论文部分内容阅读
本研究利用国产近红外光谱分析仪器(1000-1800nm)并结合化学计量学方法,建立了近红外光谱(NIRS)预测牛肉化学成分和物理特性的数学模型,并对模型质量进行了比较分析。试验一：本试验的研究目的是建立牛肉中主要化学成分(脂肪、蛋白和水分)的NIRS预测模型。试验选择两个品种肉牛的不同商业切块,共计442个牛肉样品随机分到校正集(占样品集的75%)和验证集(占样品集的25%)。将所有牛肉样品在实验室进行光谱扫描并使用传统方法分析牛肉中的脂肪、蛋白和水分含量,然后再利用偏最小二乘回归法(PLSR)分别建立NIRS校正模型。研究比较了不同预处理方法对模型质量的影响,结果表明均值中心化(MC)加上一阶导数处理可以获得最佳校正模型。根据最佳模型,所有测定化学指标的校正决定系数(R2c)和预测决定系数(R2p)均大于0.88,相对分析误差(RPD)在2.0和3.0之间。本试验结果表明,国产近红外光谱仪器可以用来快速预测牛肉中脂肪、蛋白和水分的含量,但若想在实际检测过程中应用,还需要进一步研究提高模型的预测精度。试验二：本试验的研究目的是建立牛肉中部分物理指标(pH、嫩度、蒸煮损失和颜色)的NIRS预测模型。牛肉样品的光谱扫描和建模方法与试验一相同。研究比较了不同预处理方法对模型质量的影响,结果表明MC或者多元散射校正(MSC)加上一阶导数处理可以获得最佳校正模型。根据最佳模型,牛肉pH值的NIRS预测模型质量不是很理想(R2C=0.723,R2P=0.730,SEP=0.202,RPD=1.53),剪切力(WBSF)的校正模型尚可接受(R2C=0.793),但对独立验证集的预测能力一般(R2P=0.661,SEP=1.324,RPD=1-31),而较高的SEP值及较低的R2P和RDP值则表明NIRS对牛肉蒸煮损失和颜色指标的预测能力很有限(R2p<0.70,RPD<1.3)。本试验结果表明,虽然NIRS具有快速预测牛肉部分物理指标的潜力,但在实际应用前,还需要进一步研究。试验三：本试验的研究目的是对试验一所建立的NIRS模型进行优化,以建立更加稳健和精确的NIRS模型用来预测牛肉中主要化学成分(脂肪、蛋白和水分)。总计182个牛肉样品(来自四个品种肉牛的不同部位肌肉,同时人工合成部分高脂肪含量的肉样)分成两个子集：校正集(140个样品)和验证集(42个样品)。化学成分的实测值变异非常大(脂肪=0.20-86.45%,蛋白=1.98-23.41%,水分=12.85-79.25%)。牛肉样品的光谱扫描、实验室分析和建模方法与试验一相同。根据最佳模型,所有测定化学指标的R2C和R2P均大于0.98,脂肪、蛋白和水分预测模型的RPD分别为17.37、5.12和10.43。本试验结果表明,牛肉化学成分的NIRS预测模型经过优化后,对牛肉中脂肪、蛋白和水分达到了非常精确的预测能力,主要原因可能在于本试验所用牛肉样品的实测参数具有相当大的变异范围以及使用的是混合均匀的肉糜样品。本研究所建NIRS牛肉化学指标模型的预测精度高于现有大多数已报道结果,基本可以代替传统化学分析方法用于牛肉化学成分的检测。