基于拉曼光譜技術的面粉品質快速檢測

竇 穎，孫曉榮*，劉翠玲，趙浩然

（北京工商大學計算機與信息工程學院，北京 100048）

基于拉曼光譜技術的面粉品質快速檢測

竇 穎，孫曉榮*，劉翠玲，趙浩然

（北京工商大學計算機與信息工程學院，北京 100048）

由于目前國標法檢測面粉水分、灰分以及濕面筋等品質參數(shù)的方法費時、費力，研究提出基于拉曼光譜分析技術建立面粉中水分、灰分和濕面筋的定量分析研究。實驗隨機采集100 份不同種類的古船面粉樣本，采集樣本的拉曼光譜，運用光譜預處理方法結合偏最小二乘法建立分析模型，所建立的水分（含量取值范圍為13.3%～15.4%）、灰分（含量取值范圍為0.46%～0.85%）和濕面筋（含量取值范圍為28%～36.8%）定量模型的相關系數(shù)分別達到0.945 66、0.993 39、0.981 65，校正均方根誤差分別為0.145、0.012 6、0.456。結果表明，通過拉曼光譜技術實現(xiàn)面粉品質快速、無損、高效的檢測可行且具有較大的發(fā)展空間。實驗還通過新舊面粉的拉曼光譜，建立2013年與2014年生產(chǎn)面粉的距離匹配分析模型，實現(xiàn)過期面粉的快速鑒別，實驗準確率達100%。

面粉；拉曼光譜；偏最小二乘法；定量分析；距離匹配分析

由于富含各種人體所需的微量元素和營養(yǎng)物質等，面粉一直是我們日常飲食中必不可少的一部分。面粉中的主要成分有水分、蛋白質、碳水化合物、脂肪、維生素、礦物質以及各種酶等。其中水分含量可以影響面制食品的柔軟度和保鮮時間，水分過高會使面粉結塊容易發(fā)霉；灰分是面粉經(jīng)高溫灼燒后殘留下的無機成分，其含量會影響面制食品的口感和色澤，如全麥面包的灰分含量就會高于饅頭的含量；而濕面筋主要會影響面食的彈性和黏性等[1]。這些成分的含量是衡量面粉品質的重要指標，而面粉品質的好壞又直接影響面制食品的加工方式和口感，因此國家明文規(guī)定面粉中主要成分含量的范圍[2]。目前傳統(tǒng)國標法[3-5]檢測這3 個量費時費力，許多研究人員都對面粉成分含量的無損、快速、準確的檢測提出可行性想法，大多是基于面粉的近紅外光譜進行建模預測[6-10]。

相關報道曝光一些不法商販將過期的或貯存時間較長的面粉制作食品販賣，甚至包括一些知名面包制造品牌，這些做法嚴重侵害消費者的權益并且在一定程度上也對消費者的健康造成危害。但是消費者僅僅通過外觀是無法準確判別面粉是否適合食用的，相關部門的監(jiān)管力度也明顯不足，本實驗通過面粉的拉曼光譜建立新舊面粉的定性分析模型，力求能夠探索一種準確率高且方便快捷的鑒別辦法。

隨著拉曼光譜技術的飛速發(fā)展[11-12]，在材料、考古、藥物和醫(yī)學[13]等領域都有了較好探索和應用。在食品領域，普通拉曼光譜和表面增強拉曼光譜在定量[14-18]、定性[19-24]檢測食品中非法添加物（如三聚氰胺、蘇丹紅等）、農(nóng)藥殘留、細菌病毒中都有較好的發(fā)展和應用前景。本研究在此研究基礎上，運用拉曼光譜技術建立面粉的水分、灰分和濕面筋的定量分析模型，同時對新舊面粉的定性快速分析模型進行研究。

1 材料與方法

1.1 材料與試劑

1.1.1 用于定量分析的樣本

樣本均采自古船面粉廠不同批次、不同種類的面粉產(chǎn)品，包括麥心粉（19 個）、富強（12 個）、精制雪花粉（4 個）、餃子粉（2 個）、面包粉（14 個）、軍供粉（7 個）、金古船面粉（15 個）、高筋特精粉（8 個）、烤鴨面餅專用粉（2 個）、饅頭專用粉（2 個）、精制雪花粉（4 個），按廠商要求配粉（11 個）共計100 個面粉樣本。面粉樣本的水分，灰分和濕面筋的數(shù)值均取自古船面粉廠采用國標法測量所得的數(shù)據(jù)。

1.1.2 用于新舊面粉鑒別的樣本

隨機采集30 個面粉樣本的拉曼光譜，其中12 個面粉樣本為2013年生產(chǎn)的產(chǎn)品，放置一年后進行拉曼光譜掃描，另18 個面粉樣本為2014年生產(chǎn)的產(chǎn)品，出廠之后立即進行掃描。

1.2 儀器與設備

DXR激光共焦顯微拉曼光譜儀 美國Thermo Fisher公司。

1.3 方法

1.3.1 參數(shù)設置

激光波長780 nm；激光能量20 eV；光柵400 lines/mm；光闌50；估計分辨率4.7～8.7 cm-1；掃描次數(shù)16 次。

1.3.2 實驗原理

1.3.2.1 定量檢測面粉品質

拉曼光譜是一種散射光譜，運用拉曼光譜建立被測物質的定量模型并進行分析的主要理論依據(jù)是：

式中：I為拉曼光譜的強度/cd；I0為入射光的強度/cd；c為樣品分子的濃度/（mol/m3）；K為儀器和樣品的參數(shù)，影響因素主要包括拉曼散射截面積、入射光和散射光的吸收系數(shù)等；L為樣品池的厚度/cm。

因此實驗在測量面粉中水分、灰分以及濕面筋的含量時，只要保持入射光的強度I0的恒定，就可依據(jù)拉曼光譜強度I和樣品分子濃度c相互呈正比的關系，利用偏最小二乘（partial least squares，PLS）法分別建立3種成分的定量分析模型并進行預測。

在建立面粉中水分的定量分析模型時，實驗通過測量O—H鍵的拉曼光譜強度來獲得水分的含量，由文獻[25-26]可知O—H鍵相對應的拉曼特征峰在3 400～3 200 cm-1。

濕面筋中蛋白質的主要成分是麥醇溶蛋白和麥谷蛋白，二者的含量和相互比例決定了濕面筋的含量和品質[27]，因此實驗通過測定蛋白質的含量來獲取濕面筋的含量，蛋白質相對應的拉曼特征峰為波數(shù)1 200～1 300 cm-1和1 500～1 650 cm-1。

灰分是一種復雜的混合物，光譜不易直接測得其含量，但由于面粉中纖維素與灰分含量之間具有較高的相關性[28]，實驗在建立面粉中灰分的定量分析模型時，通過測定面粉中纖維素的含量來獲取灰分含量，拉曼特征峰主要出現(xiàn)在波數(shù)2 917 cm-1和1 122 cm-1。

1.3.2.2 距離匹配鑒別過期面粉

距離匹配法的基本原理是計算待測樣本光譜到每一個類別光譜中心點的距離，距離最小的類別即為待測樣本的類別。它可以鑒別一個未知樣本與2 個或更多已知類別樣本的匹配程度，十分適合區(qū)分含有相同成分但含量不同的樣本。

距離匹配的主要算法為首先給出一組已知類別的校正集樣本，計算其每個類別的平均光譜和標準差光譜。標準差光譜計算公式如下：

式中：X 為各個類別校正集樣本的均值；Xi為各個類別的校正集樣本；N為各個類別校正集樣本總數(shù)。

當未知類別的待測樣本進行類別劃分時，首先將待測樣本的光譜與2個類別的平均光譜相減，得到相應的一條殘差光譜，即2個光譜各個波長點的差異；然后將殘差光譜再除以相應的標準差光譜，得到各個差異點所占權重。通過比對超出距離匹配限值的波長點所占百分比來劃分所屬類別。匹配限值是人為設置的。

1.4 數(shù)據(jù)分析

數(shù)據(jù)分析采用TQ Analyst軟件進行定量分析建模以及距離匹配分析建模。

2 結果與分析

2.1 基于拉曼光譜技術的定量分析模型建立

2.1.1 拉曼光譜數(shù)據(jù)的預處理

實驗數(shù)據(jù)采集時存在許多干擾因素，導致樣本光譜存在一些偏差。對樣本光譜進行適當?shù)念A處理可以使所建立的模型更加準確、穩(wěn)定。由于實驗樣本是粉末狀固體，為消除粉末顆粒分布不均勻以及粉末顆粒大小產(chǎn)生的散射影響，實驗分別采用標準正態(tài)變量變換（standard normal variate transformation，SNV）和多元散射校正（multiplicative scatter correction，MSC）2 種方法對樣本進行處理，且對光譜進行求導和平滑以減少噪聲。采集的樣本光譜圖如圖1A所示，預處理后的樣本光譜圖如圖1B所示。

圖1 100 個面粉樣本的拉曼光譜圖（A）和一階導數(shù)的拉曼光譜圖（B）Fig.1 Original (A) and first derivative (B) Raman spectra of 100 flour samples

2.1.2 定量分析模型的建立及預測

建立PLS法定量模型，并對檢驗集樣本進行預測分析。其中建模所用樣本76 個，預測樣本17 個，剔除7 個異常樣本，共100 個面粉樣本。

表1 不同光譜預處理的模型結果（水分）Table 1 Spectral data for pretreatment parameters (moisture)

從表1可以看出，以水分的PLS定量模型而言，在MSC和SNV預處理前提下，無預處理的定量模型相關系數(shù)均在0.1，經(jīng)過求導與平滑之后，相關系數(shù)提升到0.8以上，實驗結果得到改善。采用SNV結合一階導數(shù)+平滑（9 點）實驗效果最好，如圖2所示，相關系數(shù)達到0.945 66，校正均方差為0.145，相對預測均方差(relative mean square error of prediction，RMSEP)為0.187。“Ο”代表建模樣本。

圖2 水分的PLS定量模型Fig.2 PLS quantitative model of moisture

表2 預測樣本真實值與預測值差值（水分）Table 2 Bias between actual values and predicted values of the prediction set samples (moisture) %

如圖2、表2所示，水分的取值范圍為13.3%～15.4%，17 個預測樣本的真實值與預測值差值范圍在-0.23%～0.39%之間，RMSEP為0.187。

建立灰分的PLS法定量模型，并對檢驗集樣本進行預測分析。其中建模所用樣本75 個，預測樣本14 個，剔除11 個異常樣本，共100 個面粉樣本，采用SNV結合一階導數(shù)+平滑（9 點）預處理方法，結果如圖3所示?！癘”代表建模樣本?；曳值腜LS定量模型相關系數(shù)為0.993 39，校正均方差為0.012 6。

圖3 灰分的PLS定量模型Fig.3 PLS quantitative model of ash

表3 預測樣本真實值與預測值差值（灰分）Table 3 Bias between actual values and predicted values of the prediction set samples (ash) %

如圖3、表3所示，灰分的取值范圍為0.46%～0.85%，14 個預測樣本的真實值與預測值差值范圍在-0.04%～0.05%之間，RMSEP為0.028 9。

建立濕面筋的PLS法定量模型，并對檢驗集樣本進行預測分析。其中建模所用樣本76 個，預測樣本14 個，剔除10 個異常樣本，共100 個面粉樣本，采用SNV結合一階導數(shù)+平滑（9 點）預處理方法，結果如圖4所示?！癘”代表建模樣本。濕面筋的PLS定量模型相關系數(shù)為0.981 65，校正均方差為0.456。

圖4 濕面筋的PLS定量模型Fig.4 PLS quantitative model of gluten content

表4 預測樣本真實值與預測值差值（濕面筋）Table 4 Bias between actual values and predicted values of the prediction set samples (gluten content) %

如圖4、表4所示，濕面筋的取值范圍為28%～36.8%，14 個預測樣本的真實值與預測值差值范圍在-0.26%～1.24%之間，RMSEP為0.661。

3 個重要指標的定量模型都能夠滿足預測要求，水分的定量模型相關系數(shù)較灰分和濕面筋相比較低，是由于拉曼光譜對O—H鍵不夠敏感。

2.2 基于拉曼光譜技術的定性分析模型建立

2013年與2014年生產(chǎn)的面粉樣本拉曼光譜圖無明顯差異（圖5），不能直接通過觀察來進行判別。運用TQ Analysis軟件建立不同生產(chǎn)年份面粉的距離匹配分析模型。定性分析模型數(shù)據(jù)預處理采用的方法為MSC和平滑（7 點）。距離匹配分析模型測試結果如圖6所示。

圖5 2013（A）年與2014（B）年生產(chǎn)的面粉樣本拉曼光譜圖Fig.5 Overlapping Raman spectra of flour samples produced in 2013 (A) and 2014 (B)

圖6 距離匹配分析模型測試結果Fig.6 Test results obtained from distance matching analysis model

從圖6可以看到，在圖中2條直線可以清晰地辨識出2 種不同年份生產(chǎn)的樣本的類別，從橫坐標看2013年生產(chǎn)的面粉樣本，相對2014年生產(chǎn)的面粉樣本距離更小，說明更接近2013年這一類別。同理，從縱坐標看2014年的面粉樣本相對2013年生產(chǎn)的面粉樣本距離更小，說明更接近2014年這一類別。模型可以準確無誤的將2種面粉檢驗樣本分開，為過期面粉的鑒別提供了一個高效、簡便的方法。

3 結 論

由于面粉品質檢測的國標法過于繁瑣，本研究基于拉曼光譜的面粉中水分、灰分和濕面筋的快速定量分析模型，并且研究采用不同光譜預處理方法如MSC、SNV、導數(shù)以及平滑等對模型相關參數(shù)的影響，以供研究人員參考、對比。3 個定量模型的結果都達到預測要求，相關系數(shù)均在0.9以上，預測效果理想。水分的實驗結果要略低一些，由文獻[25]可知，拉曼對水分的敏感度不高。實驗證明采用拉曼光譜進行面粉品質分析是可行的，且具有深遠的研究價值。

本研究同時結合現(xiàn)在市場上存在大量過期面粉的實際問題，研究基于拉曼光譜的新舊面粉快速分析模型。模型采用距離匹配算法，配合MSC以及平滑等光譜預處理方法，使實驗鑒別結果準確率達到100%。該研究成果不僅為檢驗人員提供了一種可行、可靠的鑒別方法，還為消費者的權益及健康提供了保障。

參考文獻：

[1] 朱小喬, 劉通訊. 面筋蛋白及其對面包品質的影響[J]. 食品科學, 2001, 22(8): 90-93.

[2] 閆李慧. 基于近紅外光譜技術的面粉品質研究[D]. 鄭州: 河南工業(yè)大學, 2012: 1-90.

[3] 衛(wèi)生部, 中國國家標準化管理委員會. GB 5009.3—2010 食品中水分的測定[S]. 北京: 中國標準出版社.

[4] 衛(wèi)生部, 中國國家標準化管理委員會. GB 5009.4—2010 食品中灰分的測定[S]. 北京: 中國標準出版社.

[5] 陳倩婷. 堿性蛋白酶水解小麥面筋蛋白的研究[J]. 飼料研究, 2013(3): 4-5.

[6] 閆李慧, 王金水, 金華麗, 等. 基于近紅外光譜技術的面粉水分無損檢測模型的建立[J]. 現(xiàn)代食品科技, 2011, 27(2): 235-238.

[7] 高居榮, 樊廣華, 李圣福, 等. 近紅外光譜技術分析小麥品質的應用研究[J]. 實驗技術與管理, 2009, 26(3): 42-44.

[8] 劉翠玲, 吳勝男, 孫曉榮, 等. 基于近紅外光譜的面粉灰分含量快速檢測方法[J]. 農(nóng)機化研究, 2013, 35(4): 144-147.

[9] 錢海波, 孫來軍, 王樂凱, 等. 基于連續(xù)投影算法的小麥濕面筋近紅外校正模型優(yōu)化[J]. 中國農(nóng)學通報, 2011, 27(18): 51-56.

[10] 金華麗, 卞科. 近紅外光譜法檢測小麥粉中的水分含量[J]. 中國糧油學報, 2010, 25(8): 109-112.

[11] 劉玲. 激光拉曼光譜及其應用進展[J]. 山西大學學報: 自然科學版, 2001, 24(3): 279-282.

[12] 馬娜. 激光顯微拉曼光譜儀的研究[D]. 西安: 西安電子科技大學, 2007: 1-53.

[13] 陳秀麗, 王桂文, 劉軍賢, 等. 基于拉曼光譜的地貧紅細胞種類識別方法的研究[J]. 分析測試學報, 2009, 28(4): 403-408.

[14] 褚小立. 化學計量學方法與分子光譜分析技術[M]. 北京: 化學工業(yè)出版社, 2011: 311-367.

[15] SHENDE C S, INSCORE F, GIFT A, et al. Analysis of pesticides on or in fruit by surface-enhanced Raman spectroscopy[C]//Optics East. International Society for Optics and Photonics, 2004: 170-176.

[16] 卜雅麗, 宦雙燕, 劉湘江, 等. 均勻表面增強活性基底上孔雀石綠的SERS[J]. 上海師范大學學報: 自然科學版, 2008, 37(4): 390-395.

[17] 劉文涵, 楊未, 吳小瓊, 等. 激光拉曼光譜內標法直接測定乙醇濃度[J].分析化學, 2007, 35(3): 416-418.

[18] CHENG Y, DONG Y, WU J, et al. Screening melamine adulterant in milk powder with laser Raman spectrometry[J]. Journal of Food Composition and Analysis, 2010, 23(2): 199-202.

[19] 韋娜. 拉曼光譜法檢測辣椒制品中羅丹明B和摻兌地溝油的花生油[D].沈陽: 沈陽農(nóng)業(yè)大學, 2013: 1-59.

[20] 孟耀勇, 廖昱博. 激光喇曼光譜技術在食品科學中的應用[J]. 激光生物學報, 2006, 15(4): 429-435.

[21] LOPEZ-DIEZ E C, BIANCHI G, GOODACRE R. Rapid quantitative assessment of the adulteration of virgin olive oils with hazelnut oils using Raman spectroscopy and chemometrics[J]. Journal of Agricultural and Food Chemistry, 2003, 51(21): 6145-6150.

[22] 馬寒露, 董英, 張孝芳, 等. 拉曼光譜法快速檢測摻入梨汁的濃縮蘋果汁[J]. 分析測試學報, 2009, 28(5): 535-538.

[23] REID L M, O’DONNELL C P, DOWNEY G. Recent technological advances for the determination of food authenticity[J]. Trends in Food Science & Technology, 2006, 17(7): 344-353.

[24] BAETEN V, APARICIO R. Edible oils and fats authentication by Fourier transform Raman spectrometry[J]. Biotechnologie Agronomie Societe Environnement, 2000, 4(4): 196-203.

[25] 陳健, 肖凱軍, 林福蘭. 拉曼光譜在食品分析中的應用[J]. 食品科學, 2007, 28(12): 554-558.

[26] 馬靜, 馬建鋒, 張遜, 等. 拉曼光譜在植物細胞壁研究中的進展[J].光譜學與光譜分析, 2013, 33(5): 24-29.

[27] 鄭少華. 小麥和小麥粉濕面筋含量測定影響因素的研究[J]. 福建分析測試, 2011, 20(1): 10-14.

[28] 金華麗, 王金水. 近紅外光譜法檢測小麥粉中灰分含量的研究[J].河南工業(yè)大學學報: 自然科學版, 2010, 31(1): 14-17.

Fast Determination of Flour Quality Based on Raman Spectroscopy

DOU Ying, SUN Xiao-rong*, LIU Cui-ling, ZHAO Hao-ran
(School of Computer and Information Engineering, Beijing Technology and Business University, Beijing 100048, China)

Raman spectroscopy was applied to replace the current methods for the determination of quality parameters of flour (including moisture, ash, and gluten content), since the conventional methods are time-consuming and laborious. Raman spectra of 100 samples from different flour types obtained from Guchuan flour mill were collected. Quantitative models were established using different pretreatment methods combined with partial least squares. The correlation coefficients of the established models for flour moisture, ash, and wet gluten were 0.945 66, 0.993 39, and 0.981 65, respectively, and the root mean standard error of calibration (RMSEC) were 0.145, 0.012 6, and 0.456, respectively. The results showed that Raman spectroscopy could be use for rapid, non-destructive, and efficient determination of flour quality. Qualitative models of different flours produced in 2013 and 2014 were also established based on distance matching analysis. The results showed that expired flour was indentified with 100% accuracy.

flour; Raman spectroscopy; partial least squares (PLS); quantitative analysis; distance matching analysis

S03；TS211

A

1002-6630（2014）22-0185-05

10.7506/spkx1002-6630-201422035

2014-06-09

北京市教委科研計劃重點項目（KZ201310011012）；北京市教委科技創(chuàng)新平臺建設項目（PXM_2012_014213_000023）；北京市自然科學基金項目（4142012）；北京市優(yōu)秀人才資助項目（2012D005003000007）

竇穎（1990—），女，碩士研究生，研究方向為控制理論與控制工程。E-mail：m13146816314_1@163.com

*通信作者：孫曉榮（1976—），女，副教授，博士，研究方向為智能測量技術與數(shù)據(jù)處理、系統(tǒng)建模與仿真方法研究、智能控制方法。E-mail：sxrchy@sohu.com