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）

基于可見-近紅外漫反射光譜技術(shù)的葡萄貯藏期間可溶性固形物定量預(yù)測(cè)

陳 辰1，魯曉翔1,*，張 鵬2，陳紹慧2，李江闊2

（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）

利用可見-近紅外漫反射光譜技術(shù)，建立不同品種葡萄貯藏期間可溶性固形物含量定量預(yù)測(cè)的通用模型。以10 ℃貯藏的玫瑰香葡萄、馬奶葡萄、紅提葡萄的混合光譜為定標(biāo)材料，探討不同化學(xué)計(jì)量學(xué)建模方法、不同光譜預(yù)處理方法、間隔點(diǎn)、平滑數(shù)以及不同特征波長(zhǎng)區(qū)間選擇 對(duì)建模效果的影響及模型的品種適用性。結(jié)果顯示，采用改進(jìn)偏最小二乘法，16 點(diǎn)平滑，間隔點(diǎn)數(shù)16 點(diǎn)，結(jié)合二階導(dǎo)數(shù)、去散射的處理方法，在波長(zhǎng)范圍408～1 092.8 nm內(nèi)建立的模型效果最優(yōu)，其交互驗(yàn)證誤差和交互驗(yàn)證判定系數(shù)分別為0.308 7、0.980 2。由3 種葡萄混合組成的預(yù)測(cè)集對(duì)模型進(jìn)行評(píng)價(jià)，預(yù)測(cè)標(biāo)準(zhǔn)差0.354、預(yù)測(cè)判定系數(shù)為0.980 8、驗(yàn)證相對(duì)分析誤差為6.22、預(yù)測(cè)殘差平方和為7.993。模型對(duì)單一品種預(yù)測(cè)均達(dá)到0.94以上。因此，葡萄果實(shí)可溶性固形物含量的近紅外預(yù)測(cè)模型具有可行性，可同時(shí)適用于多種葡萄品種。

可見-近紅外漫反射光譜；葡萄；貯藏；可溶性固形物；預(yù)測(cè)模型

葡萄為葡萄科（Vitaceac）、葡萄屬（Vitis）落葉藤本植物，果實(shí)風(fēng)味獨(dú)特、酸甜適口、營(yíng)養(yǎng)價(jià)值高，深受消費(fèi)者喜愛[1]。但由于葡萄果粒皮薄且含水、含糖量高，在采后貯運(yùn)過(guò)程中極易發(fā)生品質(zhì)劣變，使商品價(jià)值大大降低。隨著市場(chǎng)對(duì)葡萄品質(zhì)要求的提高及葡萄保鮮技術(shù)的發(fā)展，針對(duì)葡萄采后品質(zhì)的快速、無(wú)損檢測(cè)研究已成為果蔬保鮮領(lǐng)域的重要研究課題。

廣義的可溶性固形物含量（soluble solids content，SSC）是指樣品中所有可溶于水的物質(zhì)含量，包括糖、酸、礦物質(zhì)、維生素等，它是衡量水果食用品質(zhì)的重要指標(biāo)。傳統(tǒng)方法測(cè)定SSC需要破壞樣品取汁液測(cè)試，耗時(shí)長(zhǎng)、消耗試劑多、準(zhǔn)確性低[2]。可見-近紅外光譜無(wú)損檢測(cè)是利用樣品對(duì)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(cè)技術(shù)，具有簡(jiǎn)便快速、無(wú)破壞性、節(jié)約試劑等優(yōu)點(diǎn)[3-5]。利用此技術(shù)對(duì)葡萄SSC的檢測(cè)國(guó)內(nèi)外學(xué)者已有研究，但主要集中于釀酒品種或單一品種的SSC測(cè)定[6]。Juan等[7]建立了紅、白葡萄在成熟、釀酒過(guò)程中還原糖的近紅外光譜模型并驗(yàn)證了模型預(yù)測(cè)性能。徐洪宇等[8]采用傅里葉變換近紅外光譜技術(shù)建立了49 種釀酒葡萄SSC的偏最小二乘（partial least squares，PLS）模型，預(yù)測(cè)相關(guān)系數(shù)Rp為0.961。吳桂芳等[9]應(yīng)用可見-近紅外光譜技術(shù)建立改進(jìn)偏最小二乘（modifi ed partial least squared，MPLS）與BP（backpro pagation）神經(jīng)網(wǎng)絡(luò)相結(jié)合的葡萄漿果糖度預(yù)測(cè)模型，其校驗(yàn)參數(shù)R2為0.908。呂剛等[10]以南方棚栽葡萄為材料，應(yīng)用光譜技術(shù)實(shí)現(xiàn)了葡萄活體生長(zhǎng)期的模型檢測(cè)，結(jié)果表明潛變量-支持向量機(jī)模型效果最佳。葡萄貯藏期間品質(zhì)會(huì)發(fā)生較大變化，若應(yīng)用生長(zhǎng)期、成熟期或鮮食的模型則難以達(dá)到預(yù)測(cè)需要，而針對(duì)貯藏期的葡萄建模，樣品指標(biāo)變化范圍更寬、適用性更強(qiáng)、應(yīng)用價(jià)值較高。玫瑰香、馬奶、紅提3 種葡萄是我國(guó)常見的鮮食葡萄品種[11-12]，以期為試材建立不同品種通用的大樣本綜合模型兼顧了品種特異性和代表性，對(duì)拓展品質(zhì)檢測(cè)方法的適用性具有實(shí)際意義。因此，本實(shí)驗(yàn)采集這3 種葡萄果實(shí)的可見-近紅外漫反射光譜，較為全面地討論不同特征波長(zhǎng)區(qū)間選擇、MPLS及PLS兩種化學(xué)計(jì)量學(xué)方法、不同光譜預(yù)處理方法建模效果，確立最優(yōu)建模方法并進(jìn)行驗(yàn)證，以期得到精度更高、建模方法更系統(tǒng)的貯藏期SSC通用模型。

1 材料與方法

1.1 試材及處理

玫瑰香葡萄，2014年9月17日采于天津市茶淀鎮(zhèn)；馬奶葡萄、紅提葡萄，2014年10月14日采收于河北省張家口市涿鹿縣杏園村。果實(shí)成熟度約八成、無(wú)病蟲害、無(wú)機(jī)械傷，采收當(dāng)天運(yùn)至國(guó)家農(nóng)產(chǎn)品保鮮工程技術(shù)研究中心（天津）實(shí)驗(yàn)室，預(yù)冷24 h后稱量、標(biāo)記、分裝入厚度0.02 mm的葡萄專用膜包裝袋，于（10±1） ℃冷庫(kù)貯藏。每3 d測(cè)定1 次，每次選取每個(gè)品種40 個(gè)果實(shí)，共測(cè)定5 次。

1.2 儀器與設(shè)備

NIRS DS2500近紅外漫反射光譜儀 丹麥Foss公司；PAL-1數(shù)字手持折光儀 日本Atago公司。

1.3 方法

1.3.1 近紅外漫反射光譜的采集

實(shí)驗(yàn)用近紅外漫反射光譜儀集成全息光柵分光系統(tǒng)，配備硅（400～1 100 nm）和硫化鉛（1 100～2 500 nm）檢測(cè)器，掃描波長(zhǎng)范圍為400～2 500 nm，掃描方式為單波長(zhǎng)、快速掃描，掃描次數(shù)32 次。內(nèi)置Nova分析軟件和WinISI4定標(biāo)軟件。測(cè)試前，將葡萄果粒于恒定室溫（約24 ℃）平衡4 h后，標(biāo)記并排序，選取果實(shí)赤道附近光滑部位避開表面缺陷如傷疤、污點(diǎn)等，于近紅外漫反射光譜儀Slurry Cup上進(jìn)行光譜采集[13]。

1.3.2 SSC的測(cè)定

將采集光譜后的葡萄果粒整果擠汁、過(guò)濾后滴于PAL-1數(shù)字手持折光儀測(cè)定SSC（°Brix），重復(fù)3 次取平均值，以蒸餾水校正零點(diǎn)。

1.3.3 模型的建立與驗(yàn)證

使用儀器自帶WinISI4軟件將采集到的3 種葡萄光譜混合后剔除由外部因素造成的異常光譜[14]，將樣品隨機(jī)分成定標(biāo)集450 個(gè)和預(yù)測(cè)集110 個(gè)，再?gòu)? 種葡萄混合組成的綜合預(yù)測(cè)集中抽取各個(gè)品種單一預(yù)測(cè)集每組35 個(gè)；定標(biāo)集樣品用于建立定標(biāo)模型，預(yù)測(cè)集樣品用于驗(yàn)證和評(píng)價(jià)定標(biāo)模型的預(yù)測(cè)性能。定標(biāo)模型評(píng)價(jià)指標(biāo)為留一法交互驗(yàn)證判定系數(shù)和交互驗(yàn)證標(biāo)準(zhǔn)差（standard error of cross validation，SECV），越高，SECV越小，表明近紅外光譜分析值與實(shí)測(cè)值的相關(guān)性越高，即模型質(zhì)量較高[15]。確定了最優(yōu)的預(yù)處理方法后，應(yīng)用其建立葡萄SSC預(yù)測(cè)模型，利用綜合預(yù)測(cè)集和單一品種預(yù)測(cè)集分別驗(yàn)證模型，驗(yàn)證標(biāo)準(zhǔn)差（square error of prediction，SEP）越小、預(yù)測(cè)值與化學(xué)值回歸判定系數(shù)（Rp2）越高，殘差分布均勻、預(yù)測(cè)殘差平方和（predicted residual error sum of squares，PRESS）越小，預(yù)測(cè)效果越好；同時(shí)，外部相對(duì)分析誤差RPD（RPD=SD/SEP）在2.0～2.5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(shuō)明所建模型具有很好的預(yù)測(cè)效果[16-18]。

2 結(jié)果與分析

2.1 葡萄果實(shí)SSC測(cè)定值分布特征

葡萄為非呼吸躍變型水果，貯藏初期有一定程度的后熟，貯藏期間SSC為正常生理代謝提供能量，在生理變化中可轉(zhuǎn)化為其他物質(zhì)，因而呈開始稍上升后逐漸下降趨勢(shì)[19-20]。建模定標(biāo)集和預(yù)測(cè)集樣品SSC測(cè)定值的變幅范圍、均值和標(biāo)準(zhǔn)偏差見表1。

表1 定標(biāo)集和驗(yàn)證集樣品SSC測(cè)定值的分布特征Table1 Distribution characteristics of SSC values in alibration and validation

由表1可見，3 種品種葡萄SSC有明顯差異，玫瑰香SSC最高，紅提次之，而馬奶最低。綜合定標(biāo)集樣品的SSC值梯度均勻、分布范圍較廣，且預(yù)測(cè)集的樣品隨機(jī)選自不同貯藏時(shí)間，SSC范圍都在定標(biāo)集范圍內(nèi)。因此，所選樣品可以用于建立近紅外檢測(cè)模型。

2.2 葡萄的可見/近紅外原始吸收光譜

圖1A的3 條光譜分屬于3 個(gè)品種的葡萄樣品，圖1B為混合用于建模的定標(biāo)集樣品全波長(zhǎng)范圍內(nèi)的原始吸收光譜圖。

圖1 3 種葡萄原始吸收單個(gè)樣品（A）和全部樣品（B）光譜圖Fig.1 Original absorption spectra of grapes

由圖1可見，3 種葡萄吸收光譜在1 450 nm之前差異顯著，吸光度由大到小分別為玫瑰香葡萄、紅提葡萄、馬奶葡萄，與SSC的實(shí)驗(yàn)室測(cè)定結(jié)果相吻合?？偣庾V圖變化趨勢(shì)基本一致，在波長(zhǎng)680、967、1 161.5 nm和1 964 nm處有豐富的吸收信息，波峰波谷起伏較大。根據(jù)WinISI4軟件分析及文獻(xiàn)檢索[7-10,21-24]，處于680 nm之前的吸收主要是可見光區(qū)的電子振動(dòng)，主要表征果皮顏色特征，因此品種間差異較大；680～1 161.5 nm之間為分別為—O—H的四級(jí)、三級(jí)、二級(jí)倍頻吸收，一般與水分、糖類物質(zhì)有關(guān)；1 161.5 nm和1 964 nm附近主要是—C—H、—CH2鍵的伸縮引起的吸收。孫旭東等[25]認(rèn)為642～787、861～1 006、1 080～1 152 nm和 1 226～1 371 nm為南豐蜜橘SSC的近紅外光譜特征波段。對(duì)不同有效波長(zhǎng)區(qū)間建模的討論可進(jìn)一步明確不同波段的光譜信息與葡萄SSC的相關(guān)性及建模效果。

2.3 不同化學(xué)計(jì)量學(xué)建模方法的選擇

建立定量模型的常用方法有主成分回歸（principal components regression，PCR）、PLS、人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks，ANN）、支持向量機(jī)（support vector machine，SVM）等[26]。PCR注重自變量的聚類，較適合定性分析，ANN、SVM等多用于非線性相關(guān)分析，MPLS是在PLS法的基礎(chǔ)上進(jìn)行窗口平移等處理，相對(duì)于PLS法，優(yōu)化了因子數(shù)，增強(qiáng)了模型提取有效光譜的能力[9,27]。本實(shí)驗(yàn)分別應(yīng)用MPLS、PLS方法在全光譜范圍內(nèi)建立SSC定標(biāo)模型，結(jié)果如表2所示，MPLS的為 0.908 8、PLS的為0.881 9。

表2 不同化學(xué)計(jì)量學(xué)的定標(biāo)結(jié)果Table2 Statistical results of models constructed by different stoichiometries

2.4 不同光譜預(yù)處理方法的選擇

表3 不同光譜預(yù)處理的定標(biāo)結(jié)果Table3 Statistical results of models constructed by different pretreatments

采用MPLS法分別結(jié)合不同導(dǎo)數(shù)處理、不同散射和標(biāo)準(zhǔn)化處理建立SSC定標(biāo)模型。在全光譜范圍內(nèi)使用原始光譜（lg（1/ R））、一階導(dǎo)數(shù)光譜（D1 lg（1/R））、二階導(dǎo)數(shù)光譜（D2 lg（1/R））結(jié)合標(biāo)準(zhǔn)正?；c去散射處理（standard normal variate，SNV and Detrend）、標(biāo)準(zhǔn)正?；⊿NV only）、去散射處理（Detrend only）、標(biāo)準(zhǔn)多元離散校正（standard multiplicative scatter correction，SMSC）、加權(quán)多元離散校正（weighted multiplicative scatter correction，WMSC）、反相多元離散校正（inverse multiplicative scatter correction，IMSC）的定標(biāo)模型SECV和如表3所示。

可見，葡萄SSC定標(biāo)模型采用MPLS、D2 lg（1/R）、Detrend相結(jié)合的光譜預(yù)處理方法效果最好，其SECV為 0.402 9，為0.966 1。原因可能是光譜基線漂移的影響較大，二階導(dǎo)數(shù)及去散射處理在解決基線漂移上優(yōu)勢(shì)明顯[28]。

2.5 不同光譜處理間隔點(diǎn)、平滑點(diǎn)數(shù)的選擇

采取導(dǎo)數(shù)、去散射等預(yù)處理的同時(shí)，通過(guò)軟件對(duì)進(jìn)行光譜平滑處理同樣可以有效消減高頻隨機(jī)噪聲對(duì)光譜的影響，選取平滑點(diǎn)數(shù)（Smooth）及處理間隔點(diǎn)數(shù)（Gap）的不同，建模效果隨之變化，平滑過(guò)少誤差較大，平滑過(guò)多可能使譜圖失真，丟失信息，造成過(guò)擬合，且平滑點(diǎn)數(shù)不得超過(guò)間隔點(diǎn)數(shù)[29-30]。根據(jù)表4結(jié)果，選取間隔點(diǎn)數(shù)16、平滑點(diǎn)數(shù)16、無(wú)二次平滑，結(jié)合MPLS、D2 lg（1/R）、Detrend建模效果最好。

表4 不同間隔點(diǎn)、平滑點(diǎn)數(shù)的定標(biāo)結(jié)果Table4 Statistical results of models constructed by different effective wavelength intervals and smoothing points

2.6 不同有效波長(zhǎng)區(qū)間的選擇

在得到最優(yōu)化學(xué)計(jì)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(zhǎng)范圍光譜分為408～1 092.8、1 108～1 772.8、1 808～2 492.8、408～1 772.8、408～2 492.8nm等幾個(gè)區(qū)間，每個(gè)區(qū)間分別用MPLS＋D2 lg（1/R）＋Detrend法、Gap16、 Smooth 16，建立定標(biāo)模型，SECV和如表5所示。結(jié)果顯示，408～1 092.8 nm范圍內(nèi)模型效果最好，408～1 772.8 nm較好，而1 808～2 492.8 nm相關(guān)性最差。與2.2節(jié)分析討論相印證，不同品種光譜的差異及SSC測(cè)定值的差異在408～1 092.8 nm最為明顯，在可見光、較短波長(zhǎng)近紅外光區(qū)域有較強(qiáng)相關(guān)性，可以利用最少的波數(shù)提供最為全面的信息，同時(shí)減少噪聲及不相關(guān)變化的干擾，因此選擇408～1 092.8nm光譜范圍作為有效建模波長(zhǎng)區(qū)域，這與歐陽(yáng)愛國(guó)[31]、Omar[32]等的研究結(jié)果類似。

表5 不同有效波長(zhǎng)區(qū)間的定標(biāo)結(jié)果Table5 Statistical results of models constructed by different effective wavelength intervals

最終確定的最優(yōu)建模方法組合為：Gap16、Smooth 16、無(wú)二次平滑、在408～1 092.8 nm波長(zhǎng)范圍內(nèi)應(yīng)用D2 lg（1/R）結(jié)合Detrend處理。處理后的光譜圖如圖2所示?？梢?，峰寬明顯減小，提高了肩峰及精細(xì)結(jié)構(gòu)的分辨率[33]。

圖2 最優(yōu)處理的定標(biāo)光譜圖Fig.2 Optimized spectrum of calibration

2.7 模型預(yù)測(cè)性能的評(píng)價(jià)

圖3 綜合預(yù)測(cè)集驗(yàn)證結(jié)果Fig.3 Verifi cation of the model by comprehensive prediction set

最優(yōu)模型對(duì)混合預(yù)測(cè)集樣品的驗(yàn)證結(jié)果如圖3所示，預(yù)測(cè)SEP為0.354，Rp2為0.980 8，殘差均未超過(guò)0.6，殘差分布均勻，殘差平方和PRESS為7.993，RPD為6.22，預(yù)測(cè)性能優(yōu)良，精度較現(xiàn)有研究有所提高[7-10,26]。

為驗(yàn)證模型對(duì)單一品種預(yù)測(cè)的可靠性，分別對(duì)單一品種預(yù)測(cè)集樣品SSC進(jìn)行分析，結(jié)果如圖4所示。

圖4 玫瑰香葡萄（A）、馬奶葡萄（B）、紅提葡萄（CC）預(yù)測(cè)集實(shí)測(cè)值與預(yù)測(cè)值的相關(guān)性Fig.4 Correlation between actual and predicted values for three variety sets

3 結(jié) 論

葡萄果實(shí)的SSC是反映其貯藏期品質(zhì)的重要指標(biāo)。在波長(zhǎng)408～1 092.8 nm范圍內(nèi)，應(yīng)用MPLS 結(jié)合Gap16、Smooth 16、無(wú)二次平滑、D2 lg（1/R）、Detrend方法建立10 ℃貯藏的玫瑰香葡萄、馬奶葡萄、紅提葡萄SSC檢測(cè)模型，定標(biāo)交互驗(yàn)證判定系數(shù)及預(yù)測(cè)判定系數(shù)較高，定標(biāo)交互驗(yàn)證誤差、預(yù)測(cè)標(biāo)準(zhǔn)差較小，殘差分布均勻、殘差平方和小，未知樣品為混合品種或單一品種時(shí)均具有良好的預(yù)測(cè)效果。綜上所述，可見/近紅外漫反射技術(shù)可以用于預(yù)測(cè)不同品種葡萄的貯藏期間SSC，模型精度較高、品種泛化性及通用性較強(qiáng)。

[1] 林天穎, 蘇清彩, 溫鵬, 等. 葡萄保鮮技術(shù)研究進(jìn)展[J]. 農(nóng)產(chǎn)品加工:學(xué)刊, 2013(7): 52-54.

[2] 聶繼云, 李靜, 徐國(guó)鋒, 等. 水果可溶性固形物含量測(cè)定適宜取汁方法的篩選[J]. 保鮮與加工, 2014, 14(5): 62-64.

[3] 王敏, 付蓉, 趙秋菊, 等. 近紅外光譜技術(shù)在果蔬品質(zhì)無(wú)損檢測(cè)中的應(yīng)用[J]. 中國(guó)農(nóng)學(xué)通報(bào), 2010, 26(5): 174-178.

[4] KAWANO S. Present condition of nondestructive quality evaluation of fruits and vegetables in Japan[J]. Japan Agricultural Research Quarterly, 1992, 28: 212-216.

[5] MOGHIMI A, AGHKHANI M H, SAZGAMIA A, et al. Vis/NIR prediction of soluble solids content and acidity (pH) of kiwifruit[J]. Biosystems Engineering, 2010, 106(3): 295-302.

[6] ORTUNO J C, JAREN C, ARAZUR S, et al. Sugar determination in grapes using NIR technology[J]. International Journal of Infrared and Millimeter Waves, 2001, 22(10): 1521-1530.

[7] JUAN F N, LOPEZ M I, SANCHEZ M T, et al. Shortwave-near infrared spectroscopy for determination of reducing sugar content during grape ripening, winemaking, and aging of white and red wines[J]. Food Research International, 2008, 42(2): 285-291.

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

[9] 吳桂芳, 黃凌霞, 何勇. 葡萄漿果糖度可見/近紅外光譜檢測(cè)的研究[J]. 光譜學(xué)與光譜分析, 2008, 28(9): 2090-2093.

[10] 呂剛, 楊海清. 基于光譜技術(shù)的葡萄活體可溶性固體含量在線檢測(cè)研究[J]. 紅外, 2012, 33(10): 43-48.

[11] 張福慶, 李巍, 田衛(wèi)東, 等. 玫瑰香葡萄品種特性與漢沽產(chǎn)地分析[J].中外葡萄與葡萄酒, 2007(5): 39-42.

[12] 段新立. 紅提葡萄貯藏保鮮方法[J]. 農(nóng)村科技, 2013(2): 60-61.

[13] 張鵬, 李江闊, 孟憲軍, 等. 磨盤柿可溶性固形物的可見/近紅外漫反射光譜無(wú)損檢測(cè)[J]. 食品科學(xué), 2011, 32(6): 191-194.

[14] 祝詩(shī)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.

[15] 章海亮, 孫旭東, 郝勇, 等. 近紅外漫反射無(wú)損檢測(cè)贛南臍橙中可溶性固形物和總酸[J]. 食品科學(xué), 2011, 32(6): 151-154.

[16] 王丹, 魯曉翔, 張鵬, 等. 近紅外光譜檢測(cè)不同貯藏期磨盤柿的內(nèi)部品質(zhì)[J]. 光譜實(shí)驗(yàn)室, 2013, 30(6): 2769-2774.

[17] TEWARI J C, DIXIT V, CHO B K, et al. Determination of origin and sugars of citrus fruits using genetic algorithm, correspondence analysis and partial least square combined with fi ber optic NIR spectroscopy[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2008, 71(3): 1119-1127.

[18] 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.

[19] 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.

[20] 李明娟, 游向榮, 文仁德, 等. 葡萄果實(shí)采后生理及貯藏保鮮方法研究進(jìn)展[J]. 北方園藝, 2013(20): 173-178.

[21] WULFERT F, KOK W T, SMILDE A K. Infl uence of temperature on vibrational spectra and consequences for the predictive ability of multivariate models[J]. Analytical Chemistry, 1998, 70(9): 1761-1767.

[22] 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: 15-17.

[22] BLANCO M, VILLAR A. Development and validation of a method for the polymorphic analysis of pharm aceutical preparations using near infrared spectroscopy[J]. Journal of Pharmaceutical Sciences, 2003, 92(4): 823-830.

[23] DOLORES P M, SANCHEZB M T, PAZ P, et al. Postharvest shelflife discrimination of nectarines produced under different irrigation strategies using NIR-spectroscopy[J]. LWT-Food Science and Technology, 2011, 44(6): 1405-1414.

[24] 蔡宋宋, 王寶剛, 馮曉元, 等. 測(cè)試部位、溫度對(duì)蘋果品質(zhì)近紅外分析準(zhǔn)確度的影響[J]. 食品科學(xué), 2009, 30(4): 217-220.

[25] 孫旭東, 章海亮, 歐陽(yáng)愛國(guó), 等. 南豐蜜桔可溶性固形物近紅外特征波段選擇[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2009, 40(7): 129-132.

[26] XU Huirong, QI Bing, SUN Tong, et al. Variable selection in visible and near-infrared spectra: application to on-line determination of sugar content in pears[J]. Journal of Food Engineering, 2012, 109(1): 142-147.

[27] 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(cè)量中的應(yīng)用[J]. 光學(xué)技術(shù), 2009, 35(1): 70-73.

[28] 張榮芳. 雙孢蘑菇品質(zhì)的近紅外漫反射光譜無(wú)損檢測(cè)研究[D]. 淄博: 山東理工大學(xué), 2012: 22-23.

[29] 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(zhǎng)選擇方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2009, 40(增刊1): 87-92.

[30] 秦善知, 陳斌, 陸道禮, 等. 基于便攜式近紅外光譜儀檢測(cè)梨可溶性固形物[J]. 江蘇農(nóng)業(yè)科學(xué), 2014, 42(8): 284-286.

[31] 歐陽(yáng)愛國(guó), 謝小強(qiáng), 劉燕德. 蘋果可溶性固形物近紅外在線光譜變量?jī)?yōu)選[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014(4): 220-225.

[32] OMAR A F. Spectroscopic profiling of soluble solids content and acidity of intact grape, lime, and star fruit[J]. Sensor Review, 2013, 33(3): 238-245.

[33] 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): 1323-1328.

Quantitative Prediction of Soluble Solids in Grapes during Storage Based on Visible and Near Infrared Diffuse Refl ection Spectroscopy

CHEN Chen1, LU Xiaoxiang1,*, ZHANG Peng2, CHEN Shaohui2, LI Jiangkuo2
(1. Tianjin Key Laboratory of Food Biotechnology, College of Biotechnology and Food Science, Tianjin University of Commerce, Tianjin 300134, China; 2. Tianjin Key Laboratory of Postharvest Physiology and Storage of Agricultural Products, National Engineering and Technology Research C enter for Preservation of Agricultural Products, Tianjin 300384, China)

This study aimed to establish a universal quantitative prediction model for soluble solids content (SSC) in different varieties of grapes during storage based on visible and near-infrared diffuse refl ection spectra. The mixed spectra of Muscat, Manai and RedGloble grapes stored at 10 ℃ were taken as calibration materials, the influences of different stoichiometrical calibration methods, spectral pretreatment methods, gaps, smooth points, different effective wavelength intervals on the a pplicability of the established model for different grape varieties were examined. The results showed that the modifi ed partial least squares combined with 16 smoothing points, second derivative within 16 gaps and the scattering method could produce the optimal model within the wavelength range of 408-1 092.8 nm with standard error of crossvalidation (SECV) and coefficient of determination of cross-validationf 0.308 7 and 0.980 2, respectively. The model was evaluated via the prediction set of the above three varieties of grapes. The standard error of prediction (SEP) was 0.354, the correlation coeffi cient Rwas 0.980 8, the relative prediction deviation (RPD) was 6.22, and the predicted residual sum of squares (PRESS) was 7.993. When being applied for predicting the single varieties, thereached more than 0.94. Therefore, the near infrared detection model is useful to predict soluble solids content in grape and is suitable for different grape varieties at the same time.

visible-near infrared diffuse refl ectance spectroscopy; grape; storage; soluble solids content; prediction model

S665.2

A

1002-6630（2015）20-0109-06

10.7506/spkx1002-6630-201520020

2014-12-20

“十二五”國(guó)家科技支撐計(jì)劃項(xiàng)目（2012BAD38B01）；天津市高等學(xué)校創(chuàng)新團(tuán)隊(duì)培養(yǎng)計(jì)劃項(xiàng)目（TD12-5049）

陳辰（1989—），女，碩士研究生，研究方向?yàn)檗r(nóng)產(chǎn)品加工與貯藏。E-mail：sxdtcc.cool@163.com

*通信作者：魯曉翔（1962—），女，教授，碩士，研究方向?yàn)檗r(nóng)產(chǎn)品加工與貯藏。E-mail：lxxiang@tjcu.edu.cn