高温灭菌奶、巴氏杀菌奶和掺加高温灭菌奶的巴氏杀菌奶的光谱鉴定方法

技术领域

本发明属于奶品分析技术领域，具体涉及一种巴氏杀菌牛奶中掺加高温灭菌牛奶、巴氏杀菌牛奶和高温灭菌牛奶的快速鉴定方法

背景技术

牛奶中包含蛋白质，脂肪，碳水化合物，维生素，矿物质和必需氨基酸等多种营养物质，但刚挤出来的生奶也含有多种微生物，故需要通过破坏或减少奶中病原微生物、降低酶类物质活性来确保牛奶安全和延长保质期，通常对生奶进行热处理(Liu,Grosvenor etal.2019)。最常用的热处理方法有巴氏杀菌(70-85℃，持续15-20秒)和高温灭菌(UHT：135-150℃，持续1-10秒)。研究表明热处理都会降低牛奶的抗氧化能力，与生牛奶和巴氏杀菌牛奶相比，高温灭菌法降低脂蛋白的浓度、乳铁蛋白等物质的活性，对牛奶营养物质和功能物质有一定程度地降低(Dias,Augusto-Obara et al.2020)。相较于其它处理方式，巴氏杀菌牛奶可保持牛奶中功能物质的活性和营养物质的营养价值，而且口感更新鲜(Zhu,Kebedeet al.2020)。在价格方面，巴氏杀菌牛奶比高温灭菌牛奶价格高。近年来，由于经济和个人可支配收入增长，消费者对巴氏杀菌牛奶的益处的意识增强，巴氏杀菌牛奶的消费在我国市场越来越流行。价格差异以及巴氏杀菌牛奶流行给巴氏杀菌牛奶掺高温灭菌牛奶创造了利益空间，为了获取利益很有可能会进行掺假，因此，有必要建立巴氏杀菌牛奶和高温灭菌牛奶掺假的快速高效的鉴定技术。

有研究者开发了一种基于高效液相色谱-四极杆飞行时间质谱的代谢组学方法，用于区分生乳，巴氏杀菌乳和UHT乳。但仅鉴定了将UHT乳与生乳和巴氏灭菌乳区分开的生物标记(7种脂质和1种磷脂)(Zhang,Li et al.2018)。其鉴别方法复杂，且不能对巴氏杀菌牛奶掺高温灭菌牛奶进行鉴别。

中红外光谱是物质的在中红外区的吸收光谱，一般将2.5-25μm的红外波段划为中红外区。由于基频振动是红外活性振动中吸收最强的振动，因此中红外光谱广泛应用于物质的定性和定量分析。中红外光谱分析是近年来快速发展起来的一种快速、无损、无公害、可多组分同时分析的现代技术，且广泛应用于乳用动物，特别是奶牛的生产性能测定。由中红外光谱仪输出的数据为n×1060的矩阵(n为样本量)，数据庞大，且难以避免数据不完整、不一致、极易受到噪声(错误或异常值)侵扰，低质量的数据将导致效果较差的数据挖掘结果，因此需要一些方法对输出的数据进行预处理。这些方法通常包括数据标准化、处理缺失值、去除噪声及异常值、特征选择等。因此，需要利用中红外光谱MIR建立巴氏杀菌牛奶中掺加高温灭菌牛奶、巴氏杀菌牛奶和高温灭菌牛奶的快速鉴定方法。

发明内容

本发明的目的在于克服现有技术的缺陷，提供一种巴氏杀菌牛奶中掺加高温灭菌牛奶、巴氏杀菌牛奶和高温灭菌牛奶的快速鉴定方法。

为了确定最佳的预处理和建模算法组合，对光谱数据使用了包括不处理在内的5种预处理方法，结合2种建模方法，共建立了10个巴氏杀菌牛奶中掺加高温灭菌牛奶、巴氏杀菌牛奶和高温灭菌牛奶的鉴别模型。并且通过对光谱数据进行Pearson相关性检验和相关性的显著性分析筛选出建模使用的特征光谱。所建立的最优模型在测试集和验证集的准确率均可达到0.98。

本发明的技术方案如下所述：

一种巴氏杀菌牛奶中掺加高温灭菌牛奶、巴氏杀菌牛奶和高温灭菌牛奶的快速鉴定方法，

包括以下步骤：

1)奶样的选取

商购不同批次的巴氏杀菌牛奶和高温灭菌牛奶，将所有高温灭菌牛奶混合，将高温灭菌牛奶按照5个体积百分比(0％、10％、20％、50％、100％)比例分别掺到所述巴氏杀菌牛奶中，人工配制的五个掺假比例鲜牛奶样本顺序编号为1、2、3、4和5，五个掺假鲜牛奶的样本数分别为111、110、114、113、102，共550个样本；

2)中红外光谱采集

采用乳成分检测仪对奶样进行扫描，通过相连的计算机输出每个样本对应的透光率；

3)数据预处理

将原始光谱数据由透光率(T)转化为吸光度(A),去除异常值；

4)划分数据集

按分层抽样的原则划分为训练集和测试集，两者分别占数据集的80％和20％；

5)确定建模光谱波段

筛选巴氏杀菌牛奶、掺加了不同比例高温灭菌牛奶的巴氏杀菌牛奶以及高温灭菌牛奶的差异波段，并去除水的吸收区域；

6)建立模型与筛选最优模型

以训练集的中红外光谱作为输入值，以巴氏杀菌牛奶掺加不同比例高温灭菌牛奶所对应的类别作为输出值，使用不同光谱预处理方法和不同建模算法组合建立模型，使用准确率和kappa系数进行评估和筛选，筛选出最优模型；

7)最优模型的验证与应用

另取巴氏杀菌牛奶掺加不同比例高温灭菌的样本，使用筛选出的最优模型对样本进行鉴别，评估其应用性能。

其中：

步骤2)中采集中红外光谱时，将奶样分别倒入直径3.5cm，高9cm的圆柱形采样管中，保证液面高度大于6cm，然后将其在42℃水浴锅中水浴15-20min，再将固体光纤探头伸到液体中吸样检测；

步骤3)中根据A＝log10(1/T)将透射率(T)转换为吸光度(A)，使用马氏距离和乳脂乳蛋白的百分含量去除异常值，其中，保留光谱马氏距离≤3的数据；

步骤5)中使用的筛选差异波段的方法为Pearson相关性检验和相关性的显著性检验，去除的水吸收区域为3587.94-2970.66cm

步骤6)中使用的光谱预处理方法为一阶微分(Diff)、标准正态变量变换(SNV)、多元散射校正(MCS)和卷积平滑(Savitzy-Golay，SG)，使用的建模算法为随机森林(RF)和支持向量机(SVM)；最佳的预处理和算法组合为不进行预处理与支持向量机的组合；

本发明与现有技术比较的有益效果：

本发明采用简便的光谱筛选方法，使用了更少的波点进行建模，减少了运算成本；通过建立了10个鉴别模型以筛选最优模型，提高了鉴别的速率和准确性。

附图说明

图1：本发明建模波段的光谱图，即不同类别奶样在建模波段的吸光值图。图1中的横坐标为光谱波数，纵坐标为吸光度。实线为类别1(0％)、实线加×标记为类别2(10％)、实线加▼标记为类别3(20％)、实线加竖线标记为类别4(50％)、实线加正方形标记为类别5(100％)。附图标记说明：图1(a)为所有建模波段(1021.992-1615.399cm

图2：本发明最佳模型的测试集的混淆矩阵，横坐标为预测标签，纵坐标为真实标签，矩阵中预测标签和真实标签重合的方格为正确分类。

图3：本发明最优模型的测试集分类概率，横坐标为预测概率，纵坐标为预测的类别，圆形的点为鉴定正确类别，正方形的点为鉴定错误类别，三角形的点为错误分类所对应的真实类别。如图3中最左边的圆形的点代表被分为1类的概率为0.51，为正确分类；类别2中正方形的点表示被错误分为2类的点，被错误分为2类的概率为0.84，箭头所指向的三角形的点所在类别(1类)是其正确的类别。

具体实施方式

实施例1：模型的建立

仪器与设备：选用FOSS公司生产的MilkoScanTM7RM乳成分检测仪(按产品使用说明书操作)。

具体步骤如下：

(1)采集奶样

商购不同批次巴氏杀菌牛奶和高温灭菌牛奶，将所有高温灭菌牛奶混合，将高温灭菌牛奶按照体积百分比为0％、10％、20％、50％、100％的比例分别掺加到巴氏杀菌牛奶中，五个掺假比例鲜奶的编号分别为1、2、3、4和5，五个掺假鲜奶的样本数分别为111、110、114、113、102，共550个样本。

(2)采集中红外光谱

将奶样分别倒入直径3.5cm，高9cm的圆柱形样本管中，保证液面高度大于6cm，然后将其在42℃水浴锅中水浴15-20min，再将固体光纤探头伸到液体中吸样检测，通过其软件得到样本的透光率。

(3)数据预处理

对550个样本牛奶的MIR计算马氏距离，保留光谱马氏距离≤3的数据，表1为此过程的样本量变化统计，除去0个异常样本，得到有效样本550个，将其按分层抽样法分为训练集(n＝440)和测试集(n＝110)。本发明的试验设计见表1

表1剔除异常值时的样本量变化

表2常规乳成分的描述性统计

将光谱数据由透光率(T)转化为吸光度(A)，并去除水的吸收区域，对光谱数据进行Pearson相关性检验，并对相关性进行显著性分析，最终选择1021.992-1615.399cm

将数据集分为训练集(n＝440)、测试集(n＝110)和验证集(n＝50)。

分别采用一阶微分(Diff)、标准正态变量变换(SNV)、多元散射校正(MCS)和SG卷积平滑对光谱数据进行预处理，同时也与不使用预处理的数据进行比较。

(4)鉴定模型的建立

使用随机森林(RF)和支持向量机(SVM)算法利用训练集数据建立分类模型，并对测试集中的样本进行预测。在不同预处理下，RF和SVM算法的建模结果如表3所示。

表3不同预处理下RF和SVM的建模结果

(5)最优模型的筛选和确定

在此判别模型中，准确率为正确判断占所有判断的概率，其值越接近1越好；Kappa系数常用于一致性检验，也用于衡量分类的精度，其值越接近1越好。由表3中结果可知，SVM模型在分类训练中均取得优秀的结果，说明此5个模型均能准确鉴别训练集和测试集的两类目标。对数据进行不同预处理会不同程度地增加运算难度，增加运算时长，且不进行预处理的模型准确率更高，因此，选择不进行预处理与支持向量机的组合建立的模型为最优模型。

利用选择的最优分类模型，预测测试集的110个样本。以混淆矩阵衡量模型在测试集的性能，如图2所示。由图2可知，本实施例中测试集出现2个错分类情况，其中1个是将类别1(0％)误判为类别2(10％)，另1个错误分类是将类别2(10％)误判为类别3(20％)，说明错误分类在掺假梯度较小时更易出现，但模型在测试集上的整体分类效果较好。

图3为测试集中类别分类的概率，圆形的点代表正确的样本，正方形的点代表错误分类的样本，正方形的点箭头所指向的三角形的点代表正方形的点的真实类别。例如图中最左边的圆形的点表示此样本被分为1类的概率为0.51，为正确分类。类别2中正方形的点表示被错误分为2类的点，被错误分为1类的概率为0.84，箭头所指向的三角形所在类别(1类)是其正确的类别。同理类别3中的正方形的点表示被错误分为3类的点，被错误判别为3类的概率分别为0.54，这两个点的正确类别应为类别2。由图可知，测试集中的所有样本出现了2例错误分类，其余108个样本均被正确分类，且大部分样本被正确分类的概率>0.90。

实施例2：本发明模型的应用

采用实施例1的测定光谱、数据预处理等技术，对50个样本进行测定和处理，使用筛选出的最优模型进行鉴定，结果如表4所示。

表4模型应用结果

本发明对50个样本进行了测定和处理，基于马氏距离剔除1个异常值。使用筛选出的最优模型进行鉴定，检测到1个错误分类(类别2误判为类别3)，其余48个样本均分类正确，总体准确率达到0.98。

主要参考文献：

1.Dias,F.F.G.,T.R.Augusto-Obara,M.Hennebelle,S.Chantieng,G.Ozturk,A.Y.Taha,T.Vieira and J.M.Leite Nobrega de Moura Bell(2020)."Effects ofindustrial heat treatments on bovine milk oxylipins and conventional markersof lipid oxidation."Prostaglandins Leukot Essent Fatty Acids 152:102040.

2.Liu,H.,A.J.Grosvenor,X.Li,X.L.Wang,Y.Ma,S.Clerens,J.M.Dyer andL.Day(2019)."Changes in Milk Protein Interactions and Associated MolecularModification Resulting from Thermal Treatments and Storage."JFood Sci 84(7):1737-1745.

3.Zhang,Y.D.,P.Li,N.Zheng,Z.W.Jia,N.Meruva,A.Ladak,G.Cleland,F.Wen,S.L.Li,S.G.Zhao and J.Q.Wang(2018)."A metabolomics approach to characterizeraw,pasteurized,and ultra-high temperature milk using ultra-performanceliquid chromatography-quadrupole time-of-flight mass spectrometry andmultivariate data analysis."J Dairy Sci 101(11):9630-9636.

4.Zhu,D.,B.Kebede,G.Chen,K.McComb and R.Frew(2020)."Effects of thevat pasteurization process and refrigerated storage on the bovine milkmetabolome."J Dairy Sci 103(3):2077-2088。