专利名称：建立玻璃瓶装食品成分关联模型的方法及食品检测方法
技术领域：
本发明涉及一种食品成份关联模型的建立方法及利用该关联模型进行食品成份检测的方法，尤其是一种通过建立玻璃瓶装食品近红外光谱与食品中实际成份之间的对应关联模型并利用该模型对瓶装食品的成份进行快速检测的方法。
背景技术：
随着人们对食品中营养成份种类、含量的广泛关注，食品生产企业也相应的推出了根据产品营养含量划分产品等级的举措，这样不仅满足了消费者的需求，同时也赢得了市场的青睐。
大部分加工食品其各项营养成份含量是已知的，但是对于自然发酵类型的食品(如腐乳等)，由于生产方式是采用预先封装，再通过其自身的发酵变化而制成食品，因此就出现了出厂时每个包装中的食品营养成份含量均不相同的特点，导致生产企业无法快速无损地进行成份含量的准确计量，也无法根据成份划分产品等级。
目前，解决这一问题的方法是抽样开启包装，按照有关标准进行化学分析，再根据经验估算其他未开启产品的各成份含量，这种方法的准确性较低，而已经开启的食品虽然可以获得准确的分析数据结果，但不能再重新包装销售。
因此，如何准确、快速、无损伤的测定包装食品中各种成份含量已成为业界人士希望尽快解决的问题之一。
发明内容
本发明所要解决的主要技术问题在于针对目前缺乏上述对已包装食品中各种成份进行快速测定的现状提供一种建立玻璃瓶装食品成份关联模型的方法及瓶装食品快速无损检测方法，该方法通过采集经标准方法获知其准确成份含量的瓶装食品样品的近红外光谱，建立瓶装食品成份与其近红外光谱之间的关联模型以及瓶装食品中各种成份之间的对应关系模型，并且能够利用该关联模型和对应关系模型为快速检测瓶装食品的各种成份提供有效的技术手段和依据。
解决上述技术问题的技术方案包括一种建立玻璃瓶装食品成份关联模型的方法和一种瓶装食品成份的检测方法。
建立玻璃瓶装食品成份关联模型的方法包括以下步骤步骤1采用标准分析方法对一个以上标准瓶装食品样品中各成份的含量分别进行测量，获得标准成份含量值；所述一个以上标准瓶装食品样品为成份含量各自不同，且其数值呈分布状的代表样品；步骤2通过漫反射方式对步骤1所述代表样品采用近红外光谱仪分别采集它们的近红外光谱；步骤3对所采集的近红外光谱以数学运算方式消除瓶子本体对近红外光谱的影响；步骤4再以数学运算的方式从步骤2所采集的近红外光谱中提取所述代表样品光谱中各成份的特征数据信息；步骤5建立上述代表样品中各成份的标准成份含量值与其光谱中各对应成份的特征数据之间的关联模型，对于同一瓶中具有不同类型食品的，分别建立每一类型食品的所述关联模型。
步骤1中的标准分析方法是目前所采用的标准化学分析方法。
在上述步骤中，代表样品的数量可以是10个或50个，也可以更多。提高代表样品的数量有助于提高关联模型的精度。上述的漫反射可以采用833-2500nm波长范围的积分球漫反射，也可以采用1000-2500nm波长范围的光纤漫反射。
步骤3之后还可采用多元散射校正法消除代表样品因散射而产生对准确度影响的步骤。
步骤3中的数学运算方式可以是一阶求导或二阶求导运算方式。
步骤4中所述的数学运算方式可以是偏最小二乘回归方式，也可以是多元逐步线性回归运算方式。
上述技术方案中，当代表样品的包装中包括了多个类型的食品，如腐乳中既包括了腐乳块，也包括了汤料时，步骤5所建立的关系模型，还包括了建立瓶装食品中，同一瓶中不同类型食品之间的各成份之间的对应关系模型。
采用由上述技术方案所建立的关联模型对玻璃瓶装食品进行成份检测的方法包括以下步骤步骤1通过漫反射，采用近红外光谱仪采集被测瓶装食品的近红外光谱；步骤2消除瓶子对近红外光谱的影响；消除被测瓶装食品的散射影响；步骤3依据所述关联模型预测所述被测瓶装食品中各成份的含量。
由上述技术方案可知，本发明利用在780nm-2500nm的近红外光谱中，几乎包括有机物中所有含氢基团，如C-H、O-H、N-H和C＝O等的分子内部原子间振动的倍频与合频的信息，特定的原子群(或称基团/组分，如水分、蛋白、脂肪等)在这个波长范围内，有对应的特征吸收波长，且符合比尔定律(Beer’s Law)即被吸收光量的对数值与样品中吸收该波长光的原子聚集度存在线性关系，通过测定样品在某一特殊波长光下的吸收值可推知这种特殊波长对应的原子群，也就是成份的聚集度，即百分含量。因而采集食品样品的近红外光谱，并结合已知食品样品各成份的准确含量对所采集的近红外光谱进行分析，即可获得食品样品成份与其近红外光谱的关联关系模型，并利用该关联模型即可预测具有特定近红外光谱的食品成份。
本发明的有益效果是，通过建立本发明的所提供的玻璃瓶装食品成份与近红外光谱之间关联模型，利用该模型便可以实现在不破坏，或不开启包装玻璃瓶的前提下快速、准确、无损伤地检测食品中的各种成份，即可以节约检测时间，提高检测效率，又可以不影响检测后的食品质量。利用本发明所提供的方法还可以实现玻璃瓶装食品的无损伤在线检测，为确定生产产品的质量等级或分类，或者为行政管理部门的市场检测提供了良好的技术手段。
下面，通过一个具体实施例并结合附图对本发明所提供的建立关联模型的方法做进一步的详细说明。
图1是本发明所提供一实施例的建立关联模型的流程图。
图2是图1所示实施例中瓶装不同类型食品部位示意图。
图3是瓶装腐乳平均反射光谱及玻璃瓶子的反射光谱。
图4是对图2指示位置采集的近红外光谱。
图5是用积分球采集光谱后的预测结果。
图6是用光纤采集光谱后的预测结果。
图7是瓶装腐乳各成份近红外区域内相关系数的特征吸收峰曲线图。
图8是图1所示实施例中不同类食品中盐分含量的相关关系图。
图9是图1所示实施例中氨基酸态氮含量的相关关系图。
图10是图1所示实施例中可溶性蛋白质与氨基酸态氮含量的关系图。
图11是基于所建立的关联模型检测瓶装食品成份的流程图。
具体实施例方式
本实施例中，瓶装食品为腐乳。建立瓶装腐乳中各成份的关联模型的流程如图1所示。
1、选择一个腐乳品种，抽取三十瓶标准玻璃瓶装腐乳样品，采用标准分析方法对样品中各成份的含量分别进行测量，获得标准成份含量值。获得其数值呈分布状的代表样品。
2、对上述步骤的代表样品采用近红外光谱仪分别采集它们的近红外光谱。具体的可以采用积分球漫反射的方法，在833-2500nm波长范围内，用近红外光谱仪分别采集上述瓶装腐乳块和汤料的近红外光谱(两者在玻璃瓶中的相对位置如图2所示，其中A为腐乳块，B为汤料；两者的近红外光谱如图4所示，其中a为腐乳块的近红外光谱，b为汤料的近红外光谱；腐乳块和汤料属于同一瓶中所包含的不同类型食品，因此需要分别进行采集)。
3、为提高模型的准确度，利用多元散射校正(MSC)方法对光谱数据进行预处理，以消除样品散射的影响，同时，消除瓶子反射光谱的影响。如图3所示，腐乳的反射光谱c有四个比较显著的吸收峰分别在988、1200、1454和1945nm，空瓶的反射光谱d近似于一条直线，因此可以采用数学方法，例如一阶或二阶求导，可以消除瓶子的影响。
5、利用偏最小二乘回归(PLS)的方法，分别提取所采集的上述处理后的近红外光谱中关于各成份的相关特征信息。
6、分别建立腐乳块和汤料中各化学成份与近红外光谱间的相关关系，即建立模型，同时还可以建立腐乳块与汤料的各成份之间的关系模型。
如图5所示为采用积分球采集光谱后对玻璃瓶装腐乳中水分、盐分、可溶性蛋白质和氨基酸态氮所建模型的预测结果。其中对水分E其相关系数R2为0.98，建模标准差(RMSEC)为0.389；对可溶性蛋白质F其相关系数为0.97，建模标准差为0.189；对氨基酸态氮G其相关系数为0.97，建模标准差为0.0191；对盐分H其相关系数为0.99，建模标准差为0.120。
7、根据腐乳块成份与汤料成份间的关联，分别建立两者各成份间的相关关系，建立腐乳块与汤料成份间的相关关系模型；如图8所示为腐乳块与汤料中盐分的相关关系图，其相关关系为0.9415，预测方程为y＝1.0822x+1.6575；如图9所示，为腐乳块与汤料中氨基酸态氮含量的相关关系图，其相关关系为0.9568，预测方程为y＝0.8405x+0.0953；如图10所示为腐乳块中可溶性蛋白质与腐乳块中氨基酸态氮含量的相关关系图，其相关关系为0.8097，预测方程为y＝0.0799x+0.0039。
利用所建立的腐乳块及汤料的相关关系模型可以快速、无损伤的在线检测瓶装腐乳中的成份含量，并且不管采集的近红外光谱是腐乳块样品的，还是汤料样品的，都可以利用各自的相关系模型分别计算出各成份的含量后，再利用步骤6所建立的相关关系模型，求出另一种样品中各成份的含量。
上述实施例还可以采用光纤漫反射的方法，在1000-2500nm波长范围内，用近红外光谱仪采集玻璃瓶装腐乳中腐乳块和汤料的近红外光谱。
采用光纤采集光谱后对瓶装腐乳中水分、盐分、可溶性蛋白质和氨基酸态氮所建模型的预测结果如图6所示。对水分E1其相关系数R2为0.96，建模标准差(RMSEC)为0.566；对可溶性蛋白质F1其相关系数为0.98，建模标准差为0.150；对氨基酸态氮G1其相关系数为0.96，建模标准差为0.0219；对盐分H1其相关系数为0.99，建模标准差为0.109。
在上述步骤5中，也可以采用多元逐步线性回归法提取所采集的的近红外光谱中关于各成份的相关特征信息。如图7所示，就是利用多元逐步线性回归法得到的瓶装腐乳中各成份的近红外特征吸收峰。水分曲线E2的特征波长为957、1145、1253、1369、1410、1617和1786nm(±5nm)；可溶性蛋白质曲线F2的特征波长为1179、1280、1652、1828、2276和2309nm(±5nm)；氨基酸态氮曲线G2的特征波长为1176、1278、1648、1830和2298nm(±5nm)；盐分曲线H2的特征波长为992、1227、1443、1594、1716、1793和2174nm(±5nm)。
在上述关联模型的建立中，共建立了三类模型，即腐乳块中各成份的关联模型，汤料中各成份的关联模型，腐乳与汤料各成份间的相关关系模型(一种成份一个对应关系)，因此，利用上述模型预测瓶装腐乳各成份的方法可以分为离散的下线预测和连续的在线预测。
当进行离散预测时，操作人员可以挑选腐乳块所在的位置进行光谱采集，然后进行成份预测。当进行连续在线预测时，其预测流程如图11所示。
首先，自动在线采集光谱；然后，判断光谱是腐乳块的还是汤料的(通过此光谱与腐乳块或汤料的平均光谱的匹配度来判定)，如采集的光谱是腐乳块的，依据上述腐乳块各成份的关联模型进行成份预测；如果光谱属于汤料的，则先根据上述汤料的关联模型进行成份的预测，然后根据上述腐乳块与汤料成份间的相关关系模型，换算成腐乳块中的相应成份的含量；最后得到以腐乳块成份计的瓶装腐乳的各成份含量。
本发明不仅能够用于瓶装食品生产企业在生产线上进行自动化连续成份检测，根据产品中各主要成份的含量对产品质量进行划分，并剔除不合格产品，而且还可以应用于行政管理部门对市场上销售的瓶装食品通过其各主要成份的含量进行产品质量优劣、合格与不合格的检测。由于利用本发明所建立的关联模型在检测过程中不需要开启产品包装，因此，完全可以做到对所有瓶装食品进行百分之百检测。这样使企业的产品质量获得了良好的保证，同时，也使消费者的合法权益得到了有效的保证。
最后所应说明的是以上实施例仅用以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。
权利要求
1.一种建立玻璃瓶装食品成份关联模型的方法，其特征在于包括以下步骤步骤1采用标准分析方法对一个以上标准瓶装食品样品中各成份的含量分别进行测量，获得标准成份含量值；所述一个以上标准瓶装食品样品为成份含量各自不同，且其数值呈分布状的代表样品；步骤2通过漫反射方法对步骤1所述代表样品采用近红外光谱仪分别采集它们的近红外光谱；步骤3对所采集的近红外光谱以数学运算方式消除瓶子本体对近红外光谱的影响；步骤4再以数学运算的方式从步骤2所采集的近红外光谱中提取所述代表样品光谱中各成份的特征数据信息；步骤5建立上述代表样品中各成份的标准成份含量值与其光谱中各对应成份的特征数据之间的关联模型，对于同一瓶中具有不同类型食品的，分别建立每一类型食品的所述关联模型。
2.根据权利要求1所述的方法，其特征在于所述的步骤1、步骤2、步骤4及步骤5中的代表样品的数量为10-100个。
3.根据权利要求1或2所述的方法，其特征在于所述的步骤2之后还设有采用多元散射校正法消除所述代表样品因散射而产生对准确度影响的步骤。
4.根据权利要求1所述的方法，其特征在于所述的步骤2中，漫反射方法为积分球漫反射或光纤漫反射。
5.根据权利要求1所述的方法，其特征在于所述的步骤2中的数学运算方式为一阶求导或二阶求导。
6.根据权利要求1所述的方法，其特征在于所述的步骤3中的数学运算方式为偏最小二乘回归或多元逐步线性回归运算。
7.根据权利要求1所述的方法，其特征在于所述的步骤5中，还包括建立瓶装食品中，同一瓶中不同类型食品之间各成份之间的对应关联模型。
8.根据权利要求4所述的方法，其特征在于所述的步骤2中，积分球漫反射的波长范围是833-2500nm；光纤漫反射的波长范围是1000-2500nm。
9.一种基于权利要求1-8任一所述方法所建立的关联模型对玻璃瓶装食品进行成份检测的方法，其特征在于包括步骤1通过漫反射，采用近红外光谱仪采集被测瓶装食品的近红外光谱；步骤2消除瓶子对近红外光谱的影响；消除被测瓶装食品的散射影响；步骤3依据所述关联模型预测所述被测瓶装食品中各成份的含量。
10.根据权利要求9所述的检测方法，其特征在于所述的步骤2是利用一阶或二阶求导的运算方法消除瓶子对近红外光谱的影响；所述的步骤3采用多元散射校正方法消除被测瓶装食品的散射影响。
全文摘要
本发明涉及一种建立玻璃瓶装食品成分关联模型的方法及食品检测方法，关联模型建立方法包括采用标准分析方法对样品中各成分的含量进行测量；通过漫反射方式采集它们的近红外光谱；对所采集的近红外光谱以数学运算方式消除瓶子本体的影响；再以数学运算的方式提取光谱中各成份的特征数据信息；建立各成分含量值与其光谱中各对应成分的特征数据之间的关联模型；食品检测方法包括采集被测瓶装食品的近红外光谱；消除瓶子反射对近红外光谱的影响；消除被测瓶装食品的散射影响；依据所述关联模型预测所述被测瓶装食品中各成分的含量。本发明可实现不破坏瓶装的前提下快速、准确、无损伤检测瓶装腐乳中的各种成分，即可以节约检测时间，提高检测效率。
文档编号G01N21/31GK1749734SQ20041007781
公开日2006年3月22日 申请日期2004年9月15日 优先权日2004年9月15日
发明者韩东海, 鲁超 申请人:中国农业大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
