近紅外光譜快速檢測大豆原油含磷量

王 雪，張海榮，吳丹丹，王偉寧，王立琦, ，羅淑年,2, ，于殿宇

（1.哈爾濱商業大學，黑龍江 哈爾濱 150028；2.九三食品股份有限公司，黑龍江 哈爾濱 150060；3.東北農業大學食品學院，黑龍江 哈爾濱 150030）

大豆原油是大豆種子原料經過壓榨或浸提后得到的，除含有甘油三酯外，通常還含有磷脂、蛋白質、黏液質和糖基甘二酯等膠溶性雜質[1]，其中，磷脂含量最多[2]。膠溶性雜質的存在不僅會對油脂品質及其儲藏穩定性有較大影響，還會影響油脂精煉和深加工程度[3]，因此，脫膠作為去除大豆原油中磷脂等膠溶性雜質的重要手段在油脂精煉中是必不可少的[4]。傳統脫膠工段包括水化脫膠和酸化脫膠，水化脫膠去除的是水化磷脂[5]，酸化脫膠去除的非水化磷脂，通過添加磷酸將非水化磷脂轉化為水化磷脂而去除[6]。在企業實際生產中，由于傳統檢測方法不能實時監測大豆原油中的含磷量，為保證生產的連續性及生產效率，在酸化脫膠工段通常根據生產經驗添加過量的磷酸去除非水化磷脂，隨后在堿煉工段再添加過量的堿液中和過量的磷酸，這會使油脂加工生產成本增加。因此，如果在精煉生產線上能夠在線實時反饋大豆原油中的含磷量，則可根據大豆原油中含磷量的多少精準控制添加的酸堿量，從而起到降本增效的作用。

目前測量油脂中磷脂含量的方法很多，國家標準中有鉬藍比色法和重量法兩種[7]。鉬藍比色法準確性較高，但該方法耗時長且操作繁瑣，重量法只適用于粗略定量分析，準確性較差[8]。此外，在實驗室研究中檢測油脂中的磷脂常采用薄層色譜法[9]和高效液相色譜法[10]，薄層色譜法干擾因素多，實驗條件嚴苛，重復性較差[11]，高效液相色譜法成本昂貴，前處理復雜[12]。以上幾種方法共性問題是耗時長，因此，迫切需要開發一種能夠快速、精準、易于實現在線檢測大豆原油中磷脂含量的方法，用于指導生產企業在加工生產線上精準調控精煉過程中酸堿添加及產品質量控制。

近紅外光譜（near-infrared spectroscopy，NIR）技術因其具有操作簡單、分析速度快、靈敏度較高、能夠實現無損、無污染的在線快速檢測等優點[13]，特別適合生產過程中的質量控制[14]，在化學領域[15]、中藥領域[16]、生物學領域[17]以及食品領域得到廣泛應用[18-19]，其中利用NIR分析磷含量也有報道，李軍山等[20]運用NIR技術中的漫反射技術和化學方法針對大豆磷脂粉的含磷量進行快速檢測分析。周秀娟等[21]利用近紅外光譜儀的光學處理、光譜數據處理和改進偏最小二乘方法，建立了快速測定高、低磷大豆油中磷含量的近紅外模型，其中部分大豆油樣是由不同含磷量的大豆油在實驗室調配而成，模型在實際生產線上的適用性需要進一步研究。

因此，本研究提出一種基于NIR快速檢測大豆原油中含磷量的方法，從大豆油脂加工企業生產線上直接采集不同含磷量的大豆原油樣品，建立近紅外分析模型，以期用于大豆油實際加工過程中的快速檢測，指導生產過程中工藝參數調整，避免因含磷量檢測結果滯后造成的資源浪費及成本增加，與此同時也能夠實時監控大豆油的品質，為百姓的食品安全提供保障。

1 材料與方法

1.1 材料

大豆原油樣品 九三食品股份有限公司。

1.2 儀器與設備

T-N5000S紫外-可見分光光度計 上海佑科儀器儀表有限公司；SZ-2.5-10型箱式電阻爐 天津市泰斯特儀器有限公司；NIRFlex N-500近紅外分析儀 瑞士步琦有限公司；AB265-S分析天平 梅特勒托利多科技（中國）有限公司。

1.3 方法

1.3.1 含磷量化學值測定

本研究目的是實現加工過程中大豆原油中含磷量的快速檢測及調控，因此直接從大豆油生產企業精煉生產線的脫膠工段上，采集水化脫膠前后具有代表性的大豆原油樣品220 個，依據GB/T 5537—2008《糧油檢驗 磷脂含量的測定》中的鉬藍比色法，測定大豆原油樣品的含磷量范圍為17.9～90.9 mg/100 g。

1.3.2 光譜數據采集

將樣品分別注入到儀器配備的內直徑為8 mm的透明玻璃小管，然后依次在環境濕度小于7%的室溫條件下進行NIR采集，采集波數范圍4 000～10 000 cm-1，掃描次數32，分辨率為4 cm-1[22]。NIR采集系統如圖1所示，液體測量池是通過透射模式測量大豆原油，偏振干涉儀采用模塊一體化配置，內有鹵鎢燈光源及InGaAs檢測器，具有抗機械干擾的性能，特別適用于放置于車間精煉生產線實時在線監測。

圖1 NIR采集系統Fig.1 NIR acquisition system

1.3.3 光譜數據預處理

原始光譜數據會受到外界的干擾和噪聲信息的影響。為減少這種干擾，需在保證光譜數據有用信息的原始真實性前提下，最大程度地去除各種隨機噪聲。本實驗分別采用數據中心化、歸一化、多元散射校正、標準正態變換和3 種小波閾值去噪方法對光譜數據進行預處理，提高模型的精度與穩定性。

1.3.4 樣本分集與模型評價

本實驗使用基于聯合x-y距離的樣本集劃分（sample set partitioning based on jointx-ydistances，SPXY）算法進行分集[23]，保證最大程度表征樣本分布。數據分集后，采用基于偏最小二乘（partial least squares，PLS）算法構建近紅外分析模型。模型采用決定系數（R2）、均方根誤差（root mean square error，RMSE）和相對標準偏差（relative standard deviation，RSD）對預測模型評價[24]。

1.3.5 最優波段的選擇

NIR采集的是4 000～10 000 cm-1近紅外全譜光譜數據，其中包含很多與磷脂的特征波段不相關的光譜數據，如果使用全譜數據進行建模，模型的計算量較大，不利于后期將算法固化進產品，影響模型的穩定性[25]，因此本實驗使用組合區間偏最小二乘（synergy interval partial least squares，SiPLS）對磷脂進行最優波段的選擇[26-27]，使用PLS建模結果比較效果后，選出建模效果較好的一部分波長用于后續建模。

1.3.6 BP模型的建立

由于大豆原油樣本的各向異性，光譜數據與含磷量間呈現較為復雜的非線性關系，使用模型相對簡單的線性分析方法難以從復雜變動的光譜中提取到足夠的有效特征和有效特征之前的非線性關系，無法保證大豆原油含磷量定量校正模型的精確性和適用性[28]。因此本研究采用非線性表征能力更強的BP神經網絡進行模型的構建。

1.4 數據處理

光譜預處理、SiPLS篩選、PLS和BP神經網絡模型數據處理和計算采用Matelab-R2022a分析軟件，數據統計和圖表繪制使用Origin 9.5。

2 結果與分析

2.1 樣品分集

采用SPXY方法將大豆原油樣本按含磷量進行分集，分出170 組校正集和50 組預測集。由表1可以看出，校正集和預測集的平均值基本一致，預測集樣品的含量包含于校正集的范圍內，即預測集的樣品可以使用校正集建立模型進行分析[29]。

表1 大豆原油中的含磷量Table 1 Phosphorus content of crude soybean oil

2.2 樣品光譜數據預處理

220 個樣品的原始NIR數據經過7 種不同降噪預處理，結果如圖2所示。圖2a為220 個大豆原油樣品的NIR原始圖譜，圖2b～h為不同的預處理方法降噪處理后的NIR圖。降噪處理后的數據分別使用PLS建模得到的結果如表2所示。

表2 不同去噪方法處理的全譜數據建模效果對比Table 2 Comparison of modeling effects of full spectral data processed by different denoising methods

圖2 NIR圖Fig.2 NIR spectra

校正均方根誤差（root mean square error of calibration，RMSEC）、預測均方根誤差（root mean square error of prediction，RMSEP）越小，證明模型的擬合度越高，RMSEC和RMSEP越接近，證明模型的穩定性越高。由表2可以看出，對原始數據采用標準正態變換進行去噪的效果最好，其預測集的R2、RMSEP、RSD分別為0.954 7、1.814 9、4.06%，有效消除了光譜中的常數偏移和表面散射帶來的干擾，提高了光譜分辨率[30]，因此選擇標準正態變換去噪處理后的數據進行特征波段優選及模型優化。

2.3 基于SiPLS的特征波段優選

應用SiPLS法將4 000～10 000 cm-1的全譜范圍分別等分為20、30、40、50 個光譜子區間，然后聯合其中的2～4 個光譜子區間分別進行PLS建模，篩選出與磷脂密切相關的特征吸收波段如圖3所示，利用這些波段不同組合建模的結果如表3所示。

表3 SiPLS不同波段組合的建模結果Table 3 Modeling results of different band combinations with SiPLS

圖3 不同子區間數對應的特征波段范圍圖Fig.3 Feature bands corresponding to different subinterval numbers

從表3可以看出，用SiPLS進行波段選擇在子區間數為20，入選區間為4 304～4 604、4 904～5 204、6 704～7 004 cm-1和7 904～8 204 cm-1時，建模效果最好，R2、RMSEP、RSD分別為0.955 7、1.641 8、3.67%，因此，后續選擇此波段組合進行建模。

2.4 基于BP神經網絡的大豆原油含磷量的回歸模型建立

2.4.1 BP神經網絡模型參數設置

為確保BP模型性能良好，必須確定BP模型的學習速率和訓練次數，本研究通過大量實驗得出數據進行對比分析，確定BP回歸模型的最佳參數并進行建模。由圖4可以看出，當學習速率為0.005、訓練次數為108時，BP模型的RSD最低，建模效果最好，因此BP神經網絡模型參數設置為學習速率0.005、訓練次數108。

圖4 學習速率（a）及訓練次數（b）的選擇Fig.4 Selection of learning rate (a) and training frequency (b)

2.4.2 BP模型與PLS模型的比較分析

為了比較建模效果，分別采用BP和PLS兩種算法對全譜、優選出的特征波段建立回歸模型，建模效果如表4所示，預測結果如圖5所示。無論是對全譜建模還是對特征波段建模，BP神經網絡模型效果均優于PLS，同時在BP神經網絡模型結果中，特征波段建模效果又優于全譜模型，其校正集的R2、RMSEC、RSD分別為0.979 7、0.859 3、1.89%，預測集的R2、RMSEP、RSD分別為0.978 5、0.963 8、2.15%。

表4 基于BP和PLS建模的效果比較Table 4 Comparison of modeling effect based on BP and PLS

圖5 預測模型Fig.5 Prediction models

2.5 模型的驗證

為進一步驗證本研究建立BP神經網絡特征波段模型檢測結果的準確性以及在實際生產中的適用性，在大豆油精煉生產線上隨機選取6 個大豆原油樣品，采用GB/T 5537—2008中的鉬藍比色法與本研究建立的BP神經網絡模型預測值進行比較，其結果如表5所示。與鉬藍比色法測得的含磷量結果相比，BP神經網絡模型測得結果的相對誤差均在5%以內，絕對誤差處于穩定可接受水平，表明基于NIR分析技術建立的含磷量預測模型整體檢測準確度較高，適用于于大豆加工企業的實際生產。

表5 模型的驗證結果Table 5 Verification results of the model

3 結論

本研究提出一種運用NIR分析技術在精煉生產線上實現快速、精準、無損檢測含磷量的方法。對標準正態變換法降噪后的光譜數據進行SiPLS特征波段提取，優選出含磷量建模的最佳波段，減少光譜冗余信息，降低模型的計算復雜度，提高模型效率。建立大豆原油含磷量的BP神經網絡預測模型，通過與PLS對比分析，發現BP神經網絡預測模型效果最佳，其含磷量的預測RSD為2.15%，表明基于BP神經網絡的NIR分析用于大豆原油含磷量的快速檢測可行，將其應用于大豆原油工業化精煉加工過程中含磷量的實時檢測，不僅不存在人為誤差及系統誤差，有效提高檢測結果的準確性。與國家標準中鉬藍比色法相比（檢測時長約5 h），無任何試液制備前處理以及比色上機等流程，安全環保的同時大幅度縮減含磷量檢測的時間（僅需16 s），提高檢測效率，為油脂精煉后續的酸化脫膠及堿煉工段中酸堿添加量的精準調控及時提供數據，對大豆油脂企業生產加工過程中實現節本降耗及產品質量監控具有一定的指導意義。