近紅外光譜對貯藏期櫻桃品質的定性判別*

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，屬薔薇科李亞科李屬，又稱甜櫻桃、大櫻桃，味美可口，并具有益氣、健脾、祛風濕的功效，是具有較高營養價值和保健功效的水果，被譽為“果中珍品”［1］。由于櫻桃本身是易腐水果，且其采收上市時期正值盛夏時節，導致櫻桃在貯藏過程中品質極易下降(果肉變軟爛、表皮破損、風味口感變劣等)，因而限制了櫻桃的異地銷售［2］。為櫻桃產業的進一步發展，對貯藏過程中的櫻桃進行高效無損的品質監控成為亟待解決的課題。

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檢測的需求［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NIRS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NIRS檢測水果品質的研究。王丹［5］等運用NIRS對貨架期的甜柿進行定性判別，結果發現判別模型的正確分類率達到97.8%～100%，預測準確率達到88.9% ～100%，說明NIRS技術對甜柿進行檢測具備應用價值;馬本學［6］等應用NIRS技術對香梨的類別進行定性分析，建立了香梨類別的定性判別模型。結果表明，該檢測方法對校正集正確分類率達100%，預測集正確分類率為95%，說明NIRS對香梨的分類判別具有較好的效果;Dolores Perez Marin［7］等應用 NIRS 漫反射技術，對經冷藏7、14、28 d后的油桃進行采后貨架期模型預測，發現NIRS技術能準確的預測57% ～84%的樣本，這也說明NIRS技術對水果的定性判別具有較好的檢測效果。本實驗應用NIRS對貯藏期櫻桃品質進行了定性判別分析。

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，采收成熟度約八成熟的果實，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)℃，立即進行如下處理:將櫻桃按1.75 kg/袋裝入襯有0.05 mm PE保鮮膜的塑料框中，膜敞口(0±0.5)℃冷庫中預冷24 h后，扎口在此溫度下貯藏。

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。實驗隨機抽取兩個部分光譜數據，分別作為校正集(calibration set)和預測集(validation set)。本文校正集總和240個，預測集總和60個。

1.2 主要儀器

PAL-1數字手持折光儀;Brix-acidity meter(GMK-706R)糖酸儀，韓國;TU-1810系列紫外分光光度計，北京普析通用儀器有限責任公司的;Pipet-Lite XLS Eppendorf Research plus移液器，梅特勒-托利多儀器有限公司;ML503/02天平，梅特勒-托利多儀器公司;TA.XT.plus物性測定儀，英國。

1.3 樣品化學指標的測定

(1)可溶性固形物(total soluble solids，TSS)的測定:采用手持折光儀，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。每個櫻桃重復測定3次，求其平均值作為最終TSS值。

(2)總酸(total acid，TA)的測定:采用糖酸儀進行測定，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，取其平均值作為最終TA值。

(3)VC含量的測定:采用鉬藍比色法［8］。

(4)黃酮的測定:采用 Al(NO3)3比色法［9］。

(5)硬度的測定:采用物性測定儀，將經過NIRS掃描過的櫻桃果實放置于測試平板上，利用P/2柱頭(Φ2 mm)對其進行穿刺測試，測試參數如下:穿刺深度為6 mm，測試速度為2.0 mm/s，測前速度為5.0 mm/s，測后速度為 2.0 mm/s。

1.4 模型的建立與驗證

利用儀器自帶的分析軟件(WinISI4)，選取低溫［(0±0.5)℃］貯藏10、30、50 d的櫻桃進行試驗，針對不同的貯藏時間，每次抽取80個光譜，對抽取出的光譜建立模型從而進行定性判別，本文進行不同波段、不同預處理的光譜比較分析，以便有效除噪，提高信噪比，從而得到有效光譜信息。一般近紅外定性分析主要有3種方法，判別分析法、主成分分析法和馬氏距離法、本實驗采用主成分分析法(principal component analysis，PCA)來確定分析樣品在已知樣品集中的位置。該方法可以降維數據，保證在不失去主要光譜信息的前提下，以為數較少的新變量代替原本較多的變量，并使新變量成為原變量的線性組合，得到的主成分累計率越高，則證明結果準確性越高。之后，采用隨機抽取的驗證集對最優判別模型進行驗證，并對模型的可行性和預測性進行評價。主要的評價指標包括預測模型實測值與預測值的相關系數Rcv以及校正誤差(square error of calibration，SEC)。一個好的模型應該具有較高的Rcv值，較低的SEC。最后，利用判斷正確率評價預測模型的效果。

2 結果與分析

2.1 不同波段的光譜吸收峰的分析及理化數據

近紅外光譜主要是由分子中O—H，N—H，C—H，S—H鍵的振動、吸收引起，是這些振動的組頻和倍頻吸收帶;近紅外區光譜測試成分須含有O—H，C—H，N—H或S—H鍵等，R—H的伸縮/彎曲振動構成了近紅外區的主要吸收帶。本實驗測得的240個櫻桃原始近紅外光譜如圖1所示，對10、30、50 d的原始光譜集求出各自的平均光譜，如圖2所示。

在結合路徑參數結果和研究模型的假設檢驗結果之后，各個因素對醫藥B2C平臺顧客忠誠度的影響均顯著；按照影響的重要性排序，結果為：①商品質量；②顧客滿意度；③顧客轉換成本；④網站安全性；⑤網站服務；⑥購物便利性；⑦網站聲譽；⑧物流快捷性；⑨商品價格。

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

從圖1可看出，有4處呈現出了明顯的吸收峰，分別在 566.5、957.0、1 450.0、1 924.5 nm 處。其中在可見光區域的566.5 nm處，波峰的形成主要是由于電子振動而產生;在957nm處，為可見光和近紅外光譜之間的過度區域;1 450 nm處吸收峰是由櫻桃水分子間的O—H鍵吸收形成的，此處吸收峰與櫻桃的含水量呈正相關趨勢變化;1 924.5 nm處吸收峰主要是由櫻桃中CH2—、C—H鍵的伸縮、彎曲振動產生，由于櫻桃中TA、SSC及氨基酸等物質中含有這類官能團，這表明吸收峰與櫻桃中這類物質的含量發生改變有關。實驗結果表明，櫻桃品質與近紅外光譜上反映的信息具有一定的規律性趨勢變化。根據量子理論［10］，物質內部分子的振動是量子化的，含氫基團的倍頻、合頻振動特征范圍在800～25 000 nm，其中1 455 nm附近為水分的二頻特征吸收帶，這為果實中水分的定量分析提供了理論依據［11］。櫻桃果實水分的變化，必然會影響其果實質地［12］。此外，由表1可知，隨著低溫貯藏時間的延長，櫻桃中可溶性固形物、總酸、黃酮含量升高，Vc和硬度先升高后下降。由圖2三個不同貯藏時間下的平均光譜可知，隨著貯藏時間的增加光譜圖趨勢發生相應的變化，對比原始光譜圖，可以看出3條平均光譜有相同與原始光譜相近的變化趨勢，這表明NIRS光譜與櫻桃內部品質的變化存在一定規律性變化。王丹［13］等在應用近紅外對不同貯藏期磨盤柿子的內部品質研究中也有相應結論。因此，可以從近紅外光譜反映櫻桃果實的內部品質。

圖2 三個不同貯藏天數的平均光譜Fig.2 The average number of days three different storage spectrum

表1 理化數據Table 1 Physical and chemical indicators

2.2 樣品集及光譜預處理對建模結果的影響

選出合適的光譜預處理方法，就能夠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、偏移等的干擾［14］。光譜預處理常用方法有導數、平滑、扣減、歸一化、標準化等［15］。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［16］。

本研究分別選取在(0±0.5)℃貯藏10、30、50 d的櫻桃進行光譜分析。表2為低溫貯藏不同時間各樣品集的果實數量。定標集總計240個光譜數據，預測集總計60個光譜數據。

表2 樣品集的組成Table 2 The composition of the sample collection

預處理是將一階微分和二階微分2種導數處理方法，與不同散射和標準化方法相結合的方式進行分析討論。一階微分光譜、二階微分光譜、原始光譜(none)、去離散處理(standard normal variate and detrend，SNV and D)、標準正常處理(standard normal variate，SNV only)、散射處理(detrend，D only)、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)等，以及櫻桃經過不同預處理后的主成分累計貢獻率見表3所示。

從表3可知，一階微分下的SNV and D處理和SNV only處理下的主成分累計貢獻率均能達到98%以上，其中一階微分結合SNV and D處理，主成分累計貢獻率最高達到98.45%。因此，本文的判別模型采用一階微分結合SNV and D處理的方法。

表3 前8個組成分累計貢獻率Table 3 8 Principal components and reliabilities

2.3 不同波段的判別

表4是校正集在采用一階微分結合SNV and D處理后，繼續對其進行在不同波段下校正模型的建立結果。結果表明，在408～2 492.8 nm下模型判斷正確分類率最高，達到100%。這可能是由于櫻桃光譜的吸收峰分布在全波長近紅外的范圍內，故櫻桃低溫貯藏期的判別模型選取在408～2 492.8 nm。

表4 不同波長下的判別結果Table 4 Calibration result of different band regions

2.4 預測結果及判別模型

分別選取在(0±0.5)℃貯藏下10、30、50 d的櫻桃，進行櫻桃貯藏期品質的研究。選用PCA方法選取前3個主成分(PC1、PC2、PC3)，得到如圖3的三維空間坐標圖。

圖3 不同貯藏期的三維圖Fig.3 Three-dimensional renderings of different storage time

由圖3可知，3個不同貯藏時間(10、30、50 d)下的櫻桃可以完全區分，表明該模型可以很好的預測低溫貯藏期的櫻桃品質。此模型的SEC為0.133 8，Rcv為0.930 6，正確分類率達到100%。

實驗對模型的可靠性進行驗證。對隨機抽取的60個預測樣品集合的櫻桃果實進行檢測，結果見表5。其中預測集54個正確，4個不確定，2個錯誤，模型的預測準確率在90%～96.7%。

表5 PCA方法的結果統計Table 5 Statistic results of discrimination using PCA

表6為預測樣品集合預測的統計數據，結果也證明該模型具有很好的預測效果，且準確率較高，具有很好的適用性。

表6 預測集的結果統計Table 6 The results of statistical prediction set

3 結論與展望

實驗表明，在全波長范圍的一階微分結合SNV and D處理的方法，模型可以得到較好的效果。Rcv為0.930 6，SEC為0.133 8，正確分類率達到100%。說明通過對不同預處理和不同波段的選擇，可以提高模型的判別準確度。預測樣品集的判斷正確率在90%～96.7%。說明應用NIRS對貯藏過程中櫻桃品質進行無損檢測具有可行性，能夠很好的對其品質進行定性分析，從而實現櫻桃內部品質的快速評價。

［1］ 李曉青，韓燕麗.大櫻桃貯藏保鮮技術［J］.保鮮與加工，2006，6(5):25-25.

［2］ 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.

［3］ 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.

［4］ 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.

［5］ 王丹，魯曉翔，張鵬，等.甜柿貨架期的近紅外光譜定性判別［J］.食品與發酵工業，2014，40(2):188-191.

［6］ 馬本學，饒秀勤，應義斌，等.基于近紅外漫反射光譜的香梨類別定性分析［J］.光譜學與光譜分析，2009(12):3 288-3 290.

［7］ Pérez-Marín D，Sánchez M T，Paz P，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.

［8］ Shichuan X M M W H.Determination of Vitamin C in Food by Molybdenum Blue Spectrophotometry［J］.Food and Fermentation Industries，1993，5:007.

［9］ 何珺，顏仁梁，劉志剛.NaNO2-Al(NO3)3-NaOH比色法測定總黃酮應用中的常見問題［J］.今日藥學，2009，19(12):18-21.

［10］ Cho B K，Kim M S，Baek I S，et al.Detection of cuticle defects on cherry tomatoes using hyperspectral fluorescence imagery［J］.Postharvest Biology and Technology，2013，76:40-49.

［11］ Perez Marin D，Sanchez M T，Paz P，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.

［12］ 楊艷芬.大櫻桃采后生理與貯藏保鮮技術研究進展［J］.北方園藝，2009(11):122-124.

［13］ 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.

［14］ 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.

［15］ 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.

［16］ 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.