無損檢測技術(shù)在羊肉品質(zhì)分析中的研究進(jìn)展

姜 莎 閆彩霞 范 鑫 張彥斌 張宏博

內(nèi)蒙古自治區(qū)市場監(jiān)督管理審評查驗(yàn)中心 內(nèi)蒙古呼和浩特 010090

隨著居民生活水平的提高和消費(fèi)觀念的改變，肉類消費(fèi)結(jié)構(gòu)發(fā)生變化。羊肉因脂肪和膽固醇含量較低，且含有較高的蛋白質(zhì)，逐漸受到消費(fèi)者的歡迎，需求量不斷上升。據(jù)國家統(tǒng)計(jì)局?jǐn)?shù)據(jù)，2019年全國羊肉產(chǎn)量488萬噸，同比增長2.6%。從肉類供給結(jié)構(gòu)看，羊肉產(chǎn)量占肉產(chǎn)品總產(chǎn)量逐年穩(wěn)步上升，發(fā)展空間可期[1]。對其品質(zhì)進(jìn)行管理、監(jiān)測是肉品行業(yè)的重要工作之一。傳統(tǒng)的品質(zhì)評價(jià)主要以感官檢測、理化檢測及微生物檢測為主[2]，由于實(shí)驗(yàn)周期較長且前處理具有一定破壞性，使得常規(guī)檢測技術(shù)很難滿足日益增長的肉品消費(fèi)量的需求[3]。近年來，無損檢測技術(shù)以其無損化、快速性等優(yōu)點(diǎn)，在肉品品質(zhì)檢測領(lǐng)域發(fā)展迅速[4]。無損檢測指在不影響或不損害被測對象使用性能前提下[5]，利用聲、光、電、磁等特性快速判定被檢對象品質(zhì)的所有技術(shù)手段的總稱[6,7]。針對肉品在檢測過程中呈現(xiàn)出的特性,光譜、超聲波、射頻識別、核磁共振、X光成像、高光譜成像、計(jì)算機(jī)視覺、電子鼻、電子舌和生物傳感器等實(shí)時(shí)、快速、準(zhǔn)確、無損的檢測技術(shù)被應(yīng)用到肉品品質(zhì)檢測與評價(jià)中[8]。

本文綜述了國內(nèi)外羊肉品質(zhì)無損檢測方法的研究現(xiàn)狀，并對未來我國羊肉品質(zhì)無損檢測技術(shù)的研究與發(fā)展做出展望。

1 感官品質(zhì)的無損檢測技術(shù)與應(yīng)用

1.1 嫩度檢測

肉的嫩度是評價(jià)肉品食用品質(zhì)的重要指標(biāo)之一，也是影響消費(fèi)購買的因素之一[9]。國際上以切斷肉品肌纖維的難易程度作為嫩度的判斷標(biāo)準(zhǔn)，用剪切力值來表示[10]，嫩度(即柔韌性)的常規(guī)檢測技術(shù)為感官檢測，客觀檢測技術(shù)采用質(zhì)構(gòu)儀所檢測的最大剪切力代表嫩度值，是以破壞原材料為前提的檢測技術(shù)[11]。

王松磊[12](2016)等利用可見/近紅外高光譜圖譜融合技術(shù)對寧夏灘羊肉嫩度檢測進(jìn)行研究，創(chuàng)建羊肉嫩度的檢測模型，優(yōu)選經(jīng)Savitzky-Golay(S-G)卷積平滑法處理的特征波長下光譜信息，經(jīng)偏最小二乘回歸(partial least squares regression，PLSR)建立了相關(guān)系數(shù)為0.89，預(yù)測均方根誤差(root mean square error of prediction，RMSEP)為0.73的羊肉嫩度模型。張德權(quán)[13](2008)等以4個(gè)肉羊產(chǎn)區(qū)(內(nèi)蒙、寧夏、甘肅、新疆)篩選98份羊肉樣品為試材，應(yīng)用傅里葉變換近紅外光譜技術(shù)，采用偏最小二乘法(partial least squares，PLS)定量分析了羊肉嫩度，模型的決定系數(shù)(r2)為86.2%，校正標(biāo)準(zhǔn)差(root mean square error of cross validation，RMSECV)為0.445。Fowler[14](2014)等研究用拉曼光譜技術(shù)預(yù)測新鮮羊肉的剪切力，建立了羊肉嫩度與拉曼數(shù)據(jù)的聯(lián)系，發(fā)現(xiàn)拉曼數(shù)據(jù)與剪切力具有較好的相關(guān)性。王婉嬌[15](2015)等利用900～1 700 nm近紅外高光譜成像系統(tǒng)，提取樣本感興趣區(qū)域(region of interest，ROI)反射光譜曲線，用剪切力值來表征冷鮮羊肉的標(biāo)準(zhǔn)嫩度，結(jié)合偏最小二乘回歸化學(xué)計(jì)量分析方法建立了預(yù)測相關(guān)系數(shù)為0.773，均方根誤差值為1.060的羊肉嫩度預(yù)測模型，該模型具有較好的預(yù)測穩(wěn)定性。

1.2 色澤檢測

肉類顏色的好壞不僅影響其品質(zhì)，也會影響到消費(fèi)者的購買欲望[16]。評價(jià)方法以感官評估為主，主觀性較強(qiáng)?？陀^評定主要使用的是色差計(jì)[17,18]，一旦測量區(qū)域過大，有可能引起偏差，不適合大面積檢測[19]，難以滿足市場需求。

尚夢玉[20](2018)等通過900～1 700nm波長的近紅外高光譜成像技術(shù)對檢測羊肉的色澤，經(jīng)過標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variate，SNV)預(yù)處理，用正自適應(yīng)加權(quán)算法(competitive adaptive reweighted sampling，CARS)對其降維，并利用偏最小二乘回歸進(jìn)行建模；結(jié)果表明，高光譜技術(shù)用于預(yù)測肉的顏色是可行的。王婉嬌[21](2016)利用可見近紅外高光譜成像技術(shù)對羊肉色澤進(jìn)行檢測，通過建立PLSR模型，探究不同前處理對建模效果的影響；結(jié)果表明，經(jīng)S-G平滑處理后建立的冷鮮羊肉嫩度PLSR預(yù)測模型效果較好，對黃度b*的預(yù)測效果最明顯，可以此參數(shù)有效實(shí)現(xiàn)快速無損檢測冷鮮羊肉新鮮度的目的。許衛(wèi)東[22](2016)等采用高光譜圖像技術(shù)，對140個(gè)真空包裝冷卻羊肉儲存過程中的亮度(L*)、紅度(a*)、黃度(b*)和色差(e*)進(jìn)行檢測研究；結(jié)果表明，采用全波段和經(jīng)過遺傳算法(genetic algorithm，GA)提取的特征波段，經(jīng)建模處理后的精度優(yōu)于通過全波段建立的PLSR模型，然而b*的預(yù)測精度較低。梁曉燕[23](2016)等用波段為400～1 000nm的高光譜成像系統(tǒng)對140個(gè)冷鮮羊肉顏色進(jìn)行無損檢測研究；結(jié)果表明，可見-近紅外高光譜成像技術(shù)結(jié)合聯(lián)合區(qū)間偏最小二乘法對冷鮮羊肉顏色的快速無損檢測是可行的。程麗娟[24](2020)等利用可見近紅外光譜(visible near infrared spectrum，ViS-NIR)與化學(xué)計(jì)量學(xué)方法相結(jié)合，提取貯藏期間200個(gè)灘羊肉光譜圖像的感興趣區(qū)域，探討高光譜成像快速無損檢測灘羊肉中高鐵肌紅蛋白(metmyoglobin，MetMb)含量的可行性，以及開發(fā)灘羊肉中MetMb含量的定量函數(shù)；結(jié)果表明，最佳模型為間隔隨機(jī)蛙跳算法(interval random frog，IRF)+連續(xù)投影算法(successie projection algorithm，SPA)-偏最小二乘回歸(PLSR)，不僅減少了計(jì)算時(shí)間，而且生成了更準(zhǔn)確、更穩(wěn)健的預(yù)測模型。

2 理化指標(biāo)的無損檢測技術(shù)與應(yīng)用

肉主要由水分、蛋白質(zhì)、脂肪、無機(jī)物、維生素等組成，由于不同化學(xué)成分之間的系列反應(yīng)，肉的顏色、滋味、嫩度都可能發(fā)生變化，從而導(dǎo)致不良的外觀，影響消費(fèi)者購買欲望，給銷售者帶來經(jīng)濟(jì)損失?，F(xiàn)有用于檢測主要成分的方法多具有破壞性、耗時(shí)，因此急需一種快速的無損檢測方法來實(shí)現(xiàn)對這些理化指標(biāo)的分析[25]。

Kamruzzaman[26](2012)等應(yīng)用高光譜成像系統(tǒng)(波長900～1 700nm)檢測羊肉脂肪、水分、蛋白質(zhì)，選取與脂肪和水分相關(guān)性最大的6個(gè)特征波長(960、1 057、1 131、1 211、1 308、1 394 nm)，選取另外6個(gè)特征波長(1 008、1 211、1 315、1 445、1 562、1 649nm)用于蛋白質(zhì)的預(yù)測。利用偏最小二乘回歸建立多元校正模型，結(jié)果表明，脂肪、水分、蛋白質(zhì)含量的決定系數(shù)分別為0.88、0.88和0.63，預(yù)測標(biāo)準(zhǔn)誤差分別為0.40%、0.51%、0.34%。王家云[27,28](2015)等利用近紅外高光譜圖像技術(shù)(波長900～1 700nm)對灘羊肉開展品質(zhì)檢測研究，利用回歸系數(shù)法分別針對pH值、蛋白質(zhì)和脂肪提取特征波長，并分別建立各指標(biāo)含量的PLSR模型，各指標(biāo)模型預(yù)測集決定系數(shù)分別為0.72、0.83和0.86。劉曉琳[29](2018)等利用近紅外反射光譜技術(shù)對市售的100批新冷鮮羊肉進(jìn)行分析，運(yùn)用偏最小二乘法對羊肉中水分、蛋白質(zhì)、脂肪的含量進(jìn)行定性分析，并建立了定量回歸模型，所建立模型精確度符合檢測要求，校驗(yàn)值都在0.9以上。車天宇[30](2019)等利用近紅外光譜技術(shù)(near infrared spectroscopy，NIRS)分析大青山山羊肉中蛋白質(zhì)與總脂肪含量，結(jié)合偏最小二乘法建立定量預(yù)測模型，預(yù)測模型的均方根誤差(root mean square error，RMSEC)分別為0.503和0.668。驗(yàn)證該模型，得到蛋白質(zhì)含量預(yù)測模型RPD(residual predictive deviation)值為3.71，總脂肪含量預(yù)測模型RPD值為3.23。

2.1 水分的檢測

水分是肉的主要組成成分，也是營養(yǎng)物質(zhì)之一，肉中的水分含量不僅影響其品質(zhì)，同時(shí)也影響其貨架期，因此水分含量的檢測是肉類品質(zhì)分析中的重要項(xiàng)目之一。

王迪[31](2018)等利用波段范圍更寬的高光譜成像系統(tǒng)(1 000～2 500nm)對108個(gè)羊肉樣本的含水率進(jìn)行檢測。采用相關(guān)系數(shù)法選取特征波長(1 100、1 346、1 421、1 635、1 786、2 111nm)，優(yōu)選去趨勢校正法為最佳預(yù)處理算法，建立PLSR模型和逐步多元線性回歸(stepwise multiple linear regression，SMLR)模型，結(jié)果表明SMLR模型效果較好。王夢嬌[32](2017)等利用低場核磁共振技術(shù)(low-field nuclear magnetic resonance，LF-NMR)，對羊肉中自由水、結(jié)合水與不易流動(dòng)水的分布和變化情況與肉的品質(zhì)的相關(guān)性進(jìn)行研究，試驗(yàn)表明，羊肉中自由水、結(jié)合水與不易流動(dòng)水的弛豫時(shí)間均與pH值、揮發(fā)性鹽基氮(total volatile basic nitrogen，TVB-N)及菌落總數(shù)有顯著的相關(guān)性，亦可以確定LF-NMR能夠很好地表征冷鮮羊肉貯藏期間有關(guān)水分及品質(zhì)變化情況。

2.2 pH的檢測

羊肉本身的品種、屠宰方法、宰前生理狀況等都會對肉的pH值產(chǎn)生一定影響。宰后的羊肉，由于代謝過程發(fā)生改變，肌糖劇烈分解，乳酸和磷酸漸漸聚集，使肉的pH值下降，因此pH值反映了羊肉的新鮮度。

Fowler[33](2015)等研究拉曼光譜手持裝置預(yù)測新鮮羊肉品質(zhì)特征的可行性，結(jié)果顯示，羊在死后第1天所測半膜肌的pH值24h與拉曼光譜數(shù)據(jù)具有良好的相關(guān)性，但在第5天時(shí)，二者相關(guān)性降低。Kamruzzaman[34](2012)等應(yīng)用高光譜成像技術(shù)(波長900～1 700nm)對羔羊肉的pH值進(jìn)行預(yù)測，應(yīng)用PLS建立最終模型，得到標(biāo)準(zhǔn)偏差與內(nèi)部交叉驗(yàn)證均方差的比值為1.76，通常此值大于2表示預(yù)測合理[35]，這意味著該模型精度較低，未來需要更多的學(xué)者深入研究如何提高高光譜成像技術(shù)在羊肉pH值中的預(yù)測精度。邱園園[36](2017)等利用近紅外光譜技術(shù)對新疆小尾寒羊的化學(xué)指標(biāo)pH和物理指標(biāo)顏色亮度(L*)進(jìn)行分析，結(jié)果表明，最佳模型為遺傳算法(GA)與連續(xù)投影算法(SPA)篩選特征波段建立的多元線性回歸模型(multiple linear regression，MLR)，預(yù)測集相關(guān)系數(shù)均為0.91，預(yù)測集均方根誤差分別為0.13和1.91。段宏偉[37](2016)等通過2種不同提取ROIs方法對羊肉pH值光譜檢測模型進(jìn)行評估與比較，結(jié)果表明，高光譜成像技術(shù)與“圖像分割法”提取ROIs相結(jié)合的方法在羊肉pH值的檢測中具有可行性。

2.3 揮發(fā)性鹽基氮(TVB-N)的檢測

揮發(fā)性鹽基氮(TVB-N)是判斷肉品腐敗過程的主要化學(xué)信息[38]能有效評價(jià)羊肉的新鮮度。

張玨[39](2020)等通過高光譜成像系統(tǒng)獲取羊肉樣本935～2 539nm范圍的圖像，測定羊肉揮發(fā)性鹽基氮(TVB-N)含量并劃分樣本新鮮度類別。結(jié)果表明，與基于反向人工神經(jīng)網(wǎng)絡(luò)(backpropagation artificial neural network，BPANN)模型相比，分類回歸決策樹(classification and regression tree，CART)模型具有更高的平均分類準(zhǔn)確率和識別率，表明高光譜成像技術(shù)在羊肉新鮮度判別方面具有良好的應(yīng)用潛力。張晶晶[40](2019)等利用可見/近紅外高光譜成像技術(shù)(400～1 000nm)結(jié)合化學(xué)計(jì)量學(xué)和動(dòng)力學(xué)方法，建立15℃貯藏過程中灘羊肉TVB-N含量模型，實(shí)現(xiàn)TVB-N的快速檢測和貯藏期的預(yù)測。朱榮光[41](2016)等利用高光譜圖像技術(shù)400～1 000nm檢測羊肉TVB-N含量，結(jié)果表明，PLSR和PCR模型都能實(shí)現(xiàn)TVB-N的定量檢測，最終建立的PLSR模型校正集的相關(guān)系數(shù)以及預(yù)測相關(guān)系數(shù)均為0.92。范中建[42](2018)等通過對460～1 000nm的羊肉高光譜圖像提取數(shù)據(jù)，以TVB-N劃分新鮮度等級，采用連續(xù)投影算法(SPA)、主成分分析(principal component analysis，PCA)2種方法對預(yù)處理后的光譜數(shù)據(jù)進(jìn)行壓縮降維，利用反向傳播(back-propagation，BP)神經(jīng)網(wǎng)絡(luò)、自適應(yīng)提升BP(adaptive boosting BP，Adaboost-BP)神經(jīng)網(wǎng)絡(luò)兩種方法進(jìn)行建模；結(jié)果表明，建立的Adaboost-BP模型校正集準(zhǔn)確率均為100%，預(yù)測集準(zhǔn)確率94.44%，優(yōu)于采用SPA、PCA建立的BP模型。姜新華[43,44](2018)等分別采集了70個(gè)和140個(gè)代表各級新鮮程度的羊肉樣本的高光譜圖像(400～1 000nm)，選擇感興趣區(qū)域(ROIs)提取揮發(fā)性鹽基氮(TVB-N)和菌落總數(shù)(TAC)的代表性光譜圖像，進(jìn)行三層神經(jīng)網(wǎng)絡(luò)分類識別試驗(yàn)；結(jié)果表明，高光譜圖像與稀疏核典型相關(guān)分析冷鮮羊肉新鮮度等級總體精度(overall accuracy，OA)分別為0.9393和0.9378，均方根誤差(RMSEC)分別為0.297和0.279。王莉[45](2017)等利用400～1 000nm可見近紅外高光譜對寧夏灘羊冷鮮肉的揮發(fā)性鹽基氮和菌落總數(shù)進(jìn)行檢測。采集羊肉表面光譜圖像，運(yùn)用理化值共生距離法(sample set partitioning based on joint X-Y distances，SPXY)劃分樣本校正集和預(yù)測集。結(jié)果表明，光譜數(shù)據(jù)經(jīng)正交信號校正(OSC)預(yù)處理，建立的TVB-N含量和菌落總數(shù)預(yù)測模型效果較好，校正相關(guān)系數(shù)(Rc)分別為0.9147和0.9067，預(yù)測相關(guān)系數(shù)(Rp)分別為0.8802和0.8743。通過不同建模方法比較，偏最小二乘回歸(PLSR)法效果較好。

3 微生物指標(biāo)的無損檢測技術(shù)與應(yīng)用

細(xì)菌總數(shù)(total viable count，TVC)是反映羊肉腐敗和被污染狀況的重要指標(biāo)，鄭彩英[46](2015)等采用不同光譜范圍的高光譜成像系統(tǒng)(400～1 100nm和900～1 700nm)檢測冷卻羊肉的細(xì)菌總數(shù)，結(jié)合人工神經(jīng)網(wǎng)絡(luò)(反向人工神經(jīng)網(wǎng)絡(luò)和徑向基人工神經(jīng)網(wǎng)絡(luò))和偏最小二乘法建立預(yù)測模型，以徑向基人工神經(jīng)網(wǎng)絡(luò)900～1 700nm波長范圍建立模型效果較優(yōu)，其相關(guān)系數(shù)為0.9988。段宏偉[47](2017)等利用高光譜圖像技術(shù)，結(jié)合特征波長篩選方法，預(yù)測真空包裝冷卻羊肉中的TVC；結(jié)果表明，競爭性自適應(yīng)重加權(quán)法結(jié)合偏最小二乘模型的模型效果最優(yōu)，該模型的預(yù)測集決定系數(shù)和預(yù)測集均方根誤差大小分別為0.92和0.47，預(yù)測相對分析誤差為3.58。郭中華[48](2014)等利用近紅外高光譜(900～1 700nm)成像技術(shù)，對20d貯藏期內(nèi)的冷鮮羊肉表面細(xì)菌總數(shù)進(jìn)行快速無損檢測。由80個(gè)樣本表面高光譜圖像獲取目標(biāo)區(qū)域反射光譜，采用多元散射校正和二階導(dǎo)數(shù)相結(jié)合(multiplicative scatter correction adding second derivative，MSC+SD)的方法進(jìn)行預(yù)處理。最后分別采用PLS、徑向基函數(shù)人工神經(jīng)網(wǎng)絡(luò)(radial basis function artificial neural network，RBF-ANN)和BP-ANN建立冷鮮羊肉表面細(xì)菌總數(shù)預(yù)測模型，結(jié)果表明RBF-ANN模型預(yù)測效果最好，均方根誤差為0.2507，相關(guān)系數(shù)達(dá)到0.9988。魏菁[49](2018)等利用400～1 100nm高光譜對冷卻羊肉樣本表面細(xì)菌總數(shù)進(jìn)行檢測，并采用基于極限學(xué)習(xí)機(jī)(extreme learning machine，ELM)及其改進(jìn)算法建立預(yù)測模型；結(jié)果表明，最佳模型為遺傳算法優(yōu)化核極限學(xué)習(xí)機(jī)(GA-KELM)模型。高萬豪[50](2019)利用多光譜相機(jī)采集圖像數(shù)據(jù)(波長范圍為600～1 000nm)，建立細(xì)菌總數(shù)預(yù)測模型，以化學(xué)計(jì)量學(xué)方法作為對照，同時(shí)在不同波段波長范圍下，檢測冷鮮羊肉表面微生物活細(xì)胞數(shù)量，確定了冷鮮羊肉細(xì)菌總數(shù)的最佳檢測方法改進(jìn)的極限學(xué)習(xí)機(jī)模型。

4 其他安全指標(biāo)的無損檢測技術(shù)與應(yīng)用

在評價(jià)羊肉品質(zhì)安全風(fēng)險(xiǎn)時(shí)，還應(yīng)考慮肉的產(chǎn)地、品種，同時(shí)明確其來源。一旦品質(zhì)出現(xiàn)了問題，可追溯到養(yǎng)殖源頭。這對于羊肉安全檢測有重要意義。張寧[51](2008)等采用近紅外光譜技術(shù)，結(jié)合簇類獨(dú)立軟模式法(soft independent modeling of class analogy，SIMCA)建立羊肉產(chǎn)地溯源模型，結(jié)果表明，在1%的顯著水平下，內(nèi)蒙臨河市、河北大廠縣、寧夏銀川市、山東濟(jì)寧市產(chǎn)地校正集模型對未知樣本的拒絕率均為100%，識別率分別為100%、100%、100%、95%。

思振華[52](2013)等采用高光譜成像技術(shù)(400～1 000nm)對羊肉表面5種小腸腸溶物及5種大腸腸溶物污染進(jìn)行無損檢測，結(jié)合主成分分析法對采集到的高光譜圖像數(shù)據(jù)進(jìn)行分析；結(jié)果表明，羊肉表面腸溶物基于特征波段光譜范圍的檢測率為98.1%，基于全光譜范圍的檢測率為98.5%。

5 摻假肉的無損檢測技術(shù)與應(yīng)用

劉友華[53](2015)等選取390～1 040nm波長范圍的高光譜圖像技術(shù)檢測羊肉中摻假豬肉，結(jié)合PLS預(yù)處理方法選取標(biāo)準(zhǔn)正態(tài)變量校正法，利用競爭性自適應(yīng)重加權(quán)算法簡化分析模型；結(jié)果表明，該模型可對摻假羊肉進(jìn)行準(zhǔn)確的定量。王勝威[54](2015)利用低場核磁共振檢測裝置，對正常羊肉及注水、注膠羊肉進(jìn)行鑒別，結(jié)合主成分分析法(PCA)及逐步判別分析(Step-LDA)對不同的羊肉樣品進(jìn)行區(qū)分辨識并交叉驗(yàn)證。結(jié)果表明，當(dāng)注射不同種類膠后，T22增大向右偏移，其中峰面積變化與膠的吸水性有關(guān)，羊肉注水后T23向后推移且峰面積變大，并用PCA判別不同程度的注水肉。Biasio[55](2015)等利用改善空間分辨率的微拉曼光譜技術(shù)，結(jié)合PCA、LDA及K-近鄰算法(k-nearest neighbors，KNN)檢測羊肉、火雞、雞肉、豬肉、馬肉和牛肉；結(jié)果表明，該模型可成功將其區(qū)分從而達(dá)到鑒別的目的。Nurjuliana[56](2011)等采用表面聲波傳感器電子鼻對羊肉、雞肉、牛肉、豬肉及其香腸產(chǎn)品中的揮發(fā)性成分進(jìn)行檢測，利用PCA實(shí)現(xiàn)對不同肉類的判別。田曉靜[57](2013)等利用電子舌檢測摻假不同含量雞肉的羊肉糜，結(jié)合PCA和判別分析，建立了能定量預(yù)測摻假雞肉比例的多元線性回歸分析和偏最小二乘回歸分析模型(R2>0.99)。Tian[58](2013)等利用金屬氧化物傳感器分析羊肉中豬肉含量，確定逐步線性判別分析(linear discriminant analysis，LDA)為特征提取的最優(yōu)方法，建立了較好的BPNN預(yù)測模型(R2>0.97)。

6 結(jié)語

綜上所述，包括光譜、超聲波、射頻識別、核磁共振、X光成像、高光譜成像、計(jì)算機(jī)視覺、電子鼻與電子舌和生物傳感器等無損檢測技術(shù)，目前在羊肉品質(zhì)的檢測中發(fā)展較快。無損檢測技術(shù)具有檢測快速、易于操作且可在不破壞肉類結(jié)構(gòu)的同時(shí)對樣品進(jìn)行測定等優(yōu)點(diǎn)，在羊肉品質(zhì)分析和安全評價(jià)等方面體現(xiàn)出巨大的潛在價(jià)值。目前大多數(shù)研究僅采用一種檢測手段，及較傳統(tǒng)的模式識別方法和信號預(yù)處理技術(shù)，而肉類品質(zhì)分析和安全評價(jià)是一個(gè)涉及很多方面的復(fù)雜過程，必須運(yùn)用多項(xiàng)指標(biāo)綜合評定。因此，多技術(shù)聯(lián)合使用及現(xiàn)代模式識別技術(shù)、信號處理技術(shù)的不斷提高，將是國內(nèi)外肉類品質(zhì)無損檢測研究的發(fā)展趨勢。