基于近紅外光譜的腌制期咸鴨蛋理化指標無損檢測

田文強，王巧華,2,*，徐步云，陳遠哲，肖仕杰，范 維，林衛國，劉世偉

（1.華中農業大學工學院，湖北 武漢 430070；2.農業農村部長江中下游農業裝備重點實驗室，湖北 武漢 430070）

咸鴨蛋是我國傳統特色風味食品。腌好的咸鴨蛋口感細膩柔滑、松沙油露,含有人體所需的蛋白質、氨基酸等營養物質，深受消費者青睞[1-2]。但咸鴨蛋品質受時間、溫度和腌制液濃度等因素的影響較大，腌制不當的咸鴨蛋會導致口感不佳、品質嚴重下降。近些年，部分廠家盲目追求“淌油”，過度腌制鴨蛋，使其含鹽量過高，導致蛋黃過度脫水變硬或發生“泥化”現象[3]。目前我國咸鴨蛋的品質檢測分級還缺乏明確規定，在生產過程中主要依靠人工經驗，出廠包裝前還需對咸蛋破殼處理抽樣檢測相關的理化指標，繁瑣費時，難以滿足現代化生產要求。

國內外研究學者已對縮短咸蛋腌制時間工藝和咸蛋腌制時食鹽的作用機理進行了研究[4-10]。加工咸蛋的方法有草木灰法、鹽泥法和鹽水浸漬法[11-12]；潘康[13]和吳文錦[14]等對不同腌制工藝下的咸蛋品質指標對比分析，發現前兩種加工工藝復雜，腌制成熟所需時間較長，咸鴨蛋品質易受腌制配料物的影響，而鹽水浸漬法腌制咸蛋成熟速度快，生產工藝簡單且效率高，可顯著提高經濟效益，適于大批量規模化生產。此外，研究發現酸性溶液浸泡鴨蛋可增強蛋殼滲透性，腌制液易滲透入蛋內部，腌制時間縮減[15-18]；黃奕源[19]和蘇鶴[20]等研究發現，采用分布式腌制法得到的咸蛋含鹽量較低、出油率高、蛋黃指數值高、品質佳。

有研究使用光譜檢測鮮蛋品質：付丹丹等[21]為識別不同品種的雞蛋S-卵白蛋白含量，使用光譜信息和多元回歸模型預測其含量，兩個品種雞蛋的預測集相關系數分別為0.8119、0.9116；孫艷文等[22]獲取了雞蛋的近紅外光譜信息，對脂肪指標進行建模分析，得到模型的校正集和驗證集R2分別為0.9475、0.9063；李海峰等[23]為分析雞蛋的pH值和蛋白質含量，使用光譜漫反射結合偏最小二乘模型建模分析，得到了較好的預測效果；林顥[24]、段宇飛[25]和Mehdizadeh[26]等發現，使用光譜結合定量預測模型對新鮮蛋和非新鮮蛋的鑒別正確率較高；李慶旭等[27-28]將可見-近紅外光譜與卷積神經網絡相結合，用于檢測孵化前的種鴨蛋受精信息和孵化早期鴨胚胎的雌雄鑒別。這些研究主要對咸蛋原料蛋的品質指標進行光譜檢測，目前鮮有針對咸鴨蛋內部品質光譜無損檢測的研究。

咸鴨蛋在腌制過程中的品質及內部成分會隨腌制時間和腌制液濃度的改變而發生變化。理化指標值可反映其品質變化：咸鴨蛋蛋黃含水率、蛋黃氯化鈉濃度、咸蛋黃指數都能間接反映腌制液與蛋殼、蛋清和蛋黃的滲透狀況，咸鴨蛋的咸蛋黃指數能反映腌制期間蛋黃的凝結狀況。

本研究應用近紅外光譜技術結合偏最小二乘回歸（partial least squares regression，PLSR），建立咸鴨蛋相關理化指標和近紅外光譜的關聯模型，獲取咸鴨蛋內部品質指標參數，以達到快速無損檢測咸鴨蛋品質的目的。

1 材料與方法

1.1 材料與試劑

實驗用咸鴨蛋樣品采用新鮮高郵麻鴨蛋腌制而成，由江蘇省高郵市秦郵蛋品有限公司提供，由生產一線、經驗豐富的工人選取大小相近、顏色相似、蛋殼表面完整、無破損的189 枚新鮮鴨蛋。

1.2 儀器與設備

Antaris II傅里葉變換近紅外光譜儀 美國賽默飛世爾科技公司；DHG-9240A電熱鼓風恒溫干燥箱 湖北省武漢市環試檢測設備有限公司；JA2002電子天平 上海浦春計量儀器有限公司。

1.3 方法

1.3.1 咸鴨蛋的腌制和成熟

腌制前將鴨蛋浸泡在5%可食用醋中，浸泡10 min，使蛋殼外膜和蛋殼滲透性增加、腌制液更容易進入蛋內部，以減少腌制時間。

20 ℃下使用質量分數26.47%飽和食鹽水腌制鴨蛋（腌制液需淹沒鴨蛋），用保鮮膜密封，放置在通風空曠處腌制12 d。再使用質量分數為10%的食鹽水，其他條件保持不變，繼續腌制28 d。每5 d測定一次樣品的光譜和理化品質指標，每次取出21 枚咸鴨蛋。

通過感官指標和理化指標判斷咸鴨蛋成熟度。咸鴨蛋成熟的感官指標：蛋黃咸淡適中，蛋黃橘黃豐潤，口感細膩，出油較好；咸鴨蛋成熟的理化指標：咸蛋黃指數接近于1時，咸鴨蛋已經成熟；咸蛋黃含鹽量小于2%、蛋黃含水率小于30%、蛋白含鹽量小于5%。蛋白含水率小于80%以及蛋黃含油率低于15%的咸鴨蛋較為優質。

1.3.2 近紅外光譜的采集

使用Antaris II傅里葉變換近紅外光譜儀采集光譜，采集裝置如圖1所示。光譜采集時將咸鴨蛋豎直放在自制載物板上，鈍端朝下貼合放置對準光譜采集通光口，采用積分球樣本固體模塊收集咸鴨蛋樣品的漫反射光譜。光譜儀參數設置：掃描范圍為10000～4000 cm-1，分辨率4 cm-1，掃描頻率為32 次。測量前儀器預熱20 min，消除暗電流和光譜采集環境的影響，光譜采集實驗全程均在固定的室內進行，室內相對恒溫，最小化外界溫度、光照等因素變化的影響。每個咸鴨蛋重復掃描采集3 次，取平均值。使用Matlab 2014b軟件進行數據分析、處理。

圖1 近紅外采集裝置圖Fig.1 Schematic diagram of near-infrared acquisition device

1.3.3 咸鴨蛋理化指標的測定

1.3.3.1 蛋黃含水率的測定

依據GB 5009.3—2016《食品中水分的測定》[29]中的直接干燥法。取清潔鋁盒稱量質量，將蛋清與蛋黃分離，使用攪碎機將蛋黃攪拌均勻。精確稱取蛋黃5 g（精度為0.001 g），然后依次稱量蛋黃和鋁盒的質量。在105 ℃干燥箱內烘干20 h，至質量保持不變，稱量干燥后蛋黃和鋁盒的質量。按式（1）計算咸鴨蛋的蛋黃含水率（X）：

式中：m1為鋁盒和蛋黃烘干前總質量/g；m2為鋁盒和蛋黃烘干后總質量/g；m3為鋁盒質量/g。

1.3.3.2 蛋黃氯化鈉濃度的測定

使用硝酸銀滴定法[30]。取蛋黃樣品5.0 g于100 mL燒杯中，加入100 mL蒸餾水，用玻璃棒攪勻后靜置5 min，再次攪勻并靜置，重復3 次。從混合均勻的上清液中取10 mL放入三角瓶中，加入20 mL蒸餾水，滴入7～8 滴0.05 mol/L K2CrO4溶液，用0.2 mol/L AgNO3溶液滴定，至磚紅色標記出現為滴定終點。按式（2）計算咸鴨蛋的蛋黃氯化鈉濃度（Y）：

式中：c為AgNO3溶液濃度/（mol/L）；V為消耗的AgNO3溶液體積/mL；m為蛋黃質量/g；X為蛋黃含水率/%；0.05845為NaCl當量。

1.3.3.3 咸蛋黃指數測定

用游標卡尺測量蛋黃直徑。打破鴨蛋，分離蛋清和蛋黃。將蛋黃置于水平玻璃臺上，依次旋轉120°測量蛋黃直徑；將游標卡尺末端插入蛋黃內部測量蛋黃高度，用蛋黃高度除以蛋黃直徑計算咸蛋黃指數。測量3 次，取平均值。

1.4 數據處理

1.4.1 光譜數據預處理

采用多元散射校正（multiplicative scatter correction，MSC）、卷積平滑（Savitzky-Golay，S-G）、標準化（Autoscales）、均值中心化（Center）、移動窗口平滑（Nirmaf）、標準正態變量變換（standard normal variate transformation，SNV）、歸一化（Normalize）對光譜進行預處理。

1.4.2 光譜特征變量選擇

競爭性自適應重加權（competitive adaptive reweighted sampling，CARS）算法[31]主要借鑒“物競天擇”的準則，優選出較為關鍵且權重值較大的特征波長，剔除影響微弱的波長權重值；連續投影算法（successive projections algorithm，SPA）[32]運用向量投影挑選最少限度信息的光譜變量，解決光譜中信息交叉重疊和共線性等問題，減少建模中的變量數量，從而加快建模效率；非信息變量剔除（uninformative variables elimination，UVE）算法[33]是基于互相驗證偏最小二乘模型，以回歸系數為評判指標，去掉被認為和隨機變量同樣對模型創建性能稍差的波長變量，篩選效果突出的波長變量。

1.4.3 模型建立與性能評估

PLSR在運算中探討光譜數據（自變量）和物理化學值（因變量）之間在模型效應和挖掘的相關關系，解決它們之間的多重相關性問題。

訓練集相關系數（Rc）和校正均方根誤差（root mean square error of calibration，RMSEC），預測集相關系數（Rp）和預測均方根誤差（root mean square error of prediction，RMSEP）是模型的衡量尺度。Rc和Rp越趨于1，RMSEC和RMSEP值越靠近且越小，則模型性能更穩健、準確度越高。按式（3）～（6）計算Rc、Rp、RMSEC和RMSEP：

式（3）～（6）中：ypi為訓練集或預測集中第i個樣本的預測值；ymi為訓練集或預測集中第i個樣本的實際測量值；ymean為所有訓練集樣本或預測集樣本實際測量值的均值；n為參與訓練集或預測集的樣本總數量。

這篇短文描述的是作者在繪制巴黎地圖時的構思和細節，此段描寫的是繪制地圖時作者遇到的困難，陳譯本這樣處理原文的翻譯：

2 結果與分析

2.1 咸鴨蛋的近紅外光譜分析

如圖2所示，結合有機基團倍頻與合頻吸收譜帶分布信息，發現在5100～5200、6800～6950 cm－1區域有明顯的波峰，分別為C—H與C—O組合帶[34]和O—H鍵二、三級倍頻有關，說明整個腌制時期內，咸鴨蛋的內容物處于動態變化中。由圖2可知，同一波數下不同腌制時間的咸鴨蛋的光譜吸光度存在差異，這表明不同腌制時期的咸蛋內容物的成分也可能存在差異。

圖2 不同腌制時間咸鴨蛋的原始光譜曲線（a）和平均光譜曲線（b）Fig.2 Original spectra (a) and average spectra (b) of duck eggs salted for different durations

2.2 咸鴨蛋樣本集劃分

SPXY（sample set partitioning based on joint X-Y distances）算法是以Kennard-Stone法為基礎進行改良的樣本分類方法，可同時探討樣品的光譜值和理化實際測量值分布，覆蓋更廣的范圍。在構建模型之前，采用SPXY算法對樣本集進行劃分，訓練集和預測集劃分的比例通常設置在2∶1～4∶1之間，本研究按照訓練集和預測集3∶1的比例劃分蛋黃含水率、蛋黃氯化鈉濃度、咸蛋黃指數的數據，結果如表1所示。

2.3 一次特征波段提取及模型建立

2.3.1 CARS法提取光譜特征波段

使用CARS算法提取預處理后的咸鴨蛋光譜的特征波長，以CARS算法選取蛋黃含水率的特征波長為例。初始設定蒙特卡羅采樣120 次，交叉驗證設定為50%，重采樣率為0.8。由圖3a可知，當樣品迭代運算量提升時，光譜選擇特征波長量銳減。如圖3b所示，交叉驗證均方根誤差（root mean square error of cross validation，RMSECV）值降低到最低點前，光譜中無效信息被清除；當RMSECV值從最低點漸漸升高，有效的光譜信息被去除。如圖3c所示，RMSECV值降到最低點時，迭代次數為126 次，光譜中有效信息最多。因此確定最優波長變量子集即為RMSECV值最小時對應的變量集。

圖3 CARS算法選取蛋黃含水率的特征波長過程Fig.3 Selection of the characteristic band for egg yolk moisture content by CARS

2.3.2 SPA提取特征光譜波段

通過SPA選擇咸鴨蛋光譜的光譜特征變量，以蛋黃含水率為例。如圖4a所示，依據均方根誤差（root mean square error，RMSE）變化確定被選擇的光譜變量。隨著變量數增加，RMSE先急劇下降，表明光譜中的無用信息被剔除，然后譜線變化趨于平緩。選擇中間拐點的變量作為特征變量，而此拐點并非最低點對應的位置，而是RMSE降低到合理的數值范圍內。此拐點對應的波長個數為15，RMSE為0.0088383，選取變量占原始光譜信息的0.96%，選取的波長點如圖4b所示。

圖4 SPA選擇蛋黃含水率的光譜特征變量過程Fig.4 Selection of the characteristic spectral variables for egg yolk moisture content by SPA

2.3.3 UVE算法提取光譜特征波段

圖5 UVE算法選擇蛋黃含水率的光譜特征波長Fig.5 Selection of the characteristic band for egg yolk moisture content by UVE

2.4 基于一次特征波段提取的模型效果

將不同預處理和一次特征選擇算法聯合獲得的特征變量分別代入PLSR模型中。蛋黃含水率的PLSR預測結果如表2所示，CARS算法中，經過Normalize預處理后的效果較好，選擇17 個特征變量，占建模光譜變量的1.09%；SPA中，同樣是經過Normalize預處理后效果較好，選擇了9 個特征變量，占建模光譜變量的0.58%；UVE算法中，經過Autoscales預處理后的效果較好，選擇了615 個特征變量，占建模光譜變量的39.5%。經比較，提取算法效果最好的是UVE，Rc和Rp較佳，分別為0.9550、0.8981，RMSEC和RMSEP分別為0.3102、0.2818。經過預處理和特征選擇的光譜建立的模型預測效果相比于原始光譜有較大提升，通過選擇特征波段能夠最大限度地剔除光譜中對理化值影響較小的波段，優化模型。

表2 基于一次特征選擇算法建立的蛋黃含水率PLSR模型Table 2 Parameters of PLSR models for egg yolk moisture content established using individual feature selection algorithms

蛋黃氯化鈉濃度的PLSR預測結果如表3所示，CARS算法中，經Normalize預處理后的效果較好，選擇了30 個光譜特征波長，占建模光譜波長總數的1.93%；SPA中，經過S-G預處理后的效果較好，選擇了19 個特征變量，占建模光譜變量的1.22%；UVE算法中，經過SNV預處理后的效果較好，選擇了241 個特征變量，占建模光譜變量15.48%；預測效果最好的特征提取算法是UVE，Rc和Rp分別為0.9848、0.8926，RMSEC和RMSEP分別為0.0647、0.1879。

表3 基于一次特征選擇算法建立的蛋黃氯化鈉濃度PLSR模型Table 3 Parameters of PLSR models for egg yolk sodium chloride concentration established using individual feature selection algorithms

咸蛋黃指數的PLSR預測結果如表4所示，CARS算法中，經過Normalize預處理后的效果較好，選擇了36 個光譜特征波長，占建模光譜波長總數的2.31%；SPA中，經過Center預處理后的效果較好，選擇了9 個特征波長變量，占建模光譜變量的0.58%；UVE算法中，經過Autoscales預處理后的效果較好，選擇了800 個特征變量，占建模光譜變量的51.38%；SPA提取特征波段效果較優，Rc和Rp分別為0.8556、0.8991，RMSEC和RMSEP分別為0.7759、0.7841。

表4 基于一次特征選擇算法建立的咸蛋黃指數PLSR模型Table 4 Parameters of PLSR models for salted egg yolk index established using individual feature selection algorithms

2.5 基于二次特征波段提取及模型建立

雖然一次光譜特征波段提取建立的PLSR模型的Rp相較原始光譜得到提升，但一次特征提取的CARS和UVE波段數仍然較多，盡管剔除了無用光譜信息，模型的穩健性還有提升的空間，因此在CARS和UVE特征提取的基礎上，再利用SPA進行二次波段提取。如表5所示，二次光譜特征提取的波段建立的PLSR模型預測效果相較于一次特征提取的模型效果更好，二次特征提取將無效信息篩選掉，進一步簡化模型結構，提高模型的預測性能，蛋黃含水率、蛋黃氯化鈉濃度和咸蛋黃指數預測效果最好的特征提取算法都是UVE與SPA結合，上述3 個指標的Rp分別從0.8981、0.8926、0.8991提升到0.9276、0.9085、0.9163。

表5 基于二次光譜特征提取建立咸鴨蛋指標的PLSR模型Table 5 Parameters of PLSR models for salted duck egg index established using combined feature selection algorithms

2.6 最優模型的比較與選擇

對選取的最優特征波長建立的3 項理化指標（蛋黃含水率、蛋黃氯化鈉濃度、咸蛋黃指數）PLSR模型進行分析。如圖6所示，UVE與SPA結合二次波長提取的效果更好，3 類理化指標預測效果最優PLSR模型的Rc和Rp分別為0.9334、0.8978、0.9286和0.9276、0.9085、0.9163；RMSEC、RMSEP分別為0.2663、0.1638、0.6635和0.2429、0.1859、0.6431。

圖6 基于UVE＋SPA的蛋黃含水率（a）、蛋黃氯化鈉濃度（b）和咸蛋黃指數（c）最優PLSR模型Fig.6 Performance evaluation of optimal PLSR models for egg yolk moisture content (a),egg yolk sodium chloride concentration (b) and salted egg yolk index (c) based on UVE+SPA

3 結論

利用近紅外光譜技術，分別建立了腌制期咸鴨蛋的蛋黃含水率、蛋黃氯化鈉濃度、咸蛋黃指數的PLSR無損檢測模型，經分析檢驗預測精度較理想。此外，探討了原始光譜、UVE、CARS、SPA、CARS+SPA和UVE+SPA 6 種特征提取算法，經對比分析發現二次特征波長UVE+SPA建立的模型預測效果更好。而且，蛋黃含水率、蛋黃氯化鈉濃度和咸蛋黃指數的最優光譜提取方法都是二次波長提取UVE與SPA結合，提取的光譜特征變量數分別為9、13和8。預測蛋黃含水率最好的模型是Autoscales-UVE+SPA-PLSR，Rp和RMSEP分別為0.9276和0.2429；預測蛋黃氯化鈉濃度最好的模型是S-G-UVESPA-PLSR，Rp和RMSEP分別為0.9085和0.1859；咸蛋黃指數效果的最優模型是Center-UVE+SPA-PLSR，Rp和RMSEP分別為0.9163和0.6431。本研究建立的光譜預測模型只需采集一次光譜數據即可實現咸鴨蛋內部品質的無損檢測。