基于近红外光谱与机器学习的萨拉米香肠成熟度判定模型构建

萨拉米香肠起源于意大利，是一种以新鲜猪肉或牛肉为原料，通过微生物发酵、干燥等工艺制成的干腌发酵香肠。其制作过程主要包括原料肉处理、发酵和成熟（干燥）3 个阶段。在成熟过程中，萨拉米香肠经历微生物群落演替、颜色变化、水分含量降低、硬度增加、风味物质形成和脂质氧化等过程[1]。使用混合菌株发酵剂能够丰富香肠的风味与口感并加速其成熟[1-2]、提升风味品质[3]、快速降低pH值、改善弹性和韧性、提高安全性和贮藏性[4]、促进脂质水解和游离脂肪酸合成、抑制脂质氧化，提升香肠品质[5]。传统方法对香肠成熟度的判定依赖人工经验，品质检测依赖实验室对动态指标（水分活度（water activity，aw）、pH值、水分含量等）的分析，存在耗时耗力、检测滞后、操作繁琐等问题，难以满足工业化生产的高效、精准判定需求[6-7]。

近红外光谱（near infrared spectroscopy，NIRS）技术凭借无损检测、快速响应及低成本等优势，已成为食品品质分析的重要工具，其原理基于有机物化学键（如O—H、C—H、C＝O）的振动信息反映样品内部化学成分的动态变化。传统光谱分析多依赖单一波长或线性模型，对复杂发酵体系中多指标协同变化的解析能力有限。机器学习方法（如支持向量机、随机森林（random forest，RF）、多层感知机）通过非线性建模与特征提取，可显著提升光谱数据的分类与预测性能。NIRS结合机器学习等方法可建立光谱数据与待测成分含量之间的预测模型，从而实现对食品样品的定量检测[8]。在水果品质检测领域，NIRS技术已被成功用于桃子糖度测定[9]或成熟度等级评估[10]；在肉制品领域，傅里叶变换红外光谱技术可实现发酵香肠干燥过程中水分和NaCl含量测定[11]、不同辐照剂量处理的干发酵香肠区分[12]，以及牛肉中的醚提取物、粗蛋白、干物质含量和总能量预测[13]。这些应用验证了NIRS技术对复杂食品基质的适应性，为其拓展至发酵肉制品品质动态监测提供了理论支持。

本研究聚焦混合发酵剂作用下萨拉米香肠的成熟变化规律，采集其光谱数据并进行Savitzky-Golay（SG）平滑和标准正态变换（standard normal variate，SNV）预处理后，分别建立偏最小二乘回归（partial least squares regression，PLSR）、RF和极限学习机（extreme learning machine，ELM）3 种预测模型。对比全波段、主成分分析（principal component analysis，PCA）和回归系数（regression coefficient，RC）特征筛选对模型性能的影响。 本研究创新性地将萨拉米香肠理化性质动态变化与NIRS技术相关联，通过特征选择与模型融合策略提升了香肠成熟理化指标的预测精度，突破了萨拉米香肠成熟度判定传统方法的局限性。这不仅为萨拉米香肠的品质监控提供了新的技术手段，也为肉制品行业的智能化、精细化发展提供了理论依据和实践参考，具有重要的科学意义和应用价值。

1 材料与方法

1.1 材料与试剂

新鲜猪里脊、猪背膘 北京鹏程食品有限公司；胡椒粉、大蒜粉 广东省深圳市寻鲜匠调味品有限公司；胶原蛋白肠衣 北京福得客科技有限公司；异抗坏血酸钠、蔗糖、葡萄糖 河南万邦化工科技有限公司；发酵香肠所用乳酸菌和葡萄球菌来自发酵香肠及发酵肉筛选保留的菌株。

1.2 仪器与设备

STG100TFO发酵风干箱 意大利Stagionello 公司；205便携pH计 德国Testo公司；AQUALAB 4TE aw仪 美国METER公司；CT3 4500质地剖面分析（texture profile analysis，TPA）仪 美国博勒飞工程实验室；WG9220A鼓风干燥箱 上海川宏实验仪器有限公司；CM-600d1色差仪 柯尼卡美能达（中国）有限公司；NIR-M-F1 NIRS仪（SMA905光纤接口，信噪比6 000∶1）、LS-NIR-PRO近红外宽光谱专业可调光源高光效精密光路（功率20 W、光谱范围400～2 500 nm） 深圳谱研互联科技有限公司。

1.3 方法

1.3.1 萨拉米香肠制作

将猪里脊、猪背膘以4∶1的质量比加入斩拌机中进行斩拌，温度控制在-4 ℃，斩拌3 min后依次加入发酵菌粉、0.05%（以肉质量计，下同）亚硝酸钠、0.015%异抗坏血酸钠、香辛料调味品（0.3%黑胡椒、0.3%白胡椒、0.2%葡萄糖、0.3%蔗糖、0.065%大蒜粉）后，继续斩拌1 min后进行灌肠。肠衣直径为35 mm，每根香肠质量约250 g。灌装完成后，用牙签扎孔透气，悬挂于发酵箱内发酵27 d。发酵前3 d，温度控制在20 ℃，相对湿度为80%；发酵第4～10天，温度保持在16 ℃、相对湿度为75%；发酵第11～27天，温度保持在13 ℃、相对湿度为73%。将香肠分为5 组，各组发酵剂添加情况如表1所示。

1.3.2 萨拉米香肠理化特征测定

1.3.2.1 pH值测定

使用便携pH计刺入香肠表面0.5 cm以下，待读数稳定后记录数据，每个样品重复测定3 次。

1.3.2.2 aw测定

将萨拉米香肠切碎后铺满aw仪样品仓底部，盖上盖子，待数据稳定后记录数据，每个样品重复测定3 次。

1.3.2.3 水分含量测定

参照GB 5009.3—2016《食品安全国家标准 食品中水分的测定》中的直接干燥法进行测定，每个样品重复测定3 次。

1.3.2.4 质构特性测定

参考王亚如[14]的方法并稍作改动，选用P/36R探头进行TPA，将香肠去掉肠衣后切成1 cm×1 cm×1 cm的立方体，参数设置：触发类型为自动，触发力5.0 g，测定前探头速率2.00 mm/s，测定中探头速率2.00 mm/s，测定后探头速率5.00 mm/s，测试距离8 cm；受压距离2 cm，间隔时间5 s，形变50%。每个样品重复测定6 次，取平均值。

1.3.2.5 色泽测定

除去香肠肠衣后，从不同位置切取厚度为1 cm的样品，利用校正后的色差仪进行色差值测定，记录样品的亮度值（L*）、红度值（a*）、黄度值（b*），每个样品重复测定3 次，色差值（ΔE）由色差仪直接计算得出。

1.3.3 萨拉米香肠感官评价

将发酵27 d的萨拉米香肠切成均匀的薄片，随机编号后放在白色纸盘中。邀请20 名（男女各10 名）具有食品专业背景的学生进行感官评价。分别对样品的外观与色泽、组织状态、风味与滋味、口感及总体可接受度等进行综合评价打分，具体评分标准如表2所示。

1.3.4 萨拉米香肠NIRS采集与数据处理

1.3.4.1 NIRS采集

采用NIRS仪搭配外置光源，测定香肠样品900～1 700 nm（共176 个波段）的光谱信息。分别于发酵第3、5、7、10、13、17、23、27天共8 个时间点对5 组样品进行取样，其中每组每个时间点选取4 根香肠样本，分别采集每根香肠的头、中、尾部3 个部位进行光谱采集，经处理获得平均光谱数据，最终共采集到160 个样本的光谱数据。

1.3.4.2 NIRS数据处理

1）光谱预处理。针对光谱数据采集时因散射、噪声等导致的光谱误差[15]，采用SG进行平滑滤波，在保留光谱特征峰的同时有效去除噪声[16]，以更精准地构建光谱与成分含量间的定量分析模型。随后采用SNV消除散射效应及颗粒分布不均匀的影响，使数据更加标准化。

2）光谱特征提取。采用PCA降维以通过线性变换筛选出数据集中的光谱特征[17]，在尽可能保留原始数据信息的同时实现数据降维和简化，为数据分析和预测模型构建提供有力支持[15]。采用RC法特征提取目标变量最相关波段，简化模型并提升预测性能，用于筛选与目标变量相关性强的特征。

3）预测模型的建立与评价方法。本研究共选用3 种建模方法进行比较：PLSR结合多元线性回归分析、相关性分析和PCA技术，能够同时考虑多个因变量，高效解决多重共线性问题[18]，适用于小样本和高维数据；RF主要用于分类和回归任务，通过构建多个决策树提升预测性能与泛化能力，降低过拟合风险效果显著[17]；ELM是一种单隐藏层前馈型神经网络[19]，主要用于解决分类、回归和聚类等机器学习任务，具有训练速度快的显著特点。同时采用决定系数（coefficient of determination，R2）和均方误差（mean squared error，MSE）作为评价参数，R2越高代表模型精度越高、MSE越低代表模型稳定性越好，且校正集均方误差（mean squared error of calibration，MSEC）与预测集均方误差（mean squared error of prediction，MSEP）越接近，则预测效果越好[20]。

1.4 数据处理

利用SPSS软件进行数据方差分析，采用Origin软件绘图，数据表示为平均值±标准差，P＜0.05则差异显著。利用Python软件编程实现光谱预处理、光谱特征提取，以及模型的建立和评价。

2 结果与分析

2.1 萨拉米香肠成熟过程中pH值的变化

由图1可知，发酵前3 d，由于乳酸菌具有产酸作用，导致香肠pH值快速降低，与对照组相比，添加发酵剂的香肠pH值更低，在发酵第3天时，添加发酵剂组香肠pH值降至5.0以下。较低的pH值会降低微生物的水解活性，抑制微生物的生长[21]，加速产品的干燥和蛋白质凝结作用[22]。随着发酵时间进一步延长，香肠pH值缓慢上升，这可能是因为香肠中微生物发生的蛋白水解作用产生的氨基酸、肽和胺等对有机酸具有一定的缓冲作用[23-24]。发酵结束后，CK、SC1、SC3、SC4组香肠pH值约为5.26，SC1组略高，为5.37。

2.2 萨拉米香肠成熟过程中aw的变化

如图2所示，5 组香肠在成熟过程中的aw不断下降，从最初的0.96逐渐显著降低（P＜0.05），在发酵结束时，aw均为0.70左右。较低的aw对香肠中的病原微生物具有一定抑制作用，从而保证香肠的食用安全[25]。

2.3 萨拉米香肠成熟过程中水分含量的变化

如图3所示，随着发酵时间的延长，香肠水分含量逐渐降低。在发酵后期，香肠中的水分质量分数稳定在19.19%～20.43%。发酵剂组香肠的水分损失比对照组少，可能是由于发酵剂中微生物的作用所致。发酵5～13 d时，发酵剂组香肠水分含量明显高于对照组，说明添加发酵剂后，香肠的持水力有所提高。而发酵后期，发酵剂组香肠与对照组水分含量相近，可能是由于此时水分主要以结合水的形式存在，其分子流动性低且与基质结合紧密，导致水分流失程度降低，这与干燥食品中结合水对水分的动态调控机制[26]一致。

2.4 萨拉米香肠成熟过程中质构特性的变化

质构特性是衡量干发酵肉制品口感和咀嚼力的重要指标，是一个重要的成熟参数，反映了香肠品质，决定着消费者对产品的选择[27]。由图4可知，香肠的硬度随着发酵时间延长逐渐增大，发酵0 d时，香肠硬度分别为113.0（CK组）、184.7（SC1组）、114.0（SC2组）、120.7（SC3组）、89.7 g（SC4组）；发酵结束时，硬度显著增加至3 671.3（CK组）、6 150.7（SC1组）、8 199.3（SC2组）、7 182.7（SC3组）、8 456.0 g（SC4组）（P＜0.05），这是由于较低的pH值会使肉制品蛋白质变性，导致水合能力减弱[2,28]。与对照组相比，发酵剂组的香肠硬度较大，可能是由于乳酸菌的蛋白分解作用，在发酵后期，乳酸菌对蛋白质分解程度加深，改变了蛋白质结构和性质[29]。发酵7 d内，香肠弹性指数（resilience index，RI）和内聚性逐渐上升，且各组间无明显差异，香肠在成熟过程中的水分散失会使肉质弹性增加，质地更加紧密。发酵7 d后，香肠的RI和内聚性呈下降趋势，可能是由于维持其质构的蛋白质网络结构发生了变化，具有了一定抵抗外力作用的能力，这种能力反映在产品的弹性上，与产品中蛋白质的物理化学性质有关[28]。

2.5 萨拉米香肠成熟过程中色泽的变化

如图5A所示，在成熟过程中，5 组香肠L*整体呈下降趋势，这是由于香肠中的水分含量逐渐降低，对光线的反射减弱。如图5B所示，随着发酵时间的延长，a*/b*逐渐上升，且发酵后期，发酵剂组香肠的L*与a*/b*明显高于未添加发酵剂的香肠。主要是因为木糖葡萄球菌对肉色有明显的改善作用，且发酵乳杆菌对维持产品的红度有一定的促进作用[30]。L*与a*/b*越高，表明香肠的色度保持越好，添加发酵剂可以维持香肠的色泽[31]。ΔE也能够评价香肠的色泽品质，ΔE越大，香肠的颜色品质越好。由图5C可知，在成熟过程中，随着发酵时间的延长，香肠ΔE总体呈上升趋势，在发酵结束时，发酵剂组香肠的ΔE明显高于对照组。

2.6 萨拉米香肠成熟过程中感官品质的变化

如表3所示，发酵剂组香肠的感官得分均高于对照组，且外观与色泽评分显著高于对照组（P＜0.05），说明添加发酵剂可以改善发酵香肠的感官品质，尤其对其外观与色泽具有显著改善作用。在添加发酵剂的香肠中，SC4组各项感官指标评分均优于SC1、SC2、 SC3组。

2.7 萨拉米香肠成熟品质的相关性分析

萨拉米香肠发酵过程中的pH值、aw、水分含量、色泽及质构特性的变化与香肠成熟品质密切相关。对9 种相关理化指标进行Pearson相关性分析，如图6所示，水分含量与其他8 个指标均无明显相关性，pH值与a*/b*、RI及内聚性呈极显著负相关（P＜0.01），aw与L*、RI和内聚性呈极显著正相关，与a*/b*、ΔE和硬度呈极显著负相关（P＜0.01）。3 个色度指标之间存在明显的相关性，这是因为它们均是与肉色相关的因素；3 个质构特性中，硬度与RI和内聚性呈负相关，RI与内聚性呈极显著正相关（P＜0.01）。这些相关性反映出发酵香肠中pH值的变化与其他品质改变相互关联，aw对香肠外观色泽可能存在 影响，色泽与质地变化存在联系，且各质构特性指标共同影响香肠口感与品质。

2.8 基于NIRS技术的萨拉米香肠理化特征预测

2.8.1 光谱数据的预处理

本研究采用SG平滑结合SNV的方法对原始光谱数据进行预处理。如图7所示，SG＋SNV预处理可以有效去除噪声，消除散射效应与其他不均匀性，这有助于更精准地构建光谱与理化特征间的定量分析模型。

2.8.2 光谱特征的提取

分别采用PCA和RC法对预处理后的光谱数据进行特征提取。如图8所示，从PC因子来看，PC1方差贡献率达81.41%，反映了pH值、aw和水分含量等主要理化指标变化。PC1和PC2累计方差贡献率达94.18%，PC1～PC5累计方差贡献率达98.86%，这意味着利用前2 个或前5 个PC就可解释绝大部分数据变异，极大简化了数据分析与模型构建过程。PC1～PC10包含了样本光谱的主要信息，在有效降低数据的维度的同时保留了大部分光谱特征，累计方差贡献率达99.69%。

如表4所示，RC法能够有效筛选出与预测指标相关性强的光谱波段：短波区域（900～1 300 nm）主要与水分、糖类和蛋白质的结合状态相关联[32]，如该区域的O—H （水分子）振动直接反映水分含量、结合状态（aw）及香肠的硬度等情况[33]；C—H（有机酸、糖类）振动反映萨拉米香肠发酵过程中的pH值变化；N—H（蛋白质）振动可能与蛋白质降解产物的生成有关，间接影响香肠色泽。中长波区域（1 300～1 800 nm）主要与脂肪、蛋白质和有机酸的含量相关，在该区域中，C—H（脂肪）振动关联脂肪或蛋白质中的结合水，间接影响香肠的弹性与质地，或反映aw的变化，同时脂肪氧化或有机酸生成会改变C—H的振动模式，直接影响pH值的动态 平衡[34]。长波区域（＞1 800 nm）主要涉及C＝O（羰基化合物）、N—H（氨基化合物）的振动。通过监测特定波段，可实时评估香肠pH值、水分含量、脂肪和蛋白质结构及颜色变化，从而有效确保发酵过程稳定、控制产品质地、口感和外观品质。

2.8.3 萨拉米香肠理化特征预测模型的建立与分析

2.8.3.1 基于全波长的理化特征预测模型的建立与分析

针对萨拉米香肠发酵过程，采集涵盖不同配方发酵剂和发酵阶段的160 个样本光谱数据，按7∶3的比例将数据划分为校正集与预测集，并基于全波长范围构建PLSR、RF及ELM 3 种预测模型。如表5所示，PLSR模型在多数理化指标中表现最优：aw的训练集决定系数（coefficient of square of training set，、预测集决定系数（coefficient of determination of prediction set，分别为0.93和0.91，MSE均为0.02；RI的和分别为0.85和0.83；ΔE的和分别为0.82和0.72。这一结果与Anwar等[35]采用PLSR结合拉曼光谱检测甲基丁香酚掺假的结论一致，其模型同样表现出高可靠性（R2＝0.99），表明PLSR在光谱数据建模中具有普适性优势。然而，与另2 种模型相比，本研究中pH值指标的）较低，可能源于发酵过程中复杂的多因素交互作用对光谱特征解析的干扰。ELM模型在水分含量的预测中达到最优性能，其和分别为0.93和0.92；但在pH值、ΔE等指标中波动较大（如ΔE的），稳定性低于PLSR。Zou Hanting等[36]的研究指出，ELM的预测性能高度依赖于数据预处理（如PCA降维）和特征变量筛选，萨拉米香肠光谱特征存在复杂交互（如pH值受多因素动态影响），可能导致模型泛化能力受限。RF模型表现出较高的（如pH值），但明显较低（如pH值0.43），表明存在显著的过拟合现象。综上，NIRS技术结合PLSR模型可有效实现对aw、水分含量、ΔE和RI等理化指标的预测，而全光谱ELM模型在除水分含量外的多数指标中展现更优性能。

2.8.3.2 基于光谱特征的理化特征预测模型的建立与 分析

本研究对基于萨拉米香肠发酵过程光谱数据构建的全波段模型与2 种方法（PCA、RC）提取的光谱特征波段所建模型进行对比，如表6所示，PCA法对水分含量和RI的预测效果提升显著，水分含量和RI的分别从0.86、0.69提高至0.91、0.77，表明其能有效抓取关键光谱信息以提升预测精度。Zou Hanting等[36]在红茶中茶色素检测时利用PCA进行数据冗余消除和维度压缩，显著优化了模型性能，进一步验证了PCA在光谱特征提取中的普适性优势。RC法则在显著减少波段数量（从176 个减至10～25 个）的同时，几乎维持了全波段模型的预测性能，说明其在简化模型复杂度、降低计算量的同时仍可有效保留重要光谱信息。总体而言，PCA和RC法均能在减少计算量的基础上提高或保持对萨拉米香肠发酵过程中理化特征的预测效果，前者在提升特定指标预测精度上表现突出，后者在简化模型方面优势明显，二者均为优化光谱分析模型的有效工具，有助于在实际应用中高效、准确地预测理化指标。

3 结 论

本研究通过分析4 组添加不同发酵剂的萨拉米香肠在成熟过程中pH值、水分含量、aw、色度、硬度、RI与内聚性等理化指标及感官品质的变化，结合NIRS技术，实现了对香肠成熟品质的快速检测。采用SG平滑结合SNV法预处理光谱数据，对比PLSR、RF和ELM 3 种模型对理化指标的预测效果，并评估全波段、采用PCA和RC法所提取特征波段对模型性能的影响。结果表明，添加发酵剂使香肠pH值快速下降，同时使水分含量、硬度及色泽等关键指标得到改善，且成熟结束时，发酵剂组香肠感官评分全面优于对照组，其中SC4组（戊糖片球菌M10＋干酪乳杆菌M13＋肠膜明串珠菌＋木糖葡萄球菌）在各感官指标上均表现最优。NIRS技术可实现对aw、水分含量、ΔE和RI的预测，PCA与RC法可在保证精度的前提下有效提升计算效率。关键指标最优预测模型分别为：PLSR-RC模型（aw：，MSEP＝0.02）、ELM-全波段模型（水分含量：，MSEP＝2.56）及PLSR-全波段模型（ΔE和RI的分别为0.71和0.83）。上述结果证实了NIRS技术能够有效预测香肠发酵过程中的aw、水分含量、ΔE和RI等指标变化，且PCA和RC法在保证精度的同时有效减少了模型输入量，提高了计算效率。本研究为萨拉米香肠成熟度判定的快速预测及相关设备的开发提供了理论依据，具有重要的应用价值。

参考文献：

[1] Fernández M, Ordóñez J A, Bruna J M, et al. Accelerated ripening of dry fermented sausages[J]. Trends in Food Science & Technology,2000, 11(6): 201-209. DOI:10.1016/S0924-2244(00)00077-7.

[2] 吴若菡, 尚昊, 颜旭, 等. 不同发酵剂对费力诺萨拉米品质的影响[J].食品安全质量检测学报, 2022, 13(20): 6592-6598. DOI:10.19812/j.cnki.jfsq11-5956/ts.2022.20.019.

[3] 刘英丽, 万真, 杨梓妍, 等. 乳酸菌对萨拉米香肠风味形成的研究进展[J]. 食品科学, 2020, 41(23): 273-282. DOI:10.7506/spkx1002-6630-20200416-204.

[4] 李俊霞, 王新惠, 白婷, 等. 植物乳杆菌对发酵香肠理化特性影响的研究[J]. 食品科技, 2015, 40(9): 110-114. DOI:10.13684/j.cnki.spkj.2015.09.024.

[5] Woldemariam K Y, Wang Zhengkai, Cai Min, et al. Lipid hydrolysis,oxidation, and fatty acid formation pathway mapping of synergistically fermented sausage and characterization of lipid mediating genes[J].Journal of Agricultural and Food Chemistry, 2024, 72(31): 17536-17548.

[6] Uren A, Babayiğit D. Colour parameters of Turkish-type fermented sausage during fermentation and ripening[J]. Meat Science, 1997,45(4): 539-549. DOI:10.1016/s0309-1740(96)00129-5.

[7] Cenci-Goga B T, Karama M, Sechi P, et al. Effect of a novel starter culture and specific ripening conditions on microbiological characteristics of nitrate-free dry-cured pork sausages[J]. Italian Journal of Animal Science, 2016, 15(3): 358-374. DOI:10.1080/1828051X.2016.1204633.

[8] 万悦, 焦玲玲, 周含喆, 等. 光谱技术在食品检测中的应用[J]. 食品安全导刊, 2024(29): 140-142. DOI:10.16043/j.cnki.cfs.2024.29.045.

[9] An Jinliang, Li Yaqiang, Zhou Ling, et al. Prediction of sugar content of fresh peaches based on LDBN model using NIR spectroscopy[J].Journal of Food Measurement and Characterization, 2024, 18(4):2731-2743. DOI:10.1007/s11694-023-02350-4.

[10] Pan Liulei, Li Hao, Zhao Juan. Improvement of the prediction of a visual apple ripeness index under seasonal variation by NIR spectral model correction[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2023, 302: 123075. DOI:10.1016/j.saa.2023.123075.

[11] Collell C, Gou P, Picouet P, et al. Feasibility of near-infrared spectroscopy to predict aw and moisture and NaCl contents of fermented pork sausages[J]. Meat Science, 2010, 85(2): 325-330. DOI:10.1016/j.meatsci.2010.01.022.

[12] Varrà M O, Fasolato L, Serva L, et al. Use of near infrared spectroscopy coupled with chemometrics for fast detection of irradiated dry fermented sausages[J]. Food Control, 2020, 110: 107009. DOI:10.1016/j.foodcont.2019.107009.

[13] Prieto N, Andrés S, Giráldez F J, et al. Potential use of near infrared reflectance spectroscopy (NIRS) for the estimation of chemical composition of oxen meat samples[J]. Meat Science, 2006, 74(3): 487-496. DOI:10.1016/j.meatsci.2006.04.030.

[14] 王亚如. 乳酸菌抗氧化特性及其对发酵香肠色泽的影响[D]. 呼和浩特:内蒙古农业大学, 2023.

[15] 李宝瑞. 水稻纹枯病的地面和无人机高光谱监测方法[D]. 南京:南京信息工程大学, 2024.

[16] 李化, 柯华香, 贺敬霞, 等. 近红外漫反射光谱结合偏最小二乘法快速测定厚朴中酚类成分和水分含量[J]. 中国实验方剂学杂志, 2015,21(22): 72-76. DOI:10.13422/j.cnki.syfjx.2015220072.

[17] 王琪, 常庆瑞, 李铠, 等. 基于主成分分析和随机森林回归的冬小麦冠层叶绿素含量估算[J]. 麦类作物学报, 2024, 44(4): 532-542.DOI:10.7606/j.issn.1009-1041.2024.04.14.

[18] 赵昕, 郑树亮, 牛晓颖, 等. 基于高光谱成像技术和近红外光谱技术的金冠苹果货架期判别及其品质分析[J]. 食品工业科技, 2025,46(11): 302-312. DOI:10.13386/j.issn1002-0306.2024080030.

[19] 王思嘉, 曾凯, 陈波, 等. 基于改进鲸鱼算法优化极限学习机的无氟保护渣黏度预测[J]. 科学技术与工程, 2024, 24(34): 14614-14622.DOI:10.12404/j.issn.1671-1815.2402345.

[20] 王加龙, 马坤, 高鹏, 等. 基于可见-近红外光谱技术研发便携式贝贝南瓜品质无损检测仪[J]. 食品科学, 2025, 46(6): 254-262.DOI:10.7506/spkx1002-6630-20241008-026.

[21] Østerlie M, Lerfall J. Lycopene from tomato products added minced meat: effect on storage quality and colour[J]. Food Research International, 2005, 38(8/9): 925-929. DOI:10.1016/j.foodres.2004.12.003.

[22] 彭悦, 柴利娜, 乔臻然, 等. 低脂型膳食纤维发酵香肠的研究[J]. 肉类工业, 2019(7): 1-6. DOI:10.3969/j.issn.1008-5467.2019.07.001.

[23] Ruiz-Moyano S, Martín A, Benito M J, et al. Application of Lactobacillus fermentum HL57 and Pediococcus acidilactici SP979 as potential probiotics in the manufacture of traditional Iberian dryfermented sausages[J]. Food Microbiology, 2011, 28(5): 839-847. DOI:10.1016/j.fm.2011.01.006.

[24] Lorenzo J M, Gómez M, Fonseca S. Effect of commercial starter cultures on physicochemical characteristics, microbial counts and free fatty acid composition of dry-cured foal sausage[J]. Food Control, 2014, 46: 382-389. DOI:10.1016/j.foodcont.2014.05.025.

[25] Ge Qingfeng, Pei Huijie, Liu Rui, et al. Effects of Lactobacillus plantarum NJAU-01 from Jinhua ham on the quality of dry-cured fermented sausage[J]. LWT-Food Science and Technology, 2019, 101:513-518. DOI:10.1016/j.lwt.2018.11.081.

[26] Yang Wenjian, Pu Haoliang, Wang Liuqing, et al. Effect of bound water on the quality of dried Lentinus edodes during storage[J].Journal of the Science of Food and Agriculture, 2020, 100(5): 1971-1979. DOI:10.1002/jsfa.10210.

[27] Yan Xinlei, Yang Le, Zhang Yanni, et al. Effect of collagen casing on the quality characteristics of fermented sausage[J]. PLoS ONE, 2022,17(2): e0263389. DOI:10.1371/journal.pone.0263389.

[28] 郝红涛, 赵改名, 柳艳霞, 等. 肉类制品的质构特性及其研究进展[J]. 食品与机械, 2009, 25(3): 125-128. DOI:10.13652/j.issn.1003-5788.2009.03.030.

[29] Cui Qiaoyan, Li Laihao, Huang Hui, et al. Novel insight into the formation and improvement mechanism of physical property in fermented tilapia sausage by cooperative fermentation of newly isolated lactic acid bacteria based on microbial contribution[J].Food Research International, 2024, 187: 114456. DOI:10.1016/j.foodres.2024.114456.

[30] 张聪, 周光宏, 徐幸莲, 等. 一种复合微生物发酵剂对发酵香肠品质的影响[J]. 食品工业科技, 2017, 38(1): 182-188. DOI:10.13386/j.issn1002-0306.2017.01.027.

[31] 黄俊逸, 王凤娜, 吴香, 等. 复合发酵剂的筛选及其对发酵香肠加工过程中品质的影响[J]. 食品科学, 2020, 41(24): 95-101.DOI:10.7506/spkx1002-6630-20191023-241.

[32] Padalkar M V, Spencer R G, Pleshko N. Near infrared spectroscopic evaluation of water in hyaline cartilage[J]. Annals of Biomedical Engineering, 2013, 41(11): 2426-2436. DOI:10.1007/s10439-013-0844-0.

[33] Torniainen J, Ristaniemi A, Sarin J K, et al. Near infrared spectroscopic evaluation of biochemical and crimp properties of knee joint ligaments and patellar tendon[J]. PLoS ONE, 2022, 17(2):e0263280. DOI:10.1371/journal.pone.0263280.

[34] Han Li, Cui Xiaoyu, Cai Wensheng, et al. Three-level simultaneous component analysis for analyzing the near-infrared spectra of aqueous solutions under multiple perturbations[J]. Talanta, 2020, 217: 121036.DOI:10.1016/j.talanta.2020.121036.

[35] Anwar M, Rimsha G, Majeed M I, et al. Rapid identification and quantification of adulteration in methyl eugenol using Raman spectroscopy coupled with multivariate data analysis[J]. ACS Omega,2024, 9(7): 7545-7553.

[36] Zou Hanting, Lan Tianmeng, Jiang Yongwen, et al. Research on rapid detection methods of tea pigments content during rolling of black tea based on machine vision technology[J]. Foods, 2024, 13(23): 3718-3731. DOI:10.3390/foods13233718.

Construction of a Predictive Model for the Determination of Salami Sausage Maturity Based on Near Infrared Spectroscopy and Machine Learning

CAI Min1, LIU Yuhao2, JIAO Yushan1, TANG Wensheng1, LIU Yingli1,*, YANG Yi2,*, WANG Jun3, YANG Li4

(1. Key Laboratory of Geriatric Nutrition and Health, Ministry of Education, Beijing Technology and Business University,Beijing 100048, China; 2. School of Computer and Artificial Intelligence, Beijing Technology and Business University,Beijing 100048, China; 3. Key Laboratory of Meat and Meat Products Regulation Technology, State Administration for Market Regulation, Shandong Institute for Food and Drug Control, Jinan 250101, China; 4. Yantai Research Institute,China Agricultural University, Yantai 264670, China)

Abstract: In this study, the effects of different starter cultures on the physicochemical quality of salami during ripening were systematically evaluated using near infrared spectroscopy (NIRS) and machine learning (ML) algorithms, and a nondestructive method for determining the key ripening-related physicochemical indexes of salami was established using NIRS and ML. Experimental groups with different mixed starter cultures were set up (combinations of Pediococcus pentosus,Lactobacillus casei, Leuconostoc intestinalis, Staphylococcus xylosus). The physicochemical properties of fermented sausage including pH, moisture content (MC), water activity (aw), color difference (ΔE), and resilience index (RI) were dynamically monitored. Three predictive models were developed using partial least squares regression (PLSR), random forest (RF) and extreme learning machine (ELM) based on the NIRS data. The predictive ability of three data input methods, namely, the full-band data, principal component analysis (PCA) and regression coefficient (RC), was comparatively analyzed. The results showed that 1) the sausage made with the P. pentosus M10 + L. casei M13 + L. intestinalis + S. xylosus received the highest sensory score with outstanding performance in color, texture, flavor and overall acceptability; 2) NIRS allowed the prediction of aw, MC, ΔE and RI, while the prediction accuracy for pH was low (coefficient of determination of prediction set =0.45); 3) both feature extraction methods effectively reduced data dimension; the cumulative contribution rate of the first five principal components of PCA was 98.86%, while RC reduced the number of spectral variables from 176 to 10-25; and 4) the PLSR-RC model was the optimal predictive model for aw with of 0.92 and mean squared error of prediction (MSEP) of 0.02, the ELM-full band model was the optimal predictive model for MC ( = 0.92, MSEP = 2.56), and the PLSR-full band model was the optimal predictive model for both ΔE and RI with of 0.71 and 0.83, respectively. In summary, the mixedstrain starter can significantly improve the physicochemical quality and sensory characteristics of sausage, and the PLSR model shows the best prediction accuracy and stability in the analysis of NIRS data, providing reliable technical support for the rapid detection of fermented meat maturity.

Keywords: salami sausage; physicochemical indicators; sensory evaluation; maturity; near infrared spectroscopy; predictive model

收稿日期：2025-03-03

基金项目：“十四五”国家重点研发计划重点专项（2023YFD2100104）

第一作者简介：蔡敏（1998—）（ORCID: 0009-0007-6849-7112），女，硕士，研究方向为发酵肉制品开发与应用。E-mail: caimin0901@163.com

*通信作者简介：刘英丽（1981—）（ORCID: 0000-0001-8464-7917），女，教授，博士，研究方向为食品微生物发酵及其应用技术。E-mail: liuyingli@th.btbu.edu.cn杨一（1989—）（ORCID: 0000-0001-9593-8330），男，副教授，博士，研究方向为食品安全智能检测技术。E-mail: yangyi@btbu.edu.cn

DOI: 10.7506/rlyj1001-8123-20250303-063

中图分类号：TS201.1

文献标志码：A

文章编号：1001-8123（2026）09-0061-09

引文格式：
蔡敏, 刘宇昊, 焦宇珊, 等. 基于近红外光谱与机器学习的萨拉米香肠成熟度判定模型构建[J]. 肉类研究, 2026, 40(9):61-69. DOI:10.7506/rlyj1001-8123-20250303-063. http://www.rlyj.net.cn
CAI Min, LIU Yuhao, JIAO Yushan, et al. Construction of a predictive model for the determination of salami sausage maturity based on near infrared spectroscopy and machine learning[J]. Meat Research, 2026, 40(9): 61-69. DOI:10.7506/rlyj1001-8123-20250303-063. http://www.rlyj.net.cn