摘要：隨著消費(fèi)者對(duì)肉品質(zhì)量和安全要求的日益提高，一系列應(yīng)用于肉類品質(zhì)的快速無損檢測(cè)技術(shù)應(yīng)運(yùn)而生，這些技術(shù)的誕生也極大地促進(jìn)了肉類工業(yè)的發(fā)展。該文概述了近年來出現(xiàn)的肉類快速分級(jí)、鑒別及品質(zhì)研究技術(shù)，并重點(diǎn)對(duì)計(jì)算機(jī)視覺技術(shù)、近紅外光譜技術(shù)和拉曼光譜技術(shù)在肉類品質(zhì)研究中的成果進(jìn)行了對(duì)比分析，以期對(duì)肉類自動(dòng)分級(jí)技術(shù)的科學(xué)研究及在產(chǎn)業(yè)中的應(yīng)用提供指導(dǎo)。

　　關(guān)鍵詞：肉類分級(jí)；計(jì)算機(jī)視覺；近紅外光譜；拉曼光譜

　　肉是人類飲食的重要組成部分。聯(lián)合國糧食及農(nóng)業(yè)組織的報(bào)告顯示，至2025 年全球肉類產(chǎn)量預(yù)計(jì)將比基準(zhǔn)期（2013～2015年）高出16%；至2050年，全球肉類產(chǎn)量預(yù)計(jì)增加2億t，達(dá)到4.7億t。調(diào)查顯示，消費(fèi)者愿意為質(zhì)量和安全得到保證的肉及肉制品支付更高的價(jià)錢。因此，為滿足消費(fèi)者對(duì)肉類安全及品質(zhì)的需求，應(yīng)對(duì)肉類生產(chǎn)的整個(gè)過程進(jìn)行監(jiān)控，即對(duì)原材料到最終產(chǎn)品的品質(zhì)和安全進(jìn)行控制與分析。

　　肉類工業(yè)中常涉及到肉類分級(jí)、肉類摻假鑒別、肉類腐敗鑒定以及食用品質(zhì)指標(biāo)檢測(cè)等工作。目前，肉的品質(zhì)研究中主要應(yīng)用感官分析和傳統(tǒng)測(cè)定的方法對(duì)這些指標(biāo)進(jìn)行分析評(píng)估，如感官評(píng)定法測(cè)定肉類顏色、氣味，沃-布茨法測(cè)定肉類嫩度等。但在工業(yè)中應(yīng)用感官分析存在耗時(shí)、耗力、價(jià)格較高等問題，且結(jié)果的主觀性較強(qiáng)；傳統(tǒng)的分析方法所測(cè)定的結(jié)果較為準(zhǔn)確，但大多會(huì)涉及大量復(fù)雜的樣品預(yù)處理，有時(shí)還會(huì)使用高危險(xiǎn)性試劑；且這些傳統(tǒng)的方法也不適合在肉類工業(yè)快節(jié)奏的生產(chǎn)和加工環(huán)境中應(yīng)用。近年來，無損檢測(cè)鑒別技術(shù)得到了迅速發(fā)展，這為肉類品質(zhì)的研究和鑒定提供了新的思路。

　　目前，國內(nèi)外在肉類品質(zhì)檢測(cè)、分級(jí)、鑒定等方面利用無損技術(shù)主要有電子鼻、電子舌、機(jī)器視覺、光譜學(xué)等。其中，計(jì)算機(jī)視覺、拉曼光譜和近紅外光譜技術(shù)應(yīng)用較為廣泛。本文介紹了上述3種快速無損檢測(cè)技術(shù)的研究進(jìn)展，總結(jié)對(duì)比了其在研究領(lǐng)域和工業(yè)應(yīng)用中的優(yōu)缺點(diǎn)（表1），以期對(duì)快速無損檢測(cè)技術(shù)在肉類工業(yè)中的應(yīng)用和研究提供理論指導(dǎo)。

表1  機(jī)器視覺、近紅外和拉曼光譜技術(shù)的優(yōu)缺點(diǎn)對(duì)比

　　1  計(jì)算機(jī)視覺系統(tǒng)技術(shù)

　　計(jì)算機(jī)視覺系統(tǒng)（ computer vision system，CVS）是指用攝影機(jī)和電腦代替人眼對(duì)目標(biāo)進(jìn)行識(shí)別、跟蹤和測(cè)量等的機(jī)器視覺，具有準(zhǔn)確性高、結(jié)果客觀穩(wěn)定、適合在線檢測(cè)等特點(diǎn)。CVS可通過幾何、物理、統(tǒng)計(jì)和學(xué)習(xí)理論來構(gòu)建模型，不僅可以獲取圖像或視頻中的數(shù)字或符號(hào)信息，還可以自動(dòng)提取和分析相關(guān)對(duì)象的高維數(shù)據(jù)信息，通過電子感知和分析圖像代替人類視覺系統(tǒng)完成任務(wù)。一個(gè)完整的CVS系統(tǒng)至少含有以下3個(gè)部分：攝像設(shè)備、專屬照明室和圖像處理軟件。與人眼類似CVS技術(shù)的應(yīng)用也依賴周圍環(huán)境的燈光效果，良好的照明條件可以提高其分析精度。通過攝像設(shè)備捕捉二維圖像并將數(shù)據(jù)傳遞到計(jì)算機(jī)中，再經(jīng)過對(duì)圖像的背景扣除、圖像平滑、二值化、閾值化等處理可以獲得所需的高質(zhì)量圖像信息。

　　1.2  計(jì)算機(jī)視覺技術(shù)在肉類分級(jí)中的應(yīng)用

　　CVS技術(shù)具有快速、準(zhǔn)確、無損、客觀、無需樣品處理等優(yōu)點(diǎn)，并可與工廠在線操作結(jié)合，形成一套完整的線上分類分級(jí)系統(tǒng)，因此可以用于食品的無損、快速分級(jí)，以及缺陷檢測(cè)和肉品品質(zhì)指標(biāo)（如肉色、形狀、大小、表面缺陷和污染等）的評(píng)估。與美國農(nóng)業(yè)部1997年頒布的傳統(tǒng)的基于人為感官評(píng)估的分級(jí)方法相比，CVS在肉類分級(jí)的過程中以數(shù)碼相機(jī)代替人眼功能，以學(xué)習(xí)算法取代人腦思考；通過相機(jī)記錄客觀、一致的圖像數(shù)據(jù)，利用學(xué)習(xí)算法將圖像數(shù)據(jù)對(duì)應(yīng)到適當(dāng)?shù)姆诸惣?jí)別。

　　表2對(duì)CVS在肉類分級(jí)中研究的目標(biāo)、使用的裝置、數(shù)據(jù)的分析以及分析結(jié)果的準(zhǔn)確度等進(jìn)行了總結(jié)。CVS技術(shù)應(yīng)用研究已涉及豬肉、牛肉和雞肉多個(gè)肉類品種，研究的主要品質(zhì)指標(biāo)包括肉色、肌內(nèi)脂肪含量（大理石花紋）、嫩度和背膘厚度，使用的數(shù)據(jù)分析方法主要有支持向量機(jī)（support vector machine，SVM）、線性回歸、相似度檢驗(yàn)和偏最小二乘回歸 （partial least squares regression，PLSR）。

表2  計(jì)算機(jī)視覺技術(shù)在肉類分級(jí)上的應(yīng)用

　　注：－表示文獻(xiàn)中未明確或不需要；CCD-電荷耦合元件（charge-coupled device）；CMOS-互補(bǔ)金屬氧化物半導(dǎo)體（complementary-metal oxide sem- iconductor）；k-NN-鄰近算法（k-nearest neighbor）（下同）

　　相較于傳統(tǒng)分級(jí)方法，應(yīng)用CVS技術(shù)對(duì)不同肉類肉色、肌內(nèi)脂肪含量（大理石花紋）、表面質(zhì)構(gòu)等分級(jí)指標(biāo)進(jìn)行分級(jí)的優(yōu)勢(shì)體現(xiàn)在其具有快速、無損性、客觀性和準(zhǔn)確性，且結(jié)果準(zhǔn)確率較高，尤其是對(duì)豬肉背膘厚度和腰大肌肌內(nèi)脂肪含量的測(cè)定，準(zhǔn)確率在90%以上。GIROLAMI等對(duì)比研究了色差計(jì)和CVS技術(shù)在牛肉、豬肉、雞肉肉色分級(jí)中的應(yīng)用。結(jié)果表明，與傳統(tǒng)色差計(jì)相比，CVS技術(shù)提取的數(shù)字圖像與實(shí)際樣品的顏色更加吻合（P＜0.001） ，測(cè)定結(jié)果更準(zhǔn)確。JACKMAN等利用CVS測(cè)定牛肉肉色、大理石花紋指標(biāo)，與感官評(píng)價(jià)適口性數(shù)據(jù)相結(jié)合， 結(jié)果表明CVS對(duì)牛肉感官指標(biāo)具有良好的預(yù)測(cè)能力。其中表面質(zhì)構(gòu)的結(jié)果與感官評(píng)定數(shù)據(jù)最為接近，而大理石花紋預(yù)測(cè)結(jié)果較差。CHMIEL等使用CVS技術(shù)提取了不同部位雞肉（雞胸肉和雞腿肉）以及火雞雞腿肉圖像，使用白色像素點(diǎn)來代表肌內(nèi)脂肪，并結(jié)合傳統(tǒng)索氏抽提法檢測(cè)的脂肪含量進(jìn)行了相關(guān)性分析。結(jié)果顯示CVS可準(zhǔn)確測(cè)定雞腿肉和火雞腿肉脂肪含量（相關(guān)系數(shù)R分別為0.81和0.83），但無法測(cè)定雞胸肉脂肪含量（R=0.50）。這說明CVS在測(cè)定脂肪含量較低的肌肉時(shí)，由于肌肉和脂肪組織圖像間的顏色變化較小，會(huì)導(dǎo)致計(jì)算機(jī)無法識(shí)別，進(jìn)而降低結(jié)果的準(zhǔn)確性，因此CVS技術(shù)更適合對(duì)脂肪含量較高的部位進(jìn)行脂肪含量預(yù)測(cè)。由此可見，雖然與傳統(tǒng)感官評(píng)定相比CVS在降低評(píng)估成本的同時(shí)減少了主觀因素對(duì)評(píng)定結(jié)果的影響，但動(dòng)物品種、肉類部位、數(shù)據(jù)處理方法的差異均會(huì)影響CVS技術(shù)對(duì)大理石花紋、肉色、脂肪含量等指標(biāo)分類的準(zhǔn)確性，選擇適合的分類對(duì)象和數(shù)據(jù)處理方法至關(guān)重要。

　　1.3  計(jì)算機(jī)視覺在肉類分級(jí)中常用的分類算法

　　CVS對(duì)肉類質(zhì)量評(píng)價(jià)的本質(zhì)是進(jìn)行分類，通過模擬人的思維，使機(jī)器做出正確而復(fù)雜的判斷。利用圖像處理技術(shù)，可以通過顏色、大小、形狀和紋理等一系列特征來描述肉類圖像。利用這些特征形成訓(xùn)練模型，然后利用分類算法提取模型信息，對(duì)未知情況進(jìn)行決策。在CVS中，人們開發(fā)了多種方法，如鄰近算法、SVM模型、人工神經(jīng)網(wǎng)絡(luò)等，用于肉的分類。

　　SVM是一種按監(jiān)督的學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行分類的模型，它使用相關(guān)的學(xué)習(xí)算法評(píng)估用于分類和回歸分析的數(shù)據(jù)。SVM是從線性可分情況下的最優(yōu)分類面發(fā)展而來的，其通過用內(nèi)積函數(shù)定義的非線性變換將輸入空間變換成一個(gè)高維空間，在這個(gè)空間中求最優(yōu)分類面（廣義）。目前SVM技術(shù)在肉類分級(jí)鑒別中得到廣泛應(yīng)用，常與CVS聯(lián)用進(jìn)行肉色、脂肪含量等指標(biāo)的預(yù)測(cè)。與線性回歸、逐步回歸模型相比，SVM模型具有更好的穩(wěn)定性和更高的準(zhǔn)確度。SUN及其團(tuán)隊(duì)近年來使用SVM等化學(xué)計(jì)量法對(duì)肉類快速分級(jí)進(jìn)行研究。結(jié)果表明，使用SVM模型對(duì)豬肉肉色、大理石花紋進(jìn)行分級(jí)，準(zhǔn)確率最高（75%和92.5%），其次是線性回歸模型（63%和75%）和逐步回歸模型（R2=0.70）。目前，CVS技術(shù)已具有足夠的成熟度，圖像信息獲取裝置等硬件的更新發(fā)展以及更加穩(wěn)定準(zhǔn)確的分類方法將進(jìn)一步促進(jìn)、優(yōu)化CVS技術(shù)在肉類分級(jí)中的應(yīng)用。

　　k-NN指的是在特征空間中，如果某個(gè)樣本的k個(gè)最相鄰樣本中的大多數(shù)屬于某一類別，則該樣本也屬于這個(gè)類別，并具有該類別中其他樣本的特性。BARBON等開發(fā)了一種針對(duì)肉類大理石花紋分級(jí)的 CVS技術(shù)，該系統(tǒng)利用k-NN對(duì)分割圖像進(jìn)行評(píng)分并分類，可以靈活地適應(yīng)不同的分級(jí)標(biāo)準(zhǔn)。該方法對(duì)大理石花紋評(píng)定分類僅需使用3個(gè)樣本，極大地降低了所需要的樣本數(shù)，但其準(zhǔn)確率與SVM 模型相比仍待提高。

　　2  近紅外光譜技術(shù)

　　近紅外光譜（ near-infrared spectroscopy，NIR）是一種利用電磁波譜近紅外區(qū)域（780～2500nm）進(jìn)行光譜分析的方法。當(dāng)樣品受到近紅外光照射時(shí)，樣品分子會(huì)吸收部分近紅外光輻射，并從基態(tài)躍遷到激發(fā)態(tài)，使照射光強(qiáng)度減弱。近紅外光吸光度與波數(shù)（或波長）的變化曲線即近紅外光譜圖。由于不同官能團(tuán)中包含不同的化學(xué)鍵（O-H、C-H、N-H，S-H鍵等），且這些含氫基團(tuán)均對(duì)應(yīng)特定的近紅外光譜吸收峰，因此當(dāng)近紅外光照射到肉類時(shí)，肉類基本成分（例如水分、蛋白質(zhì)、脂質(zhì)等）的結(jié)構(gòu)、組成差異會(huì)使光譜在特定波長上發(fā)生偏移。應(yīng)用化學(xué)計(jì)量學(xué)從近紅外光譜中提取正確的信息，能夠定性和定量地檢測(cè)肉類化學(xué)成分，實(shí)現(xiàn)肉類鑒別、分類。

　　典型的近紅外光譜儀體系包括輻射源、波長選擇設(shè)備、樣品架、光電探測(cè)器和處理數(shù)據(jù)的計(jì)算機(jī)系統(tǒng)。固體或不透明液體中的光散射、溫度、密度和樣品粒度的變化及光譜儀的光噪聲等均會(huì)使近紅外光譜發(fā)生一些變化，如基線偏移等，因此，通常應(yīng)用降噪、基線校正、增強(qiáng)分辨率、中心化和歸一化等預(yù)處理方法對(duì)光譜進(jìn)行預(yù)處理，獲取穩(wěn)定優(yōu)良的光譜數(shù)據(jù)。

　　2.1 近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量法在肉類分級(jí)中的應(yīng)用

　　近紅外光譜可反映被檢測(cè)物質(zhì)的化學(xué)信息及官能團(tuán)信息，常代替?zhèn)鹘y(tǒng)的檢測(cè)方法，用于多種肉品品質(zhì)指標(biāo)的檢測(cè)。表3展示了近年來 NIR技術(shù)應(yīng)用于肉類分級(jí)的相關(guān)研究。NIR技術(shù)不僅可以準(zhǔn)確測(cè)定牛肉、豬肉、雞肉的肉色、肌內(nèi)脂肪含量、蛋白質(zhì)含量等品質(zhì)和營養(yǎng)指標(biāo)，還可準(zhǔn)確鑒別PSE肉、DFD肉和木質(zhì)化雞胸肉；準(zhǔn)確預(yù)測(cè)肉的新鮮度、成熟時(shí)間和凍融次等。對(duì)近紅外光譜數(shù)據(jù)進(jìn)行分析時(shí)多使用PLSR和主成分分析（principal compo-nent analysis，PCA）相結(jié)合的方法，相關(guān)系數(shù)＞0.8時(shí)表明預(yù)測(cè)準(zhǔn)確度較高。

　　pH值是鑒定異質(zhì)肉的重要指標(biāo)，也是衡量肉類品質(zhì)的基礎(chǔ)指標(biāo)。REIS等、BARBIN等將NIR與PLSR相結(jié)合，分別對(duì)牛肉、雞肉等肉類的宰后極限pH值進(jìn)行了預(yù)測(cè)分類。結(jié)果表明NIR與PLSR結(jié)合創(chuàng)建的擬合模型不僅可以準(zhǔn)確將牛背最長肌分類為正常pH值組（pHu＜5.8）和高pH值組（pHu＞5.8），還可以對(duì)pH值進(jìn)行準(zhǔn)確預(yù)測(cè)（R＞0.9）。

　　肉色是評(píng)估肉類最直觀的指標(biāo)，也是影響消費(fèi)者對(duì)肉類購買欲最直接的指標(biāo)。PRIETO等、BARBIN等以及YANG等利用NIR對(duì)不同品種肉類的肉色進(jìn)行了預(yù)測(cè)。YANG等的研究中利用了因子分析的方法，以肉色（L*，a*，b*）指標(biāo)為基礎(chǔ)定義了一種新的指標(biāo)——肉色因子，NIR可較準(zhǔn)確位地對(duì)肉色因子進(jìn)行預(yù)測(cè)（R2=0.74） 。

表3  近年來近紅外光譜技術(shù)在肉類分級(jí)技術(shù)中的應(yīng)用

　　注: PLS：偏最小二乘法；FA: 因子分析；PLS-DA：偏最小二乘判別分析；MSIF：多傳感器信息融合；MLR：多元線性回歸；TVB-N：揮發(fā)性鹽基氮；TVC：菌落總數(shù)；TBA：硫代巴比妥酸（下同）

　　脂肪、蛋白質(zhì)等營養(yǎng)物質(zhì)是影響肉類風(fēng)味的重要因素。目前的研究中，NIR模型對(duì)營養(yǎng)品質(zhì)指標(biāo)預(yù)測(cè)呈現(xiàn)良好的預(yù)測(cè)精度（R2＞0.8），且經(jīng)過一階導(dǎo)和多元散射校正（multiplicative scatter correction，MSC）處理地光譜數(shù)據(jù)在預(yù)測(cè)肉類營養(yǎng)品質(zhì)時(shí)預(yù)測(cè)精度更高。此外，近紅外高光譜成像技術(shù)結(jié)合多元線性回歸法可較準(zhǔn)確地預(yù)測(cè)肌內(nèi)脂肪含量以及大理石花紋評(píng)分，數(shù)據(jù)間具有良好的線性關(guān)系。

　　除測(cè)定肉類品質(zhì)外，NIR技術(shù)還可以對(duì)異常肉進(jìn)行鑒別分類，包括鑒別腐敗肉、凍融肉、DFD肉、PSE肉以及木質(zhì)化雞肉等。揮發(fā)性鹽基氮、硫代巴比妥酸反應(yīng)物、菌落總數(shù)是衡量肉類腐敗變質(zhì)的重要指標(biāo)，近紅外光譜結(jié)合多傳感器信息融合的建模方法，可準(zhǔn)確鑒別腐敗豬肉（RTVB-N=0.86，RpH=0.94）；結(jié)合PCA建立預(yù)測(cè)模型可準(zhǔn)確鑒別凍融豬肉（準(zhǔn)確率97.73%）。木質(zhì)硬度缺陷雞肉是一種主要發(fā)生在雞胸肉上的品質(zhì)缺陷肉，與正常雞肉相比，缺陷肉顏色蒼白，觸感硬度較大，食用品質(zhì)和消費(fèi)者接受度也遠(yuǎn)低于正常肉。NIR技術(shù)結(jié)合圖像分析和SVM分類模型可準(zhǔn)確將木質(zhì)硬度缺陷雞胸肉與正常雞胸肉進(jìn)行分類（準(zhǔn)確率97.5%），為木質(zhì)硬度缺陷雞肉的在線快速檢測(cè)提供了可能。

　　但由于水分含量會(huì)對(duì)NIR數(shù)據(jù)產(chǎn)生干擾，而肉類的蒸煮損失率與其保水性有關(guān)，因此NIR幾乎無法對(duì)牛肉的嫩度、蒸煮損失以及感官評(píng)分指標(biāo)進(jìn)行預(yù)測(cè)，預(yù)測(cè)相關(guān)系數(shù)R2僅為0.21～0.59。同時(shí)，在烹飪過程中融化的脂肪會(huì)包裹在結(jié)締組織周圍形成屏障阻止水分流失，進(jìn)一步影響了近紅外光譜對(duì)蒸煮損失的預(yù)測(cè)準(zhǔn)確度（R2=0.31）。因此，NIR技術(shù)并不適用于嫩度、蒸煮損失和感官評(píng)分指標(biāo)的預(yù)測(cè)。

　　2.2  近紅外光譜在肉類研究中常用的化學(xué)計(jì)量法

　　NIR數(shù)據(jù)噪聲較大，而在肉類分級(jí)鑒定時(shí)，噪聲會(huì)對(duì)變量間的相關(guān)性造成不良影響。因此可通過化學(xué)計(jì)量學(xué)方法處理光譜，去除光譜噪聲，進(jìn)而提高分類預(yù)測(cè)模型的準(zhǔn)確度，更好地獲取有關(guān)物質(zhì)的成分、結(jié)構(gòu)及其他相關(guān)信息。光譜預(yù)處理中最重要的2種化學(xué)計(jì)量學(xué)方法是多元校正和多元分類。多元校正旨在確定2組測(cè)量數(shù)據(jù)間的定量關(guān)系，即建立光譜數(shù)據(jù)與傳統(tǒng)指標(biāo)間的聯(lián)系。應(yīng)用多元矯正處理后的模型結(jié)合樣本光譜可精確預(yù)測(cè)未知樣本中的目標(biāo)參數(shù)，從而取代傳統(tǒng)的評(píng)價(jià)分析方法。多元校正模型的準(zhǔn)確度主要取決于校正時(shí)使用的樣本數(shù)量，多數(shù)情況下模型準(zhǔn)確性會(huì)隨樣本數(shù)量的增加而增加。多元分類旨在對(duì)數(shù)據(jù)進(jìn)行定性分類，通過大量的樣本組成訓(xùn)練集并以此建立數(shù)學(xué)模型，進(jìn)而對(duì)待測(cè)樣本數(shù)據(jù)進(jìn)行分類。常用的多元分類包括多元判別分析、線性判別分析、PCA、PLS等。

　　偏最小二乘法系列（PLS family）是化學(xué)計(jì)量學(xué)中運(yùn)用最廣泛的方法（表3），包括PLS、PLSR和PLS-DA等。偏最小二乘系列結(jié)合NIR在肉類分級(jí)鑒別中應(yīng)用廣泛，該系列化學(xué)計(jì)量法的應(yīng)用可降低光譜數(shù)據(jù)的噪聲、分析光譜數(shù)據(jù)和傳統(tǒng)指標(biāo)數(shù)據(jù)的相關(guān)性同時(shí)提升預(yù)測(cè)模型的穩(wěn)定性和準(zhǔn)確度。

　　PCA是指通過正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量，轉(zhuǎn)換后的變量被稱為主成分（PCs），即去除關(guān)系緊密的重復(fù)變量，建立盡可能少的不相關(guān)新變量。PCA主要用于探索性數(shù)據(jù)分析和分類模型建立，是最簡單的基于特征向量的多元分析方法。PCA在肉品分級(jí)、分類、鑒定中的應(yīng)用較為成熟，通常情況下單次使用PCA即可將樣本按照光譜特征進(jìn)行準(zhǔn)確分類，不需要進(jìn)行復(fù)雜的數(shù)據(jù)分析。但當(dāng)樣本特征相關(guān)性較為復(fù)雜時(shí)，準(zhǔn)確率會(huì)降低。例如，在對(duì)PSE肉進(jìn)行篩選時(shí)，PCA在對(duì)光譜數(shù)據(jù)主要以 L* 值作為變量進(jìn)行分類，因此無法區(qū)分PSE肉與顏色蒼白但pH值正常的肉；同時(shí)，由于PCA無法對(duì)樣本數(shù)據(jù)組進(jìn)行組間差異統(tǒng)計(jì)和分析，會(huì)混淆原本的數(shù)據(jù)結(jié)構(gòu)，因此PCA僅可以將鮮肉樣本和凍融1次的樣本進(jìn)行分類，無法準(zhǔn)確判別新鮮肉、凍融1次和凍融2次的樣品。

　　綜上所述，NIR技術(shù)在肉類分級(jí)、鑒定及指標(biāo)檢測(cè)方面均具有較高準(zhǔn)確率，且與傳統(tǒng)檢測(cè)方式相比效率高、成本低、操作簡便，因此極有潛力成為肉類工業(yè)檢測(cè)分級(jí)的線上手段。但仍需要進(jìn)一步研究來提高NIR在工業(yè)工藝條件下的穩(wěn)定性和準(zhǔn)確性。

　　拉曼光譜技術(shù)是一種基于拉曼散射效應(yīng)而建立的光譜分析技術(shù)。樣品被激光照射后，大部分光以與入射光相同的頻率發(fā)生散射（瑞利散射），少量入射光的頻率（＜10-6）發(fā)生改變，即拉曼散射。拉曼光譜中拉曼位移、強(qiáng)度的變化與被測(cè)樣品中分子單個(gè)化學(xué)鍵的各種拉伸、彎曲、振動(dòng)模式一一對(duì)應(yīng)，因此又被稱為結(jié)構(gòu)指紋圖譜。拉曼光譜中不同拉曼位移條帶分別對(duì)應(yīng)不同氨基酸、脂質(zhì)的不同官能團(tuán)，拉曼強(qiáng)度的變化對(duì)應(yīng)官能團(tuán)的改變。因此拉曼光譜可用于檢測(cè)蛋白質(zhì)二級(jí)結(jié)構(gòu)的變化，并提供氨基酸殘基的信息。例如510～545cm-1（半胱氨酸），829cm-1（苯丙氨酸、亮氨酸、纈氨酸），856cm-1（谷氨酸、丙氨酸、纈氨酸、賴氨酸），879cm－1（谷氨酸、賴氨酸），1082、1126cm-1（脂質(zhì)），1247～1304cm-1（β-折疊和α-螺旋）。通過拉曼光譜可以獲取樣本中蛋白質(zhì)、脂質(zhì)等成分的組成、結(jié)構(gòu)信息，這對(duì)于深度研究待測(cè)樣本中各類生化反應(yīng)的反應(yīng)機(jī)理具有重要意義。

　　3.2  拉曼光譜技術(shù)結(jié)合化學(xué)計(jì)量法在肉類分級(jí)鑒定中的應(yīng)用

　　近年來，拉曼光譜廣泛應(yīng)用于肉類研究中，如檢測(cè)胴體宰后初期生理變化、預(yù)測(cè)肉類品質(zhì)指標(biāo)、預(yù)測(cè)肉品貨架期及鑒別摻假等（表4）。如前文所述，拉曼光譜中不同的特征峰對(duì)應(yīng)著不同的蛋白質(zhì)、脂質(zhì)結(jié)構(gòu)信息，因此可通過分析不同樣本拉曼光譜間的差異對(duì)樣本的蛋白質(zhì)、脂質(zhì)、水分等指標(biāo)進(jìn)行預(yù)測(cè)，從而達(dá)到樣本牛月齡分級(jí)，樣本嫩度分級(jí)，部位肉分類、牛肉摻假鑒別、凍融肉鑒別和腐敗肉鑒別等目的。

表4  拉曼光譜技術(shù)在肉類分級(jí)技術(shù)上的應(yīng)用

　　注:“－”表示文獻(xiàn)中未明確或不需要；SNV-標(biāo)準(zhǔn)正態(tài)變換（standard normal variate）；PV-過氧化值（peroxide value），AV-酸度值（acid value）。

　　通過各特征峰間拉曼強(qiáng)度的差異不僅可以對(duì)肉的嫩度進(jìn)行分級(jí)，還可以揭示與嫩度相關(guān)的各官能團(tuán)間的差異。如與嫩度好的牛肉相比，嫩度差的牛肉在α-螺旋蛋白（906、935、1312、1447、1650cm-1）、肌紅蛋白（714、755、885、999、1126、1340、1540cm-1）和芳香氨基酸側(cè)鏈（尤其是色氨酸759、1009、1336、 1353、1550cm-1）處的拉曼特征峰信號(hào)明顯增強(qiáng)，而酪氨酸雙帶（825、855cm-1）幾乎沒有變化。同時(shí)，由于不同品種的肉類特征峰不同，拉曼光譜還可準(zhǔn)確鑒別肉品摻假。BOYACI等應(yīng)用拉曼光譜準(zhǔn)確鑒別了牛肉中摻雜的馬肉（馬肉含量25%、50%、75%），同時(shí)證實(shí)了馬肉和牛肉的拉曼光譜中相同條帶內(nèi)的特征峰強(qiáng)度存在差異（555、678、815、1 032、1 265、1 392、1611、1706cm-1），且馬肉脂肪含有獨(dú)有的特定條帶（919、974、1215cm-1）。

　　拉曼光譜還可用來測(cè)定常規(guī)氧化指標(biāo)，如過氧化值、硫代巴比妥酸反應(yīng)物質(zhì)、酸值（P＜0.01）。牛肉經(jīng)反復(fù)凍融后PV、TBA、AV均顯著升高（P＜0.05），隨著凍融循環(huán)次數(shù)的增加，970和1080cm-1（與飽和脂肪酸呈負(fù)相關(guān)）條帶的拉曼強(qiáng)度呈下降趨勢(shì)，1068和1125cm-1條帶（與飽和脂肪酸呈正相關(guān)） 的拉曼強(qiáng)度呈上升趨勢(shì)，這說明隨著凍融循環(huán)次數(shù)的增加脂肪酸飽和度會(huì)逐步上升。1655cm-1（C==C拉伸，與脂肪酸不飽和度有關(guān)）條帶拉曼強(qiáng)度明顯下降，說明脂質(zhì)氧化過程降低了脂質(zhì)中的總不飽和度，從而降低了其拉曼光譜中的 C ==C信號(hào)強(qiáng)度。

　　SOWOIDNICH等將拉曼光譜與PCA技術(shù)結(jié)合，準(zhǔn)確鑒別出貯藏第7天菌落總數(shù)超過106 CFU/cm2 的腐敗豬肉樣。研究表明，隨著豬肉貯藏期的延長，色氨酸（755、1 551cm-1）、酪氨酸（826、855cm-1）、苯丙氨酸（1205cm-1）、C—H彎曲振動(dòng)（1340、1446cm-1）、蛋白質(zhì)骨架（1126cm-1） 等相關(guān)條帶，以及構(gòu)象敏感帶: 酰胺I帶（1651cm-1）、C—C伸縮振動(dòng)相關(guān)條帶（902、935cm-1）的特征峰信號(hào)強(qiáng)度發(fā)生了變化。與SCHMIDT等的研究結(jié)果一致，即隨著貯藏時(shí)間增加，α-螺旋蛋白結(jié)構(gòu)含量減少，β-折疊以及無序二級(jí)結(jié)構(gòu)增加。PHONGPA-NGAN等以雞胸肉為樣本，研究表明拉曼光譜可以準(zhǔn)確地將肉雞分類為低生長率肉雞（增重250克/周）和高生長率肉雞（299克/周）；雞胸肉也可準(zhǔn)確的被分為低保水性雞肉（4.08g/100g）和高保水性雞肉（89.26g/100g）。

　　拉曼光譜在肉類研究中應(yīng)用較為廣泛，結(jié)合不同化學(xué)計(jì)量學(xué)方法建立的預(yù)測(cè)模型穩(wěn)定性準(zhǔn)確度也較高，但目前仍存在以下問題:（1）不同物種的肉品具有其獨(dú)一無二的拉曼光譜，在工業(yè)化應(yīng)用前需要建立大量數(shù)據(jù)庫并與各項(xiàng)指標(biāo)進(jìn)行相關(guān)性分析；（2）目前，拉曼光譜技術(shù)在肉品中的應(yīng)用仍處于科研摸索階段，對(duì)肉品進(jìn)行分級(jí)、品質(zhì)預(yù)測(cè)時(shí)準(zhǔn)確性（R2）差異較大，需結(jié)合化學(xué)計(jì)量學(xué)方法及優(yōu)化掃描參數(shù)來提高其準(zhǔn)確率穩(wěn)定性。但拉曼光譜快速、安全、無損的特點(diǎn)使其在食品工業(yè)在線應(yīng)用領(lǐng)域存在極大潛力。

　　3.3  拉曼光譜在肉類研究中常用到的化學(xué)計(jì)量法

　　拉曼光譜技術(shù)應(yīng)用于肉類分級(jí)鑒定時(shí)，同樣存在光譜數(shù)據(jù)噪聲較大的問題。通過化學(xué)計(jì)量學(xué)方法對(duì)拉曼光譜進(jìn)行預(yù)處理可以去除光譜噪聲進(jìn)而提高預(yù)測(cè)模型的準(zhǔn)確率。PLS是化學(xué)計(jì)量學(xué)中最常用的方法，且具有廣泛的適應(yīng)性，但在一些研究中，以PLS對(duì)拉曼光譜進(jìn)行預(yù)處理后得到的預(yù)測(cè)結(jié)果仍存在較大偏差，其原因可能是：PLS模型的過度擬合；蛋白質(zhì)在肉類成熟期間降解，導(dǎo)致氨基酸條帶位置發(fā)生變化，從而影響光譜與蛋白質(zhì)含量的相關(guān)性；光譜預(yù)處理方法選擇不當(dāng)；傳統(tǒng)方法測(cè)定指標(biāo)時(shí)誤差較大或沒有剔除光譜異常值。因此在建立擬合模型的過程中應(yīng)：保證光譜數(shù)據(jù)的穩(wěn)定，必要時(shí)剔除異常值光譜；對(duì)比選擇最優(yōu)預(yù)處理方法去除噪聲；防過度擬合；盡量避免實(shí)驗(yàn)時(shí)間過長，減少肉類樣品發(fā)生生理變化的可能性。

　　另一種常用的預(yù)處理方法是PCA。學(xué)者分別利用PCA結(jié)合拉曼光譜技術(shù)準(zhǔn)確地對(duì)肉類樣品進(jìn)行了摻假鑒定和新鮮度鑒定。在摻假肉鑒別的實(shí)驗(yàn)中，主成分載荷圖顯示有8個(gè)差異聚類，分別代表了馬肉和牛肉拉曼光譜中的差異條帶。因此可通過PCA提取不同肉類的拉曼光譜差異條帶，從而對(duì)未知來源的肉類進(jìn)行分類或摻假鑒別。在肉類新鮮度鑒定的實(shí)驗(yàn)中，主成分載荷圖以貯藏第7天的豬肉拉曼光譜圖為分界線（菌落總數(shù)未超過106CFU/cm2的腐敗限）準(zhǔn)確地將拉曼光譜分為了2個(gè)聚類（貯藏時(shí)間1～7d和貯藏時(shí)間7d以上）。證實(shí)了拉曼光譜結(jié)合PCA技術(shù)鑒別腐敗肉的潛力。

　　4  結(jié)語

　　電子技術(shù)的發(fā)展推動(dòng)肉類工業(yè)發(fā)展了一大步，產(chǎn)品品質(zhì)更加滿足消費(fèi)者的需求。在本文綜述的3種技術(shù)中各有優(yōu)缺點(diǎn)：CVS技術(shù)主要應(yīng)用于肉色、脂肪含量預(yù)測(cè)和分級(jí)，這2種指標(biāo)可以通過簡單的模型來進(jìn)行分類。但是不同部位肉、不同分類模型對(duì)預(yù)測(cè)的準(zhǔn)確度有較大影響，要想提高分級(jí)準(zhǔn)確率，不但需要選擇適合的分析對(duì)象，且針對(duì)分類指標(biāo)使用合適的分類模型也很重要。NIR和拉曼光譜是2種典型的光譜技術(shù)，幾乎可以應(yīng)用于肉類工業(yè)的各個(gè)方面。但是肉類本身的復(fù)雜性意味著其光譜不像純物質(zhì)光譜一樣典型，往往都有較大的噪聲，這成為影響光譜預(yù)測(cè)模型準(zhǔn)確性的重要因素?；瘜W(xué)計(jì)量學(xué)方法對(duì)光譜分析具有重要意義，選用科學(xué)合理的化學(xué)計(jì)量學(xué)方法有利于消除噪聲影響，提高預(yù)測(cè)模型的準(zhǔn)確度。

　　總體而言，這3種技術(shù)目前皆處于科學(xué)研究階段，幾乎沒有結(jié)合肉類工業(yè)實(shí)際應(yīng)用的實(shí)例。但是，作為肉類品質(zhì)的快速分級(jí)鑒定技術(shù)，本文綜述的3種技術(shù)有著巨大的潛力。在未來，這些無損檢測(cè)技術(shù)將廣泛應(yīng)用于實(shí)驗(yàn)室、食品工業(yè)的生產(chǎn)線上各項(xiàng)指標(biāo)的無損檢測(cè)，準(zhǔn)確的肉類分類、分級(jí)及肉類品質(zhì)的準(zhǔn)確鑒定已不再遙不可及。