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)

沙蜜豆櫻桃(summit)，又稱(chēng)為大櫻桃、甜櫻桃，屬薔薇科李亞科李屬，其營(yíng)養(yǎng)豐富、味美可口［1］。由于櫻桃果皮薄、果肉軟、果汁多，且櫻桃在盛夏(6～7月)時(shí)節(jié)采收上市，導(dǎo)致櫻桃在冷藏過(guò)程中很容易品質(zhì)下降(果肉變軟、表皮破損、風(fēng)味變劣等)，從而限制了櫻桃異地銷(xiāo)售［2］。對(duì)冷藏過(guò)程中的櫻桃進(jìn)行快速無(wú)損的品質(zhì)監(jiān)控，成為亟需攻克的課題。

近紅外光譜技術(shù)(near infrared spectroscopy，NIRS)，幾乎可以應(yīng)用于所有含氫鍵基團(tuán)樣品的生化指標(biāo)的研究，研究物質(zhì)內(nèi)部不同成分在近紅外區(qū)域獨(dú)特的吸收特征［3］。有關(guān)近紅外對(duì)水果內(nèi)部品質(zhì)無(wú)損檢測(cè)的相關(guān)報(bào)道較多［4］，且多集中在對(duì)水果中的可溶性固形物、總酸、硬度等［5］的檢測(cè)方面。郭衛(wèi)東等［6］應(yīng)用 NIRS檢測(cè)櫻桃中的甜度;夏俊芳等［7］利用NIRS檢測(cè)柑橘中VC含量;唐長(zhǎng)波等［8］應(yīng)用NIRS對(duì)黃桃中的可溶性固形物進(jìn)行無(wú)損檢測(cè)。

目前，針對(duì)櫻桃內(nèi)部無(wú)損檢測(cè)的研究卻鮮見(jiàn)，櫻桃果實(shí)中的VC含量是決定其品質(zhì)的重要指標(biāo)［9］，但現(xiàn)在尚未有關(guān)櫻桃中VC含量NIRS檢測(cè)的報(bào)道。本文利用NIRS對(duì)冷藏過(guò)程中櫻桃的VC含量進(jìn)行高效快速的無(wú)損檢測(cè)，以期為物流中櫻桃品質(zhì)變化的快速監(jiān)控提供新的方法和技術(shù)依據(jù)。

1 材料與方法

1.1 材料與數(shù)據(jù)采集

實(shí)驗(yàn)原料及處理: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)，無(wú)機(jī)械損傷及病蟲(chóng)害的果實(shí)。櫻桃采摘當(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℃)，并進(jìn)行如下處理:將櫻桃按1.75 kg/袋裝入襯有50 μm厚PE保鮮膜的塑料框中，置于冷庫(kù)(0±0.5)℃預(yù)冷24 h后，扎口存放。

數(shù)據(jù)采集:實(shí)驗(yàn)開(kāi)始前，將櫻桃置于室溫條件下，待溫度平衡后，將果實(shí)上凝結(jié)的水氣用紗布擦干，挑取其中完整無(wú)損傷的果實(shí)，并將果實(shí)按標(biāo)號(hào)依次排列好后，進(jìn)行近紅外光譜的掃描。實(shí)驗(yàn)共抽取120個(gè)櫻桃，其中隨機(jī)抽取90個(gè)果實(shí)的光譜數(shù)據(jù)作為校正集(calibration set)，另30個(gè)果實(shí)的作為預(yù)測(cè)集(validation set)。

1.2 儀器與設(shè)備

NIRS-DS2500型近紅外漫反射光譜儀，丹麥Foss公司;TU-1810系列紫外分光光度計(jì)，北京普析通用儀器有限責(zé)任公司的;Pipet-Lite XLS Eppendorf Research plus移液器，梅特勒-托利多儀器有限公司;ML503/02天平，梅特勒-托利多儀器公司。

1.3 實(shí)驗(yàn)方法

1.3.1 近紅外光譜的采集

本實(shí)驗(yàn)NIRS采用全息光柵分光系統(tǒng)，硅(408～1 092.8 nm)和硫化鉛(1 108～2 492.8 nm)檢測(cè)器用于信號(hào)采集，掃描(波長(zhǎng)范圍408～2 492.8 nm)快速單波長(zhǎng)的掃描，掃描32次;采用Nova分析軟件、校正軟件WinISI4。將櫻桃果實(shí)放在儀器標(biāo)配的小漿杯(Slurry Cup)上進(jìn)行常規(guī)光譜掃描;掃描光譜時(shí)要避開(kāi)果實(shí)上有疤痕、果實(shí)的果梗與果蒂部分，以免影響掃描得到的光譜圖［10］。

1.3.2 櫻桃中VC含量的測(cè)定——鉬藍(lán)比色法［11］

準(zhǔn)確稱(chēng)取20 g櫻桃勻漿液于容量瓶中，即加入草酸-EDTA溶液并定容于100 mL容量瓶中，過(guò)濾。吸取30 mL濾液于50 mL容量瓶中，并加入1.0 mL偏磷酸-醋酸溶液，5%H2SO42.00 mL，搖勻后，加入4.0 mL鉬酸銨溶液，以蒸餾水定容至50 mL，用紫外分光光度計(jì)在705 nm處測(cè)定吸光度值，并以蒸餾水作為空白對(duì)照。樣品中VC含量的計(jì)算，根據(jù)樣品液吸光度值、從VC標(biāo)準(zhǔn)曲線(xiàn)上查出對(duì)應(yīng)的含量，并按下式計(jì)算樣品中VC的含量:

式中:C，測(cè)定用樣液中VC的含量(mg);V1，測(cè)定用樣液體積(mL);m，樣品質(zhì)量(mg);V2，樣液定容總體積(mL)。

1.4 數(shù)據(jù)的處理

利用近紅外光譜進(jìn)行成分含量預(yù)測(cè)時(shí)，最主要是在采集樣本光譜和測(cè)得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，隨機(jī)選取校正集90個(gè)數(shù)據(jù)，驗(yàn)證集30個(gè)數(shù)據(jù)，進(jìn)行處理。利用儀器自帶的分析軟件建立測(cè)定光譜與VC含量之間的相關(guān)關(guān)系［12］。預(yù)測(cè)模型通過(guò)VC的實(shí)測(cè)值與預(yù)測(cè)值的相關(guān)系數(shù)、校正誤差(square error of calibration，SEC)及預(yù)測(cè)誤差(square error of validation，SEP)進(jìn)行定量評(píng)價(jià)。一個(gè)好的模型應(yīng)該具有較高的值，較低的SEC和SEP值，SEC和SEP差異越小越好。校正相對(duì)分析誤差RPD(RPD=SD/SECV)，可用來(lái)檢驗(yàn)?zāi)Ｐ偷倪m用能力。當(dāng)RPD在2～2.5時(shí)，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)明該模型具有很好的預(yù)測(cè)效果［13］。

2 結(jié)果與分析

2.1 不同波段的光譜吸收峰的分析

近紅外光譜主要是由分子中O—H，N—H，C—H，S—H鍵的振動(dòng)、吸收引起，是這些振動(dòng)的組頻和倍頻吸收帶;近紅外區(qū)光譜測(cè)試成分須含有O—H，C—H，N—H或S—H鍵等，R—H的伸縮/彎曲振動(dòng)構(gòu)成了近紅外區(qū)的主要吸收帶。本實(shí)驗(yàn)測(cè)得的櫻桃原始近紅外光譜如圖1所示。

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

從圖 1 可以看出，在 566.5、957.0、1 450.0、1 924.5 nm處均出現(xiàn)了明顯的吸收峰。其中566.5 nm處為可見(jiàn)光區(qū)域，波峰主要是由于電子振動(dòng)產(chǎn)生的;957.0 nm處為可見(jiàn)光和近紅外光譜之間的過(guò)度區(qū)域;1 450.0 nm處的吸收峰是由于櫻桃中水分子之間的O—H鍵吸收形成的;1 450.0 nm波段處與櫻桃的含水量成正相關(guān)趨勢(shì)。根據(jù)量子理論得到［14］，物質(zhì)內(nèi)部分子的振動(dòng)是量子化的，含氫基團(tuán)的倍頻、合頻振動(dòng)特征范圍在800～25 000 nm，其中1 455 nm附近為水分的二頻特征吸收帶，這為物質(zhì)水分的定量分析提供了強(qiáng)有力的理論依據(jù)。此區(qū)域波峰說(shuō)明櫻桃中的水分對(duì)近紅外光譜的影響很大。圖1中1 924.5 nm處吸收峰的形成主要是櫻桃中—CH2、—C—H鍵的伸縮、彎曲振動(dòng)產(chǎn)生的。分析主要是由于櫻桃中的總酸、可溶性固形物、膠類(lèi)物質(zhì)和氨基酸等物質(zhì)的含量發(fā)生改變，因?yàn)檫@些物質(zhì)中的官能團(tuán)就是—CH2、—C—H等。實(shí)驗(yàn)結(jié)果表明，櫻桃內(nèi)部品質(zhì)與近紅外光譜上反映的信息具有一定的規(guī)律性變化。因此，可以從近紅外光譜反映櫻桃果實(shí)的內(nèi)部品質(zhì)。

2.2 櫻桃中VC含量的標(biāo)準(zhǔn)值分布

應(yīng)用鉬藍(lán)比色法對(duì)櫻桃中的VC含量進(jìn)行測(cè)定，將其作為參考指標(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VC含量分析結(jié)果Table 1 Calibration set and prediction set vitamin C 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55 d的整個(gè)過(guò)程中，隨機(jī)抽取120個(gè)櫻桃進(jìn)行化學(xué)測(cè)定得到的。這期間原本8成熟的櫻桃經(jīng)歷了后熟過(guò)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，這樣布局可以提高模型建立的速度、減少模型庫(kù)的儲(chǔ)存空間，更重要的是，當(dāng)遇到模型界外樣品時(shí)，通過(guò)較少的樣品，便可提高模型的使用范圍，便于模型的更新和維護(hù)。從表1可見(jiàn)，預(yù)測(cè)集的變幅包含在定標(biāo)集變幅內(nèi)，校正集中的樣品的VC含量參數(shù)均勻分布，說(shuō)明選取的參考指標(biāo)數(shù)據(jù)可以用來(lái)進(jìn)行NIRS對(duì)櫻桃中VC的模型建立。

2.3 樣品集及光譜預(yù)處理對(duì)建模結(jié)果的影響

NIRS采集的光譜除了樣品的自身信息以外還有其他無(wú)關(guān)信息和噪聲，如電噪聲、樣品背景雜光、散光等。選出合適的光譜預(yù)處理方法，就能夠很好的過(guò)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(xiàn)飄移、偏移的干擾等［15］，因而預(yù)處理方法十分關(guān)鍵和必要。光譜預(yù)處理的常用方法有導(dǎo)數(shù)、平滑、扣減、歸一化、標(biāo)準(zhǔn)化等［16］。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［17］。

本研究從一階和二階導(dǎo)數(shù)的2種導(dǎo)數(shù)處理方法出發(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。櫻桃VC模型在不同預(yù)處理下的建模結(jié)果見(jiàn)表2所示。一階導(dǎo)數(shù)光譜、二階導(dǎo)數(shù)光譜、原始光譜(None)、標(biāo)準(zhǔn)正常處理(standard normal variate，SNV)、去離散處理(SNV+detrend)、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)等。

表2 櫻桃VC模型在不同預(yù)處理下的校正模型Table 2 Cherry vitamin C calibration models of the model under different pretreatment

圖2 櫻桃二階導(dǎo)數(shù)光譜圖Fig.2 2nd spectra of Cherry

2.4 櫻桃中VC含量的校正模型的預(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)處理后最優(yōu)的定標(biāo)模型對(duì)30個(gè)未知櫻桃的VC含量進(jìn)行定量預(yù)測(cè)分析，預(yù)測(cè)結(jié)果如圖3所示。

由圖3的預(yù)測(cè)結(jié)果可見(jiàn)，樣品真實(shí)值與模型預(yù)測(cè)出的預(yù)測(cè)值比較相近，圍繞趨勢(shì)線(xiàn)上下均勻波動(dòng)，VC的預(yù)測(cè)標(biāo)準(zhǔn)誤差SEP為0.225 3，Rp=0.849，相對(duì)分析誤差 RPD為3.3。SEP較低，Rp較高，RPD大于2.5，說(shuō)明NIRS對(duì)櫻桃中VC含量的高效、快速的無(wú)損檢測(cè)是可行的，且預(yù)測(cè)性能較好。

圖3 VC實(shí)測(cè)值與預(yù)測(cè)值之間的相關(guān)性Fig.3 The correlation between the measured and predicted values ofvitamin C

3 結(jié)論與展望

本文應(yīng)用NIRS檢測(cè)技術(shù)(波長(zhǎng)408.8～2 492.8 nm)對(duì)冷藏過(guò)程中櫻桃VC含量進(jìn)行無(wú)損檢測(cè)，構(gòu)建了關(guān)于化學(xué)指標(biāo)VC的模型。結(jié)果表明，二階導(dǎo)數(shù)下的MPLS算法結(jié)合SNV only處理可以得到最優(yōu)化的定標(biāo)模型，二階導(dǎo)數(shù)效果優(yōu)于一階導(dǎo)數(shù)，很可能是由于建立的VC模型中存在基線(xiàn)漂移問(wèn)題，而二階導(dǎo)數(shù)很好的解決了這一問(wèn)題。校正模型相關(guān)系數(shù)R2cv為0.877 9，預(yù)測(cè)相關(guān)系數(shù)Rp為0.849，相關(guān)系數(shù)較高說(shuō)明模型具有良好的精度。校正誤差SEC為0.258 3，預(yù)測(cè)誤差SEP為0.225 3，且SEC與SEP值相差很小。預(yù)測(cè)相對(duì)分析誤差RPD為3.3，由RPD值可說(shuō)明本文建立的櫻桃VC模型具有很好的預(yù)測(cè)效果、適用能力和穩(wěn)定性。

綜上分析，說(shuō)明應(yīng)用NIRS檢測(cè)冷藏過(guò)程中櫻桃VC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)。

光譜成像結(jié)合光譜和圖像2種技術(shù)，是多信息融合的一種檢測(cè)技術(shù)。近紅外光譜技術(shù)也存在著一定的不足之處:由于近紅外光譜區(qū)域內(nèi)的吸收強(qiáng)度相對(duì)可見(jiàn)光區(qū)域要弱，信號(hào)的信噪比低，因此需要進(jìn)行預(yù)處理來(lái)提高近紅外光譜定標(biāo)模型的適用性等。今后的實(shí)驗(yàn)可以朝著近紅外設(shè)備的改進(jìn)、化學(xué)指標(biāo)的精確測(cè)量、計(jì)算機(jī)技術(shù)與光譜儀器的融合應(yīng)用等方面不斷改善，使得近紅外光譜無(wú)損檢測(cè)技術(shù)在今后的科研方面具有更加廣闊的前景。

［1］ 生兆江，生吉萍.幾種櫻桃的營(yíng)養(yǎng)成分測(cè)定［J］.萊陽(yáng)農(nóng)學(xué)院學(xué)報(bào)，1989，6(4):28-32.

［2］ 蘭鑫哲，姜愛(ài)麗，胡文忠.甜櫻桃采后生理及冷藏保鮮技術(shù)進(jìn)展［J］.食品工業(yè)科技，2011，40(11):535-538.

［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］ 張欣，單楊.國(guó)外近紅外光譜分析技術(shù)在食品安全問(wèn)題中的應(yīng)用研究進(jìn)展［J］.食品工業(yè)科技，2010(9):398-401.

［5］ XU H，QI B，SUN T，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.

［6］ 郭衛(wèi)東，倪開(kāi)誠(chéng)，孫旭東，等.基于CWT和GRNN的可見(jiàn)-近紅外漫反恁光譜檢測(cè)櫻桃糖度的研究［J］.食品科學(xué)，2009，34(12):140-143.

［7］ 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(wú)損檢測(cè)方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2007，23(6):170-174.

［8］ 唐長(zhǎng)波，方立剛.黃桃可溶性固形物的近紅外漫反射光譜檢測(cè)［J］.江蘇農(nóng)業(yè)科學(xué)，2013，41(11):331-333.

［9］ 蔡宇良，李珊，陳怡平，等.不同甜櫻桃品種果實(shí)主要內(nèi)含物測(cè)試與分析［J］.西北植物學(xué)報(bào)，2005，25(2):304-310.

［10］ Balabin R M，Safieva R Z，Lomakina E I.Gasoline classification using near infrared(NIR)spectroscopy data:comparison of multivariate techniques［J］.Analytica Chimica Acta，2010，671(1):27-35.

［11］ Shichuan X M M W H.Determination of vitamin C in food by molybdenum blue spectrophotometry［J］.Food and Fermentation Industries，1993，37(5):7.

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

［13］ 王丹，魯曉翔，張鵬，等.近紅外無(wú)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.

［14］ Cho B K，Kim M S，Baek I S，et al.Detection of cuticle defects on cherry tomatoes using hyperspectral fluorescence imagery［J］.Postharvest biology and technology，2013，76(17):40-49.

［15］ 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.

［16］ 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，2012，40(1):340-341.

［17］ 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.