冷藏櫻桃內部品質的近紅外漫反射光譜檢測*

羅楓，魯曉翔，張鵬，陳紹慧，李江闊

1(天津商業大學生物技術與食品科學學院，天津市食品生物技術重點實驗室，天津，300134)2(國家農產品保鮮工程技術研究中心，天津市農產品采后生理與貯藏保鮮重點實驗室，天津，300384)

櫻桃是薔薇科植物，其味甘甜而微酸，并具有益氣、健脾、祛風濕的功效［1］。櫻桃中富含豐富的糖與酸性物質，糖酸比是決定櫻桃口味的重要指標。櫻桃在成熟的過程中，糖跟酸性物質會不斷發生轉變，使果品在不同時期具有不同的風味與質地。另一方面，由于櫻桃成熟的時間正值夏季(5～7月)，櫻桃本身也屬于易腐水果，導致其在冷藏過程中很容易出現品質下降、果皮破損、果肉軟爛等現象，影響了其商品價值，限制了櫻桃的儲運和銷售。因此，對櫻桃冷藏過程中TSS、TA、TSS/TA含量變化的跟蹤檢測，對果品品質的評價具有現實意義［2］。

目前，對水果內部品質的評價傳統方法主要是感官評價和破壞性檢驗的方法，這些方法都無法滿足果品品質的快速分級，篩選的需求［3］。近紅外光譜(near infrared spectroscopy，NIRS)光譜區與物質有機分子中含氫基團(OH、NH、CH)振動的合頻和各級倍頻的吸收區一致，通過掃描樣品的近紅外光譜，可以得到樣品中有機分子含氫基團的特征信息，從而可以精準的對物質內部品質進行高效檢測;此外，利用近紅外光譜技術分析樣品還具有方便、快速、高效、準確和成本較低，不破壞樣品，不污染環境等優點，因此該技術受到越來越多人的青睞［4］。

近年來，已有利用近紅外漫反射無損檢測水果品質的研究。孫炳新等［5］應用近紅外光譜技術對蘋果中有效酸度的研究，結果表明建立的有效酸度模型性能較穩定，可以滿足實際應用需要。郭衛東等［6］利用近紅外漫反射光譜檢測櫻桃中的甜度，結果表明NIRS可以高效無損的對櫻桃含糖量進行測定。胡潤文等［7］應用近紅外光譜檢測臍橙糖酸比，結果說明該模型可以精準預測其糖酸比。但有關櫻桃利用近紅外建模等問題的報道較少，且尚未見到利用近紅外技術檢測櫻桃中TSS、TA、TSS/TA含量的報道。本文從最能體現櫻桃果實內部品質的這3個化學指標入手，利用近紅外漫反射技術對櫻桃進行無損檢測。

1 材料與方法

1.1 櫻桃樣品收集與原始光譜的采集

1.1.1 樣品收集

沙蜜豆櫻桃于2014年6月10日采自河北省山海關區石河鎮毛家溝村實驗基地，采收成熟度一致(約8成熟)的果實，采摘當天運至國家農產品保鮮工程技術研究中心實驗室［(20℃ ±1.5)℃］，進行如下處理:將櫻桃按3.5斤/袋裝入襯有50 μm厚PE保鮮膜的塑料框中，于冷庫［(0±0.5)℃］中預冷24 h后，扎口存放。

1.1.2 原始光譜的采集

測試前，將櫻桃置于室溫內，待與室溫平衡后，將果實表面凝結的水氣用紗布擦干，挑取其中無機械損傷、無病蟲害的果實，并將果實進行標號依次排列好后，進行近紅外光譜的掃描。實驗共取240個櫻桃，其中隨機抽取180個光譜數據作為校正集(calibration set)，60個作為預測集(validation set)。櫻桃原始光譜如圖1所示。

圖1 櫻桃原始光譜圖Fig.1 Original spectra of Cherry

1.2 樣品化學指標的測定

TSS的測定:采用PAL-1數字手持折光儀，用蒸餾水校正零點，將櫻桃果肉擠壓出汁，于折光棱鏡的鏡面上直接測量。每個櫻桃重復測量3次，求其平均值，作為最終TSS值。

TA的測定:采用brix-acidity meter(GMK-706R)糖酸儀進行測定，將櫻桃果實去核、去梗，用3層紗布擠壓過濾后，用濾液進行測定，每個果重復測定3次TA值，取其平均值作為最終TA值。

TSS/TA值的測定:將每個果對應TSS與TA值做比值，得到的數值即為糖酸比的值。

2 結果與分析

利用近紅外光譜進行某種成分含量預測時，關鍵是要在采集的樣本光譜和測得的成分含量之間建立相關模型。將實驗樣本分成校正集和預測集兩部分，進行處理。采用Nova分析軟件、校正軟件WinISI4建立光譜與 TSS、TA、TSS/TA含量之間的相關關系［8］。首先要考察化學值的適用范圍，即建立模型后的通用性;再找出最優的預處理方法對定標模型進行優化;用優化好的定標模型對預測集進行預測。對預測模型的定量評價是通過這3個化學指標的實測值與預測值的相關系數Rcv2、校正誤差(square error of calibration，SEC)及預測誤差(square error of validation，SEP)、預測值與真實值的殘差、殘差和等來進行的。一個好的模型應該具有較高的Rcv2值，較低的SEC和SEP值，SEC和SEP差異則越小越好。校正相對分析誤差RPD(RPD=SD/SECV)可用來檢驗模型的適用能力。當RPD在2～2.5之間，可進行粗略的定量分析，當RPD值大于2.5或3.0以上時，說明該模型具有很好的預測效果［9］。

2.1 剔除異常光譜

由于化學指標在測定真實值時會因為人員的操作、溫度、濕度以及光譜采集時可能會產生一些異常數據，這些異常樣品(outlier sample)會影響校正模型的建立，因而需要在樣品集中將這些樣品剔除。可采用預測濃度偏差、杠桿值、T檢驗、重構光譜殘差等的準則，進行異常樣品的逐個剔除［10］，本文隨機選取255個樣品，經過預測濃度偏差準則剔除后的總樣品集的樣品數為240。再按3∶1的比例，將這240個樣品隨機抽取180個作為定標集，60個作為預測。

2.2 櫻桃中TSS、TA、TSS/TA含量的標準值分布

將測得的TSS、TA、TSS/TA值作為參考指標，本實驗校正集和預測集的樣品數、變幅、均值和標準差如表1所示。

表1 校正集和預測集TSS、TA、TSS/TA含量分析結果Table 1 Calibration set and prediction set TSS、TA and TSS/TA content analysis results

本實驗數據是櫻桃經預冷后的第1天起直至低溫［(0±0.5)℃］存放55d的整個過程中，隨機抽取255個櫻桃進行測定得到的。針對每個櫻桃分別進行TSS、TA值的測定，再求得TSS與TA的比值作為TSS/TA的值，經過剔除數據最終得到240個樣品數據。在冷藏的過程中，原本8成熟的櫻桃經歷了后熟過程，再到品質下降，所以每個參考指標的數據都具有代表性，更具有一定的范圍覆蓋性。從表1可見，3個指標預測集的變幅包含在其定標集變幅內，說明選取的TSS、TA、TSS/TA參考指標數據可以用來進行近紅外漫反射對櫻桃品質無損檢測的模型建立。

2.3 預處理方法、光譜波段選擇對建模的影響

選出合適的光譜預處理方法，能很好的過濾高頻隨機噪聲、提高信噪比，消除由于樣本不均導致的基線飄移的干擾［11］。光譜預處理的方法通常有，導數、平滑、扣減、歸一化、標準化等［12］。定標模型的數據回歸技術主要有，主成分回歸(principal component regression，PCR)、偏最小二乘法(partial least squares，PLS)、改進偏最小二乘法(modified partial least squares，MPLS)等［13］。應用原一階微分光譜、二階微分光譜的方法解決基線校正的問題，其中一階微分主要解決基線偏移，二階微分主要解決基線漂移［14］。

本研究主要從MPLS和PLS的2種算法出發與不同散射和標準化方法相結合的方式進行預處理的分析討論。一階微分光譜、二階微分光譜、原始光譜(None)、標準正常處理(standard normal variate，SNV only)、去離散處理(SNV and D)、標準多元散射校正(standard multiple scatter correction，SMSC)、加權多元散射校正(weighted multiple scatter correction，WMSC)、散射處理(Detrend，D only)等。櫻桃 TSS、TA、TSS/TA模型在不同預處理下的建模結果見表2所示。表3是3個模型的最優預處理在全光譜區域和分段光譜下分別建模，以及相應的檢測方式、最佳主成分數以及模型評價。

表2 櫻桃TSS、TA、TSS/TA模型在不同預處理下的校正模型Table 2 Cherry TSS、TA、TSS/TA calibration models of the model under different pretreatment

表3 櫻桃分段建模結果Table 3 Calibration results for cherry in different segements

研究結果表明，3個模型都是一階微分處理優于二階微分處理，全光譜區域優于分段光譜區域，得到定標模型的相關系數Rcv2值較大，校正標準偏差SEC較小。TSS與TSS/TA模型均是MPLS算法優于PLS算法，基于此算法基礎上結合SNV and D對校正模型進行處理;TA模型是選用PLS算法結合SMSC處理的方法，該法可以得到最優預測模型。經處理后，均使得各自模型很好的實現了減小 SEC，提高Rcv2。由此得到，櫻桃TSS、TA、TSS/TA模型在最優預處理下，SEC和 Rcv2分別為:0.432 9和0.945 1;0.037 5和0.861 7;0.576 1和0.928 7。因此，本文采用最優預處理方法下的校正模型對未知樣品進行預測。

圖2是經過一階微分處理后的光譜圖，可以很好的說明經過預處理后的光譜圖達到了預期效果。

2.4 模型的建立

TSS、TA、TSS/TA 3個模型經校正優化后得到的定量校正集的真實值與預測值之間的關系圖分別如圖3～圖5所示，可以看出櫻桃NIR光譜與這3個指標之間具備良好的相關關系。

圖2 櫻桃一階微分光譜圖Fig.2 2nd spectra of Cherry

圖3 TSS校正集中真實值與預測值關系圖Fig.3 The TSS correction concentration diagram true values and predicted values

圖4 TA校正集中真實值與預測值關系圖Fig.4 The TA correction concentration diagram true values and predicted values

圖5 TSS/TA校正集中真實值與預測值關系圖Fig.5 The TSS/TA correction concentration diagram true values and predicted values

2.5 校正模型的預測評價

為了檢驗校正模型的適用性與可靠性，實驗用預處理后3個最優的定標模型對60個未知櫻桃的TSS、TA、TSS/TA含量分別進行定量預測、和殘差分布的分析，結果如圖6～圖11所示。

圖6 TSS實測值與預測值之間的相關性Fig.6 The correlation between the measured and predicted values of TSS

圖7 TSS 60個預測樣品殘差分布圖Fig.7 Residual error distribution for 60 prediction samples of TSS

圖8 TA實測值與預測值之間的相關性Fig.8 The correlation between the measured and predicted values of TA

圖9 TA 60個預測樣品殘差分布圖Fig.9 Residual error distribution for 60 prediction samples of TA

圖10 TSS/TA實測值與預測值之間的相關性Fig.10 The correlation between the measured and predicted values of TSS/TA

圖11 TSS/TA60個預測樣品殘差分析圖Fig.11 Residual error distribution for 60 prediction samples of TSS/TA

由圖6、圖8、圖10可見，本實驗建立的櫻桃TSS、TA、TSS/TA模型分別對60個預測集樣品的真實值和預測值比較相近，從圖7、圖9、圖11可以看出，3個殘差均在y=0上下均勻波動，TSS、TA、TSS/TA預測樣品殘差和分別為 －1.838，0.519，3.411。TSS、TA、TSS/TA 模型預測標準誤差 SEP、Rp2和相對分析誤差RPD分別為0.442 5，0.924 7，3.9;0.040 1，0.858 6，3.7;0.753 6，0.910 8，2.7。綜上所述，通過對SEP、Rp2、殘差、殘差分布情況的分析表明，所建立的3個模型比較穩定，可以達到實際應用的要求，NIRS對櫻桃中TSS、TA、TSS/TA含量的高效、快速的無損檢測是可行的。

3 結論

本文應用NIRS檢測技術，采用波長在408.8～2 492.8 nm范圍，對冷藏過程中櫻桃 TSS、TA、TSS/TA含量進行無損檢測，構建了關于這三者的定量模型，從而評價櫻桃內部品質。通過對建立模型的Rcv2、SEP、殘差分布、殘差之和等指標的分析可知，建立的櫻桃TSS、TA、TSS/TA模型預測性強，適用效果好，穩定性較高。3個模型的預處理都是一階微分優于二階微分，說明可能是優于3個模型基線偏移問題比較顯著，使得經過一階微分處理后的效果優于二階微分。TSS、TSS/TA最佳預處理都是MPLS算法下的去離散處理(SNV and D)。TA模型的最佳預處理是PLS算法下的標準多元散射校正(SMSC)處理。TSS、TA、TSS/TA模型預測相關系數分別是:0.924 7，0.858 6，0.910 8。

綜上分析，說明應用NIRS檢測冷藏過程中櫻桃TSS、TA、TSS/TA含量是可以實現的，并能夠很好的對其進行定量分析，并對櫻桃內部品質進行評價。

［1］ 張宗坤，張超杰，劉萬好.淺述大櫻桃冷藏保鮮技術［J］.煙臺果樹，2006(1):17－19.

［2］ 孫炳新，匡立學，徐方旭，等.蘋果有效酸度的近紅外無損檢測研究［J］.食品工業科技，2013，34(15):298－301.

［3］ LIU Y，SUN X，Ouyang A.Nondestructive measurement of soluble solid content of navel orange fruit by visible–NIR spectrometric technique with PLSR and PCA-BPNN［J］.LWT-Food Science and Technology，2010，43(4):602－607.

［4］ 李慧，曾銘，要磊，等.近紅外光譜技術在食品檢測中的應用研究進展［J］.食品工業，2012(12):85－88.

［5］ 孫炳新，匡立學，徐方旭，等.蘋果有效酸度的近紅外無損檢測研究［J］.食品工業科技，2013，34(15):298－301.

［6］ 郭衛東，倪開誠，孫旭東，等.基于CWT和GRNN的可見-近紅外漫反恁光譜檢測櫻桃糖度的研究［J］.食品科學，2009(12):140－143.

［7］ 胡潤文，高海洲，夏俊芳.臍橙糖酸比的近紅外光譜檢測［J］.湖北農業科學，2011，50(13):2753－2756.

［8］ 馬廣，傅霞萍，周瑩，等.大白桃糖度的近紅外漫反射光譜無損檢測試驗研究［J］.光譜學與光譜分析，2007，27(5):907－910.

［9］ 王丹，魯曉翔，張鵬，等.近紅外無損檢測甜柿果實質地和品質［J］.食品工業科技，2013，34(24):53－56.

［10］ 祝詩平，王一鳴，張小超，等.近紅外光譜建模異常樣品剔除準則與方法［J］.農業機械學報，2004，35(4):115－119.

［11］ 岳絨，郭文川，劉卉.近紅外漫反射光譜檢測損傷獼猴桃的內部品質［J］.食品科學，2011，32(10):141－144.

［12］ 王姍姍，孫紅男，陳健，等.基于近紅外光譜技術檢測藍莓可溶性固形物含量［J］.食品工業科技，2012(1):340－341.

［13］ Wan B，Small G W.Wavelet analysis used for spectral background removal in the determination of glucose from near-infrared single-beam spectra［J］.Analytica chimica acta，2010，681(1):63－70.

［14］ Magwaza L S，Opara U L，Nieuwoudt H，et al.NIR spectroscopy applications for internal and external quality analysis of citrus fruit—a review［J］.Food and Bioprocess Technology，2012，5(2):425－444.