張 晶 郭 軍 張美莉 張 鑫 鄂晶晶

(內(nèi)蒙古農(nóng)業(yè)大學(xué)食品科學(xué)與工程學(xué)院，呼和浩特 010018)

關(guān)鍵字 蕎麥 營(yíng)養(yǎng)成分 近紅外 快速檢測(cè)模型

蕎麥?zhǔn)寝た剖w麥屬的一種雙子葉作物，栽培歷史悠久，常見(jiàn)的栽培品種為甜蕎和苦蕎[1-3]。蕎麥營(yíng)養(yǎng)全面，富含蛋白質(zhì)、膳食纖維、維生素及黃酮類(lèi)化合物等其他生物活性物質(zhì)[4]。能夠降低患痔瘡、便秘、結(jié)腸癌和憩室病的風(fēng)險(xiǎn)，調(diào)節(jié)血糖和血膽固醇水平，對(duì)冠狀動(dòng)脈心臟疾病甚至癌癥有抑制作用[5,6]。目前國(guó)際上對(duì)食品中各種營(yíng)養(yǎng)成分的測(cè)定大多采用經(jīng)典方法，蛋白質(zhì)是反映蕎麥品質(zhì)的主要指標(biāo)，國(guó)際上通常用凱氏定氮法測(cè)定蛋白質(zhì)含量，具有準(zhǔn)確度和精密度高的優(yōu)點(diǎn)，但存在著費(fèi)時(shí)費(fèi)工、污染環(huán)境的缺點(diǎn)[7-9]；淀粉是蕎麥的核心成分，占比60%～70%，淀粉含量的測(cè)定主要是水解滴定法，該方法步驟繁瑣、耗時(shí)且滴定結(jié)果易受試驗(yàn)條件的影響，誤差較大；脂肪的測(cè)定主要是索式抽提法，該方法精確度高，但存在用時(shí)長(zhǎng)、溶劑消耗量大且需要索氏抽提器等缺點(diǎn)[10]；水分及灰分的測(cè)定主要通過(guò)干燥法和灼燒法，該方法耗時(shí)長(zhǎng)、對(duì)操作者要求高，人為誤差因子較大[11,12]。因此，亟需一種快速、準(zhǔn)確的蕎麥營(yíng)養(yǎng)成分含量檢測(cè)方法。

近紅外是指波長(zhǎng)介于780～2 526 nm的電磁波，主要用于有機(jī)物的定性和定量分析[13]。近紅外光照射到物質(zhì)后，會(huì)發(fā)生吸收、透射、散射、全反射和漫反射，能反映物質(zhì)分子中含氫基團(tuán)的種類(lèi)和數(shù)量，可以體現(xiàn)出不同基團(tuán)或者同一基團(tuán)在不同的環(huán)境中產(chǎn)生的光譜在吸收峰值位置和強(qiáng)度上的不同，隨著樣品內(nèi)部成分組成或結(jié)構(gòu)的變化，其光譜特征也發(fā)生相應(yīng)變化[14-17]。近紅外光譜技術(shù)具有分析速度快、適用性廣、樣品無(wú)需前處理、不用試劑、不污染環(huán)境、操作簡(jiǎn)單和廉價(jià)等優(yōu)點(diǎn)，還可實(shí)現(xiàn)全自動(dòng)操作，減少人工測(cè)試帶來(lái)的隨機(jī)誤差，具有較高的精密度和重現(xiàn)性，在農(nóng)作物品質(zhì)分析方面廣泛應(yīng)用[18,19]。目前有學(xué)者利用近紅外光譜技術(shù)采集小麥、燕麥、蕎麥、藜麥等的近紅外光譜圖，并對(duì)光譜圖進(jìn)行預(yù)處理后建立了相應(yīng)的蛋白質(zhì)、脂肪、纖維等含量的快速檢測(cè)模型[20-26]；Arazuri S等[27]利用近紅外軟件自帶分析模塊，建立了小麥流變學(xué)參數(shù)預(yù)測(cè)模型，預(yù)測(cè)效果較好。近紅外光譜技術(shù)已經(jīng)成熟運(yùn)用到農(nóng)產(chǎn)品品質(zhì)檢測(cè)中，但利用近紅外光譜技術(shù)建立蕎麥營(yíng)養(yǎng)成分含量快速檢測(cè)模型的相關(guān)研究鮮有報(bào)道。

本研究利用PE近紅外光譜儀采集甜蕎近紅外漫反射光譜圖，對(duì)原始光譜進(jìn)行預(yù)處理，結(jié)合甜蕎水分、灰分、脂肪、蛋白質(zhì)、淀粉的化學(xué)值，利用Spectrum Quant軟件的PLS分析模塊建立甜蕎各營(yíng)養(yǎng)成分的近紅外快速檢測(cè)模型，并比較化學(xué)測(cè)量值與模型預(yù)測(cè)值的差異性從而驗(yàn)證模型的準(zhǔn)確性。本研究對(duì)蕎麥營(yíng)養(yǎng)成分高效、快速檢測(cè)具有一定的參考價(jià)值。

1 材料與方法

1.1 材料

樣品：從內(nèi)蒙古及其他省區(qū)采集甜蕎樣品共66份。

儀器：PerkinElmer SP8000近紅外光譜儀；K9860全自動(dòng)凱氏定氮儀；SH220N石墨消解爐；HK-08多功能粉碎機(jī)。

1.2 方法

1.2.1 樣品處理

蕎麥種子和蕎麥米清理除雜后粉碎過(guò)80目篩，蕎麥面粉直接過(guò)80目篩，密封，-20 ℃冷藏備用。

1.2.2 營(yíng)養(yǎng)成分的測(cè)定

水分測(cè)定：參照GB 5009.3—2016；灰分測(cè)定：參照GB 5009.4—2016；脂肪測(cè)定：參照GB 5009.6—2016；蛋白質(zhì)測(cè)定：參照GB 5009.5—2016；淀粉測(cè)定：參照GB 5009.9—2016；每個(gè)樣品測(cè)定3次，取平均值。

1.2.3 樣品光譜采集

使用PerkinElmer近紅外積分球光譜分析儀在室溫下對(duì)樣品進(jìn)行光譜采集，將樣品置于樣品杯中，避免產(chǎn)生空隙，在波數(shù)為12 500～4 000 cm-1范圍內(nèi)掃描，分辨率16 cm-1，每個(gè)樣品重復(fù)3次，每次掃描32次。

1.2.4 樣本集的劃分

將樣品隨機(jī)分為訓(xùn)練樣本集和驗(yàn)證樣本集，訓(xùn)練樣本集用于建立模型，驗(yàn)證樣本集用于驗(yàn)證模型的準(zhǔn)確性。

1.2.5 光譜預(yù)處理

在建立模型前需要對(duì)光譜進(jìn)行預(yù)處理以消除光譜偏移或基線變化等對(duì)模型的影響。導(dǎo)數(shù)處理可以有效的消除基線和其他背景的干擾，提高靈敏度和分辨率；標(biāo)準(zhǔn)正態(tài)變量變換、多元散射校正可以消除粒度分布不均勻及散射影響；去趨勢(shì)算法用于消除漫反射帶來(lái)的基線漂移。

1.2.6 模型的建立

訓(xùn)練樣本集樣品近紅外掃描光譜圖經(jīng)過(guò)預(yù)處理之后與相應(yīng)的水分、灰分、脂肪、蛋白質(zhì)、淀粉含量結(jié)合，利用軟件Spectrum Quant偏最小二乘模塊建立各營(yíng)養(yǎng)成分快速檢測(cè)模型。以交叉驗(yàn)證決定系數(shù)R2、標(biāo)準(zhǔn)分析誤差和標(biāo)準(zhǔn)預(yù)測(cè)誤差為參數(shù)來(lái)確定最佳建模方法，R2越大說(shuō)明實(shí)測(cè)值與預(yù)測(cè)值相關(guān)性越好，模型的準(zhǔn)確度越高，SEE、SEP值越小，說(shuō)明模型預(yù)測(cè)精度越高。

1.2.7 模型的驗(yàn)證

利用所建立的各營(yíng)養(yǎng)成分快速檢測(cè)模型對(duì)驗(yàn)證樣本集樣本的水分、灰分、脂肪、蛋白質(zhì)和淀粉含量進(jìn)行預(yù)測(cè)，將預(yù)測(cè)值與真值進(jìn)行T檢驗(yàn)，判定預(yù)測(cè)值與真值的顯著性差異，并以外部驗(yàn)證決定系數(shù)R2為指標(biāo)來(lái)評(píng)價(jià)模型的預(yù)測(cè)能力。

2 結(jié)果與分析

2.1 甜蕎營(yíng)養(yǎng)成分測(cè)定結(jié)果

甜蕎水分、灰分、脂肪、蛋白質(zhì)及淀粉含量測(cè)定結(jié)果見(jiàn)表1。

從表1可以看出，甜蕎水分10.30～14.32 g/100 g，灰分0.62～2.53 g/100 g，脂肪1.11～4.00 g/100 g，蛋白質(zhì)6.68～18.15 g/100 g，淀粉56.03～77.60 g/100 g，各營(yíng)養(yǎng)成分含量分布較廣，說(shuō)明甜蕎樣品具有較高的代表性和差異性，適合建立近紅外光譜分析模型。

2.2 甜蕎原始近紅外光譜圖

66個(gè)甜蕎樣品原始近紅外漫反射光譜圖見(jiàn)圖1。

甜蕎在光譜10 000～4 000 cm-1范圍內(nèi)存在多個(gè)吸收峰，樣品近紅外光譜變化趨勢(shì)一致但是不重合，表明不同樣本間重現(xiàn)性良好又存在差異。樣品之間的差異可能是受到噪聲和操作的影響，需要對(duì)光譜進(jìn)行預(yù)處理。

2.3 模型的建立

2.3.1 樣本集的劃分

訓(xùn)練樣本集和驗(yàn)證樣本集隨機(jī)劃分結(jié)果見(jiàn)表2?？梢钥闯鲇?xùn)練樣本集和驗(yàn)證樣本集樣品各營(yíng)養(yǎng)成分含量的最大值、最小值及均值與總樣本接近，表明訓(xùn)練集和驗(yàn)證集的分組合理，具有代表性；驗(yàn)證樣本集樣品各營(yíng)養(yǎng)成分含量的均值與標(biāo)準(zhǔn)差與訓(xùn)練樣本集相似，且驗(yàn)證樣本集包含在訓(xùn)練樣本集內(nèi)，表明驗(yàn)證樣本集所選的樣本合理，可以用于模型的驗(yàn)證。

表2 樣本集劃分結(jié)果

2.3.2 不同光譜預(yù)處理方試對(duì)模型的影響

光譜采集過(guò)程中受到儀器狀態(tài)、外界環(huán)境及人員操作等因素的影響，光譜數(shù)據(jù)中除了測(cè)定樣品的結(jié)構(gòu)和組成信息，也包含了噪聲、散射和基線漂移等背景以及其他干擾信息，這些干擾會(huì)影響模型的可靠性和穩(wěn)定性，因此在建立模型前需要對(duì)光譜進(jìn)行預(yù)處理以消除光譜偏移或基線變化等對(duì)模型的影響[13,28]。不同預(yù)處理方式對(duì)模型效果的影響見(jiàn)表3。可以看出，不同的光譜預(yù)處理方式對(duì)模型的準(zhǔn)確度有影響。可能是計(jì)算方法的不同，一階或二階導(dǎo)數(shù)處理是近紅外常用的基線校正方法，一階求導(dǎo)可以消除光譜中扁平的基線，二階求導(dǎo)可消除光譜中傾斜的基線；SNV用于消除固體顆粒大小、表面散射和光程變化的影響；MSC可以消除粒度分布不均勻及散射影響；去趨勢(shì)算法常用于SNV法處理之后，用于消除漫反射帶來(lái)的基線漂移。

表3 不同預(yù)處理方式對(duì)模型的影響

續(xù)表3

對(duì)樣品進(jìn)行建模不是由一個(gè)特定的方法來(lái)確定的，有的處理方法可以改善建模效果，有的方法可能由于本身處理的特點(diǎn)而帶入其他信息，使建模效果降低。因此，建模時(shí)應(yīng)根據(jù)不同檢測(cè)目的、樣品狀態(tài)、儀器性能等情況，選擇適宜的數(shù)據(jù)處理方法，以期獲得最佳建模效果。訓(xùn)練樣本集樣品原始近紅外漫反射光譜圖進(jìn)行最佳預(yù)處理后的光譜圖見(jiàn)圖2。

蕎麥灰分含量快速檢測(cè)模型建立的最佳光譜預(yù)處理方式為全波長(zhǎng)范圍內(nèi)進(jìn)行一階導(dǎo)數(shù)處理、SNV及去趨勢(shì)算法，此時(shí)模型的交叉驗(yàn)證決定系數(shù)R2可達(dá)94.086 2，SEE值為0.08；蛋白質(zhì)快速檢測(cè)模型的最佳光譜預(yù)處理方式為SNV、去趨勢(shì)算法及二階導(dǎo)數(shù)處理，建立的模型交叉驗(yàn)證決定系數(shù)R2可達(dá)99.897 5%，SEE值為0.072，與原始光譜相比，選擇光譜范圍對(duì)模型的校正并沒(méi)有得到改善，可能是蛋白質(zhì)成分復(fù)雜，選擇光譜范圍會(huì)造成信息的遺漏[29]；淀粉快速檢測(cè)模型的最佳預(yù)處理方式為SNV、去趨勢(shì)算法及二階導(dǎo)數(shù)處理，建立的模型交叉驗(yàn)證決定系數(shù)R2可達(dá)99.857 6%，SEE值為0.141。

水分含量快速檢測(cè)模型建立的最佳光譜預(yù)處理方式為全波長(zhǎng)范圍內(nèi)進(jìn)行MSC及一階導(dǎo)數(shù)處理，模型的交叉驗(yàn)證決定系數(shù)R2為81.604 1%，SEE值為0.40。R2相對(duì)較低，由于模型的準(zhǔn)確性與訓(xùn)練樣本集化學(xué)測(cè)定結(jié)果的準(zhǔn)確性高度相關(guān)[30]，水分測(cè)定過(guò)程中對(duì)數(shù)據(jù)精確度要求較高，且環(huán)境溫度的變化、測(cè)量時(shí)間的長(zhǎng)短及儀器本身能量可能不穩(wěn)定，這也會(huì)影響分析結(jié)果的準(zhǔn)確，導(dǎo)致R2值相對(duì)較低。

圖2 最佳預(yù)處理后光譜圖

脂肪含量快速檢測(cè)模型的建立過(guò)程中，不進(jìn)行光譜預(yù)處理的模型優(yōu)于進(jìn)行預(yù)處理的模型，可能是由于樣品容量和脂肪含量閾值的擴(kuò)大使建模效果顯著提高，以至于在不經(jīng)過(guò)光譜預(yù)處理的情況下就能獲得比較理想的校正模型[29]。建立的脂肪快速檢測(cè)模型交叉驗(yàn)證決定系數(shù)R2為80.942 3%，SEE值為0.21；R2低于其他營(yíng)養(yǎng)成分快速檢測(cè)模型的交叉驗(yàn)證決定系數(shù)，可能是索氏抽提法測(cè)定脂肪含量誤差較大，還有人指出可能是參與建立模型的高脂肪含量的樣品少，這種情況下為最好去掉極值，先建立較低脂肪含量的模型，這樣模型的代表性較好，一個(gè)好的模型是需要不斷優(yōu)化的，等到收集較多的高脂肪含量的樣品時(shí)再納入建立模型[30]。

2.4 模型的驗(yàn)證

采用未參與模型建立的完全獨(dú)立的、各營(yíng)養(yǎng)成分含量已知的驗(yàn)證集樣品對(duì)所建模型的實(shí)際預(yù)測(cè)效果進(jìn)行評(píng)價(jià)，水分、灰分、脂肪、蛋白質(zhì)、淀粉外部驗(yàn)證決定系數(shù)R2分別為81.60%、94.09%、80.94%、99.97%、99.86%，驗(yàn)證結(jié)果見(jiàn)表4。

各營(yíng)養(yǎng)成分預(yù)測(cè)值、真值及預(yù)測(cè)值與真值偏差見(jiàn)表4。對(duì)驗(yàn)證樣本集蕎麥水分、灰分、脂肪、蛋白質(zhì)和淀粉含量的預(yù)測(cè)值和化學(xué)測(cè)定值分別進(jìn)行T檢驗(yàn)，根據(jù)T檢驗(yàn)的雙邊檢驗(yàn)結(jié)果P值分別為0.074、0.210、0.852、0.212、0.132，各營(yíng)養(yǎng)成分T檢驗(yàn)P值均大于0.05，說(shuō)明在5%的顯著水平內(nèi)，蕎麥水分、灰分、脂肪、蛋白質(zhì)、淀粉含量預(yù)測(cè)值及化學(xué)值差異不顯著，建立的蕎麥水分、灰分、脂肪、蛋白質(zhì)及淀粉含量快速檢測(cè)模型測(cè)定蕎麥中水分、灰分、脂肪、蛋白質(zhì)和淀粉含量是可行的。

表4 蕎麥各營(yíng)養(yǎng)成分快速檢測(cè)模型的驗(yàn)證

4 結(jié)論

本研究利用66份蕎麥樣品的近紅外光譜指紋結(jié)合蕎麥營(yíng)養(yǎng)成分化學(xué)測(cè)定值，建立的蕎麥水分、灰分、脂肪、蛋白質(zhì)和淀粉含量近紅外快速檢測(cè)模型交叉驗(yàn)證決定系數(shù)R2分別為81.601%、94.086 2%、80.942 3%、99.897 5%、99.857 6%，R2較高，且驗(yàn)證結(jié)果預(yù)測(cè)值及化學(xué)值差異不顯著，建立的模型可以滿足大量樣品水分、灰分、脂肪、蛋白質(zhì)、淀粉快速高效檢測(cè)的要求，極大地縮短了工作周期，減少了工作量。