Chinese Journal of Animal Nutrition >

2023 , Vol. 35 >Issue 5: 3342 - 3348

DOI: https://doi.org/10.12418/CJAN2023.310

RESEARCH PAPER

Research of Pork Color Based on Spectral and Chromaticity Information

  • WANG Wei , 1 ,
  • LI Jing 2 ,
  • ZHANG Junmin , 2, ** ,
  • FAN Wenjie 3 ,
  • LU Donghua 1
Expand
  • 1 National Key Laboratory of Remote Sensing Information and Imagery Analyzing Technology, Beijing Research Institute of Uranium Geology, Beijing 100029, China
  • 2 State Key Laboratory of Animal Nutrition, Institute of Animal Sciences of Chinese Academy of Agricultural Sciences, Beijing 100193, China
  • 3 Institute of Remote Sensing and Geographical Information System, Peking University, Beijing 100871, China
**professor, E-mail:

*Contributed equally

Received date: 2022-11-02

  Online published: 2023-05-11

Fold

Abstract

This experiment was conducted to study the spectral characteristic of pork in different parts and its relationship with meat color. The spectral datas and corresponding meat color values of pork in different parts were measured by ASD-2000 spectrometer and CR-400 colorimeter, to forming characteristic spectra of pork in different parts. Through random forest, maximum mutual information index and optimal index factor, selected the 473 and 1 078 nm bands that reflect the largest differences in meat color. Using the combination of these bands, the pork color ratio index (PCRI) was proposed, and the correlation between PCRI and chromaticity index and browning index was analyseed. The results showed that the spectral characteristic of pork belly was easy to distinguish, and the spectral characteristic of tenderloin and leg meat were slightly similar, but the difference between the two can be effectively distinguished by PCRI. There was a significant negative correlation between PCRI and chemical chromaticity index of tenderloin and leg meat (P<0.05), and there was a significant negative correlation between PCRI and browning index of tenderloin (P<0.05). In summary, we obtained the spectral characteristic of pork in different parts based on its spectral data, and proposed the FCRI, and there is a significant negative correlation between PCRI chemical chromaticity index and browning index of pork.

Key words： pork color; characteristic spectrum; pork color index

Cite this article

WANG Wei , LI Jing , ZHANG Junmin , FAN Wenjie , LU Donghua . Research of Pork Color Based on Spectral and Chromaticity Information[J]. Chinese Journal of Animal Nutrition, 2023 , 35(5) : 3342 -3348 . DOI: 10.12418/CJAN2023.310

在我国居民的消费结构中,猪肉一直占据着主导位置,是我国居民日常饮食的主要蛋白质来源[1]。猪肉肉色是影响消费者选择和偏好的最直观因素,受饲养环节、屠宰和储藏条件的影响,并反映了不同状态下肌肉的生物化学、微生物和物理属性的差异[2],常被用作衡量其他质量属性的间接指标,成为判断猪肉品质与新鲜程度的常用判断标准之一[3]。通过对猪肉肉色的量化研究,对于确定其品质特性而言具有重要的价值。
传统肉品质评价主要是通过人工感官进行评价,但该方法往往主观性较强、可重复性较差。而非成像光谱技术因操作简单、非破坏性、测试重现性好等特点,成为农畜产品无损检测与品质评价领域的研究热点。Balage等[4]基于400~1 495 nm波长的光谱建立偏最小二乘模型对猪肉的pH、肉色、肌内脂肪含量以及剪应力等多项参数进行预测,并根据预测结果将样本进行了分类。孙宏伟等[5]通过建立偏最小二乘模型对猪肉里脊主要品质参数以及pH进行验证,验证结果表明其模型满足对猪肉肉色及pH等品质参数检测的要求。田潇瑜等[6]以块状生鲜牛肉为样本,研究了基于可见光及近红外反射光谱的生鲜牛肉品质参数检测模型。石吉勇等[7]利用连续投影算法提取人造肉的特征波长,并利用模式识别进行人造肉中低色度差异物的检测,取得了不错的效果。以上研究结果说明了光谱技术在肉色评价、品质分类以及参数定量化分析方面的可行性及实际的应用价值。
目前,大部分关于肉色高光谱定量化的研究主要集中于对同一种类肉的品质分类以及相应检测参数的定量化模型研究上,但不同部位猪肉的质地存在一定差异,而少有针对不同部位的肉色光谱差异研究,以及建立相应的指标反映肉色差异与新鲜程度的变化情况。因此,本文主要以不同部位的猪肉为研究对象,建立不同部位肉品的特征光谱,测量亮度(L*)、红度(a*)、黄度(b*)值,并建立反映不同肉色差异的化学色度(chemical chromaticity,CC)指标,同时获得400~2 300 nm波长的光谱反射率,通过特征提取方法,优选与肉色色度指标高度相关的特征波段建立光谱指数。利用光谱指数对不同部位的肉品进行量化描述,并得到光谱指数与不同部位肉色指标间的相关关系;进一步通过探索肉品光谱指数随贮藏时间肉色的变化情况,为后期利用光谱指数判断猪肉肉色与肉品质研究提供一定的先验基础。

1 材料与方法

1.1 猪肉样本获取

试验所有猪肉样本来自当天以及提前3和5 d在市场购买的不同个体猪肉的冷鲜肉,保鲜袋包装,利用无菌刀剔除表面脂肪以及筋膜组织。在采集光谱之前,选择4块不同厚度(0.5、1.0、1.5和2.0 cm)的通脊进行光谱测试。经观察与验证后,将猪肉切割为9.0 cm×9.0 cm×1.5 cm左右的平整样品,供后续光谱测定。样本共分为通脊当天(0 d)、通脊3 d、通脊5 d、腿肉、五花肉、脂肪6个类别,共300个样品。其中,通脊3 d与通脊5 d表示置于4 ℃冰箱中储存相应天数的通脊样本,用于验证肉色随冷藏时间变化的情况。

1.2 样本光谱测定

ASD-2000光谱仪是可用于测量可见光到近红外波段(350~2 500 nm)范围内反射率的便携式波谱测量仪器,光谱分辨率8 nm。通过使用光纤探头进行垂直探测,便可以得到不同测量物体的连续光谱特征曲线。
按照不同部位,将切割好的样品置于室温[(25±1) ℃]环境下并用吸水纸拭去表面水分后置于纯黑托盘上。为了尽量避免测量过程中的各种误差,将肉品置于暗箱中以消除外界光污染的影响。每次测量前对仪器进行白板反射校正,以消除传感器响应系统变化的影响。使用探针垂直采集猪肉样本表面的漫反射光谱信息,每个猪肉样品连续采集5次光谱数据,取平均值作为样本的原始光谱。
为了消除光谱曲线在某些波段的细微波动,分别对光谱数据进行半窗为5的Savitzky-Golay(SG)滤波以及多元散射校正,以最大程度上消除光谱中的随机变异,而尽量保留样品原有的与化学组分有关的信息。同时剔除在350~400 nm以及2 300~2 500 nm处信噪比低处的数据,保留400~2 300 nm处的光谱信息。

1.3 色度指标测定

完成光谱测定后,对CR-400色差仪进行预热,白板校正。随后将色差仪镜头垂直置于待测肉品上,确保其紧扣不漏光,每个样本测定3个不同区域,取其均值作为该样本的色度值。
基于L*、a*、b*值计算肉色的化学色度指标,以综合量化肉色的化学色度信息,计算公式如下:
化学色度指标= a * 2 + b * 2 a r c t a n b * a *。
同时利用测得的L*、a*、b*色度信息计算褐化指数(browning index,BI)[8],以表征肉色随时间变化的褐化程度,计算公式如下:
褐化指数= ( a * + 1.75 L * ) a * 0.17 ( 5.645 L * + a * - 3.012 b * )-1.824。

1.4 特征波长提取

通过设置10~230,以20为间隔的单树数量以及设置10~110,以10为间隔的深度进行随机森林[9]网格参数搜索,选择与肉色色度指标相关度最高的前150个波段。而后分别计算各猪肉样本的化学色度指标与400~2 300 nm内光谱数据的最大互信息数[10],取其互信息数大于0.4的部分。最后通过最佳指数因子(OIF)综合波段信息量与波段间的相关性,对各个特征波段按从大到小求取其最佳指数因子,完成与肉色相关性的光谱波段组合的筛选。

1.5 统计分析

利用SPSS 26.0软件进行皮尔森相关性分析,P<0.05表示显著相关。

2 结果与分析

2.1 不同部位猪肉特征光谱

图1展示了不同部位猪肉样本的光谱特征曲线。4类不同部位猪肉样品在400、550、1 000、1 200 nm处均表现出较大的吸收特性,而在500、700、1 100、1 300 nm处表现出较大的反射特性,其中最强的吸收和反射分别出现在400和700 nm处,整体趋势较相似,但除脂肪外,其他各类猪肉样本的差异性不甚明显。由于脂肪对于肉色变化影响不大,因此肉色研究以五花肉、通脊和腿肉为主,不再分析有关脂肪的光谱特征。
图1 不同部位猪肉的光谱特征曲线

Fig.1 Spectral characteristic curve of pork in different parts

2.2 波长选取结果及反射特征

利用1.4中机器学习方法提取得到最终的2个特征波段分别为473和1 078 nm,其最佳指数因子得分达到0.3。
结合图2中的光谱曲线发现,由于脂肪含量不同,五花肉在整个波长范围内有着最高的反射率。具体到特征波段来看,在473 nm处,五花肉的反射率达到了29%,而通脊和腿肉的反射率分别为23%和16%;在1 078 nm处五花肉的反射率变化不大,接近于30%,反观腿肉与通脊,二者虽整体数值变化不大,但反射情况与473 nm恰好相反,通脊的反射率仅有16%,而腿肉的反射率为20%。
图2 不同部位猪肉在特征波段处的反射率

Fig.2 Reflection of pork in different parts in characteristic wave band

2.3 不同部位猪肉光谱差异的指数区分

结合不同部位猪肉特征光谱情况发现,五花肉的反射率与其余部位肉的反射率差异明显且变化较为稳定,而通脊与腿肉在这2个波段变化较大,互为增减。通过对473和1 078 nm波段构建比值指数能够有效区分通脊与腿肉的光谱差异。因此,定义肉色比值指数(pork color ratio index,PCRI)进一步区分腿部肉与通脊肉的差异,即PCRI=473 nm波段/1 078 nm波段。通过分析PCRI发现,通脊的PCRI均分布在1.2~1.8,而对于腿肉,其PCRI主要分布在0.4~1.2,不同部位猪肉,其PCRI有一定的区别。

2.4 PCRI与化学色度的相关性

表1展示了不同部位猪肉的PCRI和L*、a*、b*值及化学色度。通过将PCRI与各色度值以及化学色度利用SPSS 26.0软件进行皮尔森相关性分析发现,各部位猪肉的PCRI与肉色化学色度间存在高度负相关性。通脊的PCRI与肉色化学色度的相关性为-0.86,腿肉的PCRI与肉色化学色度的相关性-0.89,均为显著相关(P<0.05)。不同部位猪肉反映到化学色度中,一般通脊的化学色度小于20,而腿肉的化学色度多集中在20~50。
表1 不同部位猪肉的PCRI和L*、a*、b*值及化学色度

Table 1 PCRI and L*, a* and b* values and chemical chromaticity of pork in different parts

项目
Items		 肉色比值指数
PCRI		 亮度
L*		 红度
a*		 黄度
b*		 化学色度
Chemical
chromaticity
通脊
Tenderloin		 1.47 54.02 7.33 6.69 13.41
1.58 54.00 5.81 6.26 10.38
1.45 56.70 5.94 7.19 10.59
1.31 57.33 11.30 9.49 21.11
1.35 54.92 10.35 7.74 20.12
1.65 54.91 5.72 6.71 10.19
1.42 54.97 7.76 6.76 14.37
1.51 53.53 7.63 7.44 13.78
1.70 53.01 5.35 5.18 9.69
1.48 55.67 7.74 7.33 14.05
腿肉
Leg meat		 0.80 47.71 15.06 9.14 32.30
0.59 40.43 17.24 6.66 50.15
0.63 43.49 15.35 6.81 40.22
0.66 42.10 15.24 6.51 41.08
0.59 40.58 18.17 7.39 50.75
0.89 45.94 15.83 7.62 39.13
0.81 44.84 14.07 6.27 36.73
0.85 42.06 13.46 6.17 34.48
0.88 43.47 15.14 7.22 37.72
0.90 41.71 13.83 6.23 35.85

2.5 PCRI与褐化指数之间的关系

图3展示了不同贮藏时间的通脊特征光谱曲线及PCRI与褐化指数之间关系。如图3-a所示,随着贮藏时间的延长,猪肉不断失水干燥,细胞膜与细胞液的光谱吸收作用减弱。因此在近红外波段中,反射率随着贮藏时间的增加而提高。如图3-b所示,通过SPSS 26.0软件进行皮尔森相关性分析发现,PCRI与褐化指数之间的相关系数(R2)达到了-0.60,呈显著负相关(P<0.05),将二者进行一阶线性回归,相关系数达到了0.62。即随着猪肉贮藏时间越久,褐化指数不断增加,PCRI不断减小。
图3 不同贮藏时间的通脊特征光谱曲线(a)及PCRI与褐化指数之间关系(b)

Fig.3 Characteristic spectral curves of tenderloin at different storage times (a) and relationship between PCRI and browning index (b)

3 讨论

3.1 色度值和光谱指数之间相关性对于肉色的解释意义

禹文杰等[11]利用从高光谱图像中提取得到的若干特征建立最小二乘模型对牛肉类别进行直接预测,取得了较好的预测精度,其利用L*值进行预测,相关系数达到了0.97,利用a*和b*值构建的模型相关系数也分别达到了0.92、0.95,研究结果对于探索色度值与光谱指数之间的定量描述关系具有一定启发意义。郑浩等[12]以标准肉色评分板对猪肉背最长肌肉色进行打分,研究发现分级肉色与L*值的相关系数达到-0.89。孙京新等[13]利用数字图像进行猪肉背最长肌的肉色质量的评价中,也证明肉色与L*、a*和b*值的相关性,三者对于肉色的决定系数达到0.84。
通过研究PCRI与色度值的相关性发现,对于通脊部分,PCRI与L*值的相关性高达-0.91,符合前者已有研究的结论,而PCRI与肉色化学色度相关性也达到了-0.86。但在针对腿肉PCRI相关性分析中,PCRI与肉色化学色度的相关程度要比L*、a*、b*值更好,达到了-0.89。这说明肉色化学色度和肉色光谱指数存在极高相关性,利用PCRI进行肉色定量研究具有一定的可行性。不过数据也反映出不同质地猪肉肉色存在一定差异,背长肌与通脊得到的分析结果相符合,而与腿肉则略有不同。因此,后续研究在利用回归模型进行肉品质分类与评价过程中,应适当考虑针对不同部位、不同质地的肉品选择对应的评价模型。

3.2 褐化指数和光谱指数之间相关性对于新鲜度指示意义

刘琦等[14]从微观角度解释猪肉肉色随贮藏时间的光谱变化,在试验中证明了蛋白质氧化过程中化学键的震动以及脂肪分解的过程确实会影响肉品的拉曼光谱特征变化。这对于探索光谱指数来指示肉色新鲜度变化也具有一定的借鉴意义。
随着贮藏时间的增长,猪肉中的水分含量不断减少和微生物作用导致肉色褐化,褐化程度越低,则猪肉越新鲜。本试验研究得到PCRI与褐化指数之间的相关性为-0.60,为显著相关。但是,由于不同贮藏时间样本的光谱与色度测量数据量较少,致使褐化指数与光谱指数的关系仍存在一定的随机性。未来研究中,考虑增加不同部位的样本,再具体考察光谱指数与褐化指数之间的联系。

4 结论

① 通过测定不同部位猪肉的光谱数据,得到了反映猪肉不同部位肉色差异的特征光谱。基于特征光谱,选择473和1 078 nm建立PCRI。
② 通过分析PCRI与反映肉色的色度值以及化学色度之间的关系,发现PCRI与肉色之间高度相关。通过分析PCRI与反映肉色新鲜度变化的褐化指数之间的关系,发现随着贮藏时间的增加,褐化指数不断增加,PCRI逐渐减少,二者存在一定负相关性。
③ PCRI不仅可以通过光谱角度解释不同部位肉色值上差异,其对于肉色的高度可解释性为肉品分类以及肉色评价模型提供了新的参考因素,同时也为后续通过光谱指数定量描述肉品新鲜程度变化提供了先验可能。

本研究获得了中国农业科学院北京畜牧兽医研究所提供的基金支持,同时在试验过程中得到了北京大学地球与空间科学学院的陶韵竹、唐荣、张辰璐、杨欣宇同学以及核工业北京地质研究院遥感重点实验室的栗旭升、伍炜超同学的帮助与支持,这里一并表示感谢。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张鑫, 王宇波, 黄志清, 等. 猪肉品质营养调控的研究进展[J]. 动物营养学报, 2020, 32(10):4555-4564.

DOI

ZHANG X, WANG Y B, HUANG Z Q, et al. Research progress of nutritional regulation for meat quality of pigs[J]. Chinese Journal of Animal Nutrition, 2020, 32(10):4555-4564. (in Chinese)

[2]
LI J, ZHANG J Q, YANG Y Y, et al. Comparative characterization of lipids and volatile compounds of Beijing Heiliu and Laiwu Chinese black pork as markers[J]. Food Research International, 2021, 146:110433.

DOI

[3]
LI J, YANG Y Y, ZHAN T F, et al. Effect of slaughter weight on carcass characteristics,meat quality,and lipidomics profiling in longissimus thoracis of finishing pigs[J]. LWT, 2021, 140:110705.

DOI

[4]
BALAGE J M, DA LUZ E SILVA S, GOMIDE C A, et al. Predicting pork quality using Vis/NIR spectroscopy[J]. Meat Science, 2015, 108:37-43.

DOI PMID

[5]
孙宏伟, 彭彦昆, 林琬. 便携式生鲜猪肉多品质参数同时检测装置研发[J]. 农业工程学报, 2015, 31(20):268-273.

SUN H W, PENG Y K, LIN W. Development of a portable device for simultaneous detection on multi-quality attributes of fresh pork[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(20):268-273. (in Chinese)

[6]
田潇瑜, 徐杨, 彭彦昆, 等. 基于光谱技术的牛肉多品质参数快速检测模型[J]. 农业机械学报, 2013, 44(S1):171-176.

TIAN X Y, XU Y, PENG Y K, et al. Rapid detection model of beef quality based on spectroscopy[J]. Transactions of the Chinese Society of Agricultural Machinery, 2013, 44(S1):171-176. (in Chinese)

[7]
石吉勇, 刘传鹏, 李志华, 等. 高光谱特征的人造肉中低色度差异物检测[J]. 光谱学与光谱分析, 2022, 42(4):1299-1305.

SHI J Y, LIU C P, LI Z H, et al. Detection of low chromaticity difference foreign matters in soy protein meat based on hyperspectral imaging technology[J]. Spectroscopy and Spectral Analysis, 2022, 42(4):1299-1305. (in Chinese)

[8]
王俊燚, 董金金, 刘伟, 等. 银杏愈伤组织生长、褐化与黄酮积累研究[J]. 生物技术通报, 2019, 35(2):16-22.

DOI

WANG J Y, DONG J J, LIU W, et al. Research on the growth,browning and flavonoid accumulation of Ginkgo biloba callus[J]. Biotechnology Bulletin, 2019, 35(2):16-22. (in Chinese)

[9]
常翔宇, 柯长青. 基于随机森林算法的城市不透水面信息提取——以长春市为例[J]. 测绘通报, 2020(11):43-49.

CHANG X Y, KE C Q. Urban impervious surface information extraction based on random forest algorithm:taking Changchun as an example[J]. Bulletin of Surveying and Mapping, 2020(11):43-49. (in Chinese)

[10]
谭泗桥, 张席, 李钎, 等. 基于最大互信息系数的信息推送模型构建[J]. 吉林大学学报(工学版), 2018, 48(2):558-563.

TAN S Q, ZHANG X, LI Q, et al. Information push model-building based on maximum mutual information coefficient[J]. Journal of Jilin University (Engineering and Technology Edition), 2018, 48(2):558-563. (in Chinese)

[11]
禹文杰, 王彩霞, 乔芦, 等. 基于高光谱成像技术的泾源黄牛肉色度PLSR预测模型构建[J]. 浙江农业学报, 2020, 32(3):527-533.

DOI

YU W J, WANG C X, QIAO L, et al. Construction of PLSR prediction model for detecting color of Jingyuan yellow beef by hyper-spectral technique[J]. Acta Agriculturae Zhejiangensis, 2020, 32(3):527-533. (in Chinese)

[12]
郑浩, 季久秀, 周李生, 等. 猪肉肉色评分与色度值、大理石花纹评分及肌内脂肪含量回归模型的建立[J]. 江西农业大学学报, 2019, 41(1):124-131.

ZHENG H, JI J X, ZHOU L S, et al. Establishment of regression models of meat color score on colorimetric value,marbling score and intramuscular fat content in pigs[J]. Acta Agriculturae Universitatis Jiangxiensis, 2019, 41(1):124-131. (in Chinese)

[13]
孙京新, 罗欣, 汤晓艳, 等. 数字图像和逐步回归客观评定冷却猪肉肉色[J]. 农业工程学报, 2008, 24(9):170-174.

SUN J X, LUO X, TANG X Y, et al. Objective evaluation of chilled pork color by digital image and stepwise regression[J]. Transactions of the Chinese Society of Agricultural Engineering, 2008, 24(9):170-174. (in Chinese)

[14]
刘琦, 金尚忠, 毛晓婷, 等. 基于拉曼散射的猪肉品质检测方法[J]. 食品工业, 2017, 38(1):281-285.

LIU Q, JIN S Z, MAO X T, et al. New approach to detect quality of pork using Raman scattering[J]. The Food Industry, 2017, 38(1):281-285. (in Chinese)

Options
Outlines

/

〈 〉

京ICP备17050989号-2
Copyright © Chinese Journal of Animal Nutrition, All Rights Reserved.
Tel: 010－62817823　E-mail: cjan@vip.163.com
Powered by Beijing Magtech Co., Ltd.