近紅外光譜技術在堅果檢測中的應用研究

（東北林業(yè)大學機電工程學院，黑龍江 哈爾濱 150040）

堅果是我國重要的林果資源，大多富含蛋白質、維生素、油脂、礦物質等營養(yǎng)元素，具有一定的營養(yǎng)保健功能，如今已成為大多數(shù)家庭的必備零食。然而堅果有堅硬的外殼，很難像其它食品一樣通過外觀、味道、顏色等來鑒別其品質，市場上難免會出現(xiàn)以次充好、以陳代新等情況。在遺傳育種方面也只能用抽測和經驗來篩選堅果種子。至于產地、品種都是憑經驗獲得，或者依賴賣家的信譽。傳統(tǒng)的堅果品質鑒定方法主要是人工抽檢或者理化檢測。人工抽檢主觀性強，無法保證檢測效果；理化檢測耗時長、對檢驗操作人員的健康有不良影響且屬于破壞性檢測。

近紅外光譜技術是利用有機分子中含氫基團間振動的倍頻與合頻的吸收光譜，分析得到分子的狀態(tài)、組成、結構等信息，具有檢測速度快、準確度高、無任何毒副作用、不破壞待測樣品等優(yōu)點，在農業(yè)、食品、醫(yī)藥、煙酒、石油等多個領域得到廣泛應用[1]。隨著光譜分析儀器的不斷更新?lián)Q代，近紅外光譜分析技術的研究領域進一步擴大，研究內容也在不斷地增加和深入。目前，近紅外光譜技術已逐漸應用于堅果的品質檢測，如堅果內部營養(yǎng)物質含量測定、堅果的病蟲害測定、堅果的產地溯源等。

1 對堅果品質的分析與研究

堅果營養(yǎng)價值的高低、口感如何主要取決于其內部的蛋白質含量、脂肪酸含量、水分含量等，而堅果的品質分級也應主要看堅果的內部品質，傳統(tǒng)理化檢測方法如蛋白質檢測通常是凱氏定氮法，檢測完的果實就不能食用了，只能抽樣檢測，而且在檢測過程中會產生有毒氣體，會損害檢測者的身體健康。堅果如果貯藏不當極易產生脂肪酸敗、霉變、病蟲害等，但由于外殼較厚，從外部很難直接發(fā)現(xiàn)。近紅外光譜分析技術具有綠色、無損、檢測速度快等優(yōu)點，近些年在堅果品質研究方面得到了廣泛的應用。

1.1 含水率測定

堅果含水率是評定堅果品質的一個重要參數(shù)，含水率過高，在儲藏過程中會增強致病菌微生物的活動，增加腐爛變質的可能性；含水率過低，會影響堅果的口感，導致堅果不夠飽滿、質量較輕、影響經濟效益。傳統(tǒng)的烘干減重法具有破壞性、測量時間較長。近年來，已有研究表明近紅外光譜技術可測定花生、板栗、松子、核桃等堅果的含水率。如Jiaqi Hu等[2]用近紅外光譜技術建立了新鮮板栗水分和水溶性糖的偏最小二乘（partial least square，PLS）模型，均方根誤差（root mean square error，RMSE）均低于 0.05。傅誼等[3]應用近紅外光譜技術和化學計量學方法，對板栗采用多元散射校正（multiplicative scatter correction，MSC）和二階導數(shù)技術進行處理，采用偏最小二乘法分別建立了水分、淀粉、硬度和糖度的定標模型，4種PLS模型的相關系數(shù)均大于0.99。郝中誠等[4]利用近紅外光譜技術對南疆溫185核桃進行水分無損檢測，并用標準烘干法對所建立的檢測模型進行驗證，采用標準正態(tài)變量變換（standardized normal variate，SNV）方法進行光譜預處理，用偏最小二乘回歸分析法建立模型，試驗得平均偏差為0.35%，證明可以采用近紅外分析法進行核桃水分預測。

1.2 蛋白質含量測定

蛋白質也是堅果的一個重要成分，能夠對人的疲倦乏力感進行抑制，傳統(tǒng)理化檢測方法如蛋白質檢測通常是凱氏定氮法、甲醛滴定法等，這兩種方法的操作步驟都非常繁瑣且不夠安全。因此，用近紅外光譜分析進行堅果蛋白質的測定也是一個新的研究方向。劉潔等[5]以帶殼板栗和栗仁為研究對象，對板栗建立了蛋白質含量的近紅外光譜模型，栗仁的校正均方根誤差為0.29%，帶殼板栗的校正均方根誤差為0.35%。宋麗華等[6]以河北省地方花生品種為研究對象，采用偏最小二乘法，結合多種光譜預處理方式，建立了花生籽仁蛋白質含量的近紅外光譜模型，最后預測值和化學值的絕對誤差小于0.23，相對誤差變化范圍也控制在0.02%～1.13%。金華麗等[7]對花生種子樣品建立了蛋白質含量的近紅外測定模型。結果顯示：蛋白質含量得到的相關系數(shù)為0.919 7。

1.3 油酸、亞油酸等脂肪酸含量測定

堅果中的脂肪酸是人體主要能量來源之一，用近紅外光譜技術對其含量進行分析也是一個研究熱點。張嚴等[8]利用近紅外技術分析花生籽粒脂肪酸含量，建立了花生籽粒5種主要脂肪酸（棕櫚酸、油酸、亞油酸、花生酸和山崳酸）含量的近紅外光譜定標模型。其中油酸和亞油酸的定標模型質量較高，交互驗證決定系數(shù)分別為0.933 0和0.924 9，外部驗證決定系數(shù)分別為0.940 1和0.948 7。金華麗等[9]建立了花生種子含油量近紅外測定模型。結果顯示：用含油量模型驗證樣品的預測值和化學法測定值的相關系數(shù)（R2）為0.935 4。汪慶平等[10]對山核桃采用了破殼粉碎處理，對其中的粗脂肪含量進行了定標方程研究。定標結果表明，粗脂肪的相關系數(shù)高達0.99，變異系數(shù)為0.83。馬文強等[11]采用偏最小二乘回歸和支持向量機回歸算法建立了核桃仁脂肪含量的預測模型，發(fā)現(xiàn)采用特征波段建立的支持向量機回歸預測模型與傳統(tǒng)偏最小二乘回歸模型相比能大幅降低建模復雜度，模型驗證集決定系數(shù)可以達到0.88，均方根誤差可以達到1.3716%。

1.4 其它成分含量的測定

堅果內除了上述幾種化學成分以外，還含有其它很多微量元素、糖分、淀粉等，也得到了越來越多人的重視。只是由于建模的穩(wěn)健性等原因，近紅外光譜分析法對含量較低的成分檢測準確度也會降低。如秦利等[12]對72份國內外優(yōu)質食用花生種質資源進行花生籽仁蔗糖含量的化學測定，采用偏最小二乘法建立近紅外光譜定標模型。研究結果表明：所建模型中蔗糖含量的定標決定系數(shù)為0.822，定標標準誤差為0.386。Giovanna Canneddu等[13]用傅立葉變換近紅外光譜對帶殼和去殼澳洲堅果的品質進行了評價。采用主成分分析-線性判別（principal components analysis-linear discriminant analysis，PCA-LDA）方法對澳洲堅果分類的準確率可達93.2%，可以成功地用于預測未脫殼澳洲堅果中的過氧化值（PV）和酸度指數(shù)（AI）。A Pannico等[14]將近紅外光譜技術應用于榛子的研究，檢測榛子帶殼和脫殼的脂肪氧化水平，經試驗，帶殼榛仁的均方根誤差為0.79，脫殼榛仁的均方根誤差為0.85。王晶等[15]采用一階微分方式處理原始數(shù)據(jù)，利用偏最小二乘法建立花生酸價、過氧化值的近紅外預測模型，酸價模型的均方根誤差為0.080，過氧化值模型的均方根誤差為0.459。

1.5 在病蟲害、霉變等方面的研究

堅果如出現(xiàn)了霉變、褐變等情況，經過處理后從外觀很難識別，病蟲害如果蟲眼較小也很難用肉眼識別。用近紅外光譜技術和化學計量學方法就能解決這一難題。如周竹等[16]對帶殼板栗的近紅外光譜數(shù)據(jù)進行傅里葉變換，并利用GA-LSSVM算法構建了霉變板栗識別模型，對測試集中合格板栗、表面霉變板栗和內部霉變板栗的平均識別正確率分別為95.89%、100%和98.25%，板栗的總體平均識別正確率可達到97.54%。鄭劍等[17]用近紅外光譜結合Fisher模型對褐變板栗進行快速無損分揀，識別正確率可達到95.00%。潘磊慶等[18]進行了板栗褐變的無損檢測，對去殼板栗和帶殼板栗褐變識別準確率可達100%和66.7%。展慧等[19]利用BP神經網絡方法建立了基于近紅外光譜的板栗缺陷檢測分級檢測模型，對蟲眼和霉變板栗的識別率可達86.25%。Roberto Moscetti等[20]用近紅外光譜技術進行了霉變板栗的研究，采用了遺傳算法結合線性判別分析（linear discriminant analysis，LDA）、二次判別分析（quadratic discriminant analysis，QDA）、K 最短路由（K-nearest neighbor，KNN），總誤差可控制在2.38%以內。蔣大鵬[21]運用李群測地線度量方法和高斯過程對松子進行正常、霉變分類建模研究，并在模型中使用概率校準后的精確度可以達到95.8%。章林忠等[22]結合主成分分析法（PCA），進行霉變、蟲害、正常栗果的判別分析，準確度可以達到98.6%。

劉鵬等[23]采用近紅外光譜技術對花生產毒霉菌污染程度進行定性定量分析，能對5種常見產毒霉菌（黃曲霉3.17、黃曲霉3.395 0、寄生曲霉3.395、寄生曲霉3.012 4、赭曲霉3.648 6）進行有效區(qū)分，所建立模型對花生感染單一霉菌和多種霉菌的總體判別正確率分別達到100%和99.17%。黃星奕等[24]基于傅里葉變換近紅外光譜技術和K最短路由模式識別方法來識別霉變和出芽花生，他們將花生分為正常、輕度霉變、重度霉變和發(fā)芽4類，識別率可達98.84%。Jiaqi Hu等[2]用近紅外光譜技術進行了正常板栗和霉變板栗的識別，識別準確度分別可達100%和96.37%。

2 在遺傳育種與產地溯源方面的研究

2.1 遺傳育種研究

遺傳育種對于良種繁育、增產增收具有很強的現(xiàn)實意義，近紅外光譜技術在堅果遺傳育種方面的研究還不是很多。目前，已有研究利用近紅外技術來篩選高油酸與亞油酸的花生種子，主要是應用于遺傳育種的早期篩選工作。王秀貞等[25]將近紅外技術用于輔助高油酸花生新品種的選育過程中，成功育成FAD2B/FAD2A雙突變高油酸小花生新品種花育662，該品種2014年通過安徽省品種鑒定。黃冰艷等[26]利用轉基因技術進行了農桿菌介導的花生胚小葉的遺傳轉化，用近紅外分析儀分析這種轉基因花生籽粒中油酸、亞油酸含量，發(fā)現(xiàn)這種轉基因植株內油酸/亞油酸比值的變異高于對照，多數(shù)轉基因株系油酸亞油酸比值平均數(shù)也顯著高于對照。唐月異等[27]利用近紅外光譜技術進行花生種子在低溫下吸脹萌發(fā)的試驗，在2℃96 h低溫條件下研究露白率、芽長/種長，并通過測定油酸、亞油酸、棕櫚酸、脂肪、蛋白質及蔗糖含量，分析花生種子吸脹期間耐低溫性與各項品質性狀之間的相關性，從而篩選出耐低溫種質。得到的結論是：種子的露白率與與脂肪含量呈顯著正相關，芽長/種長與亞油酸含量呈顯著正相關、與油酸含量呈顯著負相關。劉婷等[28]為探討花生耐低溫的遺傳機理，進行2個普通油酸×高油酸雜交組合試驗，利用近紅外技術進行F1單粒種子的初篩，然后用轉座子標記鑒定技術分別獲得了32粒和24粒真雜種。李建國等[29]采用偏最小二乘法建立了單粒花生主要脂肪酸含量近紅外預測模型，并成功應用于高油酸花生育種，選育出高油酸花生品種中花215。

2.2 產地溯源研究

即便品種相同，不同產地的堅果也會因為光照、降雨、濕度、溫度等的不同而有不同的品質，因此很多堅果在出售時會強調產地，但是其真?zhèn)螀s難以界定，將近紅外技術應用于堅果產地溯源的研究有很強的的現(xiàn)實意義。Veronica Loewe等[30]利用近紅外光譜技術對智利產的海松子樣品進行分析，他們選取了3個不同地區(qū)的智利海松子，采用偏最小二乘法（DPLS）進行建模，最終判斷樣品集的松子產地誤差范圍在9.2%～12.2%之間。張龍等[31]采用近紅外光譜結合化學計量學方法對不同省份來源的花生樣品進行溯源研究。結果表明：原始正確分類率為100.0%，交叉驗證正確分類率為55.9%。初步實現(xiàn)了花生產地判別，但模型的性能仍有待提高。

3 在品種識別方面的研究

由于不同品種的堅果營養(yǎng)成分不同，所以品種識別還是很有意義的，比如同樣是紅松子，華山松子有人吃了就會有味覺障礙，又稱松子綜合征（pine nut syndrome，PNS），會有發(fā)麻、發(fā)澀的口感，其它品種的松子就不存在這個問題。鄭田甜等[32]對“花育20號”、“花育22號”和“花育32號”3個品種的花生種子進行近紅外反射光譜實驗，使用小波多分辨分析方法對光譜數(shù)據(jù)進行預處理，使用主成分分析方法對光譜數(shù)據(jù)進行特征提取，基于馬氏距離的線性判別分析分類算法建立了線性判別分析模型，從而實現(xiàn)了對3種花生種子的識別，識別率均達到95%。

賈昌路等[33]利用對阿克蘇地區(qū)主栽5種核桃品種（新翠豐、新新2號、溫138、溫185、紙皮核桃）進行光譜掃描分析，結果表明，5種核桃在波數(shù)5 848 cm-1～5 767 cm-1范圍內的吸光度不同，根據(jù)此處特征峰可作為核桃品種及實生后代鑒定的依據(jù)。Satyabrata Ghosh等[34]利用近紅外光譜技術進行了谷物和堅果的識別研究，將三十幾種谷物和19種堅果進行分類，可以從中識別出花生、松子、杏仁、亞麻籽、芝麻等。

4 總結與展望

將近紅外光譜分析技術應用于堅果的檢測已經取得了一定的研究成果，初步證明了該技術應用于堅果的品質檢測、遺傳育種、產地溯源和品種識別等方面是有效可行的。但與此同時，用近紅外光譜建模要想提高模型識別準確程度還要注意以下幾個問題：（1）堅果外殼堅硬，這對光譜數(shù)據(jù)采集的準確度有一定的影響，在采集過程中一定要注意排除干擾，減少人為誤差產生的影響；（2）模型建立過程中要采集一定數(shù)量的樣品，樣品數(shù)量盡可能多，分批次地選取有代表性的樣本；（3）不同的光譜采集方法、不同的光譜預處理方法以及不同的化學計量學方法對分析結果有很大的影響，選擇合適的方法至關重要。

雖然目前近紅外光譜儀的種類很多，但是堅果的特點是大小不一、表面可能會存在凸凹不平的情況，這就對采集的配件提出了較高的要求，然而現(xiàn)在市場上的近紅外光譜儀一般都缺乏適合堅果光譜采集的配件，測試者一般都是自制配件，要想統(tǒng)一規(guī)范管理、加強市場化進程，這是一個必須面臨的問題。此外，堅果大多含有多種微量元素，但由于其含量大多數(shù)不高，所建立近紅外光譜的穩(wěn)健性不好，但是這些微量元素對人體的影響卻很大，直接關系到堅果的品質，而且用其它的檢測方法也很難得到精確的結果，這也是近紅外光譜未來研究的一個發(fā)展方向。