甘薯水分和還原糖協同向量NIR快速檢測方法

高 麗，潘從飛，陳 嘉，王勇德*，趙國華,3,*

（1.西南大學食品科學學院，重慶 400715；2.重慶市中藥研究院，重慶 400065；3.重慶市特色食品工程技術研究中心，重慶 400715）

甘薯水分和還原糖協同向量NIR快速檢測方法

高 麗1，潘從飛1，陳 嘉1，王勇德2,*，趙國華1,3,*

（1.西南大學食品科學學院，重慶 400715；2.重慶市中藥研究院，重慶 400065；3.重慶市特色食品工程技術研究中心，重慶 400715）

利用近紅外光譜技術建立新鮮甘薯水分和還原糖含量的預測模型，實現快速檢測與分析，為甘薯品質分析和種質資源篩選提供便捷。選用不同品系甘薯樣品146 份，109 份作為校正樣品，37 份作為驗證樣品。運用不同光譜預處理方法、協同區間偏最小二乘最優波長選擇法以及主成分回歸和偏最小二乘法建立甘薯水分和還原糖模型。結果顯示，所建甘薯水分（還原糖）最優模型的決定系數、預測均方根誤差和標準差比率分別為0.974（0.885），1.154（0.270）和6.334（3.148）。表明2 種模型具有較好的檢測性能，近紅外光譜模型的預測值與其相應的化學值有較好的相關性，適用于大批量甘薯選育時水分和還原糖含量的快速檢測。

近紅外光譜技術；甘薯；水分；還原糖；區間協同偏最小二乘法

近紅外光譜技術是一種高效快速的現代分析技術，它可以同時測定樣品中一種或者幾種化學成分，不需要對樣品進行化學處理，不會產生任何有毒有害廢棄物，是一種介于可見光和中紅外光譜之間（12 820～4 000 cm-1）的電磁波。其主要光譜信息來源于—CH、—NH和—OH等含氫基團的倍頻和合頻吸收。最早用于美國農業部測定蘋果等作物的內部品質，目前已廣泛應用 于 食 品[6]、 農 業[7-10]、 石 油[11]、 化 學[12]、 制 藥[13]、林業[14]、紡織[15]及化妝品[16]等各個行業。目前，近紅外光譜技術已經在甘薯化學成分測定中得到應用[17-18]，分別構建了甘薯蛋白質[19-20]、淀粉[21-22]、糖類[22]、黃酮[23]和甘薯莖葉色素[24]、重金屬[25]等定量測定模型，但這些模型均將甘薯樣品進行干燥、磨粉等處理，仍費時費力，目前暫未見利用近紅外光譜技術直接對新鮮甘薯進行成分分析的報道。本實驗以146 份不同品系的甘薯育種材料為研究對象，選37 份作為驗證樣品，109 份為校正樣品，利用近紅外光譜結合化學計量法建立新鮮甘薯水分和還原糖含量最優預測模型，為我國甘薯品質分析和種質篩選提供新思路及參考依據。

1 材料與方法

1.1 材料

甘薯由重慶市甘薯工程技術研究中心（2015年11月）提供。選取大小一致、表面光滑、無病蟲害且不同品系的甘薯，共計146 份樣品。將甘薯表面的泥土清洗干凈，在室溫條件下自然晾干其表面水分并編號，儲存于（15±2）℃備用。將甘薯從中心橫向一切兩半，一半用于甘薯化學成分測定，一半用于近紅外光譜掃描。

1.2 儀器與設備

AntarisⅡ傅里葉近紅外光譜儀 美國Thermo Fisher Scientific公司；BS-223S電子天平 北京塞多利斯儀器系統有限公司；DHG-9140電熱恒溫鼓風干燥箱 上海市齊欣科學儀器有限公司；培英DDHZ-300臺式恒溫振蕩器太倉市實驗設備廠。

1.3 方法

1.3.1 成分測定及光譜采集

對此，才府玻璃表示，雖然啤酒總銷量變化不大，但啤酒產業“小瓶化”趨勢十分明顯，為公司營收增長加分。除此之外，酒廠回收酒瓶的生產方式逐步退出，對新瓶需求加大。而環保政策的趨嚴導致市場明顯向頭部公司聚集，才府玻璃因此獲益。

化學法成分測定：參考GB 5497—1985《糧食、油料檢驗 水分測定法》和GB/T 5009.7—2008《食品中還原糖的測定》測定甘薯中水分和還原糖含量，所有樣品平行測定3 次，結果取平均值。

近紅外光譜采集：甘薯樣品從中心橫向一切兩半，以切面中心為中點，選取中心到邊緣中點左右兩點為樣品近紅外光譜采集點。選用AntarisⅡ傅里葉近紅外光譜儀及積分球漫反射附件采集甘薯樣品近紅外光譜，儀器開機預熱30 m in，正式采樣之前，對儀器進行測試，保證儀器穩定工作。測試通過后，進行背景掃描。儀器參數：波數范圍4 000～12 000 cm-1（即光譜波長范圍833～2 500 nm），掃描次數32，分辨率4 cm-1，InGaAs檢測器收集信號，為消除噪音干擾，每隔5 個樣品進行一次背景掃描。每個采樣點平行測定3 次，取平均光譜，最終光譜為2 個采樣點平均光譜的平均值。

1.3.2 樣品劃分

樣品的合理劃分和化學值的準確測定直接影響所建模型的適用性和準確度，所以校正集和驗證集樣品在性質變化內應該是分布均勻的。一個好的樣品劃分方法要能使所選校正集和驗證集樣品均具有代表性，并涵蓋整個樣品化學測定范圍。隨機劃分應用最為廣泛且操作簡單，但其偶然性大，不具有代表性，且所選樣品并不能很好地反映所有樣品信息[26]。Kennerd-Stone（KS）算法是另一種應用較為廣泛的樣品劃分方法，其主要思想是依照同種算法在光譜間選取歐氏距離最大的樣品作為校正集，其余的作為驗證集，該方法雖涵蓋了所有樣品光譜，但未考慮因變量影響，對于含量或濃度較低的范圍，其對應樣本間光譜變化很小，這樣選出的樣本也不具有代表性[26-27]。

為了保證劃分子集樣品具有代表性，減小偏差，參考Wu Zhengzong等[28]的方法，先將所有樣品根據化學測定值（還原糖或水分含量）按從小到大排列，然后每4 個中選1 個作為驗證樣品，連續選出37 個作為驗證集，剩余109 個樣品作為校正集。

1.3.3 光譜預處理

為消除由儀器、樣品背景等產生的高頻隨機噪聲，基線偏移，光散射等影響因素，改善光譜特征，提高光譜信息有效性，研究對比了不同光譜預處理方法對預測模型的影響。利用The Unscrambler軟件對光譜進行預處理，主要有卷積平滑（savitzky-golay，SG）、一階導數（1st）、二階導數（2nd）、標準正態變換（standard normal variate，SNV）、多元散射校正（multipilicative scatter correction，MSC）及其組合等。

1.3.4 有效波長選取

波長的有效選取不僅可以對近紅外光譜變量起到降維作用，減少計算量，還可以提高模型準確度，目前常用的方法主要有相關系數法、方差分析法、逐步回歸法、區間偏最小二乘法、連續投影算法、無信息變量消除法、CARS自適應加權算法等。本實驗參考Chen Jia等[29]的研究，采用協同區間偏最小二乘法，將全光譜2 075 個變量等分為10 個區間，對應光譜范圍分別為：11 998.9～11 208.3（1）、11 204.4～10 406.0（2）、10 402.2～9 607.6 （3）、9 603.8～8 805.4（4）、8 801.5～8 007.0（5）、8 003.1～7 204.8（6）、7 200.9～6 406.4（7）、6 402.5～5 604.1（8）、5 600.3～4 805.7（9）、4 801.9～3 999.6（10） cm-1，區間數從1～10不同組合，可以得到1 023 種結果。具體操作：區間數為1時，從10 個區間中選1 個區間，獲得10 個模型進行比較，從中選取最優模型，對應的區間范圍為最優波長；區間數為2時，從10 個區間中任選2 個區間，獲得45 個模型進行比較，從中選取最優模型，對應的區間范圍為最優波長；區間數為3時，從10 個區間中任選3 個區間，獲得120 個模型進行比較，從中選取最優模型，對應的區間范圍為最優波長；以此類推。最終為區間數分別為1～10的10 個結果。

1.3.5 模型建立、檢驗及數據處理

選用The Unscrambler 9.8中主成分回歸（principal components regression，PCR）法和偏最小二乘（partial least square，PLS）法2 種建模方法進行研究。為確認所建模型的準確性，需要對其進行驗證評價。根據模型的預測均方根誤差（root mean square error of prediction，RMSEP）、相關系數（R2）、預測標準誤差（standard error of prediction，SEP）、偏差及標準差比率（standard deviation ratio，SDR）最終選出最優模型[29]。

數據分析采用The Unscrambler 9.8，Matlab R2015b和SPSS 19.0軟件，作圖采用Origin 8.0軟件。

2 結果與分析

2.1 樣品劃分的合理性

圖1 樣品校正集和驗證集主成分二維分布圖、數據統計及方差分析Fig. 1 Two-dimension distribution p lots of the fi rst two p rincipal com ponents (PC1 and PC2) of the sam p les in the calibration (a) and validation (b) subsets

表1 甘薯水分和還原糖含量校正集和驗證集數據統計及方差分析Table 1 Statistical com parison and analysis of variance (ANOVA) of moisture and reducing sugar contents of sweet potato between calibration and validation subsets

建立校正模型之前，需先對樣品劃分的合理性進行評估。利用二維主成分分析圖，可以很直觀的觀察樣品劃分情況。如圖1所示，發現甘薯水分和還原糖的校正集和驗證集樣品間均沒有明顯地聚集趨勢，且同一指標的2 個子集間平均值和范圍基本一致。進一步通過方差分析（t-檢驗），如表1所示，同一指標條件下2 個子集的樣品間沒有顯著性差異，說明本研究樣品劃分結果理想，可用于后期建模。

2.2 光譜預處理對模型的影響

圖2a為按照1.3節方法及參數采集的新鮮甘薯近紅外原始光譜圖，如若不考慮甘薯來源和測量時樣品狀態，與唐忠厚等[22]報道的光譜趨勢圖類似。由圖2a可見，146 份新鮮甘薯塊根樣品在近紅外光譜區域的吸收光譜特征基本一致，表明樣品中所含成分類別相似；同時，由于樣品中各組分含量高低的差異，導致樣品吸收光譜強度不同，樣品吸收光譜不完全重合，這為后續預測樣品中不同組分含量提供了可能。但紅外光譜的吸收譜帶相對較寬，而且重疊嚴重，因此，很難找到某個特定的光譜帶，其吸收強度變化與水分或還原糖含量呈線性關系，所以直接在原始光譜圖基礎上測定甘薯水分和還原糖含量還比較困難。

通常在建立校正模型之前，為消除原始光譜中基線漂移，減少噪聲等其他不必要的干擾信號，需要先對原始光譜進行預處理，來提高模型穩定性和可靠性。本研究采用了8 種光譜預處理方法，即SNV、MSC（圖2b）、1st、2nd、SNV+1st、SNV+2nd、MSC+1st（圖2c）、MSC+2nd。其中，1st和2nd可以有效扣除本底吸收，消除基線偏移和漂移，分離重疊光譜[30]；且對每一條光譜進行單獨校正，消除基線漂移和樣品散射所引起的誤差[31]；MSC可消除散射，改善光譜信噪比。主要參數如表2所示。

從表2可以看出，PCR/PLS在原始光譜條件下對甘薯水分建模的R2、RMSEP、SDR分別為0.940/0.940、1.763/1.759、4.146/4.156，表明該模型可被接受，甘薯水分含量與近紅外光譜吸光度之間存在很好的關系。1st、2nd、SNV+1st、SNV+2nd、MSC+1st和MSC+2nd處理均提高了模型性能，其中MSC+1st處理獲得的PCR/PLS模型為最優模型，其RMSEP最小，為1.498/1.474。PCR/PLS在原始光譜條件下對甘薯還原糖含量建模的R2、RMSEP、SDR分別為0.610/0.786、0.500/0.369、1.700/2.404，PCR模型R2較低，RMSEP偏大，同時沒有預處理方法可以改善該模型性能，表明PCR模型建模對于甘薯還原糖而言不太理想，PLS模型可被接受。SNV和MSC處理可以提高PLS模型性能，其中MSC處理可得最優模型，其RMSEP最小，為0.328。在同一指標條件下，比較PCR和PLS兩種建模方法，發現PLS所建模型的RMSEP均小于PCR（1st除外），說明PLS更適于甘薯水分和還原糖含量建模。

圖2 新鮮甘薯近紅外光譜圖Fig. 2 Near infrared spectra of fresh sweet potato

表2 不同光譜預處理方法對甘薯水分和還原糖含量最優模型（PCR/PLS）主要參數的影響Table 2 Effects of spectral p reprocessing on the key parameters of optim ized calibration models (PCR/PLS) for moisture and reducing sugar contents of sweet potato

2.3 協同區間矩陣對模型性能的影響

為了進一步提高模型性能，本研究在上述甘薯水分（（MSC+1st）/PLS）和還原糖（MSC/PLS）最優模型的基礎上，利用協同區間矩陣將近紅外光譜全波長劃分為10個區間，區間數從1～10構成不同組合的模型，具體操作參考方法1.3.5節。其中，以RMSEP最小為衡量標準，選取每個區間數中的最優模型，模型結果見表3。

從表3可以看出，協同區間矩陣明顯改善了模型性能，全波長時，甘薯水分和還原糖PCR/PLS模型的R2、RMSEP分別為0.957/0.958和0.610/0.831、1.498/1.474和0.500/0.328，隨著區間的劃分和不同組合，模型R2增高，RMSEP降低；比較同一指標條件下PCR和PLS，發現PLS更適于甘薯水分和還原糖建模。甘薯水分和還原糖最優模型的光譜范圍、R2和RMSEP分別為[2 3 5]和[8]、0.974和0.885，1.154和0.270。

表3 區間數（1～10）對甘薯水分和還原糖含量最優模型（siPCR/siPLS）主要參數的影響Tab le 3 Effects of the number of subinterval (varying from one to ten)on the key parameters of optim ized models (siPCR/siPLS) for moisture and reducing sugar contents of sweet potato

圖3 甘薯實測值與預測值的相關性及殘差Fig. 3 Correlation and regression residuals between measured and predicted values for sweet potato

由圖3可見，樣品比較集中的分布在擬合線周圍，殘差分布在可接受范圍內，表明該模型可用于對新鮮甘薯水分和還原糖含量的預測，且結果可靠。

3 結 論

近紅外光譜分析技術結合化學計量學方法、光譜預處理方法和最優特征波長提取方法，成功獲得了新鮮甘薯水分和還原糖含量的最優模型，分別為MSC+1st/siPLS和MSC/siPLS。以最高R2、SDR和最低RMSEP為衡量參數，評價模型性能，所得最優模型MSC+1st/siPLS和MSC/siPLS的R2、SDR、RMSEP分別為0.974和0.885、6.334和3.148、1.154和0.270。與原始光譜相比，運用適當的光譜預處理技術可以有效改善模型性能，這主要與測試目標樣品和所選化學計量學方法相關。通過利用協同區間矩陣算法，從不同區間數1 023 種組合中選擇最優特征波長范圍，進一步提高了模型性能。無論是利用全波長還是協同區間最優特征波長，所建甘薯水分含量模型精度均優于還原糖含量模型。本研究的創新點是：1）采用新鮮未處理的甘薯塊根作為研究對象；2）比較PCR和PLS兩種建模方法，表明在甘薯水分和還原糖含量預測中PLS優于PCR；3）證實了協同區間矩陣算法能夠有效改善模型性能。總之，所建最優模型均可被接受，對甘薯品質分析和種質材料篩選有很好的參考價值，能夠有效解決傳統方法分析速度慢、成本高、操作繁瑣、存在污染及浪費等問題，是未來甘薯產業及育種中一種快速、簡便、綠色、可靠，有望替代傳統化學分析法的潛在方法。

[1] 劉魯林, 木泰華, 孫艷麗. 不同品種甘薯塊根營養成分及相關性分析[J]. 中國糧油學報, 2008, 23(1): 39-43.

[2] 劉水英, 李新生, 江海, 等. 彩色甘薯不同品種中基本物質及功能成分分析[J]. 江蘇農業科學, 2015, 43(1): 303-305. DOI:10.15889/j.issn.1002-1302.2015.01.101.

[3] 朱旭霞, 劉莉莎, 何素蘭, 等. 保健甘薯的功能及產品開發研究[J]. 中國食物與營養, 2014, 20(11): 34-36. DOI:10.3969/j.issn.1006-9577.2014.11.008.

[4] 趙秀玲. 甘薯的營養成分與保健作用[J]. 中國食物與營養, 2008,29(10): 58-60. DOI:10.3969/j.issn.1006-9577.2008.10.019.

[5] 陸國權, 盛家廉. 近紅外反射光譜法(N IRS)在甘薯品質育種上的應用[J]. 中國農業科學, 1990, 23(1): 76-81. DOI:10.3321/j.issn:0578-1752.1990.01.009.

[6] POREP J U, KAMMERER D R, CARLE R. On-line application of near infrared (NIR) spectroscopy in food production[J]. Trends in Food Science & Technology, 2015, 46(2): 211-230. DOI:10.1016/j.tifs.2015.10.002.

[7] BAGCHI T B, SHARMA S, CHATTOPADHYAY K. Development of NIRS models to predict protein and amylose content of brown rice and proximate compositions of rice bran[J]. Food Chem istry, 2016,191: 21-27. DOI:10.1016/j.foodchem.2015.05.038.

[8] BERNHARD T, TRUBERY B, FEIEDT W, et al. Development of near-infrared refl ection spectroscopy calibrations for crude protein and dry matter content in fresh and dried potato tuber samples[J]. Potato Research, 2016, 59(2): 149-165. DOI:10.1007/s11540-016-9318-8.

[9] REDAELLI R, ALFIERI M, CABASSI G. Development of a NIRS calibration for total antioxidant capacity in maize germ plasm[J].Talanta, 2016, 154: 164-168. DOI:10.1016/j.talanta.2016.03.048.

[10] SU W H, HE H J, SUN D W. Non-destructive and rapid evaluation of staple foods quality by using spectroscopic techniques: a review[J].Food Science and Nutrition, 2017, 57(5): 1039-1051. DOI:10.1080/10 408398.2015.1082966.

[11] NG W, MALONE B P, M INASNY B. Rapid assessment of petroleumcontam inated soils w ith infrared spectroscopy[J]. Geoderma, 2017,289: 150-160. DOI:10.1016/j.geoderma.2016.11.030.

[12] BOTHRA S, UPADHYAY Y, KUMAR R, et al. Chem ically modified cellulose strips w ith pyridoxal conjugated red fluorescent gold nanoclusters for nanomolar detection o f mercuric ions[J].Biosensors and Bioelectronics, 2017, 90: 329-335. DOI:10.1016/j.bios.2016.11.066.

[13] PAWAR P, WANG Y, KEYVAN G, et al. Enabling real time release testing by NIR prediction of dissolution of tablets made by continuous direct compression (CDC)[J]. International Journal of Pharmaceutics,2016, 512(1): 96-107. DOI:10.1016/j.ijpharm.2016.08.033.

[14] 于仕興, 李學春, 黃安民, 等. 粒子群支持向量機結合NIR測定桉木木質素[J]. 東北林業大學學報, 2013, 41(2): 123-126. DOI:10.3969/j.issn.1000-5382.2013.02.029.

[15] PEREIRA H, SANTOS A, ANJOS O. Fibre m orpho logical characteristics of kraft pulps of acacia melanoxylon estimated by NIR-PLS-R models[J]. Materials, 2015, 9(1): 1-9. DOI:10.3390/ma9010008.

[16] BLANCO M, ALCALA M, PLANELLS J, et al. Quality control of cosmetic m ixtures by NIR spectroscopy[J]. Analytical and Bioanalytical Chem istry, 2007, 389(5): 1577-1583. DOI:10.1007/s00216-007-1541-3.

[17] DIAZ J T, VEAL M W, CHINN M S. Development of NIRS models to predict composition of enzymatically processed sweet potato[J].Industrial Crops and Products, 2014, 59: 119-124. DOI:10.1016/j.indcrop.2014.05.012.

[18] LEBOT V, NDIAYE A, MALAPA R. Phenotypic characterization of sweet potato [Ipomoea batatas (L.) Lam.] genotypes in relation to prediction of chem ical quality constituents by NIRS equations[J].Plant Breeding, 2011, 130(4): 457-463. DOI:10.1111/j.1439-0523.2010.01840.x.

[19] MAGWAZA L S, NAIDOO S L M, LAURIE S M, et al. Development o f NIRS models for rapid quantification of p rotein content in sweetpotato [Ipomoea batatas (L.) LAM][J]. LWT-Food Science and Technology, 2016, 72: 63-70. DOI:10.1016/j.lw t.2016.04.032.

[20] 唐忠厚, 李洪民, 馬代夫. 甘薯蛋白質含量近紅外反射光譜分析模型應用研究[J]. 中國食品學報, 2008, 8(4): 169-173. DOI:10.3969/j.issn.1009-7848.2008.04.028.

[21] 唐忠厚, 李洪民, 陸國權. 基于近紅外光譜的甘薯抗性淀粉含量的快速測定方法[J]. 江蘇農業學報, 2011, 27(6): 1426-1429.DOI:10.3969/j.issn.1000-4440.2011.06.050.

[22] 唐忠厚, 李洪民, 李強, 等. 基于近紅外光譜技術預測甘薯塊根淀粉與糖類物質含量[J]. 江蘇農業學報, 2013, 29(6): 1260-1265.DOI:10.3969/j.issn.1000-4440.2013.06.013.

[23] 衣申艷, 陸國權. 甘薯黃酮含量近紅外反射光譜分析模型的構建及其應用[J]. 光譜實驗室, 2013, 30(2): 860-864. DOI:10.3969/j.issn.1004-8138.2013.02.082.

[24] HUANG W D, LIN K H, HSU M H, et al. Elim inating interference by an thocyanin in ch lo rophy ll estim ation o f sw eet potato(Ipomoea batatas L.) leaves[J]. Botanical Studies, 2014, 55: 11.DOI:10.1186/1999-3110-55-11.

[25] 徐慶則, 沈恒勝, 林斌. 利用近紅外漫反射光譜(NIRS)技術建立甘薯莖葉重金屬預測模型[J]. 福建農學報, 2011, 26(3): 440-445.DOI:10.3969/j.issn.1008-0384.2011.03.021.

[26] GALVAO R K H, ARAUJO M C U, JOSE G E, et al. A method for calibration and validation subset partitioning[J]. Talanta, 2005, 67(4):736-740. DOI:10.1016/j.talanta.2005.03.025.

[27] 劉偉, 趙眾, 袁洪福, 等. 光譜多元分析校正集和驗證集樣本分布優選方法[J]. 光譜學與光譜分析, 2014, 34(4): 947-951. DOI:10.3964/j.issn.1000-0593(2014)04-0947-05.

[28] WU Z Z, XU E B, LONG J, et al. Com parison between ATR-IR,Raman, concatenated ATR-IR and Raman spectroscopy for the determ ination of total antioxidant capacity and total phenolic content of Chinese rice w ine[J]. Food Chem istry, 2016, 194: 671-679.DOI:10.1016/j.foodchem.2015.08.071.

[29] CHEN J, ZHU S P, ZHAO G H. Rapid determ ination of total protein and wet gluten in commercial wheat flour using siSVRNIR[J]. Food Chem istry, 2017, 221: 1939-1946. DOI:10.1016/j.foodchem.2016.11.155.

[30] AL-MBAIDEEN A, BENAISSA M. Frequency self-deconvolution in the quantitative analysis of near infrared spectra[J]. Analytica Chim ica Acta, 2011, 705(1/2): 135-147. DOI:10.1016/j.aca.2011.04.037.

[31] BI Y M, YUAN K L, XIAO W Q, et al. A local pre-processing method for near-infrared spectra, combined w ith spectral segmentation and standard normal variate transformation[J]. Analytica Chim ica Acta,2016, 909: 30-40. DOI:10.1016/j.aca.2016.01.010.

Rapid Determ ination of Moisture and Reducing Sugar in Sweet Potato by Near-Infrared Spectroscopy Coupled w ith Chemometrics

GAO Li1, PAN Congfei1, CHEN Jia1, WANG Yongde2,*, ZHAO Guohua1,3,*
(1. College of Food Science, Southwest University, Chongqing 400715, China;2. Chongqing Academy of Chinese Materia Medica, Chongqing 400065, China;3. Chongqing Engineering Research Center for Special Food, Chongqing 400715, China)

A predictive model for rapid quantification of moisture and reducing sugar in fresh sweet potato was established by near-infrared (NIR) spectroscopy, which could facilitate the quality analysis and germplasm screening of sweet potato. In this study, 146 samples of diff erent lines of sweet potato were selected, out of which 109 samples were used as calibration samples while the rest were used as validation samples. A fter different spectral pretreatments and optimal wavelength selection by synergy interval partial least squares, a principal component regression model and a partial least squares model were developed for predicting the contents of moisture and reducing sugar in sweet potato, respectively. The results showed that the coefficient of determ ination, root mean square error of prediction, and standard deviation ratio of the optimal model for moisture and reducing sugar contents were 0.974 and 0.885, 1.154 and 0.270, and 6.334 and 3.148, respectively,indicating that the two models have good prediction performance, and the NIR model predicted values had a good correlation w ith the corresponding chem ical values. Therefore, the predictive model is suitable for rapid quantification of water and reducing sugar in large-scale sweet potato breeding.

near-infrared spectroscopy; sweet potato; moisture; reducing sugar; synergy interval partial least squares

10.7506/spkx1002-6630-201722031

TS207.3

A

1002-6630（2017）22-0205-06

高麗, 潘從飛, 陳嘉, 等. 甘薯水分和還原糖協同向量NIR快速檢測方法[J]. 食品科學, 2017, 38(22): 205-210.

DOI:10.7506/spkx1002-6630-201722031. http://www.spkx.net.cn

GAO Li, PAN Congfei, CHEN Jia, et al. Rapid determination of moisture and reducing sugar in sweet potato by nearinfrared spectroscopy coupled w ith chemometrics[J]. Food Science, 2017, 38(22): 205-210. (in Chinese w ith English abstract) DOI:10.7506/spkx1002-6630-201722031. http://www.spkx.net.cn

2017-03-07

重慶市社會事業與民生保障科技創新專項（cstc2015shms-ztzx80006）；重慶市特色食品工程技術研究中心能力提升項目（cstc2014pt-gc8001）

高麗（1991—），女，碩士研究生，研究方向為食品化學與營養學。E-mail：gl910112@163.com

*通信作者：王勇德（1972—），男，副研究員，博士，研究方向為食品加工。E-mail：84538607@qq.com趙國華（1971—），男，教授，博士，研究方向為食品化學。E-mail：zhaoguohua1971@163.com