近红外光谱分析技术快速检测液态乳制品品质的研究

【摘要】研究共收集了60个不同品牌、不同批次的牛奶和酸奶样品，采用WQF-400N傅立叶变换近红外光谱仪同步检测了液态乳中的蛋白质和脂肪2个主要营养成分含量的化学值和近红外光谱。对两项指标分别采取在相同波数范围、相同的集合划分、相同的预处理方法的条件下进行全谱范围内数学模型的建立、波长优选后模型的建立以及剔除异常样品后数学模型的建立。经过光谱数据优化后最终建立的蛋白质和脂肪模型的预测方程的相关系数和预测均方根误差分别为0.9693和0.0561、0.9497和0.1314。结果表明对近红外光谱采取一定的分析处理方法可以使校正模型的预测能力得到有效的提高。并且证明了近红外光谱分析技术也可以应用于酸奶等其他液态乳制品品质领域的研究。本文的研究内容作为近红外光谱法检测液态乳制品成分的基础研究，为后续的研究奠定了基础。

【关键词】近红外光谱分析技术；液态乳制品；波长优选；剔除异常值；偏最小二乘法

1　概述

目前市售的液态乳制品主要有巴氏消毒乳，保持法灭菌乳，超高温瞬时灭菌乳及各种液态发酵乳等。它们具有人体容易吸收的蛋白质(氨基酸)、脂肪、维生素和碳水化合物等，已成为人们重要的营养来源之一。各种液态乳制品的工业化生产在我国发展迅速。国内液态乳奶的生产已经是完全的流水线生产，且呈品种多样化趋势，这就要求对生产线上各个关键点的控制要准确而快速…。然而，目前使用的常规分析方法，取样化验过程复杂，实时性较差，大大影响了生产效率；而且往往涉及专用仪器、分析设备与分析方法，这导致了分析时间较长，分析过程繁琐，分析及维护费用高，给液态乳的现场检测及在线质量控制增加了难度。所以在液态乳的生产过程中采用快捷、灵敏、无损且易行的现代技术，对液态乳特性尤其是营养成分的分析，评价工作显得日益重要。

要在较短的时间内甚至是实时完成成分检测，其关键是需要与之配套的快速分析技术。近红外光谱分析技术具有快速、准确，非破坏性、以及可同时检测多种成分且便于在线检测等特点，正越来越广泛地应用于食品行业。

近红外光谱分析技术目前在乳品行业(尤其是酸奶检测)中的应用还不是很广泛，仍属于起步阶段。目前比较广泛的应用主要是，用近红外光谱技术检测奶粉(固态)和牛奶(液态)中蛋白质和脂肪等指标，但对于物态较为复杂的酸奶中蛋白质、脂肪的检测还未见报道。本文着重考察了近红外光谱分析技术实现各种液态乳制品(包括纯牛奶、调味牛奶、纯酸奶和调味酸奶等)中的蛋白质和脂肪含量的检测，实现将近红外光谱分析技术应用干液态乳制品品质检测领域的应用。

2　试验部分

2.1　试验样品

试验样品为各大超市购买的伊利、蒙牛、光明、龙丹、达能等知名品牌的液态乳制品，除此之外，还选用吉林省、辽宁省和江苏省的当地特产奶，奶样共计60个。种类涵盖了纯牛奶、调味牛奶、原味酸牛奶和各种调味酸牛奶，每种奶样品放入4℃冰箱内保存备用。

在上述60个样品中，随机选取47个样品作为定标样本集用于定标方程的求解，其余13个样品作为预测样品集，用于定标方程的预测精度分析。

分别采用考马斯亮蓝法和罗兹——哥特里法进行蛋白质和脂肪的化学含量值测定。样品的浓度分布如表1所示。

2.2　试验仪器

本试验采用北京第二光学仪器厂生产的WQF～400N傅立叶变换近红外光谱仪，可在10000～3500cm^-1波谱范围内工作，采用光楔式干涉仪分光系统和激光干涉相位技术。仪器的主要参数和规格如下：

最小分辨率：2cm^-1

最大扫描次数：9999次

光源：IOW／6V卤钨灯

探测器：硫化铅(PbS)探测器

2.3　试验方法的选择

本研究的样品属于乳液体系，样品中的乳液颗粒会对光产生散射效应。光的走向和光程都不确定，常采用漫透射分析，需用比色皿做样品池。但如果用比色皿作样品池，在实际测量中会有两方面的缺陷：一是限制了光程必须很短；二是不便于装样和清洗，特别是清洗将非常麻烦和困难。

综合以上因素的考虑，对WQF-400N型傅立叶变换近红外光谱仪进行了改进。本研究所用仪器采用江苏大学自行设计的改进型样品池附件，附件的示意图见图1。

如图1所示，附件的上半部分是不锈钢材料制成的重物，称为压块，它的表面经过抛光处理，以起到反射镜的作用，对近红外光可以反射95％的能量。样品池底部是氟化钙材料的透明窗片，在重物与窗片之间是待测物品。

附件原理为：入射光线经共轭抛物面反射后通过窗片照射到样品的表面，发生漫透射之后，再经过窗片和共轭抛物面的另一面聚焦后到达探测器。这种技术不再是单纯的透射或者反射技术，而是将二者相结合，即：透射一反射一再透射。

这种测样技术的优点是：光程扩大了一倍，信号也增加了一倍，同时由于是开放式的样品池，也解决了装样和清洗的问题。

2.4　光谱的采集

由于以前还没有应用近红外光谱技术在酸奶等液态乳制品方面的研究，样品待测成分具有吸收峰不确定，并且由于全谱信息包含量大的原因，在本研究中对谱图进行分析时，先采用全谱分析。图2为60个样品的原始近红外光谱图。

3　建模与预测

采集到的样品光谱首先进行数据预处理，然后采用偏最小二乘(PLS)方法交互验证方式与待测成分质量浓度的参考值建立系统校正模型，最后针对预测样品集进行模型预测。初建模型之后对光谱数据进行优化，得最终PLS模型。光谱分析过程采用江苏大学近红外课题组研发的NIRSA数据处理系统软件处理。

3.1　光谱预处理

常用的光谱数据预处理方法有归一化处理、正规化、平滑处理、导数处理、标准正态变量变换、多元散射校正以及小波变换等。本研究对这几种预处理方法的处理效果进行分析比较，根据预处理后所选的近红外光谱建立的PLS模型的精度来恒量预处理的效果，找出最佳预处理方法。结果表明，在蛋白质模型的建立过程中，对光谱进行归一化处理、7点二阶微分和9点MAF平滑处理后的建模效果最好。在脂肪模型的建立过程中，对光谱进行归一化处理、9点一阶微分处理和13点SGF平滑处理并进行多元散射校正后建模效果最佳。图3为一号样品针对蛋白质和脂肪指标在采取相应预处理方法后的光谱图。

3.2　模型

采用交互验证法确定蛋白质和脂肪模型的最佳主成分数分别为4和8。对于蛋白质和脂肪模型分别随机选择13个光谱样品作为校正集样品，47个样品作为预测样品集，用于检验模型的预测能力。

在分别采用上述预处理方法后建立蛋白质和脂肪的数学模型的预测效果如图4所示：

4　模型的优化与对比

4.1　波长优选

由图2所示的样品的光谱图中可看出，光谱曲线在各个区段表现出不同的光滑程度，在某些谱区噪声很大，并且当波数大于7500cm^-1时，光谱曲线变化很小，不具有任何吸收峰，显然不能代表组分的特征谱区。这是因为NIR光谱在高频区信号微弱，信息重叠。在本研究中，将波点数大于7500cm^-1的部分截断舍去，只研究波点数为3502～7500cm^-1谱段的1037个波长点的光谱。

波长优选后建立蛋白质和脂肪数学模型的预测效果如图5所示。

4.2　剔除异常值

奇异样品的存在会很大程度上影响甚至改变整体数据的分布，从而影响校正模型的准确性和稳健型。奇异点的有效剔除是校正模型及数据分析结果可靠的关键，是保证其它光谱处理方法有效的前提。因此检查奇异点，判断并剔除异常样品是非常有必要的。本研究通过PLS聚类分析的60个样本点的蛋白质和脂肪指标在3维主成分平面上的投影分布的结果和在不同平面的投影结果，剔除掉5号和13号样品，然后再建立模型。

新的蛋白质和脂肪模型的预测效果如图6所示：

4.3　最终PLS模型的建立

本研究在对蛋白质和脂肪两个指标分别进行相应的预处理方法后再进行波长优选和剔除异常值的优化处理，最终建立数学模型预测效果如图7所示。表2为各模型预测效果对比。

5　结语

实验结果表明，采用近红外透反射技术开展液态乳制品品质的研究，可以在很大程度上提取样品的光谱特征，通过对预处理后光谱数据建立数学模型的预测效果比较满意。

在对光谱数据进行优化之后，重新建立的蛋白质和脂肪的数学模型的预测精度相当高，预测效果非常满意，，说明过对建模的光谱区间进行优选和对异常值进行剔除，不但可以简化模型，更主要的是由于不相关或非线性变量的剔除，可以使模型的预测能力更强，稳健性更好。

本研究实现了近红外光谱技术在液态乳制品检测领域中的应用，为设计出低成本便携式的液态乳制主要营养成分的近红外光谱分析仪的研究与开发奠定了基础。

推荐访问:光谱分析 液态 乳制品 品质 检测