《表6 NIRS技术对鸭肉与鹅肉指标的检测》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《近红外光谱技术在生鲜禽肉质量检测中应用的研究进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

除了鸡肉的检测应用，NIRS技术还被用于鸭肉和鹅肉的品质检测。相比之下，基于NIRS技术检测鸭、鹅肉的报道较少[5 6]。目前关于NIRS技术检测鸭肉和鹅肉质量的报道主要集中在国内研究，赵进辉等[57-58]在350～1 800 nm波段建立了鸭肉中谷氨酸含量的BP-ANN模型与鹅肉中弹性的最小二乘支持向量机模型（least square support vector for regression，LSSVR），预测效果均较理想。杨勇等[59]应用NIRS技术检测鹅肉的嫩度，采用平滑处理（5点移动窗口平滑处理）、一阶微分、标准正态变量变换和M S C等预处理原始光谱，得出平滑处理-P L S R模型预测效果最优（RP=0.97）。在已有研究基础上，杨勇等[60]通过建立NIRS和TVB-N含量之间的定量关系，探讨了PLSR模型预测鹅肉新鲜度可行性，结果较理想。而Qiao Lu等[61]以TVB-N含量为指标预测鸭肉新鲜度的结果不理想。在相同的波段，Qiao Lu等[62]又建立鸭肉色泽参数和pH值的PLSR预测模型，结果显示色泽的预测效果好于pH值。杨勇等[60]建立的鹅肉pH值PLSR模型预测效果也不理想，这可能是因为pH值变化范围小。在400～2 498 nm波长范围内，Molette等[63]运用NIRS对鹅肥肝的化学组成进行预测，其中鹅肥肝中脂肪和干物质的校正模型都比较理想（RC2=0.81、RC2=0.91）。在相同的波段内，Bazar等[64]比较不同NIRS模式得出最优PLSR预测模型，对鹅血脂成分进行分析，其中总脂肪、三酸甘油酯、总胆固醇的模型预测精度高于对鹅血脂中高密度蛋白胆固醇的模型预测精度。总之，NIRS技术检测鸭、鹅肉的研究相对较少（表6），尤其在生化指标方面，未来将有很大的研究空间。