近紅外光譜結合偏最小二乘法快速測定糖果中水分含量

沈樂丞,劉書航,鄧海玲,何美霞,吳燕蕙,彭建飛,黃勇旗

(1.深圳市計量質量檢測研究院,廣東深圳 518131;2.河南工業大學糧油食品學院,河南鄭州 450001)

糖果作為一種深受歡迎的休閑食品,在眾多的國民消費中居重要的地位,特別是在節日和喜慶消費中,更是必不可少。影響糖果質量有多方面因素,其中水分是影響糖果品質變化的基本因素[1],因此,長期以來糖果工業把成品含水量作為質量控制的重要指標之一[2]。目前糖果水分的常規檢測方法有真空干燥法、卡爾費休法等。真空干燥法測定結果精確度高、所需樣品量少,但檢測速度較慢、對樣品破壞性大,不利于快速檢測。劉惠敏[3]后來通過提高烘干溫度、縮短烘干時間對真空干燥法進行了改進,將檢測時間縮短至20 min,但該方法不適用于果糖含量高的糖果樣品。卡爾費休法[4]是測定糖果水分的各類化學方法中,最為專一、最為準確的方法,但具有抗干擾性弱、重現性較差、污染環境等缺點。

近年來,近紅外光譜憑借其準確、快速、簡便、無損、無污染等優點,備受各國學者青睞,其在食品、藥品、化工、臨床分析等領域應用越來越廣泛[5-11],研究和開發糖果品質的NIR相關分析方法漸成為熱點。目前,采用近紅外光譜測定糖果水分的方法還未見報道。為此,本文應用近紅外光譜技術結合最小二乘法,建立了糖果水分的快速測定方法,該方法操作簡便、快捷,能達到快速準確測定的目的。該分析方法的建立一方面可實現糖果企業產品的自動化實時監控,另一方面可為近紅外測定方法的標準化提供數據支撐和技術依據。

1 材料與方法

1.1 材料與儀器

糖果樣品 實驗所用的116批糖果樣品購買于超市、網上商城等,盡量覆蓋市面上在售的主流品牌和種類。

MPA型傅立葉變換近紅外光譜儀(配有漫反射積分球、石英樣品杯、樣品旋轉器、OPUS光譜采集器及分析軟件) 德國布魯克;DZF-6030A型真空干燥箱 上海一恒;CPA324S萬分位電子天平 德國賽多利斯;2XZ(S)-4型真空泵 上海德英真空照明設備有限公司。

1.2 實驗方法

1.2.1 糖果水分含量的測定 糖果水分含量按照糖果國家行業標準SB/T10347-2008附錄A進行測定,在真空度0.09 MPa、溫度(80±2) ℃下干燥至恒重。

1.2.2 近紅外光譜采集 采用積分球漫反射測樣系統,分辨率8 cm-1;掃描次數64次;掃描波長范圍12500～3600 cm-1;相對濕度30%～35%;室溫22～25 ℃;每個樣品重復采集5次,取其平均光譜。

1.2.3 數據處理 本實驗采用儀器自帶光譜定量分析軟件OPUS進行數據處理,利用偏最小二乘法(Partial Least Squares,PLS)建立定量校正模型,模型評價指標為相關系數(R2),校正均方根誤差(Root Mean Square Error of Calibration,RMSEC),預測均方根誤差(Root Mean Square Error of Predication,RMSEP)[12]。

2 結果與分析

2.1 校正集和驗證集的選擇

將116批樣品水分含量從小到大排列,將其按照3∶1的比例進行校正集(87批)和驗證集(29批)劃分,確保驗證集樣品水分含量范圍處于校正集樣品水分含量范圍之內。表1列出了校正集和驗證集樣品水分含量分布范圍及其統計結果。

表1 糖果水分含量分布范圍Table 1 The distribution of moisture content in candy

從表1可知,樣品水分含量分布范圍較廣,基本涵蓋了正常糖果水分含量范圍,校正集和驗證集樣品水分含量平均值和標準偏差分別為8.139%、5.217%,8.044%、4.985%,平均值接近,偏差均較大,說明數據較分散,多態性較豐富,可以滿足建模的要求。

2.2 光譜預處理

圖1是糖果樣品原始光譜圖(12500～3600 cm-1),由圖1可見,糖果樣品受顏色、顆粒均勻度及雜散度等影響,導致了圖譜基線漂移及譜帶重疊,為提高模型穩健性和準確性,需對原始光譜進行預處理。

圖1 糖果樣品原始光譜圖Fig.1 Original NIR spectra of candy samples

在OPUS軟件推薦的光譜范圍內,對采集的近紅外光譜進行了不同預處理方法的比較。R2越接近于1,RMSEC越小,表明模型越穩健,RMSEP 越小,表明模型的預測性能和推廣能力越強。通過比較R2、RMSEC和RMSEP的不同,由表2可知,光譜經過MSC預處理后的建模效果最好。預處理后的圖譜如圖2所示。

表2 不同光譜預處理方法對 PLS 模型參數的影響Table 2 Effect of different preprocessing methods on PLS model

圖2 糖果樣品經MSC預處理光譜圖Fig.2 NIR spectra of candy samples after MSC

2.3 建模波段的選擇

近紅外光譜信息主要來源于C-H、O-H、N-H、S-H、P-H、C=O、C=C等基團基頻振動的合頻和倍頻振動吸收,水分子在近紅外光譜中的特征吸收譜帶為5160～8520 cm-1,主要包含了5176 cm-1處的O-H伸縮振動和彎曲振動合頻吸收、6904 cm-1處的O-H伸縮振動一級倍頻吸收、8504 cm-1處的O-H伸縮振動和一級倍頻合頻吸收[13-15]。在建立近紅外光譜分析校正模型過程中,剔除一些無關光譜信息,可以有效的提高預測模型的精度。采用OPUS分析軟件篩選得到不同最優波段基礎上,結合水的吸收峰位置,依據模型評價指標,對校正模型的波數范圍進行了優化。如表3所示,最后選擇在11682.2～9826.1、8939.0～6267.9、5378.8～4487.8 cm-1范圍內的三個波段作為建模波段。

表3 不同波段數對建模的影響Table 3 Effect of different regions on PLS model

2.4 最佳主成分數的確定

主成分分析法的目的是將數據降維,將相關性很高的變量轉化成彼此相互獨立或不相關的變量。同時,這些變量要盡量多地表征原變量的數據特征而不丟失信息。這幾個新變量稱為主成分或主因子。因此,在建立回歸擬合模型時,主因子數對模型的穩定性有很大影響,選取的主因子數太少,將會丟失原始光譜較多的有用信息,會造成模型欠擬合;如果選取的主因子數太多,會出現過擬合現象[16-17]。本實驗用交互驗證法,以校正樣品集內部校正均方根誤差(RMSECV)為優化參數,選擇最佳主因子數。不同主因子數對PLS模型參數的影響比較結果見圖3。發現當主成分小于15時,RMSECV隨主成分的增加而減小;而當主成分大于15,RMSECV隨著主成分數的增加而增加,RMSECV最小值對應的主成分數為15,此時主成分數最佳。

圖3 RMSECV值隨主成分的變化Fig.3 RMSECV value with different factors for moisture

2.5 模型的建立

經過比較不同預處理方法、波段數、主因子數,發現選用MSC對原始光譜圖進行預處理,最佳建模區間11682.2～9826.1、8939.0～6267.9、5378.8～4487.8 cm-1,最佳主成分數15,得到定量分析模型的R2為0. 9716,RMSEC為0.97%,RMSEP為1.03%。由圖4可知預測值與實測值很接近,建立的定量分析模型預測性能較好。

圖4 預測值與實測值的相關及偏差分布圖Fig.4 Correlation and difference betweenpredictive values and measured values

2.6 模型驗證

29 批驗證集樣品的近紅外光譜圖導入到分析模型中,得到了糖果水分含量的預測值,以其與實測值的比值作為預測回收率,得平均回收率,結果見表4。由表4可知,預測值和實測值的平均回收率為103.46%,表明該模型可用于預測糖果水分含量。將29個驗證集NIR預測值與實測值進行配對t檢驗,t=-0.780.05,說明95%概率下兩組數據無顯著性差異,該模型可滿足糖果水分含量快速準確測定的需求。

表4 驗證集預測值與實測值的關系Table 4 Relationships between predictive values and measured values of validation set

2.7 糖果水分模型方法學驗證

2.7.1精密度 取同一份糖果樣品30 g,重復5次掃描其NIR圖譜,輸入NIR分析模型計算其水分含量,結果見表5,其相對標準偏差(RSD)為1.087%,表明該模型的精密度良好。

表5 模型精密度實驗結果Table 5 Results of model precision test

2.7.2 重復性 分別取同一糖果樣品5份,各30 g,分別掃描其NIR圖譜,輸入NIR分析模型計算其水分含量,結果見表6計算結果RSD值為1.055%,表明該模型的重復性良好。

表6 模型重復性實驗結果Table 6 Results of model repeatability test

3 結論

采用漫反射法獲得糖果的近紅外光譜,經過MSC預處理,在11682.2～9826.1、8939.0～6267.9、5378.8～4487.8 cm-1范圍內,主成分數為15時,應用PLS方法建立的糖果水分的定量預測模型效果最佳。糖果水分含量的模型預測值與國家行業標準實測值呈良好的相關性,相關系數為0.9716,RMSEC和RMSEP分別為0.97%和1.03%。該模型準確可靠,且與傳統的糖果水分含量測定方法相比較,耗時短、操作簡便,研究結果可為糖果質量的現場快速評價提供幫助,為實現糖果水分近紅外快速測定方法的標準化提供數據支撐和技術依據。

[1]陳健敏,任斯忱,李汴生,等. 影響傳統中式花生糖果貯藏期間氧化穩定性的因素研究[J]. 現代食品科技,2012(12):1667-1671.

[2]朱肇陽. 糖果水分和水分活度[J]. 食品科學,1983(1):55-60.

[3]劉惠敏. 試用顯著性檢驗法判斷糖果水分快速測定法的可靠性[J]. 食品科學,1994(10):46-49.

[4]卡爾費休法測定糖果水份的應用報告[J]. 食品工業科技,1984(6):42-53.

[5]劉洪林. 基于近紅外光譜技術(NIRS)對工夫紅茶茶色素含量測定[J]. 食品工業科技,2017(1):308-311.

[6]Sánchez M T,Pérez-Marín D,Torres I,et al. Use of NIRS technology for on-vine measurement of nitrate content and other internal quality parameters in intact summer squash for baby food production[J]. Postharvest Biology & Technology,2017,125:122-128.

[7]Chiesa L,Panseri S,Bonacci S,et al. Authentication of Italian PDO lard using NIR spectroscopy,volatile profile and fatty acid composition combined with chemometrics[J]. Food Chemistry,2016,212:296-304.

[8]Liu Y F,Chen X,Zheng B,et al. Detection of the contents of the ingredient of food by using the NIR spectroscopy and the backward interval partial least-squares[J]. Advanced Materials Research,2013,731:4337-4341.

[9]Márquez C,López M I,Ruisánchez I,et al. FT-Raman andNIR spectroscopy data fusion strategy for multivariate qualitative analysis of food fraud[J]. Talanta,2016,161:80-86.

[10]Schlegel L B,Schubert-Zsilavecz M,Abdel-Tawab M. Quantification of active ingredients in semi-solid pharmaceutical formulations by near infrared spectroscopy[J]. Journal of Pharmaceutical & Biomedical Analysis,2017,142:178-189.

[11]Shen L,Shen Y,Li F. Optimized utilization of NIR spectrum with interfacial TiO2/SiO2/TiO2,trilayer in hybrid-integrated multijunction architecture[J]. Solar Energy Materials & Solar Cells,2017,160:425-429.

[12]黃曉瑋,鄒小波,趙杰文,等. 近紅外光譜結合蟻群算法檢測花茶花青素含量[J]. 江蘇大學學報：自然科學版,2014,35(2):165-170.

[13] Deng R,He Y,Qin Y,et al. Measuring pure water absorption coefficient in the near-infrared spectrum(900-2500 nm)[J]. Journal of Remote Sensing,2012,16(1):192-206.

[14]殷哲,雷廷武,董月群. 近紅外土壤含水率傳感器設計與試驗[J]. 農業機械學報,2013,44(7):73-77.

[15]楊柳,徐榕,雷廷武,等. 近紅外反射土壤含水率測量儀設計[J]. 農業工程學報,2015,31(20):1-9.

[16]莫欣欣,孫通,劉津,等. 近紅外光譜法定性檢測菜籽油中多效唑殘留[J]. 分析試驗室,2017(7):758-763.

[17]劉廣軍,高洪濤. 化學計量學中的主成分分析[J]. 曲阜師范大學學報：自然科學版,2004,30(3):75-78.