羧甲基賴氨酸是晚期糖基化終末產物代表之一，當達到一定數量時能促進糖尿病、腎病、動脈粥樣硬化等疾病的發展和人體器官的快速衰老。某學者發現油炸薯片中CML含量可達22.2mg/kg，較同類食品高，但實際生活中未將CML含量作為評價油炸薯片的指標。很重要的一方面原因是常見的CML檢測方法各有弊端，而具有靈敏度高、可利用性好、穩定性較強等特點的液相色譜-質譜法，能對食品中CML進行準確的定量分析，但其操作繁瑣、耗時耗力、價格昂貴等。因此，實現快速、高效地檢測低劑量CML，對避免食用高含量CML的油炸薯片，保證消費者健康及馬鈴薯產業的發展具有重要意義。

目前，國內外已有對油炸薯片中有害成分和吸油量的分析，也有對CML的抑制研究，但少有對CML快速檢測方法的探討。高光譜圖像技術具有分辨率高、曲線連續、無損傷、無污染、可對物質特征或成分進行精確探測等特點。近年來，高光譜技術在城市測繪、精確農業、環境監測、軍事監視以及計算機視覺等工業領域得到了普遍的認可和關注。并且，由于高光譜光譜反射率與理化參數的相關性，可建立各種理化參數的光譜監測模型，所以在測定食品或農產品中重要營養物質、有害成分含量等方面的研究較多，在監測食品或農產品質量方面取得重大進展。國內外也有利用高光譜成像快速檢測鮮切馬鈴薯片或塊莖的相關研究，但鮮見采用高光譜成像技術預測油炸薯片中CML含量的報道。本文采用高光譜圖像技術，以具有不同工藝參數的油炸薯片為研究對象，借助液相色譜-質譜法測定CML含量，構建3種預測模型并進行對比。最終確定最佳快速穩健模型，為尋找高效的CML低劑量檢測設備提供依據和手段，為更好地服務于食品企業，保證產品質量。

1材料與方法

1.1材料與試劑

試驗所用樣品為自制油炸薯片，采用如下制作過程：馬鈴薯粉加水1∶1（質量比），和勻，將其揉成長面團，然后做成厚度為1.0cm的面塊，再熟化、冷卻，最后切為厚1.5mm的小片，油炸。試驗采用不同的油炸溫度和時間如表1所示，共8個等級。本研究采用粉碎后的油炸薯片作為樣品。試劑采用CML標準品（純度為98.0%）和CML-D4同位素內標（化學純度為98.0%，同位素純度為97.9%）。

表1油炸溫度和時間

1.2儀器與設備高光譜成像采集系統如圖1所示，主要由1臺高光譜攝像儀、1個傳送裝置（自制）和1臺計算機組成。高光譜攝像儀通過USB2.0接口連接計算機，軟件作為驅動控制攝像儀的平臺，電腦實時記錄和存貯數據信息。

圖1光譜圖像采集系統

固相萃取柱（體積3mL，填料質量60mg，填料粒徑30μm）、超純水系統；真空固相萃取裝置；圓形水浴氮吹儀；超高效液相色譜儀、親水作用色譜柱（2.1mm×100mm，1.7μm）、三重四極桿串聯質譜儀。

1.3試驗方法1.3.1CML含量的測定

液質聯用測定油炸薯片中CML含量與高光譜圖像采集同步。首先對薯片粉末進行脫脂和水解，然后收集上清液，采用液相色譜-質譜法測定。

1.3.1.1液相檢測條件

流動相：A相為0.1%甲酸水溶液，B相為乙腈；進行梯度洗脫，梯度洗脫參數如表2所示。柱溫：35℃；進樣量：5μL；運行時間7min。

表2梯度洗脫參數

1.3.1.2質譜檢測條件

離子源：電噴霧正離子模式；監測模式：多反應監測；毛細管電壓：3.5kV；錐孔電壓：20V；源溫度：150℃；脫溶劑氣溫度：400℃；脫溶劑氣流速：700L/h；碰撞能量：15V；MRM模式：CML質荷比m/z205.22~m/z84.00定量，m/z205.22~m/z130.00定性，CML-D4m/z209.00~m/z87.70定性。

1.3.2高光譜圖像的采集

樣本高光譜圖像采集前，首先采集標準全白圖像和全黑圖像，然后再將已備好的（40±0.5）g油炸薯片粉末，作為一個待測樣本，均勻地平鋪在直徑為100mm的培養皿中，放置在傳送帶上，傳送裝置的速度為1.20mm/s，相機的曝光時間為90ms，物距為350mm。光譜儀的光譜范圍為371.05nm~1023.82nm，光譜分辨率為2.8nm，采樣間隔為0.51nm。采集數據時，攝像頭在傳送帶方向的垂直方向作橫向掃描，得到的是所掃區域全部像素點在1288個波長處的圖像數據。同時隨著薯片的前進，完成所需區域油炸薯片圖像數據的采集。為獲得理想區域的圖像，設定高光譜掃描程序中Width和Height的參數都是800。即圖像掃描行數為每幅800行，每行掃描的像素點數為800個，得到的高光譜圖像分辨率為800像素×800像素。所以，對于每一個油炸薯片樣本，采集后最終得到一個大小為800×800×1288的高光譜圖像數據塊。最后，為了消除成像儀的暗電流和光源強度分布不均造成的影響，需要對每個油炸薯片樣本高光譜圖像進行黑白標定。采用標準全白圖像和標準全黑圖像對采集到的原始高光譜圖像數據塊按照公式進行標定，得到黑白校正后的高光譜圖像數據。黑白校正公式如下。

式中：R為黑白校正后的圖像；L為原始反射圖像；W為全白反射圖像；B為全黑反射圖像。

1.3.3模型建立方法與數據處理方法

本研究采用主成分回歸、偏最小二乘回歸和BP神經網絡3種方法建立模型。平均光譜數據的提取借助軟件ENVI5.1；黑白處理、標準散射校正預處理及模型的構建均在MATLABR2014a中編程實現。

2結果與分析

2.1圖象的采集與光譜預處理試驗中，每類油炸薯片分別選取50個重復樣本，8類樣品共400個樣本。相機拍攝各類油炸薯片圖像如圖2所示，在可見光波長658.77nm下的細節圖像如圖3所示。選擇標準正態變換（standardnormalvariate，SNV）作為光譜預處理方法，用來消除油炸薯片固體顆粒大小不一、表面不均勻產生的散射以及光程變化對漫反射光譜造成的影響。400個油炸薯片樣本在處理前后的光譜曲線圖如圖4所示。

圖28類樣本的可見光圖像

圖38類樣本在658.77nm波長處的高光譜圖像

圖4a是400個樣本在1288個波段的原始平均光譜反射圖。由于首尾波段信噪比較低，所以除去371.05nm~472.86nm和880.49nm~1023.82nm的數據，得到從第200到1000個波段的信息，即剩余801個波段的光譜值。圖4b是所有樣本在801個波段的原始光譜值經過黑白校正后得到。圖4c是圖4b經過標準正態變換后的光譜圖。很明顯，經過SNV處理過的光譜曲線具有清晰的吸收峰，且每類薯片的光譜各有差別，這有利于預測模型的建立。

2.2油炸薯片中CML含量的測定結果

每種油炸薯片樣品取3個平行進行測定，并確定這3次獨立測定結果的絕對值差小于等于其算術平均值的10%，將其平均值作為此類油炸薯片樣品的實際CML含量值，結果如表3示。從表3看出，當溫度在180℃時，隨著時間的延長，CML含量呈現先增多后減少的趨勢，160s達到最大值為12.74μg/g，而后隨著時間的延長CML含量有所下降。當溫度220℃、時間240s時，CML含量比80s時明顯降低，僅為5.17μg/g。這與韓文鳳等的研究結果相一致：反應溫度對體系中CML含量的影響較為復雜；在高溫加熱的反應體系中，其含量隨著反應時間的延長呈先增大后減小的趨勢。采用此液質聯用檢測方法，耗時費力，成本高，且有毒。以下采用高光譜圖像技術提取數據，借助理化檢測方法測定的結果建立不同模型，預測CML含量。

2.3采用不同方法建立預測模型

隨機選擇全部樣本的70％作為訓練集，剩余30％樣本作為測試集。本研究選用預測正確率（相對誤差不超過真實值的5%為預測正確）、決定系數和均方根誤差3個結果指標對3種建模方法的精度進行評價。

2.3.1主成分回歸

前15個主成分的貢獻率見表4，不同方法建立預測模型結果對比見圖5。

圖4400個油炸薯片樣本的光譜曲線

表38種油炸薯片樣品的CML含量測定結果

注：同列不同字母表示差異顯著（p<0.05）,相同字母表示差異不顯著（p≥0.05）

表4前15個主成分得分貢獻率

注：…表示由于主成分得分貢獻率逐漸減小，第4個到第15個主成分間的貢獻率都在0.0694%~0.0001%間，顯示出來意義不大，為減少冗余，故省略了中間。

由表4可見，前15個主成分得分可以呈現99.999%以上的原始光譜信息。因此，選取前15個主成分作為樣本集特征光譜，即將801個波長壓縮為15個新變量作為特征變量，明顯提升了模型的運行效率。由圖5a可知預測效果不理想，主成分回歸預測正確率為30.83%，決定系數為0.85，均方根誤差為1.3。

2.3.2偏最小二乘回歸

基于801個波段數的平均光譜反射值建立偏最小二乘回歸模型，選擇15個主成分，所獲得的測試集決定系數為0.84，均方根誤差為1.15，預測正確率為55.00%。如圖5b所示，與主成分回歸對比，預測正確率稍高，決定系數近似。這說明，此模型仍然不能滿足預測油炸薯片中CML的含量。

2.3.3BP神經網絡

運用BP神經網絡模型建立光譜值與油炸薯片中CML含量之間的映射關系，首先提取全部波段下圖像的平均光譜反射值，然后去除首尾具有噪聲的光譜，并對其進行標準正態變量變換光譜預處理。最后對801列光譜數據運用主成分分析融合，選取代表原始信息99.98%以上的前6個主成分作為神經網絡的輸入變量部分，設計模型結構，確定傳遞函數和訓練函數，設置學習速率、誤差、迭代次數等參數，建立具有穩健性和精確度的BP神經網絡預測模型。

a.主成分回歸預測結果圖；b.偏最小二乘回歸預測結果圖；c.BP神經網絡預測結果圖。

圖5不同方法建立預測模型結果對比

基于400個樣本在第200到1000個波段下各個高光譜圖像的平均光譜反射值所建立的BP神經網絡結構，預測模型的結構設為15-10-1，隱含層和輸出的傳遞函數分別為tansig和logsig，訓練函數為traincgf。學習率設定為0.01，誤差設定為1×10-6。運行結束，迭代次數共為4969次，運行時間21s，誤差達到3.12×10-5。預測結果如圖5c所示，所獲得的測試集決定系數為0.99，均方根誤差為0.22，預測正確率為99.67%。2.3.4對比結果以建模集和預測集的決定系數、均方根誤差、預測正確率作為3種建模方法，預測CML含量的評價標準，對比結果如表5所示。

表5不同建模方法的CML含量預測結果對比

由表5可知，BP神經網絡預測正確率較高，為預測油炸薯片中CML含量最優的模型。

2.3.4最優預測模型的選擇與穩健性分析

對比顯示，基于第200到1000波段下的每個油炸薯片樣本圖像的平均光譜反射值，預測CML含量建立的BP神經網絡模型最優。為驗證此模型的穩健性，從油炸薯片樣本的高光譜圖像數據信息中，隨機抽取5組不同的訓練集和測試集。保證模型結構及所有參數不變，用這5組數據分別對BP神經網絡模型進行訓練和測試，結果如表6所示。

表6不同測試集的測試結果對比

從表6中可以看出，油炸薯片CML含量預測正確率平均值為96.23%，決定系數平均值為0.99，均方根誤差平均值為0.22。這說明，該BP神經網絡模型具有可靠的穩健性和精度。

4結論

以含有不同CML量的油炸薯片為檢測對象，用高光譜成像儀采集其在371.05nm~1023.82nm波長下的圖像，先提取其第200到1000波段下圖像的平均光譜反射值，然后經過黑白校正和標準正態變量變換光譜預處理，最后對比主成分回歸、偏最小二乘回歸和BP神經網絡3種模型建立方法。結果顯示，基于BP神經網絡所建立的油炸薯片中CML含量預測模型最為準確。并且經過驗證，該預測模型兼備準確性和穩健性。這說明，高光譜圖像技術融合BP神經網絡能夠實現油炸薯片中CML含量的準確預測，可為食品中CML含量快速無損檢測提供重要依據。

萊森光學（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統的研發、生產和銷售。

審核編輯 黃昊宇