李睿雯，孫曉榮，劉翠玲，郭澤翰，田 密

（北京工商大學(xué)人工智能學(xué)院，食品安全大數(shù)據(jù)技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100048）

在食品行業(yè)中，煎炸工藝應(yīng)用十分普遍，由于煎炸食物具有香、酥、脆的口感，深受人們歡迎。由于油品在煎炸過(guò)程中經(jīng)過(guò)長(zhǎng)時(shí)間的持續(xù)高溫加熱，會(huì)發(fā)生一系列的化學(xué)反應(yīng)，包括水解、氧化、聚合、裂解等，持續(xù)反復(fù)，生成對(duì)人體有害的有機(jī)化合物[1-2]，相比甘油三酯，這些生成物的分子極性更大，被稱為極性組分。這些極性組分會(huì)嚴(yán)重影響煎炸油本身的品質(zhì)[3-4]，煎炸食品本身的實(shí)用口感和營(yíng)養(yǎng)價(jià)值，國(guó)家限定標(biāo)準(zhǔn)為27%[5]。目前，測(cè)定油脂中極性組分含量最可靠的方法是柱層析法[6-8]，是我國(guó)相關(guān)指標(biāo)采用，但該標(biāo)準(zhǔn)方法會(huì)破壞實(shí)驗(yàn)樣本，產(chǎn)生二次污染，耗時(shí)耗力，技術(shù)難度大，因此探究一種快速、無(wú)損的檢測(cè)方法鑒別專用煎炸油的品質(zhì)具有重要意義。

雖然有許多學(xué)者對(duì)各種油在煎炸過(guò)程中的理化指標(biāo)變化進(jìn)行了研究，但對(duì)煎炸油的品質(zhì)質(zhì)量的檢測(cè)仍缺乏統(tǒng)一標(biāo)準(zhǔn)和系統(tǒng)的研究[9]，對(duì)市場(chǎng)煎炸油品質(zhì)檢測(cè)的系統(tǒng)研究成果也較少。針對(duì)這一問(wèn)題北京市糧食科學(xué)研究院研發(fā)出商業(yè)專用煎炸油，由棉籽油、大豆油、菜籽油、棕櫚油按照10∶5∶3∶2的比例調(diào)配，研制的專用煎炸油具有良好的耐炸性，煎炸出的食品色澤以及口感良好，同時(shí)該專用煎炸油的最長(zhǎng)煎炸時(shí)間可長(zhǎng)達(dá)69 h。

近些年來(lái)，拉曼光譜以快速、無(wú)損、高效檢測(cè)的優(yōu)點(diǎn)廣泛應(yīng)用于食品、農(nóng)業(yè)等領(lǐng)域，且拉曼光譜不需要對(duì)樣本進(jìn)行復(fù)雜的前操作處理就可以獲取物質(zhì)的大量信息，具有指紋性強(qiáng)的特性，可用于研究物質(zhì)的結(jié)構(gòu)特征以及組成成分[10-11]，同樣對(duì)定量分析具有較好的效果。

在光譜技術(shù)中，神經(jīng)網(wǎng)絡(luò)算法在很多定性分析中都有應(yīng)用，但應(yīng)用于定量分析研究較少，尤其是在拉曼光譜分析技術(shù)中更少。胡軍等[12]基于誤差反向傳播（error back propagation，BP）神經(jīng)網(wǎng)絡(luò)的太赫茲時(shí)域光譜對(duì)面粉中苯甲酸定量檢測(cè)研究中，建立的預(yù)測(cè)集相關(guān)系數(shù)為0.994 5，預(yù)測(cè)均方根誤差（root mean square error of prediction，RMSEP）為0.66。譚琨等[13]針對(duì)高光譜數(shù)據(jù)的特點(diǎn)，設(shè)計(jì)了有效的特征提取模型，再與徑向基函數(shù)（radial basis function，RBF）算法神經(jīng)網(wǎng)絡(luò)的輸入層連接，建立了一個(gè)新的高光譜遙感影像分類模型，證明RBF神經(jīng)網(wǎng)絡(luò)在高光譜遙感分類中具有較好的適用性。

本實(shí)驗(yàn)應(yīng)用拉曼光譜技術(shù)，以不同煎炸時(shí)間下的專用煎炸油為樣本，采用DXR激光共焦顯微拉曼光譜儀采集樣本的拉曼光譜，利用卷積（savitzky-golay，S-G）平滑、標(biāo)準(zhǔn)正態(tài)變換（standard normal transformation，SNV）、多元散射校正（multiple scattering correction，MSC）、導(dǎo)數(shù)法對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，結(jié)合偏最小二乘回歸（partial least squares regression，PLSR）法、BP算法和RBF算法建立煎炸油極性組分含量的定量分析模型，旨在為實(shí)現(xiàn)對(duì)專用煎炸油品質(zhì)快速無(wú)損高效的市場(chǎng)監(jiān)測(cè)及系統(tǒng)管理提供技術(shù)手段。

1 材料與方法

1.1 材料與儀器

專用煎炸油來(lái)自北京市糧食科學(xué)研究院，分別以棉籽油、大豆油、菜籽油、棕櫚油為原料制備的煎炸油，以速凍薯?xiàng)l為煎炸食材，煎炸過(guò)程中每小時(shí)取樣一次，樣本極性組分含量由糧科院檢測(cè)人員GB/T 5009.202—2016《食用油中極性組分（PC）的測(cè)定》[14]方法測(cè)定，取值范圍為8.83%～27%。

采集拉曼光譜硬件設(shè)備為DXR激光共焦顯微拉曼光譜儀，配合OMNIC軟件使用。激光波長(zhǎng)780 nm，激光能量20 eV，光柵400 lines/mm，光闌50 mm，分辨率47～87 cm-1，樣本掃描次數(shù)4 次，采集曝光時(shí)間5 s。

1.2 拉曼光譜的采集

在掃描煎炸油樣本前，采集實(shí)驗(yàn)室內(nèi)空氣光譜為背景光譜，檢測(cè)光學(xué)臺(tái)內(nèi)激光，待儀器預(yù)熱至激光能量趨于穩(wěn)定值，取少量煎炸油樣本于凹槽內(nèi)，將凹槽放置在10 倍物鏡下，調(diào)節(jié)物鏡，調(diào)焦載物臺(tái)的高度，直至油樣在顯微鏡下的成像清晰，煎炸油在10 倍物鏡下的成像如圖1所示。實(shí)驗(yàn)采取面掃描的方法，每次掃描4 個(gè)點(diǎn)，每個(gè)樣品對(duì)應(yīng)掃描出4 條拉曼光譜，取4 個(gè)點(diǎn)中能量最高點(diǎn)的光譜用作后續(xù)定量分析。

圖1 煎炸油在10 倍物鏡下的成像Fig. 1 Imaging of used frying oil for French fries under 10 × objective lens

實(shí)驗(yàn)采集的83 個(gè)煎炸油樣本的拉曼光譜圖如圖2所示，拉曼光譜的波數(shù)覆蓋了80～3 300 cm-1的范圍?？梢钥吹郊逭ㄓ偷睦庾V在不同波數(shù)對(duì)應(yīng)不同的拉曼強(qiáng)度，結(jié)合已有研究可以指認(rèn)出部分官能團(tuán)對(duì)應(yīng)的特征峰，煎炸油的拉曼光譜部分特征峰的指認(rèn)見表1。煎炸油在食品煎炸過(guò)程中產(chǎn)生復(fù)雜的極性物質(zhì)[15-18]，如過(guò)氧化物，其中羰基和醚鍵是這種極性物質(zhì)的重要組成部分。

數(shù)據(jù)在采集和傳輸過(guò)程中會(huì)產(chǎn)生一些干擾，因此有必要對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理。如果采集值處于上下限之間，則作為正常數(shù)據(jù)處理，如果超出正常的分布范圍，則表明信號(hào)受到干擾，此時(shí)應(yīng)將其限定在合理的范圍內(nèi)。具體公式如下：

圖2 煎炸油樣本拉曼光譜圖Fig. 2 Raman spectra of used frying oil samples

表1 煎炸油的拉曼光譜部分特征峰的指認(rèn)Table 1 Identification of some characteristic Raman peaks of used frying oil

2 結(jié)果與分析

2.1 數(shù)據(jù)預(yù)處理

由于實(shí)驗(yàn)過(guò)程中測(cè)得的光譜容易受到環(huán)境影響，儀器振動(dòng)、噪聲等因素會(huì)導(dǎo)致光譜發(fā)生漂移、色散等現(xiàn)象。選擇適合的光譜預(yù)處理方法能得到更好的建模效果，適當(dāng)消除外界因素對(duì)光譜的影響。實(shí)驗(yàn)中，專用煎炸油樣本按照訓(xùn)練集與預(yù)測(cè)集為8∶2的比例進(jìn)行樣本隨機(jī)劃分，67 份樣本作為建模集，16 份樣本作為預(yù)測(cè)集，利用TQ Analyst光譜分析軟件對(duì)原始光譜進(jìn)行預(yù)處理，導(dǎo)入原始數(shù)據(jù)，建立了煎炸油中極性組分拉曼全譜PLSR法定量分析模型，選用S-G平滑、SNV、MSC、導(dǎo)數(shù)（包括一階導(dǎo)數(shù)、二階導(dǎo)數(shù)）5 種光譜預(yù)處理方法，組合成了7 種組合，對(duì)煎炸油樣本的光譜進(jìn)行預(yù)處理。

實(shí)驗(yàn)中定量模型性能采用相關(guān)系數(shù)R2和RMSEP作為評(píng)價(jià)指標(biāo)，從模型的回歸擬合度和預(yù)測(cè)精確度評(píng)價(jià)模型性能。RMSEP是模型可靠性的評(píng)價(jià)指標(biāo)，也是對(duì)模型預(yù)測(cè)能力可靠性的評(píng)價(jià)。R2代表了模型預(yù)測(cè)值與樣本原特征值的相關(guān)程度，其值越接近于1，則代表預(yù)測(cè)結(jié)果越準(zhǔn)確，模型的可靠性越高，即預(yù)測(cè)值與樣本真值的差異越小。因此，可以通過(guò)評(píng)價(jià)參數(shù)的大小，選擇最優(yōu)的算法，最終確定出效果最優(yōu)的模型對(duì)樣本數(shù)據(jù)進(jìn)行處理，以達(dá)到最好的預(yù)測(cè)效果。

式中：m為預(yù)測(cè)集樣本個(gè)數(shù)；yj為訓(xùn)練集第j個(gè)樣本的真實(shí)值；為訓(xùn)練集第j個(gè)樣本的預(yù)測(cè)值；為m個(gè)訓(xùn)練樣本真實(shí)值的平均值。

拉曼光譜經(jīng)預(yù)處理結(jié)合PLSR法建模結(jié)果見表2，預(yù)處理后，模型各參數(shù)有不同程度變化，經(jīng)SNV預(yù)處理后的建模效果最佳，對(duì)消除拉曼光譜檢測(cè)過(guò)程中產(chǎn)生的光程變化起到了一定作用。此時(shí)RMSEP為1.18，R2為0.940 4。此時(shí)減少了表面散射以及光程變化對(duì)漫反射光譜[19-21]的影響，故采用SNV法對(duì)光譜進(jìn)行預(yù)處理。

表2 拉曼光譜經(jīng)預(yù)處理結(jié)合PLSR法建模結(jié)果Table 2 Comparison of PLSR models with different spectral pretreatments

2.2 BP算法

BP算法是一種多層的前饋神經(jīng)網(wǎng)絡(luò)[22-24]，學(xué)習(xí)過(guò)程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過(guò)程組成。信息從輸入層到達(dá)隱含層逐層處理，直至輸出層，每一層的神經(jīng)元只會(huì)影響下一層的神經(jīng)元狀態(tài)，若輸出層得不到預(yù)期輸出，則轉(zhuǎn)入反向傳播，從而根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，使得預(yù)測(cè)的結(jié)果不斷逼近期望的輸出值。實(shí)驗(yàn)中，分為以下4 個(gè)步驟：

1）特征提取

對(duì)實(shí)驗(yàn)中得到的數(shù)據(jù)集采用主成分分析（principal component analysis，PCA）法[25-27]進(jìn)行特征提取，對(duì)3 300 個(gè)波數(shù)進(jìn)行優(yōu)化，得到27 個(gè)向量，此時(shí)的PCA得分為99%，則提取到的特征能充分、有效地表示原始數(shù)據(jù)的特征信息。

在BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分析之前，通常需要將數(shù)據(jù)歸一化，利用歸一化后的數(shù)據(jù)進(jìn)行分析。原始數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)歸一化處理后，各指標(biāo)處于同一數(shù)量級(jí)，適合進(jìn)行綜合對(duì)比評(píng)價(jià)，以防某些數(shù)值低的特征被淹沒(méi)。

3）創(chuàng)建網(wǎng)絡(luò)

本實(shí)驗(yàn)利用3 層BP神經(jīng)網(wǎng)絡(luò)建立煎炸油極性組分含量快速檢測(cè)研究的定量分析模型。輸入神經(jīng)元個(gè)數(shù)為27 個(gè)，為樣本經(jīng)過(guò)PCA降維后得到的特征光譜。輸出神經(jīng)元個(gè)數(shù)為1，表示被檢測(cè)樣本的極性組分的預(yù)測(cè)值。根據(jù)Kolmogorov定理[28]“對(duì)于具有一個(gè)隱層的3 層BP神經(jīng)網(wǎng)絡(luò)，有足夠多的隱節(jié)點(diǎn)數(shù)，就可以實(shí)現(xiàn)對(duì)任意非線性函數(shù)的逼近”，并且3 層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以提高網(wǎng)絡(luò)學(xué)習(xí)速度，而過(guò)于復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)表示過(guò)多的參數(shù)和模型精度的降低，所以選擇隱含層層數(shù)為1，神經(jīng)元個(gè)數(shù)為18的BP神經(jīng)網(wǎng)絡(luò)。實(shí)驗(yàn)中設(shè)置迭代次數(shù)為7 000 次，目標(biāo)誤差為10-3，學(xué)習(xí)率為10。模擬實(shí)驗(yàn)中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示。

圖3 模擬實(shí)驗(yàn)中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig. 3 Schematic illustration of neural network structure in the simulation experiment

4）選擇算法

建立的BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)定如下：訓(xùn)練函數(shù)采用自適應(yīng)學(xué)習(xí)率動(dòng)量因子梯度訓(xùn)練法，輸入層與隱含層之間的傳遞函數(shù)是對(duì)數(shù)S型函數(shù)logsig，隱含層與輸出層之間的傳遞函數(shù)是正切S型函數(shù)tansig。

5）訓(xùn)練網(wǎng)絡(luò)

網(wǎng)絡(luò)訓(xùn)練過(guò)程中，RMSEP按照式（1）計(jì)算，決定系數(shù)R2按照式（2）計(jì)算。

網(wǎng)絡(luò)的訓(xùn)練曲線如圖4所示，可以看到RMSEP收斂速度快，僅需2 步就能達(dá)到預(yù)期結(jié)果，BP算法得到煎炸油極性組分含量預(yù)測(cè)結(jié)果，測(cè)試集樣本的預(yù)測(cè)結(jié)果與真實(shí)值對(duì)比（圖5），RMSEP為0.032 6，R2穩(wěn)定在0.972。此時(shí)訓(xùn)練的結(jié)果接近期望的輸出，可以認(rèn)為網(wǎng)絡(luò)找到了輸入、輸出之間的映射關(guān)系。

圖4 網(wǎng)絡(luò)的訓(xùn)練曲線Fig. 4 Training curve

圖5 BP算法的預(yù)測(cè)結(jié)果Fig. 5 Prediction results of error back propagation algorithm

2.3 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)都屬于非線性多層前向神經(jīng)網(wǎng)絡(luò)、通用逼近模型，對(duì)于每個(gè)輸入、輸出數(shù)據(jù)對(duì)，只有少量的連接權(quán)需要調(diào)整。鑒于此，采用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比分析預(yù)測(cè)。訓(xùn)練過(guò)程中RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為均方誤差目標(biāo)為10-3；神經(jīng)元的最大數(shù)目為56 個(gè)；RMSEP為0.953 5，R2穩(wěn)定在0.904，此時(shí)測(cè)試集樣本的預(yù)測(cè)結(jié)果與真實(shí)值對(duì)比，RBF算法的預(yù)測(cè)結(jié)果如圖6所示。

圖6 RBF算法的預(yù)測(cè)結(jié)果Fig. 6 Prediction result of radial basis function algorithm

針對(duì)兩種神經(jīng)網(wǎng)絡(luò)算法得到的預(yù)測(cè)結(jié)果不同，為進(jìn)一步對(duì)該技術(shù)手段的誤判情況進(jìn)行分析，重新采集30 個(gè)新的煎炸油樣本的拉曼光譜，采用增加預(yù)測(cè)樣本數(shù)據(jù)量，對(duì)實(shí)驗(yàn)數(shù)據(jù)重新進(jìn)行分析統(tǒng)計(jì)，兩種算法建模結(jié)果對(duì)比如表3所示。

表3 兩種算法建模結(jié)果對(duì)比Table 3 Comparison of results of modeling using two algorithms

對(duì)比兩種網(wǎng)絡(luò)對(duì)極性組分預(yù)測(cè)結(jié)果，在增加了預(yù)測(cè)樣本數(shù)據(jù)量后，BP神經(jīng)網(wǎng)絡(luò)的RMSEP為0.097 3，R2為0.749，RBF神經(jīng)網(wǎng)絡(luò)的RMSEP為0.964 9，R2為0.704，BP的結(jié)果明顯優(yōu)于RBF。這是由于兩種網(wǎng)絡(luò)的映射方式有很大區(qū)別：BP神經(jīng)網(wǎng)絡(luò)的隱節(jié)點(diǎn)采用輸入模式與權(quán)向量的內(nèi)積作為激活函數(shù)的自變量，而激活函數(shù)采用Sigmoidal函數(shù)[29-31]或硬限幅函數(shù)，因此BP神經(jīng)網(wǎng)絡(luò)是對(duì)非線性映射的全局逼近[32]，網(wǎng)絡(luò)對(duì)所有權(quán)值進(jìn)行修正。而RBF神經(jīng)網(wǎng)絡(luò)則是使用局部指數(shù)衰減的非線性函數(shù)對(duì)非線性輸入輸出映射進(jìn)行局部逼近，網(wǎng)絡(luò)只修正一小部分權(quán)值，其隱節(jié)點(diǎn)采用輸入模式與中心向量的距離作為函數(shù)的自變量，并使用RBF作為激活函數(shù)。RBF關(guān)于N維空間的中心點(diǎn)具有徑向?qū)ΨQ性，中心點(diǎn)是在輸入樣本中選取，而且神經(jīng)元的輸入離該中心點(diǎn)越遠(yuǎn)，神經(jīng)元的激活程度就越低。選取的中心點(diǎn)難以反映出系統(tǒng)真正的輸入輸出映射關(guān)系，使得網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果產(chǎn)生較大的誤差。

3 結(jié) 論

通過(guò)本實(shí)驗(yàn)研究結(jié)果，驗(yàn)證拉曼光譜在煎炸油中極性組分含量的快速檢測(cè)有效、可行，建立了煎炸油中極性組分含量定量分析檢測(cè)模型。通過(guò)建立PLSR模型，比較多MSC、S-G平滑和求導(dǎo)的預(yù)處理方法，得到SNV法的處理校正效果更好。將SNV處理后的數(shù)據(jù)建立BP和RBF模型，得到BP神經(jīng)網(wǎng)絡(luò)模型的建模效果最佳，RMSEP為0.032 6，R2為0.972。因此，BP神經(jīng)網(wǎng)絡(luò)更適用于煎炸油中的極性組分含量檢測(cè)建模分析，具有精度高和相關(guān)度高的特點(diǎn)。本實(shí)驗(yàn)探索的基于拉曼光譜的專用煎炸油極性組分快速檢測(cè)研究，改變了傳統(tǒng)耗時(shí)耗力、成本較高、易破壞樣本的化學(xué)分析檢測(cè)的方法，對(duì)極性物質(zhì)檢測(cè)具有一定的借鑒意義。