蒙萬(wàn)隆,鄭麗敏,2,*,楊 璐,程國(guó)棟,許姍姍

(1.中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院,北京 100083;2.中國(guó)農(nóng)業(yè)大學(xué)食品質(zhì)量與安全北京實(shí)驗(yàn)室,北京 100083)

豬肉新鮮度可由pH、顏色、嫩度、風(fēng)味物質(zhì)、肌肉持水力、肌內(nèi)脂肪含量等指標(biāo)判別[1-2],傳統(tǒng)的豬肉新鮮度的檢測(cè)方法主要包括感官檢測(cè),理化檢測(cè)和微生物檢測(cè)[3-4],感觀檢測(cè)即通過(guò)觀察外觀和氣味識(shí)別,理化檢測(cè)和微生物法主要包括揮發(fā)性鹽基氮的測(cè)定、結(jié)構(gòu)組織鏡檢法[5],其中,測(cè)定揮發(fā)性鹽基氮(total volatile basic nitrogen,TVB-N)含量是評(píng)價(jià)豬肉新鮮度的重要理化方法[6],但是,揮發(fā)性鹽基氮的測(cè)定需要對(duì)樣本進(jìn)行預(yù)處理,檢測(cè)過(guò)程繁瑣,需要耗費(fèi)大量的人力、物力和財(cái)力,同時(shí)該方法也會(huì)對(duì)樣本造成不可恢復(fù)性的破壞[7-8]。

近年來(lái),電子鼻技術(shù)在國(guó)內(nèi)外不斷進(jìn)步和發(fā)展,從只用于識(shí)別簡(jiǎn)單或復(fù)雜氣味[9]到作為一種靈敏、快速、可重現(xiàn)性的無(wú)損檢測(cè)儀器,電子鼻已經(jīng)成功運(yùn)用于不同種類食物揮發(fā)性成分的區(qū)分與檢測(cè)[10-16]。電子鼻在豬肉新鮮度方面也做了大量的相關(guān)研究[17-18],柴春祥等[19]利用電子鼻檢測(cè)豬肉在不同存儲(chǔ)溫度條件下?lián)]發(fā)性成分的變化,結(jié)果表明電子鼻技術(shù)可用于評(píng)價(jià)不同實(shí)驗(yàn)條件下豬肉新鮮度的變化。Park等[20]對(duì)不同部位的豬肉在不同存儲(chǔ)方式下?lián)]發(fā)性物質(zhì)進(jìn)行研究,結(jié)果表明里脊肉的揮發(fā)性化合物如烷烴、醛、酮、醇等高于五花肉。Li等[21]用電子鼻與TVB-N、TVC結(jié)合的方法對(duì)不同包裝方式的豬肉新鮮度進(jìn)行分析,電子鼻能夠預(yù)測(cè)TVB-N和TVC的含量并評(píng)價(jià)豬肉的新鮮度。

上述研究對(duì)單一的豬肉樣本在不同存儲(chǔ)時(shí)間、不同溫度或不同存儲(chǔ)方式下進(jìn)行豬肉新鮮度研究,然而,現(xiàn)實(shí)中豬肉本身成分復(fù)雜,不同部位豬肉的成分不同,在儲(chǔ)藏過(guò)程中揮發(fā)的氣味在質(zhì)和量上都有所差異,這會(huì)導(dǎo)致新鮮度的變化不同,電子鼻檢測(cè)的數(shù)據(jù)也有差異,雖然也有對(duì)不同部位豬肉的研究,但是豬肉部位不同而導(dǎo)致研究結(jié)果不同的本質(zhì)原因是營(yíng)養(yǎng)成分的差異,因此,對(duì)不同肥瘦比例的豬肉利用電子鼻技術(shù)建立豬肉TVB-N含量變化的模型,對(duì)其新鮮度做出評(píng)價(jià)具有客觀性和實(shí)際意義。

實(shí)驗(yàn)以不同肥瘦比例的豬肉為研究對(duì)象,利用電子鼻提取4 ℃恒溫下豬肉氣味的特征數(shù)據(jù),將其作為輸入建立營(yíng)養(yǎng)成分的回歸預(yù)測(cè)模型,再建立TVB-N值的定量預(yù)測(cè)模型。本研究旨在通過(guò)電子鼻技術(shù),近紅外檢測(cè)技術(shù)與表征豬肉新鮮度指標(biāo)的TVB-N值的相關(guān)研究,為不同營(yíng)養(yǎng)成分豬肉的TVB-N檢測(cè)提供一種快速有效的方法,進(jìn)而為不同成分豬肉的新鮮度評(píng)價(jià)提供一種新方法。

1 材料和方法

1.1 材料與儀器

豬肉 北京資源集團(tuán),瘦肉豬生豬屠宰后取其里脊肉并將其分成純肥肉和純瘦肉兩部分,分別絞成肉糜,獲得的2種肉糜均為10 kg，分開包裝并1 h內(nèi)冷凍運(yùn)輸送至實(shí)驗(yàn)室,然后貯藏在4 ℃冰箱內(nèi)；鹽酸、硼酸、氧化鎂、甲基紅-乙醇指示劑、次甲基藍(lán)指示劑(均為分析純) 北京化學(xué)試劑公司。

QSJ-A03A1切碎機(jī) 佛山環(huán)納電器有限公司;KDY-9820凱氏定氮儀 北京瑞邦興業(yè)科技有限公司;E-Nose 10001型電子鼻 中國(guó)農(nóng)業(yè)大學(xué)計(jì)算機(jī)實(shí)驗(yàn)室自主研發(fā);XDS RLA近紅外光譜儀 由農(nóng)業(yè)部農(nóng)產(chǎn)品質(zhì)量安全監(jiān)督檢驗(yàn)測(cè)試中心提供。

1.2 實(shí)驗(yàn)方法

1.2.1 樣本預(yù)處理 凍的豬肉糜在4 ℃條件解凍后,將純肥和純瘦的肉糜混合成7種不同肥瘦配比的樣本,7種配比為100%瘦、90%瘦、80%瘦、70%瘦、60%瘦、50%瘦和100%肥。每種配比的樣本總質(zhì)量為2 kg,以90%瘦配比方法為例,從純瘦肉糜中取1.8 kg,然后從純肥肉糜中取0.2 kg,二者在攪肉機(jī)中混勻就可獲得90%瘦配比的樣本。按照相同方法操作可獲得剩下6種不同配比的樣本。然后按照GB/T 9695-2008《肉與肉制品取樣方法》取樣,每份樣本的質(zhì)量均為20 g,稱好后裝入密封袋中,每種配比的樣本分成三份放入4 ℃的冰箱中冷藏,分別用于營(yíng)養(yǎng)成分測(cè)定、電子鼻檢測(cè)和TVB-N檢測(cè)。用于電子鼻檢測(cè)和TVB-N檢測(cè)的樣本,每種配比的樣本每天各測(cè)5組和2組數(shù)據(jù)并連續(xù)測(cè)定7 d,則共計(jì)245組用于電子鼻實(shí)驗(yàn),98組用于TVB-N含量的測(cè)定;另外每種配比的樣本各取5組,共計(jì)35組用于營(yíng)養(yǎng)成分的測(cè)定,實(shí)驗(yàn)樣本共計(jì)343組。

1.2.2 TVB-N檢測(cè) 分別對(duì)不同肥瘦配比的樣本進(jìn)行檢測(cè),對(duì)每種肥瘦配比的樣本,首先從2 kg的樣本中取1 kg樣本作為TVBN檢測(cè)的總質(zhì)量,每次實(shí)驗(yàn)從中稱取10 g,將樣本置于錐形瓶中,然后加入100 mL水,不時(shí)搖勻振蕩,在浸漬30 min后過(guò)濾,濾液置冰箱備用。然后將盛有10 mL硼酸吸收液以及5～6滴混合指示液的錐形瓶置于冷凝管下端并使其下端插入吸收液的液面下,準(zhǔn)確吸取5.0 mL的上述試樣濾液于蒸餾器反應(yīng)室內(nèi),加入5 mL氧化鎂混懸液。迅速蓋塞,并加水以防漏氣。通入蒸汽,進(jìn)行蒸餾,蒸餾5 min后停止,吸收液用鹽酸溶液進(jìn)行滴定,直到吸收液呈藍(lán)紫色。

樣本的TVB-N含量的計(jì)算公式如式(1)所示。

式(1)

其中：X-試樣中揮發(fā)性鹽基氮的含量(mg/100 g)；V1-測(cè)定用樣液消耗鹽酸標(biāo)準(zhǔn)溶液體積(mL)；V2-試劑空白消耗鹽酸標(biāo)準(zhǔn)溶液體積(mL)；c-鹽酸標(biāo)準(zhǔn)溶液的實(shí)際濃度，單位為摩爾每升(mol/L)；14-與1.00 mL鹽酸標(biāo)準(zhǔn)滴定溶液[c(HCl)=1.00 mol/L]相當(dāng)?shù)牡馁|(zhì)量(mg)；m-試樣質(zhì)量(g)。

1.2.3 近紅外檢測(cè) 豬肉的蛋白質(zhì)、水分和脂肪成分測(cè)定采用近紅外光譜儀測(cè)得,檢測(cè)時(shí)對(duì)不同肥瘦配比的樣本分別進(jìn)行。首先開機(jī)檢查儀器的溫濕度,溫濕度合適后打開操作軟件,設(shè)置軟件為自動(dòng)采集樣品,然后取200 g預(yù)處理的肉餡放入樣品倉(cāng),采集結(jié)束后對(duì)譜圖進(jìn)行數(shù)據(jù)處理得到蛋白質(zhì)、水分和脂肪的含量(%)結(jié)果。

1.2.4 電子鼻檢測(cè)方法 電子鼻系統(tǒng)傳感器陣列有16個(gè)傳感器,型號(hào)均為Figaro系列具體型號(hào)如下:TGS824、TGS822、TGS825、TGS880、TGS812、TGS831、TGS813、TGS830、TGS822TF、TGS2600、TGS2620、TGS2611、TGS2602、TGS2620、TGS2610、TGS2201。

電子鼻系統(tǒng)開啟后,首先用經(jīng)過(guò)過(guò)濾的氣瓶空氣對(duì)傳感器進(jìn)行清洗,清洗結(jié)束后開始進(jìn)行電子鼻檢測(cè)。將豬肉樣本置于電子鼻氣室內(nèi)的盛物槽中,采用靜態(tài)頂空采樣方式對(duì)樣本進(jìn)行數(shù)據(jù)采集,采集時(shí)間設(shè)定為300 s,采集結(jié)束重復(fù)傳感器的清洗過(guò)程以進(jìn)行下一次實(shí)驗(yàn)。采集時(shí)氣室密閉,此時(shí)氣室無(wú)氣流并處于40 ℃恒溫狀態(tài),清洗時(shí)空氣流量為3 L/min,分別對(duì)245組實(shí)驗(yàn)樣本進(jìn)行檢測(cè)并分析傳感器的響應(yīng)曲線。

氣敏傳感器陣列特征值的提取:將采集到的傳感器陣列原始數(shù)據(jù)進(jìn)行數(shù)據(jù)處理,本研究通過(guò)對(duì)原始曲線擬合選取相對(duì)平均值、相對(duì)積分值、微分值、半寬值、二次項(xiàng)系數(shù)、一次項(xiàng)系數(shù)、對(duì)數(shù)擬合一次項(xiàng)系數(shù)和對(duì)數(shù)擬合常數(shù)項(xiàng)系數(shù)共9個(gè)特征[22],再對(duì)初始的16個(gè)傳感器進(jìn)行篩選,最終選擇除S5、S9、S16外的13個(gè)傳感器的特征組成117(13×9)個(gè)特征值的向量。

1.2.5 回歸模型的建立 多元線性回歸(multiple linear regression MLR)是分析一個(gè)隨機(jī)變量與多個(gè)變量之間線性關(guān)系的統(tǒng)計(jì)方法[23]。本研究以近紅外技術(shù)檢測(cè)的豬肉蛋白質(zhì)和脂肪數(shù)據(jù)為因變量Y,電子鼻檢測(cè)的氣味特征數(shù)據(jù)所構(gòu)成的矩陣為自變量X,建立蛋白質(zhì)和脂肪回歸預(yù)測(cè)模型。從所有的35個(gè)樣本中,每種成分隨機(jī)選擇4個(gè),即共28個(gè)樣本組成訓(xùn)練組,其余7個(gè)樣本組成預(yù)測(cè)組。

1.2.6 建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型 BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network BPNN)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò),它在模式識(shí)別和分類、非線性映射、特征提取等領(lǐng)域獲得了成功應(yīng)用[24-26]。本研究分兩種方法建立TVB-N的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,首先根據(jù)營(yíng)養(yǎng)成分預(yù)測(cè)模型獲得脂肪、蛋白質(zhì)的含量,一種方法以脂肪、蛋白質(zhì)的含量和所有樣本的電子鼻特征數(shù)據(jù)作為自變量建立預(yù)測(cè)模型(方法一);另一種方法則在獲得脂肪、蛋白質(zhì)的含量后,先將樣本分成2類,再建立僅以電子鼻特征數(shù)據(jù)為自變量的預(yù)測(cè)模型(方法二),并對(duì)比分析2個(gè)模型的優(yōu)劣。

1.3 數(shù)據(jù)統(tǒng)計(jì)分析

利用IBM SPSS Statistics V19軟件,利用數(shù)據(jù)歸一化、多元線性回歸建立營(yíng)養(yǎng)成分和電子鼻特征的逐步回歸模型,利用Excel 2016軟件對(duì)逐步回歸模型的預(yù)測(cè)組誤差進(jìn)行統(tǒng)計(jì)計(jì)算。利用Matlab 2013a軟件建立電子鼻特征數(shù)據(jù)和TVB-N數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,利用Excel 2016軟件統(tǒng)計(jì)BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練組和預(yù)測(cè)組的絕對(duì)誤差分布,然后繪制絕對(duì)誤差區(qū)間分布折線圖。

2 結(jié)果與分析

2.1 不同樣本的成分回歸分析

樣品的營(yíng)養(yǎng)成分測(cè)定結(jié)果如表1所示。

表1 營(yíng)養(yǎng)成分測(cè)定結(jié)果Table 1 Results of nutritional components

首先建立營(yíng)養(yǎng)成分的預(yù)測(cè)方程,以表1中脂肪和蛋白質(zhì)比例的百分?jǐn)?shù)為因變量,電子鼻特征數(shù)據(jù)為自變量,采用多元線性回歸分別建立模型,回歸方程如下所示:

y1=-3.875+0.547×x11+2.086×x12+5.024×x13

式(1)

y2=9.862-1.163×x21+0.014×x22-0.077×x23+3.771×x24-0.069×x25

式(2)

式(1)、(2)中自變量x為電子鼻傳感器特征值,y1、y2分別代表脂肪和蛋白質(zhì)。

建立的模型的統(tǒng)計(jì)結(jié)果如表2所示。

表2 模型統(tǒng)計(jì)結(jié)果Table 2 Model statistical results

表2模型結(jié)果顯示,p值均低于0.01，說(shuō)明自變量與因變量之間線性關(guān)系明顯,可以建立線性模型;模型1決定系數(shù)R2為0.919,說(shuō)明回歸方程能體現(xiàn)自變量與因變量之間很強(qiáng)的相關(guān)性,相比之下,蛋白質(zhì)與電子鼻建立的模型決定系數(shù)R2達(dá)0.941,表3結(jié)果顯示,模型2的7個(gè)預(yù)測(cè)組相對(duì)誤差均在3%以內(nèi),而模型1預(yù)測(cè)組的相對(duì)誤差波動(dòng)大,最大達(dá)28.1%,最小為0.14%,方差較大,模型2預(yù)測(cè)組均方誤差也遠(yuǎn)小于模型1,模型更加精確。

表3 預(yù)測(cè)組誤差統(tǒng)計(jì)結(jié)果Table 3 Statistical results of prediction group error

2.2 TVB-N檢測(cè)結(jié)果分析

不同肥瘦配比、不同儲(chǔ)藏時(shí)間豬肉樣本的TVB-N含量檢測(cè)結(jié)果如表4所示。

表4 4 ℃儲(chǔ)藏下不同營(yíng)養(yǎng)成分豬肉TVB-N含量變化Table 4 Changes of TVB-N content in pork with different nutrients under 4 ℃ storage conditions

根據(jù)GB2707-2005鮮(凍)畜肉揮發(fā)性鹽基氮的標(biāo)準(zhǔn),TVB-N含量<15 mg·(100 g)-1為鮮豬肉,TVB-N含量>15 mg·(100 g)-1為腐敗肉,由表4知,隨著儲(chǔ)藏時(shí)間的延長(zhǎng),對(duì)于各肥瘦配比的豬肉,TVB-N含量都呈上升趨勢(shì),第1類從第1 d的2.59 mg·(100 g)-1,隨天數(shù)增加依次增為5.25、6.65、8.89、13.92、18.69、20.72 mg·(100 g)-1,第2～7類的TVB-N數(shù)值仍有相同變化趨勢(shì),只是在數(shù)值上大小有差異,這表明豬肉的新鮮度在逐漸的下降。結(jié)合表1,對(duì)儲(chǔ)藏天數(shù)相同的豬肉,隨著蛋白質(zhì)比例的增大,TVB-N的質(zhì)量分?jǐn)?shù)也呈上升的趨勢(shì)。蛋白質(zhì)比例高的第1類、2類樣本在第6 d時(shí)已經(jīng)腐敗,蛋白質(zhì)比例較低第3類、4類、5類、6類樣本到第7 d才腐敗,而蛋白質(zhì)比例最低的第7類樣本到第7 d仍然沒(méi)有腐敗。

2.3 BP神經(jīng)網(wǎng)絡(luò)模型

2.3.1 神經(jīng)網(wǎng)絡(luò)分析結(jié)果 首先以營(yíng)養(yǎng)成分預(yù)測(cè)模型獲得的脂肪、蛋白質(zhì)含量以及電子鼻檢測(cè)獲得的特征數(shù)據(jù)做自變量,以TVB-N檢測(cè)數(shù)據(jù)為因變量建立預(yù)測(cè)模型。在神經(jīng)網(wǎng)絡(luò)建模時(shí),電子鼻樣本總數(shù)為245個(gè),其中選取70%(171個(gè))的樣本作為訓(xùn)練組,15%(37個(gè))的樣本為驗(yàn)證組、15%(37個(gè))的樣本為預(yù)測(cè)組。

如圖1所示,模型的訓(xùn)練組相關(guān)系數(shù)rC為0.988,訓(xùn)練組交互驗(yàn)證均方根誤差(Root Mean Square Error of Cross Validation,RMSECV)為1.07;預(yù)測(cè)組的相關(guān)系數(shù)rp為0.941,預(yù)測(cè)組均方根誤差(Root Mean Square Error of Prediction,RMSEP)為2.07。

圖1 TVB-N含量BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)關(guān)系Fig.1 The correlation between the predicted value and themeasured value of TVB-N content BP neural network mode

表5所示為絕對(duì)誤差個(gè)數(shù)區(qū)間分布表,可以看出訓(xùn)練組的絕對(duì)誤差集中在0～0.5之間,說(shuō)明訓(xùn)練模型擬合度高;然而預(yù)測(cè)組的誤差集中區(qū)間擴(kuò)大為0～1.0,誤差區(qū)間在1～2.5和誤差大于3的樣本各占25%的樣本總量,說(shuō)明預(yù)測(cè)組與模型之間存在較大偏差。

表5 模型絕對(duì)誤差個(gè)數(shù)分布Table 5 Number distribution of absolute error of model

2.3.2 樣本分類神經(jīng)網(wǎng)絡(luò)分析結(jié)果 首先根據(jù)脂肪、蛋白質(zhì)回歸模型將7種肥瘦配比分成兩大類,由脂肪、蛋白質(zhì)回歸模型可知,蛋白質(zhì)回歸模型更加穩(wěn)定,根據(jù)表1和表3知,第3類樣本誤差為±0.11,第4類樣本誤差為±0.461,即對(duì)應(yīng)的蛋白質(zhì)比例為17.20±0.18、15.97±0.501,兩者相差最小為0.530;又均方誤差為0.094,即第3類與第4類樣本不會(huì)被誤分,因此,選擇前3種肉餡肥瘦比為一類,后4種肉餡肥瘦比為一類。然后對(duì)這兩類樣本分別建立TVB-N含量的預(yù)測(cè)模型,兩類樣本都各選取70%樣本總量作為訓(xùn)練組,剩余30%作為驗(yàn)證組和預(yù)測(cè)組。

如圖2所示,前3種肉餡肥瘦比樣本所得到的回歸模型2-1訓(xùn)練組的相關(guān)系數(shù)rc和RMSECV分別為0.994和0.88,預(yù)測(cè)組rp和RMSEP分別為0.984和1.31;后4種肉餡肥瘦比樣本獲得的模型2-2訓(xùn)練組的相關(guān)系數(shù)rc和RMSECV分別為0.985和0.91,預(yù)測(cè)組rp和RMSEP分別為0.979和1.30。表6為2個(gè)模型的絕對(duì)誤差區(qū)間分布匯總表,由表6可知訓(xùn)練組與預(yù)測(cè)組的誤差分布區(qū)間較為一致,誤差集中在0～1.0之間樣本各有149個(gè)和23個(gè),各占樣本總數(shù)的86%和62%;另外，訓(xùn)練組沒(méi)有絕對(duì)誤差大于2.5的樣品，預(yù)測(cè)組中絕對(duì)誤差大于2.5的樣本占預(yù)測(cè)樣本的8.5%。說(shuō)明所建立的模型不僅擬合度高且預(yù)測(cè)組與模型偏差小、準(zhǔn)確性高。

圖2 TVB-N含量BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)關(guān)系Fig.2 The correlation between the predicted value and the measured value of TVB-N content BP neural network mode

表6 模型絕對(duì)誤差個(gè)數(shù)分布Table 6 Number distribution of absolute error of model

2.3.3 模型對(duì)比分析結(jié)果 對(duì)2個(gè)模型進(jìn)行比較,模型的優(yōu)劣可以通過(guò)訓(xùn)練組的相關(guān)系數(shù)rc和交互驗(yàn)證均方根誤差RMSECV、預(yù)測(cè)組的相關(guān)系數(shù)rp和預(yù)測(cè)組均方根誤差RMSEP以及模型的誤差分布來(lái)綜合評(píng)價(jià),相關(guān)系數(shù)越高,均方根誤差越小,誤差分布越趨近于0,模型的性能就越好,2種方法建立預(yù)測(cè)模型統(tǒng)計(jì)結(jié)果如表7所示。圖3所示為2種模型訓(xùn)練組和預(yù)測(cè)組的絕對(duì)誤差個(gè)數(shù)的區(qū)間分布折線圖。

表7 模型對(duì)比統(tǒng)計(jì)結(jié)果Table 7 Statistical results of model comparison

圖3 訓(xùn)練組與預(yù)測(cè)組絕對(duì)誤差個(gè)數(shù)的區(qū)間分布Fig.3 Interval distribution of absolute error number of training group and prediction group注:模型1對(duì)應(yīng)模型編號(hào)1-1,模型2對(duì)應(yīng)模型2-1和2-2的結(jié)合。

從表7可知,相比于方法一以成分為自變量建立的神經(jīng)網(wǎng)絡(luò)模型,方法二所建立神經(jīng)網(wǎng)絡(luò)模型的RMSECV和RMSEP分別下降0.2和0.7左右,訓(xùn)練組rc相接近。圖3(a)訓(xùn)練組誤差個(gè)數(shù)分布圖知,模型1誤差曲線的下降速度快,即誤差分布較為集中,分布在0～0.5和0.5～1之間的樣本個(gè)數(shù)分別為153和15個(gè),總共占樣本總數(shù)的97%。模型2誤差曲線下降較慢,誤差分布在0～0.5和0.5～1之間的樣本個(gè)數(shù)分別為98和53個(gè),總共占樣本總數(shù)的86%。這說(shuō)明模型1訓(xùn)練組優(yōu)于模型2的訓(xùn)練組。由圖3(b)預(yù)測(cè)組誤差個(gè)數(shù)分布圖可以看出,模型2的誤差在區(qū)間0～0.5和0.5～1的樣本分別為11和12個(gè),占預(yù)測(cè)組樣本總數(shù)的62.6%,模型1的誤差在區(qū)間0～0.5和0.5～1的樣本分別為9和10個(gè),占預(yù)測(cè)組樣本總數(shù)的51.3%,而且模型1的誤差在大于3的區(qū)間有9個(gè)但模型2僅有3個(gè),這說(shuō)明模型2預(yù)測(cè)組與訓(xùn)練模型之間擬合度高,模型1可能存在過(guò)擬合現(xiàn)象,模型2優(yōu)于模型1。又由成分預(yù)測(cè)模型知,脂肪預(yù)測(cè)模型相關(guān)系數(shù)相對(duì)較小,相對(duì)誤差也相對(duì)較大,方法一以其做自變量建立模型就可能帶來(lái)雙重誤差,因此,在獲得營(yíng)養(yǎng)成分的基礎(chǔ)上直接建立TVB-N的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型更為優(yōu)越,鑒于電子鼻傳感器陣列與TVB-N之間存在良好的相關(guān)性,表明電子鼻能很好的反映出豬肉貯藏過(guò)程中新鮮度變化導(dǎo)致的TVB-N值的變化,電子鼻技術(shù)能作為一種快速無(wú)損檢測(cè)不同成分豬肉新鮮度的方法。

3 結(jié)論

TVB-N的含量是判斷豬肉新鮮度的重要指標(biāo),本研究首先建立成分回歸模型,然后分兩種方法分別建立神經(jīng)網(wǎng)絡(luò)模型,首先得到營(yíng)養(yǎng)成分?jǐn)?shù)據(jù),一種方法以營(yíng)養(yǎng)成分和電子鼻特征一起作為自變量建模,另一種則根據(jù)營(yíng)養(yǎng)成分先將樣本分類,再僅用電子鼻特征做自變量建模,比較兩種方法建立的模型發(fā)現(xiàn),對(duì)成分分類建模能更好的映射出電子鼻傳感器陣列和TVB-N數(shù)值之間的關(guān)系,而且不會(huì)出現(xiàn)雙重誤差,同時(shí)模型的精度得到了提高,RMSECV和RMSEP值分別從1.07和2.07下降為0.91和1.30,分別下降0.2和0.7左右,訓(xùn)練組rc相接近,但預(yù)測(cè)組的相關(guān)系數(shù)rp從0.941提高至0.979,比方法一的神經(jīng)網(wǎng)絡(luò)模型提高0.04,而且預(yù)測(cè)組的誤差分布集中在0～1之間,誤差大的樣本個(gè)數(shù)遠(yuǎn)遠(yuǎn)少于方法一的神經(jīng)網(wǎng)絡(luò)模型。本研究表明,電子鼻傳感器陣列與豬肉新鮮度評(píng)價(jià)指標(biāo)TVB-N之間存在較高的相關(guān)性,運(yùn)用電子鼻技術(shù)可快速無(wú)損檢測(cè)不同成分豬肉的新鮮度。

[1]Huang L,Zhao J,Chen Q,et al. Nondestructive measurement of total volatile basic nitrogen(TVB-N)in pork meat by integrating near infrared spectroscopy,computer vision and electronic nose techniques[J]. Food Chemistry,2014,145(2):228-236.

[2]陳艷珍.豬肉品質(zhì)的評(píng)定及影響因素[J].中國(guó)畜牧獸醫(yī),2012,39(7):155-158.

[3]王小占.基于電子鼻的豬肉新鮮度檢測(cè)體系的研究[D].天津:天津商業(yè)大學(xué),2012:2-8.

[4]樊玉霞.豬肉肉糜品質(zhì)與安全可見/近紅外光譜快速檢測(cè)方法的實(shí)驗(yàn)研究[D].杭州：浙江大學(xué),2011:4-10.

[5]王智凝.電子鼻在豬肉新鮮度檢測(cè)中的應(yīng)用研究[D].北京:中國(guó)農(nóng)業(yè)大學(xué),2015:4-11.

[6]林亞青,房子舒.豬肉新鮮度檢測(cè)方法綜述[J].肉類研究,2011,25(5):62-65.

[7]Siadat M,Losson E. Application of electronic nose to beer recognition using supervised artificial neural networks[C]. International Conference on Control,Decision and Information Technologies IEEE,2014:640 - 645.

[8]黃星奕,蔣飛燕,穆麗君,等.基于嗅覺(jué)可視化的鯧魚TVB-N預(yù)測(cè)模型[J].江蘇大學(xué)學(xué)報(bào)：自然科學(xué)版,2013,34(1):38-43.

[9]Gardner J W,Bartlett P N. A brief history of electronic noses[J]. Sensors and Actuators B,1994,18-19(1):211-220.

[10]Hong X Z,Wang J,Zheng H. Discrimination and prediction of multiple beef freshness indexes based on electronic nose[J]. Sensors and Actuators B,2012,1(161):381-389.

[11]王炳蔚,楊璐,鄭麗敏,等.基于統(tǒng)計(jì)空間映射和電子鼻的豬肉風(fēng)味物質(zhì)檢測(cè)[J].食品科學(xué),2016,37(8):102-107.

[12]劉輝,牛智有.基于電子鼻的魚粉中揮發(fā)性鹽基氮檢測(cè)模型比較[J].農(nóng)業(yè)工程學(xué)報(bào),2010,26(4):322-327.

[13] Ye X,Jin J J,Hui G H. Determination of the freshness of beef strip loins(M. longissimus lumborum)Using Electronic Nose[J]. Food Analytical Methods,2014,7(8):1612-1618.

[14]Hong X Z,Wang J. Parameters optimization of electronic nose in detection of beef freshness[J].Transactions of the Chinese Society for Agricultural Machinery,2013,44(9):125-131,137.

[15]Tian X J,Wang J,Cui S Q. Analysis of pork adulteration in minced mutton using electronic nose of metal oxide sensors[J]. Journal of Food Engineering,2013,119(4):744-749.

[16]賈洪峰,盧一,何江紅,等.電子鼻在牦牛肉和牛肉豬肉識(shí)別中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào),2011,27(5):358-363.

[17]Hong X Z,Wang J. Discrimination and prediction of pork freshness by e-nose[C]. 5th International Conference on Computer and Computing Technologies in Agriculure,Beijing,October 29-31,2011,370:1-14.

[18]Hong X Z,Wang J.Discrimination of different storage time of pork by electronic nose[J].Chinese Journal of Sensors & Actuators,2010,23(10):1376-1380.

[19]柴春祥,杜利農(nóng).電子鼻檢測(cè)豬肉新鮮度的研究[J].食品科學(xué),2008,29(4):444-447.

[20]Park S Y,Kim Y J,Lee H C. Effects of pork meat cut and packaging type on lipid oxidation and oxidative products during refrigerated storage(8 ℃)[J]. Journal of Food Science,2008,73(3):C127-34.

[21]Li M,Wang H,Sun L. Application of electronic nose for measuring total volatile basic nitrogen and total viable counts in packaged pork during refrigerated storage[J]. Journal of Food Science,2016,81(4):906-912.

[22]王智凝,鄭麗敏,方雄武,等.電子鼻傳感器陣列優(yōu)化對(duì)豬肉新鮮度法的檢測(cè)[J].肉類研究,2015,29(4):27-30.

[23]梁馮珍,史道濟(jì),關(guān)靜,等.統(tǒng)計(jì)學(xué)[M]. 北京:機(jī)械工業(yè)出版社,2009:350-385.

[24]韓劍眾,黃麗娟,顧振宇,等.基于電子舌的魚肉品質(zhì)及新鮮度評(píng)價(jià)[J].農(nóng)業(yè)工程學(xué)報(bào),2008,24(12):141-144.

[25]Zhou B,Wang Y W,Wang J. Electronic nose technique potential monitoring for storage time and quality attribute of egg[J].Journal of Zhejiang University,2010,44(5):863-869.

[26]Panigrahi S,Balasubramanian S,Gua H,et al. Neural-network-integrated electronic nose system for identification of spoiled beef[J].Food Science and Technology,2006,2(39):135-145.