田 晶，李巧玲*

近紅外光譜法快速檢測飲料中的食用合成色素

田 晶，李巧玲*

（河北科技大學生物科學與工程學院，河北 石家莊 050018）

以光譜掃描范圍為1 100～1 650 nm，分辨率為0.2 nm，通過對不同質量濃度的日落黃、檸檬黃、胭脂紅和莧菜紅溶液掃描，得到的原始光譜圖經(jīng)過一階導數(shù)、二階導數(shù)等方法進行預處理。然后通過修正的最小二乘（modified partial least square，MPLS）法結合變量標準化且去散射處理的光譜預處理手段建立相關的MPLS模型。最后利用所建模型，對飲料中的食用合成色素含量進行預測。預測相關系數(shù)最高可達0.991，預測標準差最低為0.009%，相對分析誤差最大為3.51。結果表明，近紅外光譜可作為一種簡單、快速、無損、可靠的方法用于檢測飲料中的食用合成色素。

近紅外光譜；飲料；食用合成色素；檢測

近些年，隨著經(jīng)濟和科技的發(fā)展，準許使用的合成色素越來越多，而且使用的范圍也在逐年擴大[1]。食用色素已被廣泛應用在糕點、飲料、糖果、制造酒、冰淇淋等各種食品的著色上。盡管國家對每種色素的添加量與添加范圍均做了明確規(guī)定，但仍然有許多不法商家為了增加食品的誘人色澤或掩蓋一些產(chǎn)品的不良感官而濫用食用色素。

目前，食用色素的檢測方法主要有：毛細管電泳法[2]、高效液相色譜法[3-4]、超高效液相色譜法[5]、離子對色譜法[6]、高效液相色譜-質譜聯(lián)用法[7]、極譜法、紫外分光光度法等[8-11]，這些檢測方法通常需要對樣品進行預處理，存在耗時長、檢測程序復雜、實驗數(shù)據(jù)處理繁瑣等問題[12]。近紅外光譜分析技術不同于上述有損檢測手段，一般通過化學計量法抽取所需要的特征信息對物質成分進行預測，不需要對樣品進行溶解、稀釋、去除基體干擾等過程，也不需要使用特殊的溶劑溶解被測物質，因此，無有害物質對周圍環(huán)境造成的任何污染。它的主要優(yōu)點是，檢測所需時間極短，檢測程序和實驗數(shù)據(jù)處理簡單，檢測費用低廉，可以很好的滿足普通消費者對產(chǎn)品色素使用安全信息的快速檢測要求，是一種無損產(chǎn)品檢測的方法。近紅外光譜技術在果汁飲料中的應用多集中于對果汁含量、品種及摻偽等方面的檢測[13-20]，在合成色素方面的研究較少[21]。本研究擬結合文獻[22-28]，探索用近紅外光譜檢測飲料中最常添加的食用合成色素的含量。

1 材料與方法

1.1 材料與試劑

橙味飲料、葡萄味飲料、白砂糖 市購；檸檬酸、日落黃、檸檬黃、胭脂紅、莧菜紅標準品（純度＞99.0%） 河北省食品質量監(jiān)督檢驗研究院。

1.2 儀器與設備

NIRSTMDA1650近紅外光譜儀（配有Mosic和WinISI II軟件，帶有樣品杯和金箔杯） 丹麥Foss公司；AL204萬分之一電子天平 梅特勒-托利多儀器（上海）有限公司；PTD-20-3超純水制備儀 上海力新儀器有限公司；PB-10型pH計 德國賽多利斯集團。

1.3 方法

1.3.1 色素標準溶液的配制

母液的配制：稱取白砂糖100 g用超純水溶解，并用檸檬酸調節(jié)pH值，定容至1 000 mL的容量瓶中，配制成糖質量分數(shù)為10%、pH 3.60左右的溶液備用。配制此母液5 份，備用。

標準溶液的配制：準確稱取日落黃和檸檬黃各0.1 g，胭脂紅和莧菜紅各0.05 g，分別用母液定容至50 mL的容量瓶中，作為基準溶液。取上述各不同量基準溶液，分別用母液稀釋后定容至10 mL容量瓶中，配制成不同質量濃度的標準溶液75 份，用于近紅外光譜掃描。

4 種食用合成色素混合標準溶液的配制：依據(jù)GB 2760—2014《食品添加劑使用標準》中食品添加劑的使用規(guī)定，食品添加劑（相同色澤著色劑、防腐劑、抗氧化劑）在混合使用時，各自用量占其最大使用量的比例之和不應超過1[1]的原則，準確量取不同質量濃度的日落黃、檸檬黃、胭脂紅和莧菜紅的基準溶液，分別用母液稀釋后定容至10 mL的容量瓶中，配制成含日落黃、檸檬黃、胭脂紅和莧菜紅不同質量濃度的標準溶液75 份，其質量濃度范圍分別為5～100、5～100、2～50 mg/L和2～50 mg/L，用于近紅外光譜掃描。

1.3.2 光譜數(shù)據(jù)的采集

將不同質量濃度的日落黃、檸檬黃、胭脂紅和莧菜紅色素溶液大約2 mL小心倒入近紅外分析儀的樣品杯中，蓋上反射板，防止光從樣品中溢出。光譜采集過程中環(huán)境溫度保持在25 ℃，儀器工作參數(shù)為：光譜掃描范圍1 100～1 650 nm，分辨率0.2 nm，每份樣品重復采譜3 次，每次掃描時樣品要求重新裝樣，保持裝樣的均一性，取平均漫反射吸光度光譜作為實驗數(shù)據(jù)。

1.3.3 所建模型對飲料中色素含量測定

將所測飲料倒入燒杯中進行水浴加熱除氣，直到?jīng)]有殘留氣體，冷卻到室溫后，用建立的近紅外光譜模型進行測定。并將此結果與GB 5009.35—2016《食品中合成著色劑的測定》[32]進行比較。

1.4 數(shù)據(jù)處理

利用WinISI Ⅱ軟件對采集得到的近紅外光譜圖進行一階導數(shù)、二階導數(shù)、標準正態(tài)變量交換（standard normal variate，SNV）和多元散射校正（multiplication scatter correction，MSC）等幾種光譜預處理方法的效果進行比較。應用修正的最小二乘（modified partial least square，MPLS）法、偏最小二乘（partial least square，PLS）法和主成分回歸（principle component regression，PCR）法3 種數(shù)學校正方法分別建立數(shù)學模型。用模型相關系數(shù)R、交互驗證標準誤差（standard error of cross validation，SECV）、校正標準差（standard error of calibration，SEC）作為模型精度評價指標，用預測相關系數(shù)（correlation coefficient of prediction，Rp）、預測標準差（standard error of prediction，SEP）和相對分析誤差（standard deviation ratio，SDR）檢驗模型的準確度[29-31]。一般情況下，R值越大，SECV和SEC值越小，模型的精度越高。Rp值越大，SEP和SDR值越小，表明模型的預測性能越好。

2 結果與分析

2.1 校正集和驗證集樣品的確立

不同質量濃度的日落黃、檸檬黃、胭脂紅、莧菜紅及4 種合成色素的混合標準溶液各75 份。按照校正集和驗證集比例為2∶1的關系，從不同質量濃度的各溶液中隨機選出50 個樣品作校正集樣品，余下25 個樣品組成獨立驗證集。

2.2 近紅外光譜圖的預處理

近紅外光譜采集時，會產(chǎn)生許多基線漂移、光散射和高頻隨機噪聲等噪聲信息，這些噪聲信息會干擾光譜信息與樣本內(nèi)有效成分，因此對原始光譜進行預處理是十分必要的。導數(shù)處理、MSC、SNV等是最常用的預處理方法。導數(shù)處理可以提供比原光譜更高的分辨率和更清晰的光譜輪廓變化，也可以消除基線漂移或平緩背景干擾的影響。SNV和MSC可以有效地消除散射影響，增強了與成分含量相關的光譜吸收信息[25]。

圖1 樣本（A）、一階導數(shù)處理后（B）和二階導數(shù)處理后（C）日落黃溶液近紅外光譜圖Fig. 1 Original, first derivative and second derivative NIR spectra of sunset yellow solution

圖2 樣本（A）、一階導數(shù)處理后（B）和二階導數(shù)處理后（C）4 種合成色素混合溶液的近紅外光譜圖Fig. 2 Original, first derivative and second derivative NIR spectra of another four synthetic pigments

由圖1A可知，在波長1 370～1 520 nm范圍里包含著日落黃溶液的吸收信息，光譜圖在波長1 450 nm處有最大吸光度。由于原始光譜圖本身包含信息量過少，儀器或其他噪聲對光譜圖影響過大，需通過一階導數(shù)和二階導數(shù)對光譜進行預處理。如圖1B、C所示，其中導數(shù)計算處理采用光譜點間隔數(shù)為4，平滑處理間隔點也為4，不做二次平滑處理。由圖1B可知，在波長1 390 nm有明顯的波谷，在波長1 480 nm有明顯的波峰。由圖1C可知，從波長1 370～1 510 nm區(qū)間與圖1A、B有著明顯的差異性，包含的信息更為豐富，共有3 處波峰、波谷。

圖2與圖1相似，不同質量濃度檸檬黃、胭脂紅和莧菜紅溶液的近紅外光譜圖、一階導數(shù)和二階導數(shù)與圖1相似，在此不再一一列出。

2.3 預測模型的建立

為了建立最優(yōu)飲料中日落黃、檸檬黃、胭脂紅和莧菜紅的預測模型，應當評估不同的數(shù)學處理技術和散射校正方法對模型的影響，選出最佳的預測模型。本研究對6 種預處理方法與3 種統(tǒng)計數(shù)學校正方法相結合建立數(shù)學模型并進行分析對比，以相關系數(shù)R、SEC和SECV作為評價指標，用WinISI Ⅱ分析軟件對于測量數(shù)據(jù)和光譜圖進行分析，用于優(yōu)選出預測能力強的預測模型。表1～3分別為不同光譜預處理的日落黃溶液的MPLS、PLS和PCR的模型對比。

表1 不同光譜預處理方法得到的日落黃MPLS模型精確性Table 1 Influences of different spectral pretreatment methods on the accuracy of MPLS model for sunset yellow

由表1可知，不同質量濃度日落黃溶液的最佳預測模型的光譜預處理方法為SNV去散射。經(jīng)過此種光譜的預處理，能夠有效地消除基線平移，減弱甚至消除光譜圖中的噪聲對光譜圖的影響，相關系數(shù)達到0.941 7，SEC和SECV相對較小，分別為0.008 4和0.012 7。

表2 不同光譜預處理的日落黃PLS模型精確性Table 2 Influence of different spectral pretreatment methods on the accuracy of PLS model for sunset yellow

由表2可知，在所有的預處理方法中，SNV去散射預處理法的相關系數(shù)最高，SEC最小，而一階導數(shù)預處理法中的SECV更低。但綜合來看，在使用PLS作為回歸方法時，SNV去散射仍然是最為合適的光譜前處理方法。PLS模型也能較為有效地消除基線平移和減弱噪聲，但其相關系數(shù)R、SEC和SECV均不如MPLS模型。

表3 不同光譜預處理的日落黃PCR模型精確性Table 3 Influence of different spectral pretreatment methods on the accuracy of PCR model for sunset yellow

由表3可知，與整體PCR模型效果的情況相比，MPLS和PLS的相關系數(shù)均稍微高一些。在所有預處理方法中SNV去散射的相關系數(shù)仍為最高，原始光譜的SEC最小，一階導數(shù)的SECV最小。

綜上，可得MPLS結合SNV去散射為適宜模型處理方法，模型的相關系數(shù)最高可達0.941 7，所建模型對樣品的預測結果較好，能夠滿足快速檢測的實際需要。

通過對不同光譜預處理的胭脂紅、檸檬黃、莧菜紅溶液的MPLS、PLS和PCR模型的對比，發(fā)現(xiàn)MPLS結合SNV去散射所建模型的綜合處理效果要優(yōu)于其他模型，因此決定將MPLS結合SNV去散射的模型處理方法用于處理由不同質量濃度日落黃、胭脂紅、檸檬黃和莧菜紅混合而成的4 種色素溶液，結果如表4所示。

4 種色素的混合溶液在用SNV去散射的預處理后，利用MPLS建立的模型中，檸檬黃色素的結果最好，其相關系數(shù)R最高達到0.943 8，SEC為0.000 3，SECV為0.000 4；日落黃次之，其相關系數(shù)R為0.941 6；胭脂紅和莧菜紅的相關系數(shù)雖然與檸檬黃和日落黃相比較低，但都在0.93以上。

表4 4 種色素的混合溶液經(jīng)過SNV去散射預處理后的MPLS模型結果Table 4 Evaluation of MPLS models developed after SNV detrending pretreatment for four synthetic pigments

表4 4 種色素的混合溶液經(jīng)過SNV去散射預處理后的MPLS模型結果Table 4 Evaluation of MPLS models developed after SNV detrending pretreatment for four synthetic pigments

成分 相關系數(shù)R SEC SECV檸檬黃 0.943 8 0.000 3 0.000 4日落黃 0.941 6 0.000 5 0.002 9胭脂紅 0.937 0 0.004 7 0.006 6莧菜紅 0.938 2 0.002 8 0.004 2

2.4 模型驗證

為了驗證模型的穩(wěn)定性與重復性，利用MPLS結合SNV去散射的最優(yōu)近紅外模型，對驗證集的25 個不同質量濃度的混合色素樣本溶液中的各色素質量濃度進行預測，結果如表5所示。Rp最高為0.991，SEP最低為0.009%，SDR最大為3.51，說明近紅外光譜預測值與不同色素的實測值具有極顯著的相關性，所建定量模型有良好的預測性能。

表5 經(jīng)過SNV去散射預處理后的MPLS模型驗證結果Table 5 Validation of MPLS models developed after SNV detrending pretreatment

表5 經(jīng)過SNV去散射預處理后的MPLS模型驗證結果Table 5 Validation of MPLS models developed after SNV detrending pretreatment

成分 樣品數(shù) Rp SEP/% SDR檸檬黃 25 0.991 0.009 1.51日落黃 25 0.985 0.017 2.19胭脂紅 25 0.971 0.022 3.51莧菜紅 25 0.978 0.028 2.97

2.5 所建模型對飲料中合成色素含量的測定

利用建立的最優(yōu)模型對除氣后的2 種飲料進行測定。葡萄味飲料的配料表中標示的著色劑是胭脂紅、檸檬黃和日落黃；橙味飲料的配料表中標示的著色劑是檸檬黃和莧菜紅。將該法測得的數(shù)據(jù)與GB 5009.35—2016測得數(shù)據(jù)進行比較，檢測結果如表6所示。近紅外光譜法比國標法測得的結果數(shù)值略高，但在誤差范圍內(nèi)。分析可能原因為：近紅外光譜法不需要對樣品進行破壞性處理，樣品中合成色素的損失較少，故數(shù)值略高，但具體原因還有待于進一步探討。

表6 葡萄味和橙味飲料中色素含量Table 6 Comparative determination of pigment contents in grapeflavored and grape-flavored beverages by NIR spectroscopy and the national standard method

3 結 論

采用近紅外光譜技術結合統(tǒng)計數(shù)學處理方法構建飲料中食用合成色素的預測模型。采用一階導數(shù)、二階導數(shù)、SNV和MSC等光譜的預處理方法消除基線漂移、光散射和高頻隨機噪聲等噪聲信息對光譜信息的影響。應用MPLS、PLS和PCR 3種統(tǒng)計數(shù)學處理方法同光譜的預處理方法相結合分別建立數(shù)學模型。通過對比發(fā)現(xiàn)MPLS法結合SNV且去散射處理的光譜預處理手段建立的MPLS模型最優(yōu)。其Rp最高可達0.991，SEP最低為0.009%，SDR最大為3.51。利用此模型可以較為精確地進行飲料中食用合成色素的快速無損檢測。

[1] 國家衛(wèi)生和計劃生育委員會. 食品添加劑使用標準: GB 2760—2014[S]. 北京: 中國標準出版社, 2014: 4-105.

[2] 巫素琴, 溫亞波, 鄒蘭, 等. 毛細管電泳法測定飲料中色素含量的研究[J]. 湛江師范學院學報, 2009, 30(6): 73-77. DOI:10.3969/j.issn.1006-4702.2009.06.018.

[3] 范文銳, 吳青, 勞揚, 等. 高效液相色譜法同時測定食品中的7 種非食用色素[J]. 分析化學, 2012, 40(2): 292-297. DOI:10.3724/SP.J.1096.2012.10288.

[4] 王宏偉, 于同月, 李莎莎, 等. 高效液相色譜法測定食品中的日落黃和檸檬黃[J]. 中國食品添加劑, 2013(6): 190-194. DOI:10.3969/j.issn.1006-2513.2013.06.025.

[5] 張婉, 王覃, 杜寧, 等. 超高效液相色譜法同時測定飲料中5 種人工合成色素[J]. 食品科學, 2011, 32(4): 177-180.

[6] DE ANDRADE F I, FLORINDO G M I. Determination of synthetic food dyes in commercial soft drinks by TLC and ionpair HPLC[J]. Food Chemistry, 2014, 157: 193-198. DOI:10.1016/j.foodchem.2014.01.100.

[7] DIACU E. Colors: properties and determination of synthetic pigments[J]. Encyclopedia of Food and Health, 2016: 284-290.DOI:10.1016/B978-0-12-384947-2.00191-4.

[8] 宋丹萍, 張宏, 李琪. 國內(nèi)外食用色素標準的比較及檢測方法的研究進展[J]. 食品科學, 2014, 35(3): 295-300. DOI:10.7506/spkx1002-6630-201403058.

[9] 鄭學殷, 黃少漫, 李洪燕. 飲料中食用色素的檢測方法研究[J]. 飲料工業(yè), 2012, 16(1): 33-35. DOI:10.3969/j.issn.1007-7871.2013.01.008.

[10] FRANQUELO M L, PEREZ-RODRIGUEZ J L. A new approach to the determination of the synthetic or natural origin of red pigments through spectroscopic analysis[J]. Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy, 2016, 166: 103-111.DOI:10.1016/j.saa.2016.04.054.

[11] SHEN Y, ZHANG X, PRINYAWIWATKUL W, et al. Simultaneous determination of red and yellow artificial food colourants and carotenoid pigments in food products[J]. Food Chemistry, 2014, 157:553-558. DOI:10.1016/j.foodchem.2014.02.039.

[12] ZHAO J, YAO P, YU Z G, et al. Orthogonal design for optimization of pigment extraction from surface sediments of the Chang Jiang River estuary[J]. Acta Oceanological Sinaic, 2011, 30(4): 33-42.DOI:10.1007/s13131-011-0131-6.

[13] 谷如祥, 趙武奇, 石珂心, 等. 近紅外光譜測定蘋果飲料中原果汁含量[J]. 食品工業(yè)科技, 2013, 34(20): 75-77. DOI:10.13386/j.issn1002-0306.2013.20.020.

[14] 谷如祥. 蘋果汁品質近紅外光譜檢測技術研究[D]. 西安: 陜西師范大學, 2014.

[15] 唐長波. 近紅外光譜法快速檢測蘋果濃縮汁中的富馬酸[D]. 楊凌:西北農(nóng)林科技大學, 2007.

[16] ROUSSEL S, BELLON-MAUREL V, GRENIER P, et al.Authenticating white grape must variety with classification models based on aroma sensors, FT-IR and UV spectrometry[J]. Journal of Food Engineering, 2004, 60(4): 407-419. DOI:10.1016/S0260-8774(03)00064-5.

[17] REID L M, WOODCOCK T, O’ DOMMELL C P, et al.Differentiation of apple juice samples on the basis of heat treatment and variety using chemometric analysis of MIR and NIR data[J].Food Research International, 2005, 38(10): 1109-1115. DOI:10.1016/j.foodres.2005.03.005.

[18] CHEN J Y, ZHANG H, MATSUNAGA R. Rapid determination of the main organic acid composition of raw Japanese apricot fruit juices using near-infrared spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2006, 54(26): 7437-7452. DOI:10.1021/jf061461s.

[19] LEON L, KELLY J D, DOWNEY G. Detection of apple juice adulteration using near-infrared transilectance spectroscopy[J]. Apple Spectroscopy,2005, 59(5): 593-599. DOI:10.1366/0003702053945921.

[20] 劉紅, 張明, 姜明洪, 等. 近紅外光譜技術在飲料中的應用研究[J]. 飲料工業(yè), 2017, 20(1): 69-73. DOI:10.3969/j.issn.1007-7871.2017.01.023.

[21] 李積慧, 杜國榮, 康俊, 等. 陰離子交換樹脂結合近紅外漫反射光譜測定碳酸飲料中日落黃[J]. 分析化學, 2011, 39(6): 898-901.DOI:10.3724/SP.J.1096.2011.00898.

[22] 任廣鑫, 范起業(yè), 何鑫, 等. 近紅外光譜(NIRS)技術在茶葉領域研究中的應用與展望[J]. 中國茶葉加工, 2013(1): 24-29. DOI:10.15905/j.cnki.33-1157/ts.2013.01.008.

[23] 蘇東林, 李高陽, 何建新, 等. 近紅外光譜分析技術在我國大宗水果品質無損檢測中的應用研究進展[J]. 食品工業(yè)科技, 2012, 33(6):460-464. DOI:10.13386/j.issn1002-0306.2012.06.109.

[24] ZHANG K, XU Y J, JOHNSON L, et al. Development of near-infrared spectroscopy models for quantitative determination of cellulose and hemicellulose contents of big bluestem[J]. Renewable Energy, 2017,109: 101-109. DOI:10.1016/j.renene.2017.03.020.

[25] DE MARCHI M, MANUELIAN C L, TON S, et al. Prediction of sodium content in commercial processed meat products using near infrared spectroscopy[J]. Meat Science, 2017, 125: 61-65.DOI:10.1016/j.meatsci.2016.11.014.

[26] LI S, ZHANG X, SHAN Y, et al. Qualitative and quantitative detection of honey adulterated with high-fructose corn syrup and maltose syrup by using near-infrared spectroscopy[J]. Food Chemistry, 2017, 218:231-236. DOI:10.1016/j.foodchem.2016.08.105.

[27] 孫柏玲, 劉君良, 柴宇博. 基于近紅外光譜和偏最小二乘法的慈竹纖維蘇結晶度預測研究[J]. 光譜學與光譜分析, 2011, 31(2):366-369. DOI:10.3964/j.issn.1000-0593(2011)02-0366-05.

[28] KUCHERYAVSKIY S, LOMBORG C J. Monitoring of whey quality with NIR spectroscopy-a feasibility study[J]. Food Chemistry, 2015,176: 271-277. DOI:10.1016/j.foodchem.2014.12.086.

[29] 湯修映, 牛力釗, 徐楊, 等. 基于可見/近紅外光譜技術的牛肉含水率無損檢測[J]. 農(nóng)業(yè)工程學報, 2013, 29(11): 248-253. DOI:10.3969/j.issn.1002-6819.2013.11.032.

[30] 李民贊. 光譜分析技術及其應用[M]. 北京: 科學出版社, 2002.

[31] 張曉偉, 王加華, 王昌祿, 等. 基于近紅外光譜技術檢測紅曲米中的紅曲色素[J]. 現(xiàn)代食品科技, 2014, 30(5): 273-279. DOI:10.13982/j.mfst.1673-9078.2014.05.008.

[32] 國家衛(wèi)生和計劃生育委員會. 食品中合成著色劑的測定: GB 5009.35—2016[S]. 北京: 中國標準出版社, 2016: 1-6.

Rapid Determination of Synthetic Pigments in Fruit-Flavored Beverage by Near Infrared Spectroscopy

TIAN Jing, LI Qiaoling*
(College of Bioscience and Bioengineering, Hebei University of Science and Technology, Shijiazhuang 050018, China)

A rapid method based on near infrared (NIR) spectroscopy was developed for the determination of synthetic pigments in fruit-flavored beverage. NIR spectra of sunset yellow, tartrazine, ponceau 4R and amaranth solutions at different concentrations were recorded in the wavenumber range of 1 100–1 650 nm at a 0.2 nm interval, respectively and preprocessed by first derivative and second derivative. The modified partial least square (MPLS) regression models were established after spectral preprocessing by standard normal variate (SNV) + detrending and applied to predict the synthetic pigment contents in beverage. The results showed that the maximum correlation coefficient of prediction (Rp) was 0.991,the minimum standard error of prediction (SEP) was 0.009%, and the maximum standard deviation ratio (SDR) was 3.51.Accordingly, NIR spectroscopy can be used as a simple, rapid, nondestructive and reliable method to determine the contents of synthetic pigments in beverage.

near infrared spectroscopy; fruit-flavored beverage; synthetic food pigments; determination

10.7506/spkx1002-6630-201802046

TS207.3

A

1002-6630（2018）02-0293-05

田晶, 李巧玲. 近紅外光譜法快速檢測飲料中的食用合成色素[J]. 食品科學, 2018, 39(2): 293-297.

10.7506/spkx1002-6630-201802046. http://www.spkx.net.cn

TIAN Jing, LI Qiaoling. Rapid determination of synthetic pigments in fruit-flavored beverage by near infrared spectroscopy[J]. Food Science, 2018, 39(2): 293-297. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-201802046. http://www.spkx.net.cn

2017-05-27

河北省科技計劃項目（15455507D）；河北科技大學五大平臺開放基金項目（SW04）

田晶（1992—），女，碩士研究生，研究方向為食品安全與檢測。E-mail：1035959330@qq.com

*通信作者簡介：李巧玲（1973—），女，教授，博士，研究方向為食品安全與檢測。E-mail：lql98119@126.com