基于拉曼光谱技术的面粉品质快速检测

窦 颖，孙晓荣*，刘翠玲，赵浩然

（北京工商大学计算机与信息工程学院，北京 100048）

基于拉曼光谱技术的面粉品质快速检测

窦 颖，孙晓荣*，刘翠玲，赵浩然

（北京工商大学计算机与信息工程学院，北京 100048）

由于目前国标法检测面粉水分、灰分以及湿面筋等品质参数的方法费时、费力，研究提出基于拉曼光谱分析技术建立面粉中水分、灰分和湿面筋的定量分析研究。实验随机采集100 份不同种类的古船面粉样本，采集样本的拉曼光谱，运用光谱预处理方法结合偏最小二乘法建立分析模型，所建立的水分（含量取值范围为13.3%～15.4%）、灰分（含量取值范围为0.46%～0.85%）和湿面筋（含量取值范围为28%～36.8%）定量模型的相关系数分别达到0.945 66、0.993 39、0.981 65，校正均方根误差分别为0.145、0.012 6、0.456。结果表明，通过拉曼光谱技术实现面粉品质快速、无损、高效的检测可行且具有较大的发展空间。实验还通过新旧面粉的拉曼光谱，建立2013年与2014年生产面粉的距离匹配分析模型，实现过期面粉的快速鉴别，实验准确率达100%。

面粉；拉曼光谱；偏最小二乘法；定量分析；距离匹配分析

由于富含各种人体所需的微量元素和营养物质等，面粉一直是我们日常饮食中必不可少的一部分。面粉中的主要成分有水分、蛋白质、碳水化合物、脂肪、维生素、矿物质以及各种酶等。其中水分含量可以影响面制食品的柔软度和保鲜时间，水分过高会使面粉结块容易发霉；灰分是面粉经高温灼烧后残留下的无机成分，其含量会影响面制食品的口感和色泽，如全麦面包的灰分含量就会高于馒头的含量；而湿面筋主要会影响面食的弹性和黏性等[1]。这些成分的含量是衡量面粉品质的重要指标，而面粉品质的好坏又直接影响面制食品的加工方式和口感，因此国家明文规定面粉中主要成分含量的范围[2]。目前传统国标法[3-5]检测这3 个量费时费力，许多研究人员都对面粉成分含量的无损、快速、准确的检测提出可行性想法，大多是基于面粉的近红外光谱进行建模预测[6-10]。

相关报道曝光一些不法商贩将过期的或贮存时间较长的面粉制作食品贩卖，甚至包括一些知名面包制造品牌，这些做法严重侵害消费者的权益并且在一定程度上也对消费者的健康造成危害。但是消费者仅仅通过外观是无法准确判别面粉是否适合食用的，相关部门的监管力度也明显不足，本实验通过面粉的拉曼光谱建立新旧面粉的定性分析模型，力求能够探索一种准确率高且方便快捷的鉴别办法。

随着拉曼光谱技术的飞速发展[11-12]，在材料、考古、药物和医学[13]等领域都有了较好探索和应用。在食品领域，普通拉曼光谱和表面增强拉曼光谱在定量[14-18]、定性[19-24]检测食品中非法添加物（如三聚氰胺、苏丹红等）、农药残留、细菌病毒中都有较好的发展和应用前景。本研究在此研究基础上，运用拉曼光谱技术建立面粉的水分、灰分和湿面筋的定量分析模型，同时对新旧面粉的定性快速分析模型进行研究。

1 材料与方法

1.1 材料与试剂

1.1.1 用于定量分析的样本

样本均采自古船面粉厂不同批次、不同种类的面粉产品，包括麦心粉（19 个）、富强（12 个）、精制雪花粉（4 个）、饺子粉（2 个）、面包粉（14 个）、军供粉（7 个）、金古船面粉（15 个）、高筋特精粉（8 个）、烤鸭面饼专用粉（2 个）、馒头专用粉（2 个）、精制雪花粉（4 个），按厂商要求配粉（11 个）共计100 个面粉样本。面粉样本的水分，灰分和湿面筋的数值均取自古船面粉厂采用国标法测量所得的数据。

1.1.2 用于新旧面粉鉴别的样本

随机采集30 个面粉样本的拉曼光谱，其中12 个面粉样本为2013年生产的产品，放置一年后进行拉曼光谱扫描，另18 个面粉样本为2014年生产的产品，出厂之后立即进行扫描。

1.2 仪器与设备

DXR激光共焦显微拉曼光谱仪 美国Thermo Fisher公司。

1.3 方法

1.3.1 参数设置

激光波长780 nm；激光能量20 eV；光栅400 lines/mm；光阑50；估计分辨率4.7～8.7 cm-1；扫描次数16 次。

1.3.2 实验原理

1.3.2.1 定量检测面粉品质

拉曼光谱是一种散射光谱，运用拉曼光谱建立被测物质的定量模型并进行分析的主要理论依据是：

式中：I为拉曼光谱的强度/cd；I0为入射光的强度/cd；c为样品分子的浓度/（mol/m3）；K为仪器和样品的参数，影响因素主要包括拉曼散射截面积、入射光和散射光的吸收系数等；L为样品池的厚度/cm。

因此实验在测量面粉中水分、灰分以及湿面筋的含量时，只要保持入射光的强度I0的恒定，就可依据拉曼光谱强度I和样品分子浓度c相互呈正比的关系，利用偏最小二乘（partial least squares，PLS）法分别建立3种成分的定量分析模型并进行预测。

在建立面粉中水分的定量分析模型时，实验通过测量O—H键的拉曼光谱强度来获得水分的含量，由文献[25-26]可知O—H键相对应的拉曼特征峰在3 400～3 200 cm-1。

湿面筋中蛋白质的主要成分是麦醇溶蛋白和麦谷蛋白，二者的含量和相互比例决定了湿面筋的含量和品质[27]，因此实验通过测定蛋白质的含量来获取湿面筋的含量，蛋白质相对应的拉曼特征峰为波数1 200～1 300 cm-1和1 500～1 650 cm-1。

灰分是一种复杂的混合物，光谱不易直接测得其含量，但由于面粉中纤维素与灰分含量之间具有较高的相关性[28]，实验在建立面粉中灰分的定量分析模型时，通过测定面粉中纤维素的含量来获取灰分含量，拉曼特征峰主要出现在波数2 917 cm-1和1 122 cm-1。

1.3.2.2 距离匹配鉴别过期面粉

距离匹配法的基本原理是计算待测样本光谱到每一个类别光谱中心点的距离，距离最小的类别即为待测样本的类别。它可以鉴别一个未知样本与2 个或更多已知类别样本的匹配程度，十分适合区分含有相同成分但含量不同的样本。

距离匹配的主要算法为首先给出一组已知类别的校正集样本，计算其每个类别的平均光谱和标准差光谱。标准差光谱计算公式如下：

式中：X 为各个类别校正集样本的均值；Xi为各个类别的校正集样本；N为各个类别校正集样本总数。

当未知类别的待测样本进行类别划分时，首先将待测样本的光谱与2个类别的平均光谱相减，得到相应的一条残差光谱，即2个光谱各个波长点的差异；然后将残差光谱再除以相应的标准差光谱，得到各个差异点所占权重。通过比对超出距离匹配限值的波长点所占百分比来划分所属类别。匹配限值是人为设置的。

1.4 数据分析

数据分析采用TQ Analyst软件进行定量分析建模以及距离匹配分析建模。

2 结果与分析

2.1 基于拉曼光谱技术的定量分析模型建立

2.1.1 拉曼光谱数据的预处理

实验数据采集时存在许多干扰因素，导致样本光谱存在一些偏差。对样本光谱进行适当的预处理可以使所建立的模型更加准确、稳定。由于实验样本是粉末状固体，为消除粉末颗粒分布不均匀以及粉末颗粒大小产生的散射影响，实验分别采用标准正态变量变换（standard normal variate transformation，SNV）和多元散射校正（multiplicative scatter correction，MSC）2 种方法对样本进行处理，且对光谱进行求导和平滑以减少噪声。采集的样本光谱图如图1A所示，预处理后的样本光谱图如图1B所示。

图1 100 个面粉样本的拉曼光谱图（A）和一阶导数的拉曼光谱图（B）Fig.1 Original (A) and first derivative (B) Raman spectra of 100 flour samples

2.1.2 定量分析模型的建立及预测

建立PLS法定量模型，并对检验集样本进行预测分析。其中建模所用样本76 个，预测样本17 个，剔除7 个异常样本，共100 个面粉样本。

表1 不同光谱预处理的模型结果（水分）Table 1 Spectral data for pretreatment parameters (moisture)

从表1可以看出，以水分的PLS定量模型而言，在MSC和SNV预处理前提下，无预处理的定量模型相关系数均在0.1，经过求导与平滑之后，相关系数提升到0.8以上，实验结果得到改善。采用SNV结合一阶导数+平滑（9 点）实验效果最好，如图2所示，相关系数达到0.945 66，校正均方差为0.145，相对预测均方差(relative mean square error of prediction，RMSEP)为0.187。“Ο”代表建模样本。

图2 水分的PLS定量模型Fig.2 PLS quantitative model of moisture

表2 预测样本真实值与预测值差值（水分）Table 2 Bias between actual values and predicted values of the prediction set samples (moisture) %

如图2、表2所示，水分的取值范围为13.3%～15.4%，17 个预测样本的真实值与预测值差值范围在-0.23%～0.39%之间，RMSEP为0.187。

建立灰分的PLS法定量模型，并对检验集样本进行预测分析。其中建模所用样本75 个，预测样本14 个，剔除11 个异常样本，共100 个面粉样本，采用SNV结合一阶导数+平滑（9 点）预处理方法，结果如图3所示。“O”代表建模样本。灰分的PLS定量模型相关系数为0.993 39，校正均方差为0.012 6。

图3 灰分的PLS定量模型Fig.3 PLS quantitative model of ash

表3 预测样本真实值与预测值差值（灰分）Table 3 Bias between actual values and predicted values of the prediction set samples (ash) %

如图3、表3所示，灰分的取值范围为0.46%～0.85%，14 个预测样本的真实值与预测值差值范围在-0.04%～0.05%之间，RMSEP为0.028 9。

建立湿面筋的PLS法定量模型，并对检验集样本进行预测分析。其中建模所用样本76 个，预测样本14 个，剔除10 个异常样本，共100 个面粉样本，采用SNV结合一阶导数+平滑（9 点）预处理方法，结果如图4所示。“O”代表建模样本。湿面筋的PLS定量模型相关系数为0.981 65，校正均方差为0.456。

图4 湿面筋的PLS定量模型Fig.4 PLS quantitative model of gluten content

表4 预测样本真实值与预测值差值（湿面筋）Table 4 Bias between actual values and predicted values of the prediction set samples (gluten content) %

如图4、表4所示，湿面筋的取值范围为28%～36.8%，14 个预测样本的真实值与预测值差值范围在-0.26%～1.24%之间，RMSEP为0.661。

3 个重要指标的定量模型都能够满足预测要求，水分的定量模型相关系数较灰分和湿面筋相比较低，是由于拉曼光谱对O—H键不够敏感。

2.2 基于拉曼光谱技术的定性分析模型建立

2013年与2014年生产的面粉样本拉曼光谱图无明显差异（图5），不能直接通过观察来进行判别。运用TQ Analysis软件建立不同生产年份面粉的距离匹配分析模型。定性分析模型数据预处理采用的方法为MSC和平滑（7 点）。距离匹配分析模型测试结果如图6所示。

图5 2013（A）年与2014（B）年生产的面粉样本拉曼光谱图Fig.5 Overlapping Raman spectra of flour samples produced in 2013 (A) and 2014 (B)

图6 距离匹配分析模型测试结果Fig.6 Test results obtained from distance matching analysis model

从图6可以看到，在图中2条直线可以清晰地辨识出2 种不同年份生产的样本的类别，从横坐标看2013年生产的面粉样本，相对2014年生产的面粉样本距离更小，说明更接近2013年这一类别。同理，从纵坐标看2014年的面粉样本相对2013年生产的面粉样本距离更小，说明更接近2014年这一类别。模型可以准确无误的将2种面粉检验样本分开，为过期面粉的鉴别提供了一个高效、简便的方法。

3 结 论

由于面粉品质检测的国标法过于繁琐，本研究基于拉曼光谱的面粉中水分、灰分和湿面筋的快速定量分析模型，并且研究采用不同光谱预处理方法如MSC、SNV、导数以及平滑等对模型相关参数的影响，以供研究人员参考、对比。3 个定量模型的结果都达到预测要求，相关系数均在0.9以上，预测效果理想。水分的实验结果要略低一些，由文献[25]可知，拉曼对水分的敏感度不高。实验证明采用拉曼光谱进行面粉品质分析是可行的，且具有深远的研究价值。

本研究同时结合现在市场上存在大量过期面粉的实际问题，研究基于拉曼光谱的新旧面粉快速分析模型。模型采用距离匹配算法，配合MSC以及平滑等光谱预处理方法，使实验鉴别结果准确率达到100%。该研究成果不仅为检验人员提供了一种可行、可靠的鉴别方法，还为消费者的权益及健康提供了保障。

参考文献：

[1] 朱小乔, 刘通讯. 面筋蛋白及其对面包品质的影响[J]. 食品科学, 2001, 22(8): 90-93.

[2] 闫李慧. 基于近红外光谱技术的面粉品质研究[D]. 郑州: 河南工业大学, 2012: 1-90.

[3] 卫生部, 中国国家标准化管理委员会. GB 5009.3—2010 食品中水分的测定[S]. 北京: 中国标准出版社.

[4] 卫生部, 中国国家标准化管理委员会. GB 5009.4—2010 食品中灰分的测定[S]. 北京: 中国标准出版社.

[5] 陈倩婷. 碱性蛋白酶水解小麦面筋蛋白的研究[J]. 饲料研究, 2013(3): 4-5.

[6] 闫李慧, 王金水, 金华丽, 等. 基于近红外光谱技术的面粉水分无损检测模型的建立[J]. 现代食品科技, 2011, 27(2): 235-238.

[7] 高居荣, 樊广华, 李圣福, 等. 近红外光谱技术分析小麦品质的应用研究[J]. 实验技术与管理, 2009, 26(3): 42-44.

[8] 刘翠玲, 吴胜男, 孙晓荣, 等. 基于近红外光谱的面粉灰分含量快速检测方法[J]. 农机化研究, 2013, 35(4): 144-147.

[9] 钱海波, 孙来军, 王乐凯, 等. 基于连续投影算法的小麦湿面筋近红外校正模型优化[J]. 中国农学通报, 2011, 27(18): 51-56.

[10] 金华丽, 卞科. 近红外光谱法检测小麦粉中的水分含量[J]. 中国粮油学报, 2010, 25(8): 109-112.

[11] 刘玲. 激光拉曼光谱及其应用进展[J]. 山西大学学报: 自然科学版, 2001, 24(3): 279-282.

[12] 马娜. 激光显微拉曼光谱仪的研究[D]. 西安: 西安电子科技大学, 2007: 1-53.

[13] 陈秀丽, 王桂文, 刘军贤, 等. 基于拉曼光谱的地贫红细胞种类识别方法的研究[J]. 分析测试学报, 2009, 28(4): 403-408.

[14] 褚小立. 化学计量学方法与分子光谱分析技术[M]. 北京: 化学工业出版社, 2011: 311-367.

[15] SHENDE C S, INSCORE F, GIFT A, et al. Analysis of pesticides on or in fruit by surface-enhanced Raman spectroscopy[C]//Optics East. International Society for Optics and Photonics, 2004: 170-176.

[16] 卜雅丽, 宦双燕, 刘湘江, 等. 均匀表面增强活性基底上孔雀石绿的SERS[J]. 上海师范大学学报: 自然科学版, 2008, 37(4): 390-395.

[17] 刘文涵, 杨未, 吴小琼, 等. 激光拉曼光谱内标法直接测定乙醇浓度[J].分析化学, 2007, 35(3): 416-418.

[18] CHENG Y, DONG Y, WU J, et al. Screening melamine adulterant in milk powder with laser Raman spectrometry[J]. Journal of Food Composition and Analysis, 2010, 23(2): 199-202.

[19] 韦娜. 拉曼光谱法检测辣椒制品中罗丹明B和掺兑地沟油的花生油[D].沈阳: 沈阳农业大学, 2013: 1-59.

[20] 孟耀勇, 廖昱博. 激光喇曼光谱技术在食品科学中的应用[J]. 激光生物学报, 2006, 15(4): 429-435.

[21] LOPEZ-DIEZ E C, BIANCHI G, GOODACRE R. Rapid quantitative assessment of the adulteration of virgin olive oils with hazelnut oils using Raman spectroscopy and chemometrics[J]. Journal of Agricultural and Food Chemistry, 2003, 51(21): 6145-6150.

[22] 马寒露, 董英, 张孝芳, 等. 拉曼光谱法快速检测掺入梨汁的浓缩苹果汁[J]. 分析测试学报, 2009, 28(5): 535-538.

[23] REID L M, O’DONNELL C P, DOWNEY G. Recent technological advances for the determination of food authenticity[J]. Trends in Food Science & Technology, 2006, 17(7): 344-353.

[24] BAETEN V, APARICIO R. Edible oils and fats authentication by Fourier transform Raman spectrometry[J]. Biotechnologie Agronomie Societe Environnement, 2000, 4(4): 196-203.

[25] 陈健, 肖凯军, 林福兰. 拉曼光谱在食品分析中的应用[J]. 食品科学, 2007, 28(12): 554-558.

[26] 马静, 马建锋, 张逊, 等. 拉曼光谱在植物细胞壁研究中的进展[J].光谱学与光谱分析, 2013, 33(5): 24-29.

[27] 郑少华. 小麦和小麦粉湿面筋含量测定影响因素的研究[J]. 福建分析测试, 2011, 20(1): 10-14.

[28] 金华丽, 王金水. 近红外光谱法检测小麦粉中灰分含量的研究[J].河南工业大学学报: 自然科学版, 2010, 31(1): 14-17.

Fast Determination of Flour Quality Based on Raman Spectroscopy

DOU Ying, SUN Xiao-rong*, LIU Cui-ling, ZHAO Hao-ran
(School of Computer and Information Engineering, Beijing Technology and Business University, Beijing 100048, China)

Raman spectroscopy was applied to replace the current methods for the determination of quality parameters of flour (including moisture, ash, and gluten content), since the conventional methods are time-consuming and laborious. Raman spectra of 100 samples from different flour types obtained from Guchuan flour mill were collected. Quantitative models were established using different pretreatment methods combined with partial least squares. The correlation coefficients of the established models for flour moisture, ash, and wet gluten were 0.945 66, 0.993 39, and 0.981 65, respectively, and the root mean standard error of calibration (RMSEC) were 0.145, 0.012 6, and 0.456, respectively. The results showed that Raman spectroscopy could be use for rapid, non-destructive, and efficient determination of flour quality. Qualitative models of different flours produced in 2013 and 2014 were also established based on distance matching analysis. The results showed that expired flour was indentified with 100% accuracy.

flour; Raman spectroscopy; partial least squares (PLS); quantitative analysis; distance matching analysis

S03；TS211

A

1002-6630（2014）22-0185-05

10.7506/spkx1002-6630-201422035

2014-06-09

北京市教委科研计划重点项目（KZ201310011012）；北京市教委科技创新平台建设项目（PXM_2012_014213_000023）；北京市自然科学基金项目（4142012）；北京市优秀人才资助项目（2012D005003000007）

窦颖（1990—），女，硕士研究生，研究方向为控制理论与控制工程。E-mail：m13146816314_1@163.com

*通信作者：孙晓荣（1976—），女，副教授，博士，研究方向为智能测量技术与数据处理、系统建模与仿真方法研究、智能控制方法。E-mail：sxrchy@sohu.com