目前冷鲜猪肉新鲜度指标检测繁琐,探索快速检测冷鲜猪肉新鲜度指标新技术成为研究热点。利用国标法检测发性盐基氮(Total volatile basic n itrogen,TVB-N)含量,平板培养法和实时定量PCR技术分别检测腐败微生物数量。结果显示,冷鲜猪肉...目前冷鲜猪肉新鲜度指标检测繁琐,探索快速检测冷鲜猪肉新鲜度指标新技术成为研究热点。利用国标法检测发性盐基氮(Total volatile basic n itrogen,TVB-N)含量,平板培养法和实时定量PCR技术分别检测腐败微生物数量。结果显示,冷鲜猪肉在4℃条件下,随储藏时间延长,微生物的菌落总数和TVB-N逐渐增加且呈线性相关,与猪肉品的腐败程度呈正相关;丙酮-氯仿法提取的细菌基因组条带清晰,提取效果好;基于SYBER GreenⅠ的实时定量PCR技术检测的菌落数量与平板培养测得菌落总数利用单因素方差分析结果没有显著性差异(P=0.7190),一致性较好;实时定量PCR方法缩短了检测时间,提高了检测灵敏度。微生物是冷鲜猪肉新鲜度评价的重要指标,实时定量PCR可以作为一种快速高效检测冷鲜猪肉新鲜度指标的新技术。展开更多
为实现南极磷虾(Euphausiasuperba)品质的快速评定,本研究将近红外光谱技术(Nearinfrared spectroscopy,NIRS)与偏最小二乘法(Partial least squares,PLS)相结合,构建用于快速预测磷虾体内非蛋白氮(Non-protein nitrogen,NPN)含量和挥...为实现南极磷虾(Euphausiasuperba)品质的快速评定,本研究将近红外光谱技术(Nearinfrared spectroscopy,NIRS)与偏最小二乘法(Partial least squares,PLS)相结合,构建用于快速预测磷虾体内非蛋白氮(Non-protein nitrogen,NPN)含量和挥发性盐基氮(Total volatile base nitrogen,TVB-N)含量的近红外定量分析模型。采集近红外光谱后,通过比较决定系数(Coefficientofdetermination,R²)、校正标准偏差(Rootmean square error of calibration,RMSEC)、预测标准偏差(Root mean square error of prediction,RMSEP)等模型的评价参数,选取近红外光谱定量分析模型的最佳预处理方式、特征光谱范围以及主因子数。结果显示,NPN含量模型的最佳预处理方法为多元散射校正(Multiplicative signal correction,MSC),其特征光谱范围为8887.1~7774.2cm-1;TVB-N含量模型则采用MSC与卷积平滑(Savitzky-Golaysmoothing,SG)相结合的方式进行预处理,建模范围为全波段。两个定量模型的主因子数均为5。经模型的优化与外部验证,最终构建的PLS最优模型如下:NPN含量近红外定量分析模型的R²为0.9384,RMSEC为0.279,RMSEP为0.443;TVB-N含量近红外定量分析模型的R2为0.8685,RMSEC为3.800,RMSEP为4.070。研究结果表明,两个模型均具有良好的预测精度(R2>0.85)和稳定性,其中NPN定量分析模型的预测能力优于TVB-N定量分析模型。综上,本研究基于NIRS与PLS构建的定量分析模型能够有效预测南极磷虾体内的NPN和TVB-N含量,为南极磷虾的品质评价提供了可靠的技术支持,满足快速评定的实际应用需求。展开更多
文摘[目的]建立一种基于生物阻抗技术的冷鲜猪肉新鲜度检测方法。[方法]选取20块经过排酸的新鲜猪后腿肉,真空包装后在4℃贮藏10 d,检测猪肉挥发性盐基氮（TVB-N）含量以及生物阻抗的阻抗幅值和相位角的变化。在0.01~300k Hz的频率范围内选取46个频率点,沿着肌肉纤维方向和垂直肌肉纤维方向测定,进行生物阻抗特性的分析。[结果]随着贮藏时间的增加,猪后腿肉的TVB-N含量逐渐增加,阻抗幅值逐渐减小,相位角基本不变;沿着肌肉纤维方向的阻抗幅值均小于垂直于肌肉纤维方向的幅值,相位角基本相同;随着频率的上升,阻抗幅值和相位角在0.01~5 k Hz的范围变化最为明显,猪后腿肉的阻抗幅值显著下降,相位角显著上升;沿着肌肉纤维方向的阻抗幅值与TVB-N含量非线性拟合度要高于垂直肌肉纤维方向的阻抗幅值,高频的阻抗幅值非线性拟合度要高于低频的阻抗幅值。[结论]阻抗幅值与TVB-N含量显著负相关,通过非线性拟合可得到较高拟合度的回归方程,因此利用生物阻抗测量可快速、无损检测冷鲜猪肉新鲜度。
文摘为实现南极磷虾(Euphausiasuperba)品质的快速评定,本研究将近红外光谱技术(Nearinfrared spectroscopy,NIRS)与偏最小二乘法(Partial least squares,PLS)相结合,构建用于快速预测磷虾体内非蛋白氮(Non-protein nitrogen,NPN)含量和挥发性盐基氮(Total volatile base nitrogen,TVB-N)含量的近红外定量分析模型。采集近红外光谱后,通过比较决定系数(Coefficientofdetermination,R²)、校正标准偏差(Rootmean square error of calibration,RMSEC)、预测标准偏差(Root mean square error of prediction,RMSEP)等模型的评价参数,选取近红外光谱定量分析模型的最佳预处理方式、特征光谱范围以及主因子数。结果显示,NPN含量模型的最佳预处理方法为多元散射校正(Multiplicative signal correction,MSC),其特征光谱范围为8887.1~7774.2cm-1;TVB-N含量模型则采用MSC与卷积平滑(Savitzky-Golaysmoothing,SG)相结合的方式进行预处理,建模范围为全波段。两个定量模型的主因子数均为5。经模型的优化与外部验证,最终构建的PLS最优模型如下:NPN含量近红外定量分析模型的R²为0.9384,RMSEC为0.279,RMSEP为0.443;TVB-N含量近红外定量分析模型的R2为0.8685,RMSEC为3.800,RMSEP为4.070。研究结果表明,两个模型均具有良好的预测精度(R2>0.85)和稳定性,其中NPN定量分析模型的预测能力优于TVB-N定量分析模型。综上,本研究基于NIRS与PLS构建的定量分析模型能够有效预测南极磷虾体内的NPN和TVB-N含量,为南极磷虾的品质评价提供了可靠的技术支持,满足快速评定的实际应用需求。
