本发明属于光谱分析技术领域，具体涉及一种检测花生仁食用感官品质的方法。
背景技术
花生是世界上主要油料作物之一，也是优质植物油和高消化率蛋白质的重要来源，营养价值丰富，素有“长生果”的美誉。炒制或烤制的花生果、花生仁，是深受消费者喜爱的食品。随着我国经济高速发展，人民生活水平不断提高，花生作为日常消遣食品的消费量逐年增多，对花生食用感官品质的要求也越来越高。
迄今我国对花生营养品质、加工品质和出口品质已进行了大量研究，但对花生感官品质的研究则较少，且主要集中于风味物质提取。但是花生风味物质成分复杂，对单一风味物质的研究不能替代食用品质的感官评价。
近红外技术已应用于多个作物的品质改良，在花生上已成功建立了能准确预测油酸、脂肪、蛋白含量的近红外模型，但针对花生食用感官评价的近红外模型迄今未见报道。
技术实现要素：
本发明目的是建立一种检测花生仁食用感官品质的方法，对生熟两种花生仁的甜味、细腻度和脆性进行准确分析。
为了实现上述目的，本发明的技术方案如下：
一种检测花生仁食用感官品质的方法，是对待测花生仁进行近红外扫描，将扫描后的光谱导入构建的花生仁甜味、细腻度和脆性近红外光谱模型中，经分析获得花生仁的食用感官品质。
在上述方案的基础上，所述花生仁甜味、细腻度和脆性近红外光谱模型由以下方法构建而成：
(1)收集不同品种的花生样品，日光干燥；
(2)收集上述花生样品的近红外光谱信息；
(3)检测所有花生样品的甜味、细腻度和脆性的实测值；
(4)分别对花生样品的甜味、细腻度和脆性的实测值和(2)中采集的近红外光谱数据进行拟合光谱处理，用偏最小二乘法优化建立模型，反复采用内部交叉验证剔除奇异点，通过比较样品预测值与实测值的决定系数(r2)和标准差(rmsecv)衡量模型质量，筛选最佳模型；
(5)验证模型的准确性。
在上述方案的基础上，所述近红外光谱扫描参数为：扫描谱区范围4000～12000cm-1，扫描次数64次，分辨率8cm-1。
在上述方案的基础上，所述花生样品的实测值采用人工感官实测获取，获取方式为：
①选取重复能力、识别能力强的7人组成感官品质评定小组；
②将花生样品按随机区组设计重新标号，每份样品每人品尝3-5粒，根据生熟花生感官评价指标及计分标准对生、熟花生感官评价指标逐项打分，并作记录；
③每品尝完一个样品后，用温开水漱口，再品尝下一个样品；
④对数据进行汇总，计算得出各品种花生的食用感官品质的实测值；
其中，所述生熟花生感官评价指标及计分标准为：
在上述方案的基础上，所述花生样品为：
花育20号、花育25号、花育31号、花育32号、花育33号、花育41号、花育44号、花育56号、花育61号、花育661、花育662、花育663、花育664、花育666、花育667、花育951、花育961、花育9611、花育9612、花育9613、花育9614、花育9615、花育9616、花育9617、花育9618、花育962、花育963、花育964、花育965、花育966、花育967。
在上述方案的基础上，所述花生样品的甜味、细腻度和脆性的实测值为：
所述花生样品的甜味、细腻度和脆性的预测值为：
在上述方案的基础上，所述生花生脆性模型的最佳光谱预处理方法为“一阶导数+多元散射矫正”，谱区范围为7506～4242.8cm-1，维数为8，模型的r2为83.6，rmsecv为0.227；
所述生花生甜味模型的最佳光谱预处理方法为“一阶导数+多元散射矫正”，谱区范围为7506～5446.3cm-1，4605.4～4242.8cm-1，维数为8，模型的r2为89.02，rmsecv为0.137；
所述生花生细腻度模型的最佳光谱预处理方法为“一阶导数+多元散射矫正”，谱区范围为11988～6094.3cm-1，5454～4242.8cm-1，维数为7，模型的r2为90.92，rmsecv为0.102；
所述熟花生脆性模型的最佳光谱预处理方法为“一阶导数+多元散射矫正”，谱区范围为7506～6472.3cm-1，4605.4～4242.8cm-1，维数为8，模型的r2为88.29，rmsecv为0.161；
所述熟花生细腻度模型的最佳光谱预处理方法为“一阶导数+多元散射矫正”，谱区范围为11988～7498.3cm-1，4605.4～4242.8cm-1，维数为6，模型的r2为76.97，rmsecv为0.154。
在上述方案的基础上，所述近红外光谱扫描，每个样品30-50粒，重复扫描3次，并且第二次和第三次扫描时要将花生倒出重新装入样品杯中，以得到同一样品的多个近红外光谱。
本发明的有益效果：
1、本发明获得的信息直观可靠，实用性强，受环境影响小，便于普及；
2、实现了花生感官品质的快速检测，常规的花生感官品质的检测，耗时长，而近红外检测只需要3-4秒；
3、实现了花生感官品质的无损检测，常规的花生感官品质的检测需要多人品尝，检测样品即被消耗，而近红外检测可对整粒花生进行无损检测；
4、对花生主要感官品质进行分析，建立了生花生的脆性、细腻度和甜味，烤熟花生的脆性和细腻度的测试方法，通过本发明的模型分析，得到的结果客观、精密；
5、本发明是一种快速、准确、实用、经济型的检测方法，易于推广使用。
附图说明
图1花生样品的近红外扫描光谱图，其中横坐标代表波数(cm-1)，纵坐标代表吸光度；
图2生花生仁脆性的近红外模型，其中横坐标代表实测值，纵坐标代表预测值；
图3生花生仁甜味的近红外模型，其中横坐标代表实测值，纵坐标代表预测值；
图4生花生仁细腻度的近红外模型，其中横坐标代表实测值，纵坐标代表预测值；
图5烤熟花生仁脆性的近红外模型，其中横坐标代表实测值，纵坐标代表预测值；
图6烤熟花生仁细腻度的近红外模型，其中横坐标代表实测值，纵坐标代表预测值。
具体实施方式
在本发明中所使用的术语，除非有另外说明，一般具有本领域普通技术人员通常理解的含义。
下面结合具体实施例，并参照数据进一步详细的描述本发明。以下实施例只是为了举例说明本发明，而非以任何方式限制本发明的范围。
实施例
(1)用近红外光谱仪收集建模所需花生种子的光谱
收集31个花生品种，每份材料为大样本风干花生，每个样本约30-50粒。
本发明建模采用的光谱数据由德国布鲁克光谱仪器公司生产的matrix-ⅰ型傅立叶变换近红外光谱仪采集。
将上述花生样品分别放入近红外仪自带的圆形样品杯中。设置光谱仪扫描谱区范围为4000～12000cm-1(厘米波数)，扫描次数为64次，分辨率为8cm-1(厘米波数)。开机预热30min后检测样品。
每个样品需扫描三次并且第二次和第三次扫描时要将花生倒出重新装入样品杯中，以得到同一样品的多个近红外光谱。
扫描获得的花生样品的近红外扫描光谱图如图1所示。
(2)花生样品的感官实测值的获取
选取重复能力、识别能力强的7人组成感官品质评定小组。将试验样品按随机区组设计重新标号，每份样品每人品尝3-5粒，对生、熟花生感官评价指标逐项打分(分值设置见表1)，并作记录。每品尝完一个样品后，用温开水漱口，再品尝下一个样品。
对评价小区的打分数据进行汇总，测得生熟花生籽仁食用感官品质评价相关统计参数见表2，得出的各花生品种的食用感官品质评分(见表3)，可认为具有一定的代表性。
表1生熟花生感官评价指标及计分标准
表2生熟花生籽仁食用感官品质评价相关统计参数
由表2可知，本发明花生样品中，生花生脆性的均值为2.8986，最大、最小值分别为4.2860、2.0000；生花生细腻度的均值为2.9401，最大、最小值分别为3.5710、2.2860；生花生甜味的均值为2.8525，最大、最小值分别为3.7140、1.7140；烤花生脆性的均值为2.3272，最大、最小值分别为3.4290、1.5710；烤花生细腻度的均值为2.7004，最大、最小值分别为3.4290、2.0000；表明建模花生样品各食用感官品质变幅尚可，可用于近红外光谱模型构建。
表3不同花生品种的食用感官品质评价分值
表4不同花生样品的甜味、细腻度和脆性的预测值
(3)实测实测值和采集的光谱数据进行拟合光谱处理
通过软件对实测实测值和采集的光谱数据进行拟合光谱处理软件为采用德国布鲁克matrix-ⅰ型近红外光谱仪的opus5.5软件，用偏最小二乘法(pls法)自动优化建立模型。反复采用内部交叉验证剔除奇异点(outlier)。选择最佳的光谱预处理办法、最佳谱区、维数，并作进一步验证。通过比较样品预测值与实测值的决定系数(r2)和标准差(rmsecv)衡量模型质量。因此构建出高质量的近红外定量分析模型。
经优化获得：
生花生脆性模型的最佳光谱预处理方法为“一阶导数+多元散射矫正”。谱区范围为7506～4242.8cm-1，维数为8，模型的r2为83.6，rmsecv为0.227(图2)。
生花生甜味模型的最佳光谱预处理方法为“一阶导数+多元散射矫正”。谱区范围为7506～5446.3cm-1，4605.4～4242.8cm-1，维数为8，模型的r2为89.02，rmsecv为0.137(图3)。
生花生细腻度模型的最佳光谱预处理方法为“一阶导数+多元散射矫正”。谱区范围为11988～6094.3cm-1，5454～4242.8cm-1，维数为7，模型的r2为90.92，rmsecv为0.102(图4)。
熟花生脆性(脆性r)模型的最佳光谱预处理方法为“一阶导数+多元散射矫正”。谱区范围为7506～6472.3cm-1，4605.4～4242.8cm-1，维数为8，模型的r2为88.29，rmsecv为0.161(图5)。
熟花生细腻度(细腻度r)模型的最佳光谱预处理方法为“一阶导数+多元散射矫正”。谱区范围为11988～7498.3cm-1，4605.4～4242.8cm-1，维数为6，模型的r2为76.97，rmsecv为0.154(图6)。
(4)评测构建的近红外光谱模型效果
收集建立模型时所用的31份品种的大量花生仁样品，从每个品种的样品中随机取适量，分别采集31个品种样品的近红外光谱数据。具体花生品种为花育20号、花育25号、花育31号、花育32号、花育33号、花育41号、花育44号、花育56号、花育61号、花育661、花育662、花育663、花育664、花育666、花育667、花育951、花育961、花育9611、花育9612、花育9613、花育9614、花育9615、花育9616、花育9617、花育9618、花育962、花育963、花育964、花育965、花育966、花育967。
将采集到的样品光谱数据，导入所构建的近红外定量分析模型进行计算，分别得到样品的生花生脆性、细腻度和甜味，烤花生脆性和细腻的的预测值(见表5)。对预测值与实测值进行成对数据t测验，两组数据均值差为0.0241，自由度为4，t值为0.4089<t0.05＝2.1318，两组数据差异不显著。尽管选用的检验样品非参与建模的样品，且与建模花生子仁差别较大，也取得了较好的预测效果。
表5花生种子样品食用感官品质实测值与预测值比较
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。