劉小路， 薛 璐*， 魯曉翔， 張 鵬， 陳紹慧， 李江闊

（1.天津商業(yè)大學 生物技術(shù)與食品科學學院/天津市食品生物技術(shù)重點實驗室，天津300134；2.國家農(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實驗室，天津300384）

藍莓可溶性固形物、總酸近紅外無損檢測模型的建立

劉小路1， 薛 璐*1， 魯曉翔1， 張 鵬2， 陳紹慧2， 李江闊2

（1.天津商業(yè)大學 生物技術(shù)與食品科學學院/天津市食品生物技術(shù)重點實驗室，天津300134；2.國家農(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實驗室，天津300384）

建立了近紅外漫反射光譜技術(shù)檢測藍莓可溶性固形物、總酸的數(shù)學模型，并對其進行評價。實驗比較了在近紅外全波長范圍400～2 500 nm內(nèi)，不同的光譜預處理方法對模型的影響。結(jié)果表明利用偏最小二乘法（PLS）、一階導數(shù)（D1Log（1/R））和加權(quán)多元離散校正處理（WMSC）建立的可溶性固形物含量（SSC）定標模型預測結(jié)果相對較好。其預測相關(guān)系數(shù)Rp2為0.8518，預測標準誤差（SEP）為0.351，相對分析誤差（RPD）為2.05?？偹岬淖罴涯Ｐ吞幚項l件為改進偏最小二乘法（MPLS）、二階導數(shù)（D2Log（1/R））和 WMSC，其 Rp2為0.8776，SEP為0.042，RPD為2.10。由此確定近紅外漫反射技術(shù)可用于藍莓可溶性固形物、總酸含量的快速無損檢測。

藍莓；近紅外漫反射光譜；可溶性固形物；總酸；無損檢測

藍莓（Blueberry）學名為越桔（Vaccinium ssp），藍莓除含有糖、酸外，還富含多種維生素（VC、VE、VA、VB等）、SOD、熊果苷、花色苷、黃酮類、抗菌成分和豐富的食用纖維，具有抗氧化、改善記憶、提高免疫力及明目等保健功能。由此可見，藍莓是一種功能性保健食品，堪稱“世界水果之王”。

可溶性固形物含量（soluble solids content，SSC）和總酸含量 （total acid，TA）對藍莓口感有很大影響，是評價藍莓品質(zhì)的重要指標。傳統(tǒng)化學方法檢測藍莓指標不僅破壞果實，而且耗時長，因此有必要找到一種簡單、快速、高效的無損檢測技術(shù)［1］。近紅外光譜技術(shù)作為一種快速、無損、高效的檢測方法，幾乎可以用在所有與含氫基團相關(guān)的樣品的物理、化學性質(zhì)方面的分析。不同物質(zhì)在近紅外光譜區(qū)域有著豐富的吸收光譜，通過化學計量學將這些吸收光譜的數(shù)據(jù)信息建立模型，可以快速實現(xiàn)特定成分的定性或定量分析［2］，因此近紅外光譜技術(shù)在水果品質(zhì)無損檢測方面得到了廣泛的應用［3-9］。雖然近幾年近紅外光譜技術(shù)應用廣泛，但是在鮮食藍莓品質(zhì)方面的研究還比較少。作者研究近紅外光譜技術(shù)建立0℃貯藏條件下可鮮食藍莓SSC、TA含量的數(shù)學模型，通過對模型的校正、驗證，獲得準確性較高的模型，為以后鮮食藍莓品質(zhì)的無損檢測提供理論依據(jù)及方法。

1 材料與方法

1.1 材料與儀器

藍莓品種：伯克利。藍莓于2014年7月采自大連金州基地，采摘當天將果實運回國家農(nóng)產(chǎn)品保鮮工程技術(shù)研究中心實驗室進行處理。

NIRS DS2500近紅外漫反射光譜儀：丹麥FOSS公司產(chǎn)品；糖-酸測定儀 （BRIX-ACIDITY METER（GMK-706R））產(chǎn)品；數(shù)字手持折光儀（PAL-1）：日本A tago公司產(chǎn)品。

1.2 試驗方法

1.2.1 樣品處理 將藍莓用PE膜 （厚度為0.05 mm）包裝，封口，在0℃庫中貯藏。實驗前，藍莓置于常溫環(huán)境下1.5 h，恢復至室溫，每次實驗取25組，每組4個果實。每組藍莓同時進行光譜掃描，然后將掃描后的藍莓果實進行化學指標的測定。樣品從采摘當天開始測定，到低溫貯藏64 d藍莓變軟、腐爛率達到50%停止測定，其間每8 d進行測定，共測8次。將200組數(shù)據(jù)隨機分為定標集和預測集，SSC、TA樣品數(shù)分別為160個和40個。

1.2.2 光譜的采集 使用近紅外漫反射光譜儀，波長范圍為400～2500 nm，掃描方式為快速掃描，單波長掃描32次，采用全息光柵分光系統(tǒng)，硅（400～1 100 nm）和硫化鉛（1100～2 500 nm）檢測器采集信號。儀器用Nova軟件采集果實光譜信息，而WinISI4定標軟件用來處理光譜數(shù)據(jù)，實驗測量時要避開表面凹陷、傷疤及污點等地方，因藍莓果實較小，測定SSC和TA時采用四果同時掃描，盡量將透光孔遮住，在Slurry Cup上藍莓果實均豎放，避開果蒂進行光譜掃描。

1.2.3 SSC測定方法 將標記的25組藍莓先進行近紅外光譜掃描，然后分別用雙層紗布擠汁到100 mL小燒杯中，搖勻，用手持折光儀測定藍莓SSC，每組重復測定3次，取平均值作為實測值。每次實驗共25組，整個實驗做8次，共200組實驗數(shù)據(jù)。

1.2.4 TA測定方法 取上述汁液0.3 mL，用30 mL的蒸餾水稀釋，搖勻，用糖-酸測定儀進行電化學測定，每組重復3次，取平均值作為實測值。

1.3 光譜數(shù)據(jù)處理與分析

為了提高所建模型的準確性，使用WinISI4定標軟件，對藍莓原始光譜進行濾波和平滑處理，以消除無關(guān)信息及噪聲，提取有效信息。作者采用偏最小二乘法（PLS）、改進偏最小二乘法（MPLS）結(jié)合藍莓光譜的一階導數(shù)和二階導數(shù)光譜處理方法建立藍莓SSC、TA的模型，并分析不同的平滑處理對藍莓SSC、TA定標模型的影響。然后再用未參與定標的未知樣品對最優(yōu)定標模型進行驗證，評價模型的可行性。實驗所建定標模型以交互驗證相關(guān)系數(shù)（R）和交互驗證誤差（SECV）作為評價指標。預測模型則通過預測相關(guān)系數(shù) （R）、預測標準誤差（SEP）以及相對分析誤差（RPD）評價所建模型的精確性。

2 結(jié)果與討論

2.1 藍莓SSC、TA標準實測值

藍莓在貯藏期間，隨貯藏時間的延長，藍莓中的化學成分在相關(guān)酶的作用下發(fā)生變化，導致果實中含氫官能團變化，而近紅外光譜測量的主要是含氫基團X-H（X=C、N、O、S等）振動的倍頻及合頻吸收，因此，可用近紅外光譜技術(shù)檢測藍莓果實的品質(zhì)。

表1是藍莓SSC、TA定標集和預測集的實測結(jié)果。定標集用來建立數(shù)學模型，應具有代表性，其組成要包含待測樣品所包含的所有化學組分，其變化范圍應大于待測樣品的變化范圍。由表可知，樣品預測集的含量范圍都在定標集范圍內(nèi)，作者所測樣品可以用于建立藍莓SSC、TA的近紅外模型。

表1 藍莓SSC、TA實測結(jié)果Table1 SSC and TA of blueberry

2.2 藍莓近紅外原始光譜

圖1為低溫貯藏期間藍莓近紅外掃描原始吸收光譜圖。從圖中可知，在波長680、975、1 186、1 448、1 916 nm處有顯著的吸收峰。通過WinISI4定標軟件分析可知，975 nm和1 186 nm處的吸收峰主要是因為水分含量的差異引起的，這說明水分含量的多少對藍莓的近紅外光譜影響很大；第一個吸收峰680 nm處主要是由于葉綠素對光的吸收造成的；而吸收峰1 448 nm附近主要是C-H、-CH2鍵發(fā)生變化導致的。水果成分的基本化學基團C-H 和O-H的倍頻吸收譜帶就在這個吸收峰附近。所以，不同時間貯藏的藍莓能提供豐富的光譜信息，通過化學計量學提取有效的光譜信息，因此，應用近紅外建立藍莓可溶性固形物和總酸的定量分析模型具有可行性。

2.3 SSC、TA最佳光譜預處理方法的確定

NIRS采集藍莓SSC和TA原始光譜時會受到與樣品本身結(jié)構(gòu)組成無關(guān)信息的干擾，還可能受到外界溫度、環(huán)境條件、儀器狀態(tài)等因素的影響，而且樣品中不同成分間的相互干擾也有可能會導致光譜重疊。光譜預處理［15］的目的是通過對光譜的適當處理或變換，減弱甚至是消除這些非目標因素的影響，盡可能去除無關(guān)信息變量，提高其分辨率和靈敏度，從而提高校正模型的預測能力和穩(wěn)定性。

圖1 藍莓果實近紅外掃描原始光譜圖Fig.1 Original spectrum of blueberries by NIRS

2.3.1 SSC最佳光譜預處理方法的確定 SSC采用PLS法結(jié)合不同的光譜預處理，通過比較找到最優(yōu)模型。在全波長范圍內(nèi)比較了一階導數(shù) （D1 lg（1/ R））、二階導數(shù) （D2 lg（1/R））和標準正?；幚恚⊿NV）、去散射處理（Detrend）、標準正?；c去散射結(jié)合處理（SNV and Detrend）、標準多元離散校正（SMSC）和加權(quán)多元離散校正（WMSC）相結(jié)合的處理方法對SSC模型的影響。不同光譜預處理方法建模結(jié)果如表2。

光譜的一階導數(shù)（D1 lg（1/R））和二階導數(shù)（D2 lg（1/R））是近紅外光譜分析中最常用的基線校正和光譜分辨預處理方法。由表可知，SECV差異不明顯，但一階導數(shù)的R略大于二階導數(shù)的R，主要是因為光譜采集時存在基線漂移，一階導數(shù)不僅能更好的消除儀器背景的干擾和基線漂移，還能去除樣品不同組分之間相互干擾造成的光譜重疊現(xiàn)象，使光譜中的有用信息更加清晰的顯示出來，具有更清晰的光譜輪廓變化和分辨率。因此，采用PLS+D1 lg（1/R）+WMSC的光譜預處理方法建立的SSC定標模型效果最好，其 SECV為 0.271，R為0.864。

表2 SSC法不同預處理的定標結(jié)果Table2 Calibration results of models constructed by different pretreatment（SSC）

2.3.2 TA最佳光譜預處理方法的確定 TA采用MPLS法，表3是TA采用9種不同的預處理方法所建模型的結(jié)果，通過比較交互驗證相關(guān)系數(shù)（Rcv2）和交互驗證誤差（SECV）確定最優(yōu)模型。

表3 TA法不同預處理的定標結(jié)果Table3 Calibration results of models constructed by different pretreatment（TA）

二階導數(shù)雖然能有效地消除其它背景和基線的干擾，提高分辨率和靈敏度，但是它同時可能引入了噪聲，使信噪比降低。在使用預處理時，光譜差分寬度的選擇非常重要，如選擇的差分寬度太小，噪聲就會很大，影響所建定標模型的質(zhì)量；反之，如果選擇的差分寬度太大，再結(jié)合過度平滑，就可能使大量的細節(jié)信息流失。因此，基線校正要與光譜平滑緊密配合才能提高所建模型的準確性。由表3可知，TA最優(yōu)的光譜預處理方法是MPLS+二階導數(shù)+WMSC，其SECV為0.034，R為0.882。

在TSS和TA最優(yōu)光譜預處理的條件下，討論了波長對模型的影響。其中在波長408～1 092.8 nm范圍內(nèi)，TSS和TA的SECV分別為0.360和0.035，R分別為0.704和0.733；在波長1 108～2 492.8 nm范圍內(nèi)，TSS和 TA的SECV分別為 0.522和0.058，R分別為0.373和0.267，通過比較，結(jié)果表明TSS和TA在全波長400～2 500 nm范圍內(nèi)建模效果最好。

2.4 定標模型的驗證

為了驗證模型的可靠性和穩(wěn)定性，用未知的40個樣品對模型進行驗證。結(jié)果如圖2、圖3。預測結(jié)果表明，SSC的 R為 0.851 8，SEP為 0.351，RPD為2.05；TA的R為0.8776，SEP為0.042，RPD為2.10。

圖2 藍莓SSC實測值與預測值的相關(guān)性Fig.2 Correlation between predicted values of optimized model and actual values of blueberry SSC

圖3 藍莓TA實測值與預測值的相關(guān)性Fig.3 Correlation between predicted values of optimized model and actual values of blueberry TA

由于藍莓果實較小，4果掃描取平均光譜，其果實間的差異可能會導致光譜偏差較大；化學測量值作為基礎(chǔ)數(shù)據(jù)，其準確性是影響近紅外光譜分析結(jié)果的一個重要因素，基礎(chǔ)數(shù)據(jù)越準確，所建模型的精度就越高，其對未知樣品的預測結(jié)果也越準確。實驗用常規(guī)方法測定藍莓SSC和TA時，雖然重復測定提高了準確性，但是仍然存在誤差，從而導致近紅外通過基礎(chǔ)數(shù)據(jù)建立的模型其預測相關(guān)系數(shù)較低。

3 結(jié)語

果實在貯藏期間，SSC和TA是反映果實成熟度的重要指標。作者在400～2 500 nm全波長范圍內(nèi)對藍莓可溶性固形物和總酸質(zhì)量分數(shù)建立了近紅外無損檢測模型。結(jié)果表明，藍莓SSC和TA定標模型的相關(guān)系數(shù)R分別為0.864 0和0.881 8，定標標準誤差（SEC）分別為0.269和0.031，預測相關(guān)系數(shù)R分別為0.851 8和0.877 6，預測標準誤差（SEP）分別為0.351和0.042，RPD分別為2.05和2.10。因此，作者所建的模型僅能進行粗略的定量分析，今后應進一步研究和完善藍莓可溶性固形物和總酸含量的近紅外快速無損檢測模型。

［1］李穎.我國藍莓物流流程研究［D］.長春：吉林農(nóng)業(yè)大學，2008.

［2］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試驗研究［J］.光譜學與光譜分析，2007，27（5）：907-910. MA Guang，F(xiàn)U Xiaping，ZHOU Ying，et al.Nondestructive sugar content determination of peaches by using near infrared spectroscopy technique［J］.Spectroscopy and Spectral Analysis，2007，27（5）：907-910.（in Chinese）

［3］TEERACHAICHAYUT S，TERDWONGWORAKUL A，Thanapase W，et al.Non-destructive prediction of hardening pericarp disorder in intact mangosteen by near infrared transmittance spectroscopy［J］.Journal of Food Engineering，2011，106（3）：206-211.

［4］LOUW E D，KAREN 1.Robust prediction models for quality parameters in Japanese plums（Prunus salicina L.）using NIR spectroscopy［J］.Postharvest Biology and Technology，2010，58：176-184.

［5］張鵬，李江闊，陳紹慧，等.磨盤柿褐變指標的可見/近紅外漫反射無損預測研究［J］.食品與生物技術(shù)學報，2012，31（11）：1673-1689. ZHANG Peng，LI Jiangkuo，CHEN Shaohui，et al.Research on nondestructive measurement of browning indexes of mopan persimmon using visible and near infrared diffuse reflection spectroscopy［J］.Journal of Food Science and Biotechnology，2012，31（11）：1673-1689.

［6］MOGHIMI A，AGHKHANI M H，SAZGARNIA A.Vis/NIR spectroscopy and chemometrics for the prediction of soluble solids content and acidity（pH）of kiwifruit［J］.Biosystems Engineering，2010，106：295-302.

［7］孫炳新，匡立學，徐方旭，等.蘋果有效酸度的近紅外無損檢測研究［J］.食品工業(yè)科技，2013，15：298-301. SUN Bingxin，KUANG Lixue，XU Fangxu，et al.Nondestructive measurement of pH in apples using near infrared spectroscopy ［J］.Science and Technology of Food Industry，2013，15：298-301.（in Chinese）

［8］SON J R，LEE K J，KANG S W，et al.Development of prediction model for sugar content of strawberry using NIR spectroscopy ［J］.Food Engineering Progress，2009，13（4）：297-301.

［9］唐長波，方立剛.黃桃可溶性固形物的近紅外漫反射光譜檢測［J］.江蘇農(nóng)業(yè)科學，2013，41（11）：331-333. TANG Changbo，F(xiàn)ANG Ligang.Detection of soluble solids of Yellow peach by near-infrared diffuse reflection［J］.Jiangsu Agricultural Sciences，2013，41（11）：331-333.（in Chinese）

Non-Destructive Testing of Soluble Solids and Total Acidity in Blueberry by Near-Infrared Diffuse Reflectance Spectroscope

LIU Xiaolu1， XUE Lu*1， LU Xiaoxiang1， ZHANG Peng2， CHEN Shaohui2， LI Jiangkuo2
（1.College of Biotechnology and Food Science/Tianjin Key Laboratory of Food Biotechnology，Tianjin University of Commerce，Tianjin 300134，China；2.National Engineering and Technology Research Center for Preservation of Agricultural Products/Tianjin Key Laboratory of Postharvest Physiology and Storage of Agricultural Products，Tianjin 300384，China）

The purpose of this research is to establish mathematical model between near infrared diffuse reflection （NIR）spectroscopy and soluble solids and total acidity in blueberry，and to evaluate its application value.The influence of different spectral preprocessing methods on the model was compared in the spectral region between 400～2500 nm.The results showed that the calibration model with the partial least squares（PLS），the first derivative D1lg（1/R）and weighted multiple scatter correction（WMSC）could provide better prediction performance for SSC，with the correlation coefficient of prediction（Rp2）of 0.8518 and the root mean square error of prediction（SEP）of 0.351 and relative percent deviation of prediction（RPD）of 2.05.The best model of total acidity is the modified partial least squares（MPLS）model，the second derivative D2lg（1/R）and WMSC，with the correlation coefficient of prediction（Rp2）of 0.8776 and the root mean square error of prediction（SEP）of 0.042and relative percent deviation of prediction（RPD）of 2.10.So the near-infrared diffuse reflectance spectroscope can be used for fast nondestructive measurement of soluble solids and total acidity in blueberry.

blueberry，near infrared reflection spectroscopy，soluble solid content（SSC），total acidity，non-destructive testing

TS 207.3

A

1673—1689（2016）07—0752—05

2015-01-13

國家“十二五”科技支撐計劃項目（2012BAD38B01）；天津市創(chuàng)新團隊項目（TD12-5049）。

薛 璐（1976—），女，天津人，工學博士，副教授，碩士研究生導師，主要從事農(nóng)產(chǎn)品加工與貯藏研究。E-mail：xuelu@tjcu.edu.cn