生鮮紫薯花青素等多品質參數的可見-近紅外快速無損檢測

卜曉樸，彭彥昆，王文秀，王 凡，房曉倩，李永玉*

紫薯原名川山紫，又名紫薯、紫紅薯[1]，是近幾年發展起來的一種新型紅薯類，富含強效自由基花青素。紫薯花青素具有抗氧化[2]、保護肝臟[3-4]、抗突變[5]、降血脂[6]等多種生理功能，較其他同類花青素，如葡萄花青素、李花青素和黑米花青素的理化性質穩定[7]，且具有顯著的生物學活性[8]，是目前世界上公認的防治疾病﹑維護人類健康最直接最有效的抗氧化劑[9]，其應用前景和經濟效益日益受到人們的重視。人們對紫薯營養價值和藥用價值的深入研究，大大促進了紫薯加工業的發展，并對紫薯原料快速檢測分選提出了新的要求。可見-近紅外光譜作為一種非破壞性分析技術，具有檢測成本低、速度快、不損傷樣品等優點[10-14]。在紫薯的眾多內部品質指標中，除花青素這一重要營養成分外，還有對紫薯的風味口感起著重要作用的可溶性固形物（soluble solid contents，SSC）和總糖（total sugars，TS）等指標，它們是評價紫薯內部品質的重要成分。可見-近紅外光譜作為一種快速無損檢測技術，已應用于多種果蔬SSC、TS等品質指標的檢測分選[15]，但目前對花青素的檢測研究主要集中在高效液相色譜法[16]、可見分光光度法[17]、pH值示差法[18]等，這些方法不僅耗時、費力，還會對待測樣品在一定程度上造成損傷。曹海燕等[19]基于近紅外光譜技術對紫薯半干面中的成分進行了快速檢測研究。目前還鮮見基于可見-近紅外的生鮮紫薯花青素多品質參數快速無損檢測的相關研究報道。

本研究基于實驗室自行搭建的可見-近紅外光譜系統，以市售寧紫4號生鮮紫薯為研究對象，探討寧紫4號生鮮紫薯的花青素、SSC以及TS的同時快速無損檢測方法，為生鮮紫薯加工業的原料檢測分選提供技術支持。

1 材料與方法

1.1 材料

紫薯樣品寧紫4號生鮮紫薯分6 批次購于北京清河鎮農副產品交易市場中心，選取表面光滑、無蟲眼、無傷痕、大小均勻的紫薯樣品52 個，以3∶1的比例隨機分為校正集和預測集，使不同批次樣品隨機分布在校正集和預測集中。平均每個紫薯的質量在100～130 g范圍內，長度在8～15 cm范圍內，將其用流動水清洗干凈，同時保證清洗過程中不會損傷表皮，將清洗后的紫薯擦干后置于室溫放置1 d，以消除其表面溫度對光譜的采集造成影響。

1.2 儀器與設備

實驗室自行搭建的可見-近紅外光譜采集系統包括AvaSpec-2048x14可見-近紅外光纖光譜儀、AvaLight-HAL光纖鹵鎢燈點光源（波長范圍為360～2 500 nm，功率10 W）、FCR-71R400-2-ME反射探頭，均購自荷蘭Avantes公司。該系統波長范圍為300～1 100 nm，光譜分辨率為0.04 nm。

Leng Gyang Teck 759S紫外-可見分光光度計 上海雙旭電子有限公司；ME204/02萬分之一電子天平梅特勒-托利多儀器（上海）有限公司；RA-620數字折光儀 可睦電子（上海）商貿有限公司；KQ3200DE數控超聲波清洗器 昆山市超聲儀器有限公司。

1.3 方法

1.3.1 光譜的采集

先將光譜儀和光源預熱30 min，待其穩定后進行光譜采集，避免因系統不穩定而對實驗結果產生影響。先以四氟乙烯白板為標準參比采集參比光譜和暗電流光譜，并對儀器進行校正。在紫薯樣品赤道部位選取3 個檢測點，固定探頭與樣品之間的距離為5 mm，設置積分時間為3.98 ms、平均次數為100 次、平滑次數為3 次，用AvaSoft 7.8軟件進行光譜采集。以赤道光滑部位3 個檢測點的平均光譜作為樣品的原始光譜曲線。

1.3.2 樣品理化值的測定

根據可見分光光度法[17]，利用紫外-可見分光光度計測定紫薯樣品中花青素含量，每個樣品測3 次取平均作為該樣品花青素含量標準理化值。

將紫薯去皮破碎擠出汁液，利用數字折光儀測定紫薯樣品中SSC含量，每個樣品測3 次取平均作為該樣品SSC含量標準理化值。

根據硫酸-苯酚比色法[20]，利用紫外-可見分光光度計測定紫薯樣品中TS含量，每個樣品測3 次取平均作為該樣品TS含量標準理化值。

1.3.3 光譜預處理及建模方法

用Matlab R2013a軟件對采集的光譜數據分別進行SG（Savitzky-Golay）15點卷積平滑、標準正態變量變換（standard normal variable transform，SNV）、SG 15點卷積平滑結合一階求導預處理，然后用偏最小二乘回歸（partial least square regression，PLSR）法分別建立紫薯各品質參數的預測模型。針對各參數最佳預處理結果采用競爭性自適應加權（competitive adaptive reweighted sampling，CARS）算法進行波長優選[21-24]，來簡化模型和提高模型預測精確度和穩定性。根據所篩選波長用PLS方法再對各品質參數進行建模分析。

2 結果與分析

2.1 紫薯可見-近紅外光譜預處理

圖1 紫薯原始光譜曲線及預處理后的光譜曲線Fig. 1 Original and pretreated spectra

利用實驗室自行搭建的可見-近紅外光譜系統分別采集了52 個紫薯樣品的反射光譜曲線，因采集的光譜曲線兩端信號較弱且噪聲較大，保留了波長350～1 100 nm范圍內的光譜信息，如圖1a所示。為消除高頻隨機噪聲、儀器漂移等對樣本的影響，需要對原始光譜進行預處理[25]，常用平滑處理來濾除各種因素產生的隨機噪聲[26]，SG 15 點卷積平滑后光譜曲線如圖1b所示，經SG 15 點平滑后的光譜曲線可以很好地濾除隨機噪聲，同時也有效保留了在原始光譜中出現的特征峰。紫薯原始光譜和SG 15 點卷積平滑光譜曲線均在波長410 nm出現了花青素的特征峰[27]，波長978 nm附近出現了水分的特征峰[28]。52 個紫薯原始光譜經SNV預處理后的光譜曲線如圖1c所示，SNV預處理主要用于校正光譜的散射，既可以有效消除光強衰弱等引起的噪聲，也可使原始光譜數據標準正態化[29]，不僅原始光譜中出現的兩處特征峰更為顯著，同時也很好地保留了紫薯全波段的光譜信息。SG 15點卷積平滑結合一階求導預處理光譜曲線如圖1d所示，一階導數光譜可以獲得原始光譜形態變化信息，同時可以強化原始光譜中隱藏在較寬吸收頻帶的微小特征峰，增強極值點、拐點等局部位置光譜反射率對內部成分含量等變化的響應差異[30]。經一階求導處理后，不僅原始光譜中出現的特征峰更加明顯，同時，在波長670 nm和878 nm附近也出現了新的特征峰。根據相關研究報道可知，經一階求導處理后的原始光譜形態信息中波長978 nm處為糖類的特征吸收峰[28]，波長670 nm處的特征峰與色素的吸收有關[31]，波長878 nm處為淀粉的特征吸收峰[28]。

2.2 紫薯各品質參數預測模型建立

2.2.1 全波段預測模型建立

表1 紫薯不同預處理方法的預測結果Table 1 Results of calibration and prediction with different preprocessing methods

52 個紫薯樣品反射光譜曲線分別進行SG 15 點卷積平滑、SNV以及SG 15 點卷積平滑結合一階求導預處理后，用PLSR進行了建模分析。如表1所示，對于花青素和TS而言，原始光譜數據均為采用SG 15 點卷積平滑結合一階求導預處理后模型預測效果最佳。花青素預測模型的校正集相關系數（Rc）和預測集相關系數（Rp）分別為0.853 6和0.850 4，校正均方根誤差（root mean square error of calibration，RMSEC）和預測均方根誤差（root mean square error of prediction，RMSEP）分別為0.338 3 mg/g和0.490 6 mg/g；TS預測模型的校正集和預測集相關系數分別為0.854 9和0.830 6，RMSEC和RMSEP分別為0.401 9%和0.414 0%。這可能是由于與其他預處理方法相比，經SG 15 點卷積平滑結合一階求導預處理后，光譜曲線在波長410 nm處花青素特征峰和波長978 nm處糖類特征峰最為顯著有關。對于SSC而言，原始光譜經SNV預處理后的預測模型效果最佳。SSC預測模型的Rc和Rp分別為0.914 1和0.852 4，RMSEC和RMSEP分別為0.758 0 °Brix和1.082 9 °Brix。這可能是由于SSC包含所有能溶于水的化合物，如可溶性糖、可溶性酸、水溶性維生素以及礦物質等，而經SNV預處理后的光譜曲線與其他預處理方法相比較好地保留了整個波段的樣品信息。

2.2.2 基于CARS算法優選特征波長后的建模分析

圖2 紫薯花青素變量篩選圖Fig. 2 Variable selection for anthocyanin

根據紫薯花青素、SSC以及TS的全波段建模結果，針對各參數最佳預處理光譜采用CARS進行波長篩選。基于CARS算法對花青素品質參數進行特征波長提取的過程如圖2所示。隨著運行次數的增多保留波長數逐漸減少。在1～29 次運行過程中，與花青素無關的變量被剔除，交互驗證均方根誤差（root mean square error of cross validation，RMSECV）不斷降低，隨著重采樣次數的不斷增加，RMSECV的值開始上升，這是因為在運行29 次之后會剔除掉與花青素相關的變量。

表2 用CARS算法篩選出的紫薯各品質參數特征波長Table 2 Wavelength selection for each quality parameter

如表2所示，根據RMSECV最小原則，最終選擇的采樣次數為29 次，波長變量數為28 個，篩選后的大多變量集中在花青素特征峰波長410 nm附近，同理，對SSC和TS依次進行特征波長的篩選，SSC RMSECV最小時的運行次數為28 次，此時保留的SSC的波長變量數為37 個，大多均勻分布在690～1 100 nm范圍內。TS RMSECV最小時的運行次數為27 次，此時保留的TS的波長變量數為42 個，篩選后的大多數變量集中在糖類特征峰附近，即波長900～1 100 nm范圍內。

圖3 寧紫4號生鮮紫薯花青素（A）、SSC（B）和TS（C）校正集和預測集的模型結果Fig. 3 Relationships between predicted and true values of anthocyanin (A), SSC (B) and TS (C)

基于CARS算法篩選出各品質的特征波長，用PLSR方法對紫薯各品質參數建立了預測模型。花青素校正集和預測集的模型結果如圖3A所示，模型相關系數分別為0.947 7和0.942 1，均方根誤差分別為0.206 2 mg/g和0.225 9 mg/g；SSC校正集和預測集的模型結果如圖3B所示，模型相關系數分別為0.947 0和0.943 1，均方根誤差分別為0.600 6 °Brix和0.878 7 °Brix；TS校正集和預測集的模型結果如圖3C所示，模型相關系數分別為0.955 5和0.925 3，均方根誤差分別為0.140 0%和0.244 3%。基于CARS算法篩選特征波長后的預測模型結果顯著優于全波段建模結果，模型也更加穩定。這是因為CARS算法有效剔除了光譜信息中與紫薯待測品質參數無關的變量，從而顯著提高了紫薯各品質參數預測模型的預測效果。結果說明，基于實驗室自行搭建的可見-近紅外光譜系統，可以實現對不同批次寧紫4號生鮮紫薯的花青素、SSC以及TS的同時快速無損檢測。

2.3 模型驗證

圖4 寧紫4號生鮮紫薯各品質參數的模型驗證結果Fig. 4 Model validation results for quality parameters of ‘Ningzi 4’ cultivar

為驗證所建模型的穩定性以及適用性，基于已建立的花青素、SSC以及TS的預測模型預測與建模樣品無關的10 個紫薯的花青素、SSC以及TS含量。同時，采用常規檢測法檢測10 個樣品的花青素、SSC以及TS的標準理化值，并與預測模型結果進行比較分析。如圖4所示，生鮮紫薯花青素的標準理化值與預測值的相關系數為0.835 4，RMSEP為0.443 1 mg/g；SSC的標準理化值與預測值的相關系數為0.832 4，RMSEP為1.322 4 °Brix；TS的標準理化值與預測值的相關系數為0.848 6，RMSEP為0.444 2%。結果表明，實驗所建立的預測模型可以實現對不同批次生鮮紫薯的花青素、SSC以及TS的快速無損檢測。

3 結 論

本實驗以市售寧紫4號生鮮紫薯為研究對象，探討了基于可見-近紅外光譜的生鮮紫薯花青素、SSC以及TS的同時快速無損檢測方法。將52 個生鮮紫薯原始光譜曲線分別進行SG 15 點卷積平滑、SNV以及SG 15 點卷積平滑結合一階求導預處理，再用PLSR方法對紫薯各品質參數進行了建模分析。對于花青素和TS而言，經SG 15 點卷積平滑結合一階求導預處理后光譜在波長410 nm處花青素特征峰和波長978 nm處糖類特征峰最為顯著模型預測效果最佳。花青素預測模型Rc和Rp分別為0.853 6和0.850 4，RMSEC和RMSEP分別為0.338 3 mg/g和0.490 6 mg/g；TS預測模型Rc和Rp分別為0.854 9和0.830 6，RMSEC和RMSEP分別為0.401 9%和0.414 0%。對于SSC而言，經SNV預處理的光譜曲線較好保留了整個波段樣品信息預測效果最好，Rc和Rp分別為0.914 1和0.852 4，RMSEC和RMSEP分別為0.758 0 °Brix和1.082 9 °Brix。針對紫薯各參數最佳預處理光譜采用CARS算法進行了波長篩選，然后再用PLSR方法對紫薯各品質參數建立了預測模型。花青素預測模型Rc和Rp分別為0.947 7和0.942 1，均方根誤差分別為0.206 2 mg/g和0.225 9 mg/g；SSC預測模型的Rc和Rp分別為0.947 0和0.943 1，均方根誤差分別為0.600 6 °Brix和0.878 7 °Brix；TS預測模型的Rc和Rp分別為0.955 5和0.925 3，均方根誤差分別為0.140 0%和0.244 3%。采用CARS算法有效剔除了光譜信息中與紫薯品質參數無關變量，顯著提高了紫薯各品質參數預測模型的預測效果。結果顯示，利用可見-近紅外光譜完全可以實現對生鮮紫薯的花青素、SSC以及TS的同時快速無損檢測，對生鮮紫薯品質的快速無損分選有著重要的實用意義。