羧甲基賴氨酸是晚期糖基化終末產物代表之一，當達到一定數(shù)量時能促進糖尿病、腎病、動脈粥樣硬化等疾病的發(fā)展和人體器官的快速衰老。某學者發(fā)現(xiàn)油炸薯片中CML?含量可達?22.2?mg/kg，較同類食品高，但實際生活中未將?CML?含量作為評價油炸薯片的指標。很重要的一方面原因是常見的?CML?檢測方法各有弊端，而具有靈敏度高、可利用性好、穩(wěn)定性較強等特點的液相色譜-質譜法，能對食品中?CML?進行準確的定量分析，但其操作繁瑣、耗時耗力、價格昂貴等。因此，實現(xiàn)快速、高效地檢測低劑量?CML，對避免食用高含量CML?的油炸薯片，保證消費者健康及馬鈴薯產業(yè)的發(fā)展具有重要意義。

目前，國內外已有對油炸薯片中有害成分和吸油量的分析，也有對?CML?的抑制研究，但少有對?CML?快速檢測方法的探討。高光譜圖像技術具有分辨率高、曲線連續(xù)、無損傷、無污染、可對物質特征或成分進行精確探測等特點。近年來，高光譜技術在城市測繪、精確農業(yè)、環(huán)境監(jiān)測、軍事監(jiān)視以及計算機視覺等工業(yè)領域得到了普遍的認可和關注。并且，由于高光譜光譜反射率與理化參數(shù)的相關性，可建立各種理化參數(shù)的光譜監(jiān)測模型，所以在測定食品或農產品中重要營養(yǎng)物質、有害成分含量等方面的研究較多，在監(jiān)測食品或農產品質量方面取得重大進展。國內外也有利用高光譜成像快速檢測鮮切馬鈴薯片或塊莖的相關研究，但鮮見采用高光譜成像技術預測油炸薯片中?CML?含量的報道。本文采用高光譜圖像技術，以具有不同工藝參數(shù)的油炸薯片為研究對象，借助液相色譜-質譜法測定CML?含量，構建?3?種預測模型并進行對比。最終確定最佳快速穩(wěn)健模型，為尋找高效的?CML?低劑量檢測設備提供依據(jù)和手段，為更好地服務于食品企業(yè)，保證產品質量。

1材料與方法

1.1?材料與試劑

試驗所用樣品為自制油炸薯片，采用如下制作過程：馬鈴薯粉加水?1∶1（質量比），和勻，將其揉成長面團，然后做成厚度為?1.0?cm?的面塊，再熟化、冷卻，最后切為厚?1.5?mm?的小片，油炸。試驗采用不同的油炸溫度和時間如表?1?所示，共?8?個等級。本研究采用粉碎后的油炸薯片作為樣品。試劑采用CML?標準品（純度為?98.0%）和?CML-D4?同位素內標（化學純度為?98.0%，同位素純度為?97.9%）。

表?1????油炸溫度和時間

1.2?儀器與設備高光譜成像采集系統(tǒng)如圖?1?所示，主要由?1?臺高光譜攝像儀?、1?個傳送裝置（自制）和?1?臺計算機組成。高光譜攝像儀通過?USB?2.0?接口連接計算機，軟件作為驅動控制攝像儀的平臺，電腦實時記錄和存貯數(shù)據(jù)信息。

圖1???光譜圖像采集系統(tǒng)

固相萃取柱（體積?3?m?L，填料質量?60?mg，填料粒徑?30?μm）、?超純水系統(tǒng)；真空固相萃取裝置；圓形水浴氮吹儀；超高效液相色譜儀、親?水?作?用?色?譜?柱?（2.1?mm?×100?mm，1.7?μm）、三重四極桿串聯(lián)質譜儀。

1.3??試驗方法1.3.1?CML?含量的測定

液質聯(lián)用測定油炸薯片中?CML?含量與高光譜圖像采集同步。首先對薯片粉末進行脫脂和水解，然后收集上清液，采用液相色譜-質譜法測定。

1.3.1.1?液相檢測條件

流動相：A?相為?0.1%甲酸水溶液，B?相為乙腈；進行梯度洗脫，梯度洗脫參數(shù)如表?2?所示。柱溫：35?℃；進樣量：5?μL；運行時間?7?min。

表?2??梯度洗脫參數(shù)

1.3.1.2?質譜檢測條件

離子源：電噴霧正離子模式；監(jiān)測模式：多反應監(jiān)測；毛細管電壓：3.5?k?V；錐孔電壓：20?V；源溫度：150?℃；脫溶劑氣溫度：400?℃；脫溶劑氣流速：700?L/h；碰撞能量：15?V；MRM?模式：CML?質荷比m/z?205.22?~m/z?84.00?定量?，m/z?205.22?~m/z?130.00?定性，CML-D4?m/z?209.00~m/z?87.70?定性。

1.3.2?高光譜圖像的采集

樣本高光譜圖像采集前，首先采集標準全白圖像和全黑圖像，然后再將已備好的（40±0.5）g?油炸薯片粉末，作為一個待測樣本，均勻地平鋪在直徑為100?mm?的培養(yǎng)皿中，放置在傳送帶上，傳送裝置的速度為?1.20?mm/s，相機的曝光時間為?90?ms，物距為?350?mm。光譜儀的光譜范圍為?371.05?nm~1?023.82?nm，光譜分辨率為?2.8?nm，采樣間隔為?0.51?nm。采集數(shù)據(jù)時，攝像頭在傳送帶方向的垂直方向作橫向掃描，得到的是所掃區(qū)域全部像素點在?1?288?個波長處的圖像數(shù)據(jù)。同時隨著薯片的前進，完成所需區(qū)域油炸薯片圖像數(shù)據(jù)的采集。為獲得理想區(qū)域的圖像，設定高光譜掃描程序中Width?和?Height?的參數(shù)都是?800。即圖像掃描行數(shù)為每幅?800?行，每行掃描的像素點數(shù)為?800?個，得到的高光譜圖像分辨率為?800?像素×800?像素。所以，對于每一個油炸薯片樣本，采集后最終得到一個大小為?800×800×1?288?的高光譜圖像數(shù)據(jù)塊。最后，為了消除成像儀的暗電流和光源強度分布不均造成的影響，需要對每個油炸薯片樣本高光譜圖像進行黑白標定。采用標準全白圖像和標準全黑圖像對采集到的原始高光譜圖像數(shù)據(jù)塊按照公式進行標定，得到黑白校正后的高光譜圖像數(shù)據(jù)。黑白校正公式如下。

式中：R?為黑白校正后的圖像；L?為原始反射圖像；W?為全白反射圖像；B?為全黑反射圖像。

1.3.3?模型建立方法與數(shù)據(jù)處理方法

本研究采用主成分回歸、偏最小二乘回歸和BP?神經網絡3?種方法建立模型。平均光譜數(shù)據(jù)的提取借助軟件?ENVI5.1；黑白處理、標準散射校正預處理及模型的構建均在?MATLAB?R2014a?中編程實現(xiàn)。

2結果與分析

2.1?圖象的采集與光譜預處理試驗中，每類油炸薯片分別選取?50?個重復樣本，8類樣品共?400?個樣本。相機拍攝各類油炸薯片圖像如圖?2?所示，在可見光波長?658.77?nm?下的細節(jié)圖像如圖?3?所示。選擇標準正態(tài)變換（standard?normal?variate，SNV）作為光譜預處理方法，用來消除油炸薯片固體顆粒大小不一、表面不均勻產生的散射以及光程變化對漫反射光譜造成的影響。400?個油炸薯片樣本在處理前后的光譜曲線圖如圖?4?所示。

圖?2?8?類樣本的可見光圖像

圖?3?8?類樣本在?658.77?nm?波長處的高光譜圖像

?

圖?4a?是?400?個樣本在?1?288?個波段的原始平均光譜反射圖。由于首尾波段信噪比較低，所以除去371.05?nm~472.86?nm?和?880.49?nm~1?023.82?nm?的數(shù)據(jù)，得到從第?200?到?1?000?個波段的信息，即剩余?801?個波段的光譜值。圖?4b?是所有樣本在?801?個波段的原始光譜值經過黑白校正后得到。圖?4c?是圖?4b?經過標準正態(tài)變換后的光譜圖。很明顯，經過?SNV?處理過的光譜曲線具有清晰的吸收峰，且每類薯片的光譜各有差別，這有利于預測模型的建立。

2.2?油炸薯片中?CML?含量的測定結果

每種油炸薯片樣品取?3?個平行進行測定，并確定這?3?次獨立測定結果的絕對值差小于等于其算術平均值的?10%，將其平均值作為此類油炸薯片樣品的實際CML?含量值，結果如表?3?示。從表?3?看出，當溫度在?180?℃時，隨著時間的延長，CML?含量呈現(xiàn)先增多后減少的趨勢，160?s?達到最大值為?12.74?μg/g，而后隨著時間的延長?CML?含量有所下降。當溫度?220?℃、時間?240?s?時，CML?含量比?80?s時明顯降低，僅為?5.17?μg/g。這與韓文鳳等的研究結果相一致：反應溫度對體系中?CML?含量的影響較為復雜；在高溫加熱的反應體系中，其含量隨著反應時間的延長呈先增大后減小的趨勢。采用此液質聯(lián)用檢測方法，耗時費力，成本高，且有毒。以下采用高光譜圖像技術提取數(shù)據(jù)，借助理化檢測方法測定的結果建立不同模型，預測?CML?含量。

2.3?采用不同方法建立預測模型

隨機選擇全部樣本的?70％作為訓練集，剩余?30％樣本作為測試集。本研究選用預測正確率（相對誤差不超過真實值的?5%為預測正確）、決定系數(shù)和均方根誤差?3?個結果指標對?3?種建模方法的精度進行評價。

2.3.1?主成分回歸

前?15?個主成分的貢獻率見表?4，不同方法建立預測模型結果對比見圖?5。

圖?4?400?個油炸薯片樣本的光譜曲線

?

表?3?8?種油炸薯片樣品的?CML?含量測定結果

注：同列不同字母表示差異顯著（p<0.05）,相同字母表示差異不顯著（p≥0.05）

?

?

?

?

表?4?前?15?個主成分得分貢獻率

注：…表示由于主成分得分貢獻率逐漸減小，第?4?個到第?15?個主成分間的貢獻率都在?0.069?4%~0.000?1%間，顯示出來意義不大，為減少冗余，故省略了中間。

?

由表?4?可見，前?15?個主成?分?得?分?可?以?呈?現(xiàn)99.999%以上的原始光譜信息。因此，選取前?15?個主成分作為樣本集特征光譜，即將?801?個波長壓縮為?15?個新變量作為特征變量，明顯提升了模型的運行效率。由圖?5a?可知預測效果不理想，主成分回歸預測正確率為?30.83%，決定系數(shù)為?0.85，均方根誤差為?1.3。

2.3.2?偏最小二乘回歸

基于?801?個波段數(shù)的平均光譜反射值建立偏最小二乘回歸模型，選擇?15?個主成分，所獲得的測試集決定系數(shù)為?0.84，均方根誤差為?1.15，預測正確率為55.00%。如圖?5b?所示，與主成分回歸對比，預測正確率稍高，決定系數(shù)近似。這說明，此模型仍然不能滿足預測油炸薯片中?CML?的含量。

2.3.3?BP?神經網絡

運用?BP?神經網絡模型建立光譜值與油炸薯片中CML?含量之間的映射關系，首先提取全部波段下圖像的平均光譜反射值，然后去除首尾具有噪聲的光譜，并對其進行標準正態(tài)變量變換光譜預處理。最后對801?列光譜數(shù)據(jù)運用主成分分析融合，選取代表原始信息?99.98%以上的前?6?個主成分作為神經網絡的輸入變量部分，設計模型結構，確定傳遞函數(shù)和訓練函數(shù)，設置學習速率、誤差、迭代次數(shù)等參數(shù)，建立具有穩(wěn)健性和精確度的?BP?神經網絡預測模型。

a.主成分回歸預測結果圖；b.偏最小二乘回歸預測結果圖；c.BP?神經網絡預測結果圖。

圖?5?不同方法建立預測模型結果對比

基于?400?個樣本在第?200?到?1?000?個波段下各個高光譜圖像的平均光譜反射值所建立的?BP?神經網絡結構，預測模型的結構設為?15-10-1，隱含層和輸出的?傳?遞?函?數(shù)?分?別?為tansig?和?logsig，?訓?練?函?數(shù)?為traincgf。學習率設定為?0.01，誤差設定為?1×10-6。運行結束，迭代次數(shù)共為?4?969?次，運行時間?21?s，誤差達到?3.12×10-5。預測結果如圖?5c?所示，所獲得的測試集決定系數(shù)為?0.99，均方根誤差為?0.22，預測正確率為?99.67%。2.3.4?對比結果以建模集和預測集的決定系數(shù)、均方根誤差、預測正確率作為?3?種建模方法，預測?CML?含量的評價標準，對比結果如表?5?所示。

表?5?不同建模方法的?CML?含量預測結果對比

由表?5?可知，BP?神經網絡預測正確率較高，為預測油炸薯片中?CML?含量最優(yōu)的模型。

2.3.4?最優(yōu)預測模型的選擇與穩(wěn)健性分析

對比顯示，基于第?200?到?1?000?波段下的每個油炸薯片樣本圖像的平均光譜反射值，預測?CML?含量建立的?BP?神經網絡模型最優(yōu)。為驗證此模型的穩(wěn)健性，從油炸薯片樣本的高光譜圖像數(shù)據(jù)信息中，隨機抽取5?組不同的訓練集和測試集。保證模型結構及所有參數(shù)不變，用這?5?組數(shù)據(jù)分別對?BP?神經網絡模型進行訓練和測試，結果如表?6?所示。

表?6?不同測試集的測試結果對比

從表?6?中可以看出，油炸薯片?CML?含量預測正確率平均值為?96.23%，決定系數(shù)平均值為?0.99，均方根誤差平均值為?0.22。這說明，該?BP?神經網絡模型具有可靠的穩(wěn)健性和精度。

4結??論

以含有不同?CML?量的油炸薯片為檢測對象，用高光譜成像儀采集其在?371.05?nm~1?023.82?nm?波長下的圖像，先提取其第?200?到?1?000?波段下圖像的平均光譜反射值，然后經過黑白校正和標準正態(tài)變量變換光譜預處理，最后對比主成分回歸、偏最小二乘回歸和?BP?神經網絡?3?種模型建立方法。結果顯示，基于BP?神經網絡所建立的油炸薯片中?CML?含量預測模型最為準確。并且經過驗證，該預測模型兼?zhèn)錅蚀_性和穩(wěn)健性。這說明，高光譜圖像技術融合?BP?神經網絡能夠實現(xiàn)油炸薯片中?CML?含量的準確預測，可為食品中CML?含量快速無損檢測提供重要依據(jù)。

萊森光學（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統(tǒng)的研發(fā)、生產和銷售。