1.本发明涉及食品快速检测分析领域,具体为一种基于近红外光谱在线监测酱油品质的方法。
背景技术:2.酱油是一种由大豆、谷物(小麦)和矿物质制成的传统发酵食品,以大豆和/或脱脂大豆、小麦和/或麸皮为原料,经微生发酵制成的具有特殊色、香、味的液体调味品,是人们日常生活中必不可少的调味品。
3.全氮、总酸和氨基酸态氮是酱油三个最重要的必检质量指标。酱油常规检测的质量指标还有食盐、铵盐、还原糖、无盐固形物等。在酱油生产过程中对这些指标的检测基本是离线检测,而检测这些指标的方法比较繁琐费时,无法满足酱油生产现代智能化的要求,还增加了生产成本。
4.近红外光谱分析技术具有无需制样,无损测量,效率高,适合在线检测,无污染、分析结果重现性高等优点,因此近红外光谱分析可用于酱油的生产,降低生产成本,提高工作效率。
技术实现要素:5.基于此,本发明的目的是为提高工作效率,降低生产成本,提供了一种基于近红外光谱在线监测酱油品质的方法,建立酱油生产过程中ph、总酸、氨基酸态氮、含盐量、还原糖、全氮、可溶性无盐固形物、铵盐、总糖的含量预测模型,为实现在线智能化监测酱油品质和质量控制提高了科学依据。
6.为实现上述目的,本发明提供如下技术方案:s1.采集不同发酵时间的酱油样品,分别进行离心取上清液;
7.s2.使用国标法测定酱油样品的ph、总酸、氨基酸态氮、含盐量、还原糖、全氮、可溶性无盐固形物、铵盐、总糖的含量;
8.s3.采集酱油样品的近红外光谱数据;
9.s4.利用thermo fisher公司开发的tq analyst 9近红外建模软件对光谱进行预处理和特征波段筛选;
10.s5.根据样品各个成分浓度的高低,采用隔三取一的方式划分样品的校正集和检验集;
11.s6.将酱油样品的平均近红外光谱与国标法测得的成分含量进行关联,建立酱油样品中ph、总酸、氨基酸态氮、含盐量、还原糖、全氮、可溶性无盐固形物、铵盐、总糖的定量预测模型。
12.s7.根据模型的校正集的决定系数(r2)、交互验证均方根误差(rmsecv)、检验集的决定系数(r2)、预测均方根误差(rmsep)来判断模型的质量,从而筛选出酱油样品中ph、总酸、氨基酸态氮、含盐量、还原糖、全氮、可溶性无盐固形物、铵盐、总糖的最佳近红外定量预
测模型。
13.所述步骤s1中,酱油样品的前处理步骤为待测样品经3000r/min离心10min,取上清液。
14.所述步骤s3中,采用上海棱光技术有限公司的s450近红外光谱分析仪对酱油样品进行光谱数据采集,仪器参数为:扫描范围为900nm-2500nm,以仪器内置背景为参比,分辨率为12cm-1,采样间隔为4nm,扫描次数6次。
15.所述步骤s4中,光谱预处理方法为一阶导数(fd)、二阶导数(md)、多元散射校正(msc)其中一种或两种。
16.所述步骤s4中,特征波段筛选采用软件tq analyst 9推荐方法进行选取。
17.所述步骤s6中,建立定量预测模型的方法采用的化学计量法为偏最小二乘法。
18.综上所述,本发明主要具有以下有益效果:
19.本发明操作简单高效,能够在短时间内获取酱油样品的成分信息,可以实现酱油生产的在线监测和质量控制;大大降低了生产成本,同时对环境不造成污染。
附图说明
20.图1为本发明酱油样品的平均近红外光谱图;
21.图2为本发明酱油总酸定量预测模型的校正集、检验集化学值与预测值的相关性;
22.图3为本发明酱油还原糖定量预测模型的校正集、检验集化学值与预测值的相关性;
23.图4为本发明酱油可溶性无盐固形物定量预测模型的校正集、检验集化学值与预测值的相关性。
具体实施方式
24.下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
25.下面根据本发明的整体结构,对其实施例进行说明。
26.实施例1
27.基于近红外光谱测定酱油样品总酸的含量:
28.s1.选取139个不同发酵时间不同发酵罐的酱油样品,总酸的含量范围为0.03-2.31g/100ml。
29.s2.采用上海棱光技术有限公司的s450近红外光谱分析仪对酱油样品进行光谱数据采集,仪器参数为:扫描范围为900nm-2500nm,以仪器内置背景为参比,分辨率为12cm-1,采样间隔为4nm,扫描次数6次,每次取5ml酱油样品于液体杯内进行采集,每个样品扫描2次,然后计算其平均光谱作为最终分析光谱。
30.s3.采用国标法测定酱油样品中的总酸含量,根据马氏距离将异常光谱剔除,然后根据含量高低,采取隔三取一的方法划分样品集,所有样品的总酸含量的测定结果如下表:
31.表1酱油样品总酸的化学测定值
[0032][0033]
s4.利用tq analyst 9近红外建模软件对光谱进行预处理和特征波段筛选,然后将酱油光谱与酱油样品的总酸含量的化学值进行关联,采用偏最小二乘法建立定量预测模型。选取的特征波段为1512nm-2224nm,表2为不同光谱预处理方法下的酱油总酸模型参数比较。
[0034]
表2不同光谱预处理方法下的酱油总酸模型参数
[0035][0036]
s5.通过不同光谱预处理方法的模型的校正集的决定系数(r2)、交互验证均方根误差(rmsecv)、检验集的决定系数(r2)、预测均方根误差(rmsep)比较发现,经msc处理后得到的酱油总酸含量预测模型为最优,其校正集r2=0.9803最高,交叉验正均方根误差rmsec=0.117最低。
[0037]
s6.图2为酱油总酸定量预测模型的校正集、检验集化学值与预测值的相关性。
[0038]
实施例2
[0039]
基于近红外光谱测定酱油样品还原糖的含量:
[0040]
方法步骤与实施例1相同。
[0041]
s1.样品的数据采集同实施例1,还原糖的含量范围为0.96-8.2g/100ml;
[0042]
s2.样品的近红外光谱采集方法同实施例1;
[0043]
s3.异常光谱剔除方法及样品分组方法同实施例1,所有样品校正集和检验集的还原糖含量的测定结果如下表:
[0044]
表3酱油样品还原糖的化学测定值
[0045][0046]
s4.利用tq analyst 9近红外建模软件对光谱进行预处理和特征波段筛选,然后将酱油光谱与酱油样品的还原糖含量的化学值进行关联,采用偏最小二乘法建立定量预测模型。选取的特征波段为1452nm-1940nm、2140nm-2284nm,表4为不同光谱预处理方法下的酱油还原糖模型参数比较;
[0047]
表4不同光谱预处理方法下的酱油还原糖模型参数
[0048]
[0049]
s5.通过不同光谱预处理方法的模型的校正集的决定系数(r2)、交互验证均方根误差(rmsecv)、检验集的决定系数(r2)、预测均方根误差(rmsep)比较发现,由msc处理后得到的模型最优,其校正集r2=0.9834最高,校正均方根误差rmsec=0.281最低。
[0050]
s6.图3为酱油还原糖定量预测模型的校正集、检验集化学值与预测值的相关性。
[0051]
实施例3
[0052]
基于近红外光谱测定酱油样品可溶性无盐固形物的含量:
[0053]
方法步骤与实施例1相同。
[0054]
s1.样品的数据采集同实施例1,可溶性无盐固形物的含量范围为2.83-22.08g/100ml;
[0055]
s2.样品的近红外光谱采集方法同实施例1;
[0056]
s3.异常光谱剔除方法及样品分组方法同实施例1,所有样品校正集和检验集的还原糖含量的测定结果如下表:
[0057]
表5酱油样品可溶性无盐固形物的化学测定值
[0058][0059]
s4.利用tq analyst 9近红外建模软件对光谱进行预处理和特征波段筛选,然后将酱油光谱与酱油样品的可溶性无盐固形物含量的化学值进行关联,采用偏最小二乘法建立定量预测模型。选取的特征波段为1132nm-1364nm、1508nm-2224nm,表6为不同光谱预处理方法下的酱油可溶性无盐固形物模型参数比较。
[0060]
表6不同光谱预处理方法下的酱油可溶性无盐固形物模型参数
[0061]
[0062][0063]
s5.通过不同光谱预处理方法的模型的校正集的决定系数(r2)、交互验证均方根误差(rmsecv)、检验集的决定系数(r2)、预测均方根误差(rmsep)比较发现,由fd处理后得到的模型最优,其校正集r2=0.9964最高,校正均方根误差rmsec=0.388最低。
[0064]
s6.图4为酱油可溶性无盐固形物定量预测模型的校正集、检验集化学值与预测值的相关性。
[0065]
酱油中的氨基酸态氮、食盐、全氮、铵盐等质量指标的近红外模型建立方法与以上总酸、还原糖、可溶性无盐固形物相同。
[0066]
尽管已经示出和描述了本发明的实施例,但本具体实施例仅仅是对本发明的解释,其并不是对发明的限制,描述的具体特征、结构、材料或者特点可以在任何一个或多个实施例或示例中以合适的方式结合,本领域技术人员在阅读完本说明书后可在不脱离本发明的原理和宗旨的情况下,可以根据需要对实施例做出没有创造性贡献的修改、替换和变型等,但只要在本发明的权利要求范围内都受到专利法的保护。