基于近紅外光譜技術的抹茶摻偽定性判別研究

,, , ,

(安徽農業大學茶樹生物學與資源利用國家重點實驗室,安徽合肥 230036)

基于近紅外光譜技術的抹茶摻偽定性判別研究

趙開飛,王敬涵,張惠,黃蕭,劉政權*

(安徽農業大學茶樹生物學與資源利用國家重點實驗室,安徽合肥 230036)

本實驗采用近紅外光譜技術與主成分分析法結合線性判別分析法(PCA-LDA)和K最鄰近法,對抹茶中添加白砂糖、麥芽糊精、桑葉粉、大麥苗粉的現象進行定性判別分析。結果顯示,PCA-LDA的定性判別結果優于K最鄰近法,純抹茶與摻偽抹茶、純抹茶與摻糖抹茶、純抹茶與摻糊精抹茶、純抹茶與摻桑葉粉抹茶、純抹茶與摻大麥苗粉抹茶、4種摻偽抹茶的定性分析模型的校正集識別率為98.3%、100%、91.7%、100%、100%、100%;預測集識別率為96.5%、100%、87.5%、95.8%、90.3%、95.3%。由此可知,通過PCA-LDA建立的定性判別模型準確度和識別率都很好,能夠快速、準確的對抹茶中是否摻偽進行定性判別。

抹茶,近紅外光譜,品質判別,主成分分析,線性判別分析,K最鄰近法

抹茶,即采用覆蓋栽培的茶樹鮮葉經蒸汽(或熱風)殺青后、干燥制成的葉片為原料,經研磨工藝加工而成的微粉狀茶產品[1-2]。因而它最大限度地保持了綠茶原有的天然綠色以及營養、藥理成分,有很強的表面吸附力及親和力、固香性及良好的懸浮穩定性等特性,特別容易被腸胃消化吸收,并廣泛應用于奶制品、冷食、烘焙、豆制品、飲料、保健食品、日化產品等諸多行業[3-5]。近年來,隨著哈根達斯、星巴克、伊利等知名企業在中國推出了抹茶口味的冰激凌、抹茶星冰樂、抹茶拿鐵、抹茶巧克力等食品,抹茶逐漸在市場上流行起來[6]。因抹茶具有良好的經濟效益,而致使市場上的抹茶產品良莠不齊,出現了往抹茶中添加非茶成分,或以次充好的現象,其中市場上抹茶中常見的添加物有白砂糖、麥芽糊精、桑葉粉、大麥苗粉、小球藻等。這不僅損害了消費者的權益,也擾亂了中國抹茶市場秩序。因此,這就需要尋找一種快速有效的方式來辨別抹茶摻偽,為規范中國抹茶市場秩序提供一種有效手段。

近紅外光譜技術是近年來發展較快的一種綠色、無污染、快速、無損檢測技術,其廣泛應用于農產品、食品領域和茶葉的品質檢測分析[7-8]。近紅外光是指波長在780～2526 nm(波數在12500～4000 cm-1)范圍內的電磁波,主要反映含氫基團振動的倍頻和組合頻吸收,幾乎涵蓋了有機物中所有含氫的信息[9-10]。近紅外光譜技術在食品真偽摻假判別上得到廣泛應用[11],至今,其已被廣泛用在肉類[12-13]、植物油[14-15]、牛奶[16-17]、蜂蜜[18-19]、奶粉[20-21]等食品的摻偽鑒別。

近紅外光譜的定性分析主要是利用已知樣或標準樣來判定未知樣品的歸屬,即定性模型可以用來判斷研究對象的真假、等級、產地以及類別等[22]。其中定性分析方法根據實際情況應用過程有所差別,但其一般步驟可分為標準(參考)樣品光譜集的建立、光譜的預處理及校正、光譜特征提取、定性判別模型的建立和驗證、未知樣品定性分析[23]。本實驗以玉露碎為研究對象,摻入不同比例的白砂糖、麥芽糊精、桑葉粉、大麥苗粉,探索了采用近紅外光譜分析方法結合主成分分析與線性判別分析和K最近鄰法判別抹茶添加非茶成分的可行性。

1 材料與方法

1.1材料

玉露碎、桑葉粉、大麥苗粉 浙江紹興御茶村茶葉有限公司;白砂糖 購于合肥家樂福超市;麥芽糊精 上海南季生物有限公司。

1.2儀器設備

行星式球磨機 湖南長沙米淇儀器設備有限公司;AR224CN分析天平 奧豪斯儀器(上海)有限公司;MPA型傅里葉變換近紅外光譜儀 德國Bruker光譜儀器公司,掃描范圍為12500～4000 cm-1,分辨率4 cm-1,掃描次數為32次;OPUS 6.5光譜采集分析軟件和Matlab2014數據處理軟件。

1.3實驗方法

1.3.1 樣品制備 在添加兩種非茶成分白砂糖和麥芽糊精時,按1%的梯度添加到玉露碎茶葉中,添加范圍在0～30%之間,并使用行星式球磨機制備成摻偽抹茶。將制備好的茶粉樣品分別裝入小塑料自封袋中封口,從每種樣品中稱取10 g茶粉放入樣品杯中,每種比例做3個平行,分別獲得添加白砂糖和麥芽糊精抹茶樣品93個,共計186個樣品。

在添加桑葉粉時,其添加量為0～10%,以1%的梯度添加,12%～50%,以2%的梯度添加,55%～100%,以5%的梯度添加至玉露碎茶葉中制備成摻偽抹茶,每個梯度樣品做3個平行,共計123個樣品。

在添加大麥苗粉時,其添加量為0～10%,以1%的梯度添加,12%～50%,以2%的梯度添加,52.5%～100%,以2.5%的梯度添加至玉露碎茶葉中制備成摻偽抹茶,每個梯度樣品做3個平行,共計153個樣品。

由玉露碎制備的純抹茶樣品30個并掃描光譜和4組摻偽抹茶中0%的抹茶樣品12個,共計42個純抹茶樣品。

1.3.2 樣品光譜采集 利用MPA型傅里葉變換近紅外光譜儀對樣品進行光譜掃描,樣品以稱取10 g為準放入樣品杯,以保證實驗數據的穩定可靠。樣品杯以0°、120°和240°旋轉3次掃描光譜,然后利用以光譜以配套的OPUS 6.5光譜采集分析軟件對掃描的光譜取平均值,作為該樣品的原始光譜。

1.3.3 調用光譜 從原始近紅外光譜庫中導出42條原抹茶近紅外光譜,150條摻偽抹茶近紅外光譜(依次將每種濃度梯度的摻偽抹茶平均光譜得到),實驗樣品分布見表1,其近紅外光譜圖如圖1。將192個樣本分為校正集和驗證集,分組結果見表2,其中校正集128個樣本用于原料肉和摻假肉兩類判別模型的建立,驗證集64個樣本則用來評價模型的有效性。

表1 實驗樣品分布Table 1 Distribution of test samples

表2 校正集與預測集樣品分布Table 2 Sample distribution of calibration set and prediction set

圖1 192個樣品光譜原始圖Fig.1 The original spectra of 192 samples

2 結果與分析

純抹茶與摻偽抹茶判別模型的建立由于實驗采集的光譜(42條原抹茶光譜和150條摻偽抹茶光譜)在4000～12500 cm-1波數范圍內共有2202個數據點,包含的信息量大,其中還有很多無用信息,與樣品的組分和性質缺乏相關性,分析量大。因而需要利用Matlab2014軟件對龐大的信息數據用主成分分析進行降維,特征提取。然后利用提取的有效特征參數進行線性判別分析。經過分析,各組摻偽抹茶的前三主成分的累積貢獻率達到0.9以上,當主成分的累積貢獻率達到0.85以上就能代表原始信息的絕大部分信息,因而其能夠滿足建模需求[24]。

圖2為192個樣品前3主成分在三維空間經過視覺旋轉后得分分布情況圖,從圖中可以看出,通過主成分分析法就能夠較好的把純抹茶和摻偽抹茶區分開來,摻偽抹茶主要分布在Z軸上以-0.1為橫軸的上半部分,純抹茶主要集中在其下半部分,并主要分布在Y軸的負半軸。模型的識別率如表5所示,校正集為98.3%,預測集為96.5%,這說明主成分分析結合線性判別分析(PCA-LDA)能夠較好的對抹茶的摻偽進行判別。此外,純抹茶與摻偽抹茶進行兩兩判別和抹茶摻偽種類間的區分結果表明,PCA-LDA能夠較好的實現抹茶摻偽的定性判別。

圖2 192個樣本前三主成分三維得分圖Fig.2 192 samples of the first three principal components of the three-dimensional score chart

圖3是經過視覺轉換后的四種摻假抹茶前兩個(PC1,PC2)主成分分布圖,從圖中可以看出,添加白砂糖、麥芽糊精、桑葉粉、大麥苗粉的4種抹茶通過主成分分析法能夠將它們區別出來,進一步采用線性判別分析分析建立識別模型,模型的校正集和預測集識別率分別為100%、95.3%,由此可以得出,PCA-LDA能夠實現4種摻偽抹茶的識別。

圖3 4種摻偽抹茶前兩個主成分得分圖Fig.3 First two principal component score plot of 4 kinds of adulteration of matcha

從通過視覺旋轉后的圖4～圖7中可以看出,主成分分析法能夠把各摻偽抹茶與純抹茶很好的區分開來,進一步的模式識別即通過線性判別分析(LDA)建立識別模型,其中校正集和預測集的識別率如表4所示表明,通過PCA-LDA建立識別模型可以有效的對摻偽抹茶進行識別。

圖4 純抹茶與摻白砂糖抹茶前三主成分三維得分圖Fig.4 First three principal component score plot 3D of pure and mixed matcha

圖5 純抹茶與摻麥芽糊精抹茶前三主成分三維得分圖Fig.5 First three principal component score plot 3D of pure and addition of maltodextrin matcha

圖6 純抹茶與摻桑葉粉抹茶前三主成分三維得分圖Fig.6 First three principal component score plot 3D of pure and addition of mixing ratio of mulberry leaf powder matcha

圖7 純抹茶與摻大麥苗粉抹茶前三主成分三維得分圖Fig.7 First three principal component score plot 3D of pure and addition of mixed ratio of barley seedling powder matcha

在對抹茶摻偽的定性判別分析研究中,本實驗主要采用主成分分析法結合線性判別分析法(PCA-LDA)和K最鄰近法。在使用K最鄰近法進行判別時,選取的主成分數對模型的判別結果有很大影響,需對其作優化處理。此外,樣本間的距離K的選取也會對模型的判別結果有影響,也要作優化處理,因而實驗中選取了前10個主成分數和10個K值,K值以奇數選取,同時對KNN模型進行優化,優化以校正集和預測集的識別率為判斷標準[25],優化后的實驗結果如表3所示。

表3 K-NN模型識別抹茶摻偽結果Table 3 K-NN model to identify the adulteration of the matcha

表4 PCA-LDA模型識別抹茶摻偽結果Table 4 PCA-LDA model to identify the adulteration of the matcha

由表3可知,通過K最近鄰法分別對純抹茶與幾種摻偽抹茶的判別結果表明:K最近鄰法與主成分析法結合線性判別分析可以有效識別純抹茶與摻偽抹茶、摻糖抹茶、摻糊精抹茶、摻桑葉粉抹茶、摻大麥苗粉抹茶以及識別摻偽的種類,其中摻糖和糊精的抹茶校正集和預測集的識別率要明顯高于摻桑葉粉和大麥苗粉的,由表4主成分析法結合線性判別分析法也能夠對純抹茶與幾種摻偽抹茶進行有效識別,其中主成分析法結合線性判別分析法對摻假、摻糖、桑葉粉、大麥苗粉的抹茶的校正集和預測集識別率要高于K最鄰近法的識別,綜合來看,PCA-LDA模型識別抹茶摻偽結果優于K最鄰近法的結果。

3 結論

本實驗采用近紅外光譜技術結合主成分分析和線性判別分析(PCA-LDA)、K最近鄰法對純抹茶與摻偽抹茶建立定性判別分析來判別抹茶是否摻偽和摻偽類型,通過比較,在純抹茶與摻偽抹茶、純抹茶與摻糖抹茶、純抹茶與摻桑葉粉抹茶、純抹茶與摻大麥苗粉抹茶的定性分析模型中PCA-LDA的結果優于K最近鄰法,而純抹茶與摻麥芽糊精抹茶則是K最近鄰法較好,綜合而言,選取PCA-LDA作為抹茶摻偽的定性判別分析方法。純抹茶與摻偽、摻糖、摻桑葉粉、摻大麥苗粉、4種摻偽抹茶、摻糊精抹茶的校正集識別率為98.3%、100%、100%、100%、91.7%;預測集識別率96.5%、100%、95.8%、90.3%、95.3%、87.5%。由此可知,通過PCA-LDA建立的定性判別模型準確度和識別率都很高,其能夠快速、準確的對抹茶中是否摻偽進行定性判別。

[1]劉東娜,聶坤倫,杜曉,等. 抹茶品質的感官審評與成分分析[J]. 食品科學,2014,35(2):168-172.

[2]尹春英,劉乾剛. 抹茶溯源及其利用[J]. 茶葉科學技術,2008(2):13-15.

[3]李翔、許彥.抹茶制品開發研究進展[J].飲料工業，2013，16(6)：13-15.

[4]徐睿瑤,李宏遠. 日本抹茶的發展概況及其與中醫茶療的關系[J]. 世界中西醫結合雜志,2016,11(9):1309-1310.

[5]李徽,李春方,任靜,等. 遮陰時間對抹茶及其加工蛋糕品質的影響[J]. 上海師范大學學報：自然科學版,2014,43(6):573-577.

[6]張一潔.中國末茶文化研究[D].上海:華東師范大學,2014

[7]李雪明. 近紅外光譜分析技術在農產品食品品質在線無損檢測中的應用研究進展[J]. 科學與財富,2015(26):153-153.

[8]于英杰,孫威江. 近紅外光譜及高光譜技術在茶葉上的應用[J]. 亞熱帶農業研究,2014,10(4):269-273.

[9]周小芬,葉陽,陳芃,等. 近紅外光譜技術在茶葉品質評價中的研究與應用[J]. 食品工業科技,2012,33(5):413-417.

[10]王小燕,王錫昌,劉源,等. 近紅外光譜技術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.

[11]張玉華,孟一,張應龍,等. 近紅外光譜技術在食品安全領域應用研究進展[J]. 食品科技,2012(10):283-286.

[12]Ding H B,Xu R J. Near-infrared spectroscopic technique for detection of beef hamburger adulteration.[J]. Journal of Agricultural & Food Chemistry,2000,48(6):2193-8.

[13]Mohanty B P,Barik S,Mahanty A. Food safety,labeling regulations and fish food authentication[J]. National Academy Science Letters,2013,36(3):253-258.

[14]彭星星,陳文敏,喬茜華,等. 近紅外光譜技術鑒別核桃油中摻入菜籽油、大豆油及玉米油的研究[J]. 中國糧油學報,2015(12):106-113.

[15]張亦婷,劉翠玲,位立娜. 基于光譜技術的芝麻油摻假定性分析研究[J]. 食品科技,2016(9):257-261.

[16]金垚,杜斌,智秀娟. NIR技術快速鑒定牛奶品牌與摻假識別[J]. 食品研究與開發,2016,37(3):178-181.

[17]倪力軍,鐘霖,張鑫,等. 近紅外光譜結合非線性模式識別方法進行牛奶中摻假物質的判別[J]. 光譜學與光譜分析,2014(10):2673-2678.

[18]Shui-Fang L I,Shan Y,Zhu X R,et al. Detection of honey adulteration by addition of maltose syrup using near-infrared transflectance spectroscopy[J]. Food Science & Technology,2010.

[19]Huang L,Liu H,Zhang B,et al. Application of electronic nose with multivariate analysis and sensor selection for botanical origin identification and quality determination of honey[J]. Food and Bioprocess Technology,2015,8(2):359-370.

[20]徐玲玲,李衛群,朱慧,等. 近紅外光譜法檢測奶粉摻假[J]. 食品安全質量檢測學報,2016,7(8):3133-3137.

[21]王寧寧,申兵輝,關建軍,等. 近紅外光譜分析技術識別奶粉中淀粉摻假的研究[J]. 光譜學與光譜分析,2015(8):2141-2146.

[22]劉偉. 基于光譜信息的模型辨識方法研究[D]. 北京:北京化工大學,2014.

[23]嚴衍祿,陳斌,朱大洲.近紅外光譜分析的原理、技術與應用[M].北京:中國輕工業出版社,2013.83-84.

[24]楊志敏. 應用近紅外光譜技術快速檢測原料肉新鮮度及摻假的研究[D]. 咸陽:西北農林科技大學,2011.

[25]趙杰文,林顥.食品、農產品檢測中的數據處理和分析方法[M].北京:科學出版社,2012.164-165.

Qualitativediscriminationofadulterationinmatchabasedonnearinfraredspectroscopy

ZHAOKai-fei,WANGJing-han,ZHANGHui,HUANGXiao,LIUZheng-quan*

(State Key Laboratory of Tea Plant Biology and Utilization,Anhui Agricultural University,Hefei 230036,China)

In this experiment,near infrared spectroscopy and principal component analysis combined with linear discriminant analysis method and K-nearest neighbors was used to qualify the qualitative discriminant analysis on the phenomenon of matcha added sugar,maltodextrin,mulberry leaf powder,barley seedling powder.The results showed that the qualitative judgment of PCA-LDA was superior to K nearest neighbor method. Pure matcha and fake matcha,pure matcha and matcha adulterated white sugar,pure matcha and matcha adulterated maltodextrin,pure matcha and matcha adulterated mulberry leaf powder,pure match and matcha adulterated barley flour,four kinds of fake matcha,the calibration set recognition rate of qualitative analysis model were respectively 98.3%,100%,91.7%,100%,100%,100%,and the predictive set recognition rate were 96.5%,100%,87.5%,95.8%,90.3%,95.3%,respectively. It can be seen that the models had very good precision and stabilization and they could quickly and accurately discriminate whether matha was adulterated.

matcha;near infrared spectroscopy;quality identification;principal component analysis;linear discriminant analysis;K-nearest neighbors

2017-03-03

趙開飛(1990-)，男，碩士研究生, 研究方向：茶葉資源綜合利用,E-mail：461127635@qq.com。

*通訊作者:劉政權(1975-)，男，碩士，副教授，研究方向：茶葉資源綜合利用，E-mail:liuzq0312@163.com。

浙江省重大科技專項(2017C02037)項目資助；安徽特色農業發展項目(皖財農[2016]188號)。

TS207.3

:A

:1002-0306(2017)17-0241-05

10.13386/j.issn1002-0306.2017.17.046