摘 要：采用傅里叶变换近红外光谱仪和化学计量学方法，探究以近红外为手段的金枪鱼新鲜度指标快速检测技术。选取不同品种、不同贮藏时间下的金枪鱼分割肉块作为研究对象，在4 000～12 000 cm-1波数范围内采集金枪鱼肉样的近红外光谱数据，应用偏最小二乘法（partial least squares regression，PLS）建立K值、硫代巴比妥酸（thiobarbituric acid value，TBA）值、高铁肌红蛋白（metmyoglobin，MetMb）含量、pH值、亮度值（L*）和红度值（a*）等新鲜度指标的定量预测模型，经光谱分析和不同预处理方法优化后，模型能够实现对K值、TBA、MetMb含量、pH值、L*和a*的快速检测，校正相关系数（correlation coefficient of calibration set，RC）分别为0.876 7、0.908 7、0.893 7、0.753 2、0.815 0和0.723 2，内部交互验证校正标准偏差（root mean square error of cross validation，RMSECV）分别为3.641 1、0.654 8、4.700 9、0.053 4、1.286 3和1.317 3。经过外部验证集验证和T检验，模型得到的预测值与真实值之间没有显著性差异（P>0.05），说明预测结果准确可靠，可以作为金枪鱼新鲜度检测的有效手段。

关键词：近红外；金枪鱼；新鲜度；快速检测

Abstract： The objective of this work was to investigate the potential of Fourier transform near infrared reflectance （FT-NIR） spectroscopy and chemometrics methods to rapidly determine tuna meat freshness. NIR spectra of meat cuts from different tuna species stored for different durations were recorded in the wavenumber range of 4000?12000 cm-1 and preprocessed for the establishment of a quantitative model to predict K value， thiobarbituric acid （TBA） value， metmyoglobin （MetMb） content， pH， L* value and a* value of tuna meat using partial least squares regression （PLSR） method. The results indicated that all above parameters could be predicted quickly and accurately by the developed models with correlation coefficients of calibration set （RC） of 0.876 7， 0.908 7， 0.893 7， 0.753 2， 0.815 0 and 0.723 2， and root mean square errors of cross validation （RMSECV） of 3.641 1， 0.654 8， 4.700 9， 0.053 4， 1.286 3 and 1.317 3， respectively. The models were validated using an external test set and T-test. It was found that no significant difference existed between the predicted values and the actual values （P > 0.05）. Accordingly， the models were reliable and could be used to predict the freshness of tuna meat.

Key words： near infrared reflectance spectroscopy （NIR）； tuna； freshness； rapid detection

DOI：10.7506/rlyj1001-8123-201704008

中圖分类号：TS254.7 文献标志码：A 文章编号：1001-8123（2017）04-0043-07

引文格式：

陶瑞， 史智佳， 贡慧， 等. 傅里叶变换近红外光谱技术快速检测金枪鱼新鲜度[J]. 肉类研究， 2017， 31（4）： 43-49. DOI：10.7506/rlyj1001-8123-201704008. http：//www.rlyj.pub

TAO Rui， SHI Zhijia， GONG Hui， et al. Rapid determination of tuna meat freshness based on fourier transform near infrared reflectance spectroscopy （FT-NIR）[J]. Meat Research， 2017， 31（4）： 43-49. DOI：10.7506/rlyj1001-8123-201704008. http：//www.rlyj.pub

金枪鱼又名鲔鱼、吞拿鱼，是全球重要的大型远洋性商品食用鱼之一。金枪鱼肉质柔嫩鲜美，肉色红润鲜亮，营养成分丰富，含有大量的肌红蛋白、不饱和脂肪酸和必需氨基酸，能有效预防贫血、降低胆固醇、保护肝脏等，被视作营养健康的重要鱼种，为日本、欧美等发达国家所青睐。近年来，随着我国经济的发展和饮食文化的不断繁荣，消费者越来越注重食品的营养、健康与安全，金枪鱼在我国的消费量不断增加。但是作为远洋鱼种，金枪鱼在长途运输和贮藏过程中很容易因环境或微生物、酶的作用而腐败变质，影响它的营养价值和食用安全。新鲜度是评价金枪鱼品质的重要指标，也是企业生产加工时的重要参考，对于确保产品消费价值，预测货架期具有十分重要的意义[1-2]。传统的鱼肉新鲜度检测多以K值、硫代巴比妥酸（thiobarbituric acid，TBA）值等破坏性方法为主，不仅过程复杂、费时费力、时效性差，还会造成原料的大量污染和浪费，无法满足企业和消费者对检测方法快速无损的要求。

近红外光谱技术（near infrared spectroscopy，NIRS）作为一种快速、准确、绿色无污染的检测分析技术在肉及肉制品分析领域有着非常广泛的应用。尤其鱼类产品在贮藏过程中，与品质变化相关的C—H、O—H、N—H和C=O等的倍频及合频吸收谱带主要表现在近红外光区，通过这些化学键的红外吸收变化便可以检测原样品的新鲜度信息[3-4]。一些研究[5-15]表明，近红外光谱技术在猪肉、鸡肉、鸡蛋、鳕鱼、鲫鱼、鲑鱼等肉和肉制品新鲜度分析检测中有着良好的预测效果

（R>0.75），但是目前针对金枪鱼新鲜度的快速检测还鲜有报道。因此，有必要借助近红外技术，建立一套快速、有效的新鲜度检测方法，减少浪费的同时，为金枪鱼的品质保藏和货架期预测提供有效依据。

本实验采用傅里叶变换近红外光谱仪，针对金枪鱼的贮藏条件和品质特点，在肉块状态下对不同品种、不同贮存时间下的金枪鱼新鲜度进行快速检测，建立了

K值、TBA值、高铁肌红蛋白（metmyoglobin，MetMb）含量、pH值和颜色值（亮度值（L*）和红度值（a*））等6 项指标的快速预测模型，对减少金枪鱼样品的污染和浪费，快速实现品质检测提供有效依据。

1 材料与方法

1.1 材料与试剂

金枪鱼由北京北水嘉伦水产品有限公司提供，包括大目、黑鳍、红鳍、剑鳍、马苏5 个品种。远洋捕捞上来后立即宰杀放血，去头、去内脏，冰水冲洗干净后于

-18 ℃冷藏，分别贮藏2、4、6、8、10 周。

盐酸、高氯酸、三氯乙酸、硫代巴比妥酸、氢氧化钠、三氯甲烷等均为分析纯 北京化工厂。

1.2 仪器与设备

MPA傅里叶变换近红外光谱仪（配有Version 7.0 OPUS光谱处理软件） 德国布鲁克光谱仪器公司；2800型紫外-可见分光光度计 美国尤尼柯仪器有限

公司；PB-10 pH计 德国赛多利斯集团；PGC 6002i电子天平 英国艾德姆衡器有限公司；Sorvall LYNX 4000高速落地离心机 美国赛默飞世尔科技公司；CR-400色差计 日本柯尼卡美能达公司。

1.3 方法

1.3.1 品质指标的测定

1.3.1.1 K值的测定

K值的测定参照SC/T 3048—2014《鱼类鲜度指标K值的测定》[16]。

取10 g样品在4 ℃条件下均质混匀，称取（2.00±0.02） g于离心管内，加入20 mL高氯酸溶液，涡旋离心后取上清液。再用10 mL高氯酸溶液提取沉淀物中的待测液，重复上述操作，合并上清液。将pH值调至6.0～6.4，定容至50 mL。在4 ℃條件下离心，过0.22 μm微孔滤膜，4 ℃条件下保存待测。

色谱条件：液相色谱柱C18柱（4.6×250 mm，5 m）；流动相：A为0.05 mol/L磷酸二氢钾和磷酸一氢钾溶液，用磷酸调pH至6.5；B为甲醇溶液，A、B溶液体积比为85∶15；等度洗脱流速0.7 mL/min，进样量为20 μL；检测波长为254 nm。K值计算如式（1）所示。

（1）

式中：MATP为样品中腺苷三磷酸的含量/（μmol/g）；

MADP为样品中腺苷二磷酸的含量/（μmol/g）；MAMP为样品中腺苷酸的含量/（μmol/g）；MIMP为样品中肌苷酸的含量/（μmol/g）；MHxR为样品中次黄嘌呤核苷的含量/（μmol/g）；MHx为样品中次黄嘌呤的含量/（μmol/g）。

1.3.1.2 TBA值的测定

TBA值的测定参考万建荣[17]、杨震[18]等的方法进行。

取10 g绞碎的样品，加入50 mL三氯乙酸溶液，振摇30 min后，双层滤纸过滤2 次，取10 mL滤液加入等量的硫代巴比妥酸溶液于90 ℃水浴40 min，冷却后加10 mL三氯甲烷，静置分层后取上层溶液于532 nm和600 nm波长处测定吸光度。TBA值计算如式（2）所示。

（2）

式中：A532 nm为532 nm波长处的吸光度；A600 nm为600 nm波长处的吸光度。

1.3.1.3 高铁肌红蛋白（MetMb）含量的测定

高铁肌红蛋白含量的测定参考Krzywicki[19]方法。取10 g绞碎的金枪鱼，加入10 mL去离子水，混匀后4 ℃条件下5 000×g离心10 min，取上清液，用盐酸将pH值调成6.0后，用NaOH调至6.8～7.0，相同条件下再次离心，取上清液稀释3 倍后过滤，分别在525、545、565 nm和572 nm波长处测定吸光度，MetMb含量计算如式（3）所示。

MetMb含量/%=（-2.514R1+0.777R2+0.800R3+1.098）×100 （3）

式中：R1=A572 nm/A525 nm，R2=A565 nm/A525 nm，R3=A545 nm/A525 nm。

1.3.1.4 pH值的测定

将pH计插入金枪鱼肉块的不同位置，共测6 组pH值，求取平均值。每次测定前对pH计进行两点校正。

1.3.1.5 颜色的测定

将解冻好的金枪鱼表面擦拭干净，用CR-400色差计在肉块表面的不同位置测定6 组L*和a*色差值，分别取平均值。

1.3.2 光谱采集

将金枪鱼样品从-18 ℃的冰箱中取出，于室温下解冻，弃去真空包装后擦去表面水分，在肉块状态下应用傅里叶变换近红外光谱仪快速采集近红外光谱。光谱范围4 000～12 000 cm-1，扫描次数64 次，分辨率8 cm-1，每个样品重复扫描3 次，取平均光谱。

1.3.3 数据分析与模型评价

对采集的光谱数据进行格式转换，应用The Unscrambler（version 9.8，CAMO）建立预测模型，采用偏最小二乘法（partial least squares regression，PLS），利用主成分分析（principal component analysis，PCA）将吸光度矩阵和含量矩阵分解为特征向量和载荷向量，用交互验证法由预测残差总和（predicted residual error sum of square，PRESS）确定最佳主因子数，然后建立吸光度矩阵和浓度的数学模型，从而建立金枪鱼各个新鲜度指标的定量预测方法。以校正集和预测集样本实测值与预测值的校正相关系数（correlation coefficient of calibration，RC）和预测相关系数（correlation coefficient of prediction，RP）、内部交叉验证校正标准偏差（root mean square error of cross validation，RMSECV）以及预测标准偏差（root mean square error of prediction，RMSEP）作为评价模型的质量指标。根据一般评价规则，RC和RP越接近1越好，RMSECV和RMSEP相互之间越接近且越小越好[20]。通过这些模型参数评价指标筛选最佳的光谱预处理方法和定量分析模型。其中，RMSECV和RMSEP的计算公式如式（4）、（5）所示。

（4）

式中：yc，i为校正集中第i个样品的新鲜度指标实际测定值；c，i为第i个样品的新鲜度指标模型预测值；n为校正集的样品数。

（5）

式中：yp，i为预测集中第i个样品的新鲜度指标实际测定值；p，i为第i个样品的新鲜度指标模型预测值；n为预测集的样品数。

2 结果与分析

2.1 鱼肉新鲜度指标的化学分析结果

将各项新鲜度指标的化学分析结果划分为4 份，按照3∶1的比例建立校正集和预测集，其中K值、TBA值、MetMb含量共有原始指标173 个，pH值原始指标118 个，L*和a*共有原始指标106 个，各项指标统计结果见表1。

近红外在预测样品准确度上的好坏除了受到各指标测量精度的影响外，还受到光谱所包含信息的多少以及参考数据的变异范围的影响。由表1可知，为提高预测准确性，扩大各项指标数据范围，本研究在建立数据集时，将一些特征值（最大值、最小值等）归入校正集中，确保校正集范围包含预测集的范围，保证所建模型的适用性和可靠性。

2.2 光谱分析和预处理

2.2.1 原始光谱分析

由图1可知，不同金枪鱼样本的近红外光谱谱线相近但不完全重合，吸光度在0.45～4.50之间。近红外光谱不同波段代表的信息不同，在8 590 cm-1和6 895 cm-1范圍内出现较强的吸收峰，它们是O—H键的一级倍频和合频，因为鱼肉中水分含量超过70%，因此O—H键的吸收峰非常明显；在4 900～5 170cm-1内是N—H键（一级胺和三级胺）伸缩振动产生的合频峰，可以反应金枪鱼中与蛋白质或氨基酸相关组分的含量信息；而4 350 cm-1和5 770 cm-1则是C—H键的合频和一级倍频峰，可以指示脂肪等的含量信息[21-22]。因为蛋白质、脂肪和水分含量是金枪鱼新鲜度变化的直接体现，所以这些吸收峰的变化对预测结果的准确性尤其重要。

2.2.2 光谱预处理

近红外光谱在采集过程中往往会受到一些与样品性质无关因素的干扰，如环境温度、样品状态、光的散射以及仪器响应等，这些因素导致了近红外光谱的基线漂移和重复性差，影响了模型预测的准确性。因此在建模之前，有必要对采集的近红外光谱数据进行分析和预处理，以消除不利影响，提高预测能力[23]。本研究分别采用SG平滑（Savitzky-Golay smoothing）、SG求导（Savitzky-Golay derivative，SGD）、标准正态化（standard normolvariate，SNV）、多元散射校正（multiplicative signal correction，MSC）和去趋势化校正（de-trending，DT）等不同方法处理原始光谱，剔除异常光谱，并根据RMSEP值确定最佳主因子数，以消除各种高频噪音和基线漂移的影响，提高重复性和信噪比[24]。

其中，SG求导可以有效消除由于样品颜色或个体差别等因素引起的干扰；MSC处理可以消除近红外漫反射过程中样品信息分布不均，颗粒大小不同产生的散射影响，增强光谱重复性和基线稳定性；SNV则主要是用来消除固体颗粒大小、表面散射以及光程变化等对NIR漫反射光谱的影响[25-26]。图2为经过SNV处理后的近红外光谱图，SNV处理有效减少了光谱的线性基线漂移，强化了谱带特征，重复性显著变好，光谱数据在8 600 cm-1和6 900 cm-1附近的O—H吸收峰、4 900～5 170 cm-1的N—H

吸收峰等都更加明显，有效提高了光谱预测的准确性。

2.2.3 金枪鱼新鲜度模型的建立

采用PLS建立模型并经不同方法预处理后得到的金枪鱼新鲜度指标定量分析结果如表2所示。

由表2可知，通过筛选合适的主因子数并经不同方法预处理后，鱼肉样品各项新鲜度指标的内部交叉验证均方根误差（RMSECV）均较小，K值、TBA值、MetMb含量、L*的最优校正集相关系数RC均超过0.80，能够得到满意的结果；pH值和a*的最优校正集相关系数RC则在0.70以上，预测效果较满意，说明校正集样本预测值与真实值之间具有较好的相关性。其中，当主因子数为7，经过MSC处理后，模型对K值的预测效果较好；主因子数为3，经Smooth-G（13）处理后的模型对TBA值的预测效果较好；主因子数为7，经SNV处理后的模型对MetMb含量的预测效果较好；主因子数为5，经Smooth-G（7）处理后的模型对pH值的预测效果较好；主因子数为6，经SNV处理后的模型对L*的预测效果较好；主因子数为4，经Smooth-G（7）处理后的模型对a*的预测效果较好。

根据PLS的定量分析结果，将模型得到的鱼肉新鲜度指标预测值与真实值一一对应，以二者的差异来评价模型的预测能力，得到的各项指标评价结果如图3所示。

由图3可知，K值、TBA值、MetMb含量、L*的模型样本点分布较为均匀，表明预测值与真实值之间有较好的相关性。而pH值、a*的预测分布不均匀，一方面可能是由于原始pH值、a*的变异范围小，如pH值在不同肉样中的标准差仅为0.087 1；另一方面是因为在完整肉块样品中，pH值和a*的分布不均匀，尤其是a*，很容易受到内部成分或外部环境的变化而发生改变，从而影响预测结果的准确性[26]。但是整体上，为避免污染和浪费，在不做任何前处理的前提下，近红外对新鲜度指标的预测可以满足要求。

2.3 模型的外部验证

根据表1各项指标结果划分出的验证集完成模型的外部验证。将验证集中各项指标的近红外光谱和对应测量值导入已有的最优模型中，对金枪鱼的新鲜度指标进行预测，将得到的预测值与真实值进行比较，以T检验来判断验证集中预测值与真实值是否存在差异，结果见

表3～4。

3 讨 论

鱼肉及其制品的新鲜度是影响食品安全和消费价值的重要方面，随着近红外技术的发展，近红外光谱技术应用到鱼肉及其制品的新鲜度检测愈发广泛。实际预测新鲜度时，近红外很难与这些指标直接建立联系，但是它与鱼肉组织中的蛋白、脂肪和水分等化学成分密切相关，可以通过这些化学成分的变化，实现对新鲜度指标的预测。如肉成熟过程中，乳糖的水解会使pH值降低，而贮藏和运输过程中的环境变化势必会引起蛋白质、脂肪等降解或结构改变，从而引发新鲜度的变化[27]。Sivertsen[28]和Sinelli[29]等都采用近红外技术实现了对肉及肉制品的新鲜度檢测。但是需要指出的是，将近红外光谱预测新鲜度的能力用于无损、无污染操作才更有意义[30]。

因此，本实验采用傅里叶变换近红外光谱仪，在肉块状态下完成对金枪鱼鱼肉的新鲜度检测，确定最佳主因子数分别为7、3、7、5、4、6时，所得模型的K值、

TBA值、MetMb含量、pH值、a*和L*的RC分别为0.876 7、0.908 7、0.893 7、0.753 2、0.723 2和0.815 0，与其他研究[5-7]的预测结果相近。虽然无法实现对完整金枪鱼体的无损检测，但在实际应用中能够有效减少原料污染和浪费，节约生产成本。

近红外对样品新鲜度的检测除了受到样品状态的影响外，还受到检测指标的变异范围和检测精度的影响。Prieto等[22]研究指出，近红外的成功预测依靠样品的可变性，当光谱所包含的信息量少或参考数据的变异范围小时都可能会对近红外的预测性能产生负面影响。为保证预测的准确性，谢雯雯等[21]采集了鳙、鲢和草鱼3 个品种在贮藏不同时间后的近红外光谱数据，有效扩大了建模集的数据范围，实现了近红外对TVB-N、TBA等新鲜度指标的准确预测。Grau等[31]则选择在4 ℃条件下贮藏0、7、14 d的鸡胸肉块，采用无损短波-近红外技术采集光谱，能够实现对水分含量、水分活度、TVB-N、pH值等新鲜度指标的较好预测。为保证样品数据范围的可变性，本研究在数据采集时选择了大目、马苏、黑鳍、黄鳍、红鳍共5 个品种金枪鱼，分别在-18 ℃条件下贮藏了2、4、6、8、10 周后取出解冻测定，最终实现了对K值、TBA值、MetMb含量和L*的准确预测（RC>0.80），但是对pH值和a*的预测效果一般（RC>0.70），有待进一步扩大建模时参数的变异范围并提高测量精度。

4 结 论

本研究选取不同品种、不同贮藏时间下的金枪鱼作为样本集，采用傅里叶变换近红外光谱仪结合化学计量学方法，在4 000～12 000 cm-1范围内对肉块状态下的金枪鱼样品完成光谱采集，并立即测定K值、TBA值、MetMb含量、pH值、L*和a*等新鲜度指标，采用偏最小二乘法建立各个指标的预测模型。模型经过主因子数筛选和最佳预处理方法优化后能够实现对各个新鲜度指标的较好预测，避免了化学检测时复杂的前处理过程和大量有害试剂的使用，有效节约了时间，避免了原料浪费。同时经过外部预测集验证，模型的预测结果准确可靠，能够实现对未知金枪鱼样品新鲜度的准确预测，为金枪鱼的品质保藏和货架期预测提供了理论依据。

参考文献：

[1] 汤元睿， 谢晶， 李念文， 等. 不同冷链物流过程对金枪鱼品质及组织形态的影响[J]. 农业工程学报， 2014， 30（5）： 285-291. DOI：10.3969/j.issn.1002-6819.2014.05.036.

[2] 徐慧文， 谢晶. 金枪鱼保鲜方法及其鲜度评价指标研究进展[J]. 食品科学， 2014， 35（7）： 258-263. DOI：10.7506/spkx1002-6630-201407051.

[3] 陆婉珍. 现代近红外光谱分析技术[M]. 2版. 北京： 中国石化出版社， 2006.

[4] 蒋丽施. 肉品新鲜度的检测方法[J]. 肉类研究， 2011， 25（1）： 46-49.

[5] WANG Xiwei， ZHAO Maocheng， JU Ronghua. Visualizing quantitatively the freshness of intact fresh pork using acousto-optical tunable filter-based visible/near-infrared spectral imagery[J]. Computers and Electronics in Agriculture， 2013， 99： 41-53. DOI：10.1016/j.compag.2013.08.025.

[6] LIN Hao， ZHAO Jiewen， SUN Li， et al. Freshness measurement of eggs using near infrared （NIR） spectroscopy and multivariate data analysis[J]. Innovative Food Science and Emerging Technologies， 2011， 12（2）： 182-186. DOI：10.1016/j.ifset.2011.01.008.

[7] GIUNCHI A， BERARDINELLI A， RAGNI L. Non-destructive freshness assessment of shell eggs using FT-NIR spectroscopy[J]. Journal of Food Engineering， 2008， 89（2）： 142-148. DOI：10.1016/j.jfoodeng.2008.04.013.

[8] ZHAO Jiewen， LIN Hao， CHEN Quansheng， et al. Identification of eggs freshness using NIR and support vector data description[J]. Journal of Food Engineering， 2010， 98（4）： 408-414. DOI：10.1016/j.jfoodeng.2010.01.018.

[9] NIELS B， JENSENK N， ANDERSENC M， et al. Freshness assessment of thawed and chilled cod fillets packed in modified atmosphere using near-infrared spectroscopy[J]. LWT-Food Science and Technology， 2002， 35（7）： 628-634. DOI：10.1006/fstl.2002.0923.

[10] 程旎. 基于近紅外光谱和机器视觉技术的淡水鱼新鲜度检测方法研究[D]. 武汉： 华中农业大学， 2013. DOI：10.7666/d.Y2394847.

[11] 刘欢， 徐文杰， 刘友明， 等. 鲫鱼新鲜度近红外定量预测模型的建立[J]. 现代食品科技， 2015， 31（7）： 173-182. DOI：10.13982/j.mfst.1673-9078.2015.7.028.

[12] 黄涛， 李小昱， 彭毅. 基于近红外光谱的淡水鱼新鲜度在线检测方法研究[J]. 光谱学与光谱分析， 2014， 34（10）： 2732-2736. DOI： 10.3964/j.issn.1000-0593（2014）10-2732-05.

[13] 孟一， 张玉华， 许丽丹， 等. 近红外光谱采集方式与样品形态对带鱼新鲜度检测结果的影响[J]. 食品工业科技， 2014， 35（11）： 282-287. DOI：10.13386 /j.issn1002 - 0306.2014.11.053.

[14] 孟志娟， 周宇芳， 杨会成， 等. 近红外光谱技术快速检测带鱼新鲜度的研究[J]. 食品科技， 2013， 38（12）： 294-298.

[15] KIMIYA T， SIVERTSEN A H. VIS/NIR spectroscopy for non-destructive freshness assessment of Atlantic salmon （Salmo salar L.） fillets[J]. Journal of Food Engineering， 2013， 116（3）： 758-764. DOI：10.1016/j.jfoodeng.2013.01.008.

[16] 福建省水产研究所， 南海水产研究所， 农业部渔业产品质量监督检验测试中心. SC/T 3048—2014 鱼类鲜度指标 K值的测定 高效液相色谱法[S]. 北京： 中国农业出版社， 2014.

[17] 万建荣， 洪玉著， 奚印慈. 水产食品化学分析手册[M]. 上海： 上海科学技术出版社， 1993.

[18] 杨震， 贡慧， 史智佳， 等. 冻贮温度对生食金枪鱼品质变化的影响[J]. 肉类研究， 2016， 30（2）： 26-30. DOI：10.15922/j.cnki.rlyj.2016.02.006.

[19] KRZYWICKI K. Assessment of relative content of myoglobin， oxymyologlobin and metmyoglobin at the surface of beef[J]. Meat Science， 1979， 3： 1-10. DOI：10.1016/0309-1740（79）90019-6.

[20] 史智佳， 臧明伍， 吕玉， 等. 近红外光谱快速测定乳化香肠的化学成分[J]. 食品科学， 2013， 34（18）： 175-179.

[21] 谢雯雯， 李俊杰， 刘茹. 基于近红外光谱技术的鱼肉新鲜度评价方法的建立[J]. 淡水渔业， 2013， 43（4）： 85-90. DOI：10.3969/j.issn.1000-6907.2013.04.016.

[22] PRIETO N， ROEHE R. Application of near infrared reflectance spectroscopy to predict meat and meat products quality： a review[J]. Meat Science， 2009， 83： 175-186. DOI：10.1016/j.meatsci.2009.04.016.

[23] 張晓敏. 近红外光谱技术快速评估鲈鱼新鲜度的方法研究[D]. 杭州： 浙江工商大学， 2012. DOI：10.7666/d.Y2292234.

[24] 王辉， 田寒友， 张顺亮， 等. 基于中波近红外光谱构建生鲜鸡肉胆固醇定量分析模型[J]. 食品科学， 2016， 37（20）： 134-140. DOI：10.7506/spkx1002-6630-201620022.

[25] ZOMENO C， JUSTE V， HERNANDEZ P. Application of NIRS for predicting fatty acids in intramuscular fat of rabbit[J]. Meat Science， 2012， 91（2）： 155-159. DOI：10.1016/j.meatsci.2012.01.009.

[26] POREP J U， KAMMERER D R， CARLE R， et al. On-line application of near infrared （NIR） spectroscopy in food production[J]. Trends in Food Science and Technology， 2015， 46（2）： 211-230. DOI：10.1016/j.tifs.2015.10.002.

[27] MAGNEA G K， ARASONS， KRISTINESSONH G， et al. The application of near infrared spectroscopy to study lipid characteristics and deterioration of frozen lean fish muscles[J]. Food Chemistry， 2014， 159： 420-427. DOI：10.1016/j.foodchem.2014.03.050.

[28] SIVERTSEN A H， KIMIYA T， HEIA K， et al. Automatic freshness assessment of cod （Gadus morhua） fillets by Vis/Nir spectroscopy[J]. Journal of Food Engineering， 2011， 103（3）： 317-323. DOI：10.1016/j.jfoodeng.2010.10.030.

[29] SINELLI N， LIMBO S， TORRI L， et al. Evaluation of freshness decay of minced beef stored in high-oxygen modified atmosphere packaged at different temperatures using NIR and MIR spectroscopy[J]. Meat Science， 2010， 86（3）： 748-752. DOI：10.1016/j.meatsci.2010.06.016.

[30] POREPJ U， KAMMERERD R， CARLE R. On-line application of near infrared （NIR） spectroscopy in food production[J]. Trends in Food Science and Technology， 2015， 46（2）： 211-230. DOI：10.1016/j.tifs.2015.10.002.

[31] GRAU R， ANTONIO J S， JOEL G， et al. Nondestructive assessment of freshness in packaged sliced chicken breasts using SW-NIR spectroscopy[J]. Food Research International， 2011， 41（1）： 331-337. DOI：10.1016/j.foodres.2010.10.011.