(1.College of Food Science, Southwest University, Chongqing 400716, China; 2.College of Engineering and Technology, Southwest University, Chongqing 400716, China)摘要：利用近红外光谱技术(near infrared spectroscopy, NIRS)对101个枇杷样品进行无损检测，测得样品的可溶性固形物(total soluble sdid,TSS)、可滴定酸和Vc含量，结合偏最小二乘法(partial least squares, PLS)分别建立TSS、可滴定酸和Vc含量的定标模型。采用定标模型分别对TSS、可滴定酸和Vc的验证集样品进行预测，预测决定系数Rp2分别为0.906，0.745，0.554，预测均方根误差(root-mean-square error of prediction，RMSEP)分别为0.628，0.048，2.230，且TSS的相对分析误差(relative prediction deviation，RPD)为3.31，可滴定酸和Vc的RPD分别为2.00，1.52。表明建立的枇杷TSS的定标模型可用于实际检测，枇杷的可滴定酸和Vc含量可采用近红外光谱进行检测，但检测精度有待于进一步的提高。关键词：枇杷;近红外光谱;可溶性固形物;可滴定酸;VcAbstract： Spectra data of the 101 loquat samples were obtained by using NIRS and the TSS, titratable acid, Vc of the samples were determined by conventional chemical methods. The mathematical pretreatment methods were used as spectral preprocessing options, and then the calibration models of TSS, titratable acid and Vc were established respectively by PLS. By using these models, the TSS, titratable acid and Vc in the validation sets can be predicted. The Rp2 are 0.906, 0.745, 0.554, RMSEP are 0.628, 0.048, 2.23 respectively, and the RPD of TSS is 3.31. Thus, the calibration model of TSS can be used for the actual detection. The RPD of titratable acid and Vc are 2 and 1.52 respectively. The content of titratable acid and Vc in the loquat can be tested by NIRS. However, the detection accuracy remains to be improved.Keywords： loquat; near infrared spectroscopy; soluble solids; titratable acid; ascorbic acid由于枇杷(Eriobotrya japonica Lindl)果实成熟于高温多湿季节，采后生理代谢旺盛，品质下降快;且枇杷皮薄，采运过程中易造成机械损伤，使细胞破裂，营养物质流失，丧失其经济价值。因此，对采摘后进入销售环节的枇杷进行检测及根据其品质分选分级提出了更高的要求。目前，中国枇杷品质检测主要是通过传统的抽样方式进行破坏性检测，制样繁琐且检测成本高，已无法满足枇杷快速分级分选的现实要求［1］。近红外光谱技术是一种快速、无污染、简便的无损检测技术，具有测量和分析速度快、精度高、分析成本低、对样品无污染、光谱测试的重现性好、稳定性高等优势［1-4］。现阶段近红外光谱技术在农业和食品领域获得了较广泛的运用，在水果的内部品质快速检测方面，探索了多种水果不同部位可溶性固形物含量及干物质含量与光谱的相关关系［5］;预测了苹果的可溶性固形物含量［6］及不同品种苹果的最佳采摘期［7］;此外，还用于桃子［8］、猕猴桃［9］、芒果［10］、梨［11］等水果内部品质的快速无损检测。在枇杷果实的近红外光谱检测方面，李建平等［12-13］对白沙枇杷、大红袍枇杷、夹脚枇杷的可溶性固形物含量和pH值进行了近红外光谱定量分析，认为近红外光谱检测技术可用于定量分析上述品种枇杷果实的可溶性固形物含量，但对pH值的检测效果略差;Fu Xia-ping等［14］对大红袍、夹脚两个品种的枇杷进行了产地及品种的近红外光谱鉴定，结果表明NIRS结合PCA-PNN可用于水果产地溯源和品种鉴别。由于当前国内外对近红外光谱检测枇杷品质的相关报道较少，涉及的内部品质指标仅有可溶性固形物含量和pH值，品种也较有限，本试验拟以西南大学选育审定的枇杷新品种“金华1号”为试验材料，采用近红外光谱检测技术进行快速无损检测，除了对其可溶性固形物含量进行测定以外，还对总酸含量和Vc含量进行定量分析，较全面地反映枇杷果实的品质，旨在为“金华1号”枇杷近红外分级技术的实际应用提供依据。1 材料及方法1.1 材料枇杷：品种金华1号，采自西南大学果树学重点实验室枇杷资源圃。从中挑选出无病虫害、无机械损伤的枇杷共101个，当天即在室温(22 ℃)条件下对所有样品分别进行近红外光谱采集，采集完成后用PP食品保鲜袋进行包装和编号;置于温度为7 ℃的冰柜保存2 h后，于24 h内完成全部样品的理化性质测定。1.2 光谱采集枇杷的近红外光谱由MPA型傅里叶近红外光谱仪(德国Bruker公司)及附带的OPUS软件进行采集。扫描分辨率和扫描次数分别为8 cm-1和32次，扫描谱区为4 000～12 500 cm-1，采用漫反射模式。光谱采集时，先将仪器预热30 min，在室温条件下，首先采集背景谱，然后分别将每个样品放在测试台上进行光谱扫描，采集过程中，用黑布对试样进行遮光以防止外部光源的干扰;同时，为减少光谱漂移误差，每个样品在横径最大处每隔120°采集光谱，共采集3次，取平均光谱。1.3 样品理化性质测定1.3.1 可溶性固形物的测定 阿贝折光仪测定。1.3.2 可滴定酸的测定 按GB/T 12456—90执行。1.3.3 Vc的测定 采用2,6-二氯酚靛酚滴定法［15］。1.4 数据处理及建模方法光谱中存在的异常样本会严重影响到模型的预测精度，光谱和化学值其中一者异常，则称为“奇异”样本，应从样本集中剔除［16］。本试验采用OPUS 7.0及Matlab 2012a软件进行数据处理，对101个枇杷样品的近红外光谱做交叉检验，光谱的异常采用马氏距离(mahalanobis distance，MD)判定，马氏距离表示数据的协方差距离，它是一种有效计算两个未知样本集的相似度的方法［17］。若样品进行交叉检验时验证模型中马氏距离MD>3 k/n，(其中k为主成分数，n为所用样品数)，则为异常点［16］。化学值的异常根据残差法判定，残差是指观测值与预测值(拟合值)之间的差，即实际观察值与回归估计值的差。残差的阈值设为样本平均值的3倍，若是大于该阈值则判定该样本化学值异常［16］。通过回归分析波长信息与枇杷可溶性固形物、滴定酸、Vc含量之间的关系，建立近红外光谱定量分析校正模型。建模时分别按照样品可溶性固形物、可滴定酸和Vc含量的大小升序排列，每3个样品中选一个作为验证集，并保证将含量最小和最大的样品设置到定标(校正)集中，进行验证集检验。为消除光谱信号的基线漂移和随机噪声，采用了原始光谱、一阶导数、二阶导数预处理方法，为消除样本粒度分布不均匀引起的散射，采用了无散射处理、多元散射校正(multiple scattering correction，MSC)、矢量归一化(standard normal variate, SNV)、最大最小归一化4种方法，利用偏最小二乘法作为建模算法，通过比较定标集的决定系数(Rc2)、定标集均方根误差(root-mean-square error of calibration，RMSEC)、验证集决定系数(Rp2)、验证集均方根误差(root-mean-square error of prediction，RMSEP)和模型相对分析误差(relative prediction deviation，RPD)选择最优的预处理方法，再将谱区设置为多个谱区，选择最佳谱区进行模型优化。各项相关系数越大、标准误差越小，表明模型的定标效果越好，预测精度越高。此外，采用RPD对预测精度进行进一步的验证，若RPD>3，则说明预测精度高，所建立的近红外模型可用于实际检测中［18-19］。2 结果与分析2.1 光谱分析由图1可知，样品在近红外谱区均有多处吸收峰，并且不同样品由于组分含量有细微差别使其吸收峰大小不同，每个样品光谱不完全重合，但谱图的变化趋势大致相同，在4 000～12 500 cm-1谱区内有多个呈递增或递减趋势的吸收峰，说明枇杷大量含氢基团在倍频区、合频区被强烈吸收，如10 400 cm-1(960 nm)处的吸收与O—H伸缩振动的二倍频相关，5 200 cm-1(1 940 nm)处的吸收与O—H伸缩振动的合频相关，8 400 cm-1(1 190 nm)处的吸收与C—H的二倍频相关。这些特征的吸收区段将作为下一步进行的建模筛选光谱区段的依据。2.2 枇杷各组分含量的理化分析表1中列出了理化检测得到的金华1号枇杷果实可溶性固形物、可滴定酸和Vc含量的最大值、最小值、平均值和图1 101个枇杷样品的光谱图Figure 1 Near infrared spectra of 101 loquat samples表1 枇杷果实各组分含量Table 1 Soluble solid, titratable acid and Vc contents of loquat samples组分可滴定酸/%最小值0.033最大值0.396平均值0.186标准偏差0.101  样品数101。标准差，从中可看出：所选样品的可溶性固形物、可滴定酸和Vc含量范围较广，基本符合正态分布曲线，样品具有一定代表性。2.3 枇杷各组分含量的近红外光谱定量模型的建立对101个枇杷样品的近红外光谱做交叉检验，利用1.4节所述采用马氏距离判定，有1个样品光谱异常，这可能是光谱采集过程中操作不当造成的，将此样品剔除。采用残差法判定，有3个枇杷样品可溶性固形物浓度异常;2个枇杷样品可滴定酸浓度异常;Vc浓度异常样品有9个。排除这些异常样品后将剩余样品按照含量的大小升序排列，分为校正集和验证集两部分，方法为每隔2个取1个样品为验证集，保证全部验证集的化学值均在校正集的范围内，可溶性固形物校正集样本为65，验证集样本为32;可滴定酸校正集样本为66，验证集样本为32;Vc校正集样本为61，验证集样本为30。对所有光谱进行均值中心化处理，在全光谱区内采用PLS法建立金华1号枇杷可溶性固形物、可滴定酸和Vc的预测模型，进一步结合MSC、SNV、最小—最大归一化、一阶导数等预处理后建模，比较不同预处理方法对模型精度及稳定的影响。枇杷可溶性固形物近红外光谱检测结果见表2。由表2可知，在全光谱范围内，最佳的优化方法为MSC，此时可溶性固形物的含量校正集模型Rc2为0.977，RMSEC为0.338;验证集Rp2为0.891，RMSEP 为0.676，RPD为3.04。再进行谱区优化(最优谱区：9 403.7～6 098.2 cm-1)，模型性能得到显著地优化，此时可溶性固形物的含量校正集决定系数Rc2为0.998，RMSEC降低为0.094，验证集决定系数Rp2提高到0.906，RMSEP降低为0.628，其校正模型的相对分析误差RPD升高到3.31，模型稳定性增强。在优化谱区内所建立的枇杷可溶性固形物含量的近红外模型见图2，可得到较好的预测结果。 枇杷可滴定酸和Vc近红外光谱检测结果见表3、4，在全光谱范围内，可滴定酸和Vc的PLS模型最佳的优化方法也均为MSC，此时可滴定酸含量校正集模型Rc2为0.703，RESEC为0.056，预测验证集决定系数Rp2为0.761，RESEP为0.047，RPD为2.12。再进行谱区优化(最优谱区：7 502.2～表2 光谱预处理方法对金华1号枇杷可溶性固形物PLS模型的影响Table 2 Results of TSS calibration and validation models by PLS with different mathematical pretreatments on spectra预处理方法校正集(n=65)Rc2验证集(n=32)Rp2无预处理0.9730.8672.75SNV0.9510.8762.84MSC0.9770.8913.04最大最小归一化0.9790.8752.82一阶导数+ SNV0.8940.8472.55一阶导数+ MSC0.8970.8392.49图2 金华1号枇杷可溶性固形物校正集与验证集中实测值与预测值的关系(谱区9 403.7～6 098.2 cm-1)Figure 2 Prediction results for TSS content of loquat using NIR spectroscopy表 3 光谱预处理方法对金华1号枇杷可滴定酸PLS模型的影响Table 3 Results of titratable acid calibration and validation models by PLS with different mathematical pretreatments on spectra预处理方法校正集(n=66)Rc2验证集(n=32)Rp2无预处理0.8670.7512.03SNV0.7040.7602.12MSC0.7030.7612.12最大最小归一化0.7700.7171.99一阶导数+SNV0.7630.7251.95一阶导数+MSC0.7600.7261.95表4 光谱预处理方法对金华1号枇杷Vc的PLS模型的影响Table 4 Results of Vc calibration and validation models by PLS with different mathematical pretreatments on spectra预处理方法校正集(n=61)Rc2验证集(n=30)Rp2无预处理0.7740.5061.44SNV0.7640.4881.43MSC0.7670.5031.45最大最小归一化0.7650.5081.44一阶导数+SNV0.9820.5021.42一阶导数+MSC0.9730.5051.434 246.7 cm-1)，校正模型性能得到显著地优化，此时可滴定酸含量校正集模型决定系数Rc2上升到0.846，RMSEC降低为0.042，预测验证集决定系数Rp2略降低，为0.745，RMSEP为0.048，RPD为2。经MSC预处理后，Vc含量的校正集模型Rc2为0.767，RMSEC为1.63，验证集决定系数Rp2为0.503，RMSEP为2.35，RPD为1.45。进行谱区优化，最优谱区为4 424.1～4 246.7 cm-1，模型性能得到一定的优化，此时Vc含量校正集模型相关系数Rc2为0.768，RMSEC降低为1.62，预测验证集相关系数Rp2略升高，为0.554，RMSEP为2.23，RPD上升到1.52。谱区优化后所建立的枇杷可滴定酸、Vc含量的近红外模型见图3、4。3 结论 本研究以金华1号枇杷果实为对象，利用近红外光谱技术快速检测其可溶性固形物、可滴定酸和Vc含量。结果表明：通过光谱预处理和谱区优化后的定标模型优于全光谱、未预处理的定标模型，通过多元散射校正光谱预处理，在谱区9 403.7～6 098.2 cm-1所建立的金华1号枇杷可溶性固形物的近红外模型相关系数较高，定标效果良好，预测精度高;金华1号枇杷果实可滴定酸的近红外模型效果不如可溶性固形物，这与文献［13］的结论是一致的。Vc含量的近红外模型预测结果不够理想，光谱预处理和谱区优化对Vc含量的近红外模型改善作用较小，这可能是枇杷果实中Vc含量较低，造成NIRS检测精度不高。综上所述，采用NIRS技术对金华1号品种枇杷果实的可溶性固形物、可滴定酸含量图3 金华1号枇杷可滴定酸校正集与验证集中实测值与预测值的关系(谱区7 502.2～4 246.7 cm-1)Figure 3 Prediction results for titratable acid content of loquat using NIR spectroscopy图4 金华1号枇杷Vc校正集与验证集中实测值与预测值的关系(谱区4 424.1～4 246.7 cm-1)Figure 4 Prediction results for Vc content of loquat using NIR spectroscopy进行定量分析是可行的，Vc含量的检测精度还有待提高。在进一步的研究中，可考虑增加样品数量提高其预测精度，同时，还可引入一些其他算法来优化模型。参考文献［1］ 应义斌, 刘燕德. 水果内部品质光特性无损检测研究及应用［J］. 浙江大学学报: 农业与生命科学版, 2003, 29(2): 125-129.［2］ 刘燕德, 应义斌, 傅霞萍. 近红外漫反射用于检测苹果糖度及有效酸度的研究［J］. 光谱学与光谱分析, 2005, 25(11): 1 793-1 796.［3］ 孙素琴, 汤俊明, 袁子民, 等. 道地山药红外指纹光谱和聚类分析的鉴别研究［J］. 光谱学与光谱分析, 2003, 3(2): 258-261.［4］ 何勇, 李晓丽, 邵咏妮. 基于主成分分析和神经网络的近红外光谱苹果品种鉴别方法研究［J］. 光谱学与光谱分析, 2006, 26(5): 850-853.［5］ Peiris K H S, Dull G G, Leffler R G, et al. Spatial variability of soluble solids or dry-matter content within individual fruits, bulbs, or tubers: Impications for the development and use of NIR spectrometric technique［J］. HortScience, 1999, 34(1): 114-118.［6］ 陆辉山, 陈鹏强, 闫宏伟, 等. 基于近红外光谱漫透射技术的苹果可溶性固形物含量在线检测［J］. 食品与机械, 2015, 31(3): 40-42. ［7］ Peirs A, Lammertyn J, Ooms K, et al. Prediction of the optimal picking date of different apple cultivars by means of VIS/NIR spectroscopy［J］. Postharvest Biology and Technology, 2001, 21(2): 189-199.(下转第97页)安全与检测 2016年第5期