基于近紅外光譜的食品摻假淀粉快速測定方法及系統的制作方法
【專利摘要】本發明公開了一種基于近紅外光譜的食品摻假淀粉快速測定方法，包括以下步驟：采集具有不同淀粉摻假比例巧克力的近紅外光譜；進行光譜預處理；建立預測模型；然后通過模型對未知樣品的紅外光譜進行預測，最終得到巧克力中淀粉含量測量值；該摻假淀粉快速測定方法具體通過偏最小二乘法建立預測模型，光譜區間選擇在7000～4200cm-1，主因子數為6～10時，預測效果最佳；該方法操作簡單，且可快速檢測巧克力中摻假淀粉。
【專利說明】基于近紅外光譜的食品摻假淀粉快速測定方法及系統
【技術領域】
[0001]本發明涉及一種食品檢測領域，特別涉及一種基于近紅外光譜的食品摻假淀粉快速測定方法及系統。
【背景技術】
[0002]巧克力是以可可為主料的一種食品，以其獨特的香醇口味以及特定的文化內涵深受人們的喜愛。巧克力的制作牽涉復雜的化學物理過程，為了使最終產品達到合適的理化特性及誘人的口味及樣式，需要多個技術操作步驟以及不同配料的搭配。然而，許多非法產商在巧克力中大量摻假淀粉以代替可可以謀取利益。這種欺騙消費者的行為無疑對市場秩序的穩定造成了嚴重的影響。但國內外對于檢測巧克力摻假的報道不多，CheMan等曾利用中紅外光譜結合化學計量方法鑒別巧克力中用動物油脂代替可可脂。而對于鑒別巧克力中摻假淀粉的研究，國內外仍未見報道。近幾年，頻發的食品摻假及有害物質污染問題，使人們開始格外關注食物成分及相關快速分析檢測技術的研發。近紅外光譜檢測技術始于二十世紀八十年代，具有分析速度快、效率高、低成本、無污染、無需要前處理和多組分同時測定等優點。化學計量學在各個學科中得到廣泛的應用，其中模式識別及多元線性回歸是最為常用的數據分析手段。近紅外光譜檢測技術結合化學計量學方法已被成功應用于食品行業中，包括預測蘋果中干物質及可溶性固形物含量、淀粉糊的性質、三文魚的質構特性；評價橄欖油的品質和玉米漿的品質；檢測嬰兒奶粉中入三聚氰胺；鑒別野生和喂養的黑鱸等。
[0003]因此急需一種基于近紅外光譜的食品摻假淀粉快速測定方法及系統。
【發明內容】
[0004]有鑒于此，本發明所要解決的技術問題是提供一種基于近紅外光譜的食品摻假淀粉快速測定方法及系統。
[0005]本發明的目的之一是提出一種基于近紅外光譜的食品摻假淀粉快速測定方法；本發明的目的之二是提出一種基于近紅外光譜的食品摻假淀粉快速測定系統。
[0006]本發明的目的之一是通過以下技術方案來實現的:
[0007]本發明提供的基于近紅外光譜的食品摻假淀粉快速測定方法，包括以下步驟:
[0008]S1:采集待測樣品的待測近紅外光譜；
[0009]S2:對待測近紅外光譜進行光譜預處理得到預處理待測近紅外光譜；
[0010]S3:建立光譜數據處理模型；
[0011]S4:設置數據處理模型的光譜處理區間和主因子數；
[0012]S5:通過數據處理模型對預處理待測近紅外光譜進行處理得到淀粉含量測量值；
[0013]S6:將淀粉含量測量值與已知摻假食品的淀粉摻假比例值進行對比得到待測樣品中淀粉的摻假比例值。
[0014]進一步，所述數據處理模型是通過以下步驟來確定的:
[0015]S31:采集矯正集樣品的矯正近紅外光譜；[0016]S32:對矯正近紅外光譜進行光譜預處理得到預處理矯正近紅外光譜；
[0017]S33:選用對預處理矯正近紅外光譜進行處理的訓練數據處理模型；
[0018]S34:設置訓練數據處理模型的訓練光譜處理區間和訓練主因子數；
[0019]S35:通過訓練數據處理模型對預處理矯正近紅外光譜進行處理；并獲取預設矯正近紅外光譜的交互驗證相關系數R。2、預測相關系數Rw2、交互驗證誤差均方根、預測誤差均方根；
[0020]S36:選取交互驗證相關系數R。2和預測相關系數Rct2最大，且交互驗證誤差均方根和預測誤差均方根最小時，所對應的訓練數據處理模型，并作為待測樣品處理的數據處理模型；將所對應的訓練數據處理模型的訓練光譜處理區間作為光譜處理區間；將所對應的訓練數據處理模型的訓練主因子數作為主因子數。
[0021]進一步，所述光譜數據處理模型為偏最小二乘法PLS校正模型；所述光譜處理區間為7000?4200CHT1 ;所述預設主因子數為6?10。
[0022]進一步，所述矯正集樣品通過以下步驟來實現:
[0023]S311:稱取待測樣品及預設比例的淀粉；
[0024]S312:將待測樣品在40?50°C下融化；
[0025]S313:將融化后的待測樣品和淀粉在40?50°C下攪拌均勻混合；
[0026]S314:將混合均勻的樣品混合物進行調溫，首先將巧克力冷卻到25?35°C并維持0.5?1.5min，再冷卻至25?35°C并維持0.5?1.5min，再回升至29?30°C并維持2?35min ；
[0027]S315:將調溫后的樣品混合物冷卻至室溫后，至于2?6°C左右條件下冷藏；
[0028]S316:包裝存儲冷卻后的樣品混合物作為矯正集樣品。
[0029]進一步，所述光譜預處理采用一階導數處理。
[0030]進一步，所述待測樣品為巧克力。
[0031]本發明的目的之二是通過以下技術方案來實現的:
[0032]本發明提供的基于近紅外光譜的食品摻假淀粉快速測定系統，包括近紅外光譜采集模塊、光譜預處理模塊、數據處理模型模塊、數據處理模型參數設置模塊、樣品測量值模塊、對比模塊；
[0033]所述近紅外光譜采集模塊；用于采集待測樣品的待測近紅外光譜；
[0034]所述光譜預處理模塊，用于對待測近紅外光譜進行光譜預處理得到預處理待測近紅外光譜；
[0035]所述數據處理模型模塊，用于建立數據處理模型；
[0036]所述數據處理模型參數設置模塊，用于設置數據處理模型的光譜處理區間和主因子數；
[0037]所述樣品測量值模塊，用于通過數據處理模型對預處理待測近紅外光譜進行處理得到淀粉含量測量值；
[0038]所述對比模塊，將淀粉含量測量值與已知摻假食品的淀粉摻假比例值進行對比得到待測樣品中淀粉的摻假比例值。
[0039]進一步，所述數據處理模型是通過以下步驟來確定的:
[0040]S31:采集矯正集樣品的矯正近紅外光譜；[0041]S32:對矯正近紅外光譜進行光譜預處理得到預處理矯正近紅外光譜；
[0042]S33:選用對預處理矯正近紅外光譜進行處理的訓練數據處理模型；
[0043]S34:設置訓練數據處理模型的訓練光譜處理區間和訓練主因子數；
[0044]S35:通過訓練數據處理模型對預處理矯正近紅外光譜進行處理；并獲取預設矯正近紅外光譜的交互驗證相關系數R。2、預測相關系數R。/、交互驗證誤差均方根、預測誤差均方根；
[0045]S36:選取交互驗證相關系數R。2和預測相關系數Rct2最大，且交互驗證誤差均方根和預測誤差均方根最小時，所對應的訓練數據處理模型，并作為待測樣品處理的數據處理模型；將所對應的訓練數據處理模型的訓練光譜處理區間作為光譜處理區間；將所對應的訓練數據處理模型的訓練主因子數作為主因子數。
[0046]進一步，所述數據處理模型為偏最小二乘法PLS校正模型；所述光譜處理區間為7000?4200CHT1 ;所述預設主因子數為6?10。
[0047]本發明的優點在于:本發明以待測樣品(巧克力)及淀粉混合制成摻假食品為研究對象，應用近紅外光譜技術結合化學計量學方法對摻假食品(巧克力與紅薯、馬鈴薯淀粉混合形成的摻假食品)進行快速檢測，通過比較分析，當采用PLS回歸建立預測模型，通過一階導數處理近紅外光譜，光譜區間選為7000?4200CHT1，主因子數選為8時，可以達到較高的預測精度。結果表明，模型的預測誤差均方根RMSEP為1.7%，實際值與預測值相關系數Rp2為0.9426。該方法在不同摻假比例樣品測試下的加樣回收率為94.2%?105.6%,日內 RSD 為 4.7%?8.9%,日間 RSD 為 5.1%?11.3%。
【專利附圖】
【附圖說明】
[0048]為了使本發明的目的、技術方案和優點更加清楚，下面將結合附圖對本發明作進一步的詳細描述，其中:
[0049]圖1為本發明實施例提供的巧克力與摻假巧克力的近紅外光譜；
[0050]圖2為本發明實施例提供的優化模型中不同主因子數對應的RMSECV和Rev2 ；
[0051]圖3為本發明實施例提供的驗證集中近紅外預測值與真實值的相關分析；
[0052]圖4為本發明實施例提供的基于近紅外光譜的食品摻假淀粉快速測定方法流程圖。
【具體實施方式】
[0053]以下將結合附圖，對本發明的優選實施例進行詳細的描述；應當理解，優選實施例僅為了說明本發明，而不是為了限制本發明的保護范圍。
[0054]實施例1
[0055]圖1為本發明實施例提供的巧克力與摻假巧克力的近紅外光譜；圖2為本發明實施例提供的優化模型中不同主因子數對應的RMSECV和Rev2 ;圖3為本發明實施例提供的驗證集中近紅外預測值與真實值的相關分析；圖4為本發明實施例提供的基于近紅外光譜的食品摻假淀粉快速測定方法流程圖，如圖所示:本發明提供的基于近紅外光譜的食品摻假淀粉快速測定方法，包括以下步驟:
[0056]S1:采集待測樣品的待測近紅外光譜；[0057]S2:對待測近紅外光譜進行光譜預處理得到預處理待測近紅外光譜；
[0058]S3:建立光譜數據處理模型；
[0059]S4:設置數據處理模型的光譜處理區間和主因子數；
[0060]S5:通過數據處理模型對預處理待測近紅外光譜進行處理得到淀粉含量測量值；[0061 ] 本實施例中的淀粉含量測量值通過以下公式來計算:淀粉的質量/ (食品質量+淀粉質量)％。
[0062]S6:將淀粉含量測量值與已知摻假食品的淀粉摻假比例值進行對比得到待測樣品中淀粉的摻假比例值。
[0063]本實施例通過已知淀粉摻假比例食品(采用巧克力)的紅外光譜為參照作為模型去預測未知摻假比例食品中的淀粉含量；直接預測待測樣品中淀粉的摻假比例值。
[0064]所述數據處理模型是通過以下步驟來確定的:
[0065]S31:采集矯正集樣品的矯正近紅外光譜；
[0066]S32:對矯正近紅外光譜進行光譜預處理得到預處理矯正近紅外光譜；
[0067]S33:選用對預處理矯正近紅外光譜進行處理的訓練數據處理模型；
[0068]S34:設置訓練數據處理模型的訓練光譜處理區間和訓練主因子數；
[0069]S35:通過訓練數據處理模型對預處理矯正近紅外光譜進行處理；并獲取預設矯正近紅外光譜的交互驗證相關系數R。2、預測相關系數Rw2、交互驗證誤差均方根、預測誤差均方根；
[0070]S36:選取交互驗證相關系數R。2和預測相關系數Rct2最大，且交互驗證誤差均方根和預測誤差均方根最小時，所對應的訓練數據處理模型，并作為待測樣品處理的數據處理模型；將所對應的訓練數據處理模型的訓練光譜處理區間作為光譜處理區間；將所對應的訓練數據處理模型的訓練主因子數作為主因子數。
[0071]所述光譜數據處理模型為偏最小二乘法PLS校正模型；所述光譜處理區間為7000?4200CHT1 ;所述預設主因子數為6?10。
[0072]所述矯正集樣品通過以下步驟來實現:
[0073]S311:稱取待測樣品及預設比例的淀粉；
[0074]S312:將待測樣品在40?50°C下融化；
[0075]S313:將融化后的待測樣品和淀粉在40?50°C下攪拌均勻混合；
[0076]S314:將混合均勻的樣品混合物進行調溫，首先將巧克力冷卻到25?35°C并維持
0.5?1.5min，再冷卻至25?35°C并維持0.5?1.5min，再回升至29?30°C并維持2?35min ；
[0077]S315:將調溫后的樣品混合物冷卻至室溫后，至于2?6°C左右條件下冷藏；
[0078]S316:包裝存儲冷卻后的樣品混合物作為矯正集樣品。
[0079]所述光譜預處理采用一階導數處理。
[0080]所述待測樣品為巧克力。
[0081]本實施例還提供了一種基于近紅外光譜的食品摻假淀粉快速測定系統，包括近紅外光譜采集模塊、光譜預處理模塊、數據處理模型模塊、數據處理模型參數設置模塊、樣品測量值模塊、對比模塊；
[0082]所述近紅外光譜采集模塊；用于采集待測樣品的待測近紅外光譜；[0083]所述光譜預處理模塊，用于對待測近紅外光譜進行光譜預處理得到預處理待測近紅外光譜；
[0084]所述數據處理模型模塊，用于建立數據處理模型；
[0085]所述數據處理模型參數設置模塊，用于設置數據處理模型的光譜處理區間和主因子數；
[0086]所述樣品測量值模塊，用于通過數據處理模型對預處理待測近紅外光譜進行處理得到淀粉含量測量值；
[0087]所述對比模塊，將淀粉含量測量值與已知摻假食品的淀粉摻假比例值進行對比得到待測樣品中淀粉的摻假比例值。
[0088]所述數據處理模型是通過以下步驟來確定的:
[0089]S31:采集矯正集樣品的矯正近紅外光譜；
[0090]S32:對矯正近紅外光譜進行光譜預處理得到預處理矯正近紅外光譜；
[0091]S33:選用對預處理矯正近紅外光譜進行處理的訓練數據處理模型；
[0092]S34:設置訓練數據處理模型的訓練光譜處理區間和訓練主因子數；
[0093]S35:通過訓練數據處理模型對預處理矯正近紅外光譜進行處理；并獲取預設矯正近紅外光譜的交互驗證相關系數R。2、預測相關系數Rw2、交互驗證誤差均方根、預測誤差均方根；
[0094]S36:選取交互驗證相關系數R。2和預測相關系數Rct2最大，且交互驗證誤差均方根和預測誤差均方根最小時，所對應的訓練數據處理模型，并作為待測樣品處理的數據處理模型；將所對應的訓練數據處理模型的訓練光譜處理區間作為光譜處理區間；將所對應的訓練數據處理模型的訓練主因子數作為主因子數。
[0095]所述數據處理模型為偏最小二乘法PLS校正模型；所述光譜處理區間為7000?4200cm-1 ;所述預設主因子數為6?10。
[0096]實施例2
[0097]本實施例以巧克力及摻假淀粉為檢測對象詳細描述巧克力摻假淀粉近紅外光譜快速測定方法，具體如下:
[0098]準備實驗材料:迪吉福可可液塊:西諾迪斯食品(上海)有限公司；迪吉福可可脂:西諾迪斯食品(上海)有限公司；紅薯淀粉:成都楊天食品有限責任公司與重慶佳仙食品有限公司；玉米淀粉:重慶佳仙食品有限公司與重慶市沁心食品有限公司；白砂糖:重慶市美都食品有限公司。
[0099]制備摻假巧克力:首先，按表1、2準確稱取可可液塊及淀粉。然后，將稱量好的可可液塊及可可脂預先在40?50°C下融化。然后，將精確稱量后的配料混合，于45°C下攪拌均勻。將混合均勻的巧克力冷卻到29°C并維持lmin，再冷卻至27°C并維持lmin，再回升至29?30°C并維持3min。通過調溫，使巧克力便于脫模，并具有良好的光澤度。將調溫后的巧克力冷卻至室溫后，至于5°C左右條件下冷藏。將冷卻后的巧克力從模具中取出，用錫箔紙包裝后，分別放入透明塑料袋中密封，待測。共制備樣品84個，51個用于建模，33個用于驗證。矯正集和驗證集樣品按照表I和2的配比添加可可液塊和淀粉。每份樣品中均添加白砂糖3.0OOOg和可可脂1.7500g。
[0100]表I矯正集中可可液塊和淀粉的配比[0101]
【權利要求】
1.基于近紅外光譜的食品摻假淀粉快速測定方法，其特征在于:包括以下步驟: S1:采集待測樣品的待測近紅外光譜； S2:對待測近紅外光譜進行光譜預處理得到預處理待測近紅外光譜； S3:建立光譜數據處理模型； S4:設置數據處理模型的光譜處理區間和主因子數； S5:通過數據處理模型對預處理待測近紅外光譜進行處理得到淀粉含量測量值； S6:將淀粉含量測量值與已知摻假食品的淀粉摻假比例值進行對比得到待測樣品中淀粉的摻假比例值。
2.根據權利要求1所述的基于近紅外光譜的食品摻假淀粉快速測定方法，其特征在于:所述數據處理模型是通過以下步驟來確定的: S31:采集矯正集樣品的矯正近紅外光譜； S32:對矯正近紅外光譜進行光譜預處理得到預處理矯正近紅外光譜； S33:選用對預處理矯正近紅外光譜進行處理的訓練數據處理模型； S34:設置訓練數據處理模型的訓練光譜處理區間和訓練主因子數； S35:通過訓練數據處理模型對預處理矯正近紅外光譜進行處理；并獲取預設矯正近紅外光譜的交互驗證相關系數R。2、預測相關系數RCT2、交互驗證誤差均方根、預測誤差均方根； S36:選取交互驗證相關系數R。2和預測相關系數Rct2最大，且交互驗證誤差均方根和預測誤差均方根最小時，所對應的訓練數據處理模型，并作為待測樣品處理的數據處理模型；將所對應的訓練數據處理模型的訓練光譜處理區間作為光譜處理區間；將所對應的訓練數據處理模型的訓練主因子數作為主因子數。
3.根據權利要求1所述的基于近紅外光譜的食品摻假淀粉快速測定方法，其特征在于:所述光譜數據處理模型為偏最小二乘法PLS校正模型；所述光譜處理區間為7000~4200cm-1 ;所述預設主因子數為6~10。
4.根據權利要求2所述的基于近紅外光譜的食品摻假淀粉快速測定方法，其特征在于:所述矯正集樣品通過以下步驟來實現: S311:稱取待測樣品及預設比例的淀粉； S312:將待測樣品在40~50°C下融化； S313:將融化后的待測樣品和淀粉在40~50°C下攪拌均勻混合； S314:將混合均勻的樣品混合物進行調溫，首先將巧克力冷卻到25~35°C并維持0.5~1.5min，再冷卻至25~35°C并維持0.5~1.5min，再回升至29~30°C并維持2~35min ； S315:將調溫后的樣品混合物冷卻至室溫后，至于2-6°C左右條件下冷藏； S316:包裝存儲冷卻后的樣品混合物作為矯正集樣品。
5.根據權利要求1所述的基于近紅外光譜的食品摻假淀粉快速測定方法，其特征在于:所述光譜預處理采用一階導數處理。
6.根據權利要求1所述的基于近紅外光譜的食品摻假淀粉快速測定方法，其特征在于:所述待測樣品為巧克力。
7.根據權利要求1所述的方法構成的基于近紅外光譜的食品摻假淀粉快速測定系統，其特征在于:包括近紅外光譜采集模塊、光譜預處理模塊、數據處理模型模塊、數據處理模型參數設置模塊、樣品測量值模塊、對比模塊； 所述近紅外光譜采集模塊；用于采集待測樣品的待測近紅外光譜； 所述光譜預處理模塊，用于對待測近紅外光譜進行光譜預處理得到預處理待測近紅外光譜； 所述數據處理模型模塊，用于建立數據處理模型； 所述數據處理模型參數設置模塊，用于設置數據處理模型的光譜處理區間和主因子數； 所述樣品測量值模塊，用于通過數據處理模型對預處理待測近紅外光譜進行處理得到淀粉含量測量值； 所述對比模塊，將淀粉含量測量值與已知摻假食品的淀粉摻假比例值進行對比得到待測樣品中淀粉的摻假比例值。
8.根據權利要求7所述的基于近紅外光譜的食品摻假淀粉快速測定系統，其特征在于:所述數據處理模型是通過以下步驟來確定的: 531:采集矯正集樣品的矯正近紅外光譜； 532:對矯正近紅外光譜進行光譜預處理得到預處理矯正近紅外光譜； 533:選用對預處理矯正近紅外光譜進行處理的訓練數據處理模型； 534:設置訓練數據處理模型的訓練光譜處理區間和訓練主因子數； 535:通過訓練數據處理模型對預處理矯正近紅外光譜進行處理；并獲取預設矯正近紅外光譜的交互驗證相關系數R。2、預測相關系數RCT2、交互驗證誤差均方根、預測誤差均方根； 536:選取交互驗證相關系數R。2和預測相關系數Rct2最大，且交互驗證誤差均方根和預測誤差均方根最小時，所對應的訓練數據處理模型，并作為待測樣品處理的數據處理模型；將所對應的訓練數據處理模型的訓練光譜處理區間作為光譜處理區間；將所對應的訓練數據處理模型的訓練主因子數作為主因子數。
9.根據權利要求7所述的基于近紅外光譜的食品摻假淀粉快速測定系統，其特征在于:所述數據處理模型為偏最小二乘法PLS校正模型；所述光譜處理區間為7000~4200cm-1 ;所述預設主因子數為6~10。
【文檔編號】G01N21/3563GK104020134SQ201410271077
【公開日】2014年9月3日 申請日期:2014年6月18日 優先權日:2014年6月18日
【發明者】趙國華, 劉嘉, 趙秋爽 申請人:西南大學