孟 一，張玉華,2,*，許麗丹,2，陳東杰,2，張應(yīng)龍,2，張?jiān)伱?/p>

（1.山東商業(yè)職業(yè)技術(shù)學(xué)院 山東省農(nóng)產(chǎn)品貯運(yùn)保鮮技術(shù)重點(diǎn)實(shí)驗(yàn)室，山東 濟(jì)南 250103；2.國(guó)家農(nóng)產(chǎn)品現(xiàn)代物流工程技術(shù)研究中心，山東 濟(jì)南 250103）

近年來(lái)，“注水肉”事件屢屢曝光，一些不良屠宰點(diǎn)，為謀取高額利潤(rùn)，不惜給牲畜注水來(lái)提高出肉量[1]。由于水的滯留性差，很容易利用擠壓、刀切等簡(jiǎn)單方法鑒別。據(jù)悉，注水肉已經(jīng)有了“升級(jí)版”，不法商販將食用膠注入牲畜體內(nèi)來(lái)應(yīng)對(duì)檢查。為了規(guī)范市場(chǎng)、保護(hù)消費(fèi)者權(quán)益，迫切需要建立快速、方便、準(zhǔn)確、客觀的方法對(duì)肉品注水進(jìn)行檢測(cè)。

近紅外技術(shù)通過(guò)分析光譜提取物質(zhì)的特征信息，具有響應(yīng)速度快、選擇性和抗干擾能力強(qiáng)、操作成本低、適合多種狀態(tài)及在線檢測(cè)等優(yōu)點(diǎn)[2]，被廣泛用于食品真?zhèn)?、摻假判別[3]。迄今為止，近紅外光譜已被成功地用于肉類[4-5]、植物油[6-8]、牛奶[9-11]、蜂蜜[12-14]、奶粉[15]、面粉[16]、飲料[17-19]等的摻假判別，并對(duì)摻假物進(jìn)行了定量預(yù)測(cè)。表明近紅外光譜技術(shù)用于食品摻假判別具有可行性。在肉品注水檢測(cè)方面，楊紅菊等[20]采用近紅外透射光譜結(jié)合聚類分析法為注膠肉的判別提供了一種快速有效的方法。楊志敏等[21-22]利用近紅外光譜技術(shù)結(jié)合Fisher兩類判別法分別對(duì)原料肉注水、注膠和摻大豆蛋白進(jìn)行了鑒別，建立了多種摻假肉的分類判別模型。雖然前人利用近紅外光譜技術(shù)成功地區(qū)分出了原料肉摻水、卡拉膠和大豆蛋白等，但缺乏摻假量對(duì)模型判別的影響研究，且沒(méi)有對(duì)摻假量進(jìn)行定量檢測(cè)。

本研究嘗試?yán)媒t外光譜結(jié)合模式判別法對(duì)肉品注水、注膠進(jìn)行判別，近紅外光譜結(jié)合偏最小二乘法（partial least squares，PLS）、主成分分析（principal component analysis，PCA）對(duì)注水量和注膠量進(jìn)行定量檢測(cè)，以得到快速、有效的肉品注水、注膠的定性判別與定量檢測(cè)方法。

1 材料與方法

1.1 材料

豬后腿肉購(gòu)于超市，粉碎成肉糜，并測(cè)得水分含量為65%～68%。

1.2 儀器與設(shè)備

AntarisⅡ傅里葉變換近紅外光譜儀（配有積分球漫反射采樣系統(tǒng)、Result操作軟件和TQ Analyst 8光譜分析軟件） 美國(guó)Thermo Electric公司。

1.3 方法

1.3.1 材料處理

共制得260 個(gè)樣品，其中62 個(gè)作為正常肉樣品，其余的用于制備摻假肉樣品。課題組對(duì)摻假肉市場(chǎng)做了大量調(diào)研，兩種摻假肉系根據(jù)調(diào)研結(jié)果制備。一種加入不同量的水，注水肉中注水量占肉的比例分別為1.25%、2.5%、3.75%、5%、7.5%、10%、12.5%、15%、17.5%、20%，每個(gè)注水量配制9 個(gè)平行樣，共獲得90 個(gè)注水肉樣品。另一種加入1%的卡拉膠溶液，注膠肉中膠水量占肉的比例分別為2.5%、5%、7.5%、10%、12.5%、15%、17.5%、20%、22.5%、25%、27.5%、30%，每個(gè)注膠量配制9 個(gè)平行樣，共獲得108 個(gè)注膠肉樣品。

1.3.2 近紅外光譜采集方法

光譜采集時(shí)，利用積分球漫反射系統(tǒng)，采用旋轉(zhuǎn)杯，每個(gè)樣品連續(xù)采集光譜3 次，分別取平均值為原始光譜。掃描波數(shù)范圍10 000～4 000 cm-1，分辨率8 cm-1，掃描次數(shù)128 次，以內(nèi)置背景為參照。

1.3.3 數(shù)據(jù)處理

建立定性判別模型時(shí)，將所采集的注水肉、注膠肉和正常肉的光譜數(shù)據(jù)分別隨機(jī)分為訓(xùn)練集和預(yù)測(cè)集兩部分，訓(xùn)練集173 個(gè)樣品（注水肉59、注膠肉72、正常肉42）用于校正模型的建立，預(yù)測(cè)集87 個(gè)樣品（注水肉31、注膠肉36、正常肉20）用于檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)能力。根據(jù)判別準(zhǔn)確率優(yōu)化建模的光譜范圍、預(yù)處理方法和主成分?jǐn)?shù)，采用判別分析法建立定性判別模型，根據(jù)判別準(zhǔn)確率評(píng)價(jià)模型的預(yù)測(cè)性能。

建立注水量和注膠量定量分析模型時(shí)，為增強(qiáng)模型的實(shí)用性，將正常肉數(shù)據(jù)分別加入兩種摻假肉參與建模和模型性能驗(yàn)證，正常肉的注水量和注膠量均為0。根據(jù)隨機(jī)分組結(jié)果，注水量和注膠量模型訓(xùn)練集分別為102 個(gè)和120 個(gè)樣品，預(yù)測(cè)集均為50 個(gè)樣品。以訓(xùn)練集的內(nèi)部交互驗(yàn)證均方差（cross-validation mean square error，RMSECV）為指標(biāo)優(yōu)化建模參數(shù)，利用PLS法建立定量模型。利用模型對(duì)預(yù)測(cè)集樣品的預(yù)測(cè)均方差（prediction mean square error，RMSEP）、預(yù)測(cè)值與實(shí)測(cè)值間的相關(guān)系數(shù)r考察模型的預(yù)測(cè)性能。

2 結(jié)果與分析

2.1 注水肉、注膠肉與正常肉的分類判別

2.1.1 光譜范圍的選擇

選擇合適的建模光譜范圍不僅可以簡(jiǎn)化模型，剔除不相關(guān)和非線性變量，得到預(yù)測(cè)能力強(qiáng)、穩(wěn)健性好的模型，而且有利于光譜有用信息的提取，有效減少建模的運(yùn)算量[23]。根據(jù)TQ Analyst 8軟件推薦的建模波段和相關(guān)成分與特征波段的相關(guān)性，在原始光譜（圖1）的不同波段分別建立定性判別模型，依據(jù)模型判別準(zhǔn)確率確定合適的光譜建模波段范圍。不同光譜范圍所建模型的預(yù)測(cè)結(jié)果如表1所示。

圖 1 注水肉、注膠肉和正常肉的原始光譜圖Fig.1 Original spectra of water-injected meat, gum-injected meat and normal meat

表 1 不同光譜范圍模型的判別準(zhǔn)確率Table 1 Discrimination accuracy of the models in different spectral ranges Table 1 Discrimination accuracy of the models in different spectral ranges光譜范圍/cm-1全光譜 9 168.75～7 167.687 474.74～6 256.396 271.37～5 399.83 5 442.70～4 514 9 085.77～8141.99 7 544.16～6865.36 5 526.99～5009.49判別準(zhǔn)確率/%89.77 94.23 92.07 90.07 91.10 92.83

由表1可見(jiàn)，在9 168.75～7 167.68 cm-1光譜范圍，模型的判別準(zhǔn)確率最高，達(dá)94.23%，因此選擇在該光譜范圍內(nèi)建立定性判別模型。

2.1.2 光譜數(shù)據(jù)的預(yù)處理

光譜采集時(shí)，由于受樣品均勻度、儀器狀態(tài)、裝樣形式等因素影響，常出現(xiàn)譜圖偏移或漂移、背景干擾現(xiàn)象，干擾光譜與樣品內(nèi)有效成分含量間的關(guān)系，并影響模型的可靠性、穩(wěn)定性[10]。因此，在建立校正模型前，需對(duì)原始光譜進(jìn)行預(yù)處理，以減弱或消除各種因素對(duì)光譜的影響。采用多元散射校正（multiple scattering correction，MSC）、標(biāo)準(zhǔn)正則變換（standard normal variate，SNV）、一階微分（the first derivative，1stD）、二階微分（the second derivative，2ndD）、Savitzky-Golay濾波平滑（S-G）、Norris Derivative濾波平滑（N-D）等單一方法或多種方法結(jié)合對(duì)9 168.75～7 167.68 cm-1范圍的原始光譜進(jìn)行預(yù)處理。表2是光譜經(jīng)不同方法預(yù)處理后所建模型對(duì)注水肉、注膠肉和正常肉的判別準(zhǔn)確率。

表 2 經(jīng)不同方法預(yù)處理后模型的判別準(zhǔn)確率Table 2 Discrimination accuracy rates of the models after Table 2 Discrimination accuracy rates of the models after different pretreatments ents光譜預(yù)處理方法 判別準(zhǔn)確率/%原始光譜 86.96 SNV＋1stD 90.07 SNV＋1stD＋D 94.23 SNV＋1stD＋S-G 91.79 MSC＋2ndD＋N-D 84.69 2ndD＋N-D 91.30 1stD＋S-G 90.34 1stD＋N-D 90.58

由表2可知，采用SNV、1stD和N-D 3 種方法結(jié)合對(duì)9 168.75～7 167.68 cm-1范圍的原始光譜進(jìn)行預(yù)處理，所得模型對(duì)注水肉、注膠肉和正常肉的判別準(zhǔn)確率最高，達(dá)94.23%。

2.1.3 光譜數(shù)據(jù)的主成分提取

建立模型時(shí)，若選擇主成分?jǐn)?shù)目不當(dāng)，出現(xiàn)“欠擬合”、“過(guò)擬合”等現(xiàn)象，都會(huì)使模型的預(yù)測(cè)能力下降[24]。因此，對(duì)模型的主成分?jǐn)?shù)進(jìn)行合理選擇，是關(guān)系到今后模型的適用范圍的主要因素。利用TQ Analyst 8軟件對(duì)光譜數(shù)據(jù)進(jìn)行主成分分析，經(jīng)計(jì)算提取出前10 個(gè)主成分，10 個(gè)主成分的累積貢獻(xiàn)率如表3所示，達(dá)99.82%，選擇前10 個(gè)主成分代表樣品的光譜信息。

表 3 前10 個(gè)主成分累積貢獻(xiàn)率Table 3 Cumulative contribution rates of the first ten principal Table 3 Cumulative contribution rates of the first ten principal componentsnents主成分?jǐn)?shù) 1 2 3 4 5 6 7 8 9 10累積貢獻(xiàn)率/%90.8896.1698.4198.9399.3199.4399.5399.6199.7099.82

2.1.4 定性判別模型的建立與驗(yàn)證

采用判別分析法建立定性判別模型，求出每個(gè)樣品距各類中心的馬氏距離，樣品距哪一類中心的馬氏距離最小，則歸屬哪一類[25]。在9 168.75～7 167.68 cm-1波段范圍內(nèi)，選擇前10 主成分代替全部光譜數(shù)據(jù)，采用SNV、1stD和N-D 3 種方法結(jié)合進(jìn)行預(yù)處理，建立模型。該模型對(duì)注水肉、注膠肉和正常肉的分類判別結(jié)果如圖2所示。注水肉中注水量的多少對(duì)判別準(zhǔn)確率產(chǎn)生影響，當(dāng)注水量為1.25%～20%時(shí)，共有15 個(gè)樣品被誤判，其中14 個(gè)注水肉被誤判為正常肉，14 個(gè)誤判樣品中有7 個(gè)注水量為1.25%，6 個(gè)注水量為2.5%，1 個(gè)注水量為3.75%；1 個(gè)注膠肉（注膠量2.5%）被誤判為注水肉，判別準(zhǔn)確率為94.23%。當(dāng)注水量為3.75%～20%時(shí)，共有8 個(gè)樣品被誤判，其中7 個(gè)注水肉被誤判為正常肉，7 個(gè)誤判樣品中有5 個(gè)注水量為3.75%，2 個(gè)注水量為5%；1 個(gè)注膠肉（注膠量2.5%）被誤判為注水肉，判別準(zhǔn)確率為96.96%。

圖 2 模型對(duì)3種肉的判別結(jié)果Fig.2 Discrimination results from the models for three kinds of meat

用所建模型對(duì)預(yù)測(cè)集87 樣品進(jìn)行驗(yàn)證，結(jié)果如表4所示。注水肉（注水量1.25%～20%）中3 個(gè)樣品被誤判為正常肉，判別準(zhǔn)確率為90.32%；注膠肉中有2 個(gè)樣品被誤判為注水肉，判別準(zhǔn)確率為94.44%；正常肉的判別準(zhǔn)確率為100%。模型對(duì)3種肉的總體判別準(zhǔn)確率為94.92%，可見(jiàn)，所建模型對(duì)注水肉、注膠肉和正常肉的判別準(zhǔn)確率高，模型預(yù)測(cè)性能良好。

表 4 模型對(duì)預(yù)測(cè)集的預(yù)測(cè)結(jié)果Table 4 Prediction results from the models for prediction set Table 4 Prediction results from the models for prediction set預(yù)測(cè)集 樣品數(shù)量 誤判數(shù) 判別準(zhǔn)確率/%注水肉 31 3 90.32注膠肉 36 2 94.44正常肉 20 0 100

2.2 注水量和注膠量的定量分析

2.2.1 建模參數(shù)的優(yōu)選

建立注水量和注膠量定量模型時(shí)，采用內(nèi)部交叉驗(yàn)證法對(duì)光譜預(yù)處理方法、主成分?jǐn)?shù)和建模波段進(jìn)行優(yōu)選。RMSECV越小，交互驗(yàn)證預(yù)測(cè)值與實(shí)測(cè)值間的相關(guān)系數(shù)r越大，對(duì)應(yīng)的建模參數(shù)越好，模型越精確。由表5可見(jiàn)，當(dāng)采用SNV＋1stD＋N-D光譜預(yù)處理方法，主成分?jǐn)?shù)為6，在5 368.85～4 697.74 cm-1光譜范圍建立注水量校正模型時(shí)，所得的RMSECV最小，交互驗(yàn)證預(yù)測(cè)值與實(shí)測(cè)值間的r最大。因此，優(yōu)選上述參數(shù)為注水肉注水量定量分析校正模型的建模參數(shù)。同樣方法優(yōu)選注膠量定量分析模型的建模參數(shù)，光譜預(yù)處理法MSC＋1stD＋N-D，主成分?jǐn)?shù)8，光譜范圍8 766.13～6 523.77 cm-1、5 858.68～4 657.48 cm-1。所建模型的RMSECV最小，交互驗(yàn)證預(yù)測(cè)值與實(shí)測(cè)值間的r最大。

表 5 不同建模參數(shù)的校正模型效果比較Table 5 Comparison of correction models with different parameters Table 5 Comparison of correction models with different parameters模型 光譜預(yù)處理方法 主成分?jǐn)?shù) 建模波段/cm-1 RMSECV/% r注水量模型SNV＋1stD＋N-D 9 9 931.78～4 086.2 3.51 0.920 8 SNV＋1stD＋N-D 6 5 368.85～4 697.74 3.46 0.925 2 MSC＋1stD＋N-D 7 7 486.31～5 368.85 3.61 0.912 8 MSC＋S-G 4 9 665.47～8 391.04 3.86 0.895 7 SNV＋2ndD＋N-D 6 9 665.47～8 391.04 4.27 0.852 7 MSC＋S-G 8 7 883.57～6 809.91 4.72 0.805 7注膠量模型SNV 9 9 106.59～4 438.2 4.31 0.921 5 MSC＋1stD＋N-D 9 8 874.17～8 111.37 7 382.17～6 117.10 5 503.84～4 530.53 3.62 0.912 6 SNV＋1stD＋N-D 8 9 106.59～4 438.2 3.57 0.918 6 MSC＋S-G 7 9 106.59～4 438.2 3.22 0.924 3 MSC＋1stD＋N-D 10 9 106.59～6 896.46 3.94 0.892 5 SNV＋S-G 6 8 766.13～6 523.77 3.16 0.929 5 MSC＋1stD＋N-D 8 8 766.13～6 523.77 5 858.68～4 657.48 3.13 0.930 1

2.2.2 定量分析模型的建立

根據(jù)上述優(yōu)化的建模參數(shù)，利用PLS法分別建立注水量和注膠量的校正模型。模型預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)關(guān)系如圖3所示。注水量模型的內(nèi)部交叉驗(yàn)證均方差RMSECV為3.46%，預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)系數(shù)r為0.925 2；注膠量模型的內(nèi)部交叉驗(yàn)證均方差RMSECV為3.13%，預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)系數(shù)r為0.930 1。

圖 3 訓(xùn)練集的預(yù)測(cè)值與實(shí)測(cè)值的散點(diǎn)圖及殘差分布圖Fig.3 Scatter and residual plots of predictive vs. actual values in calibration set

2.2.3 定量分析模型的驗(yàn)證

圖 4 預(yù)測(cè)集的預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)關(guān)系圖Fig.4 Correlation between predictive and actual values in validation set

將預(yù)測(cè)集注水肉和注膠肉的平均光譜分別導(dǎo)入注水量定量模型和注膠量定量模型，預(yù)測(cè)注水量和注膠量，以此來(lái)驗(yàn)證模型的準(zhǔn)確性和可靠性。圖4為預(yù)測(cè)集樣品注水量、注膠量的預(yù)測(cè)值和實(shí)測(cè)值的對(duì)應(yīng)關(guān)系。

注水量模型對(duì)50 個(gè)未知樣品的預(yù)測(cè)性能為：預(yù)測(cè)均方差RMSEP為4.01%，相關(guān)系數(shù)r為0.904 2；注膠量模型對(duì)50 個(gè)未知樣品的預(yù)測(cè)性能為：預(yù)測(cè)均方差RMSEP為3.87%，相關(guān)系數(shù)r為0.912 8。驗(yàn)證結(jié)果表明，所建注水量定量模型和注膠量定量模型均有良好的預(yù)測(cè)性能。

3 結(jié) 論

近紅外光譜結(jié)合PCA和判別分析法，建立了注水肉、注膠肉和正常肉的定性判別模型。利用10個(gè)主成分代替全部光譜數(shù)據(jù)，SNV、1stD和N-D 3 種方法結(jié)合進(jìn)行預(yù)處理，在9 168.75～7 167.68 cm-1光譜范圍建立模型。結(jié)果發(fā)現(xiàn)，當(dāng)注水量為1.25%～20%時(shí)，判別準(zhǔn)確率為94.23%；當(dāng)注水量為3.75%～20%時(shí)，判別準(zhǔn)確率為96.96%。對(duì)誤判樣品進(jìn)行分析發(fā)現(xiàn)，被誤判的樣品大多為注水肉被誤判為正常肉，且注水量較少，說(shuō)明注水肉中注水量的多少對(duì)模型的判別準(zhǔn)確率產(chǎn)生影響，且注水量越多，模型的判別準(zhǔn)確率越高。模型對(duì)所有預(yù)測(cè)集樣品的總體判別準(zhǔn)確率為94.92%。表明建立的定性判別模型可以很好地區(qū)分注水肉、注膠肉和正常肉。

利用PLS法結(jié)合PCA法分別建立了注水量和注膠量的定量分析模型。利用6 個(gè)主成分代替全部光譜數(shù)據(jù)，采用SNV＋1stD＋N-D法對(duì)光譜進(jìn)行預(yù)處理，在5 368.85～4 697.74 cm-1光譜范圍建立了注水量定量模型。交叉驗(yàn)證均方差RMSECV為3.46%，交互驗(yàn)證預(yù)測(cè)值與實(shí)測(cè)值間的r為0.925 2；利用8個(gè)主成分代替全部光譜數(shù)據(jù)，采用MSC＋1stD＋N-D光譜預(yù)處理法，在8 766.13～6 523.77 cm-1、5 858.68～4 657.48 cm-1范圍內(nèi)建立注膠量定量模型。交叉驗(yàn)證均方差RMSECV為3.13%，交互驗(yàn)證預(yù)測(cè)值與實(shí)測(cè)值間的r為0.930 1。利用所建模型分別對(duì)預(yù)測(cè)集樣品進(jìn)行預(yù)測(cè)，注水量模型預(yù)測(cè)均方差RMSEP為4.01%，相關(guān)系數(shù)r為0.904 2；注膠量摸預(yù)測(cè)均方差RMSEP為3.87%，相關(guān)系數(shù)r為0.912 8。表明模型預(yù)測(cè)性能良好，準(zhǔn)確度高。

上述結(jié)果表明，近紅外光譜技術(shù)結(jié)合PCA法、判別分析法建模判別注水肉、注膠肉和正常肉是可行的，PLS結(jié)合PCA法建模能夠?qū)ψ⑺亢妥⒛z量進(jìn)行快速定量分析，為肉品注水注膠提供了快速準(zhǔn)確的判別檢測(cè)方法，對(duì)打擊肉品注水、注膠摻假，提高我國(guó)肉品質(zhì)量安全檢測(cè)水平具有重要意義。

[1]李巧玲, 劉景艷. 市場(chǎng)鮮豬肉摻假狀況的調(diào)查監(jiān)測(cè)[J]. 食品科學(xué),2004, 25(10): 273-276.

[2]張玉華, 孟一. 肉類品質(zhì)無(wú)損檢測(cè)技術(shù)研究現(xiàn)狀與發(fā)展趨勢(shì)[J]. 食品工業(yè)科技, 2012, 33(12): 392-395.

[3]張玉華, 孟一, 張應(yīng)龍, 等. 近紅外光譜技術(shù)在食品安全領(lǐng)域應(yīng)用研究進(jìn)展[J]. 食品科技, 2012, 37(10): 283-286.

[4]DING H B. Near-infrared spectroscopic technique for detection of beef hamburger adulteration[J]. Agricultural and Food Chemistry, 2000,48(6): 2193-2198.

[5]GAYO J, HALE S A, BLANCHARD S M. Quantitative analysis and detection of adulteration in crab meat using visible and near-infrared spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2006,54(4): 1130-1136.

[6]李紅蓮, 趙志磊, 龐艷蘋, 等. 近紅外光譜法快速鑒別花生油真?zhèn)渭皳絺纬煞諿J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào), 2010(1): 24-29.

[7]莊小麗, 相玉紅, 強(qiáng)洪, 等. 近紅外光譜和化學(xué)計(jì)量學(xué)方法用于橄欖油品質(zhì)分析與摻雜量檢測(cè)[J]. 光譜學(xué)與光譜分析, 2010, 30(4): 933-936.

[8]馮利輝, 劉波平, 張國(guó)文, 等. 芝麻油中摻入菜籽油的近紅外光譜研究[J]. 食品科學(xué), 2009, 30(18): 296-299.

[9]李亮, 丁武. 摻有植物性填充物牛奶的近紅外光譜判別分析[J]. 光譜學(xué)與光譜分析, 2010, 30(5): 1238-1242.

[10]榮菡, 劉波平, 鄧澤元, 等. 基于PLS-模式識(shí)別近紅外光譜技術(shù)快速檢測(cè)鮮乳和摻假乳[J]. 食品科學(xué), 2009, 29(8): 492-495.

[11]王右軍, 朱大洲, 屠振華, 等. CCD 短波近紅外光譜快速檢測(cè)牛奶中摻假物質(zhì)的研究[J]. 食品科學(xué), 2009, 30(6): 135-138.

[12]DOWNEY G, FOURATIER V, KELLY J D. Detection of honey adulteration by addition of fructose and glucose using near infrared transflectance spectroscopy[J]. Near Infrared Spectroscopy, 2003,11(6): 447-456.

[13]KELLY J D, PETISCO C, DOWNEY G. Potential of near infrared transflectance spectroscopy to detect adulteration of Irish honey by beet invert syrup and high fructose corn syrup[J]. Near Infrared Spectroscopy, 2006, 14(2): 139-146.

[14]李水芳, 單楊, 張欣, 等. 蜂蜜用葡萄糖溶液摻假的近紅外光譜檢測(cè)[J].食品研究與開(kāi)發(fā), 2011, 32(5): 114-119.

[15]BORIN A, FERRO M F, MELLO C, et al. Least-squares support vector machines and near infrared spectroscopy for quantification of common adulterants in powdered milk[J]. Analytica Chimica Acta,2006, 579(1): 25-32.

[16]COCCHI M, DURANTE C, FOCA G, et al. Durum wheat adulteration detection by NIR spectroscopy multivariate calibration[J]. Talanta,2006, 68(5): 1505-1511.

[17]DOWNEY G, KELLY J D. Detection and quantification of apple adulteration in diluted and sulfited strawberry and raspberry purees using visible and near-infrared spectroscopy[J]. Agricultrual Food Chemistry, 2004, 52(2): 204-209.

[18]LEON L, KELLY J D, DOWNEY G. Detection of apple juice adulteration using near -infrared transflectance spectroscopy[J].Applied Spectroscopy, 2005, 59(5): 593-599.

[19]PONTES M J C, SANTOS S R B, ARAJO M C U, et al. Classification of distilled alcoholic beverages and verification of adulteration by near infrared spectrometry[J]. Food Research International, 2006, 39(2):182-189.

[20]楊紅菊, 姜艷彬, 候東軍, 等. 注膠肉的近紅外光譜快速判別分析[J].肉類研究, 2008, 22(11): 62-64.

[21]楊志敏, 丁武. 近紅外光譜技術(shù)快速鑒別原料肉摻假的可行性研究[J]. 肉類研究, 2011, 25(2): 25-28.

[22]楊志敏, 丁武. 原料肉中摻大豆蛋白的近紅外檢測(cè)技術(shù)的研究[J].肉類工業(yè), 2010(10): 29-33.

[23]廖宜濤, 樊玉霞, 伍學(xué)千, 等. 豬肉pH值的可見(jiàn)近紅外光譜在線檢測(cè)研究[J]. 光譜學(xué)與光譜分析, 2010, 30(3): 681-684.

[24]李彥周, 閔順耕, 劉霞. 主成分分析在近紅外定量分析校正集樣本優(yōu)選中的應(yīng)用[J]. 分析化學(xué)研究簡(jiǎn)報(bào), 2007, 35(9) :1331-1334.

[25]朱大洲, 王坤, 周光華, 等. 單粒大豆的近紅外光譜特征及品種鑒別研究[J]. 光譜學(xué)與光譜分析, 2010, 30(12): 3217-3221.