傅里叶变换红外光谱的牛乳中αs1-酪蛋白和κ-酪蛋白含量的快速检测

作者：肖仕杰; 王巧华^*; 樊懿楷; 刘锐; 阮健; 温万; 李季奇; 邵怀峰; 刘维华; 张淑君^*

来源：光谱学与光谱分析, 2021, 41(12): 3688-3694.

• 中红外光谱
• 牛乳
• αs1-酪蛋白
• κ-酪蛋白
• 无损检测

为了找到一种能够对牛乳中的两种主要过敏原(αs1和κ-酪蛋白)含量快速检测的方法,以河南、湖北、宁夏和内蒙古四省区的211份中国荷斯坦牛牛乳样本为研究对象,建立了基于傅里叶变换中红外光谱技术的牛乳中αs1和κ-酪蛋白含量的无损快速检测模型。首先对牛乳的原始光谱进行预分析,发现水对牛乳的光谱吸收具有很强的干扰,对水的两个主要吸收区域1 597～1 712和3 024～3 680 cm-1进行分析,发现水的吸收区域1 597～1 712 cm-1和蛋白的部分吸收区域1 558～1 705 cm-1(酰胺Ⅰ)基本重合,通过对比去除1 597～1 712 cm-1前后的效果,最终选择925.92～3 005.382 cm-1的光谱区域作为敏感波段用于后续分析。选取的全光谱经手动降维,利用MCCV剔除异常样本,分别采用标准正态变量变换(SNV)、多元散射校正(MSC)等8种预处理算法和竞争性自适应重加权算法(CARS)、无信息变量消除法(UVE)等3种特征选择算法联合建立支持向量机回归模型(SVR)。经检验,对于αs1-酪蛋白,一阶导数和CARS算法结合建立的SVR模型效果最优,训练集相关系数Rc和测试集相关系数Rp分别为0.882 7和0.899 8,训练集均方根误差RMSEC和测试集均方根误差RMSEP分别为1.136 3和1.372 6;对于κ-酪蛋白,一阶差分和UVE算法结合建立的SVR模型效果最优,训练集相关系数Rc和测试集相关系数Rp分别为0.880 8和0.890 3,训练集均方根误差RMSEC和测试集均方根误差RMSEP分别为0.534 5和0.535 4。研究结果表明,基于傅里叶变换中红外光谱技术建立的SVR模型可以对牛乳中的过敏原αs1和κ-酪蛋白含量进行无损检测,预测效果良好,此研究弥补了国内利用光谱技术对牛乳中的酪蛋白进行无损快速检测的空白。

• 单位
  宁夏回族自治区兽药饲料监察所; 农业部; 华中农业大学