葛粉掺假的近红外漫反射光谱快速检测

陈 嘉，刘 嘉，马雅钦，祝诗平，赵国华,3,*

（1.西南大学食品科学学院，重庆 400715；2.西南大学工程技术学院，重庆 400715；3.重庆市农产品加工技术重点实验室，重庆 400715）

葛根是豆科植物野葛（Pueraria lobata（Willd.）Ohwi）的根，是一种药食两用资源[1]。葛根中含有异黄酮、葛根素等活性成分，还含有必需氨基酸和钙、铁、锌、硒等微量元素[2]，具有改善心脑血管循环、降低心肌耗氧量、降低血管阻力、抗炎、祛痰、解热、提高机体免疫力等作用[3]。由于葛根的主要加工品葛粉具有清热解毒、生津止渴、补肾健脾、益胃安神、清心明目、润肠通便及解酒等功能[4-5]，其市场需求量逐年提升。但某些葛粉生产企业为了谋利，在葛粉中掺入廉价的薯类淀粉（如红薯淀粉、马铃薯淀粉等）以降低成本，损害了消费者的权益，也冲击了正规葛粉企业的生产和销售。

常用的葛粉掺假检测技术有感官识别法、显微镜比较法[6]、黏度比较法[7]、指纹图谱识别法[8]等。这些方法有些过度依赖经验的积累，有些需要繁琐的样品前处理，无法做到快速、高效地对葛粉掺假进行检测。刘嘉等[4]曾采用傅里叶变换红外谱鉴别法对葛粉掺假进行鉴别，取得了较好的效果，但仍然需要对样品进行干燥及KBr压片处理，操作过程较为繁琐。近红外光谱（near infrared spectroscopy，NIRS）检测技术是20世纪80年代发展起来的一种快速检测技术，具有分析速度快[9-10]、效率高、低成本[11]、无污染、无需要前处理[12-13]和多组分同时测定等优点[14]。在食品领域中，近红外光谱被广泛应用于食品成分检测[15-16]、产地和种类鉴别[17-19]、品质鉴定[20-21]、产品分级[22]等方面。在食品掺假检测中，近红外光谱检测技术也被国内外学者广泛的应用。Haughey等[23]采用近红外光谱对掺杂了三聚氰胺的豆粕进行了鉴别，Zhu Xiangrong等[24]采用化学计量学的方法，通过近红外光谱对掺杂甜味剂的蜂蜜进行了有效的鉴别；褚莹等[25]利用近红外光谱技术结合多种化学计量学方法，研究了快速鉴别掺假羊奶的方法。目前，使用近红外光谱快速鉴别葛粉品质还未见报道。因此，本实验以掺假葛粉为研究对象，探讨采用近红外漫反射光谱对葛粉掺假（掺杂红薯淀粉和马铃薯淀粉）进行快速检测的可行性，以期为加强市场监管提供有力支持。

1 材料与方法

1.1 材料

葛粉 重庆正里元实业有限公司；红薯淀粉 重庆金田农业集团有限公司；马铃薯淀粉 重庆佳仙食品有限公司。

1.2 仪器与设备

MPA近红外光谱仪 德国Bruker公司。扫描范围12 000～4 000 cm-1，分辨率4 cm-1，扫描次数16次，PbS检测器，采用石英样品杯和样品旋转台，漫反射方式收集信号。采用仪器自带的OPUS 7.0采集并处理光谱。

1.3 方法

1.3.1 样品制备

表 1 葛粉掺假样品的制备Table 1 Preparation of kudzu starch adulterated with potato starch and sweet potato starch

向葛粉中加入不同质量的薯类淀粉（红薯淀粉和马铃薯淀粉）并混合均匀。每个相同配比样品重复10 份，选取其中7 份作为校正集，其余3 份作为验证集，共制得葛粉含量为0%、20%、40%、60%、80%、100%（质量含量）的样品160 份[4]，详见表1。

1.3.2 数据处理及建模分析

通过测定，得到样品的近红外光谱。将原图谱数据以JCAMP-DX格式导入Unscrambler 9.8中进行分析。对光谱进行适当的前处理，选择最佳的光谱波长区，建立校正模型。

2 结果与分析

2.1 葛粉与掺假葛粉的近红外光谱比较

图 1 葛粉及掺假葛粉近红外漫反射光谱图Fig.1 Near infrared diffuse reflectance spectra of kudzu starch adulterated with potato starch and sweet potato starch

近红外光谱主要反映的是分子中化学键振动的倍频和合频信息，光谱信息重叠度较大。从图1可以看出，在12 000～4 000 cm-1波数范围内，葛粉及掺假葛粉近红外光的峰形和位置都较为相似，无法通过图谱直观地进行鉴别。因此，需要采用化学计量学的方法，建立掺假葛粉检测模型进行鉴别分析。

2.2 主成分分析

主成分分析（principal component analysis，PCA）通过对原始光谱变量进行转换，将原来的变量重新组合成一组新的互相无关的几个综合变量。新变量能最大限度地表征原变量的数据结构特征，且不丢失信息。通过PCA，可实现红外光谱数据的线性降维投影显示，进而能直观地从二维或三维图像中观察到光谱的主要特性和聚类情况[26]。

将校正集样品所有光谱数据导入The Unscrambler 9.7中，对原始光谱进行PCA，并在平面坐标系中，以第1主成分的得分值（PC1）为横轴，以第2主成分的得分值（PC2）为纵轴，做出样品的PC点散图，如图2所示。可以看出，马铃薯淀粉聚集在X轴正方向，红薯淀粉聚集在Y轴负方向，纯的葛粉则与之相反。随着葛粉含量的增加，各掺假样品分别从马铃薯淀粉和红薯淀粉物的聚集区向纯葛粉的聚集区靠拢，不同的掺假样品分布区域相距较明显，相同样品内聚合度较好。

图 2 葛根及掺假葛粉的主成分分析图Fig.2 Principal component score plots for kudzu starch adulterated with potato starch and sweet potato starch

通过主成分分析，得到校正集112个样品的主成分的方差累计贡献率，如表2所示。校正集样品前4 个主成分的累计贡献率超过99.99%，说明前4 个主成分已经足够代表样品的重要信息。主成分分析的目的是将数据降维，主成分选取过多可能会引入不必要的噪声，造成过拟合，因此，在建模中选择主成分因子数为4。

表 2 主成分的方差累计贡献率Table 2 Cumulative variance contribution rates of principal components

2.3 光谱预处理及校正模型的建立

表 3 不同光谱处理方法对建模效果的影响Table 3 Results from PLS and PCR calibration models with different spectral pretreatments ents

2.4 光谱区间选择

表 4 不同光谱区间PLS模型对比Table 4 Comparison among PLS calibration models with different wavelength bands

2.5 模型验证

图 3 验证集葛粉含量预测值与真实值的相关关系Fig.3 Relationship between predicted and true levels of kudzu starch content in the validation set

为检验模型的可靠性，利用已建立的PLS数学模型对验证集48 个样品进行预测。图3为校正模型对未知样品的葛粉含量预测值与实际值的比较。验证结果显示，预测值与真实值集中分布在45°线附近，具有较好的相关性。模型的RMSEP=2.298 7%，=0.994 5，模型的相对分析误差（relative prediction deviation，RPD）为13.56，说明模型有较强的预测能力和稳定性。

2.6 回收实验

称取等质量的红薯淀粉与马铃薯淀粉均匀混合，得到空白样品，向其中添加一定质量的葛粉，分别制备葛粉含量为50%、70%、90%样品各3 份（共9 份），扫描近红外光谱并进行预测，计算回收率，结果见表5。结果显示，该模型的平均回收率为99.89%，相对标准偏差（relative standard deviation，RSD）为2.96%，说明该模型预测结果准确可靠。

表 5 回收实验结果（ =9）Table 5 Results of recovery tests （ = 9）

3 结 论

本研究采用近红外漫反射光谱技术，结合化学计量学的方法，对葛粉掺假快速检测方法进行了研究。通过比较分析，采用PLS回归建立预测模型，SNV处理近红外光谱，光谱区间962～1 389 nm，可以达到较高的预测精度。结果表明，模型的预测误差均方根RMSEP为2.298 7%，实际值与预测值相关系数RP2为0.994 5，相对分析误差13.56，平均回收率99.89%（n=9，RSD=2.96%），实现了较高精度的预测。采用近红外光谱法，样品不需前 处理，操作简便迅速，为葛粉掺假快速检测提供了一种新方法。

[1]廖洪波, 贺稚非, 王光慈, 等. 葛根的研究进展及展望[J]. 食品工业科技, 2003, 2 4(2): 81-83.

[2]张雁, 张孝祺. 葛根的营养保健功能及开发利用[J]. 食 品研究与开发, 2000, 21(2): 37-39.

[3]冯慧, 周青, 谢继安. HPLC谱法 测定葛粉中葛根素含量[J]. 中国食物与营养, 2011, 17(3): 57-59.

[4]刘嘉, 李建超, 陈嘉, 等. 葛粉掺假的傅里叶变换红外光谱法鉴别研究[J]. 食品科学, 20 11, 32(8): 226-230.

[5]卢成瑛, 陈功锡, 卜晓英, 等. 不同 来源葛根淀粉的理化性质比较[J].食品科学, 2009, 30(21): 50-52.

[6]孙亮, 杜威, 周敏, 等. 葛根淀粉的鉴别方法研究[J]. 中国卫生检验杂志, 2012, 22(5): 1151-1152.

[7]赵文红, 白卫东, 王琴, 等. 葛根全粉糊流变特性初探[J]. 食品与机械, 2008, 24(4): 41-45.

[8]沈梦洁, 冯昕韡, 朱仲良. 葛根HPLC指纹图谱及模式识别研究[J].内蒙古大学学报: 自然科学版, 2012, 43(1): 73-76.

[9]陈斌, 方如明, 赵杰文, 等. 食醋主要成分近红外光谱快速测定法[J].食品科学, 2000, 21(5): 55-57.

[10]张鹏, 李江阔, 孟宪军, 等. 磨盘柿可溶性固形物的可见/近红外漫反射光谱无损检测[J]. 食品科学, 20 11, 32(6): 191-194.

[11]王右军, 朱大洲, 屠振华. CCD短波近红外光谱快速检 测牛奶中掺假物质的研究[J]食品科学, 2009, 30(6): 135-138.

[12]毛莎莎, 曾明, 何绍兰, 等. 哈姆林甜橙果实内在品质的可见-近红外漫反射光谱无损检测法[J]. 食品科学, 2010, 31(14): 258-263.

[13]罗阳, 王锡昌, 邓德文. 近红外光谱分析检测鱼丸弹性的可行性研究[J]. 食品科学, 2008, 29(8): 530-533.

[14]刘娅, 赵国华, 陈宗道, 等. 近红外光谱技术及其在油脂检测中应用[J].粮食与油脂, 2002, 15(11): 35-37.

[15]金华丽, 王金水. 近红外光谱法检测小麦粉中灰分含量的研究[J].河南工业大学学报: 自然科学版, 2010, 31(1): 14-17.

[16]金华丽, 许春红, 李漫男, 等. 基于近红外光谱技术测定小麦籽粒淀粉含量[J]. 河南工业大学学报: 自然科学版, 2011, 32(6): 24-27.

[17]赵海燕, 郭波莉, 魏益民, 等. 近红外光谱对小麦产地来源的判别分析[J]. 中国农业科学, 2011, 44(7): 1451-1456.

[18]汤丹明, 孙斌, 刘辉军. 近红外漫反射光谱鉴别鸡蛋种类[J]. 光谱实验室, 2012, 29(5): 2699-2702.

[19]LUCIO-GUTI RREZ J R, COELLO J, MASPOCH S. Application of near infrared spectral f ingerprinting and pattern recognition techniques f or fast identification of Eleutherococcus senticosus[J]. Food Research International, 2011, 44(2): 557-565.

[20]高居荣, 樊广华, 李圣福, 等. 近红外光谱技术分析小麦品质的应用研究[J]. 实验技术与管理, 2009, 26(3): 42-44.

[21]岳绒, 郭文川, 刘卉. 近红外漫反射光谱检测损伤猕猴桃的内部品质[J]. 食品科学, 2011, 32(10): 141-144.

[22]郎玉苗, 李海鹏, 沙坤, 等. 近红外技术在牛肉质量分级体系中的应用研究进展[J]. 肉类研究, 2012, 26(8): 39-42.

[23]HAUGHEY S A, GRAHAM S F, CANCOUËT E, et al. The application of Near-Infrared Reflectance Spectroscopy (NIRS) to detect melamine adulteration of soya bean meal[J]. Food Chemistry,2013, 136(3/4): 1557-1561.

[24]ZHU Xiangrong, LI Shuifang, SHAN Yang, et al. Detection of adulterants such as s weeteners materials in honey using near-infrared spectroscopy and chemometrics[J]. Journal of Food Engineering, 2010, 101(1): 92-97.

[25]褚莹, 丁武, 丁丁. 近红外光谱法用于掺假羊奶的快速无损鉴别[J].中国乳品工业, 2012, 40(2): 51-53.

[26]罗阳, 王锡昌, 邓德文. 近红外光谱技术及其在食品感官分析中的应用[J]. 食品科学, 2009, 30(7): 273-276.