徐富成，周劍麗，余曉斌，唐 果?

（1. 無錫迅杰光遠科技有限公司，江蘇 無錫 214122；2. 江南大學 生物工程學院，江蘇 無錫 214122）

近紅外光譜（Near Infrared NIR）是波長為780～2 500 nm范圍內的電磁波，它主要是含氫基團X-H的振動倍頻和合頻的吸收，因此尤其適合有機化合物的檢測和分析[1]。近紅外光譜分析方法是利用化學計量學方法在樣品近紅外光譜與理化值之間建立數(shù)學模型關系的間接分析方法[2]。近紅外光譜分析技術具有簡單快速、不破壞樣品、不消耗試劑、無污染等優(yōu)勢。這些優(yōu)勢為近紅外分析技術的發(fā)展提供了廣闊的應用空間。

目前，近紅外光譜分析技術在白酒酒醅檢測中的應用已有報導，實現(xiàn)了酒醅的水分、淀粉、酸度等關鍵理化指標的快速檢測[3]。同時，該技術在水果分選方面也有著豐富的應用，包括對蘋果、橙子、西瓜等常見水果的快速無損分級挑選，可實現(xiàn)對水果的糖分、酸度、可溶性固形物以及硬度的無損檢測[4]。其他方面，近紅外光譜分析技術還可應用在茶葉、煙草、發(fā)酵、制藥以及石油化工等行業(yè)[5-9]。近年來，近紅外光譜分析技術在糧油加工領域得到了廣泛應用，實現(xiàn)了大豆、油菜籽、小麥、面粉等糧油作物品質指標的快速檢測[10]，為收購端的品質理化指標及倉儲分倉過程檢測提供了相應的保證。此外，近紅外光譜分析技術還被應用到淀粉、粕類、飼料產品生產過程中的在線品質監(jiān)控中，實現(xiàn)了產品品質的在線控制[11-12]。盡管國內近紅外光譜分析技術在糧油加工行業(yè)的應用發(fā)展迅速，但目前的主要應用依然集中于原糧和淀粉、飼料等粗加工產品的收購和生產過程控制，在食品尤其是食品在線檢測方面的應用研究鮮有報導。

泡芙是近年來廣受年輕消費者喜愛的休閑食品之一。本實驗研究對象為某食品廠泡芙生產過程中的半成品。其泡芙的生產過程需要進行兩次烘焙：首先，將面團放入第一道烤爐進行210 ℃的高溫烤焙，使泡芙內部的水分快速暴發(fā)讓泡芙面團膨脹形成空心，待泡芙膨脹定型后再進入第二道烤爐進行二次烤焙。第二次烘焙過程需要控制出爐泡芙水分低于3%。烘焙不足會導致泡芙質量不合格；而過烘則會導致品相不佳、能源消耗和原材料浪費。因此，適合的烤爐溫度和烘烤時間，是泡芙質量的關鍵。由于第一道烤爐的工藝已經固定，因此爐溫的調整只在第二道烤爐中進行。

第一道烤爐出口泡芙樣品的水分含量是調整第二道烤爐爐溫和烘烤時間的依據?，F(xiàn)場工人需依據樣品水分來控制烘烤時間和溫度以確保最終水分的穩(wěn)定性，一般水分波動在±1.5以內，不輕易調節(jié)工藝。目前工廠采用鹵素快速水分測定儀檢測泡芙的水分，每個樣品的檢測需要15 min以上，而泡芙樣品通過第二道烤爐的時間為11 min附近，同時現(xiàn)場每兩小時才抽檢一次，現(xiàn)有檢測方法時長滯后且頻率較低，無法滿足實時調控烤爐工藝程序的需要。近紅外具有快速、實時、無損檢測的優(yōu)勢，因此考慮采用在線近紅外對泡芙的水分進行實時測定。

1 材料與方法

1.1 材料與儀器

本實驗所監(jiān)測的泡芙樣品：某食品廠一道烘焙后的泡芙半成品（未注心）。

MF 50快速水分測定儀：A&D，日本。儀器參數(shù)為加熱源：400 W鹵素燈，稱重范圍：51 g，讀數(shù)精度：0.002 g，含水量檢測精度0.05%，溫度預設范圍：50～200 ℃。

IAS Online-S100在線近紅外光譜分析儀：無錫迅杰光遠，中國。儀器參數(shù)為光源類型：10 W鹵鎢燈，波長范圍：900～1 700 nm，分辨率：8 nm，波長準確性：＜1 nm，光源工作距離：100 mm，光斑直徑：60 mm。

1.2 光譜采集和理化檢測

1.2.1 近紅外光譜采集

在線采集泡芙樣品的近紅外漫反射光譜，掃描范圍1 000～1 600 nm，掃描次數(shù)20次，積分時間100 ms，每條光譜掃描時間為2 s。三個月內共采集的泡芙樣品光譜160個，其中130個為建模校正集、30個為外部預測集。

1.2.2 水分理化值測定

本實驗泡芙樣品的水分采用快速水分分析儀進行測定。將線上檢測光譜所對應的泡芙樣品（約10 g/樣品）取下后剪碎混勻，置于快速水分分析儀上檢測其水分含量。本實驗泡芙樣品的水分含量范圍為11.85%～18.60%。

1.3 定量分析模型的建立與評價

采用偏最小二乘法（PLS）建立泡芙水分的定量分析模型。偏最小二乘法具有簡單、高效的特點，是目前最常用的定量分析方法，已被廣泛應用于近紅外定量分析應用[5-9]。

定量分析模型的評價主要由決定系數(shù)（determination coefficient, R2）、校正集均方根誤差（root mean squared error of calibration, RMSEC）、交互驗證均方根誤差（root mean squared error of cross validation, RMSECV）、和預測集均方根誤差（root mean squared error of prediction, RMSEP）等參數(shù)來評價。R2越接近于 1，說明參照值與預測值的數(shù)值越接近。模型的RMSECV值越小模型校正集的交互驗證效果越好，RMSEP值越小模型預測效果越好。一般情況下，若無特別指明，R2一般為校正集的決定系數(shù)。

其中，yi為第 i個樣品的實測值，為第 i個樣品的估計值，n為校正集或檢驗集或測試集的樣品數(shù)。

1.4 數(shù)據分析

數(shù)據采用無錫迅杰光遠科技有限公司自主開發(fā)的建模軟件IAS Cal-Box進行分析，包括光譜預處理、PLS建模分析。使用Origin繪制圖形。

2 結果與分析

2.1 近紅外光譜及預處理

采集到的泡芙樣品近紅外原始光譜如圖1所示。

圖1 泡芙樣品近紅外原始光譜圖Fig.1 Original near infrared spectra of puff samples

由圖 1可以看出，原始光譜存在明顯的基線漂移情況，為確保模型的預測性能，需要對其進行預處理。本實驗采用的預處理方法為移動窗口平滑（平滑點數(shù)為 11）+SNV。預處理后的光譜如圖2所示。

圖2 泡芙樣品近紅外預處理后光譜圖Fig.2 Spectra of puff samples after near infrared pretreatment

從圖 2可以看出，經過預處理后光譜基線漂移的情況得到了較好地修正。

2.2 泡芙水分定量分析模型建模結果

采用偏最小二乘法將 130個泡芙樣品光譜及其水分理化值進行交互驗證回歸建模。在建模過程中，模型的主因子數(shù)是模型的關鍵參數(shù)之一。主因子數(shù)過低，模型的擬合度不足、性能不佳；主因子數(shù)過高，模型則容易出現(xiàn)過擬合。因此，合適的主因子數(shù)對定量分析模型性能至關重要。不同主因子下，模型的RMSECV值如圖3所示。

由圖 3可以看出，主因子數(shù)為 9時模型的RMSECV值降至最低，隨后隨著主因子數(shù)增加模型的RMSECV值開始上升。因此，模型的最佳主因子數(shù)為 9。在最佳主因子數(shù)下，模型的建模結果如表1所示。

表1 泡芙水分定量分析模型結果Table 1 Results of puff moisture quantitative analysis model

圖3 不同主因子數(shù)RMSECV值變化圖Fig.3 Variation diagram of RMSECV value of different principal factors

模型校正集及交互驗證集水分預測值和實測值相關關系圖以及模型的交互驗證誤差分布如圖4和圖5所示。

圖4 水分實測值vs.校正集/交互驗證集預測值關系圖Fig.4 Relationship between measured value of moisture and predicted value of correction set / interactive verification set

圖5 水分模型交互驗證集誤差分布圖Fig.5 Error distribution of water model interactive verification set

由表1及圖4～5的結果可以看出，泡芙水分定量分析模型在校正集和交互驗證集中均展現(xiàn)出良好的效果，模型交互驗證集誤差分布在±1.3%范圍內，滿足工廠對于樣品水分監(jiān)測精度的要求。

2.3 泡芙水分定量分析模型驗證結果

為進一步驗證所建立的泡芙水分分析模型的實際使用效果，我們在實際生產過程中取了30個泡芙樣品進行實測驗證，模型預測集的水分預測值和實測值相關關系圖以及模型的預測誤差分布如圖6和圖7所示。

圖6 水分實測值vs.模型預測值關系圖Fig.6 Relationship between measured value of moisture and predicted value of model

圖7 水分模型預測誤差分布圖Fig.7 Distribution diagram of prediction error of moisture model

由圖6～7的結果可以看出，泡芙水分定量分析模型對 30個預測樣品的預測效果與建模樣品效果相當，模型的RMSEP值為0.57%、預測誤差在±1.3%范圍內。這一結果表明所建立的水分定量分析模型可用于實際生產控制。

3 結論

本研究中，采用IAS Online-S100在線近紅外光譜分析儀，收集了130個泡芙樣品，通過移動窗口平滑（平滑點數(shù)為11）+SNV對光譜進行預處理，PLS建立了定量分析模型。模型誤差在±1.3以內，模型精度可以滿足工廠對樣品水分監(jiān)測的精度需求。

通過 IAS-Online S100在線近紅外光譜分析儀在線實時監(jiān)測泡芙樣品水分，可有效解決泡芙生產過程檢測滯后和頻率不足的問題。根據工廠成本評估測算，采用在線近紅外光譜分析技術每年每條生產線能夠節(jié)約人力、能耗成本達到15萬元以上，為企業(yè)節(jié)能減排、降低生產運行成本創(chuàng)造條件，具有十分突出的使用價值。

同時這一應用案例也表明近紅外光譜分析技術在過程分析控制方面具有廣闊的應用前景，還有更多的應用領域可以進行探索。