无损检测技术在杂粮品质评价中的应用研究进展

王欣卉, 文昌典, 宋雪健,2,3, 李志江,2,3, 钱丽丽,2,3, 张东杰,2,3

(黑龙江八一农垦大学食品学院1,大庆 163319) (黑龙江省杂粮加工及质量安全工程技术研究中心2,大庆 163319) (国家杂粮工程技术研究中心3,大庆 163319)

杂粮(Coarse cereals)是指除大米、小麦、玉米、大豆、薯类五大主粮作物以外的粮食作物,主要包括小米、高粱、绿豆、青稞、赤小豆、薏仁米、荞麦等[1,2]。杂粮含有丰富的氨基酸、膳食纤维、矿物质等营养成分和功能活性物质,其中β-葡聚糖、γ-氨基丁酸及黄酮类化合物等功能活性物质在预防高血脂症、糖尿病及提高免疫力等方面发挥着重要的作用[3-6]。由于杂粮营养成分丰富,药食兼用价值高,具有广阔的市场前景,且一些优质杂粮得到了官方认证,受到了品牌保护,例如“白城绿豆”“边河小米”等。随着社会经济的进步,人们的健康理念日益加深,对杂粮的品质要求也在不断提高,且其检测技术也在不断提升。

传统的检测分析方法主要采用化学方法、高效液相色谱法、气相色谱-质谱仪等,虽然能够准确识别不同杂粮谷物的营养成分含量及产地,但是昂贵、低效和复杂的样品制备、在操作过程中需要破坏样品等方面限制了这些技术的使用[7],因此,研究开发一种快速、简单、高效的无损检测技术在杂粮谷物中的应用越来越受到重视。

1 无损检测技术概况

可应用于杂粮无损检测的技术包括近红外光谱(NIRS)[8]、拉曼光谱成像(RS)[9]、高光谱成像(HI)[10]、击穿光谱学(LIBS)[11]、太赫兹波谱成像(TSTI)[12]、光声光谱(PAS)[13]、电子鼻(E-nose)[14]、电子舌(E-tongue)[15]及核磁共振成像技术(NMRI)[16]等。利用太赫兹光谱法可以实现对绿豆幼苗萌发期淀粉含量的测定[17]。利用高光谱成像技术对谷物品种进行无损鉴定也有研究[18]。有些无损检测技术虽然具有一定的应用能力,但存在价格昂贵,操作复杂等因素,限制了应用范围。例如将核磁共振波谱仪用于研究,因成本高昂,无法用于大规模的实际应用。当一些辅助材料(如纳米材料)和高性能仪器价格昂贵时,使用拉曼光谱和拉曼成像的检测将变得更加复杂。近红外光谱技术具有快速、高效、无损的技术特点,虽然需要结合化学计量学进行数据分析,但可有效消除外包装对分析的影响,具有一定的应用前景[19]。近红外光谱、拉曼光谱、电子鼻和电子舌是较为常用的杂粮无损检测技术,在主粮中的应用较为活跃、系统化,而在杂粮中的应用研究相对较弱,因此,本文主要概述常用的4种无损检测技术在杂粮品质检测方面的应用,为无损检测技术在杂粮中的应用研究提供参考。

表1 4种常用杂粮无损检测技术概况

2 基于近红外光谱技术对杂粮的无损检测分析

2.1 杂粮营养成分分析

近红外光谱技术在对杂粮样品营养成分进行分析检测时,主要通过对校正集的均方根误差(RMSEC)、验证集的均方根误差(RMSEP)、决定系数(R2)、范围误差比(RPD)作为衡量建模效果及检测精度的指标。在对样品进行定量分析时,多采用的化学计量学方法是偏最小二乘法(PLS)进行数据拟合。通过对数据进行预处理,可以消除样品的重复效果差和信噪比低等问题,预处理方式主要有线性补偿减差法、直线减差法、矢量归一法、最小-最大归一法、多远散射矫正法、一阶导数法、二阶导数法。采用近红外光谱技术对杂粮谷物营养成分进行分析时,为了提升模型的检测精度,需要利用大量的样本进行模型的建立与验证,利用化学分析法得到校正集和验证集的营养组分含量是建模的必要条件。

近红外光谱技术在杂粮中单组分的营养成分的检测研究具有一定的可行性。Peiris等[23]对高粱蛋白研究发现,在950～1 650 nm光谱范围内较低波长处具有较高的表观吸光度。使用多元散射校正对光谱进行预处理,结合偏最小二乘校准,得出RMSEP=0.67,R2=0.83。而应用扩展多元散射校正对风化的高粱颗粒样品进行预处理,得出蛋白的RMSEP=0.61,R2=0.85。Zeng等[24]利用近红外光谱技术在全波长(300～2 300 nm)范围内结合偏最小二乘法对123 份豌豆样品的直链淀粉、抗性淀粉、可消化淀粉及总淀粉进行定量分析,结果表明各指标检测结果的相关系数在0.80～0.97之间。

虽然杂粮中多酚、单宁、皂苷、黄酮等功能性因子的含量要远低于蛋白质、淀粉等营养成分,但利用近红外光谱技术仍然可以实现对其快速检测。Zeng等[25]研究发现,燕麦籽粒的多酚含量检测模型,其最佳校准模型对应的波段在1 350～1 848 nm之间,最佳光谱预处理组合为二阶导数和2点平滑。最佳回归模型的R2在校准集中为0.895 4,RMSECV在预测集中为0.066 51,R2在预测集中为0.961 4,RMSEP在预测集中为0.045 73。Wang等[26]对110个高粱籽粒样品的单宁含量进行分析得出,最佳模型建模波长在9 402～7 492 cm-1和5 452～4 244 cm-1范围内,最佳的预处理方式为一阶导数处理,校准、交叉验证和外部验证的RPD分别为6.22、4.22和3.00。研究结果表明,利用近红外光谱建立的模型可以有效地快速定量高粱籽粒中的单宁含量。

利用近红外光谱技术从原始光谱观察到的样品体系变化是组分浓度变化的结果,而且组分浓度与红外信号变化的相关关系不必是线性的。根据这一特性,该技术可以实现对统一样品中多种组分进行快速检测分析。Tomar等[27]利用近红外光谱技术对87份珍珠小米(53份用作校正集,34份作为检验集)的淀粉、抗性淀粉、直链淀粉、蛋白质、油、总膳食纤维、酚类、总可溶性糖、植酸进行研究,结果表明,在400～2 500 nm范围内,采用二阶导数+4点平滑+1点平滑的预处理方式结合偏最小二乘法建立的植酸检测模型,检测精度较高,其RMSEC为0.101 4,RMSEP为0.062,RPD为2.53,同时其他营养成分的RMSEC也在0.019 9～1.093 7范围内,RMSEP在0.011～0.784之间,RPD在2.09～3.58之间。

2.2 杂粮产地溯源判别分析

地理来源、基因型、收获年份的气候条件(如降水量、温度和日照时间)以及土壤的化学成分都会对谷物成分产生影响,从而影响最终产品的质量[28]。利用近红外光谱技术对产地溯源的研究主要集中在大米[29]、薯类[30]、小麦[31]等主粮谷物中。在杂粮的产地判别中相对研究较少。

产地溯源判别分析,主要可分为定性分析和定量分析两大类。利用近红外光谱技术结合化学计量学分析,可以建立近红外光谱与样品分类的相关联系,进而进行定量分析。席志勇[32]利用近红外光谱技术结合支持向量的算法,对8 类120个荞麦样品进行品种鉴别得出了7个支持向量机,对类不同产地的荞麦定性准确判别率平均达到了92.5%。刘星[33]利用近红外光谱技术结合学习向量量化神经网络对41 个不同产地的薏仁米样品的正确预测率为90.91%。李楠等[34]利用近红外光谱技术对来自11个省份的150 份小米样品进行产地溯源分析发现,利用主成分分析剔除异常点后,采用费舍尔线性判别分析建立的模型,其校正集中对不同小米产地溯源的平均正确率为100.0%,验证集中的平均正确率为84.6%;利用多层感知器神经网络分析建立的模型其校正集和验证集中对小米产地溯源的平均正确率均在90%以上,说明基于费舍尔线性判别分析和多层感知器神经网络分析结合近红外光谱技术可以实现对小米产地的保护。近红外光谱虽然包含了丰富的物质信息,但谱峰重叠较多、信号较弱,因此近红外光谱的定性分析主要用于物质的种属判别。张爱武等[35]对253 份绿豆进行产地判别分析,结果表明,在波数为9 000～4 000 cm-1范围内,采用因子化法结合一阶导数+5点平滑的预处理,建立的定性判别模型,对泰来绿豆粉末的正确判别率为96.15%,采用PLS法结合矢量归一化的预处理方式所建立的定量分析模型,其RMSECV为0.129,R2=0.98,RPD为7.18,对泰来绿豆粉末的正确判别率为88.46%。

近红外光谱技术在对杂粮谷物进行产地判别时,为了提高模型的准确性及应用性,也需要大量的样品进行建模,检测精度对样品的生产年份、品种等因素较为敏感,目前的研究多是集中于利用当年的样品进行产地溯源研究,对于同一模型在不同年份、不同储藏条件、不同基因型等方向的判别研究较为少见。虽然近红外光谱技术就有快速、高效、无损的的技术特点,但要想实现其广泛的应用能力,需要采用大量的数据不间断的对模型进行完善。

3 基于拉曼光谱技术对杂粮的无损检测分析

拉曼光谱技术是基于光子激发振动所产生的非弹性散射而建立起来的一种快速无损的检测技术[36]。拉曼光谱通过测量可见单色光的散射强度来识别分子结构,可以实现对物质的定性鉴定和定量分析,还可以从分子角度揭示物质的内部结构,对分子进行“指纹”识别[37,38]。

拉曼光谱技术在农药残留、掺假、食品添加剂、蛋白质检测及脂类物质分析中得到了广泛应用[39]。对于不同状态的大米籽粒和大米粉末(100～140 目)的产地能有效地判别[40,41]。在杂粮检测应用方面,相对研究较少。吴祺琤等[42]在光谱范围为394.1～1 541.1 cm-1内,利用拉曼技术对不同萌发阶段绿豆的3种器官(种子、子叶、胚芽)切片进行拉曼成像测试,根据多元曲线分辨交替最小二乘法,得出每个主成分对应的相对浓度及其纯光谱。谢凤英等[43]利用拉曼光谱技术在激发波长为785 nm,发射功率为300 mW,光谱测定范围为600～1 800 cm-1的条件下,探明了荞麦多酚对米糠蛋白结构影响规律。张石定等[44]采用激光拉曼光谱对不同品种和产地小米进行了检测,采用主成分分析等化学计量学手段进行拉曼谱峰强度与化学成分含量关联研究,并对产地和品种进行了PLS-DA的建模辨别取得了很好的鉴别效果。

采用拉曼光谱技术对杂粮营养组分的分析及产地品种鉴别,仍然处于初步阶段,对杂粮组分与拉曼光谱的对应关系,鉴别模型的适应性有待进一步研究。

4 基于电子鼻/舌技术对杂粮的无损检测分析

电子鼻通过模拟人体的嗅觉,对杂粮谷物中的挥发性风味物质很灵敏,不同物质的轻微改变即可被传感器所捕获,因此通过此方式获得挥发性物质的完整信息。

电子舌被广泛应用于食品检测行业,主要通过模拟人类的味觉,可以实现对杂粮谷物进行定性、定量分析。金子灿[45]研究发现采用SA402B型号的电子舌和PEN3型电子鼻可以实现对小米、糙小米、发芽糙小米、富硒糙小米,富硒发芽糙小米5种小米饮料中的味苦、涩味、咸味等味觉及芳香化合物、氮氧化物、碳氢化合物等有机挥发成分进行检测研究。Ying等[46]利用电子鼻技术结合基于概率神经网络、主成分分析、BP神经网络技术对燕麦和红豆2种类型(新鲜和早期霉变)进行判别。结果表明,电子鼻对谷物样品反应灵敏。基于概率神经网络的算法成功地鉴别了谷物样品,准确率为93.75%。该方法具有响应速度快、精度高、成本低等优点,是预测早期霉变籽粒的有效方法。尹芳缘等[47]应用电子鼻对燕麦霉变程度进行区分,选择10个燕麦样品进行电子鼻检测,优化传感器阵列后发现,相同霉变程度燕麦样品的聚合度更高,不同霉变程度燕麦样品之间的区分更加明显,为进一步的定量化检测奠定了基础。也有学者表明,利用电子鼻和电子舌技术可以实现对以小米为原料制备的蒸馏酒风味进行分析检测[48]。Yi等[49]研究发现电子鼻研究了植物乳杆菌发酵对绿豆挥发性风味的影响结果表明,植物乳杆菌23169 FMB和植物乳杆菌22699 FMB的风味变化最大且相似,但3种FMB样品的风味仍能清晰区分。

基于电子鼻/舌在杂粮谷物研究中,虽然能快速的预测样品组分(挥发性物质)及样品之间的差异程度,但仪器的硬件结构及识别模式的算法与真正的仿生特性还存在一定的差距,传感器阵列对环境较为敏感,尚未达到广泛应用的标准[50]。

5 结论

近年来,利用无损检测技术对杂粮谷物的营养组分、地域判别及品种鉴定备受关注。其中近红外光谱技术、拉曼光谱技术及电子鼻/舌技术,因在检测时无需样品制备,检测时间短,操作简单等诸多优势,在食品、医药、化工等领域受到普遍应用。杂粮无损检测研究是一个宏观概念,组分的复杂性,个体的差异性、浓度的不同性、品种的多样性、地域的广泛性等都会对检测手段提出较高的要求,而现有的技术也存在一些问题,近红外光谱技术不适用于杂粮谷物中痕量组分的检测,检出限需要达到0.1%以上,杂粮样品的状态,基因型对产地及品种的鉴定存在一定的干扰。杂粮组分与拉曼光谱的对应关系仍不明确。电子鼻/舌对传感器及算法的依赖性较强。因此,未来可以从几个方面进行重点研究:杂粮的品质会受到生长环境中温度、水分、施肥量等因素影响,因此对杂粮组分、地域及品种检测时,需要建立一套统一的检测体系,从源头上固定检测模型,拓宽应用领域。利用无损检测技术对杂粮组分进行分析研究时,多是需要采用传统的检测技术对大量已知样品进行组分检测,检测数据是模型的核心参数,会对模型的精度产生直接影响,需要重点关注,且组分与光谱的对应关系有待考量。在对杂粮产地保护及品种鉴定方面,应对鉴别机理、相邻地域进行研究。在利用近红外光谱技术检测时,如何排除杂粮样品的状态(粒径)对建模效果及检测精度的影响,利用籽粒或者粉末样品建立的模型是否通用,需要进一步探讨。