]對(duì)鴨坯進(jìn)行處理，所用掛爐烤鴨爐內(nèi)空氣溫度維持在203—254℃，掛鴨爐中部區(qū)域溫度為224—235℃。試驗(yàn)設(shè)置0、10、20、30、40、50和60 min 7個(gè)時(shí)間點(diǎn)，每個(gè)時(shí)間點(diǎn)各取出15只鴨坯并分離出鴨胸肉，12只用于模型構(gòu)建，3只用于模型驗(yàn)證，立即測(cè)定或-80℃凍存后測(cè)定。

1.3.2 中心溫度的測(cè)定 中心溫度的監(jiān)測(cè)是將溫度記錄儀探針插入左側(cè)鴨胸肉的中心部位，采用溫度記錄儀對(duì)鴨胸肉的中心溫度進(jìn)行連續(xù)檢測(cè)，每10 s讀取一次數(shù)據(jù)，直至烤制結(jié)束。

1.3.3 色澤的測(cè)定 參照Li等[16]的方法，測(cè)定北京烤鴨胸肉的亮度值*、紅度值*、黃度值*以及根據(jù)公式計(jì)算脫氧肌紅蛋白、氧合肌紅蛋白以及高鐵肌紅蛋白含量。

高鐵肌紅蛋白MetMb=C(MetMb）/C(Mb)=-0.159R1- 0.085R2+1.262R3-0.520

氧合肌紅蛋白OxyMb=C(OxyMb)/C(Mb)=0.722R1- 1.432R2-1.659R3+2.599

脫氧肌紅蛋白DeoMb=C(DeoMb)/C(Mb)=-0.543R1+ 1.594R2+0.552R3-1.329

R1=A582/A525，R2=A557/A525，R3=A503/A525

1.3.4 水分含量的測(cè)定 采用GB/T 5009.3—2016的第一法直接干燥法測(cè)定。

1.3.5 脂肪含量的測(cè)定 采用GB/T 5009.6—2016的第二法酸水解法測(cè)定。

1.3.6-螺旋、-折疊、-轉(zhuǎn)角、無(wú)規(guī)則卷曲 采用配有ATR附件的Vertex 80V型傅里葉變換紅外光譜儀測(cè)定蛋白二級(jí)結(jié)構(gòu)（如-螺旋、-折疊、-轉(zhuǎn)角、無(wú)規(guī)則卷曲）。參照文獻(xiàn)[17]方法將參數(shù)調(diào)整為：液氮冷卻的MCT檢測(cè)器，有45°孔徑角晶體Ge片。將鴨胸肉去除表面1 mm后，取很薄的一層樣品覆蓋于ATR附件的晶體Ge片上，壓緊，使樣品和晶體充分接觸。積分球漫反射，分辨率8 cm-1，掃描次數(shù)64次，光譜掃描范圍4 000—600 cm-1。測(cè)前先用丙酮清洗Ge晶體，再用去離子水清洗，最后用脫脂棉擦干。

1.4 構(gòu)建中心溫度預(yù)測(cè)模型

采用MATLAB軟件的多元線性回歸（multiple linear regression，MLR）和偏最小二乘回歸（partial least square method，PLSR）[18]兩種線性建模方法及支持向量回歸（support vector regression，SVR）和人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）[19]2種非線性建模方法，基于北京烤鴨胸肉的色澤、肌紅蛋白、水分含量、脂肪含量、蛋白二級(jí)結(jié)構(gòu)等構(gòu)建北京烤鴨中心溫度預(yù)測(cè)模型，通過(guò)校正集、留一法交叉驗(yàn)證以及驗(yàn)證集（外部）的決定系數(shù)和均方根誤差評(píng)價(jià)北京烤鴨中心溫度預(yù)測(cè)模型的預(yù)測(cè)效果、穩(wěn)定性和適用性。

本研究利用pls_toolbox工具包（來(lái)源于Eigenvector Research Incorporated）進(jìn)行算法優(yōu)化和建模分析。采用支持向量機(jī)模型建立烤鴨中心溫度預(yù)測(cè)模型時(shí)，選擇核函數(shù)時(shí)，對(duì)比線性核函數(shù)和徑向核函數(shù)后發(fā)現(xiàn)徑向核函數(shù)的預(yù)測(cè)效果較好，基于徑向核函數(shù)建立支持向量機(jī)模型。選擇最佳懲罰因子時(shí)，設(shè)置從10-3—100范圍優(yōu)化，優(yōu)化的懲罰因子為31.26。使用ANN算法時(shí)，首先將數(shù)據(jù)進(jìn)行歸一化處理，然后利用工具包的默認(rèn)設(shè)置用于超函數(shù)的優(yōu)化，構(gòu)建ANN模型。

1.5 數(shù)據(jù)統(tǒng)計(jì)分析

每組試驗(yàn)樣品做6個(gè)平行，以平均值±標(biāo)準(zhǔn)差表示；采用SPSS 22.0（IBM Corporation Inc., USA）進(jìn)行單因素方差分析，顯著性分析置信度95%（0.05）；ORIGIN 8.6（OriginLab Corporation, Northampton, MA, USA）作圖；MATLAB 2014a（Mathworks Inc, Natick, MA, USA）進(jìn)行模型構(gòu)建與驗(yàn)證。

2 結(jié)果

2.1 北京烤鴨中心溫度及相關(guān)品質(zhì)指標(biāo)變化

2.1.1 中心溫度變化 烤制過(guò)程中，北京烤鴨的中心溫度從開(kāi)始時(shí)的20.8℃分別以每分鐘2.04℃、2.19℃、1.36℃、1.01℃、1.07℃、0.16℃的速率升溫至結(jié)束時(shí)的99.1℃（＜0.05，圖1）。為了得到鴨胸肉溫度上升規(guī)律，采用Origin軟件進(jìn)行模型擬合得出鴨胸肉中心溫度變化與二次函數(shù)曲線相似度較高，鴨胸肉的中心溫度符合方程：=19.824+1.807-0.8822（＜60 min），對(duì)方程進(jìn)行檢驗(yàn)，得到Adj.2=0.991，F(xiàn)=2158.21，F(xiàn)檢驗(yàn)顯著性＜0.01，說(shuō)明方程擬合非常顯著。

不同小寫(xiě)字母表示差異顯著（P<0.05）。下同

2.1.2 色澤變化 隨著溫度升高，肌紅蛋白的熱變性使肉色變化加速[12]。*是食品工業(yè)品質(zhì)控制的因素[14,20]，肌球蛋白和肌動(dòng)蛋白的熱變性[21]使*增加[22]。美拉德反應(yīng)的中間產(chǎn)物和最終產(chǎn)物為黃色/棕色，肉中色素類化合物降解程度增大[23-24]。由圖2可知，烤制期間，北京烤鴨鴨胸肉的*、*、脫氧肌紅蛋白和氧合肌紅蛋白含量上升，*和高鐵肌紅蛋白含量下降（＜0.05）。隨著烤制時(shí)間的延長(zhǎng)，鴨胸肉的*值從開(kāi)始的43.91上升至65.67（＜0.05），20 min時(shí)*值顯著低于40 min（0.05）。*值先上升后降低（0.05），40 min后保持穩(wěn)定（＞0.05）?？局七^(guò)程中，脫氧肌紅蛋白含量從初始的11.22%上升至50 min的25.62%（<0.05）；高鐵肌紅蛋白含量下降至40 min的49.67%（<0.05），而后以平均每分鐘0.41%的速度降至43.67%（<0.05）。

2.1.3 水分含量和脂肪含量變化 肌肉組織中與水結(jié)合的主要成分是蛋白質(zhì)，加熱后肉中蛋白質(zhì)逐漸變性或沉淀，失去結(jié)合水的能力，導(dǎo)致水分流失，水分被輸送到樣品的邊緣或表面[10]。隨著烤制時(shí)間的延長(zhǎng)，北京烤鴨的水分含量從75.56%降至58.70%（＜0.05），但30 min和40 min、40 min和50 min之間保持穩(wěn)定（＞0.05）（圖3）。肉中脂肪流失和分布情況改變對(duì)肉的品質(zhì)和嫩度至關(guān)重要[25]。北京烤鴨胸肉的脂肪含量由0.47%升至4.52%（＜0.05），30 min和50 min無(wú)明顯變化（＞0.05），30 min是脂肪含量變化的拐點(diǎn)（圖3）?？局破陂g，鴨坯的皮下脂肪受熱后液化，在熱力推動(dòng)下向鴨胸肉中遷移，部分皮下脂肪直接流出形成滴油[26]。

圖2 不同烤制時(shí)間對(duì)北京烤鴨色澤的影響

圖3 烤制過(guò)程中北京烤鴨水分含量和脂肪含量的變化

2.1.4 肌原纖維蛋白二級(jí)結(jié)構(gòu)變化 當(dāng)幾乎所有的蛋白質(zhì)二級(jí)結(jié)構(gòu)和三級(jí)結(jié)構(gòu)遭到破壞時(shí)，蛋白會(huì)展開(kāi)并聚集[27-28]。目前廣泛應(yīng)用紅外光譜的酰胺I帶（1 700—1 600 cm-1）的波峰分析蛋白二級(jí)結(jié)構(gòu)，對(duì)熱致肌肉蛋白變化進(jìn)行表征[29-32]。圖4為不同烤制時(shí)間北京烤鴨胸肉的紅外光譜圖。隨著烤制時(shí)間延長(zhǎng)，北京烤鴨的胸肉-螺旋先下降后上升，-轉(zhuǎn)角上升，無(wú)規(guī)則卷曲下降（＜0.05），出現(xiàn)轉(zhuǎn)折的時(shí)間點(diǎn)不一致，但是折疊變化不大（＞0.05），這是由于蛋白質(zhì)熱變性導(dǎo)致蛋白的不可逆沉淀及-折疊展開(kāi)[31-32]。

2.2 中心溫度預(yù)測(cè)模型的構(gòu)建與驗(yàn)證

2.2.1 預(yù)測(cè)模型的比較 利用鴨胸肉的色澤、肌紅蛋白含量、水分含量、脂肪含量、蛋白二級(jí)結(jié)構(gòu)等參數(shù)，基于多元線性回歸（MLR）、偏最小二乘法（PLSR）、支持向量回歸（SVR）、人工神經(jīng)網(wǎng)絡(luò)（ANN）4種建模方法構(gòu)建了構(gòu)建北京烤鴨中心溫度的預(yù)測(cè)模型[33]。采用“留一法”交叉驗(yàn)證[19]綜合評(píng)價(jià)模型的預(yù)測(cè)效果；以測(cè)量值為橫坐標(biāo)、預(yù)測(cè)值為縱坐標(biāo)繪制4種預(yù)測(cè)模型的散點(diǎn)圖，篩選中心溫度的最佳預(yù)測(cè)模型，具體結(jié)果如表1和圖5所示。

從表1和圖5所示的建模結(jié)果來(lái)看，北京烤鴨中心溫度的4種預(yù)測(cè)模型中，線性模型MLR和PLSR的預(yù)測(cè)效果接近，預(yù)測(cè)集決定系數(shù)2分別為0.9543和0.9384，均方根誤差SEC分別為5.8205℃和6.7634℃，PLSR的模型方程為=0.58311-0.57232+ 0.91203+1.74964+1.04775+0.46256-1.77567-0.01018+0.21559+0.401510+1.226211+0.869612；MLR的模型方程為=0.51381-1.21662+1.81293+14.44544+ 14.68935+13.69346-1.76537+0.25128-13.20679-12.781210-12.691211-12.667112，但是二者的交叉驗(yàn)證結(jié)果差距明顯，MLR模型要優(yōu)于PLSR，前者交叉驗(yàn)證的決定系數(shù)2CV為0.9376，均方根誤差SECV為6.8249℃，因此MLR模型預(yù)測(cè)效果優(yōu)于PLSR模型。非線性模型SVR優(yōu)于ANN模型，前者預(yù)測(cè)集決定系數(shù)2C和交叉驗(yàn)證決定系數(shù)2CV分別為0.9837和0.9496，均方根誤差SEC和交叉驗(yàn)證均方根誤差SECV分別為3.5215℃和6.1236℃。綜上，在北京烤鴨中心溫度預(yù)測(cè)模型構(gòu)建時(shí)SVR模型效果最好，MLR、PLSR、ANN次之。

圖4 北京烤鴨烤制期間蛋白二級(jí)結(jié)構(gòu)的變化

表1 北京烤鴨中心溫度的預(yù)測(cè)模型

公式中1代表*，2代表*，3代表*，4代表脫氧肌紅蛋白含量，5代表氧合肌紅蛋白含量，6代表高鐵肌紅蛋白含量，7代表水分含量，8代表脂肪含量，9代表α-螺旋含量，10代表-折疊含量，11代表-轉(zhuǎn)角含量，12代表無(wú)規(guī)則卷曲含量

The1-12in the formula represent*,*,*, content of deoxymyoglobin, content of oxymyoglobin, content of metmyoglobin, moisture content, fat content, content of-helix, content of-sheet, content of-turn, and content of random coil, respectively

圖5 中心溫度的模型預(yù)測(cè)結(jié)果

2.2.2 模型驗(yàn)證 選取21個(gè)樣品的色澤、肌紅蛋白含量、水分含量、脂肪含量、蛋白二級(jí)結(jié)構(gòu)等作為驗(yàn)證集，采用外部驗(yàn)證法對(duì)中心溫度的支持向量機(jī)回歸（SVR）預(yù)測(cè)模型進(jìn)行驗(yàn)證；以測(cè)量值為橫坐標(biāo)、驗(yàn)證值為縱坐標(biāo)繪制中心溫度預(yù)測(cè)模型驗(yàn)證結(jié)果的散點(diǎn)圖，如圖6所示。SVR驗(yàn)證集的決定系數(shù)2V較高，達(dá)到0.9748，均方根誤差SEV為5.5204℃，集合建模結(jié)果說(shuō)明基于色澤、肌紅蛋白含量、水分含量、脂肪含量、蛋白二級(jí)結(jié)構(gòu)等品質(zhì)參數(shù)的SVR模型能較準(zhǔn)確地預(yù)測(cè)北京烤鴨中心溫度，具有較好的穩(wěn)定性和預(yù)測(cè)能力。

3 討論

烤制期間北京烤鴨發(fā)生蛋白質(zhì)熱變性聚集，形成凝膠，同時(shí)水分遷移和蒸發(fā)，從而使北京烤鴨呈現(xiàn)不同的色澤、嫩度等。溫度55℃時(shí)肌紅蛋白熱變性導(dǎo)致肉色變白，65—80℃時(shí)肌紅蛋白完全變性[12]，肌原纖維蛋白等變性引起的結(jié)構(gòu)變化可能導(dǎo)致肌紅蛋白的光散射和光學(xué)掩蔽作用增強(qiáng)，產(chǎn)生更淡的顏色[34]。北京烤鴨的中心溫度從20.8℃升溫至99.1℃，水分含量逐漸降低，脂肪含量不斷升高，烤制結(jié)束時(shí)烤鴨肉質(zhì)細(xì)嫩，品質(zhì)佳，這與以前的高溫烹飪（>95℃）會(huì)使鴨肉質(zhì)量變劣[20]的結(jié)果不一致，可能是由于烤制期間鴨肉蛋白受熱變性、二級(jí)結(jié)構(gòu)改變所致?？局?0 min時(shí)鴨胸肉的中心溫度達(dá)到60℃以上，肌紅蛋白開(kāi)始發(fā)生變性；40 min時(shí)中心溫度大于85℃，肌紅蛋白完全變性，色澤穩(wěn)定下來(lái)[12,21,24]；蛋白質(zhì)變性也會(huì)降低保水能力，導(dǎo)致烤制過(guò)程中水分損失[35]，北京烤鴨的水分含量不斷降低[13]。因此，掛爐烤制過(guò)程中蛋白質(zhì)熱變性、二級(jí)結(jié)構(gòu)、水分含量和脂肪含量等能反映肉品中心溫度的變化。

圖6 SVR模型的驗(yàn)證結(jié)果

多元線性回歸（MLR）、偏最小二乘回歸（PLSR）、支持向量回歸（SVR）和人工神經(jīng)網(wǎng)絡(luò)（ANN）等常用于多變量數(shù)據(jù)的相關(guān)性預(yù)測(cè)[18-19,36]。采用上述4種方法構(gòu)建的北京烤鴨中心溫度預(yù)測(cè)模型都可成功實(shí)現(xiàn)中心溫度的預(yù)測(cè)，但是各模型的預(yù)測(cè)精度不同。本研究所建線性模型MLR和PLSR的預(yù)測(cè)集決定系數(shù)2分別為0.9543和0.9384，均方根誤差SEC分別為5.8205℃和6.7634℃，MLR模型預(yù)測(cè)效果優(yōu)于PLSR模型，但是二者的預(yù)測(cè)精度偏低[18-19,33]。北京烤鴨中心溫度的非線性預(yù)測(cè)模型SVR和ANN的預(yù)測(cè)集決定系數(shù)2C和交叉驗(yàn)證決定系數(shù)2CV高于線性模型，且SVR優(yōu)于ANN模型，這與SVR和ANN預(yù)測(cè)模型對(duì)交互數(shù)據(jù)強(qiáng)大的處理能力有關(guān)[33,36]。傳統(tǒng)北京掛爐烤鴨中心溫度的監(jiān)測(cè)成本高、難度大，利用品質(zhì)指標(biāo)構(gòu)建中心溫度預(yù)測(cè)模型，可較好地預(yù)測(cè)掛爐烤制期間北京烤鴨的中心溫度，實(shí)現(xiàn)熟度的快速識(shí)別。

4 結(jié)論

（1）烤制過(guò)程中北京烤鴨的中心溫度以二次函數(shù)方式快速升高，蛋白質(zhì)二級(jí)結(jié)構(gòu)遭到破壞，肌紅蛋白、肌球蛋白和肌動(dòng)蛋白的熱變性使鴨胸肉的*值和*增加、*下降，部分脂肪與水分形成烤制損失，部分脂肪向鴨胸肉中遷移，造成鴨胸肉的水分含量下降和脂肪含量增加。

（2）北京烤鴨胸肉的5個(gè)特征：色度、肌紅蛋白、水分含量、脂肪含量、蛋白二級(jí)結(jié)構(gòu)，能夠用來(lái)有效識(shí)別北京烤鴨的中心溫度。

（3）基于色澤、肌紅蛋白含量、水分含量、脂肪含量、蛋白二級(jí)結(jié)構(gòu)等品質(zhì)參數(shù)的SVR模型可準(zhǔn)確預(yù)測(cè)掛爐烤制期間北京烤鴨的中心溫度。

[1] 王雅琪, 饒偉麗, 田建文, 王振宇. 烤鴨綠色制造技術(shù)研究進(jìn)展. 食品工業(yè)科技, 2017, 38(13): 315-319.

Wang Y Q, Rao W L, Tian J W, Wang Z Z. Research progress in green manufacturing technology of roasted duck., 2017, 38(13): 315-319. (in Chinese)

[2] 周小理, 王雨薔, 唐文, 謝凡, 周一鳴. 烤鴨水提物細(xì)胞抗氧化活性的研究. 食品工業(yè), 2016, 37(6): 212-215.

ZHOU X L, WANG Y Q, TANG W, XIE F, ZHOU Y M. Research of water-soluble extracts from roast duck on cell antioxidant activity., 2016, 37(6): 212-215. (in Chinese)

[3] Huang J. The dining experience of Beijing Roast Duck: A comparative study of the Chinese and English online consumer reviews., 2017, 66: 117-129.

[4] 劉登勇, 周光宏, 徐幸蓮. 西餐中肉類烹調(diào)程度的控制. 揚(yáng)州大學(xué)烹飪學(xué)報(bào), 2004(3): 37-40.

LIU D Y, ZHOU G H, XU X L. Control of meat cooking degree in western cuisine., 2004(3): 37-40. (in Chinese)

[5] 萬(wàn)紅兵, 祁興磊, 李海鵬, 王歡, 雷元華, 張松山, 謝鵬, 劉璇, 孫寶忠. 加熱溫度和時(shí)間對(duì)牛肉嫩度影響的主成分分析評(píng)價(jià).農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(13): 303-310.

WAN H B, QI X L, LI H P, Wang H, Lei Y H, Zhang S H, Xie P, Liu X, Sun B Z. Evaluation of effects of heating temperature and time on tenderness of beef based on principal component analysis., 2018, 34(13): 303-310. (in Chinese)

[6] Aaslyng M D, Bejerholm C, Ertbjerg P, Bertram H C, Andersen H J. Cooking loss and juiciness of pork in relation to raw meat quality and cooking procedure., 2003, 14(4): 277-288.

[7] Wattanachant S, Benjakul S, Ledward D A. Effect of heat treatment on changes in texture, structure and properties of Thai indigenous chicken muscle., 2005, 93(2): 337-348.

[8] 秦剛. 榮昌豬肉在不同烤制溫度中揮發(fā)性風(fēng)味物質(zhì)的研究[D]. 重慶: 西南大學(xué), 2011.

Qin G. Study on the aroma compounds of Rong-chang pork at different core temperature in processing [D]. Chongqing: Southwest University, 2011. (in Chinese)

[9] 潘騰, 孟靜, 崔建云, 郭慧媛, 羅海玲, 葛克山. 商業(yè)化烤制羊排中心溫度預(yù)測(cè)模型. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(6): 233-238.

PAN T, MENG J, CUI J Y, GUO H Y, LUO H L, GE K S. Mathematical model for predicting core temperature of commercial mutton chops during grilling., 2015, 46(6): 233-238. (in Chinese)

[10] Liu Y W, Sun D W, Cheng J H, Han Z. Hyperspectral imaging sensing of changes in moisture content and color of beef during microwave heating process., 2018, 11(9): 2472-2484.

[11] 李宏燕, 何建國(guó), 馬瑩, 王松磊, 吳龍國(guó), 康寧波, 王芹志. 自然對(duì)流紅外輻射復(fù)合加熱在羊肉烤制過(guò)程中的傳熱解析. 食品科學(xué), 2017, 38(21): 61-66.

LI H Y, HE J G, MA Y, WANG S L, WU L G, KANG N B, WANG Q Z. Heating transfer analysis during mutton roasting by natural convection combined with infrared radiation., 2017, 38(21): 61-66. (in Chinese)

[12] Felix R, Feyissa A H. Kinetic Modeling of Texture and Color Changes During Thermal Treatment of Chicken Breast Meat., 2018, 11(8): 1495-1504.

[13] 劉晶晶. 結(jié)締組織熱變化對(duì)牛肉嫩度影響的研究[D]. 北京: 中國(guó)農(nóng)業(yè)科學(xué)院, 2018.

LIU J J. The influence of heat change of connective tissue on beef tenderness[D]. Beijing: Chinese Academy of Agricultural Sciences, 2018. (in Chinese)

[14] Vieira E S, Mársico E T, Conte-Junior C A, Damiani C, Canto A C V C S, Monteiro M L G, Silva F A. Effects of different frying techniques on the color, fatty acid profile, and lipid oxidation of., 2018, 42(11): e13820.

[15] 葉樹(shù)良. 北京烤鴨加工工藝研究. 肉類工業(yè), 2012(8): 8-9.

YE S L. Study on processing technology of Beijing roast duck., 2012(8): 8-9. (in Chinese)

[16] Li X, Zhang Y, Li Z, Li M, Liu Y F, Zhang D Q. The effect of temperature in the range of -0.8 to 4℃ on lamb meat color stability., 2017, 134: 28-33.

[17] Zhang L L, Zhang F X, Wang X. Changes of protein secondary structures of pollock surimi gels under high-temperature (100℃ and 120℃) treatment., 2016, 171: 159-163.

[18] 艾虎. 基于計(jì)算機(jī)視覺(jué)的人工神經(jīng)網(wǎng)絡(luò)和圖像處理技術(shù)的牛肉大理石花紋自動(dòng)分級(jí)研究[D]. 雅安: 四川農(nóng)業(yè)大學(xué), 2009.

AI H. Study on the automatic grading for beef marbling based on computer vision ＆ artificial neural network ＆ image processing. Ya’an: Sichuan Agricultural University, 2009. (in Chinese)

[19] 田曉靜. 基于電子鼻和電子舌的羊肉品質(zhì)檢測(cè)[D]. 杭州: 浙江大學(xué), 2014.

Tian X J. Detection of mutton quality based on electronic nose and lectronic tongue [D].Hangzhou: Zhejiang University, 2014. (in Chinese)

[20] Khan M A, Ali S, Yang H j, Kamboh A A, Ahmad Z, Tume R K, Zhou G h. Improvement of color, texture and food safety of ready-to-eat high pressure-heat treated duck breast., 2019, 277: 646-654.

[21] Yu X y, Llave Y, Fukuoka M, Sakai N. Estimation of color changes in fish surface at the beginning of grilling based on the degree of protein denaturation., 2014, 129: 12-20.

[22] Ferrini G, Comaposada J, Arnau J, Gou P. Colour modification in a cured meat model dried by Quick-Dry-Slice process? and high pressure processed as a function of NaCl, KCl, K-lactate and water contents., 2012, 13: 69-74.

[23] García-Romero J, Ginés R, Izquierdo M S, Haroun R, Badilla R, Robaina L. Effect of dietary substitution of fish meal for marine crab and echinoderm meals on growth performance, ammonia excretion, skin colour, and flesh quality and oxidation of red porgy ()., 2014, 422/423: 239-248.

[24] Cai L y, Li D m, Dong Z j, Cao A l, Lin H, Li J r. Change regularity of the characteristics of Maillard reaction products derived from xylose and Chinese shrimp waste hydrolysates., 2016, 65: 908-916.

[25] Yarmand M S, Homayouni A. Effect of microwave cooking on the microstructure and quality of meat in goat and lamb., 2009, 112(4): 782-785.

[26] Adedeji A A, Ngadi M O, Raghavan G S V. Kinetics of mass transfer in microwave precooked and deep-fat fried chicken nuggets., 2009, 91(1): 146-153.

[27] Yu T Y, Morton J D, Clerens S, Dyer J M. Cooking-induced protein modifications in meat., 2017, 16(1): 141-159.

[28] Wei L q, Cui B w, Jamali M A, Hui T, Liu S x, Bao Y j, Peng Z q, Zhang Y w. The mechanics of formation of heat- induced myofibrillar protein gel from rabbit psoas major., 2017, 15(2): 181-190.

[29] B?cker U, Ofstad R, Bertram H C, Egelandsdal B, Kohler A. Salt-induced changes in pork myofibrillar tissue investigated by FT-IR microspectroscopy and light microscopy., 2006, 54(18): 6733-6740.

[30] Bertram H C, Kohler A, B?cker U, Ofstad R, Andersen H J. Heat-induced changes in myofibrillar protein structures and myowater of two pork qualities. A combined FT-IR spectroscopy and low-field NMR relaxometry study., 2006, 54(5): 1740-1746.

[31] Kirschner C, Ofstad R, Skarpeid H J, H?st V, Kohler A. Monitoring of denaturation processes in aged beef loin by fourier transform infrared microspectroscopy., 2004, 52(12): 3920-3929.

[32] Hashim D M, Che Man Y B, Norakasha R, Shuhaimi M, Salmah Y, Syahariza Z A. Potential use of Fourier transform infrared spectroscopy for differentiation of bovine and porcine gelatins., 2010, 118(3): 856-860.

[33] Farifteh J, Van der Meer F, Atzberger C, Carranza E J M. Quantitative analysis of salt-affected soil reflectance spectra: A comparison of two adaptive methods (PLSR and ANN)., 2007, 110(1): 59-78.

[34] Hughes J M, Oiseth S K, Purslow P P, Warner R D. A structural approach to understanding the interactions between colour, water-holding capacity and tenderness., 2014, 98(3): 520-532.

[35] Micklandery E, Peshlovy B, Purslow P P, Engelseny S B. NMR-cooking: monitoring the changes in meat during cooking by low-field1H-NMR., 2002, 13(9/10): 341-346.

[36] 熊振杰. 基于高光譜成像技術(shù)的雞肉品質(zhì)快速無(wú)損檢測(cè)[D]. 廣州: 華南理工大學(xué), 2015.

XIONG Z J. Rapid and non-destructive detection of chicken meat quality based onhyperspectral imaging technique [D]. Guangzhou: South China University of Technology, 2015. (in Chinese)

Prediction of Center Temperature of Beijing Roast Duck Based on Quality Index

LIU YanXia1,2, WANG ZhenYu1, ZHENG XiaoChun1, ZHU YaoDi2, CHEN Li1, ZHANG DeQuan1

(1Institute of Food Science and Technology, Chinese Academy of Agricultural Sciences/Key Laboratory of Agro-Products Processing, Ministry of Agriculture and Rural Affairs, Beijing 100193;2College of Food science and Technology, Henan Agricultural University/Henan Key Laboratory of Meat Processing and Quality Safety Control, Zhengzhou 450002)

【Objective】 The aim of this study was to solve the problem in detecting center temperature of Beijing roast duck during traditional Gua-lu roasting accurately and timely. 【Method】The prediction models of center temperature were established by using multiple linear regression, partial least-squares regression, support vector regression and artificial neural network according to the quality indicators. 【Result】The results showed that the models were effective to identify center temperature of Beijing roast duck by*,*,*, deoxymyoglobin, oxymyoglobin, metmyoglobin, moisture and fat content, as well as protein secondary structure of duck breast. The R2Cof multiple linear regression and partial least-squares regression were 0.9543 and 0.9384, and SEC of 5.8205℃ and 6.7634℃, respectively. The prediction effect of multiple linear regression was better than partial least-squares regression, while the prediction model of support vector regression was superior to artificial neural network.2Cand2CVof support vector regression were 0.9837 and 0.9496, SEC and SECV were 3.5215℃ and 6.1236℃, respectively, so the support vector regression was the best prediction model of center temperature. The2Vof the verified models of support vector regression was 0.9748, and the SEV was 5.5204℃. The model obtained by support vector regression together with the modeling results could accurately predict the center temperature of Beijing roast duck. 【Conclusion】The color, myoglobin, water content, fat content and protein secondary structure of the breast of Beijing roast duck could effectively identify the central temperature. The SVR model was the most accurate prediction model for the center temperature.

Beijing roast duck; center temperature; quality; prediction model

2019-12-10；

2020-02-14

國(guó)家重點(diǎn)研發(fā)計(jì)劃（2016YFD0401505）

柳艷霞，E-mail：liuyanxia@henau.edu.cn。通信作者張德權(quán)，E-mail：dequan_zhang0118@126.com

（責(zé)任編輯 趙伶俐）