近紅外光譜結(jié)合偏最小二乘法快速測定糖果中水分含量

沈樂丞,劉書航,鄧海玲,何美霞,吳燕蕙,彭建飛,黃勇旗

(1.深圳市計(jì)量質(zhì)量檢測研究院,廣東深圳 518131;2.河南工業(yè)大學(xué)糧油食品學(xué)院,河南鄭州 450001)

糖果作為一種深受歡迎的休閑食品,在眾多的國民消費(fèi)中居重要的地位,特別是在節(jié)日和喜慶消費(fèi)中,更是必不可少。影響糖果質(zhì)量有多方面因素,其中水分是影響糖果品質(zhì)變化的基本因素[1],因此,長期以來糖果工業(yè)把成品含水量作為質(zhì)量控制的重要指標(biāo)之一[2]。目前糖果水分的常規(guī)檢測方法有真空干燥法、卡爾費(fèi)休法等。真空干燥法測定結(jié)果精確度高、所需樣品量少,但檢測速度較慢、對樣品破壞性大,不利于快速檢測。劉惠敏[3]后來通過提高烘干溫度、縮短烘干時(shí)間對真空干燥法進(jìn)行了改進(jìn),將檢測時(shí)間縮短至20 min,但該方法不適用于果糖含量高的糖果樣品。卡爾費(fèi)休法[4]是測定糖果水分的各類化學(xué)方法中,最為專一、最為準(zhǔn)確的方法,但具有抗干擾性弱、重現(xiàn)性較差、污染環(huán)境等缺點(diǎn)。

近年來,近紅外光譜憑借其準(zhǔn)確、快速、簡便、無損、無污染等優(yōu)點(diǎn),備受各國學(xué)者青睞,其在食品、藥品、化工、臨床分析等領(lǐng)域應(yīng)用越來越廣泛[5-11],研究和開發(fā)糖果品質(zhì)的NIR相關(guān)分析方法漸成為熱點(diǎn)。目前,采用近紅外光譜測定糖果水分的方法還未見報(bào)道。為此,本文應(yīng)用近紅外光譜技術(shù)結(jié)合最小二乘法,建立了糖果水分的快速測定方法,該方法操作簡便、快捷,能達(dá)到快速準(zhǔn)確測定的目的。該分析方法的建立一方面可實(shí)現(xiàn)糖果企業(yè)產(chǎn)品的自動(dòng)化實(shí)時(shí)監(jiān)控,另一方面可為近紅外測定方法的標(biāo)準(zhǔn)化提供數(shù)據(jù)支撐和技術(shù)依據(jù)。

1 材料與方法

1.1 材料與儀器

糖果樣品 實(shí)驗(yàn)所用的116批糖果樣品購買于超市、網(wǎng)上商城等,盡量覆蓋市面上在售的主流品牌和種類。

MPA型傅立葉變換近紅外光譜儀(配有漫反射積分球、石英樣品杯、樣品旋轉(zhuǎn)器、OPUS光譜采集器及分析軟件) 德國布魯克;DZF-6030A型真空干燥箱 上海一恒;CPA324S萬分位電子天平 德國賽多利斯;2XZ(S)-4型真空泵 上海德英真空照明設(shè)備有限公司。

1.2 實(shí)驗(yàn)方法

1.2.1 糖果水分含量的測定 糖果水分含量按照糖果國家行業(yè)標(biāo)準(zhǔn)SB/T10347-2008附錄A進(jìn)行測定,在真空度0.09 MPa、溫度(80±2) ℃下干燥至恒重。

1.2.2 近紅外光譜采集 采用積分球漫反射測樣系統(tǒng),分辨率8 cm-1;掃描次數(shù)64次;掃描波長范圍12500～3600 cm-1;相對濕度30%～35%;室溫22～25 ℃;每個(gè)樣品重復(fù)采集5次,取其平均光譜。

1.2.3 數(shù)據(jù)處理 本實(shí)驗(yàn)采用儀器自帶光譜定量分析軟件OPUS進(jìn)行數(shù)據(jù)處理,利用偏最小二乘法(Partial Least Squares,PLS)建立定量校正模型,模型評價(jià)指標(biāo)為相關(guān)系數(shù)(R2),校正均方根誤差(Root Mean Square Error of Calibration,RMSEC),預(yù)測均方根誤差(Root Mean Square Error of Predication,RMSEP)[12]。

2 結(jié)果與分析

2.1 校正集和驗(yàn)證集的選擇

將116批樣品水分含量從小到大排列,將其按照3∶1的比例進(jìn)行校正集(87批)和驗(yàn)證集(29批)劃分,確保驗(yàn)證集樣品水分含量范圍處于校正集樣品水分含量范圍之內(nèi)。表1列出了校正集和驗(yàn)證集樣品水分含量分布范圍及其統(tǒng)計(jì)結(jié)果。

表1 糖果水分含量分布范圍Table 1 The distribution of moisture content in candy

從表1可知,樣品水分含量分布范圍較廣,基本涵蓋了正常糖果水分含量范圍,校正集和驗(yàn)證集樣品水分含量平均值和標(biāo)準(zhǔn)偏差分別為8.139%、5.217%,8.044%、4.985%,平均值接近,偏差均較大,說明數(shù)據(jù)較分散,多態(tài)性較豐富,可以滿足建模的要求。

2.2 光譜預(yù)處理

圖1是糖果樣品原始光譜圖(12500～3600 cm-1),由圖1可見,糖果樣品受顏色、顆粒均勻度及雜散度等影響,導(dǎo)致了圖譜基線漂移及譜帶重疊,為提高模型穩(wěn)健性和準(zhǔn)確性,需對原始光譜進(jìn)行預(yù)處理。

圖1 糖果樣品原始光譜圖Fig.1 Original NIR spectra of candy samples

在OPUS軟件推薦的光譜范圍內(nèi),對采集的近紅外光譜進(jìn)行了不同預(yù)處理方法的比較。R2越接近于1,RMSEC越小,表明模型越穩(wěn)健,RMSEP 越小,表明模型的預(yù)測性能和推廣能力越強(qiáng)。通過比較R2、RMSEC和RMSEP的不同,由表2可知,光譜經(jīng)過MSC預(yù)處理后的建模效果最好。預(yù)處理后的圖譜如圖2所示。

表2 不同光譜預(yù)處理方法對 PLS 模型參數(shù)的影響Table 2 Effect of different preprocessing methods on PLS model

圖2 糖果樣品經(jīng)MSC預(yù)處理光譜圖Fig.2 NIR spectra of candy samples after MSC

2.3 建模波段的選擇

近紅外光譜信息主要來源于C-H、O-H、N-H、S-H、P-H、C=O、C=C等基團(tuán)基頻振動(dòng)的合頻和倍頻振動(dòng)吸收,水分子在近紅外光譜中的特征吸收譜帶為5160～8520 cm-1,主要包含了5176 cm-1處的O-H伸縮振動(dòng)和彎曲振動(dòng)合頻吸收、6904 cm-1處的O-H伸縮振動(dòng)一級倍頻吸收、8504 cm-1處的O-H伸縮振動(dòng)和一級倍頻合頻吸收[13-15]。在建立近紅外光譜分析校正模型過程中,剔除一些無關(guān)光譜信息,可以有效的提高預(yù)測模型的精度。采用OPUS分析軟件篩選得到不同最優(yōu)波段基礎(chǔ)上,結(jié)合水的吸收峰位置,依據(jù)模型評價(jià)指標(biāo),對校正模型的波數(shù)范圍進(jìn)行了優(yōu)化。如表3所示,最后選擇在11682.2～9826.1、8939.0～6267.9、5378.8～4487.8 cm-1范圍內(nèi)的三個(gè)波段作為建模波段。

表3 不同波段數(shù)對建模的影響Table 3 Effect of different regions on PLS model

2.4 最佳主成分?jǐn)?shù)的確定

主成分分析法的目的是將數(shù)據(jù)降維,將相關(guān)性很高的變量轉(zhuǎn)化成彼此相互獨(dú)立或不相關(guān)的變量。同時(shí),這些變量要盡量多地表征原變量的數(shù)據(jù)特征而不丟失信息。這幾個(gè)新變量稱為主成分或主因子。因此,在建立回歸擬合模型時(shí),主因子數(shù)對模型的穩(wěn)定性有很大影響,選取的主因子數(shù)太少,將會丟失原始光譜較多的有用信息,會造成模型欠擬合;如果選取的主因子數(shù)太多,會出現(xiàn)過擬合現(xiàn)象[16-17]。本實(shí)驗(yàn)用交互驗(yàn)證法,以校正樣品集內(nèi)部校正均方根誤差(RMSECV)為優(yōu)化參數(shù),選擇最佳主因子數(shù)。不同主因子數(shù)對PLS模型參數(shù)的影響比較結(jié)果見圖3。發(fā)現(xiàn)當(dāng)主成分小于15時(shí),RMSECV隨主成分的增加而減小;而當(dāng)主成分大于15,RMSECV隨著主成分?jǐn)?shù)的增加而增加,RMSECV最小值對應(yīng)的主成分?jǐn)?shù)為15,此時(shí)主成分?jǐn)?shù)最佳。

圖3 RMSECV值隨主成分的變化Fig.3 RMSECV value with different factors for moisture

2.5 模型的建立

經(jīng)過比較不同預(yù)處理方法、波段數(shù)、主因子數(shù),發(fā)現(xiàn)選用MSC對原始光譜圖進(jìn)行預(yù)處理,最佳建模區(qū)間11682.2～9826.1、8939.0～6267.9、5378.8～4487.8 cm-1,最佳主成分?jǐn)?shù)15,得到定量分析模型的R2為0. 9716,RMSEC為0.97%,RMSEP為1.03%。由圖4可知預(yù)測值與實(shí)測值很接近,建立的定量分析模型預(yù)測性能較好。

圖4 預(yù)測值與實(shí)測值的相關(guān)及偏差分布圖Fig.4 Correlation and difference betweenpredictive values and measured values

2.6 模型驗(yàn)證

29 批驗(yàn)證集樣品的近紅外光譜圖導(dǎo)入到分析模型中,得到了糖果水分含量的預(yù)測值,以其與實(shí)測值的比值作為預(yù)測回收率,得平均回收率,結(jié)果見表4。由表4可知,預(yù)測值和實(shí)測值的平均回收率為103.46%,表明該模型可用于預(yù)測糖果水分含量。將29個(gè)驗(yàn)證集NIR預(yù)測值與實(shí)測值進(jìn)行配對t檢驗(yàn),t=-0.780.05,說明95%概率下兩組數(shù)據(jù)無顯著性差異,該模型可滿足糖果水分含量快速準(zhǔn)確測定的需求。

表4 驗(yàn)證集預(yù)測值與實(shí)測值的關(guān)系Table 4 Relationships between predictive values and measured values of validation set

2.7 糖果水分模型方法學(xué)驗(yàn)證

2.7.1精密度 取同一份糖果樣品30 g,重復(fù)5次掃描其NIR圖譜,輸入NIR分析模型計(jì)算其水分含量,結(jié)果見表5,其相對標(biāo)準(zhǔn)偏差(RSD)為1.087%,表明該模型的精密度良好。

表5 模型精密度實(shí)驗(yàn)結(jié)果Table 5 Results of model precision test

2.7.2 重復(fù)性 分別取同一糖果樣品5份,各30 g,分別掃描其NIR圖譜,輸入NIR分析模型計(jì)算其水分含量,結(jié)果見表6計(jì)算結(jié)果RSD值為1.055%,表明該模型的重復(fù)性良好。

表6 模型重復(fù)性實(shí)驗(yàn)結(jié)果Table 6 Results of model repeatability test

3 結(jié)論

采用漫反射法獲得糖果的近紅外光譜,經(jīng)過MSC預(yù)處理,在11682.2～9826.1、8939.0～6267.9、5378.8～4487.8 cm-1范圍內(nèi),主成分?jǐn)?shù)為15時(shí),應(yīng)用PLS方法建立的糖果水分的定量預(yù)測模型效果最佳。糖果水分含量的模型預(yù)測值與國家行業(yè)標(biāo)準(zhǔn)實(shí)測值呈良好的相關(guān)性,相關(guān)系數(shù)為0.9716,RMSEC和RMSEP分別為0.97%和1.03%。該模型準(zhǔn)確可靠,且與傳統(tǒng)的糖果水分含量測定方法相比較,耗時(shí)短、操作簡便,研究結(jié)果可為糖果質(zhì)量的現(xiàn)場快速評價(jià)提供幫助,為實(shí)現(xiàn)糖果水分近紅外快速測定方法的標(biāo)準(zhǔn)化提供數(shù)據(jù)支撐和技術(shù)依據(jù)。

[1]陳健敏,任斯忱,李汴生,等. 影響傳統(tǒng)中式花生糖果貯藏期間氧化穩(wěn)定性的因素研究[J]. 現(xiàn)代食品科技,2012(12):1667-1671.

[2]朱肇陽. 糖果水分和水分活度[J]. 食品科學(xué),1983(1):55-60.

[3]劉惠敏. 試用顯著性檢驗(yàn)法判斷糖果水分快速測定法的可靠性[J]. 食品科學(xué),1994(10):46-49.

[4]卡爾費(fèi)休法測定糖果水份的應(yīng)用報(bào)告[J]. 食品工業(yè)科技,1984(6):42-53.

[5]劉洪林. 基于近紅外光譜技術(shù)(NIRS)對工夫紅茶茶色素含量測定[J]. 食品工業(yè)科技,2017(1):308-311.

[6]Sánchez M T,Pérez-Marín D,Torres I,et al. Use of NIRS technology for on-vine measurement of nitrate content and other internal quality parameters in intact summer squash for baby food production[J]. Postharvest Biology & Technology,2017,125:122-128.

[7]Chiesa L,Panseri S,Bonacci S,et al. Authentication of Italian PDO lard using NIR spectroscopy,volatile profile and fatty acid composition combined with chemometrics[J]. Food Chemistry,2016,212:296-304.

[8]Liu Y F,Chen X,Zheng B,et al. Detection of the contents of the ingredient of food by using the NIR spectroscopy and the backward interval partial least-squares[J]. Advanced Materials Research,2013,731:4337-4341.

[9]Márquez C,López M I,Ruisánchez I,et al. FT-Raman andNIR spectroscopy data fusion strategy for multivariate qualitative analysis of food fraud[J]. Talanta,2016,161:80-86.

[10]Schlegel L B,Schubert-Zsilavecz M,Abdel-Tawab M. Quantification of active ingredients in semi-solid pharmaceutical formulations by near infrared spectroscopy[J]. Journal of Pharmaceutical & Biomedical Analysis,2017,142:178-189.

[11]Shen L,Shen Y,Li F. Optimized utilization of NIR spectrum with interfacial TiO2/SiO2/TiO2,trilayer in hybrid-integrated multijunction architecture[J]. Solar Energy Materials & Solar Cells,2017,160:425-429.

[12]黃曉瑋,鄒小波,趙杰文,等. 近紅外光譜結(jié)合蟻群算法檢測花茶花青素含量[J]. 江蘇大學(xué)學(xué)報(bào)：自然科學(xué)版,2014,35(2):165-170.

[13] Deng R,He Y,Qin Y,et al. Measuring pure water absorption coefficient in the near-infrared spectrum(900-2500 nm)[J]. Journal of Remote Sensing,2012,16(1):192-206.

[14]殷哲,雷廷武,董月群. 近紅外土壤含水率傳感器設(shè)計(jì)與試驗(yàn)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2013,44(7):73-77.

[15]楊柳,徐榕,雷廷武,等. 近紅外反射土壤含水率測量儀設(shè)計(jì)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2015,31(20):1-9.

[16]莫欣欣,孫通,劉津,等. 近紅外光譜法定性檢測菜籽油中多效唑殘留[J]. 分析試驗(yàn)室,2017(7):758-763.

[17]劉廣軍,高洪濤. 化學(xué)計(jì)量學(xué)中的主成分分析[J]. 曲阜師范大學(xué)學(xué)報(bào)：自然科學(xué)版,2004,30(3):75-78.