高升 王巧華 李慶旭 施行

摘?要?建立了基于近紅外光譜技術(shù)的紅提維生素C（Vc）含量、糖度及總酸含量的快速無(wú)損檢測(cè)方法。采集紅提樣本的光譜數(shù)據(jù)，分別應(yīng)用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（CARS）、穩(wěn)定性競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣算法（SCARS）和連續(xù)投影算法（SPA）進(jìn)行一次有效特征波段提取，對(duì)比測(cè)量上述3項(xiàng)指標(biāo)，建立相應(yīng)偏最小二乘回歸模型，并在一次有效特征波段的提取的基礎(chǔ)上結(jié)合SPA進(jìn)行二次特征波段的提取，建立相應(yīng)偏最小二乘回歸算法（PLSR）模型。結(jié)果表明，二次特征波段建立的PLSR模型的校正集與預(yù)測(cè)集的相關(guān)系數(shù)與一次特征波段提取建立的PLSR相關(guān)系數(shù)相比有較大提高，模型的均方根誤差均有所減小。根據(jù)二次特征波段提取的最優(yōu)波段點(diǎn)建立的紅提Vc含量、糖度、總酸含量的最優(yōu)PLSR模型的校正集相關(guān)系數(shù)分別為0.983、0.982和0.976，預(yù)測(cè)集相關(guān)系數(shù)分別為0.975、0.980和0.975。本研究利用較少波段建立穩(wěn)定模型預(yù)測(cè)Vc、糖度和總酸含量的方法，大大減少了運(yùn)行時(shí)間，可為后續(xù)便攜式檢測(cè)儀和在線動(dòng)態(tài)檢測(cè)研究提供技術(shù)支持。

關(guān)鍵詞?近紅外光譜; 紅提; 內(nèi)部品質(zhì); 連續(xù)投影算法; 偏最小二乘回歸法

1?引 言

紅提是較受歡迎的葡萄品種之一，在我國(guó)廣泛種植，具有果穗大、含水多、肉質(zhì)堅(jiān)實(shí)較脆、香甜可口等特點(diǎn)。紅提內(nèi)部品質(zhì)的評(píng)價(jià)指標(biāo)主要包括維生素C（Vc）含量、糖度、總酸、糖酸比和芳香物質(zhì)等[1，2]。糖度和總酸含量影響果實(shí)的風(fēng)味和營(yíng)養(yǎng)物質(zhì)，也是紅提成熟度的衡量標(biāo)準(zhǔn)和重要指標(biāo)。Vc是廣泛存在于果蔬中的一種水溶性維生素，也是一種抗氧化劑，是人體所必需的營(yíng)養(yǎng)素[3]。水果內(nèi)部品質(zhì)常規(guī)檢測(cè)通常采用破壞性抽樣檢測(cè)[4～6]，繁瑣費(fèi)時(shí)，且檢測(cè)后的樣品因組織遭到嚴(yán)重破壞，不能進(jìn)行銷售和食用; 并且Vc含量、糖度、總酸含量的測(cè)定方法各不相同，同時(shí)獲取這3項(xiàng)品質(zhì)指標(biāo)參數(shù)需做不同檢測(cè)，低效耗時(shí)。因此，建立一種高效無(wú)損的紅提品質(zhì)檢測(cè)方法極為必要。

作為無(wú)損檢測(cè)方法，光譜技術(shù)已廣泛應(yīng)用于水果和蔬菜內(nèi)部品質(zhì)無(wú)損檢測(cè)[7～18]。劉艷德等[19]在350～1800 nm應(yīng)用可見(jiàn)/近紅外漫反射光譜對(duì)南豐蜜桔Vc含量進(jìn)行檢測(cè)，應(yīng)用主成分分析和偏最小二乘法對(duì)經(jīng)過(guò)預(yù)處理的光譜進(jìn)行數(shù)學(xué)建模，預(yù)測(cè)相關(guān)系數(shù)為0.813，表明該方法具有可行性。Parpinello等[20]對(duì)采后鮮食葡萄糖度進(jìn)行可見(jiàn)-近紅外光譜的檢測(cè)，建立PLS模型的決定系數(shù)為0.82，預(yù)測(cè)標(biāo)準(zhǔn)差0.83% Brix。Arana等[21]采用漫反射光譜法檢測(cè)白葡萄顆粒的可溶性固形物含量，精度為1.33%～1.88% Brix。Baiano等[22]采用高光譜成像技術(shù)測(cè)定7個(gè)品種鮮食葡萄的內(nèi)部指標(biāo)（包括pH值、TA、SSC）和感官屬性， 可較好地預(yù)測(cè)葡萄的內(nèi)部品質(zhì)指標(biāo)。吳桂芳等[23]應(yīng)用偏最小二乘法（PLS）結(jié)合神經(jīng)網(wǎng)絡(luò)（ANN）建立的葡萄漿果糖度預(yù)測(cè)模型的檢驗(yàn)參數(shù)r2為0.863， 預(yù)測(cè)均方根誤差 （RMSEP）為0.171， Bias為0.024，表明該技術(shù)無(wú)損檢測(cè)葡萄漿果糖度等內(nèi)部品質(zhì)是可行的。許峰等[1]利用USB2000+光譜儀采集紅提400～1000 nm透過(guò)率光譜，并建立隨機(jī)森林預(yù)測(cè)模型，糖度、酸度的驗(yàn)證集相關(guān)系數(shù)分別為0.9568、0.9405，表明模型具有較高的準(zhǔn)確性。以上研究多選用單一指標(biāo)進(jìn)行建模，且精度及準(zhǔn)確性還有待提高。目前，對(duì)于紅提中Vc含量檢測(cè)的研究較少，3項(xiàng)重要品質(zhì)指標(biāo)（Vc含量、糖度、總酸含量）的綜合檢測(cè)研究還未見(jiàn)報(bào)道。本研究基于近紅外光譜技術(shù)結(jié)合PLS法，針對(duì)紅提果粒的上述3項(xiàng)品質(zhì)指標(biāo)，建立紅提內(nèi)部多個(gè)品質(zhì)指標(biāo)與近紅外光譜的關(guān)系模型，實(shí)現(xiàn)一次光譜檢測(cè)同時(shí)快速獲取3項(xiàng)品質(zhì)指標(biāo)參數(shù)的預(yù)測(cè)結(jié)果。本方法在紅提及相關(guān)水果的品質(zhì)檢測(cè)方面有廣闊的應(yīng)用前景。

2?實(shí)驗(yàn)方法

2.1?儀器與試劑

Antaris II傅里葉變換近紅外光譜儀、賽默飛世爾科技公司（美國(guó)Thermo Fisher）; 恒溫恒濕箱（上海新苗醫(yī)療器械制造有限公司）; 申光WAY（2WAJ） 阿貝爾折射儀（上海儀電物理光學(xué)儀器有限公司）; JA2002 電子天平（上海浦春計(jì)量?jī)x器有限公司）。

實(shí)驗(yàn)所用樣本為新疆新鮮紅提（晚紅），挑選大小相近，顏色差異較大、無(wú)病蟲(chóng)害、無(wú)機(jī)械損傷的紅提果粒，在每穗紅提的穗外部、穗中部、穗頂部、穗尖分別進(jìn)行取樣，共168粒。將樣本編號(hào)并放入恒溫恒濕箱中保存12 h[18]，恒溫箱溫度設(shè)置為（22±1）℃，相對(duì)濕度為65%。

偏磷酸、草酸、NaHCO3、 2，6-二氯靛酚、白陶土、NaOH和酚酞等均為國(guó)產(chǎn)分析純?cè)噭?/p>

2.2?實(shí)驗(yàn)方法

2.2.1?近紅外光譜數(shù)據(jù)采集?采用Antaris II傅里葉變換近紅外光譜儀，將恒溫后的樣本進(jìn)行光譜采集。選擇積分球固體采樣模塊采集紅提漫反射光譜。采集光譜時(shí)，將樣本豎立放置，帶有果柄的位置朝上，掃描部位設(shè)置為最大縱向直徑方向。測(cè)量波段范圍設(shè)置為10000～4000 cm1，掃描次數(shù)32，分辨率4 cm1 [24]。

2.2.2?紅提的Vc含量、糖度及總酸含量的測(cè)定?試樣制備：光譜采集完的紅提樣本，按照國(guó)家鮮葡萄行業(yè)標(biāo)準(zhǔn)GH/T 1022-2000，將紅提果粒壓成汁，用玻璃棒攪勻[2]，并立即進(jìn)行3項(xiàng)品質(zhì)指標(biāo)的測(cè)定。Vc含量測(cè)定：根據(jù)國(guó)標(biāo)GB 5009.86-2016食品中抗壞血酸的測(cè)定，采用2，6-二氯靛酚滴定法測(cè)定[4]。糖度測(cè)定：參照NY/T 2637-2014《水果、蔬菜制品可溶性固形物含量的測(cè)定——折射儀法》[5]?？偹岷繙y(cè)定：參照GB/T 12456-2008《食品中總酸的測(cè)定》方法[6]，總酸含量（A）的計(jì)算公式見(jiàn)式（1）：

式中：A為總酸含量（%）; C為NaOH標(biāo)準(zhǔn)溶液濃度（mol/L）; V為樣本滴定時(shí)消耗NaOH溶液的體積（mL）; ?V0為空白實(shí)驗(yàn)消耗的NaOH溶液體積（mL）; ?K為換算系數(shù)（紅提中主要為酒石酸，K=0.075）; m為樣品質(zhì)量（g）。

2.2.3?光譜有效信息提取?采用連續(xù)投影算法（Successive projections algorithm，SPA）[25]、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（Competitive adaptive reweighed sampling，CARS）[26，27]和基于穩(wěn)定性競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣算法（Stability competitive adaptive reweighted sampling，SCARS）3種一次降維算法，對(duì)全波段進(jìn)行波段提取，分析在不同提取特征波長(zhǎng)方法下所建立的對(duì)應(yīng)指標(biāo)含量預(yù)測(cè)模型的優(yōu)劣，并在一次降維的基礎(chǔ)上進(jìn)行二次降維，對(duì)比分析模型的優(yōu)劣。SPA是一種前向循環(huán)的變量選擇方法，先選定一個(gè)初始頻點(diǎn)，然后在每一次迭代時(shí)加入新的頻點(diǎn)，直到達(dá)到指定的頻點(diǎn)數(shù)，該方法本質(zhì)是解決信息重疊，選擇最小冗余信息量的頻點(diǎn)組合，解決共線性問(wèn)題; CARS算法是一種基于蒙特卡羅采樣法對(duì)模型取樣的新型變量選擇理論，通過(guò)指數(shù)衰減函數(shù)及自適應(yīng)重加權(quán)采樣技術(shù)計(jì)算，并比較每次產(chǎn)生的新變量子集的交互驗(yàn)證均方根誤差，RMSECV最小的變量子集作為最優(yōu)變量子集; 在SCARS方法中，變量回歸系數(shù)會(huì)隨著每次隨機(jī)選擇建模樣本的不同而變化，該方法以變量的穩(wěn)定性作為衡量指標(biāo)，并延續(xù)CARS方法的變量篩選流程， 建立簡(jiǎn)潔、穩(wěn)定的模型[28]。

2.2.4?偏最小二乘法（PLSR）回歸模型及模型評(píng)價(jià)?偏最小二乘回歸算法（Partial least squares regression，PLSR）將相關(guān)分析、多元線性回歸和主成分的優(yōu)點(diǎn)集合在一起，是化學(xué)計(jì)量學(xué)分析過(guò)程中最常用的多元線性建模方法。PLSR算法在計(jì)算過(guò)程中同時(shí)考慮自變量（光譜數(shù)據(jù)）和因變量矩陣（化學(xué)參考值）對(duì)建模效果的影響，能夠較好地處理數(shù)據(jù)多重共線性、因子結(jié)果不確定性和數(shù)據(jù)非正態(tài)分布等問(wèn)題，是光譜數(shù)據(jù)建模過(guò)超中應(yīng)用最多的一種建模方法。PLSR算法的計(jì)算過(guò)程如下：

步驟 1：首先對(duì)光譜矩陣X 和化學(xué)參考值矩陣Y按特征向量形式分解，如式（2）所示。

其中，T和U分別代表矩陣X和矩陣Y的得分矩陣， P和Q分別代表矩陣X和矩陣Y的載荷矩陣，E和F分別代表矩陣X和矩陣Y的 PLSR 擬合誤差矩陣。

步驟 2：對(duì)得分矩陣T和U進(jìn)行線性回歸分析，如式（3）所示。

其中， B是回歸系數(shù)矩陣。

步驟 3：根據(jù)未知樣品的光譜矩陣 Xp和校正得到的Pv，計(jì)算出未知樣品Xp 對(duì)應(yīng)的得分矩陣Tp，最后計(jì)算出未知樣品的濃度矩陣Yp，如式（4）所示。

PLSR回歸建模的優(yōu)點(diǎn)在其挖掘的數(shù)據(jù)信息與待測(cè)樣本組分之間具有較好的相關(guān)性，能夠滿足大、小樣本的多元分析，同時(shí)也適用于復(fù)雜組分的建模分析。以校正集和預(yù)測(cè)集相關(guān)系數(shù)（Rc和Rp）和均方根誤差（RMSEC和RMSEP）作為模型的評(píng)價(jià)指標(biāo)。Rc和Rp越接近1，RMSEC和RMSEP越小且越接近，則模型的穩(wěn)定性越好，精度越高，穩(wěn)定性越好。計(jì)算公式如下（5）～（8）：

3?結(jié)果與討論

3.1?樣本集的劃分

Kennard-Stone（K-S）法[29～31]作為常用的樣本劃分算法，利用變量空間之間的相對(duì)歐式距離找出樣品集中差異較大的樣品選入校正集，其余相近的樣品選入預(yù)測(cè)集。本研究共采集168份紅提樣本，參照光譜劃分集合的方法，分別通過(guò)K-S法選擇126份作為校正集，42份作為預(yù)測(cè)集。

從表1可知，Vc含量分布范圍為17.506～41.346 mg/100 g，校正集的標(biāo)準(zhǔn)差值為5.651，表明樣本之間的Vc含量的差異較大，數(shù)據(jù)比較離散。糖度和總酸分布相對(duì)較集中，個(gè)體的差異性相對(duì)較小; 通過(guò)K-S算法劃分的校正集范圍較廣，表明數(shù)據(jù)有代表性。

3.2?光譜數(shù)據(jù)預(yù)處理

通常為了保證模型的準(zhǔn)確性，需要對(duì)原始光譜（RAW）進(jìn)行光譜預(yù)處理。本研究中采用的光譜預(yù)處理的方法包括：標(biāo)準(zhǔn)正態(tài)變量變換（Standard normal variate transformation，SNV）、Savitzky-Golay卷積平滑處理法（Savitzky-Golay，S-G）等。由表2可得，對(duì)于Vc含量、糖度及總酸含量，原始光譜進(jìn)行預(yù)處理后所建PLSR模型校正集和預(yù)測(cè)集的相關(guān)系數(shù)減小，均方根誤差增大，表明過(guò)多的預(yù)處理反而破壞了原始光譜的特征信息，其它預(yù)處理方法相對(duì)原始光譜數(shù)據(jù)，都未能提高模型的預(yù)測(cè)精度。綜合比較，直接用原始光譜數(shù)據(jù)建立的PLSR模型取得了最佳效果。

3.3?一次有效特征波段提取

3.3.1?CARS與SCARS法提取特征波長(zhǎng)?K-S劃分后的原始光譜采用CARS和SCARS算法分別提取紅提的Vc含量、糖度、總酸含量的特征波長(zhǎng)，以Vc特征波長(zhǎng)的選取為例，因CARS與SCARS算法運(yùn)行方法相似，下文只闡述CARS算法對(duì)特征波長(zhǎng)的選取過(guò)程，如圖1所示。本研究設(shè)定蒙特卡羅采樣50次，采用5折交叉驗(yàn)證法計(jì)算。由圖1B可知，RMSECV值隨著取樣運(yùn)行次數(shù)先減小后增大：當(dāng)RMSECV值逐漸減小時(shí)，表明光譜數(shù)據(jù)中部分無(wú)用的信息被剔除; 當(dāng)RMSECV值逐漸增大時(shí)，表明光譜數(shù)據(jù)中有用的重要信息被剔除。因此，取采樣50次所建立的PLSR模型中所對(duì)應(yīng)的最小RMSECV作為最優(yōu)結(jié)果，由圖1可知，當(dāng)RMSECV值達(dá)到最小值時(shí)，各變量的回歸系數(shù)位于圖1C中豎直線位置，采樣運(yùn)行23次。

3.3.2?SPA法提取特征波長(zhǎng)?K-S劃分后的原始光譜通過(guò)SPA優(yōu)選出波長(zhǎng)序列，分別建立3項(xiàng)品質(zhì)指標(biāo)的PLSR模型。以Vc含量檢測(cè)為例， 簡(jiǎn)要介紹SPA選取特征波長(zhǎng)的過(guò)程。根據(jù)SPA的原理，利用均方根誤差（Root mean square error，RMSE）決定所建模型的優(yōu)劣，均方根誤差越小，模型的穩(wěn)定性越好、精度越高。隨著波長(zhǎng)個(gè)數(shù)變化，RMSE值會(huì)不斷波動(dòng)，如圖2A所示，選擇RMSE最小值對(duì)應(yīng)的波長(zhǎng)個(gè)數(shù)為34，作為最優(yōu)的波長(zhǎng)點(diǎn)個(gè)數(shù)，選取的波長(zhǎng)點(diǎn)在原始光譜中的索引如圖2B所示，所選波段占原始光譜信息的2.18%。

3.3.3?基于一次有效特征波段提取方法建立的PLSR模型效果?由表3可知，采用不同的一次特征提取方法，根據(jù)最優(yōu)的波段組合分別建立PLSR（Partial least squares regression）模型，與原始光譜相比，一次波段的特征提取消除了原始光譜所建立的糖度、總酸的過(guò)擬合現(xiàn)象，基于CARS和SCARS建立的3項(xiàng)品質(zhì)指標(biāo)的PLSR模型的校正集的相關(guān)系數(shù)都顯著提高，相關(guān)系數(shù)均大于0.91，此結(jié)論與文獻(xiàn)[17，31]進(jìn)行一次波段提取的研究結(jié)論一致?；赟PA建立的3項(xiàng)指標(biāo)的PLSR模型預(yù)測(cè)值的相關(guān)系數(shù)較原始光譜也有較大提高，且相關(guān)系數(shù)均大于0.79。基于CARS和SCARS建立的3項(xiàng)指標(biāo)的PLSR模型的相關(guān)系數(shù)大于SPA建立的模型，均方差誤差均小于SPA建立的模型，因此，基于CARS和SCARS建立的PLSR模型效果比SPA建立模型的效果好。由此可知，一次特征波段的提取能夠有效去除冗余的波段，簡(jiǎn)化模型，且大大提高了模型的穩(wěn)定性與準(zhǔn)確性。

3.4?二次有效特征波段提取和PLSR提取效果

采用一次有效特征波段提取后，盡管在一定程度上有效剔除了無(wú)用信息，但提取的特征波長(zhǎng)的個(gè)數(shù)仍然相對(duì)較多，且模型的穩(wěn)定性不佳，因此，在CARS與SCARS提取特征波段的基礎(chǔ)上，利用SPA進(jìn)行二次波長(zhǎng)選取[32]，提取較優(yōu)的波長(zhǎng)點(diǎn)組合，以提高模型的穩(wěn)定性。以Vc含量檢測(cè)為例，經(jīng)過(guò)CARS選取波段后進(jìn)行SPA的特征波長(zhǎng)提取過(guò)程，當(dāng)RMSEWE達(dá)到最小值時(shí)，此時(shí)對(duì)應(yīng)的波長(zhǎng)個(gè)數(shù)為59，所選波段占原始光譜信息的3.79%，選取的波長(zhǎng)點(diǎn)在原始光譜中的位置如圖3所示。

由表4可得，基于CARS-SPA的二次波段提取建立的Vc含量和糖度的PLSR模型的校正集和預(yù)測(cè)集的相關(guān)系數(shù)均大于0.975，且均高于一次波段提取模型的相關(guān)系數(shù)。基于SCARS-SPA的二次波段提取建立的總酸PLSR模型的相關(guān)系數(shù)大于0.975，大于一次波段提取模型相關(guān)系數(shù)。Vc含量和糖度的最佳波段選取方法為CARS與SPA結(jié)合，總酸最佳的波段選取方法為SCARS與SPA結(jié)合，建立的PLSR模型最優(yōu)。

3.5?基于最優(yōu)特征波長(zhǎng)組合建立的Vc含量、糖度及總酸含量的PLSR模型

分別利用最優(yōu)特征波長(zhǎng)組合建立3項(xiàng)指標(biāo)的PLSR模型，校正集和預(yù)測(cè)集樣本的預(yù)測(cè)值和參考測(cè)量值之間的散點(diǎn)圖如圖4、圖5和圖6所示，最優(yōu)PLSR模型的校正集相關(guān)系數(shù)Rc分別為0.983、0.982、 0.976，RMSEC為1.075、0.264、0.152; 預(yù)測(cè)集相關(guān)系數(shù)Rp分別為0.975、0.980、 0.975，RMSEP為2.003、0.240、 0.167。與其它波段提取方法相比，最佳波段的提取方法的Rc和Rp較高，RMSEC和RMSEP較小，表明在最優(yōu)波段的組合下，模型的穩(wěn)定性和準(zhǔn)確性有了較大提高。

4?結(jié) 論

利用近紅外光譜技術(shù)，分別建立了紅提的Vc含量、糖度和總酸含量的PLSR無(wú)損光譜檢測(cè)模型。原始光譜的曲線較為平滑，過(guò)多的預(yù)處理反而破壞了原始光譜的特征信息。二次特征波段建立的PLSR模型優(yōu)于一次特征波段提取建立的PLSR模型，穩(wěn)定性和精度都有所提高，大大減少了模型運(yùn)行時(shí)間。Vc含量和糖度的最佳波段選取方法為CARS與SPA結(jié)合，總酸含量最佳的波段選取方法為SCARS與SPA結(jié)合，建立的PLSR模型最優(yōu)。建立的最優(yōu)PLSR模型，采集一次光譜即可實(shí)現(xiàn)紅提內(nèi)部品質(zhì)的綜合無(wú)損檢測(cè)，檢測(cè)時(shí)間僅為幾秒。本模型可為后續(xù)便攜式檢測(cè)儀和在線動(dòng)態(tài)檢測(cè)研究提供技術(shù)支持。

References

1?XU Feng， FU Dan-Dan， WANG Qiao-Hua， XIAO Zhuang， WANG Bin. Food Science， 2018， 39（8）： 149-154

許 鋒， 付丹丹， 王巧華， 肖 壯， 王 彬. 食品科學(xué)， 2018， ?39（8）： 149-154

2?GH/T 1022-2000， Table Grapes. People's Republic of China Supply and Marketing Cooperation Industry Standards

鮮葡萄. 中華人民共和國(guó)供銷合作行業(yè)標(biāo)準(zhǔn). GH/T 1022-2000

3?LI Hong-Qiang， SUN Hong， LI Min-Zan. Transactions of the Chinese Society of Agricultural Engineering， ?2018， ?34 （8）： 269-275

李鴻強(qiáng)， 孫 紅， 李民贊. ?農(nóng)業(yè)工程學(xué)報(bào)， ?2018， ?34（8）： 269-275

4?GB 5009.86-2016， Determination of Ascorbic Acid in Food. National Standards of the People's Republic of China

食品中抗壞血酸的測(cè)定. 中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn). GB 5009.86-2016

5?NY/T 2637-2014， Refractometric Method for Determination of Total Soluble Solids in Fruits and Vegetables. The People's Republic of China Agricultural Industry Standard

水果和蔬菜可溶性固形物含量的測(cè)定 折射儀法. 中華人民共和國(guó)農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn). NY/T 2637-2014

6?GB/T 12456-2008， Determination of Total Acid in Foods. National Standards of the People's Republic of China

食品中總酸的測(cè)定. 中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn). GB/T 12456-2008

7?HE Jia-Lin， QIAO Chun-Yan， LI Dong-Dong， ZHANG Hai-Hong， DENG Hong， SHAN Qi-Mei， GAO Kun， MA Rui. Food Science， ?2018， ?39（6）： 194-199

何嘉琳， 喬春燕， 李冬冬， 張海紅， 鄧 鴻， 單啟梅， 高 坤， 馬 瑞. ?食品科學(xué)， ?2018， ?39（6）： 194-199

8?Kumar S， McGlone A， Whitworth C. Postharvest Biol. Technol.， ?2015， ?100： 16-22

9?Liu C， Yang S X， Deng L. J. Food Engineer.， ?2015， ?161： 16-23

10?WANG Fan， LI Yong-Yu， PENG Yan-Kun， SUN Hong-Wei， LI Long. Chinese J. Anal. Chem.， ?2018， ?46（9）： 1424-1431

王 凡， 李永玉， 彭彥昆， 孫宏偉， 李 龍. ?分析化學(xué)， ?2018， ?46（9）： 1424-1431

11??HUANG Yu-Ping， Renfu Lu， QI Chao， CHEN Kun-Jie. Spectroscopy and Spectral Analysis， 2018， 38（8）： 2362-2368

黃玉萍， Renfu Lu， 戚 超， 陳坤杰. 光譜學(xué)與光譜分析， 2018， 38（8）： 2362-2368

12?GUO Zhi-Ming， HUANG Wen-Qian， PENG Yan-Kun， WANG Xiu， TANG Xiu-Ying. Chinese J. Anal. Chem.， ?2014， ?42（4）： 513-518

郭志明， 黃文倩， 彭彥昆， 王 秀， 湯修映. ?分析化學(xué)， ?2014， 42（4）： 513-518

13?YANG Jia-Bao， DU Chang-Wen， SHEN Ya-Zhen， ZHOU Jian-Min. Chinese J. Anal. Chem.， ?2013， ?41（8）： 1264-1268

楊家寶， 杜昌文， 申亞珍， 周健民. ?分析化學(xué)， ?2013， ?41（8）： 1264-1268

14?LUAN Lian-Jun， CHEN Na， LIU Xue-Song， WU Yong-Jiang. Chinese J. Anal. Chem.， ?2012， ?40（4）： 626-629

欒連軍， 陳 娜， 劉雪松， 吳永江. ?分析化學(xué)， ?2012， ?40（4）： 626-629

15?Sun X， Liu Y， Li Y， Wu M， Zhu D. Postharvest Biol. Technol.， ?2016， ?116： 80-87

16?Ncama K， Opara U L， Tesfay S Z， Fawole O A， Magwaza L S. J. Food Engineer.， ?2017， ?193： 86-94

17?XU Hui-Rong， LI Qing-Qing. Transactions of The Chinese Society of Agricultural Machinery， ?2017， ?48（9）： 312-317

徐惠榮， 李青青. ?農(nóng)業(yè)機(jī)械學(xué)報(bào)， ?2017， ?48（9）： 312-317

18?FAN Shu-Xiang， HUANG Wen-Qian， GUO Zhi-Ming， ZHANG Bao-Hua， ZHAO Chun-Jiang， QIAN Man. Chinese J. Anal. Chem.， ?2015， ?43（2）： 239-244

樊書(shū)祥， 黃文倩， 郭志明， 張保華， 趙春江， 錢 曼. ?分析化學(xué)， ?2015， ?43（2）： 239-244

19?LIU Yan-De， CHEN Xing-Miao， SUN Xu-Dong. Spectrosc. Spect. Anal.， ?2008， ?28 （10）： 2318-2320

劉燕德， 陳興苗， 孫旭東. ?光譜學(xué)與光譜分析， ?2008， ?28（10）： 2318-2320

20?Parpinello G P， Nunziatini G， Rombol A D， Gottardi F， Versari A. Postharvest Biol. Technol.， ?2013， ?83（3）： 47-53

21?Arana I， Jaren C，Arazuri S. J. Near Infrared Spectrosc.， ?2005， ?13（6）： 349-357

22?Baiano A， Terracone C， Peri G. Computers Electron. Agric.， ?2012， ?87（87）： 142-151

23?WU Gui-Fang， HUANG Ling-Xia， HE Yong. ?Spectrosc. Spect. Anal.， ?2008， ?28（9）： 2090-2093

吳桂芳， 黃凌霞， 何 勇. ?光譜學(xué)與光譜分析， ?2008， ?28（9）： 2090-2093

24?WANG Wei， JIANG Hui， LIU Guo-Hai， MEI Cong-Li， JI Yi. Chinese J. Anal. Chem.， ?2017， ?45（8）： 1137-1142

王 瑋， 江 輝， 劉國(guó)海， 梅從立， 吉 奕. ?分析化學(xué)， ?2017， ?45（8）： 1137-1142

25?Assis C， Oliveira L S， Sena MM. Food Anal. Methods， ?2017， ?11（2）： 578-588

26?Niu C， Yuan Y， Guo H， Wang X， Wang X， Yue T. RSC Adv.， ?2017， ?8（1）： 222-229

27?Ye S， Wang D， Min S. Chemometr. Intell. Lab. Sys.， ?2008， ?91（2）： 194-199

28?LIU Guo-Hai， XIA Rong-Sheng， JIANG Hui， MEI Cong-Li， HUANG Yong-Hong. Spectrosc. Spect. Anal.， ?2014， ?34（8）： 2094-2097

劉國(guó)海， 夏榮盛， 江 輝， 梅從立， 黃永紅. ?光譜學(xué)與光譜分析， ?2014， ?34（8）： 2094-2097

29?HUANG Zhuang-Rong， SHA Sha， RONG Zheng-Qin， LIU Hai-Ying， CHEN Jin-Hong， ZHU Shui-Jin. Chinese J. Anal. Chem.， ?2013， ?41（6）： 922-926

黃莊榮， 沙 莎， 榮正勤， 劉海英， 陳進(jìn)紅， 祝水金. ?分析化學(xué)， ?2013， ?41（6）： 922-926

30?WANG Jian， WANG Liu-San， WANG Ru-Jing， LU Cui-Ping， HUANG Wei， WANG Yu-Bing. Chin. J. Lumin.， ?2018， ?39（12）： 1785-1791

王 鍵， 汪六三， 王儒敬， 魯翠萍， 黃 偉， 汪玉冰. ?發(fā)光學(xué)報(bào)， ?2018， ?39（12）： 1785-1791

31?Lin Z D， Wang Y B， Wang R J， Wang L S， Lu C P， Zhang Z Y， Song L T， Liu Y. J. Appl. Spectrosc.， ?2017， ?84（3）： 529-534

32?FU Dan-Dan， WANG Qiao-Hua. Food Science， ?2016， ?37（22）： 173-179

付丹丹， 王巧華. ?食品科學(xué)， ?2016， ?37（22）： 173-179