发明实施例3中生鲜牛肉中水分含量的最佳预测模型的验证集样品的预 测值与参比值之间的散点图；
[0040] 图8为本发明实施例4中生鲜牛肉中脂肪含量的最佳预测模型的校正集样品的预 测值与参比值之间的散点图；
[0041]图9为本发明实施例4中生鲜牛肉中脂肪含量的最佳预测模型的验证集样品的预 测值与参比值之间的散点图；
[0042]图10为本发明实施例5中生鲜牛肉中蛋白质含量的最佳预测模型的校正集样品的 预测值与参比值之间的散点图；
[0043]图11为本发明实施例5中生鲜牛肉中蛋白质含量的最佳预测模型的验证集样品的 预测值与参比值之间的散点图；
[0044] 其中，1:光源和光栅;2:输出光纤;3:检测探头;4:输入光纤;5:检测器;6:微处理 器;7:生鲜牛肉待检样品。
【具体实施方式】
[0045] 下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于 说明本发明，但不能用来限制本发明的范围。
[0046] 在本发明的描述中，需要说明的是，除非另有说明，"多个"的含义是两个或两个以 上;术语"上"、"下"、"左"、"右"、"内"、"外"、"前端"、"后端"、"头部"、"尾部"等指示的方位 或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而 不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此 不能理解为对本发明的限制。此外，术语"第一"、"第二"、"第三"等仅用于描述目的，而不能 理解为指示或暗示相对重要性。
[0047] 在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语"安装"、 "相连"、"连接"应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连 接;可以是机械连接，也可以是电连接;可以是直接相连，也可以通过中间媒介间接相连。对 于本领域的普通技术人员而言，可视具体情况理解上述术语在本发明中的具体含义。
[0048] 实施例1
[0049] 如图1-3所示，本实施例提供的一种生鲜牛肉多指标的快速无损同步检测方法，其 包括以下步骤：
[0050] 1)从市场上采集400份生鲜牛肉样品，剔除样品表面脂肪和筋膜，无需破碎或均质 处理，然后批量采集样品的近红外光谱数据信息；
[0051] 图3为400份生鲜牛肉样品的近红外光谱信息。如图1所示，近红外光谱信息采集过 程中，将待检生鲜牛肉待检样品7表面紧贴于便携式近红外光谱仪的检测探头3上，避免因 漏光导致米集的光谱信息不准确。其中，1为光源和光栅，2为输出光纤，4为输入光纤，5为检 测器，6为微处理器。
[0052]检测中，样品温度对近红外光谱的采集有明显影响，在近红外光谱信息采集过程 中，所有待检牛肉样品的温度必须始终保持在〇_4°C。采集的近红外光谱波长范围为 1000nm-1800nm，分辨率为10nm，每份待检样品进行3次光谱采集，每次间隔5秒钟，每次采 集，光谱扫描次数为10次。
[0053] 2)胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力6项指标的检测;采用国家和 行业标准GB/T 9695.24-2008《肉与肉制品胆固醇含量测定》、GB/T 9695.15-2008《肉与肉 制品水分含量测定》、GB/T 9695.7-2008《肉与肉制品总脂肪含量测定》、GB/T 5009.5-2010 《食品安全国家标准食品中蛋白质的测定》、NY/T 1180-2006《肉嫩度的测定剪切力测定 法》、NY/T 2793-2015《肉的食用品质客观评价方法》对步骤（1)中的400份生鲜牛肉样品进 行胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力等6项指标的参比值检测。
[0054] 3)校正集和验证集的划分；
[0055] 将步骤1)和2)中所采集的样品近红外光谱数据信息与胆固醇、水分、脂肪和蛋白 质含量及剪切力、持水力的理化和品质指标的参比值分别进行一一对应的关联并建立各单 一指标的样品集，将样品集按照3:1的比例分为校正集和验证集，即将其中300份样品的近 红外光谱数据信息及相对应的各项指标的参比值作为校正集，另外的100个样品的近红外 光谱数据信息及相对应的各项指标的参比值作为验证集。
[0056] 4)光谱的预处理与单一指标预测模型的建立；
[0057]对步骤3)中校正集和验证集的近红外光谱数据信息进行预处理，去除光谱中的无 关干扰信息、降低随机噪声和强化谱带特征。后应用偏最小二乘法(PLS)建立多个生鲜牛肉 中挥发性盐基氮含量预测模型。
[0058]各项单一指标模型的最佳光谱预处理方法如下：1、胆固醇指标的最佳光谱预处理 方法为均值中心化、Savitzky-Golay-阶导数、正交信号校正(0SC) ;2、水分指标的最佳光 谱预处理方法为多元散射校正(MSC);3、脂肪指标的最佳光谱预处理方法为均值中心化、 Savitzky-Golay-阶导数、净分析信号(NAS);4、蛋白质指标的最佳光谱预处理方法为均值 中心化、差分求导、Savitzky-Golay平滑、正交信号校正(0SC);5、剪切力指标的最佳光谱预 处理方法为均值中心化;Savitzky-Golay-阶导数;基线校正;6、持水力指标的最佳光谱预 处理方法为均值中心化；Savitzky-Golay-阶导数；Savitzky-Golay平滑；净分析信号 (NAS)。
[0059] 5)依次建立各单一指标的最佳预测模型；
[0060] 利用验证集的光谱数据信息和待测样品的参比值对各单一指标的预测模型进行 外部预测检验，通过模型参数评价模型的预测效果，分别确定针对生鲜牛肉中胆固醇、水 分、脂肪和蛋白质含量及剪切力、持水力6项理化和品质指标的近红外光谱数据信息最佳预 处理方法和最佳预测模型；
[0061 ]根据模型校正集标准偏差（SEC)、交互验证标准偏差（SECV)、验证集标准偏差 (SEP)等数值趋近于0且同时相互之间越接近越好;校正集相关系数(Rc)、验证集相关系数 (Rp)趋近于1越好;主因子数较少的原则对步骤4)中所建模型的预测准确性、重复性、稳健 性等性能进行评价，从预测准确率最高的组合中选出生鲜牛肉中各单一指标的最佳预测模 型和近红外光谱数据信息最佳预处理方法，同时应用学生残差对模型中的异常值进行剔 除，优化模型。
[0062]各单一指标最佳预测模型的相关参数如下:胆固醇最佳预测模型的主因子数为4， Rc = 0·95，SEC=l·73，Rp = 0·78，SEP = 3·41;水分最佳预测模型的主因子数为8，Rc = (h92， SEC = 0.91，Rp = 0.66，SEP=1.75;脂肪最佳预测模型的主因子数为4，Rc = 0.99，SEC = 0·22，Rp = 0·53，SEP=l·16;蛋白质最佳预测模型的主因子数为4，Rc = 0·91，SEC = 0·99，Rp = 0·56，SEP = 2·46;剪切力最佳预测模型的主因子数为4，Rc = 0·88，SEC=l·95，Rp = 0·64， SEP = 2·92;持水力最佳预测模型的主因子数为4，Rc = 0·95，SEC = 0·02，Rp = 0·74，SEP = 0.04〇
[0063] 6)建立多指标预测模型；
[0064]将步骤5)中生鲜牛肉的胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力等各单 一指标最佳预测模型的校正集和验证集导入便携式近红外光谱仪自带的统计软件RMP中， 然后把各模型的最佳预处理方法也依次添加到统计软件RMP中，将6项单一指标的最佳预 测模型构建成一个多指标预测模型集；
[0065] 7)利用步骤6)中已构建完毕的生鲜牛肉多指标预测模型对待测生鲜牛肉样品中 的胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力6项指标进行同步检测。
[0066] 实施例2
[0067] 本实施例1基本相同，不同之处在于，本实施例中的牛肉样品取自两个不同地域。
[0068] 应用实施例1中的已拟合各单一指标最佳预测模型的生鲜牛肉多指标预测模型对 从市场上采集的生鲜牛肉样品的胆固醇含量进行检测，同时按照国家和行业标准GB/T 9695.24- 2008《肉与肉制品胆固醇含量测定》、GB/T 9695.15-2008《肉与肉制品水分含量测 定》、GB/T 9695.7-2008《肉与肉制品总脂肪含量测定》、GB/T 5009.5-2010《食品安全国家 标准食品中蛋白质的测定》、NY/T 1180-2006《肉嫩度的测定剪切力测定法》、NY/T 2793-2015《肉的食用品质客观评价方法》的检测方法对样品的6项指标进行检测。结果如表1所 不。
[0069] 表1不同地域牛肉样品中6项指标预测值与参比值的比较
[0070]
[0071]
[0072] 其中图4和5分别为本实施例中生鲜牛肉中胆固醇含量的最佳预测模型的校正集 和验证集样品的预测值与参比值之间的散点图。
[0073] 实施例3
[0074] 本实施例1基本相同，不同之处在于，本实施例为生鲜牛肉多指标预测模型在不同 喂养方式下牛肉样品中胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力等6项指标的同 步快速无损检测中的应用