近红外光谱法结合siPLS快速检测猪肉TVB-N含量

"这篇研究论文探讨了如何使用近红外光谱法(Near-Infrared Spectroscopy, NIRS)快速无损地检测猪肉中挥发性盐基氮(TVB-N)的含量，以评估猪肉的新鲜度。研究者通过标准偏差归一化(Standard Deviation Normalization, SNV)预处理猪肉的原始光谱数据，并采用联合区间偏最小二乘法(synergic interval Partial Least Squares, siPLS)建立预测模型，与传统的偏最小二乘法(PLS)和间隔偏最小二乘法(iPLS)进行比较。结果显示，siPLS模型在预测TVB-N含量方面表现最佳，具有较高的校正集相关系数(Rc)和较低的交互验证均方根误差(fRV)。该方法为猪肉新鲜度的快速评估提供了一种有效工具。" 在本文中，作者关注的是食品安全和质量控制领域，特别是肉类新鲜度的检测。挥发性盐基氮(TVB-N)是衡量动物性食品新鲜度的重要指标，其含量增加通常意味着蛋白质分解加剧，新鲜度下降。传统的检测方法往往耗时且可能对样品造成破坏，而近红外光谱法则提供了一种非侵入性的快速检测手段。 近红外光谱法是一种基于分子振动吸收的分析技术，能够获取样品的化学信息。在本研究中，研究人员首先对猪肉样本的原始光谱进行SNV预处理，以消除背景干扰和增强信号质量。接着，他们使用siPLS建立模型，这是一种结合了区间选择和偏最小二乘法的数据分析技术，可以更准确地识别与TVB-N含量相关的光谱特征。 通过对siPLS、PLS和iPLS模型的比较，结果显示siPLS模型在预测猪肉中TVB-N含量时表现出更高的精度和稳定性。校正集相关系数Rc为0.8332，表示模型对训练数据的拟合程度较好；交互验证均方根误差fRV为3.75，说明模型在训练集上的预测误差较小。同时，预测集的相关系数Rp为0.8238，预测均方根误差fRP为4.17，这表明模型在未知数据上的预测性能也相当出色。 这项研究的成果对于食品工业具有重要意义，尤其是在肉类供应链管理和质量监控环节。利用近红外光谱和siPLS技术，可以在短时间内批量检测猪肉的新鲜度，有助于保障消费者的食品安全，防止不新鲜的猪肉流入市场，同时也为食品行业的质量控制提供了科学依据和高效工具。