宋雪健，王洪江，錢麗麗，曾華英，趙文瑜，張東杰

（黑龍江八一農(nóng)墾大學食品學院，大慶 163319）

草莓（strawberry）營養(yǎng)豐富，滋味酸甜，受消費者青睞，市場廣闊[1]。《中華人民共和國農(nóng)業(yè)行業(yè)標準》中指出草莓品質(zhì)包括外部感官指標（色澤、傷碰及畸形果比率等）和內(nèi)部理化指標（可溶性固形物、維生素、酸度和硬度等）。目前對草莓外部品質(zhì)的評價方法僅為感官評定，但準確度會受到經(jīng)驗、身體狀況及環(huán)境等外界因素的干擾，從而影響評判效果。對于草莓內(nèi)部品質(zhì)的檢測多是采用化學方法進行測定，不僅操作煩瑣，檢測周期長，效率低下，而且檢測費用昂貴[2-3]。因此，研究開發(fā)一種快速高效的檢測方式，對于草莓品質(zhì)的研究極為重要。目前對于水果品質(zhì)的快速檢測技術(shù)主要有基于介電頻譜技術(shù)[4]，生物散斑技術(shù)[5]，電子鼻技術(shù)，近紅外光譜技術(shù)（Near infrared spectroscopy，NIR）等，近紅外光譜技術(shù)具有快速、高效、無損的檢測特點而廣泛應(yīng)用于農(nóng)業(yè)、石化、醫(yī)學、食品等領(lǐng)域。

近紅外光分布于可見光和中紅外光之間，波長為4 000～12 000 cm-1（780～2 526 nm）。近紅外光譜所收集的是物質(zhì)中分子的單個化學鍵的基頻振動引起的倍頻及合頻等有效信息，它常常受到含氫官能團中R-H（R 為C、O 或N）的倍頻及合頻的重疊所影響，因此在近紅外光譜范圍內(nèi)所檢測的信息主要是含氫官能團振動的倍頻和合頻吸收。相對于多種組分的復(fù)雜物質(zhì)來說，近紅外光譜也并不是各個組分獨立光譜的簡單累加，因此需要運用“化學計量學”（stechiometry）對圖譜進行處理，從而提取出復(fù)雜的光譜中的有效信息。近紅外漫反射光譜分析方法是將物質(zhì)中的豐富信息賦予給近紅外光譜區(qū)，光譜區(qū)不同位置的吸收強度與物質(zhì)分子中的自身結(jié)構(gòu)或者濃度有相關(guān)性，因此可以利用該技術(shù)來對物質(zhì)的成分及理化性質(zhì)進行分析[6]，因水果內(nèi)部結(jié)構(gòu)的差異性，近紅外光在內(nèi)部會存在不同程度的反射、透射及吸收等特點，光譜圖會直接反映水果的組分及結(jié)構(gòu)特點等信息，進而實現(xiàn)對水果品質(zhì)信息的無損采集。數(shù)據(jù)分析的一種方式是定量分析，是通過建立水果品質(zhì)的組分值與近紅外光譜之間的相關(guān)聯(lián)系，運用化學計量學如偏最小二乘法（partial least square method，PLS）建立回歸模型更容易分析系統(tǒng)中的有效、無效信息，也能對復(fù)雜多變的自變量進行條理清晰的回歸處理[7]。同時研究要對原始光譜進行預(yù)處理來消除樣品自身、噪聲、雜質(zhì)等因素的干擾[8]。

采用近紅外光譜技術(shù)能夠?qū)崿F(xiàn)對梨、桃、蘋果、柑橘及草莓等多種水果中的多個品質(zhì)進行不破壞樣品的快速檢測[9-10]。羅楓等[11]在波長為408.8～2 492.8 nm范圍內(nèi)利用近紅外漫反射光譜技術(shù)結(jié)合化學計量學方法對櫻桃中的Vc 含量進行分析研究，結(jié)果表明，采用的改進偏最小二乘法建立的模型，其驗證集均方根標準誤差（Root mean square error of prediction，RMSEP）為0.258 3，R2為87.79%，該模型對櫻桃在冷藏過程中Vc 含量的檢測具有可行性。楊曉玉等[12]對157 份長棗中Vc 含量進行檢測研究，結(jié)果表明，在將全波段光譜與特征波段建立偏最小二乘模型和支持向量機模型其校正集的R2為84.71%，驗證集的R2為71.49%。王茜等[13]對101 份枇杷果樣品采用PLS建立的可滴定酸度和Vc 的模型其預(yù)測集R2分別為0.745，0.554，RMSEP 分別為0.048，2.230。金同銘等[14]研究發(fā)現(xiàn)采用近紅外光譜技術(shù)可滿足對完整草莓中Vc 含量的精準測定。牛曉穎等[15]對三個品種的草莓采用近紅外光譜技術(shù)對其可溶性固形物及可滴定酸度含量進行快速檢測研究得到了較好的檢測效果。雖然取得了一定的成果，但其模型的RMSECV 及R2等量值較低，因此，研究采用近紅外光譜技術(shù)結(jié)合OPUS 軟件處理對草莓中的Vc 含量、可滴定酸度含量、可溶性固形物含量及硬度值自動優(yōu)化處理進行快速建模檢測研究，旨在為該技術(shù)在草莓品質(zhì)檢測中提供參考依據(jù)，進而推動該技術(shù)的實際應(yīng)用能力。

1 材料與方法

1.1 材料與試劑

草莓，購置于北京華聯(lián)超市；草酸，AR500 g，沈陽泉瑞試劑廠；抗壞血酸，AR25 g，天津富宇化工廠；2，6-二氯靛酚試劑（純度98%），BR25 g，上海研生實業(yè)有限公司；氫氧化鈉，AR500 g，天津市大茂化學試劑廠；鄰苯二甲酸氫鉀，AR500 g，穗冠化工；酚酞，AR25 g，天津市大茂化學試劑廠。

1.2 儀器與設(shè)備

TA-XT2i 物性測試儀，上海光學儀器廠；TENSOR II 型傅立葉變換近紅外光譜儀，德國布魯克（北京）科技有限公司，儀器參數(shù)為漫反射鍍金積分球，InGaAs 檢測器。

1.3 試驗方法

1.3.1 樣品的選取

試驗選取新鮮的草莓果實共計120 個，并且形狀大小相似、無腐爛、無變形及明顯損傷的個體，其中把80 個草莓作為校正樣品集，40 個作為檢驗樣品集。

1.3.2 草莓近紅外原始光譜的采集

將TENSOR Ⅱ型傅里葉變換近紅外光譜儀打開預(yù)熱30 min 后，利用OPUS 7.5 軟件對草莓樣品進行光譜掃描，并通過檢查信號、保存峰位，掃描背景單通道光譜（每間隔1 h 掃描一次），測量樣品單通道光譜等操作，來消除外界信息的干擾提高采集數(shù)據(jù)的精度。

隨機在草莓樣品赤道上均勻的取3 個點進行掃描，并取平均值[16]，試驗所處的環(huán)境溫度為（25±1）℃，相對濕度為20%～30%，光譜波數(shù)范圍12 000～4 000 cm-1，分辨率8 cm-1，掃描64 次。

1.3.3 定量分析模型的建立與驗證

在進行定量分析時，需要先建立校正模型，即草莓樣品中Vc 含量及可滴定酸度含量組分值與其近紅外光譜，通過化學計量學處理之后的關(guān)系；然后用已知組分的草莓用于模型的驗證，進而來衡量模型的檢測精度，其原理如下：

PLS 所涉及到的是有限逆矩陣計算過程，而不是對整個矩陣進行處理。PLS 要求矩陣X 是雙對角線化的：

矩陣U 和V 是正交的，B 是雙對角線的形式。因此可以表示成：

矩陣T 的元素被稱為“得分因子”，PLS 中的矢量有時被稱之為“載荷”。

PLS 的第一矢量V1用下式選擇：

第一偏最小二乘法矢量表示了校正樣本的化學值與光譜強度的關(guān)系，當化學值Y 通過回歸系數(shù)再現(xiàn)的時候，PLS 分析將會停止。

采用PLS 在全波數(shù)范圍內(nèi)對樣品的原始光譜圖進行預(yù)處理，原始光譜的預(yù)處理方式有消除常數(shù)偏移量（Eliminate constant offset）、減去一條直線（Subtract a line）、矢量歸一化（Standard Normal Variate，SNV）、最小-最大歸一化（Minimum-maximum normalization）、多元散射矯正（Multiplicative Scatter Correction，MSC）、內(nèi)部標準（internal standard）、一階導(dǎo)數(shù)＋平滑（5、9、13、17、21、25 點，下同）、二階導(dǎo)數(shù)＋平滑、一階導(dǎo)數(shù)＋減去一條直線＋平滑、一階導(dǎo)數(shù)＋矢量歸一化＋平滑、一階導(dǎo)數(shù)＋多元散射矯正＋平滑。將測定好的水果樣品的指標一一對應(yīng)的輸入給原始光譜，通過系統(tǒng)自動優(yōu)化篩選出合適的波數(shù)范圍及預(yù)處理方式，通過衡量校正集均方根誤差（Root mean square error of cross validation，RMSECV），驗證集均方根標準誤差（RMSEP）及定向系數(shù)（R2）來衡量模型的好壞。其中R2數(shù)值越接近100%則預(yù)測含量值愈接近真值；RMSECV 數(shù)值越小越好[17]。將預(yù)測樣品集帶入模型中通過計算得出均方根誤差（RMSEP）值，若RMSEP≤RMSECV 時，說明所建模型預(yù)測效果極佳。

1.3.4 草莓中Vc 含量的測定

采用2，6-二氯靛酚法對Vc 含量進行測定，用活性炭吸附色素避免草莓中色素的干擾[18]，下同。

1.3.5 草莓中可滴定酸度含量的測定

根據(jù)GB/T 12456-2008“食品中總酸的測定”對草莓的可滴定酸度含量進行測定，用換算系數(shù)為0.067 的蘋果酸表示[19]。

1.3.6 可溶性固形物含量的測定

將草莓研磨榨汁處理，吸取汁液均勻涂在阿貝折射儀上進行測定[20]。

1.3.7 硬度的測定

用物性測試儀測草莓硬度，將草莓沿著中心線切開，切面向下測定，測量3 次，取均值，儀器參數(shù)為：探頭型號P/50；設(shè)置測前速率為1.00 mm·s-1；測試速率為1.00 mm·s-1；測后速率為1.00 mm·s-1；壓縮量為30%；觸發(fā)力為5 g[21]。

1.3.8 數(shù)據(jù)處理

試驗采用spss 19.0 軟件對數(shù)據(jù)進行處理，采用OPUS 7.5 軟件對近紅外光譜進行數(shù)據(jù)分析。

2 結(jié)果與分析

2.1 草莓的理化指標

采用化學方法測定草莓Vc、可滴定酸度、可溶性固形物和硬度指標含量如表1。

表1 草莓的理化指標Table 1 Physical and chemical indexes of strawberry

續(xù)表1 草莓的理化指標Continued table 1 Physical and chemical indexes of strawberry

2.2 草莓的近紅外原始光譜圖分析

草莓的近紅外光譜圖如圖1。維生素C 含有多個手性碳原子，并含有能使其在近紅外譜區(qū)內(nèi)有強烈吸收的官能團，如4 個-OH 官能團和多個-C=O-以及=CH2和≡CH 官能團，6 800 cm-1左右的吸收峰是R-OH 和O-H 一級倍頻吸收峰，由于二者的相互作用使得此處的吸收峰較大。9 400～10 000 cm-1處的吸收峰主要反映了樣品內(nèi)部的碳水化合物?？傻味ㄋ岫仍诖笥?2 000 cm-1處相關(guān)系數(shù)波動劇烈[22-24]。

圖1 草莓近紅外光譜圖Fig.1 Near infrared spectrogram of strawberry

2.3 定量模型結(jié)果分析

采用PLS 進行定量分析不僅能夠提取草莓近紅外光譜中的主成分，還能對草莓所測指標的濃度主成分進行提取，從而降低了外界噪聲、雜散光等因素的干擾，提高模型的檢測精度，并且通過系統(tǒng)自動優(yōu)化處理，能根據(jù)組分成分中官能團引起的吸收峰篩選出最優(yōu)的波數(shù)范圍及預(yù)處理方式。草莓的近紅外光譜檢測模型如表2。在波數(shù)6 089～7 498.5 cm-1范圍內(nèi)采用最小-最大歸一化預(yù)處理方式建立的草莓Vc 含量校正模型相比于其他處理效果較好，其RMSECV 為0.761，R2為97.64%，并利用驗證集樣品進行驗證結(jié)果表明，預(yù)測樣品集的RMSEP 為0.352，R2為99.52%，RMSEP＜RMSECV 因此模型精度較高。故選此方法建立模型，如圖2 中a，b 所示。在波數(shù)7 498.5～9 400.9 cm-1范圍內(nèi)采用減去一條直線預(yù)處理方式建立的草莓可滴定酸度含量校正模型效果較好，其RMSECV 為0.019 5，R2為96.81%，并利用驗證集樣品進行驗證結(jié)果表明，預(yù)測樣品集的RMSEP為0.013 4，R2為98.77%，由RMSEP＜RMSECV 故該模型適用于對草莓的可滴定酸度含量進行檢測，且檢測精度較高，如圖2。石吉勇[25]運用近紅外光譜技術(shù)采用PLS 結(jié)合矢量歸一化的預(yù)處理方式建立的草莓Vc 含量檢測模型的校正集相關(guān)系數(shù)R2=92.35%，驗證集相關(guān)系數(shù)為R2=91.54%，故試驗所建立的模型效果要明顯優(yōu)于上述方法。在波數(shù)4 249.8～9 400.9 cm-1范圍內(nèi)采用一階導(dǎo)數(shù)+MSC+17 點平滑預(yù)處理方式建立的草莓可溶性固形物校正模型效果較好，其RMSECV 為0.713，R2為95.07%，且預(yù)測模型的RMSEP為0.037 9，R2為98.75%。在波數(shù)4 597.8～5 450.6 cm-1和6 098～9 400.9 cm-1范圍內(nèi)采用減去一條直線預(yù)處理方式建立的草莓硬度含量校正模型效果較好，其RMSECV 為144，R2為97.84%，且預(yù)測模型的RMSEP 為144，R2為98.09%。牛曉穎等[20]利用近紅外漫反射光譜技術(shù)在波數(shù)為6 000～12 500 cm-1范圍內(nèi)采用最小二乘-支持向量機法建立的草莓可滴定酸度含量檢測模型，其RMSECV 為0.028，RMSEP 為0.027，試驗與其取得的研究成果要優(yōu)于該方法。

表2 草莓近紅外光譜模型Table 2 Near infrared spectral model of strawberry

續(xù)表2-1 草莓近紅外光譜模型Continued table 2-1 Near infrared spectral model of strawberry

續(xù)表2-2 草莓近紅外光譜模型Continued table 2-2 Near infrared spectral model of strawberry

續(xù)表2-3 草莓近紅外光譜模型Continued table 2-3 Near infrared spectral model of strawberry

3 結(jié)論與展望

為實現(xiàn)對草莓品質(zhì)的快速高效檢測，試驗采用近紅外光譜技術(shù)結(jié)合PLS 對120 份草莓進行營養(yǎng)成分含量快速檢測研究，結(jié)果表明采用以下方式建立的模型效果較高，在波數(shù)6 089～7 498.5 cm-1范圍內(nèi)采用最小-最大歸一化預(yù)處理方式建立的草莓Vc 含量檢測模型，校正集RMSECV 為0.761，R2為97.64%，驗證集RMSEP 為0.352，R2為99.52%。在波數(shù)7 498.5～9 400.9 cm-1范圍內(nèi)采用減去一條直線預(yù)處理方式建立的草莓可滴定酸度含量檢測模型，其校正集RMSECV 為0.019 5，R2為96.81%，驗證集的RMSEP 為0.013 4，R2為98.77%。在波數(shù)4 249.8～9 400.9 cm-1范圍內(nèi)采用一階導(dǎo)數(shù)+MSC+17 點平滑預(yù)處理方式建立的草莓可溶性固形物含量校正模型效果較好，其RMSECV 為0.713，R2為95.07%，且預(yù)測模型的RMSEP 為0.0 379，R2為98.75%。在波數(shù)4 597.8～5 450.6 cm-1和6 098～9 400.9 cm-1范圍內(nèi)采用減去一條直線預(yù)處理方式建立的草莓硬度含量校正模型效果較好，其RMSECV 為144，R2為97.84%，且預(yù)測模型的RMSEP 為144，R2為98.09%。因此，以上試驗?zāi)Ｐ蜋z測精度較高，適用于對草莓內(nèi)部品質(zhì)快速檢測，試驗得到的一系列研究結(jié)論為近紅外光譜技術(shù)在草莓內(nèi)部品質(zhì)檢測方面的應(yīng)用提供了理論參考與數(shù)據(jù)支持，旨在推動該技術(shù)逐步從實驗化走向應(yīng)用化，提高草莓品質(zhì)質(zhì)量檢測水平。前人的研究多局限于對草莓品質(zhì)的一項或兩項指標進行研究，而試驗是一次性對草莓四項品質(zhì)采用近紅外光譜技術(shù)進行檢測分析，是對之前研究的一個匯總并且通過自動優(yōu)化處理得出的衡量模型精度的參數(shù)上略優(yōu)于之前的研究。

圖2 草莓品質(zhì)校正模型圖及預(yù)測模型圖Fig.2 Strawberry quality correction model map and forecast model map

采用近紅外光譜技術(shù)對草莓品質(zhì)進行檢測研究時，容易受到地理位置、生長環(huán)境及品種等因素的影響，造成檢測模型的穩(wěn)定性及檢測精度降低，因為，為提升模型的實用性，未來可以不斷的完善模型，不斷的補充不同種類的草莓樣品，建立完整的數(shù)據(jù)庫。在信息采集及數(shù)據(jù)處理方面要采用學科進行交叉處理的計算方式進行運算，旨在為數(shù)據(jù)處理的更具有說服力。也采用多種無損檢測檢測相結(jié)合的方式來建立一種通用能力很強的模型，以達到對草莓及其品種甚至其他農(nóng)產(chǎn)品的快速檢測，并且檢測的數(shù)據(jù)真實可靠、模型的穩(wěn)定性極佳。