基于近紅外光譜技術(shù)的小龍蝦新鮮度快速檢測(cè)研究

王 超，劉 言*，夏珍珍，王 橋，段 爍

1.武漢輕工大學(xué)食品科學(xué)與工程學(xué)院，湖北 武漢 430023 2.湖北省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)質(zhì)量標(biāo)準(zhǔn)與檢測(cè)技術(shù)研究所，湖北 武漢 430064

引 言

小龍蝦(Procambarusclarkii)是一種原產(chǎn)于北美的淡水鰲蝦，最早于20世紀(jì)30年代引入中國(guó)。隨著人們生活水平的提高，小龍蝦因其營(yíng)養(yǎng)豐富、味道鮮美、易于加工等特點(diǎn)成為深受消費(fèi)者喜愛(ài)的水產(chǎn)品。近年來(lái)小龍蝦產(chǎn)業(yè)發(fā)展迅速，形成了相當(dāng)規(guī)模的產(chǎn)業(yè)集群。中國(guó)小龍蝦產(chǎn)業(yè)發(fā)展報(bào)告(2021)顯示，2020年小龍蝦產(chǎn)業(yè)總產(chǎn)值高達(dá)3 448.46億元，養(yǎng)殖總面積達(dá)到2 184.63萬(wàn)畝，養(yǎng)殖總產(chǎn)量達(dá)到239.37萬(wàn)噸。其中，長(zhǎng)江中下游的湖北、安徽、湖南、江蘇、江西5個(gè)省占據(jù)絕對(duì)主導(dǎo)地位，養(yǎng)殖總產(chǎn)量218.69萬(wàn)噸，占全國(guó)小龍蝦養(yǎng)殖總產(chǎn)量的91.36%。2020年，我國(guó)共有小龍蝦規(guī)模以上(年加工量100 t以上)加工企業(yè)123家，總加工量約為88.07萬(wàn)噸，年加工總產(chǎn)值約為480.07億元。按地域分布，大量加工企業(yè)仍然主要集中在湖北、安徽、湖南、江蘇、江西5個(gè)傳統(tǒng)小龍蝦養(yǎng)殖主產(chǎn)省。其中僅湖北省，規(guī)模以上加工企業(yè)就超過(guò)50家，加工量超過(guò)60萬(wàn)噸，占全國(guó)規(guī)模以上加工企業(yè)總加工量的近70%。由于產(chǎn)地和加工地較為集中，小龍蝦及相關(guān)初級(jí)加工產(chǎn)品(蝦尾、蝦仁)在送達(dá)加工企業(yè)或消費(fèi)者餐桌之前往往需要經(jīng)歷較長(zhǎng)時(shí)間的物流運(yùn)輸過(guò)程。作為甲殼類(lèi)生物，小龍蝦極易腐爛變質(zhì)，產(chǎn)生有害物質(zhì)。如果不能及時(shí)對(duì)小龍蝦的新鮮度進(jìn)行檢測(cè)而引發(fā)食品安全事故，將會(huì)對(duì)消費(fèi)者的生命安全和整個(gè)小龍蝦產(chǎn)業(yè)鏈產(chǎn)生毀滅性的影響。因此，必須對(duì)小龍蝦的新鮮度進(jìn)行全面監(jiān)控，維護(hù)消費(fèi)者的利益，保障小龍蝦產(chǎn)業(yè)安全健康發(fā)展。

揮發(fā)性鹽基氮(total volatile basic nitrogen，TVBN)一般指動(dòng)物性食品由于酶和細(xì)菌的作用，在腐敗過(guò)程中，使蛋白質(zhì)分解而產(chǎn)生氨以及胺類(lèi)等堿性含氮物質(zhì)，是衡量水產(chǎn)品新鮮度的主要指標(biāo)?，F(xiàn)行的國(guó)家標(biāo)準(zhǔn)(GB5009.228—2016)采用半微量定氮法、自動(dòng)凱氏定氮法和微量擴(kuò)散法進(jìn)行檢測(cè)，能夠?qū)π↓埼r中的揮發(fā)性鹽基氮進(jìn)行準(zhǔn)確定量，但存在著操作繁瑣、有機(jī)試劑污染、耗時(shí)較長(zhǎng)等問(wèn)題。小龍蝦產(chǎn)業(yè)高速發(fā)展，規(guī)模迅速擴(kuò)張，傳統(tǒng)國(guó)標(biāo)方法的已不能滿足龐大產(chǎn)業(yè)的檢測(cè)需求，必須針對(duì)性地開(kāi)發(fā)新型分析檢測(cè)技術(shù)。近紅外光譜分析技術(shù)是一種結(jié)合了近紅外光譜、化學(xué)計(jì)量學(xué)、計(jì)算機(jī)科學(xué)等多學(xué)科的光譜檢測(cè)技術(shù)，具有快速、無(wú)損、高效、環(huán)境友好等優(yōu)點(diǎn)[1]。近紅外光譜是780～2 526 nm的電磁輻射，包含了包括碳?xì)?、碳氧、氫氧、氮?dú)涞然鶊F(tuán)在內(nèi)的豐富化學(xué)鍵信息，但也存在譜帶重合嚴(yán)重、吸收強(qiáng)度弱、背景高等問(wèn)題。需要借助化學(xué)計(jì)量學(xué)方法，通過(guò)建立分析模型從光譜中提取有效信息，實(shí)現(xiàn)定性定量分析。常見(jiàn)的建模方法包括偏最小二乘(partialleast squares，PLS)、支持向量機(jī)(support vector machine，SVM)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)等。在某些實(shí)際應(yīng)用中，樣品的光譜中包含大量無(wú)關(guān)信息，使得光譜的整體背景偏高，利用原始光譜直接建模往往難以得到較好的分析結(jié)果。需要使用光譜預(yù)處理、波長(zhǎng)篩選等技術(shù)對(duì)光譜進(jìn)行處理，通過(guò)扣除光譜背景、選擇有效波長(zhǎng)等方法來(lái)提升模型的分析能力。光譜預(yù)處理技術(shù)能夠有效扣除原始光譜中的背景，提高光譜分辨率，為后續(xù)建模工作打下基礎(chǔ)，常見(jiàn)的光譜預(yù)處理方法包括多元散射校正(multiplicative scatter correction，MSC)、標(biāo)準(zhǔn)正態(tài)變換(standard normal variate，SNV)、連續(xù)小波變換(continuous wavelet transform，CWT)和1階導(dǎo)數(shù)(1st derivative，1st)等等。波長(zhǎng)篩選技術(shù)則能夠從整段近紅外光譜中提取出與建模高度相關(guān)的波長(zhǎng)，在提高模型解釋能力、降低冗余度的同時(shí)，提升預(yù)測(cè)準(zhǔn)確性。常見(jiàn)的波長(zhǎng)篩選方法包括無(wú)信息變量刪除(uninformative variableelimination，UVE)、蒙特卡羅-無(wú)信息變量刪除(Monte Carlo-uninformative variable elimination，MCUVE)、隨機(jī)測(cè)試(randomization test，RT)、競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣(competitive adaptive re-weighted sampling，CARS)等等[2-4]。其中RT算法依靠打亂濃度矩陣與光譜矩陣之間的對(duì)應(yīng)關(guān)系來(lái)考察變量在建模之中的穩(wěn)定性，通過(guò)扣除穩(wěn)定性差的變量來(lái)實(shí)現(xiàn)波長(zhǎng)篩選[2]；UVE和MCUVE方法主要通過(guò)多次采樣建模來(lái)考察變量在建模過(guò)程中的穩(wěn)定性，借助淘汰穩(wěn)定性差的變量實(shí)現(xiàn)波長(zhǎng)選擇[3]；而CARS算法則以達(dá)爾文進(jìn)化論的“適者生存”為基本原則，通過(guò)多次迭代計(jì)算淘汰無(wú)效波長(zhǎng)點(diǎn)，保留對(duì)于模型有利的波長(zhǎng)點(diǎn)，實(shí)現(xiàn)波長(zhǎng)篩選[4]。

近紅外光譜分析技術(shù)已經(jīng)在各個(gè)領(lǐng)域之中得到廣泛的應(yīng)用[5-7]。在食品分析領(lǐng)域之中，已應(yīng)用于對(duì)肉制品、水果、蔬菜、魚(yú)中蛋白質(zhì)、脂肪、維生素、有機(jī)酸、糖分等相關(guān)參數(shù)的快速檢測(cè)[8-10]。在食品新鮮度檢測(cè)領(lǐng)域，也有相關(guān)的文獻(xiàn)報(bào)道[11-12]。如Kucha等利用近紅外光譜技術(shù)對(duì)豬肉中硫代巴比妥酸反應(yīng)物進(jìn)行快速檢測(cè)，實(shí)現(xiàn)豬肉新鮮度分析；有研究采用近紅外光譜技術(shù)實(shí)現(xiàn)對(duì)三文魚(yú)中的揮發(fā)性鹽基氮的快速檢測(cè)；Xiong等[12]利用近紅外光譜技術(shù)對(duì)生菜的新鮮度進(jìn)行快速判別等。而目前仍未發(fā)現(xiàn)基于近紅外光譜分析技術(shù)檢測(cè)小龍蝦新鮮度的研究工作。同時(shí)，波長(zhǎng)篩選技術(shù)能夠有效提高近紅外光譜模型的預(yù)測(cè)能力，而食品新鮮度的相關(guān)研究之中該技術(shù)應(yīng)用較少。本研究以近紅外光譜分析技術(shù)為基礎(chǔ)建立小龍蝦新鮮度快速檢測(cè)方法。利用偏最小二乘法建立小龍蝦揮發(fā)性鹽基氮定量分析模型，同時(shí)對(duì)光譜進(jìn)行預(yù)處理，初步提升模型的預(yù)測(cè)能力。使用波長(zhǎng)篩選方法分從光譜中選擇有效變量來(lái)進(jìn)一步提升模型預(yù)測(cè)能力。使用優(yōu)化后的模型對(duì)小龍蝦中揮發(fā)性鹽基氮進(jìn)行檢測(cè)，并與傳統(tǒng)方法進(jìn)行比較驗(yàn)證。

1 實(shí)驗(yàn)部分

1.1 樣品采集

在本地養(yǎng)殖場(chǎng)購(gòu)買(mǎi)鮮活小龍蝦，在實(shí)驗(yàn)室中模擬長(zhǎng)途物流運(yùn)輸過(guò)程。將小龍蝦分成5批放置于水產(chǎn)塑料箱中，分別在0，4，10，20和30 ℃下保存。每隔2 h收集小龍蝦樣品(優(yōu)先收集受傷、死亡、活性低的個(gè)體)，采集小龍蝦可食用部分(蝦尾)用于后續(xù)分析。整個(gè)過(guò)程持續(xù)48 h，共采集120份樣品，其中0和4 ℃下分別采集到6個(gè)樣品，10和20 ℃下分別采集到48個(gè)樣品，30 ℃采集到12個(gè)樣品。將采集到的樣品組成訓(xùn)練集，用于建立定量分析模型。同時(shí)，分別在湖北、安徽、江蘇和湖南的主要產(chǎn)區(qū)訂購(gòu)小龍蝦，通過(guò)傳統(tǒng)的物流方式運(yùn)輸?shù)綄?shí)驗(yàn)室，物流運(yùn)輸時(shí)間為1～2 d。采集樣品的可使用部分(蝦尾)用于后續(xù)分析，共采集60份樣品組成預(yù)測(cè)集，用于對(duì)定量分析模型進(jìn)行驗(yàn)證。

1.2 標(biāo)準(zhǔn)值測(cè)定

使用GB5009.228—2016中的自動(dòng)凱氏定氮法對(duì)訓(xùn)練集和預(yù)測(cè)集樣品中的揮發(fā)性鹽基氮進(jìn)行測(cè)定。實(shí)驗(yàn)所用氧化鎂、硼酸、鹽酸、甲基紅指示劑、溴甲酚綠指示劑和95%乙醇均購(gòu)置于阿拉丁試劑公司。表1中列出了檢測(cè)結(jié)果的詳細(xì)信息。從表1中可以看到，訓(xùn)練集樣品揮發(fā)性鹽基氮的濃度分布范圍廣于預(yù)測(cè)集樣品揮發(fā)性鹽基氮的濃度分布范圍，兩個(gè)樣品集合中樣品揮發(fā)性鹽基氮最高濃度均超過(guò)了鮮、凍動(dòng)物性水產(chǎn)衛(wèi)生標(biāo)準(zhǔn)(GB2733—2005)中規(guī)定的最高濃度[20 mg·(100 g)-1]，說(shuō)明在實(shí)際運(yùn)輸過(guò)程中確實(shí)存在新鮮度不合格的風(fēng)險(xiǎn)。訓(xùn)練集樣品中不合格樣品數(shù)量高達(dá)60個(gè)，不合格率為50.0%，說(shuō)明高溫環(huán)境不適合小龍蝦保存；預(yù)測(cè)集樣品不合格率為33.3%，明顯低于訓(xùn)練集。訓(xùn)練集和預(yù)測(cè)集樣品揮發(fā)性鹽基氮濃度的平均值與標(biāo)準(zhǔn)偏差均較為接近，說(shuō)明經(jīng)過(guò)模擬運(yùn)輸過(guò)程產(chǎn)生的訓(xùn)練集樣品基本能夠覆蓋不同運(yùn)輸距離的小龍蝦物流運(yùn)輸狀況。

表1 訓(xùn)練集、預(yù)測(cè)集樣品揮發(fā)性鹽基氮檢測(cè)結(jié)果

1.3 光譜采集

使用ThermoFisher公司的Antaris Ⅱ型近紅外光譜儀采集小龍蝦可食用部分(蝦尾)的漫反射光譜。將小龍蝦蝦尾平鋪置于石英培養(yǎng)皿上，然后將培養(yǎng)皿放置在近紅外光譜儀積分球配件的光斑上，同時(shí)保證蝦尾完全遮擋光斑，采集蝦尾的近紅外光譜。光譜波長(zhǎng)范圍為4 000～10 000 cm-1，采集間隔1 cm-1，每條光譜包含6 001個(gè)數(shù)據(jù)點(diǎn)。掃描次數(shù)為64，實(shí)驗(yàn)時(shí)環(huán)境溫度為4 ℃，儀器工作溫度25 ℃。蝦尾的光譜圖如圖1所示。

圖1 小龍蝦蝦尾光譜

1.4 建模計(jì)算

分別使用MSC，SNV，CWT和1st對(duì)訓(xùn)練集和預(yù)測(cè)集樣品的光譜進(jìn)行處理。其中，CWT處理時(shí)選擇Haar小波為小波基，尺度系數(shù)為20；1st處理時(shí)尺度系數(shù)為19。使用偏最小二乘法，利用訓(xùn)練集樣品的原始光譜和不同預(yù)處理方法處理之后的光譜分別建立揮發(fā)性鹽基氮定量分析模型，建模過(guò)程中所需的模型因子數(shù)通過(guò)蒙特卡洛交叉驗(yàn)證法(Monte Carlo cross validation，MCCV)確定[13]。為了對(duì)不同的模型進(jìn)行驗(yàn)證，使用留一交叉驗(yàn)證法(leave one out cross validation，LOOCV)計(jì)算訓(xùn)練集樣品的揮發(fā)性鹽基氮濃度，然后與國(guó)標(biāo)方法的分析結(jié)果進(jìn)行比較，計(jì)算預(yù)測(cè)濃度的交叉驗(yàn)證均方根誤差(root mean square error of cross validation，RMSECV)和相關(guān)系數(shù)(R訓(xùn)練)，通過(guò)比較不同模型的RMSECV和R訓(xùn)練值確定最優(yōu)的光譜預(yù)處理方法。為進(jìn)一步優(yōu)化模型，分別使用蒙特卡洛-無(wú)信息變量消除法和隨機(jī)檢測(cè)法[14]對(duì)最優(yōu)光譜預(yù)處理方法處理之后的光譜進(jìn)行波長(zhǎng)篩選，選擇重要變量重新建立PLS定量分析模型。再次使用留一交叉驗(yàn)證法計(jì)算訓(xùn)練集樣品的揮發(fā)性鹽基氮濃度，同時(shí)計(jì)算預(yù)測(cè)結(jié)果的RMSECV和R訓(xùn)練值對(duì)不同模型進(jìn)行驗(yàn)證，確定最優(yōu)的光譜預(yù)處理和波長(zhǎng)篩選方法組合。在確定最優(yōu)組合之后，使用預(yù)測(cè)集光譜和最優(yōu)化模型計(jì)算預(yù)測(cè)集樣品中揮發(fā)性鹽基氮含量，并與國(guó)標(biāo)方法的分析結(jié)果進(jìn)行比較，通過(guò)計(jì)算預(yù)測(cè)均方根誤差(root mean square error of prediction，RMSEP)和相關(guān)系數(shù)(R預(yù)測(cè))評(píng)價(jià)模型實(shí)際預(yù)測(cè)能力。所有建模及計(jì)算過(guò)程均在個(gè)人電腦上使用Matlab 2020a完成。

2 結(jié)果與討論

2.1 光譜預(yù)處理

有研究表明光譜預(yù)處理技術(shù)可以有效扣除光譜中的背景信息，使用經(jīng)光譜預(yù)處理技術(shù)處理之后的光譜建模可以有效提高模型的預(yù)測(cè)能力。本研究使用四種常見(jiàn)的光譜預(yù)處理技術(shù)對(duì)分別對(duì)原始光譜進(jìn)行處理，并使用處理之后的光譜建立PLS模型，使用留一交叉驗(yàn)證法計(jì)算訓(xùn)練集樣品的揮發(fā)性鹽基氮濃度，然后與國(guó)標(biāo)方法的分析結(jié)果進(jìn)行比較，結(jié)果如表2所示。從表2可以看到，光譜預(yù)處理方法可以顯著提高模型的預(yù)測(cè)能力。原始光譜建立PLS模型預(yù)測(cè)結(jié)果的RMSECV值為4.138，R訓(xùn)練僅為0.776，而原始光譜經(jīng)過(guò)MSC和SNV處理之后，對(duì)應(yīng)光譜建立PLS模型預(yù)測(cè)結(jié)果的RMSECV值下降到2.363和2.576，R訓(xùn)練提升到0.933和0.920。如果使用小波變換和1階導(dǎo)數(shù)對(duì)光譜進(jìn)行處理，可以得到更好的結(jié)果，對(duì)應(yīng)PLS模型預(yù)測(cè)結(jié)果的RMSECV值可以下降到1.709和1.712，R訓(xùn)練提升到0.965。經(jīng)小波變換和1階導(dǎo)數(shù)處理之后光譜所建立PLS模型預(yù)測(cè)結(jié)果的RMSECV值和R訓(xùn)練優(yōu)于經(jīng)MSC和SNV方法處理之后光譜所建立PLS模型預(yù)測(cè)結(jié)果的RMSECV值和R訓(xùn)練。而小波變換和1階導(dǎo)數(shù)兩種方法處理光譜之后對(duì)于模型預(yù)測(cè)能力的提升效果接近。因此，選擇使用小波變換和1階導(dǎo)數(shù)優(yōu)化之后的光譜進(jìn)行波長(zhǎng)篩選，做進(jìn)一步優(yōu)化。

表2 不同光譜預(yù)處理方法處理光譜建立PLS模型的預(yù)測(cè)結(jié)果

2.2 波長(zhǎng)篩選

為了進(jìn)一步提高模型的預(yù)測(cè)能力，使用MC-UVE和RT算法分別對(duì)經(jīng)過(guò)小波變換和1階導(dǎo)數(shù)處理之后的光譜進(jìn)行波長(zhǎng)篩選，不同光譜的篩選結(jié)果如圖2(a)和(b)所示。從圖中可以看到，經(jīng)過(guò)篩選之后的光譜呈現(xiàn)高度集中的趨勢(shì)，對(duì)于經(jīng)小波變換處理后的光譜，從圖2(a)中可以看到，兩種波長(zhǎng)篩選方法所處理得到的變量較為相似，大部分變量集中在5 300，7 200，7 600～7 700和8 800 cm-1四個(gè)區(qū)域，少部分使用RT算法選擇的變量位于4 600 cm-1。根據(jù)Jerry Workman所著的《Practical Guide to Interpretive Near-Infrared Spectroscopy》，位于5 300 cm-1附近的波段屬于N—H伸縮振動(dòng)和彎曲振動(dòng)的組合頻吸收峰；7 200和7 600～7 700 cm-1兩個(gè)波段分別屬于伯酰胺和伯芳胺中N—H的2ν反對(duì)稱(chēng)吸收峰；8 800 cm-1波段屬于N—H溶液中3ν反對(duì)稱(chēng)吸收峰；4 600 cm-1波段屬于N—H反對(duì)稱(chēng)振動(dòng)和NH2搖擺振動(dòng)的組合頻吸收峰?？梢钥吹?，篩選得到的波長(zhǎng)均與胺基基團(tuán)相關(guān)，相較于使用全波長(zhǎng)建立的定量模型，篩選后的波長(zhǎng)所建立的模型具有更好的解釋能力。對(duì)于經(jīng)過(guò)1階導(dǎo)數(shù)處理之后的光譜，圖2(b)中大部分經(jīng)兩種方法篩選得到的光譜與圖2(a)中的區(qū)域相似，不同之處僅在于MC-UVE算法未篩選出波長(zhǎng)范圍5 300 cm-1的變量，而篩選出了波長(zhǎng)范圍4 600 cm-1處的變量。

圖2 不同光譜波長(zhǎng)篩選結(jié)果

使用篩選出的波長(zhǎng)重新建立PLS模型，利用留一交叉驗(yàn)證法計(jì)算訓(xùn)練集樣品揮發(fā)性鹽基氮濃度，同時(shí)計(jì)算RMSECV值和R訓(xùn)練對(duì)新模型進(jìn)行驗(yàn)證，結(jié)果列于表3。比較表2與表3中數(shù)據(jù)可以看出，波長(zhǎng)篩選可以進(jìn)一步提升模型的預(yù)測(cè)能力。對(duì)于經(jīng)過(guò)小波變換處理之后的光譜，表2中經(jīng)全波段光譜所建立PLS模型預(yù)測(cè)結(jié)果的RMSECV值為1.709，R訓(xùn)練為0.965，當(dāng)使用MC-UVE算法選擇其中318個(gè)有效變量重新建立PLS模型之后，模型預(yù)測(cè)結(jié)果的RMSECV值降低至1.525，R訓(xùn)練提升至0.973。如果使用RT算法選擇其中235個(gè)有效變量建立PLS模型，則對(duì)應(yīng)模型預(yù)測(cè)結(jié)果的RMSECV值降至1.529，R訓(xùn)練升至0.972，提升幅度與經(jīng)MC-UVE算法選擇之后的變量所建立的PLS模型類(lèi)似。對(duì)于經(jīng)過(guò)1階導(dǎo)數(shù)處理之后的光譜，兩種波長(zhǎng)篩選同樣獲得了提升模型預(yù)測(cè)能力的效果。綜合來(lái)看，1階導(dǎo)數(shù)和MC-UVE的組合略微優(yōu)于其他3種組合，具有相對(duì)較低的RMSECV值(1.464)和較高的R訓(xùn)練值(0.975)。

表3 不同光譜預(yù)處理方法結(jié)合波長(zhǎng)篩選方法處理光譜建立PLS模型的預(yù)測(cè)結(jié)果

2.3 模型驗(yàn)證

為了驗(yàn)證不同PLS模型的實(shí)際預(yù)測(cè)效果，使用PLS模型結(jié)合預(yù)測(cè)集樣品光譜計(jì)算對(duì)應(yīng)樣品中揮發(fā)性鹽基氮含量，并與標(biāo)準(zhǔn)方法計(jì)算得到的參考值進(jìn)行比較，不同模型的計(jì)算結(jié)果分別列于表2和表3之中。通過(guò)比較可以發(fā)現(xiàn)，表2和表3中RMSECV值和RMSEP值、R訓(xùn)練和R預(yù)測(cè)的差值較小，大部分RMSECV值小于對(duì)應(yīng)的RMSEP值，而R訓(xùn)練值大于對(duì)應(yīng)R預(yù)測(cè)值，說(shuō)明模型不存在過(guò)擬合的風(fēng)險(xiǎn)。同時(shí)，與訓(xùn)練集的結(jié)果類(lèi)似，在對(duì)實(shí)際樣品的預(yù)測(cè)之中，光譜預(yù)處理和波長(zhǎng)篩選技術(shù)有效提高了模型的預(yù)測(cè)能力。在表2中，原始光譜所建立的PLS模型預(yù)測(cè)結(jié)果的RMSEP值高達(dá)3.299，R預(yù)測(cè)僅為0.779；當(dāng)使用WT和1st對(duì)光譜進(jìn)行處理之后，對(duì)應(yīng)光譜所建立PLS模型預(yù)測(cè)結(jié)果的RMSEP值降低至1.944和1.984，R預(yù)測(cè)值提升至0.931和0.929。MSC和SNV兩種方法處理光譜同樣可以提升模型的預(yù)測(cè)能力，但提升幅度不如前兩種方法明顯。表3中可見(jiàn)，MC-UVE和RT兩種波長(zhǎng)篩選技術(shù)可以進(jìn)一步提升模型的預(yù)測(cè)能力。與訓(xùn)練集結(jié)果類(lèi)似，使用MC-UVE方法從經(jīng)過(guò)1st處理之后的光譜中選擇得到269個(gè)變量，利用這269個(gè)變量建立PLS模型的預(yù)測(cè)結(jié)果可以將RMSEP值進(jìn)一步降低至1.626，R預(yù)測(cè)值提高到0.950，優(yōu)于其他組合的預(yù)測(cè)結(jié)果。

為了更直觀地說(shuō)明優(yōu)化后模型的預(yù)測(cè)能力，圖3中畫(huà)出了使用最優(yōu)方法組合(1st+MC-UVE)處理光譜之后建立PLS模型對(duì)訓(xùn)練集和預(yù)測(cè)集樣品中揮發(fā)性鹽基氮含量的計(jì)算結(jié)果散點(diǎn)圖。從圖3中可以看出，大部分訓(xùn)練集(深藍(lán))和預(yù)測(cè)集(橙)樣品沿對(duì)角線(黑線)均勻分布，PLS模型計(jì)算得到的揮發(fā)性鹽基氮含量和使用國(guó)標(biāo)方法檢測(cè)得到的揮發(fā)性鹽基氮含量之間的差異較小，且差異與濃度大小無(wú)明顯的關(guān)系。分別使用訓(xùn)練集樣品和預(yù)測(cè)集樣品計(jì)算擬合直線(深藍(lán)線和橙線)，可以發(fā)現(xiàn)兩條直線與對(duì)角線的重合度較好，偏差值較小。研究結(jié)果表明該P(yáng)LS模型對(duì)于實(shí)際樣品有較好能預(yù)測(cè)能力，能夠用于相關(guān)樣品中揮發(fā)性鹽基氮的快速檢測(cè)。

圖3 優(yōu)化后PLS模型的預(yù)測(cè)結(jié)果

3 結(jié) 論

提出了一種基于近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量法方法的小龍蝦新鮮度快速檢測(cè)技術(shù)。使用PLS算法建立基于蝦尾近紅外光譜的揮發(fā)性鹽基氮定量分析模型，利用光譜預(yù)處理和波長(zhǎng)篩選技術(shù)對(duì)模型進(jìn)行優(yōu)化，提高模型預(yù)測(cè)能力。研究發(fā)現(xiàn)，先使用1st方法處理光譜，然后使用MC-UVE方法篩選變量之后建立的PLS模型具有相對(duì)較好的預(yù)測(cè)能力。使用該模型對(duì)實(shí)際樣品中得揮發(fā)性鹽基氮值進(jìn)行計(jì)算，預(yù)測(cè)結(jié)果的RMSEP值和R預(yù)測(cè)值分別為1.626和0.950。結(jié)果表明，該方法有一定的實(shí)際應(yīng)用價(jià)值，可以用于小龍蝦新鮮度的快速檢測(cè)。