基于近紅外光譜對冬棗水分糖分的無損檢測研究

陳沖 羅華平 索玉婷

摘要：

利用近紅外光譜技術對120冬棗水分/ 糖分進行研究，建立不同光譜特征的糖分/水分的偏最小二乘法（PLS）與主成分回歸（PCR）分析模型。將近紅外光譜異常樣本與光譜正常樣本分別建模，顯著提高了分析模型的預測精度、擴寬了模型的適用范圍。以冬棗主要吸收峰區間為基本建模波段。得到冬棗水分相關系數（R）為099745、校正均方差（RMSEC）為00445、預測均方差（RMSEP）為0367、因子數為7，糖分相關系數（R）為096078、校正均方差（RMSEC）為0853、預測均方差（RMSEP）為164、因子數為6。

關鍵詞：

近紅外光譜；冬棗；冬棗水分/糖分；PLS；PCA

中圖分類號：S-3

文獻標識碼：A

DOI：1019754/jnyyjs20190315001

引言

冬棗是我國獨有的，目前被公認品質最好的鮮食棗品種[1]，甘甜可口，富含維生素C、氨基酸、環腺苷酸、碳水化合物和礦物質（如鐵、鉀）等，深受消費者的青睞[2]。冬棗作為新疆南疆主要的經濟作物在采收環節冬棗水分和糖分的測量是紅棗企業衡量冬棗品質的重要指標。目前，國內冬棗基本以人工分揀為主，速度慢，識別率低，大大阻礙了冬棗分揀智能化的產業發展。因此建立一個無損、快速的定量分析方法對于建立冬棗無損檢測方至關重要。

近紅外光譜（Near Infrared Spectroscopy，NIR）技術在農產品檢測中越來越受歡迎。并且近紅外光譜技術對水果品質進行無損檢測成為近年來的研究熱點，國外許多學者相繼開展了對柑橘、蘋果、梨、桃等品質進行無損檢測的研究工作并卓有成效[3-8]，國外Jaya Sundaram等人用近紅外光譜技術預測含殼花生的含水率[9]，Renfu等通過采集 Hedelfinger 和 Sam 2 種甜櫻桃在 800～1700nm 處的近紅外光譜數據，結合偏最小二乘法（PLS）建立了甜櫻桃的糖度預測統計模型[10]。國內孫旭東等利用近紅外技術建立了南豐蜜桔的糖度校正模型[11]。趙杰文等利用近紅外漫反射光譜技術實現蘋果糖度無損檢測[12]。陳晨、張淑娟等利用近紅外漫反射光譜技術，建立葡萄和柿子可溶性固形物含量檢測模型[13-14] 。彭云發等利用近紅外利用豐富的光譜信息可實現對水果和食品中的水分的快速無損檢測[15-18]。近紅外光譜技術在果蔬品質安全檢測中取得了一定的研究進展[19-20]。

為此，本研究以采摘的新鮮冬棗為研究樣本，利用便攜式近紅外光譜儀采集冬棗樣品的漫反射光譜信息，利用手持糖量計測量冬棗含糖量，使用熱風干燥箱對冬棗進行烘干采用烘干減重法計算送灶水分含量。使用TQ-Analyst軟件建立冬棗基于近紅外光譜技術的水分與糖分模型，找到一種利于近紅外光譜技術檢測南疆冬棗的水分與糖分快速檢測方法，為冬棗加工分揀提供理論依據。

1材料與方法

11材料與試劑

本研究所用冬棗由新疆阿拉爾市十一團十七連巴山棗業公司提供，分別采購冬棗（一級、特級、棗王）各5kg。采用冷庫保鮮處理。用蓄冷箱運送至塔里木大學農業工程重點實驗室。挑選色澤與無機械損傷（一級、特級、棗王）冬棗各40個共計120個樣本。

12儀器與設備

實驗所用聚光科技便攜式光山掃描光譜儀型號為supNIR 1500（聚光科技杭州股份有限公司）采集光譜，采用鹵鎢燈為光源，檢測器規格INGaAs，平面漫反射，波長范圍1000～1800nm，光譜平均次數為10次，光譜分辨率≤12nm，波長準確性±02nm，波長重復性≤005nm。建模軟件為TQ-Analyst軟件。冬棗干燥設備為（GZX-9140MBE）電熱鼓風干燥箱（上海博訊事業有限醫療設備廠）。用JA2003型電子天平稱取冬棗質量。使用PAL-1手持糖量計（北京陽光億事達貿易有限公司）對冬棗進行糖分測量。

13方法

131近紅外光譜采集

試驗開始前，將樣品從冰箱取出并在室內靜置8h，并對冬棗進行表面清洗，光譜采集前對近紅外光譜儀進行30min預熱。實驗首先進行白板參比。預熱完成后進行光譜測定（測量距離為2cm），依次采集光譜在冬棗赤道部位分別采集5次，去光譜平均值作為該樣品的最終光光譜如圖1。

132烘干減質量法

將冬棗樣本其初始質量為M0，稱取的質量精確到001g記為M0。然后將冬棗放入60°的電熱鼓風干燥箱內烘干，每隔2h稱質量1次，至質量變化小于001g時從干燥箱中取出，并放入干燥箱內冷卻至室溫。稱取的質量為M1。計算冬棗樣本含水率（%）。

含水率（%）=m0-m1m0×100%

133糖分測定方法

糖分采用PLA-1手持糖度計對冬棗進行測量，儀器精度00%。糖度值（按國際GB12295-90執行），測量過程中室內溫度為21℃。測量前為保證測量精度每次測量前校準儀器。

14光譜數據分析

用于建模冬棗光譜采用TQ-Analyst軟件處理，分析數據之前對光譜數據進行預處理，預處理方法選用多（Multiple scatter correction，MSC），S-G（Savitzky-Golay）平滑、S-G（Savitzky-Golay）導數、均值中心化，選用（PLS）回歸分析對紅棗的校正建立驗證模型。基于校正集標準差（SEC）和相關系數（RC）的值。不同預處理方法的模型參數比較。

2分析

由表1可知：采用PLS進行建模預處理方法方法采用MSC-SG、SNV-SG、MSC、SNV分別得到PLS與MSC-SG處理方法R（099745）、SNV-SG處理方法R（099746）、MSC處理方法R（099184）SNV處理方法R（099183）。對應的校正均方差（RMSEC）分別為00445、00444、00798、00798，預測均方差（RMSEP）為0367，主因子數為7、6。