高光譜成像的豆腐形成過程中組分含量變化檢測

王承克，張澤翔，黃曉瑋，鄒小波，李志華，石吉勇

江蘇大學(xué)食品與生物工程學(xué)院，農(nóng)業(yè)裝備工程學(xué)院，江蘇 鎮(zhèn)江 212013

引 言

我國是豆腐的發(fā)源地。在我國大豆食品中，豆腐占據(jù)了一半的消費(fèi)份額，但目前市場上大部分豆腐仍由條件簡陋的個體作坊經(jīng)驗(yàn)式生產(chǎn)，這種落后的加工方式使產(chǎn)品衛(wèi)生沒有保證，產(chǎn)品質(zhì)量不穩(wěn)定，不能滿足現(xiàn)代社會的需要。要規(guī)范豆腐生產(chǎn)行業(yè)，首要任務(wù)就是監(jiān)測豆腐生產(chǎn)過程。

豆腐是大豆蛋白在凝固劑作用下相互結(jié)合形成的具有三維網(wǎng)絡(luò)結(jié)構(gòu)的凝膠產(chǎn)品，這一三維網(wǎng)絡(luò)狀結(jié)構(gòu)主要由蛋白質(zhì)和水分構(gòu)成，它們決定了豆腐的硬度、彈性、粘著性和持水性等組織結(jié)構(gòu)特性[1]。蛋白質(zhì)和水分在凝膠過程中不同狀態(tài)(豆?jié){、熱漿、凝膠和豆腐)下的變化情況是豆腐加工中的關(guān)鍵，與豆腐的品質(zhì)特性密切相關(guān)[2]，監(jiān)測它們在豆腐加工過程中含量的變化不僅關(guān)系到豆腐品質(zhì)優(yōu)劣，還是豆腐加工技術(shù)能否實(shí)現(xiàn)自動化和智能化的關(guān)鍵。

目前，水分和蛋白質(zhì)含量的常規(guī)檢測方法主要是直接干燥法和理化檢測法，這兩種方法對樣品有一定損壞性且費(fèi)時費(fèi)力，不適合用于大量樣本的在線檢測。近紅外光譜技術(shù)基于對分子中C—H, N—H, O—H等基團(tuán)的倍頻和合頻吸收，檢測過程不破壞樣本，適合用于由于水分、蛋白質(zhì)等含氫鍵物質(zhì)發(fā)生變化的食品加工過程監(jiān)控，韓東海利用近紅外光譜檢測了腐乳白坯硬度，偏最小二乘法得到的最優(yōu)模型的建模相關(guān)系數(shù)r達(dá)到0.935；邱燕燕研究了豆?jié){蛋白質(zhì)、脂肪及水分的近紅外快速檢測方法，建立了復(fù)合凝固劑、豆?jié){蛋白質(zhì)濃度及凝固溫度對凝固時間影響的數(shù)學(xué)模型[3]，José Manuel Amigoa等利用近紅外光譜技術(shù)監(jiān)控白面包頂部、中部和底部在凝固過程中硬度與空間紋理的相關(guān)性[4]。但是近紅外光譜只能單點(diǎn)檢測，難以實(shí)現(xiàn)豆腐凝膠過程的全面監(jiān)測。精確檢測水分和蛋白質(zhì)在豆腐制作過程中不同區(qū)域的含量差異，是實(shí)現(xiàn)水分和蛋白質(zhì)分布均勻性定量描述的前提。上述方法無法實(shí)現(xiàn)水分和蛋白質(zhì)均勻性的定量描述，難以實(shí)現(xiàn)豆腐形成過程的全面檢測。高光譜圖像技術(shù)具有波段多、光譜分辨率高、圖譜合一、檢測過程不破壞樣本等優(yōu)點(diǎn)，在食品工業(yè)中的應(yīng)用也越來越廣泛。Adam Polak等利用高光譜圖像技術(shù)監(jiān)測蛋糕烘焙過程中水分和硬度的變化[5]；Nadya Vasquez等采用高光譜技術(shù)結(jié)合結(jié)構(gòu)剖面分析對瑞士干酪成熟過程中的質(zhì)構(gòu)特性進(jìn)行分析[6]。這些研究都為高光譜技術(shù)監(jiān)測豆腐凝結(jié)過程中水分和蛋白質(zhì)含量變化監(jiān)測提供了依據(jù)。

采用高光譜成像技術(shù)對豆腐形成過程中各階段水分與蛋白質(zhì)含量進(jìn)行快速檢測，采用偏最小二乘回歸(PLSR)和主成分回歸(PCR)方法建立豆?jié){、熱漿、凝膠、豆腐的含水率與蛋白質(zhì)定量分析模型，并選用連續(xù)投影算法(SPA)來提取光譜中的特征波長。最終實(shí)現(xiàn)其各階段中含量分布可視化，為豆腐生產(chǎn)的科學(xué)化、工業(yè)化、規(guī)?；峁├碚撘罁?jù)。

1 實(shí)驗(yàn)部分

1.1 材料與試劑

東北大豆(市售)，MgCl2凝固劑(食品級)。

1.2 儀器與設(shè)備

DHG-9240A電熱鼓風(fēng)干燥箱(上海一恒科學(xué)儀器有限公司)、DF-101S集熱式恒溫加熱磁力攪拌器(河南省予華儀器有限公司)、C21-WK2102電磁爐(美的集團(tuán))、HX-PB1058 破壁機(jī)(奧克斯集團(tuán))、AB123電子天平(上海豪晟科學(xué)儀器有限公司)、CT3食品物性測試儀(Brookfield公司)。

高光譜采集系統(tǒng)是由高光譜攝像機(jī)(ImSpector，V10E，芬蘭)、150 W的光纖鹵素?zé)?Fiber-Lite DC950Illuminator，DolanJenner Industries Inc，MA，美國)、移動平臺(Zolix，SC30021A，北京)、SpectralCube軟件(芬蘭Spectral Imaging有限公司)和計算機(jī)等部件組成。

1.3 樣品制備

圓潤光滑、大小均一、無霉變的大豆，清洗后添加3倍蒸餾水在常溫條件下浸泡10～14 h，瀝干后稱重加入1∶5，1∶6，1∶7，1∶8，1∶9比例的水進(jìn)行磨漿，過濾后煮漿，至豆?jié){沸騰3 min，取1 000 mL豆?jié){冷卻至80 ℃ 加入0.6 mol·L-1MgCl2溶液點(diǎn)漿，凝膠形成后恒溫水浴20 min，以900 g均勻壓制20 min成型，冷卻制成豆腐。選取過濾后的豆?jié){、煮沸后的熱漿、凝膠和成品豆腐作為檢測對象，得到四種不同狀態(tài)下(豆?jié){、熱漿、凝膠、豆腐)的實(shí)驗(yàn)樣品，每種狀態(tài)下分別取120個樣本進(jìn)行高光譜掃描。

1.4 樣品水分與蛋白質(zhì)含量測定

1.4.1 含水率測定

參照GB 5009.3—2016測定不同狀態(tài)下的豆?jié){、熱漿、凝膠和豆腐的含水率。準(zhǔn)確稱取一定質(zhì)量的液體或固體樣品于恒重的玻璃培養(yǎng)皿中(液體中加入海砂)，放置于105 ℃ 的恒溫鼓風(fēng)干燥箱中干燥5 h，取出后放置于干燥器中冷卻30 min后稱量。

式中，M為樣品含水量，m1為培養(yǎng)皿與樣品的質(zhì)量，m2為培養(yǎng)皿與樣品干燥后的質(zhì)量，m3為培養(yǎng)皿的質(zhì)量。

1.4.2 蛋白質(zhì)含量測定

參照GB 5009.5—2016測定不同狀態(tài)下的豆?jié){、熱漿、凝膠和豆腐的蛋白質(zhì)含量。

1.5 豆腐質(zhì)構(gòu)特性測定

采用質(zhì)構(gòu)儀TPA模式對五種不同料液比的豆腐進(jìn)行測定。通過取樣器在豆腐中部區(qū)域取樣，采用P36(直徑為36 cm)鋁制圓柱形探頭對豆腐樣本進(jìn)行質(zhì)構(gòu)測定，測試速率為1 mm·s-1，返回速率為1 mm·s-1，樣品形變量為75%，起始距離為30.00 cm，循環(huán)次數(shù)為2 次，測試時間為5 s，起始壓力5 g[7]。

1.6 高光譜圖像采集與校正

高光譜系統(tǒng)預(yù)熱30 min后進(jìn)行樣品掃描，將豆?jié){、熱漿、凝膠、豆腐四種樣品分別用培養(yǎng)皿盛放于位移平臺，電控平臺移動速度為90 μm·s-1。為減少光譜采集時由于光照強(qiáng)度不均勻以及暗電流的影響。通過HIS Analyzer軟件對光譜圖像進(jìn)行校正[8]。校正公式為

式中：R為校正后數(shù)據(jù)；IR為樣本原始數(shù)據(jù)；IW為白板數(shù)據(jù)；IB為黑板數(shù)據(jù)。

2 結(jié)果與討論

2.1 不同磨漿用水條件下豆?jié){、熱漿、凝膠、豆腐水分、蛋白質(zhì)含量及豆腐質(zhì)構(gòu)分析

由圖1(a)可知，隨著磨漿時水用量的增加，豆腐的蛋白質(zhì)含量先升后降?？赡苁怯捎诋?dāng)磨水用量較低時，豆?jié){中蛋白質(zhì)含量較高，添加凝固劑后形成的凝膠結(jié)構(gòu)卻較為松散，壓制成豆腐后與其他結(jié)構(gòu)相比不緊密，從而蛋白質(zhì)含量較低。從硬度與彈性值較低能印證其結(jié)構(gòu)松散。豆腐水分含量先增后減，是因?yàn)楫?dāng)水分添加過多時，豆?jié){中固形物和蛋白質(zhì)的質(zhì)量濃度太低，形成的豆腐保水性能降低，水分含量減少。當(dāng)料液比為1∶7時豆腐的水分含量最高，料液比為1∶6時蛋白質(zhì)含量最高。從圖1(b)中看出，豆腐質(zhì)構(gòu)特性中硬度、咀嚼性、膠著性、彈性變化顯著。1∶8時硬度與膠著性最高，1∶7時彈性最好，回復(fù)性與凝聚性變化不顯著。

圖1 磨漿料液比對豆腐水分和蛋白質(zhì)含量的影響(a)，料液比對豆腐質(zhì)構(gòu)特性的影響(b)Fig.1 Effect of material to liquid ratio on moisture and protein content of tofu (a),Effect of material to liqurd ratio on the texture properties of tofu (b)

2.2 平均光譜曲線

將ENVI提取的光譜信息經(jīng)matlab處理后得到四種樣品的平均光譜曲線。圖2為豆?jié){、熱漿、凝膠、豆腐四種樣品的平均光譜反射曲線。選取高光譜的波長范圍為432～963 nm(含618個波段)。其中豆?jié){與熱漿樣品的光譜曲線較為相似，豆?jié){經(jīng)加熱后變?yōu)闊釢{的過程中，水分含量逐漸降低，相應(yīng)的光譜強(qiáng)度也逐漸降低。豆?jié){、熱漿、凝膠樣品在700～800與900～1 000 nm處各有一個吸收峰，這是由水分子中O—H鍵倍頻引起的[9]。而豆腐樣品光譜曲線中沒有這兩處峰，可能是由于高光譜是對樣品表面進(jìn)行檢測，形成豆腐后水分被封鎖在內(nèi)部。

圖2 不同狀態(tài)下樣品的光譜曲線(a)：豆?jié){；(b)：熱漿；(c)：凝膠；(d)：豆腐Fig.2 Spectra of samples under different conditions(a)：Soybean milk；(b)：Hot soybean milk；(c)：Gel；(d)：Tofu

2.3 含量預(yù)測模型

采用卷積平滑(savitzky-golay，SG)結(jié)合多元散射校正(multiplicative scatter correction，MSC)分別對四類樣品的原始光譜進(jìn)行預(yù)處理后利用The Unscrambler X軟件進(jìn)行PLSR、PCR建模，建立全波段(full-spectra，F(xiàn)S)下豆?jié){、熱漿、凝膠、豆腐的水分與蛋白質(zhì)含量預(yù)測模型，預(yù)測結(jié)果見表1。

從PCR模型的建模結(jié)果看，對于熱漿的蛋白質(zhì)含量預(yù)測效果最好，預(yù)測集RP達(dá)到0.904 5。與豆?jié){、熱漿、凝膠三種樣品相比，豆腐PCR模型的校正集與預(yù)測集RC結(jié)果較低，模型的預(yù)測效果較差。其中豆腐蛋白質(zhì)含量預(yù)測的模型精確度最低，校正集RC為0.705 9，預(yù)測集RP為0.609 1，可能是由于PCR模型沒有訓(xùn)練出豆腐光譜數(shù)據(jù)集的特征，導(dǎo)致模型發(fā)生欠擬合，模型的校正集與預(yù)測集精度都降低。

從PLSR模型的建模結(jié)果看，豆?jié){、熱漿、凝膠、豆腐四種樣品均有較好的預(yù)測效果，RP結(jié)果均高于0.800 0，其中對凝膠蛋白質(zhì)豆腐水分與豆?jié){蛋白質(zhì)含量預(yù)測模型的預(yù)測結(jié)果較低，分別為0.817 5和0.827 4。對比PCR與PLSR模型對豆?jié){、熱漿、凝膠、豆腐的水分與蛋白質(zhì)含量預(yù)測結(jié)果，發(fā)現(xiàn)PLSR模型的預(yù)測性能優(yōu)于PCR模型對于這四類樣品的預(yù)測結(jié)果都有所提高。其中對于豆腐蛋白質(zhì)含量的預(yù)測結(jié)果提升最大，預(yù)測集RP由0.609 1提升到0.872 1。通過比較，PLSR模型更適用于建立豆?jié){、熱漿、凝膠、豆腐的水分與蛋白質(zhì)含量預(yù)測模型。后續(xù)采用SPA提取特征波長建立PLSR模型與全波段PLSR模型進(jìn)行比較。

表1 PLSR和PCR模型對水分和蛋白質(zhì)含量預(yù)測結(jié)果Table 1 The prediction results of water and protein content by using PLSR and PCR models

2.4 篩選特征波長及建模結(jié)果

2.4.1 篩選特征波長

為簡化PLSR模型，提高運(yùn)算效率，采用SPA算法提取特征波長。從圖2中看出，隨波長數(shù)目的增加均方根誤差(RMSE)不斷減小，當(dāng)選取的波長數(shù)目過多時RMSE降低變緩且模型的復(fù)雜度隨之增加，因此需要選取適宜的波長數(shù)量。豆?jié){、熱漿、凝膠、豆腐樣品分別選取13，9，8和9個特征波長。豆?jié){為40，65，81，139，213，374，468，485，501，536，567，578和611 nm，熱漿54，59，85，138，261，389，454，562和610 nm，凝膠39，227，340，415，451，500，545和576 nm，豆腐21，29，64，125，281，348，555，610和617 nm。其中豆?jié){與熱漿樣品篩選的特征波長比較接近，波長的分布范圍主要在水分子O—H鍵倍頻引起的吸收帶附近。

2.4.2 基于特征波長的PLSR模型

從表2的結(jié)果中看出，基于SPA算法篩選出的特征波長下PLSR模型的精準(zhǔn)度與預(yù)測能力要高于全波段下PLSR模型。其中對于豆?jié){、熱漿、凝膠、豆腐的蛋白質(zhì)預(yù)測集RP結(jié)果都達(dá)到0.920 0以上，熱漿和凝膠對于蛋白質(zhì)的預(yù)測值RP都達(dá)到了0.97。SPA+PLSR模型對于豆?jié){蛋白質(zhì)含量的預(yù)測結(jié)果提升最大，由0.827 4升高到0.937 7。綜上所述，SPA方法能夠作為一種有效的特征波長提取方法提高PLSR模型準(zhǔn)確性，因此后續(xù)選用SPA+PLSR模型對于豆?jié){、熱漿、凝膠、豆腐的組分含量進(jìn)行可視化分析。

圖3 SPA法提取特征波長((a)：豆?jié){；(c)：熱漿；(e)：凝膠；(g)：豆腐)及波長分布((b)：豆?jié){；(d)：熱漿；(f)：凝膠；(h)：豆腐)

2.5 組分含量分布可視化

基于SPA+PLSR模型進(jìn)行豆?jié){、熱漿、凝膠、豆腐組分含量預(yù)測，然后將四種樣品高光譜圖像中每個像素點(diǎn)的光譜信息輸入模型，計算其水分與蛋白質(zhì)含量值，生成豆?jié){、熱漿、凝膠、豆腐四類樣品的水分與蛋白質(zhì)含量分布的可視化圖像，如圖4所示。其中不同的顏色代表不同的含量值。從含量分布圖中看出豆?jié){與熱漿的水分含量隨料液比增加而增大，顏色由黃色逐漸變紅。蛋白質(zhì)含量隨之減少，顏色由綠色逐漸變?yōu)樗{(lán)色。1∶7時豆腐中水分含量最高顏色深綠較多，1∶6時豆腐的蛋白質(zhì)含量最高，圖中顯示紅色最深。從分布圖中能清晰看見豆腐的水分與蛋白質(zhì)含量，根據(jù)兩者的含量分布圖可以得知是哪種料液比的豆腐，對比2.1檢測結(jié)果知道其質(zhì)構(gòu)特性。可見利用高光譜技術(shù)能有效實(shí)現(xiàn)對豆腐形成過程中水分與蛋白質(zhì)含量檢測并且可以實(shí)現(xiàn)可視化，相比于傳統(tǒng)的檢測方法本方法能更直觀地了解豆腐形成過程中組分含量的變化。

表2 基于特征波長的PLSR模型預(yù)測結(jié)果Table 2 Prediction results of PLSR model using characteristic wavelengths

圖4 水分含量分布可視化圖(a)，蛋白質(zhì)含量分布可視化圖(b)Fig.4 Visualization images of water-content distribution (a) and protein content distribution (b)

3 結(jié) 論

以豆腐形成過程中四個關(guān)鍵點(diǎn)豆?jié){、熱漿、凝膠、豆腐為研究對象，利用可見高光譜成像技術(shù)結(jié)合化學(xué)計量法建立了豆腐形成過程中水分與蛋白質(zhì)含量變化定量模型，并實(shí)現(xiàn)其含量分布可視化，結(jié)果如下：

(1)PLSR與PCR模型比較，PLSR模型對于四種樣品組分含量預(yù)測效果更好，基于PLSR模型采用SPA算法篩選特征波長，豆?jié){、熱漿、凝膠、豆腐樣品分別選取13，9，8和9個特征波長。SPA+PLSR模型對于蛋白質(zhì)和水分含量的預(yù)測效果均有所提高。

(2)采用SPA+PLSR模型計算豆?jié){、熱漿、凝膠、豆腐樣品圖像每個像素點(diǎn)的水分與蛋白質(zhì)含量，然后繪制成各個狀態(tài)下的水分與蛋白質(zhì)分布可視化圖，直觀反映豆腐形成過程中的水分與蛋白質(zhì)的動態(tài)變化。