顯微觀察結合目標識別技術觀測馬鈴薯淀粉的糊化特性

原波，陶金軒，劉宏生

（1.廣東工貿職業技術學院機械工程系，廣東廣州 510510）（2.華南理工大學食品科學與工程學院，廣東廣州 510640）

淀粉是葡萄糖分子的聚合物，以顆粒的形式存在于大多數高等植物的根、莖、葉、果實和花粉等器官中，是人體能量的主要來源，同時也廣泛應用于食品，造紙、紡織和醫藥等工業[1]。當在過量水中加熱時，淀粉顆粒吸水膨脹，晶體結構逐漸被破壞，這種行為稱為糊化[2]。在大多數工業生產涉及增稠劑和膠黏劑的每一個環節中，淀粉的糊化特性嚴重影響著產品的品質。

利用淀粉糊化過程中理化特性的變化來研究糊化特性是國內外的研究重心。差示掃描量熱法（DSC）是研究淀粉熱特性的重要方法，可通過在線監控轉變溫度和能量變化等參數變化，演繹淀粉分子結構轉變及行為變化[3~5]。但是該方法對體系中的水分和樣品量有嚴格要求，同時樣品的制備、盤的種類和實驗參數等嚴重影響焓值及轉變溫度的測定[6,7]。偏光顯微鏡結合熱臺對淀粉的糊化特性進行在線研究是一種簡便而又直觀的方法。淀粉開始糊化后，雙折射這一淀粉球晶結構的重要特征逐漸消失[8,9]。Spies等首次使用熱臺偏光顯微鏡觀察淀粉的糊化行為，并定義50%淀粉顆粒失去雙折射特征的溫度為糊化溫度[10]。Bryant等把第一個淀粉顆粒失去雙折射特征的溫度作為起始糊化溫度，95%的顆粒失去雙折射特征的溫度作為終止糊化溫度[11]。另有研究者把2%和98%的顆粒失去雙折射特征的溫度分別作為淀粉的起始糊化溫度和終止糊化溫度[12]。傳統方法對淀粉糊化溫度的確定沒有統一標準，并且主要利用人工計數的方式來觀測淀粉雙折射特征變化，不僅耗費了大量的時間，也存在主觀判定誤差。

近年來，深度學習作為一種整個過程無需人工參與也能提取到好的特征的非監督學習方式，成為了計算機領域的研究熱點，有廣闊的研究空間，并且已經應用于生物科學[13]、醫學[14,15]等領域，但其在食品領域，特別是對淀粉的研究鮮見報道。Liu等提出的深度學習算法模型SSD基于前饋卷積網絡[16]，它是一種使用單個深層神經網絡檢測圖像中對象的方法，其核心是使用小卷積濾波器來預測特征圖上固定的一組默認邊界框的類別分數和位置偏移，準確度高。本實驗將熱臺偏光顯微鏡與深度學習圖像識別技術結合，提供了一種快速精確地捕捉馬鈴薯淀粉的雙折射特征變化的檢測方法Starch-SSD，進而研究其糊化特性，并與人工觀測結果進行了比較，以期為淀粉的改性和深加工中在線控制提供理論參考。

1 材料與方法

1.1 原料與設備

原料：馬鈴薯淀粉，澳大利亞Penford公司。

設備：偏光顯微鏡，日本Olympus公司(配有Micro Publisher 3.3 RTV型數碼相機)；THMSE600型熱臺，美國Linkam公司。

1.2 熱臺偏光顯微觀察

將熱臺設備和溫度操作系統（Linkam Scientific Instruments公司THMS600）進行連接，提供加熱系統，采用日本Olympus公司的光學顯微鏡（BHS-2型）觀察淀粉顆粒形態變化。

常溫觀察：制備質量分數約1%的馬鈴薯淀粉乳，滴加一滴于載玻片上，蓋上蓋玻片，將樣品放置于顯微鏡的載物臺上，固定，使用50×10的放大倍數，在普通光和偏振光下，對淀粉顆粒的形態結構和雙折射特征進行觀察和拍攝。

熱臺升溫：制備質量分數在約為 1%的淀粉乳，滴加一滴在圓形載玻片上，蓋上蓋玻片并使用玻璃膠密封，樣品片放在熱臺上，將熱臺放置在連接數碼相機的偏光顯微鏡載物臺下，使用50×10的放大倍數，選擇適當的曝光時間，以30 ℃為升溫起點，加熱速率2 ℃/min，每隔30 s用相機記錄拍攝淀粉于普通光和偏振光下的顯微圖片，在線記錄并貯存熱臺升溫過程中淀粉顆粒形態及雙折射特征的變化情況，至視野中顆粒雙折射特征完全消失停止加熱。

1.3 Starch-SSD方法的構建與評估

相比自然圖像，淀粉的形態結構更加單一，因此本實驗提出了淀粉糊化特性的檢測方法Starch-SSD，可以高效、快速地檢測和研究糊化過程中雙折射特征的變化并進行分析。該方法主要包括數據采集、目標識別和模型評估。

1.3.1 數據采集

圖1 Starch-SSD方法結構示意圖Fig.1 Structure of starch-SSD

淀粉糊化進程的偏振光下的顯微圖片進行前處理，設置所有圖片的像素值為768*1024，偏光顯微圖像將通過多個卷積層（實線層）和池化層（虛線層）進而來獲得特征映射。

將馬鈴薯淀粉偏振光顯微圖片分為訓練樣本和測試樣本，使用Matlab軟件對訓練樣本中偏光顯微圖片的雙折射特征使用正方形的框進行標注，并將其設置為正樣本，圖片上其余部分設置為負樣本。利用人工神經網絡對訓練樣本進行深度學習并構建馬鈴薯淀粉雙折射特征數據庫，隨后對測試樣本馬鈴薯淀粉糊化進程的偏光顯微圖片進行目標識別并對檢測結果進行分析。

Starch-SSD方法的結構示意圖如圖1所示，對于每一個特征映射，使用3×3×k卷積核進行卷積操作，產生類別的分數或相對于雙折射特征默認框的位置偏移。由此，在非極大值抑制步驟后，每個應用卷積核運算的m×n大小位置處，將會產生一個輸出結果。

1.3.2 目標識別

對馬鈴薯淀粉雙折射特征的檢測方法Starch-SSD的目標損失函數為：

總體的目標損失函數為置信損失Lconf與位置損失Lloc的加權求和；

若第i個默認框不包含任何類別，即沒有檢測到淀粉雙折射特征，則 i∈neg，表示為負樣本；否則，i∈pos，表示為正樣本；

Starch-SSD的定位：對標注的淀粉雙折射特征框的中心c=(cx,cy)、寬度w以及高度h進行回歸，權重α為1：

1.3.3 糊化特性評價

為了比較這種方法與人類視覺系統的速度和準確性，分別采用傳統視覺觀察法和Starch-SSD方法，根據升溫過程中雙折射特征數量變化，精確記錄每張圖像中呈現雙折射特征淀粉的數量和對應的時間消耗，從而確定淀粉的糊化溫度。要求5名實驗人員對同一組馬鈴薯淀粉糊化進程的偏光顯微圖片進行檢測。

糊化度的確定：

DG：馬鈴薯淀粉的糊化度；A0：淀粉原始未升溫時偏光顯微照片中呈現雙折射現象的顆粒個數；Ai：熱臺的程序升溫至特定溫度i ℃時，淀粉偏光顯微照片中呈現雙折射現象的顆粒個數。

糊化溫度的確定：馬鈴薯淀粉起始糊化溫度T0、終止糊化溫度Te通過如下關系式確定：

其中TDG=5%表示DG%=5%時的溫度，TDG=95%表示DG%=95%時的溫度。

1.3.4 數據統計分析

本文中所有實驗均平行三次，所有數據都用平均值(mean)±標準差(SD)表示。數據圖由Origin 8.0軟件完成。

2 結果與討論

2.1 光學顯微觀察結果

圖2 馬鈴薯淀粉光學顯微觀察（室溫）Fig.2 Micrographs of photo starches at room temperature under normal light (left)and polarizedlight(right)

圖2為馬鈴薯淀粉分別在普通光和偏振光下的顯微圖像，淀粉以顆粒的狀態存在，形狀為橢圓形，顆粒尺寸差異較大，在顯微鏡的普通光下觀察是透明的，可看到明顯的生長環（輪紋），生長環的存在可能是由于淀粉在合成過程中所需的葡萄糖原料的晝夜不同導致各層密度不同。此外，偏振光下可以觀察到淀粉顆粒明顯的黑色亮斑，即臍點，且臍點偏向顆粒的一端。

圖3為馬鈴薯淀粉在加熱過程中，在普通光和偏振光下分別選取采集的顯微圖片，可以看出，在30 ℃下，馬鈴薯淀粉顆粒保留原有完整的形貌和雙折射特征。隨著溫度的升高，淀粉顆粒膨脹，尺寸增大，溫度不超過60 ℃時，視野中顆粒形態和雙折射特征變化不大。當溫度大于60 ℃時，顆粒結構逐漸被破壞，開始失去雙折射特征。當溫度到達70 ℃時，淀粉顆粒完全被破壞，雙折射特征也完全消失，這標志著糊化過程的結束。

圖3 顯微鏡下馬鈴薯淀粉糊化過程中不同溫度的顯微照片Fig.3 Micrographs of potato starch at different temperatures during the process of gelatinization

2.2 馬鈴薯淀粉糊化特性檢測結果

表1為使用人工觀察方法和Starch-SSD分別對馬鈴薯糊化特性的檢測結果。結果表明，使用人工觀測存在明顯的主觀誤差，對于實驗結果特別是糊化溫度的判斷有影響。

此外，利用人工視覺觀察的方法對馬鈴薯淀粉糊化進程中，從第一張偏光顯微圖片到最后一張進行檢測最少耗時約43 s，最長耗時約66 s。相比之下，使用Starch-SSD方法利用計算機對淀粉糊化進程中雙折射特征數量變化進行檢測不存在主觀判斷誤差，整體檢測時間控制在4 s以內，耗時顯著短于人工觀測。隨著實驗數據樣本數量和種類不斷擴充，利用人工智能檢測可實現更高水平的精度和識別效率。

圖4為使用Starch-SSD檢測方法得到馬鈴薯淀粉雙折射特征數目和對應溫度點的糊化度隨溫度升高的變化情況，Starch-SSD提供了一種更加準確快速地對淀粉糊化特性進行研究的新方法。

圖4 馬鈴薯淀粉加熱過程中特殊溫度下呈現雙折射特征的數目及對應糊化度Fig.4 The number of birefringence characteristics and the corresponding degree of gelatinization at a special temperature during the heating

表1 Starch-SSD和人工方法分別檢測馬鈴薯淀粉糊化溫度的結果和對應的時間消耗Table 1 Result of gelatinization temperature and the corresponding time consumption starches by Starch-SSD and manual method

3 結論

3.1 顯微觀察表明，馬鈴薯淀粉以顆粒的形式存在，在偏振光下有獨特的雙折射特征，當使用熱臺對淀粉乳進行加熱，顆粒吸水膨脹，溫度達到 61 ℃時，雙折射特征開始逐漸消失，在 71 ℃時，呈現雙折射特征的淀粉完全消失，淀粉完成糊化，雙折射可以作為研究淀粉糊化特性的重要指標。

3.2 Starch-SSD方法可對淀粉糊化進程中雙折射特征的變化進行檢測分析，相對于傳統的人工視覺觀察法，克服了主觀判定誤差，整體檢測耗時間在4 s以內，為今后淀粉產品或者改性淀粉的生產提供了一種更加快速準確的在線監控體系。

[1]張燕萍.變性淀粉制造與應用[M].北京:北京化學工業出版社,2007

[2]Ai Yongfeng, Jay-lin Jane. Gelatinization and rheological properties of starch [J]. Starch-St?rke, 2015. 67(3-4): 213-224

[3]Shu-jun Wang, Xiu Zhang, Shuo Wang, et al. Changes of multi-scale structure during mimicked DSC heating reveal the nature of starch gelatinization [J]. Scientific Reports, 2016,6: 28271

[4]Stevens D J, Elton G A H, St Albans, et al. Thermal properties of the starch/water system part i. measurement of heat of gelatinisation by differential scanning calorimetry [J]. Starch-St?rke, 1971, 23(1): 8-11

[5]Hong-sheng Liu, Long Yu, Feng-wei Xie, et al. Gelatinization of cornstarch with different amylose/amylopectin content [J].Carbohydrate Polymers, 2006, 65(3): 357-363

[6]Long Yu, Christie G. Measurement of starch thermal transitions using differential scanning calorimetry [J].Carbohydrate Polymers, 2001, 46(2): 179-184

[7]Can-hui Cai, Jin-wen Cai, Ling-xiao Zhao, et al. In situ gelatinization of starch using hot stage microscopy [J]. Food Science and Biotechnology, 2014, 23(1): 15-22

[8]Molina M T, Leiva A, Bouchon P. Examining the effect of freezing on starch gelatinization during heating at high rates using online in situ hot-stage video-microscopy and differential scanning calorimetry [J]. Food and Bioproducts Processing, 2016, 100: 488-495

[9]Fa-deLi, Li-te Li, Zai-gui Li, et al. Determination of starch gelatinization temperature by ohmic heating [J]. Journal of Food Engineering, 2004, 62(62): 113-120

[10]Spies R D, Hoseney R C. Effect of sugars on starch gelatinization [J]. Cereal Chemistry, 1982, 59(2): 128-131

[11]Bryant C M, Hamaker B R. Effect of lime on gelatinization of corn flour and starch [J]. Cereal Chemistry, 1997, 74(2):171-175

[12]Chen Pei, Long Yu, Kealy T, et al. Phase transition of starch granules observed by microscope under shearless and shear conditions [J]. Carbohydrate Polymers, 2007, 68(3): 495-501

[13]Angermueller C, Parnamaa T, Parts L, et al. Deep learning for computational biology [J]. Molecular Systems Biology, 2016,12(7): 878

[14]Litjent, Geert, Kooi Thijs, Bejnordi Babak Ehteshami, et al. A survey on deep learning in medical image analysis [J].Medical Image Analysis, 2017, 42(Supplement C): 60-88

[15]Cruzroa A A, Arevalo Ovalle J E, Madabhushi A, et al. A deep learning architecture for image representation, visual interpretability and automated basal-cell carcinoma cancer detection [C]// Med Image Comput Comput Assist Interv.Springer-Verlag Berlin Heidelberg, 2013: 403-10

[16]Liu Wei, Anguelov Dragomir, Erhan Dumitru, et al. SSD:Single Shot MultiBox Detector [C]// European Conference on Computer Vision, Springer, 2016: 21-37