近红外光谱法快速检测饮料中的食用合成色素

田 晶，李巧玲*

近红外光谱法快速检测饮料中的食用合成色素

田 晶，李巧玲*

（河北科技大学生物科学与工程学院，河北 石家庄 050018）

以光谱扫描范围为1 100～1 650 nm，分辨率为0.2 nm，通过对不同质量浓度的日落黄、柠檬黄、胭脂红和苋菜红溶液扫描，得到的原始光谱图经过一阶导数、二阶导数等方法进行预处理。然后通过修正的最小二乘（modified partial least square，MPLS）法结合变量标准化且去散射处理的光谱预处理手段建立相关的MPLS模型。最后利用所建模型，对饮料中的食用合成色素含量进行预测。预测相关系数最高可达0.991，预测标准差最低为0.009%，相对分析误差最大为3.51。结果表明，近红外光谱可作为一种简单、快速、无损、可靠的方法用于检测饮料中的食用合成色素。

近红外光谱；饮料；食用合成色素；检测

近些年，随着经济和科技的发展，准许使用的合成色素越来越多，而且使用的范围也在逐年扩大[1]。食用色素已被广泛应用在糕点、饮料、糖果、制造酒、冰淇淋等各种食品的着色上。尽管国家对每种色素的添加量与添加范围均做了明确规定，但仍然有许多不法商家为了增加食品的诱人色泽或掩盖一些产品的不良感官而滥用食用色素。

目前，食用色素的检测方法主要有：毛细管电泳法[2]、高效液相色谱法[3-4]、超高效液相色谱法[5]、离子对色谱法[6]、高效液相色谱-质谱联用法[7]、极谱法、紫外分光光度法等[8-11]，这些检测方法通常需要对样品进行预处理，存在耗时长、检测程序复杂、实验数据处理繁琐等问题[12]。近红外光谱分析技术不同于上述有损检测手段，一般通过化学计量法抽取所需要的特征信息对物质成分进行预测，不需要对样品进行溶解、稀释、去除基体干扰等过程，也不需要使用特殊的溶剂溶解被测物质，因此，无有害物质对周围环境造成的任何污染。它的主要优点是，检测所需时间极短，检测程序和实验数据处理简单，检测费用低廉，可以很好的满足普通消费者对产品色素使用安全信息的快速检测要求，是一种无损产品检测的方法。近红外光谱技术在果汁饮料中的应用多集中于对果汁含量、品种及掺伪等方面的检测[13-20]，在合成色素方面的研究较少[21]。本研究拟结合文献[22-28]，探索用近红外光谱检测饮料中最常添加的食用合成色素的含量。

1 材料与方法

1.1 材料与试剂

橙味饮料、葡萄味饮料、白砂糖 市购；柠檬酸、日落黄、柠檬黄、胭脂红、苋菜红标准品（纯度＞99.0%） 河北省食品质量监督检验研究院。

1.2 仪器与设备

NIRSTMDA1650近红外光谱仪（配有Mosic和WinISI II软件，带有样品杯和金箔杯） 丹麦Foss公司；AL204万分之一电子天平 梅特勒-托利多仪器（上海）有限公司；PTD-20-3超纯水制备仪 上海力新仪器有限公司；PB-10型pH计 德国赛多利斯集团。

1.3 方法

1.3.1 色素标准溶液的配制

母液的配制：称取白砂糖100 g用超纯水溶解，并用柠檬酸调节pH值，定容至1 000 mL的容量瓶中，配制成糖质量分数为10%、pH 3.60左右的溶液备用。配制此母液5 份，备用。

标准溶液的配制：准确称取日落黄和柠檬黄各0.1 g，胭脂红和苋菜红各0.05 g，分别用母液定容至50 mL的容量瓶中，作为基准溶液。取上述各不同量基准溶液，分别用母液稀释后定容至10 mL容量瓶中，配制成不同质量浓度的标准溶液75 份，用于近红外光谱扫描。

4 种食用合成色素混合标准溶液的配制：依据GB 2760—2014《食品添加剂使用标准》中食品添加剂的使用规定，食品添加剂（相同色泽着色剂、防腐剂、抗氧化剂）在混合使用时，各自用量占其最大使用量的比例之和不应超过1[1]的原则，准确量取不同质量浓度的日落黄、柠檬黄、胭脂红和苋菜红的基准溶液，分别用母液稀释后定容至10 mL的容量瓶中，配制成含日落黄、柠檬黄、胭脂红和苋菜红不同质量浓度的标准溶液75 份，其质量浓度范围分别为5～100、5～100、2～50 mg/L和2～50 mg/L，用于近红外光谱扫描。

1.3.2 光谱数据的采集

将不同质量浓度的日落黄、柠檬黄、胭脂红和苋菜红色素溶液大约2 mL小心倒入近红外分析仪的样品杯中，盖上反射板，防止光从样品中溢出。光谱采集过程中环境温度保持在25 ℃，仪器工作参数为：光谱扫描范围1 100～1 650 nm，分辨率0.2 nm，每份样品重复采谱3 次，每次扫描时样品要求重新装样，保持装样的均一性，取平均漫反射吸光度光谱作为实验数据。

1.3.3 所建模型对饮料中色素含量测定

将所测饮料倒入烧杯中进行水浴加热除气，直到没有残留气体，冷却到室温后，用建立的近红外光谱模型进行测定。并将此结果与GB 5009.35—2016《食品中合成着色剂的测定》[32]进行比较。

1.4 数据处理

利用WinISI Ⅱ软件对采集得到的近红外光谱图进行一阶导数、二阶导数、标准正态变量交换（standard normal variate，SNV）和多元散射校正（multiplication scatter correction，MSC）等几种光谱预处理方法的效果进行比较。应用修正的最小二乘（modified partial least square，MPLS）法、偏最小二乘（partial least square，PLS）法和主成分回归（principle component regression，PCR）法3 种数学校正方法分别建立数学模型。用模型相关系数R、交互验证标准误差（standard error of cross validation，SECV）、校正标准差（standard error of calibration，SEC）作为模型精度评价指标，用预测相关系数（correlation coefficient of prediction，Rp）、预测标准差（standard error of prediction，SEP）和相对分析误差（standard deviation ratio，SDR）检验模型的准确度[29-31]。一般情况下，R值越大，SECV和SEC值越小，模型的精度越高。Rp值越大，SEP和SDR值越小，表明模型的预测性能越好。

2 结果与分析

2.1 校正集和验证集样品的确立

不同质量浓度的日落黄、柠檬黄、胭脂红、苋菜红及4 种合成色素的混合标准溶液各75 份。按照校正集和验证集比例为2∶1的关系，从不同质量浓度的各溶液中随机选出50 个样品作校正集样品，余下25 个样品组成独立验证集。

2.2 近红外光谱图的预处理

近红外光谱采集时，会产生许多基线漂移、光散射和高频随机噪声等噪声信息，这些噪声信息会干扰光谱信息与样本内有效成分，因此对原始光谱进行预处理是十分必要的。导数处理、MSC、SNV等是最常用的预处理方法。导数处理可以提供比原光谱更高的分辨率和更清晰的光谱轮廓变化，也可以消除基线漂移或平缓背景干扰的影响。SNV和MSC可以有效地消除散射影响，增强了与成分含量相关的光谱吸收信息[25]。

图1 样本（A）、一阶导数处理后（B）和二阶导数处理后（C）日落黄溶液近红外光谱图Fig. 1 Original, first derivative and second derivative NIR spectra of sunset yellow solution

图2 样本（A）、一阶导数处理后（B）和二阶导数处理后（C）4 种合成色素混合溶液的近红外光谱图Fig. 2 Original, first derivative and second derivative NIR spectra of another four synthetic pigments

由图1A可知，在波长1 370～1 520 nm范围里包含着日落黄溶液的吸收信息，光谱图在波长1 450 nm处有最大吸光度。由于原始光谱图本身包含信息量过少，仪器或其他噪声对光谱图影响过大，需通过一阶导数和二阶导数对光谱进行预处理。如图1B、C所示，其中导数计算处理采用光谱点间隔数为4，平滑处理间隔点也为4，不做二次平滑处理。由图1B可知，在波长1 390 nm有明显的波谷，在波长1 480 nm有明显的波峰。由图1C可知，从波长1 370～1 510 nm区间与图1A、B有着明显的差异性，包含的信息更为丰富，共有3 处波峰、波谷。

图2与图1相似，不同质量浓度柠檬黄、胭脂红和苋菜红溶液的近红外光谱图、一阶导数和二阶导数与图1相似，在此不再一一列出。

2.3 预测模型的建立

为了建立最优饮料中日落黄、柠檬黄、胭脂红和苋菜红的预测模型，应当评估不同的数学处理技术和散射校正方法对模型的影响，选出最佳的预测模型。本研究对6 种预处理方法与3 种统计数学校正方法相结合建立数学模型并进行分析对比，以相关系数R、SEC和SECV作为评价指标，用WinISI Ⅱ分析软件对于测量数据和光谱图进行分析，用于优选出预测能力强的预测模型。表1～3分别为不同光谱预处理的日落黄溶液的MPLS、PLS和PCR的模型对比。

表1 不同光谱预处理方法得到的日落黄MPLS模型精确性Table 1 Influences of different spectral pretreatment methods on the accuracy of MPLS model for sunset yellow

由表1可知，不同质量浓度日落黄溶液的最佳预测模型的光谱预处理方法为SNV去散射。经过此种光谱的预处理，能够有效地消除基线平移，减弱甚至消除光谱图中的噪声对光谱图的影响，相关系数达到0.941 7，SEC和SECV相对较小，分别为0.008 4和0.012 7。

表2 不同光谱预处理的日落黄PLS模型精确性Table 2 Influence of different spectral pretreatment methods on the accuracy of PLS model for sunset yellow

由表2可知，在所有的预处理方法中，SNV去散射预处理法的相关系数最高，SEC最小，而一阶导数预处理法中的SECV更低。但综合来看，在使用PLS作为回归方法时，SNV去散射仍然是最为合适的光谱前处理方法。PLS模型也能较为有效地消除基线平移和减弱噪声，但其相关系数R、SEC和SECV均不如MPLS模型。

表3 不同光谱预处理的日落黄PCR模型精确性Table 3 Influence of different spectral pretreatment methods on the accuracy of PCR model for sunset yellow

由表3可知，与整体PCR模型效果的情况相比，MPLS和PLS的相关系数均稍微高一些。在所有预处理方法中SNV去散射的相关系数仍为最高，原始光谱的SEC最小，一阶导数的SECV最小。

综上，可得MPLS结合SNV去散射为适宜模型处理方法，模型的相关系数最高可达0.941 7，所建模型对样品的预测结果较好，能够满足快速检测的实际需要。

通过对不同光谱预处理的胭脂红、柠檬黄、苋菜红溶液的MPLS、PLS和PCR模型的对比，发现MPLS结合SNV去散射所建模型的综合处理效果要优于其他模型，因此决定将MPLS结合SNV去散射的模型处理方法用于处理由不同质量浓度日落黄、胭脂红、柠檬黄和苋菜红混合而成的4 种色素溶液，结果如表4所示。

4 种色素的混合溶液在用SNV去散射的预处理后，利用MPLS建立的模型中，柠檬黄色素的结果最好，其相关系数R最高达到0.943 8，SEC为0.000 3，SECV为0.000 4；日落黄次之，其相关系数R为0.941 6；胭脂红和苋菜红的相关系数虽然与柠檬黄和日落黄相比较低，但都在0.93以上。

表4 4 种色素的混合溶液经过SNV去散射预处理后的MPLS模型结果Table 4 Evaluation of MPLS models developed after SNV detrending pretreatment for four synthetic pigments

表4 4 种色素的混合溶液经过SNV去散射预处理后的MPLS模型结果Table 4 Evaluation of MPLS models developed after SNV detrending pretreatment for four synthetic pigments

成分 相关系数R SEC SECV柠檬黄 0.943 8 0.000 3 0.000 4日落黄 0.941 6 0.000 5 0.002 9胭脂红 0.937 0 0.004 7 0.006 6苋菜红 0.938 2 0.002 8 0.004 2

2.4 模型验证

为了验证模型的稳定性与重复性，利用MPLS结合SNV去散射的最优近红外模型，对验证集的25 个不同质量浓度的混合色素样本溶液中的各色素质量浓度进行预测，结果如表5所示。Rp最高为0.991，SEP最低为0.009%，SDR最大为3.51，说明近红外光谱预测值与不同色素的实测值具有极显著的相关性，所建定量模型有良好的预测性能。

表5 经过SNV去散射预处理后的MPLS模型验证结果Table 5 Validation of MPLS models developed after SNV detrending pretreatment

表5 经过SNV去散射预处理后的MPLS模型验证结果Table 5 Validation of MPLS models developed after SNV detrending pretreatment

成分 样品数 Rp SEP/% SDR柠檬黄 25 0.991 0.009 1.51日落黄 25 0.985 0.017 2.19胭脂红 25 0.971 0.022 3.51苋菜红 25 0.978 0.028 2.97

2.5 所建模型对饮料中合成色素含量的测定

利用建立的最优模型对除气后的2 种饮料进行测定。葡萄味饮料的配料表中标示的着色剂是胭脂红、柠檬黄和日落黄；橙味饮料的配料表中标示的着色剂是柠檬黄和苋菜红。将该法测得的数据与GB 5009.35—2016测得数据进行比较，检测结果如表6所示。近红外光谱法比国标法测得的结果数值略高，但在误差范围内。分析可能原因为：近红外光谱法不需要对样品进行破坏性处理，样品中合成色素的损失较少，故数值略高，但具体原因还有待于进一步探讨。

表6 葡萄味和橙味饮料中色素含量Table 6 Comparative determination of pigment contents in grapeflavored and grape-flavored beverages by NIR spectroscopy and the national standard method

3 结 论

采用近红外光谱技术结合统计数学处理方法构建饮料中食用合成色素的预测模型。采用一阶导数、二阶导数、SNV和MSC等光谱的预处理方法消除基线漂移、光散射和高频随机噪声等噪声信息对光谱信息的影响。应用MPLS、PLS和PCR 3种统计数学处理方法同光谱的预处理方法相结合分别建立数学模型。通过对比发现MPLS法结合SNV且去散射处理的光谱预处理手段建立的MPLS模型最优。其Rp最高可达0.991，SEP最低为0.009%，SDR最大为3.51。利用此模型可以较为精确地进行饮料中食用合成色素的快速无损检测。

[1] 国家卫生和计划生育委员会. 食品添加剂使用标准: GB 2760—2014[S]. 北京: 中国标准出版社, 2014: 4-105.

[2] 巫素琴, 温亚波, 邹兰, 等. 毛细管电泳法测定饮料中色素含量的研究[J]. 湛江师范学院学报, 2009, 30(6): 73-77. DOI:10.3969/j.issn.1006-4702.2009.06.018.

[3] 范文锐, 吴青, 劳扬, 等. 高效液相色谱法同时测定食品中的7 种非食用色素[J]. 分析化学, 2012, 40(2): 292-297. DOI:10.3724/SP.J.1096.2012.10288.

[4] 王宏伟, 于同月, 李莎莎, 等. 高效液相色谱法测定食品中的日落黄和柠檬黄[J]. 中国食品添加剂, 2013(6): 190-194. DOI:10.3969/j.issn.1006-2513.2013.06.025.

[5] 张婉, 王覃, 杜宁, 等. 超高效液相色谱法同时测定饮料中5 种人工合成色素[J]. 食品科学, 2011, 32(4): 177-180.

[6] DE ANDRADE F I, FLORINDO G M I. Determination of synthetic food dyes in commercial soft drinks by TLC and ionpair HPLC[J]. Food Chemistry, 2014, 157: 193-198. DOI:10.1016/j.foodchem.2014.01.100.

[7] DIACU E. Colors: properties and determination of synthetic pigments[J]. Encyclopedia of Food and Health, 2016: 284-290.DOI:10.1016/B978-0-12-384947-2.00191-4.

[8] 宋丹萍, 张宏, 李琪. 国内外食用色素标准的比较及检测方法的研究进展[J]. 食品科学, 2014, 35(3): 295-300. DOI:10.7506/spkx1002-6630-201403058.

[9] 郑学殷, 黄少漫, 李洪燕. 饮料中食用色素的检测方法研究[J]. 饮料工业, 2012, 16(1): 33-35. DOI:10.3969/j.issn.1007-7871.2013.01.008.

[10] FRANQUELO M L, PEREZ-RODRIGUEZ J L. A new approach to the determination of the synthetic or natural origin of red pigments through spectroscopic analysis[J]. Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy, 2016, 166: 103-111.DOI:10.1016/j.saa.2016.04.054.

[11] SHEN Y, ZHANG X, PRINYAWIWATKUL W, et al. Simultaneous determination of red and yellow artificial food colourants and carotenoid pigments in food products[J]. Food Chemistry, 2014, 157:553-558. DOI:10.1016/j.foodchem.2014.02.039.

[12] ZHAO J, YAO P, YU Z G, et al. Orthogonal design for optimization of pigment extraction from surface sediments of the Chang Jiang River estuary[J]. Acta Oceanological Sinaic, 2011, 30(4): 33-42.DOI:10.1007/s13131-011-0131-6.

[13] 谷如祥, 赵武奇, 石珂心, 等. 近红外光谱测定苹果饮料中原果汁含量[J]. 食品工业科技, 2013, 34(20): 75-77. DOI:10.13386/j.issn1002-0306.2013.20.020.

[14] 谷如祥. 苹果汁品质近红外光谱检测技术研究[D]. 西安: 陕西师范大学, 2014.

[15] 唐长波. 近红外光谱法快速检测苹果浓缩汁中的富马酸[D]. 杨凌:西北农林科技大学, 2007.

[16] ROUSSEL S, BELLON-MAUREL V, GRENIER P, et al.Authenticating white grape must variety with classification models based on aroma sensors, FT-IR and UV spectrometry[J]. Journal of Food Engineering, 2004, 60(4): 407-419. DOI:10.1016/S0260-8774(03)00064-5.

[17] REID L M, WOODCOCK T, O’ DOMMELL C P, et al.Differentiation of apple juice samples on the basis of heat treatment and variety using chemometric analysis of MIR and NIR data[J].Food Research International, 2005, 38(10): 1109-1115. DOI:10.1016/j.foodres.2005.03.005.

[18] CHEN J Y, ZHANG H, MATSUNAGA R. Rapid determination of the main organic acid composition of raw Japanese apricot fruit juices using near-infrared spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2006, 54(26): 7437-7452. DOI:10.1021/jf061461s.

[19] LEON L, KELLY J D, DOWNEY G. Detection of apple juice adulteration using near-infrared transilectance spectroscopy[J]. Apple Spectroscopy,2005, 59(5): 593-599. DOI:10.1366/0003702053945921.

[20] 刘红, 张明, 姜明洪, 等. 近红外光谱技术在饮料中的应用研究[J]. 饮料工业, 2017, 20(1): 69-73. DOI:10.3969/j.issn.1007-7871.2017.01.023.

[21] 李积慧, 杜国荣, 康俊, 等. 阴离子交换树脂结合近红外漫反射光谱测定碳酸饮料中日落黄[J]. 分析化学, 2011, 39(6): 898-901.DOI:10.3724/SP.J.1096.2011.00898.

[22] 任广鑫, 范起业, 何鑫, 等. 近红外光谱(NIRS)技术在茶叶领域研究中的应用与展望[J]. 中国茶叶加工, 2013(1): 24-29. DOI:10.15905/j.cnki.33-1157/ts.2013.01.008.

[23] 苏东林, 李高阳, 何建新, 等. 近红外光谱分析技术在我国大宗水果品质无损检测中的应用研究进展[J]. 食品工业科技, 2012, 33(6):460-464. DOI:10.13386/j.issn1002-0306.2012.06.109.

[24] ZHANG K, XU Y J, JOHNSON L, et al. Development of near-infrared spectroscopy models for quantitative determination of cellulose and hemicellulose contents of big bluestem[J]. Renewable Energy, 2017,109: 101-109. DOI:10.1016/j.renene.2017.03.020.

[25] DE MARCHI M, MANUELIAN C L, TON S, et al. Prediction of sodium content in commercial processed meat products using near infrared spectroscopy[J]. Meat Science, 2017, 125: 61-65.DOI:10.1016/j.meatsci.2016.11.014.

[26] LI S, ZHANG X, SHAN Y, et al. Qualitative and quantitative detection of honey adulterated with high-fructose corn syrup and maltose syrup by using near-infrared spectroscopy[J]. Food Chemistry, 2017, 218:231-236. DOI:10.1016/j.foodchem.2016.08.105.

[27] 孙柏玲, 刘君良, 柴宇博. 基于近红外光谱和偏最小二乘法的慈竹纤维苏结晶度预测研究[J]. 光谱学与光谱分析, 2011, 31(2):366-369. DOI:10.3964/j.issn.1000-0593(2011)02-0366-05.

[28] KUCHERYAVSKIY S, LOMBORG C J. Monitoring of whey quality with NIR spectroscopy-a feasibility study[J]. Food Chemistry, 2015,176: 271-277. DOI:10.1016/j.foodchem.2014.12.086.

[29] 汤修映, 牛力钊, 徐杨, 等. 基于可见/近红外光谱技术的牛肉含水率无损检测[J]. 农业工程学报, 2013, 29(11): 248-253. DOI:10.3969/j.issn.1002-6819.2013.11.032.

[30] 李民赞. 光谱分析技术及其应用[M]. 北京: 科学出版社, 2002.

[31] 张晓伟, 王加华, 王昌禄, 等. 基于近红外光谱技术检测红曲米中的红曲色素[J]. 现代食品科技, 2014, 30(5): 273-279. DOI:10.13982/j.mfst.1673-9078.2014.05.008.

[32] 国家卫生和计划生育委员会. 食品中合成着色剂的测定: GB 5009.35—2016[S]. 北京: 中国标准出版社, 2016: 1-6.

Rapid Determination of Synthetic Pigments in Fruit-Flavored Beverage by Near Infrared Spectroscopy

TIAN Jing, LI Qiaoling*
(College of Bioscience and Bioengineering, Hebei University of Science and Technology, Shijiazhuang 050018, China)

A rapid method based on near infrared (NIR) spectroscopy was developed for the determination of synthetic pigments in fruit-flavored beverage. NIR spectra of sunset yellow, tartrazine, ponceau 4R and amaranth solutions at different concentrations were recorded in the wavenumber range of 1 100–1 650 nm at a 0.2 nm interval, respectively and preprocessed by first derivative and second derivative. The modified partial least square (MPLS) regression models were established after spectral preprocessing by standard normal variate (SNV) + detrending and applied to predict the synthetic pigment contents in beverage. The results showed that the maximum correlation coefficient of prediction (Rp) was 0.991,the minimum standard error of prediction (SEP) was 0.009%, and the maximum standard deviation ratio (SDR) was 3.51.Accordingly, NIR spectroscopy can be used as a simple, rapid, nondestructive and reliable method to determine the contents of synthetic pigments in beverage.

near infrared spectroscopy; fruit-flavored beverage; synthetic food pigments; determination

10.7506/spkx1002-6630-201802046

TS207.3

A

1002-6630（2018）02-0293-05

田晶, 李巧玲. 近红外光谱法快速检测饮料中的食用合成色素[J]. 食品科学, 2018, 39(2): 293-297.

10.7506/spkx1002-6630-201802046. http://www.spkx.net.cn

TIAN Jing, LI Qiaoling. Rapid determination of synthetic pigments in fruit-flavored beverage by near infrared spectroscopy[J]. Food Science, 2018, 39(2): 293-297. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-201802046. http://www.spkx.net.cn

2017-05-27

河北省科技计划项目（15455507D）；河北科技大学五大平台开放基金项目（SW04）

田晶（1992—），女，硕士研究生，研究方向为食品安全与检测。E-mail：1035959330@qq.com

*通信作者简介：李巧玲（1973—），女，教授，博士，研究方向为食品安全与检测。E-mail：lql98119@126.com