（內蒙古農業(yè)大學食品科學與工程學院，呼和浩特 010018）

0 引 言

雙峰駝乳營養(yǎng)豐富，脂肪、乳糖和總干物質顯著高于牛乳，尤其降血糖與輔助治療糖尿病的功效被發(fā)現(xiàn)以來，越來越受關注并逐步得到產(chǎn)業(yè)化開發(fā)[1-4]。駱駝乳風味獨特，但產(chǎn)量低、地域性強、所以供不應求，原料乳每千克價格在80～100元，遠高于其他乳，從而極易受到摻假、造假和冒充侵害[5-7]。

駝乳品質和安全檢測技術開發(fā)勢在必行，目前尚無快速預測雙峰駝乳常規(guī)營養(yǎng)素的近紅外（NIR）光譜預測模型。NIR光譜預測食品常量多組分具有綠色、快速、無損的優(yōu)點，其基本原理是用化學計量學軟件將樣品化學值與NIR光譜數(shù)據(jù)進行多變量線性擬合校正，通常采用偏最小二乘（PLS）或主成分線性回歸（PCR）法建立預測模型，實現(xiàn)對未知樣品常規(guī)組分的快速測定[8-10]。方雄武等[11]采用NIR透射光譜儀系統(tǒng)建立了牛奶的蛋白質、脂肪和乳糖定量分析模型。王明等[12]采用NIR漫反射光譜建立了牛乳中蛋白質與脂肪含量的快速檢測模型，結果表明NIR光譜技術可以準確預測牛奶中蛋白質與脂肪的含量。祝義偉等[13]采用偏最小二乘回歸（PLS）建立酸奶中非脂乳固體的NIR光譜定量分析模型,并對模型進行驗證評估，預測結果較好。不同動乳營養(yǎng)成分及黏度等物性不同，NIR光譜特征也有差異[14]，因此利用牛乳營養(yǎng)素的NIR模型預測其他動物乳營養(yǎng)素含量，尤其預測雙峰駝和水牛乳等干物質遠大于牛乳的特種乳成分，可能偏差較大[15-16]。因此有必要評價多種家畜乳營養(yǎng)成分的通用NIR預測模型或專用模型的性能。本文系統(tǒng)采集內蒙古雙峰駝乳主產(chǎn)區(qū)代表性乳樣，以及荷斯坦牛乳和水牛乳，嚴格檢測乳樣常規(guī)營養(yǎng)素化學值，建立3種動物的通用PLS模型和雙峰駝乳的專用模型，進行比較評價；同時評價一款臺式寬譜研究型傅里葉變換近紅外光譜儀和一款國際主流品牌便捷式光柵近紅外光譜儀建模的性能，以期為雙峰駝乳營養(yǎng)質量快速預測提供數(shù)據(jù)參數(shù)和方法學參考，建立的模型也可在這兩品牌設備上轉移使用，服務企業(yè)和社會。

1 材料與方法

1.1 樣本的采集

從內蒙古主要駱駝飼養(yǎng)地區(qū)采集雙峰駝乳樣品153份，來自烏海市、阿拉善左旗、呼倫貝爾鄂溫克旗；同時作為相伴研究分別采集牛乳樣品28份，來自蘇尼特左旗、呼和浩特市、鄂爾多斯烏審旗、呼倫貝爾鄂溫克旗；水牛乳40份，來自廣西省南寧市。

1.2 常規(guī)營養(yǎng)素的測定

脂肪按GB5009.6-2016中的蓋勃法測定；蛋白質按GB5009.5-2016中的凱氏定氮法測定；乳糖按照GB5413.5-2010中的萊茵-埃農氏法測定；水分與灰分，分別按照GB5009.3-2016和GB5009.4-2016測定。測定以上5種營養(yǎng)素時，實驗的時間、地點和溫度等因素都相同，確保了樣品性質狀態(tài)的一致性以減小誤差。測定的化學值即為NIR光譜分析過程中的真值。

1.3 近紅外光（NIR）光譜儀

PE傅立葉變換近紅外（NIR）光譜儀，25℃控溫條件，對樣品進行漫透射光譜掃描，選用波長范圍1 000～2 500 nm，分辨率為16 cm-1，采集信息點3 000個，每個樣品不同時間掃描2次，每次平行掃描3次，即每個乳樣有6個光譜數(shù)據(jù)。

VIAVO光柵型微型近紅外（NIR）光譜儀，室溫條件采集乳樣漫反射光譜。掃描光譜波數(shù)范圍為900～1 676 nm，檢測器為S1-00723，采集信息點125個，每個樣品2次平行，每次平行掃描3次，即每個乳樣有6個光譜數(shù)據(jù)。

1.4 數(shù)據(jù)的處理與模型的建立

用Excel記錄和整理乳樣5種常規(guī)營養(yǎng)素化學化學值，用IBM-SPSSStatistics20進行正態(tài)性檢驗（即數(shù)據(jù)集質量的檢驗），并進行描述性統(tǒng)計和差異檢驗。將乳樣化學值和NIR光譜數(shù)據(jù)對應導入化學計量學軟件Unscrambler X 10.5，以7∶3的比例將樣本集劃分為校正集與驗證集，使用導數(shù)（Derivative）、標準正態(tài)變量變換（SNV）和多元散射校正（MSC）對光譜信息進行預處理，然后將校正樣本集的乳樣5種營養(yǎng)素化學值分別與各種預處理后的NIR光譜進行偏最小二乘法（PLS）多元線性校正（Calibration），建立5種基礎營養(yǎng)素的預測模型，并用驗證集樣本對預測模型進行驗證。多次組合校正樣本集和驗證樣本集，反復優(yōu)化模型，模型評價參數(shù)見表1。

表1 乳常規(guī)營養(yǎng)素NIR光譜預測模型驗證評價指標

2 結果與分析

2.1 營養(yǎng)素化學值質量檢驗

對3種家畜乳221個樣品的脂肪、蛋白質、乳糖、水分和灰分檢測結果進行了正態(tài)性檢驗，結果總樣本5種營養(yǎng)素化學值符合正態(tài)分布。雙峰駝乳5種常規(guī)營養(yǎng)素正態(tài)性檢驗結果見圖1，駝乳脂肪、蛋白質、乳糖和水分符合正態(tài)分布，趨降p-p檢驗值在±0.05之間，數(shù)據(jù)質量很高，駝乳灰分趨降p-p檢驗值在±0.09之間，基本符合正態(tài)分布，數(shù)據(jù)質量也較高，可用于NIR光譜預測模型建立，獲得的描述性統(tǒng)計參數(shù)可以預測我國雙峰駝乳常規(guī)營養(yǎng)含量水平。

2.2 營養(yǎng)素化學值描述性統(tǒng)計

雙峰駝乳及相伴研究荷斯坦牛和水牛乳樣品化學值測定數(shù)據(jù)描述性統(tǒng)計見表2、表3和表4，數(shù)據(jù)分布范圍見圖2。雙峰駝和水牛乳脂肪顯著高于荷斯坦牛乳，均值分別是牛乳的1.6和2倍；兩者蛋白質含量也顯著高于牛乳，均值是牛乳的1.1（高出10%）和1.4倍；灰分含量也顯著高于牛乳，均值是牛乳的1.3和1.2倍。雙峰駝乳、水牛乳與荷斯坦牛乳的乳糖與水分含量無顯著差異。

3種動物乳脂肪、蛋白和灰分含量數(shù)據(jù)分布范圍見圖2?？紤]到數(shù)據(jù)離散范圍（95%置信區(qū)間），3種動物乳指標波動范圍很不同。提示用牛乳營養(yǎng)素或多種動物通用NIR模型預測特種家畜乳營養(yǎng)素可能不夠準確，有必要建立不同家畜乳營養(yǎng)素的專用NIR預測模型。

圖1 雙峰駝乳5種常規(guī)營養(yǎng)素數(shù)據(jù)正態(tài)性檢驗

表2 雙峰駝乳營養(yǎng)素化學值測定結果描述性統(tǒng)計表(N=153 g/100g)

表3 荷斯坦牛乳營養(yǎng)素化學值測定結果描述性統(tǒng)計表(N=28 g/100g)

表4 水牛乳營養(yǎng)素化學值測定結果描述性統(tǒng)計表(N=40 g/100g)

圖2 3種家畜乳3種常規(guī)營養(yǎng)素數(shù)據(jù)箱式圖

2.3 NIR模型建立和評價

2.3.1 主因子數(shù)的選擇與異常樣本的剔除

模型中的主因子個數(shù)會決定模型的穩(wěn)定性，同時也對模型內部與外部驗證參數(shù)的準確性起一定作用。如圖3所示，當因子數(shù)越少時，RMSECV值越大，模型越不穩(wěn)定，因子數(shù)越多，模型的擬合度越高，RMSECV值越低，模型的效果越好。當主因子數(shù)為10時模型的RMSECV值最低，模型的效果為最優(yōu)。所以本實驗選擇主因子數(shù)10來進行模型后續(xù)的建立與優(yōu)化。

圖3 PLS模型主因子與RMSECV關系圖

在實驗過程中，由于人為操作的失誤或系統(tǒng)誤差，經(jīng)常會產(chǎn)生許多異常值（異常乳樣），異常值會對PLS回歸校正產(chǎn)生一定的負面影響。所以剔除異常樣品對模型的建立以及所建立模型的穩(wěn)定性起到至關重要的作用。本實驗主要根據(jù)模型的預測回歸線與學生化殘差剔除異常樣本。但剔除“異常值”或“異常樣本”更應該驗證化學值是否測定準確，有必要進行重復測定驗證。輕易剔除“異常樣本”，模型圖和參數(shù)可能會很理想，但模型在大量外部驗證或實踐應用中可能會發(fā)現(xiàn)不夠穩(wěn)健。

2.3.2 3種家畜乳的近紅外通用乳模型

建立優(yōu)化后的牛乳、水牛乳和雙峰駝乳的通用乳模型參數(shù)見表5。通用乳模型中脂肪、乳糖、蛋白質、水分的最優(yōu)前處理方式為一階導數(shù)+二階導數(shù)的結合使用，而灰分的最優(yōu)前處理方式為SNV+MSC處理。

表5 3種家畜乳通用模型最優(yōu)參數(shù)

5種常規(guī)營養(yǎng)素的通用乳模型評價系數(shù)R2全部大于0.9，除水分外，其余4種常規(guī)營養(yǎng)素模型的RMSECV均小于0.5，其中僅有脂肪與水分的RPD＞2.4，表明這兩種模型可做近似估計。乳糖、蛋白質和灰分的RPD＜2.4，說明預測模型不理想，需要繼續(xù)優(yōu)化模型，但在優(yōu)化模型的過程中主因子數(shù)也隨之增多，5種常規(guī)營養(yǎng)素PLS模型主因子數(shù)已超過14個，主因子數(shù)的增多，使模型納入了更多無效光譜信息，外部驗證參數(shù)隨之增高導致模型不穩(wěn)定，故繼續(xù)僵化地優(yōu)化通用乳模型參數(shù)的意義不大。駝乳中干物質、蛋白質、脂肪及乳糖均高于牛乳，分別是牛乳的1.22倍、1.05倍、1.59倍和1.23倍，且較黏稠，牛乳與駝乳營養(yǎng)素含量的不同，導致其光譜信息有差異，所以建立雙峰駝乳的常規(guī)營養(yǎng)素快速檢測模型是有必要的。

2.3.3 雙峰駝乳傅里葉變換NIR光譜儀快速預測模型

雙峰駝乳常規(guī)營養(yǎng)素模型內部驗證優(yōu)化參數(shù)見表6。灰分的前處理方式為MSC+SNV的混合處理，主因子數(shù)為9，模型驗證系數(shù)為0.93，RPD=3.1642，模型預測能力良好。脂肪與水分的前處理方式同為標準正態(tài)變量變換（SNV），脂肪的主因子數(shù)為9，模型驗證系數(shù)R2=0.96，RPD＞3，水分主因子數(shù)為10，R2=0.99，RPD高達12.86，說明模型可以完美預測未知樣品。乳糖與蛋白質前處理方式分別為MSC與二階導，R2均大于0.92，RPD大于3.35。證明以上方法建立了預測性能良好的雙峰駝乳常規(guī)營養(yǎng)素快速檢測模型。

表6 雙峰駝乳臺式近紅外光譜儀模型內部驗證參數(shù)

最優(yōu)模型的驗證集外部驗證參數(shù)見表7。5種營養(yǎng)素外部驗證相關系數(shù)R均大于0.9，RSD＜10%，表明模型的預測能力良好。乳糖R小于0.9但大于0.8，RSD＜10%，模型可進行預測。

2.3.4 雙峰駝乳微型NIR光譜儀快速檢測模型的建立

微型NIR光譜儀建立優(yōu)化的駝乳常規(guī)營養(yǎng)素預測模型見表8。5種常規(guī)營養(yǎng)素的模型驗證系數(shù)R2均大于0.9，RPD均大于2.4但小于3，可在現(xiàn)場或在線使用。微型NIR光譜儀采集的光譜信息點只有125個，而臺式傅里葉變換NIR光譜儀為3 000個，模型再優(yōu)化也顯然不能超越傅里葉變換NIR光譜儀的效果。

表7 雙峰駝乳臺式近紅外光譜儀模型外部預測參數(shù)

表8 雙峰駝乳微型NIR光譜儀預測模型參數(shù)

3 討 論

乳制品質量和安全性檢測原理研究和技術開發(fā)一直是食品檢測領域的熱門。而近紅外光譜技術自被發(fā)現(xiàn)以來，便以迅猛的速度在數(shù)據(jù)分析方面和各個領域之中得到應用。主要原因是近紅外光譜技術結果的重復性與再現(xiàn)性優(yōu)于傳統(tǒng)的常規(guī)分析方法[17]。

水牛乳的脂肪含量顯著高于雙峰駝乳及牛乳，雙峰駝乳的蛋白質、脂肪及乳糖含量都高于牛乳[18]，營養(yǎng)素含量的差距，導致其紅外光譜特征存在較大差異，直接影響近紅外光譜模型的結果。雖然模型驗證系數(shù)R2均大于0.9，但相對分析誤差RPD只有脂肪與水分大于2.4且未達到3，表明模型的預測能力未達理想結果，因此有必要建立單一物種的常規(guī)營養(yǎng)素預測模型。對本次實驗采集的153份雙峰駝乳樣品進行正態(tài)性檢驗，脂肪、乳糖、蛋白質及灰分p-p值均在±0.05之間，呈正態(tài)性分布，水分p-p值在±0.09之間，說明數(shù)據(jù)符合統(tǒng)計學規(guī)律。因此表明對雙峰駝乳建立單一物種的近紅外光譜快速預測模型具有可行性。

臺式傅里葉NIR光譜儀掃描光譜波長范圍1 000～2 500 nm，可采集3 000個數(shù)據(jù)點，儀器穩(wěn)定。而微型NIR光譜儀掃描光譜波數(shù)范圍為900～1676 nm，只采集125個數(shù)據(jù)點。結果表明傅里葉NIR光譜儀建立的快速預測模型，模型驗證系數(shù)R2均大于0.92，RMSECV均小于0.2，RPD均大于3，外部驗證參數(shù)都達到理想效果，可用傅里葉NIR光譜儀建立穩(wěn)定可靠的近紅外預測模型，這是微型NIR光譜儀所不具備的精準度。微型NIR光譜儀建立的模型，雖然R2都高于0.9，但RPD都未超過3，RMSECV均大于0.27（灰分除外），模型參數(shù)不理想。需要優(yōu)化模型，在優(yōu)化過程中發(fā)現(xiàn)，125個數(shù)據(jù)點不足以將模型優(yōu)化到理想程度，但微型NIR光譜儀便攜的優(yōu)點是臺式傅里葉NIR光譜儀不能達到的，增加采樣量可將模型優(yōu)化到理想程度，是以后的重點研究方向。

建立的模型可以對未知樣品進行定量和定性的預測，越來越多食品分析檢測過程中會利用采集到的數(shù)據(jù)構建模型，然后不斷的采集新的檢測數(shù)據(jù)，帶入到已知模型中，對模型進行不斷的優(yōu)化和修正，使模型的準確度更高[8]。

4 結 論

從內蒙古主要駱駝飼養(yǎng)地區(qū)采集的153份雙峰駝乳常規(guī)營養(yǎng)素值符合正態(tài)分布，可以估計雙峰駝乳常規(guī)營養(yǎng)素的總體水平。采用NIR光譜建立和優(yōu)化雙峰駝乳5種常規(guī)營養(yǎng)素含量的NIR快速預測模型。而臺式傅里葉NIR光譜儀建立的雙峰駝乳快速預測模型的預測能力優(yōu)于微型便攜式NIR光譜儀建立的模型，但微型NIR光譜儀的便攜與現(xiàn)場應用等優(yōu)點是臺式傅里葉NIR光譜儀所不具備的。