近紅外光譜技術快速檢測狹鱈水分、脂肪和蛋白質的含量

左克利，史 巖，*，徐 坤，趙田田

(1.青島農業大學食品科學與工程學院，山東青島266109;2.青島農業大學中心實驗室，山東青島266109)

狹鱈(Alaska Pollack，wall-eye pollack)，俗稱明太魚或朝鮮明太魚，是鱈魚中的重要種類，隸屬鱈形目，鱈科，狹鱈屬，廣泛分布于太平洋北部［1］。其蛋白質含量高，脂肪含量低，特別適宜大規模工廠化、標準化加工生產，可加工成魚片、魚糜、魚粉、魚油等多種產品，具有很高的經濟價值。由于地域、生長壞境以及生長時間的不同，造成魚體內的水分、脂肪、蛋白質存在較大差異，所以加工前需要對其成分進行測定，同時還可以辨別鱈魚的真偽，但傳統方法比較復雜，且時間長。因此，建立合理、快速地測定組成成分的方法對評價狹鱈的加工尤為重要。近紅外光譜技術(NIRS)是近年來迅速發展起來的一種綠色檢測技術，因其快速、無損、操作簡便、環保等特點廣泛應用于石油化工、醫藥、農藥等領域［2］。欒東磊［3］研究養殖大黃魚脂肪含量及鮮度K值的近紅外快速檢測模型，結果表明大黃魚脂肪含量的近紅外分析模型相關系數為0.901，RPD值為3.03，可以用于實際檢測。黃艷等［4］在利用近紅外漫反射光譜對白鰱魚糜的研究中得到相關系數大于0.98的較好結果。Uddinm等［5］利用配有光纖探頭的近紅外儀通過透射光譜測定魚糜的水分和蛋白質含量。但是，透射對樣品的厚度有較高的要求，在實際應用時也容易造成誤差。本實驗擬通過擬合狹鱈魚的漫反射光譜和化學值建立近紅外模型，無需對樣品進行預處理，只需采集待測樣品的近紅外光譜即可快速預測狹鱈魚水分、蛋白質、脂肪的含量，以期為檢測狹鱈組成成分提供方法。

1 材料與方法

1.1 材料與儀器

冷凍北太平洋狹鱈魚肉，體重范圍(1±0.05)kg，取自63條具有代表性的狹鱈背部 購于青島旭日食品有限公司，實驗前于(-18±2)℃冰箱中貯藏;濃硫酸、氫氧化鈉、硫酸鉀、硫酸銅、硼酸、乙醚 均為分析純，萊陽市康德化工有限公司。

MATRIX-I傅立葉變換近紅外光譜儀 德國布魯克光譜儀器公司，Bruker Optics Inc.，配OPUS 6.5光譜采集及分析軟件和漫反射樣品腔。

1.2 實驗方法

1.2.1 原料處理 將冷凍狹鱈魚肉樣品放在18℃室溫下解凍10h，每個樣品各取1.5cm3左右，進行光譜掃描。

1.2.2 化學值的測定 根據GB 5009.3-2010，采用直接干燥法對水分含量進行測定［6］;根據GB/T 5512-2008采用索氏抽提法對脂肪進行測定［7］;根據GB 5009.3-2010采用凱氏定氮法對蛋白質進行測定［8］。三種方法均取做三次平行均值。

1.2.3 近紅外光譜的掃描 將樣品放入漫反射樣品池中進行近紅外漫反射光譜掃描，測試溫度15～18℃之間，掃描波數范圍4000～12000cm-1，掃描次數64次，分辨率16cm-1。以Spectralon為參照背景。采集反射強度，每 4cm-1采集一個數據點，共采集1301個。

1.2.4 模型的建立與優化 利用OPUS 6.5軟件，采用偏最小二乘法分別對采用不同預處理方法的光譜進行分析，尋找建立數學模型的最佳光譜預處理方法、最佳校正范圍、最佳因子數，為進一步得到最佳建模方法提供依據。本實驗采用內部交叉檢驗的方法建立模型。

1.2.5 化學檢測的基本參數 表1是用傳統方法對63個狹鱈魚肉樣本進行檢測的結果，由水分、脂肪和蛋白質的最大值、最小值、平均值以及樣本偏差可以看出，樣品選取范圍比較均勻，其中脂肪的含量相對較低，樣本偏差較小。

表1 狹鱈魚肉中水分、脂肪和蛋白質的含量范圍、平均值和標準差Table 1 Ranges，mean values and standard deviations(SD)of moisture fat and protein contents in Alaska pollock

1.2.6 建模評價的依據 近紅外光譜的模型以決定系數(R2)、預測相關系數(Rv)、交叉檢驗標準差(RMSEV)、相對分析誤差(RPD)為評價依據。

2 結果與分析

2.1 近紅外光譜掃描結果

狹鱈魚肉掃描光譜見圖1。橫坐標為波數(cm-1)，縱坐標為相對吸光度A。

2.2 模型的建立

表2 不同預處理方法對四個指標的影響Table 2 The impact of different pretreatment methods on the four indicators

圖1 狹鱈魚魚肉近紅外掃描光譜Fig.1 Near-infrared scanning spectroscopy of pollock fish

2.2.1 最佳預處理方法的確立 近紅外光譜采集時，存在高頻隨機噪聲、基線漂移、光散射等非線性因素，這將影響有效特征信息的提取，對光譜進行預處理，能夠有效減輕這些因素的影響。采用Bruker公司NIR OPUS 6.5軟件的光譜預處理功能，比較不同光譜預處理方法建模效果。表2列出了不同光譜預處理方法對決定系數(R2)、預測相關系數(Rv)、交叉檢驗標準誤差(RMSECV)、相對分析誤差(RPD)四個指標的影響。

可以看出，水分和蛋白質在經過最小-最大歸一化處理后，水分模型的R2、Rv、RPD分別比無光譜預處理提高了 5.02%、2.71%、0.43，蛋白質提高了10.26%、5.82%、0.51，顯著高于其他幾種方法，表明此方法對光譜的預處理效果是最佳的。但這些方法對脂肪模型的改善效果不顯著，其中消除常數偏移量、一階倒數+矢量歸一化、最小—最大歸一化、減去一條直線四種方法均能改善模型的預測效果，對這四種處理方法采用組合的方式再次對脂肪模型進行預處理，得到脂肪模型的最佳預處理組合—矢量歸一化+消除常數偏移量。

2.2.2 最佳因子數的確立 合理確定參加建模的主因子數是充分利用光譜信息和濾除噪音的有效方法之一。建模時使用的主因子數過少，則會出現擬合不充分，過多則會出現過擬合，這兩種情況分別會造成模型準確度降低和預測能力下降。本研究采用交互驗證的方法，以校正均方根誤差(RMSECV)、決定系數(R2)和預測相關系數(Rv)為評價指標，設置的最高因子數是12，經過驗證后，最終確定水分、脂肪、蛋白質的最佳因子數分別是9、8、9。

2.2.3 波數范圍和擬合方法選擇 大多數情況下PLS法校正結果明顯優于PCR法［9］，本實驗采用PLS法和全光譜波段進行建模。最后模型的最佳處理條件見表3。

表3 建立水分、脂肪和蛋白質的最佳處理條件Table 3 Best conditions for establishment of water，fat and protein

R2和RV值越大說明模型越準確，RPD值越大，說明模型穩定性越好。利用表3所確定的最佳預處理方法、最佳波數范圍和最佳因子數，建立水分、脂肪、蛋白質的光譜檢驗模型，由此條件建立的模型決定系數(R2)和預測相關系數(RV)最高，定標標準差最小，RPD值最大。

2.2.4 異常值的剔除 采用馬氏距離法(GH)判斷和分析校正模型中的異常點，即用光譜影響值對光譜進行異常值檢驗和分析，如果GH較大，表明該回歸模型對樣本值的依賴性較大［10］，以GH值等于3.0作為臨界值，大于3.0為異常值。本研究中共剔除三條檢驗光譜。

每次剔除異常值后模型的性能都會有一定的提高，最終經過優化后的水分、脂肪和蛋白質模型的各項統計參數值見表4。

表4 水分、脂肪、蛋白質參數表Table 4 Water，fat and protein parameters table

從表4中可以看出，模型經過對異常值的剔除和維數的選擇效果有顯著改善。水分和蛋白質的預測值比真值的相關系數均能達到91%以上，交叉檢驗標準差達到0.10，RPD分別為3.4和3.1，均大于3，表明預測值與真值之間具有較高的相關性和預測精度(圖2、圖4)。脂肪的相關系數只有81%，RMSEV和RPD分別為0.0748和2.3，表明模型的相關系數和預測精度不如水分和蛋白質(圖3)。

圖2 內部交叉檢驗后水分的預測值比化學值散點圖Fig.2 Predictive value of the moisture than the chemical values Scattert after internal cross-examination

圖3 內部交叉檢驗后脂肪的預測值比化學值散點圖Fig.3 Predictive value of the fat than the true value Scatter after internal cross-examination

圖4 內部交叉檢驗后蛋白質的預測值比化學值散點圖Fig.4 Predictive value of the protein than the chemical values Scatter after internal cross-examination

由圖2～圖4，能夠明顯發現水分和蛋白質的散點圖分布比較均勻，脂肪的散點圖比較分散。水分與蛋白質的斜率達到0.87以上，化學值與預測值的相關系數達到90%以上，能夠直觀的看出模型的樣品采集均勻程度。脂肪的相關系數與水分和蛋白質的相關系數相比，差異顯著，分析原因主要有以下兩點:一是蛋白質測量使用的UDK142型凱氏定氮儀，精確度比較高，測得化學值比脂肪使用索氏抽提器測得化學值準確。二是水分和蛋白質含量平均值分別為81.6%和17.6%，脂肪為0.58%，使得脂肪的測量誤差相對較大，同時，狹鱈的脂肪含量接近近紅外的最低檢測線(10-3～10-4)［10］。

Ripoll等［11］利用近紅外指紋圖技術在對牛肉的主要成分的研究中，水分和蛋白質的相關系數分別為0.86和0.74，相對比較低，主要由于牛肉中不同部位以及不同牛之間的成分差異比較大。黃艷等［4］在利用近紅外漫反射光譜對白鰱魚糜的研究得到相關系數大于0.98的較好結果，王錫昌等［12］也對狹鱈魚糜進行過研究，也得到了大于0.98的結果，證明魚糜是一種成分均一的再加工產品，可以用近紅外指紋圖譜技術進行含量測量。但對于整體魚肉的研究，報導尚少。

3 結論

本研究以近紅外光譜技術為基礎，對解凍去皮狹鱈魚肉建立水分、脂肪和蛋白質含量模型。通過對光譜預處理方法和最佳因子數的篩選，使其相關系數分別達到 0.9342、0.8125、0.9113，RPD 值為 3.4、2.3、3.1。水分和蛋白質的相關系數都達到90%以上，RPD大于3，證明模型比較穩定。雖然魚肉比魚糜的相關系數低，但利用近紅外對魚肉的檢測也是可行的。脂肪的預測相關系數RV＜0.9，RPD＜3，模型的準確性和穩定性均不如水分和蛋白質。綜上所述，近紅外檢測狹鱈魚肉中水分、脂肪和蛋白質的含量是完全可行的。

［1］高天翔，張肖榮，王丹，等.幾種鱈魚的生物學研究［M］.海洋湖沼通報，2003:35-42.

［2］王小燕，顧賽麒，劉源，等.近紅外光譜法快速檢測帶魚肉中的水分和蛋白質含量［J］.食品工業科技，2012，33(5):317-319.

［3］欒東磊.近紅外光譜技術在幾種水產品中的應用研究［D］.青島:中國海洋大學，2009.

［4］黃艷，王錫昌，鄧德文.利用近紅外光譜技術快速測定白鰱魚糜中的水分含量［J］.食品工業科技，2008，29(2):282-284.

［5］UDDINM，OKAZAKIE，FUKUSHIMA H，et al.Nondestructive determinationof water and protein in surimi by near-infrared spectroscopy［J］.Food Chemistry，2006，96:491-495.

［6］GB 5009.3-2010食品安全國家標準 食品中水分的測定［S］.

［7］GB/T 5413.36-2008糧食中粗脂肪含量測定［S］.

［8］GB 5009.3-2010食品安全國家標準食品中蛋白質的測定［S］.

［9］薛利紅，楊林章.基于可見近紅外高光譜的菠菜硝酸鹽快速無損測定研究［J］.光譜學與光譜分析，2009(4):926-930.

［10］Whitfield R G，GergerM K，Sharp R L.Near infraredspectrum qualification via mahalanobis distance determination［J］.Applied Spectroscopy，1987，41(7):1204-1213.

［11］RIPOLL G，ALBERTI P，PANEA B，et al.Near-infrared reflectance spectroscopy for predicting chemical，instrumental and sensory qualityof beef［J］.Meat Science，2008，80:697-702.

［12］王錫昌，陸燁，劉源.近紅外光譜技術快速無損測定狹鱈魚糜水分和蛋白質含量［J］.食品科學，2010(16):168-171.