基于电子舌和多元数据的咖啡焙炒度检测方法研究

1、基于电子舌和多元数据分析的咖啡焙炒度检测方法研究王凯丽1,2,3， 董文江1,2,3*， 谷风林1,2,3， 张彦军1,2,3， 陆敏泉1,2,31. 中国热带农业科学院香料饮料研究所，海南 万宁 5715332. 农业部香辛饮料作物遗传资源利用重点实验室，海南 万宁 5715333. 国家重要热带作物工程技术研究中心，海南 万宁 571533摘要：利用电子舌技术结合多元数据分析对不同焙炒度（浅度、中度、深度）的咖啡豆进行区分。原始电子感官数据经归一化处理后，采用主成分分析（PCA）对其进行解析，结果表明不同焙炒度的咖啡样品基本上能够按各自特性聚为一类，扩展正则变量分析（ECVA）对样品的分类

2、结果与PCA解析后的结果相一致。比较不同的有监督模式识别方法：K-最近邻法（KNN）、偏最小二乘判别分析（PLS-DA）和最小二乘-支持向量机（LS-SVM）所建立模型对未知样品的预报能力，其中LS-SVM模型的预报结果较好，其识别率和预报率均为100%。关键词：电子舌；焙炒咖啡；焙炒度区分；多元数据分析中文分类号：文献标识码：咖啡由于其特殊的香气和滋味使其消费量和受欢迎度逐渐增加，生咖啡豆是没有香气的，为显露其特有的风味，生咖啡豆必须经过焙炒过程。焙炒是咖啡加工过程中最重要的步骤之一，形成冲泡咖啡所特有的香气、滋味及色泽等；焙炒过程中温度和时间条件对咖啡豆的化学、物理特性的改变起至关重要的作

3、用，依据不同的焙炒时间和温度下所得焙炒豆的特性可将其分为三类，浅度、中度和深度1。通常，焙炒过程中咖啡豆的化学组成、生物活性发生显著地变化，酚类化合物可能会损失，其它的抗氧化活性和风味物质会形成，如美拉德反应和焦糖化反应产物2。通常用于评价咖啡豆的质量及其焙炒度的准则包括水分含量、失重、密度、颜色和风味，上述因素中风味对消费者喜好的影响最为重要且决定最终产品（饮料）的质量3。目前已有研究咖啡风味的方法主要有气相色谱法（GC）、气相色谱-质谱联用（GC-MS）、气相色谱-嗅觉测量法（GC-O）、电子鼻（E-nose）和电子舌（E-tongue）等4-7，咖啡中风味物质极其复杂和多样，采用传统风味

4、分析技术虽能够表征其风味成分，但其价格昂贵、耗时、前处理复杂且劳动强度大8。电子舌已被广泛成功的应用于食品的分类和质量评价中，如酒、果汁、蔬菜汁、橄榄油及茶叶等9-13，由于其灵敏度高、分析时间短且提供的数据与人为感官评价结果密切相关，因此在咖啡的质量评价中非常有用。化学计量学中的多元数据分析在处理复杂样品和大量数据时优势明显，能够最大程度的提取有用信息，Qin等14采用手持式多电极电子舌结合多元分析区分不同存放时间的米酒，反传人工神经网路（BP-ANN）模型的结果最好；Qiu等15通过电子鼻和电子舌技术鉴别不同加工方法的草莓汁并考察不同多元回归方法对其主要感官指标的预报能力，取得了令人满意的

5、结果。目前还没有采用电子舌技术鉴别不同焙炒度咖啡的研究，因此，本文利用电子舌结合多元数据分析区分不同焙炒度的咖啡样品。原始数据经归一化处理后，采用主成分分析（PCA）解析归一化数据矩阵以探索样品的空间分布情况，同时考察扩展正则变量分析（ECVA）对样品的分类结果，并与PCA结果比较。比较多种有监督模式识别方法KNN、PLS-DA和LS-SVM模型对未知样品的预测能力，选择最适合应用于电子舌技术的模式识别方法以实现咖啡焙炒度的快速预测。_基金项目: 中国热带农业科学院院本级基本科研业务费项目（1630012014017） 第一作者：王凯丽(1987)，女，本科，研究实习员，研究方向：食品品质分析

6、与包装设计，Tel:E-mail：wkl1021*通讯作者：董文江(1985)，男，博士，助理研究员，研究方向：食品化学、化学计量学，Tel:E-mail：dongwenjiang.1231 实验部分1.1 材料与仪器1.1.1 材料与试剂咖啡鲜果采摘于中国热带农业科学院香料饮料研究所咖啡试验基地，选择成熟、红色、无病虫害的果实采摘，总共收集到16个不同批次的样品，分别采用干法加工方法得到生咖啡豆，贮存于通风、干燥、避光的环境中保存用于下一步分析。实验用水全部为超纯水。1.1.2 仪器与设备Alpha M.O.S电子舌分析系统（法国A

7、lpha M.O.S公司）；AL204型电子分析天平（梅特勒-托利多仪器有限公司）；PRE 1 Z型咖啡豆烘焙机（德国probat仪器公司）；VTA-6S3型咖啡豆研磨机（德国MAHLKONIG仪器公司）；Xrite-SP62型色差分析仪（美国Xrite测色公司）；Master-s-plus UVF型全自动超纯水系统（上海和泰仪器有限公司）；MB45型快速水分测定仪（瑞士奥豪斯仪器公司）。1.2 方法1.2.1 焙炒样品的制备精密称取100.00 g生咖啡豆放入滚筒式咖啡烘焙机中，初始下锅温度为180 Co，保持火力为6.5，焙炒时间分别为7.5 min、9.5 min、11.5 min，分别

8、得到三种不同焙炒度的样品（浅度、中度、深度），每个样品在同一焙炒度下平行操作两次，共制备得到96个不同焙炒度的样品（16个批次 ´ 3个焙炒度 ´ 2个平行），样品信息如表1所示。随机取样将样品分为校正集（Ncal = 60）和预报集（Npre = 36），上述试样经研磨后得到粒径为80 mm左右的粉末样品，密封后放置于超低温冰箱中用于理化指标检测及电子舌分析。表1 96个不同焙炒度咖啡的样品信息表Table 1 Sample information of 96 coffee samples with different roasting degreeCategory（类别

9、）Roasting degree（焙炒度）Sample（样品编号）Number（数量）Abbreviation（英文缩写）1Light（浅度）13232QD2Medium（中度）336432ZD3Dark（深度）659632SD1.2.2 理化指标检测水分含量（%）：准确称量1.00 g粉末样品放置于水分快速测定仪中测定，读数，平行测定3次，计算其平均值即为水分含量的百分比。失重：分别测定100.00 g生咖啡豆在烘焙前和烘焙后的重量，计算其差值，即为咖啡焙炒的失重。平行测定3次，取平均值。颜色测定：准确称量1.80 g试样置于色差分析仪中检测，光源为D62 (6500 K)，测定指标包括L*

10、、a*、b*、ho。平行测定3次，取平均值。1.2.3 提取液的制备准确称量8.25 g粉末试样加入250 mL烧杯中，加入150mL温度为95Co的热水，恒温加热5 min。待冷却至室温后，过滤，滤液保存在4 Co冰箱中用于电子舌分析。1.2.4 电子舌分析电子舌系统（a-Astree, Alpha M.O.S Company, France）用于采集咖啡提取液的电子感观数据，此仪器共包括七个电位计化学传感器（ZZ、JE、BB、CA、GA、HA和JB），参比电极Ag/AgCl，数据采集系统，和基本数据分析软件，因ZZ传感器检测值偏高，可能传感器已损坏，因此仅采用除ZZ外，剩余六个传感器进行本

11、实验的分析。样品量为80mL以确保传感器能被完全浸入液体中，每个试样的检测时间为120 s以保证传感器的检测信号能够得到稳定值，样品间采用去离子水清洗传感器10 s以消除传感器的基线漂移。实验温度为25 ± 2 Co，每个样品平行测定4次，取平均值用于后续分析。1.2.5 数据分析程序运算均在MATLAB软件（Version R2010a, Mathworks Inc., Natick, MA, United States）平台上运行。2 结果与讨论2.1 焙炒咖啡豆的失重、水分含量及颜色分析表2为焙炒咖啡的失重、水分含量及颜色相关指标的测定值，从表中可看出，随着焙炒度的增加，咖啡豆

12、的质量逐渐减少，失重增加，范围为12.24%19.30%；值得注意的是，焙炒初始阶段的失重是由于水分的损失，焙炒结束阶段的失重是由于碳水化合物的热降解反应和微量化合物的热解反应。水分含量随焙炒度的增加逐渐减少，范围为1.66%3.45%；在焙炒过程中，由于非酶褐变反应和热解反应，咖啡豆的颜色随着焙炒时间的增加逐渐加深，亮度（L*）逐渐减小，a*值和b*值逐渐减小，分别表示颜色由绿到红的表2 焙炒咖啡的失重、水分含量及颜色指标的平均值Table 2 Average values of roasting variables of roasted Robusta coffee samples类型失重

13、（%）水分含量（%）L*a*b*ho浅度12.24±0.973.45±0.1737.62±2.1213.36±0.1627.36±1.2863.45±0.58中度16.02±0.712.02±0.0828.75±1.7212.33±0.3620.82±1.0658.81±0.24深度19.30±1.461.66±0.1622.45±1.729.36±1.7012.69±3.7555.70±0.84色彩变化和由蓝到黄的

14、色彩变化；色彩角（ho）表示颜色由绿-黄区域（生咖啡豆颜色）到红-橙区域（浅度和中度焙炒豆）的变化，最后变化为棕褐色，ho逐渐减小。描述咖啡焙炒度的指标变化规律与文献报道相一致16,17，证实了试验方法和条件的可行性，即使在实验室小试条件下，也可以模拟工业生产过程以表征不同焙炒度咖啡样品的性能指标。2.2 咖啡样品的电子舌传感器响应图图1a-c分别为浅度、中度和深度焙炒样品随时间变化的传感器强度动态变化响应图，从图中可看出，除传感器BB外，其余传感器响应值在0-10 s内发生显著的变化，然后达到动态平衡；而传感器BB的响应值在10-120 s内缓慢增大直至平衡。因此，传感器在120 s处的响应

15、强度值被选为电子鼻的特征响应原始数据用于多元统计分析。图1d为六个传感器（JE、BB、CA、GA、HA和JB）的特征响应值对比图，三类样品的传感器JE和HA的响应值较大，顺序为SD > ZD > QD；传感器BB和GA的响应值较小，对BB而言，QD > SD > ZD；对GA而言，SD > ZD > QD；传感器CA和JB响应值处于中间水平，对CA而言，ZD > SD > QD；对JB而言，SD > ZD > QD。总体来说，不同焙炒度样品的传感器响应轮廓图极其相似，仅在强度上存在差异，从响应图上较难区分。因此，下一步以传感器特征响应

16、值的数据矩阵（96个样品 ´ 6个变量）作为输入变量，利用模式识别方法建立模型进行识别。2.3 主成分分析（PCA）PCA是一种被广泛应用的无监督模式识别技术，已被用于各种气体和液体样品的传感器检测所得数据的建模分析中18,19，PCA的主要目的是将原始数据降维，由较少的称之为主成分（PCs）的变量来解释原始数据信息，每一PC为原始变量的线性组合且相互正交；每个样品由各个PC上得分来定义，相似地，每个变量有一个载荷值。因此，所有样品便可由得分和载荷组成的二维或三维投影图来定义，表示各类样品间及样品与变量间的关系。PCA应用于咖啡样品电子舌所得数据矩阵（96个样品 ´ 6个变

17、量），所有样品的二维得分和载荷投影图如图2a和b所示，PC1和PC2的总方差贡献率为87.4%，其中PC1占71.7%，PC2占15.7%，总和大于85%表明前两个PCs能够解释数据集的总方差。从图2a中可看出，样品大致可分为三类，在PC1方向上，浅度样品的得分全部为负，中度样品的得分大部分聚集在原点附近，而深度样品的得分全部为正，其中1号、33号、65号样品比较离群，中度和深度样品距离较近，部分样品有重叠现象；在PC2方向上，除个别样品外，大部分样品投影相互重叠；在PC1-PC2二维投影图上，不同焙炒图1 不同焙炒度咖啡样品的电子舌传感器时间-强度动态响应图（浅度: a; 中度: b; 深度

18、: c）及特征响应值对比图（d）Fig. 1 Typical responses of coffee samples of different roasting degree (light: a, medium:b, darks: c), comparison of characteristic response value (d) by E-tongue measurement图2 96个咖啡样品的主成分分析二维得分投影图（a）和载荷图（b）Fig. 2 Two-dimensional PCA score (a) and loading (b) plot performed on 96 co

19、ffee samples with data gathered with E-tongue的样品基本上能够按各自特性聚为一类。在PC1负方向上与载荷BB相关，在PC1正方向上与剩余5个传感器相关；而在PC2正方向上与载荷BB、CA相关，在PC2负方向上与剩余4个传感器相关，从图2b可看出，其中载荷GA和JB与深度焙炒样品相关性较大，而载荷BB和CA与中度焙炒样品相关性较大，将其与浅度和深度样品区分开。表明通过电子舌传感器的响应值结合PCA可从定性的角度上区分不同焙炒度的咖啡。2.4 扩展正则变量分析（ECVA）ECVA起初是一种被用于处理共线性高维数据的分类方法，它是标准正则变量分析的一种修正

20、方法，ECVA直接在原始高维空间计算正则变量使其能够解释此空间的模型，将判别信息压缩至前几个正则变量和权重向量上，实现样品的空间投影分布20。如图3所示为96个咖啡样品在ECVA模型上的二维得分投影图，品红色正方形、浅蓝色正方形、橙黄色正方形分别表示浅度、中度和深度样品，绿色菱形分别表示每类的平均样品，从图中可知，浅度和中度样品在由ECV#1定义的方向上除个别样品得分为正，剩余样品得分全部为负，这两类样品相互重叠且与深度焙炒样品可区分，而深度样品在ECV#1方向上得分为正；在由ECV#2定义的方向上，浅度样品得分为正，中度和深度样品得分为负，此方向上可将浅度样品与中度、深度样品区分开；在由EC

21、V#1-ECV#2定义的二维空间上，浅度、中度和深度样品分别分布在第二、第三和第四象限，各自聚为一类。PCA和ECVA仅从定性的角度上描述不同类别样品间的分布状况，不能得到样品的定量分类信息，因此下一步采用有监督模式识别方法KNN、PLS-DA和LS-SVM建立校正模型实现未知样品的定量预测，比较不同模型的预报能力以选择最适合本研究的模式识别方法。图3 96个咖啡样品在扩展正则变量模型的二维得分投影图Fig. 3 Two-dimensional score plot of ninety-six coffee samples in extended canonical variates anal

22、ysis (ECVA) model2.5 K-最近邻法（KNN）KNN是一种受欢迎的模式识别技术，此方法既不需要假设样品的统计分布，也不要求样品空间分布的对称性，能够通过建立模型实现对未知样品的类别进行预测，已被作为一种有用的化学计量学方法所使用21。在本研究中，每类样品分别被定义为1个模糊变量，其中QD = 1、ZD = 2、SD = 3，以校正模型的识别率和预报率作为模型好坏的判别指标，选择最优的最近邻数。K值的变化范围为1到11，从图4中折线图可看出，当K值为5时，预报率最高为94.4%，此时识别率为96.7%，因此最近邻数确定为5，此时模型的预报能力最好。图4 KNN模型预报集样品的正

23、确分类率与最近邻数间的关系Fig. 4 The relationship between correct classification rate and number of neighbors in prediction set by KNN model2.6 偏最小二乘判别分析（PLS-DA）PLS-DA是一种基于偏最小二乘回归（PLSR）的分类方法，应变量是通过类别变量（由描述类别的模糊变量数据集所取代）来表示统计单位的类别成员22。PLS-DA的应用通过主成分的旋转以实现组间样品最大程度的分离，以校正集样品的误差均方根（RMSE）为判别指标，采用留一法交叉验证（LOOCV）来确定PLS-

24、DA模型的最佳因子数（LVs）23。在本研究中，浅度、中度和深度样品的模糊变量值分别设定图5 PLS-DA模型校正集样品的误差均方根与因子数的关系（a），校正模型样品的模糊变量设定值和预报值对比图（b）Fig. 5 The relationship between RMSE and number of LVs in calibration set by PLS-DA model (a), correlation plot for the prediction values and actual values based on E-tongue data matrix (b)为QD = 1、ZD

25、 = 2、SD = 3，截断值为±0.5，与文献报道相类似24。图5a和b分别表示PLS-DA模型校正集样品的RMSE与因子数的关系及样品的模糊变量设定值和预报值对比图，从图5a可知，随着因子数（LVs）的逐渐增加，RMSE值逐渐减少，当LVs = 5时，RMSE值趋于平缓，因此确定最佳因子数为5。图5b中浅蓝色圆圈表示校正集样品，品红色圆圈表示预报集样品，蓝色实线表示此时“y = x”，即设定值 = 预报值；浅度样品范围为0.5 < QD < 1.5，中度样品范围为1.5 < ZD < 2.5，深度样品范围为2.5 < SD < 3.5，从图中可

26、产出，除1个深度样品外，剩余样品均落在各自归属的设定范围内，最佳因子数为5时，识别率为100%，预报率为97.2%。2.7 最小二乘支持向量机（LS-SVM）上文所采用的方法KNN和PLS-DA均为线性的模式识别方法，不能很好的处理在建模时数据存在的非线性问题，因此采用LS-SVM建立模型对不同焙炒度样品进行预测。LS-SVM是一种非线性的有监督模式识别方法，其在处理线性和非线性问题时速度较快且优势明显，采用支持向量的线性组合取代二次规划问题以降低模型的复杂性25。径向基函数（RBF）作为模型的核函数，两个重要参数：调节参数（g）和带宽（s2）需要优化，g通过最小化训练误差和最小化模型复杂性的

27、权衡得到，s2表示从输入空间到高维特征空间的非线性投影，上述两参数通过二步网格搜索技术和留一法交叉验证来实现。图6为LS-SVM模图6 LS-SVM模型参数二步网格搜索示意图，最优参数如图中箭头所示，右边的强度标尺表示相对预报误差Fig. 6 Contour plot of the optimal parameters of g and s2 by two-step grid search technique and cross validation based on the calibration set in LS-SVM model, the optimal parameters wer

28、e marked by a blue arrow, the intensity scale on the right indicates relative prediction error型参数的二步网格搜索示意图，最优参数如蓝色箭头所示，右边彩色强度标尺表示相对预报误差，从图中可看出，最优参数分别为log (g) = 7.83，log (s2) = 4.80，即g = 227.54，s2 = 27.86时，模型的预报能力最好，识别率和预报率均为100%。3 结论本文利用电子舌技术结合多元数据分析建立模型可有效区分不同焙炒度的咖啡样品，优选出最适合本研究的有监督模式识别方法LS-SVM，研究结

29、果可为咖啡的焙炒加工和产品质量控制提供理论指导，同时可尝试将此方法应用至其它的农副产品及香料饮料作物研究中。参考文献1Somporn C, Kamtuo A, Theerakulpisut P, et al. Effects of roasting degree on radical scavenging activity, phenolics and volatile compounds of Arabica coffee beans (Coffea arabica L. cv. Catimor)J. Int. J. Food Sci. Tech., 2011, 46(11): 228722

30、96.2Vignoli J A, Viegas M C, Bassoli D G, et al. Roasting process affects differently the bioactive compounds and the antioxidant activity of Arabica and Robusta coffeeJ. Food Res. Int., 2014, 61: 279285.3Romani S, Cevoli C, Fabbri A, et al. Evaluation of coffee roasting degree by using electronic n

31、ose and artificial neural network for off-line quality controlJ. J. Food Sci., 2012, 77(9): 960965.4Lee C, Lee Y, Lee J G, et al. Development of a simultaneous multiple solid-phase microextraction-single shot-gas chromatography/mass spectrometry method and application to aroma profile analysis of co

32、mmercial coffeeJ. J. Chromatogr. A, 2013, 1295(1): 2441.5Naude Y, Rohwer E R. Investigating the coffee flavor in South African Pinotage wine using novel offline olfactometry and comprehensive gas chromatography with time of flight mass spectrometryJ. J. Chromatogr. A, 2013, 1271(1): 176180.6Sbervegl

33、ieri V, Ongo E, Falasconi M, et al. Electronic nose and gas chromatography-mass spectrometry for the Philippine civet coffee discriminationJ. Sensor Microsyst., 2014, 268: 463466.7Almario A A A, Caceres R L T. Electronic tongue and neural networks, biologically inspired systems applied to classifyin

34、g coffee samplesJ. Amer. J. Anal. Chem., 2014, 5(4): 266274.8Peris M, Escuder-Gilabert L. A 21st century technique for food control: electronic noseJ. Anal. Chim. Acta, 2009, 638: 115.9Rodriguez-Mendez M L, Apetrei C, et al. Evaluation of oxygen exposure levels and polyphenolic content of red wines

35、using an electronic panel formed by an electronic nose and electronic tongueJ. Food Chem., 2014, 155: 9197.10Haddi Z, Mabrouk S, Bougrini M, et al. E-nose and E-tongue combination for improved recognition of fruit juice samplesJ. Food Chem., 2014, 150: 246253.11Hong X Z, Wang J, Qiu S S. Authenticat

36、ing cherry tomato juices-discussion of different data standardization and fusion approaches based on electronic nose and tongueJ. Food Res. Int., 2014, 60: 173179.12Haddi Z, Alami H, EI Bari N, et al. Electronic nose and tongue combination for improved classification of Moroccan virgin olive oil pro

37、filesJ. Food Res. Int., 2013, 54: 14881498.13Banerjee R, Tudu B, Shaw L, et al. Instrumental testing of tea by combining the responses of electronic nose and tongueJ. J. Food Eng., 2012, 110: 356363.14Qin O Y, Zhao J W, Chen Q S. Classification of rice wine according to different marked ages using p

38、ortable multi-electrode electronic tongue coupled with multivariate analysisJ. Food Res. Int., 2013, 51: 633640.15Qiu S S, Wang J, Gao L P. Discrimination and characterization of strawberry juice based on electronic nose and tongue: Comparison of different juice processing approaches by LDA, PLSR, R

39、F, and SVMJ. J. Agri. Food Chem., 2014, 62(27): 64266434.16Alessandrini L, Romani S, Pinnavaia G, Rosa M D. Near infrared spectroscopy: An analytical tool to predict coffee roasting degreeJ. Anal. Chim. Acta, 2008, 625: 95102.17Baggenstoss J, Poisson L, Kaegi R, Perren R, Escher F. Coffee roasting o

40、f aroma formation: Application of different time-temperature conditionsJ. J. Agri. Food Chem., 2008, 56(4): 58365846.18Apetrei C, Apetrei I M, Villanueva S, et al. Combination of an e-nose, an e-eye for the characterization of olive oils with different degree of bitternessJ. Anal. Chim. Acta, 2010,

41、663(1): 9197.19Gutierrez J M, Haddi Z, Aman A, et al. Hybrid electronic tongue based on multisensor data fusion for discrimination of beersJ. Sensor Acuat. B-Chem., 2013, 177: 989-996.20Ballabio D, Skov T, Leardi R, et al. Classification of GC-MS measurement of wines by combining data dimension redu

42、ction and variable selection techniquesJ. J. Chemometrics, 2008, 22: 457463.21Ariyama K, Shinozaki M, Kawasaki A. Determination of the geographic origin of rice by chemometrics with strontium and lead isotope ratios and multielement concentrationsJ. J. Agri. Food Chem., 2012, 60(7): 16281634.22Barke

43、r M, Rayens W. Partial least squares for discriminationJ. J. Chemometrics, 2003, 17(3): 16673.23Baumann K. Cross-validation as the objective function for variable-selection techniquesJ. TrAC, Trends Anal. Chem., 2003, 22(6): 395406.24Dong W J, Ni Y N, Kokot S. A near-infrared reflectance spectroscop

44、y method for direct analysis of several chemical components and properties of fruit, for example, Chinese hawthornJ. J. Agri. Food Chem., 2013, 61(3): 540546.25Liu F, He Y, Sun G M. Determination of protein content of Auricularia auricular using near infrared spectroscopy combined with linear and nonlinear calibrationsJ.