营养成分检测与NIR预测模型构建

刘菁 高英 李倩

摘 要：针对乳制品缺乏全面系统的营养素成分检测数据，本研究应用成分检测与近红外（NIR）光谱建立了乳制品营养素快速检测模型。首先，通过台式和便携式两种NIR扫描仪获取乳样成分中营养素的NIR光谱。然后利用化学计量学软件选取适合的NIR片段，并通过NIR光谱导数、MSC、SNV等转换手段对选取片段进行了预处理。最后，建立了乳制品营养素的NIR光谱预测模型，确定了模型的参数，并通过实验验证了模型的有效性。结果表明，台式NIR光谱仪建立的模型优于微型NIR光谱仪建立的模型;马奶、牛奶、山羊奶的营养素通用模型预测精准度不高，有必要分别建立专用模型;PH对预测模型具有一定程度的影响。

关键词：乳制品成分检测;营养素;近红外光谱;NIR预测模型

中图分类号：TS252.7                         文献标识码：A                       文章编号：1001-5922（2021）07-0101-04

Nutrient Component detection and NIR Prediction Model Construction

Liu Jing， Gao Ying， Li Qian

（Institute of Clinical Nutrition， people s Hospital of Xinjiang Autonomous Region， Urumqi 830000， China）

Abstract：In view of the lack of comprehensive and systematic detection data of nutrients in dairy products， this study applied component detection and near-infrared （NIR） spectroscopy to establish a rapid nutrient detection model for dairy products. First，a rapid detection model was established by near infrared （NIR） spectroscopy. The NIR spectra of nutrients in milk samples were obtained by two NIR scanners， desktop and portable. Then the suitable NIR segments were selected by chemometrics software， and the selected fragments were pretreated by NIR spectral derivative， MSC， SNV and other conversion methods. Finally， the NIR spectrum prediction model of milk nutrients was established， and the parameters of the model were determined， and the effectiveness of the model was verified through experiments. The results showed that the model established by desktop NIR spectrometer was better than that established by micro NIR spectrometer; the accuracy of general nutrient model for horse milk， milk and goat milk was not high， so it was necessary to establish special models respectively; pH had certain influence on nutrient prediction model.

Key words：dairy ingredients detection; nutrients; near infrared spectroscopy; NIR prediction model

隨着国内生活水平的快速提高，人们对食物的营养成分要求越发严格，既要求营养均衡，同时又要求营养丰富。乳制品作为日常生活不可或缺的食物之一，其营养成分更是备受关注。近年来，针对乳制品鲜牛奶、酸牛奶的营养成分分析的检测研究成果较多，如娄文琦、罗汉鹏等人对牛奶的中红外光谱相关指标及遗传规律进行了研究[1]，剧柠、胡婕研究了光谱技术在乳及乳制品的应用进展[2]。虽然这些研究在一定程度上对牛奶等常见乳制品成分进行了有效检测，但对于马奶、山羊奶及其奶制品的成分研究较少。因此，为建立马奶、山羊奶及乳制品营养成分预测模型，本研究应用成分检测与NIR预测模型，构建了马奶营养素NIR预测模型，重点对乳制品中的营养素含量进行了预测。

1 材料与方法

1.1 实验材料

1.1.1 乳样来源

研究乳样选自2019秋季内蒙古锡林浩特马奶饮料厂采集到鲜马奶72份和酸马奶28份，采集荷斯坦牛奶50份和内蒙山羊奶30份作为对比研究。其中，鲜牛奶包括马奶厂早中晚产出的鲜奶，具有个体变异代表性;酸马奶来自混合酸马奶样品，具有马群代表性。乳样采集后立即采用液氮冷却并放入零下18℃的冷冻柜进行保藏。

1.1.2 实验试剂

本研究实验用试剂均选自国药集团化学试剂有限公司生产分析纯试剂。具体试剂包括盐酸、硫酸、硼酸、氢氧化钠、甲基红、溴甲酚绿、无水碳酸钠、国家标准物质奶粉。

1.1.3 仪器设备

本研究实验所用的仪器设备包括由武汉亚华电炉有限公司生产的马弗炉、福普森科技有限公司生产的真空抽干箱、海能全自动凯式定氮仪、博科乳脂剂离心机、塞多利斯万分之一天平、PE有限责任公司生产的傅里叶变换近红外、Viavo MincroNIR生产的微型便携式NIR，以及上海博讯事业有限公司医疗设备厂生产的鼓风干燥箱。

1.2 研究方法

乳样中常规营养素包括蛋白质、乳脂肪、乳糖、水分、灰分。其中，蛋白质按照凯式定氮法测定，水分按照GB5009.3-2016测定，脂肪按照盖博法测定，乳糖按照莱茵-埃农氏法测定，灰分按照GB5009.4-2016测定。测定时，每个指标测定3次并附带质控物质。同时为保证测定值的准确性，需要对异常值进行复检。测定得到的数值为NIR建模中的化学值。

2 实验过程

2.1 数据获取与整理

本研究将测定得到的营养素数据利用Microsoft Excel2019进行录入，通过SPSS对数据进行整理以及统计分析。

2.2 NIR光谱扫描

温度会影响食物NIR光谱的吸收和反射，因此通常情况下，NIR光谱扫描在室温或50℃的环境中进行。通过比较50℃和25℃下NIR乳样扫描，发现乳样的聚类特性没有发生本质改变，故本研究选择在25℃下，采用一台实验室用台式NIR光谱仪和一台微型便携式NIR光谱仪进行NIR光谱对比建模研究，并利用PE傅里叶变换近红外光谱仪漫投射扫描乳样，获得NIR光谱。

InGaAs以50W的卤素灯作为光源，其光谱分辨率为8cm-1，扫描波谱范围为4000nm～12000nm，扫描次数为16次，即每条近红外光谱含4000个数据点。对每个乳样样品平行扫描3次，不同时间扫描2次，使每次扫描每个乳样获得6个光谱。

Viavo Mincro NIR近红外光谱仪检测器为S1-00723。其扫描波谱范围为900cm-1～1675cm-1，扫描次数为50次，每条可获取125个数据点。

2.3 光谱预处理

（1）光谱区间选取。采用Unscrambler X10.5选取采集到的NIR光谱片段，通过导数、多元散射矫正等方法对选取的NIR光谱片段进行预处理。采用最小二乘法对校正后的乳样营养素测定值和预处理后的NIR光谱进行回归校正，并建立预测模型。然后根据内部交叉验证的均方差选择最佳模型。最后，利用相对分析误差评价模型。

（2）确定光谱建模和优化方式。通过实验分析，PE台式NIR光谱仪获得的光谱没有达到理想效果，故采用全光谱建模和优化;Viavo Mincro NIR光谱仪仅获得较少的数据点，故同样选取全光谱建模和优化。

（3）光谱预处理模块。本研究实验选用直接差分法对光谱进行求导，以提高光谱的分辨率，实现对光谱基线的校正。

（4）光谱预处理方式选择。本研究使用SNV、MSC、一阶导数和二阶导数对PE台式NIR光谱仪和Viavo Mincro NIR光谱仪采集到的NIR光谱进行预处理。

2.4 模型建立与优化

在对鲜马奶和酸马奶NIR光谱预处理中，发现两者的光谱特征差异较大，因此为使研究结果更加精准，本研究不仅建立了马奶通用模型，同时对鲜马奶和酸马奶分别建立了专用模型，并对专用模型进行了优化和评价。

随机选择80%乳样作为建模样本集，剩余20%乳样作为验证测试集。针对上述3种模型，分别建立乳样常规营养素快速检测模型。

（1）3种家畜乳通用模型建立和评价。结合马奶专用模型的建立和评价，建立了马奶、牛奶、山羊奶3种家畜乳通用NIR模型，且该模型适用于各种动物乳的快速测定。

（2）马奶通用模型、鲜马奶和酸马奶模型优化和评价。通过比较马奶专用模型和通用模型，可选择其中之一模型作为最优模型，然后对最优模型的预测能力进行评判。

（3）马奶PH值对模型的影响。由于马奶多以酸马奶形式出售，故PH值也会对NIR光谱产生一定的影响，进而对模型的建立产生一定的影响。

3 结果与分析

3.1 3种家畜乳通用NIR模型参数

马奶成分与牛奶、山羊奶大有不同，故其红外光谱特征也不同。因此，建立马奶营养素的通用NIR预测模型十分必要。而根据PLS基本方法与评定参数指标，得到3种家畜乳通用模型及最终优化参数如表1所示。

由表1可知，模型的R2均大于0.9，RMSECV结果较为理想，说明该模型可用于实际检测;模型的RPD值只有乳糖和水分大于3，而其余常规营养素的RPD值均小于2.5，说明该模型需要继续优化。

3.2 马奶NIR专用模型

3.2.1 马奶常规营养素正态性检验

马奶常规营养素正态性检验结果显示，蛋白质、水分和灰分的p-p检验值均在[-0.5，0.5]之间，符合正态分布，说明该模型可用于实际模型构建;乳糖的p-p检验值在[-0.1，0.1]之间，呈偏态分布，其原因在于鲜马奶和酸马奶中的乳糖含量具有明显的差异，将二者样本建立通用模型可能得不到最优预测结果，因此需要对二者分别建立营养素预测模型;脂肪的化学值分布p-p检验值均在[-0.08，0.04]之间，接近正态性分布，或将获得理想模型。

3.2.2 马奶通用模型优化结果

台式NIR光谱仪马奶通用模型最优参数选择如表2所示。

其中，主因子為10，采用二阶导数对蛋白质、脂肪、乳糖、灰分进行光谱预处理;采用SNV+二阶导数对水分进行光谱预处理，其原因在于水分子会受其他营养素光谱漫反射影响，因此需要利用SNV消除这种散射影响。由表可知，通用模型的R2和RPD的值均满足预测模型的精度要求，分别大于0.94和3，由此可见模型的预测能力最优。

确定模型最佳参数后对模型进行外部验证，得到外部验证参数如表3所示。

由表3可知，模型的R值均大于0.9，RSD值均小于10%，P值均大于0.05，说明该模型可直接用于实际预测。

3.2.3 马奶PH对模型预测影响

应用PCA对模型预测结果进行聚类分析，结果显示如图1所示。

当主因子为5时，鲜马奶和酸马奶的聚类明显分为两类，说明PH对马奶的营养素预测模型具有一定的影响，还需对PH对模型的影响程度进行更深层次的探究。另外，结合乳糖的化学值呈偏态分布可知，该通用模型不适用于乳糖含量预测，应重新单独建模。

为进一步评价PH对模型的影响程度，本研究利用待收集的乳样进行了研究优化，对所有乳样分别建立了营养素预测模型，结果如表4所示。

由表4可知，所有马奶、鲜马奶、酸马奶的模型参数变得更好;酸马奶的RMSECV和RPD值均优于鲜马奶，说明PH对营养素预测模型具有一定程度的影响，但影响程度并不是很大，因此可分别建立鲜马奶和酸马奶预测模型，也可对鲜马奶和酸马奶可建立通用的预测模型，预测者可根据需要对模型进行选择使用。

3.2.4 两种NIR光谱仪最优模型对比

本研究台式NIR光谱仪的波长数据点大约有4000个，微型NIR光谱仪的波长数据点大约有125个，可见两种仪器采集到的NIR光谱信息量差距较大，但从微型NIR光谱仪的最优参数，如表5可知，微型NIR光谱仪的参数包括R2值均大于0.9，说明已经接近理想值，可直接用于实际现场快速预测乳样中的常规营养素;但其RPD值在[2.5，3]之间，说明模型还需优化。综上可知，当扩大样本量或引入更复杂的建模模块时，微型NIR光谱仪比台式NIR光谱仪更能建立准确的预测模型。

4 结论

4.1 3种家畜乳通用模型可行性

3种家畜乳通用模型预测乳样中的乳糖和水分结果较为理想，其RPD值均大于3，因此可以直接使用模型;预测乳样中的蛋白质、脂肪、灰分结果较差，其RPD值均小于2.5，因此模型不可用，需继续优化。但由于此时的主因子数为10，继续优化的预测效果并没有较大的改善，因此需要建立马奶准用的营养素NIR预测模型。

4.2 马奶模型优化

4.2.1 马奶常规营养素的影响

马奶常规营养素测定中，蛋白质、水分和灰分的p-p检验值均在[-0.5，0.5]之间，符合正态分布，可用于实际模型构建;乳糖的p-p检验值在[-0.1，0.1]之间，呈偏态分布，脂肪的化学值分布p-p检验值均在[-0.08，0.04]之间，接近正态性分布，因此需对乳糖和脂肪建立单独的预测模型。

4.2.2 马奶PH对模型的影响

PCA聚类分析结果表明，当主因子为5时，鲜马奶和酸马奶的聚类明显分为两类，考虑到乳糖的化学值分布情况，应对乳糖重新单独建模;酸马奶的RMSECV和RPD值均优于鲜马奶，说明PH对营养素预测模型具有一定程度的影响，但影响程度并不是很大，因此可分别建立鲜马奶和酸马奶预测模型，也可对鲜马奶和酸马奶可建立通用的预测模型，预测者可根据需要对模型进行选择使用。

4.2.3 台式NIR通用模型优化

台式NIR光谱仪虽然能获得较为理想乳样中营养素的预测模型，但模型的稳定性较差，因此需要对其进行优化，具体优化方式包括两种，一是采用不同光谱或组合光谱预处理进行优化，二是建立单独的模型。采用不同光谱或组合光谱预处理的方式主要是根据不同营养素的光谱特征峰的不同，选择合适的光谱片段与测定化学值，以提高模型的预测能力和精度;建立单独的模型主要是对不同营养素建立单独模型，以获得最佳的快速检测模型，是预测结果更加稳定。通过这两种优化方式，使得台式NIR光谱仪获得的模型更为理想，且预测更加稳定。

参考文献

[1]娄文琦，罗汉鹏，刘林，等.牛奶的中红外光谱相关指标及遗传规律研究进展[J].中国畜牧杂志，2020，56（03）：25-32.

[2]剧柠，胡婕.光谱技术在乳及乳制品研究中的应用进展[J].食品与机械，2019，35（01）：232-236.

[3]刘锐，梁秋曼，南良康，等.用于牛奶分析的中红外光谱标准化及其在模型传递中的作用[J].中国奶牛，2019（04）：1-5.

[4]澹台玮，徐秦峰，马西亚，等.羊乳中牛乳成分的直接实时环介导等温扩增检测[J].中国乳品工业，2020，48（01）：38-41+46.

[5]王濤，白铁成，朱彩蝶，等.基于近红外光谱多种预处理的胡杨叶片含水量预测对比[J].西北林学院学报，2020，35（05）：173-179.

[6]木其尔，郑晓玮，杨春雪，等.奶粉中OPO含量的气相色谱检测技术研究[J/OL].食品工业科技：1-8[2020-10-05].

[7]胡雪，段国霞，刘丽君，等.乳及乳制品中磷脂的含量、功能、分离及检测技术研究进展[J/OL].食品科学：1-24[2020-10-05].

[8]澹台玮，徐秦峰，马西亚，等.羊乳中牛乳成分的直接实时环介导等温扩增检测[J].中国乳品工业，2020，48（01）：38-41+46.

[9]剧柠，胡婕.光谱技术在乳及乳制品研究中的应用进展[J].食品与机械，2019，35（01）：232-236.

[10]玛依拉·巴合提，木卡代斯·木合旦尔，买热木尼沙·吾甫尔，等.乌鲁木齐零售生鲜奶食用品质检测分析[J].中国乳品工业，2017，45（09）：60-64.

[11]储俊，董荣荣，王晓，等.近红外光谱结合化学计量法分析茶叶与茶汤的化学品质差异[J/OL].辽宁中医药大学学报：1-11[2020-10-05].