蒋晨豪陈佳琪梅正昊宁景苑易晓梅郜园园惠国华

(浙江农林大学信息工程学院，林业感知技术与智能装备国家林业局重点实验室，浙江省林业智能监测重点实验室，浙江 杭州 311300)

猪肉是中国消费量最大的肉品，随着社会经济发展和人们生活水平的提高，猪肉的消费量也呈现逐年上升的趋势[1－2]。猪肉的气味、色泽、口感、质地、微生物等都是其新鲜度判定的重要指标。从屠宰之后，在储存过程中猪肉新鲜度一直处于不断的变化过程，其影响因素包括环境、微生物等。在品质下降过程中，其含有的蛋白质、脂肪、糖类等物质分解，产生特定的挥发性气体。猪肉新鲜度的下降不但影响了其品质因素，还产生了一些对人体有害的物质，这些过程影响到了猪肉的销售的同时也给人们带来了食品安全方面的不稳定因素[3]。

常用肉类新鲜度检验方法有人工感官评审、理化检验、微生物检验等[4]。人工感官评审法是指感官评价员运用视觉、嗅觉、触觉等感觉器官对猪肉的新鲜度进行评价，在产品性质和生物感觉之间建立对应的相互关联，以适当的数据分析把实验设计和数理统计分析结合起来，获取科学可靠的样品人工评审结论。该方法缺点在于人工感官在样品质变到一定程度时才能感觉到，而且如何量化这个质变过程是比较困难的[5]。肉类的理化检验方法主要有挥发性盐基氮(TVB-N)、三甲胺等，这类方法依托国家标准，因此具有较强的权威性，但这一类方法不足在于其耗时长、操作繁琐、不能无损检验等。微生物检验方法依据国标测定微生物计数，与理化检验方法类似，也具有耗时长、操作复杂等不足[6]。近年来，研究人员开发了一些新技术，光谱法、传感器法等。光谱法采集肉类样品的光谱数据，然后分析光谱数据，建立起光谱数据特征与肉类品质之间的联系，从而确定肉类新鲜度的检测模型。传感器方法主要是采用物理或者化学传感器检测肉类样品数据，在传感器响应数据和肉类品质之间建立模型，实现肉类新鲜度快速检测的目标。因此现有方法均不适合冷冻猪肉储存期检测的需要，冷冻猪肉需要解冻后才能进行后续的检测操作，在解冻过程中由于环境因素的变化而引起的质量下降，导致检测结果产生误差[7－8]。

气体传感器阵列检测方法具有响应速度快、操作方便等优点，可克服生物感觉判断中重复性低的问题[9]。气体传感器构成的生物嗅觉系统也有了较为快速的发展[10]。Arroyo等[11]利用电子鼻实现了葡萄酒品质的快速检测和分析。Gobbi等[12]采用基于金属氧化物传感器的电子鼻，实现了蔬菜汤中肠杆菌科的快速诊断。Nahid等人[13]采用多气体传感器检测浆果的成熟程度，取得了较好的区分度。然而，对于冷冻食品而言，其温度较低不利于自身特征性气体的挥发，因此其气体传感器响应较为微弱。但如果把冷冻食品解冻后进行检测，这个过程中受温度、微生物等因素的影响，被测样品的质量变化自身规律将被破坏。因此如何找到一种高灵敏度的无损检测方法，实现冷冻猪肉的储存期鉴定，具有重要的实际应用价值。

本文采用快速气相色谱方法分离冷冻猪肉样品的特异性挥发气体，然后采用气体传感器阵列检测气相色谱柱富集的气体，采用非线性模型分析检测数据，并建立起冷冻猪肉储存期检测模型。

1 实验材料和方法

1.1 实验材料

新鲜猪肉样品由浙江青莲公司提供，屠宰后迅速运送至实验室，分割成4 cm×8 cm×2.5 cm规格用保鲜膜包裹，放置于冰箱中－18℃冷冻保存。

1.2 挥发性盐基氮(TVB-N)检验

分别于第1、3、5、7、9、11、13、15、17天实验测量样品的TVB-N数据。将猪肉放到搅碎机进行粉碎，用电子天平称取搅碎的肉5 g，置于微量凯氏定氮器的大试管中，分别加入氧化镁和大约100 mL水，加热并持续振摇，然后用锥形瓶接收随水蒸气蒸出来的含氮的挥发性气体，在锥形瓶中加入质量分数为百分之二的硼酸和两滴现配的0.1%甲基红和0.5%溴甲酚绿体积比为1∶1的混合液，然后将吸收液用0.1 mol/L的盐酸标准溶液滴定，终点至蓝紫色。每天平行实验三次，在此之前还要做试剂空白试验。挥发性盐基氮的计算公式为:

式中:X为样品中挥发性盐基氮的含量，单位为(mg/100 g)；V1为样品检验所需盐酸溶液体积，单位:毫升；V2为空白样品检验所需盐酸溶液体积，单位:毫升；c为盐酸标准溶液的摩尔浓度，单位为(mol/L)；14为1 mol/L盐酸标准溶液1毫升相当氮的毫克数；m为样品的质量，单位为(g)。

1.3 快速气相色谱

采用具有微米级孔径的微孔石英柱，在孔柱中修饰有可分离气体组分的涂覆相，形成集束毛细管分离柱。在石英柱外部固定金属层，在金属两极间形成可控的恒电势，同时检测电势驱动下的电流信号，用于调整集束毛细管的温控。冷冻猪肉样品的顶空气体被氦气载气带入气相色谱系统一般进行分离操作，气相色谱系统包含气路控制器，用来吸附气体的由多孔聚合物材料组成的吸附单元，和金属毛细管柱等部件。利用六通阀来切换气路系统的模式切换，在检测模式下(1，2)、(3，4)、(5，6)分别接通，快速加热吸附管进行脱附。在分析模式下(2，3)、(4，5)、(1，6)分别接通，通过真空泵把气体吸入吸附管进行富集。起始，六通阀工作在检测模式，控制吸附管加热达到180℃以保障气样全部进入毛细管柱，实现减小分离误差的目的。六通阀150℃，毛细管柱45℃。采样80 s后进入分析模式，吸附管加热至250℃，毛细柱以10℃/s的速度升温至180℃将吸附单元脱附，利用氦气吹扫，洗脱的物质送入毛细管柱以便进行分离，然后送至多气体传感器阵列进行检测。分别检测存放1 d、1.5 d、2 d、2.5 d、3 d、3.5 d、4 d、4.5 d、5 d、5.5 d、7 d、9 d、11 d、13 d、15 d、17 d样品的系统响应数据。

1.4 多气体传感器系统

根据Sun等人的研究结果[14]，在对样品挥发气体成分分析的基础上，选用了针对样品特征挥发性气体的8个气体传感器构成检测阵列，传感器型号如表1所示。猪肉样品从冰箱中取出后在空气中放置15 min，以平衡样品的温度。然后称取样品25 g置于洁净干燥的烧杯中并用封口膜密封，把处理好的样品进行检测。

表1 气体传感器阵列

在检测工作开展之前，打开测量系统并稳定50 min，等到每个传感器信号均恢复至基线左右，用探针将样品顶空气体吸入传感器气腔，使样品顶空气体流向各个气体传感器而产生检测信号，检测信号由USB接口送至计算机保存。每个样品测量45 s，然后利用洁净空气清洗传感器，使其响应恢复至基线，等待下一次测量。检测系统示意图如图1所示。

图1 检测系统结构图

1.5 数据分析方法

传感器阵列检测数据采用非线性信号分析模型进行解析。采用具有周期属性的布朗质点在特定势阱中的运动来建立模型[15]:

式中:Am是周期分量幅度；f0频率；τ是初相位；s是质点运动轨迹；t是时间；V(s)是标准两势阱，如式(3)所示，p、q为实参数，δ为调整系数；η(t)为外源性激励随机噪声，其自相关函数E[η(t)η(0)]＝δ(t)，强度系数是bk，δ(t)为单位冲击函数。

该模型采用信号/噪声比参量去表征模型的输出信号，信号/噪声比(SN)的定义是:

信号/信噪比

式中:ω为信号频率参数，Ω代表角频率参数，S(ω)代表信号频谱密度，SN(Ω)代表噪声强度函数。在本研究中，传感器阵列检测数据SA(t)与Am×sin(2πf0t＋τ)融合代入模型，式(3)改写为:

本研究中，参数Am为4.5、f0＝1 Hz、τ＝0，并使得噪声强度bk取值范围为[0，800]，令n＝1，并使m在[1，8.5]之内进行步进为0.1的变化，同时记录系统输出SN，当输出SN曲线产生特征峰时，即可以确定m＝4.8，此时为最优参数。计算传感器阵列SN极大值的平均值作为校准阈值，本研究要求必须满足8个传感器数据信噪比极大值中至少5个大于校准阈值，满足该条件，系统输出SN结果。

2 结果和分析

2.1 TVB-N检验结果

图2为样品的TVB-N检测结果，该指标表征的是肉类在酶、微生物的作用下，在存储过程中，肉中的蛋白质分解生成氨、胺类等含氮代谢物。这些物质挥发性强，因此该类物质浓度越高，代表肉中的氨基酸分解的越剧烈，肉的质量下降的越厉害。从图中可以观察出，TVB-N指标呈现持续上升的趋势，在第1天约为12 mg/100 g，此后检验结果持续上升，而在第17天其值约为13.5 mg/100 g，都不超过国家标准中对于TVB-N指标的上限。检验结果表明，样品在冷冻储藏条件下质量发生了细微变化，但是指标都符合国家标准。

图2 TVB-N检验结果

2.2 多传感器系统检测响应

传感器阵列响应信号如图3，x轴为检测时间，y轴为传感器的检测信号。在初始时刻各传感器的输出信号为零，随着样品气体的吸入，各传感器的输出信号呈现上升的趋势，样品挥发气体中的特定成分与对应的传感器结合后产生响应信号。响应信号通过通信线缆被采集至计算机中进行存储。传感器sen01和sen04的响应最大，处于第一梯队。传感器sen07、sen05和sen06处于第二梯队，sen03、sen8和sen02处于第三梯队。传感器响应信号的多样性，为样品检测提供了丰富的感知信息特征，有利于检测精准度的提升。

图3 传感器阵列响应

2.3 猪肉存储期检测模型

图4(a)为被测样品的气体传感器阵列检测输出信号，先是快速上升，到达峰值之后下降，形成了一个谷信号之后逐渐上升，并趋于稳定化。这个过程反映了冷冻猪肉样品检测过程中的物理动力学过程，冷冻猪肉样品的顶空气体被预热后进入快速气相色谱系统，然后被富集后送入气体传感器阵列检测气室。但是猪肉样品的气体挥发量是一定的，随着不断的抽取，气相色谱系统中的富集气体含量下降，因此传感器阵列响应先增大然后下降，最后缓慢上升并趋向于稳定。图4(a)说明，所构建的快速气相色谱串联多传感器阵列检测系统运行情况达到了预期设计目标，给出的响应信号也符合本研究所聚焦的目标。

图4(a)中，位于横坐标100左右的峰虽然可以作为一个特征，但是不同样品的峰值之间区分度较低，不适合做定量分析。因此，我们选取区分度更大的传感器阵列谷值作为定量分析特征值，经过非线性线性拟合之后用于构建样品储存期预测模型，如图4(b)和式(6)所示。

图4 猪肉储存期检测模型:

本研究另外选取一批样品，随机选取20个进行验证，获取传感器阵列检测数据并计算系统输出特征值，将得到的响应数据代入式(6)，将公式计算出的数值与真实值比较，如表2所示，其中的18个样本预测正确，2个预测偏差较大，说明具有较好的正确率。

表2 验证实验

3 结论

本文采用快速气相色谱方法分离冷冻猪肉样品的特异性挥发气体，克服了低温冷冻样品挥发气体特征成分含量低的难题，然后采用气体传感器阵列检测气相色谱柱富集的气体，并采用非线性模型分析检测数据并获取特征值，将不同储存时间的样品的监测数据特征值经过非线性拟合建立冷冻猪肉储存期检测模型(R2＝0.972)。为了验证所构建模型的预测准确性，验证实验结果表明本文研究的方法具有较好的预测正确率。本文所研究的检测方法具有检测快速、操作简便、成本低等优势，有较好的应用前景。