近红外光谱结合化学计量学无损监测豆浆煮沸过程中关键成分的质量变化

为解决传统化学检测方法在豆浆生产过程中耗时耗力、无法实时监控的问题，研究人员创新性地将近红外光谱(NIRS)技术与化学计量学结合，建立了豆浆煮沸过程中可溶性蛋白和总可溶性固形物(TSS)的高精度预测模型。最佳LS-SVM模型对可溶性蛋白的预测R2p达0.9678，PLS模型对TSS的预测R2p达0.9732，为豆制品工业化生产提供了高效无损的质量监控新方案。

　　

在植物基饮品蓬勃发展的今天，豆浆因其高蛋白、零乳糖的特性成为乳糖不耐受人群的重要选择。然而煮沸过程中，不当的温度控制会导致蛋白质变性、营养物质流失，甚至产生焦糊味。传统检测方法需要中断生产流程取样，存在明显的滞后性，这成为制约豆制品产业提质增效的瓶颈。

针对这一行业痛点，四川轻化工大学酿造科学与技术四川省重点实验室的研究团队在《LWT》发表创新成果。研究人员首次将近红外光谱(NIRS)与化学计量学联用，构建了豆浆煮沸过程中可溶性蛋白和总可溶性固形物(TSS)的实时监测体系。通过模拟11种料液比梯度下的工业化煮沸场景，采集2599个波长点的光谱数据，结合竞争性自适应重加权采样(CARS)算法筛选特征波长，最终建立的LS-SVM模型对可溶性蛋白预测精度达RPD>3.5，PLS模型对TSS的预测R²p超过0.97，实现了"在线检测-模型预测-工艺调控"的闭环质量控制。

关键技术方法包括：1)采用蒙特卡洛交叉验证(MCCV)剔除光谱异常样本；2)对比9种预处理方法，确定一阶导数结合标准正态变换(DE1-SNV)为最优光谱处理方案；3)应用CARS算法从2599个波长中筛选90个特征变量；4)建立PLS、LS-SVM、BP-ANN和LSTM四种预测模型并进行10折交叉验证。

研究结果揭示：
• 光谱特征分析：发现2340nm处的特征峰与氨基酸振动相关，煮沸过程中水分相关O-H键吸收峰(1450nm)随温度升高发生蓝移，平均吸光度从2.5255降至1.6258。
• 成分变化规律：80°C是可溶性蛋白变化的临界点，含量从0.8384%骤降至0.3454%；TSS则因水分蒸发从7.1636°Brix持续升至9.4121°Brix。
• 模型性能对比：LS-SVM对可溶性蛋白预测表现最优(RMSEP=0.0579)，而TSS预测更适合线性PLS模型(RPD=4.3525)，深度学习模型在此场景未显现优势。

这项研究突破了传统检测的时空限制，为豆制品智能制造提供了关键技术支撑。特别值得注意的是，通过特征波长筛选将检测维度从2599降至90，大幅提升了工业场景的适用性。研究建立的预测模型已具备指导生产工艺优化的能力，例如通过实时监测80°C关键节点的蛋白变性程度来调控加热参数。未来扩大样本多样性后，该技术有望推广至豆腐、豆奶等衍生品的全流程质量控制，推动传统豆制品产业向数字化、智能化转型升级。