低脂冰淇淋质构与色差相关性分析

张雪婷，蒋 辉，邹 慧，孙马龙，贺红军

(烟台大学生命科学学院，山东烟台264005)

低脂冰淇淋质构与色差相关性分析

张雪婷，蒋 辉，邹 慧，孙马龙，贺红军

(烟台大学生命科学学院，山东烟台264005)

利用水溶性壳聚糖作为脂肪的替代品，制作了不同脂肪替代度的低脂冰淇淋.采用质构仪和色差计分别对所制得的低脂冰淇淋品质进行分析，然后使用SPSS19.0对色差值与质构特性的结果进行主成分分析和相关性分析，并利用神经网络对其相关性进行验证和预测.结果表明，色差值与质构参数二者之间具有一定相关性(R=-0.916～-0.287).结合神经网络预测可知，色差值可以来预测冰淇淋的质构特性(R=0.922～0.957)，说明冰淇淋外部的光学属性与其内部的质构属性之间存在着联系.

低脂冰淇淋;TPA;神经网络;色差

传统的冰淇淋口感细腻、香味浓郁，但脂肪含量很高［1］，一般在8%～16%，而低脂冰淇淋的脂肪含量为4%～6%［2］.目前对冰淇淋品质的研究方法主要是采用质构剖面分析法(Texture profile analysis，TPA)，对冰淇淋的硬度、弹性、内聚性、黏性等质构特性进行客观的测定［3-4］，可以避免人为因素对评价结果的主观影响.但TPA法容易受样品不同部位、待测规格大小所影响［5］，而且是一种破坏性的测定质构的方法，通常测试过的样品不可再利用，造成浪费.色差也是评价食品品质的一个重要属性［6］，它除了对食品的感官品质有影响外，和食品的物理、化学等属性也有一定的相关性［7］.研究表明食品的质构和色差之间有一定的相关性［8］，因此可以通过分析低脂冰淇淋的色差与质构的相关性，利用不对样品造成破坏的方法，从冰淇淋的外部光学属性来反映其内部的质构属性［9］.本研究选用壳聚糖作为脂肪的替代品，制作出低脂冰淇淋，通过测定其质构与色差数据对其品质进行了分析.这对建立低脂冰淇淋的评价模型，以及此类食品的研究和评价有着重要的理论意义.

1 材料与方法

1.1 材料与试剂

脱脂乳粉:黑龙江省完达山乳业股份有限公司;白砂糖:山东嘉鑫糖业有限公司;淀粉:山东高密华圆糖业有限公司;多美鲜植物黄油:上海高夫食品有限公司;海藻酸钠:天津市福晨化学试剂厂;水溶性壳聚糖:济南海得贝海洋生物有限公司.

1.2 主要仪器设备

LDZXt30KBS立式压力蒸汽灭菌器:上海申安医疗器械厂;HR7638均质机:珠海飞利浦家庭电器有限公司;IM3tB冰淇淋搅拌机:珠海飞利浦家庭电器有限公司;FJt200高速分散均质机:上海标本模型厂;TMStPro型质构仪:Food Technology Corporation;色差计:山东烟台翔瑞试验机械设备有限公司.

1.3 冰淇淋配方

脱脂奶粉:12%;蔗糖:13%;海藻酸钠:0.3%;淀粉:2.4%;鸡蛋:13%;水:59.3%.

水溶性壳聚糖经温水溶解后，再加入到混合好的料液中，其中壳聚糖的添加量分别为:0.01%、0.03%、0.05%、0.07%、0.09%、0.11%、0.13%、0.15%、0.17%、0.19%、0.21%.

1.4 试验方法

1.4.1 工艺流程原料处理→原辅料混匀→均质→杀菌→冷却→老化→凝冻→罐装→硬化→成品［10］.

1.4.2 操作要点原料混合:将糖和海藻酸钠溶解于约60℃的水中，然后加入奶粉、鸡蛋以及糊化后的淀粉;均质:将混合均匀的料液在18 MPa的条件下进行均质处理;杀菌:均质后的料液进行灭菌，条件为80℃，20 min;冷却老化:将杀菌后的料液放至于4℃冰箱中老化.

1.4.3 TPA测定试验采用美国Food Technology Corporation(FTC)公司的TMS-Pro型质构仪对冰淇淋样品进行TPA测试.测定前样品在-18℃冰箱中贮藏12 h，取出后在室温下迅速测定，每个样品进行3次平行试验.测试条件如下:测前速率为60 mm/min;测后速率与测前速率一致;2次压缩之间的停留间隔:0 s;圆盘挤压探头P/75;最小触发力: 0.3 N;测试距离30 mm;每项测试重复3次［11］，测定统一在室温下进行.

TPA的全质构分析结果有多种，黏性、内聚性、弹性、硬度、回复性、咀嚼性等指标通常用于评价冰淇淋.这些指标的定义如下:黏性:探头上行时所受到的阻力，第二次压缩的相对抵抗能力;内聚性:第二次压缩的相对抵抗能力，表现为2次压缩所做正功之比;弹性:第二次压缩的测量高度同第一次测量的高度的比值;硬度:第一次压缩时的最大峰值，也就是样品达到一定变形程度所必需的力;回复性:回复值第一次压缩中的“回收”阶段的面积同下压穿刺阶段面积的商;咀嚼性:用于描述固态测试样品，用硬度、胶黏性和弹性的综合体现.

1.4.4 色差测定试验色差测定前样品在-18℃冰箱中贮藏12 h，取出后在室温下迅速测定，每个样品进行3次平行试验.测试时的光照会对测定结果有影响，所以测试时选择没有窗户的房间，开有日光灯，在室温约28℃的条件下进行测定.

1.4.5 试验数据分析利用SPSS19.0对质构和色差进行主成分分析和相关性分析，同时利用人工神经网络对其相关性进行验证及预测.

2 结果与讨论

2.1 低脂冰淇淋的感官评价和TPA测试分析数据

表1是通过质构仪测定的试验结果，由组内单因素方差分析得到每组组内的显著性关系.

表1 低脂冰淇淋TPA测定结果(s)Tab.1 TPA test results of low-fat ice cream(s)

表1 低脂冰淇淋TPA测定结果(s)Tab.1 TPA test results of low-fat ice cream(s)

注:相同字母表示同一列差异不显著(P＞0.05)，不同字母表示差异显著(P＞0.05).

?

由表1可以看出，在不同的壳聚糖添加量下，冰淇淋的TPA测定结果的硬度、弹性、黏性、内聚性、回复性和咀嚼性不存在明显差异.当壳聚糖的添加量在0.01%～0.07%时，各项指标的差别不大，这可能是由于壳聚糖的添加量在较小的范围时，对冰淇淋的影响很小.当添加量逐渐增加后，冰淇淋的质构发生明显的变化，这可能是由于壳聚糖是一种增稠剂，随着其添加量的增加冰淇淋的胶黏性会随之升高，冰淇淋体系变得黏稠.冰淇淋浆料在搅打时较难混入空气，因此其弹性会有所下降，随之硬度也会有所增加.

表2是通过色差计测得的数据，由组内单因素方差分析得到每组组内的显著性关系.

表2 低脂冰淇淋色差测定结果Tab.2 Chromatic aberration test results of low-fat ice cream

由表2可知，在不同的壳聚糖添加量下，冰淇淋的色差测定结果也存在差异.色差计中的数值通常用L*、a*和b*来表示，其中L*表示明暗，+为偏亮，-为偏暗，a*表示红绿，+为偏红，-为偏绿，b*表示黄蓝，+为偏黄，-为偏蓝．随着壳聚糖添加量的增加，L*和a*值有所增加，b*值略有下降，低脂冰淇淋所呈现的颜色，可能是由于黄油中所含的β -胡萝卜素，黄油与壳聚糖的比例不同，对色差计的测定值有所影响.

2.2 TPA测定结果的主成分分析

对感官评定数据进行主成分分析(PCA)，共得到2个主成分，其方差贡献率分别为45.65%和37.81%，累计达83.46%，表明这2个主成分可以对冰淇淋的质构指标进行说明.将这2个主成分的TPA测定值绘制载荷图，得到最主要的4项TPA指标(图1).由图1可知，主成分1中的主要TPA指标是弹性和黏性，质地较黏稠的样品，在凝冻后恢复形变的速度也越快;主成分2中的主要TPA指标是硬度和内聚性，硬度较高的样品有助于维持其内部结构的稳定，从而呈现较高的内聚性.

图1 主成分载荷图Fig.1 Biplot of principal component analysis

2.3 色差结果与TPA测定结果的相关性分析

色差结果与TPA测试所得质构特性参数之间相关性分析结果如表3.

表3 色差与TPA参数的相关性系数Tab.3 Correlation analysis of characterization of TPA test and chromatic aberration test

表3中，相关系数的绝对值越大，表示相关性越强;相关系数越接近于0，相关性越弱.从表3中可以看出，色差指标中的L*与TPA测试中的弹性和回复性为负相关，其余各项指标均为正相关;a*与TPA测试中的4个指标均为正相关;b*与TPA测试中的弹性、回复性和咀嚼性为正相关，其余3个指标都为负相关.

a*与硬度达到了极显著的正相关，b*与黏性也达到了极显著的负相关，相关系数在0.899以上，属于强相关的范围，但与其他3个指标的相关性都较小．通过相关性分析可知，在用色差来描述质构特性时，主要考虑a*与b*分别对硬度和黏性的描述.

利用origin 8.0分别绘制硬度和a*及黏性和b*的线性拟合图，并得出以下公式:

式中:Y代表色差计的测量值，X代表TPA的测量值.方程(1)为硬度和a*两者之间的关系，方程(2)为黏性和b*两者之间的关系．

硬度与a*的线性关系如图2所示．由图2可知，硬度值越大，相应的a*值越小，而且硬度和a*有着极显著的相关性(R2=0.899 5)．这种高相关系数表明，冰淇淋的质构与色差之间有着紧密的联系，进一步表示冰淇淋内部物理性质硬度，可以通过外部光学属性来反映．这可能是由于黄油中添加有β -胡萝卜素，加入壳聚糖后对其的呈色有一定的影响.而黄油与壳聚糖的比例不同，从而影响了最终产品的硬度和颜色.

图2 硬度与a*的线性关系图Fig.2 Correlation between hardness and a*

黏性与b*的线性关系如图3所示．从图3可以看出，随着黏性的增加，b*值随之减小，且两者保持着极显著的相关性(R2=0.916 4)．其原因可能和硬度与a*值的关系相似.壳聚糖具有增稠剂的作用，随着壳聚糖添加量的增加，低脂冰淇淋形成更多的凝胶结构，其黏性也随之增加.壳聚糖与黄油比例的不同，使得最终产品黏性也有所不同，这也可以通过外部的光学属性反映出来.

图3 黏性与b*的线性关系图Fig.3 Correlation between gumminess and b*

2.4 基于神经网络的验证性预测分析

在神经网络预测的基础上，利用a*和b*分别对硬度和黏性进行预测，所得结果如图4、5所示.

图4 基于a*的神经网络硬度预测图Fig.4 Neural network prediction map of hardness based on a*

图5 基于b*的神经网络黏性预测图Fig.5 Neural network prediction map of gumminess based on the b*

由图4可知，由色差计对冰淇淋的硬度的预测值与质构仪测定的数值有很好的相关性，并且与其预测值的线性关系达到0.922.由图5可以看出，冰淇淋的黏性的预测值与质构仪测定的数值也有很好的相关性，线性关系达到0.958，两者均属于较强的相关范围，这也验证了之前相关性分析的结果.色差结果和TPA测定结果的相关性分析对比可知，以神经网络作为模式识别方法的预测值更加接近实际测定值，基本上可以反映样品的质构属性.这同样可以说明冰淇淋外部的光学属性与其内部的质构属性之间的联系，并且冰淇淋部分的质构特性可以通过色差值来描述.

3 结论

实验测定了在不同壳聚糖添加量下各低脂冰淇淋的质构参数和色差值.从TPA测定结果中提取出2个主成分，方差贡献率达到了83.46%，证明可以对冰淇淋的硬度、弹性、内聚性和黏性进行解释.结果显示，低脂冰淇淋的色差值和质构结果的大部分参数存在不同程度的相关性(R=-0.916～-0.287，P＜0.05或P＜0.01)，利用神经网络对相关性进行预测和验证，也得到了相同的结果．其中，硬度和a*以及黏性和b*之间有着极显著的相关性，色差值L*与质构参数之间没有明显的相关性．硬度和黏性可以分别通过a*和b*进行预测及描述，说明在低脂冰淇淋中其内部物理性质同外部光学属性有着较强的相关性，可以通过神经网络利用低脂冰淇淋的色差值预测其质构特性.

［1］周原，丁文平.糯米淀粉质低脂冰淇淋的品质研究［J］.食品科技，2011，36(2):79-82.

［2］Yilsay T O，Yilmaz L，Bayizit A A.The effect of using a whey protein fat replacer on textural and sensory characteristics of low-fat vanilla ice cream［J］.European Food Research and Technology，2006，222:171-175.

［3］Fongaro L，Kvaal K.Surface Texture Characterization of an Italian pasta by means of univariate and multivariate feature extraction from their texture images［J］.Food Research International，2013，51:693-705.

［4］钱镭，付尧，霍贵成.质构分析仪对不同种类冰淇淋质地品质的研究［J］.中国乳品工业2007，35(6):42-44.

［5］林婉玲，杨贤庆，李来好，等.脆肉鲩质构与感官评价的相关性研究［J］.现代食品科技，2013，29(1):1-7.

［6］Tiwari B K，Muthukumarappan K，Chenchaiah M，et al. Effect of ozonation on the rheological and colour characteristics of hydrocolloid dispersions［J］.Food Research International，2008，41(10):1035-1043.

［7］Alçiçek Z，Balaban M Ö.Development and application of“The two image”method for accurate object recognition and color analysis［J］.Journal of Food Engineering，2012，111(1): 46-51.

［8］Esteve M J，Frígola A，Rodrigo C，et al.Effect of storage period under variable conditions on the chemical and physical composition and colour of Spanish refrigerated orange juices［J］.Food and Chemical Toxicology，2005，43(9):1413-1422.

［9］Fan F H，Ma Q，Ge J，et al.Prediction of texture characteristics from extrusion food surface images using a computer vision system and artificial neural networks［J］.Journal of Food Engineering，2013，118:426-433.

［10］刘杏荣，赵莹莹，朱道辰，等.香草牛奶冰淇淋工艺及其品质评价［J］.食品科技，2012，28(1):232-234.

［11］杨莹莹，贺红军，郭萌萌，等.响应面法分析TPA测试参数对酸奶质构的影响［J］.现代食品科技，2013，29(6): 1282-1284.

Correlation Analysis between Texture and Chroma of Low-Fat Ice Cream

ZHANG Xue-ting，JIANG Hui，ZOU Hui，SUN Ma-long，HE Hong-jun
(School of Life Sciences，Yantai University，Yantai 264005，China)

The fat in ice cream is substituted in different degrees by water-soluble chitosan in the present research. The quality of obtained low-fat ice creams is evaluated by using colorimeter and texture profile analyzer.Principal component analysis and correlation analysis of chroma and textural parameters are conducted by using SPSS19.0，and the correlation is verified and predicted by using artificial neural networks.The results show that there is some correlation between colorimeter parameters and textural parameters(R=-0.916--0.287，P＜0.05 or P＜0.01).Combined with the artificial neural network prediction，the chromatic aberration can be used to predict the texture properties of ice cream(R=0.922-0.957)，and illustrate the relationship between the internal physical texture characteristics and external color values in ice cream.

low-fat ice cream;TPA;artificial neural network;chromatic aberration

TS277

A

(责任编辑 周雪莹)

1004-8820(2015)02-0130-05

10.13951/j.cnki.37-1213/n.2015.02.010

2014-08-28

山东省高等学校科技计划资助项目(101660).

张雪婷(1991-)，女，山东平度人，硕士研究生.

贺红军(hemiles@163.com)，高级工程师，博士，研究方向为农畜产品加工与贮藏.