基于可见-近红外光谱技术的苹果果泥色度与糖酸品质调控方法

技术领域

本发明属于光谱分析技术领域，涉及应用可见近红外光谱技术实现苹果果泥的调配混合控制及其产品质量快速评估。

背景技术

苹果果泥是婴幼儿6-24月内的重要辅食，同时也是果饮、果酱、果奶等食品的重要配料，具有丰富的多酚类物质和纤维素。混合果泥是指将不同的单一品种苹果果泥按一定比例混合调配，得到有独特性、品质稳定的果泥产品。但由于不同苹果原料质量稳定性受到诸多外界因素影响(批次、年份、地域等)，导致很难对其加工果泥的进行精准性的、有针对性的、经济高效的调配控制。因此，开发可靠的方法控制果泥混合调配方式并对其混合果泥品质特性进行快速评估，有利于提升果泥调配工艺稳定性，增强对原料的可追溯性质量安全控制。可见近红外(Vis-NIR)光谱是一种快速无损、易于使用且可自动化的技术，已被应用于检测果泥产品的质量品质。但目前为止，国内外还没有人尝试将这种技术应用于对苹果果泥的混合调配控制及其产品品质的快速模拟评估。

发明内容

本发明目的是提供一种苹果果泥品质调控并预测其混合产品品质特性的高效方法。首先，通过采集单一品种苹果果泥与复杂混合比例下的混合苹果果泥的可见近红外光谱(Vis-NIR)信号，通过竞争自适应加权采样(CARS)筛选与果泥质量特征相关光谱变量；基于特征光学信号，利用多元曲率-交替最小二乘(MCR-ALS)算法构建单一苹果果泥与多种混合果泥的光学关联性参数体系，实现由单一品种苹果果泥特征光学信号向多种混合苹果果泥Vis-NIR光谱数据的重构模拟；最后，基于重构的Vis-NIR光谱的结合偏最小二乘回归模型(PLS)预测混合果泥的部分理化品质。此方法实现了仅通过快速获取4个单一品种苹果果泥的Vis-NIR光谱数据，即可提供54种不同混合果泥调配方式并模拟其混合果泥的色度(a*值)、总糖、可滴定酸度和苹果酸含量，为果泥生产加工中快速精准调配及品质质量控制提供技术支持。

本发明的有益之处在于：1)通过快速扫描4个单一品种苹果果泥的Vis-NIR光谱，即可模拟54种不同调配方式(混合比例)下的混合果泥品质特性，为食品加工企业在苹果果泥调配环节进行快速、高效、稳定的质量控制；2)快速预测混合苹果果泥质量，简化了苹果果泥质量评估步骤，相较于传统的化学测定方法，该发明不仅节省时间，减少劳力，而且避免了化学试剂的使用；3)基于CARS特征变量光谱提高了对果泥质量的预测精度；4)首次获取了基于MCR-ALS的Vis-NIR果泥混合光学关联性参数体系(浓度系数矩阵)并成功重建混合果泥的特征光谱；5)在调配前根据单一品种果泥品质特性对混合苹果果泥产品的调和比例进行模拟控制，为生产者提供了调配优化工艺参考。

附图说明

图1：果泥加工、配制和光谱采集的流程图

图2：MCR-ALS的Vis-NIR光谱数据处理和混合果泥的光谱重建流程图

图3：不同混合果泥组的颜色(a*和b*)、流变参数(η

具体实施方式

一种苹果果泥品质调配控制方法，具体实施方式如下：

1.试验材料与方法

果泥加工：选取商业成熟的四种苹果：“金冠”(GD)、“澳洲青苹”(GS)、“布瑞本”(BR)和“皇家嘎拉”(GA)，在4℃和90％的相对湿度下贮藏，进行连续3批次果泥加工(1批次/周)。经分拣清洗后，每种苹果(2kg)按照商业标准果泥加工方式：在95℃下，以1500转/分钟破碎度进行热加工处理5分钟，之后降温至65℃保持热处理10分钟，制得4种单品种苹果果泥；

果泥混合：制备单一品种果泥后，将每两个品种果泥进行不同混合，总共得到6个实验组(GD-GS，GD-BR，GD-GA，GS-BR，GS-GA，BR-GA)。每组包括9个混合比例，其中6个混合果泥光谱矩阵(10％∶90％、25％∶75％、50％∶50％、75％∶25％、90％∶10％、95％∶5％)作为建模集，3个混合果泥光谱矩阵(80％∶20％、33％∶67％、14％∶86％)作为预测集。

光谱采集和指标测定：对所有果泥样品(单品种、混合)进行Vis-NIR光谱采集与理化指标测定。在23℃下，使用多功能分析光谱仪收集果泥的Vis-NIR光谱，扫描次数为32，分辨率为8cm

光谱数据集：单一品种果泥光谱矩阵(共36个光谱，3次重复×3加工批次×4个品种)、混合果泥光谱建模光谱矩阵(486个光谱，3次重复×3加工批次×6个实验组×9个混合比例)。

2.光谱特征信号分析与提取

利用CARS变量选择方法结合PLS对混合果泥不同品质指标(色度L*a*b*、流变学参数η

3.MCR-ALS与光谱重构

图2是MCR-ALS的Vis-NIR光谱数据处理和混合果泥的光谱重建流程图，利用MCR-ALS对混合果泥样品特征光谱矩阵D’(样品总数n×特征波段λ′)与单一品种果泥特征光谱矩阵S′T(4个品种×特征波段λ’)进行浓度系数矩阵解析。D矩阵可以根据公式(1)分解为与矩阵S′T中单一果泥的特征波长下的主要关联参数q，并使用替代最小二乘法(ALS)程序进行交互转换，如公式(2)。

D′＝CS′

C＝D′(S′

基于公式(1)和(2)，获得矩阵C(n×q)，主要描述每个单一品种果泥(q)在不同混合果泥(n)中的关联参数矩阵。E是误差调教矩阵。矩阵(S′T)

利用浓度系数矩阵C与单一品种果泥光谱矩阵S，进行混合果泥光谱重构，得到光谱矩阵R(n×k)，矩阵R每行Ri(i＝1，...n)由重构的光谱组成，每列Rj(j＝1，...λ′)是相应的GD、GS、BR和GA果泥光谱在每个波数下的重构光谱强度λ’，光学重构公式如下(3)

R＝C

4.光谱变量筛选和PLS回归模型

首先，对所有光谱数据集进行标准正态变换(SNV)处理；其次，通过CARS算法对光谱矩阵进行变量筛选；最后，基于全波段光谱、CARS特征光谱变量和重构光谱矩阵建立PLS回归模型预测果泥质量品质。上述所有Vis-NIR光谱矩阵均对应于同一参考数据集。6个混合果泥光谱矩阵(10％∶90％、25％∶75％、50％∶50％、75％∶25％、90％∶10％、95％∶5％)用于建模校准，3个混合果泥光谱矩阵(80％∶20％、33％∶67％、14％∶86％)进行预测验证。根据校正集(R

5.MCR-ALS解析混合果泥各组分浓度系数矩阵

为了计算相关混合果泥中各单组分果泥的浓度分布，采用MCR-ALS方法对所有混合果泥和四种单品种果泥的Vis-NIR光谱进行了分析，基于对应的36个单品种(4个品种×3个重复×3批次)，共重构了486个混合果泥的光谱，表明Vis-NIR光谱可以准确预测浓度，这些预测与单品种果泥的比例高度相关(表1)。

表1.基于MCR-ALS的Vis-NIR果泥混合光学关联性参数体系(浓度系数矩阵)

/>

6.果泥混合前后的品质特性变化

图3是不同混合果泥组的a*、b*、流变参数η

7.基于可见-近红外光谱的混合果泥特性预测

由表2可知，基于原始光谱和变量筛选构建的PLS回归模型能很好地预测混合苹果泥中的a*、η

表2.基于Vis-NIR(500-2500nm)全波段(All)及CARS变量筛选方法建立的混合果泥品质指标预测模型结果

8.基于重构的Vis-NIR光谱预测混合果泥的特性

由表3可知，在基于重构的Vis-NIR光谱构建的PLS回归模型中，可以很好地预测果泥的a*值，R

表3 基于重构的VIS-NIR光谱建立的混合果泥品质指标预测模型

以上内容描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。