近紅外光譜對(duì)魚糜凝膠3D打印特性和流變特性預(yù)測(cè)的研究

近紅外光譜(near infrared spectrum，NIR)是介于可見光和中紅外之間的電磁波，波長(zhǎng)范圍為780～2 526 nm[1]。NIR無損分析技術(shù)是通過NIR測(cè)量技術(shù)結(jié)合光學(xué)計(jì)量學(xué)建立校正模型，對(duì)未知樣品進(jìn)行定性或定量分析，已廣泛應(yīng)用于食品領(lǐng)域，具有技術(shù)成本低、檢測(cè)速度快、不破壞樣品及無需預(yù)處理等優(yōu)點(diǎn)。便攜式NIR儀器在工作原理上與傳統(tǒng)NIR相同，但其將傳統(tǒng)的光、機(jī)、電元件集裝在芯片內(nèi)部，具有微小、易攜帶、集成度高、智能化和成本低等特點(diǎn)[2]。

基于食材的流變特性對(duì)擠出型3D打印特性有重要影響，然而傳統(tǒng)流變儀法對(duì)材料流變特性表征所需時(shí)間長(zhǎng)，樣品處理復(fù)雜。本研究擬對(duì)便攜式NIR技術(shù)檢測(cè)魚糜凝膠體系流變特性和打印適用性進(jìn)行研究，以期建立快速、無損評(píng)價(jià)食材打印特性的新型檢測(cè)方法。以不同水分含量和鹽含量的魚糜凝膠體系構(gòu)建不同打印特性的實(shí)驗(yàn)樣本，測(cè)定樣本的流變特性和近紅外光譜；對(duì)比不同光譜的預(yù)處理方式，通過NIR參數(shù)，建立魚糜凝膠體系的3D打印特性定性分類預(yù)測(cè)模型和流變參數(shù)定量預(yù)測(cè)模型。

1 材料和方法

1.1 材料與試劑

冷凍鰱魚魚糜，中國(guó)湖北洪湖井力水產(chǎn)食品有限公司。

1.2 儀器與設(shè)備

DISCOVERY HR-3流變儀，美國(guó)TA儀器公司；IAS-3100便攜式近紅外光譜儀，無錫迅杰光遠(yuǎn)科技有限公司；美菱BCD-200MCX電冰箱，合肥美菱股份有限公司。

1.3 實(shí)驗(yàn)方法

1.3.1 魚糜凝膠體系的制備

冷凍鰱魚魚糜，低溫運(yùn)輸，-18 ℃冰箱保存。水分含量為(75.0±0.5) g/100 g，粗蛋白含量為(15.8±0.3) g/100 g。取解凍后的魚糜置于斬拌機(jī)中空斬2 min，再分別添加0、1、2、3 g/100 g的食鹽(以魚糜含量計(jì))，斬拌5 min。同時(shí)加入0 ℃水，保持低溫?cái)匕?，并分別調(diào)節(jié)不同含鹽量的魚糜溶膠最終水分含量至76.5、80.0、83.5、87.0 g/100 g。最后將魚糜溶膠裝入塑料容器中，4 ℃靜置12 h后用于后續(xù)打印和測(cè)試。

1.3.2 魚糜凝膠體系流變性質(zhì)的測(cè)定

使用流變儀測(cè)量魚糜凝膠的流變性質(zhì)，平板直徑20 mm，測(cè)試間隙1 000 μm，測(cè)試溫度25 ℃[3]。測(cè)試前，將樣品加載至傳感器探頭內(nèi)，平衡2 min以達(dá)到穩(wěn)定狀態(tài)[4]。在動(dòng)態(tài)流變測(cè)試中，設(shè)置應(yīng)變?yōu)?.3%(處于線性黏彈范圍內(nèi))，掃描頻率為0.1～100 rad/s。記錄儲(chǔ)能模量(G′)、損耗模量(G″)、復(fù)數(shù)模量和損失正切(tanδ=G″/G′)。

在靜態(tài)流變測(cè)試中，剪切速率設(shè)置為0.1～100 s-1[5]，當(dāng)樣品從平板間隙逸出即停止實(shí)驗(yàn)。剪切速率-黏度曲線采用冪律流體模型擬合[6]，如公式(1)所示：

(1)

式中：η，特定剪切速率下的黏度，Pa·s；K，稠度系數(shù)，剪切速率，1/s；n，描述材料剪切行為的冪律指數(shù)(即非牛頓指數(shù))。當(dāng)0<n<1時(shí)，表明材料是具有剪切變稀行為的假塑性流體[7]。

1.3.3 魚糜凝膠體系的NIR檢測(cè)

便攜式NIR儀設(shè)備采取下照漫反射的采樣方式。該儀器的有效檢測(cè)波長(zhǎng)范圍為950～1 650 nm，采樣間隔為1 nm。測(cè)試前，通過檢測(cè)空載圓形樣品池進(jìn)行校準(zhǔn)。取10 g左右的魚糜凝膠體系平鋪于圓形樣品池中進(jìn)行檢測(cè)。

1.4 數(shù)據(jù)分析

使用SPSS 22進(jìn)行判別分析(Fisher判別法)。使用Unscrambler X 10.4進(jìn)行光譜預(yù)處理和偏最小二乘法(partial least squares regression，PLSR)建模，訓(xùn)練(建模)樣本個(gè)數(shù)∶預(yù)測(cè)樣本個(gè)數(shù)為2∶1。建模時(shí)選擇留一法作為交叉驗(yàn)證方法[8]。

2 結(jié)果與討論

2.1 數(shù)據(jù)集劃分

本文共獲取112個(gè)有效樣本(16組配方×7組重復(fù))，不同鹽含量和水分含量的魚糜凝膠體系4類打印特性樣本各28個(gè)。采用Kennard-Stone方法[9]對(duì)112個(gè)有效樣本劃分訓(xùn)練集(含交叉驗(yàn)證集)和測(cè)試集，選取76個(gè)樣本作為訓(xùn)練集，余下36個(gè)樣本作為測(cè)試集。由于本研究采用交叉驗(yàn)證的方式，所以交叉驗(yàn)證集的劃分不在此體現(xiàn)。在正常情況下，測(cè)試集的數(shù)據(jù)范圍應(yīng)大于預(yù)測(cè)集的數(shù)據(jù)范圍[8]。具體樣本數(shù)據(jù)集情況如表1所示。測(cè)試集中n、K、G′-10、G″-10、G*-10范圍均在訓(xùn)練集范圍內(nèi)，所選訓(xùn)練集和測(cè)試集均合理。

2.2 NIR響應(yīng)信號(hào)分析

由圖1可知，112個(gè)魚糜凝膠樣本的NIR曲線趨勢(shì)整體一致。在970、1 170、1 450 nm附近存在光譜吸收峰。LIU等[10]和CHEN等[11]分別使用相同的便攜式NIR儀采集不同干燥條件下的藍(lán)莓和紫薯泥的NIR圖在類似的3個(gè)波長(zhǎng)附近存在光譜吸收峰。其中970 nm附近的吸收峰與O—H伸縮振動(dòng)的二級(jí)倍頻相關(guān)[12]，1 170 nm附近的吸收峰與C—H伸縮振動(dòng)的二級(jí)倍頻以及C—H伸縮振動(dòng)和變形的合頻相關(guān)[13-14]，1 450 nm附近的吸收峰與O—H伸縮振動(dòng)的一級(jí)倍頻相關(guān)[9]。從NIR圖中雖然可以得到光譜波段響應(yīng)信息，但不同于中紅外光譜的“指紋峰”，NIR重疊嚴(yán)重，光譜的解釋性差，需要結(jié)合化學(xué)計(jì)量學(xué)的方法信息定性或定量分析[15]。

表1 各數(shù)據(jù)集樣本的主要流變數(shù)據(jù)分布情況
Table 1 Distribution of main rheological data in each data set

注：G′-10, G″-10, G*-10為角頻率10 rad/s條件下的值(下同)

圖1 魚糜凝膠樣品的NIR圖
Fig.1 NIR spectra of surimi gel samples

2.3 NIR預(yù)處理

在采集NIR的過程中，受到環(huán)境背景引起的光散射、儀器隨機(jī)噪聲等非人為因素的影響，采集的光譜數(shù)據(jù)除樣品自身的信息外，常常伴隨著背景干擾和噪聲等等一些無用冗余的信息。因此，需要對(duì)原始光譜信息進(jìn)行預(yù)處理，以減少干擾信息對(duì)光譜分析產(chǎn)生的影響，提高所建模型的準(zhǔn)確度和精準(zhǔn)度。本次使用了多元散射校正(multiplicative scatter correction，MSC)、標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variable transformation，SNV)、均值中心化(mean centralization，MC)、基線校正(baseline)等常用的光譜預(yù)處理方法[16-18]。

(1)多元散射校正(MSC)。圖2為112個(gè)魚糜凝膠樣品的NIR的MSC預(yù)處理結(jié)果。

圖2 112個(gè)魚糜凝膠樣品的NIR的MSC預(yù)處理結(jié)果
Fig.2 MSC pretreatment results of NIR spectra of 112 surimi gel samples

MSC的基本原理是通過構(gòu)建一個(gè)所測(cè)樣本的理想光譜作為標(biāo)準(zhǔn)，對(duì)所有測(cè)量的光譜進(jìn)行基線平移和偏移校正。MSC可以有效的消除由于散射水平不同帶來的光譜差異，從而增強(qiáng)光譜與數(shù)據(jù)之間的相關(guān)性。具體算法如下，首先，計(jì)算所有光譜數(shù)據(jù)的平均值作為理想光譜，如公式(2)所示：

(2)

其次，對(duì)每個(gè)樣本的光譜與平均光譜進(jìn)行一元線性回歸，如公式(3)所示：

(3)

最后，對(duì)每個(gè)樣本的光譜進(jìn)行校正，如公式(4)所示：

(4)

式中：x，光譜數(shù)據(jù)的光譜值；n，樣本個(gè)數(shù)；xi，第i個(gè)樣本的光譜；ai和bi分別表示為樣本i的與平均光譜進(jìn)行一元線性回歸后得到的相對(duì)偏移系數(shù)和平移量。

(2)標(biāo)準(zhǔn)正態(tài)變量變換(SNV)。圖3為112個(gè)魚糜凝膠樣品的NIR的SNV預(yù)處理結(jié)果。與MSC一樣，SNV的實(shí)際結(jié)果是它從光譜數(shù)據(jù)中消除了散射和粒度效應(yīng)的干擾。

圖3 魚糜凝膠樣品的NIR的SNV預(yù)處理結(jié)果
Fig.3 SNV pretreatment results of NIR spectra of surimi gel samples

SNV的原理是對(duì)所有光譜數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化分析(基于光譜陣的行)，用原始光譜值減去所有光譜的平均值，然后用得到的數(shù)據(jù)除以它們的標(biāo)準(zhǔn)差。具體算法如公式(5)所示：

(5)

式中：i,樣本個(gè)數(shù)，k=1,2,3…；m，波點(diǎn)數(shù)；xik，第i個(gè)樣品在第k個(gè)波點(diǎn)數(shù)處的光譜數(shù)據(jù)；第i個(gè)樣品的光譜在全部波點(diǎn)數(shù)(m)處光譜數(shù)據(jù)的平均值。

(3)基線校正(Baseline)。圖4為112個(gè)魚糜凝膠樣品的NIR的Baseline預(yù)處理結(jié)果。基線校正的理論假設(shè)是當(dāng)沒有有效信號(hào)時(shí)，檢測(cè)器獲取的信號(hào)值應(yīng)當(dāng)為0(所謂基線)，但實(shí)際上由于儀器硬件運(yùn)行不可避免會(huì)帶來檢測(cè)器響應(yīng)，進(jìn)而影響目標(biāo)光譜的獲取，所以通過基線校正來進(jìn)行噪音的近似剔除。本章用原始光譜值減去所有光譜的最小值進(jìn)行基線校正。

圖4 112個(gè)魚糜凝膠樣品的NIR的Baseline預(yù)處理結(jié)果
Fig.4 Baseline pretreatment results of NIR spectra of 112 surimi gel samples

(4)均值中心化(MC)。圖5為112個(gè)魚糜凝膠樣品的NIR的MC預(yù)處理結(jié)果。MC的原理是每個(gè)光譜減去樣品光譜的平均值，使所有光譜數(shù)據(jù)都分布在零點(diǎn)兩側(cè)。該預(yù)處理后的數(shù)據(jù)能更充分反映光譜的變化信息。

圖5 魚糜凝膠樣品的NIR的MC預(yù)處理結(jié)果
Fig.5 MC pretreatment results of NIR spectra of surimi gel samples

2.4 基于NIR參數(shù)對(duì)魚糜凝膠體系打印特性的判別分析

線性判別分析(linear discriminant analysis，LDA)是將高維的模式樣本投影到最佳鑒別矢量空間，使樣本在新空間的可分離性最大化，以達(dá)到抽取分類信息的效果。當(dāng)數(shù)據(jù)集包含的變量多于樣本(即光譜數(shù)據(jù))，則可以選擇主成分分析結(jié)合線性判別分析(principal component analysis-linear discriminant analysis，PCA-LDA)算法。PCA是通過尋找多維數(shù)據(jù)方差最大的線性組合而實(shí)現(xiàn)數(shù)據(jù)降維。PCA-LDA可以相互取長(zhǎng)補(bǔ)短，在高維度數(shù)據(jù)矩陣處理與分類領(lǐng)域中具有程序簡(jiǎn)單、效率高、結(jié)果直觀等優(yōu)勢(shì)，廣泛應(yīng)用于多種樣本的識(shí)別[19]。經(jīng)過不同光譜預(yù)處理方法處理后的NIR數(shù)據(jù)建立的PCA-LDA模型的預(yù)測(cè)結(jié)果見表2。MC處理與原始光譜的判別正確率相同均為91.96%，而經(jīng)過Baseline處理的判別正確率僅為88.39%，這可能是因?yàn)轭A(yù)處理在減少噪音干擾的同時(shí)也剔除了部分有效光譜信息。MSC處理和SNV處理的結(jié)果最好，判別正確率均為100%。

表2 基于NIR參數(shù)對(duì)魚糜凝膠體系打印特性的判別分析
Table 2 Classification of printability of surimi gels using discriminant function based on the NIR parameters

2.5 基于NIR參數(shù)對(duì)魚糜凝膠體系主要流變參數(shù)的預(yù)測(cè)模型

對(duì)于NIR數(shù)據(jù)，每個(gè)樣本含有上千個(gè)自變量，PLSR結(jié)合了主成分分析和多元線性回歸兩種算法的優(yōu)勢(shì)，能夠提取自變量中與預(yù)測(cè)指標(biāo)相關(guān)性較高的變量信息建立模型，使模型更簡(jiǎn)潔。本文使用NIR參數(shù)(950～1 650 nm波長(zhǎng)范圍的吸光度)建立魚糜凝膠體系主要流變參數(shù)PLSR預(yù)測(cè)模型，通過光譜預(yù)處理方式對(duì)原始光譜進(jìn)行校正，以期提高模型的預(yù)測(cè)精度。表3為MSC、SNV、基線校正(Baseline)、MC、MSC+MC、SNV+MC、Baseline+MC等常用的光譜預(yù)處理方法處理后，建立的PLSR模型結(jié)果。

表3 基于NIR參數(shù)對(duì)魚糜凝膠體系主要流變參數(shù)的PLSR預(yù)測(cè)模型
Table 3 Calibration and prediction results for main rheological properties (G′, G″ and G* at 1 and 10 rad/s, K) of surimi gels by PLSR models using the NIR parameters

經(jīng)過MC方式處理得到的光譜數(shù)據(jù)對(duì)流變參數(shù)K的建模效果最好，交叉驗(yàn)證集的決定系數(shù)為0.945 6，交叉驗(yàn)證均方根誤差RMSECV為80.18，測(cè)試集的決定系數(shù)為0.944 6，測(cè)試均方根誤差RMSEP為67.43。經(jīng)過MSC+MC方式和SNV+MC方式處理得到的光譜數(shù)據(jù)對(duì)流變參數(shù)G′-10、G″-10、G*-10的建模效果類似，均優(yōu)于其他預(yù)處理方式。經(jīng)過MSC+MC方式和SNV+MC方式處理得到的光譜數(shù)據(jù)對(duì)流變參數(shù)G′-10建模的交叉驗(yàn)證集的決定系數(shù)分別為0.933 7和0.932 3，交叉驗(yàn)證均方根誤差RMSECV分別為1 479.07和1 477.49，測(cè)試集的決定系數(shù)Rp2分別為0.926 1和0.926 1，測(cè)試均方根誤差RMSEP分別為1 402.14和1 402.04；經(jīng)過MSC+MC方式和SNV+MC方式處理得到的光譜數(shù)據(jù)對(duì)流變參數(shù)G″-10建模的交叉驗(yàn)證集的決定系數(shù)分別為0.927 8和0.926 5，交叉驗(yàn)證均方根誤差RMSECV分別為222.12和226.82，測(cè)試集的決定系數(shù)分別為0.899 2和0.899 2，測(cè)試均方根誤差RMSEP分別為254.38和254.40；經(jīng)過MSC+MC方式和SNV+MC方式處理得到的光譜數(shù)據(jù)對(duì)流變參數(shù)G*-10建模的交叉驗(yàn)證集的決定系數(shù)分別為0.931 0和0.932 4，交叉驗(yàn)證均方根誤差RMSECV分別為1 528.72和1 538.02，測(cè)試集的決定系數(shù)分別為0.924 8和0.924 8，測(cè)試均方根誤差RMSEP分別為1 303.78和1 303.69。對(duì)于流變參數(shù)n，原始光譜數(shù)據(jù)和所有預(yù)處理后的光譜數(shù)據(jù)的預(yù)測(cè)效果均不佳。本研究團(tuán)隊(duì)前期也建立了基于NIR參數(shù)的模型來預(yù)測(cè)紫薯泥的流變參數(shù)[11]，從而實(shí)現(xiàn)土豆泥3D打印特性的間接預(yù)測(cè)。

3 結(jié)論

本文主要研究了利用NIR檢測(cè)魚糜凝膠體系的打印特性的分類識(shí)別和主要流變參數(shù)的預(yù)測(cè)效果，對(duì)比了不同光譜預(yù)處理對(duì)模型的預(yù)測(cè)效果。結(jié)果表明，經(jīng)過MSC和SNV預(yù)處理后，建立的PCA-LDA模型對(duì)魚糜凝膠體系的打印特性等級(jí)進(jìn)行判別，判別效果最好，判別正確率均為100%。經(jīng)過MC預(yù)處理后，建立的PLSR模型對(duì)魚糜凝膠體系的流變參數(shù)K預(yù)測(cè)效果最好，測(cè)試集的決定系數(shù)為0.944 6，測(cè)試均方根誤差RMSEP為67.43；經(jīng)過MSC聯(lián)合MC方式和SNV聯(lián)合MC方式預(yù)處理得到的光譜數(shù)據(jù)對(duì)流變參數(shù)G′-10、G″-10、G*-10的建模效果類似，均優(yōu)于其他預(yù)處理方式。