基于可見-近紅外漫反射光譜技術的葡萄貯藏期間可溶性固形物定量預測

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）

基于可見-近紅外漫反射光譜技術的葡萄貯藏期間可溶性固形物定量預測

陳 辰1，魯曉翔1,*，張 鵬2，陳紹慧2，李江闊2

（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）

利用可見-近紅外漫反射光譜技術，建立不同品種葡萄貯藏期間可溶性固形物含量定量預測的通用模型。以10 ℃貯藏的玫瑰香葡萄、馬奶葡萄、紅提葡萄的混合光譜為定標材料，探討不同化學計量學建模方法、不同光譜預處理方法、間隔點、平滑數以及不同特征波長區間選擇 對建模效果的影響及模型的品種適用性。結果顯示，采用改進偏最小二乘法，16 點平滑，間隔點數16 點，結合二階導數、去散射的處理方法，在波長范圍408～1 092.8 nm內建立的模型效果最優，其交互驗證誤差和交互驗證判定系數分別為0.308 7、0.980 2。由3 種葡萄混合組成的預測集對模型進行評價，預測標準差0.354、預測判定系數為0.980 8、驗證相對分析誤差為6.22、預測殘差平方和為7.993。模型對單一品種預測均達到0.94以上。因此，葡萄果實可溶性固形物含量的近紅外預測模型具有可行性，可同時適用于多種葡萄品種。

可見-近紅外漫反射光譜；葡萄；貯藏；可溶性固形物；預測模型

葡萄為葡萄科（Vitaceac）、葡萄屬（Vitis）落葉藤本植物，果實風味獨特、酸甜適口、營養價值高，深受消費者喜愛[1]。但由于葡萄果粒皮薄且含水、含糖量高，在采后貯運過程中極易發生品質劣變，使商品價值大大降低。隨著市場對葡萄品質要求的提高及葡萄保鮮技術的發展，針對葡萄采后品質的快速、無損檢測研究已成為果蔬保鮮領域的重要研究課題。

廣義的可溶性固形物含量（soluble solids content，SSC）是指樣品中所有可溶于水的物質含量，包括糖、酸、礦物質、維生素等，它是衡量水果食用品質的重要指標。傳統方法測定SSC需要破壞樣品取汁液測試，耗時長、消耗試劑多、準確性低[2]。可見-近紅外光譜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[3-5]。利用此技術對葡萄SSC的檢測國內外學者已有研究，但主要集中于釀酒品種或單一品種的SSC測定[6]。Juan等[7]建立了紅、白葡萄在成熟、釀酒過程中還原糖的近紅外光譜模型并驗證了模型預測性能。徐洪宇等[8]采用傅里葉變換近紅外光譜技術建立了49 種釀酒葡萄SSC的偏最小二乘（partial least squares，PLS）模型，預測相關系數Rp為0.961。吳桂芳等[9]應用可見-近紅外光譜技術建立改進偏最小二乘（modifi ed partial least squared，MPLS）與BP（backpro pagation）神經網絡相結合的葡萄漿果糖度預測模型，其校驗參數R2為0.908。呂剛等[10]以南方棚栽葡萄為材料，應用光譜技術實現了葡萄活體生長期的模型檢測，結果表明潛變量-支持向量機模型效果最佳。葡萄貯藏期間品質會發生較大變化，若應用生長期、成熟期或鮮食的模型則難以達到預測需要，而針對貯藏期的葡萄建模，樣品指標變化范圍更寬、適用性更強、應用價值較高。玫瑰香、馬奶、紅提3 種葡萄是我國常見的鮮食葡萄品種[11-12]，以期為試材建立不同品種通用的大樣本綜合模型兼顧了品種特異性和代表性，對拓展品質檢測方法的適用性具有實際意義。因此，本實驗采集這3 種葡萄果實的可見-近紅外漫反射光譜，較為全面地討論不同特征波長區間選擇、MPLS及PLS兩種化學計量學方法、不同光譜預處理方法建模效果，確立最優建模方法并進行驗證，以期得到精度更高、建模方法更系統的貯藏期SSC通用模型。

1 材料與方法

1.1 試材及處理

玫瑰香葡萄，2014年9月17日采于天津市茶淀鎮；馬奶葡萄、紅提葡萄，2014年10月14日采收于河北省張家口市涿鹿縣杏園村。果實成熟度約八成、無病蟲害、無機械傷，采收當天運至國家農產品保鮮工程技術研究中心（天津）實驗室，預冷24 h后稱量、標記、分裝入厚度0.02 mm的葡萄專用膜包裝袋，于（10±1） ℃冷庫貯藏。每3 d測定1 次，每次選取每個品種40 個果實，共測定5 次。

1.2 儀器與設備

NIRS DS2500近紅外漫反射光譜儀 丹麥Foss公司；PAL-1數字手持折光儀 日本Atago公司。

1.3 方法

1.3.1 近紅外漫反射光譜的采集

實驗用近紅外漫反射光譜儀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，將葡萄果粒于恒定室溫（約24 ℃）平衡4 h后，標記并排序，選取果實赤道附近光滑部位避開表面缺陷如傷疤、污點等，于近紅外漫反射光譜儀Slurry Cup上進行光譜采集[13]。

1.3.2 SSC的測定

將采集光譜后的葡萄果粒整果擠汁、過濾后滴于PAL-1數字手持折光儀測定SSC（°Brix），重復3 次取平均值，以蒸餾水校正零點。

1.3.3 模型的建立與驗證

使用儀器自帶WinISI4軟件將采集到的3 種葡萄光譜混合后剔除由外部因素造成的異常光譜[14]，將樣品隨機分成定標集450 個和預測集110 個，再從3 種葡萄混合組成的綜合預測集中抽取各個品種單一預測集每組35 個；定標集樣品用于建立定標模型，預測集樣品用于驗證和評價定標模型的預測性能。定標模型評價指標為留一法交互驗證判定系數和交互驗證標準差（standard error of cross validation，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[15]。確定了最優的預處理方法后，應用其建立葡萄SSC預測模型，利用綜合預測集和單一品種預測集分別驗證模型，驗證標準差（square error of prediction，SEP）越小、預測值與化學值回歸判定系數（Rp2）越高，殘差分布均勻、預測殘差平方和（predicted residual error sum of squares，PRESS）越小，預測效果越好；同時，外部相對分析誤差RPD（RPD=SD/SEP）在2.0～2.5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，說明所建模型具有很好的預測效果[16-18]。

2 結果與分析

2.1 葡萄果實SSC測定值分布特征

葡萄為非呼吸躍變型水果，貯藏初期有一定程度的后熟，貯藏期間SSC為正常生理代謝提供能量，在生理變化中可轉化為其他物質，因而呈開始稍上升后逐漸下降趨勢[19-20]。建模定標集和預測集樣品SSC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SSC測定值的分布特征Table1 Distribution characteristics of SSC values in alibration and validation

由表1可見，3 種品種葡萄SSC有明顯差異，玫瑰香SSC最高，紅提次之，而馬奶最低。綜合定標集樣品的SSC值梯度均勻、分布范圍較廣，且預測集的樣品隨機選自不同貯藏時間，SSC范圍都在定標集范圍內。因此，所選樣品可以用于建立近紅外檢測模型。

2.2 葡萄的可見/近紅外原始吸收光譜

圖1A的3 條光譜分屬于3 個品種的葡萄樣品，圖1B為混合用于建模的定標集樣品全波長范圍內的原始吸收光譜圖。

圖1 3 種葡萄原始吸收單個樣品（A）和全部樣品（B）光譜圖Fig.1 Original absorption spectra of grapes

由圖1可見，3 種葡萄吸收光譜在1 450 nm之前差異顯著，吸光度由大到小分別為玫瑰香葡萄、紅提葡萄、馬奶葡萄，與SSC的實驗室測定結果相吻合。總光譜圖變化趨勢基本一致，在波長680、967、1 161.5 nm和1 964 nm處有豐富的吸收信息，波峰波谷起伏較大。根據WinISI4軟件分析及文獻檢索[7-10,21-24]，處于680 nm之前的吸收主要是可見光區的電子振動，主要表征果皮顏色特征，因此品種間差異較大；680～1 161.5 nm之間為分別為—O—H的四級、三級、二級倍頻吸收，一般與水分、糖類物質有關；1 161.5 nm和1 964 nm附近主要是—C—H、—CH2鍵的伸縮引起的吸收。孫旭東等[25]認為642～787、861～1 006、1 080～1 152 nm和 1 226～1 371 nm為南豐蜜橘SSC的近紅外光譜特征波段。對不同有效波長區間建模的討論可進一步明確不同波段的光譜信息與葡萄SSC的相關性及建模效果。

2.3 不同化學計量學建模方法的選擇

建立定量模型的常用方法有主成分回歸（principal components regression，PCR）、PLS、人工神經網絡（artificial neural networks，ANN）、支持向量機（support vector machine，SVM）等[26]。PCR注重自變量的聚類，較適合定性分析，ANN、SVM等多用于非線性相關分析，MPLS是在PLS法的基礎上進行窗口平移等處理，相對于PLS法，優化了因子數，增強了模型提取有效光譜的能力[9,27]。本實驗分別應用MPLS、PLS方法在全光譜范圍內建立SSC定標模型，結果如表2所示，MPLS的為 0.908 8、PLS的為0.881 9。

表2 不同化學計量學的定標結果Table2 Statistical results of models constructed by different stoichiometries

2.4 不同光譜預處理方法的選擇

表3 不同光譜預處理的定標結果Table3 Statistical results of models constructed by different pretreatments

采用MPLS法分別結合不同導數處理、不同散射和標準化處理建立SSC定標模型。在全光譜范圍內使用原始光譜（lg（1/ R））、一階導數光譜（D1 lg（1/R））、二階導數光譜（D2 lg（1/R））結合標準正常化與去散射處理（standard normal variate，SNV and Detrend）、標準正常化（SNV only）、去散射處理（Detrend only）、標準多元離散校正（standard multiplicative scatter correction，SMSC）、加權多元離散校正（weighted multiplicative scatter correction，WMSC）、反相多元離散校正（inverse multiplicative scatter correction，IMSC）的定標模型SECV和如表3所示。

可見，葡萄SSC定標模型采用MPLS、D2 lg（1/R）、Detrend相結合的光譜預處理方法效果最好，其SECV為 0.402 9，為0.966 1。原因可能是光譜基線漂移的影響較大，二階導數及去散射處理在解決基線漂移上優勢明顯[28]。

2.5 不同光譜處理間隔點、平滑點數的選擇

采取導數、去散射等預處理的同時，通過軟件對進行光譜平滑處理同樣可以有效消減高頻隨機噪聲對光譜的影響，選取平滑點數（Smooth）及處理間隔點數（Gap）的不同，建模效果隨之變化，平滑過少誤差較大，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[29-30]。根據表4結果，選取間隔點數16、平滑點數16、無二次平滑，結合MPLS、D2 lg（1/R）、Detrend建模效果最好。

表4 不同間隔點、平滑點數的定標結果Table4 Statistical results of models constructed by different effective wavelength intervals and smoothing points

2.6 不同有效波長區間的選擇

在得到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，將全波長范圍光譜分為408～1 092.8、1 108～1 772.8、1 808～2 492.8、408～1 772.8、408～2 492.8nm等幾個區間，每個區間分別用MPLS＋D2 lg（1/R）＋Detrend法、Gap16、 Smooth 16，建立定標模型，SECV和如表5所示。結果顯示，408～1 092.8 nm范圍內模型效果最好，408～1 772.8 nm較好，而1 808～2 492.8 nm相關性最差。與2.2節分析討論相印證，不同品種光譜的差異及SSC測定值的差異在408～1 092.8 nm最為明顯，在可見光、較短波長近紅外光區域有較強相關性，可以利用最少的波數提供最為全面的信息，同時減少噪聲及不相關變化的干擾，因此選擇408～1 092.8nm光譜范圍作為有效建模波長區域，這與歐陽愛國[31]、Omar[32]等的研究結果類似。

表5 不同有效波長區間的定標結果Table5 Statistical results of models constructed by different effective wavelength intervals

最終確定的最優建模方法組合為：Gap16、Smooth 16、無二次平滑、在408～1 092.8 nm波長范圍內應用D2 lg（1/R）結合Detrend處理。處理后的光譜圖如圖2所示。可見，峰寬明顯減小，提高了肩峰及精細結構的分辨率[33]。

圖2 最優處理的定標光譜圖Fig.2 Optimized spectrum of calibration

2.7 模型預測性能的評價

圖3 綜合預測集驗證結果Fig.3 Verifi cation of the model by comprehensive prediction set

最優模型對混合預測集樣品的驗證結果如圖3所示，預測SEP為0.354，Rp2為0.980 8，殘差均未超過0.6，殘差分布均勻，殘差平方和PRESS為7.993，RPD為6.22，預測性能優良，精度較現有研究有所提高[7-10,26]。

為驗證模型對單一品種預測的可靠性，分別對單一品種預測集樣品SSC進行分析，結果如圖4所示。

圖4 玫瑰香葡萄（A）、馬奶葡萄（B）、紅提葡萄（CC）預測集實測值與預測值的相關性Fig.4 Correlation between actual and predicted values for three variety sets

3 結 論

葡萄果實的SSC是反映其貯藏期品質的重要指標。在波長408～1 092.8 nm范圍內，應用MPLS 結合Gap16、Smooth 16、無二次平滑、D2 lg（1/R）、Detrend方法建立10 ℃貯藏的玫瑰香葡萄、馬奶葡萄、紅提葡萄SSC檢測模型，定標交互驗證判定系數及預測判定系數較高，定標交互驗證誤差、預測標準差較小，殘差分布均勻、殘差平方和小，未知樣品為混合品種或單一品種時均具有良好的預測效果。綜上所述，可見/近紅外漫反射技術可以用于預測不同品種葡萄的貯藏期間SSC，模型精度較高、品種泛化性及通用性較強。

[1] 林天穎, 蘇清彩, 溫鵬, 等. 葡萄保鮮技術研究進展[J]. 農產品加工:學刊, 2013(7): 52-54.

[2] 聶繼云, 李靜, 徐國鋒, 等. 水果可溶性固形物含量測定適宜取汁方法的篩選[J]. 保鮮與加工, 2014, 14(5): 62-64.

[3] 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.

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

[5] MOGHIMI A, AGHKHANI M H, SAZGAMIA A, et al. Vis/NIR prediction of soluble solids content and acidity (pH) of kiwifruit[J]. Biosystems Engineering, 2010, 106(3): 295-302.

[6] ORTUNO J C, JAREN C, ARAZUR S, et al. Sugar determination in grapes using NIR technology[J]. International Journal of Infrared and Millimeter Waves, 2001, 22(10): 1521-1530.

[7] JUAN F N, LOPEZ M I, SANCHEZ M T, et al. Shortwave-near infrared spectroscopy for determination of reducing sugar content during grape ripening, winemaking, and aging of white and red wines[J]. Food Research International, 2008, 42(2): 285-291.

[8] 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.

[9] 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): 2090-2093.

[10] 呂剛, 楊海清. 基于光譜技術的葡萄活體可溶性固體含量在線檢測研究[J]. 紅外, 2012, 33(10): 43-48.

[11] 張福慶, 李巍, 田衛東, 等. 玫瑰香葡萄品種特性與漢沽產地分析[J].中外葡萄與葡萄酒, 2007(5): 39-42.

[12] 段新立. 紅提葡萄貯藏保鮮方法[J]. 農村科技, 2013(2): 60-61.

[13] 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.

[14] 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.

[15] 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.

[16] 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): 2769-2774.

[17] TEWARI J C, DIXIT V, CHO B K, et al. Determination of origin and sugars of citrus fruits using genetic algorithm, correspondence analysis and partial least square combined with fi ber optic NIR spectroscopy[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2008, 71(3): 1119-1127.

[18] 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.

[19] 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.

[20] 李明娟, 游向榮, 文仁德, 等. 葡萄果實采后生理及貯藏保鮮方法研究進展[J]. 北方園藝, 2013(20): 173-178.

[21] WULFERT F, KOK W T, SMILDE A K. Infl uence of temperature on vibrational spectra and consequences for the predictive ability of multivariate models[J]. Analytical Chemistry, 1998, 70(9): 1761-1767.

[22] 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: 15-17.

[22] BLANCO M, VILLAR A. Development and validation of a method for the polymorphic analysis of pharm aceutical preparations using near infrared spectroscopy[J]. Journal of Pharmaceutical Sciences, 2003, 92(4): 823-830.

[23] DOLORES P M, SANCHEZB M T, PAZ P, et al. Postharvest shelflife discrimination of nectarines produced under different irrigation strategies using NIR-spectroscopy[J]. LWT-Food Science and Technology, 2011, 44(6): 1405-1414.

[24] 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.

[25] 孫旭東, 章海亮, 歐陽愛國, 等. 南豐蜜桔可溶性固形物近紅外特征波段選擇[J]. 農業機械學報, 2009, 40(7): 129-132.

[26] XU Huirong, 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.

[27] 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.

[28] 張榮芳. 雙孢蘑菇品質的近紅外漫反射光譜無損檢測研究[D]. 淄博: 山東理工大學, 2012: 22-23.

[29] 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(增刊1): 87-92.

[30] 秦善知, 陳斌, 陸道禮, 等. 基于便攜式近紅外光譜儀檢測梨可溶性固形物[J]. 江蘇農業科學, 2014, 42(8): 284-286.

[31] 歐陽愛國, 謝小強, 劉燕德. 蘋果可溶性固形物近紅外在線光譜變量優選[J]. 農業機械學報, 2014(4): 220-225.

[32] OMAR A F. Spectroscopic profiling of soluble solids content and acidity of intact grape, lime, and star fruit[J]. Sensor Review, 2013, 33(3): 238-245.

[33] 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): 1323-1328.

Quantitative Prediction of Soluble Solids in Grapes during Storage Based on Visible and Near Infrared Diffuse Refl ection Spectroscopy

CHEN Chen1, LU Xiaoxiang1,*, ZHANG Peng2, CHEN Shaohui2, LI Jiangkuo2
(1. Tianjin Key Laboratory of Food Biotechnology, College of Biotechnology and Food Science, Tianjin University of Commerce, Tianjin 300134, China; 2. Tianjin Key Laboratory of Postharvest Physiology and Storage of Agricultural Products, National Engineering and Technology Research C enter for Preservation of Agricultural Products, Tianjin 300384, China)

This study aimed to establish a universal quantitative prediction model for soluble solids content (SSC) in different varieties of grapes during storage based on visible and near-infrared diffuse refl ection spectra. The mixed spectra of Muscat, Manai and RedGloble grapes stored at 10 ℃ were taken as calibration materials, the influences of different stoichiometrical calibration methods, spectral pretreatment methods, gaps, smooth points, different effective wavelength intervals on the a pplicability of the established model for different grape varieties were examined. The results showed that the modifi ed partial least squares combined with 16 smoothing points, second derivative within 16 gaps and the scattering method could produce the optimal model within the wavelength range of 408-1 092.8 nm with standard error of crossvalidation (SECV) and coefficient of determination of cross-validationf 0.308 7 and 0.980 2, respectively. The model was evaluated via the prediction set of the above three varieties of grapes. The standard error of prediction (SEP) was 0.354, the correlation coeffi cient Rwas 0.980 8, the relative prediction deviation (RPD) was 6.22, and the predicted residual sum of squares (PRESS) was 7.993. When being applied for predicting the single varieties, thereached more than 0.94. Therefore, the near infrared detection model is useful to predict soluble solids content in grape and is suitable for different grape varieties at the same time.

visible-near infrared diffuse refl ectance spectroscopy; grape; storage; soluble solids content; prediction model

S665.2

A

1002-6630（2015）20-0109-06

10.7506/spkx1002-6630-201520020

2014-12-20

“十二五”國家科技支撐計劃項目（2012BAD38B01）；天津市高等學校創新團隊培養計劃項目（TD12-5049）

陳辰（1989—），女，碩士研究生，研究方向為農產品加工與貯藏。E-mail：sxdtcc.cool@163.com

*通信作者：魯曉翔（1962—），女，教授，碩士，研究方向為農產品加工與貯藏。E-mail：lxxiang@tjcu.edu.cn