基于品質指標預測北京烤鴨的中心溫度

柳艷霞，王振宇，鄭曉春，朱瑤迪，陳麗，張德權

基于品質指標預測北京烤鴨的中心溫度

柳艷霞1，2，王振宇1，鄭曉春1，朱瑤迪2，陳麗1，張德權1

（1中國農業科學院農產品加工研究所/農業農村部農產品加工重點實驗室，北京 100193；2河南農業大學食品科學技術學院/河南省肉制品加工與 質量安全控制重點實驗室，鄭州 450002）

【目的】解決烤鴨傳統掛爐烤制過程中中心溫度難以在線精確監測的問題。【方法】通過測定烤鴨的品質指標，利用多元線性回歸、偏最小二乘回歸、支持向量回歸、人工神經網絡等方法對北京烤鴨中心溫度進行在線客觀預測。【結果】烤鴨胸肉的*、*、*、脫氧肌紅蛋白、氧合肌紅蛋白、高鐵肌紅蛋白、水分含量、脂肪含量、蛋白二級結構等指標均可用于有效識別北京烤鴨的中心溫度；線性模型多元線性回歸和偏最小二乘回歸的預測集決定系數2C分別為0.9543和0.9384，均方根誤差SEC分別為5.8205℃和6.7634℃，MLR模型預測效果優于偏最小二乘回歸模型；非線性模型支持向量回歸優于人工神經網絡模型，其預測集決定系數2C和交叉驗證決定系數2CV分別為0.9837和0.9496，均方根誤差SEC和交叉驗證均方根誤差SECV分別為3.5215℃和6.1236℃，北京烤鴨中心溫度預測模型構建以支持向量回歸模型效果最好；支持向量回歸驗證集的決定系數2V較高，達到0.9748，均方根誤差SEV為5.5204℃，結合建模結果得出支持向量回歸模型預測掛爐烤制北京烤鴨的中心溫度效果最佳。【結論】北京烤鴨胸肉的色度、肌紅蛋白、水分含量、脂肪含量、蛋白二級結構等可有效識別北京烤鴨的中心溫度；基于品質指標的SVR模型可準確預測烤鴨的中心溫度。

北京烤鴨；中心溫度；品質；預測模型

0 引言

【研究意義】北京烤鴨歷史悠久，被譽為“天下美味”而馳名中外[1-3]。目前餐飲店加工的北京烤鴨95%以上采用明火掛爐烤制，烤制過程火候控制和產品熟度（degree of doneness）判定皆依賴于操作師傅的經驗，缺乏自動控溫設備和熟度量化標準，從而經常造成產品品質不均、質量不穩等問題，難以實現標準化生產。熟度是指肉類的烹調成熟度，直接影響肉品的適口性和消費者的接受程度[4-5]。烤制終點的中心溫度對肉制品的嫩度、色澤和風味等均產生較大的影響[6-8]，是標準化生產的關鍵控制點，是判斷其熟度的核心參數。肉類烹調程度受烹調時間和溫度的控制，“適度”為主要原則，測溫法被確定為肉類烹調程度的最常用方法[4]。實時掌握烤制過程中產品的中心溫度，可以較好地判定產品的熟度。【前人研究進展】肉品中心溫度的監測常使用專用溫度計。肉用溫度計有兩種類型—直接型和間接型[4]。目前，在烤制環境溫度較低及沒有明火存在的情況下，使用溫度記錄儀連接探針可以方便快捷地反映中心溫度變化情況[6,9]，例如微波烤制牛肉[10]、榮昌烤制豬肉[8]等，從而控制其嫩度、風味等品質。國內外學者開展了中心溫度與肉品品質相關的研究工作[6-7,9-14]。李宏燕等[11]利用紅外測溫儀測定羊肉的中心溫度。潘騰等[9]采用熱電偶聯合多路巡檢控制儀監測烤制羊排中心溫度。【本研究切入點】北京烤鴨掛爐烤制過程中采用明火加熱，其中心溫度的監測對于溫度記錄儀的設備要求苛刻，溫度探針的壽命非常短，監測成本大幅增加，亟需開發新的中心溫度監測技術。【擬解決的關鍵問題】本研究利用品質指標構建中心溫度的預測模型，實現傳統掛爐烤鴨的中心溫度實時預測，為北京烤鴨熟度的判定提供一種新的途徑。

1 材料與方法

試驗于2018年12月至2019年3月在中國農業科學院農產品加工研究所/農業農村部農產品加工重點實驗室和北京東直門東興樓飯莊進行。

1.1 材料

試驗樣品購于北京金星鴨業有限公司，品種為北京四系填鴨，鴨體質量為（2 000±300）g，42日齡。按照《鮮（凍）畜、禽產品》（GB2707—2016）和《鴨肉等級規格》（NY/T 1760—2009）要求的操作規程屠宰，屠宰后冷卻成熟后的鮮鴨坯。隨機選取105只試驗鴨，其中84只作為校正集樣品用于構建和優化模型，21只樣品作為驗證集用于驗證模型預測的準確性。

1.2 儀器與設備

CM700d柯尼卡美能達分光測色儀（日本柯尼卡美能達商用科技股份有限公司），Vertex 80V型傅里葉變換紅外光譜儀（德國Bruker公司），SER 148型全自動粗脂肪測定儀（丹麥FOSS公司），LK1048U溫度記錄儀（江蘇常州藍光電子有限公司），DH070A干燥箱（上海一恒科學儀器有限公司）。

1.3 試驗方法

1.3.1 樣品制備 在北京東直門東興樓飯莊由烤鴨師按照傳統技法[15]對鴨坯進行處理，所用掛爐烤鴨爐內空氣溫度維持在203—254℃，掛鴨爐中部區域溫度為224—235℃。試驗設置0、10、20、30、40、50和60 min 7個時間點，每個時間點各取出15只鴨坯并分離出鴨胸肉，12只用于模型構建，3只用于模型驗證，立即測定或-80℃凍存后測定。

1.3.2 中心溫度的測定 中心溫度的監測是將溫度記錄儀探針插入左側鴨胸肉的中心部位，采用溫度記錄儀對鴨胸肉的中心溫度進行連續檢測，每10 s讀取一次數據，直至烤制結束。

1.3.3 色澤的測定 參照Li等[16]的方法，測定北京烤鴨胸肉的亮度值*、紅度值*、黃度值*以及根據公式計算脫氧肌紅蛋白、氧合肌紅蛋白以及高鐵肌紅蛋白含量。

高鐵肌紅蛋白MetMb=C(MetMb）/C(Mb)=-0.159R1- 0.085R2+1.262R3-0.520

氧合肌紅蛋白OxyMb=C(OxyMb)/C(Mb)=0.722R1- 1.432R2-1.659R3+2.599

脫氧肌紅蛋白DeoMb=C(DeoMb)/C(Mb)=-0.543R1+ 1.594R2+0.552R3-1.329

R1=A582/A525，R2=A557/A525，R3=A503/A525

1.3.4 水分含量的測定 采用GB/T 5009.3—2016的第一法直接干燥法測定。

1.3.5 脂肪含量的測定 采用GB/T 5009.6—2016的第二法酸水解法測定。

1.3.6-螺旋、-折疊、-轉角、無規則卷曲 采用配有ATR附件的Vertex 80V型傅里葉變換紅外光譜儀測定蛋白二級結構（如-螺旋、-折疊、-轉角、無規則卷曲）。參照文獻[17]方法將參數調整為：液氮冷卻的MCT檢測器，有45°孔徑角晶體Ge片。將鴨胸肉去除表面1 mm后，取很薄的一層樣品覆蓋于ATR附件的晶體Ge片上，壓緊，使樣品和晶體充分接觸。積分球漫反射，分辨率8 cm-1，掃描次數64次，光譜掃描范圍4 000—600 cm-1。測前先用丙酮清洗Ge晶體，再用去離子水清洗，最后用脫脂棉擦干。

1.4 構建中心溫度預測模型

采用MATLAB軟件的多元線性回歸（multiple linear regression，MLR）和偏最小二乘回歸（partial least square method，PLSR）[18]兩種線性建模方法及支持向量回歸（support vector regression，SVR）和人工神經網絡（artificial neural network，ANN）[19]2種非線性建模方法，基于北京烤鴨胸肉的色澤、肌紅蛋白、水分含量、脂肪含量、蛋白二級結構等構建北京烤鴨中心溫度預測模型，通過校正集、留一法交叉驗證以及驗證集（外部）的決定系數和均方根誤差評價北京烤鴨中心溫度預測模型的預測效果、穩定性和適用性。

本研究利用pls_toolbox工具包（來源于Eigenvector Research Incorporated）進行算法優化和建模分析。采用支持向量機模型建立烤鴨中心溫度預測模型時，選擇核函數時，對比線性核函數和徑向核函數后發現徑向核函數的預測效果較好，基于徑向核函數建立支持向量機模型。選擇最佳懲罰因子時，設置從10-3—100范圍優化，優化的懲罰因子為31.26。使用ANN算法時，首先將數據進行歸一化處理，然后利用工具包的默認設置用于超函數的優化，構建ANN模型。

1.5 數據統計分析

每組試驗樣品做6個平行，以平均值±標準差表示；采用SPSS 22.0（IBM Corporation Inc., USA）進行單因素方差分析，顯著性分析置信度95%（0.05）；ORIGIN 8.6（OriginLab Corporation, Northampton, MA, USA）作圖；MATLAB 2014a（Mathworks Inc, Natick, MA, USA）進行模型構建與驗證。

2 結果

2.1 北京烤鴨中心溫度及相關品質指標變化

2.1.1 中心溫度變化 烤制過程中，北京烤鴨的中心溫度從開始時的20.8℃分別以每分鐘2.04℃、2.19℃、1.36℃、1.01℃、1.07℃、0.16℃的速率升溫至結束時的99.1℃（＜0.05，圖1）。為了得到鴨胸肉溫度上升規律，采用Origin軟件進行模型擬合得出鴨胸肉中心溫度變化與二次函數曲線相似度較高，鴨胸肉的中心溫度符合方程：=19.824+1.807-0.8822（＜60 min），對方程進行檢驗，得到Adj.2=0.991，F=2158.21，F檢驗顯著性＜0.01，說明方程擬合非常顯著。

不同小寫字母表示差異顯著（P<0.05）。下同

2.1.2 色澤變化 隨著溫度升高，肌紅蛋白的熱變性使肉色變化加速[12]。*是食品工業品質控制的因素[14,20]，肌球蛋白和肌動蛋白的熱變性[21]使*增加[22]。美拉德反應的中間產物和最終產物為黃色/棕色，肉中色素類化合物降解程度增大[23-24]。由圖2可知，烤制期間，北京烤鴨鴨胸肉的*、*、脫氧肌紅蛋白和氧合肌紅蛋白含量上升，*和高鐵肌紅蛋白含量下降（＜0.05）。隨著烤制時間的延長，鴨胸肉的*值從開始的43.91上升至65.67（＜0.05），20 min時*值顯著低于40 min（0.05）。*值先上升后降低（0.05），40 min后保持穩定（＞0.05）。烤制過程中，脫氧肌紅蛋白含量從初始的11.22%上升至50 min的25.62%（<0.05）；高鐵肌紅蛋白含量下降至40 min的49.67%（<0.05），而后以平均每分鐘0.41%的速度降至43.67%（<0.05）。

2.1.3 水分含量和脂肪含量變化 肌肉組織中與水結合的主要成分是蛋白質，加熱后肉中蛋白質逐漸變性或沉淀，失去結合水的能力，導致水分流失，水分被輸送到樣品的邊緣或表面[10]。隨著烤制時間的延長，北京烤鴨的水分含量從75.56%降至58.70%（＜0.05），但30 min和40 min、40 min和50 min之間保持穩定（＞0.05）（圖3）。肉中脂肪流失和分布情況改變對肉的品質和嫩度至關重要[25]。北京烤鴨胸肉的脂肪含量由0.47%升至4.52%（＜0.05），30 min和50 min無明顯變化（＞0.05），30 min是脂肪含量變化的拐點（圖3）。烤制期間，鴨坯的皮下脂肪受熱后液化，在熱力推動下向鴨胸肉中遷移，部分皮下脂肪直接流出形成滴油[26]。

圖2 不同烤制時間對北京烤鴨色澤的影響

圖3 烤制過程中北京烤鴨水分含量和脂肪含量的變化

2.1.4 肌原纖維蛋白二級結構變化 當幾乎所有的蛋白質二級結構和三級結構遭到破壞時，蛋白會展開并聚集[27-28]。目前廣泛應用紅外光譜的酰胺I帶（1 700—1 600 cm-1）的波峰分析蛋白二級結構，對熱致肌肉蛋白變化進行表征[29-32]。圖4為不同烤制時間北京烤鴨胸肉的紅外光譜圖。隨著烤制時間延長，北京烤鴨的胸肉-螺旋先下降后上升，-轉角上升，無規則卷曲下降（＜0.05），出現轉折的時間點不一致，但是折疊變化不大（＞0.05），這是由于蛋白質熱變性導致蛋白的不可逆沉淀及-折疊展開[31-32]。

2.2 中心溫度預測模型的構建與驗證

2.2.1 預測模型的比較 利用鴨胸肉的色澤、肌紅蛋白含量、水分含量、脂肪含量、蛋白二級結構等參數，基于多元線性回歸（MLR）、偏最小二乘法（PLSR）、支持向量回歸（SVR）、人工神經網絡（ANN）4種建模方法構建了構建北京烤鴨中心溫度的預測模型[33]。采用“留一法”交叉驗證[19]綜合評價模型的預測效果；以測量值為橫坐標、預測值為縱坐標繪制4種預測模型的散點圖，篩選中心溫度的最佳預測模型，具體結果如表1和圖5所示。

從表1和圖5所示的建模結果來看，北京烤鴨中心溫度的4種預測模型中，線性模型MLR和PLSR的預測效果接近，預測集決定系數2分別為0.9543和0.9384，均方根誤差SEC分別為5.8205℃和6.7634℃，PLSR的模型方程為=0.58311-0.57232+ 0.91203+1.74964+1.04775+0.46256-1.77567-0.01018+0.21559+0.401510+1.226211+0.869612；MLR的模型方程為=0.51381-1.21662+1.81293+14.44544+ 14.68935+13.69346-1.76537+0.25128-13.20679-12.781210-12.691211-12.667112，但是二者的交叉驗證結果差距明顯，MLR模型要優于PLSR，前者交叉驗證的決定系數2CV為0.9376，均方根誤差SECV為6.8249℃，因此MLR模型預測效果優于PLSR模型。非線性模型SVR優于ANN模型，前者預測集決定系數2C和交叉驗證決定系數2CV分別為0.9837和0.9496，均方根誤差SEC和交叉驗證均方根誤差SECV分別為3.5215℃和6.1236℃。綜上，在北京烤鴨中心溫度預測模型構建時SVR模型效果最好，MLR、PLSR、ANN次之。

圖4 北京烤鴨烤制期間蛋白二級結構的變化

表1 北京烤鴨中心溫度的預測模型

公式中1代表*，2代表*，3代表*，4代表脫氧肌紅蛋白含量，5代表氧合肌紅蛋白含量，6代表高鐵肌紅蛋白含量，7代表水分含量，8代表脂肪含量，9代表α-螺旋含量，10代表-折疊含量，11代表-轉角含量，12代表無規則卷曲含量

The1-12in the formula represent*,*,*, content of deoxymyoglobin, content of oxymyoglobin, content of metmyoglobin, moisture content, fat content, content of-helix, content of-sheet, content of-turn, and content of random coil, respectively

圖5 中心溫度的模型預測結果

2.2.2 模型驗證 選取21個樣品的色澤、肌紅蛋白含量、水分含量、脂肪含量、蛋白二級結構等作為驗證集，采用外部驗證法對中心溫度的支持向量機回歸（SVR）預測模型進行驗證；以測量值為橫坐標、驗證值為縱坐標繪制中心溫度預測模型驗證結果的散點圖，如圖6所示。SVR驗證集的決定系數2V較高，達到0.9748，均方根誤差SEV為5.5204℃，集合建模結果說明基于色澤、肌紅蛋白含量、水分含量、脂肪含量、蛋白二級結構等品質參數的SVR模型能較準確地預測北京烤鴨中心溫度，具有較好的穩定性和預測能力。

3 討論

烤制期間北京烤鴨發生蛋白質熱變性聚集，形成凝膠，同時水分遷移和蒸發，從而使北京烤鴨呈現不同的色澤、嫩度等。溫度55℃時肌紅蛋白熱變性導致肉色變白，65—80℃時肌紅蛋白完全變性[12]，肌原纖維蛋白等變性引起的結構變化可能導致肌紅蛋白的光散射和光學掩蔽作用增強，產生更淡的顏色[34]。北京烤鴨的中心溫度從20.8℃升溫至99.1℃，水分含量逐漸降低，脂肪含量不斷升高，烤制結束時烤鴨肉質細嫩，品質佳，這與以前的高溫烹飪（>95℃）會使鴨肉質量變劣[20]的結果不一致，可能是由于烤制期間鴨肉蛋白受熱變性、二級結構改變所致。烤制20 min時鴨胸肉的中心溫度達到60℃以上，肌紅蛋白開始發生變性；40 min時中心溫度大于85℃，肌紅蛋白完全變性，色澤穩定下來[12,21,24]；蛋白質變性也會降低保水能力，導致烤制過程中水分損失[35]，北京烤鴨的水分含量不斷降低[13]。因此，掛爐烤制過程中蛋白質熱變性、二級結構、水分含量和脂肪含量等能反映肉品中心溫度的變化。

圖6 SVR模型的驗證結果

多元線性回歸（MLR）、偏最小二乘回歸（PLSR）、支持向量回歸（SVR）和人工神經網絡（ANN）等常用于多變量數據的相關性預測[18-19,36]。采用上述4種方法構建的北京烤鴨中心溫度預測模型都可成功實現中心溫度的預測，但是各模型的預測精度不同。本研究所建線性模型MLR和PLSR的預測集決定系數2分別為0.9543和0.9384，均方根誤差SEC分別為5.8205℃和6.7634℃，MLR模型預測效果優于PLSR模型，但是二者的預測精度偏低[18-19,33]。北京烤鴨中心溫度的非線性預測模型SVR和ANN的預測集決定系數2C和交叉驗證決定系數2CV高于線性模型，且SVR優于ANN模型，這與SVR和ANN預測模型對交互數據強大的處理能力有關[33,36]。傳統北京掛爐烤鴨中心溫度的監測成本高、難度大，利用品質指標構建中心溫度預測模型，可較好地預測掛爐烤制期間北京烤鴨的中心溫度，實現熟度的快速識別。

4 結論

（1）烤制過程中北京烤鴨的中心溫度以二次函數方式快速升高，蛋白質二級結構遭到破壞，肌紅蛋白、肌球蛋白和肌動蛋白的熱變性使鴨胸肉的*值和*增加、*下降，部分脂肪與水分形成烤制損失，部分脂肪向鴨胸肉中遷移，造成鴨胸肉的水分含量下降和脂肪含量增加。

（2）北京烤鴨胸肉的5個特征：色度、肌紅蛋白、水分含量、脂肪含量、蛋白二級結構，能夠用來有效識別北京烤鴨的中心溫度。

（3）基于色澤、肌紅蛋白含量、水分含量、脂肪含量、蛋白二級結構等品質參數的SVR模型可準確預測掛爐烤制期間北京烤鴨的中心溫度。

[1] 王雅琪, 饒偉麗, 田建文, 王振宇. 烤鴨綠色制造技術研究進展. 食品工業科技, 2017, 38(13): 315-319.

Wang Y Q, Rao W L, Tian J W, Wang Z Z. Research progress in green manufacturing technology of roasted duck., 2017, 38(13): 315-319. (in Chinese)

[2] 周小理, 王雨薔, 唐文, 謝凡, 周一鳴. 烤鴨水提物細胞抗氧化活性的研究. 食品工業, 2016, 37(6): 212-215.

ZHOU X L, WANG Y Q, TANG W, XIE F, ZHOU Y M. Research of water-soluble extracts from roast duck on cell antioxidant activity., 2016, 37(6): 212-215. (in Chinese)

[3] Huang J. The dining experience of Beijing Roast Duck: A comparative study of the Chinese and English online consumer reviews., 2017, 66: 117-129.

[4] 劉登勇, 周光宏, 徐幸蓮. 西餐中肉類烹調程度的控制. 揚州大學烹飪學報, 2004(3): 37-40.

LIU D Y, ZHOU G H, XU X L. Control of meat cooking degree in western cuisine., 2004(3): 37-40. (in Chinese)

[5] 萬紅兵, 祁興磊, 李海鵬, 王歡, 雷元華, 張松山, 謝鵬, 劉璇, 孫寶忠. 加熱溫度和時間對牛肉嫩度影響的主成分分析評價.農業工程學報, 2018, 34(13): 303-310.

WAN H B, QI X L, LI H P, Wang H, Lei Y H, Zhang S H, Xie P, Liu X, Sun B Z. Evaluation of effects of heating temperature and time on tenderness of beef based on principal component analysis., 2018, 34(13): 303-310. (in Chinese)

[6] Aaslyng M D, Bejerholm C, Ertbjerg P, Bertram H C, Andersen H J. Cooking loss and juiciness of pork in relation to raw meat quality and cooking procedure., 2003, 14(4): 277-288.

[7] Wattanachant S, Benjakul S, Ledward D A. Effect of heat treatment on changes in texture, structure and properties of Thai indigenous chicken muscle., 2005, 93(2): 337-348.

[8] 秦剛. 榮昌豬肉在不同烤制溫度中揮發性風味物質的研究[D]. 重慶: 西南大學, 2011.

Qin G. Study on the aroma compounds of Rong-chang pork at different core temperature in processing [D]. Chongqing: Southwest University, 2011. (in Chinese)

[9] 潘騰, 孟靜, 崔建云, 郭慧媛, 羅海玲, 葛克山. 商業化烤制羊排中心溫度預測模型. 農業機械學報, 2015, 46(6): 233-238.

PAN T, MENG J, CUI J Y, GUO H Y, LUO H L, GE K S. Mathematical model for predicting core temperature of commercial mutton chops during grilling., 2015, 46(6): 233-238. (in Chinese)

[10] Liu Y W, Sun D W, Cheng J H, Han Z. Hyperspectral imaging sensing of changes in moisture content and color of beef during microwave heating process., 2018, 11(9): 2472-2484.

[11] 李宏燕, 何建國, 馬瑩, 王松磊, 吳龍國, 康寧波, 王芹志. 自然對流紅外輻射復合加熱在羊肉烤制過程中的傳熱解析. 食品科學, 2017, 38(21): 61-66.

LI H Y, HE J G, MA Y, WANG S L, WU L G, KANG N B, WANG Q Z. Heating transfer analysis during mutton roasting by natural convection combined with infrared radiation., 2017, 38(21): 61-66. (in Chinese)

[12] Felix R, Feyissa A H. Kinetic Modeling of Texture and Color Changes During Thermal Treatment of Chicken Breast Meat., 2018, 11(8): 1495-1504.

[13] 劉晶晶. 結締組織熱變化對牛肉嫩度影響的研究[D]. 北京: 中國農業科學院, 2018.

LIU J J. The influence of heat change of connective tissue on beef tenderness[D]. Beijing: Chinese Academy of Agricultural Sciences, 2018. (in Chinese)

[14] Vieira E S, Mársico E T, Conte-Junior C A, Damiani C, Canto A C V C S, Monteiro M L G, Silva F A. Effects of different frying techniques on the color, fatty acid profile, and lipid oxidation of., 2018, 42(11): e13820.

[15] 葉樹良. 北京烤鴨加工工藝研究. 肉類工業, 2012(8): 8-9.

YE S L. Study on processing technology of Beijing roast duck., 2012(8): 8-9. (in Chinese)

[16] Li X, Zhang Y, Li Z, Li M, Liu Y F, Zhang D Q. The effect of temperature in the range of -0.8 to 4℃ on lamb meat color stability., 2017, 134: 28-33.

[17] Zhang L L, Zhang F X, Wang X. Changes of protein secondary structures of pollock surimi gels under high-temperature (100℃ and 120℃) treatment., 2016, 171: 159-163.

[18] 艾虎. 基于計算機視覺的人工神經網絡和圖像處理技術的牛肉大理石花紋自動分級研究[D]. 雅安: 四川農業大學, 2009.

AI H. Study on the automatic grading for beef marbling based on computer vision ＆ artificial neural network ＆ image processing. Ya’an: Sichuan Agricultural University, 2009. (in Chinese)

[19] 田曉靜. 基于電子鼻和電子舌的羊肉品質檢測[D]. 杭州: 浙江大學, 2014.

Tian X J. Detection of mutton quality based on electronic nose and lectronic tongue [D].Hangzhou: Zhejiang University, 2014. (in Chinese)

[20] Khan M A, Ali S, Yang H j, Kamboh A A, Ahmad Z, Tume R K, Zhou G h. Improvement of color, texture and food safety of ready-to-eat high pressure-heat treated duck breast., 2019, 277: 646-654.

[21] Yu X y, Llave Y, Fukuoka M, Sakai N. Estimation of color changes in fish surface at the beginning of grilling based on the degree of protein denaturation., 2014, 129: 12-20.

[22] Ferrini G, Comaposada J, Arnau J, Gou P. Colour modification in a cured meat model dried by Quick-Dry-Slice process? and high pressure processed as a function of NaCl, KCl, K-lactate and water contents., 2012, 13: 69-74.

[23] García-Romero J, Ginés R, Izquierdo M S, Haroun R, Badilla R, Robaina L. Effect of dietary substitution of fish meal for marine crab and echinoderm meals on growth performance, ammonia excretion, skin colour, and flesh quality and oxidation of red porgy ()., 2014, 422/423: 239-248.

[24] Cai L y, Li D m, Dong Z j, Cao A l, Lin H, Li J r. Change regularity of the characteristics of Maillard reaction products derived from xylose and Chinese shrimp waste hydrolysates., 2016, 65: 908-916.

[25] Yarmand M S, Homayouni A. Effect of microwave cooking on the microstructure and quality of meat in goat and lamb., 2009, 112(4): 782-785.

[26] Adedeji A A, Ngadi M O, Raghavan G S V. Kinetics of mass transfer in microwave precooked and deep-fat fried chicken nuggets., 2009, 91(1): 146-153.

[27] Yu T Y, Morton J D, Clerens S, Dyer J M. Cooking-induced protein modifications in meat., 2017, 16(1): 141-159.

[28] Wei L q, Cui B w, Jamali M A, Hui T, Liu S x, Bao Y j, Peng Z q, Zhang Y w. The mechanics of formation of heat- induced myofibrillar protein gel from rabbit psoas major., 2017, 15(2): 181-190.

[29] B?cker U, Ofstad R, Bertram H C, Egelandsdal B, Kohler A. Salt-induced changes in pork myofibrillar tissue investigated by FT-IR microspectroscopy and light microscopy., 2006, 54(18): 6733-6740.

[30] Bertram H C, Kohler A, B?cker U, Ofstad R, Andersen H J. Heat-induced changes in myofibrillar protein structures and myowater of two pork qualities. A combined FT-IR spectroscopy and low-field NMR relaxometry study., 2006, 54(5): 1740-1746.

[31] Kirschner C, Ofstad R, Skarpeid H J, H?st V, Kohler A. Monitoring of denaturation processes in aged beef loin by fourier transform infrared microspectroscopy., 2004, 52(12): 3920-3929.

[32] Hashim D M, Che Man Y B, Norakasha R, Shuhaimi M, Salmah Y, Syahariza Z A. Potential use of Fourier transform infrared spectroscopy for differentiation of bovine and porcine gelatins., 2010, 118(3): 856-860.

[33] Farifteh J, Van der Meer F, Atzberger C, Carranza E J M. Quantitative analysis of salt-affected soil reflectance spectra: A comparison of two adaptive methods (PLSR and ANN)., 2007, 110(1): 59-78.

[34] Hughes J M, Oiseth S K, Purslow P P, Warner R D. A structural approach to understanding the interactions between colour, water-holding capacity and tenderness., 2014, 98(3): 520-532.

[35] Micklandery E, Peshlovy B, Purslow P P, Engelseny S B. NMR-cooking: monitoring the changes in meat during cooking by low-field1H-NMR., 2002, 13(9/10): 341-346.

[36] 熊振杰. 基于高光譜成像技術的雞肉品質快速無損檢測[D]. 廣州: 華南理工大學, 2015.

XIONG Z J. Rapid and non-destructive detection of chicken meat quality based onhyperspectral imaging technique [D]. Guangzhou: South China University of Technology, 2015. (in Chinese)

Prediction of Center Temperature of Beijing Roast Duck Based on Quality Index

LIU YanXia1,2, WANG ZhenYu1, ZHENG XiaoChun1, ZHU YaoDi2, CHEN Li1, ZHANG DeQuan1

(1Institute of Food Science and Technology, Chinese Academy of Agricultural Sciences/Key Laboratory of Agro-Products Processing, Ministry of Agriculture and Rural Affairs, Beijing 100193;2College of Food science and Technology, Henan Agricultural University/Henan Key Laboratory of Meat Processing and Quality Safety Control, Zhengzhou 450002)

【Objective】 The aim of this study was to solve the problem in detecting center temperature of Beijing roast duck during traditional Gua-lu roasting accurately and timely. 【Method】The prediction models of center temperature were established by using multiple linear regression, partial least-squares regression, support vector regression and artificial neural network according to the quality indicators. 【Result】The results showed that the models were effective to identify center temperature of Beijing roast duck by*,*,*, deoxymyoglobin, oxymyoglobin, metmyoglobin, moisture and fat content, as well as protein secondary structure of duck breast. The R2Cof multiple linear regression and partial least-squares regression were 0.9543 and 0.9384, and SEC of 5.8205℃ and 6.7634℃, respectively. The prediction effect of multiple linear regression was better than partial least-squares regression, while the prediction model of support vector regression was superior to artificial neural network.2Cand2CVof support vector regression were 0.9837 and 0.9496, SEC and SECV were 3.5215℃ and 6.1236℃, respectively, so the support vector regression was the best prediction model of center temperature. The2Vof the verified models of support vector regression was 0.9748, and the SEV was 5.5204℃. The model obtained by support vector regression together with the modeling results could accurately predict the center temperature of Beijing roast duck. 【Conclusion】The color, myoglobin, water content, fat content and protein secondary structure of the breast of Beijing roast duck could effectively identify the central temperature. The SVR model was the most accurate prediction model for the center temperature.

Beijing roast duck; center temperature; quality; prediction model

2019-12-10；

2020-02-14

國家重點研發計劃（2016YFD0401505）

柳艷霞，E-mail：liuyanxia@henau.edu.cn。通信作者張德權，E-mail：dequan_zhang0118@126.com

（責任編輯 趙伶俐）