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(yè)大學(xué)，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(nóng)業(yè)大學(xué)食品學(xué)院，黑龍江 哈爾濱 150030）

大豆原油是大豆種子原料經(jīng)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(zhì)、黏液質(zhì)和糖基甘二酯等膠溶性雜質(zhì)[1]，其中，磷脂含量最多[2]。膠溶性雜質(zhì)的存在不僅會對油脂品質(zhì)及其儲藏穩(wěn)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(zhì)的重要手段在油脂精煉中是必不可少的[4]。傳統(tǒng)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(zhuǎn)化為水化磷脂而去除[6]。在企業(yè)實際生產(chǎn)中，由于傳統(tǒng)檢測方法不能實時監(jiān)測大豆原油中的含磷量，為保證生產(chǎn)的連續(xù)性及生產(chǎn)效率，在酸化脫膠工段通常根據(jù)生產(chǎn)經(jīng)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(chǎn)成本增加。因此，如果在精煉生產(chǎn)線上能夠在線實時反饋大豆原油中的含磷量，則可根據(jù)大豆原油中含磷量的多少精準(zhǔn)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(biāo)準(zhǔn)中有鉬藍比色法和重量法兩種[7]。鉬藍比色法準(zhǔn)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(zhǔn)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(yán)苛，重復(fù)性較差[11]，高效液相色譜法成本昂貴，前處理復(fù)雜[12]。以上幾種方法共性問題是耗時長，因此，迫切需要開發(fā)一種能夠快速、精準(zhǔn)、易于實現(xiàn)在線檢測大豆原油中磷脂含量的方法，用于指導(dǎo)生產(chǎn)企業(yè)在加工生產(chǎn)線上精準(zhǔn)調(diào)控精煉過程中酸堿添加及產(chǎn)品質(zhì)量控制。

近紅外光譜（near-infrared spectroscopy，NIR）技術(shù)因其具有操作簡單、分析速度快、靈敏度較高、能夠?qū)崿F(xiàn)無損、無污染的在線快速檢測等優(yōu)點[13]，特別適合生產(chǎn)過程中的質(zhì)量控制[14]，在化學(xué)領(lǐng)域[15]、中藥領(lǐng)域[16]、生物學(xué)領(lǐng)域[17]以及食品領(lǐng)域得到廣泛應(yīng)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(shù)中的漫反射技術(shù)和化學(xué)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(xué)處理、光譜數(shù)據(jù)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(diào)配而成，模型在實際生產(chǎn)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(yè)生產(chǎn)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(dǎo)生產(chǎn)過程中工藝參數(shù)調(diào)整，避免因含磷量檢測結(jié)果滯后造成的資源浪費及成本增加，與此同時也能夠?qū)崟r監(jiān)控大豆油的品質(zhì)，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(shè)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(xué)值測定

本研究目的是實現(xiàn)加工過程中大豆原油中含磷量的快速檢測及調(diào)控，因此直接從大豆油生產(chǎn)企業(yè)精煉生產(chǎn)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(jù)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(shù)據(jù)采集

將樣品分別注入到儀器配備的內(nèi)直徑為8 mm的透明玻璃小管，然后依次在環(huán)境濕度小于7%的室溫條件下進行NIR采集，采集波數(shù)范圍4 000～10 000 cm-1，掃描次數(shù)32，分辨率為4 cm-1[22]。NIR采集系統(tǒng)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(nèi)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(chǎn)線實時在線監(jiān)測。

圖1 NIR采集系統(tǒng)Fig.1 NIR acquisition system

1.3.3 光譜數(shù)據(jù)預(yù)處理

原始光譜數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)中心化、歸一化、多元散射校正、標(biāo)準(zhǔn)正態(tài)變換和3 種小波閾值去噪方法對光譜數(shù)據(jù)進行預(yù)處理，提高模型的精度與穩(wěn)定性。

1.3.4 樣本分集與模型評價

本實驗使用基于聯(lián)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(shù)據(jù)分集后，采用基于偏最小二乘（partial least squares，PLS）算法構(gòu)建近紅外分析模型。模型采用決定系數(shù)（R2）、均方根誤差（root mean square error，RMSE）和相對標(biāo)準(zhǔn)偏差（relative standard deviation，RSD）對預(yù)測模型評價[24]。

1.3.5 最優(yōu)波段的選擇

NIR采集的是4 000～10 000 cm-1近紅外全譜光譜數(shù)據(jù)，其中包含很多與磷脂的特征波段不相關(guān)的光譜數(shù)據(jù)，如果使用全譜數(shù)據(jù)進行建模，模型的計算量較大，不利于后期將算法固化進產(chǎn)品，影響模型的穩(wěn)定性[25]，因此本實驗使用組合區(qū)間偏最小二乘（synergy interval partial least squares，SiPLS）對磷脂進行最優(yōu)波段的選擇[26-27]，使用PLS建模結(jié)果比較效果后，選出建模效果較好的一部分波長用于后續(xù)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(shù)據(jù)與含磷量間呈現(xiàn)較為復(fù)雜的非線性關(guān)系，使用模型相對簡單的線性分析方法難以從復(fù)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(guān)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(jīng)網(wǎng)絡(luò)進行模型的構(gòu)建。

1.4 數(shù)據(jù)處理

光譜預(yù)處理、SiPLS篩選、PLS和BP神經(jīng)網(wǎng)絡(luò)模型數(shù)據(jù)處理和計算采用Matelab-R2022a分析軟件，數(shù)據(jù)統(tǒng)計和圖表繪制使用Origin 9.5。

2 結(jié)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(yù)測集。由表1可以看出，校正集和預(yù)測集的平均值基本一致，預(yù)測集樣品的含量包含于校正集的范圍內(nèi)，即預(yù)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(shù)據(jù)預(yù)處理

220 個樣品的原始NIR數(shù)據(jù)經(jīng)過7 種不同降噪預(yù)處理，結(jié)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(yù)處理方法降噪處理后的NIR圖。降噪處理后的數(shù)據(jù)分別使用PLS建模得到的結(jié)果如表2所示。

表2 不同去噪方法處理的全譜數(shù)據(jù)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(yù)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(wěn)定性越高。由表2可以看出，對原始數(shù)據(jù)采用標(biāo)準(zhǔn)正態(tài)變換進行去噪的效果最好，其預(yù)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(shù)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(biāo)準(zhǔn)正態(tài)變換去噪處理后的數(shù)據(jù)進行特征波段優(yōu)選及模型優(yōu)化。

2.3 基于SiPLS的特征波段優(yōu)選

應(yīng)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(qū)間，然后聯(lián)合其中的2～4 個光譜子區(qū)間分別進行PLS建模，篩選出與磷脂密切相關(guān)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(jié)果如表3所示。

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

圖3 不同子區(qū)間數(shù)對應(yīng)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(qū)間數(shù)為20，入選區(qū)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(xù)選擇此波段組合進行建模。

2.4 基于BP神經(jīng)網(wǎng)絡(luò)的大豆原油含磷量的回歸模型建立

2.4.1 BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)設(shè)置

為確保BP模型性能良好，必須確定BP模型的學(xué)習(xí)速率和訓(xùn)練次數(shù)，本研究通過大量實驗得出數(shù)據(jù)進行對比分析，確定BP回歸模型的最佳參數(shù)并進行建模。由圖4可以看出，當(dāng)學(xué)習(xí)速率為0.005、訓(xùn)練次數(shù)為108時，BP模型的RSD最低，建模效果最好，因此BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)設(shè)置為學(xué)習(xí)速率0.005、訓(xùn)練次數(shù)108。

圖4 學(xué)習(xí)速率（a）及訓(xùn)練次數(shù)（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(yōu)選出的特征波段建立回歸模型，建模效果如表4所示，預(yù)測結(jié)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(jīng)網(wǎng)絡(luò)模型效果均優(yōu)于PLS，同時在BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果中，特征波段建模效果又優(yōu)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(yù)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(yù)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(jīng)網(wǎng)絡(luò)特征波段模型檢測結(jié)果的準(zhǔn)確性以及在實際生產(chǎn)中的適用性，在大豆油精煉生產(chǎn)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(jīng)網(wǎng)絡(luò)模型預(yù)測值進行比較，其結(jié)果如表5所示。與鉬藍比色法測得的含磷量結(jié)果相比，BP神經(jīng)網(wǎng)絡(luò)模型測得結(jié)果的相對誤差均在5%以內(nèi)，絕對誤差處于穩(wěn)定可接受水平，表明基于NIR分析技術(shù)建立的含磷量預(yù)測模型整體檢測準(zhǔn)確度較高，適用于于大豆加工企業(yè)的實際生產(chǎn)。

表5 模型的驗證結(jié)果Table 5 Verification results of the model

3 結(jié)論

本研究提出一種運用NIR分析技術(shù)在精煉生產(chǎn)線上實現(xiàn)快速、精準(zhǔn)、無損檢測含磷量的方法。對標(biāo)準(zhǔn)正態(tài)變換法降噪后的光譜數(shù)據(jù)進行SiPLS特征波段提取，優(yōu)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(fù)雜度，提高模型效率。建立大豆原油含磷量的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，通過與PLS對比分析，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型效果最佳，其含磷量的預(yù)測RSD為2.15%，表明基于BP神經(jīng)網(wǎng)絡(luò)的NIR分析用于大豆原油含磷量的快速檢測可行，將其應(yīng)用于大豆原油工業(yè)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(tǒng)誤差，有效提高檢測結(jié)果的準(zhǔn)確性。與國家標(biāo)準(zhǔn)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(huán)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(xù)的酸化脫膠及堿煉工段中酸堿添加量的精準(zhǔn)調(diào)控及時提供數(shù)據(jù)，對大豆油脂企業(yè)生產(chǎn)加工過程中實現(xiàn)節(jié)本降耗及產(chǎn)品質(zhì)量監(jiān)控具有一定的指導(dǎo)意義。