CN113176353B - 基于可视化技术的香醋风味嗅觉-味觉交互表征方法 - Google Patents

基于可视化技术的香醋风味嗅觉-味觉交互表征方法 Download PDF

Info

Publication number
CN113176353B
CN113176353B CN202110393008.9A CN202110393008A CN113176353B CN 113176353 B CN113176353 B CN 113176353B CN 202110393008 A CN202110393008 A CN 202110393008A CN 113176353 B CN113176353 B CN 113176353B
Authority
CN
China
Prior art keywords
flavor
visual
taste
aromatic vinegar
sensor array
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110393008.9A
Other languages
English (en)
Other versions
CN113176353A (zh
Inventor
黄星奕
徐梦琦
王成全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN202110393008.9A priority Critical patent/CN113176353B/zh
Publication of CN113176353A publication Critical patent/CN113176353A/zh
Application granted granted Critical
Publication of CN113176353B publication Critical patent/CN113176353B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/62—Detectors specially adapted therefor
    • G01N30/72—Mass spectrometers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Sampling And Sample Adjustment (AREA)
  • Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)

Abstract

本发明公开了基于可视化技术的香醋风味嗅觉‑味觉交互表征方法，属于食品风味检测评价领域。本方法采用卟啉以及指示剂类化学显色剂材料制成可同时与香醋的特征香气与滋味成分反应的可视化传感器阵列。利用传感器阵列与不同香气浓度下的香醋样品进行反应，通过扫描仪获取可视化传感器阵列反应前后颜色的变化，通过图像处理获得样品未受香气影响的滋味特征和受香气影响之后的滋味特征；与人工感官评价结果建立相关关系，对嗅觉‑味觉交互作用强度和香醋真实滋味强度进行预测与表征。本方法具有成本低、操作简便且耗时少、灵敏度高、重复性好等优点。

Description

基于可视化技术的香醋风味嗅觉-味觉交互表征方法
技术领域
本发明涉及一种基于可视化技术的香醋风味嗅觉-味觉交互表征方法，重点开发一种对香醋的香气成分和滋味成分可以进行同步检测的可视化传感器阵列，可以对影响香醋风味评价的嗅觉味觉交互作用进行量化表征，实现香醋风味进行更为全面和准确的评价，属于食品风味检测评价领域。
背景技术
香醋，具有帮助消化，消除疲劳，预防皮肤衰老等功效，是一种畅销中外的调味品。风味是香醋品质属性的重要感官特征，是刺激消费者购买欲的关键因素之一。因此，香醋风味的检测和评价具有重大的现实意义。
在香醋风味检测方面，人工感官评价法以“人”为工具，应用统计学原理对食品风味进行检测和评价，具有直观、贴近食品实际使用环境以及操作简单等优点。但是，由于以“人”作为检测的主体，不可避免存在主观性强、易疲劳、准确率低、一致性差等缺点。以电子鼻、电子舌为代表的智能感官技术，因具有重复性好、高效便携、准确率高等特点，被广泛应用于食醋风味的检测和评价研究中。
在以往的应用当中，智能感官技术作为一种模拟人体感官的技术，在进行香醋风味检测时，各类信息获取的通道和方式相互独立，忽视了人体实际感知过程中感官交互作用产生的影响。而在实际生产生活中，嗅觉和味觉的交互作用对香醋整体风味的评价和表征具有不可忽视的影响。通过检索，发明专利：一种食醋风味分析装置和方法，专利号为：201310332554.7。该专利通过气敏传感器阵列检测食醋的挥发性气体，利用微处理器对得到的信号进行采样，计算机对采样值进行处理，判断食醋的风味。该方法的不足之处在于仅仅检测了食醋的气味信息，忽视了滋味对于食醋风味的贡献。另外，一种食醋品质数字化品质检测方法及装置，专利号为：201210188589.3。该专利通过机器视觉技术检测食醋色泽和体态信息、可视化传感器阵列检测食醋香气信息以及滋味传感器检测食醋滋味信息，将三种信息融合后采用人工神经网络算法建立与人工感官评价结果之间的关系，实现对食醋风味和品质的客观、准确量化表征。该专利将多个影响食醋风味和品质的信息融合，评价更为全面，但是获取各个风味指标信息的方式和通道互相独立，没有考虑风味各属性之间交互产生的影响，因此最终的结果与真实的人体感受之间依然有一定差异。
本发明所使用可视化传感器与香醋的特征气味与滋味成分均能产生明显的反应，既能够用于单独检测香醋的香气成分特征和滋味成分特征，又能够利用同一传感器阵列检测得到香气影响之后的滋味特征。阵列通过颜色的变化可以将香醋风味信息转化为直观的图像信息进行定性和定量分析。其主要特点是可以将抽象的影响效果用直观形象的图像形式表达出来，然后利用计算机将图像信息转化为数字信号，对不同条件下的风味特征和嗅觉-味觉交互作用强度进行量化分析。相对于目前普遍采用的人工感官评价方法，本方法准确性高，多次重复检测时，结果一致性强，高效便捷。与其他智能感官检测方法相比，本方法采用的可视化传感器可以同时检测香气特征信息和滋味特征信息，实现了传感的交互。可视化技术在食品风味表征研究上已有应用，但使用同一传感器检测同时香醋的香气特征和滋味特征的研究鲜有报道，也尚未有研究利用可视化技术对感官交互作用进行表征。本专利将可视化技术应用到香醋风味检测和评价的研究上，丰富和优化了香醋风味检测表征方法，有助于香醋风味检测研究的发展，在实际生产中，对于香醋风味的改良也具有重要的参考价值和助力作用。
发明内容
为了克服现有技术的不足，本发明旨在提供一种基于可视化技术的香醋风味嗅觉-味觉交互表征方法，应用于香醋风味检测中。本方法采用的方案概括为：首先，采用气相色谱-质谱联用(GC-MS)技术测定香醋样品的特征香气成分，获得主要香气成分的组成与含量；采用国标法测定香醋样品的理化指标，获得主要滋味成分的组成与含量。之后，根据香醋的主要香气成分与滋味成分选择合适的可视化敏感材料制作传感器阵列。之后，利用传感器阵列与不同香气浓度的香醋样品进行反应，分别获取样品未受香气影响的滋味特征和受香气影响之后的滋味特征；同时，利用人工感官评价对样品的风味进行评价。最后，对传感器阵列图像进行特征值提取；对未受气体影响的滋味特征和受气体影响之后的滋味特征进行比较区分，利用计算机进行计算得到差值，与人工感官评价结果进行比较并建立相关关系；根据结果实现利用可视化技术对嗅觉-味觉交互作用强度和香醋滋味强度的预测与表征。
本发明解决其技术问题所采用的的技术方案步骤如下：
一种基于可视化技术的香醋风味嗅觉-味觉交互表征方法，按照下述步骤进行：
步骤1、采用气相色谱-质谱联用(GC-MS)技术测定香醋主要气味成分的组成与含量；
步骤2、采用国标法测定香醋的主要滋味成分的组成与含量；
步骤3、根据香醋的特征香气成分和特征滋味成分选择可视化敏感材料制作传感器阵列；
步骤4、利用可视化传感器阵列在反应容器中分别检测样品未受气体影响的滋味特征和受不同香气浓度影响之后的滋味特征。利用扫描仪采集可视化传感器阵列反应前后的图像并保存至计算机中；
步骤5、结合国标规定，对香醋进行人工感官评价，得到相应的滋味强度评分；
步骤6、处理采集得到的图像以获取差值图像，提取可视化阵列数据。将未受气体影响的滋味特征值和受气体影响之后的滋味特征值进行差值计算，得到的差值即为可视化检测嗅觉-味觉交互作用强度的量化结果；将可视化检测结果与人工感官评价结果进行比较并建立相关关系；最后，根据结果实现利用可视化技术对嗅觉-味觉交互作用强度和滋味强度的预测。
所述步骤1中，GC-MS的数据得到香醋主要气味成分；酸类7种、醇类7种、醛类9种、酯类9种、酮类6种、酚类5种、杂环类16种、其他2种，共61种；
所述步骤1中，香醋样本前处理过程：移液器移取8mL醋样放入15mL萃取瓶中，加入10μL 6.212g/L 4-甲基-2-戊醇作为内标物质；加入2.5g氯化钠，密封放入50℃恒温水浴中平衡10分钟。将SPME萃取头从瓶盖的橡胶垫插入样品的顶空部分，推出纤维头距液面1.5cm左右，顶空吸附40min，搅拌转速250rpm，完成萃取操作；
所述步骤1中，GC-MS技术测定样本的气味成分：抽出纤维头，将萃取头插入GC-MS仪的气相色谱进样口，推出纤维头，于280℃下解吸5min后退回萃取头，完成样品的进样；
所述步骤1中，色谱条件：DB-WAX色谱柱(60m×0.25mm×0.25μm)，载气He，流量1.0mL/min，不分流，进样口温度280℃。柱温：起始温度35℃保持5min，以5℃/min升温至100℃，再以3℃/min升温至200℃，最后以10℃/min升温至220℃，保持15min；
所述步骤1中，质谱条件：接口温度250℃，离子源温度230℃，电离方式EI+，电子能量70eV，扫描质量范围33-400amu。通过电化学工作站采集和处理数据；
所述步骤2中，总酸和氨基态氮含量测定依据标准：GB18187-2000和GB18186-2000；
所述步骤2中，还原糖含量测定依据标准：GB/T5009.7-2016；
所述步骤2中，食盐含量测定依据标准：GB18187-2000；
所述步骤3中，可视化传感器阵列材料筛选和具体制作方法是：a.采用GC-MS测定香醋香气成分，采用国标法测定香醋的滋味成分，结合相关文献分析确定选择主要的气体成分和滋味成分作为阵列制作的依据；b.根据气体成分和滋味成分选择酸碱指示剂、卟啉类化合物及变色染料；c.将酸性指示剂传感器、碱性指示剂传感器、卟啉类化合物传感器和变色染料传感器分别固定在聚偏二氟乙烯(PVDF)膜上组成可视化传感器阵列；
所述步骤3中，组成的可视化传感器阵列的敏感材料为：四苯基卟啉、四(4-甲氧基苯基)卟啉、四苯基卟啉氯化锰、四(5-氟苯基)卟啉氯化铁、四苯基卟啉锌、溴甲酚绿、溴酚蓝、四溴酚蓝、甲酚红；
所述步骤4中，在同一反应容器内，利用2个制好的传感器阵列分别检测样品未受气体影响的滋味特征和受气体影响之后的滋味特征，检测过程为：第1个传感器取出后直接浸没在样品的液体基质中检测滋味特征；第2个传感器阵列先与气体成分接触反应，稳定之后再浸没于液体基质之中与滋味成分接触反应。改变香气浓度之后，重复上述实验步骤。每一次检测完成之后立刻取出扫描；
所述步骤5中，人工感官评价在两种条件下进行：塞鼻评价与不塞鼻评价。不塞鼻评价得到的评分即为真实滋味强度值，两种评价条件下同一样品的评分差值即为嗅觉-味觉交互作用强度的量化值；
所述步骤6中，利用计算机将采集得到的可视化传感器阵列图像分解为三幅单通道灰度图像，分别对应原始图像的R通道、G通道以及B通道；之后，在单通道图像中，识别并定位每个敏感单元所在的图像区域；之后，统计每个敏感单元的灰度均值，阵列中每个敏感单元都会对应三个灰度均值数据；之后，将反应前后传感器阵列中各敏感单元的灰度均值作差，得到各个敏感单元反应前后灰度均值之差，这些差值即为敏感单元的特征值，所有敏感单元的特征值组成可视化传感器阵列的特征向量；受气体影响之后的滋味特征值即为可视化传感器阵列检测得到的真实滋味强度的量化结果；最后，将未受气体影响的滋味特征值和受气体影响之后的滋味特征值进行差值计算，得到的差值即为可视化传感器检测得到的嗅觉-味觉交互作用强度的量化结果。
所述步骤6中，可视化检测结果与人工感官评价结果的相关关系建立过程为：将降维的可视化特征值信息与人工感官评价结果通过偏最小二乘法(PLS)构建定量预测模型，对香醋真实滋味强度和嗅觉-味觉交互作用强度进行预测。
本发明提出一种基于可视化技术的香醋风味嗅觉-味觉交互表征方法，该方法利用可视化技术模拟香醋真实品尝过程，对香醋风味进行了更为系统准确地检测和表征，检测内容包括了香醋的真实滋味特征和嗅觉-味觉交互作用对滋味的影响。相较于常见的理化检测方法，该方法对嗅觉-味觉交互作用对于食醋风味的影响进行了量化表征，结果更为准确；相较于传统的人工感官技术，该方法准确性高、重复性好且不易受环境等因素影响。本发明应用于香醋风味检测和评价之中，可以丰富和优化表征方法，为香醋产后再利用香气进行风味上的改善优化提供参考，进一步增加消费者对于香醋风味的认可度与接受度。
附图说明
图1为可视化技术检测过程示意图；
图2为传感器阵列m检测不同香气浓度样品的响应值变化，横坐标为香气浓度，纵坐标为传感器响应值；
图3可视化传感器阵列对香醋滋味强度的定量预测模型结果，包括训练集和预测集结果；
图4为可视化传感器阵列对交互作用强度得分的定量预测模型结果，包括训练集和预测集结果。
具体实施方式
下面将结合实施例和附图，对本发明的具体实施方式进行清楚、完整地描述。
本发明的可视化技术检测香醋香气特征和滋味特征的主要过程如图1所示：检测中使用两个初始状态完全相同的可视化传感器阵列m和n。先将可视化传感器阵列m放入反应容器中与样品的气味成分接触反应一段时间，待阵列响应稳定后取出。再取另一未与气体反应的可视化传感器阵列n，将传感器阵列m和n同时浸没于样品中，与样品的液体基质充分接触反应一段时间，取出传感器阵列m和n。每次反应前后均使用扫描仪获取传感器阵列m、n的图像。将图像输入到电脑中进行处理分析，得到传感器阵列m和n的差值图和特征值。
实施例：
(1)从超市购买镇江香醋产品，采用GC-MS和国标法分别对产品进行理化检测，得到其特征香气成分和特征滋味成分；
(2)GC-MS检测过程如下：用移液管移取8mL醋样放入15mL萃取瓶中，加入10uL6.212g/L的4-甲基-2-戊醇作为内标物质，再加入2.5g氯化钠，盖上盖子，放入50℃恒温水浴中平衡10分钟，将SPME萃取头从瓶盖的橡胶垫插入样品的顶空部分，推出纤维头距液面1.5cm左右，顶空吸附40min，搅拌转速250rpm；萃取完成后抽出纤维头，再将萃取头插入GC-MS仪的气相色谱进样口，推出纤维头，于280℃下解吸5min后退回萃取头，完成样品的进样。其中，色谱条件：DB-WAX色谱柱(60m×0.25mm×0.25μm)，载气He，流量1.0mL/min，不分流，进样口温度280℃。柱温：起始温度35℃保持5min，以5℃/min升温至100℃，再以3℃/min升温至200℃，最后以10℃/min升温至220℃，保持15min。质谱条件：接口温度250℃，离子源温度230℃，电离方式EI+，电子能量70eV，扫描质量范围33-400amu。通过电化学工作站采集和处理数据。对GC-MS仪检测的香醋中挥发性成分进行分析；从检测到的61种挥发性成分中选取对香醋特征香味贡献度大的成分作为构建香醋模拟体系的香气物质。
(3)国标法测定样本理化指标的含量过程如下：依据GB18187-2000和GB18186-2000测定总酸和氨基态氮含量；依据GB/T5009.7-2016测定还原糖含量；依据GB18187-2000测定食盐含量。根据所测得的结果结合已有研究结果以及国标规定，确定选择构建可视化传感器的材料。
(4)可视化传感器阵列的制作。方法如下：a.将筛选出来的5种卟啉类化合物和4种酸碱指示剂分别溶解在二氯甲烷和无水乙醇中，制成9种浓度均为2mg/mL的化学显色剂溶液，置于黑暗环境中保存；b.根据实际测试环境，裁剪3×3cm的聚偏二氟乙烯(PVDF)膜若干，利用毛细管吸取1μL的显色剂溶液，将溶液固定在聚偏二氟乙烯(PVDF)膜上，待挥发至稳定后即获得由9种显色剂溶液组成的3×3阵列的可视化传感器；c.将制作完成的传感器阵列放进黑色密封袋中，排尽袋中空气后密封，避光恒温(20～25℃)保存。
(5)利用可视化传感器阵列检测样品未受香气影响的滋味特征和受香气影响之后的滋味特征。一组样品的检测过程如下：取出两组传感器阵列m、n待用；先利用扫描仪获取传感器阵列m的反应前图像；将传感器阵列m放入反应容器中与样品的特征气味成分接触反应22min，取出传感器阵列m，立即用扫描仪获取传感器阵列m与样品特征气味成分接触反应后的图像，同时取另一未反应的可视化传感器阵列n，用扫描仪获取传感器阵列n的反应前图像；再将完成扫描的传感器阵列m和n同时浸没于样品中，与样品的液体基质充分接触反应18min，取出传感器阵列m和n，使用扫描仪获取传感器阵列m、n的反应后图像。按照一定的比例改变特征气味成分的浓度之后，重复上述步骤。
(6)使用计算机对传感器图像进行处理，提取图像的特征值。数据提取处理过程为：利用计算机将采集得到的可视化传感器阵列的图像分别分解为三幅单通道灰度图像，分别对应原始图像的R通道、G通道以及B通道；之后，在单通道图像中，识别并定位阵列中每个敏感单元所在的图像区域；之后，统计每个敏感单元的灰度均值；之后，将传感器阵列反应前后敏感单元的灰度均值作差，得到灰度均值的差值ΔR、ΔG、ΔB，这些差值即为敏感单元的特征值，对提取的特征值进行处理分析并定义一个新值ρ代表敏感单元的总体响应值，计算方式如下：
通过计算，得到了传感器阵列m检测不同香气浓度样品的总体响应值变化，如图2所示。再将所有敏感单元的特征值组合后即得到特征矩阵；传感器阵列m数据提取处理之后得到样品的气味特征矩阵Q和受气味影响之后样品的滋味特征矩阵T，传感器阵列n数据提取处理后得到未受气体影响时样品的滋味特征矩阵P，将特征矩阵T与特征矩阵P作差，得到两次检测得到的滋味特征的区别，即表征嗅觉-味觉交互作用强度的特征矩阵S。矩阵表示如下：
其中，
x的值为1,2,3；y的值为1,2,3。
矩阵Q代表每个样本的气味特征信息。矩阵每一行中的元素对应表示传感器每一排上敏感单元的气味特征信息，例如q(1,1)，q(1,2)，q(1,3)分别表示传感器阵列Q上第一排敏感单元的气味特征信息。同时，每一个敏感单元的气味特征信息q(x,y)又是一个三维变量，对应R、G、B三个通道的灰度图像值。类似的，矩阵T代表每个样本受气味影响之后的滋味特征信息，矩阵P代表未受气体影响时的滋味特征信息，矩阵S代表嗅觉-味觉交互作用的特征信息。
样品的气味发生改变，特征矩阵Q、T会发生相应的变化，而传感器n没有接触气体，特征矩阵P不会因气体的差异发生改变，因此就可以利用矩阵T代表的特征信息表征样品受气体影响之后的滋味特征，矩阵S代表的特征信息表征两次检测得到滋味特征的区别，即嗅觉-味觉交互作用的强度。
(7)人工感官评价。试验在塞鼻和不塞鼻两种条件下进行，具体过程如下：在不塞鼻条件下，先给品评员提供一个参考样品(标准样)，其滋味强度值设为80；之后，品评员先嗅闻样品的特征气味，后再参照参考样品的强度值对每组样品滋味强度进行评分，得到受不同浓度香气影响之后的滋味强度评分。在塞鼻条件下，重复上述操作，得到不受到气体影响的滋味强度评分。将两种条件下得到的感官得分作差，得到嗅觉-味觉交互作用强度的人工感官评价得分。
(8)可视化检测结果与人工感官评价结果相关关系的建立。根据步骤(7)与步骤(8)得到的数据结果，利用主成分分析对可视化传感器检测得到的数据进行分析，结合偏最小二乘法(PLS)建立可视化数据与人工感官评价结果之间的关系。
偏最小二乘法(PLS)是一种多对多线性回归建模的方法，当两组变量的个数很多，且存在多重相关性，而观测数据的数量(样本量)又较少时，用偏小二乘回归建立的模型具有传统的经典回归分析等方法所没有的优点。
在因变量和自变量数据中分别提取出成分t和u，其中要求1)、t和u尽可能大地携带各自数据集中的变异信息；2)、t和u的相关程度能够达到最大。因此，首先利用以下关系式求出ω1和c1：
E0和F0分别为自变量和因变量的数据集X和Y的标准化数据，ω1是的单位特征向量；/>是对应的特征值同时也是目标函数值的平方；c1是/>最大特征值/>的单位特征向量。
之后，求出E0和F0对t1的回归方程：
其中，回归系数向量：E1、F1为回归方程的残差矩阵。用残差矩阵E1、F1取代E0和F0，求出ω2和c2以及第二个主成分t2、u2：
t2＝E1ω2u2＝F1c2
带入回归方程后，求出回归系数。重复上述操作得到：
其中， 是偏最小二乘回归系数向量，A为X的秩
根据以上的原理，建立模型对嗅觉-味觉交互作用强度以及香醋真实滋味强度进行定量预测。随机选择样本数的2/3作为训练集，其余1/3的样本作为测试集构建预测模型。图3为嗅觉-味觉交互作用强度预测模型，训练集样本所建模型的Rc＝0.9844，RMSECV＝1.5800，预测集样本所建模型的Rp＝0.9827，RMSEP＝1.6936。图4为香醋滋味强度预测模型，训练集样本所建模型的Rc＝0.9897，RMSECV＝1.3046，预测集样本所建模型的Rp＝0.9871，RMSEP＝1.4497。
结果表明，本研究建立的基于可视化技术的香醋风味嗅觉-味觉交互表征方法是可行且有效的。对于不同品种的醋样只需要按照以上步骤进行操作，即可得到与醋样相对应的表征方法。

Claims (4)

1.一种基于可视化技术的香醋风味嗅觉-味觉交互表征方法，其特征在于按照下述步骤进行：
步骤1、采用气相色谱-质谱联用（GC-MS）技术测定香醋主要气味成分的组成与含量；
步骤2、采用国标法测定香醋的主要滋味成分的组成与含量；
步骤3、根据香醋的特征香气成分和特征滋味成分选择可视化敏感材料制作传感器阵列；
步骤4、利用可视化传感器阵列在反应容器中分别检测样品未受气体影响的滋味特征和受不同香气浓度影响之后的滋味特征；利用扫描仪采集可视化传感器阵列反应前后的图像并保存至计算机中；
步骤5、结合国标规定，对香醋进行人工感官评价，得到相应的滋味强度评分；
步骤6、处理采集得到的图像以获取差值图像，提取可视化阵列数据；得到受气体影响之后的滋味特征值，即真实滋味强度值；将未受气体影响的滋味特征值和受气体影响之后的滋味特征值进行差值计算，得到的差值即为可视化检测嗅觉-味觉交互作用强度的量化结果；将可视化检测结果与人工感官评价结果进行比较并建立相关关系；最后，根据结果实现利用可视化技术对嗅觉-味觉交互作用强度和滋味强度的预测；
所述步骤3中，可视化传感器阵列具体制作方法是：根据香醋主要香气成分和主要滋味成分筛选对主要气体成分和滋味成分敏感的化学显色剂；将筛选出来的卟啉类化合物和酸碱指示剂分别溶解在二氯甲烷和无水乙醇中，制成9种浓度均为2 mg/mL的化学显色剂溶液，保存于黑暗环境中；裁剪3×3 cm的聚偏二氟乙烯（PVDF）膜，利用毛细管吸取1 μL的显色剂溶液，将溶液点在聚偏二氟乙烯（PVDF）膜上，待挥发至稳定后即获得由9种显色剂溶液组成的3×3阵列的可视化传感器；
所述步骤3中，构成可视化传感器阵列的化学显色剂包括：四苯基卟啉、四（4-甲氧基苯基）卟啉、四苯基卟啉氯化锰、四（5-氟苯基）卟啉氯化铁、四苯基卟啉锌、溴甲酚绿、溴酚蓝、四溴酚蓝、甲酚红；
所述步骤4中，在同一反应容器内，利用2个制好的传感器阵列分别检测样品未受气体影响的滋味特征和受气体影响之后的滋味特征，检测过程为：第1个传感器取出后直接浸没在样品的液体基质中检测滋味特征；第2个传感器阵列先与气体成分接触反应，稳定之后再浸没于液体基质之中与滋味成分接触反应；改变香气浓度之后，重复上述检测过程；每一次检测完成之后立刻取出扫描；
所述步骤5中，人工感官评价在两种条件下进行：塞鼻评价与不塞鼻评价；不塞鼻评价得到的评分即为真实滋味强度值，两种评价条件下同一样品的评分差值即为嗅觉-味觉交互作用强度的量化值；
所述步骤6中，可视化检测结果与人工感官评价结果的相关关系建立过程为：将降维的可视化特征值信息与人工感官评价结果通过偏最小二乘法(PLS)构建定量预测模型，对香醋真实滋味强度和嗅觉-味觉交互作用强度进行预测。
2.根据权利要求1所述的一种基于可视化技术的香醋风味嗅觉-味觉交互表征方法，其特征在于：所述步骤1中，GC-MS的数据所得香醋气体成分：酸类7种、醇类7种、醛类9种、酯类9种、酮类6种、酚类5种、杂环类16种、其他2种，共61种。
3.根据权利要求1所述的一种基于可视化技术的香醋风味嗅觉-味觉交互表征方法，其特征在于：所述步骤2中，总酸和氨基态氮含量测定的依据标准：GB18187-2000和GB18186-2000；
所述步骤2中，还原糖含量测定的依据标准：GB/T5009.7-2016；所述步骤2中，食盐含量测定的依据标准：GB18187-2000。
4.根据权利要求1所述的一种基于可视化技术的香醋风味嗅觉-味觉交互表征方法，其特征在于：所述步骤6中，利用计算机将采集得到的可视化传感器阵列图像分解为三幅单通道灰度图像，分别对应原始图像的R通道、G通道以及B通道；之后，在单通道图像中，识别并定位每个敏感单元所在的图像区域；之后，统计每个敏感单元的灰度均值，阵列中每个敏感单元都会对应三个灰度均值数据；之后，将反应前后传感器阵列中各敏感单元的灰度均值作差，得到各个敏感单元反应前后灰度均值之差，这些差值即为敏感单元的特征值，所有敏感单元的特征值组成可视化传感器阵列的特征向量；受气体影响之后的滋味特征值即为可视化传感器阵列检测得到的真实滋味强度的量化结果；最后，将未受气体影响的滋味特征值和受气体影响之后的滋味特征值进行差值计算，得到的差值即为可视化传感器检测得到的嗅觉-味觉交互作用强度的量化结果。
CN202110393008.9A 2021-04-13 2021-04-13 基于可视化技术的香醋风味嗅觉-味觉交互表征方法 Active CN113176353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110393008.9A CN113176353B (zh) 2021-04-13 2021-04-13 基于可视化技术的香醋风味嗅觉-味觉交互表征方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110393008.9A CN113176353B (zh) 2021-04-13 2021-04-13 基于可视化技术的香醋风味嗅觉-味觉交互表征方法

Publications (2)

Publication Number Publication Date
CN113176353A CN113176353A (zh) 2021-07-27
CN113176353B true CN113176353B (zh) 2023-09-05

Family

ID=76923569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110393008.9A Active CN113176353B (zh) 2021-04-13 2021-04-13 基于可视化技术的香醋风味嗅觉-味觉交互表征方法

Country Status (1)

Country Link
CN (1) CN113176353B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113970546A (zh) * 2021-09-03 2022-01-25 江苏大学 基于嗅觉味觉交互作用的绿茶品质可视化传感判别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721793A (zh) * 2012-06-11 2012-10-10 江苏大学 一种食醋品质数字化检测方法及装置
CN102967597A (zh) * 2012-09-26 2013-03-13 江苏大学 一种基于嗅觉成像传感技术的黄酒酒龄鉴别方法和鉴别系统
CN106018392A (zh) * 2016-05-10 2016-10-12 江苏大学 一种新型的食醋醋龄快速检测方法
CN106338517A (zh) * 2016-09-23 2017-01-18 江苏大学 基于视觉和嗅觉信息协同的水果新鲜度智能化评判方法
CN107389671A (zh) * 2017-07-05 2017-11-24 江苏大学 一种可视化味觉、嗅觉融合传感器的制作方法
CN109406500A (zh) * 2018-09-30 2019-03-01 江苏大学 一种基于嗅觉可视化阵列的腊肠快速分级方法
CN109781949A (zh) * 2019-01-15 2019-05-21 江苏大学 一种基于视觉、嗅觉和味觉传感信息融合的茶叶原产地的判别方法
CN110018203A (zh) * 2019-03-18 2019-07-16 江苏大学 基于电子鼻电子舌智能感官技术的香醋风味定量表征方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721793A (zh) * 2012-06-11 2012-10-10 江苏大学 一种食醋品质数字化检测方法及装置
CN102967597A (zh) * 2012-09-26 2013-03-13 江苏大学 一种基于嗅觉成像传感技术的黄酒酒龄鉴别方法和鉴别系统
CN106018392A (zh) * 2016-05-10 2016-10-12 江苏大学 一种新型的食醋醋龄快速检测方法
CN106338517A (zh) * 2016-09-23 2017-01-18 江苏大学 基于视觉和嗅觉信息协同的水果新鲜度智能化评判方法
CN107389671A (zh) * 2017-07-05 2017-11-24 江苏大学 一种可视化味觉、嗅觉融合传感器的制作方法
CN109406500A (zh) * 2018-09-30 2019-03-01 江苏大学 一种基于嗅觉可视化阵列的腊肠快速分级方法
CN109781949A (zh) * 2019-01-15 2019-05-21 江苏大学 一种基于视觉、嗅觉和味觉传感信息融合的茶叶原产地的判别方法
CN110018203A (zh) * 2019-03-18 2019-07-16 江苏大学 基于电子鼻电子舌智能感官技术的香醋风味定量表征方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
嗅觉可视化技术及其对四种食醋的识别;邹小波等;《农业工程学报》;20080630;第24卷(第6期);引言，第1.1-1.3节 *

Also Published As

Publication number Publication date
CN113176353A (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN103134850B (zh) 一种基于特征香气的茶叶品质快速检测方法
Huang et al. A novel technique for rapid evaluation of fish freshness using colorimetric sensor array
CN106501470B (zh) 利用味觉系统与电子鼻联合评价芥辣酱风味等级的方法
Chen et al. Nondestructively sensing of total viable count (TVC) in chicken using an artificial olfaction system based colorimetric sensor array
Alimelli et al. Fish freshness detection by a computer screen photoassisted based gas sensor array
CN110018203A (zh) 基于电子鼻电子舌智能感官技术的香醋风味定量表征方法
CN101470121A (zh) 一种嵌入式仿生嗅觉气味识别方法及装置
CN101493431A (zh) 利用电子鼻检测鸡肉新鲜度的方法
CN103543123A (zh) 一种掺假牛奶的红外光谱识别方法
CN110702815A (zh) 一种面粉储存品质的嗅觉传感检测方法
CN100575950C (zh) 一种水果成熟度预测方法
CN106841083A (zh) 基于近红外光谱技术的芝麻油品质检测方法
Huang et al. Non-destructive evaluation of total volatile basic nitrogen (TVB-N) and K-values in fish using colorimetric sensor array
CN113176353B (zh) 基于可视化技术的香醋风味嗅觉-味觉交互表征方法
CN111855757A (zh) 一种基于电子鼻的六堡茶陈香香味识别方法
CN113340943B (zh) 基于指纹图谱的水体中嗅味类型和嗅味强度的分析方法
CN114384064B (zh) 一种基于印迹MOFs探针高灵敏快速检测农残的方法
CN110887944A (zh) 一种茶油品质快速检测装置
CN106556680A (zh) 一种基于电子鼻技术快速预测肉及其制品脂肪氧化程度的方法
CN112730643B (zh) 基于可视化融合技术表征腐乳风味的方法及装置
Cox et al. Determination of iodine value with a fourier transform‐near infrared based global calibration using disposable vials: An international collaborative study
CN104914225A (zh) 一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法
CN112213303A (zh) 一种啤酒关键品质指标的快速检测方法
CN110426366A (zh) 基于可视化嗅觉传感器及近红外的肉类掺假比例检测方法
CN113358806B (zh) 一种肉制品特征性代谢挥发物的快速筛选、检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant