基于近紅外光譜對牛奶中摻雜尿素的判別分析

楊仁杰，劉 蓉*，徐可欣

(1.天津大學 精密測試技術(shù)及儀器國家重點實驗室，天津 300072；2.天津農(nóng)學院機電工程系，天津 300384)

基于近紅外光譜對牛奶中摻雜尿素的判別分析

楊仁杰1,2，劉 蓉1,*，徐可欣1

(1.天津大學 精密測試技術(shù)及儀器國家重點實驗室，天津 300072；2.天津農(nóng)學院機電工程系，天津 300384)

采集40個合格的純牛奶樣品，并配制含有尿素為1～20g/L的40個牛奶樣品，研究摻雜尿素牛奶的二維相關(guān)近紅外特性，在此基礎(chǔ)上選擇波數(shù)4200～4800cm-1為建模區(qū)間，采用偏最小二乘法建立定性、定量模型。結(jié)果指出通過判別偏最小二乘法可以實現(xiàn)純牛奶及摻雜尿素牛奶的定性鑒別，判別正確率為100%；摻雜牛奶校正集相關(guān)系數(shù)R為0.999，交叉驗證均方差為0.242，對未知樣品集預測相關(guān)系數(shù)R達到0.999，預測標準偏差為0.57，這表明所建模型具有較好的預測效果。

近紅外光譜；牛奶；尿素；摻雜；偏最小二乘判別分析法

眾所周知，牛奶具有較高的營養(yǎng)價值，其中含有促進人體生長發(fā)育及維持健康水平的必需營養(yǎng)成分，如蛋白質(zhì)、脂肪、乳糖和其他固形物等。隨著人們生活水平的提高，奶制品在國內(nèi)的消費量迅速增加。在巨大經(jīng)濟利益的驅(qū)使下，乳品摻假現(xiàn)象也越來越嚴重。市場上曾經(jīng)出現(xiàn)“阜陽奶粉事件”、“還原奶事件”、“光明牛奶回奶事件”、“雀巢奶粉事件”，以及更加嚴重的“三聚氰胺事件”，這些事件都說明了牛奶質(zhì)量控制的重要性和緊迫性。

尿素是蛋白質(zhì)代謝產(chǎn)物，少量存在于哺乳動物的乳汁中。一般認為尿素含量介于0.2～0.3g/L為牛奶的正常含量范圍[1]。目前一些不法商販為了達到以次充好、賺取非法利潤的目的，在牛奶中添加尿素以提高蛋白質(zhì)含量，直接危害人體健康，導致潛在危險或中毒，同時給乳品加工企業(yè)造成巨大的經(jīng)濟損失。

目前，對牛奶中尿素的快速檢測方法有比色測定法、p H值差異測定法、酶與選擇性電極聯(lián)用等分析方法。上述方法適合常規(guī)檢測，但操作復雜、耗時較多，不適合于原料奶收購中及時的質(zhì)量控制[2]。近紅外光譜分析技術(shù)具有無需對樣品處理、成本低、對樣品無損檢測等特點，適合對乳制品中摻雜物質(zhì)的檢測[3-9]。本實驗在研究摻雜尿素牛奶二維近紅外相關(guān)譜特性基礎(chǔ)上，選擇最佳建模波數(shù)區(qū)間，建立定性、定量分析牛奶中摻雜尿素的判別模型，這對于維護乳制品市場穩(wěn)定，保護消費者利益具有重要的意義。

1 材料與方法

1.1 材料、試劑與儀器

為了避免不同品牌牛奶之間存在的差異性，分別采用3個品牌的牛奶進行對比實驗，摻雜目標物尿素由中國醫(yī)藥(集團)上海化學試劑公司提供。分別配制尿素質(zhì)量濃度最低為1g/L，最高為20g/L的40個樣品。用濃度梯度法從摻有尿素的牛奶樣品中選出28個樣品作為校正集，余下12個作為預測集。并隨機選擇40個純牛奶樣品中的28個作為校正集，其余12個組成獨立預測集。

Spectrum GX傅里葉變換紅外光譜儀(帶液氮冷卻的InGaAs檢測器) 美國PerkinElmer公司；FA25型高剪切分散乳化機 美國Fluko公司。

1.2 方法

1.2.1 PLS-DA分析

偏最小二乘判別分析方法(partial least squares discriminant analysis，PLSDA)是基于偏最小二乘回歸的一種判別算法。PLSDA將回歸分析中的Y變量設定為類別變量，用類別變量和光譜矩陣進行線性回歸，其基本判別過程如下：1)建立訓練集樣本的類別變量；2)用類別變量與光譜矩陣進行PLS分析，建立類別變量與光譜數(shù)據(jù)間的PLS回歸模型；3)根據(jù)訓練集樣本建立的PLS模型，計算未知樣本類別變量的預測值Ypred，當Ypred＞0.5，且偏差＜0.5時，判定樣本屬于該類；當Ypred＜0.5，偏差＜0.5時，判定樣本不屬于該類；當Ypred的偏差≥0.5時，判別不穩(wěn)定[10]。

1.2.2 偏最小二乘分析

利用Unscrambler分析程序，對輸入的摻雜牛奶光譜數(shù)據(jù)進行多元散射校正，使用Savitzky-Golay7點平滑方法計算二階導數(shù)光譜，并標準正交變換(standard nomal variate，SNV)后用PLS計算程序進行運算。利用交互驗證(cross-validation)的方法來確定模型的最佳主成分數(shù)，利用測定值與模型計算值之間的建模相關(guān)系數(shù)(R)，內(nèi)部交叉驗證均方差(root mean square errors of cross validation，RMSECV)，預測相關(guān)系數(shù)(R)，預測均方差(root mean square errors of prediction，RMSEP)等指標評定模型的質(zhì)量。

1.2.3 實驗操作

實驗儀器參數(shù)：光源為儀器自帶的鹵素燈，分辨率為4cm-1，掃描范圍為4000～10000cm-1，掃描間隔為8cm-1，掃描次數(shù)為8。

實驗前，對所配制的摻雜尿素牛奶進行均質(zhì)。為了減少隨機誤差，測量時，隨機抽取樣品進行光譜數(shù)據(jù)采集，且每個樣品掃描8次取平均值。

2 結(jié)果與分析

2.1 建模波段的選擇

圖1 純牛奶與摻雜尿素牛奶的近紅外光譜圖Fig.1 Near-infrared spectra of pure milk and adulterated milk

由圖1可知，整個光譜范圍內(nèi)純牛奶樣品與摻雜尿素牛奶樣品的光譜形狀，譜峰位置幾乎相同，看不出關(guān)于摻雜目標物尿素任何信息，表明簡單的通過光譜形狀和譜峰位置很難判別牛奶中是否摻雜尿素。

光譜范圍對建立模型的性能和預測準確性有很大的影響，所以最理想建模區(qū)間應該選在測量目標物特征信息波段，且該波段不受樣品中其他物質(zhì)的干擾，或者說選擇隨著待測目標物質(zhì)量濃度變化大的波數(shù)區(qū)間。使用2Dshige軟件(由日本Kwansei Gakuin大學Daisuke Adachi所編寫)進行相關(guān)運算，得到二維近紅外相關(guān)圖。建立在二階導數(shù)譜基礎(chǔ)上，以牛奶中摻雜尿素質(zhì)量濃度為外繞構(gòu)建二維相關(guān)近紅外譜。在整個近紅外波數(shù)區(qū)間內(nèi)，隨著牛奶中摻雜目標物尿素質(zhì)量濃度的變化，其光譜信息變化主要發(fā)生在4200～4800cm-1區(qū)間。

圖2 摻雜尿素牛奶同步二維相關(guān)近紅外譜圖Fig.2 Synchronous 2D near-infrared correlation spectrum of milk adulterated with urea

由圖2可知，在4200～4800cm-1區(qū)間的自相關(guān)峰與尿素在這一區(qū)域存在吸收峰一致[11-14]，因此選擇4200～4800cm-1為建模區(qū)間。

2.2 PLS-DA判別模型的建立與驗證

PLS判別分析中，Y變量為類別變量，對于兩類判別，摻雜樣品和純牛奶的Y變量值分別設定為1和0。異常樣本會影響模型的穩(wěn)健性和預測精度。本研究根據(jù)樣本在主成分得分散點圖上的分布，剔除1個異常樣品。對校正集中剩余的55個樣品，采用PLS-DA法建立判別模型，圖3描述了所有校正集中純牛奶樣本與摻雜尿素牛奶樣本分類變量的PLS預測值與實測值之間的關(guān)系。從圖3可以看出，分散在Ypred＝0.5線以下的都為純牛奶樣本，分布在Ypred＝0.5線以上的都是摻雜尿素牛奶樣本，其中有一個摻雜尿素牛奶樣本(1g/L)處在Ypred＝0.5線以下，被誤判為純牛奶樣本。

圖3 校正集純牛奶與摻雜尿素牛奶判別結(jié)果Fig.3 Discrimination results of pure milk and adulterated milk by PLS-DA model

利用PLS-DA分析方法建立牛奶摻雜判別模型，對未參與建模的24個獨立預測集樣本(12個純牛奶樣本和12個摻雜尿素牛奶樣本)進行分析，結(jié)果見表1。顯然，利用PLS-DA所見模型可以實現(xiàn)對所有預測集樣本的正確判別，對摻雜牛奶和純牛奶的判別率為100%。

表1 PLS-DA模型對預測集樣品判定結(jié)果Table 1 Discrimination results of samples in prediction set by PLS-DA method

2.3 牛奶中尿素含量定量檢測模型的建立

在完成準確的定性判別之后，還對40個摻假牛奶樣品進行了定量分析。

采用化學計量學軟件Unscrambler偏最小二乘法建立測定牛奶中尿素含量的數(shù)學模型。為了評價模型的穩(wěn)定性和擬合效果，對模型進行內(nèi)部交互驗證。圖4是牛奶中尿素含量實測值(C實測)與預測值(C預測)之間關(guān)系的線性擬合，其擬合方程為C預測＝0.016＋0.998C實測，相關(guān)系數(shù)R為0.999，內(nèi)部交叉驗證均方差(RMSECV)為0.242g/L，說明所建模型的穩(wěn)定性和擬合效果非常好。

圖4 校正集樣本預測值和實際值之間關(guān)系Fig.4 Relationship between actual values and predicted values of urea content in calibration set

根據(jù)上述所建PLS模型，采用外部驗證方法對所建模型實際預測效果進行評價。圖5是采用模型對獨立的預測集樣品的預測結(jié)果(C預測)與實測結(jié)果(C實測)之間關(guān)系的線性擬合。預測值與實測值之間的相對誤差較小，最小接近0，最大為8%，平均相對誤差為1.89%，擬合方程為C預測＝0.02＋1.009C實測，相關(guān)系數(shù)R為0.999，預測標準偏差為0.57g/L。

圖5 預測集樣本預測值和實測值之間關(guān)系Fig.5 Relationship between actual values and predicted values of urea content in prediction set

3 結(jié) 論

應用PLS-DA法建立對牛奶中摻雜尿素分析的定性、定量模型，具有較好的預測效果，對未知樣品集的判別準確率為100%，預測值非常接近實測值，其相關(guān)系數(shù)都超過了0.99。該方法簡單、快速，為實現(xiàn)快速檢測牛奶中摻雜物提供了實驗基礎(chǔ)。

[1] 趙旭博, 董文賓, 王順民, 等. 國外牛奶中尿素含量檢測新進展[J].食品研究與開發(fā), 2004, 15(6): 109-113.

[2] 唐玉蓮. 近紅外光譜在乳制品成分快速檢測方面的應用研究[J]. 乳業(yè)科學與技術(shù), 2009, 32(4): 190-194.

[3] HE Bin, LIU Rong, YANG Renjie, et al. Adulteration detection in milk using infrared spectroscopy combined with two-dimensional correlation analysis[C]//GERARD L C. Optical diagnostics and sensing X: toward point-of-care diagnostics. San Jose, USA: Proc of SPIE, 2010: 75720-57207.

[4] KASEMSUMARAN S, THANAPASE W, KIATSOONTHON A. Feasibility of near infrared spectroscopy to detect and to quantify adulterants in cow milk[J]. Analytical Sciences, 2007, 23(7): 907-910.

[5] 董一威, 屠振華, 朱大洲, 等. 利用近紅外光譜快速檢測牛奶中三聚氰胺的可行性研究[J]. 光譜學與光譜分析, 2009, 29(11): 2934-2938.

[6] 王小燕, 王錫昌, 劉源, 等. 近紅外光譜技術(shù)在食品摻偽檢測應用中的研究進展[J]. 食品科學, 2011, 32(1): 265-269.

[7] 袁石林, 何勇, 馬天云, 等. 牛奶中三聚氰胺的可見/近紅外光譜快速判別分析方法的研究[J]. 光譜學與光譜分析, 2009, 29(11): 2939-2942.

[8] LU Chenghui, XING Bingren, HAO Gang, et al. Rapid detection of melamine in milk powder by near infrared spectroscopy[J]. J Near Infrared Spectroscopy, 2009, 17(2): 59-67.

[9] MAUER L J, CHERNYSHOVA A A, HIATT A, et al. Melamine detection in infant formula powder using near- and mid-infrared spectroscopy[J]. J Agric Food Chem, 2009, 57(10): 3974-3980.

[10] 楊忠, 任海清, 江澤慧. PLS-DA法判別分析木材生物腐朽的研究[J].光譜學與光譜分析, 2008, 28(4): 793-796.

[11] OLESBERG J T, ARNOLD M A, FLANIGAN M J, et al. Online measurement of urea concentration in spent dialysate during hemodialysis[J]. Clin Chem, 2004, 50(1): 175-181.

[12] EDDY C V, FLANIGAN M, ARNOLD M A. Near-infrared spectroscopic measurement of urea in dialysate samples collected during hemodialysis treatments[J]. Applied Spectroscopy, 2003, 57(10): 1230-1235.

[13] DESSIPRIA E, MINOPOULOUB E, CHRYSSIKOS G D, et al. Use of FT-NIR spectroscopy for on-line monitoring of formaldehyde-based resin synthesis[J]. European Polymer Journal, 2003, 39(8): 1533-1540.

[14] OLESBERG J T, ARNOLD M A, FLANIGAN M J. Online measurement of urea concentration in spent dialysate during hemodialysis[J].Clinical Chemistry, 2004, 50(1): 175-181.

Discrimination of Milk Adulteration with Urea Based on Near Infrared Spectroscopy

YANG Ren-jie1,2，LIU Rong1,*，XU Ke-xin1
(1. State Key Laboratory of Precision Measuring Technology and Instruments, Tianjin University, Tianjin 300072, China；2. Department of Electromechanical Engineering, Tianjin Agricultural University, Tianjin 300384, China)

Forty eligible pure milk samples were collected and 40 adulterated milk samples were prepared by adding urea with various concentrations (1－20 g/L). Two-dimensional correlation spectroscopy was calculated under the perturbation of adulteration. Based on the 2D correlation infrared spectroscopic characteristics, the spectra in the range of 4200－4800 cm-1were selected for quantitative and qualitative by partial least squares. There results showed that a 100% recognition rate of samples was achieved by partial least square-discriminate analysis (PLS-DA). The correlation coefficient (R) of calibration sets was 0.999, and the root mean square errors of cross validation (RMSECV) were 0.242. The R between the predicted values and actual values was 0.999, and the root mean square errors of prediction (RMSEP) were 0.57. Therefore, the developed models have good prediction capacity.

near-infrared spectroscopy；milk；urea；adulteration；partial least square-discriminate analysis

O657.33

A

1002-6630(2012)16-0120-04

2011-07-20

國家自然科學基金重點項目(60938002)；國家自然科學基金青年科學基金項目(30900275)；教育部高等學校博士學科點科研基金專項(20090032120064)

楊仁杰(1978—)，男，博士研究生，主要從事光譜檢測技術(shù)研究。E-mail：rjyang1978@163.com