UPORABNOST NIR SPEKTROSKOPIJE ZA NAPOVEDOVANJE …interpretacija spektralnih podatkov (Büning-Pfaue 2003). Kljub temu, da so prve poskuse uporabe NIRS izvedli že pred 40 leti, je

UNIVERZA V MARIBORU

FAKULTETA ZA KMETIJSTVO IN BIOSISTEMSKE VEDE

KMETIJSTVO

Andreja DREVENŠEK

UPORABNOST NIR SPEKTROSKOPIJE ZA

NAPOVEDOVANJE KEMIČNE SESTAVE MESA IN

MESNIH IZDELKOV

DIPLOMSKO DELO

Maribor, 2010

POPRAVKI:

Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov III Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010

Komisija za zagovor in oceno diplomskega dela:

Predsednik: izr. prof. dr. Jože Nemec

Mentor: doc. dr. Marjeta Čandek-Potokar

Somentor: red. prof. dr. Dejan Škorjanc

Član: doc. dr. Marjan Janžekovič

Lektorica: Bojana Samarin, prof.

Diplomsko delo je rezultat lastnega raziskovalnega dela.

Datum zagovora: 24.9.2010

Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov IV Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010

Uporabnost NIR spektroskopije za napovedovanje kemične sestave mesa in mesnih

izdelkov

UDK: 543.5:637.5(043.2)=863

Ugotavljali smo zanesljivost bližnje infrardeče spektroskopije (NIRS) za napovedovanje kemijske sestave

mesa in mesnih izdelkov. Vzorcem smo kemijsko določili vsebnost intramuskularne maščobe (IMM) z

ekstrakcijo po Soxhletu s predhodno hidrolizo (SIST ISO 1443, 2001), vsebnost vode (ISO 6496, 1999),

vsebnost beljakovin (ISO 5983-2, 2005) ter izračunali razmerje med vodo in beljakovinami (VB). Z aparatom

NIR Systems model 6500 (Silver Spring, MD, USA) smo posneli spektre vzorcev na območju valovnih

dolžin vidne in NIR svetlobe (400-2500 nm) ter pripravili umeritvene enačbe (WinISI II programski paket)

za različna spektralna območja (NIR, vidni ali celoten spekter) znotraj mišice, za različne mišice ter na vseh

vzorcih skupaj. Točnost kalibracij smo ocenili s statističnimi parametri: determinacijski koeficient navzkrižne

validacije (R2CV) in predikcije (R2

P), standardna napaka navzkrižne validacije (SECV) in predikcije (SEP) ter

razmerjem med standardnim odklonom referenčnih vrednosti in standardno napako (RPD). Točnost

napovedovanja je bila pri vseh enačbah odlična za vsebnost IMM (RCV: 0,91- 0,98; RPD: 3,40-6,74). Za

ostale lastnosti je bila točnost (z izjemo slabe točnosti kalibracij znotraj mišice longissimus dorsi) le malo

slabša (za beljakovine RCV: 0,80-0,91, RPD: 2,26-3,29; za vodo RCV: 0,73-0,98, RPD: 1,92-7,55; za VB: RCV:

0,65-0,92, RPD: 1,68-3,43). Glede na različne kazalce kalibracijske statistike lahko zaključimo, da lahko z

NIRS zelo točno napovedujemo kemično sestavo mesa in mesnih izdelkov (z izjemo kalibracij za vsebnost

beljakovin znotraj mišice longissimus dorsi).

Ključne besede: NIR spektroskopija, meso, mesni izdelki, kemijska sestava

OP: VII, 26 s., 5 pregl., 47 ref.

Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov V Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010

Ability of NIR spectroscopy to predict chemical composition of meat and meat

products

The aim of this study was to determine the accuracy of predicting chemical composition of meat and meat

products by near infrared spectroscopy (NIRS). For each sample we chemically determined intramuscular fat

(IMF) content using Soxhlet extraction with hydrolysis (SIST ISO 1443, 2001), moisture content (ISO 6496,

1999), protein content (ISO 5983-2, 2005) and calculatedratio moisture-to-protein. Sample spectra were

recorded with spectrophotometer NIR Systems model 6500 (Silver Spring, MD, USA) at the spectral range

of visible and NIR wavelengths (400-2500 nm). Calibration equations were prepared using WinISI II

software for various spectral ranges (NIR, visible or the whole spectrum) for a single muscle, several muscles

and all samples together. The accuracy of calibration was assessed by the following statistical parameters:

coefficient of determination in cross-validation (R2CV) and prediction (R2

P), standard error of cross-validation

(SECV) and prediction (SEP) and the ratio between standard deviation of reference values and standard error

(RPD). All equations showed very good accuracy to predict IMF content (RCV: 0,91-0,98; RPD: 3,40-6,74).

For other constituents the accuracy (with the exception of the low accuracy of calibrations within longissimus

dorsi muscle sample group ) was slightly lower (for proteins RCV: 0,80-0,91, RPD: 2,26-3,29; moisture: RCV:

0,73-0,98, RPD: 1,92-7,55; moisture and protein ratio: RCV: 0,65-0,92, RPD: 1,68-3,43). Based on

parameters of calibration statistics we can conclude that it is possible to accurately predict the chemical

composition of meat and meat products with NIRS (with the exception of protein content in the longissimus

dorsi sample group).

Key words: NIR spectroscopy, meat, meat products, chemical composition

NO: VII, 26 P., 5 Tab., 47 Ref.

Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov VI Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010

KAZALO VSEBINE

1 UVOD ................................................................................................................................. 1

2 PREGLED OBJAV ............................................................................................................ 2

2.1 NIRS ............................................................................................................................ 2

2.2 Uporabnost NIRS za določanje kemične sestave mesa in mesnih izdelkov ................ 3

3 MATERIAL IN METODE ................................................................................................. 7

3.1 Vzorčenje in priprava vzorcev ..................................................................................... 7

3.2 Kemične analize ........................................................................................................... 7

3.2.1 Določitev vsebnosti IMM z ekstrakcijo po Soxhletu s predhodno hidrolizo ........ 7

3.2.2 Določitev vsebnosti vode ...................................................................................... 8

3.2.3 Določitev vsebnosti beljakovin ............................................................................. 8

3.2.4 Izračun razmerja med vsebnostjo vode in beljakovin ........................................... 8

3.3 NIRS ............................................................................................................................ 8

3.3.1 Snemanje spektrov ................................................................................................ 9

3.3.2 Kalibracija in validacija ........................................................................................ 9

4 REZULTATI Z RAZPRAVO .......................................................................................... 12

4.1 Napovedovanje vsebnosti IMM ................................................................................. 13

4.2 Napovedovanje vsebnosti beljakovin ........................................................................ 13

4.3 Napovedovanje vsebnosti vode ................................................................................. 14

4.4 Napovedovanje razmerja vode in beljakovin ............................................................. 14

5 SKLEPI ............................................................................................................................. 19

6 VIRI .................................................................................................................................. 20

7 ZAHVALA ....................................................................................................................... 26

Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov VII Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010

KAZALO PREGLEDNIC

Preglednica 1: Lastnosti učnih in testnih nizov za posamezne vrste vzorcev ..................... 10

Preglednica 2: Napovedovanje vsebnosti IMM .................................................................. 15

Preglednica 3: Napovedovanje vsebnosti beljakovin .......................................................... 16

Preglednica 4: Napovedovanje vsebnosti vode ................................................................... 17

Preglednica 5: Napovedovanje razmerja VB....................................................................... 18

Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 1 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010

1 UVOD

Kemična sestava mesa je eden izmed mnogih vidikov kakovosti mesa (poleg tehnološke,

senzorične kakovosti, prehranske vrednosti itd.). Za določanje kemične sestave mesa se

uporabljajo klasične kemijske metode, ki so večinoma zamudne, drage in pogosto okolju

neprijazne. Za nameček so neprimerne za uporabo v industrijskih pogojih. Vse večja

potreba po preverjanju sestave in kakovosti mesa v industrijskih pogojih je povzročila

zanimanje za preučevanje različnih alternativnih metod, ki omogočajo določanje lastnosti

na hiter, nedestruktiven in relativno poceni način.

V zadnjem desetletju je bilo objavljenih precej raziskav na temo uporabnosti spektralnih

informacij (npr. bližnja infrardeča, ang. near infrared, s kratico NIR) spektroskopije za

analize mesa. Rezultati teh raziskav kažejo, da je NIR spektroskopija zelo obetavna metoda

za tovrstne namene. Prednosti NIR spektroskopije v primerjavi s klasičnimi kemijskimi

metodami so hitrost, enostavnost in možnost hkratnega določanja večjega števila različnih

parametrov. Uporaba te metode v industriji mesa bi omogočila pravočasno razvrščanje

surovega mesa v ustrezne predelovalne postopke in redno preverjanje/nadzorovanje

kemijske sestave mesa in mesnih izdelkov. Prav tako bi lahko potrošniki dobili informacije

o sestavi mesa in o njegovi prehranski vrednosti.

Osnovni namen naloge je bil preveriti uporabnost NIR spektroskopije za določanje

kemične sestave mesa in mesnih izdelkov. Kalibracijske modele oziroma modele za

napovedovanje smo pripravili za glavne kemijske komponente mesa in mesnih izdelkov

(vsebnost maščob, beljakovin in vode), pri čemer smo poudarili testiranje vrste

uporabljenega vzorca: ena mišica, več mišic istega speciesa, različne mišice različnih

speciesov in kombinacija različnih vrst mesa in mesnih izdelkov.


2 PREGLED OBJAV

2.1 NIRS

Infrardeče območje spektra elektromagnetnega valovanja lahko s stališča aplikacije in

instrumentov razdelimo na: bližnje (angl. near, NIR; λ = 780-2500 nm, ν = 3,8x1014-

1,2x1014 Hz), srednje (angl. middle, MIR; λ = 2500-50000 nm, ν = 1,2x1014-6,0x1012 Hz)

in daljne (angl. far, FIR; λ = 50000-100000 nm, ν = 6,0x1012-3,0x1011 Hz) IR spektre

(Rudan-Tasič in Klofutar, 2007).

Merjenje odboja svetlobe temelji na absorpciji elektromagnetnega valovanja pri različnih

valovnih dolžinah. Pri analizi merimo delež vpadnega valovanja, ki se razpršeno odbije od

pripravljenega vzorca. Pri obsevanju snovi organskega izvora z infrardečo svetlobo se

različne (npr. C-H, O-H in N-H) kemijske vezi raztegujejo in ukrivljajo ter tako

absorbirajo del valovanja. S tem dobimo informacije o elementarnih sestavinah in

molekulah, ki sestavljajo organske snovi. Te molekulske vezi in z njimi povezane

sekundarne strukture so primarni sestavni deli vseh organskih snovi. S pomočjo NIRS-a

lahko pri posameznem vzorcu izmerimo odbito in posredno tudi absorbirano valovanje

širšega valovnega spektra. Tako pridobimo veliko informacij o kemični sestavi in

fizikalnih lastnostih snovi (povzeto po Rudan-Tasič in Klofutar 2007).

Specifično vpijanje O-H vezi pri 1450 in 1940 nm infrardečega spektra, N-H vezi pri

1460-1570 nm in 2000-2180 nm za beljakovine ter C-H vezi pri 1100-1400, 1700 in 2200-

2400 nm za maščobne kisline pojasnjuje NIR napovedovanje za določene sestavine (Prieto

in sod. 2009).

Z NIRS lahko na splošno ocenjujemo najpomembnejše organske sestavine v materialih

rastlinskega in živalskega izvora. Metoda je zelo primerna za širšo prakso, saj lahko hitro

in hkrati ocenjujemo večje število parametrov brez posebnih priprav vzorcev (Žnidaršič

2007). Merjenje refleksije oz. difuznega odboja v področju NIR se je uveljavilo pri


določanju maščob v oljaricah, pri karakterizaciji rastlinskih olj, druga področja uporabe pa

so še analiza mlečnih izdelkov, mesa in mesnih izdelkov, testenin, čokolade in podobno

(Rudan-Tasič in Klofutar 2007). Pomanjkljivosti te metode pa so njena odvisnost od

referenčne metode, šibka občutljivost za snovi v majhnih koncentracijah, omejen prenos

umeritvenih enačb zaradi različnih optičnih lastnosti instrumentov ter zapletena

interpretacija spektralnih podatkov (Büning-Pfaue 2003).

Kljub temu, da so prve poskuse uporabe NIRS izvedli že pred 40 leti, je večina raziskav na

mesu omejena na zadnje desetletje. Pregled raziskav o uporabnosti NIRS za

napovedovanje kemične sestave, kakovosti mesa in mesnih izdelkov ter razvrščanje mesa

(npr. razlikovanje reje, prisotnost določenih genov itd.) najdemo v preglednih člankih

Prevolnik in sod. (2004) ter Prieto in sod. (2009).

2.2 Uporabnost NIRS za določanje kemične sestave mesa in mesnih izdelkov

Uporabnost NIRS za določanje kemične sestave mesa so preučevali mnogi raziskovalci in

razvili številne kalibracije za analizo govejega (Eichinger in Beck 1992, Alomar in sod.

2003, Tøgersen in sod. 2003, Prevolnik in sod. 2005, Prieto in sod. 2006, De Marchi in

sod. 2007, Ripoll in sod. 2008), perutninskega (Valdes in Summers 1986, Renden in sod.

1986, Abeni in Bergoglio 2001, Viljoen in sod. 2005) in prašičjega mesa (Tøgersen in sod.

1999, Brøndum in sod. 2000, Chan in sod. 2002, Hoving- Bolink in sod. 2005, Prevolnik in

sod. 2005, Barlocco in sod. 2006). Opravljene so bile tudi raziskave na zajčjem (Masoero

in sod. 1994) in ovčjem mesu (Cozzolino in sod. 2000, Andrés in sod. 2007, Viljoen in

sod. 2007). Večina raziskovalcev se osredotoča predvsem na napovedovanje ene ali več

glavnih sestavin mesa, kot so maščobe, voda in beljakovine (Cozzolino in sod. 1996,

Tøgersen in sod. 1999, Prevolnik in sod. 2005), najdemo pa tudi poskuse napovedovanja

pepela (Masoero in sod. 1994, Alomar in sod. 2003), suhe snovi (Alomar in sod. 2003,

Viljoen in sod. 2005, Prieto in sod. 2006), kolagena (Young in sod. 1996, Alomar in sod.

2003), mioglobina (Prieto in sod. 2006, Ripoll in sod. 2008), maščobnih kislin (Gonzales-


Martin in sod. 2002, Molette in sod. 2001, Ripoche in Guillard 2001, Windham in

Morrison 1998) in holesterola (Masoero in sod. 1994) z NIRS.

Raziskave o uporabnosti NIRS za analize na mesu in mesnih izdelkih so zelo raznolike.

Moderna oprema NIRS ponuja različne statistične metode za pripravo kalibracij: PLS

(»partial least square«), mPLS (»modified partial least square«), PCR (»principal

component«), MLR (»multiple linear regression«) in nelinearno metodo – nevronske

mreže (»neural networks«) (WinISI II, 2000). V raziskavah variira tudi število vzorcev, ki

se najpogosteje giblje med 50 in 100. Število vzorcev mora biti dovolj veliko, da pokriva

variacijsko območje za določeno lastnost/sestavino. V raziskavah se pojavljajo tudi razlike

v vrsti uporabljenega vzorca. V raziskavah so umeritvene enačbe pripravljene za

posamezno mišico (Eichinger in Beck 1992), za več mišic enega (Cozzolino in sod. 2000)

ali več speciesov skupaj (Tøgersen in sod. 1999) ali pa za enega ali več vrst mesnih

izdelkov (Gaitán-Jurado in sod. 2008, Gonzáles-Martín 2009, Collell in sod. 2010).

Raziskave se nadalje razlikujejo v pripravi vzorcev. Večina raziskav napovedovanja

kemične sestave je narejena na mletih vzorcih (Sanderson in sod. 2007, Tøgerson in sod.

1999, Alomar in sod. 2003, Prevolnik in sod. 2005, Prieto in sod. 2006, Ripoll in sod.

2008), manj pa na intaktnih (Eichinger in Beck 1992, Cozzolino in sod. 2000, Cozzolino in

Murray 2002, Tøgersen in sod. 2003, Prevolnik in sod. 2005).

Raziskovalci so sprva delili vzorce na dva dela: serija vzorcev za kalibracijo in serija

neodvisnih vzorcev za napovedovanje (Valdes in Summers 1986, Eichinger in Beck 1992).

Novejši instrumenti (npr. WinISI) pa točnost napovedovanja ocenijo s pomočjo

navzkrižnega preverjanja na istih vzorcih, ki so bili predhodno uporabljeni za kalibracijo.

V literaturi najdemo nekaj raziskav na mesu in mesnih izdelkih (Čandek-Potokar in sod.

2006, Ortiz-Somovilla in sod. 2007, Gaitán-Jurado in sod. 2008), ki potrjujejo, da sta oba

načina validacije primerljiva/enakovredna.

Po mnenju raziskovalcev sodi NIRS med najbolj obetavne metode za določanje različnih

lastnosti kakovosti mesa (Monin 1998). Kljub številnim raziskavam pa je uporabnost te

metode za ocenjevanje kemične sestave in kakovosti mesa v industrijskih pogojih (on-line)


še zelo omejena, čeprav se kaže kot dovolj natančna alternativa dragim in zamudnim

kemičnim analizam. Praktičen pomen NIRS se kaže tudi v hkratnih določitvah večjega

števila različnih lastnosti, kar je nadvse primerno v industriji in pri selekciji v živinoreji.

Omejenost uporabe pa se kaže predvsem v pripravi umeritev, ki je odvisna od namena

uporabe ter od zanesljivosti referenčne metode, za vsako lastnost, ki jo želimo napovedati.

Kot kazalci točnosti napovedovanja z NIRS se v večini člankov uporabljajo statistični

parametri, med katerimi se najpogosteje pojavljata determinacijski koeficient (R2) in

napaka napovedovanja (SE). Pogosto avtorji navajajo tudi t.i. parameter RPD (razmerje

med standardnim odklonom (SD) referenčnih vrednosti in napako napovedovanja), ki

obravnava napake napovedovanja v okviru variabilnosti kemijskih (referenčnih) vrednosti.

RPD je pomemben tudi zaradi primerjave različnih kemijskih komponent, saj v primeru

različnih variacijskih območij kemijskih komponent napak napovedovanja ne moremo

neposredno primerjati, temveč moramo upoštevati variabilnost. Glede na priporočila iz

literature (Cozzolino in sod. 2000, Alomar in sod. 2003, Prieto in sod. 2008) je

napovedovanje zanesljivo, kadar RPD presega 3,0. Iz različnih raziskav je razvidno, da je

točnost napovedovanja kemične sestave mesa z NIRS večinoma zelo dobra, kar potrjujejo

visoki determinacijski koeficienti (R2) in nizke standardne napake (SE). Najboljši rezultati

pri kalibraciji in validaciji se nanašajo na določanje vsebnosti intramuskularne maščobe,

medtem ko je točnost kalibracij (umeritvenih enačb) za beljakovine in vodo nekoliko

slabša. Večina raziskav je narejena na celotnem spektru, ki vključuje območje vidne (λ =

400–800 nm) in NIR- svetlobe (λ = 1100–2500 nm) (Eichinger in Beck 1992, Cozzolino in

sod. 1996, Molette in sod. 2001, Alomar in sod. 2003).

O določanju IMM v mesu so narejene številne raziskave, ki kažejo dobre rezultate. Tako so

pri govedini najvišje vrednosti R2 na mletem mesu (0,98) (Prevolnik in sod. 2005), RPD

vrednosti pa dosegajo celo 9,23 pri sveže mletem mesu (De Marchi in sod. 2007). Prav

tako dobri rezultati se kažejo tudi pri svinjini (RPD= 8,3) (Prevolnik in sod. 2005) in na

perutnini (R2 = 0,93-0,98; RPD = 4,35-10,09) (Abeni in Bergoglio 2001, Windham in sod.

2003, Viljoen in sod. 2005).


Glede na številne raziskave o uporabnosti NIRS za določanje kemične sestave mesa pa je

bilo na mesnih izdelkih narejenih relativno malo raziskav (pregled je predstavljen v Prieto

in sod. 2009). Raziskave so bile narejene predvsem na svinjskih klobasah (Ortiz-Somovilla

in sod. 2007, Gaitán-Jurado in sod. 2008) in kažejo veliko točnost napovedovanja kemične

sestave mesnih izdelkov z NIRS.


3 MATERIAL IN METODE

3.1 Vzorčenje in priprava vzorcev

Vzorci mesa so bili zbrani v petletnem obdobju v različnih komercialnih klavnicah. Pri

vzorčenju smo zajeli živali različnih pasem, tež, starosti in farm.

V raziskavi smo uporabili 267 vzorcev surovega mesa in mesnih izdelkov. Vzorce smo

razdelili v štiri skupine:

- prašičja mišica longissimus dorsi (LD),

- različne prašičje mišice,

- različne mišice različnih speciesov in

- meso in mesni izdelki.

Prva skupina je obsegala 84 vzorcev prašičje mišice LD, drugo skupino je sestavljalo 130

vzorcev različnih prašičjih mišic (LD, ST (semitendinosus), SM (semimembranosus), BF

(biceps femoris)), tretja skupina je vsebovala 227 vzorcev različnih mišic (LD, BF, TB

(triceps brachii)) različnih speciesov (prašič, govedo, perutnina, jagnjetina, zajec) in v

četrti skupini je bilo 267 vzorcev surovega mesa in mesnih izdelkov (klobase, hrenovke,

pršut).

3.2 Kemične analize

3.2.1 Določitev vsebnosti IMM z ekstrakcijo po Soxhletu s predhodno hidrolizo

Kemijska metoda, ki smo jo uporabili za določitev vsebnosti IMM, je bila ekstrakcija po

Soxhletu s predhodno hidrolizo, ki je opisana v standardu SIST ISO 1443: 2001 z uporabo

aparata Büchi Extraction System B-811 (Büchi Labortechnik AG, Flawil, Switzerland). Pri

tej metodi smo vzorec mišičnine predhodno kuhali v razredčeni HCl (hidroliza). Hidrolizat


smo prefiltrirali skozi plast kvarca in celita ter ekstrahirali s petroletrom. S to metodo smo

določali vsebnost IMM samo v mišičnini prašičev.

3.2.2 Določitev vsebnosti vode

Določitev vsebnosti vode smo izvedli po standardu ISO 6496 (1999), pri čemer smo 5 g

vzorca za kratek čas zmešali z enako količino kremenastega peska in sušili pri 103 °C do

konstantne mase vzorca. Zabeležili smo izgubo mase pri sušenju in jo izrazili kot odstotek

vode v vzorcu.

3.2.3 Določitev vsebnosti beljakovin

Vsebnost beljakovin smo izračunali iz celokupne vsebnosti dušika, ki smo jo določili po

mednarodnem standardu ISO 5983-2 (2005), z uporabo analizatorja dušika Kjeltec 2300

(Foss Analytical, Hileroed, Danska). Organsko snov v vzorcih smo razgradili s kratkim

segrevanjem z žvepleno (VI) kislino in prisotnostjo katalizatorjev. Po dodatku baze NaOH

smo izhajajoči plin amoniaka raztopili v raztopini borove kisline in titrirali s solno kislino.

Celotno vsebnost dušika smo izračunali iz količine solne kisline, ki smo jo porabili za

titracijo. Vsebnost beljakovin smo določili tako, da smo dobljeno vsebnost dušika

pomnožili s 6,25.

3.2.4 Izračun razmerja med vsebnostjo vode in beljakovin

Iz dobljenih podatkov smo izračunali razmerje med vodo in beljakovinami (razmerje VB).

3.3 NIRS


3.3.1 Snemanje spektrov

Spektre vzorcev mesa in mesnih izdelkov smo posneli s spektrofotometrom NIR Systems

model 6500 (Silver Spring, MD, USA) na spektralnem območju od 400 do 2500 nm, ki

vključuje NIR spekter (λ = 1100–2500 nm) in spekter vidne svetlobe (λ = 400–1100 nm).

Pri snemanju spektrov so točke, kjer izvaja meritve, oddaljene 2 nm (interval 2 nm), kar

pomeni 1036 vrednosti na celotnem spektru, 343 vrednosti na vidnem spektru in 639

vrednosti na NIR spektru. Posneli smo spektre mletih vzorcev različnih vrst mesa in

mesnih izdelkov. Za vsak vzorec smo posneli en spekter. Meritve so podane kot log 1/R,

kjer R predstavlja odbojnost/refleksijo.

3.3.2 Kalibracija in validacija

Pred spektralno analizo podatkov, ki smo jo naredili s programom WinISI II (WinISI

Manual, 2000), smo vzorce razdelili na učni (kalibracijski) in testni (predikcijski) set s

pomočjo posebne aplikacije (»Make and Use Scores«) programa WinISI, ki pri razdelitvi

upošteva lastnosti spektrov in referenčne vrednosti. Razdelitev smo izvedli za vsako

kemijsko sestavino in vrsto vzorca posebej. V učni set je bilo neodvisno od kemijske

sestavine in vrste vzorca vključenih približno 2/3 vzorcev, ostali pa so bili uvrščeni v učni

set podatkov. Lastnosti izbranih učnih in testnih nizov za posamezne kemijske sestavine in

vrste vzorcev so predstavljeni v Preglednici 1. Učni niz smo uporabili za pripravo

kalibracijskih modelov in navzkrižno validacijo, testni set podatkov pa za neodvisno

testiranje modelov na neznanih vzorcih.


Preglednica 1: Lastnosti učnih in testnih nizov za posamezne vrste vzorcev

Povprečje ± standardni odklon

Vrsta vzorca n IMM beljakovine Voda Razmerje VB

Prašičja mišica LD

Učni niz 58-60 2,04±1,37 22,6±1,25 73,57±1,43 3,26±0,19

Testni niz 24-26 1,70±0,77 22,82±0,94 74,00±0,65 3,28±0,20

Različne prašičje mišice

Učni niz 89-91 3,00±2,00 21,62±1,73 73,67±1,52 3,43±0,29

Testni niz 39-41 3,31±2,59 21,66±1,77 73,92±0,94 3,44±0,28

Različne mišice različnih speciesov

Učni niz 154-156 3,85±2,94 21,22±1,88 73,61±1,90 3,50±0,32

Testni niz 71-73 3,85±2,78 21,69±1,78 74,13±1,60 3,50±0,29

Meso in mesni izdelki

Učni niz 181-183 5,83±7,51 21,22±3,43 70,96±9,36 3,41±0,67

Testni niz 84-86 6,48±8,95 20,78±2,75 71,64±7,43 3,58±0,52

LD - mišica longissimus dorsi, n - število vzorcev, IMM - intramuskularna maščoba, Razmerje VB - razmerje med vodo in beljakovinami

Preden lahko NIRS uporabljamo za rutinske določitve, je treba narediti umeritvene enačbe

oz. modele za napovedovanje, ki smo jih razvili na osnovi posnetih spektrov vzorcev mesa

in rezultatov kemijskih analiz. Pri pripravi umeritvenih enačb moramo izbrati oz. določiti

številne parametre, pri čemer imamo na voljo različne možnosti. V večini primerov ne

obstaja ena sama najboljša kombinacija izbire teh parametrov. Za pripravo enačb smo

izbrali regresijsko metodo »mPLS« (»modified partial least squares«) postopek validacije z

navzkrižno preveritvijo (»cross validation«) in postopek za korekcijo razpršenosti »SNV

and Detrend«. Med številnimi možnimi matematičnimi postopki smo izbrali postopek 1 4

4 1, kjer prva številka pomeni stopnjo odvoda, druga razmik med točkami (1 točka = 2nm)

na spektru za izračun odvoda, tretja in četrta pa razmik med točkami na spektru za prvo in

drugo zgladitev krivulje. Vzorci, pri katerih je razlika med dejansko in napovedano

presegla 3 standardne odklone, so bili obravnavani kot ubežniki (outlierji). Število PLS


smo omejili na 16, optimalno število PLS faktorjev pa smo določili na osnovi zniževanja

napake pri navzkrižni validaciji.

Pri pripravi kalibracij smo testirali:

1.) Spekter (vidni, NIR, skupen)

2.) Vrsta vzorca (prašičja mišica LD, različne prašičje mišice, različne mišice različnih

speciesov, meso in mesni izdelki)

Rezultat kalibracije in validacije modelov je podan v obliki statističnih parametrov,

povprečja ( x ), standardnega odklona (SD), ocenjenega minimuma (oc. min) in

maksimuma (oc. max) za vzorec ter kazalcev točnosti enačb:

− determinacijskega koeficienta kalibracije (R2C);

− standardne napake kalibracije (SEC);

− determinacijskega koeficienta navzkrižne validacije (R2CV);

− standardne napake navzkrižne validacije (SECV);

− determinacijskega koeficienta predikcije (R2P);

− standardne napake predikcije (SEP);

− parametra RPD, ki smo ga izračunali kot razmerje med SD referenčnih vrednosti in

napako (SECV ali SEP).


4 REZULTATI Z RAZPRAVO

Posebnost te raziskave je v tem, da smo izvajali poskus na velikem vzorcu, ki je zajemal

različne mišice, različne speciese in različne mesne izdelke. V literaturi se namreč

pojavljajo raziskave, ki zajemajo eno mišico enega speciesa (Prieto in sod. 2006, Prieto in

sod. 2009), več različnih mišic enega speciesa (Cozzolino in sod. 1996, Cozzolino in sod.

2000, Alomar in sod. 2003, Tøgersen in sod. 2003, Viljoen in sod. 2007), različne mišice

dveh različnih speciesov (Tøgersen in sod. 1999), različne mišice različnih speciesov

(Cozzolino in Murray 2002), en mesni izdelek (Gaitán-Jurado in sod. 2008, Collell in sod.

2010) in različne mesne izdelke (Gonzáles-Martín, 2009). Raziskave, ki bi zajemala hkrati

različne vrste mesa in mesnih izdelkov, v nam dostopni literaturi nismo našli.

V pričujoči raziskavi so rezultati predstavljeni kot statistični parametri kalibracije (R2C in

SEC), navzkrižne validacije (R2CV in SECV) in neodvisne predikcije (R2

P in SEP).

Navzkrižna validacija in predikcija predstavljata dva različna načina validacije. Pri

navzkrižni validaciji smo testirali modele na kalibracijskem setu, medtem ko smo pri

predikciji modele testirali na neodvisnem predikcijskem setu vzorcev. V splošnem so

rezultati neodvisne predikcije potrdili rezultate navzkrižne validacije, kar je v skladu z

nekaterimi predhodnjimi raziskavami (Čandek-Potokar in sod. 2006). Iz tega razloga smo

se pri komentarjih osredotočili predvsem na statistične kazalce navzkrižne validacije.

V primeru, ko preučevane spremenljivke zavzemajo različna variacijska območja, napak

napovedovanja ne moremo neposredno primerjati. V naši raziskavi prav tako obravnavamo

spremenljivke z različnimi variacijskimi širinami, saj imamo štiri različne kemijske

komponente in štiri različne vrste vzorcev. V takšnih primerih moramo napake

napovedovanja obravnavati glede na variabilnost referenčnih vrednosti. V ta namen smo

po priporočilih iz literature (Kennedy in sod. 1996, Andrés in sod. 2008, Prieto in sod.

2008) kot dodatni indikator kakovosti modelov uporabili še parameter RPD (razmerje med

SD in SE). Pri zanesljivih napovedih naj bi RPD znašal vsaj 3,0. Nižje RPD vrednosti so

posledica ozke variacijske širine referenčnih vrednosti (nizek SD) ali veliki napaki


napovedovanja z NIRS v primerjavi s SD referenčnih vrednosti (Kennedy in sod. 1996,

Andrés in sod. 2008, Prieto in sod. 2008).

4.1 Napovedovanje vsebnosti IMM

Neodvisno od vrste vzorca smo dobili najboljše rezultate navzkrižne validacije pri

napovedovanju vsebnosti IMM, saj so bile vse vrednosti R2 večje od 0,91, vrednosti RPD

pa večje od 3,40. Najvišje vrednosti R2 (0,98) smo dobili iz vzorca različnih prašičjih

mišic, kjer je bila najvišja vrednost RPD = 6,74. Na celem in NIR spektru so rezultati

primerljivi, medtem ko so na vidnem spektru nekoliko slabši. Dobri rezultati za

napovedovanje vsebnosti IMM so v skladu s številnimi rezultati iz literature (Abeni in

Bergoglio 2001, Windham in sod. 2003, Prevolnik in sod. 2005, Viljoen in sod. 2005, De

Marchi in sod. 2007), najdemo pa tudi raziskave, kjer se napovedovanje ni izkazalo za

uspešno (Brøndum in sod. 2000, Cozzolino in sod. 2000, Hoving- Bolink in sod. 2005,

Ripoll in sod. 2008).

4.2 Napovedovanje vsebnosti beljakovin

Za določevanje beljakovin so bili rezultati na splošno slabši kot pri napovedovanju IMM.

Primerljivi so znotraj vseh spektrov in vrst vzorcev, razen v prašičji mišici LD, kjer so

vrednosti R2 pod 0,06 in RPD pod 1,03. Najboljše napovedi vsebnosti beljakovin smo

dobili na vzorcu mesa in mesnih izdelkov (R2 = 0,91, RPD = 3,29). V preteklih raziskavah

se pojavi najboljši rezultat za R2 0,99 (De Marchi in sod. 2007), sicer pa se vrednosti

gibljejo od 0,38 (Tøgersen in sod. 1999) do 0,96 (Viljoen in sod. 2005). RPD doseže

najboljši rezultat pri perutnini (5,4) (Cozzolino in Murray 2002). Slabe rezultate v prašičji

mišici LD lahko pripišemo majhni variacijski širini vsebnosti beljakovin v tej mišici, o

čemer so Prieto in sod. (2006) in Ripoll in sod. (2008) poročali tudi za govejo mišico LD.

Beljakovine so v mesu namreč najbolj konstantna kemijska komponenta. Na slabše

rezultate napovedovanja lahko vpliva tudi razlika v metodah (Kjeldahl vs. NIRS), saj smo


vsebnost beljakovin kemično določili ob predpostavki, da se ves dušik v mesu nahaja v

beljakovinah, čeprav ga je približno 13 % (Čandek-Potokar in sod. 2002) v drugih oblikah.

4.3 Napovedovanje vsebnosti vode

Podobne rezultate kot pri napovedovanju vsebnosti beljakovin smo dobili pri

napovedovanju vsebnosti vode. Najboljši rezultati so bili v vzorcu mesa in mesnih

izdelkov (R2 = 0,98, RPD = 7,55), ki so sicer primerljivi z vsemi vzorci, razen s prašičjo

mišico LD, kjer smo ponovno dobili slabše rezultate (R2 manjši od 0,80 in RPD manjši od

2,20). Raziskovalci v literaturi navajajo večinoma slabše rezultate od naših, z nekaj

izjemami (R2 zaseda vrednosti vse od 0,94 (Kestens in sod. 2008) pa do 0,07 (Cozzolino in

Murray 2002), RPD pa od 4,80 (Cozzolino in Murray 2002) do 1,57 (Andrés in sod.

2007)).

4.4 Napovedovanje razmerja vode in beljakovin

Najboljše vrednosti smo dobili pri različnih prašičjih mišicah v vidnem spektru (R2 = 0,92,

RPD = 3,43), čeprav so bili rezultati za vse tri spektre skupno boljši v vzorcu mesa in

mesnih izdelkov (R2 > 0,86 in RPD > 2,67). Najslabši rezultati so bili zopet v vzorcu

prašičje mišice LD (R2 < 0,60 in RPD < 1,55). Za določanje razmerja vode in beljakovin v

mesu v literaturi nismo našli podatkov. Razmerje VB je pomemben pokazatelj tehnološke

kakovosti mesa, in sicer sposobnosti za vezavo vode, predvsem izgub pri kuhanju (slabša

senzorična kakovost in manjša masa). Znano je, da gre za negativno povezavo med VB in

izgubami pri kuhanju (Monin in sod. 1986).


Preglednica 2: Napovedovanje vsebnosti IMM

IMM

Kalibracija Navzkrižna

validacija Predikcija

Vrs

ta

vzor

ca

Spe

kter

n Pov

preč

je

SD

Oc.

min

Oc.

max

SE

C

RC

Št.

PL

S

SE

CV

RC

V

RP

DC

V

SE

P

RP

RP

DP

Pra

šičja

miš

ica

LD

cel 57 1,89 1,09 0,00 5,17 0,15 0,98 5 0,23 0,95 4,69 0,26 0,89 3,01

nir 57 1,85 0,91 0,00 4,58 0,15 0,97 5 0,20 0,95 4,65 0,22 0,92 3,48

vidni 56 1,80 0,82 0,00 4,26 0,16 0,96 10 0,24 0,91 3,40 0,27 0,88 2,91

Raz

lične

pra

šičje

m

išic

e

cel 90 2,94 1,95 0,00 8,79 0,24 0,98 5 0,29 0,98 6,74 0,25 0,99 10,57

nir 90 2,94 1,95 0,00 8,79 0,27 0,98 3 0,29 0,98 6,69 0,27 0,99 9,45

vidni 91 3,00 2,00 0,00 9,01 0,42 0,96 6 0,47 0,95 4,26 0,48 0,97 5,38

Raz

lične

miš

ice

razl

ični

h sp

ecie

sov

cel 152 3,70 2,74 0,00 11,93 0,60 0,95 6 0,71 0,93 3,89 0,54 0,97 5,17

nir 152 3,70 2,74 0,00 11,93 0,48 0,97 6 0,60 0,95 4,55 0,48 0,97 5,76

vidni 152 3,65 2,68 0,00 11,71 0,67 0,94 8 0,71 0,93 3,78 0,63 0,95 4,38

Mes

o in

mes

ni

izde

lki

cel 173 5,05 5,99 0,00 23,02 0,77 0,98 6 0,98 0,97 6,11 1,45 0,98 6,16

nir 171 4,97 5,59 0,00 21,73 0,85 0,98 3 0,95 0,97 5,89 2,21 0,94 4,05

vidni 174 5,42 6,88 0,00 26,05 1,05 0,98 7 1,24 0,97 5,53 1,64 0,97 5,46

LD - mišica longissimus dorsi, n - število vzorcev, SD - standardni odklon, oc. min - ocenjeni minimum, oc. max - ocenjeni maksimum, SEC - standardna napaka kalibracije, RC - determinacijski koeficient kalibracije, SECV - standardna napaka navzkrižne validacije, RCV - determinacijski koeficient navzkrižne validacije, RPDCV - razmerje med SD referenčnih vrednosti in SECV, SEP - standardna napaka predikcije, RP - determinacijski koeficient predikcije, RPDP - razmerje med SD referenčnih vrednosti in SEP.


Preglednica 3: Napovedovanje vsebnosti beljakovin

Beljakovine



Vrs

ta

vzor

ca

Spe

kter

n Pov

preč

je

SD

Oc.

min

Oc.

max

SE

C

RC

Št.

PL

S

SE

CV

RC

V

RP

DC

V

SE

P

RP

RP

DP

Pra

šičja

miš

ica

LD

cel 56 22,60 1,25 18,85 26,35 1,19 0,10 1 1,22 0,06 1,03 0,88 0,11 1,07

nir 56 22,60 1,25 18,85 26,35 1,20 0,08 1 1,22 0,05 1,03 0,89 0,10 1,06

vidni 56 22,60 1,25 18,85 26,35 1,20 0,08 1 1,23 0,04 1,02 0,86 0,13 1,09

Raz

lične

pra

šičje

m

išic

e

cel 83 21,64 1,70 16,53 26,76 0,45 0,93 7 0,66 0,85 2,57 0,72 0,83 2,47

nir 84 21,62 1,70 16,51 26,73 0,56 0,89 5 0,69 0,84 2,48 0,67 0,86 2,66

vidni 83 21,64 1,70 16,53 26,76 0,42 0,94 11 0,59 0,88 2,90 0,70 0,84 2,54

Raz

lične

miš

ice

razl

ični

h sp

ecie

sov

cel 149 21,25 1,89 15,57 26,93 0,56 0,91 9 0,75 0,84 2,53 0,76 0,82 2,35

nir 150 21,24 1,89 15,57 26,91 0,60 0,90 8 0,77 0,83 2,44 0,73 0,83 2,45

vidni 148 21,20 1,88 15,56 26,83 0,73 0,85 9 0,83 0,80 2,26 0,76 0,82 2,33

Mes

o in

mes

ni

izde

lki

cel 177 21,12 3,21 11,51 30,74 0,83 0,93 9 0,97 0,91 3,29 1,07 0,86 2,57

nir 176 21,10 3,20 11,49 30,71 0,90 0,92 7 1,00 0,90 3,21 1,02 0,86 2,69

vidni 177 21,12 3,21 11,51 30,74 0,68 0,95 10 0,98 0,91 3,26 0,98 0,88 2,80



Preglednica 4: Napovedovanje vsebnosti vode

Voda



Vrs

ta

vzor

ca

Spe

kter

n Pov

preč

je

SD

Oc.

min

Oc.

max

SE

C

RC

Št.

PL

S

SE

CV

RC

V

RP

DC

V

SE

P

RP

RP

DP

Pra

šičja

miš

ica

LD

cel 54 73,75 1,07 70,54 76,96 0,31 0,92 7 0,66 0,62 1,63 0,45 0,54 RPDP

nir 54 73,75 1,07 70,54 76,96 0,25 0,95 7 0,59 0,69 1,80 0,43 0,56 1,43

vidni 53 73,79 1,05 70,63 76,94 0,32 0,91 7 0,48 0,80 2,20 0,43 0,59 1,50

Raz

lične

pra

šičje

m

išic

e

cel 83 73,80 1,32 69,84 77,76 0,33 0,94 7 0,49 0,87 2,69 0,38 0,84 1,52

nir 85 73,79 1,32 69,83 77,75 0,28 0,96 7 0,47 0,88 2,82 0,31 0,89 2,50

vidni 83 73,73 1,46 69,36 78,10 0,42 0,92 7 0,50 0,89 2,93 0,46 0,76 3,01

Raz

lične

miš

ice

razl

ični

h sp

ecie

sov

cel 147 73,73 1,70 68,63 78,84 0,53 0,90 9 0,79 0,79 2,16 0,60 0,86 2,03

nir 147 73,73 1,70 68,63 78,84 0,62 0,87 8 0,89 0,73 1,92 0,68 0,82 2,67

vidni 149 73,65 1,85 68,11 79,19 0,64 0,88 10 0,81 0,81 2,29 0,64 0,84 2,35

Mes

o in

mes

ni

izde

lki

cel 174 71,37 9,01 44,34 98,40 0,94 0,99 8 1,25 0,98 7,20 1,34 0,97 2,51

nir 172 71,55 8,87 44,94 98,16 0,89 0,99 8 1,17 0,98 7,55 1,49 0,96 5,54

vidni 170 72,27 6,71 52,12 92,41 1,17 0,97 7 1,37 0,96 4,88 1,44 0,97 4,99



Preglednica 5: Napovedovanje razmerja VB

Razmerje VB



Vrs

ta

vzor

ca

Spe

kter

n Pov

preč

je

SD

Oc.

min

Oc.

max

SE

C

RC

Št.

PL

S

SE

CV

RC

V

RP

DC

V

SE

P

RP

RP

DP

Pra

šičja

miš

ica

LD

cel 54 3,26 0,18 2,71 3,82 0,08 0,80 6 0,16 0,27 1,16 0,20 0,08 1,00

nir 52 3,27 0,17 2,74 3,79 0,06 0,87 6 0,14 0,32 1,21 0,18 0,19 1,12

vidni 53 3,24 0,18 2,72 3,77 0,07 0,84 9 0,11 0,60 1,55 0,20 0,10 1,00

Raz

lične

pra

šičje

m

išic

e

cel 84 3,44 0,29 2,57 4,30 0,08 0,92 8 0,14 0,77 2,11 0,16 0,71 1,79

nir 85 3,43 0,29 2,56 4,31 0,10 0,88 5 0,15 0,75 2,00 0,15 0,72 1,87

vidni 79 3,44 0,29 2,55 4,31 0,06 0,95 10 0,08 0,92 3,43 0,17 0,64 1,61

Raz

lične

miš

ice

razl

ični

h sp

ecie

sov

cel 150 3,50 0,32 2,55 4,44 0,15 0,77 6 0,18 0,68 1,76 0,16 0,71 1,85

nir 150 3,50 0,32 2,55 4,44 0,13 0,82 7 0,16 0,74 1,96 0,16 0,72 1,87

vidni 150 3,50 0,32 2,55 4,44 0,15 0,78 9 0,19 0,65 1,68 0,16 0,73 1,90

Mes

o in

mes

ni

izde

lki

cel 173 3,39 0,65 1,44 5,34 0,19 0,91 6 0,21 0,89 3,06 0,30 0,69 1,74

nir 172 3,39 0,65 1,44 5,34 0,19 0,92 5 0,19 0,91 3,34 0,29 0,71 1,78

vidni 175 3,39 0,66 1,42 5,36 0,21 0,90 10 0,25 0,86 2,67 0,26 0,77 2,00



5 SKLEPI

V raziskavi smo z zelo dobrimi rezultati potrdili možnost natančnega napovedovanja

kemijske sestave mesa in mesnih izdelkov z uporabo NIRS.

Najboljše rezultate smo dobili za napovedovanje intramuskularne maščobe. Uporaba

celotnega ali NIR spektra valovnih dolžin na rezultate napovedovanja vsebnosti

intramuskularne maščobe ni imela pomembnega vpliva. Točnost napovedovanja je bila v

primeru določanja vsebnosti vode in beljakovin nekoliko slabša, a še vedno zadovoljiva. V

primeru napovedovanja vsebnosti beljakovin z enačbo razvito na ločenih vzorcih mišice

longissimus dorsi pa smo dobili precej slabe rezultate (nezanesljive napovedi).

Glede na različne kazalce kalibracijske statistike lahko zaključimo, da je napovedovanje

kemične sestave z modeli narejenimi na skupnem vzorcu različnih mišic najbolj zanesljivo.

Točnost napovedovanja vsebnosti določenih lastnosti v mišici z enačbo, ki te mišice ne

vključuje, pa je nizka.


6 VIRI

Abeni F, Bergoglio G. 2001. Characterization of different strains of broiler chicken by

carcass measurements, chemical and physical parameters and NIRS on breast muscle.

Meat sci, 57: 133–137.

Alomar D, Gallo C, Castaneda M, Fuchslocher R. 2003. Chemical and discriminant

analysis of bovine meat by near infrared reflectance spectroscopy (NIRS). Meat sci, 63:

441–450.

Andrés S, Murray I, Navajas EA, Fisher AV, Lambe NR, Bunger L. 2007. Prediction of

sensory characteristics of lamb meat samples by near infrared reflectance spectroscopy.

Meat sci, 76: 509–516.

Andrés S, Silva A, Soares-Pereira AL, Martins C, Bruno-Soares AM, Murray I. 2008. The

use of visible and near infrared reflectance spectroscopy to predict beef M. longissimus

thoracis et lumborum quality attributes. Meat sci, 78: 217–224.

Barlocco N, Vadell A, Ballesteros F, Galietta G, Cozzolino D. 2006. Predicting

intramuscular fat, moisture and Warner–Bratzler shear force in pork muscle using near

infrared reflectance spectroscopy. Anim sci, 82: 111–116.

Brøndum J, Munck L, Henckel P, Karlsson A, Tornberg E, Engelsen SB. 2000. Prediction

of water-holding capacity and composition of porcine meat by comparative spectroscopy.

Meat sci, 55: 177–185.

Büning-Pfaue H. 2003. Analysis of water in food by near infrared spectroscopy. Food

chem, 82: 107–115.


Byrne CE, Downey G, Troy DJ, Buckley DJ. 1998. Non-destructive prediction of selected

quality attributes of beef by near-infrared reflectance spectroscopy between 750 and 1098

nm. Meat sci, 49, 4: 399–409.

Chan DE, Walker PN, Mills EW. 2002. Prediction of pork quality characteristics using

visible and near-infrared spectroscopy. American Society of Agricultural Engineers, 45:

1519–1527.

Collell C, Gou P, Picouet P, Arnau J, Comaposada J. 2010. Feasibility of near-infrared

spectroscopy to predict aw and moisture and NaCl contents of fermented pork sausages.

Meat sci, 85: 325–330.

Cozzolino D, Murray I, Paterson R. 1996. Visible and near infrared reflectance

spectroscopy for the determination of moisture, fat and protein in chicken breast and thigh

muscle. J near infrared spec, 4: 213–223.

Cozzolino D, Murray I, Scaife JR, Paterson R. 2000. Study of dissected lamb muscles by

visible and near infrared reflectance spectroscopy for composition assessment. Anim sci,

70: 417–423.

Cozzolino D, Murray I. 2002. Effect of sample presentation and animal muscle species on

the analysis of meat by near infrared reflectance spectroscopy. J near infrared spec, 10: 37–

44.

Čandek-Potokar M, Prevolnik M, Škrlep M. 2006. Ability of near infrared spectroscopy to

predict pork technological traits. J near infrared spec, 14: 269–277.

De Marchi M, Berzaghi P, Boukha A, Mirisola M, Gallo L. 2007. Use of near infrared

spectroscopy for assessment of beef quality traits. Ital j anim sci, 6: 421–423.


Eichinger H, Beck G. 1992. Possibilities for improving breeding value estimation of meat

quality in cattle by using the near-infrared measurement technique. Archiv für Tierzücht

35, 1–2: 41–50.

Gaitán-Jurado AJ, Ortiz-Somovilla V, España-España F, Pérez-Aparicio J, De Pedro-Sanz

EJ. 2008. Quantitative analysis of pork dry-cured sausages to quality control by NIR

spectroscopy. Meat sci, 78: 391–399.

Gonzalez-Martin I, Gonzalez-Perez C, Hernandes-Mendez J, Alvarez-Garcia N, Merino

Lazaro S. 2002. Determination of fatty acids in the subcutaneous fat of Iberian breed swine

by near infrared spectroscopy. A comparative study of the methods for obtaining total

lipids: solvents and melting with microwaves. J near infrared spec, 10, 4: 257–268.

Gonzáles-Martín I, Fernández Bermejo C, Hernández Hierro JM, Sánchez Gonzáles CI.

2009. Determination of hydroxyproline in cured pork sausages and dry cured beef products

by NIRS techology employing a fibre-optic probe. Food control, 20: 752-755.

Hoving-Bolink AH, Vedder HW, Merks JWM, De Klein WJH, Reimert HGM,

Frankhuizene R et al. 2005. Perspective of NIRS measurements early post mortem for

prediction of pork quality. Meat sci, 69: 417–423.

Kennedy CA, Shelford JA, Williams PC. 1996. Near infrared spectroscopic analysis of

intact grass silage and fresh grass for dry matter, crude protein and acid detergent fiber. V:

Davies AMC, Williams P. (ur.). Near infrared spectroscopy: the future waves. Chichester,

NIR Publications: 524–530.

Kestens V, Charoud-Got J, Bau A, Bernreuther A, Emteborg H. 2008. Online measurement

of water content in candidate reference materials by acoustooptical tuneable filter near-

infrared spectrometry (AOTF-NIR) using pork meat calibrants controlled. Food chem, 106:

1359–1365.


Masoero G, Xiccato G, Zotte A dalle, Parigi-Bini R, Bergoglio G. 1994. Analysis of

freeze-dried rabbit meat by NIRS. Zootec nutr anim 20, 6: 319–329.

Molette C, Berzaghi P, Dalle Zotte A, Remignon H, Babile R. 2001. The use of near-

infrared reflectance spectroscopy in the prediction of the chemical composition of goose

fatty liver. Poultry sci, 80: 1625–1629.

Monin G, Talmant A, Laborde D, Zabari M, Sellier P. 1986. Compositional and enzymatic

characteristics of the Longissimus Dorsi muscle from large white, halothane-positive and

halothane-negative pietrain, and hampshire pigs. Meat sci, 16, 307–316.

Monin G. 1998. Recent methods for predicting quality of whole meat. Meat sci 49, 1: 231–

243.

Ortiz-Somovilla V, España-España F, Gaitán-Jurado AJ, Pérez-Aparicio J, De Pedro-Sanz

EJ. 2007. Proximate analysis of homogenized and minced mass of pork sausages by NIRS.

Food chem, 101: 1031–1040.

Prevolnik M, Čandek-Potokar M, Škorjanc D. 2004. Ability of NIR spectroscopy to predict

meat chemical composition and quality: a review. Czech j anim sci, 49: 500–510.

Prevolnik M, Čandek-Potokar M, Škorjanc D, Velikonja-Bolta Š, Škrlep M, Žnidaršič T et

al. 2005. Predicting intramuscular fat content in pork and beef by near infrared

spectroscopy. J near infrared spec, 13: 77–85.

Prieto N, Andres S, Giraldez FJ, Mantecon AR, Lavin P. 2006. Potential use of near

infrared reflectance spectroscopy (NIRS) for the estimation of chemical composition of

oxen meat samples. Meat sci, 74: 487–496.


Prieto N, Andrés S, Giráldez FJ, Mantecón AR, Lavín P. 2008. Ability of near infrared

reflectance spectroscopy (NIRS) to estimate physical parameters of adult steers (oxen) and

young cattle meat samples. Meat sci, 79: 692−699.

Prieto N, Ross DW, Navajas EA, Nute GR, Richardson RI, Hyslop JJ, Simm G, Roehe R.

2009. On-line application of visible and near infrared reflectance spectroscopy to predict

chemical- physical and sensory characteristics of beef quality. Meat sci, 83: 96–103.

Prieto N, Roehe R, Lavin P, Batten G, Andres S. 2009. Application of near infrared

reflectance spectroscopy to predict meat and meat products quality: A review. Meat sci,

83: 175–186.

Ripoche A, Guillard AS. 2001. Determination of fatty acid composition of pork fat by

Fourier transform infrared spectroscopy. Meat sci, 58, 3: 299–304.

Ripoll G, Alberti P, Panea B, Olleta JL, Sanudo C. 2008. Near-infrared reflectance

spectroscopy for predicting chemical, instrumental and sensory quality of beef. Meat sci,

80: 697–702.

Renden JA, Oates SS, Reed RB. 1986. Determination of body fat and moisture in dwarf

hens with near infrared reflectance spectroskopy. Poultry sci, 65, 8: 1539–1541.

Rudan-Tasič D, Klofutar C. 2007. Fizikalnokemijske metode v živilstvu. Ljubljana,

Biotehniška fakulteta: 114, 128 str.

Tøgersen G, Isaksson T, Nielsen BN, Baker EA, Hildrum KI. 1999. On-line NIR analysis

of fat, water and protein in industrial scale ground meat batches. Meat sci, 51: 97–102.

Tøgersen G, Arnesen JF, Nielsen BN, Hildrum KI. 2003. On-line prediction of chemical

composition of semi-frozen ground beef by non-invasive NIR spectroscopy. Meat sci, 63:

515–523.


Valdes EV, Summers JD. 1986. Determination of crude protein in carcass and breast

muscle samples of poultry by near infrared reflectance spectroscopy. Poultry sci, 65, 3:

485–490.

Viljoen M, Hoffman LC, Brand TS. 2005. Prediction of the chemical composition of

freeze-dried ostrich meat with near infrared reflectance spectroscopy. Meat sci, 69: 255–

261.

Viljoen M, Hoffman LC, Brand TS. 2007. Prediction of the chemical composition of

mutton with near infrared reflectance spectroscopy. Small ruminant res, 69: 88–94.

Windham WR, Morrison WH. 1998. Prediction of fatty acid content in beef neck lean by

near infrared reflectance analysis. J near infrared spec, 6: 229–234.

Windham WR, Lawrence KC, Feldner PW. 2003. Prediction of fat content in poultry meat

by near-infrared transmission analysis. J appl poultry res, 12: 69–73.

WinISI II Manual, Version 1.50, Infrasoft International, LLC, 2000.

Young OA, Berker GJ, Frost DA. 1996. Determination of collagen solubility and

concentration in meat by near infrared spectroscopy. J muscle foods, 7: 377–387.

Žnidaršič T. 2007. Navodila za uporabo NIRS-a. Ljubljana, Kmetijski inštitut Slovenije.

Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010

7 ZAHVALA

Zahvalila bi se rada mentorici, doc. dr. Marjeti Čandek-Potokar, in somentorju, red. prof.

dr. Dejanu Škorjancu, za samo idejo in s tem nastajanje diplomske naloge. Posebna

zahvala gre univ. dipl. inž. kmet. Maji Prevolnik za vse odgovore na moja številna

vprašanja in nesebično pomoč, brez katere bi se izdelava diplomske naloge pošteno

zavlekla. Iskrena hvala dragima staršema za vso podporo in finančno pomoč pri študiju.

Hvala Alešu, ki me sprejema takšno kot sem in mi tako pri obveznostih študija kot v

življenju vedno nudi oporo. Hvala tudi redkim, a dobrim prijateljem, ki mi stojijo ob strani

in me spodbujajo še naprej.

Documents

UPORABNOST NIR SPEKTROSKOPIJE ZA NAPOVEDOVANJE …interpretacija spektralnih podatkov (Büning-Pfaue 2003). Kljub temu, da so prve poskuse uporabe NIRS izvedli že pred 40 leti, je