無(wú)損檢測(cè)技術(shù)在雜糧品質(zhì)評(píng)價(jià)中的應(yīng)用研究進(jìn)展

王欣卉, 文昌典, 宋雪健,2,3, 李志江,2,3, 錢(qián)麗麗,2,3, 張東杰,2,3

(黑龍江八一農(nóng)墾大學(xué)食品學(xué)院1,大慶 163319) (黑龍江省雜糧加工及質(zhì)量安全工程技術(shù)研究中心2,大慶 163319) (國(guó)家雜糧工程技術(shù)研究中心3,大慶 163319)

雜糧(Coarse cereals)是指除大米、小麥、玉米、大豆、薯類五大主糧作物以外的糧食作物,主要包括小米、高粱、綠豆、青稞、赤小豆、薏仁米、蕎麥等[1,2]。雜糧含有豐富的氨基酸、膳食纖維、礦物質(zhì)等營(yíng)養(yǎng)成分和功能活性物質(zhì),其中β-葡聚糖、γ-氨基丁酸及黃酮類化合物等功能活性物質(zhì)在預(yù)防高血脂癥、糖尿病及提高免疫力等方面發(fā)揮著重要的作用[3-6]。由于雜糧營(yíng)養(yǎng)成分豐富,藥食兼用價(jià)值高,具有廣闊的市場(chǎng)前景,且一些優(yōu)質(zhì)雜糧得到了官方認(rèn)證,受到了品牌保護(hù),例如“白城綠豆”“邊河小米”等。隨著社會(huì)經(jīng)濟(jì)的進(jìn)步,人們的健康理念日益加深,對(duì)雜糧的品質(zhì)要求也在不斷提高,且其檢測(cè)技術(shù)也在不斷提升。

傳統(tǒng)的檢測(cè)分析方法主要采用化學(xué)方法、高效液相色譜法、氣相色譜-質(zhì)譜儀等,雖然能夠準(zhǔn)確識(shí)別不同雜糧谷物的營(yíng)養(yǎng)成分含量及產(chǎn)地,但是昂貴、低效和復(fù)雜的樣品制備、在操作過(guò)程中需要破壞樣品等方面限制了這些技術(shù)的使用[7],因此,研究開(kāi)發(fā)一種快速、簡(jiǎn)單、高效的無(wú)損檢測(cè)技術(shù)在雜糧谷物中的應(yīng)用越來(lái)越受到重視。

1 無(wú)損檢測(cè)技術(shù)概況

可應(yīng)用于雜糧無(wú)損檢測(cè)的技術(shù)包括近紅外光譜(NIRS)[8]、拉曼光譜成像(RS)[9]、高光譜成像(HI)[10]、擊穿光譜學(xué)(LIBS)[11]、太赫茲波譜成像(TSTI)[12]、光聲光譜(PAS)[13]、電子鼻(E-nose)[14]、電子舌(E-tongue)[15]及核磁共振成像技術(shù)(NMRI)[16]等。利用太赫茲光譜法可以實(shí)現(xiàn)對(duì)綠豆幼苗萌發(fā)期淀粉含量的測(cè)定[17]。利用高光譜成像技術(shù)對(duì)谷物品種進(jìn)行無(wú)損鑒定也有研究[18]。有些無(wú)損檢測(cè)技術(shù)雖然具有一定的應(yīng)用能力,但存在價(jià)格昂貴,操作復(fù)雜等因素,限制了應(yīng)用范圍。例如將核磁共振波譜儀用于研究,因成本高昂,無(wú)法用于大規(guī)模的實(shí)際應(yīng)用。當(dāng)一些輔助材料(如納米材料)和高性能儀器價(jià)格昂貴時(shí),使用拉曼光譜和拉曼成像的檢測(cè)將變得更加復(fù)雜。近紅外光譜技術(shù)具有快速、高效、無(wú)損的技術(shù)特點(diǎn),雖然需要結(jié)合化學(xué)計(jì)量學(xué)進(jìn)行數(shù)據(jù)分析,但可有效消除外包裝對(duì)分析的影響,具有一定的應(yīng)用前景[19]。近紅外光譜、拉曼光譜、電子鼻和電子舌是較為常用的雜糧無(wú)損檢測(cè)技術(shù),在主糧中的應(yīng)用較為活躍、系統(tǒng)化,而在雜糧中的應(yīng)用研究相對(duì)較弱,因此,本文主要概述常用的4種無(wú)損檢測(cè)技術(shù)在雜糧品質(zhì)檢測(cè)方面的應(yīng)用,為無(wú)損檢測(cè)技術(shù)在雜糧中的應(yīng)用研究提供參考。

表1 4種常用雜糧無(wú)損檢測(cè)技術(shù)概況

2 基于近紅外光譜技術(shù)對(duì)雜糧的無(wú)損檢測(cè)分析

2.1 雜糧營(yíng)養(yǎng)成分分析

近紅外光譜技術(shù)在對(duì)雜糧樣品營(yíng)養(yǎng)成分進(jìn)行分析檢測(cè)時(shí),主要通過(guò)對(duì)校正集的均方根誤差(RMSEC)、驗(yàn)證集的均方根誤差(RMSEP)、決定系數(shù)(R2)、范圍誤差比(RPD)作為衡量建模效果及檢測(cè)精度的指標(biāo)。在對(duì)樣品進(jìn)行定量分析時(shí),多采用的化學(xué)計(jì)量學(xué)方法是偏最小二乘法(PLS)進(jìn)行數(shù)據(jù)擬合。通過(guò)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,可以消除樣品的重復(fù)效果差和信噪比低等問(wèn)題,預(yù)處理方式主要有線性補(bǔ)償減差法、直線減差法、矢量歸一法、最小-最大歸一法、多遠(yuǎn)散射矯正法、一階導(dǎo)數(shù)法、二階導(dǎo)數(shù)法。采用近紅外光譜技術(shù)對(duì)雜糧谷物營(yíng)養(yǎng)成分進(jìn)行分析時(shí),為了提升模型的檢測(cè)精度,需要利用大量的樣本進(jìn)行模型的建立與驗(yàn)證,利用化學(xué)分析法得到校正集和驗(yàn)證集的營(yíng)養(yǎng)組分含量是建模的必要條件。

近紅外光譜技術(shù)在雜糧中單組分的營(yíng)養(yǎng)成分的檢測(cè)研究具有一定的可行性。Peiris等[23]對(duì)高粱蛋白研究發(fā)現(xiàn),在950～1 650 nm光譜范圍內(nèi)較低波長(zhǎng)處具有較高的表觀吸光度。使用多元散射校正對(duì)光譜進(jìn)行預(yù)處理,結(jié)合偏最小二乘校準(zhǔn),得出RMSEP=0.67,R2=0.83。而應(yīng)用擴(kuò)展多元散射校正對(duì)風(fēng)化的高粱顆粒樣品進(jìn)行預(yù)處理,得出蛋白的RMSEP=0.61,R2=0.85。Zeng等[24]利用近紅外光譜技術(shù)在全波長(zhǎng)(300～2 300 nm)范圍內(nèi)結(jié)合偏最小二乘法對(duì)123 份豌豆樣品的直鏈淀粉、抗性淀粉、可消化淀粉及總淀粉進(jìn)行定量分析,結(jié)果表明各指標(biāo)檢測(cè)結(jié)果的相關(guān)系數(shù)在0.80～0.97之間。

雖然雜糧中多酚、單寧、皂苷、黃酮等功能性因子的含量要遠(yuǎn)低于蛋白質(zhì)、淀粉等營(yíng)養(yǎng)成分,但利用近紅外光譜技術(shù)仍然可以實(shí)現(xiàn)對(duì)其快速檢測(cè)。Zeng等[25]研究發(fā)現(xiàn),燕麥籽粒的多酚含量檢測(cè)模型,其最佳校準(zhǔn)模型對(duì)應(yīng)的波段在1 350～1 848 nm之間,最佳光譜預(yù)處理組合為二階導(dǎo)數(shù)和2點(diǎn)平滑。最佳回歸模型的R2在校準(zhǔn)集中為0.895 4,RMSECV在預(yù)測(cè)集中為0.066 51,R2在預(yù)測(cè)集中為0.961 4,RMSEP在預(yù)測(cè)集中為0.045 73。Wang等[26]對(duì)110個(gè)高粱籽粒樣品的單寧含量進(jìn)行分析得出,最佳模型建模波長(zhǎng)在9 402～7 492 cm-1和5 452～4 244 cm-1范圍內(nèi),最佳的預(yù)處理方式為一階導(dǎo)數(shù)處理,校準(zhǔn)、交叉驗(yàn)證和外部驗(yàn)證的RPD分別為6.22、4.22和3.00。研究結(jié)果表明,利用近紅外光譜建立的模型可以有效地快速定量高粱籽粒中的單寧含量。

利用近紅外光譜技術(shù)從原始光譜觀察到的樣品體系變化是組分濃度變化的結(jié)果,而且組分濃度與紅外信號(hào)變化的相關(guān)關(guān)系不必是線性的。根據(jù)這一特性,該技術(shù)可以實(shí)現(xiàn)對(duì)統(tǒng)一樣品中多種組分進(jìn)行快速檢測(cè)分析。Tomar等[27]利用近紅外光譜技術(shù)對(duì)87份珍珠小米(53份用作校正集,34份作為檢驗(yàn)集)的淀粉、抗性淀粉、直鏈淀粉、蛋白質(zhì)、油、總膳食纖維、酚類、總可溶性糖、植酸進(jìn)行研究,結(jié)果表明,在400～2 500 nm范圍內(nèi),采用二階導(dǎo)數(shù)+4點(diǎn)平滑+1點(diǎn)平滑的預(yù)處理方式結(jié)合偏最小二乘法建立的植酸檢測(cè)模型,檢測(cè)精度較高,其RMSEC為0.101 4,RMSEP為0.062,RPD為2.53,同時(shí)其他營(yíng)養(yǎng)成分的RMSEC也在0.019 9～1.093 7范圍內(nèi),RMSEP在0.011～0.784之間,RPD在2.09～3.58之間。

2.2 雜糧產(chǎn)地溯源判別分析

地理來(lái)源、基因型、收獲年份的氣候條件(如降水量、溫度和日照時(shí)間)以及土壤的化學(xué)成分都會(huì)對(duì)谷物成分產(chǎn)生影響,從而影響最終產(chǎn)品的質(zhì)量[28]。利用近紅外光譜技術(shù)對(duì)產(chǎn)地溯源的研究主要集中在大米[29]、薯類[30]、小麥[31]等主糧谷物中。在雜糧的產(chǎn)地判別中相對(duì)研究較少。

產(chǎn)地溯源判別分析,主要可分為定性分析和定量分析兩大類。利用近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)分析,可以建立近紅外光譜與樣品分類的相關(guān)聯(lián)系,進(jìn)而進(jìn)行定量分析。席志勇[32]利用近紅外光譜技術(shù)結(jié)合支持向量的算法,對(duì)8 類120個(gè)蕎麥樣品進(jìn)行品種鑒別得出了7個(gè)支持向量機(jī),對(duì)類不同產(chǎn)地的蕎麥定性準(zhǔn)確判別率平均達(dá)到了92.5%。劉星[33]利用近紅外光譜技術(shù)結(jié)合學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)對(duì)41 個(gè)不同產(chǎn)地的薏仁米樣品的正確預(yù)測(cè)率為90.91%。李楠等[34]利用近紅外光譜技術(shù)對(duì)來(lái)自11個(gè)省份的150 份小米樣品進(jìn)行產(chǎn)地溯源分析發(fā)現(xiàn),利用主成分分析剔除異常點(diǎn)后,采用費(fèi)舍爾線性判別分析建立的模型,其校正集中對(duì)不同小米產(chǎn)地溯源的平均正確率為100.0%,驗(yàn)證集中的平均正確率為84.6%;利用多層感知器神經(jīng)網(wǎng)絡(luò)分析建立的模型其校正集和驗(yàn)證集中對(duì)小米產(chǎn)地溯源的平均正確率均在90%以上,說(shuō)明基于費(fèi)舍爾線性判別分析和多層感知器神經(jīng)網(wǎng)絡(luò)分析結(jié)合近紅外光譜技術(shù)可以實(shí)現(xiàn)對(duì)小米產(chǎn)地的保護(hù)。近紅外光譜雖然包含了豐富的物質(zhì)信息,但譜峰重疊較多、信號(hào)較弱,因此近紅外光譜的定性分析主要用于物質(zhì)的種屬判別。張愛(ài)武等[35]對(duì)253 份綠豆進(jìn)行產(chǎn)地判別分析,結(jié)果表明,在波數(shù)為9 000～4 000 cm-1范圍內(nèi),采用因子化法結(jié)合一階導(dǎo)數(shù)+5點(diǎn)平滑的預(yù)處理,建立的定性判別模型,對(duì)泰來(lái)綠豆粉末的正確判別率為96.15%,采用PLS法結(jié)合矢量歸一化的預(yù)處理方式所建立的定量分析模型,其RMSECV為0.129,R2=0.98,RPD為7.18,對(duì)泰來(lái)綠豆粉末的正確判別率為88.46%。

近紅外光譜技術(shù)在對(duì)雜糧谷物進(jìn)行產(chǎn)地判別時(shí),為了提高模型的準(zhǔn)確性及應(yīng)用性,也需要大量的樣品進(jìn)行建模,檢測(cè)精度對(duì)樣品的生產(chǎn)年份、品種等因素較為敏感,目前的研究多是集中于利用當(dāng)年的樣品進(jìn)行產(chǎn)地溯源研究,對(duì)于同一模型在不同年份、不同儲(chǔ)藏條件、不同基因型等方向的判別研究較為少見(jiàn)。雖然近紅外光譜技術(shù)就有快速、高效、無(wú)損的的技術(shù)特點(diǎn),但要想實(shí)現(xiàn)其廣泛的應(yīng)用能力,需要采用大量的數(shù)據(jù)不間斷的對(duì)模型進(jìn)行完善。

3 基于拉曼光譜技術(shù)對(duì)雜糧的無(wú)損檢測(cè)分析

拉曼光譜技術(shù)是基于光子激發(fā)振動(dòng)所產(chǎn)生的非彈性散射而建立起來(lái)的一種快速無(wú)損的檢測(cè)技術(shù)[36]。拉曼光譜通過(guò)測(cè)量可見(jiàn)單色光的散射強(qiáng)度來(lái)識(shí)別分子結(jié)構(gòu),可以實(shí)現(xiàn)對(duì)物質(zhì)的定性鑒定和定量分析,還可以從分子角度揭示物質(zhì)的內(nèi)部結(jié)構(gòu),對(duì)分子進(jìn)行“指紋”識(shí)別[37,38]。

拉曼光譜技術(shù)在農(nóng)藥殘留、摻假、食品添加劑、蛋白質(zhì)檢測(cè)及脂類物質(zhì)分析中得到了廣泛應(yīng)用[39]。對(duì)于不同狀態(tài)的大米籽粒和大米粉末(100～140 目)的產(chǎn)地能有效地判別[40,41]。在雜糧檢測(cè)應(yīng)用方面,相對(duì)研究較少。吳祺琤等[42]在光譜范圍為394.1～1 541.1 cm-1內(nèi),利用拉曼技術(shù)對(duì)不同萌發(fā)階段綠豆的3種器官(種子、子葉、胚芽)切片進(jìn)行拉曼成像測(cè)試,根據(jù)多元曲線分辨交替最小二乘法,得出每個(gè)主成分對(duì)應(yīng)的相對(duì)濃度及其純光譜。謝鳳英等[43]利用拉曼光譜技術(shù)在激發(fā)波長(zhǎng)為785 nm,發(fā)射功率為300 mW,光譜測(cè)定范圍為600～1 800 cm-1的條件下,探明了蕎麥多酚對(duì)米糠蛋白結(jié)構(gòu)影響規(guī)律。張石定等[44]采用激光拉曼光譜對(duì)不同品種和產(chǎn)地小米進(jìn)行了檢測(cè),采用主成分分析等化學(xué)計(jì)量學(xué)手段進(jìn)行拉曼譜峰強(qiáng)度與化學(xué)成分含量關(guān)聯(lián)研究,并對(duì)產(chǎn)地和品種進(jìn)行了PLS-DA的建模辨別取得了很好的鑒別效果。

采用拉曼光譜技術(shù)對(duì)雜糧營(yíng)養(yǎng)組分的分析及產(chǎn)地品種鑒別,仍然處于初步階段,對(duì)雜糧組分與拉曼光譜的對(duì)應(yīng)關(guān)系,鑒別模型的適應(yīng)性有待進(jìn)一步研究。

4 基于電子鼻/舌技術(shù)對(duì)雜糧的無(wú)損檢測(cè)分析

電子鼻通過(guò)模擬人體的嗅覺(jué),對(duì)雜糧谷物中的揮發(fā)性風(fēng)味物質(zhì)很靈敏,不同物質(zhì)的輕微改變即可被傳感器所捕獲,因此通過(guò)此方式獲得揮發(fā)性物質(zhì)的完整信息。

電子舌被廣泛應(yīng)用于食品檢測(cè)行業(yè),主要通過(guò)模擬人類的味覺(jué),可以實(shí)現(xiàn)對(duì)雜糧谷物進(jìn)行定性、定量分析。金子燦[45]研究發(fā)現(xiàn)采用SA402B型號(hào)的電子舌和PEN3型電子鼻可以實(shí)現(xiàn)對(duì)小米、糙小米、發(fā)芽糙小米、富硒糙小米,富硒發(fā)芽糙小米5種小米飲料中的味苦、澀味、咸味等味覺(jué)及芳香化合物、氮氧化物、碳?xì)浠衔锏扔袡C(jī)揮發(fā)成分進(jìn)行檢測(cè)研究。Ying等[46]利用電子鼻技術(shù)結(jié)合基于概率神經(jīng)網(wǎng)絡(luò)、主成分分析、BP神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)燕麥和紅豆2種類型(新鮮和早期霉變)進(jìn)行判別。結(jié)果表明,電子鼻對(duì)谷物樣品反應(yīng)靈敏?；诟怕噬窠?jīng)網(wǎng)絡(luò)的算法成功地鑒別了谷物樣品,準(zhǔn)確率為93.75%。該方法具有響應(yīng)速度快、精度高、成本低等優(yōu)點(diǎn),是預(yù)測(cè)早期霉變籽粒的有效方法。尹芳緣等[47]應(yīng)用電子鼻對(duì)燕麥霉變程度進(jìn)行區(qū)分,選擇10個(gè)燕麥樣品進(jìn)行電子鼻檢測(cè),優(yōu)化傳感器陣列后發(fā)現(xiàn),相同霉變程度燕麥樣品的聚合度更高,不同霉變程度燕麥樣品之間的區(qū)分更加明顯,為進(jìn)一步的定量化檢測(cè)奠定了基礎(chǔ)。也有學(xué)者表明,利用電子鼻和電子舌技術(shù)可以實(shí)現(xiàn)對(duì)以小米為原料制備的蒸餾酒風(fēng)味進(jìn)行分析檢測(cè)[48]。Yi等[49]研究發(fā)現(xiàn)電子鼻研究了植物乳桿菌發(fā)酵對(duì)綠豆揮發(fā)性風(fēng)味的影響結(jié)果表明,植物乳桿菌23169 FMB和植物乳桿菌22699 FMB的風(fēng)味變化最大且相似,但3種FMB樣品的風(fēng)味仍能清晰區(qū)分。

基于電子鼻/舌在雜糧谷物研究中,雖然能快速的預(yù)測(cè)樣品組分(揮發(fā)性物質(zhì))及樣品之間的差異程度,但儀器的硬件結(jié)構(gòu)及識(shí)別模式的算法與真正的仿生特性還存在一定的差距,傳感器陣列對(duì)環(huán)境較為敏感,尚未達(dá)到廣泛應(yīng)用的標(biāo)準(zhǔn)[50]。

5 結(jié)論

近年來(lái),利用無(wú)損檢測(cè)技術(shù)對(duì)雜糧谷物的營(yíng)養(yǎng)組分、地域判別及品種鑒定備受關(guān)注。其中近紅外光譜技術(shù)、拉曼光譜技術(shù)及電子鼻/舌技術(shù),因在檢測(cè)時(shí)無(wú)需樣品制備,檢測(cè)時(shí)間短,操作簡(jiǎn)單等諸多優(yōu)勢(shì),在食品、醫(yī)藥、化工等領(lǐng)域受到普遍應(yīng)用。雜糧無(wú)損檢測(cè)研究是一個(gè)宏觀概念,組分的復(fù)雜性,個(gè)體的差異性、濃度的不同性、品種的多樣性、地域的廣泛性等都會(huì)對(duì)檢測(cè)手段提出較高的要求,而現(xiàn)有的技術(shù)也存在一些問(wèn)題,近紅外光譜技術(shù)不適用于雜糧谷物中痕量組分的檢測(cè),檢出限需要達(dá)到0.1%以上,雜糧樣品的狀態(tài),基因型對(duì)產(chǎn)地及品種的鑒定存在一定的干擾。雜糧組分與拉曼光譜的對(duì)應(yīng)關(guān)系仍不明確。電子鼻/舌對(duì)傳感器及算法的依賴性較強(qiáng)。因此,未來(lái)可以從幾個(gè)方面進(jìn)行重點(diǎn)研究:雜糧的品質(zhì)會(huì)受到生長(zhǎng)環(huán)境中溫度、水分、施肥量等因素影響,因此對(duì)雜糧組分、地域及品種檢測(cè)時(shí),需要建立一套統(tǒng)一的檢測(cè)體系,從源頭上固定檢測(cè)模型,拓寬應(yīng)用領(lǐng)域。利用無(wú)損檢測(cè)技術(shù)對(duì)雜糧組分進(jìn)行分析研究時(shí),多是需要采用傳統(tǒng)的檢測(cè)技術(shù)對(duì)大量已知樣品進(jìn)行組分檢測(cè),檢測(cè)數(shù)據(jù)是模型的核心參數(shù),會(huì)對(duì)模型的精度產(chǎn)生直接影響,需要重點(diǎn)關(guān)注,且組分與光譜的對(duì)應(yīng)關(guān)系有待考量。在對(duì)雜糧產(chǎn)地保護(hù)及品種鑒定方面,應(yīng)對(duì)鑒別機(jī)理、相鄰地域進(jìn)行研究。在利用近紅外光譜技術(shù)檢測(cè)時(shí),如何排除雜糧樣品的狀態(tài)(粒徑)對(duì)建模效果及檢測(cè)精度的影響,利用籽?；蛘叻勰悠方⒌哪Ｐ褪欠裢ㄓ?需要進(jìn)一步探討。