羅楓，魯曉翔，張鵬，陳紹慧，李江闊

1(天津商業(yè)大學(xué)生物技術(shù)與食品科學(xué)學(xué)院，天津市食品生物技術(shù)重點(diǎn)實(shí)驗(yàn)室，天津，300134)2(國(guó)家農(nóng)產(chǎn)品保鮮工程技術(shù)研究中心，天津市農(nóng)產(chǎn)品采后生理與貯藏保鮮重點(diǎn)實(shí)驗(yàn)室，天津，300384)

櫻桃是薔薇科植物，其味甘甜而微酸，并具有益氣、健脾、祛風(fēng)濕的功效［1］。櫻桃中富含豐富的糖與酸性物質(zhì)，糖酸比是決定櫻桃口味的重要指標(biāo)。櫻桃在成熟的過程中，糖跟酸性物質(zhì)會(huì)不斷發(fā)生轉(zhuǎn)變，使果品在不同時(shí)期具有不同的風(fēng)味與質(zhì)地。另一方面，由于櫻桃成熟的時(shí)間正值夏季(5～7月)，櫻桃本身也屬于易腐水果，導(dǎo)致其在冷藏過程中很容易出現(xiàn)品質(zhì)下降、果皮破損、果肉軟爛等現(xiàn)象，影響了其商品價(jià)值，限制了櫻桃的儲(chǔ)運(yùn)和銷售。因此，對(duì)櫻桃冷藏過程中TSS、TA、TSS/TA含量變化的跟蹤檢測(cè)，對(duì)果品品質(zhì)的評(píng)價(jià)具有現(xiàn)實(shí)意義［2］。

目前，對(duì)水果內(nèi)部品質(zhì)的評(píng)價(jià)傳統(tǒng)方法主要是感官評(píng)價(jià)和破壞性檢驗(yàn)的方法，這些方法都無法滿足果品品質(zhì)的快速分級(jí)，篩選的需求［3］。近紅外光譜(near infrared spectroscopy，NIRS)光譜區(qū)與物質(zhì)有機(jī)分子中含氫基團(tuán)(OH、NH、CH)振動(dòng)的合頻和各級(jí)倍頻的吸收區(qū)一致，通過掃描樣品的近紅外光譜，可以得到樣品中有機(jī)分子含氫基團(tuán)的特征信息，從而可以精準(zhǔn)的對(duì)物質(zhì)內(nèi)部品質(zhì)進(jìn)行高效檢測(cè);此外，利用近紅外光譜技術(shù)分析樣品還具有方便、快速、高效、準(zhǔn)確和成本較低，不破壞樣品，不污染環(huán)境等優(yōu)點(diǎn)，因此該技術(shù)受到越來越多人的青睞［4］。

近年來，已有利用近紅外漫反射無損檢測(cè)水果品質(zhì)的研究。孫炳新等［5］應(yīng)用近紅外光譜技術(shù)對(duì)蘋果中有效酸度的研究，結(jié)果表明建立的有效酸度模型性能較穩(wěn)定，可以滿足實(shí)際應(yīng)用需要。郭衛(wèi)東等［6］利用近紅外漫反射光譜檢測(cè)櫻桃中的甜度，結(jié)果表明NIRS可以高效無損的對(duì)櫻桃含糖量進(jìn)行測(cè)定。胡潤(rùn)文等［7］應(yīng)用近紅外光譜檢測(cè)臍橙糖酸比，結(jié)果說明該模型可以精準(zhǔn)預(yù)測(cè)其糖酸比。但有關(guān)櫻桃利用近紅外建模等問題的報(bào)道較少，且尚未見到利用近紅外技術(shù)檢測(cè)櫻桃中TSS、TA、TSS/TA含量的報(bào)道。本文從最能體現(xiàn)櫻桃果實(shí)內(nèi)部品質(zhì)的這3個(gè)化學(xué)指標(biāo)入手，利用近紅外漫反射技術(shù)對(duì)櫻桃進(jìn)行無損檢測(cè)。

1 材料與方法

1.1 櫻桃樣品收集與原始光譜的采集

1.1.1 樣品收集

沙蜜豆櫻桃于2014年6月10日采自河北省山海關(guān)區(qū)石河鎮(zhèn)毛家溝村實(shí)驗(yàn)基地，采收成熟度一致(約8成熟)的果實(shí)，采摘當(dāng)天運(yùn)至國(guó)家農(nóng)產(chǎn)品保鮮工程技術(shù)研究中心實(shí)驗(yàn)室［(20℃ ±1.5)℃］，進(jìn)行如下處理:將櫻桃按3.5斤/袋裝入襯有50 μm厚PE保鮮膜的塑料框中，于冷庫［(0±0.5)℃］中預(yù)冷24 h后，扎口存放。

1.1.2 原始光譜的采集

測(cè)試前，將櫻桃置于室溫內(nèi)，待與室溫平衡后，將果實(shí)表面凝結(jié)的水氣用紗布擦干，挑取其中無機(jī)械損傷、無病蟲害的果實(shí)，并將果實(shí)進(jìn)行標(biāo)號(hào)依次排列好后，進(jìn)行近紅外光譜的掃描。實(shí)驗(yàn)共取240個(gè)櫻桃，其中隨機(jī)抽取180個(gè)光譜數(shù)據(jù)作為校正集(calibration set)，60個(gè)作為預(yù)測(cè)集(validation set)。櫻桃原始光譜如圖1所示。

圖1 櫻桃原始光譜圖Fig.1 Original spectra of Cherry

1.2 樣品化學(xué)指標(biāo)的測(cè)定

TSS的測(cè)定:采用PAL-1數(shù)字手持折光儀，用蒸餾水校正零點(diǎn)，將櫻桃果肉擠壓出汁，于折光棱鏡的鏡面上直接測(cè)量。每個(gè)櫻桃重復(fù)測(cè)量3次，求其平均值，作為最終TSS值。

TA的測(cè)定:采用brix-acidity meter(GMK-706R)糖酸儀進(jìn)行測(cè)定，將櫻桃果實(shí)去核、去梗，用3層紗布擠壓過濾后，用濾液進(jìn)行測(cè)定，每個(gè)果重復(fù)測(cè)定3次TA值，取其平均值作為最終TA值。

TSS/TA值的測(cè)定:將每個(gè)果對(duì)應(yīng)TSS與TA值做比值，得到的數(shù)值即為糖酸比的值。

2 結(jié)果與分析

利用近紅外光譜進(jìn)行某種成分含量預(yù)測(cè)時(shí)，關(guān)鍵是要在采集的樣本光譜和測(cè)得的成分含量之間建立相關(guān)模型。將實(shí)驗(yàn)樣本分成校正集和預(yù)測(cè)集兩部分，進(jìn)行處理。采用Nova分析軟件、校正軟件WinISI4建立光譜與 TSS、TA、TSS/TA含量之間的相關(guān)關(guān)系［8］。首先要考察化學(xué)值的適用范圍，即建立模型后的通用性;再找出最優(yōu)的預(yù)處理方法對(duì)定標(biāo)模型進(jìn)行優(yōu)化;用優(yōu)化好的定標(biāo)模型對(duì)預(yù)測(cè)集進(jìn)行預(yù)測(cè)。對(duì)預(yù)測(cè)模型的定量評(píng)價(jià)是通過這3個(gè)化學(xué)指標(biāo)的實(shí)測(cè)值與預(yù)測(cè)值的相關(guān)系數(shù)Rcv2、校正誤差(square error of calibration，SEC)及預(yù)測(cè)誤差(square error of validation，SEP)、預(yù)測(cè)值與真實(shí)值的殘差、殘差和等來進(jìn)行的。一個(gè)好的模型應(yīng)該具有較高的Rcv2值，較低的SEC和SEP值，SEC和SEP差異則越小越好。校正相對(duì)分析誤差RPD(RPD=SD/SECV)可用來檢驗(yàn)?zāi)Ｐ偷倪m用能力。當(dāng)RPD在2～2.5之間，可進(jìn)行粗略的定量分析，當(dāng)RPD值大于2.5或3.0以上時(shí)，說明該模型具有很好的預(yù)測(cè)效果［9］。

2.1 剔除異常光譜

由于化學(xué)指標(biāo)在測(cè)定真實(shí)值時(shí)會(huì)因?yàn)槿藛T的操作、溫度、濕度以及光譜采集時(shí)可能會(huì)產(chǎn)生一些異常數(shù)據(jù)，這些異常樣品(outlier sample)會(huì)影響校正模型的建立，因而需要在樣品集中將這些樣品剔除?？刹捎妙A(yù)測(cè)濃度偏差、杠桿值、T檢驗(yàn)、重構(gòu)光譜殘差等的準(zhǔn)則，進(jìn)行異常樣品的逐個(gè)剔除［10］，本文隨機(jī)選取255個(gè)樣品，經(jīng)過預(yù)測(cè)濃度偏差準(zhǔn)則剔除后的總樣品集的樣品數(shù)為240。再按3∶1的比例，將這240個(gè)樣品隨機(jī)抽取180個(gè)作為定標(biāo)集，60個(gè)作為預(yù)測(cè)。

2.2 櫻桃中TSS、TA、TSS/TA含量的標(biāo)準(zhǔn)值分布

將測(cè)得的TSS、TA、TSS/TA值作為參考指標(biāo)，本實(shí)驗(yàn)校正集和預(yù)測(cè)集的樣品數(shù)、變幅、均值和標(biāo)準(zhǔn)差如表1所示。

表1 校正集和預(yù)測(cè)集TSS、TA、TSS/TA含量分析結(jié)果Table 1 Calibration set and prediction set TSS、TA and TSS/TA content analysis results

本實(shí)驗(yàn)數(shù)據(jù)是櫻桃經(jīng)預(yù)冷后的第1天起直至低溫［(0±0.5)℃］存放55d的整個(gè)過程中，隨機(jī)抽取255個(gè)櫻桃進(jìn)行測(cè)定得到的。針對(duì)每個(gè)櫻桃分別進(jìn)行TSS、TA值的測(cè)定，再求得TSS與TA的比值作為TSS/TA的值，經(jīng)過剔除數(shù)據(jù)最終得到240個(gè)樣品數(shù)據(jù)。在冷藏的過程中，原本8成熟的櫻桃經(jīng)歷了后熟過程，再到品質(zhì)下降，所以每個(gè)參考指標(biāo)的數(shù)據(jù)都具有代表性，更具有一定的范圍覆蓋性。從表1可見，3個(gè)指標(biāo)預(yù)測(cè)集的變幅包含在其定標(biāo)集變幅內(nèi)，說明選取的TSS、TA、TSS/TA參考指標(biāo)數(shù)據(jù)可以用來進(jìn)行近紅外漫反射對(duì)櫻桃品質(zhì)無損檢測(cè)的模型建立。

2.3 預(yù)處理方法、光譜波段選擇對(duì)建模的影響

選出合適的光譜預(yù)處理方法，能很好的過濾高頻隨機(jī)噪聲、提高信噪比，消除由于樣本不均導(dǎo)致的基線飄移的干擾［11］。光譜預(yù)處理的方法通常有，導(dǎo)數(shù)、平滑、扣減、歸一化、標(biāo)準(zhǔn)化等［12］。定標(biāo)模型的數(shù)據(jù)回歸技術(shù)主要有，主成分回歸(principal component regression，PCR)、偏最小二乘法(partial least squares，PLS)、改進(jìn)偏最小二乘法(modified partial least squares，MPLS)等［13］。應(yīng)用原一階微分光譜、二階微分光譜的方法解決基線校正的問題，其中一階微分主要解決基線偏移，二階微分主要解決基線漂移［14］。

本研究主要從MPLS和PLS的2種算法出發(fā)與不同散射和標(biāo)準(zhǔn)化方法相結(jié)合的方式進(jìn)行預(yù)處理的分析討論。一階微分光譜、二階微分光譜、原始光譜(None)、標(biāo)準(zhǔn)正常處理(standard normal variate，SNV only)、去離散處理(SNV and D)、標(biāo)準(zhǔn)多元散射校正(standard multiple scatter correction，SMSC)、加權(quán)多元散射校正(weighted multiple scatter correction，WMSC)、散射處理(Detrend，D only)等。櫻桃 TSS、TA、TSS/TA模型在不同預(yù)處理下的建模結(jié)果見表2所示。表3是3個(gè)模型的最優(yōu)預(yù)處理在全光譜區(qū)域和分段光譜下分別建模，以及相應(yīng)的檢測(cè)方式、最佳主成分?jǐn)?shù)以及模型評(píng)價(jià)。

表2 櫻桃TSS、TA、TSS/TA模型在不同預(yù)處理下的校正模型Table 2 Cherry TSS、TA、TSS/TA calibration models of the model under different pretreatment

表3 櫻桃分段建模結(jié)果Table 3 Calibration results for cherry in different segements

研究結(jié)果表明，3個(gè)模型都是一階微分處理優(yōu)于二階微分處理，全光譜區(qū)域優(yōu)于分段光譜區(qū)域，得到定標(biāo)模型的相關(guān)系數(shù)Rcv2值較大，校正標(biāo)準(zhǔn)偏差SEC較小。TSS與TSS/TA模型均是MPLS算法優(yōu)于PLS算法，基于此算法基礎(chǔ)上結(jié)合SNV and D對(duì)校正模型進(jìn)行處理;TA模型是選用PLS算法結(jié)合SMSC處理的方法，該法可以得到最優(yōu)預(yù)測(cè)模型。經(jīng)處理后，均使得各自模型很好的實(shí)現(xiàn)了減小 SEC，提高Rcv2。由此得到，櫻桃TSS、TA、TSS/TA模型在最優(yōu)預(yù)處理下，SEC和 Rcv2分別為:0.432 9和0.945 1;0.037 5和0.861 7;0.576 1和0.928 7。因此，本文采用最優(yōu)預(yù)處理方法下的校正模型對(duì)未知樣品進(jìn)行預(yù)測(cè)。

圖2是經(jīng)過一階微分處理后的光譜圖，可以很好的說明經(jīng)過預(yù)處理后的光譜圖達(dá)到了預(yù)期效果。

2.4 模型的建立

TSS、TA、TSS/TA 3個(gè)模型經(jīng)校正優(yōu)化后得到的定量校正集的真實(shí)值與預(yù)測(cè)值之間的關(guān)系圖分別如圖3～圖5所示，可以看出櫻桃NIR光譜與這3個(gè)指標(biāo)之間具備良好的相關(guān)關(guān)系。

圖2 櫻桃一階微分光譜圖Fig.2 2nd spectra of Cherry

圖3 TSS校正集中真實(shí)值與預(yù)測(cè)值關(guān)系圖Fig.3 The TSS correction concentration diagram true values and predicted values

圖4 TA校正集中真實(shí)值與預(yù)測(cè)值關(guān)系圖Fig.4 The TA correction concentration diagram true values and predicted values

圖5 TSS/TA校正集中真實(shí)值與預(yù)測(cè)值關(guān)系圖Fig.5 The TSS/TA correction concentration diagram true values and predicted values

2.5 校正模型的預(yù)測(cè)評(píng)價(jià)

為了檢驗(yàn)校正模型的適用性與可靠性，實(shí)驗(yàn)用預(yù)處理后3個(gè)最優(yōu)的定標(biāo)模型對(duì)60個(gè)未知櫻桃的TSS、TA、TSS/TA含量分別進(jìn)行定量預(yù)測(cè)、和殘差分布的分析，結(jié)果如圖6～圖11所示。

圖6 TSS實(shí)測(cè)值與預(yù)測(cè)值之間的相關(guān)性Fig.6 The correlation between the measured and predicted values of TSS

圖7 TSS 60個(gè)預(yù)測(cè)樣品殘差分布圖Fig.7 Residual error distribution for 60 prediction samples of TSS

圖8 TA實(shí)測(cè)值與預(yù)測(cè)值之間的相關(guān)性Fig.8 The correlation between the measured and predicted values of TA

圖9 TA 60個(gè)預(yù)測(cè)樣品殘差分布圖Fig.9 Residual error distribution for 60 prediction samples of TA

圖10 TSS/TA實(shí)測(cè)值與預(yù)測(cè)值之間的相關(guān)性Fig.10 The correlation between the measured and predicted values of TSS/TA

圖11 TSS/TA60個(gè)預(yù)測(cè)樣品殘差分析圖Fig.11 Residual error distribution for 60 prediction samples of TSS/TA

由圖6、圖8、圖10可見，本實(shí)驗(yàn)建立的櫻桃TSS、TA、TSS/TA模型分別對(duì)60個(gè)預(yù)測(cè)集樣品的真實(shí)值和預(yù)測(cè)值比較相近，從圖7、圖9、圖11可以看出，3個(gè)殘差均在y=0上下均勻波動(dòng)，TSS、TA、TSS/TA預(yù)測(cè)樣品殘差和分別為 －1.838，0.519，3.411。TSS、TA、TSS/TA 模型預(yù)測(cè)標(biāo)準(zhǔn)誤差 SEP、Rp2和相對(duì)分析誤差RPD分別為0.442 5，0.924 7，3.9;0.040 1，0.858 6，3.7;0.753 6，0.910 8，2.7。綜上所述，通過對(duì)SEP、Rp2、殘差、殘差分布情況的分析表明，所建立的3個(gè)模型比較穩(wěn)定，可以達(dá)到實(shí)際應(yīng)用的要求，NIRS對(duì)櫻桃中TSS、TA、TSS/TA含量的高效、快速的無損檢測(cè)是可行的。

3 結(jié)論

本文應(yīng)用NIRS檢測(cè)技術(shù)，采用波長(zhǎng)在408.8～2 492.8 nm范圍，對(duì)冷藏過程中櫻桃 TSS、TA、TSS/TA含量進(jìn)行無損檢測(cè)，構(gòu)建了關(guān)于這三者的定量模型，從而評(píng)價(jià)櫻桃內(nèi)部品質(zhì)。通過對(duì)建立模型的Rcv2、SEP、殘差分布、殘差之和等指標(biāo)的分析可知，建立的櫻桃TSS、TA、TSS/TA模型預(yù)測(cè)性強(qiáng)，適用效果好，穩(wěn)定性較高。3個(gè)模型的預(yù)處理都是一階微分優(yōu)于二階微分，說明可能是優(yōu)于3個(gè)模型基線偏移問題比較顯著，使得經(jīng)過一階微分處理后的效果優(yōu)于二階微分。TSS、TSS/TA最佳預(yù)處理都是MPLS算法下的去離散處理(SNV and D)。TA模型的最佳預(yù)處理是PLS算法下的標(biāo)準(zhǔn)多元散射校正(SMSC)處理。TSS、TA、TSS/TA模型預(yù)測(cè)相關(guān)系數(shù)分別是:0.924 7，0.858 6，0.910 8。

綜上分析，說明應(yīng)用NIRS檢測(cè)冷藏過程中櫻桃TSS、TA、TSS/TA含量是可以實(shí)現(xiàn)的，并能夠很好的對(duì)其進(jìn)行定量分析，并對(duì)櫻桃內(nèi)部品質(zhì)進(jìn)行評(píng)價(jià)。

［1］ 張宗坤，張超杰，劉萬好.淺述大櫻桃冷藏保鮮技術(shù)［J］.煙臺(tái)果樹，2006(1):17－19.

［2］ 孫炳新，匡立學(xué)，徐方旭，等.蘋果有效酸度的近紅外無損檢測(cè)研究［J］.食品工業(yè)科技，2013，34(15):298－301.

［3］ LIU Y，SUN X，Ouyang A.Nondestructive measurement of soluble solid content of navel orange fruit by visible–NIR spectrometric technique with PLSR and PCA-BPNN［J］.LWT-Food Science and Technology，2010，43(4):602－607.

［4］ 李慧，曾銘，要磊，等.近紅外光譜技術(shù)在食品檢測(cè)中的應(yīng)用研究進(jìn)展［J］.食品工業(yè)，2012(12):85－88.

［5］ 孫炳新，匡立學(xué)，徐方旭，等.蘋果有效酸度的近紅外無損檢測(cè)研究［J］.食品工業(yè)科技，2013，34(15):298－301.

［6］ 郭衛(wèi)東，倪開誠(chéng)，孫旭東，等.基于CWT和GRNN的可見-近紅外漫反恁光譜檢測(cè)櫻桃糖度的研究［J］.食品科學(xué)，2009(12):140－143.

［7］ 胡潤(rùn)文，高海洲，夏俊芳.臍橙糖酸比的近紅外光譜檢測(cè)［J］.湖北農(nóng)業(yè)科學(xué)，2011，50(13):2753－2756.

［8］ 馬廣，傅霞萍，周瑩，等.大白桃糖度的近紅外漫反射光譜無損檢測(cè)試驗(yàn)研究［J］.光譜學(xué)與光譜分析，2007，27(5):907－910.

［9］ 王丹，魯曉翔，張鵬，等.近紅外無損檢測(cè)甜柿果實(shí)質(zhì)地和品質(zhì)［J］.食品工業(yè)科技，2013，34(24):53－56.

［10］ 祝詩平，王一鳴，張小超，等.近紅外光譜建模異常樣品剔除準(zhǔn)則與方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2004，35(4):115－119.

［11］ 岳絨，郭文川，劉卉.近紅外漫反射光譜檢測(cè)損傷獼猴桃的內(nèi)部品質(zhì)［J］.食品科學(xué)，2011，32(10):141－144.

［12］ 王姍姍，孫紅男，陳健，等.基于近紅外光譜技術(shù)檢測(cè)藍(lán)莓可溶性固形物含量［J］.食品工業(yè)科技，2012(1):340－341.

［13］ Wan B，Small G W.Wavelet analysis used for spectral background removal in the determination of glucose from near-infrared single-beam spectra［J］.Analytica chimica acta，2010，681(1):63－70.

［14］ Magwaza L S，Opara U L，Nieuwoudt H，et al.NIR spectroscopy applications for internal and external quality analysis of citrus fruit—a review［J］.Food and Bioprocess Technology，2012，5(2):425－444.