紅松仁脂肪的近紅外光譜定量檢測

仇遜超

(哈爾濱金融學院計算機系，黑龍江 哈爾濱 150030)

東北紅松仁中脂肪含量較高，且大部分為不飽和脂肪酸、亞油酸和油酸，對人體的健康十分有益，其中不飽和脂肪酸對降低血脂、血壓和預防心血管疾病有一定的功效，而亞油酸在經(jīng)過人體的消化吸收后可以轉化為二十碳五稀酸(Eicosapentaenoic Acid，EPA)和二十二碳六稀酸(Docosahexaenoic Acid，DHA)，這2種物質(zhì)能夠促進腦部和視網(wǎng)膜的發(fā)育，對視力退化以及老年癡呆癥有一定的預防作用[1]。此外紅松仁中脂肪含量對紅松籽的貯藏品質(zhì)有一定的影響，油脂酸敗會使松仁產(chǎn)生異味，縮短紅松籽的貯藏壽命[2]。因此，紅松仁中的脂肪不僅能夠作為評定紅松籽果實營養(yǎng)價值的重要依據(jù)，還對決定紅松籽的貯藏時間起到重要作用。目前紅松仁脂肪的提取主要采用基于索氏提取的化學分析法，該方法步驟繁鎖、提取耗時較長，并且由于需要大量揮發(fā)性溶劑，在檢測過程中會危害檢測人員的身體健康[3]，檢測后紅松仁也無法繼續(xù)使用。因此，建立一種簡便、快速、安全、準確、非破壞性的紅松仁脂肪含量檢測方法，十分必要。

近紅外光譜分析技術將化學計量學方法與近紅外光譜檢測技術相融合，通過分析被測物品的合頻或倍頻振動吸收光譜，對物質(zhì)的組成、結構進行定量、定性分析，進而實現(xiàn)被測物品的綠色檢測分析，該方法操作簡便，過程快速，無需任何溶劑就可同時完成多項指標的測定，且對樣品不會產(chǎn)生任何破壞[4]。孫曉明等[5]利用SupNIR-1000近紅外光譜儀,在1 000 nm至1 799 nm光譜范圍內(nèi)對牛肉和肉餡的脂肪含量進行檢測研究，其整塊牛肉和肉餡的脂肪模型預測相關系數(shù)分別為0.810和0.972。張中衛(wèi)等[6]在900 nm至1 700 nm波長范圍下，利用微型近紅外光纖光譜儀結合Y型探頭，對奶粉中脂肪含量進行了漫反射光譜測定，所建脂肪模型的預測標準差為1.109。近年來研究人員利用近紅外光譜技術對堅果也展開了研究。郝中誠等[7]在1 000 nm至1 800 nm波長范圍內(nèi)建立了南疆溫185核桃水分近紅外模型，模型預測的平均偏差為0.35%。劉潔等[8]采用近紅外光譜法對栗仁及帶殼板栗水分進行了定量分析，栗仁、帶殼板栗的水分模型驗證集均方根誤差分別是1.83%、2.27%。傅誼等[9]應用近紅外光譜技術構建了板栗淀粉、糖度和硬度偏最小二乘模型，結果表明這3種模型的相關系數(shù)都達到了0.99以上。作者前期研究結果也證實利用近紅外光譜技術可以實現(xiàn)對東北紅松籽內(nèi)部蛋白質(zhì)[10]和水分[11]的定量檢測。采用近紅外分析技術對紅松仁脂肪進行檢測的研究還未見報道。

本研究擬在900 nm至1 700 nm光譜范圍內(nèi)，利用便攜式光譜儀對紅松仁脂肪進行定量檢測。采用求導、多元散射校正、變量標準化校正和矢量歸一化多種預處理方法對原始紅松仁光譜數(shù)據(jù)進行處理，分析討論不同光譜預處理方法對紅松仁脂肪建模精度的影響，經(jīng)過對比分析選定最佳的預處理方法。在預處理結果的基礎上，利用間隔偏最小二乘法、反向間隔偏最小二乘法、無信息變量消除法，探討光譜波段篩選法對紅松仁脂肪建模精度的影響，通過比較分析進而確定最優(yōu)的波段篩選方法以及適合建模的波段范圍，最終構建出質(zhì)量較好的去殼紅松仁脂肪近紅外數(shù)學模型，從而實現(xiàn)對紅松仁脂肪的高效、準確、快速定量無損檢測。

1 材料與方法

1.1 材料

生紅松籽樣品由黑龍江省伊春市涼水國家級自然保護區(qū)提供，試驗前對全部紅松籽樣品進行清洗、擦拭，并按照松子貯藏標準，將全部紅松籽樣品保存于相對濕度50%～60%、溫度-1～2 ℃條件下。為了滿足光譜數(shù)據(jù)的采集要求，獲取紅松籽樣品近紅外光譜信息前，先將其放置于實驗室24 h，以保證其溫度和濕度與實驗室環(huán)境相一致。選取紅松籽樣品5 168粒，進行手工去殼，并完全去掉紅衣，從中挑選出134份樣品用于后續(xù)的檢測研究，并按照3∶1的比例對樣品進行校正集與驗證集的劃分，校正集樣品用以實現(xiàn)模型的構建，驗證集樣品用以實現(xiàn)對模型的驗證。

1.2 試驗設備

光譜儀器為德國INSION公司產(chǎn)品NIR-NT-spectrometer-OEM-system(圖1)，適用光譜波長范圍為900～1 700 nm，探測器陣列為InGaAs陣列，光譜分辨率<16 nm，入口光纖為300 μm/330 μm，體積為67 mm×36 mm×22 mm(長×寬×高)。該光譜儀器尺寸小，無可移動器件，操作簡單、便攜，價格低廉，可在復雜環(huán)境下工作，并且不受劇烈振動的影響，適合紅松仁樣品的在線檢測。光源為鹵素光源，其工作電壓為24 V。鹵素燈光源與紅松仁樣品間采用Y型光纖連接，光纖的另一端與光譜儀連接，光譜儀與PC機間通過USB線實現(xiàn)連接。

圖1 NIR-NT光譜儀Fig.1 NIR-NT spectrometer

1.3 試驗方法

1.3.1 紅松仁近紅外光譜數(shù)據(jù)的獲取方法 獲取紅松仁樣品光譜數(shù)據(jù)的過程中，保持實驗室環(huán)境溫度在26 ℃左右。采集紅松仁光譜數(shù)據(jù)前，先將鹵素光源、近紅外光譜儀打開預熱15 min，使其穩(wěn)定，對標準鍍金漫反射背景體進行掃描，用于后續(xù)試驗的背景參比；采用漫反射方式掃描，設定平均掃描次數(shù)為3次，光譜儀積分時間為30 ms。將紅松仁樣品至于探頭上，保證光源對紅松仁樣品的垂直照射，通過對樣品的4次重新擺放連續(xù)掃描，以實現(xiàn)對樣品的共12次掃描。紅松仁樣品光譜的測量示意圖如圖2所示，試驗過程中，紅松仁與光源的距離在3 mm左右。

圖2 紅松仁光譜測量示意圖Fig.2 The schematic diagram of spectra measurement for peeled Korean pine seeds

1.3.2 紅松仁脂肪的化學測定方法 采用食品安全國家標準GB5009.6-2003中的索氏提取法，對紅松仁樣品的脂肪含量進行測定。

2 結果與分析

2.1 檢測模型校正集與驗證集樣品的劃分

采用基于歐式距離的Kennard-Stone(K-S)方法[12]劃分紅松仁脂肪含量近紅外光譜檢測模型的校正集和驗證集。劃分結果(表1)顯示，紅松仁樣品脂肪含量分布在60%至71%之間，差異較廣，代表性較高，反映了紅松仁樣品選取的合理性，也表明這些紅松仁樣品能夠滿足構建近紅外模型的要求；驗證集紅松仁樣品的脂肪含量分布在60.58%至65.24%之間，其覆蓋范圍小于校正集紅松仁脂肪含量變化范圍(60.04%～70.93%)，表明紅松仁樣品校正集所構建的脂肪含量檢測模型能較好地適用于驗證集樣品。

表1 紅松仁脂肪含量近紅外光譜檢測模型的校正集和驗證集

2.2 紅松仁近紅外光譜數(shù)據(jù)分析

采用漫反射方法采集紅松仁樣品的原始反射光譜數(shù)據(jù)(圖3)，光譜波長范圍為906.90～1 699.18 nm，采樣間隔為6.83 nm。脂肪是由脂肪酸和甘油組成的三酰甘油酯，組成元素為C、H、O，其結構長鏈中的主要基團為烴基。圖3中950 nm附近的微弱波峰為C-H鍵伸縮振動的三倍頻[13]，根據(jù)文獻[14]可知，1 160 nm附近的波峰為C-H鍵二級倍頻吸收，1 660 nm附近的較小波峰為C-H鍵一級倍頻吸收。根據(jù)文獻[6]可知，脂肪C-H鍵倍頻吸收的特征譜帶在950～1 020 nm、1 070～1 440 nm、1 520～1 680 nm處。因此本研究選取的波長范圍包含了脂肪的特征吸收區(qū)域，說明紅松仁樣品的光譜數(shù)據(jù)能夠反映其脂肪的相關信息。此外，由于受到近紅外光譜區(qū)自身吸收強度弱、靈敏度低等的影響，原始近紅外光譜呈現(xiàn)出較為復雜的重疊信息，但是從整體光譜曲線來看其重復性較好，形態(tài)具有相似性和一定的規(guī)律性。

圖3 紅松仁樣品原始近紅外光譜數(shù)據(jù)Fig.3 The original spectrum of the peeled Korean pine seed samples

2.3 紅松仁近紅外光譜的預處理

采用矢量歸一化(Vector normalization)、一階導數(shù)(First derivative, 1-Der)、二階導數(shù)(Second derivative, 2-Der)、多元散射校正(Multiplication scatter correction, MSC)、變量標準化校正(Standard normalized variate, SNV)方法對原始紅松仁光譜進行預處理，以消除附加散射變動、光程變化、噪聲信息等對原始光譜數(shù)據(jù)的干擾。采用偏最小二乘回歸分析(PLS)，構建多個紅松仁脂肪近紅外光譜模型，根據(jù)計算所得的各模型校正集相關系數(shù)(Rc)、驗證集相關系數(shù)(Rp)、校正集均方根誤差(RMSEC)、驗證集均方根誤差(RMSEP)參數(shù)，評定模型的優(yōu)劣，從而實現(xiàn)對最優(yōu)光譜預處理方法的選取。最優(yōu)參數(shù)的評價標準是：相關系數(shù)越大(越接近1)越好，均方根誤差越小(越接近0)越好。

通過對光譜數(shù)據(jù)進行導數(shù)處理，可以消除基線和背景干擾，但處理效果會受到求導窗口寬度的影響，因此，需要對最佳窗口寬度進行確定。依據(jù)模型的交叉驗證均方根誤差(RMSECV)評定最佳求導窗口寬度，評定標準為RMSECV越小越好。由圖4可知，預處理中當1-Der、2-Der窗口寬度分別取10、25時，構建的脂肪PLS模型RMSECV值最小。

圖4 不同窗口寬度導數(shù)建模結果對比Fig.4 The results of derivative models in different window width

利用Matlab 7.10.0軟件平臺，對原始紅松仁光譜進行多種不同預處理，分別構建脂肪PLS模型。由表2可知，原始紅松仁光譜經(jīng)過歸一化、SNV、MSC預處理后，模型的質(zhì)量反而下降了，這是因為預處理后光譜的真正有效信息減少了，并且MSC建立的模型略劣于SNV建立的模型，這是由于二者的校正原理不同，SNV是將每條光譜看作滿足正態(tài)分布的數(shù)據(jù)來進行處理的，即對每一條光譜數(shù)據(jù)進行單獨處理，而MSC則是對一組樣品的全部光譜陣進行整體預處理。經(jīng)過求導處理后模型的質(zhì)量提升了，說明經(jīng)過求導預處理后特征信息被有效地提取了，也表明選用合理的預處理方法可以使模型的穩(wěn)健性和預測精準度得到提高。但經(jīng)2-Der預處理后構建的模型質(zhì)量低于1-Der構建的模型，說明在2-Der預處理過程中雖然消除了背景與基線的干擾，但也放大了噪聲。采用1-Der預處理后得到的紅松仁脂肪PLS模型最佳，其Rc為0.878 6，Rp為0.836 3，RMSEC和RMSEP分別為0.650 8、0.695 0。

2.4 紅松仁光譜數(shù)據(jù)的特征波段篩選

全波段范圍內(nèi)光譜數(shù)據(jù)信息量大，冗余信息較多，容易造成較長的處理時間，以及大量的建模計算工作，對產(chǎn)品的在線快速檢測不利，此外某些波段區(qū)域的信噪比較低，對模型建立產(chǎn)生影響和干擾[15]。采用間隔偏最小二乘法(Interval partial least squares, iPLS)[16]、反向間隔偏最小二乘法(Backward interval partial least squares, BiPLS)[17]和無信息變量消除法(Elimination of uninformative variables, UVE)[18]對經(jīng)過預處理的光譜數(shù)據(jù)進行特征波段篩選，以減少數(shù)據(jù)冗余，加快處理速度，提高模型精度。

分割數(shù)的大小直接影響到間隔偏最小二乘法(iPLS)、反向間隔偏最小二乘法(BiPLS)模型的效果。分割數(shù)較大時，不能有效地減少變量數(shù)目，使得計算量大、建模復雜；較小時，則會剔除掉信息量較好的區(qū)間。由圖5可知，iPLS、BiLPS分割數(shù)分別取15、10時，經(jīng)波段篩選后，構建的相應紅松仁脂肪模型最優(yōu)。

圖6為紅松仁光譜經(jīng)1-Der預處理后，在分割數(shù)為15時iPLS波段篩選結果，其中，虛直線為全光譜波長范圍下經(jīng)過1-Der預處理后構建模型的RMSECV，虛線以下的波段區(qū)間為篩選保留的區(qū)間。保留的波段組合區(qū)域是1、3、6、8，對應的波長范圍為906.90～1 002.52 nm、1 111.80～1 207.42 nm、1 419.15～1 514.77 nm、1 624.05～1 699.18 nm。圖7為紅松仁光譜經(jīng)1-Der預處理后，在分割數(shù)為10時BiPLS波段篩選結果，其中，陰影部分光譜為篩選保留下的波段。保留的波段組合區(qū)域是1、5、7、12，對應的波長范圍為906.90～968.37 nm、1 180.10～1 241.57 nm、1 400.08～1 474.40 nm、1 658.20～1 699.18 nm。

表2 多種預處理方法構建的紅松仁脂肪PLS模型參數(shù)對比

圖5 不同分割數(shù)建模結果對比Fig.5 The results of models in different numbers of partition

圖6 iPLS波段選取結果Fig.6 The bands selection results of iPLS

圖7 BiPLS波段選取結果Fig.7 The bands selection results of BiPLS

UVE變量篩選方法依據(jù)的是對PLS回歸系數(shù)的穩(wěn)定性分析。圖8中虛曲線表示波長變量穩(wěn)定性分布結果，實曲線表示引入的噪聲變量穩(wěn)定性分布結果，虛直線為閾值上、下限，在2條虛直線外的波長變量會得到保留。圖9為原始紅松仁光譜經(jīng)1-Der預處理后的波段篩選結果，篩選保留的波長范圍是906.90～1 111.80 nm、1 186.93～1 255.23 nm、1 330.36～1 371.34 nm、1 514.77～1 630.88 nm、1 651.37～1 699.18 nm。

2.5 全波段、特征波段建模結果比較分析與模型的驗證

分別在全波段、特征波段范圍下建立紅松仁脂肪PLS模型，根據(jù)相關系數(shù)和均方根誤差的對比結果，進而確定特征波段的選取方法。由表3可知，經(jīng)過波段篩選后模型的各個參數(shù)均得到了改善，變量數(shù)目減少的同時，也有效地提高了相關系數(shù)，降低了均方根誤差，說明優(yōu)選波段有益于模型質(zhì)量的提高。BiPLS構建的模型質(zhì)量最佳，這是由于經(jīng)BiPLS篩選保留的吸收譜帶分別與脂肪C-H鍵的基頻和倍頻相對應，脂肪屬性中最重要的特征波段得到保留，多數(shù)冗余信息被有效地剔除。iPLS雖然消除了多數(shù)冗余信息，但由于將各分割波段區(qū)間單獨考慮，沒有考慮他們之間的聯(lián)系，導致波段選擇不夠準確。UVE篩選方法保留了較多的變量，包含冗余信息較多，使模型的預測精度提升效果并不明顯。在BiPLS選取的波段范圍下，建立的紅松仁脂肪PLS模型Rc為0.911 4，Rp為0.882 0，RMSEP為0.646 8。因此，在構建紅松仁樣品脂肪PLS近紅外模型的過程中，采用BiPLS波段選取方法能夠更有效地篩選出較為重要的特征響應譜帶，更好地提升模型質(zhì)量。

圖8 UVE變量穩(wěn)定性分析Fig.8 The stability analysis of UVE variable

圖9 UVE波段選取結果Fig.9 The bands selection results of UVE

表3 全波段、特征波段構建的紅松仁脂肪PLS模型參數(shù)對比

iPLS：間隔偏最小二乘法；BiPLS：反向間隔偏最小二乘法；UVE：無信息變量消除法。

圖10 紅松仁脂肪含量模型預測結果Fig.10 Model predication results of the fat content in the peeled Korean pine seeds

3 討 論

本研究利用近紅外光譜分析技術進行紅松仁脂肪定量無損檢測試驗。用便攜式近紅外光譜儀在900 nm至1 700 nm波長范圍內(nèi)獲取紅松仁近紅外光譜數(shù)據(jù)，采用Kennard-Stone方法實現(xiàn)校正集與驗證集的劃分。通過優(yōu)選光譜的特征波段，模型的預測性能和各項指標參數(shù)得到提升，印證了在建模分析過程中波段篩選的重要性。通過比較不同預處理方法構建的模型評價參數(shù)，發(fā)現(xiàn)只有選用合適的預處理方法，才能在保留有效光譜信息的同時，消除噪聲及干擾因素，構建最佳近紅外模型。

研究結果表明：(1)針對原始紅松仁光譜選取合適的預處理方法，能夠提升模型的質(zhì)量，其中，經(jīng)過一階導數(shù)(1-Der)預處理的紅松仁脂肪PLS模型最優(yōu)；(2)iPLS、BiPLS、UVE波段篩選方法均可使建模變量的數(shù)量在不同程度上有所減少，降低建模工作的計算量，從而實現(xiàn)優(yōu)化模型質(zhì)量的目的，其中經(jīng)BiPLS波段優(yōu)選后建立的模型最為理想，保留了脂肪成分中C-H等功能基團的倍頻吸收響應譜帶，消除了大量冗余信息，實現(xiàn)了篩選波長的目的，其建立的紅松仁脂肪PLS模型Rc為0.911 4，Rp為0.882 0，RMSEP為0.646 8，驗證集預測平均偏差絕對值為0.53%。由此可見，本研究構建的紅松仁脂肪含量近紅外預測模型的預測結果是可靠的，為紅松仁脂肪含量的實時、準確檢測提供了新的思路和方法，也為近紅外光譜模型優(yōu)化提供了一定的參考方法。

參考文獻：

[1] 于俊林,車喜泉,常紀慶. 松仁的化學成分及功效[J].人參研究,2001,13(1):25-27.

[2] 李鵬霞,王 煒,梁麗松,等. 不同貯藏溫度對不同狀態(tài)松籽種仁脂肪酸氧化的影響[J].上海農(nóng)業(yè)學報,2009,25(1):23-26.

[3] 廖敦軍,蔣 蘋. 油茶籽脂肪酸成分含量與高光譜反射率的相關性[J].湖南農(nóng)業(yè)大學學報(自然科學版),2013,39(4):445-448．

[4] AERNOUTS B,POLISHIN E,LAMMERTYN J,et al. Application of near infrared reflectance (NIR) spectroscopy to identify the quality of milk[J].Journal of Dairy Science,2011,94(11):5315.

[5] 孫曉明,盧 凌,張佳程,等. 牛肉化學成分的近紅外光譜檢測方法的研究[J].光譜學與光譜分析,2011,2(31):379-383.

[6] 張中衛(wèi),溫志渝,曾甜玲,等. 微型近紅外光纖光譜儀用于奶粉中蛋白質(zhì)脂肪的定量檢測研究[J].光譜學與光譜分析,2013,7(33):1796-1800.

[7] 郝中誠,彭云發(fā),張 宏,等. 基于近紅外光譜的南疆溫185核桃水分無損檢測的研究[J].安徽農(nóng)業(yè)科學,2014,42(21):7191-7193,7233.

[8] 劉 潔,李小昱,李培武,等. 基于近紅外光譜的板栗水分檢測方法[J].農(nóng)業(yè)工程學報,2010,26(2):338-341.

[9] 傅 誼,張擁軍,陳華才,等. 基于偏最小二乘法的板栗近紅外光譜分析模型的建立[J].食品科技,2012(5):42-45.

[10] 仇遜超,曹 軍. 近紅外光譜波段優(yōu)化在東北松子蛋白質(zhì)定量檢測中的應用[J].現(xiàn)代食品科技,2016,32(11):303-309.

[11] 仇遜超,曹 軍. 便攜式近紅外光譜儀檢測紅松籽水分含量的研究[J].東北林業(yè)大學學報,2016,44(12):15-20,30.

[12] MACHO S, IUSA R, CALLAO M P, et al. Monitoring ethylene content in heterophasic co-polymers by near-infrared spectroscopy standardization of the calibration model[J]. Amal Chim Acta,2001,445(2):213-220.

[13] 李曉云,王加華,黃亞偉. 便攜式近紅外儀檢測牛奶中脂肪、蛋白質(zhì)及干物質(zhì)含量[J].光譜學與光譜分析,2011,3(31):665-668.

[14] 王培培,張德全,陳 麗,等. 近紅外光譜法預測羊肉化學成分的研究[J].核農(nóng)學報,2012,26(3):500-504.

[15] 張 初,劉 飛,孔汶汶,等. 利用近紅外高光譜圖像技術快速鑒別西瓜種子品種[J].農(nóng)業(yè)工程學報,2013,29(20):270-276.

[16] CHEN H Z,TAO P, CHEN J M, et al. Wav-eband selection for NIR spectroscopy analysis of soil organic matter based on SG smoothing and MWPLS methods[J]. Chemometrics and Intelligent Laboratory Systems,2011,107(1): 139-146.

[17] PARK B, ABBOTT J A, LEE K J, et al. Near-infrared diffuse reflectance for quantitative and qualitative measurement of soluble solids and firmness of delicious and Gala apples[J].Tran-sactions of the ASAE,2003, 46(6):1721-1731.

[18] HE K X, CHENG H, DU W L, et al. Online updating of NIR model and its industrial application via adaptive wavelength selection and local regression strategy[J].Chemometrics and Intelligent Laboratory Systems,2014, 134(8): 79-88.