近紅外光譜技術在南美白對蝦鮮度判別中的應用*

任瑞娟，柴春祥，魯曉翔，李立杰，郭美娟

(天津商業大學生物技術與食品科學學院，天津市食品生物技術重點實驗室，天津，300134)

南美白對蝦(Penaeus vannamei Boone)具有高蛋白、低脂肪的特點，得到了廣大消費者的歡迎［1］。但因其水分、蛋白質含量高，組織蛋白酶活性較強，自溶迅速，易于腐敗變質。南美白對蝦體內所含的多酚氧化酶，在氧氣存在下，將蝦類表面的無色化合物最終轉變成有色的醌類物質。醌類有很高的活性，極易與氨基酸或蛋白質結合生成黑色素［2］，沉積于蝦的外殼，導致南美白對蝦發生黑變［3］。

判別蝦新鮮度的方法有很多，但近紅外光譜技術在蝦新鮮度判別中的應用研究極為罕見［4］。近紅外光譜技術具有分析速度快、效率高、測試重現性好、適用范圍廣、對樣品無損傷等優點［1］，因此本文對運用近紅外光譜技術判別蝦的新鮮度進行了嘗試性研究。

1 材料與方法

1.1 材料與設備

南美白對蝦，天津市王頂堤水產批發市場購買的鮮活蝦。

DA7200近紅外光譜儀(瑞典波通儀器公司):波長采集范圍950～1 650 nm;樣品杯直徑75 mm，裝樣3次，掃面 3次，分辨率 5.0 nm，Unscrambler10.3，CAMO公司。

1.2 方案與方法

1.2.1 樣品的制備

將鮮活蝦用碎冰塊猝死，分裝成42份，根據蝦的大小每份12～15只，留出1份作為新鮮樣品，其余41份分別置于冷藏(5℃)、微凍(－3℃)、冷凍(－18℃)3個溫度下保藏待用，其中冷藏7份，微凍15份，冷凍19份。并對樣品進行編號，新鮮樣為1號，冷藏樣品依次為2～8號，冷凍樣品依次為9～27號，微凍樣品依次為28～42號。

1.2.2 實驗方法

近紅外光譜儀預熱1 h，蝦去頭去殼，用組織攪碎機將其制成蝦糜，取約100 g裝入75 mm樣品杯中，厚度不小于0.5 cm［5］，測量蝦糜溫度后撫平表面，放入樣品槽上采集近紅外光譜曲線。根據表1方案進行蝦糜光譜的采集，同步測量揮發性鹽基氮(TVB-N)值和菌落總數值。

1.2.3 揮發性鹽基氮(TVB-N)的測定

半微量蒸餾定氮法SC/T3032－2007，TVB－N≤25 mg/100 g為一級鮮度，TVB－N≤30 mg/100 g為二級鮮度。

1.2.4 菌落總數的測定

參照GB/T4789.2－2010方法，菌落總數可用TBC［菌落總數(單位為CFU/g)的對數值(以10為底數)］［6］表示，新鮮蝦 TBC為 4.4左右，TBC≤5.0為一級鮮度，TBC≤5.7為二級鮮度。

表1 三個溫度條件下實驗方法安排Table 1 Experimental arrangement in the three temperature

2 結果與分析

2.1 鮮度指標分析

2.1.1 揮發性鹽基氮(TVB-N)值的變化

TVB-N是指動物性食品由于細菌的作用，在腐敗過程中使蛋白質分解后產生的氨、伯胺、仲胺及叔胺等具有揮發性的堿性含氮物質［7］，一般隨鮮度的下降而增加，是反映魚貝蝦類等水產品腐敗程度的重要指標之一［8］。實驗測得3個溫度下TVB-N變化如圖1所示。

由圖1可知，3個貯藏條件下蝦體內的TVB-N含量隨時間的延長都有所增加。冷藏條件下增加較快，在第4天時TVB-N值為22.39 mg/100 g，接近南美白對蝦的一級鮮度上限，第5天時TVB-N達到30.74 mg/100 g，超出南美白對蝦的二級鮮度上限，此時蝦體發出明顯的臭味，已經不可以食用;冷凍條件下蝦體內TVB-N含量增加緩慢，在第208天時TVB-N值達到27.42 mg/100 g，仍在二級鮮度范圍內，可以食用;微凍條件下第12天，TVB-N值達到24.72 mg/100 g，接近南美白對蝦一級鮮度上限，在貯藏第30天TVB-N值為29.91 mg/100 g，接近二級鮮度上限，此時蝦已不能食用。

圖1 三個溫度條件下蝦體內TVB-N變化Fig.1 Changes of TVB-N in Penaeus vannamei Boone in three temperature

2.1.2 菌落總數的變化

菌落總數是指食品檢樣經過處理，在一定條件下(如培養基、培養溫度和培養時間等)培養后，所得每g(mL)檢樣中形成的微生物菌落總數。菌落總數的高低，表明了食品污染程度的輕重，是評價食品腐敗變質的重要指標之一，尤其是含水量較高的蝦產品中［9］，很容易滋生細菌，因此，檢測菌落總數對判別蝦的新鮮度有重要意義。圖2為3個溫度條件下TBC的變化。

圖2 三個溫度條件下蝦體內TBC變化Fig.2 Changes of TBC in Penaeus vannamei Boone in three temperature

圖2顯示了3個貯藏條件下蝦體內TBC的變化，隨著貯藏時間的增加TBC都呈現增長趨勢。冷藏條件增長較快，第2天TBC值就達到5.447，超過南美白對蝦的一級鮮度上限，第5天TBC值達到6.146，已超過二級鮮度上限，此時蝦體發臭，已不能食用;冷凍條件下TBC增長緩慢，第208天TBC值為5.204，仍在二級鮮度之內，可以食用;微凍條件下第12天TBC值達到4.982，已接近蝦的一級鮮度上限，在第28天TBC值為7.079，已超過二級鮮度上限，蝦已不能食用。

2.2 近紅外光譜分析

2.2.1 近紅外光譜的采集

按照上述實驗方案，運用DA7200近紅外光譜儀采集南美白對蝦蝦糜光譜圖，得到的原始光譜圖如圖3所示。

圖3 蝦糜近紅外光譜原始圖Fig.3 Near infrared spectrum of minced shrimp

從圖3中可以看出，所有樣品的近紅外光譜變化趨勢大致相同但不重合，這是樣品中吸收基團含量的不同導致的［10］。光譜在980、1 200和1 450 nm處出現了3個較為明顯的吸收峰，是對蝦體內含C、N、H等基團倍頻及合頻的吸收，含有豐富的光譜信息。

2.2.2 光譜預處理

近紅外光譜區的吸收主要是基團振動能態躍遷的倍頻與合頻吸收，強度較弱、譜峰較寬，譜峰重疊嚴重［11］，并且，近紅外光譜儀采集到的光譜信息除樣品信息外，還含有各方面的噪聲。光譜預處理的目的是優化光譜信號，濾去噪聲，提高模型的穩定性，為更好的建立和校正模型奠定基礎［12，13］。常用的光譜預處理方法有多元散射校正(multiple scattering correction，MSC)，平滑處理，一階、二階導數處理、標準歸一化(standard normal variate，SNV)等［14］。經過反復計算，光譜經過多項式濾波平滑(savitzky-golay)、一階導數及標準正態變化(standard normal variate，SNV)處理，取得的結果最好。光譜經過預處理后得到譜圖如下圖4所示。

由圖4可知，光譜經過預處理后，得到的光譜信號更為明顯。

2.2.3 近紅外模型的建立

建立近紅外模型常用的算法有主成分回歸分析(PCA)、多元線性回歸 (MLR)［15］、偏最小二乘法(PLS)［16］、人工神經網絡(ANN)、拓撲方法(TP)等。這些算法可以解決近紅外光譜的譜峰重疊與復雜背景的影響，其中偏最小二乘法(PLS)在近紅外光譜分析中應用最廣泛，已成為一種標準的常用方法［17］，所以本文采用偏最小二乘法(PLS)建立近紅外模型。近紅外光譜經過預處理后，與蝦體內的揮發性鹽基氮與菌落總數進行關聯，采用偏最小二乘法(PLS)，交叉驗證(cross-validation)，選取33個樣品建立校正模型。運用化學值誤差Residual和光譜影響值Leverage2個參數剔除化學值和光譜的異常值［18］，逐步優化，最后得到較為理想的模型。圖5與圖6分別為揮發性鹽基氮(TVB-N)、菌落總數(TBC)與光譜數據相關聯的數學模型。

圖4 經過一階導數、SG和SNV處理的光譜圖Fig.4 Spectra processed by first derivation，SG and SNV

圖5 蝦糜TVB-N測定值與模型預測值的散點圖Fig.5 TVB-N value of predicted and tested in minced shrimp

由圖5可知，TVB-N、TBC校正模型的決定系數R2分別為0.961和0.981，相關系數分別為0.980和0.991，交叉驗證標準方差(RMSECV)分別為1.189和0.136，模型模擬較好。用一元線性回歸方法將近紅外預測值與實測值相關，相關方程分別如式1、式2所示。

式中:X，半微量蒸餾定氮法SC/T3032－2007測得TVB-N含量(mg/100g);Y，近紅外光譜法分析TVB-N含量(mg/100g)。

圖6 蝦糜TBC測定值與模型預測值的散點圖Fig.6 TBC value of predicted and tested in minced shrimp

式中:X，GB/T4789.2－2010方法測得TBC含量(CFU/g);Y—近紅外光譜法分析TBC含量(CFU/g)。

方程的線性關系良好，適合用于定量分析。

2.2.4 近紅外模型的檢驗

除了用模型的基本參數衡量回歸模型的質量優劣外，還需要通過模外檢驗評價回歸模型的實際預測能力。因此，選用另外9份樣品作為預測集檢驗模型放的預測能力。分別將TVB-N、TBC預測值與實測值進行比較，結果如表2所示。

表2 蝦糜樣品TVB-N實測值與預測值比較Table 2 Comparing of the measured and predicted value of TVB-N in minced shrimp

從表2可知，7、27號樣品出現了較大誤差，其他樣品都能得到很好的預測，最大預測絕對偏差5.027，最小偏差0.264，平均絕對預測偏差1.187，預測模型中相關系數為0.923，預測均方根誤差(RMSEP)為2.179，預測標準誤差(SEP)為2.306;由表3可以看出，相比TVB-N模型的預測，TBC預測結果較好，最大絕對預測偏差2.456，最小絕對預測偏差0.011，平均偏差0.598，預測模型中相關系數0.943，RMSEP為0.603，SEP為0.643。可見 TBC模型較優于TVB-N模型，但也可達到很好的預測效果。綜上，3個溫度條件下貯藏的蝦TVB-N和TBC的含量都能夠得到很好的預測，可以用于蝦新鮮度的判別，所建模型有實際意義。

表3 蝦糜樣品TBC實測值與預測值比較Table 3 Comparing of the measured and predicted value of TBC in minced shrimp

3 結論

本實驗選取南美白對蝦為研究對象，利用DA7200近紅外光譜儀采集3個貯藏條件下蝦糜的近紅外漫反射光譜，經過SG平滑、一階導數及SNV處理，結合蝦鮮度指標揮發性鹽基氮和菌落總數，利用偏最小二乘法建立TVB-N及TBC模型，并對模型進行預測。TVB-N模型中定標方程為Y=0.961X+0.709，定標集和預測集相關系數分別為0.980和0.923，RMSECV和 RMSEP分別為1.189和2.179;TBC模型中定標方程為Y=0.981X+0.090，定標集和預測集相關系數分別為0.991和0.943，RMSECV和RMSEP分別為0.136和0.603。模型能夠預測TVB-N及TBC的含量，并且取得了較好的預測效果，內部交叉檢驗和外部驗證均證明，近紅外定量分析具有較高的準確度，可用來判別蝦的新鮮度。綜上可知，近紅外光譜技術可以很好的應用于蝦新鮮度判別中，快速評價蝦的新鮮程度，克服了傳統方法測定蝦新鮮度時間長、操作繁瑣的難題，為今后近紅外光譜技術在蝦產品得到更廣泛的應用提供數據支持。

［1］ 徐麗敏.南美白對蝦與鷹爪蝦的保鮮及防黑變初步研究［D］.山東:中國海洋大學，2008.

［2］ Bartolo I，Birk E O.Some factors affecting Norway lobster(Nephrops norvegicus)cuticle polyphenol oxidase activity and blackspot development［J］.International Journal of Food Science and Technology，1998，33，329－336.

［3］ Montero P，Martinez-alvarez O，Gomez-guillen M C.Effectiveness of onboard application of 4-hexylresorcinol in inhibiting melanosis in shrimp(Parapenaeus longirostris)［J］.Journal of Food Science，2004，69(8):643 －647.

［4］ 任瑞娟，柴春祥，魯曉翔.近紅外光譜技術在水產品檢測中的應用展望［J］.食品工業科技，2013，34(2):361－363.

［5］ 李志新.應用近紅外品質分析儀測定馬鈴薯淀粉的研究［J］.黑龍江農業科學，2011(11):78－79.

［6］ 凌萍華，謝晶，趙海鵬，等.冰溫貯藏對南美白對蝦保鮮效果的影響［J］.江蘇農業學報，2010，26(4):828－832.

［7］ 周德慶，馬敬軍，徐晶晶.水產品鮮度評價方法研究進展［J］. 萊陽農學院學報，2004，21(4):312－315.

［8］ 任瑞娟，柴春祥，魯曉翔，等.冷藏南美白對蝦新鮮度的近紅外光譜方法研究［J］.食品與發酵工業，2013，39(6):70－73.

［9］ 何定芬，樂建盛.貯藏溫度和時間對南美白對蝦(Penaeus vannamei Boone)鮮度的影響［J］.現代漁業信息，2005，20(7):14 －16.

［10］ 李娟，李忠梅，付湘晉.稻谷新陳度近紅外快速無損檢測的研究［J］.光譜學與光譜分析，2012，32(8):2 126－2 130.

［11］ 侯瑞峰，黃嵐，王忠義，等.用近紅外漫反射光譜檢測肉品新鮮度的初步研究［J］.光譜學與光譜分析，2006，26(12):2 193 －2 196.

［12］ 楊瓊.近紅外光譜法定量分析及其應用研究［D］.重慶:西南大學，2009.

［13］ 劉聰，郭康權，張強，等.基于近紅外光譜的室溫貯藏下鮮棗霉菌污染動力學模型［J］.農業工程學報，2013，29(1):278－284.

［14］ 俞建成，周德成，劉木清.近紅外光譜分析的應用［J］.紅外，2003(8):24－27.

［15］ 蘆永軍，張軍，樸仁官.組合生成算法與多元線性回歸相結合用于近紅外光譜波長的優選［J］.分析化學，2004，32(8):1 116 －2 119.

［16］ 郭嘩，曲楠，王彬等.短波近紅外光譜法對蛇床子SFE萃取產物的定量分析［J］.分析試驗室，2007，26(11):49－52.

［17］ 許祿，邵學廣.化學計量學方法［M］.北京:科學出版社，2004:25.

［18］ 何智慧，練文柳，吳名劍，等.AOTF-近紅外光譜技術快速分析煙草的主要化學成分［J］.現代科學儀器，2006，(1):66 －68.