基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法与流程

本发明涉及肉制品质量检测技术领域，具体而言，涉及一种基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法及其应用。

背景技术：

随着现代社会生活节奏的加快和中西方饮食文化的不断融合，烧烤牛肉以其独特的风味，方便、快捷的烹调方式，越来越受到年轻消费者的青睐。

原料是影响烧烤牛肉消费价值主要因素之一，不同部位、不同品质的原料烤制出的牛肉往往会有很大差异，特别是我国市场上牛肉原料混杂，现代精饲、草地放牧、老残淘汰等不同品质原料为烧烤牛肉的品质评价和分等分级等提出了更高要求。传统的牛肉品质检测和分等分级更侧重于大宗交易时的胴体评价，难以适用于特定的烧烤制品，更加无法对原料熟后的品质进行预测，且多以化学分析、仪器检测等破坏性方式为主，不仅过程复杂、费时费力，还会造成大量的原料污染和浪费。因此，为促进牛肉产业发展，有必要针对烧烤牛肉的品质特点和消费需要建立一套快速、有效的检测手段和分级方法，实现烧烤用原料肉的快速检测。

近红外(NIR)是一种介于可见光(VIS)和中红外光(IR)之间的电磁波，美国材料检测学会(ASTM)将其定义为波长为780～2526nm的光谱区，是自上个世纪70年代以来发展起来的一项现代分析技术，目前在各个领域都具有广泛的应用，其样品的处理方式简单，并且可以同时评估肉类的多个指标，目前主要用于产地和品种的鉴别、品质的评价以及安全检测等方面。而近红外光谱技术具有快速、准确、无污染等特点，对于提高工作效率，减少原料损耗、降低劳动强度等有很大帮助。一些研究表明，近红外光谱技术在猪肉、牛肉、羊肉、鸡肉以及火腿、腌肉等肉和肉制品分析预测中有着良好的预测效果，但是通过牛肉原料的近红外快速检测来对熟后肉品质进行分级的应用还鲜有报道，且在此领域，针对烧烤用原料牛肉进行检测从而预测其熟后品质的方法还属空白。

有鉴于此，特提出本发明。

技术实现要素：

本发明的第一目的在于提供一种基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法，所述方法可通过对生的烧烤用原料牛肉进行快速检测而预测到其熟后的品质。

本发明的第二目的在于提供一种所述的基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法在烧烤用原料牛肉快速分级中的应用。

为了实现本发明的上述目的，特采用以下技术方案：

一种基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法，包括如下步骤：

a).获取待检测烧烤用原料牛肉样本的近红外光谱；

b).通过预先建好的近红外光谱数据模型，由步骤a)中获得的近红外光谱对所述待检测烧烤用原料牛肉样本的熟后品质进行预测；

其中，所述近红外光谱数据模型包括近红外光谱与熟后品质相关参数的对应关系。

优选的，如上所述的基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法，所述近红外光谱数据模型通过以下方法获得：

b1).建立烧烤用原料牛肉近红外光谱的大样本数据后对其进行熟后品质相关参数的检测；

b2).根据红外光谱的大样本数据和所述熟后品质相关参数的对应关系建立近红外光谱数据模型。

进一步优选的，如上所述的基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法，所述熟后品质相关参数为感官评分。

感官评价方法参考GB/T 22210-2008《肉与肉制品感官评定规范》和赵镭等在食品感官评价指标体系建立的一般原则与方法.中国食品学报，2008,8(3):121-124.中提到的方法。

感官评分是对烤熟后的牛肉进行的，在本发明的一个实施例中会对感官评价的评价标准做具体的说明。

优选的，如上所述的基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法，所述烧烤用原料牛肉状态为肉糜。

优选的，如上所述的基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法，所述烧烤用原料牛肉取自外脊和小黄瓜条两种部位。

值得说明的是，本发明所提供的基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法，在建立近红外光谱数据模型时，建立近红外光谱与感官评分的关系是最为直接简明的做法，但除此之外，也可以通过采用测定牛肉原料的主要化学成分(蛋白、脂肪、水分含量)和品质指标(WBSF、WHC、CL、L*、a*、b*值)来作为感官评价的辅助指标。

优选的，如上所述的基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法，所述近红外光谱数据模型的建立方法为判别偏最小二乘法。

优选的，如上所述的基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法，在所述方法中，获取的近红外光谱为1000～2500nm范围内的光谱。

优选的，如上所述的基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法，在所述方法中，获取近红外光谱的方法为用近红外光谱仪进行扫描获取，平均扫描次数为30次。

优选的，如上所述的基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法，所述近红外光谱仪为SupNIR-1550便携式近红外光谱仪。

如上所述的基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法在烧烤用原料牛肉快速分级中的应用。

与现有技术相比，本发明的有益效果为：

本发明对于大规模的肉类生产企业来说，对烧烤原料牛肉熟后品质的准确预测相关探索是非常有必要的。本发明探索了国产便携式近红外光谱仪器用于测定原料牛肉过程中光谱扫描的条件，为探索预测烧烤牛肉熟后品质的最佳技术条件提供理论基础。采用本发明提供的方法预测牛肉熟后品质，可以实现节约企业的时间和资金成本的效果，本发明提供的预测方法操作快速、简单、重复性好。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中的样本的感官得分分布图；

图2为本发明实施例中样品的近红外平均光谱图；

图3为本发明实施例中经过一阶导数处理后的肉糜、肉块状态下样品的近红外平均光谱图；

图4为本发明实施例中的肉糜状态下原料牛肉预测集肉样的真实分类和预测值比较分布图。

具体实施方式

下面将结合实施例对本发明的实施方案进行详细描述，但是本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者，均为可以通过市售购买获得的常规产品。

实施例

近红外光谱数据模型的建立与应用

1.材料和方法

1.1.材料与试剂

牛外脊(背最长肌)、小黄瓜条(半腱肌)，分别选取北京御香苑集团和宁夏夏华清真肉食品公司育肥西门塔尔杂交牛20和60头，宰后于0-4℃下排酸48h。牛肉排酸完成后，于现场取下外脊和小黄瓜条。

1.2.仪器与设备

SupNIR-1550便携式近红外光谱仪：杭州聚光科技公司。

1.3.试验方法

1.3.1.光谱采集

将牛肉切成肉块为厚度3cm、大小约3×6×6cm³的完整样品；肉糜则是在2.0×10³rmp的条件下绞碎15s后得到均质样品，于黑暗背景下应用光栅色散型便携式近红外光谱仪采集光谱，波长范围为1000～2500nm，分辨率为1nm，仪器平均扫描次数为30次，重复扫描样品3次取其平均光谱。

1.3.2.烤制

将完成测定的肉块切成2.54cm厚，称重，将电感耦合温度计插入到肉块中心，在160℃左右烤制至肉块中心温度达70℃，将烤好后的肉块保存在铝箔内冷却至室温备用。

1.3.3.感官评价

选择从事食品质量安全专业的10人组成感官评价小组，对品评人员进行烤制牛肉颜色、嫩度、风味、多汁性等感官品质指标培训，要求了解所用评语的含义和主观感受，采用顺序标度法，对烤肉各品质指标评价采用7分制，即1～7分，见表1。评价结果按照本课题组前期所做的烧烤牛肉消费者嗜好性和满意度评价模型计算最终加权得分。计算公式如下：

感官得分＝0.167×颜色+0.237×嫩度+0.206×风味+0.170×多汁性。

表1烤制牛肉品质感官评价表

Table 1Roast beef Sensory Evaluation

1.4.数据分析

对采集的光谱数据进行格式转换，应用The Unscrambler(version 9.8,CAMO)建立预测模型，采用判别偏最小二乘法(PLS-DA)完成感官等级的定性判别。以校正集和预测集样本实测值与预测值的相关系数R²_c和R²p、内部交叉验证均方根误差(RMSECV)以及预测均方根误差(RMSEP)作为评价模型质量指标。

2.结果与分析

2.1.样品质量指标统计

将160个牛肉样本按照3:1的比例建立校正集和预测集，感官评分结果如表2所示。近红外在预测样品准确度上的好坏除了受到各指标测量精度的影响外，还受到光谱所包含信息的多少以及参考数据的变异范围的影响。数据集建立时，将一些特征值(最大值、最小值等)归入校正集中，确保校正集范围包含预测集的范围，保证了所建模型的适用性和可靠性。

表2牛肉样本质量指标统计表

Table 2quality traits statistics of beef samples

2.2.烧烤牛肉感官等级划分

牛肉原料经烤制后的感官评分分布如图1所示，其中最高得分为5.9968，最低为3.2037。根据感官评分的分值可以将已有的牛肉样本划分成三个等级，即一级(5～6分)、二级(4～5分)和三级(3～4分)。

2.3.光谱分析与预处理

2.3.1.近红外平均光谱

肉块和肉糜状态下牛肉样本的平均光谱见图2。从图中可以看出，在1150nm、1450nm和1930nm出现较强的吸收峰，它们是O-H键的一级倍频和合频，因为牛肉中大部分是水，含量超过70％，O-H键的吸收峰非常明显。而C-H在1600～1800nm的第一倍频，在1100～1400nm的第二倍频和N-H在1400～1600nm的第一倍频，以及—OH在2100nm的吸收峰也可以从图中辨识，用于指示蛋白质、脂肪等有机物的含量变化。因为蛋白质和脂肪含量是影响烧烤牛肉品质的决定性因素，所以这些吸收峰的变化对预测准确性尤其重要。从图中可以看出，不同样品状态下采集的近红外光谱趋势大致相同，但是在1000～1900nm范围内，肉糜状态下的光谱图波动范围更大，吸收峰也更加明显。

2.3.2.光谱预处理

近红外光谱的预测准确性往往会受到一些与样品性质无关因素的干扰，如环境温度、样品状态、光的散射以及仪器响应等，这些因素导致了近红外光谱的基线漂移和重复性差。因此有必要对采集的近红外光谱数据进行分析和预处理，以消除这些不利影响，提高预测能力。本研究分别采取平滑(Smoothing)、标准正态化(Standard normol variate，SNV)、多元散射校正(Multiplicative signal correction，MSC)、导数处理(Derivative)等不同方法处理近红外光谱，以消除各种高频噪音和基线漂移，提高重复性和信噪比。

图3为经过一阶导数处理后的近红外光谱图。从图中可以看出，光谱经过一阶导数处理后，有效减少了线性基线漂移，强化了谱带特征。采集的光谱数据在1150nm的O-H吸收峰、1200～1400nm的C-H吸收峰和1400～1600nm的N-H吸收峰都更加明显。其中，完整肉块下采集的近红外光谱吸收峰在1000～1100nm、1400nm范围内波动更大，肉糜状态下的吸收峰则在1200～1400nm和1500～1900nm范围内更加突出。

2.4.烧烤牛肉感官等级的定性判别

2.4.1.不同等级样品的偏最小二乘判别模型建立与预测

表3为判别偏最小二乘模型(PLS-DA)建立的预测结果。从表中可以看出，经过平滑(Smooth)、多元散射校正(MSC)、标准正态化分布(SNV)、导数(Derivatives)等预处理方法优化后，肉糜状态下建立的等级预测结果明显好于肉块状态。在肉糜状态下，光谱经过3点平滑(Smooth-G(3))处理后可以适当消除背景干扰，实现最好的预测效果，其校正集和验证集判别正确率分别为95.00％和93.33％，预测集判别正确率为85.00％，R²(决定系数)、交互验证标准差(RMSECV)分别为0.81和0.28(图4)。能够实现对未知样品的预测。

表3不同光谱预处理方法的预测结果

Table 3predict results for PLS-DA models with different spectral pretreatments

注：None：未经任何预处理；Smooth-G(N)：N点平滑处理；MSC：多元散射校正处理；SNV：标准正态化分布处理；S-G(N)+1D：一阶导数N点平滑处理；De-trending：去趋势化处理；S-G(3)+SNV：3点平滑加标准正态化处理；S-G(3)+1D+SNV：一阶导数3点平滑加标准正态化处理。

3.讨论

感官是评价烧烤牛肉品质最直接、最有效的手段之一，但是近红外对感官指标的预测一直难以得到较满意的结果。一方面是因为人们对牛肉的颜色、嫩度、风味、多汁性等指标会有不同的主观感受，判断结果会有较大差异，同时虚拟化的描述难以像客观指标一样作出准确量化的判断。另一方面，不同的感官指标经过加权计算得分后，往往得到一个较小的变化范围，进而降低了近红外模型预测的精度。此外，光谱扫描时的样品和感官评价小组评分的样品并不完全相同，品质上的变化和烹饪过程的影响都会造成预测精度的降低。

为提高预测准确度，本研究选择外脊和小黄瓜条两种部位肉作为烧烤原料，以扩大评分的变异范围，同时对感官结果的预测中将所有样本的感官得分划分为三个等级，进一步避免了指标变异度小的问题，最终经过近红外建模预测，实现了较好的预测效果。

本研究选取烧烤用牛肉原料外脊和小黄瓜条作为样本，应用便携式近红外光谱仪在1000～2500nm范围对工厂操作环境下的新鲜样本进行光谱采集，同时烤制后进行感官评分。以160个样本作为建模集，采用偏最小二乘判别法(PLS-DA)对感官评分结果进行等级判别预测，最终在肉糜状态下建立的校正集和验证集判别正确率分别为95.00％和93.33％，预测集判别正确率为85.00％，R²和RMSECV分别为0.81和0.28。结果表明，近红外技术可以成功用于工厂环境下对烧烤用牛肉原料肉的快速品质检测和等级判别。

综上所述，本发明通过采集原料肉近红外光谱信息进而建立了的近红外光谱数据模型，并可通过该模型方便地获得烧烤后肉的感官品质状况，从而为相关厂家和企业节约时间和资金成本，避免在劣质牛肉上不必要的浪费，为原料肉烧烤方式确定和烧烤肉定价提供成本节约、科学可靠的依据。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，但本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。