近红外光谱法结合siPLS快速检测猪肉TVB-N含量

0 下载量 26 浏览量 更新于2024-08-30 收藏 1.54MB PDF 举报
"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。