棗醋發(fā)酵液中pH值與總酸含量的高光譜圖像技術(shù)定量分析

吳寶婷,賈柳君,張海紅*,蔣慧霞,李冬冬

(寧夏大學(xué) 農(nóng)學(xué)院,寧夏 銀川 750021)

棗醋發(fā)酵液中pH值與總酸含量的高光譜圖像技術(shù)定量分析

吳寶婷,賈柳君,張海紅*,蔣慧霞,李冬冬

(寧夏大學(xué) 農(nóng)學(xué)院,寧夏 銀川 750021)

利用高光譜圖像技術(shù)(HS-IT)對靈武棗醋發(fā)酵過程中pH值和總酸含量進(jìn)行定量分析,并通過偏最小二乘法(PLS)建立定量分析模型,同時采用競爭性自適應(yīng)加權(quán)算法(CARS)和遺傳算法(GA)對整個譜區(qū)進(jìn)行特征波長篩選。以決定系數(shù)(R2)、預(yù)測均方根偏差(RMSEP)、相對分析誤差(RPD)以及最佳主因子數(shù)作為模型質(zhì)量的評價參數(shù),其中使用CARS進(jìn)行的波長篩選法對模型的優(yōu)化效果最佳,pH值和總酸含量的R2分別達(dá)到0.928 4和0.935 1,RMSEP分別為0.122 6和0.301 5,RPD分別為3.75和3.91。結(jié)果表明,CARS-PLS法可提高棗醋發(fā)酵液中pH值與總酸含量預(yù)測模型的準(zhǔn)確度和穩(wěn)定性。

棗醋;高光譜圖像技術(shù);定量分析;波長篩選;偏最小二乘法

靈武長棗是寧夏地區(qū)獨(dú)有的紅棗品種,富含糖、酸、維生素、礦物質(zhì)、蛋白質(zhì)及多酚類等生理活性物質(zhì),營養(yǎng)價值極高[1]。由其釀造而成的棗醋既有獨(dú)特的棗香味,又具有食醋的保健功能,是集營養(yǎng)、保健于一體的綠色純天然生物發(fā)酵果醋,市場前景廣闊。以非商品棗開發(fā)靈武棗醋,在促進(jìn)棗果深加工、延伸棗果產(chǎn)業(yè)鏈方面意義重大,具有較好的經(jīng)濟(jì)效益和社會效益[2-3]。棗醋的品質(zhì)與釀造過程中各項(xiàng)參數(shù)的變化密切相關(guān),其中總酸和pH值的變化直接決定著棗醋的酸味質(zhì)量與口感。目前這兩項(xiàng)指標(biāo)的傳統(tǒng)檢測方法操作復(fù)雜耗時,對檢測人員的技術(shù)水平要求較高,不能滿足棗醋釀造過程中關(guān)鍵參數(shù)快速監(jiān)測的要求。因此,在棗醋的釀造過程中,尋找一種快速、精準(zhǔn)的檢測方法,實(shí)時監(jiān)測這兩項(xiàng)指標(biāo)以指導(dǎo)生產(chǎn),已成為當(dāng)務(wù)之急[4-5]。

高光譜圖像技術(shù)(hyperspectralimagetechnology,HS-IT)是一種新興的圖譜合一的技術(shù)。高光譜圖像系統(tǒng)獲得的灰度圖像是一系列連續(xù)波點(diǎn)下的二維圖像所組成的三維數(shù)據(jù)塊,圖像信息可以反映樣品的顏色和結(jié)構(gòu)等外部形態(tài)特征的變化,光譜信息能夠充分反映樣品的化學(xué)組分、物理結(jié)構(gòu)等內(nèi)部品質(zhì)的變化,具有分析速度快、精度高、無需前處理且綠色環(huán)保等優(yōu)點(diǎn),已應(yīng)用到食品、藥品等多個行業(yè)[6-8]。朱瑤迪等[9]利用高光譜圖像技術(shù)結(jié)合化學(xué)計量學(xué)方法分析了鎮(zhèn)江香醋醋醅固態(tài)發(fā)酵中總酸、pH值、含水率在不同階段的變化規(guī)律,同時利用主成分分析和逐步多元線性回歸模型對醋醅高光譜圖像進(jìn)行分析,結(jié)果表明,利用HS-IT快速預(yù)測醋醅的理化參數(shù)及其分布的辦法是可行的。申婷婷等[10]利用高光譜圖像技術(shù)檢測了鎮(zhèn)江香醋醋醅理化參數(shù)的分布,同時提取了理化參數(shù)分布的定量特征,達(dá)到了使醋醅理化參數(shù)的可視化分布檢測和分布特征的數(shù)字化描述的目的,為數(shù)字化、工業(yè)化監(jiān)控鎮(zhèn)江香醋醋酸發(fā)酵提供技術(shù)性支持。鄒小波等[11]以鎮(zhèn)江香醋醋醅發(fā)酵過程中總酸含量和pH值為表征參數(shù),利用HS-IT和化學(xué)計量學(xué)實(shí)現(xiàn)翻醅均勻性快速判斷。以翻醅前后的醋醅為實(shí)驗(yàn)對象,使用遺傳算法(genetic algorithm,GA)和聯(lián)合區(qū)間偏最小二乘(section interval partial least square,SiPLS)進(jìn)行特征波長的優(yōu)選,采用最小二乘支持向量機(jī)(leastsquaressupportvector machines,LS-SVM)和偏最小二乘法(partial least squares,PLS)建立表達(dá)醋醅均勻性參數(shù)的快速預(yù)測模型,研究表明,利用HS-IT快速預(yù)測醋醅均勻性是可行的。

本研究擬對靈武棗醋液態(tài)發(fā)酵中總酸含量及pH值進(jìn)行快速無損分析,采用競爭性自適應(yīng)加權(quán)算法(competitive adaptivereweightedsampling,CARS)及遺傳算法(GA)對整個譜區(qū)進(jìn)行光譜波長篩選,比較分析這兩種光譜波長篩選方法對棗醋pH值及總酸含量預(yù)測模型的影響,優(yōu)選光譜波長篩選法,并在此基礎(chǔ)上建立棗醋pH值及總酸含量的最優(yōu)模型,以期實(shí)現(xiàn)HS-IT對棗醋pH值及總酸含量的快速預(yù)測。

1 材料與方法

1.1 材料與試劑

靈武長棗(干棗):市售;果膠酶(5萬U/g):安琪酵母股份有限公司;釀酒酵母(Saccharomyces cerevisiae):寧夏大學(xué)生物實(shí)驗(yàn)室保藏;醋酸菌(Acetobacter):河南雅大股份有限公司;白砂糖、檸檬酸、氫氧化鈉、酚酞等均為國產(chǎn)分析純。

1.2 儀器與設(shè)備

JYL-C022榨汁機(jī):九陽股份有限公司;101-5A阿貝折光儀:德州潤興實(shí)驗(yàn)儀器有限公司杭州綠博儀器有限公司;LRH-1SOB生化培養(yǎng)箱:杭州綠博儀器有限公司;DZKW-S-6水浴鍋:北京市永光明醫(yī)療儀器廠;PH211C pH計:北京哈納科儀科技有限公司;YXQ-SG46-280S高壓滅菌鍋:西化儀(北京)科技有限公司。ImspectorN17E圖像光譜儀:芬蘭奧盧光譜圖像有限公司;HSIA-LS-TDIF鹵鎢燈線光源(35W):北京卓立漢光儀器有限公司。

1.3 方法

1.3.1 棗醋發(fā)酵工藝流程及操作要點(diǎn)

原料處理:選取干凈均勻無腐爛的干棗,切塊、去核、洗凈后初步粉碎,加入一定比例的水,使得水料比為1∶5(mL∶g),添加0.1%果膠酶,50℃浸提2 h使其溶出物盡可能溶出,打漿成均勻的棗汁,用紗布過濾取得濾液備用。

調(diào)糖調(diào)酸:檢測棗汁的糖度、可溶性固形物含量,用白砂糖調(diào)整糖度至15°Bx,用檸檬酸調(diào)pH值為3.5。

殺菌處理:在進(jìn)行發(fā)酵之前,放入高壓鍋內(nèi)進(jìn)行121℃高溫殺菌15 min。

酒精發(fā)酵:將備用的棗汁冷卻至室溫,接入0.2%已活化(35℃活化培養(yǎng)40 min)的液體酵母菌,于28℃密閉發(fā)酵瓶中發(fā)酵,同時每天檢測其發(fā)酵液的pH值和總酸含量。

醋酸發(fā)酵:以10%的接種比例在酒精發(fā)酵液中接入已活化的醋酸菌培養(yǎng)液,在40℃條件下進(jìn)行醋酸發(fā)酵,同時每天測其發(fā)酵液pH值和總酸含量。當(dāng)發(fā)酵液酸度不再上升時結(jié)束發(fā)酵,然后于80℃滅菌20 min。

靜置:將滅菌后的棗醋靜置,使棗醋變得澄清,取上清液進(jìn)行檢測。

1.3.2 棗醋發(fā)酵液檢測方法

采用高光譜圖像技術(shù)對棗醋發(fā)酵液樣品進(jìn)行檢測,每天取50mL發(fā)酵液樣品,加入50mL測量池中,進(jìn)行圖像校正后,放到載物臺上進(jìn)行測量,將得到的圖像進(jìn)行處理,得到數(shù)據(jù)后進(jìn)行模型建立。實(shí)驗(yàn)采用波段范圍為400～1000nm,共有256個波段,像素為320×300 ppi。

總酸含量和pH值的測定:參考GB 18187—2000《釀造食醋》中的方法對棗醋的總酸含量(以醋酸計(g/L))、pH值進(jìn)行測定[13]。

1.3.3 發(fā)酵液檢測圖像的校正

由于在不同的波段下光源強(qiáng)度分布不均勻以及箱體中暗電流的存在,導(dǎo)致在光源強(qiáng)度弱的波段下的圖像含有較大的噪音,對數(shù)據(jù)處理帶來了冗余的信息。所以,需要對捕獲的高光譜圖像進(jìn)行標(biāo)定[14]。首先進(jìn)行白板校正得到全白的標(biāo)定圖像W,然后蓋上相機(jī)鏡頭蓋進(jìn)行圖像采集得到全黑的標(biāo)定圖像D,然后按照下式[15]對原始圖像進(jìn)行標(biāo)定:

式中:R是校正后的漫反射光譜圖像;R0是樣本原始的漫反射光譜圖像;W是白板的漫反射圖像;D是暗圖像。

1.3.4 光譜處理

為了消除或減小無關(guān)信息、光、噪聲等對數(shù)據(jù)分析產(chǎn)生的影響,提高模型的適用性,實(shí)驗(yàn)前進(jìn)行預(yù)處理,將實(shí)驗(yàn)室的燈、噪音儀器等暫時關(guān)閉[16]。為了剔除無效波長,簡化模型簡析難度,提升模型穩(wěn)定性和預(yù)測精度,本實(shí)驗(yàn)分別采用CARS和GA對全光譜125個波長進(jìn)行優(yōu)化選擇,同時采用PLS法建立模型。設(shè)定GA-PLS優(yōu)化參量:初始群體為30,交叉概率為0.5,變異概率為0.01,遺傳迭代次數(shù)為100。選取決定系數(shù)(R2)、預(yù)測均方根偏差(root meet standard error of prediction,RMSEP)、相對分析誤差(relative percent deviation,RPD)以及最佳因子數(shù)來評價模型穩(wěn)定性與預(yù)測能力[17]。R2越接近1,同時RPD＞3時,則表明建立的模型效果越好[18]。

1.3.5 數(shù)據(jù)處理與分析方法

在隨機(jī)保留30個棗醋發(fā)酵液樣本作為獨(dú)立測試集的基礎(chǔ)上,采用Kennard-Stone(K-S)法[19]將80個樣品數(shù)據(jù)進(jìn)行校正集和驗(yàn)證集的劃分處理。選擇校正集樣本120個,驗(yàn)證集樣本60個。

CARS、GA等程序通過軟件MATLAB分析完成,偏最小二乘計算應(yīng)用Unscrambler X10.3光譜分析軟件實(shí)現(xiàn),利用ENVI4.6軟件選擇合適的感興趣區(qū)域,提取平均光譜值。

2 結(jié)果與分析

2.1 數(shù)據(jù)統(tǒng)計結(jié)果

表1 校正集與驗(yàn)證集統(tǒng)計結(jié)果Table 1 Statistical results of calibration set and validation set

由表1可知,樣本數(shù)據(jù)進(jìn)行處理后得到標(biāo)準(zhǔn)差的驗(yàn)證集數(shù)據(jù)均處于校正集范圍內(nèi),表明數(shù)據(jù)篩選剔除了無效波點(diǎn)波長,簡化了模型簡析難度,提升了模型的穩(wěn)定性和預(yù)測精度。

2.2 光譜波段優(yōu)選

2.2.1 競爭性自適應(yīng)加權(quán)算法優(yōu)選特征波長

CARS在進(jìn)行波長篩選時,保留回歸系數(shù)絕對值大的波長,剔除回歸系數(shù)絕對值小的波長,重復(fù)運(yùn)行篩選出最佳波長子集[20]。使用MATLAB軟件分析數(shù)據(jù),使用CARS法進(jìn)行波長篩選,優(yōu)選特征波長。結(jié)果如圖1所示。由圖1(a)可知,pH值和總酸的波長個數(shù)均隨著運(yùn)行次數(shù)增加而減少,且呈現(xiàn)先快速減少后逐漸平緩的變化規(guī)律,反映了CARS的先“粗選”和后“精選”的優(yōu)化過程。由圖1(b)可知,pH值和總酸的交叉驗(yàn)證均方根(RMSECV)值均隨著運(yùn)行次數(shù)的增加先減少后增大。表明篩選之初,過程剔除了與樣本性質(zhì)無關(guān)的波長,使RMSECV減少;隨著運(yùn)行次數(shù)的進(jìn)一步增大,可能剔除了關(guān)鍵波長,從而使RMSECV增大。由圖1(c)可知,與*相對的點(diǎn)為RMSECV的最低點(diǎn),pH值的最低RMSECV值為0.1302,總酸的最低RMSECV值為0.3093。經(jīng)CARS法篩選所得pH值和總酸的波長數(shù)分別為14、15個,僅占全光譜的11.2%、12.0%(高光譜中波長共125個),可有效降低模型的復(fù)雜程度,增大運(yùn)算速度,提高預(yù)測效率。

圖1 CARS法關(guān)鍵波長選擇結(jié)果Fig.1 Selection results of key wavelength by CARS method

2.2.2 遺傳偏最小二乘波段選擇法優(yōu)選特征波長

GA是基于生物進(jìn)化論,模擬自然界進(jìn)化機(jī)制的一種優(yōu)化算法,通過選擇頻率最高的波點(diǎn)建模來挑選特征波長[21]。使用軟件MATLAB分析數(shù)據(jù),使用GA法進(jìn)行波長篩選,優(yōu)選特征波段。pH值、總酸含量通過GA法篩選后的各波長選用的頻次圖結(jié)果見圖2。由圖2可知,以pH值篩選出的頻率＞7的波點(diǎn)波長數(shù)為23個;以總酸篩選出的頻率＞7的波點(diǎn)波長數(shù)為34個,分別占全光譜的18.4%、27.2%,可有效降低模型的復(fù)雜程度,增大運(yùn)算速度,提高預(yù)測效率。

圖2 pH值(a)和總酸含量(b)通過GA法篩選各波長選用的頻次圖Fig.2 Frequency diagram of each wavelength selection of pH(a)and total acid content(b)by GA method

2.3 模型建立與評價

基于上述CARS、GA兩種方法的篩選,分別建立棗醋中pH值和總酸含量的全光譜-PLS、CARS-PLS、GA-PLS定量分析模型并對模型的決定系數(shù)(R2)、預(yù)測均方根偏差(RMSEP)、相對分析誤差(RPD)以及最佳主因子數(shù)進(jìn)行比較,分析CARS法、GA法對預(yù)測模型精度的影響,評價建模效果,模型優(yōu)化結(jié)果如表2所示。

表2 pH和總酸的不同模型及性能評價結(jié)果Table 2 Results of different models and performance evaluation of pH and total acid

由表2可知,與全光譜-PLS模型相比,采用CARS、GA兩種方法進(jìn)行波長篩選后,建立的CARS-PLS、GA-PLS模型所用波長數(shù)均有不同程度的減少,R2增加,接近1的同時RMSEP和最佳主因子數(shù)相對降低,RPD相對增大,且RPD＞3時,表明篩選波點(diǎn)模型預(yù)測效果均優(yōu)于全光譜-PLS模型。CARS和GA在剔除無信息波長的同時,淘汰了光譜中共線性波長及受外界因素影響較大的波長,優(yōu)選出最能表征目標(biāo)信息的關(guān)鍵性波點(diǎn),極大地減少了波長數(shù),有效地降低了模型復(fù)雜程度,提高了模型預(yù)測效率。CARS、GA兩種方法相比之下,GA涉及的波點(diǎn)波長數(shù)較多,而CARS篩選所得特征波點(diǎn)波長更少,建模的計算效率得到極大提升的同時不失參數(shù)代表性,模型效果略優(yōu)。采用CARS法篩選波點(diǎn)后所建立的棗醋發(fā)酵液中pH值和總酸的CARS-PLS定量分析模型所用的波長數(shù)最少,建模效果最佳,R2分別達(dá)到0.928 4和0.935 1,RMSEP值分別為0.122 6和0.301 5,RPD為3.75和3.91,最佳主因子數(shù)分別為7個和8個,模型的適應(yīng)性、擬合程度和預(yù)測能力最為理想。

2.4 模型驗(yàn)證

利用獨(dú)立樣本測試集中30個樣本的實(shí)驗(yàn)數(shù)據(jù)對CARSPLS模型進(jìn)行驗(yàn)證,結(jié)果如圖3A、圖3B所示。由圖3可知,pH值、總酸含量的實(shí)測值與模型預(yù)測值基本分布在對角線兩側(cè),且經(jīng)過成對t檢驗(yàn),pH值、總酸含量的實(shí)測值與預(yù)測值無顯著差異。說明模型的預(yù)測精度較高,基于HT-IS的棗醋發(fā)酵液的pH值、總酸的定量分析是可行的。

圖3 pH值(A)和總酸含量(B)的CARS模型實(shí)測值與預(yù)測值分布Fig.3 Distribution of measured value and predictive value of pH(A)and total acid content(B)by CARS model

3 結(jié)論

本研究分別采用競爭性自適應(yīng)加權(quán)算法(CARS)、遺傳算法(GA)對光譜特征波點(diǎn)進(jìn)行篩選,并結(jié)合偏最小二乘法(PLS),分別建立了棗醋發(fā)酵液中pH值和總酸的CARS-PLS定量分析模型。以篩選后的數(shù)據(jù)波點(diǎn),建立的模型其質(zhì)量均有所優(yōu)化。波點(diǎn)篩選是優(yōu)化模型的有效措施,不僅極大的減少了建模波長數(shù),簡化了建模的復(fù)雜程度,同時大幅提升了模型的穩(wěn)定性和預(yù)測能力。采用CARS法進(jìn)行波段篩選后所建模型的效果優(yōu)于GA法,在保留pH值和總酸含量特征波點(diǎn)的同時剔除了大量冗余無效信息,在保證模型準(zhǔn)確度和穩(wěn)定性的基礎(chǔ)上,提高了模型預(yù)測效率。pH值和總酸的CARS-PLS定量分析模型R2分別達(dá)到0.928 4和0.935 1,RMSEP值分別為0.122 6和0.301 5,RPD為3.75和3.91,表明高光譜圖像檢測技術(shù)可實(shí)現(xiàn)棗醋發(fā)酵液中pH值和總酸含量的快速、實(shí)時、準(zhǔn)確檢測。

[1]徐 爽.基于高光譜圖像技術(shù)的紅棗品質(zhì)無損檢測研究[D].銀川:寧夏大學(xué),2013.

[2]楊小波,賀曉光,方海田.靈武長棗醋加工工藝的研究[J].中國釀造,2011,30(2):169-172.

[3]楊 博.寧夏特色農(nóng)業(yè)產(chǎn)業(yè)化研究[D].北京:中央民族大學(xué),2011.

[4]張戰(zhàn)國.食醋功能特性的研究與分析比較[D].楊凌:西北農(nóng)林科技大學(xué),2009.

[5]化志秀.棗醋加工工藝及性能比較研究[D].楊凌:西北農(nóng)林科技大學(xué),2013.

[6]吳龍國,王松磊,康寧波,等.基于高光譜成像技術(shù)的靈武長棗缺陷識別[J].農(nóng)業(yè)工程學(xué)報,2015,31(20):281-286.

[8]石吉勇.基于高光譜圖像技術(shù)的設(shè)施栽培作物營養(yǎng)元素虧缺診斷研究[D].鎮(zhèn)江:江蘇大學(xué),2012.

[9]朱瑤迪,鄒小波,石吉勇,等.高光譜圖像技術(shù)快速預(yù)測發(fā)酵醋醅總酸分布[J].農(nóng)業(yè)工程學(xué)報,2014,30(16):320-327.

[10]申婷婷.高光譜圖像技術(shù)檢測鎮(zhèn)江香醋醋醅理化參數(shù)分布研究[D].鎮(zhèn)江:江蘇大學(xué),2016.

[11]鄒小波,申婷婷,朱瑤迪,等.基于高光譜圖像的香醋醋醅均勻性快速判別[J].農(nóng)業(yè)機(jī)械學(xué)報,2016,47(1):215-220.

[12]洪添勝,李 震,吳春胤,等.高光譜圖像技術(shù)在水果品質(zhì)無損檢測中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報,2007,11(23):280-285.

[13]寧正祥.食品成分分析手冊[M].北京:中國輕工業(yè)出版社,1998:20-25.

[14]POLDER G,GERIE W,HEIJDEN V D.Calibration and characterization of imaging spectrographs[J].J Near Infrared Spec,2003,11(3)：193-210.

[15]GAMAL E A,WANG N,CLEMENT V.Delecting chilling injury in red delicious apple using hyperspectral imaging and neural network[J].Postharvest Biol Tech,2009,52：1-8.

[16]劉文濤.基于高光譜成像技術(shù)的蘋果品質(zhì)無損檢測研究[D].保定:河北農(nóng)業(yè)大學(xué),2015.

[17]褚小立.化學(xué)計量學(xué)方法與分子光譜分析技術(shù)[M].北京:化學(xué)工業(yè)出版社,2011:4.

[18]嚴(yán)衍祿,陳 斌,朱大洲.近紅外光譜分析的原理、技術(shù)與應(yīng)用[M].北京:中國輕工業(yè)出版社,2013:165-174.

[19]HE K X,CHENG H,DU W L,et al.Online up-dating of NIR model and its industrial application via adaptive wavelength selection and local regression strategy[J].Chemometr Intell Lab Syst,2014,134(15)：79-88.

[20]李江波,郭志明,黃文倩,等.應(yīng)用CARS和SPA算法對草莓SSC含量NIR光譜預(yù)測模型中波長及樣本篩選[J].光譜學(xué)與光譜分析,2015,35(2):372-378.

[21]張 初,劉 飛,孔汝汝.利用近紅外高光譜圖像技術(shù)快速鑒別西瓜種子品種[J].農(nóng)業(yè)工程學(xué)報,2013,29(20):270-277.

WU Baoting,JIA Liujun,ZHANG Haihong*,JIANG Huixia,LI Dongdong
(College of Agriculture,Ningxia University,Yinchuan 750021,China)

TS264.2

0254-5071(2017)11-0096-05

10.11882/j.issn.0254-5071.2017.11.021

2017-04-25

寧夏高?？茖W(xué)研究項(xiàng)目(No.NGY2016019);寧夏十三五重點(diǎn)專業(yè)建設(shè)項(xiàng)目

吳寶婷(1995-),女,本科生,研究方向?yàn)檗r(nóng)產(chǎn)品無損檢測。

*通訊作者:張海紅(1967-),女,教授,碩士,研究方向?yàn)檗r(nóng)產(chǎn)品無損檢測。