亚洲成aⅴ人在线观看_亚洲欧美日韩综合一区在线观看_国产无码电影一区二区三区_国语精品91自产拍在线观看二区

食品伙伴網(wǎng)服務(wù)號

感官分析在食品飲料研究中有哪些常用方法?

放大字體  縮小字體 發(fā)布日期:2024-08-12  來源:感官科學(xué)與評定
核心提示:近年來,隨著國民經(jīng)濟持續(xù)穩(wěn)步上升,中國飲料行業(yè)增長態(tài)勢良好。一款成熟的飲料產(chǎn)品在投入生產(chǎn)之前,往往要經(jīng)歷原料的篩選與制備
近年來,隨著國民經(jīng)濟持續(xù)穩(wěn)步上升,中國飲料行業(yè)增長態(tài)勢良好。一款成熟的飲料產(chǎn)品在投入生產(chǎn)之前,往往要經(jīng)歷原料的篩選與制備、配方的優(yōu)化和品質(zhì)的研究、生產(chǎn)工藝的確定、市場預(yù)測以及產(chǎn)品定位等程序,而感官評定對產(chǎn)品配方的改善 、市場接受度預(yù)測、消費者購買意向的預(yù)測發(fā)揮了至關(guān)重要的作用。隨著生活質(zhì)量的提高,消費者對消費觀、價值觀等均發(fā)生了較大轉(zhuǎn)變,對食物的要求標(biāo)準(zhǔn)從飽腹、營養(yǎng)、安全向滿足各種色、香、味的感官品質(zhì)的方向發(fā)展。
 
感官評定是測量、分析、解釋由食品與其他物質(zhì)相互作用所引發(fā)的,能通過人的味覺、觸覺、嗅覺和聽覺進行評價的科學(xué),包括味覺評定、嗅覺評定、視覺評定,具有應(yīng)用范圍廣、實用可操作性強、結(jié)果具有可靠性和代表性等特點。
 
感官評定在果汁、茶飲、酒類等領(lǐng)域存在幾種方法使用頻率較高,可根據(jù)面向人群以及特點作用的不同將飲料感官評定的方法分為以下兩類。
 
01.面向?qū)I(yè)感官評定員的常用方法
 
01.QDA法
 
定量描述分析 (QDA),又稱為定量描述實驗,于 20 世紀(jì) 70 年代逐步發(fā)展起來,是評價員對樣本所有特性進行定量分析與描述的一種感官評價方法。
 
QDA不僅對樣品進行定性分析還能通過統(tǒng)計得到數(shù)據(jù),將定性與定量結(jié)合。目前,QDA 已廣泛運用于啤酒、酸奶、醋、葡萄酒評價中,為飲料類的感官定提供了一種思路。
 
QDA 方法的前期工作是需要搭建感官實驗室以及篩選感官評價小組。感官實驗室的功能、照明光線、內(nèi)設(shè)顏色符合 GB/T 13868-2009 《感官分析 建立感官分析實驗室的一般導(dǎo)則》,其空間分布包括樣品準(zhǔn)備室以及獨立品評小隔間。
 
感官評價小組參照《感官分析選拔、培訓(xùn)與管理評價員一般導(dǎo)則 第一步;優(yōu)選評價員》 (GB/T 16291. 1—2012) 對候選評價人員進行感官評定培訓(xùn)和基本味覺、嗅覺、視覺的測試,最終篩選出 10~20 名人員組成感官評定小組,每評定一樣品后,以純凈水漱口,10min 后方可評價下一樣品。第二步是建立感官特性描述詞并進行感官特性強度的評價。
 
感官描述詞由經(jīng)過培訓(xùn)的感官評價員在熟悉了樣本的特性后使用自己理解并能向其他人員表述清楚的任意詞語描述樣本,由組長和組員對所有詞語進行記錄和再次篩選評估,最終經(jīng)過鑒別和討論確定最終的描述性詞匯表。隨后感官評價小組通過 100 分線性標(biāo)度對樣本的感官屬性進行強度定量評價,分值越高說明強度越強。
 
在對 QDA 得到的相關(guān)統(tǒng)計數(shù)據(jù)進行方差分析和主成分分析,方差分析能顯示描述詞匯表中的描述詞之間的差異性,而主成分分析可以更為直觀的表明各樣本感官特征之間的區(qū)別和聯(lián)系?傊,QDA 法具有準(zhǔn)確率高,能夠在對感官屬性進行量化、細化的同時準(zhǔn)確區(qū)分樣本把各感官特征的強度差異。
 
02.繪制風(fēng)味輪
 
風(fēng)味輪是一種由專業(yè)感官評定小組整理得出的一種表現(xiàn)產(chǎn)品風(fēng)味特征科學(xué)有效的描述詞系統(tǒng),廣泛應(yīng)用于咖啡、醬油、綠茶、大曲、汾酒等領(lǐng)域,能夠把感知到的樣本的風(fēng)味屬性進行歸納分類形成可視化的實用圖譜工具。
 
風(fēng)味輪通常以 2~3 層的圓形車輪形狀直觀地表達產(chǎn)品風(fēng)味的感官特征與共性,描述詞由內(nèi)層向外層逐一細化,有利于樣本品質(zhì)和質(zhì)量的科學(xué)評價及控制,也有助于專業(yè)感官評定人員以及消費者的理解和學(xué)習(xí)交流。
 
風(fēng)味輪的構(gòu)建也需要先經(jīng)過樣本的準(zhǔn)備、感官評定小組的建立與培訓(xùn)、描述詞的產(chǎn)生與刪減。在經(jīng)過感官品頂小組討論對獲得的描述詞進行總結(jié)整理、二次刪減并分類分級匯總,以風(fēng)味與香氣作為一級術(shù)語,相似歸類描述詞作為二級術(shù)語,具體描述詞作為三級術(shù)語,最終繪制形成風(fēng)味輪。
 
風(fēng)味輪的構(gòu)建從風(fēng)味剖面法的角度出發(fā),為剖析樣本的關(guān)鍵感官特征和完善樣本品質(zhì)、質(zhì)量評價方法提供了科學(xué)直觀的參考,有助于目標(biāo)樣本加工成產(chǎn)過程中的質(zhì)量調(diào)控從而促進對應(yīng)食品產(chǎn)業(yè)的發(fā)展。
 
02.面向消費者的常用方法
 
圖片
 
01.九點喜好法
 
九點喜好法又稱接受度檢驗,相比于其他方法更加快速,要求測試者給選定的樣品的喜、惡程度打分 (1 表示非常厭惡,9 表四非常喜歡),通常與其他面向消費者感官評定方法結(jié)合作為先行測試。此方法能根據(jù)消費者喜愛度與樣本的感官特征、理化指標(biāo)以及色度等指標(biāo)之間的差異性以及相關(guān)性進行初步分析,為進一步完善現(xiàn)有的樣本品質(zhì)評價方法提供依據(jù)。
 
與 QDA 和風(fēng)味輪等測試方法不同,由于更多是面向消費者的測試,其評價參與人數(shù)根據(jù)采用的實驗場所而定,在整理了相關(guān)文獻研究后得出一般募集 100~150 民消費者進行喜愛度的測試,隨后對數(shù)據(jù)結(jié)果進行統(tǒng)計和排序分析,得出消費者喜愛度最高和喜愛度最低的樣品。
 
基于九點喜愛度方法的測試結(jié)果,研究者再對樣本的特征風(fēng)味、樣本的顏色、樣本的甜苦味程度、味道的持續(xù)時間等方面進行詳細分析。九點喜愛度方法由于只能得到測試者的初步印象,單獨使用時對樣本感官特征的描述程度較淺,一般和 CATA 方法同時使用能快速了解消費者的偏好并且確定對樣本配方調(diào)整的方向。如西南大學(xué)食品團隊,再利用 CATA 方法研究褐色酸奶感官性質(zhì)時,使消費者先進性 9 點喜好度檢驗,能夠初步得到消費者對樣本在整體水平上的喜愛度分?jǐn)?shù)。
 
02.CATA法
 
由于能快速獲得感官剖面這一優(yōu)點,CATA 方法等快速描述分析方法的應(yīng)用日益廣泛,根據(jù)文獻顯示,目前 CATA 方法已應(yīng)用于茶飲、橙汁、奶酪等食品領(lǐng)域。在 CATA 感官評定表中,消費者將看到一個屬性列表,被要求指出哪些詞語或者短語能夠恰當(dāng)描述所評估的樣本的感官特征。
 
此類描述詞范圍較廣,可包含感官屬性、情感屬性、享樂反應(yīng)、購買意向、潛在應(yīng)用以及產(chǎn)品定位等可能與樣本相關(guān)的術(shù)語。相比于其他基礎(chǔ)感官評定方法,要求消費者從列表中選擇已有術(shù)語被認(rèn)為是更為簡單而直觀的方法。
 
CATA 方法步驟的重點在于消費者回答問卷描述詞匯表的設(shè)計,即描述詞類型、數(shù)量、次序的設(shè)計。首先,從文獻和樣本研究的前期其他實驗中收集得到待篩選的描述詞匯,再經(jīng)過 7~12 名不參與 CATA 感官問卷測試的消費者根據(jù)感官體驗挑選出達到大于 70% 共識的 30~50 個香氣、感官描述詞,為了避免由于位于列表開頭的術(shù)語更容易被選擇的首因性偏見問卷詞語的排列遵循拉丁方設(shè)計的隨機排列。隨后招募 80~100 名消費者進行 CATA 測試對得到的描述詞頻率進行統(tǒng)計分析,通過 Cochran’s Q test 分析描述詞之間的顯著性差異,基于描述詞被選擇的頻率對具有顯著性差異的描述詞進行對應(yīng)分析 (CA) 得到直觀展示樣品與描述詞之間的關(guān)系的感官剖面圖,從樣本感官屬性圖譜找到樣本之間的相似點和不同點達到樣本主要感官特征的可視化。
 
由于 CATA 方法利用消費者代替專業(yè)感官評定員,節(jié)省了進行專業(yè)的培訓(xùn)和維護的時間以及成本,同時能快速地、直接地反映消費者的情緒喜愛感受,因此此方法的使用在節(jié)省成本的同時有助于目標(biāo)產(chǎn)品的配方改善和工業(yè)化生產(chǎn),使其更好地立足于市場。 
編輯:songjiajie2010

 
分享:
關(guān)鍵詞: 感官
 

 
 
推薦圖文
推薦檢驗技術(shù)
點擊排行
檢驗技術(shù)
 
 
Processed in 0.068 second(s), 14 queries, Memory 0.9 M