蓮藕淀粉含量的近紅外光譜無損檢測方法

涂 靜， 張 慜*， 黃 敏，2， 范東翠

（1.江南大學 食品學院；2.江南大學 物聯網工程學院，江蘇 無錫 214122）

蓮藕（Nelumbo nucifern）是一種多年生宿根水生草本植物，以肥嫩根狀莖供食用，是我國極重要的水生蔬菜，主要分布在黃河、長江、珠江流域的山東、湖南、湖北、浙江、廣東等地。蓮藕的營養成分極其豐富，是一種用途很廣的水生經濟作物，其可供食用和藥用，具有清熱、解暑、治療腹瀉、痢疾和頭暈等功能[1]，市場需求非常大。由于蓮藕生長過程中受到人為和自然等因素影響，所以產品品質差異很大。淀粉是蓮藕的主要特征指標之一，不同蓮藕原料的淀粉含量差異性很大，其含量對蓮藕產品的工藝過程和品質有很大的影響。準確測定蓮藕原料的淀粉含量，有助于進行原料的綜合品質評價，對其加工與保藏具有指導意義。目前檢測蓮藕淀粉的方法主要是GB/T5009.9-2008《食品中淀粉的測定》-酸水解法，使用這種方法需經過樣品勻漿、水解、洗滌、過濾和滴定等步驟，操作復雜，且破壞果蔬的完整性和可食用性，難以實現快速、無污染和無損化檢測。因此，研究蓮藕淀粉含量的無損、快速、準確、實時性的檢測方法具有重要的現實意義。

近紅外光譜技術 （Near-Infrared Spectroscopy Technology）是利用樣品中有代表性的有機成分在近紅外光譜區域的最強吸收波長不同，以及吸收的強度與有機成分呈線性關系的原理進行定量分析。通過對已知有機成分含量的樣品與其近紅外光譜特征的回歸分析，建立定標方程，即可對含有同一種有機成分的樣品進行定量估測[2]。主要流程是先采集具有代表性的樣品，然后采集樣品的近紅外光譜信息和內部成分的理化數據，再利用樣品內部成分差異在近紅外光譜中反映的特征信息，采用合適的近紅外定量分析方法建立其內部成分的近紅外光譜模型，通過該模型將待測樣品的近紅外光譜信息轉換為待測樣品內部成分的參數，實現待測樣品內部成分的無損檢測。這種技術具有快速、非破壞性、無試劑分析、安全、高效、低成本及能同時測定多種組分等特點。

應用近紅外光譜技術對果蔬品質進行無損檢測已成為近年來的研究熱點，國內外許多學者相繼開展了對柑橘、蘋果、梨、桃品質進行無損檢測的研究工作并卓有成效[3-4]，但應用在蔬菜方面的研究報道相對較少，其中關于蓮藕方面的應用報道更少。目前在國內僅見張擁軍等[5]研究了蓮藕水分、糖度、粗纖維和硬度等成分的近紅外光譜模型，采用PLS建立了各品質指標的近紅外光譜分析模型，但未單獨選取預測集進行預測，同時未研究蓮藕淀粉含量的近紅外光譜無損檢測方法。目前國內外尚未見蓮藕淀粉含量的近紅外光譜無損檢測方法的相關研究報道。本實驗旨在應用近紅外光譜技術開展蓮藕淀粉含量的無損檢測方法研究，建立其相應的近紅外光譜分析模型，并對模型的預測性能進行了檢驗。

1 材料與方法

1.1 實驗材料

蓮藕，購自無錫市幾家農貿市場，分批隨機選取100個蓮藕樣品，運回實驗室，選擇無蟲害、無損傷健康蓮藕段做試驗。

1.2 儀器設備

Thermo Antaris MX傅里葉-近紅外原料快速分析儀，美國ThermoFisher公司制造；電子天平，常州萬泰天平有限公司制造；國產電熱恒溫水浴鍋等。

1.3 實驗方法

1.3.1 蓮藕的光譜數據采集 蓮藕不作任何處理直接進行近紅外光譜采集。根據蓮藕的特有屬性，采用漫反射吸收光譜法，具體試驗參數設為:測量波長范圍為4 000～10 000 cm-1，儀器掃描次數為16次，儀器分辨率為8 cm-1。在測量蓮藕光譜之前要先測量標準白板在相同參數設置下的光譜作為實驗時的背景參比。近紅外光譜測量時，將完整干凈的一段蓮藕平穩地緊貼在漫反射探頭上，避免人為的抖動。每個樣本需進行4次光譜測量，分別位于最大直徑處的4個相對位置，盡可能避免明顯的表面缺陷（擦傷、傷疤等），把4次測量的光譜進行平均，使得到每段蓮藕的平均光譜作為原始光譜數據[6]。實驗獲取的光譜以每一波長下的吸光度值log（1/R）表示，R是指反射光強與入射光強之比。

1.3.2 蓮藕的淀粉含量測定 采用GB/T5009.9-2008《食品中淀粉的測定》-酸水解法。測量時，在蓮藕光譜采集的對應位置取樣，實驗平行3次，結果取其平均值。

1.3.3 光譜數據預處理 近紅外光譜儀光譜數據的采集和保存是通過計算機運行光譜儀自帶的TQ Analyst軟件實現。在原始光譜數據采集過程中常會受到高頻隨機噪聲、光散射、樣本不均勻等因素的影響，所以需要進行光譜預處理。選擇合適的光譜預處理對預測模型來說非常重要，因為合適的光譜預處理能有效地消除各種噪聲，提高光譜的信噪比。參照文獻[7]，對樣品的原始光譜進行了多元散射校正、一階導數、平滑等組合的預處理方法。

1.3.4 實驗數據分析 實驗數據的分析與建模通過TQ Analyst軟件，并結合使用了Matlab軟件。基于主成分回歸的基礎上，應用偏最小二乘法（PLS）和聯合區間偏最小二乘法（SiPLS），分別建立蓮藕淀粉含量的近紅外光譜分析模型。模型通過品質指標的實際值與預測值的相關系數R、均方根誤差RMSE進行定量評價[2]。以R和RMSE為依據，對模型進行優化。一個好的模型應該是校正集和預測集都具有較大的R值、較小的RMSE值。

2 結果與分析

2.1 近紅外光譜分析

采集光譜應保證在相同的試驗條件下進行，分辨率大小和掃描次數的不同對試驗結果會有較大的影響。只有在嚴格控制實驗條件的基礎上才能獲得較好的光譜圖[6]。本實驗采用一個專用原料漫反射測試系統，可以得到質量較好的光譜圖。圖1為蓮藕樣品的近紅外原始光譜圖。

圖1 蓮藕樣品近紅外原始光譜圖Fig.1 Primary NIR spectrum of all lotus root sample

從圖1可知，不同淀粉含量的蓮藕樣品光譜在4 000～10 000 cm-1波數范圍內的變化較明顯，包含信息豐富。 在 4 000～4 600 cm-1、5 000～5 500 cm-1、6 800～7 100 cm-1波數范圍內，波峰強度有較明顯的變化，主要是蓮藕淀粉的C—H、C—C和C—O—C伸縮振動的組合頻、C—H和CH2變形振動的組合頻、C—H彎曲和C—O伸縮的組合頻和O—H/C—O聚合體等的吸收譜帶。采用合適的化學計量方法，就可以建立蓮藕淀粉的濃度值與近紅外吸光度值之間的對應關系，即近紅外光譜分析模型。從圖1還可知，原始光譜存在噪聲和其他雜散光，因此需要進行光譜數據的預處理。

2.2 蓮藕淀粉含量的測量結果

實驗按照校正集樣品的淀粉含量范圍必須大于預測集樣品的淀粉含量范圍、校正集樣品的淀粉含量分布屬常態為佳，及校正集樣品的個數大于預測集樣品個數的原則，確定校正集樣品與預測集樣品的數量[8]。蓮藕淀粉含量的化學檢測結果見表1。可知，樣本選擇的覆蓋范圍還是比較寬的，可以滿足不同來源的不同品種所期望的變化范圍，說明建模樣本具有很好的代表性。

表1 蓮藕淀粉含量的檢測數據分析Table 1 Statistic defection data of the starch content of lotus root

2.3 不同預處理對建模結果的影響

由于儀器、樣品背景及其他因素的影響，圖1顯示的原始光譜圖存在噪聲和雜散光等，為了更好地建立其相應的模型，進行光譜的預處理是關鍵和十分必要的。在文獻[7]的基礎上，選取了多元散射校正、一階導數、平滑等組合的預處理方法，比較了不同預處理方法對建模結果的影響，其結果見圖2—4。

圖2 多元散射校正預處理的近紅外光譜圖Fig.2 MSC spectrum of all lotus root sample

圖3 多元散射校正+一階導數預處理的近紅外光譜圖Fig.3 MSC+DC spectrum of all lotus root sample

圖4 多元散射校正+一階導數+平滑（7點）預處理的近紅外光譜圖Fig.4 MSC+DC＋GA （seven point）spectrum of all lotus root sample

對圖1～4進行比較分析可知，經多元散射校正處理的近紅外光譜（圖 2）沒有很好的效果，在4 000～6 000 cm-1波數范圍內還存在噪聲。經多元散射校正和一階導數處理的近紅外光譜（圖3）較圖1有了明顯的改善；而經多元散射校正、一階導數和平滑（7點）等結合處理的近紅外光譜（圖4）較圖3有了進一步的改善。3種預處理方法中，多元散射校正、一階導數和平滑（7點）等結合的預處理效果最佳。

為了對以上結果進行驗證，選擇最常用的偏最小二乘法建立預測模型，其結果見表2。可知，經多元散射校正、一階導數和平滑（7點）等結合的預處理而建立的模型較其他方法處理的模型預測性能要優，其校正集的相關系數和均方根誤差為0.955 4和0.742 2，預測集的相關系數和均方根誤差為0.900 2和 1.109 5。

表2 不同光譜預處理的建模結果Table 2 Results of different pretreated spectra for model

2.4 蓮藕淀粉含量的近紅外光譜分析模型的建立

蓮藕的光譜數據選取2.3章節效果最佳的多元散射校正、一階導數和平滑等結合的方法進行預處理后，對校正集樣品采用 PLS和SiPLS的建模方法，建立蓮藕近紅外光譜吸光度值與淀粉含量的PLS和SiPLS模型，其模型的相關系數和均方根誤差見表3。通過預測集對模型的可靠性進行了檢驗，其模型的相關系數和均方根誤差也列入表3中。SiPLS模型校正集的淀粉含量的測量值與預測值的對應關系見圖5，預測集的淀粉含量的測量值與預測值的對應關系見圖6。

表3 蓮藕淀粉的近紅外光譜優化模型結果Table 3 Optimal model results of NIR spectroscopy for lotus root starch

結合表3和圖5～圖6可知，所建立的PLS和SiPLS模型都具有較好的預測效果，但是SiPLS模型的預測效果要優于PLS模型。SiPLS采用的是挑選幾個子區間聯合建模的方法，在保證模型精度的情況下又剔除了干擾過大的變量區域，同時可以克服單個區間包含的光譜信息不足的問題，使最終建立模型的預測能力和精度更高。通過挑選特征光譜區間提高 PLS模型精度這一結果亦與現有的文獻結論[9-11]一致。實驗中建立的SiPLS模型性能穩定，其校正集的相關系數和均方根誤差為0.960 0和0.741 6，預測集的相關系數和均方根誤差為0.923 8和1.050 6，可以滿足實際應用的要求。研究結果表明，采用近紅外光譜技術可以實現蓮藕淀粉含量的無損檢測。

圖5 校正集的淀粉含量的測量值與預測值的關系圖（SiPLS）Fig.5 Relationship between the measured and predicted starch content by SiPLS for calibration set

圖6 預測集的淀粉含量的測量值與預測值的關系圖（SiPLS）Fig.6 Relationship between the measured and predicted starch content by SiPLS for prediction set

3 結語

利用近紅外光譜技術對蓮藕淀粉含量進行無損檢測，原始光譜數據采用多元散射校正、一階導數和平滑等結合的預處理效果最佳；同時SiPLS模型要比PLS模型的預測性能好，其校正集的相關系數（Rc）和均方根誤差（RMSEC）分別為 0.960 0 和0.741 6，預測集的相關系數 （Rp）和均方根誤差（RMSEP）為0.923 8和1.050 6，可以滿足實際應用要求。

研究結果表明，利用近紅外光譜技術對蓮藕淀粉含量無損檢測是可行的。實驗中的試驗方法和研究成果對蓮藕其他內部指標如維生素C等的測定，及其他水果內部指標的測定，均有一定的參考應用價值。

另外，增加樣本數量，優化建模方法，以建立預測精度和穩定性更高的近紅外光譜模型，還有待于進一步研究。目前蓮藕淀粉含量的近紅外光譜技術是在靜態條件下進行檢測，而動態檢測方面也值得深入研究。

[1]Lee K，Choi Y M，Noh D O，et al.Antioxidant effect of Korean traditional lotus liquor[J].International Journal of Food Science and Technology，2005，40:709-715.

[2]張小超，吳靜珠，徐云，等.近紅外光譜分析技術及其在現代農業生產中應用［M］．北京:電子工業出版社，2005．

[3]蘇東林，李高陽，何建新，等.近紅外光譜分析技術在我國大宗水果品質無損檢測中的應用研究進展[J].食品工業科技，2012，33（6）:460-464.SU Dong-lin，LI Gao-yang，HE Jian-xin，et al.Progress in application of near infrared spectroscopy to nondestru-ctive detection of big yield fruits quality in China[J].Science and Technology of Food Industry，2012，33（6）:460-464.（in Chinese）

[4]Lembe S Magwaza，Umezuruike Linus Opara，Hélène Nieuwoudt，et al.NIR spectroscopy applications for internal and external quality analysis of citrus fruit—A review[J].Food Bioprocess Technol，2012（5）:425-444.

[5]張擁軍，陳華才，蔣家新，等.蓮藕成分的近紅外光譜分析模型的建立[J].中國食品學報，2008，8（6）:122-127.ZHANG Yong-jun，CHEN Hua-cai，JIANG Jia-xin，et al.Establishment of NIR models for components determination in fresh lotus roots[J].Journal of Chinese Institute of Food Science and Technology，2008，8（6）:122-127.（in Chinese）

[6]劉燕德，應義斌，傅霞萍.近紅外漫反射用于檢測蘋果糖度及有效酸度的研究[J].光譜學與光譜分析，2005，25（11）:1793-1796.LIU Yan-de，YING Yi-bin，FU Xia-ping.Study on predicting sugar content and valid acidity of apples by near inftared diffuse reflectance technique[J].Spectroscopy and Spectral Analysis，2005，25（11）:1793-1796.（in Chinese）

[7]孫通，應義斌，劉魁武，等.梨可溶性固形物含量的在線近紅外光譜檢測[J].光譜學與光譜分析，2008，11（28）:2536-2539.SUN Tong，YING Yi-bin，LIU Kui-wu，et al.Online detection of soluble solids content of pear by near infrared transmission spectrum[J].Spectroscopy and Spectral Analysis，2008，11（28）:2536-2539.（in Chinese）

[8]曹霞，周學成，范品良.基于近紅外漫反射光譜技術的芒果糖度無損檢測方法研究[J].農機化研究，2013，1（1）:177-180.CAO Xia，ZHOU Xue-cheng，FAN Pin-liang.Nondestructive detection on predicting sugar content of mango by Near-Infrared diffuse reflectance[J].Agricultural Mechanization Research，2013，1（1）:177-180.（in Chinese）

[9]蔡健榮，湯明杰，呂強，等.基于siPLS的獼猴桃糖度近紅外光譜檢測[J].食品科學，2009，30（4）:250-253.CAI Jian-rong，TANG Ming-jie，LV Qiang，et al.Near infrared determination of sugar content in kiwifruits based on siPLS[J].Food Science，2009，30（4）:250-253.（in Chinese）

[10]鄒小波，陳正偉，石吉勇，等.基于近紅外高光譜圖像的黃瓜葉片色素含量快速檢測[J].農業機械學報，2012，43（5）:152-156.ZOU Xiao-bo，CHEN Zheng-wei，SHI Ji-yong，et al.Rapid detection of cucumber leaves pigments based on near infrared hyperspectral image technology[J].Journal of Agricultural Machinery，2012，43（5）:152-156.（in Chinese）

[11]ZOU Xiao-bo，ZHAO Jie-wen，LI Yan-xiao.Selection of the efficient wavelength regions in FT-NIR spectroscopy for determination of SSC of Fuji apple based on BiPLS and FiPLS models[J].Vibrational Spectroscopy，2007，44（2）:220-227.