应用近红外高光谱成像技术检测面粉中偶氮甲酰胺

引用本文

王晓彬, 黄文倩, 王庆艳, 李江波, 王超鹏, 赵春江. 应用近红外高光谱成像技术检测面粉中偶氮甲酰胺[J]. 光谱学与光谱分析, 2018,38(3): 805-812.
WANG Xiao-bin, HUANG Wen-qian, WANG Qing-yan, LI Jiang-bo, WANG Chao-peng, ZHAO Chun-jiang. Application of Near Infrared Hyperspectral Imaging for Detection of Azodicarbonamidein Flour[J]. Spectroscopy and Spectral Analysis, 2018,38(3): 805-812.
Doi:10.3964/j.issn.1000-0593(2018)03-0805-08 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

应用近红外高光谱成像技术检测面粉中偶氮甲酰胺

王晓彬^1,^2,^3,^4,⁵, 黄文倩^2,^3,^4,⁵, 王庆艳^2,^3,^4,⁵, 李江波^2,^3,^4,⁵, 王超鹏^2,^3,^4,⁵, 赵春江^1,^2,^3,^4,^5,^*

1. 沈阳农业大学信息与电气工程学院, 辽宁沈阳 110866

2. 北京农业智能装备技术研究中心, 北京 100097

3. 国家农业智能装备工程技术研究中心, 北京 100097

4. 农业部农业信息技术重点实验室, 北京 100097

5. 农业智能装备技术北京市重点实验室, 北京 100097

*通讯联系人 e-mail: zhaocj@nercita.org.cn

作者简介: 王晓彬, 1989年生, 沈阳农业大学信息与电气工程学院博士研究生 e-mail: tawangxiaobin@126.com

收稿日期: 2017-05-19

基金: 国家自然科学基金项目(31401283), 北京市农林科学院青年科研基金项目(QNJJ201528), 北京市科技新星计划(Z161100004916076)资助

摘要

高光谱成像技术不仅可以获得样品的图像信息, 每个像素点还包含了光谱信息, 因其信息量丰富的特点已在食品安全检测方面得到了应用。该研究应用近红外高光谱成像技术检测面粉中偶氮甲酰胺。分别采集纯偶氮甲酰胺、纯面粉和面粉中10种不同浓度偶氮甲酰胺混合样品的高光谱图像。通过比较纯偶氮甲酰胺和纯面粉的平均漫发射光谱, 找到两者区分度较大的4个吸收波段: 1 574.38, 2 038.55, 2 166.88和2 269.91 nm。采用二阶导数对样品图像中的像素点光谱进行预处理, 通过光谱角制图、光谱相关角和光谱相关性度量三种光谱相似性分析方法对混合样品中的偶氮甲酰胺像素和面粉像素进行检测。结果表明, 预处理后的平均光谱不能有效检测面粉中偶氮甲酰胺; 单像素点光谱结合光谱相似性分析实现了混合样品中偶氮甲酰胺像素和面粉像素的分类; 分类结果的验证显示了偶氮甲酰胺像素和面粉像素的正确分类。研究结果为利用高光谱技术检测面粉中添加剂提供了方法支持, 为食品中掺杂物的检测提供参考。

关键词: 高光谱成像; 面粉; 偶氮甲酰胺; 光谱相似性分析; 分类

中图分类号:O433.4 文献标志码:A

Application of Near Infrared Hyperspectral Imaging for Detection of Azodicarbonamidein Flour

WANG Xiao-bin^1,^2,^3,^4,⁵, HUANG Wen-qian^2,^3,^4,⁵, WANG Qing-yan^2,^3,^4,⁵, LI Jiang-bo^2,^3,^4,⁵, WANG Chao-peng^2,^3,^4,⁵, ZHAO Chun-jiang^1,^2,^3,^4,^5,^*

1. College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China

2. Beijing Research Center of Intelligent Equipment for Agriculture, Beijing 100097, China

3. National Research Center of Intelligent Equipment for Agriculture, Beijing 100097, China

4. Key Laboratory of Agri-Informatics, Ministry of Agriculture, Beijing 100097, China

5. Beijing Key Laboratory of Intelligent Equipment Technology for Agriculture, Beijing 100097, China

Abstract

Near infrared hyperspectral imaging technology not only can acquire the image information of the sample, but also contain the spectra information about each pixel. Due to the abundant information that the method provides, it has been applied to detect food safety. This study adopted near infrared hyperspectral technology to detect azodicarbonamide in flour. Hyperspectral images of pure azodicarbonamide, pure flour, and azodicarbonamide-flour mixture samples with different concentrations of azodicarbonamide were collected, by comparing the average diffuse reflectance spectra of pure azodicarbonamide and pure flour, the four absorption bands with high difference were found at 1 574.38, 2 038.55, 2 166.88 and 2 269.91nm. Second derivative was used for each pixel in the mixture sample ROI. Azodicarbonamide pixels and flour pixels were detected by three spectral similarity analysis methods: spectral angle mapper, spectral correlation angle, and spectral correlation measure. The results showed that the average spectra after pretreatment cannot effectively detect azodicarbonamide in flour. Spectral similarity analysis of single pixel spectra can be used to classify azodicarbonamide pixels and flour pixels in mixture samples. The validation of the classification results showed the correct classification of azodicarbonamide pixels and flour pixels. This study could provide a method support for the detection of additives in flour based on near infrared hyperspectral imaging technology, and provide a reference for the detection of adulterants in food.

Keyword: Hyperspectral imaging technology; Flour; Azodicarbonamide; Spectral similarity analysis; Classification

文章图片

引言

面粉作为世界上主要食品原料之一, 其制品以色、香、味俱全著称。面粉的质量直接关乎人们的健康, 食品添加剂的使用备受关注。偶氮甲酰胺作为一种漂白剂和面粉改良剂用于面粉的熟化处理, 它能够将面粉蛋白质上的硫基(— SH)氧化为二硫键(— S— S— ), 从而使面粉筋度增加, 提高面团气体保留量, 增加烘焙制品的弹性和韧性, 改善面团的可操作性和调理性^{[1, 2]}。但偶氮甲酰胺极其不稳定, 在加热过程中它会分解形成微量的氨基脲^[3], 氨基脲是呋喃西林兽药的代谢物, 具有很强的致癌、致畸、致突变等副作用^{[4, 5, 6]}。

目前, 对面粉中偶氮甲酰胺的传统检测方法主要有高效液相色谱法^{[7, 8, 9]}和高效液相色谱-质谱联用法^{[10, 11]}, 这两种方法具有较高的检测精度, 但前处理复杂、检测时间长、需要熟练的操作人员, 一般只限于实验室应用。随着光谱技术的发展, 一些光谱方法在面粉添加剂检测中展示了良好的应用, 如近红外光谱^{[12, 13]}、太赫兹光谱^[14]和拉曼光谱^{[15, 16]}等。这些方法均是对试样的单点检测, 覆盖的空间范围不能满足对整个样品的检测要求。

高光谱成像技术是光谱技术和机器视觉技术的高精度融合技术, 兼有两种技术的优势, 采集到的高光谱图像中既包含了待测物内部品质的光谱信息, 又包含了待测物外部品质的图像信息^{[17, 18]}。根据光源和光谱相机位置的不同, 高光谱图像的获取方式可分为漫透射、透射和漫反射三种, 其中漫反射成像在检测食品污染物方面展示了良好的应用。 Mishra等^[19]应用独立成分分析中的特征矩阵联合近似对角化算法处理近红外高光谱图像以检测面粉中痕量花生粉, 实现了花生粉痕量分布的可视化识别。 Lim等^[20]使用近红外高光谱成像技术结合偏最小二乘模型的回归系数检测奶粉中的三聚氰胺颗粒, 实现了奶粉中三聚氰胺的有效检测, 最低检测浓度为0.02%。周瑶等^[21]利用高光谱检测辣椒粉中的苏丹红一号, 通过比较偏最小二乘回归法、多元线性回归法和主成分回归法预测结果, 选择多元线性回归法实现辣椒粉中的苏丹红一号的无损检测。

本研究探讨应用近红外高光谱技术检测面粉中偶氮甲酰胺。首先, 采集纯偶氮甲酰胺、纯面粉和含不同浓度偶氮甲酰胺面粉样品的高光谱图像, 找到偶氮甲酰胺区别于面粉的特征吸收波段; 其次, 通过二阶导数预处理增强光谱中吸收峰的分辨, 依据纯偶氮甲酰胺和纯面粉样品确定光谱相似性分析方法的阈值; 最后, 分析三种光谱相似性分析方法对十种不同浓度混合样品的分类结果, 并对其分类正确性进行验证。

1 实验部分

1.1 仪器与试剂

高光谱成像系统如图1所示, 该系统由焦平面阵列相机(Xeva-FPA-2.5-320(100 Hz), Xenics Ltd., Leuven, Belgium)、成像光谱仪(ImSpector N25E, Spectral Imaging Ltd., Oulu, Finland)、变焦相机镜头(OLES30f-2.0/30 mm, Spectral Imaging Ltd., Oulu, Finland)、两个150W卤素灯(AT-500WB, Antefore International CO., LTD. Taiwan)、步进电机、单轴运动平台和计算机组成。其工作原理为: 卤素灯发出的光线投射到样品表面, 光线和样品相互作用后发生漫反射, 该信号由相机和光谱仪采集, 数据经USB电缆传输至电脑。样品放置于单轴运动平台上, 移动范围为0~40 cm, 通过与计算机连接的步进电机进行控制。整个系统除计算机外, 放置在一个黑色的箱子中, 以避免采集过程中环境光的影响。系统的控制和数据的采集通过Spectral Image软件(五铃光学股份有限公司开发)完成。

	Figure Option View Download New Window
	图1 近红外高光谱成像系统示意图 1: 计算机; 2: 相机; 3: 光谱仪; 4: 镜头; 5: 光源; 6: 样品; 7: 运动平台; 8: 步进电机Fig.1 Schematic of near infrared hyperspectral imaging system 1: Computer; 2: Camera; 3: Spectrograph; 4: Lens; 5: Lamps; 6: Sample; 7: Motion platform; 8: Stepping motor

偶氮甲酰胺, 分析纯, 购于山东西亚化学工业有限公司; 家用小麦粉, 购于当地超市, 经高效液相色谱法检测不含有偶氮甲酰胺; 培养皿(外径39 mm, 内径37 mm, 深5 mm), 购于科晶生物科技有限公司; 涡旋混合器, Vortex-Genie2型, 美国Scientific Industries公司。

1.2 方法

1.2.1 样品制备

称取偶氮甲酰胺样品10 g, 然后将其转入培养皿中, 样品填满整个培养皿并使样品表面与培养皿的上边缘平齐。培养皿的样品容量约为3 g, 为充分利用制备的10 g样品, 每个样品分为3组进行采样。以同样的方式制备面粉样品。

将一定量的偶氮甲酰胺和面粉样品装入50 mL离心管中, 通过涡旋混合器混合均匀, 制得10种不同浓度(0.02%, 0.04%, 0.06%, 0.08%, 0.1%, 0.2%, 0.4%, 0.6%, 0.8%和1.0%, W/W)的偶氮甲酰胺-面粉混合样品。每种混合样品的质量为10 g, 例如, 最高混合浓度(1%)是0.1 g偶氮甲酰胺和9.9 g面粉混合制得; 最低混合浓度(0.01%)是0.001 g偶氮甲酰胺和9.999 g面粉混合制得。将混合样品转入培养皿中, 使混合样品填满整个培养皿并使样品表面与培养皿的上边缘平齐。培养皿的样品容量约为3 g, 为充分利用制备的10 g样品, 每个混合样品分为3组进行采样。

1.2.2 数据采集

将制备好的样品放置于单轴机动定位平台上相机镜头的正下方位置, 调整焦距使镜头到样品表面的距离为40 cm。光谱采集范围为: 1 398.11~2 502.89 nm, 光谱分辨率为8 nm, 曝光时间为2 ms, 定位平台的移动速度为43 mm· s^-1。

1.2.3 数据处理

(1)图像校正

在与采集样本图像相同的实验条件下, 采集白色和黑色标定参考图像, 以校正原始图像中CCD检测器暗电流和光强度分布不均的影响。校正方法如式(1)

$R_{cal} = \frac{R_{raw} - R_{dark}}{R_{white} - R_{dark}} \times 100 % (1)$

其中, R_raw为高光谱采集的原始的图像; R_dark为关闭光源, 盖子覆盖镜头时采集的黑色参考图像; R_white为采集的99%反射率标准白板的白色参考图像; R_cal为校正后获得的相对光谱图像。

(2)光谱数据处理

在每个直径为37 mm的圆形样品区域内选择直径约为33 mm(图像中心周围)的感兴趣区域(region of interest, ROI), 以确保只包含面粉区域, 排除背景区域的影响。将三维高光谱数据转换为单个像素点的二维漫反射光谱, 对每条光谱进行二阶导数(second derivatives, 2nd)预处理以消除基线漂移的影响。从偶氮甲酰胺-面粉混合样品的单个像素光谱中减去纯面粉的平均光谱以去除混合样品中的面粉背景, 通过光谱相似性分析将得到的差谱与偶氮甲酰胺的平均光谱进行比较。所有数据分析基于MATAB 7.11 (Mathworks, USA)软件完成。

1.2.4 光谱相似性分析

采用三种光谱相似性分析算法, 包括光谱角制图(spectral angle mapper, SAM)、光谱相关角(spectral correlation angle, SCA)和光谱相关性度量(spectral correlation measure, SCM)。

(1)光谱角制图(SAM)

SAM是由Kruse等提出的一种光谱匹配技术, 其原理是根据目标光谱和参考光谱之间的光谱角度来判断两者的相似性^{[22, 23, 24]}。 SAM的计算方法如式(2)

$\begin{array}{l} SAM = α = co s^{- 1} (\frac{tr}{‖ t ‖ ‖ r ‖}) = \\ co s^{- 1} (\frac{\overset{n}{\sum_{i = 1}} t_{i} r_{i}}{\sqrt[]{\overset{n}{\sum_{i = 1}} t_{i}^{2}} \sqrt[]{\overset{n}{\sum_{i = 1}} r_{i}^{2}}}) (2) \end{array}$

其中, t为目标光谱的矢量, r为参考光谱的矢量, n为波段数。 α 为两条光谱之间的夹角, 其取值范围位于[0, π /2]之间, 其值越小, 表示两条光谱的相似度越高。

(2)光谱相关角(SCA)

SCA是目标光谱和参考光谱间Pearson相关系数的余弦角^{[25, 26]}, 计算式为

$SCA = co s^{- 1} (\frac{SC + 1}{2}) (3)$

SCA值越小, 表示目标光谱和参考光谱的相似度越高。 SC表示两光谱的相关系数, 其值介于-1和1之间, 计算方法如式(4)

$SC = \frac{n \overset{n}{\sum_{i = 1}} t_{i} r_{i} - \overset{n}{\sum_{i = 1}} t_{i} \overset{n}{\sum_{i = 1}} r_{i}}{\sqrt[]{n \overset{n}{\sum_{i = 1}} t_{i}^{2} - {(\overset{n}{\sum_{i = 1}} t_{i})}^{2}} \sqrt[]{n \overset{n}{\sum_{i = 1}} r_{i}^{2} - {(\overset{n}{\sum_{i = 1}} r_{i})}^{2}}} (4)$

(3)光谱相关性度量(SCM)

Meer等将n定义为重叠位置, 引入了用于测量目标光谱t和参考光谱r的相似性方法^[27], 计算方法为式(5)

$SCM = \frac{n \overset{n}{\sum_{i = 1}} t_{i} r_{i} - \overset{n}{\sum_{i = 1}} t_{i} \overset{n}{\sum_{i = 1}} r_{i}}{[n \overset{n}{\sum_{i = 1}} t_{i}^{2} - {(\overset{n}{\sum_{i = 1}} t_{i})}^{2}] [n \overset{n}{\sum_{i = 1}} r_{i}^{2} - {(\overset{n}{\sum_{i = 1}} r_{i})}^{2}]} (5)$

SCM值越大, 表示目标光谱和参考光谱的相似度越高。

根据三种光谱相似性算法的结果, 为每种算法设置阈值, 通过阈值分割实现ROI内各像素点光谱的分类, 从而创建面粉中偶氮甲酰胺颗粒的分布图像。

2 结果与讨论

2.1 样品的光谱和图像

图2所示为纯偶氮甲酰胺、纯面粉和混合样品的平均漫反射光谱。由图可看出, 偶氮甲酰胺的漫反射光谱同面粉具有显著差异, 偶氮甲酰胺在1 574.38, 2 038.55, 2 166.88和2 269.91 nm处具有明显的吸收峰。偶氮甲酰胺分子式为C₂H₄N₄O₂, NH是主要的含氢基团, 1 574.38 nm为NH对称振动和NH反对称振动的合频, 2 038.55 nm为NH对称振动和酰胺Ⅱ 变形振动的合频, 2 166.88 nm为酰胺Ⅰ 和酰胺Ⅲ 变形振动的合频, 2 269.91 nm为NH对称振动和NH₂摇摆振动的合频^{[28, 29]}。这四处吸收峰反映了偶氮甲酰胺分子结构内化学键的振动, 也反映出与面粉组分的区别。

	Figure Option View Download New Window
	图2 纯偶氮甲酰胺、纯面粉和偶氮甲酰胺-面粉混合样品的平均漫反射光谱Fig.2 Average diffuse reflectance spectra of azodicarbonamide, flour and azodicarbonamide-flour mixture samples

在图2中, 面粉中不同浓度偶氮甲酰胺混合样品的平均漫反射光谱之间无显著差异, 未表现出偶氮甲酰胺的光谱特征, 且类似于纯面粉的漫反射光谱。对混合样品的像素点光谱进行二阶导数预处理, 以消除基线漂移的影响, 更好的分辨光谱中吸收峰。图3所示为面粉中不同浓度偶氮甲酰胺混合样品的平均二阶导数光谱。由图可看出, 在特征波段2 269.91 nm处, 当偶氮甲酰胺浓度从1%下降到0.2%时, 反射率不断降低; 当偶氮甲酰胺浓度小于0.2%时, 无明显反射率变化, 平均二阶导数光谱相似。这表明, 基于整个区域的平均光谱不能有效检测面粉中偶氮甲酰胺含量, 因此, 本研究采用对ROI内单个像素点的光谱进行评估, 以更好的检测面粉中偶氮甲酰胺颗粒。

	Figure Option View Download New Window
	图3 面粉中不同浓度偶氮甲酰胺混合样品的平均二阶导数光谱Fig.3 Average 2nd derivative spectra of azodicarbonamide-flour mixture samples

图4所示为纯偶氮甲酰胺、纯面粉和混合样品在偶氮甲酰胺特征吸收波段(1 574.38, 2 038.55, 2 166.88和2 269.91 nm)的灰度图像。由图可看出, 不同波段的图像的亮度不同, 这是因为同一样品在不同波段下的漫反射率不同, 以偶氮甲酰胺样品为例, 其图像由明亮到灰暗的变化顺序为: 1 574.38, 2 166.88, 2 038.55和2 269.91 nm, 这和图2中偶氮甲酰胺漫反射率由强到弱的变化顺序相一致。在同一波段下, 纯偶氮甲酰胺、纯面粉和混合样品的图像在亮度存在差异, 纯偶氮甲酰胺图像均比纯面粉和混合样品的图像更暗, 然而在混合样品的图像中仍无法区分面粉和偶氮甲酰胺像素。因此, 采用光谱相似性分析方法增加面粉和偶氮甲酰胺的对比度, 以识别出偶氮甲酰胺像素。

	Figure Option View Download New Window
	图4 纯偶氮甲酰胺、纯面粉和偶氮甲酰胺-面粉混合样品在特征吸收波段处的灰度图像Fig.4 Gray images of azodicarbonamide, flour and azodicarbonamide-flour mixture samples at four characteristic bands

2.2 阈值的选取

图5所示为1%浓度混合样品ROI内各像素点的原始光谱(a)和二阶导数光谱(b)。对比图5(a)和(b)可看出, 经二阶导数预处理后, 消除了基线漂移的影响, 增强了光谱的分辨, 一些偶氮甲酰胺的吸收峰可观察到。对不同浓度混合样品ROI像素点的光谱均进行二阶导数预处理, 从预处理光谱中减去纯面粉预处理后的平均光谱, 以减弱面粉背景信号的影响。将相减后的光谱用于SAM, SCA和SCM三种光谱相似性分析算法中, 以识别混合样品中的偶氮甲酰胺像素。

	Figure Option View Download New Window
	图5 1%浓度混合样品感兴趣区域内各像素点的原始光谱(a)和二阶导数光谱(b)Fig.5 Raw spectra (a) and 2nd derivative spectra (b) from ROI pixels of the 1% mixture sample

在对不同浓度的混合样品进行光谱相似性分析前需确定阈值, 以实现面粉像素和偶氮甲酰胺像素的分类。阈值采用中值法确定, 首先计算纯偶氮甲酰胺样品中各像素点和偶氮甲酰胺平均光谱的光谱相似性分析的最大值和最小值, 然后计算纯面粉中各像素点和偶氮甲酰胺平均光谱的光谱相似性分析的最大值和最小值, 阈值即为纯偶氮甲酰胺结果的最大值和纯面粉结果最小值的中值。通过计算, 得到SAM, SCA和SCM三种光谱相似性分析算法的阈值分别为1.410 9, 0.952 5和0.159 0, 因此, 具有< 1.410 9的角度值, < 0.952 5的角度值和> 0.159 0的相关值被分类为偶氮甲酰胺像素。基于三种光谱相似性分析的阈值, 纯偶氮甲酰胺和纯面粉ROI中的所有像素被正确地分类为偶氮甲酰胺像素和面粉像素。

2.3 光谱相似性分析结果与验证

图6所示为三组混合样品经SAM, SCA和SCM方法分类后的图像。其中, 粉红色像素表示偶氮甲酰胺像素, 蓝绿色表示面粉像素; 各样品的排列顺序同图4中样品排列顺序一致。在各组样品中, 三种光谱相似性算法均较好的实现了不同浓度混合样品中偶氮甲酰胺颗粒的分类。对于同一组样品, SAM, SCA和SCM方法的分类结果基本一致。在0.2%~1%浓度的混合样品中, 图像中显示出较多的偶氮甲酰胺像素分布且递增趋势明显; 在0.02%~0.2%浓度的混合样品中, 图像中仅有较少的偶氮甲酰胺像素分布, 对各混合样品中分类为偶氮甲酰胺的像素进行统计, 其占ROI区域内总像素点(5 016个)的比例如表1所示。从表中可看出, 同一浓度的三组样品中, 被分类为偶氮甲酰胺颗粒的数量存在较大差别, 这是因为近红外高光谱系统不仅从样品的表面采集漫发射信号, 而且还可以采集样品内部的漫反射信号, 但在样品内部, 不同层所含有的偶氮甲酰胺颗粒的数量不同, 与其他层中偶氮甲酰胺颗粒重叠的数量也不同。不同浓度的样品分类为偶氮甲酰胺颗粒的比例大于面粉中偶氮甲酰胺的实际浓度, 在浓度大于0.1%的混合样品中更为明显, 这是因为高浓度的混合样品中含有较多的偶氮甲酰胺颗粒, 不同层内均可采集到偶氮甲酰胺颗粒的漫反射信号, 图像中偶氮甲酰胺颗粒的分布来自于多层的映射。非最低浓度样品中存在没有分类为偶氮甲酰胺颗粒的现象(如组1中SAM方法分类的0.04%浓度混合样品), 出现这种现象的原因有两种, 一种是混合样品虽然经过混匀, 但浓度较低的样品转入培养皿后表面不含有偶氮甲酰胺颗粒, 由于面粉层过厚未采集到位于底层的偶氮甲酰胺颗粒的漫发射信号; 一种是出现了假阴性的可能。因此, 为避免高浓度样品过高估计样品及样品过厚导致底部信号无法采集, 下一步可对样品的穿透深度进行研究, 以采用较薄的样品厚度进行高光谱成像。

	Figure Option View Download New Window
	图6 经SAM, SCA和SCM方法分类为偶氮甲酰胺像素和面粉像素的图像Fig.6 Images for classification of azodicarbonamide pixels and flour pixels by SAM, SCA and SCM

表1 SAM, SCA和SCM分类为偶氮甲酰胺像素占总像素的百分比 Table 1 Percent of total number of pixels classified as azodicarbonamide by SAM, SCA and SCM

为进一步评估光谱相似性分析的分类结果, 对分类为偶氮甲酰胺像素和面粉像素的光谱进行验证。在三组样品中, 三种光谱相似性分析算法的分类结果基本一致, 组1和组3的低浓度混合样品中存在偶氮甲酰胺颗粒分类为零的情况, 因此选择SAM算法对组2 中不同浓度混合的分类结果进行光谱分析。图7所示为组2中不同浓度混合样品经SAM分类为偶氮甲酰胺像素和面粉像素的平均二阶导数光谱。图中仅显示了偶氮甲酰胺最强吸收峰2 269.91 nm附近的光谱, 其中分类为偶氮甲酰胺像素的平均光谱以实线表示, 分类为面粉像素的平均光谱以虚线表示。由图可看出, 分类为偶氮甲酰胺像素的平均光谱显示出在2 269.91 nm的吸收峰, 而面粉像素的平均光谱中未出现该吸收峰, 说明利用光谱相似性分析方法可以正确分类偶氮甲酰胺像素和面粉像素。

	Figure Option View Download New Window
	图7 组2中不同浓度混合样品经SAM分类为偶氮甲酰胺像素和面粉像素的平均二阶导数光谱Fig.7 Average 2nd derivative spectra of azodicarbonamide pixels and flour pixels classified by SAM for set 2 mixture samples

3 结论

通过近红外高光谱技术实现了面粉中偶氮甲酰胺的检测。主要结论有:

(1)通过分析纯偶氮甲酰胺的平均漫反射光谱, 找到了区别于面粉漫反射光谱的4处特征吸收波段: 1 574.38, 2 038.55, 2 166.88和2 269.91 nm。

(2)面粉中含不同浓度偶氮甲酰胺的混合样品的平均光谱未能显示出偶氮甲酰胺吸收特征, 特征波段对应灰度图像无法区分面粉和偶氮甲酰胺像素, 采用光谱相似性分析对单像素点光谱进行计算, 从而实现不同浓度偶氮甲酰胺-面粉混合样品的分类。

(3)三种光谱相似性分析算法(SAM, SCA和SCM)实现了面粉中不同浓度偶氮甲酰胺的分类, 但对偶氮甲酰胺的分类结果中存在数量差别大、浓度过高估计和分类为零的问题, 后续的研究中, 采用较薄的样品厚度进行高光谱成像可实现更好的分类效果。

(4)对分类为偶氮甲酰胺像素和面粉像素所对应光谱的验证结果显示, 光谱相似性分析方法可以正确分类混合样品中偶氮甲酰胺像素和面粉像素。

The authors have declared that no competing interests exist.

参考文献

文献列表

[1]	Yasui A, Oishi M, Hayafuji C, et al. Shokuhin Eiseigaku Zasshi, 2016, 57(5): 133. [本文引用:1]
[2]	Chen L, Cui H, Dong Y, et al. Food Analytical Methods, 2016, 9(5): 1106. [本文引用:1]
[3]	YAO Jing, HUANG Wei-xiong, LI Min, et al(姚敬, 黄伟雄, 李敏, 等). Journal of Food Safety and Quality(食品安全质量检测学报), 2016, 7(7): 2873. [本文引用:1]
[4]	Wang Y, Chan W. Journal of Agricultural and Food Chemistry, 2016, 64(13): 2802. [本文引用:1]
[5]	Wei T, Li G, Zhang Z. Journal of Separation Science, 2017, 40(9): 1993. [本文引用:1]
[6]	Kwon J W. Food Control, 2017, 72: 268. [本文引用:1]
[7]	XIANG Lu, YI Ting-hui, WANG Ya, et al(向露, 易廷辉, 王雅, 等). Journal of Chongqing Medical University(重庆医科大学学报), 2014, 39(4): 533. [本文引用:1]
[8]	FAN Ji-peng, YANG Tian-yu, XU Zhen-dong, et al(樊继鹏, 杨天宇, 徐振东, 等). Grain Science and Economy(粮食科技与经济), 2014, 39(6): 36. [本文引用:1]
[9]	RUAN Sha-sha, LIU Gui-hua, ZHU Zhou, et al(阮莎莎, 刘桂华, 朱舟, 等). South China Journal of Preventive Medicine(华南预防医学), 2017, 43(1): 78. [本文引用:1]
[10]	Lim H, Pahn K, Kim J, et al. Korean Journal of Food Science and Technology, 2010, 42(4): 377. [本文引用:1]
[11]	WU Zheng-shuang, LIANG Chi-qiong, ZHONG Hai-juan, et al(吴正双, 梁炽琼, 钟海娟, 等). Modern Food Science and Technology(现代食品科技), 2012, 28(9): 1239. [本文引用:1]
[12]	Gao S, Sun L, Hui G, et al. Food Analytical Methods, 2016, 9(9): 2642. [本文引用:1]
[13]	GAO Shang, SUN Lai-jun, HUI Guang-yan, et al(高尚, 孙来军, 惠光艳, 等). Analytical Instrumentation(分析仪器), 2016, S1: 75. [本文引用:1]
[14]	FANG Hong-xia, ZHANG Qi, ZHANG Hui-li, et al(方虹霞, 张琪, 张慧丽, 等). Journal of the Chinese Cereals and Oils Association(中国粮油学报), 2016, 31(1): 107. [本文引用:1]
[15]	Xie Y, Li P, Zhang J, et al. SpectrochimicaActa Part A: Molecular and Biomolecular Spectroscopy, 2013, 114(10): 80. [本文引用:1]
[16]	Li M, Guo X, Wang H, et al. Sensors and Actuators B: Chemical, 2015, 216: 535. [本文引用:1]
[17]	Zhang B, Fan S, Li J, et al. FoodAnalytical Methods, 2015, 8(8): 2075. [本文引用:1]
[18]	Zhang B, Li J, Fan S, et al. Computers and Electronics in Agriculture, 2015, 114: 14. [本文引用:1]
[19]	Mishra P, Cordella C B Y, Rutledge D N, et al. Journal of Food Engineering, 2016, 168: 7. [本文引用:1]
[20]	Lim J, Kim G, Mo C, et al. Talanta, 2016, 151: 183. [本文引用:1]
[21]	ZHOU Yao, LI Bo-cheng, ZHAO Man-tong, et al(周瑶, 李柏承, 赵曼彤, 等). Opto-Electronic Engineering(光电工程), 2016, 43(5): 27. [本文引用:1]
[22]	Kruse F A, Lefkoff A B, Boardman J W, et al. Remote Sensing of Environment, 1993, 44: 145. [本文引用:1]
[23]	CEN Yi, ZHANF Gen-zhong, ZHANF Li-fu, et al(岑奕, 张艮中, 张立福, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2015, 35(10): 2841. [本文引用:1]
[24]	WEI Chang-long, ZHAO Yu-guo, LI De-cheng, et al(魏昌龙, 赵玉国, 李德成, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2014, 30(1): 81. [本文引用:1]
[25]	SHEN Yong-lin, LIU Xiu-guo, WU Li-xin, et al(沈永林, 刘修国, 吴立新, 等). Geomatics and Information Science of Wuhan University(武汉大学学报·信息科学版), 2017, 42(4): 456. [本文引用:1]
[26]	HE Hao, SHEN Yong-lin, LIU Xiu-guo, et al(何浩, 沈永林, 刘修国, 等). Remote Sensing for Land and Resources(国土资源遥感), 2016, 28(3): 31. [本文引用:1]
[27]	Van der Meer F, Bakker W. Remote Sensing of Environment, 1997, 61(3): 371. [本文引用:1]
[28]	CHU Xiao-li(褚小立). Molecular Spectroscopy Analytical Technology Combined with Chemometrics and its Applications(化学计量学方法与分子光谱分析技术). Beijing: Chemical Industry Press(北京: 化学工业出版社), 2011. [本文引用:1]
[29]	Workman J, Weyer L. Practical Guide to Interpretive Near-Infrared Spectroscopy. Boca Raton: CRC Press, 2008. [本文引用:1]

2016

0.0

... ), 从而使面粉筋度增加, 提高面团气体保留量, 增加烘焙制品的弹性和韧性, 改善面团的可操作性和调理性^[1,2] ...

2016

0.0

... ), 从而使面粉筋度增加, 提高面团气体保留量, 增加烘焙制品的弹性和韧性, 改善面团的可操作性和调理性^[1,2] ...

2016

0.0

... 但偶氮甲酰胺极其不稳定, 在加热过程中它会分解形成微量的氨基脲^[3], 氨基脲是呋喃西林兽药的代谢物, 具有很强的致癌、致畸、致突变等副作用^[4,5,6] ...

2016

0.0

2017

0.0

2017

0.0

2014

0.0

... 目前, 对面粉中偶氮甲酰胺的传统检测方法主要有高效液相色谱法^[7,8,9]和高效液相色谱-质谱联用法^[10,11], 这两种方法具有较高的检测精度, 但前处理复杂、检测时间长、需要熟练的操作人员, 一般只限于实验室应用 ...

2014

0.0

2017

0.0

2010

0.0

2012

0.0

2016

0.0