基于近紅外光譜的煙葉烘烤過程質體色素實時監測

韋克蘇 涂永高 王豐 賓俊 嚴秀芳 康超

摘要：質體色素的降解變化是煙葉香氣物質形成的基礎之一。為解決煙葉烘烤調制過程中質體色素無法快速準確測定的問題，基于近紅外光譜技術（NIRS）的優勢，利用競爭自適應重加權釆樣法（CARS）進行光譜特征波長選擇，并結合偏最小二乘法（PLS）構建了煙葉烘烤過程葉綠素和類胡蘿卜素含量的動態變化模型。結果表明，CARS-PLS模型能獲得較全譜偏最小二乘（PLS）、連續投影偏最小二乘（SPA-PLS）、遺傳算法偏最小二乘（GA-PLS）及蒙托卡洛無信息變量刪除偏最小二乘（MC-UVE-PLS）更好的模型性能，其煙葉葉綠素和類胡蘿卜素模型預測相關系數分別為0.924、0.908，預測均方根誤差分別為0.789、0.321 μg/cm2，模型能滿足實時定量分析的需要。因此，采用NIRS技術結合CARS-PLS能快速準確測定烘烤過程煙葉質體色素的變化，可為煙葉密集烘烤調控提供參考依據。

關鍵詞：煙葉烘烤;近紅外光譜;競爭自適應重加權釆樣偏最小二乘法;葉綠素;類胡蘿卜素

中圖分類號： TS44+1 文獻標志碼： A 文章編號：1002-1302（2021）16-0184-05

煙葉中的質體色素可顯著影響煙葉品質及其可用性，它不僅決定烤后煙葉的色澤，其降解產物也與煙葉的香氣量、香氣質密切相關[1]。成熟新鮮煙葉中質體色素主要包括葉綠素和類胡蘿卜素[2]。葉綠素主要由葉綠素a和葉綠素b組成，它們在煙草成熟和烘烤過程中不斷降解和轉化，直至消失。作為烤后煙葉中的不利成分，葉綠素會使煙葉帶有青雜氣，是烤煙分級采購中需要嚴格控制的指標。若煙葉的葉綠素在烘烤過程中沒有完全降解即被烤干，會嚴重影響烤后煙葉質量[3]。煙葉中類胡蘿卜素主要包括胡蘿卜素和葉黃素，類胡蘿卜素的含量與煙葉質量呈正相關。首先，類胡蘿卜素是烤后煙葉呈現黃色品質的物質基礎[4];其次，類胡蘿卜素是煙葉許多關鍵香氣成分的前體物質[5]。如果煙葉中的類胡蘿卜素含量不足或烘烤過程降解轉化不充分，會導致烤后煙葉的香氣質量不佳、刺激性大。

探究烘烤過程中煙葉質體色素的動態變化規律，有利于根據當地煙葉生產特點和煙葉風格，及時采取恰當的烘烤技術與工藝，在一定程度上控制和改善煙葉質量。但目前的研究主要集中在不同成熟度[6]、品種[7]、裝煙方式[8]、烘烤工藝[9-11]等對質體色素降解變化的影響，對質體色素在烘烤過程中的實時監測報道尚少。付秋娟等采用近紅外光譜技術構建了鮮煙葉中葉綠素和類胡蘿卜素的分析模型，實現對煙葉中二者含量的快速預測[12];賓俊等利用近紅外光譜技術建立了烘烤過程煙葉化學成分的定量模型，可實時監測烘烤過程煙葉水分和淀粉含量的變化[13]。鑒于此，本研究擬借助綠色、無損、快速的近紅外光譜（NIR）技術建立烘烤過程中煙葉質體色素的實時預測數學模型，及時、準確地了解煙葉質體色素在烘烤過程中的動態變化規律，為研究煙葉內部香味物質轉化、優化烘烤工藝等提供理論參考。

1 材料與方法

1.1 試驗材料

選用烤煙品種為云煙87。在烘烤技術員指導下對烤前煙葉進行初步篩選，挑選大小、形狀、成熟度較一致的中部完整無病蟲害煙葉進行烘烤試驗。

1.2 試驗設計

試驗于2019年7—8月在貴州省安順市平壩烘烤工場進行。第1次取樣為烘烤點火前，點火后每隔8 h取樣1次，共取樣20次（7 d），每次取樣時快速打開烤房門，從中層靠近門口的第11竿煙（初篩煙葉掛竿處）開始往烤房內取樣，每次取50張煙葉，并記錄每次取樣時的烘烤總耗時。

1.3 測定項目與方法

1.3.1 近紅外光譜的采集 選用小型的i-Spec光纖探頭式便攜近紅外光譜儀（美國B&W Tek Opto-electronics公司）進行光譜采集，光譜儀掃描范圍為900～1 700 nm，平均分辨率為3.5 nm，采樣間隔為1.6 nm。每次取樣后按照以下方式進行光譜采集[14]：首先以主脈為軸劃分出左右2個區域，每個區域再由葉尖至葉柄分成3個小區，共計6個測量區，然后在每個小區的中心位置避開葉脈取1個測量點，將光纖探頭（直徑6 mm）垂直緊貼煙葉表面進行光譜采集，6個測量點的平均光譜作為該煙葉的測量光譜。光譜采集積分時間設置為 10 ms，掃描次數設置為32次。

1.3.2 葉綠素a、葉綠素b和類胡蘿卜素的濃度測定 采用分光光度法在現場進行濃度測定，使用打孔器（直徑6 mm）在上述6個測量區近紅外光譜采樣位置分別取樣，將取下來的6個圓孔小樣集合起來，用5 mL乙醇（95%）溶液萃取24 h，在測試前將萃取管搖3次以搖勻溶液，以95%乙醇溶液為空白，使用UV1900雙光束紫外可見分光光度計[讓奇（上海）儀器科技有限公司]分別測定波長665、649、470 nm下的吸光度，根據Arnon公式法[15]計算萃取液的葉綠素a、葉綠素b和類胡蘿卜素的濃度，葉綠素a、葉綠素b之和即為總葉綠素含量。由于烘烤過程中煙葉含水率變化范圍較大，統一換算為單位葉面積質量濃度（μg/cm2）進行計算。

1.4 建模方法與模型評價

1.4.1 特征波長選擇——競爭自適應重加權釆樣法（CARS） 近紅外光譜通常共線性非常嚴重，一般需要在建模前進行特征波長篩選，以提高模型的預測和解釋能力。競爭自適應重加權釆樣法（CARS）[16]是一種優秀的特征變量篩選方法，已成功應用于煙草、飼料、中藥、白酒等各類近紅外光譜模型構建過程中的特征波長篩選[17-18]。其基本思路是在不斷迭代過程中通過強制刪除與自適應加權采樣選擇具有較大的模型絕對系數的關鍵波長，每次迭代都涉及幾個步驟：首先采用蒙特卡羅方法對不同波長進行隨機分組，利用指數遞減函數強制進行波長刪除，應用自適應重加權采樣獲得競爭性選擇的波長子集，然后利用交叉驗證對波長子集進行評估，最后選擇交叉驗證均方根誤差最小的子集作為最優波長集。

1.4.2 模型構建——偏最小二乘法（PLS） 偏最小二乘法（PLS）[19]是一種應用最廣泛的多元校正化學計量學算法，綜合了主成分分析和多元回歸的優點，主要用來解決從一組非常大的自變量中預測一組因變量的問題。通過交叉驗證尋找最優的潛在變量，從而建立變量和響應值之間的線性關系，較適合處理光譜波長數超過樣品數且波長間存在多重共線性的情況。

1.4.3 模型評價 近紅外光譜校正模型一般采用決定系數和均方根誤差作為評價模型質量的指標，校正決定系數（R2）和預測決定系數（Q2）分別表征訓練集和驗證集近紅外光譜計算結果與參照結果的相關性，要求其值越接近1越好;校正均方根誤差（RMSEC）和預測均方根誤差（RMSEP）分別表征訓練集和驗證集近紅外光譜計算結果與參照結果差異的標準誤差，要求其值越小越好;使用二者比值（RMSEP/RMSECV）作為所建模型的預測誤差，要求該比值小于1.2。

1.5 數據統計與分析

試驗數據采用Excel 2019進行前期處理，采用Matlab 2012a軟件進行統計分析、建模等。

2 結果與分析

2.1 光譜預處理與樣本劃分

光譜預處理前，需要對異常樣本進行剔除，因為有些光譜或參考值在采集檢測過程中可能會受外界環境、操作人員的影響發生嚴重的波動、漂移，若將此類光譜或參考值用于建模，會極大地影響模型的性能，本研究采用蒙托卡羅采樣方法（MCS）進行異常樣本剔除，以提高模型穩定性。利用光譜儀獲得的近紅外光譜數據信號，除了包含被測樣品的成分信息外，還包括各種儀器的噪聲、樣品背景等無關信息。因此，在光譜數據分析之前，應對其進行合理的預處理，降低上述因素的影響。光譜預處理方法包括標準化（均值集中、歸一化、標準正態變換等）、高頻噪聲濾波（卷積平滑、傅立葉變換、小波變換等）、微分和基線校正等。不同的預處理方法達到的效果不同，經對比分析，采用Savitzky-Golay平滑法（平滑窗口為13）對光譜進行平滑處理，結合Norris一階導數法（平滑窗口為5、差分間隔為5）可消除由于煙葉樣品顆粒分布不均勻的影響，預處理前后光譜見圖1。預處理后的光譜數據利用Kennard-Stone樣本劃分方法[20]以4 ∶ 1比例劃分為訓練集和驗證集，具體劃分結果見表1。

2.2 特征波長選擇

本研究選用CARS算法對煙葉近紅外光譜數據進行特征波長選擇，選擇的特征波長見圖2，較全光譜494個波長數有較大幅度降低，葉綠素和類胡蘿卜素模型分別選擇了71、73個特征波長。有研究表明，葉綠素的光譜吸收峰大多集中在可見光區域或短波近紅外區域（400～1 100 nm），葉綠素的主要特征波長為549、719、818、984、1 209、1 365、1 599、1 782、2 119、2 287、2 324 nm[21];也有研究認為，使用1 300～1 700 nm波段光譜信息構建的類胡蘿卜素模型具有較好的預測效果[22]。本研究選擇的主要特征波長與上述研究結果較吻合。

2.3 定量模型構建

由表2、表3可知，2個色素CARS-PLS模型的決定系數（R2和Q2）都大于0.89，回歸模型的擬合度符合要求，準確性參數RMSEP/RMSEC則都小于1.2，表明模型準確性符合要求。圖3、圖4分別為葉綠素和類胡蘿卜素的模型預測值與參照值的散點圖，2組數據相關性較高，標準誤差較低，模型總體性能符合要求。

為了比較CARS-PLS法的建模效果，同時還建立了煙葉葉綠素和類胡蘿卜素含量的全光譜PLS、連續投影偏最小二乘（SPA-PLS）、遺傳算法偏最小二乘（GA-PLS）及蒙托卡洛無信息變量刪除偏最小二乘（MC-UVE-PLS）模型。由表2、表3可知，GA-PLS模型、MCUVE-PLS模型和CARS-PLS模型對應的各項模型指標均要好于全譜PLS模型的各項指標，表明這些特征波長選擇算法能夠有效地從光譜中挑選葉綠素和類胡蘿卜素對應的特征譜區。CARS-PLS模型在葉綠素和類胡蘿卜素的預測模型中表現最好，有可能是由于CARS在多次的迭代過程中能盡量挑選出與葉綠素和類胡蘿卜素相關的特征波長，所以其能夠取得更好的預測效果。另外，SPA-PLS模型不如PLS模型效果好，可能的原因是SPA算法選擇的特征波長數量少，其中包含的葉綠素和類胡蘿卜素成分信息較少，導致模型預測性能不佳。

2.4 參數變化規律

圖5、圖6是將不同烘烤時間的葉綠素和類胡蘿卜素訓練樣本和測試樣本按照時間序列排列，并使用三次樣條插值法擬合變化曲線。由圖5可知，葉綠素含量的變化可以分為2個階段：在烘烤0～60 h內，葉綠素大量降解轉化，含量降低很快;在烘烤60 h后葉綠素基本降解完全，含量趨近零。有研究表明，煙葉達到全黃后定色烤干化學成分含量比較適中，比例協調，香氣品質指標較高[23]。

由圖6可知，隨著烘烤的進行，類胡蘿卜素含量的變化可以分為3個階段：在烘烤0～60 h內，類胡蘿卜素持續降解，含量逐步下降;在烘烤60～120 h內，類胡蘿卜素降解較緩慢;從烘烤120 h到烘烤結束，類胡蘿卜素還會有一定降解，但含量變化不明顯。類胡蘿卜素以變黃期的降解速度較快，在烘烤后期含量趨于穩定，與前人研究結果[24]相近。因此，適當延長煙葉烘烤前期時間，有利于煙葉類胡蘿卜素物質的降解，增加烤后煙葉的香氣量。

上述結果表明，利用近紅外光譜技術結合化學計量學算法能夠對煙葉烘烤過程質體色素的含量進行測定，待預測模型穩健后，結合模型轉移等技術，可將模型用于煙葉質體色素的實時在線監測。

3 結論

質體色素的變化是煙葉烘烤過程中最直觀的變化之一，也是快速實時判斷烤房內煙葉質量和執行烘烤操作的重要依據。本研究利用近紅外光譜技術結合CARS-PLS方法建立了煙葉烘烤過程質體色素（葉綠素和類胡蘿卜素）的實時定量分析模型，2個色素模型的性能都符合建模要求，預測效果較好。同時，通過采集具有客觀性和可重復性的煙葉近紅外光譜，可以預測質體色素隨著烘烤進程的變化趨勢。因此，采用近紅外光譜技術結合先進的化學計量學算法快速監測煙葉烘烤過程質體色素的思路是可行的，研究成果可為煙葉密集烘烤調控提供參考依據。

參考文獻：

[1]賀 帆，王 濤，王 梅，等. 烘烤過程中煙葉顏色變化與主要化學成分的關系[J]. 中國煙草學報，2014，20（6）：97-102.

[2]李 崢，邱 坤，方 明，等. 基于形態學和色度學的烘烤過程中煙葉水分含量變化的模型[J]. 江蘇農業科學，2019，47（19）：209-214.

[3]謝鵬飛，鄧小華，周清明，等. 密集烘烤過程中煙葉顏色、形態和水分變化及相互關系[J]. 作物研究，2012，26（5）：486-490.

[4]趙銘欽，張志逢，姬小明. 不同地區及部位烤煙煙葉中質體色素與常規化學成分含量的有關分析[J]. 江西農業大學學報，2009，31（2）：214-219.

[5]任汝周，李佛琳，胡小東，等. 調制工藝對烤煙調制過程中類胡蘿卜素降解以及煙葉品質的影響[J]. 江蘇農業科學，2018，46（22）：198-203.

[6]裴曉東，郭 瑞，路曉崇，等. 散葉堆積烘烤過程中烘烤環境與煙葉質體色素的灰色典型相關分析[J]. 河南農業科學，2014，43（7）：169-172.

[7]過偉民，尹啟生，宋紀真，等. 烤煙質體色素含量的品種間差異及其與感官質量的關系[J]. 煙草科技，2009（8）：50-55.

[8]謝已書，趙會納，李章海. 不同成熟度煙葉在烘烤過程中質體色素的變化[J]. 貴州農業科學2011，39（12）：87-90.

[9]拓陽陽，趙銘欽，金洪石，等. 烤煙不同基因型間質體色素含量差異與煙葉化學成分的關系[J]. 中國煙草科學，2011，32（6）：32-36.

[10]龍 翔，楊虹琦，李永智，等. 烘烤過程中不同品種及成熟度煙葉質體色素含量的分析[J]. 云南農業大學學報（自然科學版），2010，25：364-367，387.

[11]孟智勇，宗勝杰，高相彬，等. 熱泵密集烤房不同烘烤工藝效果比較[J]. 江蘇農業科學，2019，47（22）：247-251.

[12]付秋娟，王樹聲，陳愛國，等. 鮮煙葉中質體色素的近紅外分析研究[J]. 分析科學學報，2007，23（1）：85-87.

[13]賓 俊，范 偉，周冀衡，等. 近紅外技術結合SaE-ELM用于烤煙烘烤關鍵參數的在線監測[J]. 煙草科技，2016，49（9）：50-56.

[14]賓 俊，周冀衡，范 偉，等. 基于NIR技術和ELM的烤煙煙葉自動分級[J]. 中國煙草學報，2017，23（2）：60-68.

[15]段光明. 葉綠素含量測定中Arnon公式的推導[J]. 植物生理學通訊，1992，28（3）：221-222.

[16]Li H D，Liang Y Z，Xu Q S，et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration [J]. Analytica Chimica Acta，2009，648（1）：77-84.

[17]張華秀，李曉寧，范 偉，等. 近紅外光譜結合CARS變量篩選方法用于液態奶中蛋白質與脂肪含量的測定[J]. 分析測試學報，2010，29（5）：430-434.

[18]吳靜珠，徐 云. 基于CARS-PLS的食用油脂肪酸近紅外定量分析模型優化[J]. 農業機械學報，2011，42（10）：162-166.

[19]Ión F A，Llario R，Garrigues S，et al. Development of a PLS based method for determination of the quality of beers by use of NIR：spectral ranges and sample-introduction considerations [J]. Analytical and Bioanalytical Chemistry，2005，382（7）：1549-1561.

[20]Ramirez-Lopez L，Schmidt K，Behrens T，et al. Sampling optimal calibration sets in soil infrared spectroscopy[J]. Geoderma，2014，226/227：140-150.

[21]任 曉，勞彩蓮，徐照麗，等. 估測田間煙葉色素含量的光譜模型研究[J]. 光譜學與光譜分析，2015，35（6）：1654-1659.

[22]劉 欣，馬金爽，張曉青，等. 基于近紅外技術快速檢測青金桔果粉中β-胡蘿卜素含量[J]. 海南師范大學學報（自然科學版），2018，31（3）：264-269.

[23]張清明，葉建如，靖軍領，等. 翠碧1號煙葉烘烤過程中色素降解及化學成分變化[J]. 中國煙草科學，2014，35（2）：127-130.

[24]宋朝鵬，武圣江，高 遠，等. 烤煙密集烘烤變黃期類胡蘿卜素及其降解香氣成分的變化[J]. 中國農業科學，2010，43（20）：4246-4254.