基于近紅外光譜技術構建固態復合調味料鮮美度預報模型

張佳匯，王芳

上海太太樂食品有限公司（上海 201812）

隨著生活質量的不斷提高，人們對于調味料的要求逐步從單一型向復合型、低檔向中高檔演變，具有調味、增鮮、賦香等功能的固態復合調味料產品在市場上越來越受到青睞。對于固態復合調味料而言，獨特的鮮美滋味對其口感品質起著決定性作用。關于固態復合調味料的鮮美度滋味評判，主要依靠經過培訓且具有豐富經驗的優秀評價員采用專業感官評價方法進行，該方法耗時長、難度大、要求高，評判結果容易受環境、身體、心情等諸多主觀因素的影響，往往誤差較大。因此，探索鮮美度的快速、準確、全面的評價方法，對固態復合調味料的鮮美度評價具有重要意義。

近紅外光譜（NIRS）技術是一種綠色分析技術，它利用有機物質在近紅外光譜區內的光學特征，快速地檢測該有機物中一項或多項化學成分的性質和含量，具有方便、快速、高效、準確、無污染，樣品無需預處理且不會遭到破壞，不消耗化學試劑等優點[1-2]。近年來，近紅外技術在食品領域內越來越受到重視，被廣泛應用于食品組成測定、食品生產控制、食品安全檢測、食品感官分析等方面，如核桃仁脂肪含量的測定[3]、食用產品瑪咖粉的真假鑒定[4]、咖啡的感官評價[5]等。

基于近紅外光譜技術的固態復合調味料的鮮美度感官評價研究尚未見諸報道。為填補該領域空白，試驗收集91個國內外市售固態復合調味料樣品，基于固態復合調味料的近紅外光譜信息，運用數據挖掘技術探究近紅外光譜數據與鮮美度感官評價數據之間的關聯性，并構建能用于預測鮮美度的近紅外預報模型，為固態復合調味料鮮美度評價提供一種快速、無損的全新方法，以期為企業監控產品質量和優化配方設計等提供思路參考。

1 材料與方法

1.1 試驗材料

試驗所包含的固態復合調味料樣品共91個，樣本購買于2019年9—12月，涵蓋國內外市場上不同品牌、不同產地、不同品種的樣品，主要涉及雞精、雞粉、其他固態復合調味料（如蘑菇精、高湯精、排骨精等）三大類，共計50個品牌、91個產品品種。將收集的每份固態復合調味料樣品平均分為兩部分，一部分用于鮮美度感官評價，另一部分用于近紅外檢測。

1.2 試驗儀器

Spotlight400傅里葉變換紅外光譜儀（配置ATR衰減全反射附件及DTGS檢測器，英國PerkinElmer公司）；A 11 basic Analytical mill型研磨粉碎機（德國IKA公司）；XP4002S型電子分析天平[梅特勒-托利多儀器（上海）有限公司]；HY-C700型連續封口機（溫州宇駿機械）；BPG-9140A型精密鼓風干燥箱（上海一恒科學儀器有限公司）；C22-RT22E01型電磁爐[美的集團（上海）有限公司]。

1.3 試驗方法

1.3.1 鮮美度感官評價

組建20人的鮮美度評價小組，并對其按照前期建立的鮮美度五維度描述詞和鮮美度五維度感官參比標度[6]進行每周2次、為期2個月的專業感官評價員的系統培訓，確保評價員在五維度感官強度認知上的準確性和統一性。

考慮到樣品量較大、評價周期較長，經評價小組集體討論，選擇鮮美度五維感官特性具有代表性的太太樂三鮮雞精作為參照樣，并確定其鮮美度各維度的評價分（見表1），同時，在呈送每組被測樣品時都引入參照樣，與其進行對比評價。

表1 參照樣的鮮美度五維感官評分

結合參照樣的鮮美度五維感官評分，評價小組成員再根據圖1鮮美度感官剖面打分軸分別對其沖擊感、飽滿感、圓潤感、生津感、持久感5個感官維度進行感官評價，打分軸最小刻度為0.5。

圖1 鮮美度感官剖面打分軸

匯總統計各個樣品的鮮美度五維感官評分，并將其轉化為模糊矩陣（R），依據模糊關系綜合評判運算式Y=X×R（X為權重集），得到各樣品的模糊綜合評價矩陣（Y），同時將評價等級集V={0.5，1，1.5，2，2.5，3，3.5，4，4.5，5}由5分制轉變為100分制，即各個評價級別乘以20獲得得分矩陣：S=[10 20 30 40 50 60 70 80 90 100]。

根據式（1）分別計算得到各樣品的鮮美度感官綜合評分。

模糊關系運算中的權重集運用“0～4分兩兩比較評判法”以問卷調研形式確定，經統計分析后得到沖擊感、飽滿感、圓潤感、生津感、持久感各維度感官指標的權重占比，分別為0.20，0.26，0.23，0.11和0.20。

1.3.2 近紅外光譜測定方法

參考楊夢璇[7]的方法并稍作修改。分別隨機稱取10.0 g樣品，用粉碎機粉碎后混勻，置于10 mm培養皿中，立即上機測定，采用漫反射模式進行光譜采集。每個樣品重復3次。

設置測定的參數：波數范圍4 000～10 000 cm-1，分辨率4 cm-1，掃描次數16次，室內環境溫度22±1 ℃。

1.3.3 近紅外建模方法

經整理匯總，共獲得光譜樣本數據91個。其近紅外光譜數據，波數范圍4 000～10 000 cm-1，光譜維度6 000，吸光度范圍0.5～1.8。其中，波數8 000～10 000 cm-1的光譜曲線較為平緩，包含信息量較少，不用于后續建模，如圖2（a）所示。為減少不同背景噪聲的干擾，利用二階導數以及Savitzky-Golay方法對剩余波數4 000～8 000 cm-1的光譜數據作求導平滑預處理，預處理后的光譜數據結果如圖2（b）所示。

圖2 固態復合調味料樣品的近紅外光譜圖

利用零均值法對求導平滑后的光譜數據作數據表轉化，并按17︰3比例劃分訓練集與測試集，其中訓練集樣本77個，測試集樣本14個。采用偏最小二乘法（PLS）對標準化光譜數據作降維處理[8]，運用遞歸特征添加法（RFA）對PLS降維成分進行特征篩選，并將篩選后的特征用于構建支持向量機（SVR）模型[9]。

2 結果與分析

2.1 鮮美度感官綜合評分結果

采用模糊數學綜合評價法對91個固態復合調味料市場樣品的鮮美度五維感官評價結果進行轉換運算，最終得到各樣品的鮮美度感官綜合評分，見表2。

表2 固態復合調味料樣品鮮美度感官評價結果

在收集的91個固態復合調味料市場樣品中，鮮美度感官綜合評分最高分為76.19分，最低分為44.11分，平均分為62.99分。不同品牌、不同產地、不同品種的固態復合調味料的鮮美度感官綜合評分差異較大，這主要是因為其配料中所含鮮味物質的組成、含量、比例不同所導致。

2.2 鮮美度近紅外模型的構建

基于標準化近紅外光譜數據進行PLS降維，PLS降維成分個數為11個。利用RFA方法對感官綜合評價的11個PLS成分進行特征篩選。以鮮美度感官綜合評分為目標值，以不同個數的PLS成分為自變量，構建多個SVR模型。變量篩選范圍為3～11，篩選指標采用SVR模型的訓練集留一法的平均絕對誤差（MAE）。特征篩選結果如圖3所示，最佳變量個數為前10個PLS成分，此時留一法MAE值達到最低值1.18。基于該10個PLS成分以及訓練集構建SVR模型，留一法與測試集的決定系數分別達0.88與0.90，測試集的MAE值為1.15。

圖3 鮮美度SVR模型的變量篩選結果

進一步對鮮美度SVR模型進行參數優化，優化結果如圖4所示。X軸坐標為超參數C，優化范圍為0～10 000。Y軸坐標為超參數epsilon，優化范圍為0～1。Z軸坐標為SVR模型的留一法MAE值，用于評價最佳超參結果。經參數優化，SVR模型的C值取90 000，epsilon值取1，此時建模結果如表3所示。訓練集、測試集、留一法的決定系數為0.95～0.98，三者的MAE值為0.79～0.99。測試集的最大MAE值為2.94，平均相對誤差為1.63%，最大相對誤差為5.75%。將該數據集重新劃分1 000次，用相同的PLS成分、模型參數重復建模1 000次，得到1 000次建模的平均結果，結果見表4。測試集與留一法的1 000次平均MAE值為0.977與0.988，與表3建模結果相持平。最大MAE值分別為3.030與6.005，略差于表3建模結果，平均相對誤差在1.6%左右，與表3建模結果相持平。測試集與留一法的最大相對誤差分別為5.125%與11.040%，其中留一法的最大相對誤差要差于表3建模結果。綜上所述，鮮美度感官綜合評價的近紅外預報模型基本穩定可靠，可較為準確地預測出未知樣本的鮮美度感官綜合評價值。

圖4 鮮美度SVR模型的超參優化結果

表3 參數優化后的鮮美度SVR模型預測結果

表4 重新劃分數據集1 000次的鮮美度SVR模型的平均結果

3 結論

試驗基于91個固態復合調味料市場樣品的近紅外光譜數據及鮮美度感官綜合評價，構建支持向量機（SVR）模型，模型的訓練集、測試集、留一法的平均絕對誤差均小于1，平均相對誤差均≤1.63%，同時將該數據集重新劃分1 000次，用相同的PLS成分、模型參數重復建模1 000次，最終模型測試的平均絕對誤差與平均相對誤差分別為0.977和1.592%，其建模結果表明利用近紅外光譜技術能夠實現固態復合調味料鮮美度感官特征屬性的快速預測評價，該方法為快速、精準定量固態復合調味料的鮮美度感官評價提供新思路和理論依據，可作為產品配方設計的實用工具，促進產品風味升級與創新。