基于近紅外光譜技術(shù)快速定量檢測(cè)香菇面制品中香菇含量的研究

摘 要：為定量檢測(cè)香菇面制品中香菇含量，采用近紅外光譜掃描添加0.5%～10%的香菇面粉樣本，采用偏最小二乘法（PLS）建立含香菇面制品中香菇定量快速無(wú)損檢測(cè)方法。取含香菇的面粉樣本120余份，將96個(gè)樣品作為定標(biāo)集，24個(gè)作為驗(yàn)證集，進(jìn)行10 000 cm-1～4 000 cm-1近紅外全波長(zhǎng)掃描，得到添加含香菇面粉的近紅外原始光譜，通過(guò)Spectrum Quant軟件，利用偏最小二乘法，將光譜預(yù)處理后與香菇含量建立近紅外模型，并進(jìn)行模型的驗(yàn)證與預(yù)測(cè)。結(jié)果表明，最優(yōu)的預(yù)處理方法為MSC＋平滑點(diǎn)2＋二階導(dǎo)數(shù)降噪2預(yù)處理，主因子數(shù)10，校正集方程與驗(yàn)證集方程的相關(guān)性良好（R2＞99%），預(yù)測(cè)性較好（偏差＜5%），模型有較好的準(zhǔn)確度，為香菇面制品中香菇含量的檢測(cè)提供了方法基礎(chǔ)。

關(guān)鍵詞：近紅外光譜；快速檢測(cè)；香菇；面制品

中圖分類號(hào)：TS207.3 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1008-1038（2025）01-0008-06

DOI：10.19590/j.cnki.1008-1038.2025.01.002

Research on Rapid and Quantitative Detection of Mushroom Content

in Mushroom Ｆlour Products Based on Near Infrared

Spectroscopy Technology

GONG Zhiqing1， ZHANG Yonghu2， SHEN Xiaogang2， LU Xiuxiang2， JIA Fengjuan1， WANG Wenliang1*

（1. Shandong Academy of Agricultural Sciences Institute of Agricultural Products Processing and Nutrition/Key Laboratory of Novel Food Resources Processing， Ministry of Agriculture， Jinan 250100， China; 2. Shandong Yuhuang Grain Oil and Food Co.， Ltd.， Linyi 276600， China）

Abstract： To quantitatively detect the content of shiitake mushrooms in shiitake mushroom flour products， near-infrared spectroscopy was used to scan and add samples of shiitake mushroom flour with a content of 0.5%-10%. Partial least squares （PLS） was used to establish a rapid and non-destructive detection method for shiitake mushrooms in shiitake mushroom noodle products. More than 120 flour samples containing shiitake mushrooms were taken， with 96 samples as the calibration set and 24 samples as the validation set. A near-infrared full wavelength scan was performed from 10 000 cm-1 to 4 000 cm-1 to obtain the original near-infrared spectra of the flour containing shiitake mushrooms. The PE near-infrared software with built-in modeling software Spectra Quantum was used to preprocess the spectra and establish a near-infrared model with shiitake mushroom content using partial least squares method， and the model was validated and predicted. The optimal preprocessing method among them was MSC＋smoothing point 2＋second-order derivative denoising 2 preprocessing， with a main factor of 10. The correlation between the correction set equation and the validation set equation was good （R2＞99%）， with good predictive performance （deviation＜5%）， and the model had good accuracy. This study provided a methodological basis for the detection of shiitake mushroom content in shiitake mushroom flour products.

Keywords： Near infrared spectroscopy; rapid detection; shiitake mushrooms; flour products

香菇（Lentinula edodes）隸屬于擔(dān)子菌門（Basidiomycota）、傘菌綱（Agaricomycetidae）、傘菌目（Agaricales）、口蘑科（Tricholomatacete）、香菇屬（Lentinula），在中國(guó)、日本以及其他亞洲國(guó)家廣泛栽培。據(jù)中國(guó)食用菌協(xié)會(huì)統(tǒng)計(jì)，2023年我國(guó)香菇產(chǎn)量達(dá)1 303.75萬(wàn)t，占食用菌總產(chǎn)量的29%，是我國(guó)食用菌產(chǎn)量最大的品種[1]。香菇富含多糖、蛋白質(zhì)和礦物質(zhì)等，味道鮮美且香氣獨(dú)特，是著名的食藥兼用菌[2]。多糖是香菇的主要活性物質(zhì)，具有調(diào)節(jié)免疫、抗腫瘤等功效[3-4]。將香菇添加到掛面、拉面等面制品中，可提高面制品中膳食纖維和礦物質(zhì)等的含量，香菇中豐富的賴氨酸和亮氨酸也可以彌補(bǔ)禾谷類缺少的賴氨酸和亮氨酸，提高面制品中蛋白質(zhì)的利用價(jià)值[5-6]。作為香菇初加工的主要產(chǎn)品之一，香菇掛面、拉面產(chǎn)量較高，深受消費(fèi)者喜歡。與面粉相比，香菇粉價(jià)格高（60元/kg左右），個(gè)別不良企業(yè)為降低生產(chǎn)成本，在面制品中標(biāo)示的香菇含量與實(shí)際不符，致使消費(fèi)者利益受損，如何有效鑒別不同面制品中香菇粉的添加量，對(duì)保護(hù)消費(fèi)者利益具有較大的意義。

近紅外（near infrared，NIR）光譜技術(shù)是集合多種技術(shù)優(yōu)點(diǎn)的綜合分析方法，具有操作簡(jiǎn)便、快捷、成本低、無(wú)試劑污染等特點(diǎn)，被廣泛應(yīng)用于制藥、食品、石油化工以及農(nóng)業(yè)等各個(gè)領(lǐng)域[7-8]，常用于產(chǎn)品質(zhì)量的快速檢測(cè)分析以節(jié)省時(shí)間、提高效率。在食品行業(yè)主要用于無(wú)損檢測(cè)[9-10]、摻假[11-12]、產(chǎn)地溯源[13-14]等方面。孫坤秀[15]采用近紅外偏最小二乘回歸分析法（PLS）模型鑒別香菇粉摻假，實(shí)現(xiàn)了對(duì)香菇傘粉和香菇柄粉、香菇粉和杏鮑菇粉、平菇粉、菌棒粉的定性鑒別和定量分析。Xie等[16]開發(fā)了一種基于近紅外光譜技術(shù)和化學(xué)計(jì)量學(xué)方法的校準(zhǔn)模型，用于檢測(cè)不同地區(qū)香菇樣品中的多糖含量。但利用近紅外技術(shù)檢測(cè)香菇面制品中香菇含量尚未有研究。本研究利用近紅外技術(shù)定量檢測(cè)香菇粉在面制品中的含量，在近紅外光譜范圍內(nèi)，采集香菇面制品中的近紅外光譜信息，對(duì)近紅外光譜進(jìn)行預(yù)處理，采用偏最小二乘法，將預(yù)處理后的近紅外光譜數(shù)據(jù)與面制品中香菇含量進(jìn)行相關(guān)性分析，構(gòu)建香菇面制品中香菇含量的近紅外定量檢測(cè)模型，實(shí)現(xiàn)香菇面制品中香菇含量的快速無(wú)損檢測(cè)。

1 材料與方法

1.1 材料與儀器

面粉（高筋、中筋面粉）、干香菇，購(gòu)自濟(jì)南華聯(lián)超市。

DHG-9241A電熱鼓風(fēng)干燥箱，濟(jì)南九宏科學(xué)儀器有限公司；ZN-20L小型粉碎機(jī)，北京興時(shí)利和科技發(fā)展有限公司；AR423CN電子分析天平，奧豪斯儀器上海有限公司；Spectrum3傅里葉變換紅外光譜儀，美國(guó)PerkinElmer公司。

1.2 樣品制備

取干香菇整菇、香菇菇蓋、菇柄（約3 cm）分別磨粉，過(guò)100目，分別按照0.5%、1.0%、1.5%、2.0%、2.5%、3.0%、3.5%、4.0%、4.5%、5.0%、5.5%、6.0%、6.5%、7.0%、7.5%、8.0%、8.5%、9.0%、9.5%、10.0%的比例添加到高筋、中筋面粉中，得到含香菇面粉樣本120余份。

1.3 近紅外光譜掃描

將上述添加香菇粉的面粉樣本，取5.0 g左右裝入具塞玻璃瓶中，每個(gè)樣品重復(fù)2次，用積分球漫反射采集近紅外光譜。

采集條件：以儀器內(nèi)置背景為參比，設(shè)置掃描范圍為10 000 cm-1～4 000 cm-1，分辨率為8 cm-1，掃描次數(shù)為16次，取平均值。

按照不同香菇面粉含量范圍，隨機(jī)選取的樣本按照8∶2分為定標(biāo)集樣本與驗(yàn)證集樣本。

1.4 近紅外光譜的預(yù)處理

為了去除高頻隨機(jī)噪聲、基線漂移和樣品不均勻等的影響，采用紅外光譜儀自帶的操作軟件對(duì)近紅外圖譜進(jìn)行必要的預(yù)處理，包括移動(dòng)平滑、歸一化（MSC多元散射校正、SNV標(biāo)準(zhǔn)正態(tài)化校正）、導(dǎo)數(shù)（一階導(dǎo)數(shù)、二階導(dǎo)數(shù)）等方法，比較其相關(guān)系數(shù)R2和標(biāo)樣估計(jì)誤差SEE。

1.5 近紅外模型的建立與驗(yàn)證

采用PLS建立香菇面制品中香菇含量校正模型。以定標(biāo)集和驗(yàn)證集的相關(guān)系數(shù)和標(biāo)準(zhǔn)差等為評(píng)價(jià)指標(biāo)，采用留一法交叉驗(yàn)證確定建模最佳主成分?jǐn)?shù)。

1.6 近紅外模型香菇含量的預(yù)測(cè)

取自制已知香菇含量的3個(gè)含香菇掛面、2個(gè)含香菇拉面樣品，采集近紅外光譜，導(dǎo)入含香菇面制品中香菇含量檢測(cè)的近紅外定量檢測(cè)模型中，預(yù)測(cè)含香菇掛面、拉面中的香菇含量。

2 結(jié)果與分析

2.1 含香菇面粉樣品的近紅外光譜圖

將96個(gè)含香菇的面粉樣品進(jìn)行10 000 cm-1～4 000 cm-1近紅外全波長(zhǎng)掃描，得到添加含香菇面粉的近紅外原始光譜（圖1）及一階導(dǎo)數(shù)圖（圖2）。光譜信號(hào)變化較大的區(qū)域?yàn)椴〝?shù)9 000 cm-1～4 000 cm-1，故選取此波數(shù)段作為樣品的分析范圍。

2.2 光譜預(yù)處理方法選擇

光譜的多元散射校正（MSC）是高光譜數(shù)據(jù)預(yù)處理常用的算法之一，通過(guò)數(shù)學(xué)方法將光譜中的散射光信號(hào)與化學(xué)吸收信息進(jìn)行分離，去除近紅外漫反射光譜中樣品的鏡面反射及不均勻性造成的噪聲，消除漫反射光譜的基線及光譜的不重復(fù)性[17-18]。光譜進(jìn)行求導(dǎo)和平滑來(lái)消除光譜基線產(chǎn)生的偏移或漂移，提高光譜的信噪比，從而得到樣品更為明顯的特征光譜。表1為光譜的不同預(yù)處理方法對(duì)近紅外模型的影響，通過(guò)比較SEE和R2值，發(fā)現(xiàn)MSC＋平滑點(diǎn)2＋二階導(dǎo)數(shù)降噪2預(yù)處理的方法R2為99.998 2%，SEE=0.023 90。

2.3 PLS模型主因子數(shù)的選擇

PLS是化學(xué)計(jì)量學(xué)中最有效的分析方法之一，具有準(zhǔn)確度高、穩(wěn)定性強(qiáng)的特點(diǎn)[19]。在使用PLS建立NIR分析模型時(shí)，PLS主因子數(shù)也是影響模型質(zhì)量的關(guān)鍵因素。通常情況下，主因子數(shù)量的增加會(huì)使樣品有更高的擬合度，但如果主因子數(shù)過(guò)多，樣品會(huì)被劃分得過(guò)于細(xì)致，使所建立的模型出現(xiàn)“過(guò)度擬合”的現(xiàn)象。這是由于主因子數(shù)量的增加使一些非常特殊的樣品被帶到模型中來(lái)，使得模型對(duì)樣品結(jié)果的預(yù)測(cè)效果變差[20-21]。%方差（R2）越接近于100，SEE和SEP越小，則說(shuō)明回歸模型的定量分析結(jié)果越準(zhǔn)確。通過(guò)調(diào)整主成分?jǐn)?shù)3～10（見表3），發(fā)現(xiàn)主成分?jǐn)?shù)為3時(shí)，88.52%的樣品變異可以得到解釋，主成分?jǐn)?shù)為10時(shí)，99.99%的樣品變異可以得到解釋；SEE值（標(biāo)樣估計(jì)誤差）從3～10時(shí)，由1.814 0減小到0.023 90，因此選擇主因子數(shù)為10。

2.4 近紅外模型的建立與驗(yàn)證

通過(guò)PE近紅外軟件自帶建模軟件Spectrum Quant，將96個(gè)樣品作為定標(biāo)集進(jìn)行內(nèi)部交叉驗(yàn)證（圖3），24個(gè)作為驗(yàn)證集考察PLS模型的準(zhǔn)確性。香菇面粉樣品近紅外光譜數(shù)據(jù)（9 000 cm-1～4 000 cm-1）預(yù)處理后用光譜數(shù)據(jù)與香菇含量進(jìn)行偏最小二乘法建模。校正集方程的相關(guān)性良好（R2=99.99%），同時(shí)，驗(yàn)證集方程也有較好的相關(guān)性（R2=99.02%），驗(yàn)證標(biāo)準(zhǔn)誤SEP=2.83，說(shuō)明此模型對(duì)香菇面制品中香菇含量預(yù)測(cè)有較高的準(zhǔn)確度。

2.5 近紅外模型的預(yù)測(cè)

取已知香菇掛面、香菇拉面等5個(gè)樣品，采集其近紅外光譜，導(dǎo)入含香菇面制品中香菇含量檢測(cè)的近紅外定量檢測(cè)模型中，得到預(yù)測(cè)香菇掛面、拉面中的香菇含量（見表3）。由表3可知，偏差范圍均在±4.8%范圍內(nèi)，建立模型的預(yù)測(cè)效果較好。

3 小結(jié)

本研究取含香菇的面粉樣本120余份，其中96個(gè)樣品作為定標(biāo)集、24個(gè)作為驗(yàn)證集，進(jìn)行10 000 cm-1～4 000 cm-1近紅外全波長(zhǎng)掃描，得到添加含香菇面粉的近紅外原始光譜，通過(guò)PE近紅外軟件自帶建模軟件Spectrum Quant利用PLS，將預(yù)處理后用光譜與香菇含量建立近紅外模型，并進(jìn)行模型的驗(yàn)證與預(yù)測(cè)。其中最優(yōu)的預(yù)處理方法為MSC＋平滑點(diǎn)2＋二階導(dǎo)數(shù)降噪2預(yù)處理，主因子數(shù)10，校正集方程與驗(yàn)證集方程的相關(guān)性良好（R2＞99%），預(yù)測(cè)性較好（偏差＜5%），模型有較高的準(zhǔn)確度。本研究表明，基于近紅外無(wú)損檢測(cè)建模檢測(cè)含香菇面制品中香菇含量是可行的，在后續(xù)的研究中，可擴(kuò)大樣本量，積累更多的數(shù)據(jù)，使模型更加穩(wěn)定。

參考文獻(xiàn)：

[1] 2023年度全國(guó)食用菌統(tǒng)計(jì)調(diào)查結(jié)果分析[R/OL]. （2024.11.27）. http：//www.360doc.com/ content/24/1217/18/48675520_1142222609.shtml

[2] 蘇暢， 李小江， 賈英杰， 等. 香菇多糖的抗腫瘤作用機(jī)制研究進(jìn)展[J]. 中草藥， 2019， 50（6）： 1499-1504.

[3] CHEN S P， LIU C C， HUANG X J， et al. Comparison of immunomodulatory effects of three polysaccharide fractions from Lentinula edodes water extracts[J]. Journal of Functional Foods， 2020， 66， 103791.

[4] WANG J M， ZHOU Z， DA D M， et al. Physicochemical properties and bioactivities of Lentinula edodes polysaccharides at different development stages[J]. International Journal of Biological Macromolecules， 2020， 150（1）： 573-577.

[5] RAHTORE H， PRASAD S， SHARMA S. Mushroom nutraceuticals for improved nutrition and better human health： A review[J]. Pharmanutrition， 2017， 5（2）： 35-46.

[6] LI S， WANG A， LIU L， et al. Evaluation of nutritional values of shiitake mushroom （Lentinus edodes） stipes[J]. Journal of Food Measurement Characterization， 2018， 12（3）： 2012-2019.

[7] 葉晗， 李炎鑫， 趙夢(mèng)瑤， 等. 熱風(fēng)干燥海帶含水量近紅外光譜預(yù)測(cè)模型建立及品質(zhì)評(píng)價(jià)[J]. 食品科技， 2022， 47（10）： 252-259.

[8] COZZOLINO D. The role of vibrational spectroscopy as a tool to assess economically motivated fraud and counterfeit issues in agricultural products and foods[J]. Analytical Methods， 2015， 7（22）： 9390-9400.

[9] CHEN Q S， ZHAO J W， LIU M H， et al. Determination of total polyphenols content in green tea using FT-NIR spectroscopy and different PLS algorithms[J]. Journal of Pharmaceutical and Biomedical Analysis， 2008， 46（2）： 568-573.

[10]" ZOU X B， ZHAO J W， LI Y X. Selection of the efficient wavelength regions in FT-NIR spectroscopy for determination of SSC of ‘Fuji’ apple based on BiPLS and FiPLS models[J]. Vibrational Spectroscopy， 2007， 44（2） ： 220-227.

[11]" 邵平， 王鈞， 王星麗， 等. 基于近紅外光譜技術(shù)的靈芝提取物摻假定量快速無(wú)損檢測(cè)研究[J]. 核農(nóng)學(xué)報(bào)， 2016， 30（1）： 103-109.

[12]" 鄭訓(xùn)培， 董怡青， 楊清華， 等. 基于近紅外光譜技術(shù)的陳皮粉真?zhèn)螣o(wú)損鑒別[J]. 中國(guó)果菜， 2022， 42（7）： 37-41.

[13]" 吳木蘭， 宋蕭蕭， 崔武衛(wèi)， 等. 基于近紅外光譜技術(shù)對(duì)南陽(yáng)豌豆產(chǎn)地鑒別研究[J]. 光譜學(xué)與光譜分析， 2023， 43（4）： 1095-1102.

[14]" 邢琳， 任謂明， 趙丹， 等. Fourier變換近紅外光譜在人參產(chǎn)地溯源中的應(yīng)用[J]. 吉林農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2023， 45（1）： 36-41.

[15]" 孫坤秀. 基于顯微和化學(xué)指紋特征的香菇粉摻假檢測(cè)方法研究[D]. 無(wú)錫： 江南大學(xué)， 2022： 42.

[16]" XIE Y， ZHOU R， XIE H， et al. Application of near infrared spectroscopy for rapid determination the geographical regions and polysaccharides contents of Lentinula edodes[J]. International Journal of Biological Macromolecules， 2019， 122： 1115-1119.

[17]" 白鐵成， 王亞明， 張楠楠， 等. 胡楊葉片水分含量的近紅外光譜檢測(cè)[J]. 光譜學(xué)與光譜分析， 2017， 37（11）： 3419-3423.

[18]" LEBOT V， CHAMPAGNE A， MALAPA R， et al. NIR determination of major constituents in tropical root and tuber crop flours[J]. Journal of Agricultural and Food Chemistry， 2009， 57（22）： 10539-10547.

[19]" BASSBASI M， PLATIKANOV S， TAULERR R， et al. FTIR-ATR determination of solid non fat （SNF） in raw milk using PLS and SVM chemometric methods[J]. Food Chemistry， 2014， 146： 250-254.

[20]" 胡明明， 張權(quán)， 寧舒嫻， 等. 西式快餐用煎炸油質(zhì)量近紅外快速檢測(cè)模型的建立[J]. 食品工業(yè)科技， 2022， 43（11）： 11-17.

[21]" ATTUQUAYEFIO V K， BUCKLE K A. Rapid sample preparation method for HPLC analysis of capsaicinoids in capsicum fruits and oleoresins[J]. Journal of Agricultural and Food Chemistry， 1987， 35（5）： 777-779.