不同储藏温度下鲜猪肉微生物菌群及TVB-N的Logistic生长曲线模型分析

为研究鲜猪肉在不同储藏温度下主要腐败菌及其总挥发性盐基氮(TVB-N)含量随时间的变化规律,找出其变化函数模型。选取(-3±0.5)、(0±0.5)、(4±0.5)、(10±0.5)℃四个储藏温度组,每组设置0、10、20、34、48、72、96 h 7个不同的储藏时间,测定鲜猪肉细菌菌落总数、大肠杆菌等6个微生物指标和TVB-N含量,对各指标的时间序列值在4个储藏温度组间进行配对T检验,并建立Logistic生长曲线函数模型。结果表明:不同储藏温度组鲜猪肉各指标间存在极显著差异;各指标在不同储藏温度下与自变量时间t的Logistic生长曲线函数的决定系数R2均大于0.9;以总挥发性盐基氮含量为指标,得出理论上(0±0.5)℃储藏不超过76 h的为鲜猪肉,超过76 h不超过121 h的为次鲜肉。综合分析,鲜猪肉建议(0±0.5)℃储藏为宜,储藏时间不超过121 h。研究结果可为鲜猪肉储藏保鲜提供参考。

近红外光谱的预处理对羊肉TVB-N模型的影响

为研究能否通过对算法参数的调整和算法的组合来减弱甚至消除便携式近红外仪和样品组织结构等对样品光谱信息的影响,提高模型的预测准确性和稳健性,实现现场快速无损检测生鲜羊肉挥发性盐基氮(total volatile basic nitrogen,TVB-N)的目的。本研究应用不同参数组合的单一算法和不同算法组合对样品的光谱信息进行预处理并建模,从模型的预测准确性和稳健性2个方面探讨算法参数和算法组合对模型性能的影响,找出针对检测生鲜羊肉中TVB-N含量的最佳预处理方法。结果表明,不同的算法参数和算法组合对模型性能的影响差别很大,对样品的近红外光谱信息进行差分求导(窗口数为6,求导阶次为1)后,模型性能最佳。模型的校正标准差和验证标准差分别为1.21和1.31,校正标准差和验证标准差的比值为1.08小于1.2,主成分数为10,校正集相关系数和验证及相关系数分别为0.94和0.92。说明通过对算法参数的调整和对算法的组合可以有效提高模型性能,满足应用便携式近红外仪现场快速无损检测生鲜羊肉TVB-N含量的要求。

冷冻贮藏对冻猪肉冰晶形态、TVB-N及TBARS的影响

研究了冻藏(-10、-15、-19、-22℃,150d)对猪肉品质的影响。结果显示:冷冻温度越低,形成的冰晶越小,冷冻结束时,各处理的冰晶面积的分布范围为4045.855～5509.739μm2,相当直径分布范围为69.381～81.439μm;经150d贮藏后,尽管温度越低,冰晶重结晶速度越慢,冰晶的体积仍显著增大(p<0.01),面积为7546.855～11273.890μm2,相当直径为98.945～106.670μm;而圆度和长度则没有显著变化(p>0.05)。挥发性盐基氮含量(TVB-N含量)和硫代巴比妥酸还原值(TBARS值)同样也显著增大(p<0.05)。冰晶体积、TVB-N含量和TBARS值变化显示了很好的时间相关性。实验说明冰晶形态也可用于反应猪肉的新鲜程度。

一种基于高光谱图像的熟牛肉TVB-N含量预测方法

传统肉制品新鲜度检测方法具有耗时费力、效率低、有损等缺陷,提出利用高光谱成像(HSI)技术预测熟牛肉新鲜度指标挥发性盐基氮(TVB-N)含量。首先通过HSI系统获取熟牛肉样本的高光谱数据,并进行黑白校正。进而采用移动平均平滑和多元散射校正对高光谱数据进行预处理。最后采用支持向量回归(SVR)方法分别建立基于全光谱特征、单一光谱特征、单一纹理特征、主成分分析(PCA)融合特征对TVB-N含量的预测模型。结果显示,使用PCA融合特征的SVR模型,对新鲜度的关键指标TVB-N含量的平均预测准确度(APA)可达到85.13%,表明高光谱成像技术与信息融合技术相结合能够提升模型准确度。

基于嗅觉可视化的鲳鱼TVB-N预测模型

采用半微量凯氏定氮法对4℃恒温下储藏的冰鲜鲳鱼的TVB-N进行检测,同时利用嗅觉可视化技术提取其挥发性气味信息,将嗅觉可视化传感器阵列与鲳鱼挥发性气体发生反应前后的RGB颜色变化值作为传感器响应值,分别建立TVB-N的偏最小二乘法(PLS)、遗传偏最小二乘法(GA-PLS)预测模型.经比较,GA-PLS模型预测效果更优,预测集相关系数达到0.851 7;可视化传感器阵列响应信号与TVB-N之间存在较高的相关性,可以快速预测出鱼储藏期间TVB-N变化,从而无损评价鱼的新鲜度.

材料透氧率对包装鲜鱼肉TVB-N值的动态变化影响

以新鲜宰杀的草鱼鲜鱼肉为对象,采用不同透氧率包装材料包装,研究在不同包装方式(普通包装/真空V包装)及不同贮存温度(20℃/8℃)条件下,挥发性盐基氮(TVB-N)增加量随贮存时间的变化规律及动力学特性。结果表明:TVB-N增加量(Y)与贮存时间(t)关系均满足方程Y=AtB,其中系数A与包装材料的透氧率无关,与包装方式和贮存温度有关;系数B与包装材料的透氧率、包装方式和贮存温度均有关,并且与透氧量(Q)符合B a b elndQ=+方程,式中:a、b与包装方式和贮存温度有关,d与贮藏温度和材料的透氧量有关的系数,与包装方式无关。

TVB-N与生鲜草鱼片储藏时间和温度的关系

挥发性盐基氮(TVB-N)是反映水产品鲜度变化的重要指标之一。通过测定不同贮藏温度下的TVB-N随时间的变化值,并配合感官评价和汁液流失率的测定,研究其与生鲜水产品草鱼(Ctenopharyngodon idellus)腐败的相关关系,并建立TVB-N值与贮藏时间和贮藏温度之间的动力学模型。结果表明,挥发性盐基氮的值与贮藏温度及时间均呈正相关,即温度越高,时间越长,TVB-N值越大且增长趋势越明显,感官评分下降,汁液流失率上升,指标变化均反应水产品腐败程度加深。不同温度下TVB-N值随贮藏时间变化呈显著正相关(R2>0.987)。其一级反应动力学模型和阿伦尼乌斯方程对TVB-N值的变化有很高的模拟精度。挥发性盐基氮变化阿伦尼乌斯方程的回归系数为7.77×109。

MWPLS法在羊肉中TVB-N近红外定量分析中的应用

将移动窗口偏最小二乘（moving window partial least squares,MWPLS）法应用于羊肉中挥发性盐基氮（total volatile basic nitrogen,TVB-N）含量的近红外定量分析模型的构建中,通过改变MWPLS的窗口宽度,优选与羊肉中TVB-N含量高度相关的光谱区域。模型评价及验证结果显示,移动窗口宽度为160个波长点时优选得到的光谱区域（1 325～1 484 nm）所构建的定量分析模型最佳,其预测相关系数、预测标准偏差、主因子数和预测偏差比率分别为0.856 84、0.564 29 mg/100 g、5和2.9,这说明MWPLS可以有效地筛选羊肉中TVB-N的近红外光谱信息区间,提高定量分析模型的预测能力,并降低数据的处理量（数据点由800个减少为160个）。

贮运温度对包装鲜草鱼肉TVB-N的动态变化影响研究

采用高、低两种阻隔包装材料及真空、普通两种包装方式包装鲜鱼肉,研究了在不同的贮存温度下,包装鲜草鱼肉挥发性盐基氮(TVB-N)的增加量随存放时间的变化规律及数学关系式。结果表明,不同贮存温度下,包装鲜草鱼肉的TVB-N增加量(Y)与贮存时间(t)符合Y=A·tB关系式,其中系数A、B与包装方式和贮存温度有关,且与温度T符合A=c+f·EXP(T/g),B=a+b·EXP(lnQT/d)关系式,系数c、f、a、b均与温度和包装方式有关,系数g只与包装方式有关,系数d与贮存温度和包装材料的透氧量有关。

基于支持向量回归的鱼粉TVB-N值电子鼻检测

挥发性盐基氮(TVB-N)是衡量鱼粉新鲜度一个十分重要的指标,探索鱼粉TVB-N快速检测方法对鱼粉品质检测具有重要意义。利用研制的电子鼻对不同新鲜度的鱼粉样本进行电子鼻数据采集,建立了电子鼻数据和TVB-N值之间的支持向量回归模型(SVR),利用预测集进行验证,并与多元线性回归(MLR)方法进行比较。结果表明,支持向量回归模型预测精度优于MLR模型,其决定系数R2、预测标准差SEP、最大相对误差RE-max、平均相对误差RE-mean分别为0.910、4.32、8.92%、1.87%。支持向量回归和电子鼻技术检测鱼粉TVB-N含量是可行、有效的方法。

生鲜调理青椒肉丝保鲜中TVB-N的变化

研究了山梨酸钾、乳酸链球菌素和脱氢乙酸钠对生鲜调理青椒肉丝保鲜效果的影响,经真空包装后,在0-4℃贮藏条件下定期分别测定其感官、挥发性盐基氮(TVB-N)等指标的变化,对样品保鲜效果进行综合评价.结果表明:采用不同浓度的防腐剂处理样品,可不同程度地抑制微生物生长繁殖,减缓TVB-N的上升,延缓感官质量的下降,从而延长其保鲜期;其中乳酸链球菌素综合保鲜效果最好,保鲜期可以达到10 d,脱氢乙酸钠次之,山梨酸钾较差.

“灌水猪肉”的TVB-N值测定和快速检验

通过对灌水猪肉新鲜度指标TVB-N值的测定表明,灌水肉腐败变质速度比正常肉快。气温27℃时,灌水肉宰后9小时TVB-N值(mg/100g)为18.4(正常肉15.1),宰后12小时为25.6(正常肉21.3)。宰后主要通过灌水肉的感官特点进行快速检验。注意同PSE肉鉴别。

MIV波长优选改善VIS/NIR光谱TVB-N模型性能研究

挥发性盐基氮(TVB-N)是衡量肉品新鲜的重要理化指标,利用可见/近红外(VIS/NIR)光谱对TVB-N含量进行定量检测具有重要意义。预测模型是VIS/NIR光谱检测TVB-N含量性能的关键要素,使其兼顾准确性与稳健性可有效改善TVB-N的定量分析结果。以猪肉为例,采集51组不同新鲜度样本的VIS/NIR光谱数据,去除低信噪比区间200~450和900~1000 nm,选取有效波段450~900 nm的光谱数据用于建模。随后利用主成分分析(PCA)对光谱信息降维,构建一个反向传播神经网络(BPNN)模型。在此基础上,提出用平均影响值(MIV)方法从有效波段中优选与肉质TVB-N含量强相关的特征波长,最终基于221个优选波长,构建一个MIV-PCA-BPNN预测模型。实验表明,初步构建的PCA-BPNN非线性预测模型,校正相关系数(R_C)和校正均方根误差(RMSEC)分别为0.96和1.47 mg/100 g,预测相关系数(R_P)和预测均方根误差(RMSEP)分别为0.93和1.74 mg/100 g,模型稳健性指标为1.18,优于经典的线性预测模型主成分分析回归和偏最小二乘回归,证明TVB-N具有较强的非线性效应。最终构建的MIV-PCA-BPNN预测模型的R_C和RMSEC分别为0.98和1.21 mg/100 g,R_P和RMSEP分别为0.96和1.12 mg/100 g,模型稳健性指标为1.08,在所构建的预测模型中,RMSEC和RMSEP最小,RC和RP最大,模型的准确性和稳健性最佳。另外,MIV方法筛选出的特征波长集中在7个波峰附近,皆分布于肉品中化学成分的吸收区内,且与TVB-N中的含氢基团的特征吸收峰表现出高度一致性,为利用MIV方法筛选波长变量提供了理论依据。研究结果显示,MIV波长优选可有效改善预测模型的性能,为利用神经网络剔除无关波长变量提供了新思路,所构建的MIV-PCA-BPNN预测模型满足了肉质中TVB-N定量分析的需求。

融合光谱和图像特征信息的羊肉TVB-N含量无损检测

为实现羊肉挥发性盐基氮(TVB-N)含量的快速、无损检测,利用可见-近红外光谱与机器视觉技术提取光谱特征信息和图像特征参数,将图谱特征信息融合后建立羊肉样品中TVB-N的最小二乘支持向量机(LSSVM)预测模型。采集贮藏1~15 d的73个羊肉样品在320~1100 nm波段范围的可见-近红外光谱和图像信息,参照国家标准方法测定样品中TVBN含量。采用竞争性自适应加权算法优选特征波长作为光谱特征信息,提取样品图像的颜色及纹理特征作为图像特征信息,通过特征层融合法将光谱信息与图像信息融合成总特征参数。分别基于3种特征信息建立羊肉TVB-N含量的LSSVM预测模型。结果表明:基于图谱融合信息建立的模型预测精度优于仅利用光谱信息或图像信息的建模结果,其验证集相关系数为0.930,标准分析误差为1.873 mg/100 g,相对分析误差为2.635。该结果证实基于融合图谱特征信息无损预测羊肉贮藏过程中TVB-N含量的可行性,为实现羊肉样品中TVB-N含量的定量、快速、无损、准确预测提供了参考方法。

鱼豆腐加工过程中N-亚硝胺含量的动态变化

为了解原料及加工工艺对鱼糜制品中N-亚硝胺含量的影响,采用气相色谱法测定鱼豆腐原料及加工过程中N-亚硝胺(9种)的含量,并分析其与亚硝酸盐含量、硫代巴比妥酸反应物质(thiobarbituric acid reaction substances,TBARs)值及挥发性盐基氮(total volatile basic nitrogen,TVB-N)含量的相关性。结果表明:鱼豆腐原料中TVB-N和亚硝酸盐的含量在加工过程中分别下降了7.6 mg/100 g和0.2 mg/100 g,TBARs值升高了0.8 mg/kg。原料中均未检出N-二甲基亚硝胺(N-nitrosodimethylamine,NDMA),但检出了N-二乙基亚硝胺(N-nitrosodiethylamine,NDEA)(0~3.23μg/kg)和N-甲基乙基亚硝胺(N-nitrosoethylmethylamine,NMEA)(0~8.62μg/kg),增味剂I+G中还含有N-亚硝基哌啶(N-nitrosopiperidine,NPIP)((6.35±0.30)μg/kg)和N-亚硝基吡咯烷(N-nitrosopyrrolidine,NPYR)((2.28±0.50)μg/kg)。斩拌过程中加入脂肪使NMEA和NDEA含量增加,蒸煮和油炸后二者含量显著降低,分别为(17.76±0.50)μg/kg和(0.10±0.00)μg/kg,油炸后成品中检出少量NDMA((0.15±0.00)μg/kg)。另外,NDMA和NDEA的含量与油炸温度及TVB-N含量呈正相关,NMEA含量与TBARs值呈正相关。

猪肉自然放置时间与TVB—N的动态变化研究

采用半微量定氮法对高原缺氧环境下猪肉自然放置时间与TVB—N的动态变化进行了研究.

测定鲜肉中TVB—N碱性试剂的改进

用1%碳酸钠溶液作为半微量定氮法的碱性试剂对鲜肉中 TVB-N 的检测结果与原法以1%氧化镁混悬液作碱性试剂时的结果无显著差异(P>0.05),表明可以用1%碳酸钠溶液代替1%氧化镁混悬液作为碱性试剂测定鲜肉中的 TVB-N。

猪肉理化指标的近红外光谱无损检测

我国是世界上最大的猪肉生产国,同时也是最大的消费国。猪肉的品质影响着人们摄取蛋白质的质量,目前缺乏有效的快速无损检测方法应对巨大的检测需要。为快速测定冷藏猪肉挥发性盐基氮(TVB-N)、pH值和含水率,提出一种新的猪肉品质检测方法,利用近红外光谱技术结合化学计量学方法建立冷藏猪肉TVB-N、pH值和含水率的数学模型。以不同种类的白条猪肉为研究对象,选择排酸完成后的猪最长背部肌肉的切块,采集相应猪肉近红外光谱数据并结合化学计量学试验获取TVB-N、pH和含水率的测量值,对比分析采集到的光谱信息和理化指标,发现在8600~8450、7160~6950、5300~5000 cm^(-1)区域出现显著的吸收峰,而8600~8450 cm^(-1)附近吸收峰的峰值却明显小于其他吸收峰。使用SPXY(sample set partitioning based on joint X-Y distances)算法进行数据集划分,将数据集按照3∶1的比例划分成训练集和测试集。使用蒙特卡罗交叉验证法(MCCV)剔除异常数据,通过偏最小二乘法回归(PLSR)建立TVB-N、pH值、含水率和全波段光谱信息的回归关系。利用数据中心化、Savitzky-Golay(S-G)一阶求导、S-G二阶求导、直接差分二阶求导和多元散射校正等方法对原始光谱进行预处理,探寻合适的预处理方式。结果显示:数据中心化、直接差分二阶求导、二阶求导取得较优的试验效果;故结合竞争性自适应重加权算法(CARS)、非信息变量剔除(UVE)、连续投影算法(SPA)等特征波长提取算法建立PLSR特征波段模型并进行分析。结果显示,TVB-N、pH值、含水率的预测模型结构分别为数据中心化-CARS-PLSR、直接差分二阶求导-CARS-PLSR、二阶求导-CARS-PLSR时具有优异的性能,其中训练集相关系数RC分别为0.9471、0.9988、0.9971,均方根误差(RMSE)分别为1.2088、0.0087、0.0015;测试集相关系数RP分别为0.9275、0.9630、0.9459,RMSE分别为1.6836、0.0517、0.0056。综上可知,近红外波段区域与猪肉TVB-N、pH值、含水率存在显著相关性,利用近红外光谱可以准确预测猪肉中TVB-N、pH值和含水率。

^(60)Co-γ辐照对红烧鸡块货架期及其感官品质的影响

为探讨辐照保鲜技术应用于红烧鸡块的最适条件,利用60Co-γ射线对红烧鸡块进行辐照灭菌,分析辐照剂量与红烧鸡块感官品质、微生物生长、过氧化值、酸价、TVB-N值及货架期之间的关系。结果表明,使用辐照剂量为8k Gy的60Co-γ射线对红烧鸡块进行处理,在贮藏120d后,红烧鸡块中的微生物数量可以得到有效控制,过氧化值、酸价、TVB-N值均在合理标准内,最大限度地保持产品新鲜度和感官品质,有效延长了产品的货架期。本研究为我国传统地方菜系的工业化生产提供了技术支持。

两种金枪鱼不同等级肌肉质量特征比较分析

为更好地评判金枪鱼不同等级肌肉的品质差异,满足市场对其分级消费需求,以国内市场流通中的黄鳍金枪鱼(Thunnus albacares)和大目金枪鱼(T.obesus)两种主要金枪鱼的腹部肌肉为研究对象,采用感官经验质量分级(A、D级)为标准,对其新鲜度、营养、色差、质构等指标进行比较分析。结果显示:两种金枪鱼A级的挥发性盐基氮数值(total volatile basic nitrogen,TVB-N)显著低于D级(P<0.05),A级新鲜度更高。两种金枪鱼不同等级肌肉的粗蛋白含量差异不显著(P>0.05),均含有较高的蛋白质(22.29%~23.77%)。氨基酸组成上,均检测出17种氨基酸,其中必需氨基酸含量在12.14~14.44 g·100g-1,占氨基酸总量的38%以上。氨基酸评分(amino acid score,AAS)和化学评分(chemical score,CS)均在国际规定水平之上。A级肌肉的粗脂肪含量显著高于D级(P<0.05),黄鳍金枪鱼A级显著高于同等级的大目金枪鱼(P<0.05),为大目金枪鱼的2.39倍。在色差指标上,两种金枪鱼A级与D级的肌肉色差差异显著(P<0.05)。大目金枪鱼A级的肌肉弹性和咀嚼性最高,黄鳍金枪鱼A级肌肉的胶粘性和剪切力显著高于其他指标(P<0.05)。研究结果表明,可以将粗脂肪、色差、弹性、咀嚼性及TVB-N作为金枪鱼等级划分的重要判定指标,为金枪鱼质量等级的精准划分及产品精深加工利用的分类指导提供了科学依据。