食醋總酸近紅外快速檢測方法的研究

梁 楷，閆裕峰*，郎繁繁，周景麗，夏瑤瑤，張旭姣，丁 偉，武耀文

（山西紫林醋業股份有限公司，山西 太原 030400）

我國是世界上谷物釀醋最早的國家[1]，北魏賈思勰所著的《齊民要術》總結了當時生產食醋的技術方法多達24種，每一種都各有特點[2]。谷物釀造食醋含有豐富的有機酸、糖類、游離氨基酸和香氣成分[3]，具有調節血脂、降低甘油三酯等獨特功效[4]。谷物釀造食醋總酸包括揮發酸和不揮發酸兩大類，其中揮發酸是食醋酸味的主要來源，其主要成分是乙酸；另外，食醋中還包含乳酸、蘋果酸和酒石酸等不揮發酸，能夠對食醋酸味進行調和，增加食醋的柔和感[5]，因此食醋總酸含量是評價食醋品質的重要指標之一[6]，目前生產上主要采用電位滴定法測定[7]，該法受人為因素影響較大，不能滿足現代食醋企業快速、在線檢測的生產需求，同時為了滿足生產檢測任務，企業需要配備多個檢測人員[8]，無形中增加企業檢測費用。如何在食醋生產過程中，快速、準確、穩定的檢測食醋總酸含量，降低生產成本，對規模化食醋生產企業具有重要的意義。

近紅外光譜（near-infrared spectroscopy，NIRS）分析技術依靠模型庫對被分析樣品進行判別分析，建模時所需代表性的樣品數量少，不但分析快速、測樣時無損、還能在線及時反饋，國內外研究學者在此方面開展了一些研究工作，被廣泛用于食品、農產品品質的定性和定量檢測[9-12]。近紅外光譜分析方法主要應用于含氫基團（X-H）有機物質的檢測[13]，食醋中有機酸含量豐富，均有大量含氫基團，可使用近紅外方法進行定量分析，故近紅外技術是食醋總酸快速檢測的一種理想分析技術。

本研究以紫林食醋作為實驗材料，采用傅立葉變換近紅外光譜分析技術結合電位滴定法檢測食醋總酸含量，用偏最小二乘法（partial least-square，PLS）選擇最優光譜模型[14-15]，預測未知食醋樣品的總酸。該方法極大的提高了檢測效率，為食醋工業生產的可持續發展與形成食醋生產的在線快速檢測技術提供依據，對于食醋生產技術進步和產品質量升級具有重大現實意義。

1 材料與方法

1.1 材料與試劑

食醋：山西紫林醋業股份有限公司；氫氧化鈉、酚酞（均為分析純）：天津歐博凱化工有限公司。

1.2 儀器與設備

78-1型磁力加熱攪拌器：江蘇省金壇市榮華儀器制造有限公司；AR124CN電子分析天平：奧豪斯科技有限公司；QuasIR3000傅里葉變換近紅外光譜儀：四川威斯派克科技有限公司（VSPEC）；實驗室ST3100 pH計：常州榮華儀器制造有限公司。

1.3 實驗方法

1.3.1 樣本的收集

本研究實驗過程所用的食醋樣品均由工作人員從不同庫房隨機抽取不同酸度的樣品作為待測樣，其中總酸含量介于3.5～4.5 g/100 mL的樣品有21個，介于4.5～5.0 g/100 mL的樣品有71個，大于5.0 g/100 mL的樣品有14個，共計106個樣品，其中91個用于食醋總酸近紅外光譜采集和模型建立，剩余15個作為外部驗證預測樣不參與建模。食醋總酸的測定參照GB/T 5009.41—2003《食醋衛生標準的分析方法》采用電位滴定法，每個樣品進行3組平行測定，3組平行測定的相對誤差控制在1.0%以內。

1.3.2 近紅外光譜采集

樣本近紅外光譜的采集，以蒸餾水為參比，將食醋樣品注入直徑為5 cm的石英玻璃樣品杯內進行數據采集。為避免樣品間交叉污染，保證樣品光譜質量，每次將食醋樣品倒入樣品杯前使用清水沖洗樣品杯，并在潤洗后將樣品杯中的水擦拭干凈，保持環境溫度為20 ℃，選擇漫反射積分球，測定樣品漫反射吸收光譜，掃描光譜范圍10 000～4 000 cm-1，光譜采集分辨率8 cm-1，掃描次數64次，用NirNet軟件對食醋樣品進行光譜采集及分析，且每個樣品平行測定兩次，采集兩張平行光譜，最終取平均光譜圖作為最終分析圖譜。

1.3.3 近紅外模型建立

（1）光譜數據處理

利用VSPEC公司開發的VModel近紅外建模軟件，采用多元散射校正對食醋總酸光譜進行處理，消除由于應用漫反射光譜采集時，帶來的光程無法保持恒定、樣品均勻性不一致等因素帶來的干擾[16]，同時應用平滑、一階導數、二階導數等預處理方法處理樣品的光譜數據，從而消除光譜采集時可能產生的噪聲影響[17]。另外，通過VModel近紅外建模軟件根據光譜的分布差異鑒別問題樣品，直接剔除異常樣品，從而提高校正模型的適應性和穩定性[18]。

（2）建立模型及預測評估

為了科學而合理地對建立食醋總酸的近紅外模型的預測精度和模型穩定性進行評價，本次試驗利用VSPEC公司開發的VModel近紅外建模軟件，將食醋總酸作為近紅外定量模型參考值，采用偏最小二乘算法，結合不同光譜預處理方法和近紅外譜區，建立食醋總酸近紅外定量模型，采用決定系數R2、交互驗證均方根誤差（root mean square error ofcrossvalidation，RMSECV）和預測集均方根誤差（root mean square error of prediction，RMSEP）3個指標進行評價，對模型進行綜合評價分析，指標計算公式如（1）～（3）。在樣品化學成分范圍相同的前提下，R2越接近1，交互驗證均方根誤差和預測集均方根誤差越小時，模型的預測能力越強[19]。

式中：n為校正集樣品總數；m為驗證集樣品總數；yi為第i個樣品的實測值為第i個樣品的預測值為第i個樣品的實測值的平均值。

1.3.4 數據統計分析

獲得最佳模型后，得出模型預測值，利用EXCEL對模型預測值和經典滴定法實測值進行雙樣本方差分析。

2 結果與分析

2.1 樣品光譜圖

圖1 紫林食醋樣品原始近紅外圖譜Fig.1 Original near infrared spectra of Zilin vinegar samples

圖1所示為QuasIR3000傅里葉變換近紅外光譜儀直接導出的106種食醋樣品原始近紅外圖譜，圖譜重疊度大，表明所抽取的樣品理化成分均一，且在波數為10 000～4 000 cm-1光譜掃描范圍內樣品具有較強的噪音，譜圖平滑，均在近紅外譜區的合頻區域和倍頻區域[20]，即波數為5 500～4 000 cm-1和7 500～6 000 cm-1都有明顯的特征吸收峰，對近紅外圖譜進行二階導數處理之后，光譜圖的吸收峰較為整齊、圓滑，表明試驗中對食醋樣品所采用的光譜采集方式可行且有效。

2.2 近紅外模型建立

本試驗定量預測建模數據分別采用適量歸一化、多元散射校正（multiple scatter correction，MSC）、一階導數、二階導數、平滑數等方法相互結合，得到最優光譜區間，利用偏最小二乘法（PLS）建立食醋總酸含量的校正數學模型。從已掃描的106個圖譜及對應實測數據中，隨機抽取其中91個作為建模數據庫，并在建模過程中，每次從校正集中取出1個或多個樣品作為臨時驗證樣品，以其余的樣品進行建模，然后對這1個或多個樣品進行預測，如此循壞，得到每個樣品的模型交叉預測值，最后，以交叉預測值與實測值誤差平方和的均方根值（RMSECV）、預測集均方根誤差（RMSEP）和決定系數R23個指標進行評價模型的精確度。本試驗挑選了10個結果理想的預處理方法進行對比，結果見表1。

表1 不同預處理方法下食醋總酸含量的偏最小二乘法建模Table 1 Partial least squares model of total acid content of vinegar under different pretreatment

由表1可知，第1種組合預處理方法的最優譜區范圍是4 594.42～5 195.35 cm-1、5 796.28～6 998.14 cm-1、8 800.94～9 401.87 cm-1，交叉驗證決定系數R2是0.971 1，交叉驗證均方差（RMSECV）是0.062 1，在所有預處理方法中R2為最大，RMSECV為最小，模型主成分因子數為10，模型擬合充分，且最穩健、預測可靠性最好。因此，選擇第1種預方法（適量歸一化＋一階導數的光譜預處理方法）的模型作為預測食醋總酸的模型。

圖2 校正集樣品中食醋總酸含量實測值與預測值的相關性Fig.2 Correlation between measured values and predicted values of total acid contents of vinegar in calibration set samples

依據第1種預處理方法，利用VModel近紅外建模軟件得到校正模型-偏最小二乘（PLS）模型。食醋總酸PLS法所建模型的實測值與預測值的相關性散點分布圖見圖2，食醋總酸校正模型的相關系數R2為0.990 2。校正集樣品中食醋總酸交互驗證偏差相關性圖見圖3，散點分布均勻，表明食醋總酸預測值與實測值的相關性良好，該模型具有預測可行性。

圖3 校正集樣品中食醋總酸含量交互驗證偏差相關性Fig.3 Correlation of cross-validation bias of total acid contents of vinegar in calibration set samples

2.3 模型外部驗證

為了進一步驗證模型的準確性和穩定性，試驗過程同時采用外部驗證方式驗證模型效果，即將未參與建模的15個預測樣組成的預測集代入模型進行預測，同時與經典電位滴定法測得的實際值進行比較，每次試驗進行3組平行測定，對比結果見表2。由表2可知，模型預測集的總酸結果與經典電位滴定法測得的實際值相比，最大相對誤差為1.383%。

表2 偏最小二乘法模型的食醋總酸含量預測值與實測值比較Table 2 Comparison between predicted values and measured values of total acid content of vinegar in partial least squares model

為了檢驗所建模型得預測值與實測值是否有顯著性差異，運用EXCEL軟件對兩組數據進行雙樣本方差分析，結果見表3。由表3可知，檢驗統計量F＜臨界值Fcrit，表示兩組數據（實測值與模型預測值）在α=0.05的水平上無顯著性差異[21]，且兩組數據間相關性系數為0.995，說明使用“矢量歸一化＋一階導數”光譜預處理方法得到的食醋近紅外總酸模型得出的預測值和滴定法實測值沒有顯著性差異，該模型可以對食醋總酸進行預測。

表3 雙樣本方差分析Table 3 Variance analysis of two-sample

3 結論

實驗結果表明，食醋總酸實測值與對應采集的近紅外漫反射光譜相關聯建立快速檢測模型后，近紅外食醋總酸模型的交叉驗證決定系數（R2）為0.972 3，交叉驗證均方差（RMSECV）為0.062 1。經外部模型驗證后，該模型食醋總酸預測值和國標法實測值的平均絕對偏差為0.035，最大相對誤差為1.383%，兩者間相關性系數達0.995。該方法能夠準確預測工業生產上食醋總酸的定量檢測，為建立食醋生產在線、無損、快速檢測方法提供了理論依據，對于食醋生產過程中需要頻繁測定總酸來控制生產進程的企業提供了一種更加方便、快捷和綠色的方法。