近紅外光譜對魚糜凝膠3D打印特性和流變特性預測的研究

范東翠，劉文超，陳慧芝*，張慜,2*

1(江南大學 食品學院, 江蘇 無錫，214122)2(食品科學與技術國家重點實驗室(江南大學)，江蘇 無錫，214122)

近紅外光譜(near infrared spectrum，NIR)是介于可見光和中紅外之間的電磁波，波長范圍為780～2 526 nm[1]。NIR無損分析技術是通過NIR測量技術結合光學計量學建立校正模型，對未知樣品進行定性或定量分析，已廣泛應用于食品領域，具有技術成本低、檢測速度快、不破壞樣品及無需預處理等優點。便攜式NIR儀器在工作原理上與傳統NIR相同，但其將傳統的光、機、電元件集裝在芯片內部，具有微小、易攜帶、集成度高、智能化和成本低等特點[2]。

基于食材的流變特性對擠出型3D打印特性有重要影響，然而傳統流變儀法對材料流變特性表征所需時間長，樣品處理復雜。本研究擬對便攜式NIR技術檢測魚糜凝膠體系流變特性和打印適用性進行研究，以期建立快速、無損評價食材打印特性的新型檢測方法。以不同水分含量和鹽含量的魚糜凝膠體系構建不同打印特性的實驗樣本，測定樣本的流變特性和近紅外光譜；對比不同光譜的預處理方式，通過NIR參數，建立魚糜凝膠體系的3D打印特性定性分類預測模型和流變參數定量預測模型。

1 材料和方法

1.1 材料與試劑

冷凍鰱魚魚糜，中國湖北洪湖井力水產食品有限公司。

1.2 儀器與設備

DISCOVERY HR-3流變儀，美國TA儀器公司；IAS-3100便攜式近紅外光譜儀，無錫迅杰光遠科技有限公司；美菱BCD-200MCX電冰箱，合肥美菱股份有限公司。

1.3 實驗方法

1.3.1 魚糜凝膠體系的制備

冷凍鰱魚魚糜，低溫運輸，-18 ℃冰箱保存。水分含量為(75.0±0.5) g/100 g，粗蛋白含量為(15.8±0.3) g/100 g。取解凍后的魚糜置于斬拌機中空斬2 min，再分別添加0、1、2、3 g/100 g的食鹽(以魚糜含量計)，斬拌5 min。同時加入0 ℃水，保持低溫斬拌，并分別調節不同含鹽量的魚糜溶膠最終水分含量至76.5、80.0、83.5、87.0 g/100 g。最后將魚糜溶膠裝入塑料容器中，4 ℃靜置12 h后用于后續打印和測試。

1.3.2 魚糜凝膠體系流變性質的測定

在靜態流變測試中，剪切速率設置為0.1～100 s-1[5]，當樣品從平板間隙逸出即停止實驗。剪切速率-黏度曲線采用冪律流體模型擬合[6]，如公式(1)所示：

(1)

1.3.3 魚糜凝膠體系的NIR檢測

便攜式NIR儀設備采取下照漫反射的采樣方式。該儀器的有效檢測波長范圍為950～1 650 nm，采樣間隔為1 nm。測試前，通過檢測空載圓形樣品池進行校準。取10 g左右的魚糜凝膠體系平鋪于圓形樣品池中進行檢測。

1.4 數據分析

使用SPSS 22進行判別分析(Fisher判別法)。使用Unscrambler X 10.4進行光譜預處理和偏最小二乘法(partial least squares regression，PLSR)建模，訓練(建模)樣本個數∶預測樣本個數為2∶1。建模時選擇留一法作為交叉驗證方法[8]。

2 結果與討論

2.1 數據集劃分

本文共獲取112個有效樣本(16組配方×7組重復)，不同鹽含量和水分含量的魚糜凝膠體系4類打印特性樣本各28個。采用Kennard-Stone方法[9]對112個有效樣本劃分訓練集(含交叉驗證集)和測試集，選取76個樣本作為訓練集，余下36個樣本作為測試集。由于本研究采用交叉驗證的方式，所以交叉驗證集的劃分不在此體現。在正常情況下，測試集的數據范圍應大于預測集的數據范圍[8]。具體樣本數據集情況如表1所示。測試集中n、K、G′-10、G″-10、G*-10范圍均在訓練集范圍內，所選訓練集和測試集均合理。

2.2 NIR響應信號分析

由圖1可知，112個魚糜凝膠樣本的NIR曲線趨勢整體一致。在970、1 170、1 450 nm附近存在光譜吸收峰。LIU等[10]和CHEN等[11]分別使用相同的便攜式NIR儀采集不同干燥條件下的藍莓和紫薯泥的NIR圖在類似的3個波長附近存在光譜吸收峰。其中970 nm附近的吸收峰與O—H伸縮振動的二級倍頻相關[12]，1 170 nm附近的吸收峰與C—H伸縮振動的二級倍頻以及C—H伸縮振動和變形的合頻相關[13-14]，1 450 nm附近的吸收峰與O—H伸縮振動的一級倍頻相關[9]。從NIR圖中雖然可以得到光譜波段響應信息，但不同于中紅外光譜的“指紋峰”，NIR重疊嚴重，光譜的解釋性差，需要結合化學計量學的方法信息定性或定量分析[15]。

表1 各數據集樣本的主要流變數據分布情況Table 1 Distribution of main rheological data in each data set

圖1 魚糜凝膠樣品的NIR圖Fig.1 NIR spectra of surimi gel samples

2.3 NIR預處理

在采集NIR的過程中，受到環境背景引起的光散射、儀器隨機噪聲等非人為因素的影響，采集的光譜數據除樣品自身的信息外，常常伴隨著背景干擾和噪聲等等一些無用冗余的信息。因此，需要對原始光譜信息進行預處理，以減少干擾信息對光譜分析產生的影響，提高所建模型的準確度和精準度。本次使用了多元散射校正(multiplicative scatter correction，MSC)、標準正態變量變換(standard normal variable transformation，SNV)、均值中心化(mean centralization，MC)、基線校正(baseline)等常用的光譜預處理方法[16-18]。

(1)多元散射校正(MSC)。圖2為112個魚糜凝膠樣品的NIR的MSC預處理結果。

圖2 112個魚糜凝膠樣品的NIR的MSC預處理結果Fig.2 MSC pretreatment results of NIR spectra of 112 surimi gel samples

MSC的基本原理是通過構建一個所測樣本的理想光譜作為標準，對所有測量的光譜進行基線平移和偏移校正。MSC可以有效的消除由于散射水平不同帶來的光譜差異，從而增強光譜與數據之間的相關性。具體算法如下，首先，計算所有光譜數據的平均值作為理想光譜，如公式(2)所示：

(2)

其次，對每個樣本的光譜與平均光譜進行一元線性回歸，如公式(3)所示：

(3)

最后，對每個樣本的光譜進行校正，如公式(4)所示：

(4)

式中：x，光譜數據的光譜值；n，樣本個數；xi，第i個樣本的光譜；ai和bi分別表示為樣本i的與平均光譜進行一元線性回歸后得到的相對偏移系數和平移量。

(2)標準正態變量變換(SNV)。圖3為112個魚糜凝膠樣品的NIR的SNV預處理結果。與MSC一樣，SNV的實際結果是它從光譜數據中消除了散射和粒度效應的干擾。

圖3 魚糜凝膠樣品的NIR的SNV預處理結果Fig.3 SNV pretreatment results of NIR spectra of surimi gel samples

SNV的原理是對所有光譜數據進行標準化分析(基于光譜陣的行)，用原始光譜值減去所有光譜的平均值，然后用得到的數據除以它們的標準差。具體算法如公式(5)所示：

(5)

(3)基線校正(Baseline)。圖4為112個魚糜凝膠樣品的NIR的Baseline預處理結果。基線校正的理論假設是當沒有有效信號時，檢測器獲取的信號值應當為0(所謂基線)，但實際上由于儀器硬件運行不可避免會帶來檢測器響應，進而影響目標光譜的獲取，所以通過基線校正來進行噪音的近似剔除。本章用原始光譜值減去所有光譜的最小值進行基線校正。

圖4 112個魚糜凝膠樣品的NIR的Baseline預處理結果Fig.4 Baseline pretreatment results of NIR spectra of 112 surimi gel samples

(4)均值中心化(MC)。圖5為112個魚糜凝膠樣品的NIR的MC預處理結果。MC的原理是每個光譜減去樣品光譜的平均值，使所有光譜數據都分布在零點兩側。該預處理后的數據能更充分反映光譜的變化信息。

2.4 基于NIR參數對魚糜凝膠體系打印特性的判別分析

線性判別分析(linear discriminant analysis，LDA)是將高維的模式樣本投影到最佳鑒別矢量空間，使樣本在新空間的可分離性最大化，以達到抽取分類信息的效果。當數據集包含的變量多于樣本(即光譜數據)，則可以選擇主成分分析結合線性判別分析(principal component analysis-linear discriminant analysis，PCA-LDA)算法。PCA是通過尋找多維數據方差最大的線性組合而實現數據降維。PCA-LDA可以相互取長補短，在高維度數據矩陣處理與分類領域中具有程序簡單、效率高、結果直觀等優勢，廣泛應用于多種樣本的識別[19]。經過不同光譜預處理方法處理后的NIR數據建立的PCA-LDA模型的預測結果見表2。MC處理與原始光譜的判別正確率相同均為91.96%，而經過Baseline處理的判別正確率僅為88.39%，這可能是因為預處理在減少噪音干擾的同時也剔除了部分有效光譜信息。MSC處理和SNV處理的結果最好，判別正確率均為100%。

表2 基于NIR參數對魚糜凝膠體系打印特性的判別分析Table 2 Classification of printability of surimi gels using discriminant function based on the NIR parameters

2.5 基于NIR參數對魚糜凝膠體系主要流變參數的預測模型

對于NIR數據，每個樣本含有上千個自變量，PLSR結合了主成分分析和多元線性回歸兩種算法的優勢，能夠提取自變量中與預測指標相關性較高的變量信息建立模型，使模型更簡潔。本文使用NIR參數(950～1 650 nm波長范圍的吸光度)建立魚糜凝膠體系主要流變參數PLSR預測模型，通過光譜預處理方式對原始光譜進行校正，以期提高模型的預測精度。表3為MSC、SNV、基線校正(Baseline)、MC、MSC+MC、SNV+MC、Baseline+MC等常用的光譜預處理方法處理后，建立的PLSR模型結果。

表3 基于NIR參數對魚糜凝膠體系主要流變參數的PLSR預測模型Table 3 Calibration and prediction results for main rheological properties (G′, G″ and G* at 1 and 10 rad/s, K) of surimi gels by PLSR models using the NIR parameters

3 結論

本文主要研究了利用NIR檢測魚糜凝膠體系的打印特性的分類識別和主要流變參數的預測效果，對比了不同光譜預處理對模型的預測效果。結果表明，經過MSC和SNV預處理后，建立的PCA-LDA模型對魚糜凝膠體系的打印特性等級進行判別，判別效果最好，判別正確率均為100%。經過MC預處理后，建立的PLSR模型對魚糜凝膠體系的流變參數K預測效果最好，測試集的決定系數為0.944 6，測試均方根誤差RMSEP為67.43；經過MSC聯合MC方式和SNV聯合MC方式預處理得到的光譜數據對流變參數G′-10、G″-10、G*-10的建模效果類似，均優于其他預處理方式。