葛粉摻假的近紅外漫反射光譜快速檢測

陳 嘉，劉 嘉，馬雅欽，祝詩平，趙國華,3,*

（1.西南大學食品科學學院，重慶 400715；2.西南大學工程技術學院，重慶 400715；3.重慶市農產品加工技術重點實驗室，重慶 400715）

葛根是豆科植物野葛（Pueraria lobata（Willd.）Ohwi）的根，是一種藥食兩用資源[1]。葛根中含有異黃酮、葛根素等活性成分，還含有必需氨基酸和鈣、鐵、鋅、硒等微量元素[2]，具有改善心腦血管循環、降低心肌耗氧量、降低血管阻力、抗炎、祛痰、解熱、提高機體免疫力等作用[3]。由于葛根的主要加工品葛粉具有清熱解毒、生津止渴、補腎健脾、益胃安神、清心明目、潤腸通便及解酒等功能[4-5]，其市場需求量逐年提升。但某些葛粉生產企業為了謀利，在葛粉中摻入廉價的薯類淀粉（如紅薯淀粉、馬鈴薯淀粉等）以降低成本，損害了消費者的權益，也沖擊了正規葛粉企業的生產和銷售。

常用的葛粉摻假檢測技術有感官識別法、顯微鏡比較法[6]、黏度比較法[7]、指紋圖譜識別法[8]等。這些方法有些過度依賴經驗的積累，有些需要繁瑣的樣品前處理，無法做到快速、高效地對葛粉摻假進行檢測。劉嘉等[4]曾采用傅里葉變換紅外譜鑒別法對葛粉摻假進行鑒別，取得了較好的效果，但仍然需要對樣品進行干燥及KBr壓片處理，操作過程較為繁瑣。近紅外光譜（near infrared spectroscopy，NIRS）檢測技術是20世紀80年代發展起來的一種快速檢測技術，具有分析速度快[9-10]、效率高、低成本[11]、無污染、無需要前處理[12-13]和多組分同時測定等優點[14]。在食品領域中，近紅外光譜被廣泛應用于食品成分檢測[15-16]、產地和種類鑒別[17-19]、品質鑒定[20-21]、產品分級[22]等方面。在食品摻假檢測中，近紅外光譜檢測技術也被國內外學者廣泛的應用。Haughey等[23]采用近紅外光譜對摻雜了三聚氰胺的豆粕進行了鑒別，Zhu Xiangrong等[24]采用化學計量學的方法，通過近紅外光譜對摻雜甜味劑的蜂蜜進行了有效的鑒別；褚瑩等[25]利用近紅外光譜技術結合多種化學計量學方法，研究了快速鑒別摻假羊奶的方法。目前，使用近紅外光譜快速鑒別葛粉品質還未見報道。因此，本實驗以摻假葛粉為研究對象，探討采用近紅外漫反射光譜對葛粉摻假（摻雜紅薯淀粉和馬鈴薯淀粉）進行快速檢測的可行性，以期為加強市場監管提供有力支持。

1 材料與方法

1.1 材料

葛粉 重慶正里元實業有限公司；紅薯淀粉 重慶金田農業集團有限公司；馬鈴薯淀粉 重慶佳仙食品有限公司。

1.2 儀器與設備

MPA近紅外光譜儀 德國Bruker公司。掃描范圍12 000～4 000 cm-1，分辨率4 cm-1，掃描次數16次，PbS檢測器，采用石英樣品杯和樣品旋轉臺，漫反射方式收集信號。采用儀器自帶的OPUS 7.0采集并處理光譜。

1.3 方法

1.3.1 樣品制備

表 1 葛粉摻假樣品的制備Table 1 Preparation of kudzu starch adulterated with potato starch and sweet potato starch

向葛粉中加入不同質量的薯類淀粉（紅薯淀粉和馬鈴薯淀粉）并混合均勻。每個相同配比樣品重復10 份，選取其中7 份作為校正集，其余3 份作為驗證集，共制得葛粉含量為0%、20%、40%、60%、80%、100%（質量含量）的樣品160 份[4]，詳見表1。

1.3.2 數據處理及建模分析

通過測定，得到樣品的近紅外光譜。將原圖譜數據以JCAMP-DX格式導入Unscrambler 9.8中進行分析。對光譜進行適當的前處理，選擇最佳的光譜波長區，建立校正模型。

2 結果與分析

2.1 葛粉與摻假葛粉的近紅外光譜比較

圖 1 葛粉及摻假葛粉近紅外漫反射光譜圖Fig.1 Near infrared diffuse reflectance spectra of kudzu starch adulterated with potato starch and sweet potato starch

近紅外光譜主要反映的是分子中化學鍵振動的倍頻和合頻信息，光譜信息重疊度較大。從圖1可以看出，在12 000～4 000 cm-1波數范圍內，葛粉及摻假葛粉近紅外光的峰形和位置都較為相似，無法通過圖譜直觀地進行鑒別。因此，需要采用化學計量學的方法，建立摻假葛粉檢測模型進行鑒別分析。

2.2 主成分分析

主成分分析（principal component analysis，PCA）通過對原始光譜變量進行轉換，將原來的變量重新組合成一組新的互相無關的幾個綜合變量。新變量能最大限度地表征原變量的數據結構特征，且不丟失信息。通過PCA，可實現紅外光譜數據的線性降維投影顯示，進而能直觀地從二維或三維圖像中觀察到光譜的主要特性和聚類情況[26]。

將校正集樣品所有光譜數據導入The Unscrambler 9.7中，對原始光譜進行PCA，并在平面坐標系中，以第1主成分的得分值（PC1）為橫軸，以第2主成分的得分值（PC2）為縱軸，做出樣品的PC點散圖，如圖2所示。可以看出，馬鈴薯淀粉聚集在X軸正方向，紅薯淀粉聚集在Y軸負方向，純的葛粉則與之相反。隨著葛粉含量的增加，各摻假樣品分別從馬鈴薯淀粉和紅薯淀粉物的聚集區向純葛粉的聚集區靠攏，不同的摻假樣品分布區域相距較明顯，相同樣品內聚合度較好。

圖 2 葛根及摻假葛粉的主成分分析圖Fig.2 Principal component score plots for kudzu starch adulterated with potato starch and sweet potato starch

通過主成分分析，得到校正集112個樣品的主成分的方差累計貢獻率，如表2所示。校正集樣品前4 個主成分的累計貢獻率超過99.99%，說明前4 個主成分已經足夠代表樣品的重要信息。主成分分析的目的是將數據降維，主成分選取過多可能會引入不必要的噪聲，造成過擬合，因此，在建模中選擇主成分因子數為4。

表 2 主成分的方差累計貢獻率Table 2 Cumulative variance contribution rates of principal components

2.3 光譜預處理及校正模型的建立

表 3 不同光譜處理方法對建模效果的影響Table 3 Results from PLS and PCR calibration models with different spectral pretreatments ents

2.4 光譜區間選擇

表 4 不同光譜區間PLS模型對比Table 4 Comparison among PLS calibration models with different wavelength bands

2.5 模型驗證

圖 3 驗證集葛粉含量預測值與真實值的相關關系Fig.3 Relationship between predicted and true levels of kudzu starch content in the validation set

為檢驗模型的可靠性，利用已建立的PLS數學模型對驗證集48 個樣品進行預測。圖3為校正模型對未知樣品的葛粉含量預測值與實際值的比較。驗證結果顯示，預測值與真實值集中分布在45°線附近，具有較好的相關性。模型的RMSEP=2.298 7%，=0.994 5，模型的相對分析誤差（relative prediction deviation，RPD）為13.56，說明模型有較強的預測能力和穩定性。

2.6 回收實驗

稱取等質量的紅薯淀粉與馬鈴薯淀粉均勻混合，得到空白樣品，向其中添加一定質量的葛粉，分別制備葛粉含量為50%、70%、90%樣品各3 份（共9 份），掃描近紅外光譜并進行預測，計算回收率，結果見表5。結果顯示，該模型的平均回收率為99.89%，相對標準偏差（relative standard deviation，RSD）為2.96%，說明該模型預測結果準確可靠。

表 5 回收實驗結果（ =9）Table 5 Results of recovery tests （ = 9）

3 結 論

本研究采用近紅外漫反射光譜技術，結合化學計量學的方法，對葛粉摻假快速檢測方法進行了研究。通過比較分析，采用PLS回歸建立預測模型，SNV處理近紅外光譜，光譜區間962～1 389 nm，可以達到較高的預測精度。結果表明，模型的預測誤差均方根RMSEP為2.298 7%，實際值與預測值相關系數RP2為0.994 5，相對分析誤差13.56，平均回收率99.89%（n=9，RSD=2.96%），實現了較高精度的預測。采用近紅外光譜法，樣品不需前 處理，操作簡便迅速，為葛粉摻假快速檢測提供了一種新方法。

[1]廖洪波, 賀稚非, 王光慈, 等. 葛根的研究進展及展望[J]. 食品工業科技, 2003, 2 4(2): 81-83.

[2]張雁, 張孝祺. 葛根的營養保健功能及開發利用[J]. 食 品研究與開發, 2000, 21(2): 37-39.

[3]馮慧, 周青, 謝繼安. HPLC譜法 測定葛粉中葛根素含量[J]. 中國食物與營養, 2011, 17(3): 57-59.

[4]劉嘉, 李建超, 陳嘉, 等. 葛粉摻假的傅里葉變換紅外光譜法鑒別研究[J]. 食品科學, 20 11, 32(8): 226-230.

[5]盧成瑛, 陳功錫, 卜曉英, 等. 不同 來源葛根淀粉的理化性質比較[J].食品科學, 2009, 30(21): 50-52.

[6]孫亮, 杜威, 周敏, 等. 葛根淀粉的鑒別方法研究[J]. 中國衛生檢驗雜志, 2012, 22(5): 1151-1152.

[7]趙文紅, 白衛東, 王琴, 等. 葛根全粉糊流變特性初探[J]. 食品與機械, 2008, 24(4): 41-45.

[8]沈夢潔, 馮昕韡, 朱仲良. 葛根HPLC指紋圖譜及模式識別研究[J].內蒙古大學學報: 自然科學版, 2012, 43(1): 73-76.

[9]陳斌, 方如明, 趙杰文, 等. 食醋主要成分近紅外光譜快速測定法[J].食品科學, 2000, 21(5): 55-57.

[10]張鵬, 李江闊, 孟憲軍, 等. 磨盤柿可溶性固形物的可見/近紅外漫反射光譜無損檢測[J]. 食品科學, 20 11, 32(6): 191-194.

[11]王右軍, 朱大洲, 屠振華. CCD短波近紅外光譜快速檢 測牛奶中摻假物質的研究[J]食品科學, 2009, 30(6): 135-138.

[12]毛莎莎, 曾明, 何紹蘭, 等. 哈姆林甜橙果實內在品質的可見-近紅外漫反射光譜無損檢測法[J]. 食品科學, 2010, 31(14): 258-263.

[13]羅陽, 王錫昌, 鄧德文. 近紅外光譜分析檢測魚丸彈性的可行性研究[J]. 食品科學, 2008, 29(8): 530-533.

[14]劉婭, 趙國華, 陳宗道, 等. 近紅外光譜技術及其在油脂檢測中應用[J].糧食與油脂, 2002, 15(11): 35-37.

[15]金華麗, 王金水. 近紅外光譜法檢測小麥粉中灰分含量的研究[J].河南工業大學學報: 自然科學版, 2010, 31(1): 14-17.

[16]金華麗, 許春紅, 李漫男, 等. 基于近紅外光譜技術測定小麥籽粒淀粉含量[J]. 河南工業大學學報: 自然科學版, 2011, 32(6): 24-27.

[17]趙海燕, 郭波莉, 魏益民, 等. 近紅外光譜對小麥產地來源的判別分析[J]. 中國農業科學, 2011, 44(7): 1451-1456.

[18]湯丹明, 孫斌, 劉輝軍. 近紅外漫反射光譜鑒別雞蛋種類[J]. 光譜實驗室, 2012, 29(5): 2699-2702.

[19]LUCIO-GUTI RREZ J R, COELLO J, MASPOCH S. Application of near infrared spectral f ingerprinting and pattern recognition techniques f or fast identification of Eleutherococcus senticosus[J]. Food Research International, 2011, 44(2): 557-565.

[20]高居榮, 樊廣華, 李圣福, 等. 近紅外光譜技術分析小麥品質的應用研究[J]. 實驗技術與管理, 2009, 26(3): 42-44.

[21]岳絨, 郭文川, 劉卉. 近紅外漫反射光譜檢測損傷獼猴桃的內部品質[J]. 食品科學, 2011, 32(10): 141-144.

[22]郎玉苗, 李海鵬, 沙坤, 等. 近紅外技術在牛肉質量分級體系中的應用研究進展[J]. 肉類研究, 2012, 26(8): 39-42.

[23]HAUGHEY S A, GRAHAM S F, CANCOU?T E, et al. The application of Near-Infrared Reflectance Spectroscopy (NIRS) to detect melamine adulteration of soya bean meal[J]. Food Chemistry,2013, 136(3/4): 1557-1561.

[24]ZHU Xiangrong, LI Shuifang, SHAN Yang, et al. Detection of adulterants such as s weeteners materials in honey using near-infrared spectroscopy and chemometrics[J]. Journal of Food Engineering, 2010, 101(1): 92-97.

[25]褚瑩, 丁武, 丁丁. 近紅外光譜法用于摻假羊奶的快速無損鑒別[J].中國乳品工業, 2012, 40(2): 51-53.

[26]羅陽, 王錫昌, 鄧德文. 近紅外光譜技術及其在食品感官分析中的應用[J]. 食品科學, 2009, 30(7): 273-276.