为实现对多样本新鲜羊肉营养含量的快速检测,该研究利用近红外光谱(near-infrared reflectance spectroscopy,NIRS)技术构建了新鲜羊肉中6种营养成分的定量分析模型。于武威市民勤县采集203份新鲜羊肉,并测定其水分(moisture,MT)、粗脂...为实现对多样本新鲜羊肉营养含量的快速检测,该研究利用近红外光谱(near-infrared reflectance spectroscopy,NIRS)技术构建了新鲜羊肉中6种营养成分的定量分析模型。于武威市民勤县采集203份新鲜羊肉,并测定其水分(moisture,MT)、粗脂肪(ether extract,EE)、粗蛋白(crude protein,CP)、葡萄糖(glucose,Glu)、粗灰分(crude ash,Ash)及总磷(phosphorus,P)的含量。使用WINISI III与Foss Calibrator定标软件分别建立羊肉6种营养成分的NIRS模型并对其结果进行比较。WINISI III软件定标结果显示,羊肉MT、EE、CP预测模型的预测决定系数(coefficient of determination for validation,RSQ)和外部验证相对分析误差(ratio of performance to deviation for vali-dation,RPD)分别为0.83与2.47、0.90与3.60、0.81与2.79;Glu、Ash预测模型的RSQ和RPD分别为0.54与3.05、0.54与1.91;P预测模型的RSQ和RPD为0.45与1.80。Foss Calibrator软件定标结果显示,MT、EE、CP的交互验证均方根误差[root mean square error of cross-verification,RMSEP(cross)]和决定系数(coefficient of determination,R^(2))分别为0.631与0.84、0.326与0.87、0.468与0.83;Glu、Ash的RMSEP(cross)和R^(2)分别为0.127与0.53、0.179与0.51;P的RMSEP(cross)和R^(2)为0.086与0.33。2种定标软件得到的结论基本一致,均表明MT、EE、CP的预测模型可在实际生产中精确预测;Glu、Ash的预测模型可在大量样品的粗略分析与筛选时应用,但还需继续优化;P的预测模型相关性较差,不能在实际生产中应用。展开更多
文摘为实现对多样本新鲜羊肉营养含量的快速检测,该研究利用近红外光谱(near-infrared reflectance spectroscopy,NIRS)技术构建了新鲜羊肉中6种营养成分的定量分析模型。于武威市民勤县采集203份新鲜羊肉,并测定其水分(moisture,MT)、粗脂肪(ether extract,EE)、粗蛋白(crude protein,CP)、葡萄糖(glucose,Glu)、粗灰分(crude ash,Ash)及总磷(phosphorus,P)的含量。使用WINISI III与Foss Calibrator定标软件分别建立羊肉6种营养成分的NIRS模型并对其结果进行比较。WINISI III软件定标结果显示,羊肉MT、EE、CP预测模型的预测决定系数(coefficient of determination for validation,RSQ)和外部验证相对分析误差(ratio of performance to deviation for vali-dation,RPD)分别为0.83与2.47、0.90与3.60、0.81与2.79;Glu、Ash预测模型的RSQ和RPD分别为0.54与3.05、0.54与1.91;P预测模型的RSQ和RPD为0.45与1.80。Foss Calibrator软件定标结果显示,MT、EE、CP的交互验证均方根误差[root mean square error of cross-verification,RMSEP(cross)]和决定系数(coefficient of determination,R^(2))分别为0.631与0.84、0.326与0.87、0.468与0.83;Glu、Ash的RMSEP(cross)和R^(2)分别为0.127与0.53、0.179与0.51;P的RMSEP(cross)和R^(2)为0.086与0.33。2种定标软件得到的结论基本一致,均表明MT、EE、CP的预测模型可在实际生产中精确预测;Glu、Ash的预测模型可在大量样品的粗略分析与筛选时应用,但还需继续优化;P的预测模型相关性较差,不能在实际生产中应用。
