無損檢測技術(shù)在雜糧品質(zhì)評價中的應(yīng)用研究進展

王欣卉, 文昌典, 宋雪健,2,3, 李志江,2,3, 錢麗麗,2,3, 張東杰,2,3

(黑龍江八一農(nóng)墾大學(xué)食品學(xué)院1,大慶 163319) (黑龍江省雜糧加工及質(zhì)量安全工程技術(shù)研究中心2,大慶 163319) (國家雜糧工程技術(shù)研究中心3,大慶 163319)

雜糧(Coarse cereals)是指除大米、小麥、玉米、大豆、薯類五大主糧作物以外的糧食作物,主要包括小米、高粱、綠豆、青稞、赤小豆、薏仁米、蕎麥等[1,2]。雜糧含有豐富的氨基酸、膳食纖維、礦物質(zhì)等營養(yǎng)成分和功能活性物質(zhì),其中β-葡聚糖、γ-氨基丁酸及黃酮類化合物等功能活性物質(zhì)在預(yù)防高血脂癥、糖尿病及提高免疫力等方面發(fā)揮著重要的作用[3-6]。由于雜糧營養(yǎng)成分豐富,藥食兼用價值高,具有廣闊的市場前景,且一些優(yōu)質(zhì)雜糧得到了官方認證,受到了品牌保護,例如“白城綠豆”“邊河小米”等。隨著社會經(jīng)濟的進步,人們的健康理念日益加深,對雜糧的品質(zhì)要求也在不斷提高,且其檢測技術(shù)也在不斷提升。

傳統(tǒng)的檢測分析方法主要采用化學(xué)方法、高效液相色譜法、氣相色譜-質(zhì)譜儀等,雖然能夠準(zhǔn)確識別不同雜糧谷物的營養(yǎng)成分含量及產(chǎn)地,但是昂貴、低效和復(fù)雜的樣品制備、在操作過程中需要破壞樣品等方面限制了這些技術(shù)的使用[7],因此,研究開發(fā)一種快速、簡單、高效的無損檢測技術(shù)在雜糧谷物中的應(yīng)用越來越受到重視。

1 無損檢測技術(shù)概況

可應(yīng)用于雜糧無損檢測的技術(shù)包括近紅外光譜(NIRS)[8]、拉曼光譜成像(RS)[9]、高光譜成像(HI)[10]、擊穿光譜學(xué)(LIBS)[11]、太赫茲波譜成像(TSTI)[12]、光聲光譜(PAS)[13]、電子鼻(E-nose)[14]、電子舌(E-tongue)[15]及核磁共振成像技術(shù)(NMRI)[16]等。利用太赫茲光譜法可以實現(xiàn)對綠豆幼苗萌發(fā)期淀粉含量的測定[17]。利用高光譜成像技術(shù)對谷物品種進行無損鑒定也有研究[18]。有些無損檢測技術(shù)雖然具有一定的應(yīng)用能力,但存在價格昂貴,操作復(fù)雜等因素,限制了應(yīng)用范圍。例如將核磁共振波譜儀用于研究,因成本高昂,無法用于大規(guī)模的實際應(yīng)用。當(dāng)一些輔助材料(如納米材料)和高性能儀器價格昂貴時,使用拉曼光譜和拉曼成像的檢測將變得更加復(fù)雜。近紅外光譜技術(shù)具有快速、高效、無損的技術(shù)特點,雖然需要結(jié)合化學(xué)計量學(xué)進行數(shù)據(jù)分析,但可有效消除外包裝對分析的影響,具有一定的應(yīng)用前景[19]。近紅外光譜、拉曼光譜、電子鼻和電子舌是較為常用的雜糧無損檢測技術(shù),在主糧中的應(yīng)用較為活躍、系統(tǒng)化,而在雜糧中的應(yīng)用研究相對較弱,因此,本文主要概述常用的4種無損檢測技術(shù)在雜糧品質(zhì)檢測方面的應(yīng)用,為無損檢測技術(shù)在雜糧中的應(yīng)用研究提供參考。

表1 4種常用雜糧無損檢測技術(shù)概況

2 基于近紅外光譜技術(shù)對雜糧的無損檢測分析

2.1 雜糧營養(yǎng)成分分析

近紅外光譜技術(shù)在對雜糧樣品營養(yǎng)成分進行分析檢測時,主要通過對校正集的均方根誤差(RMSEC)、驗證集的均方根誤差(RMSEP)、決定系數(shù)(R2)、范圍誤差比(RPD)作為衡量建模效果及檢測精度的指標(biāo)。在對樣品進行定量分析時,多采用的化學(xué)計量學(xué)方法是偏最小二乘法(PLS)進行數(shù)據(jù)擬合。通過對數(shù)據(jù)進行預(yù)處理,可以消除樣品的重復(fù)效果差和信噪比低等問題,預(yù)處理方式主要有線性補償減差法、直線減差法、矢量歸一法、最小-最大歸一法、多遠散射矯正法、一階導(dǎo)數(shù)法、二階導(dǎo)數(shù)法。采用近紅外光譜技術(shù)對雜糧谷物營養(yǎng)成分進行分析時,為了提升模型的檢測精度,需要利用大量的樣本進行模型的建立與驗證,利用化學(xué)分析法得到校正集和驗證集的營養(yǎng)組分含量是建模的必要條件。

近紅外光譜技術(shù)在雜糧中單組分的營養(yǎng)成分的檢測研究具有一定的可行性。Peiris等[23]對高粱蛋白研究發(fā)現(xiàn),在950～1 650 nm光譜范圍內(nèi)較低波長處具有較高的表觀吸光度。使用多元散射校正對光譜進行預(yù)處理,結(jié)合偏最小二乘校準(zhǔn),得出RMSEP=0.67,R2=0.83。而應(yīng)用擴展多元散射校正對風(fēng)化的高粱顆粒樣品進行預(yù)處理,得出蛋白的RMSEP=0.61,R2=0.85。Zeng等[24]利用近紅外光譜技術(shù)在全波長(300～2 300 nm)范圍內(nèi)結(jié)合偏最小二乘法對123 份豌豆樣品的直鏈淀粉、抗性淀粉、可消化淀粉及總淀粉進行定量分析,結(jié)果表明各指標(biāo)檢測結(jié)果的相關(guān)系數(shù)在0.80～0.97之間。

雖然雜糧中多酚、單寧、皂苷、黃酮等功能性因子的含量要遠低于蛋白質(zhì)、淀粉等營養(yǎng)成分,但利用近紅外光譜技術(shù)仍然可以實現(xiàn)對其快速檢測。Zeng等[25]研究發(fā)現(xiàn),燕麥籽粒的多酚含量檢測模型,其最佳校準(zhǔn)模型對應(yīng)的波段在1 350～1 848 nm之間,最佳光譜預(yù)處理組合為二階導(dǎo)數(shù)和2點平滑。最佳回歸模型的R2在校準(zhǔn)集中為0.895 4,RMSECV在預(yù)測集中為0.066 51,R2在預(yù)測集中為0.961 4,RMSEP在預(yù)測集中為0.045 73。Wang等[26]對110個高粱籽粒樣品的單寧含量進行分析得出,最佳模型建模波長在9 402～7 492 cm-1和5 452～4 244 cm-1范圍內(nèi),最佳的預(yù)處理方式為一階導(dǎo)數(shù)處理,校準(zhǔn)、交叉驗證和外部驗證的RPD分別為6.22、4.22和3.00。研究結(jié)果表明,利用近紅外光譜建立的模型可以有效地快速定量高粱籽粒中的單寧含量。

利用近紅外光譜技術(shù)從原始光譜觀察到的樣品體系變化是組分濃度變化的結(jié)果,而且組分濃度與紅外信號變化的相關(guān)關(guān)系不必是線性的。根據(jù)這一特性,該技術(shù)可以實現(xiàn)對統(tǒng)一樣品中多種組分進行快速檢測分析。Tomar等[27]利用近紅外光譜技術(shù)對87份珍珠小米(53份用作校正集,34份作為檢驗集)的淀粉、抗性淀粉、直鏈淀粉、蛋白質(zhì)、油、總膳食纖維、酚類、總可溶性糖、植酸進行研究,結(jié)果表明,在400～2 500 nm范圍內(nèi),采用二階導(dǎo)數(shù)+4點平滑+1點平滑的預(yù)處理方式結(jié)合偏最小二乘法建立的植酸檢測模型,檢測精度較高,其RMSEC為0.101 4,RMSEP為0.062,RPD為2.53,同時其他營養(yǎng)成分的RMSEC也在0.019 9～1.093 7范圍內(nèi),RMSEP在0.011～0.784之間,RPD在2.09～3.58之間。

2.2 雜糧產(chǎn)地溯源判別分析

地理來源、基因型、收獲年份的氣候條件(如降水量、溫度和日照時間)以及土壤的化學(xué)成分都會對谷物成分產(chǎn)生影響,從而影響最終產(chǎn)品的質(zhì)量[28]。利用近紅外光譜技術(shù)對產(chǎn)地溯源的研究主要集中在大米[29]、薯類[30]、小麥[31]等主糧谷物中。在雜糧的產(chǎn)地判別中相對研究較少。

產(chǎn)地溯源判別分析,主要可分為定性分析和定量分析兩大類。利用近紅外光譜技術(shù)結(jié)合化學(xué)計量學(xué)分析,可以建立近紅外光譜與樣品分類的相關(guān)聯(lián)系,進而進行定量分析。席志勇[32]利用近紅外光譜技術(shù)結(jié)合支持向量的算法,對8 類120個蕎麥樣品進行品種鑒別得出了7個支持向量機,對類不同產(chǎn)地的蕎麥定性準(zhǔn)確判別率平均達到了92.5%。劉星[33]利用近紅外光譜技術(shù)結(jié)合學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)對41 個不同產(chǎn)地的薏仁米樣品的正確預(yù)測率為90.91%。李楠等[34]利用近紅外光譜技術(shù)對來自11個省份的150 份小米樣品進行產(chǎn)地溯源分析發(fā)現(xiàn),利用主成分分析剔除異常點后,采用費舍爾線性判別分析建立的模型,其校正集中對不同小米產(chǎn)地溯源的平均正確率為100.0%,驗證集中的平均正確率為84.6%;利用多層感知器神經(jīng)網(wǎng)絡(luò)分析建立的模型其校正集和驗證集中對小米產(chǎn)地溯源的平均正確率均在90%以上,說明基于費舍爾線性判別分析和多層感知器神經(jīng)網(wǎng)絡(luò)分析結(jié)合近紅外光譜技術(shù)可以實現(xiàn)對小米產(chǎn)地的保護。近紅外光譜雖然包含了豐富的物質(zhì)信息,但譜峰重疊較多、信號較弱,因此近紅外光譜的定性分析主要用于物質(zhì)的種屬判別。張愛武等[35]對253 份綠豆進行產(chǎn)地判別分析,結(jié)果表明,在波數(shù)為9 000～4 000 cm-1范圍內(nèi),采用因子化法結(jié)合一階導(dǎo)數(shù)+5點平滑的預(yù)處理,建立的定性判別模型,對泰來綠豆粉末的正確判別率為96.15%,采用PLS法結(jié)合矢量歸一化的預(yù)處理方式所建立的定量分析模型,其RMSECV為0.129,R2=0.98,RPD為7.18,對泰來綠豆粉末的正確判別率為88.46%。

近紅外光譜技術(shù)在對雜糧谷物進行產(chǎn)地判別時,為了提高模型的準(zhǔn)確性及應(yīng)用性,也需要大量的樣品進行建模,檢測精度對樣品的生產(chǎn)年份、品種等因素較為敏感,目前的研究多是集中于利用當(dāng)年的樣品進行產(chǎn)地溯源研究,對于同一模型在不同年份、不同儲藏條件、不同基因型等方向的判別研究較為少見。雖然近紅外光譜技術(shù)就有快速、高效、無損的的技術(shù)特點,但要想實現(xiàn)其廣泛的應(yīng)用能力,需要采用大量的數(shù)據(jù)不間斷的對模型進行完善。

3 基于拉曼光譜技術(shù)對雜糧的無損檢測分析

拉曼光譜技術(shù)是基于光子激發(fā)振動所產(chǎn)生的非彈性散射而建立起來的一種快速無損的檢測技術(shù)[36]。拉曼光譜通過測量可見單色光的散射強度來識別分子結(jié)構(gòu),可以實現(xiàn)對物質(zhì)的定性鑒定和定量分析,還可以從分子角度揭示物質(zhì)的內(nèi)部結(jié)構(gòu),對分子進行“指紋”識別[37,38]。

拉曼光譜技術(shù)在農(nóng)藥殘留、摻假、食品添加劑、蛋白質(zhì)檢測及脂類物質(zhì)分析中得到了廣泛應(yīng)用[39]。對于不同狀態(tài)的大米籽粒和大米粉末(100～140 目)的產(chǎn)地能有效地判別[40,41]。在雜糧檢測應(yīng)用方面,相對研究較少。吳祺琤等[42]在光譜范圍為394.1～1 541.1 cm-1內(nèi),利用拉曼技術(shù)對不同萌發(fā)階段綠豆的3種器官(種子、子葉、胚芽)切片進行拉曼成像測試,根據(jù)多元曲線分辨交替最小二乘法,得出每個主成分對應(yīng)的相對濃度及其純光譜。謝鳳英等[43]利用拉曼光譜技術(shù)在激發(fā)波長為785 nm,發(fā)射功率為300 mW,光譜測定范圍為600～1 800 cm-1的條件下,探明了蕎麥多酚對米糠蛋白結(jié)構(gòu)影響規(guī)律。張石定等[44]采用激光拉曼光譜對不同品種和產(chǎn)地小米進行了檢測,采用主成分分析等化學(xué)計量學(xué)手段進行拉曼譜峰強度與化學(xué)成分含量關(guān)聯(lián)研究,并對產(chǎn)地和品種進行了PLS-DA的建模辨別取得了很好的鑒別效果。

采用拉曼光譜技術(shù)對雜糧營養(yǎng)組分的分析及產(chǎn)地品種鑒別,仍然處于初步階段,對雜糧組分與拉曼光譜的對應(yīng)關(guān)系,鑒別模型的適應(yīng)性有待進一步研究。

4 基于電子鼻/舌技術(shù)對雜糧的無損檢測分析

電子鼻通過模擬人體的嗅覺,對雜糧谷物中的揮發(fā)性風(fēng)味物質(zhì)很靈敏,不同物質(zhì)的輕微改變即可被傳感器所捕獲,因此通過此方式獲得揮發(fā)性物質(zhì)的完整信息。

電子舌被廣泛應(yīng)用于食品檢測行業(yè),主要通過模擬人類的味覺,可以實現(xiàn)對雜糧谷物進行定性、定量分析。金子燦[45]研究發(fā)現(xiàn)采用SA402B型號的電子舌和PEN3型電子鼻可以實現(xiàn)對小米、糙小米、發(fā)芽糙小米、富硒糙小米,富硒發(fā)芽糙小米5種小米飲料中的味苦、澀味、咸味等味覺及芳香化合物、氮氧化物、碳氫化合物等有機揮發(fā)成分進行檢測研究。Ying等[46]利用電子鼻技術(shù)結(jié)合基于概率神經(jīng)網(wǎng)絡(luò)、主成分分析、BP神經(jīng)網(wǎng)絡(luò)技術(shù)對燕麥和紅豆2種類型(新鮮和早期霉變)進行判別。結(jié)果表明,電子鼻對谷物樣品反應(yīng)靈敏?；诟怕噬窠?jīng)網(wǎng)絡(luò)的算法成功地鑒別了谷物樣品,準(zhǔn)確率為93.75%。該方法具有響應(yīng)速度快、精度高、成本低等優(yōu)點,是預(yù)測早期霉變籽粒的有效方法。尹芳緣等[47]應(yīng)用電子鼻對燕麥霉變程度進行區(qū)分,選擇10個燕麥樣品進行電子鼻檢測,優(yōu)化傳感器陣列后發(fā)現(xiàn),相同霉變程度燕麥樣品的聚合度更高,不同霉變程度燕麥樣品之間的區(qū)分更加明顯,為進一步的定量化檢測奠定了基礎(chǔ)。也有學(xué)者表明,利用電子鼻和電子舌技術(shù)可以實現(xiàn)對以小米為原料制備的蒸餾酒風(fēng)味進行分析檢測[48]。Yi等[49]研究發(fā)現(xiàn)電子鼻研究了植物乳桿菌發(fā)酵對綠豆揮發(fā)性風(fēng)味的影響結(jié)果表明,植物乳桿菌23169 FMB和植物乳桿菌22699 FMB的風(fēng)味變化最大且相似,但3種FMB樣品的風(fēng)味仍能清晰區(qū)分。

基于電子鼻/舌在雜糧谷物研究中,雖然能快速的預(yù)測樣品組分(揮發(fā)性物質(zhì))及樣品之間的差異程度,但儀器的硬件結(jié)構(gòu)及識別模式的算法與真正的仿生特性還存在一定的差距,傳感器陣列對環(huán)境較為敏感,尚未達到廣泛應(yīng)用的標(biāo)準(zhǔn)[50]。

5 結(jié)論

近年來,利用無損檢測技術(shù)對雜糧谷物的營養(yǎng)組分、地域判別及品種鑒定備受關(guān)注。其中近紅外光譜技術(shù)、拉曼光譜技術(shù)及電子鼻/舌技術(shù),因在檢測時無需樣品制備,檢測時間短,操作簡單等諸多優(yōu)勢,在食品、醫(yī)藥、化工等領(lǐng)域受到普遍應(yīng)用。雜糧無損檢測研究是一個宏觀概念,組分的復(fù)雜性,個體的差異性、濃度的不同性、品種的多樣性、地域的廣泛性等都會對檢測手段提出較高的要求,而現(xiàn)有的技術(shù)也存在一些問題,近紅外光譜技術(shù)不適用于雜糧谷物中痕量組分的檢測,檢出限需要達到0.1%以上,雜糧樣品的狀態(tài),基因型對產(chǎn)地及品種的鑒定存在一定的干擾。雜糧組分與拉曼光譜的對應(yīng)關(guān)系仍不明確。電子鼻/舌對傳感器及算法的依賴性較強。因此,未來可以從幾個方面進行重點研究:雜糧的品質(zhì)會受到生長環(huán)境中溫度、水分、施肥量等因素影響,因此對雜糧組分、地域及品種檢測時,需要建立一套統(tǒng)一的檢測體系,從源頭上固定檢測模型,拓寬應(yīng)用領(lǐng)域。利用無損檢測技術(shù)對雜糧組分進行分析研究時,多是需要采用傳統(tǒng)的檢測技術(shù)對大量已知樣品進行組分檢測,檢測數(shù)據(jù)是模型的核心參數(shù),會對模型的精度產(chǎn)生直接影響,需要重點關(guān)注,且組分與光譜的對應(yīng)關(guān)系有待考量。在對雜糧產(chǎn)地保護及品種鑒定方面,應(yīng)對鑒別機理、相鄰地域進行研究。在利用近紅外光譜技術(shù)檢測時,如何排除雜糧樣品的狀態(tài)(粒徑)對建模效果及檢測精度的影響,利用籽粒或者粉末樣品建立的模型是否通用,需要進一步探討。