紅提葡萄VC含量的可見/近紅外檢測模型

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 300134；2.天津市食品生物技術重點實驗室，天津 300134；3.國家農產品保鮮工程技術研究中心，天津 300134；4.天津市農產品采后生理與貯藏保鮮重點實驗室，天津 300384）

葡萄（grapes）為葡萄科（vitaceac）、葡萄屬（Vitis）落葉藤本植物，是世界范圍內栽培廣泛、產量較大、市場占有率高的水果之一。紅提葡萄又名紅地球、晚紅等，歐亞種，原產美國，1987年引入中國，在長江流域以北各地均有廣泛栽培，含有豐富的糖、有機酸、蛋白質、維生素、礦物質等營養物質，平均單粒重約10g，紅色或紫紅色，甜酸適口、質地堅實較脆，硬度大［1］。由于葡萄果粒皮薄多汁，含水量、含糖量均高，采后生命力仍比較活躍，貯藏、運輸、銷售期間很容易發生硬度衰減、腐爛變質、落粒、干梗等現象，大大降低了商品價值［2］。隨著消費市場對鮮食葡萄品質要求的逐漸提高及葡萄保鮮技術的迅速發展，針對葡萄在采后貯、運、銷物流過程中品質的快速、無損檢測技術研究已成為果蔬產業領域的重要課題。

Vc是廣泛存在于果蔬中的一種水溶性維生素，它既是人體必需的營養素，又是反映果蔬品質的重要指標之一。傳統的VC測定方法如2，6－二氯靛酚滴定法、鉬藍比色法、2，4－二硝基苯肼法等，存在浪費資源，且耗時長、消耗試劑多、準確性低等缺點［3］。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、綠色無污染等優點［4，5］。近紅外光譜同時涵蓋樣品多種組分信息，利用該技術對果蔬可溶性固形物、總酸、VC含量、質地品質等的檢測在國內外已有廣泛研究［6－9］。劉燕德等［10］利用可見/近紅外漫反射技術，對南豐蜜桔的VC含量進行檢測，結果表明檢測具有可行性；夏俊芳等［11］應用小波變換將柑橘的近紅外光譜進行除噪，并利用消噪后的重構光譜對柑橘VC含量進行了偏最小二乘法交互驗證（PLC－CV），結果表明小波除噪后建立的近紅外光譜檢測模型可以準確地對柑橘VC含量進行定量預測。現有的近紅外光譜技術在葡萄品質檢測中的應用主要集中在品種鑒別、可溶性固形物、總酸等的定量預測，而針對葡萄VC含量的研究未見報道［12－15］。本試驗擬以紅提葡萄為試材，采集葡萄果粒的可見/近紅外漫反射光譜，探討在不同特征波長區間內，以MPLS、PLS兩種化學計量學方法結合不同光譜預處理，建立紅提葡萄VC含量檢測模型，在以上相關研究［6－15］的基礎上考察近紅外光譜對葡萄果實品質檢測的適用性、拓寬波長范圍、豐富處理方法、提高檢測性能，以期為紅提葡萄物流中品質的快速檢測提供新的方法。

1 材料與方法

1.1 試驗材料、主要試劑及儀器設備

葡萄：紅提，河北省張家口市涿鹿縣葡萄基地；

草酸、乙二胺四乙酸、偏磷酸、鉬酸銨：分析純，天津市風船化學試劑科技有限公司；

近紅外漫反射光譜儀：NIRS DS2500型，丹麥FOSS公司；

紫外可見分光光度計：TU－1810型，北京普析通用儀器有限責任公司。

1.2 試材處理

紅提葡萄于2014年9月19日采收于河北省張家口市涿鹿縣，成熟度約八成，采收時整穗剪下，盡量避免機械傷害，當天運回實驗室，挑揀去病蟲害果、壞果、落粒，預冷24h后稱重、標記、分裝入厚度0.02mm的葡萄專用膜包裝袋內，于（10±1）℃冷庫貯藏15d，期間每間隔3d取樣測定一次。建模共選取400顆果粒，每2顆為一組，掃描光譜后測定VC含量并將2顆果粒的光譜求平均，以3∶1隨機分為定標集和預測集。

1.3 光譜采集

使用近紅外漫反射光譜儀采集光譜。配備全息光柵分光系統和硅（400～1 100nm）和硫化鉛（1 100～2 500nm）兩種檢測器。掃描方式為單波長、快速掃描，掃描次數32次，全光譜范圍為400～2 500nm。內置Nova分析軟件及 WinISI4定標軟件。試驗前，將葡萄果粒在常溫下平衡8h后，在每顆果實一側取光滑部位避開表面缺陷（如傷疤、污點等）畫出直徑約1cm的圓圈作為采光部位，標記排序后于近紅外漫反射光譜儀Slurry Cup上采集光譜。

1.4 Vc含量測定

將采集光譜后的葡萄果粒每2顆一組，制成勻漿，采用鉬藍比色法［16］測定Vc含量，單位為mg/100g。

1.5 建模及驗證方法

將外部因素造成的異常光譜和測定值顯著異常樣品剔除后，將樣品以3∶1隨機分成定標集和預測集兩部分。定標集樣品應用不同化學計量學方法結合不同的光譜預處理建立光譜圖和數據測定值之間的對應映射關系，即定標模型；預測集樣品用于驗證和評價定標模型的預測性能［17］。定標模型的評價指標為交互驗證相關系數（）和交互驗證標準差（SECV），相關系數越高，誤差越小，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。確定最優建模方法后，應用其建立紅提葡萄VC含量定標模型，利用預測集驗證模型，預測標準差（SEP）越小、預測值與化學值相關系數（）越高，殘差分布均勻、預測殘差平方和（PRESS）越小，預測效果越好。同時，預測相對分析誤差RPD（RPD＝SD/SEP，SD為預測集測定值標準差）在2.0～2.5，可進行粗略的定量分析，但精度有待提高，當RPD值在3.0以上時，說明模型穩定性較高、預測效果好［18］。

2 結果與分析

2.1 VC含量測定值的分布情況

葡萄果實定標集和預測集樣品的VC含量分布特征見表1。

表1 定標集和預測集樣品的VC含量測定值分布Table 1 Distribution of VCcontent in calibration set and prediction set

由表1可知，本試驗所選樣品的VC含量梯度均勻、分布范圍較廣，可以代表整個貯藏期內VC含量變化，且預測集樣品的VC含量變化未超過定標集的含量范圍。所選樣品用于建立模型具有一定的代表性。

2.2 紅提葡萄果實近紅外掃描原始光譜

圖1為貯藏15d期間紅提葡萄的可見/近紅外漫反射原始光譜圖，剔除6條明顯異常的光譜后，各條光譜變化趨勢基本一致，譜帶寬度適中。在波長672，988，1 186，1 435，1 903，2 213nm處均有明顯吸收峰。根據Nova軟件分析及文獻［19～22］，低于700nm主要是可見光吸收；988nm及1 186nm屬于分子振動的三級倍頻吸收帶；1 435nm是二級倍頻吸收帶，吸收峰主要是水分引起的；1 903nm屬于一級倍頻吸收帶，主要為C—H、—CH2鍵的伸縮、卷曲、折疊等變化；高于2 000nm為合頻吸收帶。

圖1 紅提葡萄原始吸收光譜圖Figure 1 Original absorption spectrogram of red globe grape

2.3 化學計量學建模方法的選擇

本試驗應用偏最小二乘法（partial least squares，PLS）、改進偏最小二乘法（MPLS）分別在全光譜范圍內建立Vc含量的定標模型，結果見表2。

表2 MPLS、PLS方法定標結果Table 2 Calibrating results of MPLS，PLS

由表2可知，MPLS的為0.885 4，高于PLS的值。MPLS是在PLS法的基礎上進行窗口平移等處理，其提取有效光譜信息的能力較強，對因變量的解釋性強［23－25］，在本試驗中較為適用。

2.4 光譜預處理方法的選擇

以MPLS法為基礎，探討選擇結合不同光譜預處理方法建立定標模型的SECV和，以得到最適宜的建模方案。試驗比較了原始光譜［lg（1/R）］、一階導數處理光譜［1stD lg（1/R）］、二階導數處理光譜［2ndD lg（1/R）］，結合標準正常化處理（SNV only）、去線性分量處理（detrend only）、標準正常化加去線性分量處理（SNV＋detrend）、標準多元離散校正處理（standard MSC，SMSC）、加權多元離散校正處理（weighted MSC，WMSC）、反相多元離散校正（invert MSC，IMSC）的定標效果［26］，結果見表3。用于建模的樣本數為經預處理后進行T值檢驗，剔除光譜預測值與化學測定值差異大于定標誤差2.5倍的異常樣品后的剩余樣品。

由表3可知，在MPLS的基礎上，采用一階導數的光譜預處理方法效果最優，其SECV分別為0.056 7，0.912 5；其次是一階導數結合加權多元離散校正（WMSC）、一階導數結合標準正常化（SNV only）、標準多元離散校正（SMSC）。

圖2為預處理后的光譜圖。由圖2可知，導數處理可以減小峰寬，提高肩峰及精細結構的分辨率，消減基線偏移，而過多的處理可能使譜圖失真，丟失信息，因而一階導數相比二階導數更為適宜，有效避免了光譜的過擬合和失擬合，提高了定標精度。

表3 不同預處理定標結果Table 3 Calibrating results of different pretreatments

圖2 經一階導數處理后的光譜圖Figure 2 1st Derivative treated spectrogram

2.5 平滑算法的選擇

采取導數、去散射等預處理的同時，進行光譜平滑處理也可以消減高頻隨機噪聲對光譜的影響。本試驗通過采用WinISI4軟件進行Savitzky－Golay平滑，選取不同平滑點數（smooth）及處理間隔點數（gap），建模效果隨之變化，平滑過少擬合度可能不高，平滑過多可能使譜圖失真，丟失信息，造成過擬合，且平滑點數不得超過間隔點數［27］。因一階導數處理建模效果較好，故以大于0.9的一階導數結合不同預處理為基礎，討論不同平滑算法建立定標模型，結果見表4。綜合考慮以較少的平滑點數得到較高的相關系數以及方法的穩定性，選取一階導數結合加權多元離散校正（WMSC）為最優處理。

表4 不同平滑算法定標結果Table 4 Calibrating results of different smooth

2.6 特征波長區間的選擇

在獲得最優化學計量學方法和光譜預處理組合后，根據吸收光譜吸收峰的分布，將全波長光譜分為不同區，每個區間分別用 MPLS＋1stD lg（1/R）＋ Gap5，Smooth5＋ WMSC法建立定標模型，SECV和見表5。

表5 不同特征波長區間定標結果Table 5 Calibrating results of different effective wavelength intervals

由表5可知，全波長范圍內模型效果最好，1 108.0～2 072.8nm相關性僅次于全波長，1 108.0～1 472.8nm較好，而408.0～1 092.8nm最差，說明VC含量與二級倍頻、一級倍頻的近紅外漫反射有較強相關性，但范圍太窄，影響建模效果，全波長范圍增加了波數，可以提供更為全面的信息，因此選擇全波長光譜范圍408.0～2 492.8nm作為有效建模波長區域。

2.7 最優定標模型及其預測評價

經過上述討論，得到最優建模方法為MPLS＋1stD lg（1/R）＋ Gap5，Smooth5 ＋ WMSC法，波長選擇全光譜范圍。定標集測定值和最優近紅外模型分析值的相關性見圖3。

為了驗證定標模型的可靠性和準確性，用最優定標模型對預測集果實Vc含量進行分析，比較預測值和實測值的相關性，結果見圖4。

預測結果表明：預測決定系數為0.931 8，預測標準差SEP為0.050 0，預測相對分析誤差RPD為3.640 0，可見，模型預測標準差較低、預測值和實測值相關性較好。預測集殘差分布圖見圖5，殘差平方和PRESS為0.188 0，殘差分布均勻，均未超過±0.15，模型較穩定，可以得到很好的預測分析效果。

圖3 定標集化學方法測定值與近紅外光譜預測值的相關性Figure 3 Correlation between actual values and NIR predicted values of calibration set

圖4 預測集預測值與測定值的相關性Figure 4 Correlation between predicted values and actual values of prediction set

圖5 預測集殘差分布Figure 5 Residual distribution of prediction set

3 結論

Vc含量是判斷葡萄成熟度、營養價值、品質質量的重要指標。本研究應用可見/近紅外漫反射光譜技術對紅提葡萄果實Vc進行檢測，較為全面地討論了影響建模效果的不同方法組合，確定了建立模型的最適宜化學計量學方法為MPLS法，光譜預處理方法適用于間隔5點、5點平滑、一階導數結合加權多元離散校正處理，在全波長范圍內建模效果優于其他分段波長。最優模型的驗證結果顯示預測值與定標分析值相關性高，R2p達0.931 8，預測標準差SEP為0.050 0，殘差分布均勻。因此，建立紅提葡萄果實Vc的近紅外檢測模型是可行的，精度較高，此法將極大提高葡萄Vc含量檢測、判別的準確性，具有一定應用價值，在生產中仍需針對實際情況對模型進行修正，因此建立通用性強的檢測模型需要進一步研究與試驗。

1 梁麗雅，郝利平，閆師杰，等.紅地球、巨峰葡萄采后果實品質變化的研究［J］.食品科學，2002，23（11）：143～146.

2 李寧，關文強，段雙科.葡萄采后致腐病原菌鑒定及侵染規律［J］.保鮮與加工，2005，5（3）：37～39.

3 何保山，張長輝，左春艷，等.食品中維生素C含量檢測研究進展［J］.江西農業學報，2010，22（10）：111～114，117.

4 黃連玉，陳崇莉，羅寶芳，等.桂西地區7種常見水果維生素C含量的測定［J］.右江民族醫學院學報，2012，34（1）：14～15.

5 安泉鑫，陳莉，龐林江，等.近紅外光譜技術在食品中的應用進展［J］.食品與機械，2012，28（5）：239～242.

6 王敏，付蓉，趙秋菊，等.近紅外光譜技術在果蔬品質無損檢測中的應用［J］.中國農學通報，2010，26（5）：174～178.

7 Alamar M C，Bobelyn E，Lammertyn J，et al.Calibration transfer between NIR diode array and FT—NIR spectrophotometers for measuring soluble solids contents of apple［J］.Postharvest Biology and Technology，2007，45（1）：38～45.

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

9 吳晨，何建國，劉貴珊，等.基于近紅外高光譜成像技術的馬鈴薯干物質含量無損檢測［J］.食品與機械，2014，30（4）：133～136，150.

10 劉燕德，陳興苗，孫旭東.可見/近紅外漫反射光譜無損檢測南豐蜜桔維生素C的研究［J］.光譜學與光譜分析，2008，28（10）：2 318～2 320.

11 夏俊芳，李小昱，李培武，等.基于小波變換的柑橘維生素C含量近紅外光譜無損檢測方法［J］.農業工程學報，2007，23（6）：170～174.

12 劉燕德，周延睿，潘圓媛.基于最小二乘支持向量機的辣椒可溶性固形物和維生素C含量近紅外光譜檢測［J］.光學精密工程，2014，22（2）：281～288.

13 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.

14 魯偉奇，郭永洪.一種識別不同種類葡萄的無損檢測方法［J］.中國計量學院學報，2012，23（1）：20～24.

15 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.

16 李軍.鉬藍比色法測定還原型維生素C［J］.食品科學，2000，21（8）：42～45.

17 Fernando A Mendoza，Karen Cichy，Lu Ren－fu，et al.Evaluation of canning quality traits in black beans（Phaseolus vulgaris L.）by visible/near－infrared spectroscopy［J］.Food and Bioprocess Technology，2014，7（9）：2 666～2 678.

18 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.

19 Abdullah Iqbal，Sun Da－wen，Paul Allen.Prediction of moisture，color and pH in cooked，pre－sliced turkey hams by NIR hyperspectral imaging system［J］.Journal of Food Engineering，2013，117（1）：42～51.

20 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.

21 龐滂.近紅外定性定量模型的建立與應用［D］.西安：西北大學，2008.

22 李振慶，黃梅珍，倪一，等.改進偏最小二乘法在近紅外牛奶成分測量中的應用［J］.光學技術，2009，35（1）：70～73.

23 DoloresPérez－Marín，María－Teresa Sánchez，Patricia Paz，et al.Postharvest shelf－life discrimination of nectarines produced under different irrigation strategies using NIR－spectroscopy［J］.LWT－Food Science and Technology，2011，44（6）：1 405～1 414.

24 童莉，王欣，雯茜姆，等.葡萄貯藏過程中含糖量、維生素C、呼吸、膜透性的變化和耐貯性的關系［J］.種子，2008（10）：23～25.

25 Bureau S，Ruiz D，Reich M，et al.Rapid and non－destructive analysis of apricot fruit quality using FT－near－infrared spectroscopy［J］.Food Chemistry，2009，113（4）：1 323～1 328.

26 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.

27 郭婷婷，鄔文錦，蘇謙，等.近紅外玉米品種鑒別系統預處理和波長選擇方法［J］.農業機械學報，2009，40（S1）：87～92.