近红外法测定豆浆蛋白质、脂肪和可溶性固形物含量

邱燕燕 孙娟娟 魏肖鹏 栾广忠，2 张玉静 胡亚云 辰巳英三

（西北农林科技大学食品学院1，杨凌 712100）（陕西省农产品加工工程技术研究中心2，杨凌 712100）（日本国际农林水产业研究中心3，日本筑波 305－8686）

近红外法测定豆浆蛋白质、脂肪和可溶性固形物含量

邱燕燕1孙娟娟1魏肖鹏1栾广忠1，2张玉静1胡亚云1辰巳英三3

（西北农林科技大学食品学院1，杨凌 712100）（陕西省农产品加工工程技术研究中心2，杨凌 712100）（日本国际农林水产业研究中心3，日本筑波 305－8686）

利用傅里叶变换近红外光谱仪采用积分球漫反射方式对60个豆浆样品进行光谱的采集，结合常规分析结果分别建立了3种成分的近红外校正模型。结果表明：豆浆蛋白质、脂肪及可溶性固形物光谱分别经过消除常数偏移量、一阶导数和矢量归一化（SNV）预处理后建模效果最好。蛋白质、脂肪和可溶性固形物含量的校正模型决定系数（R2）分别为：0.966 4、0.950 0和0.950 7，交叉验证均方根差（RMSECV）依次为0.076 9、0.087 4和0.316；对模型进行外部验证，验证集化学值和模型预测值之间差异不显著，说明模型可以用于豆浆中蛋白质、脂肪和可溶性固形物含量的检测。

傅里叶变换近红外光谱 豆浆 蛋白质 脂肪 可溶性固形物

豆浆是我国传统的植物蛋白饮料，不仅富含蛋白质，脂肪，钙、磷、铁等矿物质和维生素等，还含有异黄酮、皂甙等生物活性物质，消化率高达95%，可被人体充分利用，适合“乳糖不耐受症”、心血管疾病以及糖尿病患者饮用[1－3]。据中国豆制品专业委员会统计显示，我国每年豆浆消费量为60～70万t，约占传统豆制品消费总量的10%～20%[4]。蛋白质、脂肪和可溶性固形物含量是评价豆浆品质的重要理化指标，由于常规检测方法过程繁琐，耗时较长，国内企业大多数凭经验或通过手持折光仪判断豆浆品质，因此建立一种快速检测豆浆营养品质的方法十分必要。

近红外光谱分析技术是一种高效快速的现代分析技术，该技术分析速度快、效率高，样品无需预处理，易于实现在线分析，因此在农产品检测中有广泛应用[5－8]。目前，豆制品近红外检测的研究主要对大豆中蛋白质、脂肪、水分、异黄酮及各种氨基酸等成分的测定[9－11]，但对豆干、豆腐及豆浆等豆制品的近红外研究少有报道。张建新[12]等应用傅里叶变换近红外光谱技术，以豆腐干为材料建立了总酸、蛋白质及含水量的定量分析模型，模型决定系数均在0.97以上，模型精度较高。李东华[13]等利用近红外光谱技术采用透射方式采集豆浆光谱，建立了豆浆中蛋白质和总固形物含量在谱段643.26～954.15 nm范围内的数学模型，实现了对真假豆浆的判别，但该谱段不能包含蛋白质和总固形物含量的全部信息，并未对豆浆中脂肪含量的近红外检测进行研究。

本试验利用傅里叶变换近红外光谱仪，采用积分球漫反射方式对60个不同豆浆样品进行光谱采集，结合常规方法测定结果分别建立了豆浆中蛋白质、脂肪和可溶性固形物含量在4 000～12 000 cm－1（波长为800～2 500 nm）波数范围内的近红外模型并进行验证，以期为建立豆浆主要成分的快速检测方法提供一定的参考依据。

1 材料与方法

1.1 材料

大豆原料部分采自杨凌（20个）、河南（17个）等地的超市或粮油店，部分（23个）由银川农科院提供，共计60个样本。

1.2 仪器设备

傅里叶变换近红外光谱仪（MPA.0331.04）：德国Bruker公司；全自动凯氏定氮仪（KJELTEC 8400）：瑞典FOSS公司。

1.3 试验方法

1.3.1 豆浆的制备

参照李平[14]等的方法进行豆浆的制备，每个大豆样品制备1个豆浆样品：大豆经挑选除杂，准确称取100 g大豆清洗后加入3倍质量的蒸馏水4℃下浸泡过夜（约16 h），然后用干豆总量的8倍水进行研磨（磨浆所用的水量应扣除干豆所吸收的水分），得到的生浆经200目尼龙布过滤后，加热煮沸，保持10 min，在4℃冰箱中冷藏备用。

1.3.2 豆浆主要成分的测定

豆浆中蛋白质及脂肪含量分别按照GB/T 5009.5—2010《食品中蛋白质的测定》和 GB/T 5413.3—2010《婴幼儿食品和乳品中脂肪的测定》进行测定，可溶性固形物含量利用数显折光仪进行测定。每个样品各个指标分别进行2次平行试验。

1.3.3 样品近红外光谱的采集

利用傅里叶变换近红外光谱仪，采用积分球漫反射方式采集光谱，以空气为参比，波数范围为12 000～4 000 cm－1，扫描次数为 64次，分辨率为8 cm－1。将制备的豆浆样品快速冷却至室温（约25℃），搅拌均匀，用移液枪移取1 mL样品至样品杯中，保证样品杯底无气泡出现，进行光谱采集，每个样品光谱采集3次，以平均光谱作为样品光谱。

1.3.4 模型建立及验证

首先利用OPUS7.0软件对样品光谱进行预处理，预处理方法分别采用矢量归一化（SNV）、多元散射校正（MSC）、消除常数偏移量、一阶导数及二阶导数五种方法。光谱预处理后，采用偏最小二乘法进行模型的建立与验证。样品的校正集和验证集由软件进行划分，其中校正集进行模型的建立，验证集对模型进行外部验证，模型的建立和验证分别采用内部交叉验证法和外部检验法。

1.4 数据处理

分别利用Excel和Origin 7.0软件对数据进行分析。

2 结果与分析

2.1 豆浆样品常规分析结果

豆浆样品各组分含量见表1。由表1可知豆浆中蛋白质含量分布在2.63%～4.42%范围内，脂肪含量分布在1.54%～3.12%范围内，可溶性固形物含量分布在5.10%～10.60%范围内。3种成分含量范围相对较广，基本覆盖了豆浆中可能出现的含量范围，并且验证集样本的蛋白质、脂肪和可溶性固形物含量范围均在校正集范围内，说明样品具有一定的代表性，可准确进行模型的建立。

表1 豆浆样品成分常规测定结果

2.2 豆浆光谱采集方式的选择

图1 1个豆浆样品的漫反射和透射光谱图

为了选择一种合适的光谱采集方式，本试验分别采用了漫反射和透射2种方式对1种豆浆样品光谱进行采集，图1中a、b两条光谱分别为1种豆浆样品的透射光谱和漫反射光谱。水分在8 403和10 309 cm－1处有较强吸收[15]，图 1显示在 12 000～8 000 cm－1范围内，漫反射光谱在 8 000 cm－1和10 000 cm－1左右有吸收峰，而透射光谱无明显吸收峰；4 000～8 000 cm－1波数范围内，两条光谱的吸收峰位置相同，透射光谱的吸收峰比漫反射光谱吸收峰更加明显，但是在5 000 cm－1左右处透射光谱吸收峰的吸光度要明显高于4.0，已经超出了本试验所用仪器的检测范围，而蛋白质的特征吸收波长主要为4 587和4 878 cm－1[15]，正好位于 4 000～6 000 cm－1波数范围内，若采用透射光谱会影响蛋白质模型的精度。脂肪在近红外区域的吸收主要是长链脂肪酸，吸收波长为 4 264、4 329、5 666、5 767和 8 333 cm－1[15]，由图 1可看出，漫反射光谱在这些波长附近均表现出一定的吸收，而透射光谱只在7 000和5 000 cm－1左右有吸收，所以对于脂肪模型的建立，采用积分球漫反射方式采集光谱更合适。综上所述，建立豆浆3种成分全谱段模型，采用漫反射方式进行豆浆光谱采集更合适。

2.3 校正模型的建立

近红外光谱在采集过程中会受到许多不确定因素（如基线漂移、样品均匀度和光散射等）的干扰，影响近红外吸收强度与样品中各项指标的关系，所以在建立模型之前有必要对原始光谱进行预处理[16]。

采用MSC、SNV、消除常数偏移量、一阶导数及二阶导数5种方法进行光谱预处理，原始光谱经过预处理后，在一定程度上可消除基线漂移及平缓背景干扰，从而提高模型精度。不同光谱预处理方法对豆浆蛋白质、脂肪及可溶性固形物校正模型的影响见表2。由表2可以看出，豆浆蛋白质、脂肪及可溶性固形物光谱分别经过消除常数偏移量、一阶导数和SNV预处理后，3种成分近红外模型R2分别最大，RMSECV分别最小，模型精度最高。

表2 不同预处理方法对豆浆蛋白质、脂肪及可溶性固形物校正模型精度的影响

校正模型的建立采用内部交叉验证法。内部交叉验证是依次剔除建模样品集中某一个或多个样本，用剩余样本来建模预测被剔除样本的成分，比较被剔除样本预测值与化学值的差异，由此来判断模型的预测准确性[17]，该方法主要是通过比较模型的决定系数（R2）和内部交叉验证均方根差（RMSECV）衡量模型的质量。

分别建立了豆浆蛋白质、脂肪和可溶性固形物含量的校正模型（图2为豆浆3种成分的校正结果），分析得到3种成分近红外校正模型的R2分别0.966 4、0.950 0和0.950 7，RMSECV分别为0.076 9、0.087 4和0.316。比较3种成分的近红外模型发现，豆浆蛋白质校正模型R2最高，可溶性固形物和脂肪较差，原因可能是原豆浆含有的一些水不溶性物质（如水不溶性蛋白质、纤维素等）及脂肪球颗粒对化学测定结果及光谱产生了干扰，从而影响了模型的精度。虽然可溶性固形物和脂肪校正模型精度略低，但3个模型的R2均达到了0.95，化学值和预测值之间偏差之和的绝对值均小于0.05%，说明模型预测值和化学测定值之间差异较小，两者相关性很高。

图2 近红外校正模型预测值和化学值关系散点图

2.4 模型的验证

为了检验校正模型的准确度，需要对模型进行外部检验。外部验证是选择一批与建模样本集独立无关的样本，通过比较独立样本预测值与实际分析值的差异来判断模型的预测准确性[18]。分别用3种成分的近红外模型对验证集进行外部检验，验证结果见表3。由表3可知3个模型的预测残差均较小，说明蛋白质、脂肪和可溶性固形物的近红外模型具有较好的预测性能，在一定范围内可以满足检测精度要求。

对预测值和化学值进行成对数据双尾t检验，可以看到3种成分的t值均小于t0.05，表明预测值和化学值之间差异不显著（验证结果见表4）。外部验证结果可知所建模型能够较准确预测豆浆中蛋白质、脂肪和可溶性固形物含量，表明近红外法可以应用到实际生产中。

表3 验证集样品的检验结果

表4 校正模型的评价结果

3 结论

利用傅里叶变换近红外光谱仪，采用积分球漫反射方式采集豆浆光谱并对豆浆中蛋白质、脂肪和可溶性固形物进行定量分析，结果显示3个模型的R2均达到了0.95，模型经过外部检验，验证集的化学值和预测值之间无显著差异，说明利用近红外光谱法对豆浆中蛋白质、脂肪及可溶性固形物含量进行同时快速检测是可行的。

[1]Zhang H，Li L，Tatsumi E，et al.High－pressure treatment effects on proteins in soymilk[J].LWT－Food Science and Technology，2005，38（1）：7－14

[2]林旭东，潘巨忠，凌建刚.豆浆的保健功能及研究进展[J].现代农业科技，2008（24）：146－146

[3]李莹莹，笪久香，栾广忠，等.不同干豆豆浆机制备豆浆的主要品质评价[J].大豆科学，2011，30（3）：493－496

[4]吴月芳.我国豆浆行业的现状与展望[J].农产品加工（上），2014（3）：32－33

[5]谭正林，吴谋成，傅延栋.近红外光谱技术在农产品品质检测中的应用[J].中国油料作物学报，2012，34（4）：455－460

[6]Wu JG，ShiC，Zhang X.Estimating the amino acid composition in milled rice by near－infrared reflectance spectroscopy[J].Field Crops Research，2002，75（1）：1－7

[7]Zhang L，Xu H，Gu M.Use of signal to noise ratio and area change rate of spectra to evaluate the Visible/NIR spectral system for fruit internal quality detection[J].Journal of Food Engineering，2014，139：19－23

[8]Melfsen A，Hartung E，Haeussermann A.Accuracy ofmilk composition analysiswith near infrared spectroscopy in diffuse reflection mode[J].Biosystems engineering，2012，112（3）：210－217

[9]Ferreira D S，Galão O F，Pallone JA L，et al.Comparison and application of near－infrared（NIR）and mid－infrared（MIR）spectroscopy for determination of quality parameters in soybean samples[J].Food Control，2014，35（1）：227－232

[10]王力立，段灿星，双少敏，等.大豆中异黄酮含量的测定及其近红外分析[J].食品科技，2011，36（1）：242－246

[11]李楠，许韵华，宋雯雯，等.利用近红外光谱技术快速检测大豆氨基酸含量[J].植物遗传资源学报，2012，13（6）：1037－1044

[12]张建新，李慧.傅立叶变换近红外光谱法测定豆腐干中总酸、蛋白质和水分含量[J].食品与发酵工业，2008，34（1）：124－128

[13]李东华，潘园园，张卉.利用近红外光谱技术检测掺假豆浆[J].农业工程学报，2014，30（3）：238－242.

[14]李平，栾广忠，宋阳，等.五通桥毛霉麸皮培养基的豆乳凝固酶活性研究[J].大豆科学，2014，2：264－268

[15]应义斌，韩东海.农产品无损检测技术[M].北京：化学工业出版社，2005：38－42

[16]唐长波，岳田利.近红外光谱检测果汁中的富马酸[J].西北农业学报，2007，16（2）：187－189

[17]王卫东，谷运红，秦广雍，等.近红外漫反射光谱法测定整粒小麦单株蛋白质含量[J].光谱学与光谱分析，2007，27（4）：697－701

[18]王雪莲，薛雅琳，赵会义，等.近红外法测定大豆脂肪酸值方法的研究[J].中国粮油学报，24（8）：152－154.

Determination of Protein，Fat and Soluble Solids Content of Soy Milk by Near－Infrared Spectroscopy

Qiu Yanyan1Sun Juanjuan1Wei Xiaopeng1Luan Guangzhong1，2Zhang Yujing1Hu Yayun1Eizo Tatsumi3

（College of Food Science＆Engineering，Northwest A＆F University1，Yangling 712100）（Shaanxi Engineering Center of Agro－product Processing2，Yangling 712100）（Japan International Research Center for Agricultural Science3，Tsukuba，Japan 305－8686）

With themode of integrating sphere diffuse，the spectra of60 soymilk sampleswere obtained by the Fourier transform near－infrared spectrometer（FT－NIRS）in this research.Combined with the results of chemical analysis，the calibration models of the three components were established separately.The calibration models had a best prediction performance when the spectra of the protein，fat and soluble solidswere preprocessed by constant offset elimination，first derivative and standard normal variate transformation（SNV）respectively.The determination coefficients（R2）for the protein，fat and soluble solids contentwere 0.966 4，0.950 0 and 0.950 7 respectively，and the rootmean square errors of cross－validation（RMSECV）were 0.076 9，0.087 4 and 0.316 respectively.External validation of themodel showed there was no significant difference between chemical values and model predictions，which indicated that the calibrationmodels could be used to detect protein，fatand soluble solids contentof soymilk.

FT－NIRS，soy milk，protein，fat，soluble solids

TS207.3

A

1003－0174（2015）10－0123－05

时间：2015－10－20 13：57：43

网络出版地址：http：//www.cnki.net/kcms/detail/11.2864.TS.20151020.1357.004.html

中日合作项目（K332021107）

2014－09－11

邱燕燕，女，1986年出生，硕士，粮油加工及贮藏

栾广忠，男，1968年出生，副教授，植物蛋白工程