近紅外光譜技術快速檢測原料乳中摻雜物

古方青，管 驍，劉 靜，楊永健，張仲源

（1.上海理工大學醫(yī)療器械與食品學院，上海200093；2.上海海事大學信息工程學院，上海200135；3.上海市食品藥品檢驗所，上海201203）

近紅外光譜技術快速檢測原料乳中摻雜物

古方青1，管 驍1，劉 靜2，楊永健3，張仲源1

（1.上海理工大學醫(yī)療器械與食品學院，上海200093；2.上海海事大學信息工程學院，上海200135；3.上海市食品藥品檢驗所，上海201203）

采用近紅外光譜技術結合化學計量學方法，對原料乳中常見的2種摻雜物——大豆分離蛋白與植脂末進行定量分析研究。先通過不同光譜預處理方法結合偏最小二乘法（PLS）建模評價不同預處理方法的效果，結果表明通過平滑處理結合多元散射校正（MSC）進行光譜預處理效果最佳，大豆分離蛋白PLS定量模型相關系數(shù)（R2）與交叉驗證均方差（RMSECV）分別為0.980 9、0.127 5，植脂末PLS模型分別為0.972 2、0.130 8。隨后比較了不同建模方法的效果，結果發(fā)現(xiàn)：采用徑向基神經網絡（RBF）對大豆分離蛋白的建模效果最佳，R2為0.999 4，測試集均方根誤差為0.003 1；采用廣義回歸神經網絡（GRNN）方法對植脂末建模效果最佳，R2為0.998 9，測試集均方根誤差為0.004 5。因此，合理結合近紅外光譜技術與化學計量學方法可快速、準確檢測原料乳中大豆分離蛋白和植脂末這2種摻雜物含量。

化學計量學；植脂末；近紅外光譜；原料乳；大豆分離蛋白

近年來，不斷出現(xiàn)的原料乳質量問題日益引起人們對乳制品質量安全的重視。目前，原料乳出現(xiàn)的主要質量問題為摻雜使假，摻雜物主要包括水、蛋白粉、植脂末等［1-2］。傳統(tǒng)的原料乳質量分析方法通常需要利用不同手段對乳中不同組分分別進行測定，例如用凱氏定氮法測定蛋白質含量，用蓋勃法或羅茲法等方法測定脂肪含量等，這些方法耗時費力，不利于原料乳品質的在線監(jiān)控。因此，如何快速有效檢測出原料乳中蛋白、植脂末這兩類摻雜物是乳品企業(yè)及相關質檢單位亟待解決的問題［1，3］。

隨著光學儀器設計、制造水平的提高、計算機技術的發(fā)展和化學計量學方法研究的深入，近紅外光譜分析技術在過程分析和工業(yè)控制領域應用越來越廣，它具備無損、高效、快速、成本低、綠色環(huán)保和易于實現(xiàn)自動化等優(yōu)點［4］，特別是試樣一般無需化學前處理，更加便于實現(xiàn)在線分析，同時依靠化學計量學方法，可實現(xiàn)物質的定性與定量研究［5-6］。

筆者通過分析摻入大豆分離蛋白以及植脂末的原料乳的近紅外漫反射光譜，結合多種光譜預處理以及建模方法，建立定量模型，以期為快速檢測原料乳中的蛋白或脂肪摻假物含量提供新的思路。

1 材料與方法

1.1 儀器設備

MPA型傅里葉變換近紅外光譜儀（德國Bruker），譜區(qū)范圍4 000～12 501 cm-1，掃描次數(shù)為64次，分辨率為8 cm-1。

1.2 試樣準備

新鮮正常原料乳，取自上海金山奶牛場，用蒸餾水稀釋至蛋白質質量分數(shù)為1.5%作為基底乳備用。在基底乳中分別摻入不等量的大豆分離蛋白或植脂末模擬摻假試樣，大豆分離蛋白摻入量控制在0.1%～5.0%（質量分數(shù)），植脂末摻入量控制在0.1%～3.0%（質量分數(shù)），濃度梯度均勻分布，共制備61組樣本。建模過程中在61組樣本中隨機選取45組作為訓練集，剩余16組為測試集。

1.3 光譜采集與數(shù)據處理

在環(huán)境溫度25℃、相對濕度45%條件下，近紅外光譜儀開機預熱10 min。采集光譜前，將試樣均質60 s。利用光纖探頭采集試樣漫反射近紅外光譜，每個試樣采集光譜10次。將61×10組光譜數(shù)據圖導入OPUS 6.5軟件進行處理，即對每一個試樣的10組圖譜取平均值作為該樣本的代表性光譜，共獲得61組光譜圖，并將光譜圖以.CSV格式進行保存以備后續(xù)數(shù)據分析。

1.4 數(shù)據分析

數(shù)據處理分析在Math works公司提供的Matlab 2009b環(huán)境下進行。

2 結果與討論

2.1 光譜預處理及特征信息提取

圖1顯示了正常原料乳、基底乳、61組摻入不同濃度大豆分離蛋白或植脂末的摻偽乳漫反射圖譜。由圖1可知：稀釋處理的基底乳圖譜與原料乳未見明顯差異，均在波數(shù)5 106和6 800 cm-1附近有較強特征吸收。但摻入大豆分離蛋白或植脂末后，光譜在部分波數(shù)處出現(xiàn)較大幅度擾動，如植脂末組在4 200～5 200 cm-1與6 700～6 900 cm-1區(qū)間內隨著植脂末摻入量的提高光譜吸收增強。由于大豆分離蛋白與植脂末本身在近紅外區(qū)間各處均有吸收，故選取全譜建立模型。光譜信號中除包括試樣成分信息外，還包含高頻噪聲、基線漂移和試樣背景等，因此建模前需對光譜進行預處理以過濾干擾信號，提高模型準確度。常用的光譜預處理方法包括平滑處理、多元散射校正、小波變換、一階導數(shù)、二階導數(shù)等［7］。同時，對光譜進行主成分分析可以避免建模中的信息冗余，在分析中起到簡化數(shù)據的目的。本實驗中筆者首先采取了平滑處理、多元散射校正以及小波變換等不同組合對光譜進行預處理，并通過主成分分析提取出特征變量，進一步通過偏最小二乘法建立定量模型，根據模型的相關系數(shù)R2、交叉驗證均方差RMSECV和相對誤差Σσ評價模型效果［8］（表1）。。

表1為大豆分離蛋白試樣組5種不同的光譜預處理方法效果。由表1可知：通過光譜平滑處理結合多元散射校正預處理后，應用主成分分析，前4個主成分累積可解釋原光譜信息的90.1%，PLS模型相關系數(shù)R2可達0.980 9，RMSECV為0.127 5，建模效果最好；相反，盡管通過平滑處理結合小波變換預處理后，提取前3個主成分可解釋原光譜99.8%的信息，但最終建模效果不理想（R2為0.926 8，RMSECV為0.232 6），可能的原因是建模效果并非完全取決于預處理方法的有用信息提取量，也與冗余信息剔除效果有關，同時全波段光譜與特征光譜段的選擇也會影響建模效果。因此，平滑處理結合多元散射校正光譜預處理方法在綜合平衡以上兩方面關系的效果最佳。同樣，通過對植脂末試樣組光譜預處理效果比較可知，采用平滑處理結合多元散射校正預處理后，提取前4個主成分可解釋原始光譜的88.8%信息，PLS模型R2為0.972 2，RMSECV為0.130 8，建模效果最好。由此可見，對本實驗中的摻偽乳試樣而言，平滑處理結合多元散射校正光譜預處理方法最能有效降低原始光譜的噪音，對提高建模性能有較大的幫助。

表1 不同光譜預處理方法對PLS建模效果的影響Table 1 Effects of different spectrum pretreatments on performances of PLSmodels

2.2 建模方法的比較

建模方法的選擇同樣對最終模型效果有重要影響。除偏最小二乘建模方法外，其他常用建模方法還包括多元線性回歸、人工神經網絡等。近年來，人工神經網絡方法得到了飛速發(fā)展［9-10］。神經網絡是一種新的智能學習方法，它通過模擬動物神經網絡行為特征，進行分布式并行信息處理得到數(shù)學模型。該網絡還可根據系統(tǒng)的復雜程度，通過自行調整內部大量節(jié)點之間相互連接的關系，進而達到高效處理信息的目的［11］。本文將原始光譜通過平滑處理結合多元散射校正預處理后，對主成分系數(shù)擬通過分別采用線性神經網絡（linear neural network，LNN）、反向傳播神經網絡（Back propagation neural network，BP）、徑向基函數(shù)神經網絡（RBF）和廣義回歸神經網絡（GRNN）建立模型。

由于不同神經網絡方法模型系數(shù)各有不同，例如BP網絡中節(jié)點層數(shù)、節(jié)點個數(shù)以及訓練函數(shù)不同，對模型建立效果影響很大［12］。因此筆者比較了不同神經網絡中不同系數(shù)設置對模型性能的影響，評價指標通過模型R2、訓練集均方根誤差σ1以及測試集均方根誤差σ2來衡量。表2為不同的神經網絡建模方法對大豆分離蛋白及植脂末含量預測能力的比較結果。

表2 不同建模方法的效果比較Table 2 Com parison of perform ancse of differentm odeling m ethods

由表2可知：LNN建模效果較差，這是由于該建模方法只能較好表征線性關系的輸入與輸出，而在本實驗中由于建模輸入的自變量較多，與輸出結果線性關系不明顯，由此導致模型預測能力不佳；BP神經網絡建模相關系數(shù)較高，2種摻雜物的定量預測模型R2均大于0.97，但預測效果不理想，測試集均方根誤差σ2較大，這是由于BP神經網絡構建中間層節(jié)點數(shù)量較多，模型樣本數(shù)量偏少，建模隨機性大而不具代表性所導致；而RBF和GRNN模型擬合度以及預測準確程度均較高，其中對大豆分離蛋白含量的預測，通過GRNN網絡建模，SPREAD為0.1時，R2為0.999 4，測試集均方根誤差σ2僅為0.003 1，而對植脂末建模效果分析中，RBF建立模型可以取得最佳效果，模型R2為0.998 9，測試集均方根誤差σ2為0.004 5。

總體看來，通過神經網絡方法建立模型，對大豆分離蛋白以及植脂末含量的預測均能達到很好的效果，具有應用價值，但由于各種神經網絡中參數(shù)變量復雜，且有不同組合，而不同取值均能對模型預測能力產生不同影響，因此在實際應用中需不斷探討參數(shù)變量以及最優(yōu)組合的選擇。本文中筆者僅討論了部分通用參數(shù)設置條件下建立模型的結果，而對模型的全面優(yōu)化仍有待進一步研究。

3 結 論

通過實驗研究表明：利用近紅外光譜分析可以快速檢測原料乳中常見摻雜物——大豆分離蛋白和植脂末的含量。通過選擇平滑處理結合多元散射校正光譜預處理方法結合GRNN建模方法，大豆分離蛋白組模型R2可達到0.999 4，測試集均方根誤差為0.003 1；通過平滑處理結合多元散射校正預處理結合RBF建模，植脂末組模型R2達0.998 9，測試集均方根誤差為0.004 5，說明建立的模型穩(wěn)定性很高，且預測能力較強，可為研究原料乳中其他摻雜物的近紅外定量分析提供參考。此外，進一步優(yōu)化近紅外光譜的建模參數(shù)設置，將有利于推廣近紅外光譜分析技術在原料乳質量監(jiān)控實際工作中的應用。

［1］ 郭朔.近紅外光譜分析技術快速檢測液態(tài)乳制品品質的研究［D］.長春：吉林大學，2008.

［2］ 王多加，周向陽，金同銘，等.近紅外光譜檢測技術在農業(yè)和食品分析上的應用［J］.光譜學與光譜分析，2004，24（4）：447?450.

［3］ 王田子，鄧麗敏，田立軍，等.近紅外在乳及乳制品質量檢測中的研究進展［J］.光譜學與光譜分析，2010，30（12）：3208?3212.

［4］ Balabin R M，Smirnov SV.Melamine detection bymid，and near?infrared（MIR／NIR）spectroscopy：a quick and sensitivemethod for dairy products analysis including liquid milk，infant formula，and milk powder［J］.Talanta，2011，85（1）：562?568.

［5］ 徐廣通，袁洪福，陸婉珍.現(xiàn)代近紅外光譜技術及應用進展［J］.光譜學與光譜分析，2000，20（2）：134?142.

［6］ 張曉慧，劉建學.近紅外光譜技術在牛奶及其制品質量檢測中的應用［J］.紅外，2007，28（6）：38?41.

［7］ 褚小立，袁洪福，陸婉珍.近紅外分析中光譜預處理及波長選擇方法進展與應用［J］.化學進展，2004，16（4）：528?542.

［8］ 何勇，李曉麗，邵詠妮.基于主成分分析和神經網絡的近紅外光譜蘋果品種鑒別方法研究［J］.光譜學與光譜分析，2006，26（5）：850?853.

［9］ Dowman R，Ben?Avraham D.An artifical neural network model of orienting attention towards threatening somatosensory stimuli［J］. Psychophysiology，2007，44（2）：229?239.

［10］ Robinson C J，Johnson D O，Almeida J S.Second trimester prediction of preeclampsia using an artifical neural network［J］.J Soc Gynecol Invest，2006，13（2）：126A.

［11］ Liu X Z，Kang SZ，Li F S.Simulation of artificial neural network model for trunk sap flow of Pyruspyrifolia and its comparison with multiple?linear regression［J］.Agric Water Manage，2009，96：939?945

［12］ 齊俊.BP神經網絡在牛乳檢測中的應用［D］.哈爾濱：哈爾濱理工大學，2009.

Rapid determ ination of adulteration in raw m ilk by near?infrared spectroscopy analysis

GU Fangqing1，GUAN Xiao1，LIU Jing2，YANG Yongjian3，ZHANG Zhongyuan1

（1.School of Medical Instruments and Food Engineering，University of Shanghai for Science and Technology，Shanghai200093，China；2.College of Information Engineering，ShanghaiMaritime University，Shanghai200135，China；3.Shanghai Institute for Food and Drug Control，Shanghai201203，China）

Quantitative determination of two kinds of common adulterants in raw milk，namely soy protein isolates and creamer，was performed by combining near?infrared spectroscopy with chemometrics analysis. Firstly，the effects of different spectrum pretreatment methods were evaluated by combining different spectrum pretreatment methods with partial least squares model.The results showed that smoothing algorithm combined with multiple scattering corrections had best performance.R2and RMSECV of PLS model for soy protein isolateswere 0.980 9 and 0.127 5，and that of creamerwere 0.972 2 and 0.130 8，respectively.Then，the performances of different modeling methods were compared.The results demonstrated that the bestmodelingmethods for soy protein isolates and creamer were RBF and GRNN methods.R2and RMSE testof the RBFmodel for soy protein isolateswere 0.999 4 and 0.003 1，and that of the GRNN model for creamer were 0.998 9 and 0.004 5，respectively.Therefore，NIRS combined reasonably with chemometric methods could be used to determine the contents of soy protein isolates andcreamer in raw milk with high speed and accuracy.

chemometrics；creamer；near?infrared spectroscopy；raw milk；soy protein isolates

TS252.7；O657.33

A

1672-3678（2013）06-0073-05

10.3969／j.issn.1672-3678.2013.06.015

2013-01-15

國家自然科學基金（31101348）；上海市教委科研創(chuàng)新項目（10YZ113）

古方青（1988—），女，安徽無為人，碩士研究生，研究方向：食品安全監(jiān)控技術；管 驍（聯(lián)系人），副教授，E?mail：gnxo＠163.com