蒸制大麻哈鱼水分含量的近红外快速定量检测

(哈尔滨商业大学 旅游烹饪学院，哈尔滨 150076)

大麻哈鱼为黑龙江省著名的特色水产品，是一种河海洄游性鱼类，在海洋里生活三、四年后，为了繁殖后代，每年秋季，它们会成群结队千里迢迢从太平洋北部向出生地黑龙江、乌苏里江和松花江洄游进行产卵、繁殖[1]。大麻哈鱼肉嫩味鲜，质地细腻，鲜香软糯，蛋白质含量高达14.9%～17.5%，脂肪为8.7%～17.8%，水分为61.4%[2]。然而大麻哈鱼的加工利用程度特别是精深加工程度很低，其加工基本上以冷冻加工为主，其他形式的加工产品较少，富有中式特色的产品很少。具有中式特色的大麻哈鱼类菜肴通常出现在餐馆或食堂，并且对其品质的控制手段依然停留在厨师的感官经验，尚未形成标准化的品质评价标准和快速检测手段。因此，中式大麻哈鱼类菜肴形成标准、快速的品质评价方法已迫在眉睫。

肉品的品质特别是其嫩度的大小与其水分含量的高低密切相关。然而由于水分含量的一般检测方法采用将样品直接干燥的方式，因而检测起来耗时、耗力、耗能，因此对于中式烹饪菜肴样品来说，其测定受场地、仪器、时间、人力等限制，而且测定也对样品具有不可逆的破坏性，在实际生产中实施起来存在相当大的困难，因此需要建立一种能够实现对中式烹饪菜肴水分含量快速、无损、低耗的检测方法。

近红外光谱仪具有检测快、价格低廉、非破坏性、可在线分析等诸多优点，近年来多用于肉类标准化的快速检测。其方法通常通过扫描未知水分含量的肉样近红外光谱图，再套用具体的科学模型，即可得到水分含量的预测值，测定过程安全、快速、无损、环保、低耗且预测值准确可靠[3-9]，能够满足标准、快速地检测中式大麻哈鱼类菜肴水分含量的需要。

目前国内外学者利用NIR研究水产品多数为新鲜鱼肉成分的检测，例如对新鲜鱼类的脂肪、水分和蛋白质[10，11]和一些特殊成分(如色素、二甲胺、甲醛、胶原蛋白等[12-15])含量的定量测定，此外也有对鱼类新鲜度和种类的定性测定[16，17]。再者是对鱼糜和鱼丸制品的研究，例如新鲜鱼糜的水分、蛋白质、脂肪含量[18-21]的定量检测，鱼丸类制品的水分、淀粉含量的定量检测[22]。此外，还有少部分对于新鲜鱼类品种的检测[23]。但是对熟制鱼类产品的应用还较少，且鱼类种类也较为单一，对于我国特产的大麻哈鱼的应用更是少之又少，而尚未见针对熟制大麻哈鱼的相应品质的测定。因此，本研究应用近红外光谱分析技术快速、无损、低耗的特点，建立一种对蒸制大麻哈鱼水分含量检测的新型手段，并为中式大麻哈鱼类菜肴的形成标准、快速的品质评价方法提供一定的理论依据，以期应用在实际生产中。

1 材料与方法

1.1 材料

实验所用的大麻哈鱼肉产于黑龙江省抚远市，购买于哈尔滨市家乐福超市，采样部位均为大麻哈鱼大腹肉。

1.2 实验仪器与设备

ANTARIS Ⅱ近红外光谱仪 Thermo Fisher科技有限公司；DHG/50Hz鼓风干燥箱 昆山一恒仪器有限公司；JD200-3电子天平 沈阳天平仪器有限公司；GD-ZFG蒸箱 中国格盾有限公司。

1.3 实验方法

1.3.1 大麻哈鱼样品的制备

取出所购买的大麻哈鱼鱼腹肉，清洗，将其切成2 cm×2 cm，15 g的小方块，共制成120个样品。分成6组，每组20个样品，放入蒸箱蒸制，根据预实验结果，设定蒸制时间为5～10 min，此时大麻哈鱼肉中心温度>74 ℃，可以保证大麻哈鱼肉蒸制成熟，冷却待测。

1.3.2 水分含量传统测定方法

参照GB 5009.3-2010的直接干燥法[5]。

1.3.3 光谱采集、建模及模型评价

首先采用近红外光谱分析仪随机采集120组具有代表性的大麻哈鱼肉样品的NIR光谱；采用1.3.2方法测定大麻哈鱼肉样本中要预测的水分含量；用化学计量学分析软件对大麻哈鱼肉样本原始光谱进行预处理，剔除异常样本，并建立大麻哈鱼肉样本内部成分近红外光谱定量模型；用建立好的大麻哈鱼肉样本水分含量定量模型对未知大麻哈鱼肉样品进行预测分析。

光谱采集：将1.3.1制备好的鱼肉样本均匀放置于红外光谱仪的样品积分球上，并确保积分球被肉样完全覆盖。之后按如下条件采集光谱：波数范围4000～9000 cm-1，扫描次数64次。在大麻哈鱼肉5～10 min的蒸制时间范围内，每1 min设置20组样品，共计120组样品。每组样品平均3次进行，并进行平均光谱处理。

建模方法：采用TQ Analyst软件进行光谱分析，建模利用PLS法(Partial Least Squares，偏最小二乘法)进行。

模型评价方法：采用验证集样品对最终模型进行外部验证，并以校正误差均方根(RMSEC)、预测误差均方根(RMSEP)、Rc(RMSEC对应的相关系数)、Rv(RMSEP对应的相关系数)值作为模型性能的评价指标。

1.3.4 数据分析

由于大麻哈鱼肉基质及其成分复杂，在其NIR光谱中，多种化学成分或基团吸收峰相互叠加，很难直接建立二者的相互关系，因此需利用传统的检测手段测定水分含量，再与其NIR光谱信息进行一一对应，进而得到相应的数学关系模型。

1.3.4.1 校正集和验证集的划分

基于光谱变量的选择方法，采用Kennard-Stone(KS)法，即根据约4∶1的比例将样品划分为96个校正集和24个验证集。

1.3.4.2 光谱建模区间选择

分别采用全光谱区间(4000～10000 cm-1)以及TQ软件所建议优化的区间(6614.64～8735.95 cm-1)建立样品的PLS模型，按照1.3.3方法对模型进行评价，选出最佳的建模区间。

1.3.4.3 光谱预处理方法

光谱采集过程中，由于客观因素产生的系统误差将影响NIR定量分析模型的信息，例如样品不均匀或受污染、样品受到其他组分的干扰、光谱采集不准确、光谱范围的选择不正确、光谱噪音大等而产生误差，因此最终模型确定前，要不断地进行优化处理原始光谱。本研究采用S-G平滑、N-D平滑、MSC、SNV、一至二阶导数及对数化处理方式，对原始光谱进行全面的预处理，最终建立最佳的PLS模型。

1.3.4.4 光谱异常样本的剔除方法

采用马氏距离相似性判别(Discriminant Analysis)判别样品类别的匹配程度并剔除异常样本，利用杠杆值与学生残差t检验和内部交互验证均方根法(RMSECV)剔除异常样本。

2 结果与分析

2.1 近红外光谱采集

蒸制大麻哈鱼中的含氢基团会随着近红外光线的照射而不断地随之振动，进而吸收能量，产生吸收带。而根据吸收带的信息(如吸收带位置、吸收波长和强度等)，可以了解相应分子的结构特点，反映大麻哈鱼的化学物质信息。蒸制大麻哈鱼原始近红外光谱图见图1。

图1 蒸制大麻哈鱼近红外原始光谱图Fig.1 Near infrared original spectrogram of steamed Oncorhynchus keta

由图1可知，在5000，6600，8500 nm波长下，可以明显观察到光谱吸收峰；此外，在4500 nm时光谱噪音较大；波长>8000 nm时光谱走向趋向平缓。总体而言，不同样品间的光谱走势大致相同，无法直接提取特征信息，因此需对原始光谱进行进一步处理。

2.2 光谱区间的选择

以Rc、Rv、RMSEC、RMSEP为指标比较全光谱与TQ软件建议光谱区间的建模结果，选择建模最适光谱区间。其中RMSEC值和RMSEP值越小，表明模型误差越小；Rc和Rv值越大，模型相关性越好。误差越小，线性越好，则所建模型良好。原始光谱分别在全光谱和软件建议光谱区间的建模图见图2和图3，图中左上角为不同建模区间Rc、Rv、RMSEC、RMSEP值。

图2 原始光谱在全光谱区间PLS建模结果Fig.2 PLS modeling result of original spectrum in full spectrum range

图3 原始光谱在建议光谱区间PLS建模结果Fig.3 PLS modeling result of original spectrum in suggested spectrum range

由图2和图3可知，相比于全光谱区间，原始光谱在建议光谱区间建模的Rc、Rv值较大，RMSEC、RMSEP值较小，说明原始光谱建模效果较佳，这可能是因为TQ建议光谱区间范围较窄，不如全光谱区间包含的信息全面，失去部分有效信息。因此，建模区间选择4000～10000 cm-1全光谱区间。

2.3 光谱预处理

2.3.1 不同预处理方法得到的PLS模型

采用S-G平滑、N-D平滑、MSC、标准正态变化(SNV)、一至二阶导数及对数化处理方式，对原始光谱进行全面的预处理，并分别建立相应的PLS模型。不同预处理方法对PLS模型各指标及模型建议主因子数的影响见表1。

表1 不同预处理方式对蒸制大麻哈鱼水分含量模型各参数的影响Table 1 Effects of different pretreatment methods on parameters of water content model of steamed Oncorhynchus keta

S-G和N-D平滑的主要计算方法是利用S-G或N-D函数运算，对数据进行拟合，对光谱进行多点处理，并采用数字滤波函数对拟合函数进行卷积平滑处理[24]。由表1可知，经S-G平滑后，各评价指标均小于原始光谱；经N-D平滑后，虽然Rc、RMSEC、RMSEP值会有所优化，但Rv却小于原始光谱，说明平滑处理优化模型效果较差，这可能是平滑处理会误删部分有效信息导致的。

MSC(多元散射校正)通常是假定样品收集的散射信号与化学吸收信号进行分离时在整个波长范围内的散射信号的散射系数是同一个，其优点是收集的光谱信息不会被散射影响，可有效提高肉样组成成分包含的信息[25]。由表1可知，经过SNV处理后误差减小，相关系数增加。

SNV(标准正态变化)，其与MSC原理相似，但算法略有不同，SNV是以每条谱线在各个波长位置都有一定的数学分布(如正态分布)为前提，然后进一步校正谱线，将平均谱线认定为标准的理想谱线，再进行正态标准化[26]。

由表1可知，经过SNV处理后，与原始光谱相比，其RMSECV值大大减小，相关系数Rc大大增加，但其RMSEP值和Rv值与其他各组相比优化程度相对较小，因此还需结合其他模型处理方式进行进一步探讨。

经求导变换和对数化处理后，可消除基线漂移、背景干扰并忽略谱线重叠，使得光谱分辨率和清晰度均有所提高[27]。由表1可知，相比于原始光谱，经对数化处理后，Rc有所提高，其余参数下降；经二阶导数处理，RMSEC值减小，Rc增大，但RMSEP及Rv值则远不如其，这可能是因为导数处理后虽分辨率增加但同时增大噪声，引起拟合过度，致使模型预测误差增大。

2.3.2 Press值对PLS模型因子个数选取的影响

Press值能决定模型因子个数的选取。在进行定量回归时，PLS模型因子个数的多少直接影响模型的效果，当因子个数较小时造成光谱模型误差较大，模型不适宜应用。当因子个数过多时，可能增添噪声，使模型拟合过度，即无法适用于预测检测样品，即使模型的参数可能较好，但在测试其他样品时误差较大。所以，恰当的主因子数是良好模型建立的必要条件，在保证模型评价参数俱佳的前提下，应尽可能地选择较小的主因子数，进而减小迭代次数，提高分析效率[28]。由表1可知，虽然经SNV预处理的光谱Rc值高于其他建模方法，但其Rv值较低且建模主因子数达到最大值10，因此不建议采用；而相比于原始光谱，一阶导数预处理后更优，仅多1个主因子数，因而选择一阶导数预处理方式。

图4 一阶导数PRESS图Fig.4 PRESS graph of first derivative

由图4可知，当主因子数<7时，随主因子数的增加，RMSECV不断减小；而当主因子数为7～10时，RMSECV随主因子数的变化幅度较小，且此时RMSEC值也几乎不变(数据未显示)，因此模型主因子数选择7。

2.4 异常样本的剔除

2.4.1 马氏距离排序剔除

在多元统计的判别分析中，会经常采用马氏距离(Mahalanobis Distance)，来判别样本点的类别归属。根据马氏距离可通过计算样本间的协方差距离进而分析二者间的相似度，即将每个样本与计算得出的平均光谱之间的距离进行比对，标记异常样本用于剔除[29]。利用TQ软件的Specture Outliner功能，对样本马氏距离进行排序，见图5。

图5 样本马氏距离排序图Fig.5 Sample Mahalanobis distance sorting graph

由图5可知，最右侧线与平均光谱差异最大、距离最远，显示为y值最大，因此将此异常样本剔除。将异常样本剔除后，再次进行建模。剔除异常样本(第33号样本)后得到的一阶导数PLS模型见图6。

图6 马氏处理后的PLS模型图Fig.6 PLS model diagram after Markov processing

由图6可知，剔除异常样本后模型的RMSEC变小，且相关系数增加。

2.4.2 杠杆值与学生残差t检验

各样本可通过杠杆值分析其对模型不同的影响程度，进而鉴别出异常样本。而根据杠杆值和校正集的均方根残差的结果则可计算得到各样本的学生残差值，进而进一步筛选样本[30]。杠杆值与学生残差处理的鱼肉样光谱数据图见图7。

图7 杠杆值与学生残差处理鱼肉样光谱数据Fig.7 Lever values and student residual processing spectral data of fish samples

由图7可知，有2个较偏离的点，分别为44和97，所以判定为异常样本，将此2个异常样本剔除后，再次建模。杠杆法剔除异常样本后的模型见图8。

图8 杠杆法剔除异常样本后的PLS模型Fig.8 PLS model after eliminating abnormal samples with leverage method

由图8可知，剔除异常样本后模型的RMSEP变小，且相关系数增加。

2.5 模型的验证试验

将传统法测得的水分含量(即真实值)与模型预测水分含量(即理论值)比较，可计算模型的误差率，验证其准确性。

随机10个样本的模型理论值与真实值对照表见表2。

表2 蒸制大麻哈鱼近红外光谱水分含量测定理论值与真实值对照表Table 2 Contrast table between theoretical values and real values of water content determination of steamedOncorhynchus keta by near infrared spectroscopy %

由表2可知，所得模型与直接干燥法测定的水分含量相比，其误差率为0.1%～0.3%，正确率达97.0%(P<0.05)，误差率较小，准确度较高。综上所述，模型评价参数值(见图8)分别为Rc：0.9682；Rv：0.9850；RMSEC：0.00508；RMSEP：0.00426，模型参数值较好，能满足蒸制大麻哈鱼水分含量的分析要求。说明所建立的模型较为准确，可应用于蒸制大麻哈鱼肉水分含量的无损、快速检测。

3 结论

本研究选取蒸制大麻哈鱼作为样本集与校正集，采用近红外光谱仪在4000～10000 cm-1波长内采集鱼肉块样品近红外光谱，并利用化学法测定其水分含量，并与光谱对应，建立偏最小二乘模型。经全面的光谱预处理、筛选适宜的主因子数并反复多种方式剔除异常样本后，得到最优模型。结果显示所构建的检测蒸制大麻哈鱼水分含量模型的校正均方差值为0.00508，相关系数值为0.9682，预测结果正确率大于97.0%(P<0.05)，能够实现对未知蒸制大麻哈鱼水分含量的准确预测，达到快速、无损检测的目的。