玫瑰香葡萄貯藏期間糖酸品質的近紅外檢測*

陳辰，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)

玫瑰香葡萄(Vitis vinifera L.Muscat Hamburg)又名麝香葡萄，風味獨特、糖酸比較高，深受消費者的歡迎。但由于其果粒皮薄且含水、含糖量高，采后生命力仍較活躍，貯藏過程中極易發生品質劣變，降低其商品價值。

適當的含糖量、含酸量是衡量水果鮮食品質的重要指標。傳統的糖酸測定方法需要破壞樣品取汁液測試，耗時長、消耗試劑多、準確性低。可見/近紅外無損檢測是利用樣品對光的特定吸收、反射、透射而進行定量、定性分析的高新檢測技術，具有簡便快速、無破壞性、節約試劑等優點。利用此項技術對果蔬可溶性固形物、總酸含量的檢測在國內外已有研究。Kawano等［1］應用近紅外與光纖維交叉模式分析桃的糖度，發現近紅外光譜和果實的糖度有較強相關性。張鵬等［2］研究了可見/近紅外漫反射光譜技術對磨盤柿子可溶性固形物的快速檢測，結果表明方法具有可行性。章海亮等［3］采用主成分回歸和偏最小二乘法建立了贛南臍橙可溶性固形物和總酸含量的定量預測模型。吳桂芳等［4］應用可見/近紅外光譜技術測定葡萄漿果糖度，并建立MPLS與BP神經網絡相結合的數據分析模型對葡萄漿果糖度進行預測。隨著市場對鮮食葡萄品質要求的逐漸提高及葡萄保鮮技術的發展，針對葡萄采后品質的快速、無損檢測技術研究已成為果蔬保鮮領域的重要研究課題之一。

目前，應用近紅外漫反射技術對葡萄的檢測多集中于品種鑒別及檢測釀酒葡萄的可溶性固形物等，針對貯藏葡萄品質及鮮食葡萄品質的報道較少［5］。因此，本文結合我國葡萄物流主要模式，以0℃和10℃貯藏的玫瑰香葡萄為試驗材料，測定果實的可見/近紅外漫反射光譜，以改進偏最小二乘法(MPLS)建立不同貯藏溫度玫瑰香葡萄SSC、TA檢測模型及混合溫度模型，討論不同光譜預處理方法以及單側采集光譜與雙側取平均光譜對建模效果的影響。

1 材料與方法

1.1 試材處理

玫瑰香葡萄:2014年9月17日采于天津市茶淀鎮，果實成熟度約八成、無病蟲害、無機械傷，采收當天運至實驗室，預冷24 h后稱重、標記、分裝入厚度0.02 mm的葡萄專用膜包裝袋，分別于(0±0.5)℃冷庫、(10±1)℃冷庫貯藏。10℃冷藏樣品每3天、0℃冷藏樣品每8天測定1次，各測定6次，每次測定40個外觀均勻、代表性強的果粒。

每個溫度建模時選取不同冷藏天數的共200個果實，隨機分為定標集和驗證集，樣品數分別為150個和50個;此外將2個溫度下建模所用400個樣品混合后同樣以3∶1隨機分為定標集和驗證集。

1.2 近紅外漫反射光譜的采集

試驗儀器NIRS DS2500近紅外漫反射光譜儀(丹麥Foss公司)，集成全息光柵分光系統，配備硅(400～1 100 nm)和硫化鉛(1 100～2 500 nm)檢測器，掃描波長范圍為400～2 500 nm，掃描方式為單波長、快速掃描，掃描次數32次。內置Nova分析軟件和WinISI4定標軟件。測試前，將葡萄果粒在常溫下平衡4 h后，在每個果實一側赤道附近光滑部位避開表面缺陷(如傷疤、污點等)畫出直徑約1 cm的圈，進行標記并排序，于近紅外漫反射光譜儀Slurry Cup上分別對畫圈一側及相對一側進行光譜采集，雙側采樣用于建立平均光譜模型。

1.3 糖酸指標的測定

以SSC、TA為指標，將采集光譜后的葡萄擠汁、過濾后滴于PAL-1數字手持折光儀(日本Atago公司)測定 SSC(°Brix)，同時滴于 BRIX-ACIDITY METER(GMK-706R)糖酸測定儀(韓國G-WON公司)測定TA(%)，重復3次取平均值。

1.4 模型的建立與驗證

使用WinISI4軟件對原始光譜進行濾波和平滑處理，以去除噪聲對模型精確度的影響。分別將0、10℃貯藏樣本及混合后樣本剔除異常光譜后，以3∶1隨機分成定標集和驗證集，定標集樣品應用MPLS結合不同的光譜預處理建立定標模型，驗證集樣品用于驗證和評價定標模型的預測性能［6］。定標模型評價指標為交互驗證決定系數(RCV2)和交互驗證誤差(SECV)，越高，SECV越小，表明近紅外光譜分析值與實測值的相關性越高，即模型質量較高。確定了最優的預處理方法后，應用其建立不同貯溫玫瑰香葡萄SSC、TA定標模型以及可同時預測混合溫度樣本SSC、TA的綜合模型，利用驗證集驗證模型，驗證標準差(SEP)越小、預測值與化學值決定系數()越高，殘差分布均勻、殘差和越小，預測效果越好。同時，外部相對分析誤差RPD(RPD=SD/SEP)在2～2.5之間，可進行定量分析，當RPD值大于2.5或3.0以上時，說明所建模型具有很好的預測效果。

2 結果與分析

2.1 葡萄果實糖酸測定值分布特征

葡萄為非呼吸躍變型水果，貯藏期間SSC為正常生理代謝提供能量，有機酸在生理變化中可能轉化為其他物質，因而均呈逐漸下降趨勢［7］。本實驗建模定標集和驗證集樣品SSC、TA測定值的變幅范圍、均值和標準偏差見表1。

表1 定標集和驗證集樣品測定值的分布特征Table 1 Characteristics of values in calibration and validation

由表1可見，本試驗所測樣本的SSC、TA值梯度均勻、分布范圍較廣，可以代表整個貯藏期品質變化，且驗證集的樣本測定含量都在定標集范圍內。因此，所選樣品可以用于建立近紅外檢測模型。

2.2 單側光譜與平均光譜的比較

雙側采集光譜后通過WinISI4軟件得到的整個果粒平均光譜及畫圈一側采集到的單側光譜，如圖1所示。

有研究表明，樣品采集光譜的部位對近紅外檢測結果有一定的影響［8］。蔡宋宋等［9］建立了常溫蘋果的近紅外光譜無損檢測模型，結果表明，陽面2點和陰面2點光譜混合后平均所得光譜建立模型的預測精度最高。由于葡萄生長過程中果穗逐漸豐滿，外圍果粒向陽面與內側面果皮、果肉成分積累有所差別，且不同物質組分對不同頻率近紅外光吸收、透射、反射有選擇性，漫反射光波穿透力低于透射光波，多次反射受介質性狀影響較大，因此，利用可見/近紅外光的漫反射在果實不同部位采集的光譜信息差異較大，取雙側采集光譜求其平均光譜可以更好地表征樣品信息，同時降低環境、操作及儀器誤差。樣品單側采集的2條原始光譜和其平均光譜如圖1所示，以波長1 450.0 nm為例，通過軟件標尺得到2條單側光譜吸光度分別為0.894 9、0.877 1，差異0.017 8，平均光譜吸光度為0.886 0。全光譜范圍內數據信息節點數量龐大，單側光譜的差異累積隨之變大，對應整果SSC、TA有片面性。以10℃樣品單側光譜建立SSC值的 MPLS定標模型，SECV為 0.638 4，為0.730 5，應用平均光譜建模 SECV為0.620 5為0.733 9。可見，平均光譜建模效果明顯優于單側光譜，本試驗選取平均光譜建立模型。

圖1 葡萄果實單側光譜與平均光譜圖Fig.1 Unilateral and average absorption spectrogram of grapes

圖2為所有參與建模的400個樣品的平均光譜圖。由圖2可見，光譜變化趨勢基本一致，在波長680、978.5、1 181和2 142 nm處有明顯的吸收峰。根據WinISI4軟件分析，處于680 nm處的吸收主要是可見光區的電子振動;978.5 nm處吸收峰是O－H的二倍頻吸收，主要由水分引起，這說明水分含量對近紅外光譜影響很大;1 181、2 142 nm附近處主要是－C－H、－CH2鍵的伸縮引起的吸收，是可溶性固形物、有機酸等的特征基團［10］。

2.3 不同光譜預處理方法的選擇

偏最小二乘法(PLS)是建立定量模型的常用方法之一，相對于PLS法，改進偏最小二乘法(MPLS)由于能增強模型提取有效光譜的能力、優化因子數，故應用越來越廣泛。本文采用MPLS法研究不同導數處理與不同散射和標準化方法相結合的SSC、TA定標模型。高頻隨機噪聲是近紅外光譜采集中不可避免的誤差來源，為盡可能削弱其影響，提高信噪比，需要對光譜數據進行一定的預處理。針對不同樣本或指標，不同方法能體現出各自的優勢，經過試驗和驗證可以確定最適宜的預處理組合，改善建模效果。

圖2 玫瑰香葡萄原始吸收光譜圖Fig.2 Original absorption spectrogram of the Muscat grape

本研究在全光譜范圍內比較了原始光譜(Log(1/R))、一階導數光譜(D1 Log(1/R))、二階導數光譜(D2 Log(1/R))結合標準正常化處理與去散射處理(SNV+Detrend)、標準正常化(SNV only)、去散射處理(Detrend only)、標準多元離散校正(SMSC)、加權多元離散校正(WMSC)、反相多元離散校正(IMSC)處理后的10、0℃定標模型的SECV和RCV2，結果見表 2。

由表2可見，10、0℃樣品SSC定標模型采用MPLS、D1 Log(1/R)、IMSC相結合的光譜預處理方法效果較好，其SECV分別為0.241 8、0.372 6，為0.960 9、0.940 7;10℃樣品TA同樣適宜采用該法，其SECV為0.016 2，RCV2為0.898 1;0℃樣品TA效果最好的建模方法為D1 Log(1/R)與SNV only相結合，SECV 為0.018 9，RCV2為0.879 1。多元離散校正是較常用的光譜預處理方法，反相多元離散校正(IMSC)是多元離散校正的衍生，其假定了光譜陣中的全部樣品對不同頻率的光波有相同的散射系數，通過單條光譜的反相移動、旋轉，盡可能將其與平均光譜進行擬合，趨向于典型的線性關系。標準正常化(SNV)與IMSC作用基本類似，認為光譜在不同波長數據點的吸光度符合一定分布規律，用原始光譜與校正后的光譜差除以標準差，可以較好地消除類內距離，削減誤差。由于樣品光譜基線漂移的影響較大，采用Log(1/R)和D2 Log(1/R)處理效果均不理想，一階導數處理更有效地消除了背景噪聲的干擾，銳化扁平峰，區分重疊峰，提升了分辨能力和靈敏性［11］。但導數處理在去除低頻基線時，也使高頻噪音被放大，需要結合平滑和其他預處理。0℃冷藏后的葡萄建模效果比10℃的稍差，原因可能是隨貯藏期延長，主要含氫成分如水、有機酸、糖類物質等受低溫影響，含量和結構都有較大變化，雖然測定溫度相同但內部品質改變不可逆轉，造成光譜擬合度較差。

表2 不同光譜預處理的定標結果Table 2 Statistical results of models constructed by different pretreatment

得到最優預處理方法組合后，利用其建立全部樣品的SSC、TA綜合定標模型，應用MPLS結合D1 Log(1/R)、IMSC處理的SSC模型SECV為0.465 8，R2CV為0.920 5。比較MPLS結合D1 Log(1/R)、IMSC處理與D1 Log(1/R)與SNV only處理的TA模型，其SECV 分別為 0.020 7、0.021 1，RCV2為0.831 2、0.827 0。可見，應用D1 Log(1/R)結合IMSC預處理可以建立同時預測糖酸品質的綜合模型。綜合模型與單一溫度、單一指標模型相比較，SECV高、R2CV低，模型效果較差。

2.4 不同貯藏溫度模型及綜合模型的預測評價

為了驗證定標模型的可靠性與準確性，分別用各自最優定標模型對10、0℃貯藏樣品及綜合模型驗證集果實SSC、TA光譜進行分析，預測結果如表3所示。可見，10、0℃模型預測標準差均較低，預測值和實測值相關性較好，殘差和較低，模型較穩定，均可以起到很好的預測效果，其中SSC模型RPD達到4以上，預測效果最優，TA模型精度有待提高。綜合模型預測準確度較單一溫度較低，其TA模型只能起到粗略預測的作用，模型泛化性不強。

以指標的模型預測值和實測值作圖直觀體現其相關性，結果如圖3～圖5所示。

綜合模型樣本變化覆蓋范圍大，適用范圍寬，可在相同的預處理條件下同時對SSC、TA進行檢測，但其定標建模效果和分析預測的精度均變差。原因可能是綜合模型樣本容量大，包含奇異點也較多;樣本SSC、TA分布相對于單一溫度模型樣本均勻性較差;模型同時預測SSC、TA，功能上的擴展帶來了精度的相對損失。因此，貯藏溫度對玫瑰香葡萄貯藏期間糖酸品質模型有一定影響，相同貯溫模型在解決樣本指標變化基本呈線性的問題時較有優勢，而通過樣本補充或擬合方法的改進進一步提高綜合模型精度，對近紅外糖酸檢測模型適用性會有很大提高。

表3 不同貯藏溫度模型及綜合模型的預測結果Table 3 Prediction results of different storage temperature models and comprehensive model

圖3 10℃貯藏葡萄SSC、TA實測值與預測值的相關性Fig.3 Correlation between predicted SSC，TA values and actual values of grapes stored in 10℃

圖4 0℃貯藏葡萄SSC、TA實測值與預測值的相關性Fig.4 Correlation between predicted SSC，TA values and actual values of grapes stored in 0℃

圖5 綜合模型SSC、TA實測值與預測值的相關性Fig.5 Correlation between predicted SSC，TA values and actual values of grapes in comprehensive model

3 結論

利用可見/近紅外光譜技術建立葡萄糖酸品質檢測模型時采用平均光譜效果優于單側光譜;MPLS結合D1 Log(1/R)、IMSC建立10℃貯藏葡萄的SSC、TA定標模型效果最好;0℃貯藏葡萄的SSC同樣適用于MPLS結合D1 Log(1/R)、IMSC模型，而TA則為D1 Log(1/R)、SNV only相結合的方法具有較好的預測效果。以最優光譜預處理方法建立2個貯藏溫度混合樣品SSC、TA綜合模型定標及預測效果較單一溫度模型的差。

綜上所述，利用可見/近紅外漫反射技術對貯藏玫瑰香葡萄果實糖酸品質的快速無損檢測具有可行性，單一貯藏溫度模型精度較高，建立預測性能及通用性均較強的綜合模型仍需要進一步試驗和研究。

［1］ Kawano S.Present condition of nondestructive quality evaluation of fruits and vegetables in Japan［J］.Japan Agricultural Research Quarterly，1992(28):212 －216.

［2］ 張鵬，李江闊，孟憲軍，等.磨盤柿可溶性固形物的可見/近紅外漫反射光譜無損檢測［J］.食品科學，2011，32(6):191－194.

［3］ 章海亮，孫旭東，郝勇，等.近紅外漫反射無損檢測贛南臍橙中可溶性固形物和總酸［J］.食品科學，2011，32(6):151－154.

［4］ 吳桂芳，黃凌霞，何勇.葡萄漿果糖度可見/近紅外光譜檢測的研究［J］.光譜學與光譜分析，2008，28(9):2 090－2 093.

［5］ 徐洪宇，張京芳，侯力璇，等.基于FT-NIR光譜技術檢測釀酒葡萄中可溶性固形物含量［J］.中國食品學報，2013，13(11):153 －159.

［6］ 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.

［7］ 李志文，張平，王罡，等.1-MCP處理對乍娜葡萄常溫貨架期保鮮效果的研究［J］.保鮮與加工，2012，12(3):6－10.

［8］ Wulfert F，Kok W T，Smilde A K.Influence of temperature on vibrational spectra and consequences for the predictive ability of multi-variate models［J］.Analytical Chemistry，1998，70(9):1 761 －1 767.

［9］ 蔡宋宋，王寶剛，馮曉元，等.測試部位、溫度對蘋果品質近紅外分析準確度的影響［J］.食品科學，2009，30(4):217－220.

［10］ XU Hui-rong，QI Bing，SUN Tong，et al.Variable selection in visible and near-infrared spectra:Application to on-line determination of sugar content in pears［J］.Journal of Food Engineering，2012，109(1):142 －147.

［11］ 王丹，魯曉翔，張鵬，等.近紅外光譜檢測不同貯藏期磨盤柿的內部品質［J］.光譜實驗室，2013，30(6):2 769－2 774.