近紅外光譜分析技術在蔬菜品質檢測中的應用研究進展

薛舒丹，謝大森，萬小童，陸 森，劉展舒，鐘玉娟

（廣東省農業科學院蔬菜研究所/廣東省蔬菜新技術研究重點實驗室，廣東 廣州 510640）

中共中央、國務院印發的《“健康中國2030”規劃綱要》和《國民營養計劃（2017-2030年）》指出，要優化食物結構，改善營養狀況，發展營養健康食品。蔬菜是人們日常飲食中必不可少的食物之一，可提供人體所必需的多種維生素和礦物質等營養物質。據聯合國糧食及農業組織（FAO）統計，人體必需維生素C 的90%、維生素A 的60%來自蔬菜。此外，蔬菜中還有多種多樣的化學物質，是人們公認的對健康有效的成分。

蔬菜是人們膳食結構金字塔中的基礎物質，其產業在國民經濟中占有重要地位。現今消費需求呈多元化、差異化，人們注重蔬菜質量安全的前提下，更加注重蔬菜品質，追求風味優、營養豐富的蔬菜品種。但蔬菜同質化、規模化和集約化種植模式導致蔬菜瓜果丟失了傳統的味道，如番茄不甜、韭菜不嗆，這與一些地方優勢老品種被新品種逐步替代所致。因此，收集優質種質資源，加強優質蔬菜育種成為提升蔬菜產業競爭力的核心內容，已成為世界各國農業科技創新驅動戰略的重要組成部分。

蔬菜品質涉及多方面內容，在蔬菜安全的前提下（無農藥殘留等），蔬菜內在質構（硬度、水分、粗纖維等）、風味（甜、酸、苦、辣滋味特征）、營養健康成分（維生素C、硫代葡萄糖苷、葉黃素、胡蘿卜素、番茄紅素等）均影響蔬菜品質。然而傳統的蔬菜質檢過程耗時久、成本高，無法滿足蔬菜快速檢測的要求。而采用近紅外光譜（Near Infrared Reflectance Spectroscopy，NIRS）分析技術可以對一些果蔬內部或外部質量參數進行準確、快速的測量。近紅外光譜分析技術綜合運用了計算機技術、光譜技術和化學計量學等多個學科的交叉研究成果，被許多科學家認為是21 世紀快速、實時分析和過程控制的先導技術，它以其獨特的優點在多個領域特別是農業領域得到廣泛應用，是一種高效、綠色的分析測試技術，其光譜特性穩定、信息量大，能夠反映樣品的綜合信息，并可通過多元校正模型實現多組分同時測定［1-2］。本文綜述了近紅外光譜技術原理及在蔬菜安全、食味好、健康等多方面優質特征指標檢測中的應用，以期為蔬菜全產業鏈的高效發展提供新思路，加速種養規范化、育種高效化進程。

1 近紅外光譜技術

近紅外光譜是指波長介于可見區與中紅外區之間，波長范圍780～2 526 nm、頻率12 500～4 000 cm-1的電磁波。近紅外光譜法是根據樣品內有機官能團（O-H、C-H、N-H、P-H）的自身振動吸收近紅外光譜區相應波長的能量，從而產生能量躍遷并在光譜中表現出來，該法圖譜穩定、且獲得光譜容易［3］。近紅外光譜技術是將近紅外光譜儀、化學計量學軟件以及應用模型三者合并應用的技術［4］。首先采集樣品的光譜數據，然后結合化學計量學方法對組分定性定量，最后將光譜與數值建立數學模型，利用數學模型即可定量預測各組分的濃度和性質。

1.1 近紅外光譜預處理

由于在近紅外光譜中通常摻雜了樣品背景、雜散光以及電噪音等各種雜音和不相干的信息，因此需要采用合適的方法適度處理光譜。Savitzky-Golay 卷積平滑、標準正態變量變換（SNV）、去散射（Detrend）、一階導數（FD）及 二階導數（SD）、傅里葉變換、多元散射校正（MSC）、小波變換（WT）等光譜預處理方法使用較為普遍，可將譜圖信息處理得更清晰［5-6］。

1.2 化學計量學軟件應用

現代近紅外光譜分析技術定量校正分析可采用偏最小二乘回歸法（Partial Least Squares Regression，PLS）、主成分回歸分析法（Principal Component Regression，PCR）、多元線性回歸法（Multiple Linear Regression，MLR）、人工神經 網 絡 法（Artificial Neural Network，ANN）；常用的定性分析方法有聚類分析法（Cluster Analysis）、主成分分析法（Principal Component Analysis，PCA）、馬氏距離法（Mahalanobis）、馬氏距離法與主成分分析結合法等［7-9］。

1.3 近紅外光譜定標模型評價

數學模型的內部交叉驗證決定系數（R2）、內部交叉驗證均方差（RMSECV）、校正均方差（RMSEC）、預測均方差（RMSEP）、預測相關系數（r2）作為近紅外光譜模型精度評價指標。其中R2越接近1，表示分析模型對校正集預測越準確；RMSEC值越小，表示所建模型對校正集預測效果越好；RMSECV值越小，表示校正集樣品的預測結果越接近參考值；RMSEP越小，表示驗證集樣品的預測結果越接近參考值；r2越接近1，表示分析模型對驗證集預測越準確。

近紅外光譜分析技術本質上屬于一種間接分析法，通常以校正策略來建立起各種未知樣本的定性分析與定量分析模型，這明顯不同于其他常規分析方法。與化學法或物理化學法相比，該法樣品制備簡單、測定快速環保，可同時高效完成多個樣品不同化學指標的檢測，可實現在線分析和遠程分析［10］。

2 近紅外光譜技術在蔬菜安全品質檢測中的應用

2.1 蔬菜內源不安全因素的近紅外光譜檢測

蔬菜在生長發育過程中會吸收硝態氮，硝酸鹽類在蔬菜加工處理中會被還原成亞硝酸鹽。亞硝酸鹽使紅血球運輸氧的能力減弱，進而危害人體健康，亞硝酸鹽在酸性條件下還會轉化成致癌物質亞硝酸銨，因此對于蔬菜加工內源物質亞硝酸鹽含量的檢測至關重要。通常亞硝酸鹽含量測定需要采用化學法或離子色譜法，前處理復雜，需對蔬菜進行破壞性處理。但劉金陽等［11］利用近紅外光譜技術開展了榨菜中亞硝酸鹽含量的檢測，結果表明采用偏最小二乘法的亞硝酸鹽組分模型預測能力優良、分析速度快、高效準確。

2.2 蔬菜外源農藥殘留的近紅外光譜檢測

近紅外光譜技術對現今農藥殘留的定性分類鑒別準確性很高。李敏［12］對小白菜進行農藥殘留鑒別，結果表明對含輕度和重度殘留農藥樣本的正確鑒別率為90%，可以有效對小白菜的殘留農藥進行定性分類鑒別。Sánchez 等［13］利用近紅外光譜技術對辣椒中是否存在農藥殘留進行檢測，建立偏最小二乘判別分析模型，實現農藥殘留快速無損的定性鑒別。Jamshidi 等［14］分析了不同濃度二嗪農殘留黃瓜樣品的可見/近紅外光譜，并用化學計量檢測作參考值，建立基于光譜信息的偏最小二乘分類模型，實現判定黃瓜有無二嗪農殘留的快速無損檢測。

近紅外光譜技術在蔬菜特定農藥殘留的定量方面也有很多應用。杜一平等［15］利用近紅外光譜技術實現辣椒粉有無摻雜蘇丹紅的鑒別，并結合液相化學結果建立了預測辣椒粉中摻入蘇丹紅含量的模型。劉翠玲等［16］針對菠菜中的毒死蜱殘留量進行近紅外光譜模型建立，采用一階導數與矢量歸一化相結合的光譜預處理方法，利用PLS方法開發了預測值與化學值相關性好的模型。吳澤鑫等［17］針對番茄樂果農藥殘留采用近紅外光譜技術，通過矢量歸一化光譜預處理方式，所建立的判別番茄中樂果殘留的BP 人工神經網絡模型為最優，相關性達到0.971。Bahareh 等［18］基于Vis/NIR 光譜以及化學計量學方法設計相應系統軟件，可對黃瓜進行快速和非破壞性檢測不同濃度的二嗪磷殘留，也可推廣應用到農產品其他農藥殘留的檢測。

品質安全是蔬菜產業的基本問題。近紅外光譜技術高效便捷，提升了蔬菜安全管控的效率。但一些關乎蔬菜產品安全的物質是微量的，目前采用近紅外光譜分析技術檢測微量甚至痕量水平物質的精度仍有待提高。相關研究需要從樣品前處理、光譜預處理以及不同的化學計量學方法入手，以建立更精準的數學模型來達到更高的檢測靈敏度。

3 近紅外光譜技術在蔬菜內在質構檢測中的應用

蔬菜內在質構研究主要圍繞含水量、硬度、淀粉含量、粗纖維含量等指標開展，對蔬菜品質研究意義重大。Huang 等［19］用聲學、沖擊、壓縮和穿刺試驗測量了番茄的不同硬度參數，在900～1 700 nm 近紅外光譜區段，利用PLS 方法建立番茄果實的硬度模型，PLS 模型對番茄果實的沖擊強度、壓縮面積和刺穿斜率有更好的預測，相關系數分別為0.846、0.831 和0.853。Sirisomboon 等［20］基于近紅外光譜技術測定番茄質地，在1 100～1 800 nm 波長范圍內，通過MSC預處理光譜，采用PLS 方法建立模型，經穿刺試驗測得生物屈服力相關系數為0.95，最低預測標準誤差SEP為0.35 N，偏差為0.19 N。Shao 等［21］對200 個番茄樣品的果實硬度進行可見光和近紅外反射光譜（Vis/NIRS）模型預測，在350～2 500 nm 波長范圍內利用PCR 和PLS 方法建立良好模型，相關系數和標準誤差分別為0.81 和16.017 N。Clément 等［22］使用Vis/NIRS 反射光譜法和化學計量學以無損方式測量番茄硬度，此近紅外光譜模型的相關系數為0.75。Kavdir 等［23］用近紅外光譜分析技術，在800～1 650 nm 波長范圍內，采用PLS 方法建立酸黃瓜的硬度、干物質含量模型，結果酸最優PLS 校正模型的決定系數R2分別為0.70、0.65。張擁軍等［24］對蓮藕的近紅外光譜經一階導數和二階導數預處理，建立了水分、粗纖維、質構的PLS 模型，其中硬度PLS 模型最理想，相關系數大于0.97；粗纖維和水分PLS 模型的相關系數均大于0.88。宋夏欽等［25］采用傅里葉變化近紅外光譜技術，選取4 000～8 500 cm-1為分析區域，采用PLS 方法建立雷竹筍的硬度和水分含量快速檢測方法。周竹等［26］研究了雷竹筍硬度光譜檢測模型的優化方法，采用bi PLS-CARSSPA 方法所選的特征變量避免了水分強吸收峰的影響，為竹筍硬度在線快速檢測、篩選和指導切削設備的研發提供了重要的理論依據。涂靜等［27］利用近紅外光譜技術對蓮藕淀粉含量進行無損檢測，原始光譜數據采用多元散射校正、一階導數和平滑等結合的預處理效果最佳，結合PLS 和聯合區間偏最小二乘法（SiPLS）建立了蓮藕淀粉含量的近紅外光譜分析模型。Flores-Rojas 等［28］采用近紅外光譜評估綠蘆筍的質地參數，最大剪切力及切割能的相關系數分別為0.55～0.67、0.60～0.74。Penchaiya 等［29］采用近紅外反射光譜技術，在780～1 690 nm 波長范圍內，利用PLS 方法建立甜椒果實硬度模型，相關系數及交叉驗證標準誤差分別為0.81、5.9。

綜上可見，近紅外光譜技術所呈現出來的光譜吸收可以很好地反映蔬菜質構組成決定因子如水分、纖維素和果膠等物質的含量，進而直接影響蔬菜自身的機械強度以及口感等，這對于聚焦篩選質構優異資源及品種提供快速簡單方法意義重大。

4 近紅外光譜技術在蔬菜風味檢測中的應用

4.1 甜滋味的近紅外光譜檢測

李鴻強等［30］建立了結球甘藍可溶性糖的全譜PLS 模型，并根據競爭性自適應重加權采樣法（CARS）波數優選結果建立了結球甘藍可溶性糖的CARS-PLS 模型。該CARS-PLS 模型校正集的決定系數R2為0.96，RMSECV為0.0768%，RMSEP為0.0594%。應用CARS-PLS 模型對驗證集41個樣本進行預測，預測集決定系數R2為0.86，預測標準誤差為0.0594%，研究結果提供了一種高效的結球甘藍質量無損檢測方法。Zude 等［31］使用近紅外光譜反射技術對胡蘿卜的蔗糖、葡萄糖和果糖含量進行無損傷檢測，在800～1 700 nm波長范圍內利用PLS 方法建立了蔗糖、葡萄糖和蔗糖的預測模型，交叉驗證的標準誤差（SECV）分別為15.4%、4.6%和2.3%。Jantra 等［32］基于可見光和近紅外光譜的無損檢測方法，建立了用于檢測洋蔥和大蒜可溶性固形物含量的模型。Rady 等［33］使用近紅外光譜反射技術，在900～1 685 nm 波長范圍內利用PLS 方法建立了葡萄糖和蔗糖的預測模型，決定系數R2為0.82。孫旭東等［34］基于近紅外光譜以及最小二乘支持向量機LSSVM 算法，建立了檢測馬鈴薯全粉還原糖含量的模型。馬蘭等［35］發現常數偏移消除光譜預處理是適合建立近紅外光譜無損檢測番茄可溶性固形物含量PLS 模型的最優光譜預處理方法，最能反映番茄可溶性固形物含量信息的光譜波段為11 998.9～5 449.8 cm-1和4 601.3～4 246.5 cm-1。劉燕德等［36］為了消除近紅外光譜中無關信息和噪音的影響，比較了7 種光譜預處理方法的優化效果，建立了檢測辣椒可溶性固形物含量的最優模型，所對應的預處理方法為1st D+MSC，其校正集R2為0.994、RMSEC為0.119°Brix、驗證集為0.956、RMSEP為0.309°Brix。

4.2 酸滋味的近紅外光譜檢測

Shao 等［21］對番茄樣品的pH 進行Vis/NIRS模型預測，在350～2 500 nm 波長范圍內利用PCR和PLS 方法建立較好模型，相關系數和標準誤差分別為0.83 和0.09。Jha 等［37］應用便攜式近紅外設備采集西紅柿汁的光譜，消費者對番茄汁的接受程度取決于番茄汁的酸甜比（ABR），在1 059.5～1 124.8 nm 波長范圍內，ABR 的相關系數高達0.92。Clément 等［22］使用Vis-NIR 反射光譜法和化學計量學以無損方式同時測量番茄的各種質量參數，其中pH 值、可滴定酸度的預測不太準確，可能是因為這些參數在樣品中的多態性較低，范圍較窄所致。Flores 等［38］對番茄的可滴定酸度建立近紅外光譜模型，決定系數為0.41～0.71。

4.3 苦滋味的近紅外光譜檢測

蔬菜中含有苦味的物種不多，如苦菊、苦瓜以及葫蘆科部分黃瓜屬等，目前關于苦味物質的近紅外光譜預測方法建立還較少。Fran?ois 等［39］發現菊苣的苦味主要由萵苣苦素和山萵苣苦素決定，通過近紅外光譜建立預測模型，得到苦澀口感的RMSECV為0.26，這為苦味育種表型的鑒定提供便捷方法。但是關于苦瓜、黃瓜中苦味物質的近紅外光譜研究尚無報道。

4.4 辣滋味的近紅外光譜檢測

董楠等［40］以干辣椒為對象，采用近紅外快速測定方法檢測其辣度。利用PLS 方法建立檢測模型，并對檢測波長范圍及模型主因子數進行了篩選，最終校正集方程相關系數0.9871，驗證集方程相關系數0.8704；校正均方根誤差2 870，交叉驗證均方根誤差9 476，主因子數為8。李沿飛等［41］利用近紅外光譜技術，選取光譜波段9 000～4 000 cm-1，采用PLS 方法無損測定干辣椒的辣椒堿和二氫辣椒堿含量來評價其辣度。

綜上可見，在不同的蔬菜風味物質建模過程中會篩選體現樣品信息突出的光譜區域，采用光譜預處理削弱甚至消除譜圖所受到的各種外界因素干擾，以及采取不同的化學計量學方法，都是為了促進模型準確性提升。但是有些模型的決定系數不高，可能與最原始的風味物質化學值測定準確性以及樣本數據量太少有關，也可能與儀器周圍環境（如溫度、濕度等）變化或光學器件磨損老化等導致光譜差異有關。隨著科學技術的不斷發展，近紅外光譜技術將以其快速、方便、準確以及適應在線分析和無損分析的優點，在快速精準檢測蔬菜風味物質以及蔬菜風味育種中具有更加廣闊的應用前景。

5 近紅外光譜技術在蔬菜營養健康成分檢測中的應用

5.1 維生素C 的近紅外檢測

金同銘等［42］用近紅外光譜法對不同品種、不同成熟期大白菜的Vc 含量進行模型構建，相關系數R2為0.981，可高效運用于實踐。劉燕德等［36］為消除近紅外光譜中無關信息和噪音的影響，比較7 種光譜預處理方法的優化效果，確定辣椒最優Vc 模型所對應的預處理方法為SNV，其校正集R2為0.949、RMSEC為106.96 mg/kg，驗證集為0.812、RMSEP為201.89 mg/kg。Kramchote 等［43］選取500～1 000 nm 波長范圍，使用一階和二階導數對譜圖進行預處理，利用PLS方法建立了甘藍Vc 的近紅外光譜檢測模型。郭澤慧［44］采用一階導數光譜預處理結合PLS、PCR回歸方法對蘿卜根、葉中的硫苷含量建立模型。

5.2 硫代葡萄糖苷的近紅外檢測

Sahamishirazi 等［45］采用改進的偏最小二乘回歸法對花椰菜的硫代葡萄糖苷含量進行近紅外光譜建模。劉倩男等［46］建立了青花菜硫代葡萄糖苷內4-甲基硫氧丁基硫苷（RAA）和3-甲基吲哚基硫苷（GBC）的近紅外光譜快速檢測模型，采用標準正態變量變換+二階導數（SNV+SD）處理后RAA 預測模型的校正集和預測集相關系數分別為0.867 和0.912；采用SNV+SD 處理后的GBC 預測模型的校正集和預測集相關系數分別為0.918 和0.960，為青花菜營養品質的快速檢測、優異抗癌青花菜種質資源的快速篩選與利用奠定了基礎。

5.3 類胡蘿卜素的近紅外檢測

類胡蘿卜素是重要的天然色素，是人體內維生素A 的主要供體，具有抗氧化、抗癌、抗衰老以及調節免疫功能等功效。迄今，已知的天然類胡蘿卜素達700 多種，常見的有葉黃素、β-胡蘿卜素、番茄紅素等。Chen 等［47］使用PLS 方法建立了芥藍中葉黃素和β-胡蘿卜素的模型，校正方程R2分別為0.983 和0.982。潘冰燕等［48］采用改進最小偏二乘法（MPLS），研究光譜不同導數處理方法結合不同散射和標準化方法處理模型的方法，從而找出最優貨架期線椒內部品質類胡蘿卜素的數學模型。Clément 等［22］使用VIS-NIRS反射光譜法和化學計量學以無損方式測量番茄的番茄紅素含量，決定系數R2為0.98，RMSECV為3.15 mg/kg。王凡等［49］基于VIS-NIRS 檢測系統，采集完整番茄的透射光譜進行建模，對光譜進行SNV 預處理，采用無信息變量消除法（UVE）和競爭性自適應重加權算法（CARS）聯合處理，對全光譜進行變量優選，使用PLS 方法，其校正集和驗證集相關系數分別為0.9830 和0.9741，均方根誤差分別為0.6919、0.7680 mg/kg。

蔬菜中決定風味及營養的物質成分豐富多樣，尤其是次生代謝物質，但普遍的次生代謝物質成分含量均較低。對于這些成分指標的化學定量法均需依賴HPLC 或MS 級別的儀器，而很多實驗室不具備化學定量的條件，這阻礙了基于近紅外光譜及化學測量值結合的模型構建，而且對于這些低含量次生代謝物質構建的近紅外光譜模型普遍的預測決定系數R2不是特別高，今后需在光譜的預處理方式、消除信噪比、化學計量方式等方面進行綜合處理解決。

6 趨勢與展望

隨著社會進步和生活水平的提高，市場對蔬菜的要求已從單純注重產量和抗性，提升到注重品質。現今，蔬菜安全是基本要求，口感優良、營養豐富已成為越來越多消費者的選購標準。品質成為蔬菜產業競爭力的核心內容，營養和風味優良的高檔蔬菜是發展趨勢。蔬菜風味佳最直觀的食用感受就是菜味濃郁，酸、甜、苦、辣等不同滋味是蔬菜風味的主要影響因素。但當前消費者普偏反映菜沒有“菜味”，風味營養品質隨著產量和抗性增強而下降。我國蔬菜品質育種仍處于起步階段，蔬菜品質與國際先進水平尚有差距，而且支撐品質改良的專業研究機構及高效快捷鑒別風味營養的方法也很缺乏。傳統的蔬菜品質評定基于大小、色澤、形狀及傷痕等外部特征來判斷，或者采用化學法、液相色譜法以及質譜檢測法等破壞性方式評估其風味營養成分，耗時久、成本高。隨著計算機信息化、數學、化學和化學計量學的交叉發展，近紅外光譜技術已經在蔬菜品質研究中被逐步推廣應用。近紅外光譜技術一方面可監督種植端種植規范化，另一方面可幫助育種工作者加速蔬菜內在品質研究的進度。

但是近紅外光譜技術在蔬菜品質方面的應用依然任重道遠。由于蔬菜優質是一個復雜概念，其中涉及到好吃、健康等多重宏觀指標，而關乎“好吃”的標準又與質地、風味等因素相關。決定質地及蔬菜風味的物質復雜多樣，甚至有的蔬菜關鍵指征風味物質成分都還未得到鑒定。因此挖掘蔬菜優質因子，分析其成分是開展近紅外光譜技術的基礎，這需要很多不同方向的科研工作者共同努力。

此外，近紅外光譜技術雖然有很多優勢，但也有一些限制和不足，如只適合于含氫基團化合物的測定，以及對一些痕量物質的檢測靈敏度較低等。而且這是一種間接測量方法，構建模型需要大量的樣品測定值以及化學計量學理論知識。因此穩定高效的近紅外光譜模型的建立是近紅外光譜分析技術應用的關鍵。其中化學測定值是建立健全近紅外光譜定標模型的核心參數，從高質量的定標模型構建角度來看，參數的準確性對模型尤為重要，另外建模方法、光譜預處理方法、波段選擇和建模因子數選擇等化學計量學方法也是影響模型精準度的關鍵因子。隨著現代計算機技術和化學計量學技術的發展以及新的卓越的數學方法的出現，模型將進一步完善，促使近紅外光譜技術在蔬菜領域中得以充分應用。