基于近红外光谱技术构建牛羊肉掺假鉴别模型

Construction of an adulteration identification model for beef and mutton based on near-infrared spectroscopy

摘要

目的 为应用近红外光谱技术结合正交偏最小二乘判别分析（orthogonal partial least-squares discrimination analysis，OPLS-DA）方法对牛羊肉掺杂鸡肉和鸭肉的定性鉴别。 方法 采集新鲜的牛里脊肉、羊后腿肉、鸡胸肉、鸭脯肉各41份，用绞肉机绞碎成肉糜，按照0%、25%、50%、75%、100%的掺假比例分别将鸡肉糜和鸭肉糜掺入到牛肉糜和羊肉糜中，得到4种纯肉样品各41份，牛肉掺鸭肉、牛肉掺鸡肉、羊肉掺鸭肉、羊肉掺鸡肉样品各123份，并采集近红外光谱。利用二阶导数（second derivative，2^nd Der）、savitzky-golay滤波平滑（savitzky-golay，S-G）、多元散射校正（multiplicative scatter correction，MSC）、标准正态变量校正（standard normal variate correction，SNV）、2nd Der+S-G、2nd Der+MSC、2nd Der+SNV、S-G+MSC、S-G+SNV等方法对原始光谱数据预处理，结合OPLS-DA分别构建牛羊肉掺假定性鉴别模型。根据模型训练集的最高正确判别率以及比较受试者工作特征曲线（receiver operating characteristic curve，ROC曲线）的面积（area under curve，AUC）评价模型的预测性能。 结果 原光谱建立的牛肉掺鸭肉模型和牛肉掺鸡肉模型对训练集鉴别准确率均为97.42%，对预测集的鉴别准确率分别为96%和92%；经S-G+MSC预处理的牛肉掺假模型对训练集和预测集的鉴别准确率分别为97.24%和90%；经SNV预处理的羊肉掺鸭肉模型对训练集和预测集的鉴别准确率分别为96.13%和92%；经SNV预处理的羊肉掺鸡肉模型对训练集和预测集的鉴别准确率分别为96.77%和94%；经S-G+SNV预处理的羊肉掺假模型对训练集和预测集的鉴别准确率分别为97.24%和97.14%。 结论 研究结果为近红外技术结合OPLS-DA方法对定性鉴别掺假牛羊肉提供了参考。

Abstract

Objective For the qualitative identification of beef and mutton adulterated chicken and duck by using near-infrared spectroscopy technology combined with orthogonal partial least squares discriminant analysis method. Method 41 fresh beef tenderloin，mutton ham，chicken breast and duck breast were collected and minced using a mincer.The chicken and duck meat were mixed with beef and lamb meat at adulteration ratios of 0%，25%，50%，75% and 100%，respectively.The NIR spectra of pure beef，mutton，duck and chicken meat （41 portions for each），beef mixed with duck，beef mixed with chicken，mutton mixed with duck and mutton mixed with chicken （123 portions for each） were recorded.The second derivative （2ndDer），Savitzky-Golay filter smoothing （Savitzky-Golay，SG），multiplicative scatter correction （MSC），standard normal variate correction （SNV），2ndDer+SG，2ndDer+MSC，2ndDer+SNV，S-G+MSC，S-G+SNV and other methods were used to pre-process the original spectral data and combined with OPLS-DA to build a qualitative identification model of beef and mutton adulteration.On the other hand，the predictive performance of the model was evaluated based on the highest correct discrimination rate of the model training set and the area under the receiver operating characteristic curve （ROC） （AUC）. Result The model of beef adulteration by Savitzky-Golay combined with multivariate scatter correction processing，the accuracy of the training set was 97.42%； the accuracy of the prediction set was 96% and 92%； the accuracy of the training set and the prediction set was 97.24% and 90%，respectively.24% and 90% respectively，and it was identified over the model of beef adulteration by Savitzky-Golay combined with multivariate scatter correction processing； the accuracy of the training set and prediction set were 96.13% and 92% respectively，and it was identified over the model of mutton adulterated with duck by standard normal variable processing； the accuracy of the training set and prediction set were 96.77% and 94%，13% and 92% respectively，and it was identified on the model of mutton adulterated with duck by standard normal variable processing； the accuracy of the training set and prediction set were 96.77% and 94% respectively，and it was identified on the model of mutton adulterated with chicken by standard normal variable processing； the accuracy of the training set and prediction set were 97.24% and 97.17% respectively，and it was identified on the model of mutton adulteration by Savitzky-Golay combined with standard normal variable processing. Conclusion The results provide a reference for the qualitative identification of adulterated beef and mutton using near-infrared technology combined with the OPLS-DA method.

Graphical abstract

关键词

牛羊肉掺假 / 近红外光谱 / 定性鉴别 / 正交偏最小二乘判别分析（OPLS-DA）

Key words

beef and mutton adulteration / near infrared spectroscopy / qualitative identification / orthogonal partial least-squares discrimination analysis （OPLS-DA）

近年来，随着肉品消费习惯的转变，牛羊肉的消费量逐年递增，销售价格长期处于高位，许多不法商贩利用非法手段如肉品掺假以获取利润。尽管政府管理部门加大抽检以保障肉类安全生产和质量标准，但肉类掺假现象仍然很普遍，尤其牛羊肉肉卷制品和烤肉串，例如在羊肉中添加低成本鸭肉造成消费者经济损失^［1］。传统的肉品掺假鉴别方法存在操作繁琐、准确性低、污染环境等问题，而近红外光谱分析法操作简单、快速、无损、准确率高，具良好应用前景^［2-3］，可以高效鉴别掺假肉以打击不法商贩的不法行为，保护消费者的利益。

迄今为止，近红外光谱技术在农业^［4］、医学^［5］、食品^［6-7］等领域已经广泛应用。近几年国内外学者在肉类掺假方面也是研究颇多，有非同源掺假，如注水肉、注胶肉等^［8-10］，也有同源掺假，比如牛肉掺假^［11-17］、羊肉掺假^{［1，18-21］}、猪肉掺假^［21-23］、其他^［24］等。早期牛肉和羊肉掺假研究主要集中在牛肉掺变质肉、牛肉掺猪肉、牛肉掺鸡肉、羊肉掺猪肉的定量和定性研究，Zhao等^［25］基于可见高光谱成像对牛肉掺变质牛肉进行了快速无损的定量检测，均方根误差（RMSE）分别为5.39% 和 6.29%；Weng等^［26］利用350~2 500 nm可见光与近红外反射光谱鉴别牛肉掺猪肉，结合深度卷积神经网络（deep convolution neural networks，DCNN）和主成分分析（principal component analysis，PCA）建立的模型鉴别准确率达到99%以上。Deniz等^［27］应用傅里叶变换红外光谱（fourier transform infrared spectroscopy，FTIR）结合PCA和层次聚类分析（hierarchical cluster analysis，HCA）鉴别牛肉掺鸡肉和火鸡肉，结果发现两种鉴别方法可行且PCA比HCA鉴别效果更好。张玉华等^［19］运用近红外光谱技术结合PCA法和判别分析法建立牛肉掺猪肉和羊肉掺猪肉模型，其鉴别准确率分别为97.86%和98.28%。相对而言，对牛肉掺鸭肉、羊肉掺鸡肉、羊肉掺鸭肉的定性鉴别鲜有报道，对牛肉掺鸡肉、牛肉掺鸭肉的整体鉴别和羊肉掺鸡肉、羊肉掺鸭肉的整体鉴别的研究未见报道。因此，本试验运用近红外光谱技术结合正交偏最小二乘判别分析（orthogonal partial least-squares discrimination analysis，OPLS-DA）对牛肉和羊肉中掺杂鸡肉和鸭肉进行定性鉴别分析，构建牛羊肉掺假鸡肉、鸭肉定性鉴别模型，为近红外光谱技术在肉品掺假中的应用提供理论依据。

1 材料与方法

1.1 材料

试验所用样品于2021年5月在兰州市安宁区桃海市场采集，主要有牛里脊肉（西门塔尔牛）、羊后腿肉（小尾寒羊）、鸡胸肉（三黄鸡）、鸭脯肉（麻鸭）各41份。

1.2 仪器与设备

XDS近红外光谱分析仪 丹麦FOSS公司；QSJ-C03M1型绞肉机 佛山小熊厨房电器有限公司；MS型CNW电子秤（规格/精度为500 g/0.01g； 误差范围 ± 0.03 g）深圳西恩威电子有限公司。

1.3 方法

1.3.1 样品制备

用不锈钢刀将新鲜的牛里脊肉和羊后腿肉上的脂肪和筋膜剔除，获取鸡胸肉和鸭脯肉，相应剔除其中的筋膜。用小型绞肉机将4种鲜肉分别绞成肉糜，分装于不同容器中，然后将鸡肉糜和鸭肉糜分别按照0%、25%、50%、75%、100%的比例掺入到牛肉糜和羊肉糜中，制成测试样本，每个样本总量约10 g。具体样本信息见表1。

1.3.2 近红外光谱采集及光谱数据提取

XDS近红外光谱仪检测参数：扫描范围全波段扫描，扫描次数32次，扫描分辨率<8 nm。仪器参数：光源为卤钨灯，主机光谱400~2 500 nm，反射方式为漫反射。

试验样品扫描前，仪器开机预热30 min，待仪器自检完成后装样进行全光谱扫描，装样时保证样品杯底部无气泡，每份样品扫描3次，取平均值，光谱数据采样间隔点0.5 nm，656个样本共得到656条平均光谱。利用winISI III 软件将光谱转换为吸光度值作为样本的光谱数据，平均近红外数据以减少列数防止数据丢失，光谱数据间隔点扩大至20 nm，最终分别得到掺假牛肉和掺假羊肉的光谱数据集。

1.3.3 近红外光谱数据预处理

本试验除使用全波段的原始光谱数据建模外，还采用二阶导数（second derivative，2nd Der）、Savitzky-Golay滤波平滑（savitzky-golay，S-G）、多元散射校正（multiplicative scatter correction，MSC）、标准正态变量校正（standard normal variate correction，SNV）、2nd Der+S-G、2nd Der+MSC、2nd Der+SNV、S-G+MSC、S-G+SNV等方法对全波段原始光谱数据进行预处理后再进行建模。

1.3.4 模型建立与验证

本试验使用SIMCA14.1分析软件，结合OPLS-DA分别建立牛肉和羊肉的掺假定性鉴别模型，将原始光谱数据随机分为训练集（75%）和预测集（25%）。训练集用于校正模型的构建，预测集用来验证模型的预测能力。模型建立后对模型进行自动拟合，得到模型评价参数，结合交叉验证均方根误差（root mean square error in cross validation，RMSEcv）优化建模参数，RMSEcv越小，对应的建模参数越好，模型预测性能越强。根据不同预处理方法所得到的最高判别率来整体评价模型训练集的预测性能，通过比较受试者工作特征曲线（receiver operating characteristic curve，ROC曲线）的面积（area under curve，AUC）评判模型的可靠性。AUC的等级标准如下：AUC=0.5 没有判别力；0.7≤AUC<0.8 合格；0.8≤AUC<0.9 良好；AUC≥0.9 优秀，越接近1模型越稳健。

2 结果与分析

2.1 光谱预处理

图1-A和图1-B分别为掺有鸡肉和鸭肉的牛肉样本的原始光谱图和平均光谱图（均含有纯牛肉、纯鸡肉、纯鸭肉光谱），图2-A和图2-B分别为掺有鸡肉和鸭肉的羊肉样本的原始光谱图和平均光谱图（均含有纯羊肉、纯鸡肉、纯鸭肉光谱）。从平均光谱图可以看出，不同掺假含量的样本光谱曲线趋势相近，但吸光度存在差异。在540~560 nm之间差异明显，鸡肉在牛肉和羊肉中掺假量越大，吸光度越低，相反，鸭肉在牛肉和羊肉中掺假量越大，吸光度越高，并且掺有鸡肉的光谱吸光度变化幅度大于鸭肉，可能是鸡肉在营养成分上与牛羊肉的差别比鸭肉大造成的。从原始光谱图中可以看出，当样本数量较大时，光谱曲线重叠严重，肉眼无法从光谱曲线上进行区分，需要进行数据处理实现掺假肉定性鉴别。

2.2 牛肉中掺假鸡肉和鸭肉定性模型的构建与验证

2.2.1 牛肉中掺假鸡肉和鸭肉定性模型的构建

原始光谱以及2nd Der、S-G、MSC、SNV、2nd Der+S-G、2nd Der+MSC、2nd Der+SNV、S-G+MSC、S-G+SNV等预处理结合OPLS-DA建立的牛肉掺鸭肉、牛肉掺鸡肉、牛肉掺假的定性鉴别结果见表2。由表2可知，牛肉掺鸭肉模型训练集正确判别率为89.03%~97.42%，其中原始光谱结合OPLS-DA建立的牛肉掺鸭肉模型训练集正确判别率达到97.42%，RMSEcv为0.238 293，模型判别率比预处理之后更好。

在牛肉掺鸡肉模型中（表2），原始光谱及各种预处理的OPLS-DA模型训练集正确判别率为89.68%~97.42%，其中原始光谱、S-G、2nd Der+SNV预处理的OPLS-DA模型训练集正确判别率均为97.42%。由图3可知，原始光谱（A）、S-G（B）、2nd Der+SNV（C）建立的牛肉掺鸡肉模型的AUC（1）分别为0.994 797、0.992 456、0.994 017；AUC（2）分别为0.994 277、0.994 277、0.994 103；AUC（3）都为1。对牛里脊肉、牛肉掺鸡肉、鸡肉分组对比，结果表明对鸡肉判别力均为1，对牛里脊肉判别力为：原始光谱>2nd Der+SNV>S-G，对牛肉掺鸡肉判别力为：原始光谱＝S-G>2nd Der+SNV，由原始光谱结合OPLS-DA建立的牛肉掺鸡肉模型可靠性更高，模型训练集正确判别率和RMSEcv分别为97.42%和0.214 572。

由表2可知，在牛肉掺假模型中，经多种预处理方法建立的牛肉掺假的OPLS-DA模型训练集正确判别率为93.09%~97.24%。原始光谱、MSC、SNV、2nd Der+S-G、2ndDer+MSC、S-G+MSC、S-G+SNV方法所建模型均达到95%以上，经SNV与S-G+MSC建立的模型训练集正确判别率均为97.24%，结合ROC曲线对SNV与S-G+MSC 2种方法所建模型进行分析（图4）。2种模型ROC曲线的AUC（1）分别为0.993 41和0.994 797；AUC（2）分别为0.996 271和0.997 138；AUC（3）分别为0.998 092和0.998 613，对牛里脊肉、牛肉掺鸡肉、牛肉掺鸭肉分组对比，3组判别力S-G+MSC均高于SNV，结果表明经S-G+MSC处理建立的牛肉掺假OPLS-DA模型可靠性更高，模型训练集正确判别率和RMSEcv分别为97.24%和0.228 31。

2.2.2 牛肉中掺假鸡肉和鸭肉定性模型的验证

由表2可知，牛肉掺鸭肉模型和牛肉掺鸡肉模型中，原始光谱结合OPLS-DA建立的模型更为稳健，训练集正确判别率均为97.42%，RMSEcv分别为0.238 293和0.214 572。在牛肉掺假模型中，由S-G+MSC预处理结合OPLS-DA建立的模型最佳，训练集正确判别率达到97.24%，RMSEcv为0.228 31。对以上模型验证的结果见表3。

由表3可知，牛肉掺鸭肉模型预测集正确判别率和RMSEp分别为96%和0.243 879，其中牛肉和鸭肉样本全部判别正确，牛肉掺鸭肉30个样本有2个误判为牛肉；牛肉掺鸡肉模型预测集正确判别率和RMSEp分别为92%和0.231 052，鸡肉样本全部判别正确，牛里脊肉1个样本误判为牛肉掺鸡肉，牛肉掺鸡肉3个样本误判为牛里脊肉；牛肉掺假模型预测集的正确判别率和RMSEp分别为90%和0.259 763，其中牛里脊肉1个样本误判为牛肉掺鸡肉，牛肉掺鸡肉3个样本误判为牛里脊肉，牛肉掺鸭肉2个样本误判为牛肉掺鸡肉，1个样本误判为牛里脊肉。结果表明鸡肉和鸭肉均可与牛肉和掺假肉有明显区分，牛里脊肉与掺假肉会发生个别误判，原因可能为掺假肉中牛肉占比越大时，其掺假肉光谱与牛里脊肉光谱发生重叠，导致系统发生误判，但模型总体区分效果明显。

2.3 羊肉中掺假鸡肉和鸭肉定性模型的构建与验证

2.3.1 羊肉中掺假鸡肉和鸭肉定性模型的构建

由表4可知，在羊肉掺鸭肉模型中，模型训练集正确判别率为87.1%~96.13%。经SNV处理后建立的羊肉掺鸭肉的OPLS-DA模型判别率最高，训练集正确判别率和RMSEcv分别为96.13%和0.268 77。在羊肉掺鸡肉模型中，模型训练集正确判别率为89.03%~96.77%，经SNV和2ndDer+SNV处理后建立的模型训练集正确判别率均为96.77%，RMSEcv分别为0.206 73和0.237 377。由图5可知，对模型中的羊后腿肉、羊肉掺鸡肉、鸡肉分组对比，经SNV（A）和2ndDer+SNV（B）建立的羊肉掺鸡肉OPLS-DA模型对鸡肉的判别力均为1，SNV（A）对羊后腿肉和羊肉掺鸡肉的判别力均高于2ndDer+SNV（B）。结果表明，经SNV预处理结合OPLS-DA方法建立的羊肉掺鸡肉模型更可靠，应用近红外技术结合化学计量法可以实现对羊肉掺假鸡肉的检测。

由表4可知，羊肉掺假模型训练集正确判别率为94.47%~97.24%，经2nd Der+S-G和S-G+SNV预处理后模型训练集正确判别率均为97.24%。2种OPLS-DA模型的ROC曲线结果见图6。

由图6可知，对羊后腿肉、羊肉掺鸡肉、羊肉掺鸭肉分组对比，2nd Der+S-G（A）和S-G+SNV（B）两种模型AUC（1）分别为0.988 207和0.996 878；AUC（2）分别为0.984 998和0.986 472；AUC（3）分别为0.998 873和0.999 306。结果表明，由S-G+SNV预处理结合OPLS-DA方法建立的羊肉掺假模型最可靠。说明应用光谱技术可以有效鉴别羊肉分别掺杂两种不同来源肉的掺假问题，提高羊肉掺假鉴别的效率。

2.3.2 羊肉中掺假鸡肉和鸭肉定性模型的验证

由表4可知，在羊肉掺鸭肉模型和羊肉掺鸡肉模型中，用SNV预处理结合OPLS-DA方法建立的模型最佳，训练集正确判别率分别为96.13%和96.77%，RMSEcv分别为0.268 77、0.206 73。在羊肉掺假模型中，经S-G+SNV预处理结合OPLS-DA方法建立的模型最佳，训练集正确判别率达到97.24%，RMSEcv为0.247 501。对以上模型的验证结果见表5。

由表5可知，羊肉掺鸭肉模型的预测集正确判别率和RMSEp分别为92%和0.264 168，其中羊后腿肉10个样本有2个误判为羊肉掺鸭肉，羊肉掺鸭肉1个样本误判为羊后腿肉，鸭肉1个样本误判为羊肉掺鸭肉；羊肉掺鸡肉模型的预测集正确判别率和RMSEp分别为94%和0.215 725，判别过程中，羊后腿肉1个误判为羊肉掺鸡肉，羊肉掺鸡肉2个样本误判为羊后腿肉，鸡肉样本全部判别正确；羊肉掺假模型的预测集正确判别率和RMSEp分别为97.14%和0.254 05，其中羊后腿肉1个样本误判为羊肉掺鸡肉，羊肉掺鸡肉1个样本误判为羊肉掺鸭肉，羊肉掺鸭肉全部判别正确。说明羊后腿肉、鸡肉、鸭肉区分明显，羊后腿肉与掺假羊肉区分效果较差，总体上，以上3种模型判别效果明显。

3 讨论

2013年“马肉事件”的发生，人们对肉品掺假问题更加关注，近红外光谱技术因为分析速度快、效率高、成本低、绿色无损以及直接上样便可进行定性分析的优点，成为检测肉品掺假的一种新兴技术。关于应用近红外光谱技术快速检测牛羊肉品掺假，前人做了大量的研究，针对市面牛羊肉掺假现象，张玉华等^［19］、白亚斌等^［28］、杨清华等^［13］、Lopez-Maestresalas等^［35］、张丽华等^［20］、白京等^［29-30］利用NIRS技术结合化学计量学法成功建立了牛肉掺假模型以及羊肉掺假模型，鉴别效果明显，证实近红外光谱技术用于检测牛羊肉掺假的可行性。

本试验利用近红外光谱技术结合正交偏最小二乘判别分析方法对牛肉和羊肉中掺杂其他低档动物肉进行定性鉴别分析，构建牛羊肉掺假鸡肉、鸭肉定性鉴别模型。研究发现，利用原始光谱构建的牛肉掺鸭肉模型和牛肉掺鸡肉模型较其他预处理所构建模型更好，这与Leng等^［31］研究结果一致，认为造成的原因可能是，第一，预处理方法将冗余数据信号增强或使得特征信号趋于一致，对数据预处理时，部分重要信息丢失，导致模型鉴别效果降低。第二，可能与物质本身的化学结构相关联^［32］，不同预处理方法之后导致化学计量学法对光谱数据获取的有效信息不同，造成不同结果。比如，经SNV预处理结合OPLS-DA方法建立的羊肉掺鸭肉模型和羊肉掺鸡肉模型的鉴别效果均优于其他预处理所建模型，训练集正确判别率分别为96.13%和96.77%，预测集正确判别率为92%和94%。第三，可能与使用的化学计量学法有关，同一处理方法下，不同化学计量学法对处理后光谱得到特征信号不同。比如，张丽华等^［33］应用nu-SVM算法对牛肉掺鸭肉进行判别分析，通过比较不同预处理方法发现经MSC预处理后所建的牛里脊肉、掺假牛里脊肉和鸭肉的nu-SVM判别模型判别性能稳定，模型对建模集正确判别率为97.09%。

此外，本试验在牛羊肉里分别掺入不同比例鸡肉和鸭肉进行模型整体判别分析，结果两种模型训练集的正确判别率都达到97.24%，与Leng等^［31］、张玉华等^［19］、成甜甜^［34］研究结果一致。张玉华等^［19］ 运用近红外结合PCA法、判别分析法，建立羊肉掺假的定性鉴别模型，对羊肉、羊肉掺鸭肉、羊肉掺猪肉进行鉴别，模型训练集鉴别准确率为97.57%。而成甜甜^［34］基于光纤光谱技术对羊肉掺假进行检测，应用随机森林和加权随机森林算法鉴别羊肉、羊肉掺鸡肉、羊肉掺猪肉，结果显示羊肉与2种掺假肉可以100%被鉴别。说明应用近红外光谱技术结合OPLS-DA方法可以有效鉴别牛羊肉分别掺杂鸡鸭肉的掺假问题，提高牛羊肉掺假鉴别的效率。

4 结论

应用近红外光谱技术结合正交偏最小二乘判别分析法，分别建立牛肉掺鸭肉、牛肉掺鸡肉、牛肉掺假、羊肉掺鸭肉、羊肉掺鸡肉、羊肉掺假的定性鉴别模型。所有模型训练集鉴别准确率均达到95%以上，预测集鉴别准确率均达到90%以上。其中，牛羊肉掺假鉴别模型可以准确鉴别牛羊肉同时掺假鸡鸭肉。应用近红外光谱技术结合OPLS-DA方法可以实现对牛羊肉掺假的定性鉴别，预测准确率高。

参考文献

[1] Zheng X， Li Y Y， Wei W S，et al.Detection of adulteration with duck meat in minced lamb meat by using visible near-infrared hyperspectral imaging ［J］.Meat Science，2019，149：55-62.

[2] Wang W X， Peng Y K， Sun H W，et al.Spectral detection techniques for non-destructively monitoring the quality，safety，and classification of fresh red meat ［J］.Food Analytical Methods，2018，11（10）：2707-2730.

[3] 石长波，姚恒喆，袁惠萍，等.近红外光谱技术在肉制品安全性检测中的应用研究进展 ［J］.美食研究，2021，38（2）：62-67.

[4] Jin X L， Zarco-tejada P J， Schmidhalter U，et al.High-throughput estimation of crop traits：a review of ground and aerial phenotyping platforms［J］.Ieee Geoscience and Remote Sensing Magazine，2021，9（1）：200-231.

[5] Khouj Y， Dawson J， Cood J J，et al.Hyperspectral imaging and K-means classification for histologic evaluation of ductal carcinoma in situ ［J］.Frontiers in Oncology，2018，8，17.

[6] 庄齐斌，郑晓春，杨德勇，等.基于高光谱反射特性的猪肉新鲜度和腐败程度的对比分析 ［J］.食品科学，2021，42（16）：254-260.

[7] 王慧，何鸿举，张海曼，等.高光谱成像技术快速预测冷鲜鸡胸肉的嫩度 ［J］.海南师范大学学报（自然科学版），2018，31（2）：164-170.

[8] 孟一，张玉华，许丽丹，等.近红外光谱技术对猪肉注水、注胶的快速检测［J］.食品科学，2014，35（8）：299-303.

[9] 郝冬梅，周亚男，王玉，等.基于可见-近红外光谱与稀疏表示的注水肉识别［J］.光谱学与光谱分析，2015，35（1）：93-98.

[10] 於海明，徐佳琪，刘浩鲁，等.基于高光谱和频谱特征的注水肉识别方法［J］.农业机械学报，2019，50（11）：367-372.

[11] Kamruzzaman M， Makino Y， Oshita S.Rapid and non-destructive detection of chicken adulteration in minced beef using visible near-infrared hyperspectral imaging and machine learning［J］.Journal of Food Engineering，2016，170：8-15.

[12] Ropodi A I， Panagou E Z， Nychas G-J E.Multispectral imaging （MSI）：A promising method for the detection of minced beef adulteration with horsemeat ［J］.Food Control，2017，73：57-63.

[13] 杨清华，彭彦昆，郑晓春.基于阈值选取高光谱感兴趣区域的牛肉掺假检测［J］.食品安全质量检测学报，2018，9（11）：2710-2715.

[14] 孙宗保，王天真，李君奎，等.高光谱成像的牛肉丸掺假检测 ［J］.光谱学与光谱分析，2020，40（7）：2208-2214.

[15] 朱亚东，何鸿举，王魏，等.高光谱成像技术结合线性回归算法快速预测鸡肉掺假牛肉 ［J］.食品工业科技，2020，41（4）：184-189.

[16] Rady A， Adedeji A.Assessing different processed meats for adulterants using visible-near infrared spectroscopy ［J］.Meat Science，2018，136：59-67.

[17] Jiang H Z， Wang W， Zhuang H，et al.Hyperspectral imaging for a rapid detection and visualization of duck meat adulteration in beef［J］.Food Analytical Methods，2019，12（10）：2205-2215.

[18] 刘友华，白亚斌，邱祝福，等.基于高光谱图像技术和波长选择方法的羊肉掺假检测方法研究 ［J］.海南师范大学学报（自然科学版），2015，28（3）：265-269.

[19] 张玉华，孟一，姜沛宏，等.近红外技术对不同动物来源肉掺假的检测 ［J］.食品工业科技，2015，36（3）：316-324.

[20] 张丽华，郝莉花，李顺峰，等.基于支持向量机的近红外光谱技术快速鉴别掺假羊肉［J］.食品工业科技，2015，36（23）：289-293.

[21] Wiedemair V， De Biasio M， Leitner R，et al.Application of design of experiment for detection of meat fraud with a portable near-infrared spectrometer ［J］.Current Analytical Chemistry，2018，14（1）：58-67.

[22] 蒋祎丽，吴晓宗，郝莉花，等.近红外光谱技术快速检测猪肉糜中的掺杂鸭肉［J］.食品研究与开发，2015，36（21）：133-135.

[23] Fengou L C， Tsakanikas P， Nychas G J E.Rapid detection of minced pork and chicken adulteration in fresh，stored and cooked ground meat［J］.Food Control，2021，125，108002.

[24] 石吉勇，李文亭，邹小波，等.基于近红外光谱特征的三文鱼品质多指标快速检测 ［J］.光谱学与光谱分析，2019，39（7）：2244-2249.

[25] Zhao H T， Feng Y Z， Chen W，et al.Application of invasive weed optimization and least square support vector machine for prediction of beef adulteration with spoiled beef based on visible near-infrared （Vis-NIR） hyperspectral imaging［J］.Meat Science，2019，151：75-81.

[26] Weng S Z，Guo B Q，Tang P P，et al.Rapid detection of adulteration of minced beef using Vis/NIR reflectance spectroscopy with multivariate methods ［J］.Spectrochimica Acta Part a-Molecular and Biomolecular Spectroscopy，2020，230：118005.

[27] 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.

[28] 白亚斌，刘友华，丁崇毅，基于高光谱技术的牛肉-猪肉掺假检测［J］.海南师范大学学报（自然科学版），2015，28（3）：270-273.

[29] 白京，李家鹏，邹昊，近红外光谱定性定量检测牛肉汉堡饼中猪肉掺假 ［J］.食品科学，2019，40（8）：287-292.

[30] 白京，李家鹏，邹昊，近红外特征光谱定量检测羊肉卷中猪肉掺假比例 ［J］.食品科学，2019，40（2）：287-292.

[31] Leng T，Li F，Xiong L A，et al.Quantitative detection of binary and ternary adulteration of minced beef meat with pork and duck meat by NIR combined with chemometrics ［J］.Food Control，2020，113：107203.

[32] 郭旭生，尚占环，方向文，近红外光谱技术（NIRS）在反刍动物营养研究中的应用现状 ［J］.光谱学与光谱分析，2009，29（3）：641-646.

[33] 张丽华，相启森，李顺峰，基于支持向量机的近红外光谱技术鉴别掺假牛肉 ［J］.西北农林科技大学学报（自然科学版），2016，44（12）：201-205.

[34] 成甜甜.基于光纤光谱技术的羊肉掺假检测［D］.保定：河北农业大学，2021.

[35] Lopez-Maestresalas A，Insausti K，Jaren C，et al.Detection of minced lamb and beef fraud using NIR spectroscopy ［J］.Food Control，2019，98：465-473.

基金资助

国家自然科学基金项目(3186130281)

甘肃省青年科技基金计划项目(20JR5RA102)

甘肃农业大学伏羲青年英才培养计划项目(GAUfx-02Y07)