許生陸，高 媛，胡國梁，于修燭,*，張 睿（.西北農(nóng)林科技大學(xué)食品科學(xué)與工程學(xué)院，陜西 楊凌　7200；2.溫州市市場(chǎng)監(jiān)督管理局，浙江 溫州　325000）

?

基于有效波長選擇的近紅外光譜枸杞總糖含量快速檢測(cè)

許生陸1,2，高 媛1，胡國梁1,2，于修燭1,*，張 睿1
（1.西北農(nóng)林科技大學(xué)食品科學(xué)與工程學(xué)院，陜西 楊凌712100；2.溫州市市場(chǎng)監(jiān)督管理局，浙江 溫州325000）

摘 要：為建立枸杞總糖含量快速準(zhǔn)確的檢測(cè)方法，采用近紅外光譜為檢測(cè)手段，以114 個(gè)不同產(chǎn)區(qū)枸杞樣品為研究對(duì)象。采用積分球漫反射模式采集樣品近紅外光譜，利用化學(xué)計(jì)量學(xué)方法確定光譜信息與總糖含量之間的關(guān)系，通過載重圖法及相關(guān)系數(shù)法進(jìn)行有效光譜選擇，比較確定枸杞總糖光譜建模有效波段，建立枸杞總糖近紅外光譜定量檢測(cè)模型，并利用國標(biāo)方法進(jìn)行驗(yàn)證分析。結(jié)果發(fā)現(xiàn)：對(duì)全樣品光譜進(jìn)行Norris Gap Derivative求導(dǎo)預(yù)處理后，采用相關(guān)系數(shù)法選擇8 700～4 000 cm－1波段進(jìn)行建模。當(dāng)主成分?jǐn)?shù)為8時(shí)，建模效果較好，模型的校正集決定系數(shù)與驗(yàn)證集決定系數(shù)均高于0.91。結(jié)果表明，基于近紅外光譜技術(shù)的枸杞總糖含量快速檢測(cè)是可行的。

關(guān)鍵詞：枸杞；近紅外光譜；有效波長；總糖；定量分析

引文格式：

許生陸, 高媛, 胡國梁, 等. 基于有效波長選擇的近紅外光譜枸杞總糖含量快速檢測(cè)[J]. 食品科學(xué), 2016, 37(12): 105-109. DOI:10.7506/spkx1002-6630-201612018. http://www.spkx.net.cn

XU Shenglu, GAO Yuan, HU Guoliang, et al. Rapid determination of total sugar content of Goji berries (Lycium barbarum) by near infrared spectroscopy with effective wavenumber selection[J]. Food Science, 2016, 37(12): 105-109. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-201612018. http://www.spkx.net.cn

枸杞是我國傳統(tǒng)藥食同源的物品，其性味甘平[1]，歸肝[2-3]、腎經(jīng)[4-5]，具有滋肝補(bǔ)腎[6]、益精明目的功效[7-8]?，F(xiàn)代醫(yī)學(xué)證明，枸杞具有抗氧化、抗衰老、增強(qiáng)免疫功能以及抗腫瘤等多種生物活性[9-10]。枸杞主要含多糖、總糖、類胡蘿卜素、VC、莨菪亭、多種氨基酸及微量元素等[11-13]。枸杞總糖是枸杞中游離單糖、雙糖及低聚糖的總稱，是枸杞甜味的主要來源；對(duì)于枸杞的食用品質(zhì)及貯藏性能有較大影響，也是枸杞質(zhì)量和分級(jí)的重要指標(biāo)之一[14]。

傳統(tǒng)枸杞多糖檢測(cè)方法是采用菲林試劑來測(cè)定，即在沸騰條件下，用樣液滴定一定量的菲林試劑，當(dāng)藍(lán)色褪去為滴定終點(diǎn)。該法準(zhǔn)確度較高、重復(fù)性好，但操作復(fù)雜、程序繁瑣、需要大量化學(xué)試劑，危害環(huán)境[15]。近紅外光譜技術(shù)具有環(huán)保、準(zhǔn)確、便捷和綠色等優(yōu)點(diǎn)，被廣泛應(yīng)用于食品和農(nóng)產(chǎn)品快速檢測(cè)分析[16]。文獻(xiàn)[17-19]報(bào)道利用近紅外光譜技術(shù)對(duì)枸杞的產(chǎn)地進(jìn)行判別，均取得較好的效果。湯麗華等[20]選擇不同產(chǎn)區(qū)樣品40 個(gè)利用近紅外光譜技術(shù)對(duì)枸杞13 個(gè)化學(xué)成分進(jìn)行檢測(cè)分析，由于建模樣品和驗(yàn)證樣品數(shù)量有限，模型缺乏一定代表性。近紅外光譜檢測(cè)分析的關(guān)鍵在于大量有代表性建模樣品的獲得，確保所建模型的通用性和穩(wěn)健性[21]；近紅外光譜信息是由組頻和倍頻吸收組成，其交疊十分嚴(yán)重，難以確定相應(yīng)測(cè)定成分的特征吸收譜帶，需要借助化學(xué)計(jì)量學(xué)對(duì)光譜進(jìn)行預(yù)處理是近紅外光譜分析的研究重點(diǎn)。有效光譜選擇是去除光譜多余信息和提高模型精度有效方法之一[22]。本研究以114 個(gè)不同產(chǎn)區(qū)的枸杞樣品為研究對(duì)象，采集樣品近紅外光譜并對(duì)利用不同波長算法對(duì)模型的波長進(jìn)行優(yōu)化選擇，建立總糖模型，并利用國標(biāo)法驗(yàn)證模型的準(zhǔn)確性，以期為近紅外光譜技術(shù)在枸杞總糖含量快速檢測(cè)提供參考。

1　材料與方法

1.1材料

表1　樣品信息Table 1 Information about sample sets used in this study

采集114個(gè)枸杞樣品，其中61 個(gè)樣品（編號(hào)為1～61號(hào)）來自寧夏中寧產(chǎn)區(qū)；17 個(gè)樣品（編號(hào)為62～78號(hào)）來自寧夏非中寧產(chǎn)區(qū)；36 個(gè)樣品（編號(hào)為79～114號(hào)）分別來自內(nèi)蒙古、甘肅、青海、河北、新疆等產(chǎn)區(qū)。將114 個(gè)枸杞樣品按照產(chǎn)區(qū)分組，然后在保證各個(gè)產(chǎn)區(qū)的校正集總糖含量范圍大于驗(yàn)證集的前提下[23]，從每組中隨機(jī)選擇校正集、驗(yàn)證集及盲樣集，樣品信息見表1。

1.2儀器與設(shè)備

MPA-TM傅里葉變換近紅外光譜儀德國布魯克光學(xué)儀器公司。

1.3方法

1.3.1總糖含量的測(cè)定

參照GB/T 18672—2002《枸杞子》中附錄B枸杞總糖含量的測(cè)定。將恒質(zhì)量的枸杞粉碎，裝袋。配制堿性酒石酸銅甲液和乙液，并進(jìn)行標(biāo)定。制備枸杞樣品提取液，進(jìn)行預(yù)測(cè)定。進(jìn)行樣液測(cè)定，以溶液藍(lán)色褪去為標(biāo)定終點(diǎn)。記錄樣液消耗體積，計(jì)算樣品總糖含量。平行測(cè)定3 次。

1.3.2光譜采集

近紅外光譜儀預(yù)熱30 min、打開OPUS軟件、檢查信號(hào)、保存峰位、掃描背景光譜，每隔1重新掃描背景光譜。

樣品光譜掃描：將枸杞顆?；狙b滿旋轉(zhuǎn)樣品杯（直徑為50 mm，高為50 mm），偏心距為10 mm。采用旋轉(zhuǎn)式積分球漫反射掃描樣品光譜。隨機(jī)取樣品進(jìn)行光譜掃描以避免因?yàn)檫B續(xù)掃描同一產(chǎn)區(qū)樣品而造成誤差。

光譜采集范圍：12 000～4 000 cm－1；掃描次數(shù)：64 次；分辨率：8 cm－1。每個(gè)樣品平行采集10 次，以平均光譜作為樣品光譜。

1.3.3光譜預(yù)處理

光譜預(yù)處理，主要有Savitzky-Golay Derivatives（S-G D）、Savitzky-Golay Smothing（S-G S）、多元散射校正（multiplicative scatter correction，MSC）、矢量歸一化（standard normal variate，SNV）是針對(duì)特定的樣品體系，通過對(duì)光譜的適當(dāng)處理或變換，減少以至于消除各種非目標(biāo)因素對(duì)光譜的影響，盡可能地去除無關(guān)信息變量，提高分辨率和靈敏度，從而提高校正模型的預(yù)測(cè)能力和穩(wěn)健性。求導(dǎo)有助于校正基線漂移影響，去除非化學(xué)因素的影響，同時(shí)還可能消除重疊波段。S-G D預(yù)處理設(shè)定3 個(gè)參數(shù)，分別是導(dǎo)數(shù)、多項(xiàng)式次數(shù)和平滑點(diǎn)數(shù)。導(dǎo)數(shù)階數(shù)不能大于多項(xiàng)式次數(shù)，多項(xiàng)式次數(shù)則不能大于左右平滑點(diǎn)數(shù)之和，左右平滑點(diǎn)數(shù)之和不能大于總的變量數(shù)。一階導(dǎo)數(shù)可消除基線漂移，原始光譜中的波峰在一階導(dǎo)數(shù)中會(huì)變?yōu)榱?；二階導(dǎo)數(shù)可消除基線漂移和光譜傾斜，增強(qiáng)光譜特征。多項(xiàng)式的次數(shù)是與光譜擬合的方程最高次。平滑點(diǎn)數(shù)越大，光譜越平滑，但也可能造成部分有效信息損失。S-G S預(yù)處理有2 個(gè)參數(shù)，分別是多項(xiàng)式次數(shù)和平滑點(diǎn)數(shù)。將光譜數(shù)據(jù)平滑后，建立一個(gè)與其擬合的多項(xiàng)式方程。Norris Gap Derivative（N-G D）只有兩個(gè)參數(shù)，分別是求導(dǎo)階數(shù)和間隔寬度。求導(dǎo)階數(shù)同S-GD，間隔寬度實(shí)質(zhì)兩個(gè)值之間的間隔大小。S-G D將光譜數(shù)據(jù)平滑后，進(jìn)行多項(xiàng)式擬合，最后再進(jìn)行求導(dǎo)；S-G S將光譜數(shù)據(jù)平滑后，多項(xiàng)式擬合則可；N-G D則隔間隙進(jìn)行取點(diǎn)，形成新的光譜數(shù)據(jù)，然后擬合求導(dǎo)。

1.3.4有效波長選擇

采用較優(yōu)預(yù)處理后的全光譜數(shù)據(jù)進(jìn)行初次建模，得到載重圖。載重圖以波數(shù)為橫坐標(biāo)，載重值為縱坐標(biāo)。載重值越大，則表明此波數(shù)段對(duì)建模影響越大。將預(yù)處理后的全光譜數(shù)據(jù)及對(duì)應(yīng)的理化值導(dǎo)入Excel中，調(diào)用函數(shù)“Correl”，得到相關(guān)系數(shù)圖。相關(guān)系數(shù)圖以波數(shù)為橫坐標(biāo)，相關(guān)系數(shù)為縱坐標(biāo)。值越大則表明此波數(shù)段與所對(duì)應(yīng)的化學(xué)值相關(guān)性越大[24-25]。通過載重圖和相關(guān)系數(shù)圖選擇特征光譜，并與全波長條件下的建模效果進(jìn)行比較分析，確定較優(yōu)建模光譜區(qū)間[26-28]。

1.3.5模型建立與驗(yàn)證

1.3.6盲樣驗(yàn)證

利用定量模型對(duì)盲樣進(jìn)行預(yù)測(cè)，對(duì)預(yù)測(cè)值和實(shí)測(cè)值進(jìn)行配對(duì)t檢驗(yàn)，分確定所建方法的可行性。

1.4數(shù)據(jù)處理

將掃描光譜用OPUS軟件導(dǎo)出相應(yīng)光譜數(shù)據(jù)，所得數(shù)據(jù)用Unscrambler和Excel軟件進(jìn)行相應(yīng)處理和分析。

2　結(jié)果與分析

2.1總糖含量測(cè)定

表2　校正集、驗(yàn)證集及盲樣集總糖含量Table 2 Total sugar contents in calibration, validation and blind sample sets

對(duì)114 個(gè)枸杞樣品的總糖含量進(jìn)行檢測(cè)分析。由表2可知，樣品來自我國不同枸杞產(chǎn)區(qū)，樣品信息較為豐富，測(cè)定結(jié)果中各個(gè)指標(biāo)的變化范圍較大，基本涵蓋我國各主要產(chǎn)區(qū)的枸杞總糖的含量范圍，具有很好的代表性；驗(yàn)證集和盲樣集的變化范圍均在校正集的變化范圍之內(nèi)。

2.2光譜分析

圖1　樣品近紅外光譜Fig. 1　NIR spectra of samples

將枸杞顆粒樣品置于旋轉(zhuǎn)樣品杯中，采用積分球漫反射模式采集近紅外光譜。114 個(gè)樣品的光譜如圖1所示。不同枸杞近紅外光譜較為相似，難以將某個(gè)具體的峰位、峰強(qiáng)或者峰形與某個(gè)特定的目標(biāo)成分建立聯(lián)系。樣品光譜需要通過化學(xué)計(jì)量學(xué)的方法進(jìn)一步提取有效光譜信息。101號(hào)樣品和107號(hào)樣品的光譜與其他樣品存在較大差異，可能是因?yàn)椴杉^程中操作不當(dāng)造成的，故在后面的分析中做去除處理。

2.3光譜預(yù)處理

表3　光譜預(yù)處理的選擇Table 3　Selection of optimal preprocessing method

由表3可知，對(duì)光譜分別進(jìn)行SNV、S-G D和S-G S預(yù)處理后，模型的建模效果與原光譜建模效果相比，無明顯差異。當(dāng)對(duì)原始光譜進(jìn)行N-G D預(yù)處理后，選擇主成分?jǐn)?shù)是8時(shí)，Rc2和Rv2分別提高至0.999和0.889，模型效果良好。

2.4有效波長確定

在Unscrambler的主成分Overview中，選擇載重圖，可以看到不同主成分條件下，每個(gè)光譜點(diǎn)對(duì)應(yīng)的載重值。載重圖特別適用于光譜數(shù)據(jù)，因?yàn)樗芎芎玫仡A(yù)測(cè)對(duì)模型有用的光譜波段。圖2a中展示了前3 個(gè)主成分條件下光譜的載重圖（為了便于觀察，第2主成分及第3主成分條件下的載重圖，依次增加了0.025）。將預(yù)處理后的光譜數(shù)據(jù)及對(duì)應(yīng)的總糖數(shù)據(jù)導(dǎo)入Excel中，利用函數(shù)“Correl”可得到相關(guān)系數(shù)圖，如圖2b所示。

圖2　載重法（a）和相關(guān)系數(shù)法（b）選擇有效波長Fig. 2　EWs selection by X-loading weights (a) and correlation coefficients (b)

由圖2a可以看出，在7 540～6 970 cm－1和5 590～4 000 cm－1波數(shù)范圍內(nèi)載重值的變化較大且值較高。故選此波段作為特征波段。由圖2b可以看出，12 000～8 800 cm－1波數(shù)范圍內(nèi)，相關(guān)系數(shù)較小，而8 700～4 000 cm－1相對(duì)較大，故選此波段建立模型。比較這種方法條件下選擇的特征波段與全光譜條件下的PLS模型，如表4所示。

表4　不同波長建模效果Table 4　Model performance with EWs

全光譜條件下，模型的預(yù)測(cè)決定系數(shù)最低。全光譜不僅包含與樣品信息的有效信息，也包含一些由于儀器、外在環(huán)境、樣品物理?xiàng)l件不同帶來的干擾信息。利用全光譜建模，數(shù)據(jù)量大，建模時(shí)間較長，且建模效果不理想。對(duì)建模波段進(jìn)行選擇，可簡化模型，提高模型有效性。對(duì)比載重法和相關(guān)系數(shù)法條件下所選特征波段的建模效果，可以看出，相關(guān)系數(shù)條件下的特征波段的建模效果均高于載重條件下的特征波段，由此，選定8 700～4 000 cm－1波數(shù)范圍為枸杞總糖含量測(cè)定波段。

2.5模型建立與驗(yàn)證

圖3　模型建立校正集（a）與驗(yàn)證集（b）Fig. 3　Model performance in calibration (a) and validation sets (b)

2.6盲樣驗(yàn)證

所建模型用于盲樣（樣品未參與建模）的總糖含量預(yù)測(cè)。采用配對(duì)t檢驗(yàn)來確定近紅外光譜法替代傳統(tǒng)化學(xué)法的可行性，其結(jié)果見表5。在設(shè)置置信水平是95%的情況下，P雙尾=0.63＞0.05，說明近紅外方法與傳統(tǒng)方法測(cè)定結(jié)果沒有顯著性差異，近紅外光譜法可用于枸杞總糖含量的快速檢測(cè)。

表5　盲樣測(cè)定結(jié)果分析Table 5　Predicted results for blind samples

3　結(jié) 論

參考文獻(xiàn)：

[1] 林楠, 楊宗學(xué), 藺海明, 等. 不同產(chǎn)地枸杞質(zhì)量的比較研究[J].甘肅農(nóng)業(yè)大學(xué)學(xué)報(bào), 2013, 48(2): 34-39. DOI:10.3969/ j.issn.1003-4315.2013.02.008.

[2] 霍超, 徐桂花. 枸杞生理功效和活性成分的研究進(jìn)展[J]. 中國食物與營養(yǎng), 2007(11): 50-53. DOI:10.3969/j.issn.1006-9577.2007.11.016.

[3] 何進(jìn), 閻淳泰. 枸杞果實(shí)化學(xué)成分研究概況[J]. 中國野生植物資源, 1997(1): 8-11.

[4] 周晶, 李光華. 枸杞的化學(xué)成分與藥理作用研究綜述[J]. 遼寧中醫(yī)藥大學(xué)學(xué)報(bào), 2009, 11(6): 93-95.

[5] 周艷華, 李濤, 覃世民, 等. 枸杞活性成分提取分離方法研究進(jìn)展[J]. 食品研究與開發(fā), 2014, 35(24): 163-166. DOI:10.3969/ j.issn.1005-6521.2014.24.042.

[6] 如克亞·加帕爾, 孫玉敬, 鐘烈州, 等. 枸杞植物化學(xué)成分及其生物活性的研究進(jìn)展[J]. 中國食品學(xué)報(bào), 2013, 13(8): 161-172.

[7] BONDIA-PONS I, SAVOLAINEN O, TORRONEN R, et al. Metabolic profiling of Goji berry extracts for discrimination of geographical origin by non-targeted liquid chr omatography coupled to quadrupole time-of-flight mass spectrometry[J]. Food Research International, 2014, 63: 132-138. DOI:10.1016/j.foodres.2014.01.067.

[8] AMAGASE H, FARNSWORTH N R. A review of botanical characteristics, phytochemistry, clinical relevance in efficacy and safety of Lycium barbarum fruit (Goji)[J]. Food Research International, 2011, 44: 1702-1717. DOI:10.1016/j.foodres.2011.03.027.

[9] 張曉煜, 劉靜, 袁海燕. 枸杞總糖含量與環(huán)境因子的量化關(guān)系研究[J].中國生態(tài)農(nóng)業(yè)學(xué)報(bào), 2005, 13(3): 39-43.

[10] 蔡國軍, 張廣忠, 張寶琳, 等. 氮、磷、鉀對(duì)枸杞果實(shí)糖類、胡蘿卜素含量的影響[J]. 西南農(nóng)業(yè)學(xué)報(bào), 2013, 26(1): 209-212. DOI:10.3969/j.issn.1001-4829.2013.01.043.

[11] 許興, 鄭國琦, 楊娟, 等. 寧夏不同地域枸杞多糖和總糖含量與土壤環(huán)境因子關(guān)系的研究[J]. 西北植物學(xué)報(bào), 2005, 25(7): 1340-1344. DOI:10.3321/j.issn:1000-4025.2005.07.010.

[12] 雷建剛, 劉敦華, 郭進(jìn). 不同產(chǎn)地枸杞干果品質(zhì)的差異性研究[J]. 現(xiàn)代食品科技, 2013, 29(3): 494-497

[13] 李梅蘭. 不同產(chǎn)地枸杞質(zhì)量的模糊綜合評(píng)價(jià)[J]. 青海大學(xué)學(xué)報(bào)(自然科學(xué)版), 2010, 28(1): 83-85. DOI:10.3969/ j.issn.1006-8996.2010.01.020.

[14] 楊劍婷, 鮑士寶, 吳曉偉, 等. 四種藥食同源材料中總糖含量的測(cè)定[J].現(xiàn)代中藥研究與實(shí)踐, 2012, 26(3): 76-79.

[15] 王歡, 金哲雄, 溫美佳, 等. 不同產(chǎn)地寧夏枸杞活性成分比較研究[J].現(xiàn)代中藥研究與實(shí)踐, 2014, 28(6): 21-25.

[16] 呂海棠, 劉同慧, 馮瑞琴. FTIR法測(cè)定枸杞中的有效成分[J]. 食品工業(yè)科技, 2012, 33(6): 102-104.

[17] 許春瑾, 張睿, 于修燭, 等. 基于近紅外光譜的中寧枸杞子判別分析[J].食品科學(xué), 2014, 35(2): 164-167. DOI:10.7506/spkx1002-6630-201402030.

[18] 湯麗華, 劉敦華. 基于近紅外光譜技術(shù)的枸杞產(chǎn)地溯源研究[J]. 食品科學(xué), 2011, 32(22): 175-178.

[19] 周群, 孫素琴, 梁曦云. 枸杞產(chǎn)地的紅外指紋圖譜與聚類分析法研究[J]. 光譜學(xué)與光譜分析, 2003, 23(3): 509-511. DOI:10.3321/ j.issn:1000-0593.2003.03.025.

[20] 湯麗華, 劉敦華. 基于近紅外光譜的枸杞化學(xué)成分定量分析[J]. 現(xiàn)代食品科技, 2013, 29(9): 2306-2310.

[21] 吳志生, 史新元, 徐冰, 等. 中藥質(zhì)量實(shí)時(shí)檢測(cè): NIR定量模型的評(píng)價(jià)參數(shù)進(jìn)展[J]. 中國中藥雜志, 2015, 40(14): 2774-2781. DOI:10.4268/ cjcmm20151417.

[22] 劉飛, 孫光明, 何勇. 基于波長選擇方法Modeling Power的黑木耳產(chǎn)地判別研究[J]. 光譜學(xué)與光譜分析, 2010, 30(1): 62-65. DOI:10.3964/j.issn.1000-0593(2010)01-0062-04.

[23] 詹雪艷, 趙娜, 林兆洲, 等. 校正集選擇方法對(duì)于積雪草總苷中積雪草苷NIR定量模型的影響[J]. 光譜學(xué)與光譜分析, 2014, 34(12): 3267-3272. DOI:10.3964/j.issn.1000-0593(2014)12-3267-06.

[24] 嚴(yán)衍祿. 近紅外光譜分析基礎(chǔ)與應(yīng)用[M]. 北京: 中國輕工業(yè)出版社, 2005.

[25] 王立琦, 孔慶明, 李貴濱, 等. 基于iPLS的油脂過氧化值近紅外光譜特征波段選擇[J]. 食品科學(xué), 2011, 32(9): 97-100.

[26] CHEN J Y, IYO C, TERADA F, et al. Effect of multiplicative scatter correction on wavelength selection for near infrared calibration to determine fat content in raw milk[J]. Journal of Near Infrared Spectroscopy, 2002, 10(4): 301-308. DOI:10.1255/jnirs.346.

[27] LIU F, HE Y, WANG L. Determination of effective wavelengths for discrimination of fruit vinegars using near infrared spectroscopy and multivariate analysis[J]. Analytica Chimica Acta, 2008, 615(1): 10-17. DOI:10.1016/j.aca.2008.03.030.

[28] MIN M, LEE W S. Determination of significant wavelengths and prediction of nitrogen content for citrus[J]. Transactions of the ASAE, 2005, 48(2): 455-461. DOI:10.13031/2013.18308.

Rapid Determination of Total Sugar Content of Goji Berries (Lycium barbarum) by Near Infrared Spectroscopy with Effective Wavenumber Selection

XU Shenglu1,2, GAO Yuan1, HU Guoliang1,2, YU Xiuzhu1,*, ZHANG Rui1
(1. College of Food Science and Engineering, Northwest A&F University, Yangling712100, China; 2. Market Supervision Administration of Wenzhou, Wenzhou325000, China)

Abstract:This study developed a rapid and accurate method for the determination of total sugar in Goji berries (Lycium barbarum) by using Fourier transform near infrared (NIR) spectroscopy. A total of 114 samples collected from various producing areas were detected by NIR spectroscopy for the acquisition of spectra in the integrating sphere diffuse reflectance mode. The relationship between spectral information and total sugar content was established using a chemometric method. The effective wavenumbers by X-loading weights and correlation coefficients were selected. A quantitative model for predicting the total sugar content of Goji berries was developed and verified. The results showed that the model was built with spectral pretreatment using Norris Gap Derivative, and effective wavenumbers (EWs) of 8 700–4 000 cm-1chosen by correlation coefficients. The coefficients of determination for calibration (Rc2) and for validation (Rv2) of the model were both higher than 0.91 when the number of principal components (PCs) was 8. The above results demonstrate that rapid determination of the total sugar content of Goji berries by NIR is workable.

Key words:Goji berries (Lycium barbarum); near infrared (NIR) spectroscopy; effective wavenumbers; total sugar; quantitative analysis

收稿日期：2015-10-11

基金項(xiàng)目：中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)（QN2013057）

作者簡介：許生陸（1980—），男，碩士研究生，主要從事食品安全檢測(cè)及市場(chǎng)監(jiān)管研究。E-mail：xushenglu@qq.com

*通信作者：于修燭（1974—），男，副教授，博士，主要從事功能性食品及其安全檢測(cè)研究。E-mail：xiuzhuyu1004@hotmail.com

DOI:10.7506/spkx1002-6630-201612018

中圖分類號(hào)：TS207.3

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-6630（2016）12-0105-05