基于智能仿生仪的发酵小米椒感官品质评价模型

易宇文 陈 刚 彭毅秦邓 静 张 旭 乔明锋 刘 阳 王 聪

(1. 四川旅游学院烹饪科学四川省高等学校重点实验室，四川 成都 610100； 2. 四川广播电视大学德阳分校绵竹工作站，四川 德阳 618000)

发酵小米椒是中国传统发酵调味食品，滋味酸辣，香味独特，能增进食欲、帮助消化，改善食品风味、防止腐败等作用，广泛应用于餐饮及休闲食品中[1-2]。目前泡制小米椒的品质评价主要依靠人工感官。人工感官的优点在于操作简便无需较高投入，但易受环境、个人喜好、年龄及身体状况等因素影响，造成评价结果的稳定性、重现性及客观性差[3-5]，因此需要引入智能感官分析技术辅助人工对发酵小米椒进行品质评价。

智能感官通过模拟人感官以获得检测对象的品质特征信息，并通过现代的信息处理技术，模拟人对检测对象进行判别处理[6]。目前电子鼻、电子舌、质构及色差仪等智能仿生仪器已广泛应用于食品检测与评价领域。如谢安国等[7]详细论述了电子鼻在食品风味分析中的应用进展；易宇文等[8]利用电子鼻技术结合人工感官，分析了不同鱼香肉丝调料在加热前后的风味变化；林科等[9]论述了电子舌在食品检测中的应用；王素霞等[10]曾对花椒酰胺浓度与电子舌探头响应规律进行研究；国艳梅等[11]利用色差仪估测番茄果实中番茄红素的含量；马庆华等[12]利用质构仪对不同来源的冬枣进行穿刺分析，建立了一套相应的质地检测方法。综上，利用智能防生仪器研究小米椒发酵过程的品质变化是可行的。

目前感官评价体系主要依靠人工感官评价指标为基础进行建立，利用智能感官全方位辅助人工感官建立发酵小米椒感官品质评价模型尚未见报道。李敬等[13]以M值法结合主成分分析筛选出7个感官评价指标，建立泡椒牛皮感官评价指标体系；王莉等[14]在建立泡椒牦牛黄喉感官评价描述词的过程中利用M值法对感官评价指标进行初选，再以主成分选出分别代表泡椒牦牛黄喉外观、质地、风味、色泽特征的观官品质描述词。

本试验通过智能感官分析与感官评价相结合，以相关性分析、主成分分析、逐步回归分析及拟合检验，简化感官评价指标；以泡椒的色差、质构、电子鼻及电子舌的主成分为自变量，以修正后的感官评价得分为因变量，进行多元线性回归和因子分析，研究小米椒发酵过程中的品质变化规律，建立一种客观的品质评价方法，以期为发酵小米椒品质的客观性评价提供相关理论支撑。

1 材料与方法

1.1 原料与仪器

1.1.1 试验材料

小米椒、大蒜、白砂糖、盐、蒸馏水、白醋、味精：成都市龙泉驿平安菜市场。

1.1.2 主要仪器设备

电子鼻：FOX 4000型，法国Alpha MOS 公司；

电子舌：α-ASTREE型，法国Alpha MOS 公司；

高精度食品物性分析仪：TMS-PRO型，美国TFC公司；

超声波清洗机：SB-3200DTDM型，宁波新芝生物科技股份有限公司；

水浴锅：HHS-8S型，北京中兴伟业仪器有限公司；

超纯水机：UPH-I-10T型，西安优普仪器有限公司；

电子天平：BT423S型，上海绿宇生物科技有限公司；

组织捣碎机：SD-1型，上海皖宁精密科学仪器有限公司；

恒温培养箱：ZG-150-S型，韶关市广智科技设备有限公司。

1.2 方法

1.2.1 发酵工艺

小米椒→挑选→清洗→称量→调味→调香→发酵→翻缸→成品

操作流程：挑选完整无破损的小米椒，清洗去除表面污垢，称量白糖20 g、食盐100 g、白醋60 g、味精2 g放入1 000 g 水中融化，将小米椒1 000 g、大蒜5 g放入其中，在28 ℃恒温发酵。

1.2.2 试验方法

(1) 电子舌分析：将小米椒和水按1∶10(质量比)进行捣碎，超声波90 kHz，常温提取10 min，取80 mL滤液。传感器采集时间120 s，清洗180 s，平行测定5次。

(2) 电子鼻分析：将小米椒捣碎称取2 g放置于顶空瓶中密封。顶空70 ℃，加热5 min，载气流量150 mL/s，进气量0.5 mL，数据采集时间120 s，数据采集延迟180 s，平行测定5次。

(3) 色差分析：将小米椒搅碎，利用色差仪分别测定L、a*、b*，平行测定3次。

(4) 质构特性：挑选大小较均匀的小米椒，单刀复合式剪切探头，形变量80%，剪切速度1 mm/s，返回速度1 mm/s，最小感应力0.375 N，平行测定7次。

(5) 感官评价：选择10名从事食品加工的人员组成评定小组，分别从色泽、体态、香味、质感、滋味进行感官评价，评定标准见表1。

表1 发酵小米椒感官评分标准Table 1 Sensory evaluation standard of pickled peppers

(6) 数据处理方法：数据处理分析采用Excel软件2010版，主成分、相关性及回归方程采用IBM SPSS 22.0。

2 结果与分析

2.1 发酵小米椒感官评价

2.1.1 感观分析 由表2可知，香味、滋味变异系数较高，分别为26.17%，23.37%；而体态、质感变异系数较小，分别为5.13%，6.35%，与体态、质感等指标相比，色泽、香味、滋味等指标更易区分。

2.1.2 感官指标间的相关性分析 发酵小米椒感官评价各指标相关性见表3。色泽与香味呈显著负相关(P<0.05)，与体态、质感呈正相关，与滋味、感官总分呈负相关；体态与香味、滋味、感官总分呈正相关，与质感呈负相关；香味与质感呈极显著负相关(P<0.01)，与感官总分呈极显著正相关(P<0.01)；质感与感官总分呈显著负相关(P<0.05)；滋味与感官总分呈极显著正相关(P<0.01)。综上，各指标间存在一定的相关性，说明各指标间存在信息重叠，为简化评价标准，可用部分指标代替其它指标。

表2 发酵小米椒感官评价结果Table 2 Interpretation of result in the sensory qualities of pickled peppers

表3 感官指标间的相关性分析†Table 3 Correlation analysis between sensory indicators

† ** 在 0.01 水平(双侧)上显著相关；* 在 0.05 水平(双侧)上显著相关。

2.1.3 指标筛选及权重分配 由相关性分析可知，各感官指标与感官总分之间存在一定的相关性[15-16]。同时由于这些感官指标对发酵小米椒影响的显著程度不一，为筛选出对发酵小米椒感官品质影响显著的指标，采用逐步回归法对发酵小米椒的感官总分及其各指标得分构建回归方程，得式(1)、(2)、(3) 3个模型：

Y=39.011+1.783×A(R2=0.832)，

(1)

Y=34.062+1.208×A+0.671×B(R2=0.986)，

(2)

Y=16.683+1.07×A+0.91×B+1.003×C(R2=0.997)，

(3)

式中：

Y——感官总分；

A——滋味；

B——香味；

C——色泽。

由式(1)可知，滋味的回归系数1.783，与感官总分呈极显著正相关(P<0.01)，r=0.912，发酵小米椒的滋味对感官具有一定刺激性，因此是反映发酵小米椒品质的重要指标。式(2)中香味与感官总分呈极显著正相关(P<0.01)，r=0.861，香味能在一定程度上反应发酵小米椒的品质，因此香味是一项重要感官指标。式(3)中，引入了色泽指标，回归系数1.003，色泽是评价发酵小米椒品质最直接的感官指标。综上，确定滋味、香味及色泽为发酵小米椒的品质评价指标，对发酵小米椒感官总分与各指标再次进行回归分析，R2=0.998，模型见式(4)。

Y=16.683+1.07×A+0.91×B+1.003 ×C(R2=0.998)。

(4)

由表4可知，滋味、香味及色泽指标的权重比值为3∶3∶2，模型4中各指标回归系数比1∶0.9∶1。参照文献[17]筛选出3项指标的新权重，见式(5)。

Ci=(hi×mi)÷∑(hi×mi)，

(5)

式中：

Ci——新权重；

hi——回归系数；

mi——初始权重。

其中，初始权重为初始满分与总分比值，各指标的新满分值为新权重与总分的乘积。滋味、香味、色泽的新权重及各指标的新分值见表4。

表4 发酵小米椒品质评价指标权重分析Table 4 Weight percentages in quality indicators of pickled peppers

2.2 发酵小米椒智能感官模型建立

2.2.1 发酵小米椒智能感官主成分分析 主成分分析是通过降维将众多的指标转化为少数的综合性指标的一种统计分析方法，可将复杂的问题变得简单、直观，属于无监督模式识别[18-19]。对发酵小米椒的智能感官指数进行主成分分析，详见表5。色差、质构、电子鼻、电子舌的前2个主成分方差累积贡献率均大于85%，已经包含了发酵小米椒品质绝大部分的信息，因此可以选用各指标的前2个主成分评价发酵小米椒的品质。

2.2.2 因子分析 对原变量进行因子分析，结果分析见表6。前3个因子的累计贡献率为86.768%>85%，表明前3个因子已经可以描述发酵小米椒品质绝大部分的信息[20-22]。其中，第1公因子的方差贡献率为48.397%，特征值为4.356，主要由电子鼻、电子舌及质构的PC1贡献。第2公因子的方差贡献率为24.536%，特征值为2.208，主要由质构的PC1贡献，第3公因子的方差贡献率为13.835%，特征值为1.245，主要有色差的PC1贡献。

2.2.3 模型的建立 对表6中的3个公因子进行线性回归，结果见表7。由于表6中色差、质构、电子鼻、电子舌前2个主成分的荷载程度不一，因此需要挑选出高荷载、公因子决定系数大的变量建立回归方程。选择X1PC1、X2PC1、X3PC1、X4PC1为新预测变量，并建立多元线性回归方程：

Y=67.672+8.296×X1PC1-1.571×X2PC1-3.431×X3PC1+0.288×X4PC1。

(6)表5 各主成分特征向量、特征值、贡献率及累积贡献率†Table 5 Eigenvalues, eigenvectors and cumulative contribution rates of principal components

†X1为色差；X2为质构；X3为电子鼻；X4为电子舌。

表6 旋转后的因子荷载†Table 6 Loading of factor after rotation

†X1为色差；X2为质构；X3为电子鼻；X4为电子舌。

表7 经过因子分析后的多元线性回归拟合模型系数Table 7 Coefficients of multiple linear regression models fitting after factor analysis

此模型残差正常，无明显多重共线性(VIF<10)，结果稳定，容易解释。因此X1PC1、X2PC1、X3PC1、X4PC1为新的预测变量。

2.2.4 模型的验证 由表8可知，模型预测值和观测值之间误差最小为0.47%，最大为9.47%，平均误差为3.70%，表明模型拟合度较高，可用于小米椒发酵过程品质的评价。

表8 模型的检验Table 8 Validation of the model

3 结论

采用逐步回归分析及拟合检验，以发酵小米椒修正后的感官得分为因变量，智能感官指标PCA为自变量，进行因子分析，根据荷载和标准回归系数选择回归模型的预测变量，进行主成分回归分析后建立如下方程：Y=67.672+8.296×X1PC1-1.571×X2PC1-3.431×X3PC1+0.288×X4PC1。各变量系数在统计意义上显著，残差正常，VIF检验无明显多重共线性，表明此线性模型与泡制小米椒感官品质拟合性良好。新的品质评价模型能更加客观真实地反映发酵过程中小米椒的品质变化，弥补了人工感官中的主观个体差异缺陷，可以为小米椒制品的生产提供相关理论支撑。试验设计中未涉及发酵过程中理化指标的动态变化，将在后续研究中将理化指标、人工感官与智能感官相结合，建立更加完善的综合品质评价模型。