陳 辰 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 300134；2.天津市食品生物技術(shù)重點(diǎn)實(shí)驗室，天津 300134；3.國家農(nóng)產(chǎn)品保鮮工程技術(shù)研究中心，天津 300134；4.天津市農(nóng)產(chǎn)品采后生理與貯藏保鮮重點(diǎn)實(shí)驗室，天津 300384）

葡萄（grapes）為葡萄科（vitaceac）、葡萄屬（Vitis）落葉藤本植物，是世界范圍內(nèi)栽培廣泛、產(chǎn)量較大、市場占有率高的水果之一。紅提葡萄又名紅地球、晚紅等，歐亞種，原產(chǎn)美國，1987年引入中國，在長江流域以北各地均有廣泛栽培，含有豐富的糖、有機(jī)酸、蛋白質(zhì)、維生素、礦物質(zhì)等營養(yǎng)物質(zhì)，平均單粒重約10g，紅色或紫紅色，甜酸適口、質(zhì)地堅實(shí)較脆，硬度大［1］。由于葡萄果粒皮薄多汁，含水量、含糖量均高，采后生命力仍比較活躍，貯藏、運(yùn)輸、銷售期間很容易發(fā)生硬度衰減、腐爛變質(zhì)、落粒、干梗等現(xiàn)象，大大降低了商品價值［2］。隨著消費(fèi)市場對鮮食葡萄品質(zhì)要求的逐漸提高及葡萄保鮮技術(shù)的迅速發(fā)展，針對葡萄在采后貯、運(yùn)、銷物流過程中品質(zhì)的快速、無損檢測技術(shù)研究已成為果蔬產(chǎn)業(yè)領(lǐng)域的重要課題。

Vc是廣泛存在于果蔬中的一種水溶性維生素，它既是人體必需的營養(yǎng)素，又是反映果蔬品質(zhì)的重要指標(biāo)之一。傳統(tǒng)的VC測定方法如2，6－二氯靛酚滴定法、鉬藍(lán)比色法、2，4－二硝基苯肼法等，存在浪費(fèi)資源，且耗時長、消耗試劑多、準(zhǔn)確性低等缺點(diǎn)［3］。近紅外無損檢測是利用樣品對光的特定吸收、反射、透射而進(jìn)行定量、定性分析的高新檢測技術(shù)，具有簡便快速、無破壞性、綠色無污染等優(yōu)點(diǎn)［4，5］。近紅外光譜同時涵蓋樣品多種組分信息，利用該技術(shù)對果蔬可溶性固形物、總酸、VC含量、質(zhì)地品質(zhì)等的檢測在國內(nèi)外已有廣泛研究［6－9］。劉燕德等［10］利用可見/近紅外漫反射技術(shù)，對南豐蜜桔的VC含量進(jìn)行檢測，結(jié)果表明檢測具有可行性；夏俊芳等［11］應(yīng)用小波變換將柑橘的近紅外光譜進(jìn)行除噪，并利用消噪后的重構(gòu)光譜對柑橘VC含量進(jìn)行了偏最小二乘法交互驗證（PLC－CV），結(jié)果表明小波除噪后建立的近紅外光譜檢測模型可以準(zhǔn)確地對柑橘VC含量進(jìn)行定量預(yù)測?，F(xiàn)有的近紅外光譜技術(shù)在葡萄品質(zhì)檢測中的應(yīng)用主要集中在品種鑒別、可溶性固形物、總酸等的定量預(yù)測，而針對葡萄VC含量的研究未見報道［12－15］。本試驗擬以紅提葡萄為試材，采集葡萄果粒的可見/近紅外漫反射光譜，探討在不同特征波長區(qū)間內(nèi)，以MPLS、PLS兩種化學(xué)計量學(xué)方法結(jié)合不同光譜預(yù)處理，建立紅提葡萄VC含量檢測模型，在以上相關(guān)研究［6－15］的基礎(chǔ)上考察近紅外光譜對葡萄果實(shí)品質(zhì)檢測的適用性、拓寬波長范圍、豐富處理方法、提高檢測性能，以期為紅提葡萄物流中品質(zhì)的快速檢測提供新的方法。

1 材料與方法

1.1 試驗材料、主要試劑及儀器設(shè)備

葡萄：紅提，河北省張家口市涿鹿縣葡萄基地；

草酸、乙二胺四乙酸、偏磷酸、鉬酸銨：分析純，天津市風(fēng)船化學(xué)試劑科技有限公司；

近紅外漫反射光譜儀：NIRS DS2500型，丹麥FOSS公司；

紫外可見分光光度計：TU－1810型，北京普析通用儀器有限責(zé)任公司。

1.2 試材處理

紅提葡萄于2014年9月19日采收于河北省張家口市涿鹿縣，成熟度約八成，采收時整穗剪下，盡量避免機(jī)械傷害，當(dāng)天運(yùn)回實(shí)驗室，挑揀去病蟲害果、壞果、落粒，預(yù)冷24h后稱重、標(biāo)記、分裝入厚度0.02mm的葡萄專用膜包裝袋內(nèi)，于（10±1）℃冷庫貯藏15d，期間每間隔3d取樣測定一次。建模共選取400顆果粒，每2顆為一組，掃描光譜后測定VC含量并將2顆果粒的光譜求平均，以3∶1隨機(jī)分為定標(biāo)集和預(yù)測集。

1.3 光譜采集

使用近紅外漫反射光譜儀采集光譜。配備全息光柵分光系統(tǒng)和硅（400～1 100nm）和硫化鉛（1 100～2 500nm）兩種檢測器。掃描方式為單波長、快速掃描，掃描次數(shù)32次，全光譜范圍為400～2 500nm。內(nèi)置Nova分析軟件及 WinISI4定標(biāo)軟件。試驗前，將葡萄果粒在常溫下平衡8h后，在每顆果實(shí)一側(cè)取光滑部位避開表面缺陷（如傷疤、污點(diǎn)等）畫出直徑約1cm的圓圈作為采光部位，標(biāo)記排序后于近紅外漫反射光譜儀Slurry Cup上采集光譜。

1.4 Vc含量測定

將采集光譜后的葡萄果粒每2顆一組，制成勻漿，采用鉬藍(lán)比色法［16］測定Vc含量，單位為mg/100g。

1.5 建模及驗證方法

將外部因素造成的異常光譜和測定值顯著異常樣品剔除后，將樣品以3∶1隨機(jī)分成定標(biāo)集和預(yù)測集兩部分。定標(biāo)集樣品應(yīng)用不同化學(xué)計量學(xué)方法結(jié)合不同的光譜預(yù)處理建立光譜圖和數(shù)據(jù)測定值之間的對應(yīng)映射關(guān)系，即定標(biāo)模型；預(yù)測集樣品用于驗證和評價定標(biāo)模型的預(yù)測性能［17］。定標(biāo)模型的評價指標(biāo)為交互驗證相關(guān)系數(shù)（）和交互驗證標(biāo)準(zhǔn)差（SECV），相關(guān)系數(shù)越高，誤差越小，表明近紅外光譜分析值與實(shí)測值的相關(guān)性越高，即模型質(zhì)量較高。確定最優(yōu)建模方法后，應(yīng)用其建立紅提葡萄VC含量定標(biāo)模型，利用預(yù)測集驗證模型，預(yù)測標(biāo)準(zhǔn)差（SEP）越小、預(yù)測值與化學(xué)值相關(guān)系數(shù)（）越高，殘差分布均勻、預(yù)測殘差平方和（PRESS）越小，預(yù)測效果越好。同時，預(yù)測相對分析誤差RPD（RPD＝SD/SEP，SD為預(yù)測集測定值標(biāo)準(zhǔn)差）在2.0～2.5，可進(jìn)行粗略的定量分析，但精度有待提高，當(dāng)RPD值在3.0以上時，說明模型穩(wěn)定性較高、預(yù)測效果好［18］。

2 結(jié)果與分析

2.1 VC含量測定值的分布情況

葡萄果實(shí)定標(biāo)集和預(yù)測集樣品的VC含量分布特征見表1。

表1 定標(biāo)集和預(yù)測集樣品的VC含量測定值分布Table 1 Distribution of VCcontent in calibration set and prediction set

由表1可知，本試驗所選樣品的VC含量梯度均勻、分布范圍較廣，可以代表整個貯藏期內(nèi)VC含量變化，且預(yù)測集樣品的VC含量變化未超過定標(biāo)集的含量范圍。所選樣品用于建立模型具有一定的代表性。

2.2 紅提葡萄果實(shí)近紅外掃描原始光譜

圖1為貯藏15d期間紅提葡萄的可見/近紅外漫反射原始光譜圖，剔除6條明顯異常的光譜后，各條光譜變化趨勢基本一致，譜帶寬度適中。在波長672，988，1 186，1 435，1 903，2 213nm處均有明顯吸收峰。根據(jù)Nova軟件分析及文獻(xiàn)［19～22］，低于700nm主要是可見光吸收；988nm及1 186nm屬于分子振動的三級倍頻吸收帶；1 435nm是二級倍頻吸收帶，吸收峰主要是水分引起的；1 903nm屬于一級倍頻吸收帶，主要為C—H、—CH2鍵的伸縮、卷曲、折疊等變化；高于2 000nm為合頻吸收帶。

圖1 紅提葡萄原始吸收光譜圖Figure 1 Original absorption spectrogram of red globe grape

2.3 化學(xué)計量學(xué)建模方法的選擇

本試驗應(yīng)用偏最小二乘法（partial least squares，PLS）、改進(jìn)偏最小二乘法（MPLS）分別在全光譜范圍內(nèi)建立Vc含量的定標(biāo)模型，結(jié)果見表2。

表2 MPLS、PLS方法定標(biāo)結(jié)果Table 2 Calibrating results of MPLS，PLS

由表2可知，MPLS的為0.885 4，高于PLS的值。MPLS是在PLS法的基礎(chǔ)上進(jìn)行窗口平移等處理，其提取有效光譜信息的能力較強(qiáng)，對因變量的解釋性強(qiáng)［23－25］，在本試驗中較為適用。

2.4 光譜預(yù)處理方法的選擇

以MPLS法為基礎(chǔ)，探討選擇結(jié)合不同光譜預(yù)處理方法建立定標(biāo)模型的SECV和，以得到最適宜的建模方案。試驗比較了原始光譜［lg（1/R）］、一階導(dǎo)數(shù)處理光譜［1stD lg（1/R）］、二階導(dǎo)數(shù)處理光譜［2ndD lg（1/R）］，結(jié)合標(biāo)準(zhǔn)正?；幚恚⊿NV only）、去線性分量處理（detrend only）、標(biāo)準(zhǔn)正?；尤ゾ€性分量處理（SNV＋detrend）、標(biāo)準(zhǔn)多元離散校正處理（standard MSC，SMSC）、加權(quán)多元離散校正處理（weighted MSC，WMSC）、反相多元離散校正（invert MSC，IMSC）的定標(biāo)效果［26］，結(jié)果見表3。用于建模的樣本數(shù)為經(jīng)預(yù)處理后進(jìn)行T值檢驗，剔除光譜預(yù)測值與化學(xué)測定值差異大于定標(biāo)誤差2.5倍的異常樣品后的剩余樣品。

由表3可知，在MPLS的基礎(chǔ)上，采用一階導(dǎo)數(shù)的光譜預(yù)處理方法效果最優(yōu)，其SECV分別為0.056 7，0.912 5；其次是一階導(dǎo)數(shù)結(jié)合加權(quán)多元離散校正（WMSC）、一階導(dǎo)數(shù)結(jié)合標(biāo)準(zhǔn)正常化（SNV only）、標(biāo)準(zhǔn)多元離散校正（SMSC）。

圖2為預(yù)處理后的光譜圖。由圖2可知，導(dǎo)數(shù)處理可以減小峰寬，提高肩峰及精細(xì)結(jié)構(gòu)的分辨率，消減基線偏移，而過多的處理可能使譜圖失真，丟失信息，因而一階導(dǎo)數(shù)相比二階導(dǎo)數(shù)更為適宜，有效避免了光譜的過擬合和失擬合，提高了定標(biāo)精度。

表3 不同預(yù)處理定標(biāo)結(jié)果Table 3 Calibrating results of different pretreatments

圖2 經(jīng)一階導(dǎo)數(shù)處理后的光譜圖Figure 2 1st Derivative treated spectrogram

2.5 平滑算法的選擇

采取導(dǎo)數(shù)、去散射等預(yù)處理的同時，進(jìn)行光譜平滑處理也可以消減高頻隨機(jī)噪聲對光譜的影響。本試驗通過采用WinISI4軟件進(jìn)行Savitzky－Golay平滑，選取不同平滑點(diǎn)數(shù)（smooth）及處理間隔點(diǎn)數(shù)（gap），建模效果隨之變化，平滑過少擬合度可能不高，平滑過多可能使譜圖失真，丟失信息，造成過擬合，且平滑點(diǎn)數(shù)不得超過間隔點(diǎn)數(shù)［27］。因一階導(dǎo)數(shù)處理建模效果較好，故以大于0.9的一階導(dǎo)數(shù)結(jié)合不同預(yù)處理為基礎(chǔ)，討論不同平滑算法建立定標(biāo)模型，結(jié)果見表4。綜合考慮以較少的平滑點(diǎn)數(shù)得到較高的相關(guān)系數(shù)以及方法的穩(wěn)定性，選取一階導(dǎo)數(shù)結(jié)合加權(quán)多元離散校正（WMSC）為最優(yōu)處理。

表4 不同平滑算法定標(biāo)結(jié)果Table 4 Calibrating results of different smooth

2.6 特征波長區(qū)間的選擇

在獲得最優(yōu)化學(xué)計量學(xué)方法和光譜預(yù)處理組合后，根據(jù)吸收光譜吸收峰的分布，將全波長光譜分為不同區(qū)，每個區(qū)間分別用 MPLS＋1stD lg（1/R）＋ Gap5，Smooth5＋ WMSC法建立定標(biāo)模型，SECV和見表5。

表5 不同特征波長區(qū)間定標(biāo)結(jié)果Table 5 Calibrating results of different effective wavelength intervals

由表5可知，全波長范圍內(nèi)模型效果最好，1 108.0～2 072.8nm相關(guān)性僅次于全波長，1 108.0～1 472.8nm較好，而408.0～1 092.8nm最差，說明VC含量與二級倍頻、一級倍頻的近紅外漫反射有較強(qiáng)相關(guān)性，但范圍太窄，影響建模效果，全波長范圍增加了波數(shù)，可以提供更為全面的信息，因此選擇全波長光譜范圍408.0～2 492.8nm作為有效建模波長區(qū)域。

2.7 最優(yōu)定標(biāo)模型及其預(yù)測評價

經(jīng)過上述討論，得到最優(yōu)建模方法為MPLS＋1stD lg（1/R）＋ Gap5，Smooth5 ＋ WMSC法，波長選擇全光譜范圍。定標(biāo)集測定值和最優(yōu)近紅外模型分析值的相關(guān)性見圖3。

為了驗證定標(biāo)模型的可靠性和準(zhǔn)確性，用最優(yōu)定標(biāo)模型對預(yù)測集果實(shí)Vc含量進(jìn)行分析，比較預(yù)測值和實(shí)測值的相關(guān)性，結(jié)果見圖4。

預(yù)測結(jié)果表明：預(yù)測決定系數(shù)為0.931 8，預(yù)測標(biāo)準(zhǔn)差SEP為0.050 0，預(yù)測相對分析誤差RPD為3.640 0，可見，模型預(yù)測標(biāo)準(zhǔn)差較低、預(yù)測值和實(shí)測值相關(guān)性較好。預(yù)測集殘差分布圖見圖5，殘差平方和PRESS為0.188 0，殘差分布均勻，均未超過±0.15，模型較穩(wěn)定，可以得到很好的預(yù)測分析效果。

圖3 定標(biāo)集化學(xué)方法測定值與近紅外光譜預(yù)測值的相關(guān)性Figure 3 Correlation between actual values and NIR predicted values of calibration set

圖4 預(yù)測集預(yù)測值與測定值的相關(guān)性Figure 4 Correlation between predicted values and actual values of prediction set

圖5 預(yù)測集殘差分布Figure 5 Residual distribution of prediction set

3 結(jié)論

Vc含量是判斷葡萄成熟度、營養(yǎng)價值、品質(zhì)質(zhì)量的重要指標(biāo)。本研究應(yīng)用可見/近紅外漫反射光譜技術(shù)對紅提葡萄果實(shí)Vc進(jìn)行檢測，較為全面地討論了影響建模效果的不同方法組合，確定了建立模型的最適宜化學(xué)計量學(xué)方法為MPLS法，光譜預(yù)處理方法適用于間隔5點(diǎn)、5點(diǎn)平滑、一階導(dǎo)數(shù)結(jié)合加權(quán)多元離散校正處理，在全波長范圍內(nèi)建模效果優(yōu)于其他分段波長。最優(yōu)模型的驗證結(jié)果顯示預(yù)測值與定標(biāo)分析值相關(guān)性高，R2p達(dá)0.931 8，預(yù)測標(biāo)準(zhǔn)差SEP為0.050 0，殘差分布均勻。因此，建立紅提葡萄果實(shí)Vc的近紅外檢測模型是可行的，精度較高，此法將極大提高葡萄Vc含量檢測、判別的準(zhǔn)確性，具有一定應(yīng)用價值，在生產(chǎn)中仍需針對實(shí)際情況對模型進(jìn)行修正，因此建立通用性強(qiáng)的檢測模型需要進(jìn)一步研究與試驗。

1 梁麗雅，郝利平，閆師杰，等.紅地球、巨峰葡萄采后果實(shí)品質(zhì)變化的研究［J］.食品科學(xué)，2002，23（11）：143～146.

2 李寧，關(guān)文強(qiáng)，段雙科.葡萄采后致腐病原菌鑒定及侵染規(guī)律［J］.保鮮與加工，2005，5（3）：37～39.

3 何保山，張長輝，左春艷，等.食品中維生素C含量檢測研究進(jìn)展［J］.江西農(nóng)業(yè)學(xué)報，2010，22（10）：111～114，117.

4 黃連玉，陳崇莉，羅寶芳，等.桂西地區(qū)7種常見水果維生素C含量的測定［J］.右江民族醫(yī)學(xué)院學(xué)報，2012，34（1）：14～15.

5 安泉鑫，陳莉，龐林江，等.近紅外光譜技術(shù)在食品中的應(yīng)用進(jìn)展［J］.食品與機(jī)械，2012，28（5）：239～242.

6 王敏，付蓉，趙秋菊，等.近紅外光譜技術(shù)在果蔬品質(zhì)無損檢測中的應(yīng)用［J］.中國農(nóng)學(xué)通報，2010，26（5）：174～178.

7 Alamar M C，Bobelyn E，Lammertyn J，et al.Calibration transfer between NIR diode array and FT—NIR spectrophotometers for measuring soluble solids contents of apple［J］.Postharvest Biology and Technology，2007，45（1）：38～45.

8 Kawano S.Present condition of nondestructive quality evaluation of fruits and vegetables in Japan［J］.Japan Agricultural Research Quarterly，1992（28）：212～216.

9 吳晨，何建國，劉貴珊，等.基于近紅外高光譜成像技術(shù)的馬鈴薯干物質(zhì)含量無損檢測［J］.食品與機(jī)械，2014，30（4）：133～136，150.

10 劉燕德，陳興苗，孫旭東.可見/近紅外漫反射光譜無損檢測南豐蜜桔維生素C的研究［J］.光譜學(xué)與光譜分析，2008，28（10）：2 318～2 320.

11 夏俊芳，李小昱，李培武，等.基于小波變換的柑橘維生素C含量近紅外光譜無損檢測方法［J］.農(nóng)業(yè)工程學(xué)報，2007，23（6）：170～174.

12 劉燕德，周延睿，潘圓媛.基于最小二乘支持向量機(jī)的辣椒可溶性固形物和維生素C含量近紅外光譜檢測［J］.光學(xué)精密工程，2014，22（2）：281～288.

13 徐洪宇，張京芳，侯力璇，等.基于FT—NIR光譜技術(shù)檢測釀酒葡萄中可溶性固形物含量［J］.中國食品學(xué)報，2013，13（11）：153～159.

14 魯偉奇，郭永洪.一種識別不同種類葡萄的無損檢測方法［J］.中國計量學(xué)院學(xué)報，2012，23（1）：20～24.

15 吳桂芳，黃凌霞，何勇.葡萄漿果糖度可見/近紅外光譜檢測的研究［J］.光譜學(xué)與光譜分析，2008，28（9）：2 090～2 093.

16 李軍.鉬藍(lán)比色法測定還原型維生素C［J］.食品科學(xué)，2000，21（8）：42～45.

17 Fernando A Mendoza，Karen Cichy，Lu Ren－fu，et al.Evaluation of canning quality traits in black beans（Phaseolus vulgaris L.）by visible/near－infrared spectroscopy［J］.Food and Bioprocess Technology，2014，7（9）：2 666～2 678.

18 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，2004，35（4）：115～119.

19 Abdullah Iqbal，Sun Da－wen，Paul Allen.Prediction of moisture，color and pH in cooked，pre－sliced turkey hams by NIR hyperspectral imaging system［J］.Journal of Food Engineering，2013，117（1）：42～51.

20 王丹，魯曉翔，張鵬，等.近紅外光譜檢測不同貯藏期磨盤柿的內(nèi)部品質(zhì)［J］.光譜實(shí)驗室，2013，30（6）：2 769～2 774.

21 龐滂.近紅外定性定量模型的建立與應(yīng)用［D］.西安：西北大學(xué)，2008.

22 李振慶，黃梅珍，倪一，等.改進(jìn)偏最小二乘法在近紅外牛奶成分測量中的應(yīng)用［J］.光學(xué)技術(shù)，2009，35（1）：70～73.

23 DoloresPérez－Marín，María－Teresa Sánchez，Patricia Paz，et al.Postharvest shelf－life discrimination of nectarines produced under different irrigation strategies using NIR－spectroscopy［J］.LWT－Food Science and Technology，2011，44（6）：1 405～1 414.

24 童莉，王欣，雯茜姆，等.葡萄貯藏過程中含糖量、維生素C、呼吸、膜透性的變化和耐貯性的關(guān)系［J］.種子，2008（10）：23～25.

25 Bureau S，Ruiz D，Reich M，et al.Rapid and non－destructive analysis of apricot fruit quality using FT－near－infrared spectroscopy［J］.Food Chemistry，2009，113（4）：1 323～1 328.

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

27 郭婷婷，鄔文錦，蘇謙，等.近紅外玉米品種鑒別系統(tǒng)預(yù)處理和波長選擇方法［J］.農(nóng)業(yè)機(jī)械學(xué)報，2009，40（S1）：87～92.