基于色素氣敏傳感技術的肴肉新鮮度檢測研究.pdf

1、水晶肴肉是一種傳統(tǒng)工藝與現(xiàn)代肉制品加工技術相結合的凝膠型低溫肉制品。肴肉在加工過程中原、輔材料種類多，營養(yǎng)豐富，易滋生微生物;另外由于低溫肉制品在加工過程中不能經過高溫殺菌，導致產品易變質新鮮度下降，嚴重影響了產品的安全性和企業(yè)的經濟效益。因此如何實現(xiàn)肴肉新鮮度的快速、無損檢測顯得尤為重要。為了克服現(xiàn)有肉制品新鮮度檢測方法的不足，本研究嘗試利用色素氣敏傳感器獲取肴肉貯藏過程中的氣味信息，并結合化學計量學的方法定性判別肴肉新鮮度等級、定量

2、預測新鮮度評價指標，期望得到一種肴肉新鮮度快速無損檢測的新方法。
　　本文的主要研究工作如下:
　　(1)肴肉貯藏過程中新鮮度評價指標的分析。取生產日期當天的96個肴肉樣本，于4℃貯藏，每隔5天測定12個樣本的細菌總數(Total viable count，TVC)、揮發(fā)性鹽基氮(Total volatile basic nitrogen，TVB-N)含量、生物胺總量(Biogenic amineindicators，BAI

3、)和三甲胺(Trimethylamine，TMA)含量，共檢測35天。根據這4項新鮮度指標的檢測數據，結合國家標準明確了肴肉貯藏期間新鮮度的變化規(guī)律，為后續(xù)研究提供堅實的基礎。
　　(2)納米型傳統(tǒng)色素陣列傳感器檢測肴肉新鮮度。為了克服常用基底材料結構不規(guī)整導致的顯色劑分布不均勻問題，制備了以TiO2納米多孔膜為基底，卟啉、pH指示劑類色素作為顯色劑的納米型傳統(tǒng)色素陣列傳感器。與非納米結構的色素陣列傳感器相比，基于TiO2納米基底

4、的色素陣列傳感器表面結構呈致密的納米微粒、顯色劑分布均勻、達到反應平衡所需時間從720s縮短到540s，對TMA的檢出限從0.1 mL/m3降低到0.06mL/m3。將該傳感器用于肴肉新鮮度的檢測，采集到色素陣列傳感器的顏色信號即光信號，在主成分分析(Principal component analysis，PCA)分析的基礎上有比較地利用線性判別(Linear discriminate analysis，LDA)、支持向量機(Supp

5、ort vector machine，SVM)和反向神經網絡(Back propagation neural network，BPNN)模式識別方法建立肴肉新鮮度的識別模型，結果顯示BPNN識別效果最好，校正集和預測集的識別率達到了93.75％和90.63％，利用偏最小二乘法(Partial leastsquares，PLS)、遺傳偏最小二乘法(Genetic algorithm-partial least squares，GA-PLS

6、)和蟻群優(yōu)化偏最小二乘法(Ant colony optimization-partial least squares，ACO-PLS)分別建立4項新鮮度評價指標的定量預測模型，ACO-PLS預測模型效果最好，建立的TVC、TVB-N、BAI和TMA濃度預測模型的預測集相關系數分別為0.903、0.874、0.906和0.871。
　　(3)納米型天然色素陣列傳感器檢測肴肉新鮮度。為了克服卟啉酞菁類顯色劑需要用有機溶劑溶解而不宜用于

7、食品檢測的問題，制備了以TiO2納米多孔膜為基底，天然色素作為顯色劑的納米型天然色素陣列傳感器，該傳感器與納米型傳統(tǒng)色素陣列傳感器相比達到反應平衡的時間由540s縮短至480s。將該傳感器用于肴肉新鮮度的檢測，在PCA分析的基礎上有比較地利用LDA、SVM和BPNN模式識別方法建立肴肉新鮮度的識別模型，結果顯示BPNN識別效果最好，校正集和預測集的識別率達到了93.75％和87.50％，利用PLS、GA-PLS和ACO-PLS分別建立4

8、項新鮮度評價指標的定量預測模型，ACO-PLS預測模型效果最好，建立的TVC、TVB-N、BAI和TMA濃度預測模型的預測集相關系數分別0.871、0.829、0.887和0.909。
　　(4)天然色素敏化TiO2型金屬氧化物傳感器檢測肴肉新鮮度。金屬氧化物傳感器需要在高溫的條件下才能工作，不適合用于肉制品新鮮度的檢測。本研究運用天然色素敏化的方法制備了室溫下即可工作的TiO2氣敏傳感器，分析了TiO2納米微粒和TiO2納米管傳

9、感器的制備方法、表面結構、晶型和氣敏性能。結果表明天然色素敏化的TiO2納米管傳感器的性能較好，并將其用于肴肉新鮮度的檢測，采集到傳感器的電信號，在PCA分析的基礎上有比較地利用LDA、SVM和BPNN模式識別方法建立肴肉新鮮度的識別模型，結果顯示BPNN識別效果最好，校正集和預測集的識別率達到了98.44％和93.75％，利用PLS、GA-PLS和ACO-PLS分別建立4項新鮮度評價指標的定量預測模型，ACO-PLS預測模型效果最好，

10、建立的TVC、TVB-N、BAI和TMA濃度預測模型的預測集相關系數分別為0.820、0.842、0.812和0.866。
　　(5)基于色素氣敏傳感器光信號和電信號肴肉新鮮度的融合檢測方法。肴肉氣味分子與色素分子接觸后，色素分子不僅產生了顏色變化也發(fā)生了電子轉移，為了更全面表征肴肉新鮮度指標的特征信號，分別提取納米型天然色素陣列傳感器的光信號和天然色素敏化TiO2型金屬氧化物傳感器的電信號，將光信號和電信號融合后用于肴肉新鮮度等

11、級的定性判別和肴肉新鮮度評價指標的定量預測。結果表明，肴肉新鮮度等級融合判別模型對校正集和預測集的識別率達均到100％，與單一信號最佳判別模型（天然色素敏化TiO2型金屬氧化物傳感器電信號的BPNN模型）相比識別率提高了2％左右。肴肉新鮮度指標融合模型對TVC、TVB-N、BAI和TMA濃度的預測集相關系數分別為0.914、0.922、0.903和0.931，與單一信號最佳預測模型（納米型天然色素陣列傳感器的ACO-PLS模型）相比預測