李瑩，張偉敏，黃海珠，胡曉蘋(píng)，*

（1.海南大學(xué)食品學(xué)院，海南?？?70228；2.海南羅牛山肉類(lèi)食品有限公司，海南海口571133）

國(guó)內(nèi)外豬肉質(zhì)量快速無(wú)損檢測(cè)技術(shù)的研究進(jìn)展

李瑩1，張偉敏1，黃海珠2，胡曉蘋(píng)1，*

（1.海南大學(xué)食品學(xué)院，海南?？?70228；2.海南羅牛山肉類(lèi)食品有限公司，海南海口571133）

豬肉質(zhì)量包含豬胴體分級(jí)及豬肉品質(zhì)兩方面，豬肉品質(zhì)包括其感官品質(zhì)、營(yíng)養(yǎng)品質(zhì)、安全品質(zhì)及加工品質(zhì)。概述豬胴體瘦肉率及豬肉品質(zhì)的快速無(wú)損檢測(cè)方法的研究現(xiàn)狀。豬肉胴體分級(jí)的無(wú)損檢測(cè)方法主要有超聲波技術(shù)和近紅外光譜技術(shù)；豬肉感官品質(zhì)的無(wú)損檢測(cè)多采用高光譜成像技術(shù)、紅外光譜技術(shù)、拉曼光譜技術(shù)及核磁共振技術(shù)；豬肉營(yíng)養(yǎng)品質(zhì)的無(wú)損檢測(cè)多采用紅外光譜技術(shù)、超聲波技術(shù)及核磁共振技術(shù)；豬肉安全品質(zhì)的無(wú)損檢測(cè)多采用電子鼻、電子舌、生物電學(xué)技術(shù)、計(jì)算機(jī)視覺(jué)技術(shù)及高光譜成像技術(shù)；豬肉加工品質(zhì)的無(wú)損檢測(cè)多采用核磁共振技術(shù)、紅外光譜技術(shù)、拉曼光譜技術(shù)及高光譜成像技術(shù)等。結(jié)合國(guó)內(nèi)外研究現(xiàn)狀，對(duì)未來(lái)我國(guó)豬肉品質(zhì)無(wú)損檢測(cè)技術(shù)的研究與發(fā)展作出展望。

豬肉；胴體分級(jí)；感官品質(zhì)；營(yíng)養(yǎng)品質(zhì)；安全品質(zhì)；加工品質(zhì)；快速無(wú)損檢測(cè)技術(shù)

Abstract：Pork quality includes carcass grading and quality including sensory quality，nutrition quality，safety quality and processing quality.The research status of rapid nondestructive testing methods for the relevant indicators of lean meat rate of pork carcass and pork quality was discussed.Ultrasonic technique and near infrared spectroscopy have mainly been used for the classification of pork carcass；hyperspectral imaging technique，infrared spectroscopy，Raman spectroscopy and nuclear magnetic resonance have usually been used to evaluate sensory quality of pork；infrared spectroscopy，ultrasonic technique and nuclear magnetic resonance have been used to evaluate nutrition quality of pork；electronic nose，bio-impedance technique，computer vision and hyperspectral imaging technique have been used to evaluate the safety quality of pork；nuclear magnetic resonance，infrared spectroscopy，Raman spectroscopy and hyperspectral imaging techniques have been used for the detection of processing quality.The future investigation and development of nondestructive testing technology for pork quality in China is prospected on the basis of the domestic and foreign research statuses.

Key words：pork；carcass grading；sensory quality；nutrition quality；safety quality；processing quality；rapid nondestructive testing technology

在我國(guó)，豬肉是產(chǎn)量和消費(fèi)量都最大的肉類(lèi)，2015年其產(chǎn)量高達(dá)5487萬(wàn)噸，占當(dāng)年全球總產(chǎn)量49.2%[1]，對(duì)其品質(zhì)進(jìn)行監(jiān)測(cè)、管理是肉品行業(yè)的重要工作。并且，隨著人們生活水平的不斷提高以及飲食結(jié)構(gòu)的逐步調(diào)整，消費(fèi)者對(duì)豬肉質(zhì)量有了更高的要求。

豬肉胴體的分級(jí)通常分為質(zhì)量分級(jí)（肥肉厚度、瘦肉厚度和瘦肉率）和產(chǎn)量分級(jí)。豬肉品質(zhì)包括其感官品質(zhì)（色澤、口感、氣味等）、營(yíng)養(yǎng)品質(zhì)（主要營(yíng)養(yǎng)成分含量等）和安全品質(zhì)（微生物污染、摻偽情況等）。豬肉質(zhì)量的傳統(tǒng)檢測(cè)主要是感官評(píng)價(jià)和理化分析[2]。感官評(píng)價(jià)結(jié)果受主觀影響大、數(shù)據(jù)差異大，理化檢測(cè)不但步驟繁瑣，還需要使用化學(xué)試劑。然而，無(wú)損檢測(cè)技術(shù)無(wú)需破壞樣品狀態(tài)和化學(xué)性質(zhì)、甚至無(wú)需接觸樣品即可對(duì)其品質(zhì)進(jìn)行客觀、快速評(píng)價(jià)。無(wú)損檢測(cè)技術(shù)是將被測(cè)對(duì)象的力學(xué)、電學(xué)、電磁學(xué)、聲學(xué)、光學(xué)等物理性質(zhì)與計(jì)算機(jī)、傳感器、人工智能等信息技術(shù)相結(jié)合，從而實(shí)現(xiàn)對(duì)樣品品質(zhì)的準(zhǔn)確、客觀、快速檢測(cè)[3-4]。無(wú)損檢測(cè)技術(shù)包括高光譜成像技術(shù)（Hyper Spectral Imaging，HSI）、近紅外光譜技術(shù)（Near Infrared，NIR）、中紅外光譜技術(shù)（Infrared Spectroscopy，IR）、計(jì)算機(jī)視覺(jué)技術(shù)（Computer Vision，CV）、拉曼光譜（Raman Spectra，RS）、超聲波檢測(cè)技術(shù)、電學(xué)法、電子鼻（ElectronicNose，EN）、電子舌、核磁共振技術(shù)（Nuclear Magnetic Resonance，NMR）、太赫茲波（Terahertz，THz）技術(shù)、X 射線等多種技術(shù)。綜述國(guó)內(nèi)外關(guān)于豬肉品質(zhì)的快速無(wú)損檢測(cè)方法的研究現(xiàn)狀，并對(duì)未來(lái)我國(guó)豬肉品質(zhì)無(wú)損檢測(cè)技術(shù)的研究與發(fā)展做出展望。

1 瘦肉率的無(wú)損檢測(cè)技術(shù)

瘦肉率是判斷豬胴體級(jí)別的主要指標(biāo)之一，瘦肉率越高其經(jīng)濟(jì)價(jià)值越高。超聲波檢測(cè)技術(shù)具有快速、非破壞性、方向性好和穿透力強(qiáng)等特點(diǎn)。Brondum等[5]利用AutoFom超聲波檢測(cè)系統(tǒng)對(duì)豬胴體的肥肉厚度、瘦肉厚度和瘦肉率進(jìn)行在線檢測(cè)，其預(yù)測(cè)標(biāo)準(zhǔn)殘差（Root Mean Square Error of Prediction，RMSEP）分別為1.24%、2.90%和1.84%；Fortin等[6]基于超聲波掃描并結(jié)合HSI技術(shù)，組建三維圖像，利用MLR和逐步回歸法（SMLR）構(gòu)建豬胴體瘦肉率模型，其相關(guān)系數(shù)r為0.905。劉峰等[7]基于激光光源的NIR（670 nm），并采用球形光纖導(dǎo)入探針對(duì)豬肉肥瘦成分進(jìn)行評(píng)估，瘦肥正確識(shí)別率達(dá)96%。Sun等[8]基于近紅外光譜技術(shù)（Near Infrared，NIR，650 nm～800 nm），構(gòu)建豬肉肥瘦率檢測(cè)系統(tǒng)并驗(yàn)證其可行性，其測(cè)量結(jié)果與樣品的實(shí)際厚度基本一致。

2 豬肉感官品質(zhì)的無(wú)損檢測(cè)技術(shù)

2.1 色澤的無(wú)損檢測(cè)技術(shù)

豬肉色澤由肌紅蛋白和少量殘留的血紅蛋白決定，是消費(fèi)者選擇購(gòu)買(mǎi)的重要因素之一，大家普遍認(rèn)為新鮮豬肉為亮紅色。主要通過(guò)感官評(píng)價(jià)對(duì)其進(jìn)行評(píng)估，但該方法不能給出精準(zhǔn)的數(shù)據(jù)。然而，快速無(wú)損檢測(cè)法可有效避免感官評(píng)價(jià)時(shí)的主觀影響，得到準(zhǔn)確、可重復(fù)的結(jié)果。目前，用于豬肉色澤的無(wú)損檢測(cè)技術(shù)主要為計(jì)算機(jī)視覺(jué)技術(shù)、中紅外光譜技術(shù)（Computer Vision，Infrared Spectroscopy，CV，IR）（750 nm～2 500 nm）和HSI（200 nm～2 500 nm）技術(shù)。Lu等[9]基于CV，利用偏最小二乘法/多元線性回歸（Partial Least Squares/Multiple Linear Regression，PLS/MLR） 和神經(jīng)網(wǎng)絡(luò)法（NN）構(gòu)建了豬肉顏色等級(jí)的預(yù)測(cè)模型，該模型相關(guān)系數(shù)（r）分別為 0.75 和 0.52。Cozmlino等[10]利用可見(jiàn)光/近紅外光譜（Vision/Near Infrared，Vis/NIR）對(duì)豬肉顏色進(jìn)行檢測(cè)，其亮度（L*）和紅度（a*）的最佳偏最小二乘法（Partial Least Squares，PLS）模型的驗(yàn)證相關(guān)系數(shù)（r）均高于0.837；胡耀華等[11]采用漫反射光纖探頭采集了真空包裝豬胸段眼肌肉的Vis/NIR（400 nm～1 100 nm）光譜，經(jīng)二階微分處理，其 L*、a*、黃度（b*）、色度（c*）、色調(diào)角（H*）的 PLS回歸模型的相關(guān)系數(shù)（r）均大于0.83；孫宏偉等[12]利用光導(dǎo)探頭基于Vis/NIR（400 nm～1 000 nm）技術(shù)，采用標(biāo)準(zhǔn)正態(tài)變量變換（Standard Normalized Variate，SNV）和卷積平滑算法（Savitzky-Golay，S-G）平滑對(duì)豬里脊肉的光譜數(shù)據(jù)進(jìn)行了預(yù)處理，其L*、a*和b*的PLSR模型的預(yù)測(cè)相關(guān)系數(shù)（r）為 0.90、0.97 、0.97。Barbin 等[13]采用 HSI（900 nm～1 700 nm）技術(shù)構(gòu)建豬背最長(zhǎng)肌的顏色參數(shù)L*、a*、b*、c*、H* 的 PLS 模型，其相關(guān)系數(shù)（r）分別可達(dá)0.97、0.93、0.96、0.95、0.94；Liu 等[14]基于 HSI（400 nm～1 000 nm）技術(shù)對(duì)咸豬肉色澤進(jìn)行評(píng)估，其L*、a*的PLSR模型的相關(guān)系數(shù)（r）均為0.85。

2.2 大理石花紋的無(wú)損檢測(cè)技術(shù)

大理石花紋是指肌內(nèi)脂肪在肉組織中分布形成的可見(jiàn)花紋，是確定肉品等級(jí)的重要指標(biāo)。通常，大理石花紋越豐富肉質(zhì)越嫩，其檢測(cè)方法多為感官評(píng)定。然而，豬肉相較于牛肉，其大理石花紋較少且顏色較淺，對(duì)其進(jìn)行感官評(píng)估難度更大。研究者利用HSI、CV等方法對(duì)豬肉大理石花紋分級(jí)進(jìn)行了探索。Qiao等[15]基于HSI（400 nm～1 000 nm）技術(shù)，利用十個(gè)主成分構(gòu)建的人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）模型對(duì)豬肉大理石花紋分級(jí)（3級(jí)～5級(jí)）評(píng)估的正確率可達(dá)89%；伍學(xué)千[16]基于CV對(duì)豬胸段眼肌肉大理石紋建立了等級(jí)模型（1級(jí)～5級(jí)），其預(yù)測(cè)模型相關(guān)系數(shù)（r）為 0.945。

2.3 嫩度的無(wú)損檢測(cè)技術(shù)

嫩度是肉品質(zhì)量的首要指標(biāo)，也是影響消費(fèi)購(gòu)買(mǎi)的重要因素之一[17]。豬肉嫩度常采用剪切力法（Warner-Braztler shear force，WBSF）測(cè)定，但該方法徹底破壞樣品。目前，研究者主要將HSI、NIR和RS等無(wú)損技術(shù)用于豬肉嫩度的評(píng)估。陳全勝等[18]基于HSI（400 nm～1 000 nm）技術(shù)對(duì)豬肉嫩度等級(jí)進(jìn)行評(píng)估，其N(xiāo)N預(yù)測(cè)模型對(duì)預(yù)測(cè)集樣本的正確識(shí)別率為80.77%；鐘雄斌[19]基于HSI技術(shù)，利用歸一化處理光譜并采用支持向量機(jī)-判別分析法（Support Vector Machine-Discriminant Analysis，SVM-DA）建立了湖北山黑豬肉和零號(hào)土豬肉嫩度等級(jí)定性識(shí)別模型，其對(duì)校正集和預(yù)測(cè)集樣本的識(shí)別正確率均為100%。Tao等[20]基于HSI（400 nm～1 100 nm）技術(shù)，結(jié)合Lorentzian算法，并采用不同的參數(shù)及參數(shù)組合，構(gòu)建出最佳豬肉嫩度多元線性回歸模型（Multiple Linear Regression，MLR）的相關(guān)系數(shù)（r）為0.930；Tao等[21]又利用Gompertz算法對(duì)豬肉嫩度進(jìn)行評(píng)估，其MLR模型的相關(guān)系數(shù)（r）提升至0.949；Barbin 等[22]基于 HSI（910 nm～1 700 nm）技術(shù)，構(gòu)建豬肉嫩度PLS模型，其相關(guān)系數(shù)（r）為0.86。熊來(lái)怡[23]基于NIR（400 nm～1 098 nm），構(gòu)建豬肉嫩度PLS模型，其相關(guān)系數(shù)（r）為 0.78。Wang等[24]基于 RS（780 nm）技術(shù)，利用PLS模型對(duì)豬腰部肉質(zhì)嫩度進(jìn)行評(píng)估，其預(yù)測(cè)結(jié)果正確率達(dá)83%以上。

3 豬肉營(yíng)養(yǎng)品質(zhì)的快速無(wú)損檢測(cè)技術(shù)

營(yíng)養(yǎng)品質(zhì)是豬肉最基本的性質(zhì)。豬肉的主要營(yíng)養(yǎng)成分為蛋白質(zhì)、脂肪、碳水化合物和有機(jī)酸等，它們都有含氫基團(tuán)，因此，IR是對(duì)其進(jìn)行無(wú)損檢測(cè)應(yīng)用最廣泛的方法。此外，超聲波譜、HSI及NMR也可對(duì)豬肉的營(yíng)養(yǎng)品質(zhì)進(jìn)行評(píng)估。

3.1 蛋白質(zhì)含量的無(wú)損檢測(cè)技術(shù)

對(duì)于豬肉蛋白質(zhì)含量，基于Vis/NIR（350 nm～1 100 nm）技術(shù)，劉魁武等[25]對(duì)光譜數(shù)據(jù)采用多元散射校正（MSC）處理后，利用PLS模型對(duì)其進(jìn)行評(píng)估，0℃～4℃和20℃下預(yù)測(cè)模型的相關(guān)系數(shù)（r）分別為0.713和0.455；Liao等[26]采用PLSR對(duì)其進(jìn)行了在線檢測(cè)，其預(yù)測(cè)模型的相關(guān)系數(shù)（r）高于0.757。成芳等[27]基于傅里葉變換近紅外漫反射光譜（Fourier transform-Near Infrared，F(xiàn)T-NIR）（1 100 nm～2 500 nm）的漫反射光譜技術(shù)，構(gòu)建了豬肉肉糜蛋白質(zhì)含量的最佳最小二乘-支持向量機(jī)（Least Squares-Support Vector Machine，LS-SVM）模型，該模型預(yù)測(cè)性能優(yōu)于PLSR模型，其相關(guān)系數(shù)（r）為 0.722。Barbin 等[28]基于 HSI（900 nm～1 700 nm）技術(shù)，構(gòu)建豬肉蛋白質(zhì)PLS模型，其相關(guān)系數(shù)（r）為 0.938。林巖等[29]基于 NIR（780 nm～2 526 nm）技術(shù)，采用聯(lián)合區(qū)間偏最小二乘方法（SiPLS）對(duì)豬肉蛋白質(zhì)含量進(jìn)行評(píng)估，其預(yù)測(cè)模型的相關(guān)系數(shù)（r）為0.978 8。

3.2 脂肪含量的無(wú)損檢測(cè)技術(shù)

豬肉脂肪含量方面，基于 Vis/NIR（350 nm～1 100 nm）技術(shù)，劉魁武等[25]利用PLS對(duì)其進(jìn)行評(píng)估，0℃～4℃和20℃下預(yù)測(cè)模型的相關(guān)系數(shù)（r）分別為0.950和0.924；Liao等[26]利用PLSR模型對(duì)其進(jìn)行了在線檢測(cè)，其相關(guān)系數(shù)（r）高于0.757。成芳等[27]基于FTNIR（1 100 nm～2 500 nm）技術(shù)，采用 LS-SVM 模型對(duì)豬肉肉糜脂肪含量進(jìn)行了評(píng)估，其預(yù)測(cè)模型相關(guān)系數(shù)（r）為 0.921；林巖等[29]基于 NIR（780 nm～2 526 nm），采用聯(lián)合區(qū)間偏最小二乘方法（Simultaneous Partial Least Squares，SiPLS）對(duì)豬肉脂肪含量進(jìn)行評(píng)估，其預(yù)測(cè)模型相關(guān)系數(shù)（r）為0.978 8?；贖SI（900 nm～1 700 nm）技術(shù)，Barbin等[28]構(gòu)建豬肉脂肪的PLS模型，其相關(guān)系數(shù)（r）為0.974；Liu等[30]采用PLS對(duì)豬肉肌內(nèi)脂肪含量進(jìn)行了評(píng)估，其校正及預(yù)測(cè)模型的相關(guān)系數(shù)（r）分別為0.97和0.98；Huang等[31]利用MLR對(duì)豬肉肌內(nèi)脂肪進(jìn)行評(píng)估，其最佳預(yù)測(cè)模型相關(guān)系數(shù)（r）為0.98。

3.3 水分含量的無(wú)損檢測(cè)技術(shù)

水分含量方面，基于 Vis/NIR（350 nm～1 100 nm）技術(shù)，劉魁武等[25]采用二階求導(dǎo)數(shù)處理光譜，構(gòu)建了0℃～4℃和20℃下豬肉水分含量的PLS預(yù)測(cè)模型，其相關(guān)系數(shù)（r）分別為 0.944 和 0.914；Liao等[26]對(duì)豬肉內(nèi)部水分含量進(jìn)行了在線檢測(cè)，其偏最小二乘回歸（Partial Least Squares Regression，PLSR）預(yù)測(cè)模型的相關(guān)系數(shù)（r）高于 0.757。成芳等[27]基于 FT-NIR（1 100 nm～2 500 nm）技術(shù)，對(duì)豬肉肉糜水分含量進(jìn)行了評(píng)估，其LS-SVM模型的預(yù)測(cè)相關(guān)系數(shù)（r）為0.900。Barbin等[28]基于HSI（900 nm～1 700 nm）技術(shù)，構(gòu)建豬肉水分PLS模型，其相關(guān)系數(shù)（r）為 0.932。

3.4 其他成分的無(wú)損檢測(cè)技術(shù)

姚蕊等[32]利用NMR對(duì)豬肉中的含磷化合物（三磷酸腺苷、無(wú)機(jī)磷和磷酸肌酸等）進(jìn)行了測(cè)定方法的開(kāi)發(fā)與研究。Prados等[33]基于低強(qiáng)度超聲波技術(shù)，利用MLR對(duì)豬的肱二頭肌肌肉和背最長(zhǎng)肌的含鹽量進(jìn)行預(yù)測(cè)，其相關(guān)系數(shù)（r）都大于0.878。

4 豬肉安全品質(zhì)的無(wú)損檢測(cè)技術(shù)

4.1 新鮮度的無(wú)損檢測(cè)技術(shù)

新鮮度是豬肉安全品質(zhì)的重要指標(biāo)之一，K值、揮發(fā)性鹽基氮（Total Volatile Basic Nitrogen，TVB-N）、pH值等是其相關(guān)測(cè)試指標(biāo)。目前，國(guó)內(nèi)外關(guān)于豬肉新鮮度的快速無(wú)損檢測(cè)方法多樣，主要涉及HSI、NIR、紫外熒光法、NMR、生物電阻抗法、電子鼻與電子舌和太赫茲波（Terahertz，THz）等。

Cheng等[34]基于HSI（328 nm～1 115 nm）技術(shù)，構(gòu)建了豬肉K值的PLSR模型，其最佳模型相關(guān)系數(shù)（r）為0.947。對(duì)于TVB-N的定量預(yù)測(cè)：黃琪評(píng)[35]基于NIR（870 nm～1 770 nm）技術(shù)，將非線性的反向傳播人工神經(jīng)網(wǎng)絡(luò)（Back-propagation Artificial Neural Network，BPANN）與自適應(yīng)提升算法（Adaptive Boost，Ada Boost）相結(jié)合，構(gòu)建的預(yù)測(cè)模型相關(guān)系數(shù)（r）為0.832 5；Li等[36]基于HSI和比色傳感器，利用反向傳播自適應(yīng)增強(qiáng)（Back-propagation Adaptive Boost，BP-AdaBoost）算法，建立的預(yù)測(cè)模型偏差（RPD）為2.885，修正系數(shù)（R）為0.932，優(yōu)于反向傳播人工神經(jīng)網(wǎng)絡(luò)（BP-ANN）模型；王麗等[37]基 NIR（4 000 cm-1～10 000 cm-1）技術(shù)，建立的PLSR 模型，其相關(guān)系數(shù)（r）為 0.823 1；石麗敏等[38]通過(guò)測(cè)量豬肉的電阻抗評(píng)估了冷鮮豬肉的新鮮度，結(jié)果表明，阻抗特性與TVB-N含量高度相關(guān)（相關(guān)系數(shù)（r）為0.934）；黃林[39]將 NIR、CV 和 EN 技術(shù)信息融合，并采用BP-ANN算法，所建模型性能較單一技術(shù)信息所建模型的性能有了顯著提高，其相關(guān)系數(shù)（r）提高至0.98。汪希偉等[40]基于紫外熒光成像技術(shù)，以豬肉脂肪區(qū)域的紫外熒光面積百分比為包裝鮮豬肉新鮮度的評(píng)估指標(biāo)，該方法對(duì)其新鮮度的預(yù)測(cè)效果良好（R2=0.933 6）；齊亮等[41]提出基于THz波譜測(cè)定肉品的新鮮度各指標(biāo)（核苷酸、DNA、氨基酸、蛋白質(zhì)等），有望實(shí)現(xiàn)豬肉新鮮度的快速無(wú)損檢測(cè)。

此外，pH值是反映豬肉新鮮度的的另一重要指標(biāo)，對(duì)豬肉貨架期、新鮮度等有重要意義[42-44]。其傳統(tǒng)測(cè)定方法主要采用pH計(jì)或表面電極檢測(cè)，雖操作步驟簡(jiǎn)單快捷，但屬于破壞性檢測(cè)。目前，其快速無(wú)損檢測(cè)方法多為光譜法。廖宜濤等[45]基于Vis/NIR（350 nm～1 000 nm）技術(shù)，構(gòu)建了新鮮豬肉pH值的PLSR模型，其預(yù)測(cè)相關(guān)系數(shù)（r）為 0.905；Liao 等[26]基于 Vis/NIR（350 nm～1 000 nm）漫反射光譜，建立了豬肉pH值的在線檢測(cè)PLSR模型，其預(yù)測(cè)相關(guān)系數(shù)（r）為0.906；Pu等[46]利用 Vis/NIR（400 nm～1 000 nm）技術(shù)，建立豬肉pH值的LS-SVM模型，其相關(guān)系數(shù)（r）為0.845?；贖SI技術(shù)，Barbin等[13]收集了豬肉NIR全波段掃描的圖像信息，建立了豬肉pH值的PLSR模型，其相關(guān)系數(shù)（r）為0.932；鐘雄斌[19]對(duì)光譜進(jìn)行歸一化處理，建立湖北山黑豬肉和零號(hào)土豬肉pH值的PLS模型，其校正集和測(cè)試集的預(yù)測(cè)相關(guān)系數(shù)（r）分別為0.885和0.864；Liu等[14]構(gòu)建咸肉pH的PLSR模型，其預(yù)測(cè)相關(guān)系數(shù)（r）為 0.86。

4.2 微生物污染的無(wú)損檢測(cè)技術(shù)

豬肉的微生物污染是影響其安全的重要因素之一。傳統(tǒng)的微生物檢測(cè)方法耗時(shí)長(zhǎng)、步驟繁瑣。電子舌、EN及HSI技術(shù)可實(shí)現(xiàn)豬肉中微生物的快速無(wú)損檢測(cè)。Gil等[47]利用電子舌監(jiān)控冷庫(kù)中生鮮豬肉的微生物變化，構(gòu)建的PLS模型回歸系數(shù)（R2）為0.887 8；Wang等[48]基于EN，并將SVM與PLS相結(jié)合，構(gòu)建了細(xì)菌數(shù)量模型，其相關(guān)系數(shù)（r）為0.94。Tao等[20]基于HSI（400 nm～1 100 nm）技術(shù)，結(jié)合 Lorentzian 算法，并采用不同的參數(shù)及參數(shù)組合，構(gòu)建出最佳豬肉中大腸桿菌（E.coli）MLR 模型的相關(guān)系數(shù)（r）為 0.877；該課題組[21]又利用Gompertz算法對(duì)豬肉中E.coli進(jìn)行評(píng)估，其MLR模型的相關(guān)系數(shù)（r）提升至0.939；他們[49]又基于HSI散射技術(shù)，利用Lorentzian算法和Gompertz算法分別構(gòu)建豬肉菌落總數(shù)（TVC）最佳的預(yù)測(cè)模型，其相關(guān)系數(shù)（r）分別為0.94和0.93。

4.3 豬肉摻假的無(wú)損檢測(cè)技術(shù)

近幾年肉類(lèi)摻假事件頻發(fā)，一些食品制造商為了經(jīng)濟(jì)利益，以豬肉為主要原料輔以其他配料冒充牛肉制品或羊肉制品。這不僅會(huì)影響由于宗教、文化原因不食豬肉消費(fèi)者的選擇，更可能因?yàn)樘砑拥妮o料衛(wèi)生安全問(wèn)題影響消費(fèi)者的健康安全，因此，肉制品中豬肉的鑒偽非常重要。Nurjuliana等[50]研究表明基于電子鼻技術(shù)，結(jié)合主成分分析法（PCA）可將豬肉與牛、羊、雞肉及其香腸制品有效區(qū)分。

5 豬肉保水性的無(wú)損檢測(cè)技術(shù)

豬肉的保水性是指肌肉組織保持水分的能力，滴水損失、蒸煮損失、解凍損失及壓力法等是其常用測(cè)定方法，但這些方法均為破壞性檢測(cè)。目前，NMR、NIR、IR、RS及HSI等技術(shù)均可用于豬肉保水性的快速無(wú)損檢測(cè)。Bertram等[51]研究表明核磁共振氫譜（1H NMR）的橫向馳豫時(shí)間與豬肉保水性呈現(xiàn)顯著相關(guān)性。Geesink等[52]基于 NIR（1 000 nm～2 500 nm）技術(shù)，利用 MLR 和PLSR對(duì)豬肉滴水損失值進(jìn)行了預(yù)測(cè)，其預(yù)測(cè)模型相關(guān)系數(shù)（r）為 0.71～0.74；胡耀華等[11]利用 NIR（700 nm～1 100 nm）漫反射光譜技術(shù)，建立真空包裝豬眼肉的滴水損失值和系水力預(yù)測(cè)模型，其相關(guān)系數(shù)（r）分別為0.76 和 0.74；Prevolnik 等[53]基于 NIR（400 nm～2 500 nm）技術(shù)，建立了豬肉最佳的EZ滴水損失PLS模型，其相關(guān)系數(shù)（r）為0.787。Pedersen[54]等基于IR和RS技術(shù)，建立新鮮豬肉保水性的PLSR模型，其最佳模型的相關(guān)系數(shù)（r）分別為0.89和0.98。Barbin等[13]利用HSI（900 nm～1 700 nm）技術(shù)，收集豬肉的圖像信息，建立豬肉滴水損失值的PLSR模型，其相關(guān)系數(shù)（r）為0.911；Ma等[55]基于HSI（328 nm～1 115 nm）技術(shù)，利用PLSR對(duì)豬肉在加熱脫水（Heating-Dehydration，H-D）和冷空氣脫水（Cold-Air-Dehydration，C-A-D）條件下的含水率（Moisture Content，MC）進(jìn)行了預(yù)測(cè)，其相關(guān)系數(shù)（r）均達(dá)到 0.974。

6 研究展望

目前，國(guó)內(nèi)外學(xué)者已利用 HSI、CV、NIR、RS、紫外熒光法、生物電阻抗法、超聲波、電子鼻、電子舌及NMR等無(wú)損檢測(cè)技術(shù)，基本實(shí)現(xiàn)了豬肉質(zhì)量多個(gè)指標(biāo)的評(píng)估。超聲波技術(shù)、NIR等技術(shù)可用于豬肉胴體的分級(jí)；HSI、CV、NIR、RS、NMR 等技術(shù)也可快速獲取豬肉的感官品質(zhì)（豬肉色澤、大理石花紋等的檢測(cè)和在線判別）；HSI、NMR、IR技術(shù)可快速評(píng)估豬肉的營(yíng)養(yǎng)品質(zhì)；HSI、NIR、NMR、電子鼻、電子舌、紫外熒光法及生物電阻抗法可應(yīng)用于豬肉安全品質(zhì)的快速無(wú)損檢測(cè)；NMR、IR、RS及HSI等技術(shù)可應(yīng)用于豬肉加工性質(zhì)相關(guān)指標(biāo)的檢測(cè)，可見(jiàn)，HSI技術(shù)已成為豬肉品質(zhì)檢測(cè)應(yīng)用最廣的無(wú)損檢測(cè)方法?？偟膩?lái)看，目前國(guó)內(nèi)外研究多以某一項(xiàng)無(wú)損檢測(cè)技術(shù)展開(kāi)探討，其實(shí)，各種檢測(cè)技術(shù)都有其優(yōu)缺點(diǎn)，多種技術(shù)的聯(lián)合使用將是國(guó)內(nèi)外豬肉品質(zhì)檢測(cè)研究的發(fā)展趨勢(shì)。若能將多種技術(shù)有機(jī)融合，則效果更好、準(zhǔn)確率更高的檢測(cè)結(jié)果指日可待，即通過(guò)不同的途徑獲取同一品質(zhì)的多種信息，從而通過(guò)信息互補(bǔ)提高品質(zhì)檢測(cè)的廣度，進(jìn)而提高檢測(cè)結(jié)果的穩(wěn)定性和準(zhǔn)確性。

[1]朱馨.基于非參數(shù)方法的豬肉價(jià)格斷點(diǎn)回歸分析[D].杭州:浙江大學(xué),2010

[2]屠康.肉類(lèi)品質(zhì)無(wú)損檢測(cè)技術(shù)的研究進(jìn)展[J].西北農(nóng)林科技大學(xué)學(xué)報(bào),2005,33(1):25-28

[3]韓東海.無(wú)損檢測(cè)技術(shù)在食品質(zhì)量安全檢測(cè)中的典型應(yīng)用[J].食品安全質(zhì)量檢測(cè)學(xué)報(bào),2012,3(5):400-413

[4]Ellis D I,Broadhurst D,Kell D B,et al.Rapid and quantitative detection of the microbial spoilage of meat by fourier transform infrared spectroscopy and Machine Learning[J].Applied and Environmental Microbiology,2002,68(6):2822-2828

[5]Benedito J,Carcel J A,Rossello C,et al.Composition assessment of raw meat mixtures using ultrasonics[J].Meat Science,2001,57(4):365-370

[6]Fortin A,Tong A K W,Robertson W M,et al.A novel approach to grading pork carcasses:computer vision and ultrasound[J].Meat science,2003,63(4):451-462

[7]劉鋒,何巍,駱飛,等.基于近紅外激光光纖導(dǎo)入技術(shù)的豬肉肥瘦度檢測(cè)方法[J].半導(dǎo)體光電,2014,35(5):928-931

[8]Sun Z C,Leng S,Ma W T,et al.Method for Detection of the Lean Meat Ratio in Pork Carcass Based on Fiber Optic Sensor[C].Published online,Electronic Technology and Application,MATEC Web of Conferences,2017

[9]Lu J,Tan J,Shatadal P,et al.Evaluation of pork color by using computer vision[J].Meat science,2000,56(1):57-60

[10]Cozzolino D,Barlocco N,Vadell A,et al.The use of visible and near-infrared reflectance spectroscopy to predict colour on both intact and homogenised pork muscle[J].LWT-Food Science and Technology,2003,36(2):195-202

[11]胡耀華,郭康權(quán),野口剛,等.基于近紅外光譜檢測(cè)豬肉系水力的研究[J].光譜學(xué)與光譜分析,2009,29(12):3259-3262

[12]孫宏偉,彭彥昆,林琬.便攜式生鮮豬肉多品質(zhì)參數(shù)同時(shí)檢測(cè)裝置研發(fā)[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(20):268-273

[13]Barbin D F,Elmasry G,Sun D W,et al.Predicting quality and sensory attributes of pork using near-infrared hyperspectral imaging[J].Analytica Chimica Acta,2012,719(10):30-42

[14]Liu D,Pu H B,Sun D W,et al.Combination of spectra and texture data of hyperspectral imaging for prediction of pH in salted meat[J].Food Chemistry,2016,160(10):330-337

[15]Qiao J,Ngadi O M,Wang N,et al.Pork quality and marbling level assessment using a hyperspectral imaging system[J].Journal of Food Engineering,2007,83(1):10-16.

[16]伍學(xué)千.基于計(jì)算機(jī)視覺(jué)技術(shù)的豬肉品質(zhì)檢測(cè)與分級(jí)研究[D].杭州:浙江大學(xué),2010

[17]湯曉艷,周光宏,徐幸蓮,等.肉嫩度決定因子及牛肉嫩化技術(shù)研究進(jìn)展[J].中國(guó)農(nóng)業(yè)科學(xué),2007,40(12):2835-2841

[18]陳全勝,張燕華,萬(wàn)新民.基于高光譜成像技術(shù)的豬肉嫩度檢測(cè)研究[J].光學(xué)學(xué)報(bào),2010,30(9):2602-2607

[19]鐘雄斌.基于高光譜技術(shù)的不同品種豬肉品質(zhì)檢測(cè)模型維護(hù)方法研究[D].武漢:華中農(nóng)業(yè)大學(xué),2011

[20]Tao F F,Peng Y K,Li Y Y,et al.Simultaneous determination of tenderness and Escherichia coli contamination of pork using hyperspectral scattering technique[J].ScienceDirect,2012,90(3):851-857

[21]Tao F F,Peng Y K.A method for nondestructive prediction of pork meat quality and safety attributes by hyperspectral imaging technique[J].Journal of Food Engineering,2014,126(1):98-106

[22]Barbin D F,Valous N A,Sun D W.Tenderness prediction in porcine longissimus dorsi muscles using instrumental measurements along with NIR hyperspectral and computer vision imagery[J].Innovative Food Science and Emerging Technologies,2013,20(4):335-342

[23]熊來(lái)怡.近紅外光譜技術(shù)檢測(cè)豬肉品質(zhì)及其安全判別研究[D].咸陽(yáng):西北農(nóng)林科技大學(xué),2012

[24]Wang Q,Lonergan S T,Yu C X.Rapid determination of pork sensory quality using Raman spectroscopy[J].Meat Science,2012,91(9):232-239

[25]劉魁武,成芳,林宏建,等.可見(jiàn)/近紅外光譜檢測(cè)冷鮮豬肉中的脂肪、蛋白質(zhì)和水分含量[J].光譜學(xué)與光譜分析,2009,29(1):102-105

[26]Liao Y T,Fan Y X,Cheng F.On-line prediction of fresh pork quality using visible/near-infrared reflectance spectroscopy[J].Meat Science,2010,86(4):901-907

[27]成芳,樊玉霞,廖宜濤.應(yīng)用近紅外漫反射光譜對(duì)豬肉肉糜進(jìn)行定性定量檢測(cè)研究[J].光譜學(xué)與光譜分析,2012,32(2):354-359

[28]Barbin D F,Elmasry G,Sun D W,et al.Non-destructive determination of chemical composition in intact and minced pork using nearinfrared hyperspectral imaging[J].Food Chemistry,2013,138(2/3):1162-1171

[29]林巖,郭培源,王昕琨.基于近紅外光譜的豬肉蛋白質(zhì)及脂肪含量檢測(cè)[J].食品科技,2014,39(2):262-266

[30]Liu L,Ngadi M O.Predicting intramuscular fat content of pork using hyperspectral imaging[J].Journal of Food Engineering,2014,134:16-23

[31]Huang H,Liu L,Ngadi M O.Assessment of intramuscular fat content of pork using NIR hyperspectral images of rib end[J].Journal of Food Engineering,2017,193:29-41

[32]姚蕊,彭增起,周光宏.核磁共振在肉類(lèi)科學(xué)研究中的應(yīng)用[J].肉類(lèi)研究,2005(9):27-30

[33]Prados M D,Garía-pérez J V,Benedito J.Non-destructive salt content prediction in brined pork meat using ultrasound technology[J].Journal of Food Engineering,2015,154:39-48

[34]Cheng W W,Sun D W,Pu H B,et al.Integration of spectral and textural data for enhancing hyperspectral prediction of K value in pork meat[J].LWT-Food Science and Technology,2016,72:322-329

[35]黃琪評(píng).基于光譜成像技術(shù)的豬肉品質(zhì)檢測(cè)研究[D].鎮(zhèn)江:江蘇大學(xué),2016

[36]Li H H,Chen Q S,Zhao J W,et al.Nondestructive detection of total volatile basic nitrogen(TVB-N)content in pork meat by integrating hyperspectral imaging and colorimetric sensor combined with a nonlinear data fusion[J].LWT-Food Science and Technology,2015,63(1):268-274

[37]王麗,劉兆豐,勵(lì)建榮,等.近紅外光譜技術(shù)快速檢測(cè)豬肉新鮮度指標(biāo)的方法研究[J].中國(guó)食品學(xué)報(bào),2012,12(6)160-165

[38]石麗敏,黃嵐,梁志宏.阻抗特性評(píng)價(jià)豬肉的新鮮度[J].食品科學(xué),2013(11):13-18

[39]黃林.基于單一技術(shù)及多信息融合技術(shù)的豬肉新鮮度無(wú)損檢測(cè)研究[D].鎮(zhèn)江:江蘇大學(xué),2013

[40]汪希偉,趙茂程,居榮華,等.基于紫外熒光成像對(duì)包裝鮮豬肉存儲(chǔ)時(shí)間預(yù)測(cè)研究[J].包裝與食品機(jī)械,2011,29(6):5-8

[41]齊亮,趙婕,趙茂程,等.冷鮮豬肉的新鮮度無(wú)損檢測(cè)技術(shù)現(xiàn)狀及THz檢測(cè)技術(shù)展望[J].食品與機(jī)械,2016,32(9):219-224

[42]劉國(guó)慶,張黎利,宗凱,等.冷鮮豬肉貨架期品質(zhì)測(cè)定及主要致腐微生物預(yù)報(bào)[J].食品科學(xué),2009,18(30):394-395

[43]王笑丹.吉林省優(yōu)質(zhì)豬肉品質(zhì)評(píng)定方法[D].長(zhǎng)春:吉林大學(xué),2004

[44]Liao Y T,Fan Y X,Cheng F.On-line prediction of pH values in fresh pork using visible/near-infrared spectroscopy with wavelet de-noising and variable selection methods[J].Journal of Food Engineering,2012,109(4):668-675

[45]廖宜濤,樊玉霞,伍學(xué)千,等.豬肉pH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

[46]Pu H B,Sun D W,MA J,et al.Using wavelet textural features of visible and near infrared hyperspectral image to differentiate between fresh and Frozen-Thawed Pork[J].Food Bioprocess Technology,2014,7(11):3088-3099

[47]Gil L,Barat J M,Baigt D,et al.Monitoring of physical–chemical and microbiological changes in fresh pork meat under cold storage by means of a potentiometric electronic tongue[J].Food Chemistry,2011,126(3):1261-1268

[48]Wang D F,Wang X C,Liu T A,et al.Prediction of total viable counts on chilled pork using an electronic nose combined with support vector machine[J].Meat Science,2012,90(2):373-377

[49]Tao F F,Peng Y K.A Nondestructive Method for prediction of total viable count in pork meat by hyperspectral scattering imaging[J].Food Bioprocess Technology,2015,8(1):17-30

[50]Nurjuliana M,Man Y B H,Hashim D M,et al.Rapid identification of pork for halal authentication using the electronic nose and gas chromatography mass spectrometer with headspace analyzer[J].Meat Science,2011,88(4):638-644

[51]Bertram H C,Andersen H J,Karlsson A H.Comparative study of low-field NMR relaxation measurements and two traditional methods in the determination of water holding capacity of pork[J].Meat Science,2001,57(2):125-132

[52]Geesink G H,Schreutelkamp F H,Frank-huizen R,et al.Prediction of pork quality attributes from near infrared reflectance spectra[J].Meat Science,2003,65(1):661-668

[53]Prevolnik M,Cˇandek-potoksr M,Sˇkorjanc D.Predicting pork water-holding capacity with NIR spectroscopy in relation to different reference methods[J].Journal of Food Engineering,2010,98(3):347-352

[54]Pedersen D K,Morel S,Andersen H J,et al.Early prediction of water-holding capacity in meat by multivariate vibrational spectroscopy[J].Meat Science,2003,65(1):581-592

[55]Ma J,Sun D W,PU H B.Model improvement for predicting moisture content(MC)in pork longissimus dorsi muscles under diverse processing conditions by hyperspectral imaging[J].Journal of Food Engineering,2017,196:65-72

Research Progress in Domestic and Foreign Rapid Nondestructive Testing Technology for Pork Quality

LI Ying1，ZHANG Wei-min1，HUANG Hai-zhu2，HU Xiao-ping1，*
（1.College of Food Science and Technology，Hainan University，Haikou 570228，Hainan，China；2.Hainan LUONIUSHAN Meat Food Co.，Ltd.，Haikou 571133，Hainan，China）

2017-03-24

10.3969/j.issn.1005-6521.2017.20.044

海南省自然科學(xué)基金（314072）

李瑩（1989—），女（漢），碩士，研究方向：農(nóng)產(chǎn)品無(wú)損檢測(cè)。

*通信作者：胡曉蘋(píng)（1978—），女，副教授，博士，研究方向：農(nóng)產(chǎn)品無(wú)損檢測(cè)、天然產(chǎn)物。