干酪检测

电子鼻技术与普通成分分析仪器相比,它不需进行样品前处理,很少或者几乎不用任何有机溶剂,快速提供被测样品的整体信息, 指示样品的隐含特征。通过模型参数的建立,可以快速观察到乳制品在贮藏期间的气味变化,进而预测产品货架期。实验通过一些理化和感官分析的结果,来判断电子鼻在预测中式传统奶酪中的正确性。分别用主成分分析法( PCA) 、线性判别分析法(LDA) 和Loadings分析法用于货架期的预测。

检测仪器：PEN3便携式电子鼻,德国AIRSENSE公司

电子鼻检测结果分析

LDA方法分析不同贮藏时间的奶酪2种奶酪的LDA分析如图7和图8所示。和PCA分析图相比,LDA更适合于区分不同贮藏期的奶酪。对于奶酪A,除了第6天和第9天有部分重叠以外,其他区分相当明显,判别式LD1贡献76.17%,LD2贡献12109%,总贡献率达到88.26%;对于奶酪B,判别式LD1贡献64.90%,LD2贡献21.05%,总贡献率为85.95%。随着贮藏时间的延长,与新鲜奶酪的距离越来越远;2种奶酪的数据采集点都呈现相同的规律,即从图的左下侧按顺时针方向变化到图的右下侧。由于LDA分析方法注重气味速率(图7、图8中各类中心点之间的距离)变化分析[12],所以从图7中可以看出奶酪气味的变化速率。以奶酪A为例,可以看出,从第0天到第3天速率变化较小,但从第3天到第6天的过程中速率变化明显变大,而从第6天到第15天的速率变化相对比较稳定,由于第18天和第21天的奶酪在感官上已经几乎不能接受,所以和其他贮藏期奶酪很明显隔离了。奶酪B也有类似的速率变化规律出现。

 LDA模板的合成为了进一步利用LDA分类模式判定奶酪的货架期,将两种奶酪的的LDA分析图合成,得到了图9。合成的模板判别式LD1贡献率为70118%,LD2贡献11119%,总贡献率为81137%,具有良好的区分效果。从图9中可以看出,0-15d的奶酪和第18、21天的奶酪已经被分为2个集团,分别位于图9的两侧,很明显的将感官上已经发生很大变化的奶酪分开了,并且与理化指标的结果是一致的,可以初步判定在本实验条件下奶酪的货架期为15d。

Loadings分析Loadings分析是为了识别传感器对于模型区分的重要性。传感器的负载参数越是接近零,说明此传感器对于整体指纹信息贡献越小[13],相反值越大则贡献越大。图10表明,传感器2、6和8在当前模板下起的作用较大,而其他传感器作用较小。从Loadings分析图可以帮助进一步研究传感器对于奶酪气味响应值和优化传感器建模。

本次研究表明,电子鼻可以用来监控中式传统奶酪在贮藏期间的气味的变化过程。和传统的理化分析相比,电子鼻不需要给出具体的化学物质的变化,只需要给出数字的指纹图谱,正是这些指纹信息的变化为中式传统奶酪货架期预测提供了依据[14]。采用电子鼻系统中的LDA(线性判别法)比PCA(主成分分析法)更能准确判别出不同储藏时间的奶酪;利用Loadings分析可得知,传感器2、6和8在判断不同储藏时间的奶酪上起到了较大的作用。其他经典的分析方法和感官评定得到的结果有力的支持了电子鼻的方法的可行性,同时,两者用来推测货架期是一致的。