王加華，王 軍，王一方，韓東海*

（1.許昌學(xué)院食品與生物工程學(xué)院，河南 許昌 461000；2.中國(guó)農(nóng)業(yè)大學(xué)食品科學(xué)與營(yíng)養(yǎng)工程學(xué)院，北京 100083；3.許昌市食品藥品監(jiān)督管理局，河南 許昌 461000）

基于近紅外光譜技術(shù)的腐竹脂肪定量分析

王加華1，王 軍1，王一方2,3，韓東海2,*

（1.許昌學(xué)院食品與生物工程學(xué)院，河南 許昌 461000；2.中國(guó)農(nóng)業(yè)大學(xué)食品科學(xué)與營(yíng)養(yǎng)工程學(xué)院，北京 100083；3.許昌市食品藥品監(jiān)督管理局，河南 許昌 461000）

采用近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法，建立腐竹脂肪含量的快速分析方法。收集不同生產(chǎn)線、不同時(shí)間的腐竹樣本180 份，利用積分球附件采集漫反射光譜（4 000～10 000 cm-1）。為消除顆粒散射影響和光譜基線漂移，二階導(dǎo)數(shù)和卷積平滑用于光譜預(yù)處理。采用反向區(qū)間偏最小二乘法、組合區(qū)間偏最小二乘法、搜索組合移動(dòng)窗口偏最小二乘法和遺傳偏最小二乘法優(yōu)化建模變量，最終構(gòu)建了定量預(yù)測(cè)模型。結(jié)果顯示，4 種方法均可有效地提取信息變量、降低模型維度、提高預(yù)測(cè)性能；遺傳偏最小二乘法一次優(yōu)選獲得143 個(gè)變量，構(gòu)建的模型性能最佳，其校正相關(guān)系數(shù)、校正均方根誤差、預(yù)測(cè)相關(guān)系數(shù)、預(yù)測(cè)均方根誤差分別為0.96、0.95、0.92和1.17。研究表明，經(jīng)過(guò)信息變量提取后所構(gòu)建的近紅外模型簡(jiǎn)單、預(yù)測(cè)精度高，可用于腐竹脂肪含量的日常監(jiān)測(cè)。

近紅外光譜；腐竹；脂肪；變量提??；定量分析

腐竹是我國(guó)典型的傳統(tǒng)干制豆制品，生產(chǎn)歷史悠久，用傳統(tǒng)加工工藝，反映地方和民族特色，它是一個(gè)民族長(zhǎng)期適應(yīng)的自然選擇。腐竹是豆?jié){中的蛋白質(zhì)分子在變性過(guò)程中與脂肪分子相聚合而形成的薄膜（蛋白質(zhì)-脂質(zhì)膜），具有良好的風(fēng)味性、營(yíng)養(yǎng)性、健康性和安全性，能為人體提供均衡能量，長(zhǎng)期以來(lái)深受人們的喜愛。

國(guó)內(nèi)外學(xué)者大多關(guān)注腐竹成膜理論[1]、工藝優(yōu)化[2-4]、膜結(jié)構(gòu)和特性[5-7]等方面，而對(duì)于成品腐竹的品質(zhì)檢測(cè)研究較少。脂肪是腐竹重要的營(yíng)養(yǎng)成分之一，且脂肪含量

越高，膜的透水率越低、阻水性越強(qiáng)，防腐效果越好，貨架期就越長(zhǎng)[8]，因此腐竹脂肪的測(cè)定對(duì)于質(zhì)量評(píng)級(jí)、生產(chǎn)控制具有重要意義。目前，腐竹脂肪測(cè)定采用常規(guī)測(cè)試方法，效率低、費(fèi)時(shí)費(fèi)力，不能滿足腐竹規(guī)?；a(chǎn)的需求。因此，對(duì)于腐竹脂肪檢測(cè)，迫切需求一種快速、可實(shí)施在線監(jiān)控的分析技術(shù)。

近紅外光譜記錄的是含氫基團(tuán)X—H（X：C、N、O）單個(gè)化學(xué)鍵的基頻振動(dòng)的倍頻和合頻信息，動(dòng)植物性食品的成分大多由這些基團(tuán)構(gòu)成，基團(tuán)的吸收頻譜表征了這些成分的化學(xué)結(jié)構(gòu)和含量，因此近紅外光譜分析技術(shù)已廣泛用于果蔬[9-10]、畜產(chǎn)食品[11-12]、水產(chǎn)品[13-14]、糧油[15-16]、茶葉[17-18]、藥食材料[19-20]等品質(zhì)指標(biāo)檢測(cè)。腐竹的紅外光譜受含氫基團(tuán)的重疊主導(dǎo)，信息豐富，為近紅外分析提供了理論基礎(chǔ)，但對(duì)于腐竹品質(zhì)近紅外檢測(cè)應(yīng)用尚未見報(bào)道。

本實(shí)驗(yàn)以傳統(tǒng)食品腐竹為研究對(duì)象，比較研究反向區(qū)間偏最小二乘法（backward interval partial least squares，BiPLS）、組合區(qū)間偏最小二乘法（synergy interval partial least squares，SiPLS）、搜索組合移動(dòng)窗口偏最小二乘法（searching combination moving window partial least squares，SCMWPLS）和遺傳偏最小二乘法（genetic algorithms partial least squares，GAPLS）優(yōu)化腐竹脂肪信息變量的效果，并構(gòu)建定量分析模型，以期為實(shí)現(xiàn)腐竹脂肪含量的綠色、快速檢測(cè)提供一定的參考依據(jù)。

1 材料與方法

1.1 材料與試劑

腐竹樣品 許昌某豆制品加工企業(yè)。

為獲取代表性樣品，分別在a、b、c、d四條不同生產(chǎn)線上，連續(xù)15 d收集生產(chǎn)的成品，在每條線生產(chǎn)的初、中和末3 個(gè)時(shí)期各收集3 個(gè)樣品，共有180 份獨(dú)立樣品。樣品密封于封口袋，包裝后運(yùn)回實(shí)驗(yàn)室，并分別標(biāo)號(hào)后備用。

1.2 儀器與設(shè)備

ANTARISⅡ型傅里葉變換近紅外光譜儀（配備積分球采集附件、InGaAs檢測(cè)器） 美國(guó)Thermo Fisher Nicolet公司；R254S型索氏提取器 德國(guó)Behr實(shí)驗(yàn)儀器設(shè)備公司；AUY220型電子分析天平（精度0.1 mg）日本島津公司；HB-DK-S26型電熱恒溫水浴鍋 北京恒奧德儀器儀表有限公司；DHG-9023A型鼓風(fēng)烘箱 沈陽(yáng)林頻實(shí)驗(yàn)設(shè)備有限公司；JYL-C012型料理機(jī) 九陽(yáng)股份有限公司。

1.3 方法

1.3.1 光譜采集

腐竹樣品經(jīng)粉碎后，過(guò)18 目篩后加入到樣品杯，采集腐竹的積分球漫反射光譜。為獲取代表性的腐竹光譜，采用自動(dòng)旋轉(zhuǎn)樣品杯附件采集，采集光譜范圍4 000～10 000 cm-1，分辨率8 cm-1，旋轉(zhuǎn)杯偏心距為8 mm，掃描32 次取平均。

1.3.2 脂肪化學(xué)值測(cè)定

采用索氏抽提法測(cè)定腐竹脂肪含量，方法參照GB/T 5009.6—2003《食品中脂肪的測(cè)定》。

1.3.3 化學(xué)計(jì)量學(xué)方法

BiPLS和SiPLS是N?rgaard[21]提出的區(qū)間偏最小二乘（interval partial least squares，iPLS）法的改進(jìn)和演化。BiPLS是將整個(gè)光譜分割成k 個(gè)等寬子區(qū)間，分別計(jì)算各子區(qū)間的交互驗(yàn)證均方根誤差（root mean square error of cross-validation，RMSECV）值，然后逐步去除RMSECV最大的區(qū)間i（i=0、1、2…k），在剩余的k-i區(qū)間上建立偏最小二乘法（partial least squares，PLS）模型，并給出相應(yīng)的RMSECV值。當(dāng)RMSECV值最小時(shí)所對(duì)應(yīng)的多個(gè)區(qū)間即為所優(yōu)化的組合區(qū)間。SiPLS是在各子區(qū)間上，計(jì)算所有可能的j（2≤j≤h）個(gè)子區(qū)間組合模型，依RMSECV值大小給出各個(gè)組合區(qū)間，當(dāng)RMSECV值最小時(shí)該組合區(qū)間為最優(yōu)區(qū)間組合。

SCMWPLS[22]是基于移動(dòng)窗口偏最小二乘法（moving window partial least squares，MWPLS）基本原理的演化，計(jì)算步驟簡(jiǎn)述如下：1）在給定最大窗口p下，計(jì)算1～p所有窗口下的MWPLS，獲取不同寬度的信息區(qū)間，在所得信息區(qū)間里選擇殘差最小的區(qū)間作為基礎(chǔ)信息區(qū)間A；2）以基礎(chǔ)信息區(qū)間A為基準(zhǔn)，在剩余信息區(qū)間（除基礎(chǔ)信息區(qū)間A）里依次選擇單個(gè)區(qū)間與信息區(qū)間A進(jìn)行組合，并計(jì)算殘差，殘差最小時(shí)，得到最優(yōu)組合信息區(qū)間A和B；3）再以信息區(qū)間A和B為基準(zhǔn)，重復(fù)步驟2），得到最佳信息區(qū)間組合信息區(qū)間A+B+C；4）按上述方法重復(fù)計(jì)算，至組合計(jì)算次數(shù)結(jié)束。結(jié)果輸出每步組合下的信息區(qū)間和殘差。最小殘差信息組合即為最優(yōu)結(jié)果。

GAPLS[23]是引用生物界物種競(jìng)爭(zhēng)選擇的進(jìn)化機(jī)制，以適應(yīng)度函數(shù)為依據(jù)，通過(guò)對(duì)群體中個(gè)體施加遺傳操作，如選擇、交叉、變異，來(lái)實(shí)現(xiàn)群體內(nèi)個(gè)體結(jié)構(gòu)重組的迭代優(yōu)化。采用遺傳算法選擇特征變量，由于每次運(yùn)行初始參數(shù)不同，如初始群體選擇，交叉變異位置等，輸出的0～1二進(jìn)制編碼各異，因此，獨(dú)立運(yùn)行100 次，以RMSECV為目標(biāo)函數(shù)選取出現(xiàn)頻率較高的變量。

BiPLS、SiPLS、SCMWPLS和GAPLS程序均在MATLAB V7.0中實(shí)現(xiàn)。

2 結(jié)果與分析

2.1 光譜特征及預(yù)處理

腐竹是蛋白質(zhì)分子在變性過(guò)程中與多糖和脂肪通

過(guò)分子間的相互作用而形成的可食性膜，具有多孔網(wǎng)絡(luò)結(jié)構(gòu)，光譜信息豐富，且相互重疊。腐竹原始積分球漫反射光譜如圖1a所示，光譜形狀相似，在5 155 cm-1和6 890 cm-1處為水分子O—H伸縮和HOH彎曲振動(dòng)的組合頻，8 310 cm-1處為水分子O—H比較弱的組合頻吸收。受顆粒散射影響，光譜基線漂移嚴(yán)重，二階導(dǎo)數(shù)可以消除基線漂移，且可以放大光譜信號(hào)，圖1b為二階導(dǎo)數(shù)（2D）和卷積平滑（7點(diǎn)3階多項(xiàng)式S-G平滑）處理后的光譜，處理后消除了基線漂移，4 230～6 080 cm-1區(qū)間信號(hào)更加豐富，而且也使6 3 2 9～6 8 2 8、8 060～8 650 cm-1區(qū)間的光譜差異凸顯。

圖1 腐竹原始光譜（a）和二階導(dǎo)數(shù)平滑處理后光譜（b）Fig.1 Spectra of yuba obtained from original data (a) and 2-Der with S-G smothering pretreatment (b)

在建立校正模型前，采用TQ軟件程序V8.0，在95%置信度下進(jìn)行Chauvenet檢驗(yàn)（置信度95%），剔除異常光譜。剩下的樣本依據(jù)化學(xué)值大小排序，依3∶1左右分為校正集和預(yù)測(cè)集，化學(xué)值的最大和最小樣本歸為校正集，統(tǒng)計(jì)參數(shù)如表1所示。

表1 腐竹校正集和預(yù)測(cè)集樣品化學(xué)值統(tǒng)計(jì)表Table 1 Statistics of fat content in yuba for calibration and prediction data sets

2.2 BiPLS模型

考察區(qū)間分割數(shù)對(duì)選擇結(jié)果及模型的影響，將整條光譜（1 557 個(gè)數(shù)據(jù)點(diǎn)）分為k個(gè)子區(qū)間（k=10～50，間隔5），在每種分割情況下運(yùn)行BiPLS程序。采用留一法計(jì)算RMSECV，最大因子數(shù)設(shè)為10。

當(dāng)分割數(shù)為40時(shí)，BiPLS所得RMSECV值最小為1.45，入選子區(qū)間為[8 31 6 21 34 4 13 20 26]，所對(duì)應(yīng)的信息區(qū)間分別是4 451～4 597、4 752～4 898、5 053～5 199、5 805～5 951、6 858～7 155、7 760～7 907、8 512～ 8 659 cm-1和8 964～9 110 cm-1，如圖2上方所示。BiPLS共選擇了351 個(gè)數(shù)據(jù)點(diǎn)，占全譜的25.5%。區(qū)間變量表征了腐竹脂肪分子振動(dòng)信息，如4 587、4 545 cm-1附近是C=O伸縮振動(dòng)合頻吸收，5 865、5 900 cm-1附件主要是甲基C—H伸縮振動(dòng)一倍頻吸收，7 092 cm-1為油脂中O—H一倍頻吸收，5 128 cm-1和8 622 cm-1是C=O伸縮振動(dòng)的二倍頻和四倍頻吸收，8 547 cm-1為不飽和脂肪酸中烯烴的C—H二倍頻吸收。

圖2 BiPLS和SiPLS信息區(qū)間選擇結(jié)果Fig.2 Informative regions obtained by BiPLS and SiPLS procedures

在上述信息區(qū)間內(nèi)建立BiPLS模型，校正和預(yù)測(cè)結(jié)果如表3所示，其校正相關(guān)系數(shù)（R）和校正均方根誤差（root mean square error of calibration，RMSEC）分別為0.90、1.48；其預(yù)測(cè)相關(guān)系數(shù)（r）、相對(duì)預(yù)測(cè)均方根誤差（relative prediction mean square error，RMSEP）分別為0.89和1.53，優(yōu)于全譜PLS模型（r=0.86，RMSEP=1.68），但數(shù)據(jù)點(diǎn)顯著減少。

2.3 SiPLS模型

在使用SiPLS程序時(shí)，不同的子區(qū)間數(shù)和組合數(shù)對(duì)輸出結(jié)果均有影響。在本實(shí)驗(yàn)中，也將光譜分為k個(gè)子區(qū)間（k=10～50，間隔5），在不同分割數(shù)下，分別計(jì)算不同組合數(shù)（1～4）下的結(jié)果。

當(dāng)分割數(shù)為40時(shí)，入選子區(qū)間為[8 20 28 31]，所得RMSECV值最小為1.56，此時(shí)所選擇的信息區(qū)間是5 053～5 199、6 858～7 004、8 061～8 208 cm-1和8 512～8 659 cm-1，如圖2下方所示。SiPLS共選擇了156 個(gè)數(shù)據(jù)點(diǎn)，占全譜的10%。SiPLS選擇波段中5 053～5 199、6 858～7 004 cm-1和8 512～8 659 cm-1與BiPLS選擇結(jié)果相同，反映了腐竹脂肪特征吸收；而在8 208 cm-1附近主要反映了乙基C—H二倍頻吸收。在信息區(qū)間建立模型SiPLS，預(yù)測(cè)結(jié)果如表3所示，其r、RMSEP分別為0.87和1.60，其模型性能接近BiPLS模型，但是建模數(shù)據(jù)進(jìn)一步減少到156 個(gè)。

2.4 SCMWPLS模型

SCMWPLS運(yùn)行參數(shù)如下：基礎(chǔ)區(qū)間計(jì)算窗口大小為k（k=4～300，間隔1），次級(jí)區(qū)間窗寬為2，組合次數(shù)為100，最大因子數(shù)為10。

根據(jù)上述方法運(yùn)行SCMWPLS程序，當(dāng)k=201時(shí)，所得RMSECV值最小為1.54，對(duì)應(yīng)基礎(chǔ)信息區(qū)間為7 328～8 100 cm-1，主要表征的是C—H的二倍頻和合頻吸收。在此基礎(chǔ)區(qū)間上，SCMWPLS進(jìn)行最優(yōu)搜索組合，最終RMSECV最小達(dá)到1.48，所獲得的次級(jí)信息區(qū)間分別為5 053～5 151、8 613～8 624 cm-1，共有29 個(gè)數(shù)據(jù)點(diǎn)，5 128 cm-1附近是—CO2R官能團(tuán)的C=O伸縮振動(dòng)二倍頻吸收，而在8 622附近是C=O伸縮振動(dòng)四倍頻吸收。SCMWPLS共選擇了230 個(gè)數(shù)據(jù)點(diǎn)，占全譜的14.8%，在上述信息變量下建立SCMWPLS模型，預(yù)測(cè)結(jié)果如表3所示，其r、RMSEP分別為0.90和1.49，其模型預(yù)測(cè)性能略優(yōu)于BiPLS和SiPLS模型。

2.5 GAPLS模型

當(dāng)光譜變量數(shù)超過(guò)200時(shí)，運(yùn)行GAPLS可能導(dǎo)致過(guò)擬合的風(fēng)險(xiǎn)[21]。本實(shí)驗(yàn)在此作兩步處理：1）將整條光譜數(shù)據(jù)分割成8 個(gè)子區(qū)間，在每個(gè)子區(qū)間下運(yùn)行GAPLS，將每個(gè)子區(qū)間下的最小RMSECV值對(duì)應(yīng)的變量選出，重新構(gòu)造一個(gè)光譜矩陣M，在新矩陣M下建立GAPLS1模型；2）在光譜矩陣M下，再運(yùn)行GAPLS，二次選擇信息變量，并建立GAPLS2模型。

GAPLS運(yùn)行參數(shù)分別為：種群大小30，入選變量數(shù)最大值30，變異概率0.01，交叉概率0.5，最大因子數(shù)10。獨(dú)立運(yùn)行100 次，計(jì)算每個(gè)數(shù)據(jù)點(diǎn)標(biāo)識(shí)為“1”的概率。入選變量以RMSECV為目標(biāo)函數(shù)，當(dāng)滿足F檢驗(yàn)（P＜0.1）時(shí)為最佳結(jié)果。

首先將1 557個(gè)數(shù)據(jù)點(diǎn)分割成8 個(gè)子區(qū)間，在每個(gè)子區(qū)間下運(yùn)行GAPLS，輸出最小RMSECV值和對(duì)應(yīng)的變量數(shù)，如表2所示，在第6個(gè)子區(qū)間（7 837～8 601 cm-1）內(nèi)，RMSECV值最低，且模型具有較低的維度，表明在此區(qū)間變量表征了腐竹脂肪分子振動(dòng)信息。

表2 不同子區(qū)間下GAPLS選擇結(jié)果Table 2 Results of GAPLS in different intervals

GAPLS一次優(yōu)化共選擇了143 個(gè)數(shù)據(jù)點(diǎn)，占全譜的9.2%，采用上述143 個(gè)變量重新構(gòu)造一個(gè)光譜矩陣M（圖3），新矩陣光譜差異明顯，排除了較多的非目標(biāo)信息變量。在矩陣M下建立GAPLS1模型，其R、RMSECV分別為0.96和0.95，采用外部44 個(gè)樣品檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)性能，散點(diǎn)圖如圖4所示，預(yù)測(cè)結(jié)果r、RMSEP分別為0.92和1.17（表3），顯著優(yōu)于全譜PLS、BiPLS和SiPLS模型，且變量數(shù)最小。

圖3 經(jīng)分段處理后GAPLS重構(gòu)光譜矩陣Fig.3 Reconstruction spectrum matrix obtained by GAPLS after segmented treatment

圖4 GAPLS1模型預(yù)測(cè)結(jié)果散點(diǎn)圖Fig.4 Plots of measured firmness value vs. GAPLS1 predicted value

圖5 GA-PLS程序運(yùn)行結(jié)果（a）變量選擇概率（b）不同變量數(shù)下的RMSSEECCVV值Fig.5 Variables selections accomplished by GA-PLS

在新矩陣M下再次運(yùn)行GAPLS選擇變量，入選變量數(shù)與RMSECV值關(guān)系如圖5b所示，當(dāng)有25 個(gè)變量入選時(shí)，即圖5a中水平線為所選擇的變量，RMSECV值達(dá)到最小（1.564）。由表3可得，GAPLS二次所選的25 個(gè)變量中有15 個(gè)變量來(lái)源于表2中的第6個(gè)子區(qū)間，進(jìn)一步說(shuō)

明了該區(qū)間包含了較多的腐竹脂肪信息變量，主要是脂肪烴的C—H二倍頻吸收，與表2所示該區(qū)間RMSECV值最小相一致。采用所選25 個(gè)變量構(gòu)建模型GAPLS2，預(yù)測(cè)結(jié)果如表3所示，其r、EMSEP分別為0.87和1.60，與BiPLS和SiPLS相當(dāng)，但數(shù)據(jù)使用量?jī)H為全譜的1.6%。

表3 腐竹脂肪的不同PLS模型及性能評(píng)價(jià)結(jié)果Table 3 Results of PLS modeling for fat content of yuba and evaluation of the performance of their corresponding models

3 3 結(jié) 論

應(yīng)用積分球附件采集腐竹樣品近紅外漫反射光譜，經(jīng)過(guò)導(dǎo)數(shù)和平滑處理，以消除顆粒散射影響和基線漂移，探討B(tài)iPLS、SiPLS、SCMWPLS和GAPLS四種方法優(yōu)化腐竹脂肪信息變量的有效性，并構(gòu)建預(yù)測(cè)模型。結(jié)果表明經(jīng)變量?jī)?yōu)化后，BiPLS、SiPLS、SCMWPLS和GAPLS四種方法的入選變量數(shù)分別為351、156、230 個(gè)和143 個(gè)，分別占全譜的變量數(shù)（1 557 個(gè)變量數(shù)）的22.5%、10%、14.8%、9.2%。用GAPLS一次優(yōu)選變量（143 個(gè)數(shù)據(jù)點(diǎn)）所構(gòu)建的GAPLS1模型最優(yōu)，其R、RMSECV、r、RMSEP分別為0.96、0.95、0.92和1.17；在重構(gòu)光譜矩陣基礎(chǔ)上，進(jìn)行GAPLS二次優(yōu)化獲得25 個(gè)變量，所構(gòu)建的GAPLS2模型性能與全譜相當(dāng)。結(jié)果表明：近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法可用于構(gòu)建腐竹脂肪定量模型，信息變量提取可簡(jiǎn)化模型，提高預(yù)測(cè)性能，同時(shí)顯示了近紅外光譜技術(shù)在腐竹營(yíng)養(yǎng)指標(biāo)快速評(píng)價(jià)方面的應(yīng)用潛力。

[1] CHEN Y, YAMAGUCHI S, ONO T. Mechanism of the chemical composition changes of yuba prepared by a laboratory processing method[J]. Journal of Agricultural and Food Chemistry, 2009, 57(9): 3831-3836.

[2] LONG Lei, HAN Zhi, ZHANG Xiujin, et al. Effects of different heating methods on the production of protein-lipid film[J]. Journal of Food Engineering, 2007, 82(3): 292-297.

[3] MARIA B P, JOHN M K. Drying temperature effect on water vapor permeability and mechanical properties of whey protein-lipid emulsion films[J]. Journal of Agricultural and Food Chemistry, 2000, 48(7): 2687-2692.

[4] 謝麗燕, 林瑩, 譚瑤瑤, 等. 正交試驗(yàn)優(yōu)化傳統(tǒng)腐竹制作工藝[J]. 食品科學(xué), 2014, 35(2): 36-40.

[5] ZHELUDEVA S, NOVIKOVA N, STEPINA N, et al. Molecular organization in protein-lipid film on the water surface studied by X-ray standing wave measurements under total external reflection[J]. Spectrochimica Acta Part B, 2008, 63(12): 1399-1403.

[6] KOKOSZKA S, DEBEAUFORT F, LENARTA A, et al. Liquid and vapour water transfer through whey protein/lipid emulsion films[J]. Journal of the Science of Food and Agriculture, 2010, 90(5): 1673-1680.

[7] CHEN Y, ONO T. The mechanisms for yuba formation and its stable lipid[J]. Journal of Agricultural and Food Chemistry, 2010, 58(10): 6485-6489.

[8] 歐錦強(qiáng), 王興國(guó), 金青哲. 大豆組分對(duì)腐竹性能的影響[J]. 中國(guó)油脂, 2005, 30(2): 37-40.

[9] NICOLA? B M, BEULLENSA K, BOBELYNA E, et al. Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: a review[J]. Postharvest Biology and Technology, 2007, 46(2): 99-118.

[10] 劉燕德, 高榮杰, 孫旭東. 便攜式水果內(nèi)部品質(zhì)近紅外檢測(cè)儀研究進(jìn)展[J]. 光譜學(xué)與光譜分析, 2010, 30(10): 2874-2878.

[11] 樊玉霞. 豬肉肉糜品質(zhì)與安全可見/近紅外光譜快速檢測(cè)方法的實(shí)驗(yàn)研究[D]. 杭州: 浙江大學(xué), 2011.

[12] 王田子, 鄭麗敏, 田立軍, 等. 近紅外在乳及乳制品質(zhì)量檢測(cè)中的研究進(jìn)展[J]. 光譜學(xué)與光譜分析, 2010, 30(12): 3208-3212.

[13] 徐文杰, 李俊杰, 賈丹, 等. 近紅外光譜技術(shù)分析草魚營(yíng)養(yǎng)成分[J].食品科學(xué), 2013, 34(20): 161-164.

[14] 徐文杰, 劉茹, 洪響聲, 等. 基于近紅外光譜技術(shù)的淡水魚品種快速鑒別[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2014, 30(1): 253-258.

[15] 王加華, 王一方, 屈凌波. 糧食品質(zhì)近紅外光譜無(wú)損檢測(cè)研究進(jìn)展[J].河南工業(yè)大學(xué)學(xué)報(bào): 自然科學(xué)版, 2011, 32(6): 80-87.

[16] 劉建學(xué), 劉珊珊. 芝麻油真?zhèn)慰焖贆z測(cè)方法研究[J]. 中國(guó)糧油學(xué)報(bào), 2012, 27(12): 116-121.

[17] 張龍, 潘家榮, 朱誠(chéng). 基于近紅外光譜的不同發(fā)酵類型茶葉判別[J].食品科學(xué), 2012, 33(20): 149-152.

[18] 寧井銘, 宛曉春, 張正竹, 等. 近紅外光譜技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)判別普洱茶發(fā)酵程度[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(6): 255-260.

[19] 湯麗華, 劉敦華. 基于近紅外光譜的枸杞化學(xué)成分定量分析[J]. 現(xiàn)代食品科技, 2013, 29(9): 2306-2310.

[20] 趙羚志. 短波近紅外光譜技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)用于藥物無(wú)損定量分析的研究[D]. 長(zhǎng)春: 吉林大學(xué), 2009.

[21] N?RGAARD L, SAUDLAND A, WAGNER J, et al. Interval partial least squares regression (iPLS): a comparative chemometric study with an example from near-infrared spectroscopy[J]. Applied Spectroscopy, 2000, 54(3): 413-419.

[22] DU Yiping, LIANG Yizeng, JIANG Jianhui, et al. Spectral regions selection to improve prediction ability of PLS models by changeable size moving window partial least squares and searching combination moving window partial least squares[J]. Analytica Chimica Acta, 2004, 501(2): 183-191.

[23] LEARDI R. Application of genetic algorithm-PLS for feature selection in spectral data sets[J]. Journal of Chemometrics, 2000, 14(5): 643-655.

Determination of Fat Content in Yuba by Near Infrared Spectroscopy and Chemometrics

WANG Jia-hua1, WANG Jun1, WANG Yi-fang2,3, HAN Dong-hai2,*

(1. College of Food and Biological Engineering, Xuchang University, Xuchang 461000, China; 2. College of Food Science and Nutritional Engineering, China Agricultural University, Beijing 100083, China; 3. Xuchang Food and Drug Administration, Xuchang 461000, China)

The objective of this study was to develop a method to determine the fat content in yuba by nea r infrared (NIR) spectroscopy combined with chemometrics. A total of 180 yuba samples collected at different occasions from different production lines were tested by NIR spectroscopy. The diffuse ref l ectance spectra (4 000 10 000 cm-1) were collected using an integrating sphere attachment. In order to eliminate the particle scattering and baseline drift, the NIR ref l ectance spectra were preprocessed by 2ndorder derivative with Savitzky-Golay. Backward interval partial least squares (BiPLS), synergy interval partial least squares (SiPLS), searching combination moving window partial least squares (SCMWPLS) and genetic algorithms partial least squares (GAPLS) were employed to extract informative variables and construct quantitative models for the fat content in yuba. After comparison, the best model was obtained by GAPLS method with 143 data points. The correlation coeff i cient (r) was 0.96 and the root mean square error of cross-validation (RMSECV) was 0.95 in calibration set, and the r was 0.92 and the root mean square error of prediction (RMSEP) was 1.17 in prediction set. This work demonstrates that variables extraction methods not only allow selection of the NIR informative variables for the fat content of yuba and simplify the models, but also highlight the potential of NIR technique for assessing the quality of yuba on-line.

near infrared spectroscopy (NIRS); yuba; fat; variables extraction; quantitative detection

O657.3；TS214.2

A

1002-6630（2014）18-0136-05

10.7506/spkx1002-6630-201418027

2013-12-03

國(guó)家自然科學(xué)基金青年科學(xué)基金項(xiàng)目（31401579）；河南省科技攻關(guān)計(jì)劃項(xiàng)目（122102210247）

王加華（1979—），男，副教授，博士，研究方向?yàn)槭称焚|(zhì)量控制與檢測(cè)技術(shù)。E-mail：w.jiahua@163.com

*通信作者：韓東海（1958—），男，教授，博士，研究方向?yàn)槭称焚|(zhì)量無(wú)損檢測(cè)技術(shù)。E-mail：handh@cau.edu.cn