高 麗，潘從飛，陳 嘉，王勇德*，趙國華,3,*

（1.西南大學(xué)食品科學(xué)學(xué)院，重慶 400715；2.重慶市中藥研究院，重慶 400065；3.重慶市特色食品工程技術(shù)研究中心，重慶 400715）

甘薯水分和還原糖協(xié)同向量NIR快速檢測方法

高 麗1，潘從飛1，陳 嘉1，王勇德2,*，趙國華1,3,*

（1.西南大學(xué)食品科學(xué)學(xué)院，重慶 400715；2.重慶市中藥研究院，重慶 400065；3.重慶市特色食品工程技術(shù)研究中心，重慶 400715）

利用近紅外光譜技術(shù)建立新鮮甘薯水分和還原糖含量的預(yù)測模型，實現(xiàn)快速檢測與分析，為甘薯品質(zhì)分析和種質(zhì)資源篩選提供便捷。選用不同品系甘薯樣品146 份，109 份作為校正樣品，37 份作為驗證樣品。運用不同光譜預(yù)處理方法、協(xié)同區(qū)間偏最小二乘最優(yōu)波長選擇法以及主成分回歸和偏最小二乘法建立甘薯水分和還原糖模型。結(jié)果顯示，所建甘薯水分（還原糖）最優(yōu)模型的決定系數(shù)、預(yù)測均方根誤差和標(biāo)準(zhǔn)差比率分別為0.974（0.885），1.154（0.270）和6.334（3.148）。表明2 種模型具有較好的檢測性能，近紅外光譜模型的預(yù)測值與其相應(yīng)的化學(xué)值有較好的相關(guān)性，適用于大批量甘薯選育時水分和還原糖含量的快速檢測。

近紅外光譜技術(shù)；甘薯；水分；還原糖；區(qū)間協(xié)同偏最小二乘法

近紅外光譜技術(shù)是一種高效快速的現(xiàn)代分析技術(shù)，它可以同時測定樣品中一種或者幾種化學(xué)成分，不需要對樣品進(jìn)行化學(xué)處理，不會產(chǎn)生任何有毒有害廢棄物，是一種介于可見光和中紅外光譜之間（12 820～4 000 cm-1）的電磁波。其主要光譜信息來源于—CH、—NH和—OH等含氫基團(tuán)的倍頻和合頻吸收。最早用于美國農(nóng)業(yè)部測定蘋果等作物的內(nèi)部品質(zhì)，目前已廣泛應(yīng)用 于 食 品[6]、 農(nóng) 業(yè)[7-10]、 石 油[11]、 化 學(xué)[12]、 制 藥[13]、林業(yè)[14]、紡織[15]及化妝品[16]等各個行業(yè)。目前，近紅外光譜技術(shù)已經(jīng)在甘薯化學(xué)成分測定中得到應(yīng)用[17-18]，分別構(gòu)建了甘薯蛋白質(zhì)[19-20]、淀粉[21-22]、糖類[22]、黃酮[23]和甘薯莖葉色素[24]、重金屬[25]等定量測定模型，但這些模型均將甘薯樣品進(jìn)行干燥、磨粉等處理，仍費時費力，目前暫未見利用近紅外光譜技術(shù)直接對新鮮甘薯進(jìn)行成分分析的報道。本實驗以146 份不同品系的甘薯育種材料為研究對象，選37 份作為驗證樣品，109 份為校正樣品，利用近紅外光譜結(jié)合化學(xué)計量法建立新鮮甘薯水分和還原糖含量最優(yōu)預(yù)測模型，為我國甘薯品質(zhì)分析和種質(zhì)篩選提供新思路及參考依據(jù)。

1 材料與方法

1.1 材料

甘薯由重慶市甘薯工程技術(shù)研究中心（2015年11月）提供。選取大小一致、表面光滑、無病蟲害且不同品系的甘薯，共計146 份樣品。將甘薯表面的泥土清洗干凈，在室溫條件下自然晾干其表面水分并編號，儲存于（15±2）℃?zhèn)溆谩⒏适韽闹行臋M向一切兩半，一半用于甘薯化學(xué)成分測定，一半用于近紅外光譜掃描。

1.2 儀器與設(shè)備

AntarisⅡ傅里葉近紅外光譜儀 美國Thermo Fisher Scientific公司；BS-223S電子天平 北京塞多利斯儀器系統(tǒng)有限公司；DHG-9140電熱恒溫鼓風(fēng)干燥箱 上海市齊欣科學(xué)儀器有限公司；培英DDHZ-300臺式恒溫振蕩器太倉市實驗設(shè)備廠。

1.3 方法

1.3.1 成分測定及光譜采集

對此，才府玻璃表示，雖然啤酒總銷量變化不大，但啤酒產(chǎn)業(yè)“小瓶化”趨勢十分明顯，為公司營收增長加分。除此之外，酒廠回收酒瓶的生產(chǎn)方式逐步退出，對新瓶需求加大。而環(huán)保政策的趨嚴(yán)導(dǎo)致市場明顯向頭部公司聚集，才府玻璃因此獲益。

化學(xué)法成分測定：參考GB 5497—1985《糧食、油料檢驗 水分測定法》和GB/T 5009.7—2008《食品中還原糖的測定》測定甘薯中水分和還原糖含量，所有樣品平行測定3 次，結(jié)果取平均值。

近紅外光譜采集：甘薯樣品從中心橫向一切兩半，以切面中心為中點，選取中心到邊緣中點左右兩點為樣品近紅外光譜采集點。選用AntarisⅡ傅里葉近紅外光譜儀及積分球漫反射附件采集甘薯樣品近紅外光譜，儀器開機(jī)預(yù)熱30 m in，正式采樣之前，對儀器進(jìn)行測試，保證儀器穩(wěn)定工作。測試通過后，進(jìn)行背景掃描。儀器參數(shù)：波數(shù)范圍4 000～12 000 cm-1（即光譜波長范圍833～2 500 nm），掃描次數(shù)32，分辨率4 cm-1，InGaAs檢測器收集信號，為消除噪音干擾，每隔5 個樣品進(jìn)行一次背景掃描。每個采樣點平行測定3 次，取平均光譜，最終光譜為2 個采樣點平均光譜的平均值。

1.3.2 樣品劃分

樣品的合理劃分和化學(xué)值的準(zhǔn)確測定直接影響所建模型的適用性和準(zhǔn)確度，所以校正集和驗證集樣品在性質(zhì)變化內(nèi)應(yīng)該是分布均勻的。一個好的樣品劃分方法要能使所選校正集和驗證集樣品均具有代表性，并涵蓋整個樣品化學(xué)測定范圍。隨機(jī)劃分應(yīng)用最為廣泛且操作簡單，但其偶然性大，不具有代表性，且所選樣品并不能很好地反映所有樣品信息[26]。Kennerd-Stone（KS）算法是另一種應(yīng)用較為廣泛的樣品劃分方法，其主要思想是依照同種算法在光譜間選取歐氏距離最大的樣品作為校正集，其余的作為驗證集，該方法雖涵蓋了所有樣品光譜，但未考慮因變量影響，對于含量或濃度較低的范圍，其對應(yīng)樣本間光譜變化很小，這樣選出的樣本也不具有代表性[26-27]。

為了保證劃分子集樣品具有代表性，減小偏差，參考Wu Zhengzong等[28]的方法，先將所有樣品根據(jù)化學(xué)測定值（還原糖或水分含量）按從小到大排列，然后每4 個中選1 個作為驗證樣品，連續(xù)選出37 個作為驗證集，剩余109 個樣品作為校正集。

1.3.3 光譜預(yù)處理

為消除由儀器、樣品背景等產(chǎn)生的高頻隨機(jī)噪聲，基線偏移，光散射等影響因素，改善光譜特征，提高光譜信息有效性，研究對比了不同光譜預(yù)處理方法對預(yù)測模型的影響。利用The Unscrambler軟件對光譜進(jìn)行預(yù)處理，主要有卷積平滑（savitzky-golay，SG）、一階導(dǎo)數(shù)（1st）、二階導(dǎo)數(shù)（2nd）、標(biāo)準(zhǔn)正態(tài)變換（standard normal variate，SNV）、多元散射校正（multipilicative scatter correction，MSC）及其組合等。

1.3.4 有效波長選取

波長的有效選取不僅可以對近紅外光譜變量起到降維作用，減少計算量，還可以提高模型準(zhǔn)確度，目前常用的方法主要有相關(guān)系數(shù)法、方差分析法、逐步回歸法、區(qū)間偏最小二乘法、連續(xù)投影算法、無信息變量消除法、CARS自適應(yīng)加權(quán)算法等。本實驗參考Chen Jia等[29]的研究，采用協(xié)同區(qū)間偏最小二乘法，將全光譜2 075 個變量等分為10 個區(qū)間，對應(yīng)光譜范圍分別為：11 998.9～11 208.3（1）、11 204.4～10 406.0（2）、10 402.2～9 607.6 （3）、9 603.8～8 805.4（4）、8 801.5～8 007.0（5）、8 003.1～7 204.8（6）、7 200.9～6 406.4（7）、6 402.5～5 604.1（8）、5 600.3～4 805.7（9）、4 801.9～3 999.6（10） cm-1，區(qū)間數(shù)從1～10不同組合，可以得到1 023 種結(jié)果。具體操作：區(qū)間數(shù)為1時，從10 個區(qū)間中選1 個區(qū)間，獲得10 個模型進(jìn)行比較，從中選取最優(yōu)模型，對應(yīng)的區(qū)間范圍為最優(yōu)波長；區(qū)間數(shù)為2時，從10 個區(qū)間中任選2 個區(qū)間，獲得45 個模型進(jìn)行比較，從中選取最優(yōu)模型，對應(yīng)的區(qū)間范圍為最優(yōu)波長；區(qū)間數(shù)為3時，從10 個區(qū)間中任選3 個區(qū)間，獲得120 個模型進(jìn)行比較，從中選取最優(yōu)模型，對應(yīng)的區(qū)間范圍為最優(yōu)波長；以此類推。最終為區(qū)間數(shù)分別為1～10的10 個結(jié)果。

1.3.5 模型建立、檢驗及數(shù)據(jù)處理

選用The Unscrambler 9.8中主成分回歸（principal components regression，PCR）法和偏最小二乘（partial least square，PLS）法2 種建模方法進(jìn)行研究。為確認(rèn)所建模型的準(zhǔn)確性，需要對其進(jìn)行驗證評價。根據(jù)模型的預(yù)測均方根誤差（root mean square error of prediction，RMSEP）、相關(guān)系數(shù)（R2）、預(yù)測標(biāo)準(zhǔn)誤差（standard error of prediction，SEP）、偏差及標(biāo)準(zhǔn)差比率（standard deviation ratio，SDR）最終選出最優(yōu)模型[29]。

數(shù)據(jù)分析采用The Unscrambler 9.8，Matlab R2015b和SPSS 19.0軟件，作圖采用Origin 8.0軟件。

2 結(jié)果與分析

2.1 樣品劃分的合理性

圖1 樣品校正集和驗證集主成分二維分布圖、數(shù)據(jù)統(tǒng)計及方差分析Fig. 1 Two-dimension distribution p lots of the fi rst two p rincipal com ponents (PC1 and PC2) of the sam p les in the calibration (a) and validation (b) subsets

表1 甘薯水分和還原糖含量校正集和驗證集數(shù)據(jù)統(tǒng)計及方差分析Table 1 Statistical com parison and analysis of variance (ANOVA) of moisture and reducing sugar contents of sweet potato between calibration and validation subsets

建立校正模型之前，需先對樣品劃分的合理性進(jìn)行評估。利用二維主成分分析圖，可以很直觀的觀察樣品劃分情況。如圖1所示，發(fā)現(xiàn)甘薯水分和還原糖的校正集和驗證集樣品間均沒有明顯地聚集趨勢，且同一指標(biāo)的2 個子集間平均值和范圍基本一致。進(jìn)一步通過方差分析（t-檢驗），如表1所示，同一指標(biāo)條件下2 個子集的樣品間沒有顯著性差異，說明本研究樣品劃分結(jié)果理想，可用于后期建模。

2.2 光譜預(yù)處理對模型的影響

圖2a為按照1.3節(jié)方法及參數(shù)采集的新鮮甘薯近紅外原始光譜圖，如若不考慮甘薯來源和測量時樣品狀態(tài)，與唐忠厚等[22]報道的光譜趨勢圖類似。由圖2a可見，146 份新鮮甘薯塊根樣品在近紅外光譜區(qū)域的吸收光譜特征基本一致，表明樣品中所含成分類別相似；同時，由于樣品中各組分含量高低的差異，導(dǎo)致樣品吸收光譜強(qiáng)度不同，樣品吸收光譜不完全重合，這為后續(xù)預(yù)測樣品中不同組分含量提供了可能。但紅外光譜的吸收譜帶相對較寬，而且重疊嚴(yán)重，因此，很難找到某個特定的光譜帶，其吸收強(qiáng)度變化與水分或還原糖含量呈線性關(guān)系，所以直接在原始光譜圖基礎(chǔ)上測定甘薯水分和還原糖含量還比較困難。

通常在建立校正模型之前，為消除原始光譜中基線漂移，減少噪聲等其他不必要的干擾信號，需要先對原始光譜進(jìn)行預(yù)處理，來提高模型穩(wěn)定性和可靠性。本研究采用了8 種光譜預(yù)處理方法，即SNV、MSC（圖2b）、1st、2nd、SNV+1st、SNV+2nd、MSC+1st（圖2c）、MSC+2nd。其中，1st和2nd可以有效扣除本底吸收，消除基線偏移和漂移，分離重疊光譜[30]；且對每一條光譜進(jìn)行單獨校正，消除基線漂移和樣品散射所引起的誤差[31]；MSC可消除散射，改善光譜信噪比。主要參數(shù)如表2所示。

從表2可以看出，PCR/PLS在原始光譜條件下對甘薯水分建模的R2、RMSEP、SDR分別為0.940/0.940、1.763/1.759、4.146/4.156，表明該模型可被接受，甘薯水分含量與近紅外光譜吸光度之間存在很好的關(guān)系。1st、2nd、SNV+1st、SNV+2nd、MSC+1st和MSC+2nd處理均提高了模型性能，其中MSC+1st處理獲得的PCR/PLS模型為最優(yōu)模型，其RMSEP最小，為1.498/1.474。PCR/PLS在原始光譜條件下對甘薯還原糖含量建模的R2、RMSEP、SDR分別為0.610/0.786、0.500/0.369、1.700/2.404，PCR模型R2較低，RMSEP偏大，同時沒有預(yù)處理方法可以改善該模型性能，表明PCR模型建模對于甘薯還原糖而言不太理想，PLS模型可被接受。SNV和MSC處理可以提高PLS模型性能，其中MSC處理可得最優(yōu)模型，其RMSEP最小，為0.328。在同一指標(biāo)條件下，比較PCR和PLS兩種建模方法，發(fā)現(xiàn)PLS所建模型的RMSEP均小于PCR（1st除外），說明PLS更適于甘薯水分和還原糖含量建模。

圖2 新鮮甘薯近紅外光譜圖Fig. 2 Near infrared spectra of fresh sweet potato

表2 不同光譜預(yù)處理方法對甘薯水分和還原糖含量最優(yōu)模型（PCR/PLS）主要參數(shù)的影響Table 2 Effects of spectral p reprocessing on the key parameters of optim ized calibration models (PCR/PLS) for moisture and reducing sugar contents of sweet potato

2.3 協(xié)同區(qū)間矩陣對模型性能的影響

為了進(jìn)一步提高模型性能，本研究在上述甘薯水分（（MSC+1st）/PLS）和還原糖（MSC/PLS）最優(yōu)模型的基礎(chǔ)上，利用協(xié)同區(qū)間矩陣將近紅外光譜全波長劃分為10個區(qū)間，區(qū)間數(shù)從1～10構(gòu)成不同組合的模型，具體操作參考方法1.3.5節(jié)。其中，以RMSEP最小為衡量標(biāo)準(zhǔn)，選取每個區(qū)間數(shù)中的最優(yōu)模型，模型結(jié)果見表3。

從表3可以看出，協(xié)同區(qū)間矩陣明顯改善了模型性能，全波長時，甘薯水分和還原糖PCR/PLS模型的R2、RMSEP分別為0.957/0.958和0.610/0.831、1.498/1.474和0.500/0.328，隨著區(qū)間的劃分和不同組合，模型R2增高，RMSEP降低；比較同一指標(biāo)條件下PCR和PLS，發(fā)現(xiàn)PLS更適于甘薯水分和還原糖建模。甘薯水分和還原糖最優(yōu)模型的光譜范圍、R2和RMSEP分別為[2 3 5]和[8]、0.974和0.885，1.154和0.270。

表3 區(qū)間數(shù)（1～10）對甘薯水分和還原糖含量最優(yōu)模型（siPCR/siPLS）主要參數(shù)的影響Tab le 3 Effects of the number of subinterval (varying from one to ten)on the key parameters of optim ized models (siPCR/siPLS) for moisture and reducing sugar contents of sweet potato

圖3 甘薯實測值與預(yù)測值的相關(guān)性及殘差Fig. 3 Correlation and regression residuals between measured and predicted values for sweet potato

由圖3可見，樣品比較集中的分布在擬合線周圍，殘差分布在可接受范圍內(nèi)，表明該模型可用于對新鮮甘薯水分和還原糖含量的預(yù)測，且結(jié)果可靠。

3 結(jié) 論

近紅外光譜分析技術(shù)結(jié)合化學(xué)計量學(xué)方法、光譜預(yù)處理方法和最優(yōu)特征波長提取方法，成功獲得了新鮮甘薯水分和還原糖含量的最優(yōu)模型，分別為MSC+1st/siPLS和MSC/siPLS。以最高R2、SDR和最低RMSEP為衡量參數(shù)，評價模型性能，所得最優(yōu)模型MSC+1st/siPLS和MSC/siPLS的R2、SDR、RMSEP分別為0.974和0.885、6.334和3.148、1.154和0.270。與原始光譜相比，運用適當(dāng)?shù)墓庾V預(yù)處理技術(shù)可以有效改善模型性能，這主要與測試目標(biāo)樣品和所選化學(xué)計量學(xué)方法相關(guān)。通過利用協(xié)同區(qū)間矩陣算法，從不同區(qū)間數(shù)1 023 種組合中選擇最優(yōu)特征波長范圍，進(jìn)一步提高了模型性能。無論是利用全波長還是協(xié)同區(qū)間最優(yōu)特征波長，所建甘薯水分含量模型精度均優(yōu)于還原糖含量模型。本研究的創(chuàng)新點是：1）采用新鮮未處理的甘薯塊根作為研究對象；2）比較PCR和PLS兩種建模方法，表明在甘薯水分和還原糖含量預(yù)測中PLS優(yōu)于PCR；3）證實了協(xié)同區(qū)間矩陣算法能夠有效改善模型性能?？傊ㄗ顑?yōu)模型均可被接受，對甘薯品質(zhì)分析和種質(zhì)材料篩選有很好的參考價值，能夠有效解決傳統(tǒng)方法分析速度慢、成本高、操作繁瑣、存在污染及浪費等問題，是未來甘薯產(chǎn)業(yè)及育種中一種快速、簡便、綠色、可靠，有望替代傳統(tǒng)化學(xué)分析法的潛在方法。

[1] 劉魯林, 木泰華, 孫艷麗. 不同品種甘薯塊根營養(yǎng)成分及相關(guān)性分析[J]. 中國糧油學(xué)報, 2008, 23(1): 39-43.

[2] 劉水英, 李新生, 江海, 等. 彩色甘薯不同品種中基本物質(zhì)及功能成分分析[J]. 江蘇農(nóng)業(yè)科學(xué), 2015, 43(1): 303-305. DOI:10.15889/j.issn.1002-1302.2015.01.101.

[3] 朱旭霞, 劉莉莎, 何素蘭, 等. 保健甘薯的功能及產(chǎn)品開發(fā)研究[J]. 中國食物與營養(yǎng), 2014, 20(11): 34-36. DOI:10.3969/j.issn.1006-9577.2014.11.008.

[4] 趙秀玲. 甘薯的營養(yǎng)成分與保健作用[J]. 中國食物與營養(yǎng), 2008,29(10): 58-60. DOI:10.3969/j.issn.1006-9577.2008.10.019.

[5] 陸國權(quán), 盛家廉. 近紅外反射光譜法(N IRS)在甘薯品質(zhì)育種上的應(yīng)用[J]. 中國農(nóng)業(yè)科學(xué), 1990, 23(1): 76-81. DOI:10.3321/j.issn:0578-1752.1990.01.009.

[6] POREP J U, KAMMERER D R, CARLE R. On-line application of near infrared (NIR) spectroscopy in food production[J]. Trends in Food Science & Technology, 2015, 46(2): 211-230. DOI:10.1016/j.tifs.2015.10.002.

[7] BAGCHI T B, SHARMA S, CHATTOPADHYAY K. Development of NIRS models to predict protein and amylose content of brown rice and proximate compositions of rice bran[J]. Food Chem istry, 2016,191: 21-27. DOI:10.1016/j.foodchem.2015.05.038.

[8] BERNHARD T, TRUBERY B, FEIEDT W, et al. Development of near-infrared refl ection spectroscopy calibrations for crude protein and dry matter content in fresh and dried potato tuber samples[J]. Potato Research, 2016, 59(2): 149-165. DOI:10.1007/s11540-016-9318-8.

[9] REDAELLI R, ALFIERI M, CABASSI G. Development of a NIRS calibration for total antioxidant capacity in maize germ plasm[J].Talanta, 2016, 154: 164-168. DOI:10.1016/j.talanta.2016.03.048.

[10] SU W H, HE H J, SUN D W. Non-destructive and rapid evaluation of staple foods quality by using spectroscopic techniques: a review[J].Food Science and Nutrition, 2017, 57(5): 1039-1051. DOI:10.1080/10 408398.2015.1082966.

[11] NG W, MALONE B P, M INASNY B. Rapid assessment of petroleumcontam inated soils w ith infrared spectroscopy[J]. Geoderma, 2017,289: 150-160. DOI:10.1016/j.geoderma.2016.11.030.

[12] BOTHRA S, UPADHYAY Y, KUMAR R, et al. Chem ically modified cellulose strips w ith pyridoxal conjugated red fluorescent gold nanoclusters for nanomolar detection o f mercuric ions[J].Biosensors and Bioelectronics, 2017, 90: 329-335. DOI:10.1016/j.bios.2016.11.066.

[13] PAWAR P, WANG Y, KEYVAN G, et al. Enabling real time release testing by NIR prediction of dissolution of tablets made by continuous direct compression (CDC)[J]. International Journal of Pharmaceutics,2016, 512(1): 96-107. DOI:10.1016/j.ijpharm.2016.08.033.

[14] 于仕興, 李學(xué)春, 黃安民, 等. 粒子群支持向量機(jī)結(jié)合NIR測定桉木木質(zhì)素[J]. 東北林業(yè)大學(xué)學(xué)報, 2013, 41(2): 123-126. DOI:10.3969/j.issn.1000-5382.2013.02.029.

[15] PEREIRA H, SANTOS A, ANJOS O. Fibre m orpho logical characteristics of kraft pulps of acacia melanoxylon estimated by NIR-PLS-R models[J]. Materials, 2015, 9(1): 1-9. DOI:10.3390/ma9010008.

[16] BLANCO M, ALCALA M, PLANELLS J, et al. Quality control of cosmetic m ixtures by NIR spectroscopy[J]. Analytical and Bioanalytical Chem istry, 2007, 389(5): 1577-1583. DOI:10.1007/s00216-007-1541-3.

[17] DIAZ J T, VEAL M W, CHINN M S. Development of NIRS models to predict composition of enzymatically processed sweet potato[J].Industrial Crops and Products, 2014, 59: 119-124. DOI:10.1016/j.indcrop.2014.05.012.

[18] LEBOT V, NDIAYE A, MALAPA R. Phenotypic characterization of sweet potato [Ipomoea batatas (L.) Lam.] genotypes in relation to prediction of chem ical quality constituents by NIRS equations[J].Plant Breeding, 2011, 130(4): 457-463. DOI:10.1111/j.1439-0523.2010.01840.x.

[19] MAGWAZA L S, NAIDOO S L M, LAURIE S M, et al. Development o f NIRS models for rapid quantification of p rotein content in sweetpotato [Ipomoea batatas (L.) LAM][J]. LWT-Food Science and Technology, 2016, 72: 63-70. DOI:10.1016/j.lw t.2016.04.032.

[20] 唐忠厚, 李洪民, 馬代夫. 甘薯蛋白質(zhì)含量近紅外反射光譜分析模型應(yīng)用研究[J]. 中國食品學(xué)報, 2008, 8(4): 169-173. DOI:10.3969/j.issn.1009-7848.2008.04.028.

[21] 唐忠厚, 李洪民, 陸國權(quán). 基于近紅外光譜的甘薯抗性淀粉含量的快速測定方法[J]. 江蘇農(nóng)業(yè)學(xué)報, 2011, 27(6): 1426-1429.DOI:10.3969/j.issn.1000-4440.2011.06.050.

[22] 唐忠厚, 李洪民, 李強(qiáng), 等. 基于近紅外光譜技術(shù)預(yù)測甘薯塊根淀粉與糖類物質(zhì)含量[J]. 江蘇農(nóng)業(yè)學(xué)報, 2013, 29(6): 1260-1265.DOI:10.3969/j.issn.1000-4440.2013.06.013.

[23] 衣申艷, 陸國權(quán). 甘薯黃酮含量近紅外反射光譜分析模型的構(gòu)建及其應(yīng)用[J]. 光譜實驗室, 2013, 30(2): 860-864. DOI:10.3969/j.issn.1004-8138.2013.02.082.

[24] HUANG W D, LIN K H, HSU M H, et al. Elim inating interference by an thocyanin in ch lo rophy ll estim ation o f sw eet potato(Ipomoea batatas L.) leaves[J]. Botanical Studies, 2014, 55: 11.DOI:10.1186/1999-3110-55-11.

[25] 徐慶則, 沈恒勝, 林斌. 利用近紅外漫反射光譜(NIRS)技術(shù)建立甘薯莖葉重金屬預(yù)測模型[J]. 福建農(nóng)學(xué)報, 2011, 26(3): 440-445.DOI:10.3969/j.issn.1008-0384.2011.03.021.

[26] GALVAO R K H, ARAUJO M C U, JOSE G E, et al. A method for calibration and validation subset partitioning[J]. Talanta, 2005, 67(4):736-740. DOI:10.1016/j.talanta.2005.03.025.

[27] 劉偉, 趙眾, 袁洪福, 等. 光譜多元分析校正集和驗證集樣本分布優(yōu)選方法[J]. 光譜學(xué)與光譜分析, 2014, 34(4): 947-951. DOI:10.3964/j.issn.1000-0593(2014)04-0947-05.

[28] WU Z Z, XU E B, LONG J, et al. Com parison between ATR-IR,Raman, concatenated ATR-IR and Raman spectroscopy for the determ ination of total antioxidant capacity and total phenolic content of Chinese rice w ine[J]. Food Chem istry, 2016, 194: 671-679.DOI:10.1016/j.foodchem.2015.08.071.

[29] CHEN J, ZHU S P, ZHAO G H. Rapid determ ination of total protein and wet gluten in commercial wheat flour using siSVRNIR[J]. Food Chem istry, 2017, 221: 1939-1946. DOI:10.1016/j.foodchem.2016.11.155.

[30] AL-MBAIDEEN A, BENAISSA M. Frequency self-deconvolution in the quantitative analysis of near infrared spectra[J]. Analytica Chim ica Acta, 2011, 705(1/2): 135-147. DOI:10.1016/j.aca.2011.04.037.

[31] BI Y M, YUAN K L, XIAO W Q, et al. A local pre-processing method for near-infrared spectra, combined w ith spectral segmentation and standard normal variate transformation[J]. Analytica Chim ica Acta,2016, 909: 30-40. DOI:10.1016/j.aca.2016.01.010.

Rapid Determ ination of Moisture and Reducing Sugar in Sweet Potato by Near-Infrared Spectroscopy Coupled w ith Chemometrics

GAO Li1, PAN Congfei1, CHEN Jia1, WANG Yongde2,*, ZHAO Guohua1,3,*
(1. College of Food Science, Southwest University, Chongqing 400715, China;2. Chongqing Academy of Chinese Materia Medica, Chongqing 400065, China;3. Chongqing Engineering Research Center for Special Food, Chongqing 400715, China)

A predictive model for rapid quantification of moisture and reducing sugar in fresh sweet potato was established by near-infrared (NIR) spectroscopy, which could facilitate the quality analysis and germplasm screening of sweet potato. In this study, 146 samples of diff erent lines of sweet potato were selected, out of which 109 samples were used as calibration samples while the rest were used as validation samples. A fter different spectral pretreatments and optimal wavelength selection by synergy interval partial least squares, a principal component regression model and a partial least squares model were developed for predicting the contents of moisture and reducing sugar in sweet potato, respectively. The results showed that the coefficient of determ ination, root mean square error of prediction, and standard deviation ratio of the optimal model for moisture and reducing sugar contents were 0.974 and 0.885, 1.154 and 0.270, and 6.334 and 3.148, respectively,indicating that the two models have good prediction performance, and the NIR model predicted values had a good correlation w ith the corresponding chem ical values. Therefore, the predictive model is suitable for rapid quantification of water and reducing sugar in large-scale sweet potato breeding.

near-infrared spectroscopy; sweet potato; moisture; reducing sugar; synergy interval partial least squares

10.7506/spkx1002-6630-201722031

TS207.3

A

1002-6630（2017）22-0205-06

高麗, 潘從飛, 陳嘉, 等. 甘薯水分和還原糖協(xié)同向量NIR快速檢測方法[J]. 食品科學(xué), 2017, 38(22): 205-210.

DOI:10.7506/spkx1002-6630-201722031. http://www.spkx.net.cn

GAO Li, PAN Congfei, CHEN Jia, et al. Rapid determination of moisture and reducing sugar in sweet potato by nearinfrared spectroscopy coupled w ith chemometrics[J]. Food Science, 2017, 38(22): 205-210. (in Chinese w ith English abstract) DOI:10.7506/spkx1002-6630-201722031. http://www.spkx.net.cn

2017-03-07

重慶市社會事業(yè)與民生保障科技創(chuàng)新專項（cstc2015shms-ztzx80006）；重慶市特色食品工程技術(shù)研究中心能力提升項目（cstc2014pt-gc8001）

高麗（1991—），女，碩士研究生，研究方向為食品化學(xué)與營養(yǎng)學(xué)。E-mail：gl910112@163.com

*通信作者：王勇德（1972—），男，副研究員，博士，研究方向為食品加工。E-mail：84538607@qq.com趙國華（1971—），男，教授，博士，研究方向為食品化學(xué)。E-mail：zhaoguohua1971@163.com