羧甲基賴(lài)氨酸是晚期糖基化終末產(chǎn)物代表之一，當(dāng)達(dá)到一定數(shù)量時(shí)能促進(jìn)糖尿病、腎病、動(dòng)脈粥樣硬化等疾病的發(fā)展和人體器官的快速衰老。某學(xué)者發(fā)現(xiàn)油炸薯片中CML含量可達(dá)22.2mg/kg，較同類(lèi)食品高，但實(shí)際生活中未將CML含量作為評(píng)價(jià)油炸薯片的指標(biāo)。很重要的一方面原因是常見(jiàn)的CML檢測(cè)方法各有弊端，而具有靈敏度高、可利用性好、穩(wěn)定性較強(qiáng)等特點(diǎn)的液相色譜-質(zhì)譜法，能對(duì)食品中CML進(jìn)行準(zhǔn)確的定量分析，但其操作繁瑣、耗時(shí)耗力、價(jià)格昂貴等。因此，實(shí)現(xiàn)快速、高效地檢測(cè)低劑量CML，對(duì)避免食用高含量CML的油炸薯片，保證消費(fèi)者健康及馬鈴薯產(chǎn)業(yè)的發(fā)展具有重要意義。

目前，國(guó)內(nèi)外已有對(duì)油炸薯片中有害成分和吸油量的分析，也有對(duì)CML的抑制研究，但少有對(duì)CML快速檢測(cè)方法的探討。高光譜圖像技術(shù)具有分辨率高、曲線連續(xù)、無(wú)損傷、無(wú)污染、可對(duì)物質(zhì)特征或成分進(jìn)行精確探測(cè)等特點(diǎn)。近年來(lái)，高光譜技術(shù)在城市測(cè)繪、精確農(nóng)業(yè)、環(huán)境監(jiān)測(cè)、軍事監(jiān)視以及計(jì)算機(jī)視覺(jué)等工業(yè)領(lǐng)域得到了普遍的認(rèn)可和關(guān)注。并且，由于高光譜光譜反射率與理化參數(shù)的相關(guān)性，可建立各種理化參數(shù)的光譜監(jiān)測(cè)模型，所以在測(cè)定食品或農(nóng)產(chǎn)品中重要營(yíng)養(yǎng)物質(zhì)、有害成分含量等方面的研究較多，在監(jiān)測(cè)食品或農(nóng)產(chǎn)品質(zhì)量方面取得重大進(jìn)展。國(guó)內(nèi)外也有利用高光譜成像快速檢測(cè)鮮切馬鈴薯片或塊莖的相關(guān)研究，但鮮見(jiàn)采用高光譜成像技術(shù)預(yù)測(cè)油炸薯片中CML含量的報(bào)道。本文采用高光譜圖像技術(shù)，以具有不同工藝參數(shù)的油炸薯片為研究對(duì)象，借助液相色譜-質(zhì)譜法測(cè)定CML含量，構(gòu)建3種預(yù)測(cè)模型并進(jìn)行對(duì)比。最終確定最佳快速穩(wěn)健模型，為尋找高效的CML低劑量檢測(cè)設(shè)備提供依據(jù)和手段，為更好地服務(wù)于食品企業(yè)，保證產(chǎn)品質(zhì)量。

1材料與方法

1.1材料與試劑

試驗(yàn)所用樣品為自制油炸薯片，采用如下制作過(guò)程：馬鈴薯粉加水1∶1（質(zhì)量比），和勻，將其揉成長(zhǎng)面團(tuán)，然后做成厚度為1.0cm的面塊，再熟化、冷卻，最后切為厚1.5mm的小片，油炸。試驗(yàn)采用不同的油炸溫度和時(shí)間如表1所示，共8個(gè)等級(jí)。本研究采用粉碎后的油炸薯片作為樣品。試劑采用CML標(biāo)準(zhǔn)品（純度為98.0%）和CML-D4同位素內(nèi)標(biāo)（化學(xué)純度為98.0%，同位素純度為97.9%）。

表1油炸溫度和時(shí)間

1.2儀器與設(shè)備高光譜成像采集系統(tǒng)如圖1所示，主要由1臺(tái)高光譜攝像儀、1個(gè)傳送裝置（自制）和1臺(tái)計(jì)算機(jī)組成。高光譜攝像儀通過(guò)USB2.0接口連接計(jì)算機(jī)，軟件作為驅(qū)動(dòng)控制攝像儀的平臺(tái)，電腦實(shí)時(shí)記錄和存貯數(shù)據(jù)信息。

圖1光譜圖像采集系統(tǒng)

固相萃取柱（體積3mL，填料質(zhì)量60mg，填料粒徑30μm）、超純水系統(tǒng)；真空固相萃取裝置；圓形水浴氮吹儀；超高效液相色譜儀、親水作用色譜柱（2.1mm×100mm，1.7μm）、三重四極桿串聯(lián)質(zhì)譜儀。

1.3試驗(yàn)方法1.3.1CML含量的測(cè)定

液質(zhì)聯(lián)用測(cè)定油炸薯片中CML含量與高光譜圖像采集同步。首先對(duì)薯片粉末進(jìn)行脫脂和水解，然后收集上清液，采用液相色譜-質(zhì)譜法測(cè)定。

1.3.1.1液相檢測(cè)條件

流動(dòng)相：A相為0.1%甲酸水溶液，B相為乙腈；進(jìn)行梯度洗脫，梯度洗脫參數(shù)如表2所示。柱溫：35℃；進(jìn)樣量：5μL；運(yùn)行時(shí)間7min。

表2梯度洗脫參數(shù)

1.3.1.2質(zhì)譜檢測(cè)條件

離子源：電噴霧正離子模式；監(jiān)測(cè)模式：多反應(yīng)監(jiān)測(cè)；毛細(xì)管電壓：3.5kV；錐孔電壓：20V；源溫度：150℃；脫溶劑氣溫度：400℃；脫溶劑氣流速：700L/h；碰撞能量：15V；MRM模式：CML質(zhì)荷比m/z205.22~m/z84.00定量，m/z205.22~m/z130.00定性，CML-D4m/z209.00~m/z87.70定性。

1.3.2高光譜圖像的采集

樣本高光譜圖像采集前，首先采集標(biāo)準(zhǔn)全白圖像和全黑圖像，然后再將已備好的（40±0.5）g油炸薯片粉末，作為一個(gè)待測(cè)樣本，均勻地平鋪在直徑為100mm的培養(yǎng)皿中，放置在傳送帶上，傳送裝置的速度為1.20mm/s，相機(jī)的曝光時(shí)間為90ms，物距為350mm。光譜儀的光譜范圍為371.05nm~1023.82nm，光譜分辨率為2.8nm，采樣間隔為0.51nm。采集數(shù)據(jù)時(shí)，攝像頭在傳送帶方向的垂直方向作橫向掃描，得到的是所掃區(qū)域全部像素點(diǎn)在1288個(gè)波長(zhǎng)處的圖像數(shù)據(jù)。同時(shí)隨著薯片的前進(jìn)，完成所需區(qū)域油炸薯片圖像數(shù)據(jù)的采集。為獲得理想?yún)^(qū)域的圖像，設(shè)定高光譜掃描程序中Width和Height的參數(shù)都是800。即圖像掃描行數(shù)為每幅800行，每行掃描的像素點(diǎn)數(shù)為800個(gè)，得到的高光譜圖像分辨率為800像素×800像素。所以，對(duì)于每一個(gè)油炸薯片樣本，采集后最終得到一個(gè)大小為800×800×1288的高光譜圖像數(shù)據(jù)塊。最后，為了消除成像儀的暗電流和光源強(qiáng)度分布不均造成的影響，需要對(duì)每個(gè)油炸薯片樣本高光譜圖像進(jìn)行黑白標(biāo)定。采用標(biāo)準(zhǔn)全白圖像和標(biāo)準(zhǔn)全黑圖像對(duì)采集到的原始高光譜圖像數(shù)據(jù)塊按照公式進(jìn)行標(biāo)定，得到黑白校正后的高光譜圖像數(shù)據(jù)。黑白校正公式如下。

式中：R為黑白校正后的圖像；L為原始反射圖像；W為全白反射圖像；B為全黑反射圖像。

1.3.3模型建立方法與數(shù)據(jù)處理方法

本研究采用主成分回歸、偏最小二乘回歸和BP神經(jīng)網(wǎng)絡(luò)3種方法建立模型。平均光譜數(shù)據(jù)的提取借助軟件ENVI5.1；黑白處理、標(biāo)準(zhǔn)散射校正預(yù)處理及模型的構(gòu)建均在MATLABR2014a中編程實(shí)現(xiàn)。

2結(jié)果與分析

2.1圖象的采集與光譜預(yù)處理試驗(yàn)中，每類(lèi)油炸薯片分別選取50個(gè)重復(fù)樣本，8類(lèi)樣品共400個(gè)樣本。相機(jī)拍攝各類(lèi)油炸薯片圖像如圖2所示，在可見(jiàn)光波長(zhǎng)658.77nm下的細(xì)節(jié)圖像如圖3所示。選擇標(biāo)準(zhǔn)正態(tài)變換（standardnormalvariate，SNV）作為光譜預(yù)處理方法，用來(lái)消除油炸薯片固體顆粒大小不一、表面不均勻產(chǎn)生的散射以及光程變化對(duì)漫反射光譜造成的影響。400個(gè)油炸薯片樣本在處理前后的光譜曲線圖如圖4所示。

圖28類(lèi)樣本的可見(jiàn)光圖像

圖38類(lèi)樣本在658.77nm波長(zhǎng)處的高光譜圖像

圖4a是400個(gè)樣本在1288個(gè)波段的原始平均光譜反射圖。由于首尾波段信噪比較低，所以除去371.05nm~472.86nm和880.49nm~1023.82nm的數(shù)據(jù)，得到從第200到1000個(gè)波段的信息，即剩余801個(gè)波段的光譜值。圖4b是所有樣本在801個(gè)波段的原始光譜值經(jīng)過(guò)黑白校正后得到。圖4c是圖4b經(jīng)過(guò)標(biāo)準(zhǔn)正態(tài)變換后的光譜圖。很明顯，經(jīng)過(guò)SNV處理過(guò)的光譜曲線具有清晰的吸收峰，且每類(lèi)薯片的光譜各有差別，這有利于預(yù)測(cè)模型的建立。

2.2油炸薯片中CML含量的測(cè)定結(jié)果

每種油炸薯片樣品取3個(gè)平行進(jìn)行測(cè)定，并確定這3次獨(dú)立測(cè)定結(jié)果的絕對(duì)值差小于等于其算術(shù)平均值的10%，將其平均值作為此類(lèi)油炸薯片樣品的實(shí)際CML含量值，結(jié)果如表3示。從表3看出，當(dāng)溫度在180℃時(shí)，隨著時(shí)間的延長(zhǎng)，CML含量呈現(xiàn)先增多后減少的趨勢(shì)，160s達(dá)到最大值為12.74μg/g，而后隨著時(shí)間的延長(zhǎng)CML含量有所下降。當(dāng)溫度220℃、時(shí)間240s時(shí)，CML含量比80s時(shí)明顯降低，僅為5.17μg/g。這與韓文鳳等的研究結(jié)果相一致：反應(yīng)溫度對(duì)體系中CML含量的影響較為復(fù)雜；在高溫加熱的反應(yīng)體系中，其含量隨著反應(yīng)時(shí)間的延長(zhǎng)呈先增大后減小的趨勢(shì)。采用此液質(zhì)聯(lián)用檢測(cè)方法，耗時(shí)費(fèi)力，成本高，且有毒。以下采用高光譜圖像技術(shù)提取數(shù)據(jù)，借助理化檢測(cè)方法測(cè)定的結(jié)果建立不同模型，預(yù)測(cè)CML含量。

2.3采用不同方法建立預(yù)測(cè)模型

隨機(jī)選擇全部樣本的70％作為訓(xùn)練集，剩余30％樣本作為測(cè)試集。本研究選用預(yù)測(cè)正確率（相對(duì)誤差不超過(guò)真實(shí)值的5%為預(yù)測(cè)正確）、決定系數(shù)和均方根誤差3個(gè)結(jié)果指標(biāo)對(duì)3種建模方法的精度進(jìn)行評(píng)價(jià)。

2.3.1主成分回歸

前15個(gè)主成分的貢獻(xiàn)率見(jiàn)表4，不同方法建立預(yù)測(cè)模型結(jié)果對(duì)比見(jiàn)圖5。

圖4400個(gè)油炸薯片樣本的光譜曲線

表38種油炸薯片樣品的CML含量測(cè)定結(jié)果

注：同列不同字母表示差異顯著（p<0.05）,相同字母表示差異不顯著（p≥0.05）

表4前15個(gè)主成分得分貢獻(xiàn)率

注：…表示由于主成分得分貢獻(xiàn)率逐漸減小，第4個(gè)到第15個(gè)主成分間的貢獻(xiàn)率都在0.0694%~0.0001%間，顯示出來(lái)意義不大，為減少冗余，故省略了中間。

由表4可見(jiàn)，前15個(gè)主成分得分可以呈現(xiàn)99.999%以上的原始光譜信息。因此，選取前15個(gè)主成分作為樣本集特征光譜，即將801個(gè)波長(zhǎng)壓縮為15個(gè)新變量作為特征變量，明顯提升了模型的運(yùn)行效率。由圖5a可知預(yù)測(cè)效果不理想，主成分回歸預(yù)測(cè)正確率為30.83%，決定系數(shù)為0.85，均方根誤差為1.3。

2.3.2偏最小二乘回歸

基于801個(gè)波段數(shù)的平均光譜反射值建立偏最小二乘回歸模型，選擇15個(gè)主成分，所獲得的測(cè)試集決定系數(shù)為0.84，均方根誤差為1.15，預(yù)測(cè)正確率為55.00%。如圖5b所示，與主成分回歸對(duì)比，預(yù)測(cè)正確率稍高，決定系數(shù)近似。這說(shuō)明，此模型仍然不能滿(mǎn)足預(yù)測(cè)油炸薯片中CML的含量。

2.3.3BP神經(jīng)網(wǎng)絡(luò)

運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型建立光譜值與油炸薯片中CML含量之間的映射關(guān)系，首先提取全部波段下圖像的平均光譜反射值，然后去除首尾具有噪聲的光譜，并對(duì)其進(jìn)行標(biāo)準(zhǔn)正態(tài)變量變換光譜預(yù)處理。最后對(duì)801列光譜數(shù)據(jù)運(yùn)用主成分分析融合，選取代表原始信息99.98%以上的前6個(gè)主成分作為神經(jīng)網(wǎng)絡(luò)的輸入變量部分，設(shè)計(jì)模型結(jié)構(gòu)，確定傳遞函數(shù)和訓(xùn)練函數(shù)，設(shè)置學(xué)習(xí)速率、誤差、迭代次數(shù)等參數(shù)，建立具有穩(wěn)健性和精確度的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

a.主成分回歸預(yù)測(cè)結(jié)果圖；b.偏最小二乘回歸預(yù)測(cè)結(jié)果圖；c.BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果圖。

圖5不同方法建立預(yù)測(cè)模型結(jié)果對(duì)比

基于400個(gè)樣本在第200到1000個(gè)波段下各個(gè)高光譜圖像的平均光譜反射值所建立的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，預(yù)測(cè)模型的結(jié)構(gòu)設(shè)為15-10-1，隱含層和輸出的傳遞函數(shù)分別為tansig和logsig，訓(xùn)練函數(shù)為traincgf。學(xué)習(xí)率設(shè)定為0.01，誤差設(shè)定為1×10-6。運(yùn)行結(jié)束，迭代次數(shù)共為4969次，運(yùn)行時(shí)間21s，誤差達(dá)到3.12×10-5。預(yù)測(cè)結(jié)果如圖5c所示，所獲得的測(cè)試集決定系數(shù)為0.99，均方根誤差為0.22，預(yù)測(cè)正確率為99.67%。2.3.4對(duì)比結(jié)果以建模集和預(yù)測(cè)集的決定系數(shù)、均方根誤差、預(yù)測(cè)正確率作為3種建模方法，預(yù)測(cè)CML含量的評(píng)價(jià)標(biāo)準(zhǔn)，對(duì)比結(jié)果如表5所示。

表5不同建模方法的CML含量預(yù)測(cè)結(jié)果對(duì)比

由表5可知，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)正確率較高，為預(yù)測(cè)油炸薯片中CML含量最優(yōu)的模型。

2.3.4最優(yōu)預(yù)測(cè)模型的選擇與穩(wěn)健性分析

對(duì)比顯示，基于第200到1000波段下的每個(gè)油炸薯片樣本圖像的平均光譜反射值，預(yù)測(cè)CML含量建立的BP神經(jīng)網(wǎng)絡(luò)模型最優(yōu)。為驗(yàn)證此模型的穩(wěn)健性，從油炸薯片樣本的高光譜圖像數(shù)據(jù)信息中，隨機(jī)抽取5組不同的訓(xùn)練集和測(cè)試集。保證模型結(jié)構(gòu)及所有參數(shù)不變，用這5組數(shù)據(jù)分別對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測(cè)試，結(jié)果如表6所示。

表6不同測(cè)試集的測(cè)試結(jié)果對(duì)比

從表6中可以看出，油炸薯片CML含量預(yù)測(cè)正確率平均值為96.23%，決定系數(shù)平均值為0.99，均方根誤差平均值為0.22。這說(shuō)明，該BP神經(jīng)網(wǎng)絡(luò)模型具有可靠的穩(wěn)健性和精度。

4結(jié)論

以含有不同CML量的油炸薯片為檢測(cè)對(duì)象，用高光譜成像儀采集其在371.05nm~1023.82nm波長(zhǎng)下的圖像，先提取其第200到1000波段下圖像的平均光譜反射值，然后經(jīng)過(guò)黑白校正和標(biāo)準(zhǔn)正態(tài)變量變換光譜預(yù)處理，最后對(duì)比主成分回歸、偏最小二乘回歸和BP神經(jīng)網(wǎng)絡(luò)3種模型建立方法。結(jié)果顯示，基于BP神經(jīng)網(wǎng)絡(luò)所建立的油炸薯片中CML含量預(yù)測(cè)模型最為準(zhǔn)確。并且經(jīng)過(guò)驗(yàn)證，該預(yù)測(cè)模型兼?zhèn)錅?zhǔn)確性和穩(wěn)健性。這說(shuō)明，高光譜圖像技術(shù)融合BP神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)油炸薯片中CML含量的準(zhǔn)確預(yù)測(cè)，可為食品中CML含量快速無(wú)損檢測(cè)提供重要依據(jù)。

萊森光學(xué)（深圳）有限公司是一家提供光機(jī)電一體化集成解決方案的高科技公司，我們專(zhuān)注于光譜傳感和光電應(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷(xiāo)售。

審核編輯 黃昊宇