饮料中盐糖含量的测定方法、应用

技术领域

本发明涉及食品成分检测的技术领域，具体而言，涉及一种饮料中盐糖含量的测定方法、应用。

背景技术

人体在日常生活中对盐、糖的摄入量与健康密切相关。过高的摄入量会增加高血压、心血管疾病风险并有可能引发多种慢性病。因此，《中国居民膳食指南(2016)》和《中国居民膳食营养素参考摄入量》指导，一般推荐成人每天的盐摄入量不超过6克，糖摄入量不超过50克，有利于健康。为了在日常生活中推广这些健康标准，需要能够在日常饮食中较为准确地定量盐、糖的摄入量。

饮料已成为日常饮食的重要组成部分。在餐桌上，我们经常会接触到没有包装或成分信息的饮料(如自制饮料)。要想在畅饮这些饮料的同时定量这些饮料中的盐、糖含量，就需要使用方便、快捷、便携的测定方法对饮料中的盐、糖含量实现较为准确的测定。

目前，食品中盐、糖含量准确值的测定主要依照国家标准GB5009.91-2017中钠离子及GB5009.7-2016中还原糖的测定方法；其中钠离子主要使用原子吸收光谱法；还原糖主要使用化学滴定法测定。这些测定方法的执行需要用到大量专业试剂及实验室设备、由专业人员操作及花费较长的时间(至少30分钟)，并不适合普通人在日常生活中进行操作。而普通人在日常生活中对饮料中盐、糖含量较为准确的测定一直是一个挑战。

目前，日常生活中的饮料盐、糖含量的测定主要通过使用便携式盐度、糖度计实现；便携式盐度计、糖度计通常分别使用电导法、折光法分别测定饮料样品的导电率及折光率，从而计算得到饮料盐、糖度测量值。其中，折光法主要利用光线从一种介质进入另一种介质时，由于介质密度不同，会产生折射现象，且入射角正弦之比恒为定值，此比值称为折光率。然而，饮料中可能存在着大量干扰导电及折光率的非盐、糖成分没有被排除。这就导致了使用这些便携式设备测定得到的盐、糖含量存在一定偏差。

发明内容

鉴于现有技术的不足，本发明提出一种便捷、准确度较高、低成本的饮料中盐糖含量的测定方法，旨在实现普通人在日常生活中对饮料中盐、糖含量的定量测定。该方法与实验室的标准检测方法相比，有成本低、易操作的优点；与现有便携式检测方法相比，得到的测量结果更为准确。

为实现上述目的，本发明的技术方案如下：

本发明首先提供一种饮料中盐糖含量的测定方法，包括如下步骤：(1)获取待测定的预包装饮料，采集饮料的配料信息和分类信息；(2)对该预包装饮料进行预处理，制备饮料样品：(3)对饮料样品进行测定，测得饮料粗略盐度及糖度值；(4)建立饮料含盐及含糖量修正模型；(5)基于饮料含盐及含糖量修正模型对饮料粗略盐度及糖度值进行修正，得到饮料的精确盐度及糖度值。本发明通过使用便携式盐度及糖度计粗略测量饮料样品，结合饮料的配料和分类信息，修正饮料粗略盐度及糖度值，计算得到更准确的饮料盐度及糖度值。具有低成本、操作便捷的优点，可满足在日常生活中对饮料中盐、糖含量的快速、准确、便捷的测定。

在一些实施例中，所述采集饮料的配料和分类信息包括：(101)提取饮料的配料信息，使用饮料配料的数量表示配料信息；(102)根据最新版《食品生产许可分类目录》，对饮料进行分类，使用独热编码表示分类信息。本发明结合饮料(预包装瓶/袋)上的公示以及具有权威性的食品分类目录，通过采集饮料配料和分类信息，排除干扰，提升模型修正准确度。

在一些实施例中，所述预处理包括：(201)将非碳酸饮料摇匀，碳酸饮料摇晃或静置至不产生气泡；(202)提取饮料样品，置于容器中并静置至稳态，制得待测液。本发明结合饮料种类特点，对不同种类的饮料进行针对性的预处理，提升对盐度及糖度测量的准确度，排除饮料物理状态对测量的干扰。

在一些实施例中，所述对饮料样品进行测定包括：(301)分别使用盐度计及糖度计测量预处理后的饮料样品，记录测得的饮料粗略盐度及糖度值。盐度计及糖度计使用成本低，操作便捷，普通人在日常生活中均可操作。

在一些实施例中，所述建立饮料含盐及含糖量修正模型包括：(401)制作修正模型训练及测试数据集；(402)基于所述数据集建立饮料含盐及含糖量修正模型。本发明通过制作示例饮料样本数据集并据此建立饮料含盐及含糖量修正模型，确保修正模型的可信度。

在一些实施例中，所述制作修正模型训练及测试数据集包括：(4011)选取多类多种预包装饮料；(4012)按照步骤(1)采集饮料的配料和分类信息，按照步骤(2)制备饮料样品，按照步骤(3)测得饮料粗略盐度及糖度值；(4013)采集每种预包装饮料营养成分表中每100mL饮料钠离子及碳水化合物含量作为每种饮料盐度及糖度的准确值；(4014)记录步骤(4012)及(4013)中的饮料信息，制作饮料样本数据集；(4015)将饮料样本数据集分为两份：一份作为含盐及含糖量修正模型的训练样本集，另一份作为模型性能的验证数据集。本发明选取多类多种预包装饮料，通过采集每种饮料盐度及糖度的准确值用于训练修正模型，确保模型的准确性。

在一些实施例中，所述建立饮料含盐量修正模型包括：(4021)使用神经网络建立含盐量修正模型；(4022)使用步骤(4012)中采集的饮料配料和分类信息以及测得的饮料粗略盐度及糖度数据作为模型自变量，使用步骤(4013)中采集的每100mL饮料中钠离子含量作为饮料含盐量的准确值；(4023)使用反向传播法训练优化神经网络模型参数，得到饮料含盐量修正模型。此后的交叉验证实验结果表明，神经网络模型能够最优地修正饮料含盐量测量误差，因此本发明使用神经网络建立含盐量修正模型，结合采集到的每种饮料盐度及糖度的准确值，通过机器学习预训练得到修正模型，以数据驱动的方式考虑并排除饮料中的干扰成分，从而在后续能够得到最准确的饮料盐度值修正效果。

在一些实施例中，所述建立饮料含糖量修正模型包括：(4021)使用多元线性模型建立含糖量修正模型；模型函数为：f(x

在一些实施例中，所述对饮料粗略盐度及糖度值进行修正包括：(501)将步骤(1)采集的饮料配料和分类信息，以及步骤(3)测得的饮料粗略盐度及糖度值作为修正模型的自变量；(502)使用步骤(501)中确定的自变量作为输入、饮料准确含盐及含糖量作为输出，通过步骤(4)中建立的饮料含盐及含糖量修正模型，将步骤(3)中测得的粗略盐度及糖度值，修正为精确盐度及糖度值。本发明以采集的饮料配料和分类信息作为自变量输入，通过修正模型对盐、糖度测量值进行修正；与单独使用盐度计及糖度计直接测量以及其它模型相比，测量准确度有较大提升，且可以维持操作时间基本不变，确保使用的便捷性和可操作性。

本发明还提供一种根据所述的测定方法在测定预包装饮料精确盐度及糖度值中的应用。能够广泛应用于家庭日常测量，实验室检测，以及工业生产过程中的检测。

本发明相对于现有技术的有益效果是：

本发明提出的一种饮料中盐糖含量的测定方法，该方法采集饮料的配料和分类信息，首先通过使用便携式盐度及糖度计粗略测量饮料样品；此后结合饮料的配料及分类信息，修正饮料粗略盐度及糖度值，计算得到更准确的饮料盐度及糖度值。

该方法具有低成本、便捷的优点，普通人在日常生活中均可操作；测量饮料样品盐度及糖度准确度有较大提升的同时，能够维持操作时间基本不变；检测每份饮料样品时，盐度计的操作时间大约为10秒，糖度计的操作时间大约为30秒，数值修正模型计算时间小于1秒，从测量到获得准确盐、糖度读数所需总时间小于1分钟；可满足在日常生活中对饮料中盐、糖含量的快速、准确、便捷的测定。

应当理解，本发明任一实施方式的实现并不意味要同时具备或达到上述有益效果的多个或全部。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容涵盖的范围内。

图1是本发明一种实施方式测定方法的标准化流程图；

图2是本发明一种实施方式测定方法的模块化原理图；

图3是本发明一种实施方式的饮料含盐量修正神经网络模型结构图；其中h代表神经网络隐藏层，w与b为神经网络模型参数。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明实施例作进一步详细说明。本领域技术人员将会理解，下列所描述的实施例是本发明一部分实施例，而不是全部的实施例，仅用于说明本发明，而不应视为限制本发明的范围。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。实施例中未注明具体条件者，按照常规条件进行。所用仪器及设备均为可以通过市售购买获得的常规产品。结合以下实施例对本发明的实现进行详细的描述。

需要理解的是，术语“包括/包含”、“由……组成”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的产品、设备、过程或方法不仅包括那些要素，而且需要时还可以包括没有明确列出的其他要素，或者是还包括为这种产品、设备、过程或方法所固有的要素。在没有更多限制的情况下，由语句“包括/包含……”、“由……组成”限定的要素，并不排除在包括所述要素的产品、设备、过程或方法中还存在另外的相同要素。

本发明针对现有技术的不足，提出一种新颖的、低成本、便捷、普通人在日常生活中可操作的饮料中盐糖含量的测定方法。该方法通过使用便携式盐度及糖度计，结合饮料的分类及配料信息，计算得到更准确的饮料盐度及糖度值。

以下结合较佳的实施方式及具体示图对本发明的实现进行详细阐述。

参见图1、图2，一种饮料中盐糖含量的测定方法，包括：(1)获取待测定的预包装饮料，采集饮料的配料和分类信息；(2)对该预包装饮料进行预处理，制备饮料样品；(3)对饮料样品进行测定，测得饮料粗略盐度及糖度值；(4)建立饮料含盐及含糖量修正模型；(5)基于饮料含盐及含糖量修正模型对饮料粗略盐度及糖度值进行修正，得到饮料的精确盐度及糖度值。与现有技术相比，本发明提供的一种饮料中盐糖含量的测定方法，通过使用饮料配料、分类信息，修正饮料粗略盐度及糖度值(例如由便携式盐度计及糖度计测得的读数)，从而计算得到更为准确的饮料盐、糖含量值。

在一些实施例中，(1)采集饮料的配料和分类信息包括：

(101)提取饮料预包装上的饮料配料信息，使用饮料预包装上配料的数量表示配料信息；

(102)根据国家市场监管总局发布的最新版《食品生产许可分类目录》，对饮料进行分类，使用独热编码表示分类信息。

本发明结合饮料预包装瓶/袋上的公示以及具有权威性的食品分类目录，通过采集饮料配料信息和分类信息，提供模型饮料中可能存在的干扰成分信息，从而帮助模型排除干扰，提升修正准确度。

在一些实施例中，(2)对饮料进行预处理包括：

(201)将非碳酸饮料摇匀，碳酸饮料摇晃或静置至不产生气泡；

(202)提取饮料样品，置于容器中并静置至稳态，制得待测液。

本发明结合饮料分类和种类特点，对不同种类的饮料进行针对性的预处理，对于常见的非碳酸饮料进行摇匀处理，碳酸饮料摇晃或静置至不产生气泡，提升对盐度及糖度测量的准确度，排除饮料物理状态对测量的干扰。

在一些实施例中，(3)对饮料样品进行测定包括：

(301)采用便携式盐度计及糖度计，根据盐度计及糖度计产品使用说明书，分别测量步骤(202)中准备好的饮料样品；读取读数；并记录测得的饮料样品粗略盐度及糖度值。

盐度计及糖度计使用成本低，操作便捷，普通人在日常生活中均可操作。

在一些实施例中，(4)建立饮料含盐及含糖量修正模型包括：

(401)制作修正模型训练及测试数据集；

(402)基于数据集建立饮料含盐及含糖量修正模型。

本发明通过使用便携式盐度计及糖度计，测得饮料中粗略的盐、糖含量，制作饮料样本数据集，再通过机器学习预训练得到的修正模型，以数据驱动的方式考虑并排除饮料中的干扰成分，确保修正模型的可信度，能够计算得到更为准确的饮料中盐、糖含量。

在一些实施例中，(401)制作修正模型训练及测试数据集包括：

(4011)选取多类多种预包装饮料；

选取5大类预包装饮料共108种，其中碳酸饮料22种，茶类饮料20种，果蔬饮料26种，蛋白、乳制品22种，咖啡、运动、能量等饮料18种；

(4012)按照步骤(1)采集饮料配料和分类信息，按照步骤(2)制备饮料样品，按照步骤(3)测得饮料粗略盐度及糖度值；

(4013)采集每种预包装饮料营养成分表中每100mL饮料钠离子及碳水化合物含量作为每种饮料盐度及糖度的准确值；通过采集每种饮料盐度及糖度的准确值用于训练修正模型，确保模型的准确性；

(4014)记录步骤(4012)及(4013)中的饮料信息，制作饮料样本数据集；

(4015)将饮料样本数据集分为两份；一份作为含盐及含糖量修正模型的训练样本集(N＝107，N为饮料种类数)；另一份作为模型性能的验证数据集(N＝1)。

本发明选取多类多种预包装饮料，具体是5大类预包装饮料共108种，其中包括碳酸饮料、茶类饮料、果蔬饮料、蛋白、乳制品以及咖啡、运动、能量等饮料，涵盖全面，通过采集每种饮料盐度及糖度的准确值用于训练、筛选及验证修正模型，确保模型的准确性。

在一些实施例中，(402)建立饮料含盐量修正模型包括：

(4021)使用神经网络建立含盐量修正模型，从而得到最准确的饮料盐度值修正效果，模型结构见图3；

(4022)使用步骤(4012)中采集的饮料配料、分类信息以及测得的饮料粗略盐度及糖度数据作为模型自变量，使用步骤(4013)中采集的每100mL饮料中钠离子含量作为饮料含盐量的准确值；

(4023)使用反向传播法训练优化模型参数，得到饮料含盐量修正模型。

本发明使用神经网络建立含盐量修正模型，结合采集到的每种饮料盐度及糖度的准确值，通过机器学习预训练得到修正模型，以数据驱动的方式考虑并排除饮料中的干扰成分，从而在后续能够得到最准确的饮料盐度值修正效果。

在一些实施例中，(402)建立饮料含糖量修正模型包括：

(4021)使用多元线性模型建立含糖量修正模型，从而获得最准确的饮料糖度值修正效果，模型函数为：

f(x

其中x

(4022)使用步骤(4012)中采集的饮料配料、分类信息以及测得的饮料粗略盐度及糖度数据作为模型自变量，使用步骤(4013)中采集的每100mL饮料中碳水化合物含量作为饮料含糖量的准确值；

(4023)使用伪逆矩阵求解公式(1)中的模型参数w

本发明使用多元线性模型建立含糖量修正模型，结合采集到的每种饮料盐度及糖度的准确值，通过机器学习预训练得到修正模型，以数据驱动的方式考虑并排除饮料中的干扰成分，从而在后续能够得到最准确的饮料糖度值修正效果。

另外，在含盐量修正模型和含糖量修正模型中，均融合盐度计和糖度计测得的饮料粗略盐度及糖度数据，以及饮料配料及分类信息，并使用数据驱动的方式优化模型参数，得到最优含盐量修正模型，以获得最佳含盐量修正性能。

在一些实施例中，(5)对饮料粗略盐度及糖度值进行修正包括：

(501)将步骤(1)采集的饮料配料和分类信息，以及步骤(3)测得的饮料粗略盐度及糖度值作为修正模型的自变量；

(502)使用步骤(501)中确定的自变量作为输入、饮料准确含盐及含糖量作为输出，通过步骤(4)中建立的饮料含盐及含糖量修正模型，将步骤(3)中测得的粗略盐度及糖度值，修正为精确盐度及糖度值。

使用基线、几种常用及本发明所涉及的含盐及含糖量修正模型的性能进行比对，得到的比对结果及每次读数修正的平均计算用时见表1及表2。平均绝对误差为数据集中各种饮料的测量值与真实值之差的绝对值的平均数。

表1基线、几种常用模型及本发明的含盐量修正模型的交叉验证结果

*代表本发明提出的模型

表2基线、几种常用模型及本发明的含糖量修正模型的交叉验证结果

*代表本发明提出的模型

表中除本发明提出的模型以及单独使用盐度计及糖度计外，其余几个模型为比较常用并且公认性能比较好的模型。由表1及表2可见，在5大类108种不同饮料组成的数据集上，与单独使用盐度计及糖度计分别测量饮料样品盐度(平均绝对误差13.55毫克)、糖度(平均绝对误差1.54克)的基准方法相比，本发明提出的模型采用机器学习中较为科学的留一法交叉验证得到的盐(平均绝对误差7.94毫克)、糖(平均绝对误差1.24克)测量准确度分别提升了70.7％及24.2％；同时，因为读数修正时间小于1秒，所以可以维持操作时间(测量时间加测量读数修正时间)基本不变，确保本方法使用时的便捷性；因此本发明提出的模型展现出了较好的测量准确度及可操作性。

表3基线、几种常用模型及本发明的含盐、糖量修正模型的交叉验证结果

注：比例大于0％为性能提升，反之为性能下降

从表3可以看出，本发明提出的方法在测定碳酸、果蔬汁、蛋白含乳类饮料的盐、糖含量时与基线方法相比的准确度提升较大。

因此，本发明提供的一种饮料中盐糖含量的测定方法，可满足在日常生活中对部分饮料中盐、糖含量的快速、准确、便捷的测定。

实施例：

本发明还展示了一种所述的测定方法在测定果汁类预包装饮料精确含盐及含糖量值中的应用。

采集不同的橙汁、苹果汁、葡萄汁等预包装果汁饮料共26种；将(非碳酸)果汁饮料摇匀，静止10秒后，取50毫升置于容器中作为待测样品；依据便携式盐度计及糖度计产品使用说明书，操作设备分别读取饮料样品粗略盐、糖度值，并对读数做记录；同时，记录饮料的配料数量及分类类目；将预处理后的数据分别导入到预训练好的盐、糖含量修正模型，通过计算机程序计算得到更为准确的饮料含盐、含糖量测量值。流程如图1所示。

使用上述的操作流程和以下几种不同的模型及参数组合对模型性能进行比对及验证，表4及表5为验证结果及每次读数修正的平均计算用时。

表4基线、几种常用模型及本发明的含盐量修正模型的交叉验证结果

*代表本发明提出的模型

表5基线、几种常用模型及本发明的含糖量修正模型的交叉验证结果

*代表本发明提出的模型

表4及表5可见，在26种不同果汁饮料组成的数据集上，与单独使用盐度计与糖度计分别测量饮料样品盐(平均绝对误差23.82毫克)、糖度(平均绝对误差1.42克)的基准方法相比，本发明提出的模型饮料含盐(平均绝对误差10.77毫克)、糖(平均绝对误差0.84克)测量准确度分别提升了121.2％及69.0％，并维持操作时间基本不变。

采用本发明提供的测定方法应用在测定预包装饮料精确盐度及糖度值中，能够广泛应用于家庭日常测量，实验室检测，以及工业生产过程中的检测。

本领域技术人员容易理解的是，在不冲突的前提下，上述各优选方案可以自由地组合、叠加。

至此，本领域技术人员应认识到，虽本文已详尽示出和描述了本发明的示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍然可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。