鱼丸中弹性检测方案(近红外光谱仪)

智能文字提取功能测试中

食品科学※分析检测5302008，Vol. 29，No.08 近红外光谱分析检测鱼丸弹性的可行性研究 罗阳1，王锡昌1，邓德文文 (1.上海海洋大学食品学院，，上海 200090；2.瑞士步琪有限公司上海办事处，上每 200030) 摘 要：本实验探讨利用近红外光谱分析技术(NIRS)测定鱼丸弹性的可能性，并建立数学模型。以质构仪采用用次压缩法测定鱼丸的弹性，取最大力作为建模数据。以定标集和验证集的相关系数及其预测标准误差作为模型好坏的判定依据。结果表明，采用偏最小二乘法(PLS)建立的数学模型，具有较高的相关系数和较低的预测误差。其中定标集的相关系数(Rc)为0.9709， 定标集预测标准误差(SEC)为 0.0203；验证集的相关系数(Rv)为0.9697， 验证集预测标准误差(SEP)为0.0206。该研究说明利用近红外技术对鱼丸弹性进行预测是可行的。 关键词：近红外光谱；鱼丸；弹性 Feasibility Study on Prediction of Springiness of Fish-ball Using Near-infrared Spectroscopy LUO Yang， WANG Xi-chang， DENG De-wen² (1.College of Food Science and Technology， Shanghai Ocean University， Shanghai 200090，China ；2.BUCHI Shanghai Trading LLC， Shanghai 200030， China) Abstract： The present work aimed to evaluate the ability of near infrared spectroscopy (NIRS) in predicting the springinessof fish-balls. For the purpose of this study once-compression method was used by texture analyzer and the maximum value wasrecorded to describe the springiness. The calibration model was set up. Correlation of calibration (Rc) and validation (Rv)，standard error of calibration (SEC) and error of prediction (SEP) were used to evaluate the quality of the model. The calibrationmodels between original value and NIR spectra were developed using partial least squares (PLS) regression. In addition， a highcorrelation between original value and predicted value as well as low standard error was found. Rc and Rv are 0.9709 and 0.9697respectively And SEC and SEP are 0.0203 and 0.0206， respectively. It is confirmed that NIR is feasible to predict the springinessof fish-balls. Key words： NIRS (near-infraved spectroscopy)； fish-ball； springiness 中图分类号：TS254.7 文献标识码： A 文章编号：1002-6630(2008)08-0530-04 我国淡水鱼资源丰富，近年来，淡水鱼加工产品在肉制品市场所占的份额出现攀升趋势。随着我国加入世贸组织，淡水鱼产品的出口额也在逐年上升。我国商品融入国际市场的进程对我国水产加工品品质分析提出了迫切要求。鱼丸(鱼园)是我国传统的、最具代表性的鱼糜制品，深受消费者的喜爱。鱼丸的弹性是评价鱼丸品质好坏的一个最直接、最重要的指标，弹性好表明品质好，弹性差表明品质差。目前，在国内水产品物理性质及感官指标主要采用主观评价和仪器测量的方法。主观评价需要靠经过培训且经验丰富的专业感官员，由于主观因素的干扰，往往误差较大。采用仪器测定，取样过程复杂，且消耗时间较长，因此建立一种精确且快速测定鱼丸品质的方法是很有必要的。 近红外光谱技术是近年来迅速发展和推广应用的一种绿色分析技术，它是利用化学物质在近红外区内的光学特征快速测定样品中一种或多种理化指标，具有方便、快速、高效、准确、无污染，样品无需预处理或只需简单的预处理，不会遭到破坏，不消耗化学试剂等优点[2]。 近红外光谱技术多用于化学成分的检测，在物性检测方面的应用较少。Maghirang 等曾根据蛋白质含量检测低水分稻谷硬度I3]。韩东海等曾根据蛋白质及水分含量检测了腐乳白坯的硬度!4)。傅霞萍等也应用近红外建模方法分析了梨的坚实度151。本研究尝试利用近红外光谱分析技术检测鱼丸的弹性。鱼丸是以鱼肉、淀粉为主要原料加工而成的鱼糜制品。含有丰富的蛋白质、碳 ( 基金项目：上海市重点学科建设项目(T1102) ) ( 作者简介：罗阳(1983-)，女，硕 士 研究生，研究方向为食品营养与卫生。 E-mail： luoya n g0830@163.com万方数据 ) 水化合物和较高的水分[6]。虽然近红外光谱主要为C-H、N-H、O-H等基团的倍频和合频吸收，弹性为物性指标，理论上不能测定，但鱼丸弹性的不同很大一部分程度是由于鱼丸中水分、蛋白质、以及淀粉含量的不同所致。因此可以通过水分等含量的变化间接地进行弹性的测定。 本研究旨在确定近红外光谱值和鱼丸弹性值之间的相关关系，以探究利用近红外光谱分析技术检测鱼丸品质的可能性。 材料与方法 1.1 材料与仪器 草鱼鱼糜、玉米淀粉、食盐等。 NIRFlex N-500 傅立叶变换近红外光谱仪玮瑞士Buchi公司； TA.XT.Plus 质构仪 北京微风超技仪器技术有限公司。 1.2 方法 1.2.1 样品制备 鱼丸制备工艺流程为：冷冻鱼糜一解冻→添加配料→擂溃→成型→熟化→冷却一包装→贮藏 制备工艺要点：在本实验中，为使鱼丸中盐溶性蛋白充分溶出形成凝胶，在鱼糜中添加了3%的食盐，同时通过添加不同含量的淀粉以及水分，人为制备一批成分含量不同的鱼丸，使其更具有代表性。每个鱼丸重10g左右，擂溃时间为30min， 于85~90℃加热30min，冷却后于冰箱冷冻贮藏。由于鱼丸的弹性与蛋白质、淀粉、水分的含量具有很大的相关性61，因而通过控制它们的含量制备出弹性各异的鱼丸。 1.2.2 样品光谱采集 冷冻鱼丸于4℃冰箱解冻12h，将鱼丸平均切成两半，将切面置于放样圈池上，利用近红外光谱仪的旋转器使样品池均匀旋转，用漫反射采样系统采集其反射强度。光谱采集条件：扫描温度20~25℃，光源为钨灯，检测器为珀耳贴温控INGaAs， 波谱范围4000~10000cm²、其精度为±0.2cm，扫描次数32次，分辨率8cm。每个鱼丸半球切面各采集数据两次。采集的光谱如图1。 波数(cm) 图1 鱼丸近红外原始光谱 Fig.1 Original spectra of 60 ball fish-ball samples 1.2.3 一次压缩法测弹性 采用质构仪测定肉制品弹性的方法一般有两种，次压缩法和两次压缩法。本实验中样品的弹性标准值采用质构仪通过一次压缩法测得，取最大力作为鱼丸的弹性值，用F表示。将鱼丸切成边长为1.00cm的正方体，每个半球切成2个，共4个试样进行弹性测定，取其平均值。测定条件设置如下：球形探头(p/5s)，测试压缩过程中的压力；测试前速度为4mm/s；测试速度为2mm/s；测试后速度为 2mm/s， 移动距离4mm；启动力5g。测试图见图2，从曲线的峰值记做F. 图2 TA. XTplus压缩法工作曲线 Fig.2 TA.XTplus curve 1.2.4 数据处理 建立定标模型一般采用多元线性回归法(MLR)、主成份回归法(PCR)和偏最小二乘法(PLS)。 PLS 是一种相对较新的多元数据处理方法，它在考虑全谱区各波长点的光谱参数的同时，还兼顾到被分析样品内部各成分之间的关系18]。由于鱼丸的弹性本质上是由其化学组成决定的。因此，本实验在4000~10000cm波数范围内，利用NIRFlex N-500 自带软件 NIRCal5.2 对光谱数据进行适当的预处理后，采用PLS 建立定标模型。以定标集和验证集中样品预测值与测定值的相关系数Rc、Rv，以及预测标准误差 SEC、SEP 为判定依据来评价模型的优劣，选择最佳建模条件。，一个好的模型应该具有较高的相关系数(R)值和相对较低的预测标准误差(SEE)值。 R值和SEE 值的计算公式如下： 式中，n 为样本数； ym为样本 TAP 弹性测定值的平均值；J为第i个样本的NIRS 预测值； yi为第i个样本的测定值。 SEE=1 n-1 式中，d为残差的平均值(d=-a，)； d为第i个样 本的残差，即di=y：-yio 2 结果与分析 2.1 弹性测量结果 本实验一共测定了75个样品，按照“少而精”的原则，去除部分弹性值比较集中的样品，挑选出60组最具代表性的样品，在一定程度上避免了样品的重复性。弹性测定结果为：最大值0.5481N，最小值0.1797N。通过梯度法，即将样品按照弹性值大小排序，将这60个样品按顺序以2：1的比例逐个分别选入定标集和验证集I91，使两个集中样品的弹性值均成梯度分布，且验证集中样品弹性值变化范围处于定标集以内。结果见表1。为了使定标方程具有良好的适应性，我们将样品中弹性值最高的以及最低的样品都选入定标集。 表1 定标集和验证集样品中弹性值分布 Table1Distribution of springiness value of fish-ball samplesused in calibration and validation set 统计参数 样品数(个)最大值(N) 最小值(N) 平均值(N)标准偏差(N) 定标集 45 0.5481 0.1797 0.3442 0.0864 验证集 15 0.5162 0.1809 0.3184 0.0916 2.2 定标模型的建立 在建模过程中，由于噪声、基线飘移等因素的干扰，通常需要对原始光谱进行适当的预处理101。另外，PLS 主因子数也是影响模型质量的主要条件， PLS主因子数关系到模型的稳定性，主因子数太少，光谱中的一些有用信息没有被包含在其中，出现“欠拟合”而太多则又会导致“过拟合”。本实验利用 NIRCal5.2软件自动优化选择主因子数，在4000~1000cm山波数范围内，对光谱分别进行了三种不同的预处理，倒数变换(ilg)，变量标准化(SNV)以及9点卷积平滑处理(sg9)，定标结果如表2。 从表2上可以看出，光谱经9点卷积平滑处理(sg9)后，建立的PLS数学模型，其定标集和验证集相关系数分别为Rc=0.9697、Rv=0.9694，比另外两组条件下建立的模型高，而预测误差分别为 SEC=0.0221， SEP=0.0216，也比另外两个模型的小。因此确定其为最优建模条件。 2.3 定标模型的优化 在用质构仪测定弹性或者进行光谱扫描时，有可能会存在一些由人为或者机器本身因素等造成的标准测定 值或光谱数据存在较大误差的样品。这类异常样品的存在，往往会影响模型的质量，模型初步建立后，为进一步优化，以提高模型的预测效果1111，本实验采用了杠杆值(leverage)和特征残差(property residual)联合诊断方法，设定临界值为2.5，超过临界值的便被判定为光谱异常，予以易除。但在确定测定值无误的情况下，不剔除最大值和最小值111]。通过软件计算，共剔除了定标集中的两个异常样品，8条谱图，预测结果如表3。 表3 易除异常样品后的模型中定标集与验证集结果的统计结果 Table 3 NIR calibration and validation statistic for fish-ballspringiness after abnomity removal 定标 定标 验证 验证 样品剔除 光谱剔除 相关系数 标准误差 相关系数 标准误差 Rc SEC Rv SEP 2 8 0.9709 0.0203 0.9697 0.0206 从表3可以看出，模型经过异常样品剔除后，各参数都得到了优化， Rc 和Rv值都相对提高， 且SEC 和SEP值也都相对减小。尽管判定指标的变幅不大，但是仍然具有一定的效果，最终模型预测结果散点图见图3、4。 图3 定标集鱼丸弹性测定值与预测值的散点图 Fig.3Linear regression plot of measured versus predictedspringiness of fish-balls in calibration 图4 验证集鱼丸弹性测定值与预测值的散点图 Fig.4 Linear regression plot of measured versus predictedspringiness of fish-balls in validation 图3、4反映的分别是定标集以及验证集鱼丸样品弹性的测定值与 NIRS 定标模型预测值之间的相关关系。测定指标的试验点基本分布在直线两侧，且偏离都不大， Table 2Results of different pretreatments on calibration 谱区(cm'l) 预处理方法 方法 主因子数 定标相关 系数Rc 定标标准 误差SEC 验证相关 系数Rv 验证标准 误差 SEP 4000~10000 ilg* PLS 11 0.9652 0.0229 0.9656 0.0236 4000~10000 SNV** PLS 10 0.9618 0.0237 0.9672 0.0250 4000~10000 sg9*** PLS 9 0.9697 0.0221 0.9694 0.0216 注： *ilg 为吸收倒数 1/(10**)； **SNV 为标准正态转换；**；* ***sg9为九点平滑处理。 说明定标集以及验证集的预测值与 TPA 测定值之间都具有良好的线性关系。定标集与验证集的相关系数分别为0.9709、0.9697，预测标准误差分别为0.0203、0.0206。 2.4 模型预测结果检测 用定标方程对7个未参与定标集和验证集的鱼丸进行了盲审，其预测结果见表3，且对其进行了配对数据的t检验。以判定近红外光谱分析法与仪器测定法是否存在显著性差异。查表得，在α=0.05水平上， t(o.05，6)=2.447，弹性值t检验结果的绝对值为1.927，小于2.365。这说明近红外光谱测定结果与仪器测定法相近，即两种弹性测定方法的准确度无显著差异。因此，利用近红外光谱分析技术测定草鱼鱼丸弹性，在一定的样品含量范围内是可行的。 表4 预测模型对样品弹性的预测结果 Table 4 Predicted values of spinginess of samples 样品号 质构仪分析值 近红外分析值 差值 t 0.2278 0.2656 0.0378 2 0.2912 0.2830 0.0082 3 0.3264 0.3621 0.0357 4 0.3847 0.3769 0.0078 1.927 5 0.4398 0.4471 0.0073 6 0.4789 0.4369 0.0420 7 0.4465 0.4687 -0.0222 3 讨 论 在大多数参考文献中，基本上都是采用平均光谱来建立模型。但是光谱采集并不像传统仪器测定或者化学组分测定，通过数字的重复性就可以判定数据是否符合要求12]，因此本实验采用了原始光谱进行建模，即一个样品的四条光谱对应一个测定值，取得了比较好的预测效果，在以后的实验中，亦可尝试用平均光谱建立模型进行比较。 作为一种试探性研究，为使样品具有较好的代表性，本实验是通过人为添加不同含量的水分和淀粉来制备弹性各异的鱼丸样品，由于影响鱼丸弹性的因素比较复杂，因此，样品的代表性具有一定的局限性。从定标集的预测散点图(图4)可以看出，用于建模的高弹性值样品的数量相对较少，李勇指出定标样品的数量直接影响分析的准确性，数量太少，不足以反映待测样品的群体常态分布规律(13，即在这个含量范围内的预测效果可能误差会相对较大，模型盲审的结果也正如此，从表4可以看出来，弹性模型对高弹性值样品的预测偏差明较其他样品高。为了使模型的预测准确度更高，将在现有研究的基础上，增加高弹性值的样品的数量。另外，为了增强模型的适应性，可使样品中的有关成分的变化范围更广泛， 并能覆盖今后鱼丸生产中弹性的变化范围，同时还需要对所建立的模型作进一步的优化，以提高模型的质量和扩大其应用范围。 在国内，还未见利用近红外光谱技术检测水产品品质的相关报道。鱼丸作为一种加工食品，生产产品中会含有很多配料，如食盐、淀粉、水、味精、香料以及其他的辅料。而本实验是一次试探性实验，旨在研究近红外光谱分析技术检测鱼丸弹性的可行性，为了减少其他因素的影响，在鱼丸制作时，只加入了食盐、淀粉和水。在今后的研究中，可考虑市售产品的采样对建模进行优化。 4 结 论 目前近红外光谱定量分析方法已被广泛的用于工业、农业、制药和生物工程等众多领域，并显示出良好的应用前景，但该技术在鱼丸品质检测尤其是物性检测方面的应用还没有专门的报道，本实验对近红外光谱分析技术在鱼丸弹性检测中的应用作了初步探讨。选取草鱼鱼丸为研究对象，利用傅立叶变换近红外光谱采集鱼丸的近红外反射光谱，在波数为在4000~10000cm的范围内，通过9点卷积平滑处理(sg9)预处理，采用PLS法建立了最优模型，其定标集相关系数 Rc 为 0.97109，预测标准误差 SEC 为 0.0203；验证集的相关系数 Rv 为0.9697 预测标准误差 SEP 为 0.0206。且通过对未知样品的盲审检验，发现近红外分析法与 TPA 测定法在统计学上无显著性差异，初步证明了 NIRS 分析技术进行鱼丸弹性的检测是可行的。为也今后NIRS 在水产品品质测定中的应用提供了一定的依据。 ( 参考文献： ) ( 1 杨玲芝，陈舜胜，赵善贞，等，膳食纤维对淡水鱼糜凝胶弹性的影响 [J].现代食品科技，2006，22(2)：89-91. ) ( [2] THYBO A K， BECHMANNIE， MARTENS M， et al. Prediction of s ensory t e xture of cooked potatoes using uniaxial compression， near infra-red spectroscopy and low field'H NMR spectroscopy[J]. Lebensmittel-Wissenschaft und-Technologie， 2000，33： 103-111. ) ( [3] MAGHIRANG E B， DPWELL F E. Har d ness measurement of bulk w heat b y single-kernel visible and near-infrared reflectance spectroscopy].Cereal Chemistry， 2003， 80 (3)：316-322. ) ( [4] 韩东海，鲁超，温朝晖，等.基于近红外光谱的腐乳白坯硬度检测研 究[J].光谱学与光谱分析，2006，26(7)：1234-1237. ) ( [5] 傅霞萍，应义斌，陆辉山，等.应用多种近红外建模方法分析梨的坚 实度[J].光谱学与光谱分析，2007，279(5)：911-915 ) ( [6] 王锡昌，汪之和.色糜制品加工技术[M].北京：中国轻工业出版社， 1997：106-112：189-213. ) ( [7 蒋予箭，周雁，蒋家新.鱼肉弹性测定方法的研究[J].水产科学，2003， 22(3)：41-44. ) ( [8] 刘丽英，陈洪章.玉米秸秆组分近红外漫反射光谱(NIRS)测定方法 的建立[J].光谱与光谱分析，2007，27(2)：275-278. ) ( [9] CAMPBELL M R， BRUMM T J， GLOVER D V. Whole grain amy- l ase a nalysis in maize using near-infrared transmittance spectroscopy[J.Cereal C hemistry， 1997， 7 4 (3)：300-303. ) ( [10] 严衍禄.近红外光谱分析基础与应用[M].北京：中国轻工业出版社， 2005：8-9. ) ( [11] 祝诗平，王一鸣，张小超，等.近红外光谱建模异常样品剔除准则和 方法[J].农业机械报，2004，35(4)：115-119. ) ( [12] 罗文文，张月玲，龚淑英，等.绿茶水分和茶多酚总量近红外分析定 标模型的建立与应用[J].茶叶，2007，33(2)：67-70. ) ( [13] 李勇，魏益民，王锋.影响近红外光谱分析结果准确性的生素[J].核 农学报，2005，19 ( 3)：2 3 6-240. ) 数据