穩定同位素、礦質元素及可見-近紅外光譜技術在禽制品真實性鑒別中的應用研究進展

劉雅回　譚丹　母健　張昂

摘 要：禽制品在食品消費中占據很大比例，近年來，禽制品摻假、造假等事件頻發，禽制品真實性鑒別成為研究熱點。隨著摻假造假手段的多樣化，傳統的感官鑒別方法已經難以滿足禽制品真實性鑒別的需要。近年來，現代分析儀器和技術發展迅速，現代分析方法在禽制品真實性檢測中展現出優勢。本文重點闡述穩定同位素技術、礦質元素指紋技術及可見-近紅外光譜技術在禽制品真實性鑒別中的應用與發展趨勢，旨在為我國禽制品真實性鑒別研究提供參考。

關鍵詞：禽制品;同位素;礦質元素;可見-近紅外光譜

Progress in the Application of Stable Isotope Techniques， Mineral Element Fingerprint and Visible-Near Infrared Spectroscopy in the Authenticity Identification of Poultry Meat Products

LIU Yahui1，2， TAN Dan2， MU Jian2， ZHANG Ang2，*

（1.School of Food and Wine， Ningxia University， Yinchuan 750021， China;

2.Qinhuangdao Customs Technical Center， Qinhuangdao 066000， China）

Abstract： Poultry meat products account for a large proportion of food consumption. In recent years， incidents of adulteration and fraud of poultry meat products have occurred frequently， and the authenticity identification of poultry meat products has become a research hotspot. With the diversification of adulteration and counterfeiting methods， the traditional sensory evaluation methods have been unable to meet the requirements for the authenticity identification of poultry meat products. In recent years， modern analytical instruments and technologies have developed rapidly， and modern analytical methods have shown advantages in the authenticity detection of poultry meat products. This article focuses on recent trends in the application and development of stable isotope techniques， mineral element fingerprinting and visible-near infrared spectroscopy in the authenticity identification of poultry meat products， aiming to provide a reference for future research on the authenticity identification of poultry products in the country.

Keywords： poultry meat products; isotopes; mineral elements; visible-near infrared spectroscopy

DOI：10.7506/rlyj1001-8123-20210426-114

中圖分類號：TS207.7? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標志碼：A 文章編號：1001-8123（2021）11-0064-09

引文格式：

劉雅回， 譚丹， 母健， 等. 穩定同位素、礦質元素及可見-近紅外光譜技術在禽制品真實性鑒別中的應用研究進展[J].

肉類研究， 2021， 35（11）： 64-72. DOI：10.7506/rlyj1001-8123-20210426-114.? ? http：//www.rlyj.net.cn

LIU Yahui， TAN Dan， MU Jian， et al. Progress in the application of stable isotope techniques， mineral element fingerprint and visible-near infrared spectroscopy in the authenticity identification of poultry meat products[J]. Meat Research， 2021， 35（11）： 64-72. DOI：10.7506/rlyj1001-8123-20210426-114.? ? http：//www.rlyj.net.cn

禽制品在中國人的飲食結構中占據重要地位，更是人體蛋白質的重要來源。2020年我國禽肉年產量

2 361 萬t，僅次于豬肉。自1985年以來，我國雞蛋產量穩居世界第一[1]。隨著人們生活水平的提高，消費者對禽制品的關注程度越來越高，禽制品的安全性始終是人們關注的熱點之一。隨著禽制品需求的增加，越來越多的禽制品真實性問題被發現。2013年德國下薩克森州的有機雞蛋欺詐事件、英國的雞肉摻假事件等，嚴重影響了消費者的購買信心，對禽制品銷售市場產生了嚴重的不良影響，也對消費者利益和健康產生了威脅。近些年食品造假、摻假的手段增多，食品真實性鑒別的范圍也更加廣泛。食品真實性鑒別的目標主要包括產地溯源、種類鑒別、摻假鑒別、品牌鑒別、品質識別、工藝鑒定、標簽符合程度鑒定等[2-4]。禽制品中常見的摻假問題有雞肉注水、注膠及高價的禽肉肉糜中摻入低價肉或植物蛋白等。商品種類錯誤標注在禽制品銷售環節中尤為常見，如籠養雞蛋冒充散養雞蛋，普通禽制品冒充有機禽制品，低價鴨肝充當高價鵝肝等。近些年食品標簽上的地理來源信息受到了消費者的關注，Vukasovi?[5]研究表明，禽肉的產地來源已經成為影響斯洛文尼亞消費者是否購買的重要因素，產地來源的真實性對消費者也顯得尤為重要。為保障消費者的合法權益和規范禽制品市場，研究能夠正確驗證禽制品真實性的分析方法和技術具有重要意義。

目前常用于鑒別禽制品真實性的分析技術主要有以聚合酶鏈式反應、分子標記、DNA指紋圖譜等[6-8]為代表的分子生物學技術，以光譜、質譜、色譜等[9-11]為代表的理化分析技術，以電子鼻和電子舌等[12-13]為代表的人工智能技術。近年來，光譜法中的可見-近紅外光譜技術因其無損、簡便、高效的優點，被國內外研究人員廣泛關注，也越來越多地被應用于禽制品真實性鑒別研究中。目前，常用于禽制品產地溯源的技術主要是穩定同位素技術和礦質元素指紋圖譜技術[14]，禽制品中的礦質元素含量和穩定同位素比可以反映其產地、飲食等信息。禽制品的種類眾多，不法商販常在禽制品的品種、養殖方式（散養或籠養）、有機屬性上造假，用低價禽制品充當高價禽制品，以賺取差價。現有研究已經證明以散養方式生產的禽制品品質相較于普通籠養生產的禽制品更優[15-16]。有機禽制品與普通禽制品因其飼養制度的差異在營養成分含量上也存在差異[17-18]，這種差異為區分有機禽制品和普通禽制品提供了條件。目前，穩定C、N同位素比和礦質元素已被廣泛用于鑒定家禽的養殖方式和有機屬性[19-21]。本文將圍繞穩定同位素技術、礦質元素指紋技術和可見-近紅外光譜技術在禽制品真實性鑒別方面的應用展開綜述，以期為我國禽制品真實性鑒別技術的發展提供參考。

1 穩定同位素技術

1.1 穩定同位素技術應用的理論基礎

同位素是指含有相同質子數、不同中子數的一類元素，分為放射性同位素和穩定性同位素。穩定性同位素具有整合、示蹤和指示的功能，是食品真實性鑒別的良好指標。在自然界中，生物體會不斷與外界環境進行物質交換，穩定同位素會在物理、化學及生物化學作用過程中發生分餾[22]。同位素分餾受生物體代謝類型、氣候環境等多種因素影響，因此不同來源的生物體內穩定同位素比值存在差異，這種差異為禽制品的真實性鑒別提供了特征指紋。

在食品真實性鑒別技術中，常用到的穩定同位素包括C、N、H、O、S、Pb和Sr等。C、N、H、O同位素分餾受自然因素和人為因素的影響，如海拔、氣候、地球大氣循環和水循環以及農業種植條件等。土壤中S穩定同位素的豐度與該地的地質特點（火山巖、沉積巖、酸性巖和堿性巖）和工業污染有關。農作物在生長過程中會從土壤中攝取元素，因此農作物的C同位素組成一定程度上反映了該地土壤的C同位素組成[23]。S穩定同位素還與該地與海洋的距離有關，動物長期食用添加海洋生物的飼料會對其體內S穩定同位素組成產生影響[24]。Pb有4 種天然的同位素，其中204Pb半衰期很長，一般被當作穩定同位素處理。不同地區Pb同位素的組成因其地質結構、礦質元素含量、地質年齡和降水分布的不同而不同，因此Pb同位素也常用于農副產品產地溯源[25]。Sr對于自然界的生物體至關重要，它普遍存在于動物的殼和骨中。植物體中的Sr主要來源于水和土壤，進而通過食物鏈在動物體內產生富集。而土壤中的Sr與該區域的巖石性質（從基性到酸性）有關，不同性質的巖石Sr同位素的組成也不同。水體中的Sr一般來源于雨水和河流對途經流域巖石和土壤的淋洗和沖刷，所以一般不同地區土壤和水體中Sr同位素組成也不同[26]。生物體吸收Sr的過程中Sr同位素的組成不發生分餾[27]，植物體中Sr同位素的組成反映了植物生長環境中Sr同位素的組成。

1.2 穩定同位素技術在禽制品真實性鑒別中的應用

1.2.1 穩定同位素技術在禽制品產地溯源中的應用

禽制品的H、O同位素組成與家禽的飲水有關，不同地區水中H、O同位素組成不同，因此H、O同位素常被用于禽制品產地溯源。例如，Franke等[28]用δ 18O值成功區分巴西、法國、德國、匈牙利和瑞士5 國的雞胸肉樣品

（P<0.001）。H、O同位素常與C、N、S等同位素結合用于禽制品的產地溯源，如孫豐梅等[29]利用同位素比值質譜儀測定北京、山東、湖南和廣東4 省9 個不同地區雞肉粗蛋白中的δ 2H、δ 13C、δ 15N、δ 34S值（分別為4 種穩定同位素比值，下同）和相應各地飲用水中的δ 18O值，

結合多元方差分析4 省雞肉粗蛋白中的δ 2H、δ 13C、δ 15N、δ 34S值。結果表明，δ 2H、δ 13C、δ 15N、δ 34S值在不同地區的雞肉中均存在顯著差異（P<0.05），采用貝葉斯判別分析對各地雞肉產地鑒別的準確率為100%，且多同位素結合判別準確率高于單一同位素，同時該研究還發現不同地區雞肉粗蛋白中的δ 2H值和當地飲水中的δ 18O值呈極顯著正相關性（P<0.01），這進一步說明飲水是雞肉中δ 2H的重要來源，這與王慧文[30]、戴祁[31]等的研究結果一致。同時，王慧文等[30]的研究表明，雞肉粗蛋白中的δ 13C值與雞所食用的飼料高度相關。戴祁[31]測定北京昌平、天津空港、江蘇南京、山東聊城、甘肅定西、新疆阿克蘇、河南平頂山和四川成都地區雞蛋蛋清中的δ 13C、δ 15N、δ 18O、δ 2H值，結果表明，不同地區雞蛋蛋清中的δ 13C、δ 15N值存在顯著差異，由于不同地區的優勢作物不同，導致不同地區養殖蛋雞時投喂的飼料存在差異，這為產地的鑒別提供了條件。Swanson等[32]

研究家禽飼料中同位素組成對禽制品同位素組成的影響，結果證明飼料中的金屬穩定同位素會在禽制品中產生富集，影響禽制品的同位素組成。家禽飲水與飼料的選擇受地理因素影響，進而對禽制品的同位素組成產生影響，這是禽制品產地鑒別的重要依據[33]。

1.2.2 穩定同位素技術在禽制品產品類型真實性鑒別中的應用

家禽養殖方式（籠養和散養）與有機屬性的區分是禽制品行業的研究熱點。戴祁等[34]利用元素分析-穩定同位素比值質譜測定雞蛋蛋黃、蛋清和蛋殼膜中的δ 13C、δ 15N值，對比散養雞蛋和籠養雞蛋蛋清的δ 13C、δ 15N值范圍，結果表明，散養雞蛋蛋清中δ 13C、δ 15N值范圍分別為-18.00‰～-14.97‰、3.02‰～4.37‰，籠養雞蛋蛋清中δ 13C、δ 15N值范圍分別為-18.96‰～-15.98‰、1.66‰～2.68‰。可見結合δ 13C值和δ 15N值可區分散養和籠養雞蛋。Rogers[21]測定18 種籠養、倉谷飼養、散養和有機飼養的雞所產雞蛋的蛋黃、蛋白和蛋殼膜的δ 15N值。結果表明，散養和有機飼養的雞蛋蛋黃、蛋白和蛋殼膜的δ 15N值更為偏正，表明養殖方式會對雞蛋蛋黃、蛋白和蛋殼膜中N同位素組成產生影響，這與戴祁等[34]的研究結果相同，但Rogers[21]的研究中部分有機雞蛋與普通雞蛋δ 15N值相同，無法將二者完全區分。隨后Rogers等[35]

測定荷蘭49 家養殖場的籠養、谷倉、自由放養和有機飼養條件下生產的雞蛋蛋清中δ 13C值和δ 15N值，利用δ 13C值和δ 15N值成功區分了有機雞蛋和谷倉雞蛋。

Coletta等[19]對比使用同種飼料喂養的圈養雞和散養雞雞胸肉中δ 13C、δ 15N值，結果表明，二者δ 15N值存在差異，散養雞的δ 15N值更為偏正，這與散養雞額外攝入動物蛋白有關。林濤等[36]用204Pb/206Pb值結合P、K、Ca、Na、Mg、Mn、Zn、Fe、Cu 9 種元素成功區分有機雞與普通雞，鑒別準確率為100%，交叉驗證正確率為90%。在有機禽制品和普通禽制品的鑒別中，穩定同位素技術和多元素分析方法結合可有效提高產地鑒別的準確率。Lü Jun等[37]測定取自北京普通養雞場、有機養雞場和吉林普通養雞場3 種雞肉的蛋白質、脂肪、δ 13C值、δ 15N值以及12 種礦物元素（Na、Mg、K、Ca、V、Fe、Co、Ni、Cu、Rb、Ba和Pb）的含量。結果表明，有機組的雞肉蛋白質含量更高、去脂雞肉的δ 13C值和δ 15N值均更為偏正，普通組和有機組雞肉除Mg外的其他11 種元素含量均存在顯著差異（P<0.05），這些差異可為區分有機雞肉與普通雞肉提供參考依據。

綜上所述，δ 2H、δ 18O、δ 13C、δ 15N、δ 34S值是禽制品真實性鑒別的重要特征指標，金屬同位素可反映家禽的養殖環境，在禽制品真實性鑒別中有較大潛力，穩定同位素與禽制品礦質元素含量及有機組分差異相結合可進一步提高禽制品真實性鑒別準確率。飲水和飼料是影響不同地區禽制品同位素差異的關鍵因素，研究飲水和飼料中穩定同位素在家禽體內的代謝途經對禽制品真實性鑒別具有重要意義。在禽制品真實性鑒別研究中，可根據測定指標將樣品的不同組分分離后進行測定，可減少因樣品不均勻帶來的誤差，如將禽蛋蛋清和蛋黃分離后分別測定各組分穩定同位素比值。隨著穩定同位素技術的發展，樣品前處理逐漸簡化，測定效率得到提升，穩定同位素技術將會更廣泛應用于禽制品真實性鑒別。

2 礦質元素指紋鑒別技術

2.1 礦質元素指紋鑒別技術應用的理論基礎

不同地區土壤中的礦質元素組成和含量存在差異，這主要與地下巖層有關，地下巖層的風化是影響土壤礦質元素種類與含量的重要因素[38]。不同地區的地質類型不同，這使得每個地區土壤中的元素種類與含量等具有地質特異性。生物體所含礦質元素受產地環境影響，因此，各產地生物體內所含礦質元素存在差異。水和土壤是植物攝取礦質元素最直接的途經，動物需要從水和食物中獲取生長所需的礦質元素，因此不同來源生物體中的礦質元素與其生長的地理環境密切相關，可在不同程度上反映出其產地的地質特征。

礦質元素指紋鑒別技術在實際應用中存在樣本量大、變量多的問題，需引入化學計量學方法進行數據處理。如利用方差分析法可篩選樣本間存在差異的變量，利用主成分分析（principal component analysis，PCA）、線性判別分析（linear discriminant analysis，LDA）、偏最小二乘判別分析和聚類分析等可建立樣本判別模型，從而對樣品屬性進行預測。

2.2 礦質元素指紋鑒別技術在禽制品真實性鑒別中的應用

2.2.1 礦質元素指紋鑒別技術在禽制品產地溯源中的應用

Franke等[39]分析瑞士、巴西、泰國、法國、德國和匈牙利6 個國家的25 份禽肉樣品中的46 種元素。結果表明，As能準確區分泰國與其他國家的樣本，這主要與泰國飲用水中的As超標有關，Rb可將巴西、瑞士和德國的禽肉準確區分，Ti是區分法國與其他5 個國家樣本的特征元素。Franke等[40]測定取自巴西、法國、瑞士和匈牙利的56 份禽肉樣品，結合相關研究[39]進行數據分析，建立的產地判別模型判別準確率達到77%，篩選出能夠表征產區特色的As、Na、Rb、Se、Sr、Ti 6 種元素，證明了礦質元素在禽制品地理信息真實性鑒別中的可行性。Zhao Yan等[41]通過對我國4 省（黑龍江、山西、江西和福建）雞肉樣品中δ 13C、δ 15N穩定同位素和K、Ca、Na、Mg、Al、Zn、Fe、Cu、Ti、Rb、Se、Ba 12 種礦質元素的分析，篩選出能夠表征產區特色的元素為K、Zn和Rb，結合δ 13C、δ 15N建立產地判別模型，判別正確率為100%，證明礦質元素指紋鑒別技術與穩定同位素技術相結合可有效提高產地鑒別準確率。

Esposito等[42]試圖從意大利坎帕尼亞地區散養雞蛋中的微量元素分析散養雞蛋是否受到坎帕尼亞大火的影響，從坎帕尼亞雞蛋中檢測到19 種痕量元素（As、Be、Cd、Co、Cr、Cu、Hg、Mo、Mn、Ni、Pb、Sb、Se、Sn、Sr、Tl、U、V、Zn），但缺少無污染地區雞蛋進行對比。研究者已經證明飼料中的礦質元素和環境中的重金屬會在禽制品中富集[43-45]，但從特定地區生產的禽制品和該地區土壤和水源污染建立聯系，從而進行地理信息真實性鑒定的方法有待進一步研究。飲食是家禽攝入礦質元素的主要方式，Bandoniene等[46]在雞飼料中引入Tb和Tm作為元素標簽，區分標記的雞和未標記的雞。結果表明，經短時間投喂添加Tb和Tm元素的飼料后，在蛋黃、蛋殼、骨、肝臟、肉、血液和糞便中均檢測到Tb和Tm富集，且引入的元素含量足夠低，能確保產品安全。該方法可用于某些特定條件下生產的禽制品的特殊標簽，以確保禽制品的真實性。

2.2.2 礦質元素指紋鑒別技術在禽制品產品類型真實性鑒別中的應用

家禽的養殖方式決定了家禽的活動范圍和所接觸的環境，散養家禽相對于籠養家禽可從外界環境攝入一部分礦質元素。Zhu等[20]分析Ca、P、Zn、Cu、Mn、Se、Cd和Pb在自由放養和常規飼養的雞蛋中的含量。結果發現：普通雞蛋的Cu、Zn和S含量顯著高于散養雞蛋，而Mn、Pb含量則顯著低于散養雞蛋，P、Cd含量沒有顯著差異;散養雞蛋蛋黃中的Zn含量相對較低，因為散養雞生活環境更為復雜，一部分Zn用于提高自身的免疫力;散養雞可以從外界環境中攝入部分Ca和P元素，但由于散養雞在撲翼和奔跑的過程中促進其肢骨和其他骨骼生長，同時也促進了Ca和P的吸收，這使得散養雞蛋蛋黃中的Ca、P含量反而低于籠養雞。Vincevica-Gaile等[47]驗證了不同養殖類型雞蛋礦質元素差異，來自有機農場雞蛋中的Fe、Zn、Cu、Ba、Rb、Mn和Pb元素含量高于大型養殖場和普通家養雞蛋的含量，大型養殖場雞蛋礦質元素含量與普通家養雞蛋接近。De Freitas等[48]驗證了巴西傳統雞蛋與普通家養雞蛋的礦質元素含量差異，其中Ba、Cd、Co、Pb、Se、Fe、Zn、Mo元素含量具有顯著差異，這種差異和養殖方式、喂養飼料和生長環境等有關。Barbosa等[49]測定同一地區的散養蛋和非散養蛋中15 種礦質元素（As、Ba、Cd、Co、Cs、Cu、Fe、Mg、Mn、Mo、Pb、Se、Sr、V和Zn）含量，分別運用決策樹和樸素貝葉斯2 種化學計量學方法建立雞蛋養殖方式的判別模型，決策樹模型鑒別準確率為80.8%，樸素貝葉斯模型的鑒別準確率達到90.4%，證明礦質元素指紋技術可有效鑒別家禽養殖方式，選擇合適的化學計量學方法可提高鑒別準確率。

礦質元素指紋技術在禽制品的有機屬性鑒別中也有廣泛應用。例如，Matt等[50]對比發現，有機雞蛋K含量相對較高，而Ca含量相對較低。Giannenas等[51]對比有機雞蛋、常規雞蛋和庭院散養雞蛋3 種產品中的元素差異，發現Se、Zn和Gr含量在3 種雞蛋中存在差異，有機雞蛋Se含量最高，這可能是由于日常攝入飼料導致金屬元素的沉積，有機雞蛋Zn含量最低，這與Kuecuekyilmaz等[52]的研究結果一致。Borges等[53]測定巴西的有機雞蛋和常規雞蛋中的19 種元素，進行PCA，篩選出As、Co、Cr、Fe、Mn、P、Rb、Se、Tl、V 10 種礦質元素可準確區分有機雞蛋和常規雞蛋，證明了礦質元素指紋技術在禽制品有機屬性鑒定中的可行性。

陳艷珍等[54]對比山東7 種品牌雞（壽光雞、瑯琊雞、日照麻雞、魯西斗雞、蘆花雞、濟寧百日雞和萊蕪黑雞）雞蛋中的10 種礦質元素（Ca、Na、K、Mg、Fe、Zn、Cr、Cu、Mn、Pb）含量。結果表明，K、P元素在萊蕪黑雞雞蛋中含量最高，Na、Ca、Mg元素在百日雞雞蛋中含量最高，Zn、Fe、Mn、Gr元素在魯西斗雞雞蛋中含量最高，Cu元素在壽光雞和瑯琊雞雞蛋中含量最高，壽光雞雞蛋和日照麻雞雞蛋Pb含量最高。賀英等[55]在相同條件下用相同飼料飼養壩上長尾雞和海蘭褐蛋雞，5 周后取2 種雞所產的雞蛋，分析Ca、P、Zn、Fe、Mn、Se 6 種元素含量差異，結果顯示，壩上長尾雞的雞蛋中Ca、P、Zn、Fe、Mn含量均顯著高于海蘭褐蛋雞（P<0.05），表明不同品種的雞對飼料中礦質元素的吸收能力不同，這與楊小林等[56]的研究結果相同。楊小林等[56]對比相同飼養條件下阿壩州3 個不同品系藏雞所產雞蛋的礦質元素差異，結果表明，3 個品系藏雞雞蛋蛋清中P、Ba和Mn含量差異顯著（P<0.05），阿藏Ⅱ系蛋黃中B、Ca、Fe、K、Mn、P和Zn含量與阿藏Ⅰ系和Ⅲ系存在顯著差異（P<0.05），這種差異可能和不同品系的雞吸收轉化能力不同有關，說明不同品種禽制品的元素差異不僅僅是由飲食引起的。白婷等[57]僅用Mn、Mo、Cs 3 種元素成功區分了黑水鳳尾雞和普通白羽雞的雞胸肉，區分正確率達到100%。

礦質元素指紋技術已被廣泛應用于禽制品的產地溯源、品種鑒別、有機屬性鑒別等多個方面。檢測禽制品礦質元素含量一方面可用于禽制品真實性鑒別，同時可以保障禽制品的質量安全。飲食來源是影響禽制品元素組成的重要因素，家禽的消化吸收能力也會影響元素在家禽體內的累積。不同品種家禽對礦質元素的吸收能力存在差異，這是礦質元素指紋技術用于區分不同品種禽制品的理論依據。礦質元素是保證人體健康生長所必需的營養素，通過在家禽飼料中添加適量的微量元素可作為特定禽制品的產品標簽，有助于區分特定禽制品與普通禽制品，還可以對禽制品的品質起到強化作用。隨著礦質元素測定技術的發展，可準確測定的微量元素種類增多，強化了礦質元素指紋圖譜技術在禽制品真實性鑒別方面的能力。

3 可見-近紅外光譜技術在禽制品真實性鑒別中的應用

3.1 可見-近紅外光譜技術應用的理論基礎

可見-近紅外光譜的其中一段波長屬于可見光（400～760 nm）波段，另一段屬于近紅外光（780～2 526 nm）波段。幾乎所有的生物大分子物質和基團在380～2 500 nm波段均能夠形成穩定的譜圖，由于物質的成分不同，主要是O—H、C—H、C—N鍵的振動吸收不同，它們在某一特定范圍的波長下形成的譜圖也不同。可見-近紅外光譜的峰位置、峰數及峰強度包含了樣品的成分、含量及結構等眾多信息，可用來對不同樣品進行快速區分。

傳統檢測技術前處理繁瑣，耗時長，且對產品本身有損害，在檢測中受到一定的限制，建立快速、無損的檢測技術成為迫切需要。近紅外光譜技術已經被證明是一種產品真實性鑒定的可靠、高效檢測技術。目前可見-近紅外光譜技術已經在肉制品[58]、果蔬[59-60]、蜂蜜[61]和咖啡豆[62]等農副產品的真實性鑒別中廣泛應用。

3.2 可見-近紅外光譜技術在禽制品真實性鑒別中的應用

3.2.1 可見-近紅外光譜技術在禽制品產地溯源中的應用

王彬等[63]采集湖北省4 個不同地區雞蛋500～900 nm波長下的透射光譜，采用直接正交信號校正（direct orthogonal signal correction，DOSC）對光譜數據進行預處理，處理后的光譜數據經t分布式隨機鄰域嵌入（t-distributed stochastic neighbor embedding，t-SNE）和PCA降維后分別輸入至極限學習機和隨機森林中，建立雞蛋產地溯源模型。結果顯示，DOSC預處理及t-SEN提取的光譜特征信息結合隨機森林建立的模型最優，訓練集判別正確率為100%，預測集判別正確率為98.33%。吳鵬等[64]利用可見-近紅外光譜技術對山西省4 個地區雞蛋進行產地溯源，結合PCA建立的判別模型判別準確率達到100%，證明可見-近紅外光譜技術在雞蛋產地鑒別中可行。

孫瀟等[65]采集4 個不同廠家的雞肉樣本，分別采用蒸、煮和微波處理后采集近紅外光譜，對光譜數據進行聚類分析和PCA并建立產地鑒別模型。結果表明：在波數7 000～4 000 cm-1內，原始光譜經二階求導（13 點平滑）和標準正態變換（standard normal variate transform，SNV）預處理后，3 種不同加工方式處理的雞肉近紅外光譜圖均存在顯著差異，建立的判別模型識別正確率可達90%～95%。該研究證明，近紅外光譜技術可用于鑒別加工后禽肉制品的產地，對保障禽制品產地真實性有重要意義。史巖等[66]利用可見-近紅外光譜法成功區分遼寧大連、濰坊坊子、河北遵化、濰坊昌邑、濰坊諸城5 個產地的雞肉樣本，識別率和拒絕率均為100%。龔艷[67]利用可見-近紅外光譜技術分析不同產地雞胸肉中的蛋白質和水分含量，基于蛋白質和水分含量成功區分了不同產地雞胸肉，區分正確率分別可達87.5%和93.8%，可見-近紅外光譜技術可對禽制品中含O—H、C—H、C—N鍵的成分進行快速檢測，如脂肪、蛋白質和水分，進而通過禽制品成分差異來區分不同產地的禽制品。

3.2.2 可見-近紅外光譜技術在禽制品產品類型真實性鑒別中的應用

Cozzolino等[68]用可見-近紅外光譜法分析牛肉、羊肉、豬肉和雞肉400～2 500 nm波長的光譜特征，建立4 種樣品的PCA判別模型和偏最小二乘判別模型，判別識別率超過85%，該研究證明了可見-近紅外光譜法在識別不同肉類方面具有潛力，可應用于禽肉制品的鑒別。在不同肉類的鑒別中，不同波長下吸收帶的形成主要與肉中的血紅蛋白、水、脂肪和脂肪酸有關。在Rannou等[69]的研究中，雞肉和火雞肉主要光譜特征差異存在于536 nm和574 nm波長處，差異與肌紅蛋白和氧合肌紅蛋白有關，不同肉類中呈色物質的差異可作為鑒別不同禽制品的指標。

可見-近紅外光譜技術在不同品種禽肉產品的鑒別中也有應用。向靈孜等[70]利用可見-近紅外光譜技術成功區分了散養土雞雞肉和常規飼養的白羽肉雞雞肉，建立的聚類分析產品預測模型預測正確率高達100%。不同品種禽肉理化性質之間的差異是可見-近紅外光譜技術在禽肉真實性鑒別應用中的前提，Ding Haibiao等[71]的研究證明，土雞肉和肉雞肉的光譜差異與2 種雞肉膠原蛋白、脂肪含量、pH值及色度值的差異有關。雞胸肉的表面特征（如纖維大小）對分類會產生影響，肌肉切碎時其生物學特性會發生改變，這種改變產生的散射效應會影響肌肉本身的光譜信息，因此需要消除其影響。龔艷等[72]掃描3 種不同品種的雞肉切塊和雞肉糜1 000～2 500 nm波長范圍內的光譜，利用偏最小二乘法建立判別模型，鑒別準確率分別為100.0%和97.7%，脂肪含量的差異是區分不同品種禽制品的重要指標。可見-近紅外光譜技術作為一種可快速、無損預測肌肉脂肪含量的技術[73]，可用于不同品種禽肉的快速無損鑒別。王彬[74]利用可見-近紅外光譜技術成功區分了湖北4 個不同地區雞蛋，利用增強回歸樹算法建立雞蛋的品種鑒別模型，模型訓練集和預測集的判別正確率分別為98.33%和97.00%，該研究表明，可見-近紅外光譜技術可用于不同品種雞蛋的無損鑒別。

3.2.3 可見-近紅外光譜技術在禽制品其他真實性問題鑒別中的應用

可見-近紅外光譜技術在肉雞木質肉鑒定、雞肉和雞蛋品質屬性預測以及熟制雞肉摻假鑒定等多個方面均有應用（表1）。Geronimo等[75]利用近紅外光譜技術結合計算機視覺系統獲取了同一養殖場80 份雞胸肉的近紅外光譜信息，并表征了樣品的理化信息和技術參數，利用支持向量機（support vector machine，SVM）建立雞肉木質肉的判別模型，模型判別準確率為91.8%。Rahim等[76]利用近紅外光譜技術預測雞胸肉嫩度，以Warner-Bratzler剪切儀測定結果作為標準進行比較，結果表明，近紅外光譜技術預測準確率超過85%。Abdel-Nour等[77]采購相同飼養條件下生產的360 枚新鮮雞蛋，將其置于溫度和相對濕度恒定（溫度18 ℃、相對濕度55%）的環境中貯藏16 d，并在0、2、4、6、8、10、12、14、16 d各取40 枚雞蛋掃描可見-近紅外光譜數據，并測定雞蛋的哈夫單位及蛋白pH值，建立偏最小二乘判別模型。結果表明，雞蛋的哈夫單位和蛋白pH值的測量值與保存時間預測值之間的相關系數最高分別可達0.94和0.90，可見-近紅外光譜法是評估雞蛋新鮮度和測定雞蛋哈夫單位和蛋白pH值的有效工具。

Word等[78]的研究表明，近紅外技術可以對肌肉中蛋白質含量以及水與肌肉結合的緊密程度進行量化，這是近紅外技術可以成功區分木質肉和正常肉的主要原因。除此之外，近紅外光譜中還包含雞肉的顏色、剩余血液量和木質化程度等眾多信息，這為木質化禽肉的鑒別提供了條件。劉平[82]研究發現，雞蛋粉中摻入其他成分會導致雞蛋粉的吸光度發生變化，波峰和波形的變化受摻入物質的結構影響，選擇合適的光譜預處理方法有助于摻假雞蛋粉的鑒別。在禽制品摻假鑒別中，建立模型時選擇合適的主成分也尤為重要，主成分選擇過少不足以反映樣品的全部信息，選擇過多則會增加無用的數據量，導致信噪比降低[81]。

綜上所述，可見-近紅外光譜技術在禽制品真實性鑒別中有一定的應用價值。相對其他技術而言，可見-近紅外光譜技術有無需前處理、快速、高效的優勢，能在無損條件下實現對物質結構、成分含量及變化的監測，用于解決摻假、產地溯源和品質預測等多種禽制品真實性問題。在禽制品真實性鑒別的實際應用中，需考慮外界因素的影響，如環境光線變化和樣品取樣部位的透光性差異。可見-近紅外光譜包含的信息量大，不同成分之間會產生干擾，選擇合適的光譜預處理方法可減少數據冗余，有助于模型建立。

4 結 語

在禽制品真實性檢測中，礦質元素指紋鑒別技術、穩定同位素技術和可見-近紅外光譜技術都能夠簡單、快速、準確地檢測禽制品的特征信息，是禽制品真實性檢測的有效手段，但各自均具有一定的適用范圍，因此針對不同禽制品真實性問題選擇合適的檢測技術尤為重要。目前研究仍存在以下幾方面的問題：1）在禽制品真實性鑒別中，測定的樣本數量有限，建立的鑒別模型和數據庫具有一定的局限性，且誤差較大，需增加樣本量來提高判別準確率;2）家禽飼料的選擇受多種因素影響，商品飼料的使用縮小了不同產區家禽飲食間的差異，為產地鑒別增加了難度，需結合相對穩定的特征因子進行鑒別，如飲水中H、O同位素;3）穩定同位素檢測儀器昂貴，檢測成本較高，建立完整的鑒別系統需要大量數據支撐，導致其在禽制品真實性鑒別中的應用十分有限，需不斷研發新的檢測技術，降低穩定同位素的檢測成本。

綜合來看，單一技術無法滿足所有禽制品真實性問題的檢測，多技術聯用是未來的一大發展趨勢，在此基礎上結合化學計量學統計方法，可有效降低誤差，提高鑒別準確率;為適應現代食品工業快速、高效的技術特點，手持式和便攜式檢測儀器的研發成為一個新的研究方向，可見-近紅外光譜技術在手持式和便攜式的檢測設備研發中具有良好的應用前景。隨著人們生活水平的提高，禽制品的真實性被越來越多的消費者所重視，通過發展禽制品真實性分析技術可以有效減少禽制品真實性問題的發生，為保障食品安全提供技術支撐。

參考文獻：

[1] 秦富. 我國蛋雞產業發展現狀問題及建議[J]. 北方牧業， 2017（23）： 10-11.

[2] MCGRATH T F， HAUGHEY S A， PATTERSON J， et al. What are the scientific challenges in moving from targeted to non-targeted methods for food fraud testing and how can they be addressed？ Spectroscopy case study[J]. Trends in Food Science and Technology， 2018， 76：?38-55. DOI：10.1016/j.tifs.2018.04.001.

[3] DANEZIS G P， TSAGKARIS A S， CAMIN F， et al. Food authentication： techniques， trends and emerging approaches[J]. TrAC Trends in Analytical Chemistry， 2016， 85： 123-132. DOI：10.1016/j.trac.2016.02.026.

[4] EVERSTINE K， SPINK J， KENNEDY S. Economically motivated adulteration （EMA） of food： common characteristics of EMA incidents[J]. Journal of Food Protection， 2013， 76（4）： 723-735. DOI：10.4315/0362-028X.JFP-12-399.

[5] VUKASOVI? T. Consumer perception of poultry meat and the importance of country of origin in a purchase making process[J]. World’s Poultry Science Journal， 2009， 65（1）： 65-74. DOI：10.1017/S0043933909000051.

[6] XIAO Mingya， CHEN Yang， CHU Haijiao， et al. Development of a polymerase chain reaction： nucleic acid sensor assay for the rapid detection of chicken adulteration[J]. LWT-Food Science and Technology， 2020， 131： 109679. DOI：10.1016/j.lwt.2020.109679.

[7] STAMOULIS P， STAMATIS C， SARAFIDOU T， et al. Development and application of molecular markers for poultry meat identification in food chain[J]. Food Control， 2010， 21（7）： 1061-1065. DOI：10.1016/j.foodcont.2009.12.027.

[8] COTTENET G， SONNARD V， BLANCPAIN C， et al. A DNA macro-array to simultaneously identify 32 meat species in food samples[J]. Food Control， 2016， 67： 135-143. DOI：10.1016/j.foodcont.2016.02.042.

[9] DENIZ E， ALTUNTAS E G， AYHAN B， et al. Differentiation of beef mixtures adulterated with chicken or turkey meat using FTIR spectroscopy[J]. Journal of Food Processing and Preservation， 2018， 42（10）： e13767. DOI：10.1111/jfpp.13767.

[10] FORNAL E， MONTOWSKA M. Species-specific peptide-based liquid chromatography-mass spectrometry monitoring of three poultry species in processed meat products[J]. Food Chemistry， 2019， 283： 489-498. DOI：10.1016/j.foodchem.2019.01.074.

[11] H?FNER L， KALKHOF S， JIRA W. Authentication of nine poultry species using high-performance liquid chromatography-tandem mass spectrometry[J]. Food Control， 2020， 122： 107803. DOI：10.1016/j.foodcont.2020.107803.

[12] TIAN Xiaojing， WANG Jun， SHEN Ruiqian， et al. Discrimination of pork/chicken adulteration in minced mutton by electronic taste system[J]. International Journal of Food Science and Technology， 2019， 54（3）： 670-678. DOI：10.1111/ijfs.13977.

[13] ZAUKUU J L Z， GILLAY Z， KOVACS Z. Standardized extraction techniques for meat analysis with the electronic tongue： a case study of poultry and red meat adulteration[J]. Sensors， 2021， 21（2）： 481. DOI：10.3390/s21020481.

[14] TZOUROS N E， ARVANITOYANNIS I S. Agricultural produces： synopsis of employed quality control methods for the authentication of foods and application of chemometrics for the classification of foods according to their variety or geographical origin[J]. Critical Reviews in Food Science and Nutrition， 2001， 41（4）： 287-319. DOI：10.1080/20014091091823.

[15] 陳杰， 趙鴻杰， 玄祖迎， 等. 不同養殖模式對貴妃雞肌纖維特性和肉品質的影響[J]. 中國家禽， 2015， 37（18）： 28-31. DOI：10.16372/j.issn.1004-6364.2015.18.007.

[16] 吉小鳳， 楊華， 李銳， 等. 不同飼養模式雞蛋品質及營養成分比較研究[J]. 農產品質量與安全， 2019（4）： 65-68. DOI：10.3969/j.issn.1674-8255.2019.04.013.

[17] Kü?üKYILMAZ K， BOZKURT M， YAMANER C， et al. Effect of an organic and conventional rearing system on the mineral content of hen eggs[J]. Food Chemistry， 2012， 132（2）： 989-992. DOI：10.1016/j.foodchem.2011.11.084.

[18] CASTELLINI C， BERRI C， BIHAN-DUVAL E L， et al. Qualitative attributes and consumer perception of organic and free-range poultry meat[J]. World’s Poultry Science Journal， 2008， 64（4）： 500-512. DOI：10.1017/S0043933908000172.

[19] COLETTA L D， PEREIRA A L， COELHO A， et al. Barn vs. free-range chickens： differences in their diets determined by stable isotopes[J]. Food Chemistry， 2012， 131（1）： 155-160. DOI：10.1016/j.foodchem.2011.08.051.

[20] ZHU S B， ZHAO Q Y， LIU B L， et al. Variations in yolk mineral element contents from different chicken rearing systems： eggs analyzed by inductively coupled plasma mass spectrometry[J]. Advance Journal of Food Science and Technology， 2015， 7（7）： 530-533. DOI：10.5901/mjss.2015.v6n2s2p173.

[21] ROGERS K M. Stable isotopes as a tool to differentiate eggs laid by caged， barn， free range， and organic hens[J]. Journal of Agricultural and Food Chemistry， 2009， 57（10）： 4236-4242. DOI：10.1021/jf803760s.

[22] 林光輝. 穩定同位素生態學[M]. 北京： 高等教育出版社， 2013： 66-75.

[23] 劉賢趙， 張勇， 宿慶， 等. 現代陸生植物碳同位素組成對氣候變化的響應研究進展[J]. 地球科學進展， 2014， 29（12）： 1341-1354. DOI：10.11867/j.issn.1001-8166.2014.12.1341.

[24] CRITTENDEN R G， ANDREW A S， LEFOURNOUR M， et al. Determining the geographic origin of milk in Australasia using multi-element stable isotope ratio analysis[J]. International Dairy Journal， 2007， 17（5）： 421-428. DOI：10.1016/j.idairyj.2006.05.012.

[25] 黃志勇， 楊妙峰， 莊峙廈， 等. 利用鉛同位素比值判斷丹參不同產地來源[J]. 分析化學， 2003（9）： 1036-1039. DOI：10.3321/j.issn：0253-3820.2003.09.003.

[26] 劉向陽， 謝若男， 王茹夢. 利用鍶同位素對農產品原產地溯源的研究[J]. 質量與認證， 2020（4）： 69-71.

[27] CAPO R C， STEWART B W， CHADWICK O A. Strontium isotopes as tracers of ecosystem processes： theory and methods[J]. Geofisica Internacional， 1998， 82（1/3）： 197-225. DOI：10.1016/S0016-7061（97）00102-X.

[28] FRANKE B M， KOSLITZ S， MICAUX F， et al. Tracing the geographic origin of poultry meat and dried beef with oxygen and strontium isotope ratios[J]. European Food Research and Technology， 2008， 226（4）： 761-769. DOI：10.1007/s00217-007-0588-x.

[29] 孫豐梅， 王慧文， 楊曙明. 穩定同位素碳、氮、硫、氫在雞肉產地溯源中的應用研究[J]. 分析測試學報， 2008（9）： 925-929. DOI：10.3969/j.issn.1004-4957.2008.09.005.

[30] 王慧文， 楊曙明， 程永友. 雞肉中穩定同位素組成與飼料和飲水關系的研究[J]. 分析科學學報， 2008， 24（1）： 47-50.

[31] 戴祁. 穩定同位素在雞蛋鑒別及溯源中的應用研究[D]. 天津： 天津科技大學， 2016： 42-45.

[32] SWANSON C A， REAMER D C， CLAUDE V， et al. Intrinsic labeling of chicken products with a stable isotope of selenium （76Se）[J].?Journal of Nutrition， 1983， 113（4）： 793-799. DOI：10.1093/jn/113.4.793.

[33] REES G， KELLY S D， CAIRNS P， et al. Verifying the geographical origin of poultry： the application of stable isotope and trace element （SITE） analysis[J]. Food Control， 2016， 67： 144-154. DOI：10.1016/j.foodcont.2016.02.018.

[34] 戴祁， 鐘其頂， 王道兵， 等. 散養與籠養雞蛋中穩定碳氮同位素特征研究[J]. 質譜學報， 2016， 37（4）： 366-373. DOI：10.7538/zpxb.2016.37.04.0366.

[35] ROGERS K M， RUTH S M V， ALEWIJN M， et al. Verification of egg farming systems from the Netherlands and New Zealand using stable isotopes[J]. Journal of Agricultural and Food Chemistry， 2015， 63（38）： 8372-8380. DOI：10.1021/acs.jafc.5b01975.

[36] 林濤， 劉興勇， 邵金良， 等. 應用鉛同位素比值和元素含量分析法識別有機雞樣品真實性[J]. 食品科學技術學報， 2018， 36（6）： 101-106. DOI：10.3969/j.issn.2095-6002.2018.06.015.

[37] Lü Jun， ZHAO Yan. Combined stable isotopes and multi-element analysis to research the difference between organic and conventional chicken[J]. Food Analytical Methods， 2016， 10（2）： 347-353. DOI：10.1007/s12161-016-0588-1.

[38] 周東曉， 彭渤， 王勤， 等. 揚子地臺西緣下寒武統黑色頁巖土壤元素地球化學特征[J]. 礦物巖石地球化學通報， 2020， 39（1）： 66-78. DOI：10.19658/j.issn.1007-2802.2019.38.119.

[39] FRANKE B M， HALDIMANN M， REIMANN J， et al. Indications for the applicability of element signature analysis for the determination of the geographic origin of dried beef and poultry meat[J]. European Food Research and Technology， 2007， 225（3/4）： 501-509. DOI：10.1007/s00217-006-0446-2.

[40] FRANKE B M， HALDIMANN M， GREMAUD G， et al. Element signature analysis： its validation as a tool for geographic authentication of the origin of dried beef and poultry meat[J]. European Food Research and Technology， 2008， 227（3）： 701-708. DOI：10.1007/s00217-007-0776-8.

[41] ZHAO Yan， ZHANG Bin， GUO Bin， et al. Combination of multi-element and stable isotope analysis improved the traceability of chicken from four provinces of China[J]. CyTA-Journal of Food， 2016， 14（2）： 163-168. DOI：10.1080/19476337.2015.1057235.

[42] ESPOSITO M， CAVALLO S， CHIARAVALLE E， et al. Trace elements in free-range hen eggs in the Campania region （Italy） analyzed by inductively coupled plasma mass spectrometry （ICP-MS）[J].?Environmental Monitoring and Assessment， 2016， 188（6）： 326. DOI：10.1007/s10661-016-5316-1.

[43] ZHUANG Ping， ZOU Huiling， SHU Wensheng. Biotransfer of heavy metals along a soil-plant-insect-chicken food chain： field study[J]. Journal of Environmental Sciences， 2009， 21（6）： 849-853. DOI：10.1016/S1001-0742（08）62351-7.

[44] 宗航， 牛夢曉， 鮑穎穎， 等. 日糧不同微量元素水平對蛋雞生產性能日糧不同微量元素水平對蛋雞生產性能、蛋品質及營養物質表觀代謝率的影響[J]. 中國家禽， 2019， 41（10）： 36-40. DOI：10.16372/j.issn.1004-6364.2019.10.007.

[45] BAHAKAIM A， MAGIED H A， OSMAN S， et al. Effect of using different levels and sources of zinc in layer’s diets on egg zinc enrichment[J]. Egyptian Poultry Science Journal， 2014， 34（1）： 39-56. DOI：10.21608/epsj.2014.5305.

[46] BANDONIENE D， WALKNER C， ZETTL D， et al. Rare earth element labeling as a tool for assuring the origin of eggs and poultry products[J]. Journal of Agricultural and Food Chemistry， 2018， 66（44）： 11729-11738. DOI：10.1021/acs.jafc.8b03828.

[47] VINCEVICA-GAILE Z， GAGA K， KLAVINS M. Food and environment： trace element content of hen eggs from different housing types[J]. APCBEE Procedia， 2013， 5： 221-226. DOI：10.1016/j.apcbee.2013.05.038.

[48] DE FREITAS R， RAMOS NACANO L， LEMOS BATISTA B， et al. Toxic and essential elements in conventional and home-produced eggs by ICP-MS analysis[J]. Food Additives and Contaminants： Part B， 2013， 6（1）： 30-35. DOI：10.1080/19393210.2012.721095.

[49] BARBOSA R M， NACANO L R， FREITAS R， et al. The use of decision trees and nave bayes algorithms and trace element patterns for controlling the authenticity of free-range-pastured hens’ eggs[J]. Journal of Food Science， 2015， 79（9）： C1672-C1677. DOI：10.1111/1750-3841.12577.

[50] MATT D， VEROMANN E， LUIK A. Effect of housing systems on biochemical composition of chicken eggs[J]. Agronomy Research， 2009， 7（2）： 662-667. DOI：10.3382/ps.0481013.

[51] GIANNENAS I， NISIANAKIS P， GAVRIIL A， et al. Trace mineral content of conventional， organic and courtyard eggs analysed by inductively coupled plasma mass spectrometry?（ICP-MS）[J]. Food Chemistry， 2009， 114（2）： 706-711. DOI：10.1016/j.foodchem.2008.09.079.

[52] KUECUEKYILMAZ K， BOZKURT M， YAMANER C， et al. Effect of an organic and conventional rearing system on the mineral content of hen eggs[J]. Food Chemistry， 2012， 132（2）： 989-992. DOI：10.1016/j.foodchem.2011.11.084.

[53] BORGES E M， VOLMER D A， GALLIMBERTI M， et al. Evaluation of macro- and microelement levels for verifying the authenticity of organic eggs by using chemometric techniques[J]. Analytical Methods， 2015， 7（6）： 2577-2584. DOI：10.1039/C4AY02986.

[54] 陳艷珍， 張錄強， 宋新華， 等. 山東7 個地方雞品種雞蛋中礦物質元素含量的比較研究[J]. 微量元素與健康研究， 2006（6）： 32-34. DOI：10.3969/j.issn.1005-5320.2006.06.014.

[55] 賀英， 常麗， 關學敏， 等. 籠養條件下壩上長尾雞與海蘭褐蛋雞的雞蛋營養成分和蛋品質比較[J]. 動物營養學報， 2019， 31（8）： 3535-3542. DOI：10.3969/j.issn.1006-267x.2019.08.014.

[56] 楊小林， 何世明， 吳錦波， 等. 阿壩州藏雞雞蛋礦物質元素含量的比較研究[J]. 湖北農業科學， 2018， 57（5）： 107-110. DOI：10.14088/j.cnki.issn0439-8114.2018.05.026.

[57] 白婷， 蔡浩洋， 鄧銀華， 等. 基于微量元素指紋圖譜對黑水鳳尾雞進行產地溯源的研究[J]. 中國測試， 2018， 44（9）： 57-62. DOI：10.11857/j.issn.1674-5124.2018.09.011.

[58] LóPEZ-MAESTRESALAS A， INSAUSTI K， JAREN C， et al.

Detection of minced lamb and beef fraud using NIR spectroscopy[J]. Food Control， 2018， 98： 465-473. DOI：10.1016/j.foodcont.2018.12.003.

[59] BORBA K R， AYKAS D P， MILANI M I， et al. Portable near infrared spectroscopy as a tool for fresh tomato quality control analysis in the field[J]. Applied Sciences， 2021， 11（7）： 3209. DOI：10.3390/app11073209.

[60] Lü Chenfei， YANG Jinghui， LIU Yanjun， et al. Identification of true and false Aksu apple based on NIRS and PLS-DA[J]. IOP Conference Series Earth and Environmental Science， 2019， 310（4）： 042005. DOI：10.1088/1755-1315/310/4/042005.

[61] ALIAO-GONZáLEZ M J， FERREIRO-GONZáLEZ M， ESPADA-BELLIDO E， et al. A screening method based on visible-NIR spectroscopy for the identification and quantification of different adulterants in high-quality honey[J]. Talanta， 2019， 203： 235-241. DOI：10.1016/j.talanta.2019.05.067.

[62] ARBOLEDA E R. Discrimination of civet coffee using near infrared spectroscopy and artificial neural network[J]. International Journal of Advanced Computer Research， 2018， 8（39）： 324-334. DOI：10.19101/IJACR.2018.839007.

[63] 王彬， 王巧華， 肖壯， 等. 基于可見-近紅外光譜及隨機森林的雞蛋產地溯源[J]. 食品工業科技， 2017， 38（24）： 243-247. DOI：10.13386/j.issn1002-0306.2017.24.047.

[64] 吳鵬， 宋海燕， 楊威， 等. 基于近紅外光譜的雞蛋產地溯源[J].?食品工業科技， 2020， 41（22）： 227-231. DOI：10.13386/j.issn1002-0306.2020020107.

[65] 孫瀟， 史巖. 近紅外光譜技術對加工后雞肉產地溯源的研究[J].?現代食品科技， 2015， 31（6）： 315-321. DOI：10.13982/j.mfst.1673-9078.2015.6.050.

[66] 史巖， 趙田田， 陳海華， 等. 基于近紅外光譜技術的雞肉產地溯源[J]. 中國食品學報， 2014， 14（12）： 198-204. DOI：10.16429/j.1009-7848.2014.12.006.

[67] 龔艷. 近紅外光譜法用于雞肉定性鑒別及定量分析研究[D]. 北京： 中國農業科學院， 2015： 24-26. DOI：10.7666/d.Y2788033.

[68] COZZOLINO D， MURRAY I. Identification of animal meat muscles by visible and near infrared reflectance spectroscopy[J]. LWT-Food Science and Technology， 2004， 37（4）： 447-452. DOI：10.1016/j.lwt.2003.10.013.

[69] RANNOU H， DOWNEY G. Discrimination of raw pork， chicken and turkey meat by spectroscopy in the visible， near-and mid-infrared ranges[J]. Analytical Communications， 1997， 34（12）： 401-404. DOI：10.1039/A707694K.

[70] 向靈孜， 郭培源. 近紅外光譜分析技術在雞肉分類檢測中的應用[J]. 食品科學技術學報， 2014， 32（6）： 66-71. DOI：10.3969/j.issn.2095-6002.2014.06.013.

[71] DING Haibiao， XU Ruojun， CHAN D K O. Identification of broiler chicken meat using a visible/near-infrared spectroscopic technique[J]. Journal of the Science of Food and Agriculture， 1999， 79（11）： 1382-1388. DOI：10.1002/（SICI）1097-0010（199908）79：113.0.CO;2-U.

[72] 龔艷， 湯曉艷， 王敏， 等. 近紅外光譜法對雞肉品種的快速無損鑒別[J].?食品科學， 2015， 36（16）： 148-152. DOI：10.7506/spkx1002-6630-201516027.

[73] FOWLER S M， MORRIS S， HOPKINS D L. Preliminary investigation for the prediction of intramuscular fat content of lamb in situ using a hand-held NIR spectroscopic device[J]. Meat Science， 2020， 166： 108153. DOI：10.7506/spkx1002-6630-201516027.

[74] 王彬. 基于電子鼻及可見-近紅外光譜的雞蛋品種及產地鑒別研究[D]. 武漢： 華中農業大學， 2018： 59-60.

[75] GERONIMO B C， MASTELINI S M， CARVALHO R H， et al.?Computer vision system and near-infrared spectroscopy for identification and classification of chicken with wooden breast， and physicochemical and technological characterization[J]. Infrared Physics and Technology， 2019， 96： 303-310. DOI：10.1016/j.infrared.2018.11.036.

[76] RAHIM H A， GHAZALI R. The application of near-infrared spectroscopy for poultry meat grading[C]//IEEE 8th International colloquium on signal processing and its applications （CSPA）. Malacca， Malaysia： IEEE， 2012： 58-62. DOI：10.1109/CSPA.2012.6194691.

[77] ABDEL-NOUR N， NGADI M， PRASHER S， et al. Prediction of egg freshness and albumen quality using visible/near infrared spectroscopy[J]. Food and Bioprocess Technology， 2011， 4（5）：?731-736. DOI：10.1007/s11947-009-0265-0.

[78] WOLD J P， M?GE I， L?VLAND A， et al. Near-infrared spectroscopy detects woody breast syndrome in chicken fillets by the markers protein content and degree of water binding[J]. Poultry Science， 2019， 98（1）： 480-490. DOI：10.3382/ps/pey351.

[79] ZAID A， ABU-KHALAF N， MUDALAL S， et al. Differentiation between normal and white striped turkey breasts by visible/near infrared spectroscopy and multivariate data analysis[J]. Food Science of Animal Resources， 2020， 40（1）： 96-105. DOI：10.5851/kosfa.2019.e88.

[80] NOLASCO PEREZ I M， BADARó A T， BARBON S， Jr， et al. Classification of chicken parts using a portable near-infrared （NIR） spectrophotometer and machine learning[J]. Applied Spectroscopy， 2018， 72（12）： 1774-1780. DOI：10.1177/0003702818788878.

[81] 石佳， 柳興國. 基于紅外特征光譜的熟制雞肉鑒別技術研究[J]. 中國調味品， 2020， 45（2）： 154-156; 170. DOI：10.3969/j.issn.1000-9973.2020.02.035.

[82] 劉平. 基于近紅外和高光譜檢測雞蛋粉摻假的研究[D]. 武漢： 華中農業大學， 2017： 85.

[83] LYON B G， WINDHAM W R， LYON C E， et al. Sensory characteristics and near-infrared spectroscopy of broiler breast meat from various chill-storage regimes[J]. Journal of Food Quality， 2001， 24（5）： 435-452. DOI：10.1111/j.1745-4557.2001.tb00621.x.

[84] DONG Xiaoguang， ZHANG Beibei， DONG Jun， et al. Egg freshness prediction using a comprehensive analysis based on visible near infrared spectroscopy[J]. Spectroscopy Letters， 2020， 53（7）： 512-522. DOI：10.1080/00387010.2020.1787455.

[85] HSIEH C， CHEN Y R， DEY B P， et al. Separating septicemic and normal chicken livers by visible/near-infrared spectroscopy and back-propagation neural networks[J]. Transactions of the ASAE， 2002， 45（2）： 459-469. DOI：10.13031/2013.8515.

收稿日期：2021-04-26

基金項目：“十三五”國家重點研發計劃重點專項（2017YFC1601703）;海關總署科技項目（2020HK215;2020HK216）

第一作者簡介：劉雅回（1995—）（ORCID： 0000-0002-5135-5632），男，碩士研究生，研究方向為食品加工與安全。

E-mail： 1454408915@qq.com

*通信作者簡介：張昂（1982—）（ORCID： 0000-0002-1955-1430），男，高級工程師，博士，研究方向為葡萄酒及大宗農產品真實性檢測技術。E-mail： zhanganggrape@hotmail.com