枣醋发酵液中pH值与总酸含量的高光谱图像技术定量分析

2017-12-06吴宝婷贾柳君张海红蒋慧霞李冬冬

中国酿造 2017年11期

关键词：波点总酸发酵液

吴宝婷,贾柳君,张海红*,蒋慧霞,李冬冬

(宁夏大学农学院,宁夏银川 750021)

枣醋发酵液中pH值与总酸含量的高光谱图像技术定量分析

吴宝婷,贾柳君,张海红*,蒋慧霞,李冬冬

(宁夏大学农学院,宁夏银川 750021)

利用高光谱图像技术(HS-IT)对灵武枣醋发酵过程中pH值和总酸含量进行定量分析,并通过偏最小二乘法(PLS)建立定量分析模型,同时采用竞争性自适应加权算法(CARS)和遗传算法(GA)对整个谱区进行特征波长筛选。以决定系数(R2)、预测均方根偏差(RMSEP)、相对分析误差(RPD)以及最佳主因子数作为模型质量的评价参数,其中使用CARS进行的波长筛选法对模型的优化效果最佳,pH值和总酸含量的R2分别达到0.928 4和0.935 1,RMSEP分别为0.122 6和0.301 5,RPD分别为3.75和3.91。结果表明,CARS-PLS法可提高枣醋发酵液中pH值与总酸含量预测模型的准确度和稳定性。

枣醋;高光谱图像技术;定量分析;波长筛选;偏最小二乘法

灵武长枣是宁夏地区独有的红枣品种,富含糖、酸、维生素、矿物质、蛋白质及多酚类等生理活性物质,营养价值极高[1]。由其酿造而成的枣醋既有独特的枣香味,又具有食醋的保健功能,是集营养、保健于一体的绿色纯天然生物发酵果醋,市场前景广阔。以非商品枣开发灵武枣醋,在促进枣果深加工、延伸枣果产业链方面意义重大,具有较好的经济效益和社会效益[2-3]。枣醋的品质与酿造过程中各项参数的变化密切相关,其中总酸和pH值的变化直接决定着枣醋的酸味质量与口感。目前这两项指标的传统检测方法操作复杂耗时,对检测人员的技术水平要求较高,不能满足枣醋酿造过程中关键参数快速监测的要求。因此,在枣醋的酿造过程中,寻找一种快速、精准的检测方法,实时监测这两项指标以指导生产,已成为当务之急[4-5]。

高光谱图像技术(hyperspectralimagetechnology,HS-IT)是一种新兴的图谱合一的技术。高光谱图像系统获得的灰度图像是一系列连续波点下的二维图像所组成的三维数据块,图像信息可以反映样品的颜色和结构等外部形态特征的变化,光谱信息能够充分反映样品的化学组分、物理结构等内部品质的变化,具有分析速度快、精度高、无需前处理且绿色环保等优点,已应用到食品、药品等多个行业[6-8]。朱瑶迪等[9]利用高光谱图像技术结合化学计量学方法分析了镇江香醋醋醅固态发酵中总酸、pH值、含水率在不同阶段的变化规律,同时利用主成分分析和逐步多元线性回归模型对醋醅高光谱图像进行分析,结果表明,利用HS-IT快速预测醋醅的理化参数及其分布的办法是可行的。申婷婷等[10]利用高光谱图像技术检测了镇江香醋醋醅理化参数的分布,同时提取了理化参数分布的定量特征,达到了使醋醅理化参数的可视化分布检测和分布特征的数字化描述的目的,为数字化、工业化监控镇江香醋醋酸发酵提供技术性支持。邹小波等[11]以镇江香醋醋醅发酵过程中总酸含量和pH值为表征参数,利用HS-IT和化学计量学实现翻醅均匀性快速判断。以翻醅前后的醋醅为实验对象,使用遗传算法(genetic algorithm,GA)和联合区间偏最小二乘(section interval partial least square,SiPLS)进行特征波长的优选,采用最小二乘支持向量机(leastsquaressupportvector machines,LS-SVM)和偏最小二乘法(partial least squares,PLS)建立表达醋醅均匀性参数的快速预测模型,研究表明,利用HS-IT快速预测醋醅均匀性是可行的。

本研究拟对灵武枣醋液态发酵中总酸含量及pH值进行快速无损分析,采用竞争性自适应加权算法(competitive adaptivereweightedsampling,CARS)及遗传算法(GA)对整个谱区进行光谱波长筛选,比较分析这两种光谱波长筛选方法对枣醋pH值及总酸含量预测模型的影响,优选光谱波长筛选法,并在此基础上建立枣醋pH值及总酸含量的最优模型,以期实现HS-IT对枣醋pH值及总酸含量的快速预测。

1 材料与方法

1.1 材料与试剂

灵武长枣(干枣):市售;果胶酶(5万U/g):安琪酵母股份有限公司;酿酒酵母(Saccharomyces cerevisiae):宁夏大学生物实验室保藏;醋酸菌(Acetobacter):河南雅大股份有限公司;白砂糖、柠檬酸、氢氧化钠、酚酞等均为国产分析纯。

1.2 仪器与设备

JYL-C022榨汁机:九阳股份有限公司;101-5A阿贝折光仪:德州润兴实验仪器有限公司杭州绿博仪器有限公司;LRH-1SOB生化培养箱:杭州绿博仪器有限公司;DZKW-S-6水浴锅:北京市永光明医疗仪器厂;PH211C pH计:北京哈纳科仪科技有限公司;YXQ-SG46-280S高压灭菌锅:西化仪(北京)科技有限公司。ImspectorN17E图像光谱仪:芬兰奥卢光谱图像有限公司;HSIA-LS-TDIF卤钨灯线光源(35W):北京卓立汉光仪器有限公司。

1.3 方法

1.3.1 枣醋发酵工艺流程及操作要点

原料处理:选取干净均匀无腐烂的干枣,切块、去核、洗净后初步粉碎,加入一定比例的水,使得水料比为1∶5(mL∶g),添加0.1%果胶酶,50℃浸提2 h使其溶出物尽可能溶出,打浆成均匀的枣汁,用纱布过滤取得滤液备用。

调糖调酸:检测枣汁的糖度、可溶性固形物含量,用白砂糖调整糖度至15°Bx,用柠檬酸调pH值为3.5。

杀菌处理:在进行发酵之前,放入高压锅内进行121℃高温杀菌15 min。

酒精发酵:将备用的枣汁冷却至室温,接入0.2%已活化(35℃活化培养40 min)的液体酵母菌,于28℃密闭发酵瓶中发酵,同时每天检测其发酵液的pH值和总酸含量。

醋酸发酵:以10%的接种比例在酒精发酵液中接入已活化的醋酸菌培养液,在40℃条件下进行醋酸发酵,同时每天测其发酵液pH值和总酸含量。当发酵液酸度不再上升时结束发酵,然后于80℃灭菌20 min。

静置:将灭菌后的枣醋静置,使枣醋变得澄清,取上清液进行检测。

1.3.2 枣醋发酵液检测方法

采用高光谱图像技术对枣醋发酵液样品进行检测,每天取50mL发酵液样品,加入50mL测量池中,进行图像校正后,放到载物台上进行测量,将得到的图像进行处理,得到数据后进行模型建立。实验采用波段范围为400～1000nm,共有256个波段,像素为320×300 ppi。

总酸含量和pH值的测定:参考GB 18187—2000《酿造食醋》中的方法对枣醋的总酸含量(以醋酸计(g/L))、pH值进行测定[13]。

1.3.3 发酵液检测图像的校正

由于在不同的波段下光源强度分布不均匀以及箱体中暗电流的存在,导致在光源强度弱的波段下的图像含有较大的噪音,对数据处理带来了冗余的信息。所以,需要对捕获的高光谱图像进行标定[14]。首先进行白板校正得到全白的标定图像W,然后盖上相机镜头盖进行图像采集得到全黑的标定图像D,然后按照下式[15]对原始图像进行标定:

式中:R是校正后的漫反射光谱图像;R0是样本原始的漫反射光谱图像;W是白板的漫反射图像;D是暗图像。

1.3.4 光谱处理

为了消除或减小无关信息、光、噪声等对数据分析产生的影响,提高模型的适用性,实验前进行预处理,将实验室的灯、噪音仪器等暂时关闭[16]。为了剔除无效波长,简化模型简析难度,提升模型稳定性和预测精度,本实验分别采用CARS和GA对全光谱125个波长进行优化选择,同时采用PLS法建立模型。设定GA-PLS优化参量:初始群体为30,交叉概率为0.5,变异概率为0.01,遗传迭代次数为100。选取决定系数(R2)、预测均方根偏差(root meet standard error of prediction,RMSEP)、相对分析误差(relative percent deviation,RPD)以及最佳因子数来评价模型稳定性与预测能力[17]。R2越接近1,同时RPD＞3时,则表明建立的模型效果越好[18]。

1.3.5 数据处理与分析方法

在随机保留30个枣醋发酵液样本作为独立测试集的基础上,采用Kennard-Stone(K-S)法[19]将80个样品数据进行校正集和验证集的划分处理。选择校正集样本120个,验证集样本60个。

CARS、GA等程序通过软件MATLAB分析完成,偏最小二乘计算应用Unscrambler X10.3光谱分析软件实现,利用ENVI4.6软件选择合适的感兴趣区域,提取平均光谱值。

2 结果与分析

2.1 数据统计结果

表1 校正集与验证集统计结果Table 1 Statistical results of calibration set and validation set

由表1可知,样本数据进行处理后得到标准差的验证集数据均处于校正集范围内,表明数据筛选剔除了无效波点波长,简化了模型简析难度,提升了模型的稳定性和预测精度。

2.2 光谱波段优选

2.2.1 竞争性自适应加权算法优选特征波长

CARS在进行波长筛选时,保留回归系数绝对值大的波长,剔除回归系数绝对值小的波长,重复运行筛选出最佳波长子集[20]。使用MATLAB软件分析数据,使用CARS法进行波长筛选,优选特征波长。结果如图1所示。由图1(a)可知,pH值和总酸的波长个数均随着运行次数增加而减少,且呈现先快速减少后逐渐平缓的变化规律,反映了CARS的先“粗选”和后“精选”的优化过程。由图1(b)可知,pH值和总酸的交叉验证均方根(RMSECV)值均随着运行次数的增加先减少后增大。表明筛选之初,过程剔除了与样本性质无关的波长,使RMSECV减少;随着运行次数的进一步增大,可能剔除了关键波长,从而使RMSECV增大。由图1(c)可知,与*相对的点为RMSECV的最低点,pH值的最低RMSECV值为0.1302,总酸的最低RMSECV值为0.3093。经CARS法筛选所得pH值和总酸的波长数分别为14、15个,仅占全光谱的11.2%、12.0%(高光谱中波长共125个),可有效降低模型的复杂程度,增大运算速度,提高预测效率。

图1 CARS法关键波长选择结果Fig.1 Selection results of key wavelength by CARS method

2.2.2 遗传偏最小二乘波段选择法优选特征波长

GA是基于生物进化论,模拟自然界进化机制的一种优化算法,通过选择频率最高的波点建模来挑选特征波长[21]。使用软件MATLAB分析数据,使用GA法进行波长筛选,优选特征波段。pH值、总酸含量通过GA法筛选后的各波长选用的频次图结果见图2。由图2可知,以pH值筛选出的频率＞7的波点波长数为23个;以总酸筛选出的频率＞7的波点波长数为34个,分别占全光谱的18.4%、27.2%,可有效降低模型的复杂程度,增大运算速度,提高预测效率。

图2 pH值(a)和总酸含量(b)通过GA法筛选各波长选用的频次图Fig.2 Frequency diagram of each wavelength selection of pH(a)and total acid content(b)by GA method

2.3 模型建立与评价

基于上述CARS、GA两种方法的筛选,分别建立枣醋中pH值和总酸含量的全光谱-PLS、CARS-PLS、GA-PLS定量分析模型并对模型的决定系数(R2)、预测均方根偏差(RMSEP)、相对分析误差(RPD)以及最佳主因子数进行比较,分析CARS法、GA法对预测模型精度的影响,评价建模效果,模型优化结果如表2所示。

表2 pH和总酸的不同模型及性能评价结果Table 2 Results of different models and performance evaluation of pH and total acid

由表2可知,与全光谱-PLS模型相比,采用CARS、GA两种方法进行波长筛选后,建立的CARS-PLS、GA-PLS模型所用波长数均有不同程度的减少,R2增加,接近1的同时RMSEP和最佳主因子数相对降低,RPD相对增大,且RPD＞3时,表明筛选波点模型预测效果均优于全光谱-PLS模型。CARS和GA在剔除无信息波长的同时,淘汰了光谱中共线性波长及受外界因素影响较大的波长,优选出最能表征目标信息的关键性波点,极大地减少了波长数,有效地降低了模型复杂程度,提高了模型预测效率。CARS、GA两种方法相比之下,GA涉及的波点波长数较多,而CARS筛选所得特征波点波长更少,建模的计算效率得到极大提升的同时不失参数代表性,模型效果略优。采用CARS法筛选波点后所建立的枣醋发酵液中pH值和总酸的CARS-PLS定量分析模型所用的波长数最少,建模效果最佳,R2分别达到0.928 4和0.935 1,RMSEP值分别为0.122 6和0.301 5,RPD为3.75和3.91,最佳主因子数分别为7个和8个,模型的适应性、拟合程度和预测能力最为理想。

2.4 模型验证

利用独立样本测试集中30个样本的实验数据对CARSPLS模型进行验证,结果如图3A、图3B所示。由图3可知,pH值、总酸含量的实测值与模型预测值基本分布在对角线两侧,且经过成对t检验,pH值、总酸含量的实测值与预测值无显著差异。说明模型的预测精度较高,基于HT-IS的枣醋发酵液的pH值、总酸的定量分析是可行的。

图3 pH值(A)和总酸含量(B)的CARS模型实测值与预测值分布Fig.3 Distribution of measured value and predictive value of pH(A)and total acid content(B)by CARS model

3 结论

本研究分别采用竞争性自适应加权算法(CARS)、遗传算法(GA)对光谱特征波点进行筛选,并结合偏最小二乘法(PLS),分别建立了枣醋发酵液中pH值和总酸的CARS-PLS定量分析模型。以筛选后的数据波点,建立的模型其质量均有所优化。波点筛选是优化模型的有效措施,不仅极大的减少了建模波长数,简化了建模的复杂程度,同时大幅提升了模型的稳定性和预测能力。采用CARS法进行波段筛选后所建模型的效果优于GA法,在保留pH值和总酸含量特征波点的同时剔除了大量冗余无效信息,在保证模型准确度和稳定性的基础上,提高了模型预测效率。pH值和总酸的CARS-PLS定量分析模型R2分别达到0.928 4和0.935 1,RMSEP值分别为0.122 6和0.301 5,RPD为3.75和3.91,表明高光谱图像检测技术可实现枣醋发酵液中pH值和总酸含量的快速、实时、准确检测。

[1]徐爽.基于高光谱图像技术的红枣品质无损检测研究[D].银川:宁夏大学,2013.

[2]杨小波,贺晓光,方海田.灵武长枣醋加工工艺的研究[J].中国酿造,2011,30(2):169-172.

[3]杨博.宁夏特色农业产业化研究[D].北京:中央民族大学,2011.

[4]张战国.食醋功能特性的研究与分析比较[D].杨凌:西北农林科技大学,2009.

[5]化志秀.枣醋加工工艺及性能比较研究[D].杨凌:西北农林科技大学,2013.

[6]吴龙国,王松磊,康宁波,等.基于高光谱成像技术的灵武长枣缺陷识别[J].农业工程学报,2015,31(20):281-286.

[8]石吉勇.基于高光谱图像技术的设施栽培作物营养元素亏缺诊断研究[D].镇江:江苏大学,2012.

[9]朱瑶迪,邹小波,石吉勇,等.高光谱图像技术快速预测发酵醋醅总酸分布[J].农业工程学报,2014,30(16):320-327.

[10]申婷婷.高光谱图像技术检测镇江香醋醋醅理化参数分布研究[D].镇江:江苏大学,2016.

[11]邹小波,申婷婷,朱瑶迪,等.基于高光谱图像的香醋醋醅均匀性快速判别[J].农业机械学报,2016,47(1):215-220.

[12]洪添胜,李震,吴春胤,等.高光谱图像技术在水果品质无损检测中的应用[J].农业工程学报,2007,11(23):280-285.

[13]宁正祥.食品成分分析手册[M].北京:中国轻工业出版社,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]刘文涛.基于高光谱成像技术的苹果品质无损检测研究[D].保定:河北农业大学,2015.

[17]褚小立.化学计量学方法与分子光谱分析技术[M].北京:化学工业出版社,2011:4.

[18]严衍禄,陈斌,朱大洲.近红外光谱分析的原理、技术与应用[M].北京:中国轻工业出版社,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,黄文倩,等.应用CARS和SPA算法对草莓SSC含量NIR光谱预测模型中波长及样本筛选[J].光谱学与光谱分析,2015,35(2):372-378.

[21]张初,刘飞,孔汝汝.利用近红外高光谱图像技术快速鉴别西瓜种子品种[J].农业工程学报,2013,29(20):270-277.