冷链物流对鲜肉新鲜度的影响及智能检测

王建强，陈景华，郝发义，李芃，毛渝沁，周奕枫，陈之毅，曹玮杰

食品流通与包装

冷链物流对鲜肉新鲜度的影响及智能检测

王建强，陈景华，郝发义，李芃，毛渝沁，周奕枫，陈之毅，曹玮杰

（上海理工大学 出版印刷与艺术设计学院，上海 200093）

研究肉类新鲜度检测方法在冷链物流中的应用进展，以发展符合市场需求的食品新鲜度检测技术。根据肉类腐败原理，分析冷链物流对食品新鲜度的影响，阐述目前肉类新鲜度检测技术的工作原理，介绍肉类新鲜度检测技术的研究现状。虽然近年来肉类新鲜度检测技术逐渐智能化，提高了检测精度，但依然存在技术检测成本高昂，针对销售环节无法做到有效监控等问题。智能标签作为一种相对成本低廉、加工方便的检测技术具有很大的发展空间。

冷链物流；肉类新鲜度；智能检测

随着我国经济快速发展，人民收入逐渐提高，人们对商品的质量也有了新的要求。普通物流体系对于商品尤其是食品的保护还有欠缺，在运输过程中时常出现食品变质腐坏的状况。鉴于此，冷链运输行业迅速发展起来。2020年我国的冷链运输市场已经超过3800亿元[1]，随着国家一系列的政策出台，未来冷链市场还会进一步扩大规模。冷链运输对于食品的腐败过程虽然有一定减缓作用，但是还做不到完全阻止，尤其对于鲜肉等易腐食品，新鲜度检测是避免食品安全问题的重要手段。在20世纪40年代，Clark[2]就已经发明了一种指示剂，可用来检测包装内食品表面细菌变化情况，细菌代谢使得食品腐败，导致包装内pH发生变化，该指示剂在不同pH环境下显示不同颜色。消费者通过对比指示剂颜色与标准色卡可以确定食品新鲜度。20世纪90年代，Funazaki等[3]发现鲜肉*值、*值与鲜肉贮藏时间密切相关，提出利用色彩色差计检测肉品新鲜度。Russell等[4]发现鲜肉在腐败过程中产生的氨类化合物与布三酮可以发生反应，导致颜色变化，通过布三酮显色反应可以检测鲜肉新鲜度。

随着信息化时代的到来，各个行业的技术创新都集中在信息化技术的产业融合和运用上，冷链物流便是能很好体现技术融合的产业之一。温度控制系统、智能排列系统、安全检测系统等均是根据需求分化出管控冷链物流各阶段的智能技术系统。食品新鲜度检测作为食品安全中重要的一环同样得到发展。对食品新鲜度检测技术展开探究尤为重要[5]。

1 冷链运输对肉类新鲜度的影响

1.1 鲜肉冷链物流现状

肉类属于易腐易损食品，在运输过程中，其品质易发生质量安全问题。冷链物流是保护肉类产品质量的有效方法。在发达国家，鲜肉冷链流通率接近100%，我国冷链物流起步晚，目前我国平均鲜肉冷链流通率仅占15%。在北京、上海等发达城市，冷鲜肉已经占到鲜肉市场的30%，在杭州市区小范围内已达到60%以上。冷鲜肉已展示出良好的市场前景。

1.2 鲜肉新鲜度的变化原理

影响鲜肉新鲜度、导致肉类失去食用价值主要有2种原因：肉类自身酶的作用、外界空气中含有的微生物对肉的作用[6]。肉在自溶酶作用下的蛋白质分解过程称为肉的自家溶解，由微生物作用引起的蛋白质分解过程称为肉的腐败，肉中脂肪的分解过程称为酸败[7]，见图1。

鲜肉内自溶酶的作用：生物体内拥有大量的酶用来催化生成代谢所需的各种反应，在生物死亡后，许多内源性酶在一定温度和湿度环境中仍然活跃，并参与鲜肉腐败前后的生理变化，如蛋白酶在生物死后依然会降解肉蛋白结构，脂肪酶和脂氧合酶在氧气环境中会将不饱和脂肪酸氧化，导致脂肪酸败变质。肉类自身酶的作用是肉类变质初期的重要因素。

天然蛋白质通常不能直接被微生物吸收，这是因为天然蛋白质是高分子的胶体粒子，它不能通过微生物的细胞膜。大多数微生物都是在蛋白质分解产物上才能迅速发展，肉的自溶为微生物的繁殖提供了条件。

腐败微生物的生长：动物死后由于停止了血液循环，失去了吞噬细菌的功能，使得细菌得到了繁殖生长的机会。鲜肉在屠宰、分割至包装的各个阶段都有可能被腐败细菌污染。如乳杆菌、弗式假单胞菌、热杀索斯菌[8]等。微生物除了吸收生物体内酶分解产生的小分子物质作为自己的代谢能量外，一些微生物自身也会在胞外产生蛋白酶，分解鲜肉内的蛋白质等大分子化合物。肌肉组织的腐败就是肌肉中蛋白质受微生物作用的分解过程，微生物将蛋白质初步水解为多肽，再水解成为氨基酸。脂肪是肉类在贮藏过程中最易腐败的成分之一。最初的脂肪酸败是由于脂肪组织本身酶的作用，在微生物大量繁殖生长后，微生物成为脂肪酸败的主要原因。微生物产生的脂肪酶将脂肪分解为脂肪酸和甘油，使鲜肉产生了不良气味。在一定的温度湿度和气体环境下，微生物借助生物体内的营养物质大量繁殖，破坏鲜肉肉质的同时产生大量有害物质，这是使鲜肉腐败的主要因素。

图1 食品腐败影响因素

1.3 冷链运输各环节对鲜肉新鲜度的影响

鲜肉的冷链物流指鲜肉在经过冷冻加工后，在包装、分拣、运输、仓储等各个环节始终处于低温环境，最大程度减缓整个物流环节中鲜肉的腐败进程，保证营养物质不被破坏。

1.3.1 冷却加工

刚被屠宰后鲜肉的温度、湿度极其适合微生物的繁殖生长，体内酶活性高，不利于鲜肉的保存。温度是影响酶活性的重要因素，鲜肉体内的酶在30～40 ℃下的活性最高，降低温度可以使酶的活性迅速降低，在0～40 ℃下，温度每降低10 ℃，酶的活性会被削弱二分之一到三分之一，酶的活性降低会大大减缓食品腐败速度。低温环境也可以降低腐败微生物生长繁殖的速度，减慢物质代谢，打乱微生物体内平衡，使微生物细胞原生质变稠，水循环失调，胶体吸水性降低。通过破坏微生物的生成代谢来减少鲜肉内营养物质的变质[9]。在冷鲜肉加工时，会在刚屠宰后的鲜肉表面用质量分数为2%的乳酸进行冲淋，抑制微生物的繁殖，然后迅速将鲜肉放置在−15 ℃的冷却间快速冷却1～1.5 h，使得胴体温度快速降低，达到抑制胴体表面微生物生长和胴体内酶活性的目的。在快速冷却结束后，再将鲜肉放置在−1～4 ℃的预冷间将胴体中心温度保持在0～4 ℃[10]。

1.3.2 冷鲜肉贮藏和运输

热鲜肉与冷鲜肉在运输和贮藏过程中的区别在于胴体温度不同。热鲜肉通常是在凌晨宰杀分割，经过简单处理后在清晨于市场售卖；冷鲜肉在经过2次冷却等加工后，在贮藏和运输环节始终保持胴体温度在0～4 ℃。温度控制是冷链物流中的核心，金鑫等[11]通过分析不同温度贮藏热鲜猪肉品质发现（见图2），在25 ℃下保存的猪肉比在4 ℃保存的猪肉挥发性盐基氮（TVB-N）值提前60 h达到150 mg/kg。在抑制微生物方面，低温环境以及对运输工具的及时消毒降低了运输过程中微生物对鲜肉的影响。刘阳泰等[12]测试了鲜肉在全程非冷链、部分冷链、全程冷链这3种流通模式中单增李斯特菌的最终暴露量，结果显示基于全程冷链的鲜肉最终阳性检出率为6.50%，基于全程非冷链的鲜肉阳性检出率约为前者的7倍。

图2 不同温度下猪肉TVB-N值增长情况

Fig.2 TVB-N value of pork at different temperature

在鲜肉冷链物流过程中，冷鲜肉的贮藏和运输是对冷鲜肉质量安全影响较大的环节。在长途运输过程中，运输工具内的冷藏温度可能会发生波动；在运输环节中的装卸和搬运等过程均会使冷鲜肉温度发生波动。付丽等[13]发现温度波动对冷鲜肉的新鲜度影响巨大。

1.3.3 冷鲜肉销售

冷鲜肉在经过运输后进入销售端，在上架销售前会再对冷鲜肉进行清洗，清洗过后的冷鲜肉会被包裹一层保鲜膜或被放置于气调包装内，有利于消费者选购，同时也可以抑制微生物的生长，减缓代谢。上架后冷柜同样使冷鲜肉始终处于低温环境[14]。从整个流程来看，冷鲜肉从加工到运输再到销售，各个环节都有利于肉类的营养保存，保质期延长。

1.4 鲜肉新鲜度评判标准

鲜肉在物流期间，内部营养成分在内源性酶和腐败微生物的氨化和转胺作用下被大量消耗，逐渐产生氨、伯胺、仲胺类等含氮碱性物质，这类物质随后与鲜肉内部代谢产生的有机酸发生反应生成了具有挥发特性的盐基态氮。TVB-N值会随着鲜肉逐渐腐败而变大，可以有效反应肉的新鲜程度，目前TVB-N值是评价肉新鲜度的重要理化标准之一[15]。

随着贮藏时间的延长，冷鲜肉感官特征发生明显变化。体内酶的催化作用和微生物不断代谢产生大量代谢产物，产生异味，并且在腐败过程中肉品色泽变化也比较明显，在经过屠宰、冷却、加工等程序后，鲜肉表面肌红蛋白逐渐被氧气生成氧合肌红蛋白，鲜肉呈现正常的鲜红色。随着贮藏时间的延长，鲜肉外表面水分逐渐缺失，肌肉组织内部缺少氧气，厌氧性微生物逐渐增加，在酶和微生物的催化下，肌红蛋白逐渐被破坏，鲜肉外表颜色从鲜红逐渐变为暗红。从鲜肉外表特征中可以区分鲜肉新鲜程度，见表1，根据NY/T 1759—2009，畜肉类被分为3个新鲜度。鱼类和海产品新鲜度标准主要依靠挥发性含氮化合物值来判定。

2 食品新鲜度的监测方法

2.1 感官检测法

感官检测法是利用人类的感知，通过眼看、鼻闻、手摸的手段分析食物的颜色、气味、质感，对食物质量和新鲜程度进行评估[16]。鲜肉在腐败过程中色泽、肉质、纹理和气味会发生一定变化。消费者在经过专业培训或积累大量生活经验后可以直接通过感官快速及时地判断出鲜肉的新鲜程度。感官检测法无需成本，不受设备场地限制，目前国内大部分消费者主要采用这类方法。从近些年来层出不穷的食品安全问题来看，单纯通过人类感官判断不适用于所有消费者。

表1 国家畜肉类新鲜度标准

2.2 电子鼻检测法

电子鼻主要通过气体传感器模拟人类嗅觉，将鲜肉腐败过程中产生的挥发性气体吸附，通过相关电子设备分析气体成分和浓度，再转换为电信号方便系统进行分析识别，通过信号反馈可以得到待测食品新鲜程度[17—18]。王敏[19]选用MOS传感器，设计了检测冰箱中食品新鲜度的电子鼻系统，见图3，该传感器主要通过不同浓度的目标气体导致传感器的导电率不同，最终反应为传感器阻值的变化，通过感应电压来显示食品新鲜程度。

经过多次实验发现，当传感器输出电压超过0.5 V时，鲜肉表面颜色逐渐加深，当传感器输出电压超过1.5 V时，鲜肉挥发性盐基氮含量超过150 mg/kg，变为腐败肉，见图4。

电子鼻系统往往用于检测整个冰箱或冷柜的食品新鲜度，检测空间较大。鲜肉腐败初期，挥发气体浓度较少时，电子鼻系统灵敏度较低。Kuchmenko[20]为了提高灵敏度，在传感器电极上固定对不同气体敏感的吸附剂。在检测信息处理方面，使用合适的算法可以加快检测速度和精度。Juan等[21]使用支持向量机（SVM）算法处理信息，有效提升了检测速度和准确率。

电子鼻系统对设备依赖大，适用于搭载在冷链运输工具上或贮藏空间内，检测信息依靠电子设备传输，这样通过网络可以直接与检测中心相连，对食品新鲜度进行实时检测。Feng[22]使用卷积神经网络和支持向量机的算法储存数据，并将数据与物联网的检测系统连接，有利于实现对运输和贮藏过程中智能化检测。

综上所述，电子鼻检测法对检测设备依赖较大，针对贮藏和运输环节可以实现智能化检测，食品腐败初期检测精度较低，且在销售环节无法直接对消费者提供新鲜度信息，具有一定局限性。

2.3 红外光谱检测法

近红外光谱检测指用波长在750～2500 nm的近红外光对待测样品进行光谱扫描，同时对待测样品相关理化性质进行测量，得出数据，通过组建模型将样品光谱图像与理化性质数据结合，设计相关算法，通过光谱图像可直接对样品性质进行检测[23—24]。近红外光谱检测作为一种无损检测方法，已逐渐用于食品鉴别和安全检测。Sun[25]采用红外光谱对山楂果粉中的掺假进行快速检测，Yin[26]使用红外光谱对吐司面包表面污染进行无损检测。在肉品新鲜度变化过程中，蛋白质、脂肪和水分含量等营养成分也相应发生变化，从而导致鲜肉光谱成像发生变化。经过大量研究发现了一些与肉质相关的特征波长，如在430 nm附近的肌红蛋白引起的吸收峰，在980，1450，1950 nm处由水分引起的吸收峰等，Liao等[27]采用近红外光谱对猪肉进行了在线检测，采集了位于350～1100 nm的211个样本，经过噪声处理后建立了PLSR模型，取得了良好的预测结果。何鸿举等[28]以鸡胸肉为样品，采集了波长在900～1650 nm的光谱信息，研究光谱信息与细菌菌落总数之间的关系，结果表明，其可以实现对鸡胸肉细菌总数的快速无接触检测。

影响光谱变化的因素较多，光谱信息复杂，需要降维处理才能从中提取有效信息，挖掘特征。魏文松等[29]采用逐步回归算法和连续投影算法，筛选与TVB-N含量相关的特征波长，建立模型。上述方法多采用单向方式提取特征变量，模型反演精度较低。张钰[30]研究了一种反馈型特征变量的智能提取方法，在粒子更新方式和惯性权重这2个方面对粒子群算法进行改进，采用该算法提取羊肉光谱信息特征波长可以有效提高模型预测准确性。

Yu[31]采用可见近红外光谱与近红外光谱这2种高光谱成像系统对冷藏的罗非鱼进行光谱扫描，将2种光谱数据融合，并采用遗传算法和竞争自适应重加权法等多种变量选择特征波长的方法进行优化，结果表明，基于低级数据融合的变量选择方法比单一光谱数据获得了更好的模型。

图3 电子鼻系统

图4 电子鼻随时间响应曲线

综上所述，红外光谱检测鲜肉新鲜度应用于冷链物流具有很大潜力，该技术具有不破坏样本，使用方便，易实现智能检测等优点，可以在仓储环节进行大批量快速无损检测，目前国内还是停留在实验阶段。在肉制品变质过程中，内部变化复杂多样，造成光谱信息变化的因素较多，需要采集大量鲜肉样品信息才能保证模型预测结果稳定可靠。

2.4 计算机视觉识别

在肉品腐败变质过程中，其内部化学组分变化的同时也伴随颜色、纹理等外部特征的变化，可将颜色和纹理特征作为肉品新鲜程度和质量的评判标准。计算机视觉技术[32]属于感官检测法的高级运用，通过计算机代替人类去理解和识别目标图像，并借助图像处理技术将肉品颜色、纹理等图像特征进行数字化表达，实现肉品新鲜度的预测和分析[33]。Chen等[34]利用计算机视觉技术提取大量牛肉脂肪图像信息，与支持向量机结合，对牛肉进行了分级。潘婧等[35]以计算机视觉为基础，提取猪肉颜色特征参数，并利用神经网络进行预测猪肉新鲜度。

单一的计算机视觉无法检测鲜肉内部信息，检测精度不高。Sooin等[36]采用125～128 kHz的电阻抗谱和计算机视觉技术，设计了一套无创新鲜度评估系统，其使用电阻抗仪获得肉类的电阻抗谱，经过阻抗值和相关理化性质的测试，得出阻抗值与贮藏时间基本呈负相关，当频率达到128 kHz时，相关性达到最高。结合电阻抗谱和计算机采集的肉图像信息，利用Adaboost分类算法和梯度增强回归算法组建预测模型，该模型预测准确率比单独使用计算机图像预测提高了30%，达到了85%。万新民[37]将猪肉近红外光谱信息与计算机视觉信息融合，利用BP神经网络建立基于2种检测信息的识别模型，结果表明其评判结果的准确性高于单一信息模型。

为方便消费者使用计算机视觉检测技术，Isabel等[38]设计了一种使用智能手机就可以检测鲜肉新鲜度系统，通过气体传感器检测了鲜肉在腐败过程中散发出的气体，分析了鲜肉在不同新鲜程度时细菌的增长情况。将不同新鲜程度鲜肉散发出气体的浓度值与细菌数结合鲜肉图像的灰度建立函数关系，经过实 验发现，当猪肉灰度值大于98.5时，鲜肉处于腐败状态。

计算机视觉技术是光学成像技术、计算机技术、人工智能等多种技术融合而成，具有速度快、智能化高、稳定等诸多优点。计算机视觉技术只可以采集食品表面信息，单独检测精度不高，与近红外光谱技术等可以采集鲜肉内部信息的检测方法结合，可以有效提升准确率。随着计算机等电子硬件成本的降低，该技术会得到越来越广泛的应用。

2.5 智能标签技术

智能标签一般利用可以随着周围环境某些因素改变而发生颜色改变或形态变化的物质作为指示剂，再将指示剂通过某种载体制成的标签。智能标签具有体积小、成本低、信息识别方便等优点，目前已经在防伪、物流跟踪、温度监测、新鲜度监测等领域广泛应用。Tricot[39]使用银盐和TiO2制成了光敏水性墨水，在可见光照射下颜色可以发生显著变化。Vivaldi[40]使用掺铜离子液体装饰RFID标签，使该标签对温度敏感，可以监测冷链物流中温度的变化。Marra Fabrizio[41]将石墨烯纳米片分散在水基油墨中制成应变标签，可以监测衣服等纺织品在洗涤后的应变。智能标签作为食品新鲜度检测领域最早发展的技术之一具有非常大的发展潜力，标签可以跟踪冷链物流中任何环节，同时低廉的成本和易于识别的优点使智能标签在冷链物流产业链最下游的销售环节依然可以作为消费者识别包装内部食品新鲜度的参照。

化学指示剂具有性能稳定、成本低廉、易于加工等优点，被研究人员大量使用。Kuswandi等[42]使用甲基红与溴甲酚紫这2种酸碱指示剂混合制成标签，使得标签监测范围变广，颜色变化明显，可以更清楚地监测到鲜肉的新鲜程度。杜月红等[43]使用溴甲酚蓝、溴甲酚紫、溴百里酚蓝和甲基红等4种指示剂，将4种指示剂两两混合后分别制成6种薄膜，用于监测猪肉新鲜度，见图5。Guo[44]使用20种不同类型带有卤色染料的多孔纳米复合材料制成条形码，根据鲜肉挥发出的气体种类和浓度不同，形成彩色条形码，使用深度卷积神经网络（DCNN）对大量条形码训练，得到预测肉类新鲜度的DCNN，准确率可以达到98.5%。该DCNN可以移植入智能手机，使用户可以随时获得新鲜度信息。随着科技的进步和智能材料的不断出现，环保和易于大规模加工生产成为了智能标签技术新的发展趋势。

图5 在4 ℃下贮存包装的不同新鲜度指示标签的颜色变化

2.5.1 材料环保化

智能标签可以变色的原因就在于代谢产物与指示剂发生变色反应。指示剂是智能标签的心脏。化学指示剂过去一直是主要指示剂。目前环境问题日益严重，环保成为主流，许多天然物质被发现，天然提取物作为指示剂成为新的研究热点。已有多种天然物质被作为指示剂用于智能标签。

1）花青素。花青素是一种水溶性色素，又名花色素。其是一种酚类化合物，属于黄酮类物质，可以随着周围环境的酸碱改变颜色，见表2。花青素广泛存在于植物的果实中，是理想的指示剂原料[45]。

花青素分布广泛，目前已经在300余种植物中发现花青素。Zhou[46]、Zhang[47]、Franco[48]、Liu[49]、邹小波[50]、Zhang[51]等从不同植物中提取花青素作为指示剂。

Zhang[47]用淀粉/聚乙烯醇/玫瑰茄花青素薄膜对猪肉进行新鲜度检测，结果表明，在猪肉变质时，薄膜从红色变为绿色。Franco等[48]用醋酸纤维素和黑胡萝卜花青素研制出一种多层pH敏感复合膜，在新鲜鸡肉到腐败鸡肉的转变过程中，复合膜的颜色从粉红色变成紫色，并通过标签上表示新鲜的“笑脸”和表示腐败的“悲脸”这2种简单图像使消费者获得直观的新鲜度信息，见图6。Liu[49]使用红甘蓝花青素为指示剂，通过静电相互作用和氢键结合将红甘蓝花青素固定在以聚乙烯醇和羧甲基纤维素钠为基料的薄膜中。猪肉腐败过程中挥发的气体逐渐使花青素的结构由红色的盐离子变为蓝色的醌碱，他还对含有不同花青素含量的薄膜进行灵敏度实验，结果表明，含量越多，其对挥发性气体越敏感，整体颜色变化不明显，含量少，敏感度较低，颜色变化明显。研究人员还将其他物质加入指示膜，使薄膜在起指示功能的同时具有保护性能。Zhang[51]从樱桃果渣中提取花青素作为天然pH指示剂，以卡拉胶与羟丙基纤维素混合溶液为成膜基质，采用熔融法制备了新鲜度指示膜，并将软木树皮提取物作为抗菌剂加入薄膜中，使薄膜具有抗氧化和抗菌性能，实验结果表明，软木树皮提取物显著提升了薄膜的抗氧化性能，在加入后薄膜DPPH自由基清除率提升至58.86%。软木树皮提取物使大肠杆菌抑菌圈直径从1.50 cm增大到3.60 cm，金黄色葡萄球菌抑菌圈直径从2.90 cm增大到3.95 cm，使薄膜具有了抗菌性能。

2）姜黄素。姜黄素是一种从姜科植物姜黄及其根茎中提取出来的天然植物色素，属于二酮类色素[52]。姜黄素易于提取，着色效果好，在食品行业主要作为食品着色剂，对人体健康有益。姜黄素对环境中pH变化具有一定敏感性，当周围环境由酸性变为碱性时姜黄素内分子两端的羟基发生电子云偏离的共轭效应，当pH大于8时，姜黄素溶液会发生变色反应，酸性条件下的红色变为黄色。Chunhua[53]、Taghinia[54]、Eda[55]、郑辉[56]等将姜黄素作为指示剂制成新鲜度指示膜。其中Eda等[54]使用姜黄素、壳聚糖和聚氧乙烯为原料，研制了一种静电纺丝纳米纤维卤化pH传感器薄膜，用于检测鸡肉新鲜度，在鸡肉变质过程中，薄膜颜色从亮黄色变为淡红色。姜黄素单独作为指示剂时变色范围窄，在pH=1～7没有颜色变化。郑辉等[56]将红甘蓝花青素与姜黄素混合，以卡拉胶为成膜基质制成标签，对猪肉进行新鲜度检测，在室温和冷藏条件下，指示标签均发生颜色变化，当TVB-N值小于0.15 g/kg时，指示标签呈绿色；当TVB-N值在0.15～0.20 g/kg时，指示标签开始由绿色向黄色转变；当TVB-N值大于0.20 g/kg时，指示标签完全呈黄色。指示标签的变色与理化指标相匹配。

表2 花青素在不同pH下的变化

图6 多层pH敏感复合膜结构

天然色素作为理想的指示剂原料具有无毒无污染等优点，也存在化学性质不稳定，易受环境因素影响等缺点。如何增加天然色素在标签中的稳定性还需要更进一步的研究。

2.5.2 生产便捷化

智能标签的主要物质是指示剂，在研究指示剂的同时，指示剂的载体也在发展，智能指示标签的载体大多数为高分子材料制成的薄膜，将薄膜覆在包装内部，检测食品新鲜度。有研究者将油墨作为指示剂载体，利用印刷的方式将变色油墨制成标签，这样可以既有利于生产也有利于保存。

王洪江等[57]使用甲基红与溴百里酚蓝这2种酸碱指示剂作为油墨的颜料，指示范围变大。改变标签所处环境的pH值，标签上油墨呈现不同的颜色，从酸性条件下的红色逐渐变为中性环境下的绿色，见图7。

图7 不同pH值下油墨的颜色

刘兴海等[58]以紫甘蓝花青素为显色剂，羟甲基纤维素为连接料，甘油为增塑剂，矿物油为消泡剂制成油墨。将油墨通过丝网印刷的方式印在纸张上制成标签，随着挥发氨的浓度来增大，标签颜色从红紫色变成黄绿色，经过实验说明该油墨具有对挥发氨的快速显著的颜色反应。

Wang等[59]用蓝莓花青素作为指示剂，用壳聚糖等物质制成油墨，再采用部分脱乙酰和TEMPO-氧化（TEMPO/NaClO2/NaClO）体系制备了阳离子（NH3+）和阴离子（COO−）修饰的甲壳素纳米纤维。将纳米纤维加入油墨，获得了良好的印刷适性，耐摩擦和耐带牢度分别达到97.8%和98.9%，通过对挥发性碱性氮和pH值的分析，证明了该标签对鱼类新鲜度的有效指示特性。

3 结语

从目前的冷链物流市场分析出发，发现食品新鲜度检测技术具有广阔的发展前景。目前已经开发出的技术依然存在一些使用限制，成本过高依然是限制我国新鲜度检测技术商用的主要因素，电子鼻技术、近红外光谱技术等由于设备限制只能应用于仓储和物流环节，无法对消费者直接提供新鲜度信息。计算机视觉技术依托于移动智能手机，逐渐摆脱设备限制，使消费者可以快速检测食品新鲜度，其中准确率会受到食品环境中光线和本身智能手机像素等影响，达不到精准检测。近年来，智能标签检测技术发展迅速，气体指示型智能标签检测具有更准确、更便捷等优点。标签可以通过工厂大规模生产；指示剂也开发出天然植物色素，不会对环境造成污染；标签可以监测整个冷链物流，在销售环节可以直接向消费者提供新鲜度信息，新鲜度信息也便于识别。智能标签具有非常大的实用性。

[1] 崔忠付. 2020年冷链物流回顾与2021年展望——在第十四届中国冷链产业年会上的讲话[J]. 中国物流与采购, 2020(24): 8-9.

CUI Zhong-fu. Review of Cold Chain Logistics in 2020 and Outlook of 2021 —— Speech at the Fourteenth Annual Conference of China Cold Chain Industry[J]. China Logistics & Purchasing, 2020(24): 8-9.

[2] CLARK. Method and Device for Indicating Spoilage: US, 2485566[P]. 1949-10-25.

[3] FUNAZAKI N，HEMMI A, LTO S, et al. Application of Semiconductor Gas Sensor to Quality Control of Meat Freshness in Food Industry[J]. Sensors and Actuators B (Chemical), 1995, 25(1): 797-800.

[4] RUSSELL S, WALKER J. The Effect of Evisceration on Visible Contamination and the Microbiological Profile of Fresh Broiler Chicken Carcasses Using the Nu-Tech Evisceration System or the Conventional Streamlined Inspection System[J]. Poultry Science, 1997, 76(5): 780-784.

[5] 包文俊. 我国冷链物流发展问题与对策研究[J]. 物流工程与管理, 2020, 42(12): 25-27.

BAO Wen-jun. Research on Problems and Countermeasures of Cold Chain Logistics Development in China[J]. Logistics Engineering and Management, 2020, 42(12): 25-27.

[6] 李晓波. 微生物与肉类腐败变质[J]. 肉类研究, 2008(9): 41-44.

LI Xiao-bo. Microorganism and Meat Spoilage[J]. Meat Research, 2008(9): 41-44.

[7] 王素芳. 进出口肉及肉制品分析检验技术[M]. 郑州: 河南科学技术出版社, 2012: 18-19.

WANG Su-fang. Analysis and Inspection Technology of Import and Export Meat and Meat Products[M]. Zhengzhou: Henan science and Technology Press, 2012: 18-19.

[8] SANDRA K. Effect of High Levels of CO2and O2on Membrane Fatty Acid Profile and Membrane Physiology of Meat Spoilage Bacteria[J]. European Food Research and Technology, 2021(1): 1-13.

[9] 陆刚安. 肉类食品低温冷链保鲜的锦囊妙计[J]. 农村实用技术, 2018(3): 48-50.

LU Gang-an. Pocketful of Miracles Cold Chain Preservation of Meat Products[J]. Rural Utility Technology, 2018(3): 48-50.

[10] 方华, 陈慧阳, 李浩景. 冷鲜肉加工的关键技术及微生物控制[J]. 肉类工业, 2020(7): 36-38.

FANG Hua, CHEN Hui-yang, LI Hao-jing. Key Technologies and Microbial Control for Cold and Fresh Meat Processing[J]. Meat Industry, 2020(7): 36-38.

[11] 金鑫, 禹迎迎, 徐幸莲. 不同温度贮藏热鲜猪肉品质变化比较[J]. 食品科学, 2012, 33(16): 261-265.

JIN Xin, YU Ying-ying, XU Xing-lian. Comparison of Quality Changes of Hot Fresh Pork Stored at Different Temperatures[J]. Food Science, 2012, 33(16): 261-265.

[12] 刘阳泰, 孙菀霞, 刘宝林. 3种流通模式下生猪肉中单增李斯特菌的暴露评估[J]. 食品科学, 2019, 40(1): 85-91.

LIU Yang-tai，SUN Wan-xia，LIU Bao-lin. Assessment of Exposure to Listeria in Raw Pork in 3 Circulation Modes[J]. Food Science, 2019, 40(1): 85-91.

[13] 付丽, 桂俊, 高雪琴. 冷藏车消毒及运输条件对冷鲜肉保鲜效果的影响[J]. 肉类研究, 2019, 33(3): 59-66.

FU Li, GUI Jun, GAO Xue-qin. Effect of Refrigerated Truck Disinfection and Transportation Conditions on the Preservation Effect of Cold and Fresh Meat[J]. Meat Study, 2019, 33(3): 59-66.

[14] 唐瑞霞. 冷鲜猪肉冷链销售环节风险控制研究[D]. 唐山: 华北理工大学, 2017: 21-23.

TANG Rui-xia. Study on Risk Control in the Sales of Cold and Fresh Pork Cold Chain[D]. Tangshan: North China University of Science and Technology, 2017: 21-23.

[15] 顾赛麒, 赵勇, 谢晶. 冷却肉新鲜度变化研究[J]. 食品工业科技, 2010, 31(1): 102-104.

GU Sai-qi, ZHAO Yong, XIE Jing. Study on the Freshness Change of Chilled Meat[J]. Science and Technology in the Food Industry, 2010, 31(1): 102-104.

[16] 耿爱琴, 郑国锋, 钱和. 浅述肉类新鲜度的检测方法[J]. 肉类工业, 2006(12): 37-39.

GENG Ai-qin, ZHENG Guo-feng, QIAN He. Brief Introduction of Meat Freshness Detection Method[J]. Meat Industry, 2006(12): 37-39.

[17] PERSAUD K C, KHAFFAF S M, PAYNE J S, et al. Sensor Array Techniques for Mimicking the Mammalian Olfactory System[J]. Sensors and Actuators B: Chemical, 1996, 36(1): 236-273.

[18] ZHANG Hong-mei, WANG Jun, TIAN Xiao-jing. Optimization of Sensor Array and Detection of Stored Duration of Wheat by Electronic Nose[J]. Journal of Food Engineering, 2007, 82(4): 403-408.

[19] 王敏. 智能电子鼻在冰箱食品新鲜度实时检测及评价中的应用研究[D]. 杭州: 浙江大学, 2019: 30-61.

WANG Min. Application of Intelligent Electronic Nose in Real-Time Detection and Evaluation of Food Freshness in Refrigerator[D]. Hangzhou: Zhejiang University, 2019: 30-61.

[20] KUCHMENKO T A. Electronic Taster Applied for Identification of a Rainbow Trout Spoilage Specifics[J]. IOP Conference Series: Earth and Environmental Science, 2021, 640(3): 32-47.

[21] JUAN C, RODRIGUEZ G. Validation of the Rapid Detection Approach for Enhancing the Electronic Nose Systems Performance, Using Different Deep Learning Models and Support Vector Machines[J]. Sensors and Actuators: B. Chemical, 2021, 327: 234-258.

[22] FENG Huan-huan. Evaluation of IoT-Enabled Monitoring and Electronic Nose Spoilage Detection for Salmon Freshness during Cold Storage[J]. Foods, 2020, 9(11): 1579.

[23] CEN Hai-yan, HE Yong. Theory and Application of Near Infrared Reflectance Spectroscopy in Determination of Food Quality[J]. Trends Food Sci Technol, 2007, 18(2): 72-83.

[24] BLANCO M, PAGES J. Classification and Quantitation of Finishing Oils by Near Infrared Spectroscopy[J]. Anal Chim Acta, 2002, 463(2): 295-303.

[25] SUN Xue-fen. Rapid Detection and Quantification of Adulteration in Chinese Hawthorn Fruits Powder by Near-Infrared Spectroscopy Combined with Chemometrics[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 250: 119-127.

[26] YIN Ji-fan. Non-Destructive Detection of Foreign Contaminants in Toast Bread with Near Infrared Spectroscopy and Computer Vision Techniques[J]. Journal of Food Measurement and Characterization, 2021, 15(1): 189-198.

[27] LIAO Yi-tao, FAN Yu-xia, CHENG Fang. On-Line Prediction of Fresh Pork Quality Using Visible/Near-Infrared Reflectance Spectroscopy[J]. Meat Science, 2010, 86(4): 901-907.

[28] 何鸿举, 蒋圣启, 王洋洋. 在线近红外光谱系统快速检测整块鸡胸肉菌落总数含量[J]. 食品工业科技, 2020, 41(16): 232-237.

HE Hong-ju, JIANG Sheng-qi, WANG Yang-yang, et al. On-Line Near-Infrared Spectroscopic System to Quickly Detect the Total Content of the Entire Chicken Breast Colony[J]. Food Industry Technology, 2020, 41(16): 232-237.

[29] 魏文松, 彭彦昆, 郑晓春. 基于优选波长的多光谱检测系统快速检测猪肉中挥发性盐基氮的含量[J]. 光学学报, 2017, 37(11): 382-393.

WEI Wen-song, PENG Yan-kun, ZHENG Xiao-chun. Rapid Detection of Volatile Salt-Based Nitrogen Content in Pork Based on a Multispectral Detection System Based on Preferred Wavelengths[J]. Journal of Optics, 2017, 37 (11): 382-393.

[30] 张珏. 基于光学信息检测技术的羊肉新鲜度快速检测与判别方法研究[D]. 呼和浩特: 内蒙古农业大学, 2020: 35-45.

ZHANG Yu. Study on Fast Detection and Discrimination of Mutton Freshness Based on Optical Information Detection Technology[D]. Huhehaote: Inner Mongolia Agricultural University, 2020: 35-45.

[31] YU Hai-Dong. Hyperspectral Imaging in Combination with Data Fusion for Rapid Evaluation of Tilapia Fillet Freshness[J]. Food Chemistry, 2021, 348: 126-134.

[32] 孙永海, 赵锡维, 鲜于建川. 基于计算机视觉的冷却牛肉新鲜度评价方法田[J]. 农业机械学报, 2004, 35(1): 104-107.

SUN Yong-hai, ZHAO Xi-wei, XiAN YU Jian-chuan. Evaluation Method of Chilled Beef Freshness Based on Computer Vision[J]. Journal of Agricultural Machinery, 2004, 35(1): 104-107.

[33] 郭培源, 毕松. 基于神经网络的猪肉新鲜度检测分级系统[J]. 农机化研究, 2010(6): 109-113.

GUO Pei-yuan, BI Song. Pork Freshness Detection and Classification System Based on Neural Network[J]. Research on Agricultural Mechanization, 2010(6): 109-113.

[34] CHEN Kai, SUN Xing. Color Grading of Beef Fat by Using Computer Vision and Support Vector Machine[J]. Computers and Electronics in Agriculture, 2010, 70(1): 27-32.

[35] 潘婧, 钱建平, 刘寿春, 等. 计算机视觉用于猪肉新鲜度检测的颜色特征优化选取[J]. 食品与发酵工业, 2016, 42(6): 153-158.

PAN Jing, QIAN Jian-ping, LIU Shou-chun. Computer Vision for Pork Freshness Detection Color Characteristic Optimization Selection[J]. Food and Fermentation Industry, 2016, 42(6): 153-158.

[36] HUH S, KIM H, LEE S. Utilization of Electrical Impedance Spectroscopy and Image Classification for Non-Invasive Early Assessment of Meat Freshness[J]. Sensors, 2021, 21(3): 159-163.

[37] 万新民. 基于近红外光谱分析技术和计算机视觉技术的猪肉品质检测的研究[D]. 镇江: 江苏大学, 2010: 54-56.

WAN Xin-min. Study on Pork Quality Detection Based on Near-Infrared Spectroscopic Analysis Technology and Computer Vision Technology[D]. ZhenJiang: Jiangsu University, 2010: 54-56.

[38] ISABEL M, PEREZ D, VARGAS S, et al. Smartphone Based Meat Freshness Detection[J]. Talanta, 2020, 216: 278-288.

[39] TRICOT F. Photosensitive Ink Formulation and Inkjet Printing on Flexible PET Substrate[J]. Journal of Coatings Technology and Research, 2019, 16(1): 113-123

[40] VIVALDI F. A Temperature-Sensitive RFID Tag for the Identification of Cold Chain Failures[J]. Sensors and Actuators: A. Physical, 2020, 313: 25-39.

[41] MARRA FABRIZIO. Production and characterization of Graphene Nanoplatelet-Based Ink for Smart Textile Strain Sensors via Screen Printing Technique[J]. Materials & Design, 2021, 198: 106-114.

[42] KUSWANDI B, NURFAWAIDI A. On-Package Dual Sensors Label Based on pH Indicators for Real-Time Monitoring of Beef Freshness[J]. Food Control, 2017, 82: 91-100.

[43] 杜月红, 王琳, 高晓光. 猪肉新鲜度指示标签的制备及应用[J]. 肉类研究, 2020, 34(5): 41-47.

DU Yue-hong, WANG Lin, GAO Xiao-guang. Preparation and Application of Pork Freshness Indicator Label[J]. Meat Research, 2020, 34(5): 41-47.

[44] GUO Ling-ling. Portable Food‐Freshness Prediction Platform Based on Colorimetric Barcode Combinatorics and Deep Convolutional Neural Networks[J]. Advanced Materials, 2020, 32(45): 78-91.

[45] 朱安娜, 方兰兰, 余晶. 提取剂对紫薯花青素提取效果的影响及pH响应[J]. 包装学报, 2019, 11(5): 44-49.

ZHU An-na, FANG Lan-lan, YU Jing. Effect of Extractant on Extraction of Anthocyanin from Purple Sweet Potato and pH Response[J]. Journal of Packaging, 2019, 11(5): 44-49.

[46] ZHOU Ning. Preparation of pH-Sensitive Food Packaging Film Based on Konjac Glucomannan and Hydroxypropyl Methyl Cellulose Incorporated with Mulberry Extract[J]. International Journal of Biological Macromolecules, 2021, 172: 515-523.

[47] ZHANG Jun-jun. Preparation of an Intelligent pH Film Based on Biodegradable Polymers and Roselle Anthocyanins for Monitoring Pork Freshness[J]. Food Chemistry, 2019, 272: 306-312.

[48] FRANCO M R, CUNHA L R, BIANCHI R F. Janus Principle Applied to Food Safety: An Active Two-Faced Indicator label for Tracking Meat Freshness[J]. Sensors and Actuators: B Chemical, 2021, 333: 97-110.

[49] LIU Dan-fei. A Colorimetric Film Based on Polyvinyl Alcohol/Sodium Carboxymethyl Cellulose Incorporated with Red Cabbage Anthocyanin for Monitoring Pork Freshness[J]. Food Packaging and Shelf Life, 2021, 28: 67-81.

[50] 邹小波, 张俊俊, 石吉勇. 基于玫瑰茄花青素的猪肉新鲜度智能指示膜研究[J]. 食品科学, 2017, 38(23): 243-248.

ZOU Xiao-bo, ZHANG Jun-jun, SHI Ji-yong. Study on Intelligent Indicator Membrane for Pork Freshness Based on Roselle Anthocyanin[J]. Food Science, 2017, 38(23): 243-248.

[51] ZHANG Ci-jian. A Green Strategy for Maintaining Intelligent Response and Improving Antioxidant Properties of K-Carrageenan-Based Film Via Cork Bark Extractive Addition[J]. Food Hydrocolloids, 2021, 113: 258-265.

[52] ALAITZl E, PAUL A, KILMARTIN. Color Stability and pH-Indicator Ability of Curcumin, Anthocyanin and Betanin Containing Colorants under Different Storage Conditions for Intelligent Packaging Development[J]. Food Control, 2021, 121: 211-225.

[53] WU Chun-Hua. Effect of Oxidized Chitin Nanocrystals and Curcumin into Chitosan Films for Seafood Freshness Monitoring[J]. Food Hydrocolloids, 2019, 95: 308-317.

[54] TAGHINIA P. Smart Edible Films Based on Mucilage of Lallemantia Iberica Seed Incorporated with Curcumin for Freshness Monitoring[J]. Food Science & Nutrition, 2021, 9(2): 1222-1231.

[55] YILDIZ E, SUMNU G, KAHYAOGLU L. Monitoring Freshness of Chicken Breast by Using Natural Halochromic Curcumin Loaded Chitosan/PEO Nanofibers as An Intelligent Package[J]. International Journal of Biological Macromolecules, 2021, 170: 437-446.

[56] 郑辉, 蒋昊天, 王荔萱. 花青素/姜黄素智能标签的制备及应用[J]. 包装工程, 2020, 41(19): 17-21.

ZHENG Hui, JIANG Hao-tian, WANG Li-xuan. Preparation and Application of Anthocyanin/Curcumin Smart Label[J]. Packaging Engineering, 2020, 41(19): 17-21.

[57] 王洪江, 刘露, 唐培浩. 食品包装用比色型CO2指示油墨[J]. 包装学报, 2019, 11(4): 16-23.

WANG Hong-jiang, LIU Lu, TANG Pei-hao. Colorimetric CO2Indicating Ink for Food Packaging[J]. Journal of Packaging, 2019, 11(4): 16-23.

[58] 刘兴海, 文俊维, 孙雨. 印刷型食品新鲜度智能 标签及其制作方法和应用: 中国, 110415603A[P]. 2019-11-05.

LIU Xing-hai, WEN Jun-wei, SUN Yu. Smart Labels on Freshness of Printed Poods and Their Methods and Applications: China, 110415603A[P]. 2019-11-05.

[59] WANG Hong-xia. Improvement of Properties of Smart Ink via Chitin Nanofiber and Application as Freshness Indicator[J]. Progress in Organic Coatings, 2020, 149: 148-161.

Effects of Cold Chain Logistics on Meat Freshness and Intelligent Detection

WANG Jian-qiang, CHEN Jing-hua, HAO Fa-yi, LI Peng, MAO Yu-qin, ZHOU Yi-feng, CHEN Zhi-yi, CAO Wei-jie

(College of Communication and Art Design, University of Shanghai for Science and Technology, Shanghai 200093, China)

The work aims to study the application progress of meat freshness detection methods in cold chain logistics, and help develop food freshness detection methods to meet the market demand. According to the principle of meat spoilage, the effects of cold chain logistics on the freshness of food were analyzed. The working principle of current meat freshness detection technology was expounded. And the research status of meat freshness detection technology was introduced. In recent years, the detection technology of meat freshness is becoming more intelligent and the detection precision is improved, but there are still some problems such as the high cost of the detection technology and the inability to effectively monitor the sales process. As a relatively low-cost and easy-to-process detection technology, intelligent label has a great room for development

cold chain logistics; freshness of meat; intelligent detection

TS207.3

A

1001-3563(2022)01-0148-10

10.19554/j.cnki.1001-3563.2022.01.019

2021-05-27

国家新闻出版署智能与绿色柔版印刷重点实验室招标课题（ZBKT201810）；大学生创新创业项目（XJ2021449）

王建强（1996—），男，上海理工大学硕士生，主要研究方向为智能油墨、包装材料。

陈景华（1970—），女，博士，上海理工大学副教授，主要研究方向为印刷材料、功能油墨。