一种水分活度的检测方法及其应用与流程

1.本发明涉及检测领域，特别是涉及一种水分活度的检测方法及其应用。


背景技术：

2.水分活度指的是在密闭空间中，某一种食品的平衡蒸气压与相同温度下纯水的饱和蒸气压的比值。食品的稳定性和安全性与食品中水的含量并不是直接相关，而是与水的“状态”，或者说与食品中水的“可利用性”有关。已有的证据表明，不同种类的食品即便水分含量相同，其腐败变质的难易程度也存在明显的差异。而且，食品中的水与其非水组分结合的强度是不同的，处于不同的存在状态，强烈结合的那一部分水是不能有效地被微生物和生物化学所利用。因此，引进了水分活度的概念。水分活度是指食品中水的蒸汽压与同温度下纯水的饱和蒸气压的比值:aw＝p/p0；其中，aw是水分活度，p是某种食品在密闭容器中达到平衡状态时的水蒸气分压，p0是相同温度下纯水的饱和蒸汽压，p/p0又可以称为相对蒸汽压。水活性所量度的是食物中的自由水分子，而这些水分子是微生物生殖和存活的必需品。如果把纯水作为食品来看，其水蒸气压p和p0值相等，故aw＝1。然而，一般食品不仅含有水，而且含有非水组分，食品的蒸气压比纯水小，即总是p≤p0，故aw＜1。低水分活度能抑制食品的化学变化和微生物的生长繁殖，稳定食品质量，也为食品保存提供更好的时间评估。
3.目前，食品水分活度测定法有冰点测定法、相对湿度传感器测定法、康卫氏皿扩散法和水分活度仪扩散法。但以上方法均存在比较复杂，步骤烦琐、耗时等特点；都不利于完成大批量的检测任务。


技术实现要素：

4.针对上述问题，本发明提供一种水分活度的检测方法，该方法通过采用改进的偏最小二乘法建立定标模型，利用定标模型分析物料的近红外吸收光谱，得到物料的水分活度，从而方便快速地测定物料的水分活度。
5.为了达到上述目的，本发明提供了一种水分活度的检测方法，该检测方法包括以下步骤：
6.制备待测样品：将待测物料粉碎，过筛，得到待测样品；
7.检测分析：采用近红外光谱仪对所述待测样品进行若干次扫描，获取待测样品的近红外光谱图，采用定标模型对待测样品的近红外光谱图进行预测分析，得到待测样品的定标模型预测值，取平均值，即得待测样品的水分活度；所述定标模型采用改进的偏最小二乘法建立得到。
8.改进的偏最小二乘法是一种数学优化技术，偏最小二乘法是通过最小化误差的平方和找到一组数据的最佳函数匹配，用最简单的方法求得一些绝对不可知的真值，而令误差平方之和为最小，但偏最小二乘法存在算速度相对较慢、计算过程较繁，需要多次迭带，模型建立过程复杂，较抽象，难理解等缺点；与偏最小二乘法相比，改进的偏最小二乘法更有利于剔除不相关或非线性变量，能够简化定标模型的同时，提高定标模型的稳健性；同
时，结合待测物料的近红外吸收光谱值，能够方便快捷地测定物料的水分活度。
9.在其中一个实施例中，所述检测方法还包括在所述制备待测样品步骤之前的判断相似程度步骤，所述判断相似程度包括以下步骤：
10.检测物料的预定参数，判断所述定标模型的建模样品和所述物料的相似程度；
11.当所述物料与所述建模样品的相似程度高时，所述物料为待测物料；
12.当所述物料与所述建模样品的相似程度低时，所述物料为异常物料，采用定标模型的构建方法将所述异常物料加入所述建模样品，使所述异常物料成为待测物料。
13.通过上述方法，能够在物料超出定标模型的预测范围时，及时将其识别出来，并通过将异常物料加入所述建模样品，使定标模型的适用范围得到扩充。
14.在其中一个实施例中，所述物料包括：畜禽饲料、虾配合饲料、鱼配合饲料或螃蟹饲料；所述预定参数包括：马氏距离和/或光谱残差。
15.马氏距离的大小代表了该物料与建模样品的相似程度，物料的马氏距离越小，则该物料与建模样品的相似程度越高，采用定标模型对物料分析得到的水分活度预测值，其准确性越高；而光谱残差指近红外吸收光谱值经过有效信息提取后，残留下来的差谱，物料的光谱残差越多，则表明该物料的近红外吸收光谱中包含了较多的无用信息，说明该物料可能含有未知组分，因此，通过检测物料的上述预定参数，能够识别出异常物料。
16.在其中一个实施例中，所述预定参数为马氏距离，当所述物料的马氏距离＞所述定标模型的马氏距离阈值，则判断所述物料与所述建模样品的相似程度低，所述物料为异常物料。
17.在其中一个实施例中，所述预定参数为光谱残差，对所述物料的光谱残差进行f检验，当f概率＞0.99时，则判断所述物料与所述建模样品的相似程度低，所述物料为异常物料。
18.在其中一个实施例中，所述定标模型的构建方法包括以下步骤：
19.检测水分活度：收集物料，粉碎，过筛，得到建模样品，采用扩散法检测得到所述建模样品的水分活度测定值；
20.获取近红外光谱图：采用近红外光谱仪对所述建模样品进行若干次扫描，得到所述建模样品的近红外吸收光谱图；
21.构建定标模型：取所述建模样品作为定标样品，在所述近红外光谱仪中输入所述定标样品的水分活度测定值，对所述定标样品的水分活度测定值进行数据预处理，采用改进的偏最小二乘法构建得到第一模型，优化，对优化后的第一模型进行内部验证，得到第一数据预处理方式、第一光谱范围，即得定标模型。
22.采用上述方法，能够通过改进的偏最小二乘法结合建模样品的近红外吸收光谱值，构建得到定标模型，而该定标模型能够通过物料的近红外吸收光谱值，得到该物料的水分活度。
23.在其中一个实施例中，所述第一数据预处理方式为：一阶导数+矢量归一，所述第一光谱范围为：9400cm-1-6096cm-1
、5456cm-1-4600cm-1
。
24.采用上述光谱预处理方式、光谱范围，定标模型的预测精度最佳。
25.在其中一个实施例中，所述定标模型的构建方法还包括所述构建定标模型步骤之后的外部验证步骤，所述外部验证包括以下步骤：另取所述建模样品作为验证样品，通过所
述定标模型对所述验证样品的近红外吸收光谱图进行分析，得到所述验证样品的定标模型预测值，取平均值，对所述验证样品的水分活度测定值和定标模型预测值的平均值进行比较，若比较结果符合预定偏差标准，则判定定标模型预测值准确。
26.通过上述方法，能够验证上述检测方法对物料的水分活度的检测精度是否符合要求，若不符合要求，则对近红外光谱仪、操作方法、建模样品是否涵盖该物料等进行检查，进而调整定标模型。
27.在其中一个实施例中，所述外部验证步骤中，所述定标模型的评价参数如下所示：
[0028][0029]
和/或
[0030][0031]
其中，r2为定标模型的决定系数，rmsep为预测均方根，di表示第i个验证样品的水分活度测定值和定标模型预测值之差，n为验证样品的数量，yi为第i个验证样品的水分活度测定值，yn为n个验证样品的定标模型预测值的平均值；
[0032]
所述内部验证步骤中，所述第一模型的评价参数如下所示：
[0033][0034]
和/或
[0035][0036]
其中，r2为第一模型的决定系数，rmsecv为交互验证均方根；di表示第i个定标样品的水分活度测定值和第一模型预测值之差，所述第一模型预测值为采用所述第一模型检测所述定标样品后得到的水分活度预测值；m为定标样品的数量，yi为第i个定标样品的水分活度测定值，ym为m个定标样品的第一模型预测值的平均值。
[0037]
在其中一个实施例中，所述过筛的筛目为20-60。
[0038]
在其中一个实施例中，所述若干次为2-4次。
[0039]
本发明还提供了一种物料的保存方法，包括以下步骤：采用所述检测方法检测物料的水分活度。
[0040]
在其中一个实施例中，所述物料为畜禽饲料。
[0041]
与现有技术相比，本发明具有以下有益效果：
[0042]
本发明的一种水分活度的检测方法及其应用，该方法通过采用改进的偏最小二乘法建立定标模型，利用定标模型分析物料的近红外吸收光谱，从而方便快速地测定物料的水分活度。该检测方法简单、耗时短，完成1个样品的水分活度测量仅需1-2分钟，而传统的水分活度仪扩散法完成1个样品的水分活度测量，至少需要22分钟。该检测方法能极大地优
化物料的保存方式，对提高物料的保存时间具有十分重要的意义。
附图说明
[0043]
图1为实施例1中定标模型构建方法的示意图；
[0044]
图2为实施例1中建模样品的近红外吸收光谱图；
[0045]
图3为实施例1中外部验证的相关关系散点图。
具体实施方式
[0046]
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
[0047]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
[0048]
定义：
[0049]
本发明中的改进的偏最小二乘法：是在偏最小二乘法的基础上改进得到的一种数学优化技术，又称pls回归分析法，可以分别用每个组分(pls1算法)或同时用所有组分(pls2算法)分析多组分体系，通常pls1分析产生较好的结果，所以近红外光谱仪定量分析通常使用pls1算法。
[0050]
配合饲料：指根据动物的生长阶段、生理要求、生产用途的营养需要，以饲料营养价值评定的实验和研究为基础，按科学配方把不同来源的饲料，依一定比例均匀混合，并按规定的工艺流程生产以满足各种实际需求的饲料。
[0051]
来源：
[0052]
近红外光谱仪(布鲁克tango-r型)
[0053]
本实施例所用试剂、材料、设备如无特殊说明，均为市售来源；试验方法如无特殊说明，均为本领域的常规试验方法。
[0054]
下述实施例以畜禽饲料为物料，构建定标模型，检测水分活度。
[0055]
实施例1
[0056]
构建定标模型。
[0057]
上述定标模型的构建方法如图1所示。
[0058]
一、检测水分活度。
[0059]
收集319个畜禽饲料样品(每个畜禽饲料样品中包括若干畜禽饲料)，粉碎，过40目筛，得到建模样品，采用水分活度仪，通过扩散法检测建模样品的水活度测定值。
[0060]
二、获取近红外光谱图。
[0061]
采用近红外光谱仪扫描建模样品的近红外吸收光谱图，如图2所示。在本实施例中，采用红外光谱仪对建模样品进行2次扫描，近红外光谱仪扫描采用漫反射方式，光谱测试谱区范围：12000—4000cm-1
，光谱分辨率：16cm-1
。
[0062]
三、构建定标模型。
[0063]
取30个畜禽饲料为验证样品，取289个畜禽饲料为定标样品。在近红外光谱仪opus软件中输入定标样品对应的水分活度测定值，对定标样品的水分活度测定值采用数学统计方法(如一阶导数、msc、snv等)进行数据预处理，然后采用改进的偏最小二乘法(即布鲁克(北京)科技有限公司《近红外光谱技术培训手册》中的pls回归分析法)构建得到第一模型，利用软件中的自动优化功能进行自动优化，对优化后的第一模型进行内部验证，采用优化后的第一模型对定标样品的近红外光谱图进行预测分析，取平均值，得到定标样品的第一模型预测值，通过比较第一模型的决定系数r2和交互验证均方根rmsecv来衡量模型的稳健性，从而对数据预处理方式和光谱范围进行选择，得到最优的光谱预处理方式和光谱范围，即得到第一数据预处理方式和第一光谱范围，将最优的光谱预处理方式和光谱范围代入第一模型，即得定标模型。
[0064]
上述决定系数r2和交互验证均方根rmsecv的公式，如下所示：
[0065][0066][0067]
其中，r2为第一模型的决定系数，rmsecv为交互验证均方根；di表示第i个定标样品的水分活度测定值和第一模型预测值之差，所述第一模型预测值为采用所述第一模型检测所述定标样品后得到的水分活度预测值；m为定标样品的数量，yi为第i个定标样品的水分活度测定值，ym为m个定标样品的第一模型预测值的平均值。
[0068]
r2、rmsecv用来评价第一模型的拟合能力，r2越接近100％意味着预测值接近真值，当r2＝1则说明预测值和真值完全拟合，rmsecv越小，说明第一模型的预测精度越高。
[0069]
不同的数据预处理方式对于第一模型进行内部验证，得到的决定系数和交互验证均方根如下表所示。
[0070]
表1内部验证的决定系数和交互验证均方根
[0071][0072][0073]
从上表可看出，经过数据预处理后的各项指标都优于未进行数据预处理的结果，集中体现在决定系数增大而交互验证均方根减小，其中，一阶导数+矢量归一对第一模型的处理结果是最好的，其对应的光谱范围为：9400cm-1-6096cm-1
、5456cm-1-4600cm-1
。因此，第一数据预处理方式为：一阶导数+矢量归一，第一光谱范围为：9400cm-1-6096cm-1
、5456cm-1-4600m-1
。
[0074]
四、外部验证。
[0075]
外部验证一般采用未参与定标，但样品性质与参与定标的样品性质相似的样品，通过比较这些未参与定标样品的预测值与水分活度仪测定值的差异来判断定标模型的预测准确性。
[0076]
因此，外部验证步骤中，采用上述验证样品(30个畜禽饲料)来对定标模型进行检验。通过定标模型对验证样品的近红外吸收光谱值进行分析，取平均值，得到验证样品的定标模型预测值，对验证样品的水分活度测定值和定标模型预测值进行比较，得到相关关系散点图如图3所示。
[0077]
通过计算定标模型的决定系数r2和预测均方根rmsep来判断定标模型预测值是否满足畜禽饲料水分活度的检测精度要求。
[0078]
上述定标模型的决定系数r2和预测均方根rmsep的公式如下所示：
[0079][0080][0081]
其中，r2为定标模型的决定系数，rmsep为预测均方根，di表示第i个验证样品的水分活度测定值和定标模型预测值之差，n为验证样品的数量，yi为第i个验证样品的水分活度测定值，yn为n个验证样品的定标模型预测值的平均值。
[0082]
计算得到定标模型的决定系数r2为94.4％，预测均方根rmsep为0.00482，可见，定标模型的预测结果很好，能够满足畜禽饲料水分活度的检测精度要求。
[0083]
若外部验证得到的检测精度不符合要求，则判断外部验证不通过，对近红外光谱仪、操作方法、验证样品是否异常(即建模样品是否涵盖验证样品)等进行检查，根据检查结果调整定标模型。
[0084]
定标模型建立后，1个样品经过本发明的检测方法，扫描近红外吸收光谱，得到水分活度，只需1-2min，而传统的水分活度仪通过扩散法完成1个样品的测量，至少需要22min；完成30个畜禽饲料样品的水分活度测定，本发明的方法仅需1个小时，而传统的水分活度仪通过扩散法需要11个小时才能完成。
[0085]
实施例2
[0086]
根据国标gb 5009.238-2016对实施例1中验证样品的定标模型预测值进行检验。
[0087]
参照国家标准《gb 5009.238-2016食品安全国家标准食品水分活度的测定》，对水分活度的允许偏差，在重复性条件下获得的两次独立测定结果的绝对差值不得超过算术平均值的5％。
[0088]
经过计算，验证样品的定标模型预测值与水分活度仪扩散法得到的水分活度测定值之间的绝对偏差如下表所示。
[0089]
表2验证样品经两种方法测定得到的水分活度的绝对偏差
[0090]
序号样品名称水分活度测定值(aw)定标模型预测值(nir/aw)绝对偏差(aw)1畜禽饲料10.5790.583-0.0042畜禽饲料20.6130.621-0.008
3畜禽饲料30.6350.641-0.0064畜禽饲料40.6370.645-0.0085畜禽饲料50.6530.6520.0016畜禽饲料60.6540.6530.0017畜禽饲料70.6630.66308畜禽饲料80.6670.672-0.0059畜禽饲料90.6690.673-0.00410畜禽饲料100.6710.6680.00311畜禽饲料110.6750.678-0.00312畜禽饲料120.6750.677-0.00213畜禽饲料130.6770.678-0.00114畜禽饲料140.6770.677015畜禽饲料150.6810.683-0.00216畜禽饲料160.6820.683-0.00117畜禽饲料170.6850.694-0.00918畜禽饲料180.6910.697-0.00619畜禽饲料190.6920.6860.00620畜禽饲料200.6940.6910.00321畜禽饲料210.6960.698-0.00222畜禽饲料220.6960.698-0.00223畜禽饲料230.6980.6970.00124畜禽饲料240.70.6970.00325畜禽饲料250.7010.707-0.00626畜禽饲料260.7050.71-0.00527畜禽饲料270.710.7040.00628畜禽饲料280.7130.7120.00129畜禽饲料290.7140.7070.00730畜禽饲料300.5790.583-0.004
[0091]
有上表的内容可看出，验证样本的定标模型预测值与水分活度仪扩散法得到的水分活度测定值，两者之间的绝对偏差值最高为0.007，小于0.05，满足国标要求，进一步论证了本发明方法的可行性。
[0092]
实施例3
[0093]
一种水分活度的检测方法。
[0094]
该检测方法包括以下步骤：
[0095]
一、判断相似程度：检测物料的马氏距离和/或光谱残差，判断所述定标模型的建模样品和所述物料的相似程度；
[0096]
当预定参数为马氏距离时，若物料的马氏距离＞定标模型的马氏距离阈值，则判断物料与建模样品的相似程度低，物料为异常物料，采用定标模型的构建方法将异常物料加入建模样品，使异常物料成为待测物料；当物料与建模样品的相似程度高时，物料为待测物料。
[0097]
当预定参数为光谱残差时，对物料的光谱残差进行f检验，若f概率＞0.99，则判断物料与建模样品的相似程度低，物料为异常物料，采用定标模型的构建方法将异常物料加入建模样品，使异常物料成为待测物料；当物料与建模样品的相似程度高时，物料为待测物料。
[0098]
二、制备待测样品：将待测物料粉碎，过筛，得到待测样品；在本实施例中，上述过筛为过40目筛；
[0099]
三、检测分析：采用近红外光谱仪对所述待测样品进行2次扫描，获取待测样品的近红外光谱图，采用定标模型对待测样品的近红外光谱图进行预测分析，得到待测样品的定标模型预测值，取平均值，即得待测样品的水分活度；该定标模型采用改进的偏最小二乘法建立得到。
[0100]
因为预测结果是否能够保证准确，是本发明的关键，故当物料超出了定标模型的预测范围时，则不能保证预测结果的准确性，则称这类超出定标模型预测范围的物料为异常物料。异常物料包括浓度异常物料(即组分与建模样品一致，但浓度不在建模样品范围内)，以及光谱残差异常物料(组分与建模样品不一致)，简单来说，就是不在建模样品的覆盖范围内。因此，本实施例的检测方法采用马氏距离和光谱残差来识别异常物料。物料的马氏距离大小代表了这个物料与建模样品的相似程度，马氏距离越小，与建模样品越相似，预测结果准确性越高。而光谱残差越多表明物料的光谱中包含了较多的无用信息，该物料可能含有未知组分。在构建定标模型过程中，opus软件会计算并设定定标模型的马氏距离(md)阈值，如果物料的马氏距离超出了阈值，则该物料为异常物料，软件会自动报警，将结果标红并打叉。而opus软件应用光谱残差做f检验，当f概率(f值，1，m-1)＞0.99时，该物料会被识别为异常物料，软件会自动报警，将结果标红并打叉。因此，操作人员需要通过上述定标模型的构建方法将异常物料加入定标模型中，以扩充模型的适用范围。
[0101]
实施例4
[0102]
采用实施例3中的检测方法，对物料进行检测。
[0103]
收集14个畜禽饲料样品，按照实施例3中的检测方法，对该14个畜禽饲料进行检测。检测数据如下表所示。
[0104]
表3 14个畜禽饲料的检测数据
[0105]
[0106][0107]
检测结果显示，畜禽饲料2、3、4的结果显示马氏距离异常，标红；经查证，这3个样品质量无异常，是由于畜禽饲料2和畜禽饲料3的生产配方有调整，畜禽饲料4是新增产品；故需要将这3个畜禽饲料样品的数据在定标模型的建模样品中是缺乏的，需要加入建模样品中进行优化升级。按照实施例3中的检测方法，将畜禽饲料2、3、4加入建模样品后，3个畜禽饲料样品的水分活度检测正常。
[0108]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0109]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。