白麗萍，王偉，王強(qiáng)，王君虹，張玉,2,3*，朱杰

(1.浙江省農(nóng)業(yè)科學(xué)院 農(nóng)產(chǎn)品質(zhì)量安全與營養(yǎng)研究所，浙江 杭州 310021；2.農(nóng)業(yè)農(nóng)村部農(nóng)產(chǎn)品信息溯源重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 310021; 3.浙江省食品安全重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 310021)

葡萄酒不僅味美還富含大量的生理活性成分，飲用適量的葡萄酒對人體健康十分有益，深受消費(fèi)者喜愛。近年來，隨著葡萄酒消費(fèi)增多，葡萄酒質(zhì)量問題亦受到人們的廣泛關(guān)注。傳統(tǒng)的葡萄酒質(zhì)量評價(jià)方法主要包括感官評價(jià)法和理化分析法。感官評價(jià)法雖簡單易行，卻具有較強(qiáng)的主觀性，傳統(tǒng)理化分析法雖然客觀可靠，但這些方法通常預(yù)處理復(fù)雜、費(fèi)時(shí)費(fèi)力，如何建立快速的分析技術(shù)已成為當(dāng)前需要。本文從近紅外光譜技術(shù)的檢測原理和特點(diǎn)出發(fā)，利用物質(zhì)的光學(xué)特性來探索一種無損快速檢測技術(shù)[1]。近紅外光譜分析樣品無需前處理，分析速度快、成本低、高效、安全，光譜主要由含碳、氫、氧基團(tuán)的倍頻和組頻吸收峰組成[2-6]，可以對樣品的多種組分進(jìn)行測定，具有非破壞性和無污染性等優(yōu)點(diǎn)，在農(nóng)業(yè)、食品、糧油品質(zhì)等檢測中已得到廣泛的應(yīng)用[7-8]。人們對食品品質(zhì)及安全的重視以及近紅外光譜分析技術(shù)的不斷完善, 近紅外光譜分析技術(shù)在食品領(lǐng)域的運(yùn)用將越來越廣泛[9-10]。隨著食品品質(zhì)和安全分析的各種標(biāo)準(zhǔn)方法的出現(xiàn), 近紅外光譜儀器和數(shù)據(jù)處理方法的發(fā)展, 近紅外光譜分析技術(shù)在食品檢測領(lǐng)域中的應(yīng)用越來越廣泛。

本文以葡萄酒為原料，基于偏最小二乘法分別建立總糖、總酸、酒精度、總多酚、花總色苷定量模型，為葡萄酒的快速無損檢測提供一種可靠簡便的方法。

1 材料與方法

1.1 材料

90個(gè)不同品牌的葡萄酒，均購自市場。矮牽牛素葡萄糖苷、芍藥素葡萄糖苷(美國Sigma-Aldrich公司)；錦葵色素葡萄糖苷、飛燕草素葡萄糖苷、矢車菊素葡萄糖苷(美國ChromaDex公司)。傅里葉變換近紅外光譜儀(ANTARIS Ⅱ，美國Thermo Scientific公司)；TQ Analyst 軟件(近紅外光譜儀配置)；Waters e2695高效液相色譜儀(美國Waters公司)。

1.2 方法

1.2.1 理化分析

葡萄酒樣品的總糖、總酸和酒精度的測定參照GB/T 15038—2006葡萄酒、果酒通用分析方法；總酚測定采用福林-酚比色法[11]。

1.2.2 花色素苷測定

酒樣經(jīng)過0.22 μm有機(jī)微孔濾膜后，用高效液相色譜儀對9種花色素苷含量進(jìn)行測定。

測定方法。采用Synergi Hydro-RP C18柱(250～4.6 mm，4 μm，Phenomenex，Torrance，CA，USA)，光電二極管陣列檢測器(Shimadzu，Suzhou，China)波長設(shè)定為520 nm。進(jìn)樣量20 μL。流動(dòng)相A為水-乙腈-甲酸(80∶10∶0.25，V/V)，流動(dòng)相B為水-乙腈-甲酸(4∶5∶0.25，V/V)。

洗脫程序。0～45 min，流動(dòng)相B由0升至35%；45～46 min，流動(dòng)相B由35%升至100%，持續(xù)5 min；然后1 min內(nèi)流動(dòng)相B由100%降至0，持續(xù)5 min。

1.2.3 近紅外光譜采集

取上述適量樣品于8 mm樣品管中，用ANTARIS Ⅱ近紅外光譜儀進(jìn)行光譜采集，掃描范圍4 000～10 000 cm-1，分辨率8 cm-1，每個(gè)樣品重復(fù)測定3次后取平均值，以空氣作為背景，在室溫下測定。掃描得到90個(gè)葡萄酒的原始光譜，用TQ Analyst軟件中的偏最小二乘法進(jìn)行定量分析。

2 結(jié)果與分析

2.1 建模最佳波段的選擇

由于近紅外光譜數(shù)據(jù)承載著被測物質(zhì)的性質(zhì)和組成結(jié)構(gòu)信息，包含樣品的全部信息，所以在建模時(shí)選擇最佳波段十分關(guān)鍵，若選擇的波長范圍過寬，則不必要的變量可能會(huì)被引入，從而對建立的模型造成干擾，影響模型的預(yù)測能力；若選擇的波長范圍過窄，又可能會(huì)人為丟失重要變量，導(dǎo)致預(yù)測偏差增大。綜上所述，只有在最合適的波長范圍內(nèi)才能得到較好的預(yù)測結(jié)果[6-7]。

通常在建模時(shí)，最理想的波段選擇是吸光度小于3，噪音小，且有明顯波譜差異的波段。圖1是90個(gè)葡萄酒樣品全波段掃描分析得到的效果圖。由圖可知，不同葡萄酒樣品的譜帶在7 600～8 900 cm-1存在差異，且噪音較小，故選擇此波長范圍進(jìn)行建模，以模型擬合的相關(guān)系數(shù)r和均方差(RMSEC)作為評價(jià)校正模型好壞的指標(biāo)，從而選擇最合適的波段。

圖1 全波段范圍掃描的原始光譜

2.2 光譜數(shù)據(jù)預(yù)處理

在采集近紅外光譜時(shí)，基于震動(dòng)、噪聲、溫度和濕度、光照度等影響，導(dǎo)致采集的近紅外原始光譜產(chǎn)生噪聲信號(hào)，噪聲信號(hào)會(huì)使得光譜數(shù)據(jù)發(fā)生偏移，導(dǎo)致建立的校正模型穩(wěn)定性差，譜帶不明顯，存在無關(guān)漂移等缺點(diǎn)，進(jìn)而影響對未知樣品預(yù)測的準(zhǔn)確性[12]。因此，在建模過程中，需要對原始光譜濾去噪聲，優(yōu)化光譜信號(hào)，消除試驗(yàn)對光譜數(shù)據(jù)的不利影響，提高模型的準(zhǔn)確性和可靠性[13]。

2.3 建模結(jié)果

從90個(gè)檢測的樣品中隨機(jī)抽取20個(gè)作為驗(yàn)證集，70個(gè)作為校正集。選擇r、RMSEC和預(yù)測均方差(RMSEP)作為模型的評價(jià)指標(biāo)，RMSEC和RMSEP值越小模型越好。

2.3.1 總糖建模

通過對導(dǎo)數(shù)處理、平滑處理、多元散射校正及歸一化處理等多種不同光譜預(yù)處理方法的模擬發(fā)現(xiàn)，多元散射校正及歸一化方法多用于處理漫反射光譜，一階導(dǎo)數(shù)(1D)和二階導(dǎo)數(shù)(2D)能夠最大程度地消除基線漂移和旋轉(zhuǎn)，并放大信號(hào)優(yōu)勢；卷積平滑處理(SG平滑)和導(dǎo)數(shù)濾波(Norris平滑)可消除求導(dǎo)后引入的光譜噪聲。選擇總糖建模的最佳預(yù)處理方法，建立總糖的定量模型。

由表1可知，波段在8 300～8 900 cm-1，constant的光譜預(yù)處理方法較好。因此，選擇8 300～8 900 cm-1為最佳波段，選擇constant的光譜預(yù)處理方法，建立葡萄酒的定量模型，校正集和驗(yàn)證集的均方差分別為0.291和0.278，相關(guān)系數(shù)分別為0.992 1和0.992 7。

表1 不同預(yù)處理方法建立總糖定量模型

2.3.2 總酸建模

通過模擬不同的光譜預(yù)處理方法，選擇總酸建模的最佳預(yù)處理方法，建立總酸的定量模型。由表2可知，波段范圍在7 800～8 800 cm-1，一階導(dǎo)數(shù)的光譜預(yù)處理方法較好。校正集和驗(yàn)證集的均方差分別為0.040和0.050，相關(guān)系數(shù)分別為0.997 9和0.994 8。

表2 不同預(yù)處理方法建立總酸定量模型

2.3.3 酒精度建模

通過模擬不同光譜預(yù)處理方法，選擇酒精度建模的最佳預(yù)處理方法，建立酒精度的定量模型。從表3可以看出，波段范圍在8 000～8 500 cm-1，一階導(dǎo)數(shù)加SG光譜預(yù)處理方法較好。校正集和驗(yàn)證集的均方差分別為0.131和0.155，相關(guān)系數(shù)分別為0.991 3和0.990 2。

表3 不同預(yù)處理方法建立酒精度定量模型

2.3.4 總酚建模

通過模擬不同的光譜預(yù)處理方法，選擇總酚建模的最佳預(yù)處理方法，建立總酚的定量模型。

從表4中可以看出，波段在7 700～8 800 cm-1，一階導(dǎo)數(shù)加SG光譜預(yù)處理方法較好。校正集和驗(yàn)證集的均方差分別為0.039和0.072，相關(guān)系數(shù)分別為0.997 4和0.969 8。

表4 不同預(yù)處理方法建立總酚定量模型

2.3.5 花色苷建模

通過模擬不同光譜預(yù)處理方法，選擇花色苷建模最佳預(yù)處理方法，建立花色苷的定量模型。

從表5可以看出，波段范圍在7 700～8 800 cm-1，一階導(dǎo)數(shù)加SG光譜預(yù)處理方法較好。校正集和驗(yàn)證集的均方差分別為0.002和0.072，相關(guān)系數(shù)分別為0.996 4和0.937 5。

表5 不同預(yù)處理方法建立花色苷定量模型

3 小結(jié)

以90個(gè)葡萄酒樣品的近紅外光譜為基礎(chǔ)，結(jié)合偏最小二乘分析法分別建立總糖、總酸、酒精度、總酚和花色苷的定量分析模型。模型驗(yàn)證相關(guān)系數(shù)分別為0.992 7、0.994 8、0.990 2、0.969 8和0.937 5，說明模型預(yù)測能力較好，通過建立模型可實(shí)現(xiàn)對葡萄酒的理化值的快速預(yù)測和品質(zhì)評價(jià)。