覃統(tǒng)佳,劉 冬,從彥麗,*,黃林森,唐旭蔚,周志航

(1.深圳職業(yè)技術學院應用化學與生物技術學院,廣東深圳 518000;2.深圳大學化學與環(huán)境工程學院,廣東深圳 518000)

面粉是我國北方大部分地區(qū)的主食,因其較高的營養(yǎng)價值成為國家重要的商品糧食。蛋白質(zhì)、脂肪、碳水化合物是面粉的重要營養(yǎng)成分,是營養(yǎng)標簽必須標明的營養(yǎng)信息,是消費者購買食物時衡量食品營養(yǎng)價值的依據(jù),含水率的高低對面粉的存儲及加工起至關重要的作用。因此,水分、脂肪、碳水化合物和蛋白質(zhì)的含量是面粉必須檢測的項目。

目前面粉中水分、脂肪、碳水化合物和蛋白質(zhì)含量的檢測仍依賴化學方法,效率低下,成本較高,操作復雜,污染較大,周期較長,人員要求高,無法實現(xiàn)快速高效地監(jiān)控面粉的品質(zhì)。與傳統(tǒng)分析技術相比,近紅外光譜技術具有分析速度快、效率高、成本低、重現(xiàn)性好、樣品預處理簡單、無污染和便于在線分析等優(yōu)點[1-2],在薯類[3-4]、果類[5-6]酒類[7-8]、肉類[9-10]等領域中得到廣泛應用。因此,開發(fā)一種面粉組分快速便捷的檢測方法,以便于企業(yè)及工商執(zhí)法部門對面粉品質(zhì)的及時監(jiān)控。

近年來,相關學者利用近紅外光譜法對小麥面粉品質(zhì)進行了研究。金華麗等[11]、孫曉榮等[12]采用偏最小二乘法建立小麥面粉水分含量的近紅外檢測模型,其決定系數(shù)均在0.9以上。趙環(huán)[13]、韋紫玉等[14]、王旭等[15]通過偏最小二乘法結合相應的光譜預處理算法,建立了小麥蛋白質(zhì)含量的近紅外光譜模型,均取得較高的預測準確性。賴立群等[16]通過比較BP神經(jīng)網(wǎng)絡和偏最小二乘法所建立的小麥蛋白質(zhì)近紅外定標模型,結果表明BP神經(jīng)網(wǎng)絡所建立的模型穩(wěn)定性更佳。此外,近紅外光譜技術還被廣泛應用在面粉的過氧化苯甲酰[17]和濕面筋[18]、發(fā)芽率定量[19]和品種鑒別[20]等方面。而面粉的脂肪和碳水化合物含量的測定鮮見報道。

本研究用化學計量學方法將樣品中的近紅外光譜信息與國標法測定面粉中水分、脂肪、碳水化合物和蛋白質(zhì)含量進行關聯(lián),基于偏最小二乘法(Partial least squares,PLS)和向后閾值區(qū)間偏最小二乘法(Backward interval PLS,BiPLS),建立了面粉中同時測定水分、脂肪、碳水化合物和蛋白質(zhì)含量的近紅外定量模型,并對兩種方法所建模型的精度進行分析比較,探討近紅外法分析面粉成分含量的可靠性。以期為面粉生產(chǎn)企業(yè)實現(xiàn)在線檢測和品質(zhì)控制提供可能,也為食品質(zhì)量檢測部門的日常監(jiān)管提供一種方便快捷的檢測方法。

1 材料與方法

1.1 材料與儀器

面粉 以面粉在網(wǎng)購平臺的市場占有量為導向,選取了68種不同類型的品種,其幾乎囊括網(wǎng)購平臺所有類型的面粉。各產(chǎn)地樣品數(shù)如下:山東16、河南11、河北11、廣東6、江蘇4、山西4、內(nèi)蒙古3、(安徽、吉林、甘肅、北京、四川、上海)各1種;三大類加工精度如下:多用途面粉23種,麥仁25種,低中高筋面粉20種;乙醚、石油醚、濃鹽酸、濃硫酸、硼酸、硫酸鉀、硫酸銅、乙醇 均為分析純,國藥集團化學試劑有限公司。

AntarisII型傅立葉近紅外分析儀 賽默飛世爾科技有限公司;BSA224S型分析天平 賽多利斯科學儀器(北京)有限公司;IQS-1600型電陶爐 佛山市順德區(qū)艾瑪詩電器有限公司;DHG-9123A型電熱恒溫鼓風干燥箱 上海精宏實驗設備有限公司;Centrifuge 5810R型離心機 德國Eppendorf公司;SXL-1208型程控箱式電爐 上海精宏實驗設備有限公司;Kjeltec8400型自動凱氏定氮儀 FOSS公司。

1.2 實驗方法

1.2.1 國標法測定面粉中四種組分含量 水分:直接干燥法GB 5009.3-2016;脂肪:酸水解法GB 5009.6-2016;灰分:總灰分法GB 5009.4-2016;蛋白質(zhì):凱氏定氮法GB 5009.5-2016。

1.2.2 近紅外光譜采集 將面粉過篩,孔徑為80目,得到粒徑大小、均勻程度一致的面粉,用近紅外光譜儀對樣品進行光譜采集。每個樣品掃描3次取平均光譜。采用樣品杯旋轉(zhuǎn)采樣的方式,掃描溫度為室溫,掃描波長范圍為10000～4000 cm-1,掃描次數(shù)為64次,分辨率為8.0 cm-1。

1.2.3 樣品的劃分與異常樣品的剔除 將近紅外光譜與面粉各組分含量測定值輸入TQ Analyst光譜分析軟件,利用軟件自帶算法從68個樣品中篩選出58個作為校正集,其余10個作為驗證集。為了減少異常光譜與異常化學值對預測模型的影響,利用馬氏距離法[21]和參考值與差值關系圖進行異常樣品的剔除。

1.2.4 模型的建立 為消除采集光譜時光程不恒定、基線偏移、隨機噪聲等影響,提高模型穩(wěn)健性,對近紅外光譜儀采集的面粉光譜進行預處理[22]。光譜預處理方法有不校正、多元散射校正(multiplicative signal correction,MSC)、標準正態(tài)變量變換(standard normal variate,SNV)、一階導數(shù)(first derivative,1st)和二階導數(shù)(second derivative,2nd)、卷積平滑處理(Savitzky-Golay filter,S-G)和導數(shù)濾波(Norris derivative filter,N-D)等。剔除異常樣品后,分別使用各種預處理方法對樣品光譜數(shù)據(jù)進行優(yōu)化,選擇近紅外全光譜波段建立PLS模型,篩選出最佳預處理方法,在此基礎上,選擇向后閾值區(qū)間偏最小二乘法(Backward interval PLS,BiPLS)進行模型的建立,對比兩種方法模型的性能,選取其中最優(yōu)的光譜區(qū)段和預處理方法建立面粉各組分含量的近紅外定量模型。

1.2.5 評價參數(shù) 本研究采用7個參數(shù)綜合評價模型的性能,分別為最佳因子數(shù)、相關系數(shù)(Rcv)、交互驗證均方根誤差(root mean square error of cross validation,RMSECV)、預測相關系數(shù)(correlation coefficient of prediction,Rp)、預測均方根誤差(root mean square error of prediction,RMSEP)、校正標準差(root mean square error of calibration,RMSEC)和相對分析誤差(residual predictive deviation,RPD)。根據(jù)預測殘差平方和(PRESS)選擇最佳因子數(shù),在PRESS出現(xiàn)第一個極小值處的因子數(shù)即為最佳因子數(shù),同一模型中相關系數(shù)Rcv和Rp越接近于1,而RMSECV、RMSEP和RMSEC越接近于0,且三者之間不存在顯著性差異,則說明定量模型穩(wěn)健性和預測性越好。當1.52.5時,模型有很好的預測性能[23]。

1.3 數(shù)據(jù)處理

化學值采用Microsoft Excel 2016軟件進行極差分析和顯著性檢驗。根據(jù)國標法測定面粉水分、脂肪、蛋白質(zhì)和灰分含量的原始數(shù)據(jù),對每個組分的四個平行數(shù)據(jù)進行取舍。采用格魯布斯法(Grubs)在顯著性α=0.05下剔除可疑值,確保極差符合國標要求,得到平均值。根據(jù)四種成分含量,由差減法公式[24]:碳水化合物(%)=[100-(水分+脂肪+灰分+蛋白質(zhì))]%,得到碳水化合物的含量。光譜數(shù)據(jù)采用近紅外光譜儀自帶的化學計量學軟件TQ Analyst 9.5.0.76進行處理。

2 結果與分析

2.1 光譜分析

近紅外光譜儀對68種樣品進行光譜采集,獲得各樣品的原始平均光譜圖如圖1所示。

圖1 面粉樣本原始近紅外光譜圖Fig.1 Original near infrared spectroscopy of floor samples

由圖1可知,面粉各樣品吸光度集中在0.95以下,均在近紅外儀器的響應范圍內(nèi)。在不同波長下,各個樣品近紅外光譜的波峰、波谷和走勢較為一致,說明各個樣品之間的組成性質(zhì)較為一致。而在同一波長下,各個樣品之間的吸光度不完全重疊,體現(xiàn)出面粉樣品之間各組分含量的差異性。

2.2 面粉各組分含量結果分析

國標法測定68種樣品的水分,脂肪,碳水化合物,蛋白質(zhì)含量結果如表1。由表1可知,面粉中的水分,碳水化合物和蛋白質(zhì)的含量,其校正集的標準偏差均大于1.49%,校正集標準偏差較大,說明建模集樣品各含量分布范圍較廣,用于建模的樣品具有一定的代表性。預測集的標準偏差均大于1.64%,說明用于外部驗證的樣品各組分含量分布合理,樣品的采集具有一定的代表性。面粉中脂肪含量的標準偏差為0.56%和0.45%,較其他三種成分的偏低,可能是因為面粉自身脂肪含量不高,且各樣本間差別較小,故脂肪含量亦滿足建立近紅外光譜定量預測模型的基本要求。

表1 國標法檢測面粉中水分、脂肪、碳水化合物和蛋白質(zhì)含量(g/100 g)Table 1 Detection of moisture,fat,carbohydrates and protein content in wheat flour by GB method(g/100 g)

驗證集的四種成分含量均落在校正集的范圍之內(nèi),校正集與驗證集的平均值亦接近,說明校正集和驗證集劃分合理,模型具有代表性和預測性。

2.3 異常樣品的剔除

將樣品的近紅外光譜數(shù)據(jù)和參考值導入TQ Analyst軟件中,經(jīng)MSC和中心化處理后,選擇PLS方法建立近紅外全光譜定標模型。通過馬氏距離法篩選在化學組成上與其他樣品有顯著差異的樣品,通過參考值與預測值關系圖篩選出參考值與預測值有顯著差異的樣品。圖2為面粉樣品近紅外光譜的馬氏距離分布圖,圖3為面粉樣品水分、脂肪、碳水化合物和蛋白質(zhì)的參考值對參考值與預測值差值的關系圖。

圖3 面粉水分(a)、脂肪(b)、碳水化合物(c)和蛋白質(zhì)(d)的參考值與殘差圖Fig.3 Reference values and residuals of flour moisture(a),fat(b),carbohydrate(c)and protein(d)

圖2 面粉樣品的馬氏距離檢驗圖Fig.2 Mahalanobis distance test of flour samples

由圖2可以看出面粉樣品的馬氏距離主要集中在0.3～1.6之間,55、59和62號樣品較大,處于1.8～2.0之間,軟件自動優(yōu)化功能建議對其進行剔除,但它們與其他樣品離群不顯著,為了進一步確認其是否為異常樣品,避免剔除有效數(shù)據(jù),需要結合參考值與差值關系圖。

由圖3a可以看出55、59和66號樣品的水分的參考值與差值均大于0.69,亦明顯離群,故視為異常樣品。圖3b結果顯示,55號樣品的參考值與差值分別為2.34、-0.10 g/100 g,均分布在密集區(qū),59和62號樣品參考值為3.02、2.91 g/100 g,差值為-0.32、0.32 g/100 g,兩側(cè)分布較均勻,離群不顯著,均在可接受范圍內(nèi),不予剔除。圖3c得知,55、59和66號樣品參考值分別為75.41、73.87、74.17 g/100 g,均分布在正常范圍內(nèi),差值分別為-1.17、-0.63、0.78 g/100 g,離群不明顯,不能舍去。由圖3d可知,36、40、41號面粉樣品明顯離群,其蛋白質(zhì)含量僅為0.27～0.42 g/100 g,而其他樣品蛋白質(zhì)含量均在6.9 g/100 g以上,經(jīng)查證,這三個樣品均為面粉淀粉,經(jīng)過精加工后蛋白質(zhì)丟失嚴重造成,為了減少這種樣品對蛋白質(zhì)定量模型的影響,將其視為異常樣品,從校正集和驗證集中刪去。

2.4 光譜預處理

由于面粉顆粒尺寸,均勻性等的影響,光程無法保持恒定,用多元信號矯正(MSC)或標準正則變換(SNV),結合微分和平滑對光譜進行處理,消除光譜測量中的基線漂移,放大和分離重疊信息,提高信噪比,提高模型穩(wěn)健度[25]。將剔除異常樣品后的各樣品化學測定值與近紅外全光譜進行關聯(lián),分別比較17種不同光譜預處理方式的性能,篩選出面粉各組分PLS模型的最佳光譜預處理方法。表2～表4為基于全光譜的PLS法在不同光譜預處理下所建立面粉水分、脂肪、碳水化合物和蛋白質(zhì)的定量模型。

表2 不同預處理的面粉水分的全波段PLS模型結果Table 2 Results of the full-band PLS model of flour moisture with different pretreatment

表4 不同預處理的面粉碳水化合物的全波段PLS模型結果Table 4 Full-band PLS model results for different pretreated flour carbohydrates

由表2可知,在原始光譜所建的面粉水分PLS模型中,Rcv和Rp和RPD分別為0.9723、0.9900和5.38,RMSECV和RMSEP分別為0.327、0.305,模型有較高的相關系數(shù)和RPD和較低的均方根誤差,說明面粉水分含量與近紅外光譜之間存在較好的相關關系,能夠滿足近紅外光譜用于面粉水分定量分析的要求。但經(jīng)過MSC、SNV和一階導數(shù)處理后,模型效果普遍得到一定程度的改善,其中,SNV處理下的面粉水分模型為最佳模型,其Rcv、Rp和RPD為0.9826、0.9955和6.80,RMSECV和RMSEP分別為0.260、0.241,與原始光譜模型相比,SNV模型取得了更高的相關系數(shù)和更低的均方根誤差,說明其模型有更好的穩(wěn)健性與預測性。

由表3可知,所有預處理方法均取得較高的相關系數(shù)和較低的均方根誤差,其中SNV為最佳預處理方法,其Rcv、Rp和RPD為最大,分別為0.9653、0.9896和5.86,RMSEC、RMSEP和RMSECV僅為0.103、0.077、0.144,且它們之間不存在顯著差異,說明面粉脂肪含量與近紅外光譜間存在較強的相關性。

表3 不同預處理的面粉脂肪的全波段PLS模型結果Table 3 Full-band PLS model results for different pretreated flour fats

由表4可知,對于面粉碳水化合物來說,單一預處理方法所建模型效果普遍低于不同組合預處理方法所建模型。與其他模型相比較,僅采用二階導數(shù)處理的模型,雖然其RMSEP高達0.9977,RMSEC亦遠低于其他模型,低至0.041,但其RMSECV和RMSEP卻高達1.020和0.533,明顯高于其他模型,RMSEC、RMSECV和RMSEP之間存在明顯差異,說明模型信息提取不充分。而SNV+2nd+ND處理后,模型的Rcv、Rp為0.9941和0.9968,RPD從9.77提高到11.96,RMSECV從0.445降低到0.354,且RMSEC、RMSECV和RMSEP之間的差異不顯著,說明SNV+2nd+ND處理后,模型的預測性能明顯改善,SNV+2nd+ND為最佳的預處理方法。

由表5可知,對于面粉的蛋白質(zhì)來說,SNV+1st+ND為最佳的預處理方法,其Rcv、Rp、RPD分別高達0.9949、0.9991和33.93,RMSEC、RMSECV和RMSEP分別為0.119、0.197和0.107,較高的相關系數(shù)和較低的均方根誤差說明面粉蛋白質(zhì)含量與近紅外光譜之間具有極強的相關性。

表5 不同預處理的面粉蛋白質(zhì)的全波段PLS模型結果Table 5 Full-band PLS model results of different pretreated flour proteins

綜上所述,經(jīng)過預處理的光譜所建立的模型普遍優(yōu)于原始光譜所建模型,說明光譜預處理能夠有效地降低由儀器、樣品背景等產(chǎn)生的噪聲、基線偏移和光散射等因素對模型效果的不良影響。而不同預處理方法對模型預測性能有差異,其中,基于全光譜的PLS定量模型中,面粉水分、脂肪、碳水化合物和蛋白質(zhì)模型的最優(yōu)預處理方法分別為SNV、SNV、SNV+2nd+ND和SNV+1st+ND。

2.5 基于向后區(qū)間偏最小二乘法(BiPLS)的面粉近紅外光譜模型優(yōu)化

BiPLS法是N?rgaard等[26]對iPLS法的改進,是一種“只出不進”譜區(qū)選擇方法。其原理是將全光譜分為N個等寬的區(qū)間,然后每次剔除一個子區(qū)間,用剩下的(N-1)個子區(qū)間進行組合來建立PLS模型,比較各種組合下的模型效果,其中RMSECV最小時所剔除的子區(qū)間為性能最差的子區(qū)間,此時的聯(lián)合區(qū)間為最佳的建模區(qū)間。以此類推,直到剩下一個區(qū)間為止。本研究利用上述篩選出的最佳預處理方法,將整個近紅外光譜譜區(qū)(10000～4000 cm-1)平均分為6個等寬的光譜子區(qū)間,對應的光譜范圍分別[1]5000～4000 cm-1;[2]6000～5000 cm-1;[3]7000～6000 cm-1;[4]8000～7000 cm-1;[5]9000～8000 cm-1;[6]10000～9000 cm-1。除了通過RMSECV評價模型外,還要綜合其他6個參數(shù)對模型進行評價,從而分別篩選出最佳的譜曲組合,分別得到5個性能最佳BiPLS定量模型,并與全光譜所建立的PLS定量模型進行比較。表6為5個最佳聯(lián)合子區(qū)間與全光譜所建立定量模型的性能。

由表6可知,BiPLS法與全光譜PLS法所建立的模型均取得了較高的相關系數(shù)和較低的均方根誤差,且RPD均大于2.86,表明兩種方法所建立的面粉水分、脂肪、碳水化合物和蛋白質(zhì)定量模型均具有較好的預測性能。

表6 基于BiPLS法的最優(yōu)模型性能比較Table 6 Performance comparison of optimal models based on BiPLS method

水分的BiPLS法模型中,隨著聯(lián)合區(qū)間的減少,模型的RPD呈現(xiàn)下降趨勢,可能原因是去除了與水分有關的光譜信息造成了模型預測性能的下降。其中,與全光譜PLS模型相比,使用光譜波段為[1 2 4 5 6]所建立的BiPLS模型性能最佳,其因子數(shù)降為6,RPD增加到7.56,而模型的Rcv和RMSECV與全光譜PLS模型相當,為0.9812和0.270。

而脂肪的聯(lián)合區(qū)段為[1 2 3 6]的BiPLS模型性能最佳,相較于全光譜PLS模型,其Rcv和RMSECV相當,分別為0.9650和0.145,而Rp和RPD略有上升,說明其預測性能略有優(yōu)勢。

對于碳水化合物來說,BiPLS模型隨著波的減少,因子數(shù)亦有所減少。其中,波段區(qū)間為[2]的模型最佳,與全光譜模型比較,其Rcv和Rp有所增加,為0.9949和0.9970,而且RMSECV和RMSEP略有下降,為0.328和0.383,說明模型整體性能更優(yōu)。

相較于全光譜,蛋白質(zhì)的光譜區(qū)段為[2 6]的BiPLS模型因子數(shù)、RMSECV和RMSEP更低,分別為9、0.195和0.091,而Rcv和Rp達到0.9950和0.9994,RPD從33.93增加到40.07,說明面粉蛋白質(zhì)BiPLS模型取得很好的預測效果。

利用以上最佳聯(lián)合光譜區(qū)段和最佳的預處理方法,將近紅外光譜與面粉化學參考值相關聯(lián),建立的面粉水分、脂肪、碳水化合物和蛋白質(zhì)近紅外定量模型結果如圖4所示。

圖4 面粉水分(a)、脂肪(b)、碳水化合物(c)和蛋白質(zhì)(d)的參考值與預測值關系圖Fig.4 Diagram of reference values and predictive values for flour moisture(a),fat(b),carbohydrates(c)and protein(d)

由圖4可知,面粉樣品各組分均勻地分布在回歸線的兩側(cè),校正集與驗證集回歸線趨于一致,模型預測值與國標測定值之間基本一致,所建面粉近紅外模型的預測效果很好,表明4種組分的近紅外光譜和它們的參考值具有顯著的線性相關性,模型可用于面粉水分、脂肪、碳水化合物和蛋白質(zhì)的快速檢測。

3 結論

本文將近紅外光譜與面粉水分、脂肪、碳水化合物和蛋白質(zhì)國標測定值進行關聯(lián),通過對比不同預處理方法建立的全光譜PLS模型篩選出最佳預處理方法,應用BiPLS法進一步確定出最佳建模譜區(qū),結果表明BiPLS法建立的模型略優(yōu)于全光譜建立的PLS模型。所建立的面粉水分、脂肪、碳水化合物和蛋白質(zhì)的定量模型校正集相關系數(shù)Rcv分別為0.9812、0.9650、0.9949和0.9950,RMSECV分別為0.270、0.145、0.328、和0.195,驗證集相關系數(shù)Rp分別為0.9963、0.9926、0.9970和0.9994,RMSEP分別為0.217、0.061、0.380和0.091。較高的相關系數(shù)和較低的RMSECV,RMSEP說明模型具有良好的穩(wěn)健性和預測性。因此,所建立的近紅外定量模型適用于面粉水分、脂肪、碳水化合物和蛋白質(zhì)的快速監(jiān)測,既能為面粉生產(chǎn)企業(yè)實現(xiàn)在線監(jiān)測和品質(zhì)控制提供可能,又能為食品質(zhì)量監(jiān)督部門的日常監(jiān)管提供理論依據(jù)。