梅州金柚品種的近紅外無損鑒別

姚婉清，彭夢俠，劉婷

（嘉應學院 化學與環境學院，廣東 梅州 514015）

據記載，廣東梅州栽種金柚已有近百年的歷史，梅州金柚已成為梅州最具區域特色的支柱產業。1995年梅縣被國家命名為“中國金柚之鄉”，2006年“梅州金柚”通過國家地理標志產品保護認證[1]。梅州金柚果大形正，果肉清甜，含有有機酸、維生素C、糖、蛋白質等以及人體組織不可或缺的礦質營養元素[2]。金柚有潤肺化痰、止咳清熱、降血壓血脂等功效，且通風環境下可存儲4個月左右，深受人們喜愛[3]。柚子的營養價值高及保健效果好，國內外對其的研究較多。梅州金柚可分為白肉蜜柚，紅肉蜜柚和沙田柚3 大品種，目前只能靠人體的食品感官分析區分不同品種，但準確率較低。而柚肉的內部品質指標測定起來繁瑣復雜，且對形態具有破壞作用，對不同品種的品質差異更是不易進行比較與分析，檢測和品質分級能力不足制約著梅州金柚產業的發展[4]。因此，研究建立對于梅州金柚品種的無損快速篩查和柚肉內部品質的分級技術，對建立獨特的地理標志農產品的差異鑒別有重要的影響和實用的價值。

近紅外結合化學計量學作為一種快速、無損、高效的檢測方法，適用于有機分子中含氫基團相關（OH、NH、CH）的物理和化學性質方面的研究分析，也可快速實現特定成分的定性或定量分析[5-6]，具有成本低、方便快捷、高效準確、綠色分析等優點，在石油、食品、農業、醫藥醫學等領域得到廣泛研究和應用[7]。采用近紅外結合化學計量學技術，尋找光譜吸收度與果品的糖度、酸度、VC等內在品質之間的相關信息，可對水果品種分級和內在品質定級的檢測[8-9]，僅需數秒時間，而且可以同時測定大批量樣品的多成分，不破壞樣品，對于實現水果品種和品質的無損快速鑒別，具有重要的意義。

本研究采用近紅外光譜數據結合化學計量學中的判別分析法（discriminant analyst）建立梅州金柚定性分析模型，選擇最佳的光譜預處理方法和波數范圍等操作優化模型，為梅州金柚品種和內在品質的無損快速鑒別提供思路，也有利于對梅州金柚這一地理標志保護產品的識別。

1 材料與方法

1.1 材料、試劑與儀器

1.1.1 材料

試驗研究樣品取購于梅州各縣的3 類各9種共27種柚子，見表1。

表1 試驗樣品Table 1 Experimental samples

1.1.2 試劑

無水葡萄糖：AR，廣州分析測試中心科力技術開發公司；蒽酮：AR，廣東光華科技有限公司；濃硫酸、氫氧化鈉：AR，東莞市斯巴達化學有限公司；酚酞、碳酸氫鈉：AR，東莞市喬科化學有限公司；草酸：AR，山東佰鴻新材料有限公司；抗壞血酸：AR，西隴科學股份有限公司；白陶土：AR，上海乙基化工有限公司；2,6-二氯靛酚：AR，上海如吉生物科技發展有限公司。

1.1.3 儀器

NICOLET IS 10 傅立葉變換紅外光譜儀：美國尼高力儀器公司；TQ Analyst 9.0 軟件、Ominic 9.0 軟件：美國賽默飛世爾科技公司；Cary 300 紫外可見分光光度計：梅特勒-托利多儀器上海有限公司；HTZ-1011A高速榨汁機：佛山邁諾詩電氣有限公司。

1.2 化學分析方法測定內在品質

金柚樣品采集了表皮的近紅外光譜后，測定總糖、維生素C 和總酸3個內在品質指標的含量。用蒽酮硫酸比色法測定樣品中可溶性糖的含量[10]，2，6-二氯靛酚滴定方法測定維生素C 含量[11]，用酸堿滴定法測定中的可滴定酸[12]。

1.3 紅外建模法

1.3.1 定判別分析方法建立定性模型

白柚、紅柚、沙田柚3個品種9個金柚，其中白柚樣品1～7號、紅柚樣品10～16號、沙田柚樣品19～25號為建模訓練集，其余6個樣品為驗證集。試驗利用Antaris 光纖槍采集紅外譜圖，見圖1。

圖1 數據采集點示意圖Fig.1 Data acquisition point diagram

如圖1中所示柚子表皮的南極、北極和赤道處對稱4個點，重心位置前后各1個點，一共6個點為數據采集點，每個點采集2 張譜圖，共324 張（其中訓練集252 張，驗證集72 張）。近紅外測定條件為：分辨率為8 cm-1，波長范圍為 10 000 cm-1～4 000 cm-1，掃描次數為64 次，以空氣為背景，譜圖采集完畢，進行基線校正后，保存備用。

使用 TQ Analyst 9.0 軟件的”Discriminant Analyst”（判別分析法）對光譜進行統計處理并建模，通過對近紅外光譜圖的預處理方法、特征光譜的選擇等操作優化模型。據模型的性能指數、預測相關系數、三維圖的聚類分析效果、模型對內部和外部驗證樣品的正確識別率判斷識別模型的準確性、合理性和穩定性[13-14]，最后實現對梅州金柚品種進行無損快速鑒別分析[15]。

1.3.2 模型的驗證與應用

為驗證所建判別模型的預測能力，隨機選取3個品種訓練集樣品中紅柚、白柚和沙田柚各2個共6個樣品，每個樣品選擇2 張未參與建模的紅外譜圖，共12 張，導入1.3.1所建定性模型，結合識別正確率、誤判率、預測相關系數、前10個主成分的累計貢獻率以及三維圖的聚類分析效果，判斷識別所建模型的優劣。

另外選取未參與建模的紅柚、白柚和沙田柚3個品種樣品 8、9、17、18、26、27號作為外部驗證的驗證集樣品，每個樣品測得12 張紅外譜圖，共72 張，判斷識別所建模型的預測能力。

2 結果與討論

2.1 不同品種金柚品質比較

2.1.1 外在品質比較

3種品種的金柚在縱橫徑、果形、囊瓣數、果重等果型指數上沒有明顯的區別，很難依靠柚子的外在品質區分品種和品質，而果品購銷時不能大批量采用破壞式檢測，費時費力還浪費樣品。

2.1.2 內在品質比較

按照1.2 化學分析方法，不同品種金柚的內在品質分析結果見表2。

表2 不同品種金柚的內在品質分析結果Table 2 Result of internal quality of different varieties of golden pomelo

由表2可知，不同品種的梅州金柚內在品質指標存在明顯差異。3種金柚品種平均的可溶性糖含量和總酸的含量差別不是特別明顯，沙田柚的可溶性糖含量比白柚和紅柚高，而總酸的含量比兩者低。內在品質差別最為明顯的是VC含量，沙田柚VC含量接近白柚和紅柚VC含量的兩倍多。隨著人們對果品的營養要求越來越高，柚子除了果汁豐富、酸甜可口外，含有豐富的糖類、有機酸等，特別是VC含量較其他水果高，這也是沙田柚較白柚、紅柚市場定價較高的原因之一[16]。

2.2 定性模型的建立

按照1.3.1 方法獲得金柚的近紅外光譜圖，每個樣品取12 張紅外光譜，共測得324 張（其中訓練集252張，驗證集72 張）。采用判別分析方法對所測紅外光譜圖進行建模，經過多次模型最佳條件的試驗研究分析，確定了建模的最佳條件。使用TQ Analyst 9.0 軟件的Norris derivative 濾波對光譜進行平滑處理，除噪長度為7、間距為4，光程恒定，采用二階導數法進行光譜的背景扣除和信號分離，選取8 961 cm-1～8 477 cm-1，7 369 cm-1～7 132 cm-1，5 492 cm-1～5 011 cm-1為建模的特征光譜區域，其他參數采用判別分析方法本身的默認值，最后建立金柚品種的定性識別模型三維得分圖和二維得分圖，（說明：主成分分析得分圖分為三維和二維得分圖）見圖2。

圖2 梅州金柚的判別模型主成分三維得分圖Fig.2 The principal component score 3D display of discriminant model for golden pomelo in Meizhou

從圖2可以看出，金柚樣品利用判別分析方法大致可以將訓練集樣品分為3個區域：白柚、紅柚和沙田柚，區分度較好。沙田柚聚在圖2 的左邊，較為集中，其VC含量是最高的，市場定價最高；紅柚聚在圖2 的右上方，較為分散，這與化學分析方法測定的內在品質結果符合，紅柚品種內在品質介于沙田柚和白柚之間，而市場價位也是定在兩者之間。白柚聚在圖2 的右下方，可溶性糖和VC是3個品種中最低的，而總酸是最高的，在3個品種中口感和營養成分較低，價位也最低，符合市場定價。

紅柚和白柚這兩類金柚在主成分-得分圖和馬氏距離圖中聚類較好，能明顯區分，圖3、圖4、圖5 分別是白柚、紅柚到沙田柚的距離。

圖3 紅柚、白柚為坐標系的主成分-馬氏距離圖Fig.3 The principal component analysis-Mahalanobis distance by white pomelo，red pomelo for the coordinate system

圖4 沙田柚、白柚為坐標系的主成分-馬氏距離圖Fig.4 The principal component analysis-Mahalanobis distance by Shatian pomelo，white pomelo for the coordinate system

從圖3、4、5中可以看出，白柚和紅柚的距離更近些，符合化學分析結果，這兩類柚子的可溶性糖含量、總酸和VC的含量相差不大，有部分樣品比較靠近，所以點數相對集中。但跟沙田柚的內在品質差別大點，因此到沙田柚樣品的距離大一點。沙田柚的總酸和VC含量范圍相對寬，所以離散程度比白柚和紅柚大。

圖5 沙田柚、紅柚為坐標系的主成分-馬氏距離圖Fig.5 The principal component analysis-Mahalanobis distance by Shatian pomelo，red pomelo for the coordinate system

2.3 模型的驗證與應用

按照1.3.2 方法，將訓練集樣品6個的紅外譜圖導入2.2所建定性分析模型檢驗模型，結果見表3。

表3 用模型檢測樣品結果Table 3 The results of the test samples by model

結果顯示，6種內部驗證的金柚按照品種分為3類，結果全部歸類正確，準確率達100%，模型性能指標為92.3%，前10個主成分的累計貢獻率為94.35%，模型的穩定性和準確性較好。

按照1.3.2 方法，將驗證集樣品6個的紅外譜圖導入2.2所建定性分析模型進行模型的實測。結果如表3所示，6種未參與建模的金柚樣品檢測結果為“Pass”，且按照品種分為3 類，馬氏距離均小于3，準確率高達100%，模型的預測能力較好。

3 討論

本文利用近紅外光譜集合化學計量學方法建立了無損快速鑒別梅州金柚品種的方法，模型合理性、穩定性和準確性良好。利用所建模型可準確快速、無損簡單區分大批量梅州金柚樣品品種，且對金柚內在品質分級有一定的理論指導意義。后續還可為梅州金柚的內在品質定量分析分級和貨架期的確定進行進一步的研究分析。