近紅外光譜法無(wú)損測(cè)定光皮樹果實(shí)內(nèi)含物含量

劉汝寬 肖志紅 姜 莎 李昌珠

(湖南省林業(yè)科學(xué)院1，長(zhǎng)沙 410004)(中南大學(xué)化學(xué)與化工學(xué)院2，長(zhǎng)沙 410083)

光皮樹為落葉喬木，山茱萸科梾木屬，是一種理想的多用途油料樹種[1-2]，綜合利用價(jià)值高。木材可作建筑、家具、雕刻、農(nóng)具及工業(yè)制板等用；光皮樹果實(shí)全果含油,含油率30%以上[3]，油脂可作為生產(chǎn)生物柴油的原料。生物柴油生產(chǎn)中的原料成本占60%～70%[4]，因此積極開展高產(chǎn)、高含油的光皮樹果實(shí)良種選育工作，能極大地推進(jìn)生物質(zhì)能產(chǎn)業(yè)的發(fā)展。開展良種選育工作，以果實(shí)內(nèi)含物的控制為主要目標(biāo)，多采用化學(xué)法來(lái)測(cè)定內(nèi)含物的含量，這些操作需要對(duì)樣品進(jìn)行處理，而且有機(jī)溶劑的使用也會(huì)帶來(lái)環(huán)境問題或者對(duì)身體造成潛在的傷害[5]。因此，建立大批量樣品品質(zhì)性狀的快速判別的無(wú)損分析方法，對(duì)木本油料良種選育工作的開展具有重要意義。

近年來(lái)，國(guó)內(nèi)外廣泛采用近紅外光譜無(wú)損檢測(cè)技術(shù)測(cè)定農(nóng)產(chǎn)品和食品的淀粉、纖維、蛋白、脂肪、水分等營(yíng)養(yǎng)成分[6-8]，用于農(nóng)作物品質(zhì)育種、食品品質(zhì)和加工過(guò)程的控制[9]。

本研究利用DA7200二極管陣列近紅外光譜、以湖南地區(qū)52個(gè)光皮樹果實(shí)為小樣本，初步建立了光皮樹果實(shí)粗脂肪、熱值、水分和粗蛋白質(zhì)的近紅外定標(biāo)模型，為近紅外光譜法無(wú)損測(cè)定光皮樹果實(shí)主要內(nèi)含物含量提供了基礎(chǔ)數(shù)據(jù)。

1 材料與方法

1.1 儀器與試劑

1.1.1 主要儀器

DA7200近紅外光譜：瑞典Perten儀器有限公司；SDC311量熱儀：湖南三德科技發(fā)展有限公司；SZF-06脂肪測(cè)定儀：上海新家儀器有限公司；KDN-04A蛋白質(zhì)測(cè)定儀：浙江托普儀器有限公司；DHG-9203烘箱：上海和呈儀器制造有限公司。

1.1.2 化學(xué)試劑

52份光皮樹果實(shí)：湖南省林業(yè)科技示范園(湖南長(zhǎng)沙)；其他所用到的化學(xué)試劑均為分析純。

1.2 方法

1.2.1 樣品的基礎(chǔ)數(shù)據(jù)測(cè)定

粗脂肪含量：GB/T 5512—2008；水分含量：GB/T 14489.1—2008；粗蛋白含量：GB/T 14489.2—2008。熱值：GB/T 384—1981。

1.2.2 樣品光譜采集

將光皮樹果實(shí)樣品置于近紅外光譜儀的測(cè)量盤中，進(jìn)行光譜掃描；每個(gè)樣品重復(fù)測(cè)量2次，并將光譜作均值化處理。

1.2.3 光譜數(shù)據(jù)的處理與分析

使用CAMO公司的The Unscrambler軟件進(jìn)行數(shù)據(jù)處理，在其軟件系統(tǒng)的化學(xué)計(jì)量方法中，選用偏最小二乘法(partial least square，簡(jiǎn)稱PLS)分別對(duì)經(jīng)過(guò)不同預(yù)處理后的光譜進(jìn)行回歸模型的建立并分析。

光譜預(yù)處理方式是將乘積分散校正法(MSC)、標(biāo)準(zhǔn)正態(tài)變量轉(zhuǎn)換法(SNV)、標(biāo)準(zhǔn)化處理(Normalization)與一階、二階(sg1.2)導(dǎo)數(shù)處理相結(jié)合對(duì)光譜進(jìn)行預(yù)處理，并以交互驗(yàn)證的標(biāo)準(zhǔn)偏差(SECV)、所建模型的相關(guān)系數(shù)(Rcal2)以及F檢驗(yàn)的F值為衡量曲線預(yù)測(cè)效果的主要參數(shù)，根據(jù)馬氏距離、主因素分析以及光譜殘差和濃度殘差等分析結(jié)果剔除特異樣品。

最后，分別選擇不同的波段，比較各波段的預(yù)測(cè)效果，從而確定定標(biāo)模型。在兩定標(biāo)模型預(yù)測(cè)效果接近狀態(tài)時(shí)，則需根據(jù)其對(duì)驗(yàn)證樣品的分析結(jié)果預(yù)測(cè)標(biāo)準(zhǔn)差(SEP)以及預(yù)測(cè)集相關(guān)系數(shù)(Rval2)進(jìn)行最終取舍。

2 結(jié)果與分析

2.1 光皮樹果實(shí)近紅外檢測(cè)的基礎(chǔ)數(shù)據(jù)

收集不同產(chǎn)地和不同種屬的光皮樹樣品52個(gè)，采用常規(guī)化學(xué)分析方法進(jìn)行果實(shí)中油脂、熱值、水分和粗蛋白質(zhì)4個(gè)指標(biāo)的測(cè)量，檢測(cè)結(jié)果作為近紅外檢測(cè)模型構(gòu)建的基礎(chǔ)數(shù)據(jù)。受光皮樹果實(shí)樣品采集數(shù)量的限制，表1列出了46個(gè)光皮樹果實(shí)樣品內(nèi)含物的化學(xué)值。

表1(續(xù))

2.2 光皮樹果實(shí)的原始光譜及其處理圖

對(duì)光皮樹果實(shí)樣品(52個(gè))進(jìn)行光譜掃描，得到了波長(zhǎng)范圍950～1 650 nm之間的樣品連續(xù)掃描曲線，見圖1。采用CAMO公司的The Unscrambler軟件系統(tǒng)，對(duì)光譜進(jìn)行預(yù)處理，得到采用Derivatives SG7+SNV方法處理后結(jié)果，如圖2所示。

圖1 光皮樹果實(shí)近紅外掃描原始光譜圖

圖2 光皮樹果實(shí)近紅外光譜處理

2.3 光皮樹果實(shí)內(nèi)含物含量的回歸模型曲線圖

粗脂肪、熱值、水分和粗蛋白的回歸模型曲線見圖3～圖6，其橫、縱坐標(biāo)分別對(duì)應(yīng)4個(gè)內(nèi)含物指標(biāo)的測(cè)量值和近紅外預(yù)測(cè)值。

圖3 光皮樹果實(shí)粗脂肪含量回歸模型曲線

圖4 光皮樹果實(shí)熱值回歸模型曲線

圖5 光皮樹果實(shí)水分含量回歸模型曲線

圖6 光皮樹果實(shí)粗蛋白質(zhì)含量回歸模型曲線

2.4 模型評(píng)價(jià)

對(duì)異常結(jié)果在與兩定標(biāo)模型預(yù)測(cè)效果接近時(shí)，則需根據(jù)其對(duì)驗(yàn)證樣品的分析結(jié)果預(yù)測(cè)標(biāo)準(zhǔn)差以及預(yù)測(cè)集相關(guān)系數(shù)進(jìn)行最終取舍。表2列出了光皮樹果實(shí)內(nèi)含物含量的化學(xué)值與近紅外光譜分析模型測(cè)定內(nèi)含物含量的評(píng)價(jià)參數(shù)。

表2 光皮樹果實(shí)近紅外掃描分析表

注：*實(shí)際樣品52個(gè)，受樣品采集量限制，部分內(nèi)含物的光譜數(shù)據(jù)不足52個(gè)。

表2分析結(jié)果表明：采用化學(xué)法測(cè)定光皮樹果實(shí)與采用近紅外法測(cè)定相應(yīng)的數(shù)值，結(jié)果沒有顯著化差異。其中，粗脂肪的相關(guān)系數(shù)為0.99，標(biāo)準(zhǔn)偏差為0.29，檢測(cè)精度較高，主要是因?yàn)榻５姆N子樣品經(jīng)過(guò)優(yōu)選，因此分布均勻，代表性強(qiáng)；熱值的相關(guān)系數(shù)為0.96，其數(shù)值受內(nèi)含物中油脂、蛋白質(zhì)、纖維素和水分等多種因素的影響(不同的內(nèi)含物燃燒時(shí)所釋放的熱量不同)，檢測(cè)精度相對(duì)較好，可以在特定條件下作為快速測(cè)定批量樣品熱值的一種手段；水分的相關(guān)系數(shù)為0.95，因其較容易受到天氣的影響，在近紅外光譜掃描的過(guò)程中，受熱影響較大，因此在采用近紅外法檢測(cè)的時(shí)候，需要盡快測(cè)量，以盡量減少水分的丟失。蛋白質(zhì)含量的相關(guān)系數(shù)為0.91，為4個(gè)檢測(cè)指標(biāo)中相對(duì)最差的，只能作為特定條件的快速分析檢測(cè)。

3 結(jié)論

3.1 近紅外光譜法可以用于光皮樹果實(shí)主要內(nèi)含物含量的測(cè)定，其中粗脂肪的檢測(cè)精度較高，相關(guān)系數(shù)為0.99；水分的變化受實(shí)際測(cè)量時(shí)溫度的影響較大，因此相關(guān)系數(shù)為0.95；首次采用近紅外光譜儀進(jìn)行果實(shí)熱值的測(cè)定，效果良好，其相關(guān)系數(shù)為0.96。

3.2 光皮樹果實(shí)大小與形狀較規(guī)整，利用DA7200掃描與測(cè)定內(nèi)含物果實(shí)無(wú)需破碎，分析過(guò)程更易于操作。雖然以52個(gè)小樣本建立的模型分析效果較好，但是理想的定標(biāo)模型需要多次的豐富及完善、更新，以便提高檢測(cè)的精度。

[1]劉汝寬，李昌珠, 肖志紅. 高溫水化法在光皮樹果實(shí)油脫膠中的應(yīng)用研究[J]. 糧油加工, 2013(7): 56-57

[2]李昌珠, 肖志紅, 劉汝寬. 光皮樹果實(shí)專用型螺旋冷榨機(jī)的壓榨性能研究[J]. 湖南林業(yè)科技，2013(2): 6-8

[3]肖志紅，李昌珠，陳景震，等. 光皮樹果實(shí)不同部位油脂組成分析[J]. 中國(guó)油脂，2009，34(2): 72-74

[4]劉汝寬, 楊喜平, 王瑞霞, 等. 制備生物柴油的催化劑研究進(jìn)展[J]. 中國(guó)糧油學(xué)報(bào), 2006, 21(3): 273-276

[5]Baptista P, Felizardo P, Menezes J C, et al. Monitoring the quality of oils for biodiesel production using multivariate near infrared spectroscopy models[J]. Journal of Near Infrared Spectroscopy，2008, 16(5): 445-454

[6]林家永. 近紅外光譜分析技術(shù)在玉米品質(zhì)分析中的研究進(jìn)展[J]. 中國(guó)糧油學(xué)報(bào)，2012,25(4)：108-115

[7]Van de Voort F R, Sedman J, Ismail A A. Edible oil analysis by FTIR spectroscopy[J]. Laboratory Robotics and Automation, 1998, 8(4): 205-212

[8]張曉芳, 俞信, 閻吉祥, 等. 近紅外反射技術(shù)開放式檢測(cè)棉籽中水分和油含量的研究[J]. 光譜學(xué)與光譜分析， 2007(3): 473-476

[9]陸婉珍. 近紅外光譜儀器[M]. 北京: 化學(xué)工業(yè)出版社, 2009: 162-168.