基于最小偏二乘法的酿造酱油和配制酱油的鉴别方法

摘要

本发明涉及基于最小偏二乘法的酿造酱油和配制酱油的鉴别方法，具体步骤为：标准红外图谱的获取、最小偏二乘法鉴别模型的建立及判断三步骤，本方法将傅里叶变换中红外光谱结合最小偏二乘法(PLS)，对酿造酱油、酸水解植物蛋白液(HVP)以及添加不同重量比(10％～50％)的HVP而得的配制酱油进行类别分析，该方法操作简单，准确率高，能有效地检测配制酱油中HVP的添加量，且最大偏差小于3.5％，适用于工业运用。

说明书

技术领域

本发明涉及红外光谱分析领域，特别涉及酿造酱油和配制酱油的鉴别方法。

背景技术

酱油是我国传统的调味品，具有悠久的历史。酿造酱油是以大豆、小麦等为原料，利用黑曲霉、米曲霉等微生物发酵而来。配制酱油是以酿造酱油为主体，与酸水解植物蛋白质液、食品添加剂等混合配制可有效节省生产时间和成本，同时符合酱油氨基酸态氮等各种指标。由于酿造酱油和配制酱油的价格差，不少不法商贩为了追求高回报，将配制酱油冠以酿造酱油的名义出售，这严重侵害了广大消费者的利益。因此，对酿造酱油与配制酱油进行鉴别具有十分重要的现实意义。

目前已有多种方法应用于酿造和配制酱油的鉴别。《同位素稀释气相色谱-质谱法快速测定酱油中3-氯-1，2-丙二醇量》一文公开了通过同位素稀释气相色谱-质谱联用法测定配制酱油中3-氯-1，2-丙二醇来鉴别二者。《利用气相色谱快速测定食品中的挥发性断链脂肪酸》，原标题为“A rapid gas chromatographic methodfor direct determination of short-chain(C₂-C₁₂)volatile organic acids in foods”一文利用气相色谱测定配制酱油中的乙酰丙酸达到了鉴别的目的。除此之外，还有利用铵盐、氨基酸来鉴别的方法。但它们要么成本高，对仪器设备要求高；要么操作复杂，对人员技术要求高。

傅里叶变换红外光谱技术以其快速高效、成本低、操作简便、无污染等优点开始广泛应用于各种定性、定量分析之中。《基于酚类提取物的中红外光谱快速判断红酒品种》，原标题为“Rapid Method for the Discrimination of Red WineCultivars Based on Mid-Infrared Spectroscopy of Phenolic Wine Extracts”一文分别使用经过多元数据分析的中红外和紫外光谱技术、利用红匍萄酒中的酚类物质的中红外图谱顺利地对多种奥地利红葡萄酒实现鉴别。目前发现可利用近红外分析技术，近红外光谱透射法对酱油的理化指标总氮和总酸进行快速检测，包春芳在《偏最小二乘法非破坏分析酱油的主要成分》公开了利用近红外光谱技术结合偏最小二乘法实现了对酱油中的氨基酸态氮、总酸、食盐含量和色度的快速、无损定量检测。另外，利用近红外光谱技术结合人工神经网络对信息的提取，可以实现对不同等级不同品牌的酱油进行快速准确鉴别。但对于傅里叶变换中红外光谱与最小偏二乘法鉴别酿造酱油及配制酱油的方法却少有报道。

发明内容

有鉴于此，本发明的目的在于提供一种酿造酱油和配制酱油的鉴别方法，该方法将傅里叶变换中红外光谱结合最小偏二乘法(PLS)，对酿造酱油、酸水解植物蛋白液(HVP)以及添加不同比例(10％～50％)HVP而得的配制酱油进行类别分析，该方法操作简单，准确率高，适用于工业运用。

为实现上述目的，本发明的技术方案为：

基于最小偏二乘法的酿造酱油和配制酱油的鉴别方法，其特征在于，具体包括以下步骤：

A、标准红外图谱的获取：将酿造酱油和/或配制酱油冷冻干燥后经压片后得样品，将样品在波长范围为800～1200cm^-1、1300～1600cm^-1、800～1600cm^-1或4000～500cm^-1条件下进行中红外扫描，得标准红外图谱；

B、最小偏二乘法鉴别模型的建立：将步骤A所得标准红外图谱进行基线调整、平滑处理和矢量归一化处理后，根据样品的已知成份及含量和标准红外图谱的透光率相结合，采用最小偏二乘法分析并建立鉴别模型；

C、判断：扫描待测样品在波长范围为800～1200cm^-1、1300～1600cm^-1、800～1600cm^-1及4000～500cm^-1条件下的红外图谱并将其输入步骤B所述的鉴别模型中，即可判断出待测样品掺假情况。

进一步，步骤A中所述配制酱油为酿造酱油和酸水解植物蛋白液的混合物；

进一步，步骤A中，将酿造酱油及配制酱油混合液或酿造酱油冷冻干燥后经压片后得样品，将样品在波长范围为4000～500cm^-1条件下进行中红外扫描，得标准红外图谱；

进一步，步骤C中，扫描待测样品在波长范围为4000～500cm^-1条件下的红外图谱；

进一步，步骤B中，采用最小偏二乘法建立鉴别模型，其最佳主成分数为8。

本发明的有益效果在于：该方法将傅里叶变换中红外光谱结合最小偏二乘法(PLS)，对酿造酱油、酸水解植物蛋白液(HVP)以及添加不同重量比(10％～50％)的HVP而得的配制酱油进行类别分析，该方法操作简单，准确率高，能有效地检测配制酱油中HVP的添加量，且最大偏差小于3.5％，适用于工业运用。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为酿造酱油与植物蛋白酸水解液的红外光谱图。

图2为酸水解植物蛋白液含量以重量百分比计分别为10％、20％、30％、40％及50％的配制酱油的红外光谱图。

图3为酿造酱油的主成分分析图。

图4为主因子数目对鉴别模型的影响。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面对本发明的优选实施例进行详细的描述。

1材料与方法

1.1材料与仪器

酿造酱油，由重庆市质量技术监督局提供；酸水解植物蛋白液，购于四川恒泰食品有限公司。

Spectrum GX傅里叶变换红外光谱仪，Perkin Elmer公司生产；ALPAAI-4LSC中红外DTGS检测器，美国Christ公司生产。

1.2样品制备与光谱采集

配制酱油是在酿造酱油中掺入不同比例的酸水解植物蛋白液而得，共设置掺入10％体积的水解液，20％体积的水解液、30％体积的水解液、40％体积的水解液和50％体积的水解液五组梯度。首先，将样品放入冰箱冷冻室内(-18℃)预冻3h；继而放入真空冷冻干燥器中干燥4h(物料温度为0℃，真空度为0.25mbar，时间为4h，冷阱温度为-57℃)，取出用保鲜膜密封后放入干燥器中备用。实验共取样品56份，其中35份用于模型的建立，其余21份用于外部验证。

红外光谱仪的扫描范围为4000～500cm^-1，扫描次数16次，分辨率4cm^-1。扫描时通过扣除背景，从而去除水分和CO₂对测定的干扰。扫描前，预热仪器1小时后使用。扫描过程中保持室温25℃，并严格控制室内湿度，保持环境的一致性。

1.3光谱预处理与数据分析

为了去除高频随机噪音、基线漂移和样品不均匀等影响，采用红外光谱仪自带的Spectrum 3.0操作软件对红外图谱进行必要的预处理。预处理方式包括平滑处理和矢量归一化处理。然后，将获得的红外光谱图转换为JCAMP-DX格式后导入Unscramber 7.8中进行PLS回归分析。

2结果分析

2.1红外图谱的获取

酿造酱油与植物蛋白酸水解液的红外光谱图详见图1。酿造酱油和HVP(4000～500cm^-1)以及配制酱油(2500～500cm^-1)的红外光谱图见图2。由图2可知不同样品在在1600～1400cm^-1和1200～1000cm^-1处具有一定的差异性和指纹性，这些差异为酿造酱油与配制酱油的鉴别奠定了一定的基础。

2.2PCA分析

酿造酱油、植物蛋白水解液以及配制酱油在以主成分一和主成分二为横纵坐标的二维分布途中，拥有较好的聚类效果，如图3所示。从图3可以看出，以PC1和PC2为横纵坐标的二维图像中，酸水解植物蛋白液与酿造酱油分别位于图谱的右上角和左下角，分隔间距远，而不同比例混合的配制酱油均分布于水解液和纯酿造酱油中间的区域，水解液添加比例越高，则其分布趋势更靠近水解液一侧，相反水解液添加量少者分布趋势更靠近酿造酱油一侧。

2.3最小偏二乘法鉴别模型的建立

对酿造酱油、植物蛋白水解液以及配制酱油多次取样后重复测定红外图谱，并选取35份样品的图谱(7组×5份)用于建模。采用Unscramber 7.8分析软件以PLS建立鉴别模型，并用内部交叉验证法(cross validation)检验模型。针对酿造酱油与配制酱油在红外光谱中的差异及指纹特点，将光谱分为800～1200cm^-1、1300～1600cm^-1、800～1600cm^-1以及全光谱500～4000cm^-1四个区域。讨论不同光谱段对模型R²和RMSECV值的影响，进而筛选出最佳光谱段。表2给出的是各组样品分别在不同谱段的校正模型相关系数R²和RMSEC以及交互验证集相关系数R²和RMSECV。由表1可知，谱区选择500～4000cm^-1，预测结果最好，其检验集相关系数为99.38％，预测标准差RMSECV为最低的3.45％。增加模型所使用主成分数，能够提高模型对样品准确度。但是，过多的主因子数使得模型计算量增加使计算速度减慢，甚至出现标准差增大即过拟合现象。为优化模型计算速度以及防止模型出现过拟合现象，在优化波段下通过对不同主因子数的相关系数及交互验证标准差进行比较分析，当主成分数为8时，拥有最低的交互验证标准差(2.98％)和最高的相关系数(99.62％)。

表1不同波段下鉴别模型的相关系数和标准偏差

2.4最小偏二乘法鉴别模型的验证

为了检测模型对未知样本预测的精确度，将21份单独验证样品(共7组各3份)进行模型验证。结果表明，模型能够将酿造酱油、HVP以及配制酱油区别开来(表2)。证明利用PLS建立的模型能有效地检测配制酱油中HVP的添加量，且最大偏差小于3.5％。

表2判别模型验证结果

3结论

本发明首次利用傅里叶中红外光谱结合PLS回归分析对酿造酱油、HVP以及配制酱油进行鉴别分析。通过分析发现酿造酱油、HVP以及添加比例的配制酱油，在以PC1和PC2为坐标轴的二维线性投影图上分布差异明显。且以35份样本的中红外光谱为分析对象，建立的判别模型(模型主成分数为8)，对21份验证样品全部实现了准确判别。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。