基于近红外光谱的腌制期咸鸭蛋理化指标无损检测

田文强，王巧华,2,*，徐步云，陈远哲，肖仕杰，范 维，林卫国，刘世伟

（1.华中农业大学工学院，湖北 武汉 430070；2.农业农村部长江中下游农业装备重点实验室，湖北 武汉 430070）

咸鸭蛋是我国传统特色风味食品。腌好的咸鸭蛋口感细腻柔滑、松沙油露,含有人体所需的蛋白质、氨基酸等营养物质，深受消费者青睐[1-2]。但咸鸭蛋品质受时间、温度和腌制液浓度等因素的影响较大，腌制不当的咸鸭蛋会导致口感不佳、品质严重下降。近些年，部分厂家盲目追求“淌油”，过度腌制鸭蛋，使其含盐量过高，导致蛋黄过度脱水变硬或发生“泥化”现象[3]。目前我国咸鸭蛋的品质检测分级还缺乏明确规定，在生产过程中主要依靠人工经验，出厂包装前还需对咸蛋破壳处理抽样检测相关的理化指标，繁琐费时，难以满足现代化生产要求。

国内外研究学者已对缩短咸蛋腌制时间工艺和咸蛋腌制时食盐的作用机理进行了研究[4-10]。加工咸蛋的方法有草木灰法、盐泥法和盐水浸渍法[11-12]；潘康[13]和吴文锦[14]等对不同腌制工艺下的咸蛋品质指标对比分析，发现前两种加工工艺复杂，腌制成熟所需时间较长，咸鸭蛋品质易受腌制配料物的影响，而盐水浸渍法腌制咸蛋成熟速度快，生产工艺简单且效率高，可显著提高经济效益，适于大批量规模化生产。此外，研究发现酸性溶液浸泡鸭蛋可增强蛋壳渗透性，腌制液易渗透入蛋内部，腌制时间缩减[15-18]；黄奕源[19]和苏鹤[20]等研究发现，采用分布式腌制法得到的咸蛋含盐量较低、出油率高、蛋黄指数值高、品质佳。

有研究使用光谱检测鲜蛋品质：付丹丹等[21]为识别不同品种的鸡蛋S-卵白蛋白含量，使用光谱信息和多元回归模型预测其含量，两个品种鸡蛋的预测集相关系数分别为0.8119、0.9116；孙艳文等[22]获取了鸡蛋的近红外光谱信息，对脂肪指标进行建模分析，得到模型的校正集和验证集R2分别为0.9475、0.9063；李海峰等[23]为分析鸡蛋的pH值和蛋白质含量，使用光谱漫反射结合偏最小二乘模型建模分析，得到了较好的预测效果；林颢[24]、段宇飞[25]和Mehdizadeh[26]等发现，使用光谱结合定量预测模型对新鲜蛋和非新鲜蛋的鉴别正确率较高；李庆旭等[27-28]将可见-近红外光谱与卷积神经网络相结合，用于检测孵化前的种鸭蛋受精信息和孵化早期鸭胚胎的雌雄鉴别。这些研究主要对咸蛋原料蛋的品质指标进行光谱检测，目前鲜有针对咸鸭蛋内部品质光谱无损检测的研究。

咸鸭蛋在腌制过程中的品质及内部成分会随腌制时间和腌制液浓度的改变而发生变化。理化指标值可反映其品质变化：咸鸭蛋蛋黄含水率、蛋黄氯化钠浓度、咸蛋黄指数都能间接反映腌制液与蛋壳、蛋清和蛋黄的渗透状况，咸鸭蛋的咸蛋黄指数能反映腌制期间蛋黄的凝结状况。

本研究应用近红外光谱技术结合偏最小二乘回归（partial least squares regression，PLSR），建立咸鸭蛋相关理化指标和近红外光谱的关联模型，获取咸鸭蛋内部品质指标参数，以达到快速无损检测咸鸭蛋品质的目的。

1 材料与方法

1.1 材料与试剂

实验用咸鸭蛋样品采用新鲜高邮麻鸭蛋腌制而成，由江苏省高邮市秦邮蛋品有限公司提供，由生产一线、经验丰富的工人选取大小相近、颜色相似、蛋壳表面完整、无破损的189 枚新鲜鸭蛋。

1.2 仪器与设备

Antaris II傅里叶变换近红外光谱仪 美国赛默飞世尔科技公司；DHG-9240A电热鼓风恒温干燥箱 湖北省武汉市环试检测设备有限公司；JA2002电子天平 上海浦春计量仪器有限公司。

1.3 方法

1.3.1 咸鸭蛋的腌制和成熟

腌制前将鸭蛋浸泡在5%可食用醋中，浸泡10 min，使蛋壳外膜和蛋壳渗透性增加、腌制液更容易进入蛋内部，以减少腌制时间。

20 ℃下使用质量分数26.47%饱和食盐水腌制鸭蛋（腌制液需淹没鸭蛋），用保鲜膜密封，放置在通风空旷处腌制12 d。再使用质量分数为10%的食盐水，其他条件保持不变，继续腌制28 d。每5 d测定一次样品的光谱和理化品质指标，每次取出21 枚咸鸭蛋。

通过感官指标和理化指标判断咸鸭蛋成熟度。咸鸭蛋成熟的感官指标：蛋黄咸淡适中，蛋黄橘黄丰润，口感细腻，出油较好；咸鸭蛋成熟的理化指标：咸蛋黄指数接近于1时，咸鸭蛋已经成熟；咸蛋黄含盐量小于2%、蛋黄含水率小于30%、蛋白含盐量小于5%。蛋白含水率小于80%以及蛋黄含油率低于15%的咸鸭蛋较为优质。

1.3.2 近红外光谱的采集

使用Antaris II傅里叶变换近红外光谱仪采集光谱，采集装置如图1所示。光谱采集时将咸鸭蛋竖直放在自制载物板上，钝端朝下贴合放置对准光谱采集通光口，采用积分球样本固体模块收集咸鸭蛋样品的漫反射光谱。光谱仪参数设置：扫描范围为10000～4000 cm-1，分辨率4 cm-1，扫描频率为32 次。测量前仪器预热20 min，消除暗电流和光谱采集环境的影响，光谱采集实验全程均在固定的室内进行，室内相对恒温，最小化外界温度、光照等因素变化的影响。每个咸鸭蛋重复扫描采集3 次，取平均值。使用Matlab 2014b软件进行数据分析、处理。

图1 近红外采集装置图Fig.1 Schematic diagram of near-infrared acquisition device

1.3.3 咸鸭蛋理化指标的测定

1.3.3.1 蛋黄含水率的测定

依据GB 5009.3—2016《食品中水分的测定》[29]中的直接干燥法。取清洁铝盒称量质量，将蛋清与蛋黄分离，使用搅碎机将蛋黄搅拌均匀。精确称取蛋黄5 g（精度为0.001 g），然后依次称量蛋黄和铝盒的质量。在105 ℃干燥箱内烘干20 h，至质量保持不变，称量干燥后蛋黄和铝盒的质量。按式（1）计算咸鸭蛋的蛋黄含水率（X）：

式中：m1为铝盒和蛋黄烘干前总质量/g；m2为铝盒和蛋黄烘干后总质量/g；m3为铝盒质量/g。

1.3.3.2 蛋黄氯化钠浓度的测定

使用硝酸银滴定法[30]。取蛋黄样品5.0 g于100 mL烧杯中，加入100 mL蒸馏水，用玻璃棒搅匀后静置5 min，再次搅匀并静置，重复3 次。从混合均匀的上清液中取10 mL放入三角瓶中，加入20 mL蒸馏水，滴入7～8 滴0.05 mol/L K2CrO4溶液，用0.2 mol/L AgNO3溶液滴定，至砖红色标记出现为滴定终点。按式（2）计算咸鸭蛋的蛋黄氯化钠浓度（Y）：

式中：c为AgNO3溶液浓度/（mol/L）；V为消耗的AgNO3溶液体积/mL；m为蛋黄质量/g；X为蛋黄含水率/%；0.05845为NaCl当量。

1.3.3.3 咸蛋黄指数测定

用游标卡尺测量蛋黄直径。打破鸭蛋，分离蛋清和蛋黄。将蛋黄置于水平玻璃台上，依次旋转120°测量蛋黄直径；将游标卡尺末端插入蛋黄内部测量蛋黄高度，用蛋黄高度除以蛋黄直径计算咸蛋黄指数。测量3 次，取平均值。

1.4 数据处理

1.4.1 光谱数据预处理

采用多元散射校正（multiplicative scatter correction，MSC）、卷积平滑（Savitzky-Golay，S-G）、标准化（Autoscales）、均值中心化（Center）、移动窗口平滑（Nirmaf）、标准正态变量变换（standard normal variate transformation，SNV）、归一化（Normalize）对光谱进行预处理。

1.4.2 光谱特征变量选择

竞争性自适应重加权（competitive adaptive reweighted sampling，CARS）算法[31]主要借鉴“物竞天择”的准则，优选出较为关键且权重值较大的特征波长，剔除影响微弱的波长权重值；连续投影算法（successive projections algorithm，SPA）[32]运用向量投影挑选最少限度信息的光谱变量，解决光谱中信息交叉重叠和共线性等问题，减少建模中的变量数量，从而加快建模效率；非信息变量剔除（uninformative variables elimination，UVE）算法[33]是基于互相验证偏最小二乘模型，以回归系数为评判指标，去掉被认为和随机变量同样对模型创建性能稍差的波长变量，筛选效果突出的波长变量。

1.4.3 模型建立与性能评估

PLSR在运算中探讨光谱数据（自变量）和物理化学值（因变量）之间在模型效应和挖掘的相关关系，解决它们之间的多重相关性问题。

训练集相关系数（Rc）和校正均方根误差（root mean square error of calibration，RMSEC），预测集相关系数（Rp）和预测均方根误差（root mean square error of prediction，RMSEP）是模型的衡量尺度。Rc和Rp越趋于1，RMSEC和RMSEP值越靠近且越小，则模型性能更稳健、准确度越高。按式（3）～（6）计算Rc、Rp、RMSEC和RMSEP：

式（3）～（6）中：ypi为训练集或预测集中第i个样本的预测值；ymi为训练集或预测集中第i个样本的实际测量值；ymean为所有训练集样本或预测集样本实际测量值的均值；n为参与训练集或预测集的样本总数量。

这篇短文描述的是作者在绘制巴黎地图时的构思和细节，此段描写的是绘制地图时作者遇到的困难，陈译本这样处理原文的翻译：

2 结果与分析

2.1 咸鸭蛋的近红外光谱分析

如图2所示，结合有机基团倍频与合频吸收谱带分布信息，发现在5100～5200、6800～6950 cm－1区域有明显的波峰，分别为C—H与C—O组合带[34]和O—H键二、三级倍频有关，说明整个腌制时期内，咸鸭蛋的内容物处于动态变化中。由图2可知，同一波数下不同腌制时间的咸鸭蛋的光谱吸光度存在差异，这表明不同腌制时期的咸蛋内容物的成分也可能存在差异。

图2 不同腌制时间咸鸭蛋的原始光谱曲线（a）和平均光谱曲线（b）Fig.2 Original spectra (a) and average spectra (b) of duck eggs salted for different durations

2.2 咸鸭蛋样本集划分

SPXY（sample set partitioning based on joint X-Y distances）算法是以Kennard-Stone法为基础进行改良的样本分类方法，可同时探讨样品的光谱值和理化实际测量值分布，覆盖更广的范围。在构建模型之前，采用SPXY算法对样本集进行划分，训练集和预测集划分的比例通常设置在2∶1～4∶1之间，本研究按照训练集和预测集3∶1的比例划分蛋黄含水率、蛋黄氯化钠浓度、咸蛋黄指数的数据，结果如表1所示。

2.3 一次特征波段提取及模型建立

2.3.1 CARS法提取光谱特征波段

使用CARS算法提取预处理后的咸鸭蛋光谱的特征波长，以CARS算法选取蛋黄含水率的特征波长为例。初始设定蒙特卡罗采样120 次，交叉验证设定为50%，重采样率为0.8。由图3a可知，当样品迭代运算量提升时，光谱选择特征波长量锐减。如图3b所示，交叉验证均方根误差（root mean square error of cross validation，RMSECV）值降低到最低点前，光谱中无效信息被清除；当RMSECV值从最低点渐渐升高，有效的光谱信息被去除。如图3c所示，RMSECV值降到最低点时，迭代次数为126 次，光谱中有效信息最多。因此确定最优波长变量子集即为RMSECV值最小时对应的变量集。

图3 CARS算法选取蛋黄含水率的特征波长过程Fig.3 Selection of the characteristic band for egg yolk moisture content by CARS

2.3.2 SPA提取特征光谱波段

通过SPA选择咸鸭蛋光谱的光谱特征变量，以蛋黄含水率为例。如图4a所示，依据均方根误差（root mean square error，RMSE）变化确定被选择的光谱变量。随着变量数增加，RMSE先急剧下降，表明光谱中的无用信息被剔除，然后谱线变化趋于平缓。选择中间拐点的变量作为特征变量，而此拐点并非最低点对应的位置，而是RMSE降低到合理的数值范围内。此拐点对应的波长个数为15，RMSE为0.0088383，选取变量占原始光谱信息的0.96%，选取的波长点如图4b所示。

图4 SPA选择蛋黄含水率的光谱特征变量过程Fig.4 Selection of the characteristic spectral variables for egg yolk moisture content by SPA

2.3.3 UVE算法提取光谱特征波段

图5 UVE算法选择蛋黄含水率的光谱特征波长Fig.5 Selection of the characteristic band for egg yolk moisture content by UVE

2.4 基于一次特征波段提取的模型效果

将不同预处理和一次特征选择算法联合获得的特征变量分别代入PLSR模型中。蛋黄含水率的PLSR预测结果如表2所示，CARS算法中，经过Normalize预处理后的效果较好，选择17 个特征变量，占建模光谱变量的1.09%；SPA中，同样是经过Normalize预处理后效果较好，选择了9 个特征变量，占建模光谱变量的0.58%；UVE算法中，经过Autoscales预处理后的效果较好，选择了615 个特征变量，占建模光谱变量的39.5%。经比较，提取算法效果最好的是UVE，Rc和Rp较佳，分别为0.9550、0.8981，RMSEC和RMSEP分别为0.3102、0.2818。经过预处理和特征选择的光谱建立的模型预测效果相比于原始光谱有较大提升，通过选择特征波段能够最大限度地剔除光谱中对理化值影响较小的波段，优化模型。

表2 基于一次特征选择算法建立的蛋黄含水率PLSR模型Table 2 Parameters of PLSR models for egg yolk moisture content established using individual feature selection algorithms

蛋黄氯化钠浓度的PLSR预测结果如表3所示，CARS算法中，经Normalize预处理后的效果较好，选择了30 个光谱特征波长，占建模光谱波长总数的1.93%；SPA中，经过S-G预处理后的效果较好，选择了19 个特征变量，占建模光谱变量的1.22%；UVE算法中，经过SNV预处理后的效果较好，选择了241 个特征变量，占建模光谱变量15.48%；预测效果最好的特征提取算法是UVE，Rc和Rp分别为0.9848、0.8926，RMSEC和RMSEP分别为0.0647、0.1879。

表3 基于一次特征选择算法建立的蛋黄氯化钠浓度PLSR模型Table 3 Parameters of PLSR models for egg yolk sodium chloride concentration established using individual feature selection algorithms

咸蛋黄指数的PLSR预测结果如表4所示，CARS算法中，经过Normalize预处理后的效果较好，选择了36 个光谱特征波长，占建模光谱波长总数的2.31%；SPA中，经过Center预处理后的效果较好，选择了9 个特征波长变量，占建模光谱变量的0.58%；UVE算法中，经过Autoscales预处理后的效果较好，选择了800 个特征变量，占建模光谱变量的51.38%；SPA提取特征波段效果较优，Rc和Rp分别为0.8556、0.8991，RMSEC和RMSEP分别为0.7759、0.7841。

表4 基于一次特征选择算法建立的咸蛋黄指数PLSR模型Table 4 Parameters of PLSR models for salted egg yolk index established using individual feature selection algorithms

2.5 基于二次特征波段提取及模型建立

虽然一次光谱特征波段提取建立的PLSR模型的Rp相较原始光谱得到提升，但一次特征提取的CARS和UVE波段数仍然较多，尽管剔除了无用光谱信息，模型的稳健性还有提升的空间，因此在CARS和UVE特征提取的基础上，再利用SPA进行二次波段提取。如表5所示，二次光谱特征提取的波段建立的PLSR模型预测效果相较于一次特征提取的模型效果更好，二次特征提取将无效信息筛选掉，进一步简化模型结构，提高模型的预测性能，蛋黄含水率、蛋黄氯化钠浓度和咸蛋黄指数预测效果最好的特征提取算法都是UVE与SPA结合，上述3 个指标的Rp分别从0.8981、0.8926、0.8991提升到0.9276、0.9085、0.9163。

表5 基于二次光谱特征提取建立咸鸭蛋指标的PLSR模型Table 5 Parameters of PLSR models for salted duck egg index established using combined feature selection algorithms

2.6 最优模型的比较与选择

对选取的最优特征波长建立的3 项理化指标（蛋黄含水率、蛋黄氯化钠浓度、咸蛋黄指数）PLSR模型进行分析。如图6所示，UVE与SPA结合二次波长提取的效果更好，3 类理化指标预测效果最优PLSR模型的Rc和Rp分别为0.9334、0.8978、0.9286和0.9276、0.9085、0.9163；RMSEC、RMSEP分别为0.2663、0.1638、0.6635和0.2429、0.1859、0.6431。

图6 基于UVE＋SPA的蛋黄含水率（a）、蛋黄氯化钠浓度（b）和咸蛋黄指数（c）最优PLSR模型Fig.6 Performance evaluation of optimal PLSR models for egg yolk moisture content (a),egg yolk sodium chloride concentration (b) and salted egg yolk index (c) based on UVE+SPA

3 结论

利用近红外光谱技术，分别建立了腌制期咸鸭蛋的蛋黄含水率、蛋黄氯化钠浓度、咸蛋黄指数的PLSR无损检测模型，经分析检验预测精度较理想。此外，探讨了原始光谱、UVE、CARS、SPA、CARS+SPA和UVE+SPA 6 种特征提取算法，经对比分析发现二次特征波长UVE+SPA建立的模型预测效果更好。而且，蛋黄含水率、蛋黄氯化钠浓度和咸蛋黄指数的最优光谱提取方法都是二次波长提取UVE与SPA结合，提取的光谱特征变量数分别为9、13和8。预测蛋黄含水率最好的模型是Autoscales-UVE+SPA-PLSR，Rp和RMSEP分别为0.9276和0.2429；预测蛋黄氯化钠浓度最好的模型是S-G-UVESPA-PLSR，Rp和RMSEP分别为0.9085和0.1859；咸蛋黄指数效果的最优模型是Center-UVE+SPA-PLSR，Rp和RMSEP分别为0.9163和0.6431。本研究建立的光谱预测模型只需采集一次光谱数据即可实现咸鸭蛋内部品质的无损检测。