虾样品不同采集状态对近红外光谱PLS模型的影响*

任瑞娟，柴春祥，鲁晓翔，李立杰，郭美娟

(天津商业大学生物技术与食品科学学院，天津市食品生物技术重点实验室，天津，300134)

近红外光谱技术是一种物理测定技术，它利用化学物质在近红外光谱区内的光学特性，快速测定某种样品中的一种或多种化学成分含量和特性［1］，是近年来迅速发展和推广的一种快速检测技术［2-3］。

该技术在水产品领域相关研究和应用非常有限，特别是虾类食品中，其应用研究未见报道［5］，主要原因是水产品成分复杂、水分含量高等特性导致光谱分析比较困难［6］。因此研究采用近红外光谱技术对虾新鲜度进行判别分析具有重要的现实意义。本研究在近红外光谱技术对南美白对虾新鲜度鉴别的基础上，进一步探讨了采集南美白对虾近红外光谱曲线时，不同的样品采集状态对PLS模型的影响。

1 材料与方法

1.1 材料与设备

南美白对虾:购自天津市王顶堤水产批发市场。

DA7200近红外光谱仪(瑞典波通仪器公司)，波长采集范围:950～1 650 nm，样品杯:直径75mm;分辨率 5.0 nm;Unscrambler10.3:CAMO 公司。

1.2 实验方法

用碎冰将鲜活虾块致死，分装在保鲜袋中，分为42份，根据虾的大小每份12～15只，其中一份作为新鲜样品，剩余41份分别置于冷藏(5℃)、冷冻(-18℃)、微冻(-3℃)3个温度下保藏待用，冷藏7份，冷冻19份，微冻15份。对样品进行分析时，每份样品分为2组，一组保持完整虾，另一组用组织捣碎机制成虾糜，分别对完整虾和虾糜样品进行分析。

利用DA7200近红外光谱仪采集完整虾和虾糜的光谱曲线。近红外光谱仪预热1 h，参数设置为装样3次，扫描3次，将一组完整虾放在140 mm样品杯中，放入样品槽采集其近红外光谱曲线;将另一组虾去头去壳，用组织搅碎机制成虾糜，取约100 g装入75 mm 样品杯中，厚度不小于0.5 cm［7］，测量虾糜温度后抚平表面，放入样品槽上采集近红外光谱曲线，同步对完整虾和虾糜的挥发性盐基氮［8］及菌落总数［10］进行测定。

2 结果与分析

2.1 理化指标分析

挥发性盐基氮(TVB-N)是反映水产品质量的一项重要指标［11］。TVB-N是指动物性食品由于细菌的作用，在腐败过程中使蛋白质分解后产生的具有挥发性的碱性含氮物质［11］，一般随鲜度的下降而增加，能够很好的反映鱼贝虾类等水产品的腐败程度［11］，TVB-N≤25 mg/100 g为一级鲜度，TVB-N≤30 mg/100 g为二级鲜度。也可用菌落总数来表明食品污染程度的轻重，菌落总数可用TBC［菌落总数(单位为CFU/g)的对数值(以 10为底数)］［13］表示，新鲜虾TBC 为4.4 左右，TBC≤5.0 为一级鲜度，TBC≤5.7为二级鲜度。图1和图2分别是南美白对虾在冷藏(5℃)、冷冻(-18℃)、微冻(-3℃)3个贮藏温度下完整虾和虾糜的TVB-N值及TBC值。

图1 三个贮藏温度下完整虾和虾糜TVB-N值变化Fig.1 Changes of TVB-N in complete shrimp and minced shrimp in three temperature

图2 三个贮藏温度下完整虾和虾糜TBC值变化Fig.2 Changes of TBC in complete shrimp and minced shrimp in three temperature

由图1、图2可知，随着贮藏时间的增加，TVB-N和TBC值都有所增加，贮藏温度越高，增加越快。冷藏条件下TVB-N和TBC值增加很快，很快达到一级鲜度上限，随时间的增加，达到二级鲜度上限并超出二级鲜度很多;微冻条件下，TVB-N和TBC值增加较为平缓，增长曲线位于冷藏条件和冷冻条件之间，随着贮藏时间的延长，逐步达到一级鲜度上限、二级鲜度上限甚至超出二级鲜度上限;冷冻条件下TVB-N和TBC值增加速度最慢，在很长时间内仍能保持在二级鲜度范围内，可见低温贮藏可以有效延长南美白对虾的货架期。对虾在贮藏期间TVB-N值增加是因为对虾含有大量的蛋白质，在内源酶和微生物分泌的蛋白酶等作用下，蛋白质水解成多肽，进而分解产生氨基酸，氨基酸通过脱羧、脱氨、脱硫等作用降解产生氨、胺类、有机酸及各种碳氢化合物，产生的胺类物质为碱性含氮化合物，具有挥发性的臭味，常有胺、伯胺、仲胺和叔胺等;并且随着贮藏时间的增加，微生物会大量繁殖，导致TBC值增加。同时从图1、图2中还可以看出，3个贮藏温度下完整虾TVB-N值及TBC值都略高于虾糜，这是因为在相同贮藏条件下，完整虾较携带较多的微生物，故TBC值较高，水产品生物胺的产生又与微生物呈正相关，TVB-N的量与这些生物胺的量存在一定的相关性，故完整虾TVB-N值也高于虾糜。

2.2 PLS模型分析

2.2.1 光谱预处理方法和最优波段的确定

近红外光谱仪采集的光谱除样品自身信息外，还包含了其他无关信息和噪声，如电噪声，样品背景及杂散光等［14］。因此在用化学计量学方法建立模型时，对光谱进行预处理，消除这些无关信息和杂散光，优化光谱信号，为进一步校正模型打下基础。采用Unscrambler10.3数学处理软件对光谱进行预处理，建立数学模型并验证模型。近红外光谱预处理方法很多，常用的方法主要有一阶导数、二阶导数、平滑处理、多元散射校正等［15］。经过反复计算，确定一阶导数、SG平滑和标准正态变化(SNV)为最优光谱预处理方法，950～1 450 nm为最优波段。图3～图6分别为完整虾原始近红外光谱图，经过一阶导数、SG、SNV处理的完整虾近红外光谱图，虾糜原始近红外光谱图和经过一阶导数、SG、SNV处理的虾糜近红外光谱图。由图3～图6可知，完整虾和虾糜样品的近红外光谱变化趋势大致相同但不重合，这是样品中吸收基团含量的不同导致的。2种样品的原始光谱图都出现了3个较为明显的吸收峰，分别在980、1 200和1 450 nm左右，是对南美白对虾中含C、N、H等基团的倍频及合频吸收［16］，这些吸收峰的出现及强度的差异可以较好地反映出虾在贮藏过程中脂肪、水分、胺类等物质的变化，含有丰富的光谱信息。随着南美白对虾贮藏时间的增加，虾体内蛋白质、脂肪等物质不断分解产生氨、胺类及各种碳氢化合物，C—H、N—H、O—H等含氢基团的含量不断变化，光谱吸收曲线也会发生变化。并且，3个温度条件下完整虾和虾糜样品的近红外光谱有严重的重叠，但虾糜样品光谱分布较完整虾光谱均匀，更能反映出不同的贮藏条件下光谱吸光度的变化。光谱经过一阶导数、SG和SNV处理后，得到的光谱信号更为明显，1 450～1 650 nm处的导数光谱比较平缓，包含的信息量较少。

2.2.2 PLS 模型的建立

图3 完整虾原始光谱图Fig.3 Near infrared spectrum of complete shrimp

图4 经过一阶导数、SG和SNV处理的完整虾光谱图Fig.4 Spectra of complete shrimp processed by first derivation，SG and SNV

近红外光谱定量分析中常用的方法主要有多元线性回归法(mLR)，逐步回归法(S mLR)，主成分回归法(PCA)，偏最小二乘法(PLS)等［17］。其中，偏最小二乘法既提取了光谱的主成分，也提取了浓度的主成分，进一步降低了噪音，提高预测能力。因此，目前PLS是近红外分析上应用最多的回归方法［18］。所以，本研究选择PLS法将光谱数据与TVB-N值及TBC值相关联，建立数学模型。本实验完整虾样品和虾糜样品各有42个，分别选取33个样品建立校正模型，采用杠杆值和化学误差［19］2个参数剔除异常值，经过异常值的剔除进行逐步优化，最后得到近红外光谱数据与TVB-N和TBC关联的最佳PLS回归模型。所得评价模型的参数如表1所示。

图5 虾糜近红外光谱原始图Fig.5 Near infrared spectrum of minced shrimp

图6 经过一阶导数、SG和SNV处理的虾糜光谱图Fig.6 Spectra of minced shrimp processed by first derivation，SG and SNV

表1 完整虾和虾糜PLS校正模型参数Table 1 PLSR modeling results of complete shrimp and minced shrimp

由表1可知，近红外光谱与TVB-N值和TBC值所建的PLS模型中，虾糜模型中的校正相关系数rc，校正决定系数Rc2，交叉验证相关系数Fv，交叉验证决定系数Rv2，均高于完整虾模型。虾糜TVB-N和TBC模型相关系数rc分别可达0.977和0.991，校正决定系数Rc2分别为 0.954 和 0.981，交叉验证相关系数rv分别为0.963和0.949，交叉验证决定系数Rv2分别为0.931和0.908;而完整虾TVB-N和 TBC模型相关系数rc分别可达0.963和0.920，校正决定系数Rc2分别为 0.928 和 0.846，交叉验证相关系数rv分别为0.929和0.865，交叉验证决定系数 Rv2分别为0.880和0.773。虾糜模型校正均方根误差RMSEC，校正均方根误差SEC，交叉验证均方根误差RMSECV，交叉验证标准误差SECV均低于完整虾模型。虾糜TVB-N和TBC模型校正均方根误差RMSEC分别为1.518和0.135，校正均方根误差SEC分别为1.544和0.139，交叉验证均方根误差RMSECV分别为1.957和0.313，交叉验证标准误差SECV分别为2.005和0.320;完整虾 TVB-N和TBC模型校正均方根误差 RMSEC分别为1.619和0.435，校正均方根误差SEC分别为1.651和0.443，交叉验证均方根误差RMSECV分别为2.238和0.557，交叉验证标准误差SECV分别为2.304和0.567，可见，虾糜模型参数优于完整虾模型参数。这是因为完整虾有虾壳和虾头的存在，采集光谱时很难保证其均匀性，影响到光谱信息，扫描虾糜光谱时尽可能控制虾糜颗粒大小一致、加样密实性一致、保持样品均匀性，克服了上述存在的问题，得到的光谱波动性小、信噪比高，有利于良好模型的建立。可见，采用虾糜采集近红外光谱曲线，所建的模型较优于完整虾。

2.2.3 PLS 模型的验证

除了用模型的基本参数衡量回归模型的质量优劣外，还需要通过模外检验评价回归模型的实际预测能力。因此，分别选用另外9份样品作为预测集检验模型的预测能力。完整虾TVB-N预测模型中相关系数为0.876，预测均方根误差 RMSEP为12.777，预测标准误差SEP为12.932;完整虾TBC预测模型中相关系数为0.723，预测均方根误差 RMSEP为0.877，预测标准误差SEP为0.919;虾糜TVB-N预测模型中相关系数为0.961，预测均方根误差 RMSEP为2.179，预测标准误差SEP为2.306;虾糜TBC预测模型中相关系数为0.943，预测均方根误差RMSEP为0.603，预测标准误差SEP为0.643，分别将完整虾和虾糜的TVB-N、TBC预测值与实测值进行比较，结果如表2、表3所示。

由表2可知，完整虾TVB-N预测结果中，有2个样品出现了较大的误差，可能是这2个样品在采集光谱时受到温度及湿度等环境的影响，产生了光谱曲线的漂移，出现了较大的偏差。其他样品得到较好的预测，但预测结果不是很理想，最大绝对值偏差6.980，最小偏差0.057，平均绝对值偏差2.262;完整虾TBC预测模型中，最大绝对值偏差 1.900，最小偏差0.046，平均绝对值偏差0.652，可以较准确的预测虾在贮藏期间TBC的含量。虾糜TVB-N预测结果中(见表3)，同样的2个样品出现了较大误差，其他样品都能得到很好的预测，最大预测绝对偏差5.027，最小偏差0.264，平均绝对预测偏差1.817，从模外验证结果可知，虾糜TVB-N模型较优于完整虾TVB-N模型;虾糜TBC预测模型中，最大预测绝对偏差2.456，最小偏差 0.011，平均绝对预测偏差 0.598，预测结果较优于完整虾TBC预测模型。

表2 完整虾样品TVB-N和TBC实测值与预测值比较Table 2 Comparing of the measured and predicted value of TVB-N and TBC in complete shrimp

表3 虾糜样品TVB-N实测值与预测值比较Table 3 Comparing of the measured and predicted value of TVB-N and TBC in minced shrimp

3 结论

对冷藏(5℃)、冷冻(-18℃)、微冻(-3℃)3个温度贮藏条件下的南美白对虾进行了鲜度判别分析，采用Unscrambler10.3软件选择了最佳光谱预处理方法和最优波段，建立了完整虾、虾糜的TVBN模型、TBC模型，并对模型进行评价和模外预测。以校正集决定系数Rc2、相关系数rc、校正均方根误差RMSEC、校正标准误差SEC、交叉验证集决定系数Rv2、相关系数rv、交叉验证均方根误差RMSECV和交叉验证标准误差SECV为校正模型评价指标，预测集相关系数、预测集均方根误差RMSEP、预测集标准误差SEP、预测值和实测值偏差为模外验证评价指标。结果表明，所建模型中，虾糜TVB-N模型和TBC模型较优于完整虾TVB-N和TBC模型，对3种贮藏条件下虾的TVB-N和TBC值都取得了较好的预测，可见，虾样品不同的光谱采集状态对PLS模型有很大影响，以虾糜作为近红外光谱采集状态优于完整虾。

［1］ 于红樱，祁慧娜，臧勇军.近红外分析技术在肉与肉制品分析中的应用［J］.肉类工业，2006(11):8-9.

［2］ Williams P C，Jaby F.Preliminary observation on the determination of wheat strength by near infrared reflectance［J］.Cereal Chmeistry，1988，65(2):109-114.

［3］ Daun J K，Clear K M，Willams P C.Comparison of three whole seed near infrared analyzers for measuring quality components of canola seed［J］.Journal of American Oil Chemistry，1994(71):1063-1068.

［4］ 党照，赵利.利用近红外分析技术测定胡麻种质资源品质［J］.西北农业学报，2008，17(2):110-113.

［5］ 任瑞娟，柴春祥，鲁晓翔.近红外光谱技术在水产品检测中的应用展望［J］.食品工业科技，2013，34(2):361-363.

［6］ 栾东磊.近红光谱分析技术在几种水产品中的应用研究［D］.青岛:中国海洋大学，2009.

［7］ 李志新.应用近红外品质分析仪测定马铃薯淀粉的研究［J］.黑龙江农业科学，2011(11):78-79.

［8］ SC/T 3032-2007.水产品中挥发性盐基氮的测定［S］.

［9］ GB4789.2-2010.食品安全国家标准，食品微生物学检验，菌落总数测定［S］.

［10］ 朱金虎.对虾品质评价及分级技术研究［D］.北京:中国农业科学院，2012.

［11］ 周德庆，马敬军，徐晶晶.水产品鲜度评价方法研究进展［J］.莱阳农学院学报，2004，21(4):312-315.

［12］ 任瑞娟，柴春祥，鲁晓翔，等.冷藏南美白对虾新鲜度的近红外光谱方法研究［J］.食品与发酵工业，2013，39(6):70-73.

［13］ 凌萍华，谢晶，赵海鹏，等.冰温贮藏对南美白对虾保鲜效果的影响［J］.江苏农业学报，2010，26(4):828-832.

［14］ 刘小敏，杨林，陈璇，等.NIR1501型近红外分析仪在鱼粉质检中的应用［J］.粮食与饲料工业，1996，14(9):23-27.

［15］ 张安红.对虾鲜度的可见/近红外光谱分析研究［D］.杭州:浙江大学，2013.

［16］ 任瑞娟，柴春祥，鲁晓翔，等.近红外光谱技术在南美白对虾鲜度判别中的应用［J］.食品与发酵工业，2014，40(3):168-172.

［17］ 杨琼.近红外光谱法定量分析及其应用研究［D］.重庆:西南大学，2009.

［18］ 罗阳.近红外光谱技术在鱼丸品质检测中的应用研究［D］.上海:上海海洋大学，2008.

［19］ Cook R D，Weisberg S.Residuals and Influence in Regression［M］.New York:Chapman and Hall，1982.