挂面面片水分分布均匀度的快速定量表征

石吉勇,刘传鹏,吴胜斌,黄晓玮,李志华,邹小波*

(江苏大学食品与生物工程学院,江苏 镇江 212013)

摘 要:采用高光谱技术结合分布均匀度指数(distributional homogeneity index,DHI)法快速定量表征面片中水分分布均匀度。首先设置不同水分含量梯度的面片,采用不同的光谱预处理方法和模式识别方法建立水分预测模型,然后通过高光谱可视化技术实现对面片中水分含量分布的可视化,最后以不同和面时间的面片为研究对象,利用DHI法对面片中水分分布均匀度进行定量表征。结果表明,采用标准正态变量变换预处理后的光谱所建模型的预测效果最好;最小二乘支持向量机水分定量预测模型的预测效果最佳;和面时间为15 min时取得了最小的DHI值,水分分布最为均匀。高光谱技术结合DHI法通过测定挂面面片水分分布均匀度能够为挂面和面工艺的自动化监控提供理论指导。

关键词:高光谱;面片;水分分布均匀度;分布均匀度指数法;自动化监控

面片是以小麦粉为主要原料,辅以盐和水在和面、醒发和压延等作用下形成的稳定片状结构[1-2]。面片制成的下一步便是切条形成挂面,因此,面片品质的好坏直接影响着最终挂面成品品质的优劣[3]。水分是挂面生产工序中作用仅次于小麦粉的重要因素,其作用不仅影响和面效果,还影响挂面的干燥效果。研究表明,在面片的制作中若采用不恰当的工艺会导致水分在面片中分布不均匀,无法与面筋蛋白充分水合形成健全的面筋骨架结构,进而导致面片切条制作的湿面条在烘干时因各部位脱水缩合应力不一而出现一系列扭曲、断条等品质劣变现象[4]。因此,研究水分在面片中的分布均匀度对于理解和面过程中的物理化学变化、指导挂面的生产具有重要意义。

传统的水分分布测定方法主要有低场核磁共振成像(low- field nuclear magnetic resonance,LF-NMR)法[5]、差示扫描量热(differential scanning calorimetry,DSC)法[6]、国标水分测定法等。LF-NMR测定水分均匀度的主要原理是通过不同结构中的质子在磁场中具有不同的自旋-弛豫特性,通过弛豫时间的变化分析物质中的水分形态、分布和迁移特征;DSC的测定原理主要是根据体系中自由水和冻结水之间的不同结晶行为达到区分水分不同状态的目的;国标法测定水分主要是对体系中的水分进行直接干燥,通过体系的质量差得到水分在体系中的含量。上述方法各有利弊,如LF-NMR法适用于水分含量较高的待测物,对于挂面这种低水分含量物质检测效果不佳;DSC法虽然能够准确地描述测定部位的水分状态,但无法对测定部位的水分进行定量分析,无法准确评价水分分布均匀度的细微变化;国标法虽然能够对水分含量进行准确的定量分析,但无法完整的刻画出水分在样本中的分布情况等。

高光谱成像技术集光谱学分析技术与图像分析技术于一体[7-9],既包含样品的光谱信息又包含样品图像信息,能够同时捕获样本图像中每个像素点的光谱信息和像素点的空间位置信息[10-11],进而实现对组分分布的可视化[12-14],近些年被广泛应用于食品、农产品检测领域[15-18]。分布均匀度指数(distributional homogeneity index,DHI)法是一种基于移动式像元计算标准偏差的统计学算法,该算法通过移动式像元计算内部标准偏差以达到评价分布均匀度的目的,近些年被广泛应用于评价组分的分布均匀度[19-20]。然而,将高光谱成像技术应用于面片中水分分布的研究鲜有报道,因此本研究尝试采用高光谱成像技术快速表征面片中水分的光谱信息,通过每个像素点的光谱信息计算出面片中水分分布情况,然后用DHI法计算面片水分分布均匀度,以期为指导挂面自动化生产提供有力依据。

1 材料与方法

1.1 材料与试剂

面粉(特制一等古船富强粉) 北京古船食品有限公司;食盐(优级) 四川南充顺城盐化有限责任公司;培养皿规格(60 mm×15 mm) 无锡德凡仪器有限公司;蒸馏水为实验室自制。

1.2 仪器与设备

SK-1240真空和面机 成都索拉泰克精密机械有限公司;Bs-224S分析天平 德国赛多利斯公司;PH050A恒温恒湿箱、DHG-9013A鼓风干燥机 上海一恒科学仪器有限公司;TA-XT2i食品物性分析仪 英国Stable Micro System公司;V10E线扫描高光谱仪 芬兰Spectral Imaging公司;DC-950A线光源 美国Dolan-Jenner公司;TSA200-A电控平移台 北京卓立汉光有限公司。

1.3 方法

1.3.1 面片的制备

称量7 份不同质量分数的蒸馏水(21%、25%、29%、33%、37%、41%、45%),分别加入14 g食盐搅拌至完全溶解,将食盐水倒入装有700 g小麦粉的和面机中,设定真空和面机的真空度为0.08 MPa,和面时间为15 min;将揉好的面团转移至不锈钢盆中,用湿润的纱布将盆封住,转移至恒温恒湿箱中(温度35 ℃,湿度85%,预热30 min),熟化30 min;设置面条压延机的初始辊间距为2.6 mm,将熟化后的面团在此辊间距处压延一次,然后复合压延3 次,然后分别在2.2、1.8、1.4、1.0、0.8 mm处压延一次,最终得到的面片厚度为0.8 mm。采用模具将整个面片切割为大小为5 cm×5 cm的正方形若干作为样品待测[21-22]

1.3.2 高光谱数据的采集与标定

图1 高光谱成像系统
Fig. 1 Schematic of the hyperspectral imaging system

本实验所用的高光谱成像系统由江苏大学组装搭建完成,主要零部件如图1所示。该系统的高光谱摄像头的成像分辨率为775×1 628,光谱仪的波长范围为432~963 nm,最终得到的高光谱数据维度为775×1 628×618。在进行数据采集的过程中,由于光照强度不均匀、传感器中存在暗电流等原因,会导致在光照强度较弱的波段形成较大的噪声,因此在高光谱图像采集完成后需要对图像进行黑白板校正[23],如式1所示:

式中:Rλ为样品校正后高光谱图像中λ波段对应的反射强度;Iλ为样品原始高光谱图像中λ波段对应的反射强度;Bλ为高光谱黑板校正图像中λ波段对应的反射强度;Wλ为高光谱白板校正图像中λ波段对应的反射强度。

1.3.3 面片光谱信号的提取与预处理

采用ENVI 4.5软件对标定后的高光谱图像进行光谱提取。所选面片样本表面平整、厚度均匀,以整个面片图像为感兴趣区域,利用Matlab 2017软件对每个感兴趣区域内所有像素点的光谱值进行平均,每个面片对应一条原始光谱值,以此方式得到280 个面片共280 条光谱数据。

平均光谱区域得到的原始光谱数据集由于受到环境、机器运行状况等影响,除携带一些对表征样本有利的信息外,通常会包含一些干扰信息,如基线漂移、高频噪声等,因此有必要对原始光谱进行一系列的预处理除去无用信息,提高模型的准确性和稳健性。本研究采用标准正态变量变换(standard normal variate transformation,SNV)、卷积平滑(savitzky-golay,SG)、一阶导数(first derivatives,1st DER)、二阶导数(second derivatives,2nd DER)、多元散射校正(multiplicative scatter correction,MSC)5 种方法对光谱进行预处理[24],建立全光谱偏最小二乘定量(partial least square regression,PLSR)模型,通过模型的识别结果优选出本实验的最优预处理方法。

1.3.4 面片水分含量的测定

参照GB 5009.3—2016《食品中水分的测定》中的直接干燥法。取洁净的培养皿若干,称培养皿质量并记录,然后将其放置于101~105 ℃的鼓风干燥箱中进行干燥,干燥1 h后取出置于干燥器中冷却0.5 h,重复操作至2 次称量的质量之差不超过2 mg即为质量恒定。将制作完成的面片切割成小于2 mm的颗粒,装于培养皿中放入鼓风干燥机进行干燥,干燥4 h后每隔1 h测定一次质量,直到2 次测量的质量之差小于2 mg即为干燥质量恒定。面片中的水分含量计算如式(2)所示:

式中:W为面片中水分的含量/(g/g);M1为初始的面片与培养皿的总质量/g;M2为干燥至质量恒定后的面片与培养皿的总质量/g;M0为干燥至质量恒定的培养皿质量/g。

1.3.5 水分定量模型的建立

1.3.5.1 样本的划分

定量模型建立过程中,模型的输入通常需要将数据划分为校正集和预测集2 个类别,其中校正集被用来训练模型确定模型的最优参数;预测集的作用是验证已建立好模型的预测能力和推广能力,从而确定最优模型。Kennared-Stone(K-S)算法是一种常见的选择样本的方法,其主要原理是将已选择好的样本点与剩余样本点之间最小欧氏距离最大化,因此本实验采用K-S算法对样本数据进行分组。本实验共有7 种水分梯度的光谱,每种水分梯度的光谱共有40 条,7 种水分梯度一共280 条光谱,按照K-S算法将校正集-预测集按3∶2的比例进行划分。

1.3.5.2 定量模型的建立

多波长光源发射的光照射在被测样品表面因不同样品其内部、组织结构具有差异,在特定波段下产生不同的反射比、散射度及吸光度而导致光谱存在差异,因此可以通过分析光谱达到预测某一物质特性的效果。常见的定量模型主要有区间偏最小二乘(interval partial least square regression,iPLSR)法、误差向后传播神经网络(back propagation artificial neural network ,BP-ANN)及最小二乘支持向量机(least square support vector machine,LS-SVM)等,因此本研究尝试采用这3 种模式识别方法建立面片光谱与水分之间的联系。模型的预测能力的好坏采用校正集相关系数(RC)、预测集相关系数(RP)、交叉验证均方根误差(root mean square error of cross validation,RMSECV)、预测均方根误差(root mean square error of cross prediction,RMSECP)进行比较[25]。一般而言,RCRP值越接近于1,RMSECV和RMSEP越小,表示模型的预测性能越好。本实验所用模型都采用Matlab 2017软件建立,所用算法为本实验室自编。

1.3.6 水分分布图的制作

图2 高光谱技术对面片中水分含量进行分布可视化流程
Fig. 2 Schematic illustration for detection of moisture distribution in dough sheet by hyperspectral imaging

直观了解水分在面片内部的分布对于和面过程的监控具有重要意义。如图2所示,高光谱所采集到的面片信号为一个三维数据块,图像中每个像素点包含各个波段的光谱信息[26]。将提取到面片感兴趣区域的平均光谱与其水分含量实测值建立不同定量预测 模型,优选出最佳的模型作为含量预测模型。将待测样品的高光谱图像每个像素点的光谱信号代入到优选好的含量预测模型中得到待测样品图像中每个像素点的理论水分含量,以水分含量作为每个像素点的灰度值即可得到面片水分含量的灰度图。

1.3.7 面片水分均匀度的计算

1.3.7.1 DHI法测定面片水分均匀度

DHI法在计算组分均匀度时,采用移动式像元对图像进行分割[19]。首先设置初始像元大小及步长,像元的初始位置位于图像的左 上角,像元运动从上至下、从左至右依次增加设定步长大小的像素,直至覆盖到整副图像,在这个过程中,计算图像中所有像元块强度值(各像元块内所有像素点强度均值)的标准偏差。以像元块的边长为横坐标,像元块的标准偏差为纵坐标,绘制组分实际分布曲线。然后采用计算机模拟该组分在分布图中绝对均匀的状态,形成绝对分布均匀的模拟图,然后采用相同的数据处理方法同样以像元块边长为横坐标,像元块强度的标准偏差为纵坐标绘制绝对均匀状态下的随机分布曲线。最后采用积分法分别求取实际分布曲线下的面积SReal和随机分布均匀曲线下的面积SRandom,采用式(3)计算均匀度DHI,DHI数值越接近于1,表明面片中的水分分布越均匀。DHI法计算面片中水分均匀度的流程如图3所示。

1.3.7.2 面片水分均匀度计算

采用加水量35%、真空度0.08 MPa为和面工艺条件进行和面,分别在和面时间第5、10、15、20、25分钟处进行取样,按照1.3.1节方法进行面片的制作,其中每个和面时间点分别制作30 个样本,5 个时间点一共150 个样本。按照1.3.5节方法采用DHI法对面片水分均匀度进行计算。

2 结果与分析

2.1 光谱预处理结果

由图4可知,采用SNV、SG、MSC、1st DER、2nd DER 5 种预处理方法对采集到的618 个波长的光谱数据进行预处理,从5 种预处理方法处理后得到的曲线图降噪效果看,经过SNV处理后的光谱光滑程度明显优于其他4 种预处理,然而,实际判断一种预处理方式的合适与否不能仅从曲线的平滑程度判断,还应当综合考虑到模型的识别率。然后将预处理后的光谱分别建立PLSR模型,如表1所示,SNV处理后的光谱所建立模型的预测效果普遍优于其他4 种预处理方式。分析其原因,光谱采集的过程中,所选样本表面不平整,光照在各个部位的分布不均匀,导致存在着大量的噪声信号。而SNV在消除样本颗粒大小、散射或者光程引起的样本光谱误差效果较好。MSC虽然在校正散射方面较强,但在降噪方面略显不足。微分求导处理后的光谱曲线更加侧重的是确定吸收峰和肩峰的位置,提高光谱的灵敏度和光谱细节,而在降噪方面略显不足[27-28]。因此在后续的实验中均采用SNV作为光谱的预处理方式。

图3 DHI法原理
Fig. 3 Schematic illustration of the principle of DHI

图4 不同预处理后的面片光谱曲线
Fig. 4 Hyperspectral curves of dough sheet after being treated by different preprocessing methods

表1 不同预处理方式对水分定量模型的结果分析
Table 1 Validation parameters obtained for iPLSR models based on different spectral pretreatments

预处理方式因子数RMSECV/(g/g)RMSEP/(g/g) RC RP原始光谱 5 0.08 0.09 0.74 0.72 SNV 8 0.07 0.07 0.85 0.84 SG 15 0.08 0.08 0.83 0.83 MSC 11 0.08 0.08 0.85 0.83 1st DER 9 0.08 0.08 0.79 0.75 2nd DER 7 0.08 0.08 0.78 0.77

2.2 定量模型识别结果

表2 不同水分定量预测模型结果
Table 2 Validation parameters obtained for different quantitative prediction models for moisture contents

RMSEP/(g/g)iPLSR 15 0.97 0.01 0.96 0.01 BP-ANN 7 1.00 0.01 0.97 0.01 LS-SVM 7 0.99 0.01 0.98 0.01模型 PCs RC RMSECV/(g/g) RP

如表2所示,LS-SVM的预测效果优于BP-ANN和iPLSR,而BP-ANN预测模型的预测效果又优于iPLSR预测模型,当选择7为最佳主成分数时,LS-SVM模型的预测效果最佳,其中RC为0.99、RP为0.98、RMSECV为0.01、RMSECP为0.01。iPLSR预测模型相对于BP-ANN预测模型识别效果低的原因可能是由于内部算法的不足,iPLSR是基于区间光谱进行建模,模型的识别率与所选取的区间相关,区间选取较少会引起相关信息丢失,导致所建模型代表性不足;BP-ANN采用的是前几个最优主成分建立的非线性模型,通过误差反向传播的多层前馈网络,当输入不等于输出时则进行反向传播过程,直到网络的全局误差小于给定值后训练终止,然而这种模型过分的强调校正集误差,引起模型的泛化能力降低,尽管取得了较高的校正集识别率,但模型的整体预测能力不高。LS-SVM预测模型是在经典算法iPLSR和SVM上进行的改进,代替了经典SVM算法中复杂的二次优化问题获得支持向量,能够在少量的训练样本中进行高维特征空间学习,降低了模型的复杂度、提高了模型运算效率,与文献中经过优化的水分定量预测模型相比[29],校正集识别率较高。因此,在后续的计算中均采用LS-SVM定量模型进行运算。

2.3 水分均匀度计算结果

将面片高光谱图像中每一点的像素值代入至2.2节所优选的最佳水分定量预测模型LS-SVM中,得到了面片水分分布图。图5a为和面时间5 min时水分分布的灰度图,可以看出面片中水分含量变化范围在0.2~0.45 g/g之间。因为人眼在自然条件下对灰度色调的识别范围远低于彩色色调,为了更直观地辨别水分在面片中分布的细微含量变化,本研究在灰度图的基础上进行彩色编码得到了二维伪彩色图,如图5b所示,图中浅黄色代表水分含量较低的区域,深蓝色代表水分含量较高的区域。为了进一步直观观察出水分在面片中各个区域含量的高低情况,对重构出的二维分布伪彩色图进行了三维重构,如图5c所示,其中XY轴分别表示像元的坐标,Z轴表示水分含量值,不同颜色表示不同的水分含量,像元处像素点值的大小表示水分含量的多少,像素点值越大,则颜色越接近于深蓝,对应在空间中Z值越大。从图中可以清楚地看出水分的具体集中部位和分布情况。尽管这种方法清楚地观察到了水分的分布差异与含量变化情况,但是,当水分分布变化细微时,水分在分布图上变化差异较小,仅用肉眼无法区分这种微小的分布均匀度差异,这使得在生产过程中无法对面片水分分布均匀度做出精准判断,因此需要进一步用具体的分布均匀度数值表述分布的差异。

图5 面片水分分布图灰度图(a)、伪彩色图(bb)、三维伪彩色图(cc)
Fig. 5 Gray-scale image (a), pseudo color map (b), and 3D pseudo color map (c)

如表3所示,当和面时间为5 min时,面片水分均匀度DHI取得最大值2.21,表明此时水分在面片中的分布最不均匀;在和面时间为15 min时取得了最小的DHI值1.49,此时水分在面片中的分布最为均匀。而随着和面时间从5 min到25 min延长的过程中,DHI值减小,表明随着和面时间的延长,水分在面片中的分布由不均匀向均匀的状态演变。

表3 DHI法测定面片水分均匀度结果
Table 3 Measurement of water homogeneity of dough sheet by DHI

和面时间/min SReal SRandom DHI 5 19.02 8.60 2.21 10 14.25 8.12 1.76 15 8.90 5.95 1.49 20 13.56 8.68 1.56 25 11.94 7.25 1.65

3 结 论

本研究采用高光谱技术结合DHI法快速定量表征了挂面面片的水分分布均匀度。首先采集不同水分梯度面片的光谱信息,采用SNV、SG、MSC、1st DER、2nd DER 5 种不同的光谱预处理方法对光谱进行预处理除掉干扰信息,通过PLSR模型优选最佳预处理方式;然后结合国标法测定的面片水分实测值分别建立iPLSR、BP-ANN、LS-SVM 3 种定量预测模型,通过比较模型的RCRP、RMSECV、RMSECP优选最优预测模型,结合最优水分定量模型和高光谱可视化技术实现对面片中水分分布可视化;然后采用DHI法测定不同和面时间点面片中的水分分布均匀度。结果表明:采用SNV对光谱进行预处理得到的光谱信号能够有效减少噪声干扰,并显著提高了模型的精确度;在水分定量模型的选择中,LS-SVM模型的预测效果最佳,其中RC为0.99、RP为0.98、RMSECV为0.01、RMSECP为0.01;DHI法计算结果发现,和面时间为15 min时取得了最小的DHI值1.49,此时面片中的水分分布最为均匀,不同和面时间的面片水分分布均匀度数值与实际水分含量分布图的结果相对应,验证了高光谱结合DHI法对挂面面片水分分布均匀度表征的可行性。高光谱成像技术结合了光谱学分析技术的无损、快速、准确的特点和图像分析学技术的可视化、直观、便捷等优点[8,30-31],可实现食品中水分含量分布的可视化;同时,高光谱结合标准偏差法可以很好地解决单纯视觉描述无法定量表征分布差异的缺陷,从而为挂面和面工艺的自动化监控提供理论指导。

参考文献:

[1] 魏益民. 中华面条之起源[J]. 麦类作物学报, 2015, 35(7): 881-887.DOI:10.7606/j.issn.1009-1041.2015.07.01.

[2] 张健. 荞麦挂面的制作及其品质的研究[D]. 合肥: 安徽农业大学,2012: 11-18. DOI:10.7666/d.y2149900.

[3] 刘锐, 任晓龙, 邢亚楠, 等. 真空和面工艺对面条质量的影响及参数优化[J]. 中国粮油学报, 2015, 30(9): 6-12.

[4] 张芹. 挂面储藏过程中的品质变化研究[D]. 郑州: 河南工业大学,2011: 24-32.

[5] TYLEWICZ U, AGANOVIC K, VANNINI M, et al. Effect of pulsed electric field treatment on water distribution of freeze-dried apple tissue evaluated with DSC and TD-NMR techniques[J]. Innovative Food Science & Emerging Technologies, 2016, 37(C): 352-358.DOI:10.1016/j.ifset.2016.06.012.

[6] KERCH G, GLONIN A, ZICANS J, et al. A DSC study of the effect of ascorbic acid on bound water content and distribution in chitosanenriched bread rolls during storage[J]. Journal of Thermal Analysis &Calorimetry, 2012, 108(1): 73-78. DOI:10.1007/s10973-011-1485-x.

[7] AMODIO M L, CAPOTORTO I, CHAUDHRY M M A, et al. The use of hyperspectral imaging to predict the distribution of internal constituents and to classify edible fennel heads based on the harvest time[J]. Computers & Electronics in Agriculture, 2017, 134: 1-10.DOI:10.1016/j.compag.2017.01.005.

[8] 郭志明, 赵春江, 黄文倩, 等. 苹果糖度高光谱图像可视化预测的光强度校正方法[J]. 农业机械学报, 2015, 46(7): 227-232.DOI:10.6041/j.issn.1000-1298.2015.07.033.

[9] PU Y Y, SUN D W. Combined hot-air and microwave-vacuum drying for improving drying uniformity of mango slices based on hyperspectral imaging visualisation of moisture content distribution[J].Biosystems Engineering, 2017, 156: 108-119. DOI:10.1016/j.biosystemseng.2017.01.006.

[10] EINASRY G, SUN D W, ALLEN P. Near-infrared hyperspectral imaging for predicting colour, pH and tenderness of fresh beef[J].Journal of Food Engineering, 2012, 110(1): 127-140. DOI:10.1016/j.jfoodeng.2011.11.028.

[11] 石吉勇, 吴胜斌, 邹小波, 等. 高光谱技术融合平板菌落法同步计数酸奶中益生菌[J]. 食品科学, 2018, 39(24): 109-114. DOI:10.7506/spkx1002-6630-201824016.

[12] 张筱蕾, 刘飞, 聂鹏程, 等. 高光谱成像技术的油菜叶片氮含量及分布快速检测[J]. 光谱学与光谱分析, 2014, 34(9): 2513-2518.DOI:10.3964/j.issn.1000-0593(2014)09-2513-06.

[13] 丁希斌, 刘飞, 张初, 等. 基于高光谱成像技术的油菜叶片SPAD值检测[J]. 光谱学与光谱分析, 2015, 35(2): 486-491. DOI:10.3964/j.is sn.1000-0593(2015)02-0486-06.

[14] 石吉勇, 邹小波, 赵杰文, 等. 高光谱图像技术检测黄瓜叶片的叶绿素叶面分布[J]. 分析化学, 2011, 39(2): 243-247. DOI:10.3724/SP.J.1096.2011.00243.

[15] 孙佳馨. 农产品外部品质无损检测中高光谱成像技术的应用研究进展[J]. 科学技术创新, 2014, 27: 31. DOI:10.3964/j.is sn.1000-0593(2011)08-2021-06.

[16] 张保华, 李江波, 樊书祥, 等. 高光谱成像技术在果蔬品质与安全无损检测中的原理及应用[J]. 光谱学与光谱分析, 2014, 34(10): 2743-2751. DOI:10.3964/j.issn.1000-0593(2014)10-2743-09.

[17] RAJKUMAR P, WANG N, EIMASRY G, et al. Studies on banana fruit quality and maturity stages using hyperspectral imaging[J].Journal of Food Engineering, 2012, 108(1): 194-200. DOI:10.1016/j.jfoodeng.2011.05.002.

[18] KAMRUZZAMAN M, ELMASRY G, SUN D W, et al. Prediction of some quality attributes of lamb meat using near-infrared hyperspectral imaging and multivariate analysis[J]. Analytica Chimica Acta, 2012,714(3): 57-67. DOI:10.1016/j.aca.2011.11.037.

[19] SACR P Y, LEBRUN P, CHAVEZ P F, et al. A new criterion to assess distributional homogeneity in hyperspectral images of solid pharmaceutical dosage forms[J]. Analytica Chimica Acta, 2014,818(25): 7-14. DOI:10.1016/j.aca.2014.02.014.

[20] 周璐薇. 基于近红外化学成像技术的固体制剂组分分布均匀度评价方法学研究[D]. 北京: 北京中医药大学, 2015: 21-28.

[21] 任素民. 面粉对挂面品质影响研究[J]. 粮食与食品工业, 2018(4):42-44.

[22] 魏益民, 王振华, 于晓磊, 等. 挂面干燥过程水分迁移规律研究[J].中国食品学报, 2017, 17(12): 7-18. DOI:10.16429/j.1009-7848.2017.12.001.

[23] ZHANG C, LIU F, KONG W, et al. Application of visible and nearinfrared hyperspectral imaging to determine soluble protein content in oilseed rape leaves[J]. Sensors, 2015, 15(7): 16576-16588.DOI:10.3390/s150716576.

[24] RAVIKANTH L, SINGH C B, JAYAS D S, et al. Classification of contaminants from wheat using near-infrared hyperspectral imaging[J]. Biosystems Engineering, 2015, 135: 73-86. DOI:10.1016/j.biosystemseng.2015.04.007.

[25] IQBAL A, SUN D W, ALLEN P. Prediction of moisture, color and pH in cooked, pre-sliced turkey hams by NIR hyperspectral imaging system[J]. Journal of Food Engineering, 2013, 117(1): 42-51.DOI:10.1016/j.jfoodeng.2013.02.001.

[26] ZOU X B, ZHAO J W, HOLMES M, et al. Independent component analysis in information extraction from visible/near-infrared hyperspectral imaging data of cucumber leaves[J]. Chemometrics &Intelligent Laboratory Systems, 2010, 104(2): 265-270. DOI:10.1016/j.chemolab.2010.08.019.

[27] 程丽娟, 刘贵珊, 何建国, 等. 灵武长枣蔗糖含量的高光谱无损检测[J].食品科学, 2019, 40(10): 293-299. DOI:10.7506/spkx1002-6630-20180508-119.

[28] 何洪巨, 胡丽萍, 李武, 等. 基于可见/近红外高光谱成像技术的西甜瓜糖度检测[J]. 中国食物与营养, 2016, 22(10): 53-57. DOI:10.3969/j.issn.1006-9577.2016.10.012.

[29] 杨玉清, 张甜甜, 李军会, 等. 近红外高光谱的活体玉米叶片水分成像研究[J]. 光谱学与光谱分析, 2018, 38(12): 97-101. DOI:10.3964/j.issn.1000-0593(2018)12-3743-05.

[30] 王轩. 高光谱成像技术在食品品质无损检测中的应用初探[J]. 食品安全导刊, 2018(3): 109-110.

[31] 单佳佳, 彭彦昆, 王伟, 等. 基于高光谱成像技术的苹果内外品质同时检测[J]. 农业机械学报, 2011, 42(3): 140-144. DOI:10.3969/j.issn.1000-1298.2011.03.027.

Rapid Quantitative Characterization of Water Distribution Uniformity of Noodle Dough Sheet

SHI Jiyong, LIU Chuanpeng, WU Shengbin, HUANG Xiaowei, LI Zhihua, ZOU Xiaobo*
(Department of Food and Biological Engineering, Jiangsu University, Zhenjiang 212013, China)

Abstract: This study aimed to rapidly and quantitatively characterize subtle changes in the water distribution uniformity of noodle dough sheet by hyperspectral imaging technology combined with distributional homogeneity index (DHI) method.Firstly, noodle dough sheets with different water content gradients were set up, and different spectral pretreatment methods and pattern recognition methods were used to establish water prediction models. Then, visualization of the water content distribution in dough sheet was achieved using hyperspectral imaging technology. Finally, DHI was used to quantitatively characterize the water distribution uniformity in dough sheet at different mixing times. The results showed that the model constructed by least-squares support-vector machine (LS-SVM) based on spectra pre-processed by standard normal variate(SNV) had the best prediction performance. The water distribution was the most uniform when the dough mixing time was 15 min. This study veri fied the feasibility of using hyperspectral imaging technology combined with DHI for measuring the water distribution homogeneity of dough sheet, which would provide a theoretical guidance for the automatic monitoring of the noodle dough mixing process.

Keywords: hyperspectral; dough sheet; water distribution homogeneity; distributional homogeneity index;automatics monitoring

收稿日期:2019-07-01

基金项目:国家自然科学基金面上项目(31772073;31671844);江苏省重点研发计划项目(BE2016306);江苏省六大人才高峰项目(GDZB-016)

第一作者简介:石吉勇(1984—)(ORCID: 0000-0002-4073-8304),男,教授,博士, 研究方向为 食品品质与安全无损检测技术。E-mail: shi_jiyong@ujs.edu.cn

*通信作者简介:邹小波(1974—)(ORCID: 0000-0001-5179-7025),男,教授,博士,研究方向为农产品、食品品质与安全无损检测。E-mail: zou_xiaobo@ujs.edu.cn

DOI:10.7506/spkx1002-6630-20190701-016

中图分类号:O657.3

文献标志码:A

文章编号:1002-6630(2020)16-0138-07

引文格式:石吉勇, 刘传鹏, 吴胜斌, 等. 挂面面片水分分布均匀度的快速定量表征[J]. 食品科学, 2020, 41(16): 138-144.DOI:10.7506/spkx1002-6630-20190701-016. http://www.spkx.net.cn

SHI Jiyong, LIU Chuanpeng, WU Shengbin, et al. Rapid quantitative characterization of water distribution uniformity of noodle dough sheet[J]. Food Science, 2020, 41(16): 138-144. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20190701-016. http://www.spkx.net.cn