利用光密度法对掺假豆浆的定性判别研究

李东华，潘园园，李 根

（沈阳化工大学制药与生物工程学院，辽宁 沈阳 110142）

利用光密度法对掺假豆浆的定性判别研究

李东华，潘园园，李 根

（沈阳化工大学制药与生物工程学院，辽宁 沈阳 110142）

蛋白质含量是豆浆品质评价的主要指标，实验运用近红外光谱技术获得83 个真伪豆浆的光谱，并对光谱图和光密度值进行统计分析，研究以蛋白质为主要定性指标的豆浆品质等级划分的可行性，建立豆浆品质定性判别的标准。结果显示：在波长742.59～810.96 nm范围内，随着豆浆样品蛋白质含量的升高，吸收光谱峰值变化越大。实验选取OD810.96nm与OD742.59nm做光密度差值分布图，根据83 个校正集样品的光密度差值分布图，确定豆浆两级判别的检测标准为：ΔOD742.59～810.96nm大于0.062 9时，豆浆为不合格豆浆；ΔOD742.59～810.96nm小于或等于0.062 9时，豆浆为合格豆浆。根据该判别标准对37 个预测集样品进行判别，17 个不合格豆浆全部被判别，正确判别率100%，20 个合格豆浆中有2 个被误判成不合格，误判率10%，预测结果准确率较高。实验应用光密度法进行豆浆品质的评价是可行的，方法简明、结果可靠，可为豆浆品质快速检测技术的应用提供一种参考方法。

豆浆；光密度差值；近红外光谱；定性判别

豆浆是一种营养丰富植物蛋白饮品，因其营养丰富，口感良好，受到人们的喜爱。豆浆中不仅富含蛋白质及多种微量元素，还在防治高血脂、高血压、动脉硬化等方面具有很好的功效[1-2]。近几年豆浆掺假现象日益严重，这不仅有碍于豆浆行业的发展，长期摄入掺假成分更是危及到了消费者的人身健康，因此亟需一种快速鉴定豆浆品质的定性判别方法。

光密度（optical density，OD）表示被检测物所吸收的光密度，与溶质含量呈现正比关系，光密度法利用测定物质溶液的光密度间接测定溶质的量，具有快速、简便的特点，为了提高测量的精度常选用光密度差法[3-5]，因为许多变量，比如样品的尺寸、形状、位置、仪器等因素都会影响光密度的测量值，做光密度差值后可以抵消这些因素的影 响。

近红外光谱分析技术是近几年来被广泛应用的一种液体品质快速无损伤检测技术[6-8]，对于近红外光谱信息的有效提取，目前较多的研究是结合化学统计学方法进行光谱信息和质量参数的定性和定量分析[6,9-10]，分析和计算过程比较复杂，需要匹配相应的软件，利用光密度差法对近红外光密度值的进行分析处理，方法简单，易兼容，判别分析结果也较可靠。早在1964年Gerald等[11]利用光密度差法开展了苹果水心病的NIRS无损检测研究。Francis等[12]用透射光检测元帅苹果水心病和内部崩溃，采用光密度差法能正确分离91%的褐变苹果。涂润林等[13]采用光密度差法检测鸭梨黑心病，确定正常梨和黑心梨两级别的判别标准，根据该分级标准进行判别，130 个黑心鸭梨中有6 个被误判成正常梨，误判率为5.4%，32 个正常梨中有3 个被误判成黑心梨，误判率为9.5%；本实验通过分析豆浆近红外吸收光谱的特点，利用光密度差法对合格和掺假的豆浆样品进行初步定性判断，并对该方法在豆浆品质预测和掺假检验中的实用性进行分析和讨论。

1 材料与方法

1.1 材料与仪器

制备豆浆的大豆原料购买于 沈阳富友种子有限公司，收集的豆浆样品购买于沈阳市内多个农贸市场，豆浆香精、增稠剂、色素等均购买于沈阳南二添加剂市场。一共制备120 个样品，83 个样品作为定标集样品，37 个样品作为预测集样品，其中校正集样品包括57 个纯豆浆和26 个掺假豆浆，预测集样品包括20 个纯豆浆和17 个掺假豆浆；将样品按照顺序依次编号，供光谱和化学值的测定。

Purespect型近红外透射光谱仪 日本杂贺技术研究所；紫外-可见双光束扫描分光光度计 日本日立公司；电热恒温鼓风干燥箱 上海森信实验仪器有限公司；电子天平 北京赛多利斯仪器系统有限公司。

1.2 方法

1.2.1 真伪豆浆的制作

按照豆浆的典型制作工艺[14]制作纯豆浆（蛋白质含量≥2.0 g/100 g），再根据市场调查和有关掺假豆浆的报道，确定目前掺假豆浆主要是通过向纯豆浆中加入大量的水、增稠剂、豆浆香精、色素以及甜味剂等勾兑而成，因此本实验在蛋白质含量符合标准的纯豆浆基础上，通过现有的掺假手段，制备掺假豆浆。用于制备掺假豆浆的主辅料分别为：纯豆浆（豆水质量比为1∶10）、豆浆香精、豆浆增稠剂、甜蜜素、日落黄。

1.2.2 蛋白质含量的化学测定

根据豆浆行业标准[15-16]，实验确定以蛋白质含量为评价豆浆品质的主要指标，本实验采用考马斯亮蓝G-250法进行蛋白质含量的测定[17]。

1.2.3 近红外光谱的测定和预处理

采用日本杂贺技术研究所提供的Purespect型近红外光谱透射仪获取豆浆近红外光谱，准确量取50 mL常温的豆浆样品倒入烧杯中搅拌均匀，然后将烧杯放入样品杯内，随操作台转动5 min内完成光谱采集；仪器扫描波长范围为643.26～954.15 nm，采点间隔为1.29 nm，每个样品扫描3 次。采集的光谱数据根据比尔定律将其转化为光密度值，导入Unscrambler 6.1软件中对光谱进行平滑、背景扣除等处理[18-19]，利用Excel对处理后的光谱图和光密度值进行统计分析。

2 结果与分析

2.1 光密度临界值的确定

图1a为83 个校正集样品的吸收光谱图，为了清晰地反映由于蛋白质含量的不同所引起的光谱光密度值的不同，图1b是选择了比较有代表性的4 个样品，它们囊括了整个样本的蛋白质含量梯度，通过化学测定法确定4个样品的蛋白质含量为按1→4的顺序逐渐降低，因此图1b可以清晰地反映出光密度值随蛋白质含量的变化趋势。

图1 豆浆样品吸收光谱图Fig.1 Absorption spectra of soymilk samples

由图1可知，在742.59～810.96 nm范围内豆浆的吸收光谱变化较明显。随着豆浆样品蛋白质含量的升高，该范围内样品峰的斜率越高，波形变化较陡峭，由于光密度受仪器性能、外界环境等影响，本实验采用差值法消除一些因素的影响，实验选取OD810.96nm与OD742.59nm做光密度差值，ΔOD742.59～810.96nm值变化的过程恰好能描述蛋白质含量的变化，即豆浆品质变化的过程。实验对83 个样品的ΔOD742.59～810.96nm值分布进行了统计，结果见表1。

表1 ΔOD742.59～810.96nm值的分析结果Table1 Statistics results of ΔOD742.59－810.96nm

由表1可知，合格品与不合格豆浆样品的ΔOD值区间范围存在部分的重合，这说明不能简单地以区间范围来划分样品，因此，为了减少误判，需要选择一个准确的判断标准，因此利用Excel软件制作样品ΔOD值的正态分布图，见图2。

图2 ΔOD742.59～810.96nm值的正态分布图Fig.2 Normal quantie plot of ΔOD742.59－810.96nm

根据豆浆行业标准确定，当样品中的蛋白质质量分数小于2%时，样品判定为不合格，本实验依据样品蛋白质的化学实测值，将校正集样品分为两级，图2中，系列1为合格样品的正态分布图，系列2为不合格样品的正态分布图，系列1和系列2正态分布曲线重合部分，也就是合格品和不合格品会出现误判域，即合格品和不合格品判断的临界点为0.062 9。因此可以得出合格豆浆与不合格格豆浆检测判别标准为：ΔOD742.59～810.96nm值大于0.062 9时，豆浆为不合格样品；ΔOD742.59～810.96nm值小于或等于0.062 9，豆浆为合格样品。

2.2 光密度差值法的验证结果

利用确定的光密度临界值，对37 个验证集样品进行验证，验证结果见表2。

由表2可知，利用确定的判断标准，17 个不合格豆浆全部被判定出来，正确判别率达到100%，20 个合格豆浆中有2 个被误判成不合格，正确判别率为90%；对于合格品被误判这主要是由于这几个豆浆样品与其他合格样品相比，其中的蛋白质含量只稍微在标准值之上，光谱信号的差别难以区分造成的；此外实验中样品总数有限，不能较为全面的涵盖所有可能出现的情况，因此实验还应该继续扩充豆浆的数量和种类，并且采取措施提高检测的精度，尽量将误判率降至最低值。

表2 两个系列豆浆样品ΔOD742.59～810.96 nm值的分析结果Table2 Statistics results of ΔOD742.59－810.96 nm for 37 soymilk samples from predication set

3 结 论

本实验将常温的豆浆样品盛放到50 mL的烧杯中，并在5 min内保证样品均匀不分层的条件下采集豆浆的近红外吸收光谱，结果表明ΔOD742.59～810.96nm值越大，豆浆蛋白质含量越高。按照蛋白质含量的高低采用光密度差法检测真伪豆浆时，真假豆浆的判别的检测标准为ΔOD742.59～810.96nm值小于或等于0.062 9时，豆浆为合格豆浆；当ΔOD742.59～810.96nm值大于0.062 9时，豆浆为不合格品。

根据判断标准对预测集样品进行定性判别，17 个不合格豆浆全部被判定出来，正确判别率达到100%，20 个合格豆浆中有2 个被误判成不合格，误判率10%，预测结果误差较小，证明此判断标准可以满足实际应用的需要。

[1] 殷涌光, 刘静波. 大豆食品工艺学[M]. 北京: 化学工业出版社, 2006.

[2] 贺丰霞, 芮汉明. 豆浆对糖液清净效果的研究[J]. 食品工业科技, 2009, 30(4): 255-257.

[3] 汤耀法. 光密度的由来及其物理意义[J]. 中国医学物理学杂志, 1997, 14(3): 179-181.

[4] 韩东海, 刘新鑫, 鲁超, 等. 苹果内部褐变的光学无损伤检测研究[J].农业机械学报, 2006, 37(6): 86-88; 93.

[5] 王英娟, 贺敬, 李壮, 等. 光密度法测定蛋白核小球藻生物量[J]. 西北大学学报: 自然科学版, 2012, 42(1): 60-63.

[6] MELFSEN A, HARTUNG E, HAEUSSERMANN A. Accuracy of milk composition analysis with near infrared spectroscopy in diffuse reflection mode[J]. Biosystems Engineering, 2012, 112(3): 210-217.

[7] 王小燕, 王锡昌, 刘源, 等. 近红外光谱技术在食品掺伪检测应用中的研究进展[J]. 食品科学, 2011, 32(1): 265-269.

[8] 杨晋辉, 卜登攀, 王加启, 等. 近红外透反射光谱法测定牛奶成分[J].食品科学, 2013, 34(20): 153-156.

[9] 吴静珠, 徐云. 基于CARS-PLS的食用油脂肪酸近红外定量分析模型优化[J]. 农业机械学报, 2011, 42(10): 162-166.

[10] 张菊华, 朱向荣, 尚雪波, 等. 近红外光谱法结合化学计量学测定油茶籽油中脂肪酸组成[J]. 食品科学, 2011, 32(18): 205-208.

[11] GERALD S B, KENNETH L O. Nondestructive detection of watercore in delicious apples[J]. American Society of Hortieultural Science, 1964, 22(6): 75-85.

[12] FRANCIS F J, BRAMLAGE W J. Detection of watercore and internal Breakdown in delicious apples by light transmittance[J]. American Society of Horticultural Science, 1965, 87(8): 78-87.

[13] 涂润林. 基于光物性的鸭梨黑心病无损检测方法的研究[D]. 北京:中国农业大学, 2005.

[14] 江连洲. 植物蛋白工艺学[M]. 北京: 科学出版社, 2011.

[15] 中国轻工业联合会. QB/T 2132—2008 植物蛋白饮料豆奶(豆浆)和豆奶饮料[S]. 北京: 中国轻工业出版社, 2008.

[16] 商务部. SB/T 10633—2011 豆浆类[S]. 北京: 中国标准出版社, 2012.

[17] 南亚, 李宏高. 考马斯亮蓝G-250法快速测定牛乳中的蛋白质[J]. 饮料工业, 2007, 12(10): 41-44.

[18] CHEN Lanzhen, XUE Xiaofeng, YE Zhihua, et al. Determination of Chinese honey adulterated with high fructose corn syrup by near infrared spectroscopy[J]. Food Chemistry, 2011, 128(4): 1110-1114.

[19] 严衍禄, 赵龙莲, 韩东海, 等. 近红外光谱分析基础与应用[M]. 北京:中国轻工业出版社, 2005: 142-145.

Qualitative Discrimination of Adulterated Soymilk Using Optical Density Method

LI Dong-hua, PAN Yuan-yuan, LI Gen (College of Pharmaceutical and Biological Engineering, Shenyang University of Chemical Technology, Shenyang 110142, China)

Soymilk protein content is a major index for quality evaluation. In this study, near infrared spectra were obtained for 83 adulterated soymilk samples and then the spectra and optical density of these adulterated samples were analyzed by statistical methods. The feasibility for qualitative discrimination of soymilk quality was studied by using protein as the major qualitative index. At last, qualitative discrimination standard was established. The experimental results indicated that the spectral peak changed obviously in the wavelength range from 742.59 to 810.96 nm with an increase in soymilk protein content. The optical density OD810.96nmand OD742.59nmwere used to plot distribution diagram. Based on optical density distribution diagram of 83 calibration samples, the soymilk classification model of OD difference was confirmed as following: when its value of ΔOD742.59-810.96nmwas more than 0.062 9, the soymilk sample was classified into adulterated sample, otherwise it was normal soymilk sample. Totally 37 prediction set samples were classified according to the model; 100% of adulterated soymilk in the prediction set were classified as adulterated samples, and 2 of 20 normal soymilk samples were classified wrongly into adulterated samples. The preferable prediction results indicated that the accuracy of the developed method was superior. The feasibility of soymilk quality evaluation based on optical density combined with near infrared spectral data was confirmed. The method was simple and reliable, and could provide certain references for the rapid detection of soymilk quality.

soymilk; optical density; near infrared spectroscopy; qualitative discrimination

TS207.3；TS229

A

1002-6630（2014）20-0217-03

10.7506/spkx1002-6630-201420043

2013-12-24

辽宁省教育厅项目（L2014163）；辽宁省自然科学基金项目（2013020060）

李东华（1981—），女，讲师，博士，主要从事食品质量控制和无损检测研究。E-mail：lidonghua2004168@163.com