蓮藕淀粉含量的近紅外光譜無損檢測方法

涂 靜， 張 慜*， 黃 敏，2， 范東翠

（1.江南大學(xué) 食品學(xué)院；2.江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無錫 214122）

蓮藕（Nelumbo nucifern）是一種多年生宿根水生草本植物，以肥嫩根狀莖供食用，是我國極重要的水生蔬菜，主要分布在黃河、長江、珠江流域的山東、湖南、湖北、浙江、廣東等地。蓮藕的營養(yǎng)成分極其豐富，是一種用途很廣的水生經(jīng)濟(jì)作物，其可供食用和藥用，具有清熱、解暑、治療腹瀉、痢疾和頭暈等功能[1]，市場需求非常大。由于蓮藕生長過程中受到人為和自然等因素影響，所以產(chǎn)品品質(zhì)差異很大。淀粉是蓮藕的主要特征指標(biāo)之一，不同蓮藕原料的淀粉含量差異性很大，其含量對蓮藕產(chǎn)品的工藝過程和品質(zhì)有很大的影響。準(zhǔn)確測定蓮藕原料的淀粉含量，有助于進(jìn)行原料的綜合品質(zhì)評價，對其加工與保藏具有指導(dǎo)意義。目前檢測蓮藕淀粉的方法主要是GB/T5009.9-2008《食品中淀粉的測定》-酸水解法，使用這種方法需經(jīng)過樣品勻漿、水解、洗滌、過濾和滴定等步驟，操作復(fù)雜，且破壞果蔬的完整性和可食用性，難以實(shí)現(xiàn)快速、無污染和無損化檢測。因此，研究蓮藕淀粉含量的無損、快速、準(zhǔn)確、實(shí)時性的檢測方法具有重要的現(xiàn)實(shí)意義。

近紅外光譜技術(shù) （Near-Infrared Spectroscopy Technology）是利用樣品中有代表性的有機(jī)成分在近紅外光譜區(qū)域的最強(qiáng)吸收波長不同，以及吸收的強(qiáng)度與有機(jī)成分呈線性關(guān)系的原理進(jìn)行定量分析。通過對已知有機(jī)成分含量的樣品與其近紅外光譜特征的回歸分析，建立定標(biāo)方程，即可對含有同一種有機(jī)成分的樣品進(jìn)行定量估測[2]。主要流程是先采集具有代表性的樣品，然后采集樣品的近紅外光譜信息和內(nèi)部成分的理化數(shù)據(jù)，再利用樣品內(nèi)部成分差異在近紅外光譜中反映的特征信息，采用合適的近紅外定量分析方法建立其內(nèi)部成分的近紅外光譜模型，通過該模型將待測樣品的近紅外光譜信息轉(zhuǎn)換為待測樣品內(nèi)部成分的參數(shù)，實(shí)現(xiàn)待測樣品內(nèi)部成分的無損檢測。這種技術(shù)具有快速、非破壞性、無試劑分析、安全、高效、低成本及能同時測定多種組分等特點(diǎn)。

應(yīng)用近紅外光譜技術(shù)對果蔬品質(zhì)進(jìn)行無損檢測已成為近年來的研究熱點(diǎn)，國內(nèi)外許多學(xué)者相繼開展了對柑橘、蘋果、梨、桃品質(zhì)進(jìn)行無損檢測的研究工作并卓有成效[3-4]，但應(yīng)用在蔬菜方面的研究報道相對較少，其中關(guān)于蓮藕方面的應(yīng)用報道更少。目前在國內(nèi)僅見張擁軍等[5]研究了蓮藕水分、糖度、粗纖維和硬度等成分的近紅外光譜模型，采用PLS建立了各品質(zhì)指標(biāo)的近紅外光譜分析模型，但未單獨(dú)選取預(yù)測集進(jìn)行預(yù)測，同時未研究蓮藕淀粉含量的近紅外光譜無損檢測方法。目前國內(nèi)外尚未見蓮藕淀粉含量的近紅外光譜無損檢測方法的相關(guān)研究報道。本實(shí)驗旨在應(yīng)用近紅外光譜技術(shù)開展蓮藕淀粉含量的無損檢測方法研究，建立其相應(yīng)的近紅外光譜分析模型，并對模型的預(yù)測性能進(jìn)行了檢驗。

1 材料與方法

1.1 實(shí)驗材料

蓮藕，購自無錫市幾家農(nóng)貿(mào)市場，分批隨機(jī)選取100個蓮藕樣品，運(yùn)回實(shí)驗室，選擇無蟲害、無損傷健康蓮藕段做試驗。

1.2 儀器設(shè)備

Thermo Antaris MX傅里葉-近紅外原料快速分析儀，美國ThermoFisher公司制造；電子天平，常州萬泰天平有限公司制造；國產(chǎn)電熱恒溫水浴鍋等。

1.3 實(shí)驗方法

1.3.1 蓮藕的光譜數(shù)據(jù)采集 蓮藕不作任何處理直接進(jìn)行近紅外光譜采集。根據(jù)蓮藕的特有屬性，采用漫反射吸收光譜法，具體試驗參數(shù)設(shè)為:測量波長范圍為4 000～10 000 cm-1，儀器掃描次數(shù)為16次，儀器分辨率為8 cm-1。在測量蓮藕光譜之前要先測量標(biāo)準(zhǔn)白板在相同參數(shù)設(shè)置下的光譜作為實(shí)驗時的背景參比。近紅外光譜測量時，將完整干凈的一段蓮藕平穩(wěn)地緊貼在漫反射探頭上，避免人為的抖動。每個樣本需進(jìn)行4次光譜測量，分別位于最大直徑處的4個相對位置，盡可能避免明顯的表面缺陷（擦傷、傷疤等），把4次測量的光譜進(jìn)行平均，使得到每段蓮藕的平均光譜作為原始光譜數(shù)據(jù)[6]。實(shí)驗獲取的光譜以每一波長下的吸光度值log（1/R）表示，R是指反射光強(qiáng)與入射光強(qiáng)之比。

1.3.2 蓮藕的淀粉含量測定 采用GB/T5009.9-2008《食品中淀粉的測定》-酸水解法。測量時，在蓮藕光譜采集的對應(yīng)位置取樣，實(shí)驗平行3次，結(jié)果取其平均值。

1.3.3 光譜數(shù)據(jù)預(yù)處理 近紅外光譜儀光譜數(shù)據(jù)的采集和保存是通過計算機(jī)運(yùn)行光譜儀自帶的TQ Analyst軟件實(shí)現(xiàn)。在原始光譜數(shù)據(jù)采集過程中常會受到高頻隨機(jī)噪聲、光散射、樣本不均勻等因素的影響，所以需要進(jìn)行光譜預(yù)處理。選擇合適的光譜預(yù)處理對預(yù)測模型來說非常重要，因為合適的光譜預(yù)處理能有效地消除各種噪聲，提高光譜的信噪比。參照文獻(xiàn)[7]，對樣品的原始光譜進(jìn)行了多元散射校正、一階導(dǎo)數(shù)、平滑等組合的預(yù)處理方法。

1.3.4 實(shí)驗數(shù)據(jù)分析 實(shí)驗數(shù)據(jù)的分析與建模通過TQ Analyst軟件，并結(jié)合使用了Matlab軟件?；谥鞒煞只貧w的基礎(chǔ)上，應(yīng)用偏最小二乘法（PLS）和聯(lián)合區(qū)間偏最小二乘法（SiPLS），分別建立蓮藕淀粉含量的近紅外光譜分析模型。模型通過品質(zhì)指標(biāo)的實(shí)際值與預(yù)測值的相關(guān)系數(shù)R、均方根誤差RMSE進(jìn)行定量評價[2]。以R和RMSE為依據(jù)，對模型進(jìn)行優(yōu)化。一個好的模型應(yīng)該是校正集和預(yù)測集都具有較大的R值、較小的RMSE值。

2 結(jié)果與分析

2.1 近紅外光譜分析

采集光譜應(yīng)保證在相同的試驗條件下進(jìn)行，分辨率大小和掃描次數(shù)的不同對試驗結(jié)果會有較大的影響。只有在嚴(yán)格控制實(shí)驗條件的基礎(chǔ)上才能獲得較好的光譜圖[6]。本實(shí)驗采用一個專用原料漫反射測試系統(tǒng)，可以得到質(zhì)量較好的光譜圖。圖1為蓮藕樣品的近紅外原始光譜圖。

圖1 蓮藕樣品近紅外原始光譜圖Fig.1 Primary NIR spectrum of all lotus root sample

從圖1可知，不同淀粉含量的蓮藕樣品光譜在4 000～10 000 cm-1波數(shù)范圍內(nèi)的變化較明顯，包含信息豐富。 在 4 000～4 600 cm-1、5 000～5 500 cm-1、6 800～7 100 cm-1波數(shù)范圍內(nèi)，波峰強(qiáng)度有較明顯的變化，主要是蓮藕淀粉的C—H、C—C和C—O—C伸縮振動的組合頻、C—H和CH2變形振動的組合頻、C—H彎曲和C—O伸縮的組合頻和O—H/C—O聚合體等的吸收譜帶。采用合適的化學(xué)計量方法，就可以建立蓮藕淀粉的濃度值與近紅外吸光度值之間的對應(yīng)關(guān)系，即近紅外光譜分析模型。從圖1還可知，原始光譜存在噪聲和其他雜散光，因此需要進(jìn)行光譜數(shù)據(jù)的預(yù)處理。

2.2 蓮藕淀粉含量的測量結(jié)果

實(shí)驗按照校正集樣品的淀粉含量范圍必須大于預(yù)測集樣品的淀粉含量范圍、校正集樣品的淀粉含量分布屬常態(tài)為佳，及校正集樣品的個數(shù)大于預(yù)測集樣品個數(shù)的原則，確定校正集樣品與預(yù)測集樣品的數(shù)量[8]。蓮藕淀粉含量的化學(xué)檢測結(jié)果見表1?？芍?，樣本選擇的覆蓋范圍還是比較寬的，可以滿足不同來源的不同品種所期望的變化范圍，說明建模樣本具有很好的代表性。

表1 蓮藕淀粉含量的檢測數(shù)據(jù)分析Table 1 Statistic defection data of the starch content of lotus root

2.3 不同預(yù)處理對建模結(jié)果的影響

由于儀器、樣品背景及其他因素的影響，圖1顯示的原始光譜圖存在噪聲和雜散光等，為了更好地建立其相應(yīng)的模型，進(jìn)行光譜的預(yù)處理是關(guān)鍵和十分必要的。在文獻(xiàn)[7]的基礎(chǔ)上，選取了多元散射校正、一階導(dǎo)數(shù)、平滑等組合的預(yù)處理方法，比較了不同預(yù)處理方法對建模結(jié)果的影響，其結(jié)果見圖2—4。

圖2 多元散射校正預(yù)處理的近紅外光譜圖Fig.2 MSC spectrum of all lotus root sample

圖3 多元散射校正+一階導(dǎo)數(shù)預(yù)處理的近紅外光譜圖Fig.3 MSC+DC spectrum of all lotus root sample

圖4 多元散射校正+一階導(dǎo)數(shù)+平滑（7點(diǎn)）預(yù)處理的近紅外光譜圖Fig.4 MSC+DC＋GA （seven point）spectrum of all lotus root sample

對圖1～4進(jìn)行比較分析可知，經(jīng)多元散射校正處理的近紅外光譜（圖 2）沒有很好的效果，在4 000～6 000 cm-1波數(shù)范圍內(nèi)還存在噪聲。經(jīng)多元散射校正和一階導(dǎo)數(shù)處理的近紅外光譜（圖3）較圖1有了明顯的改善；而經(jīng)多元散射校正、一階導(dǎo)數(shù)和平滑（7點(diǎn)）等結(jié)合處理的近紅外光譜（圖4）較圖3有了進(jìn)一步的改善。3種預(yù)處理方法中，多元散射校正、一階導(dǎo)數(shù)和平滑（7點(diǎn)）等結(jié)合的預(yù)處理效果最佳。

為了對以上結(jié)果進(jìn)行驗證，選擇最常用的偏最小二乘法建立預(yù)測模型，其結(jié)果見表2?？芍?，經(jīng)多元散射校正、一階導(dǎo)數(shù)和平滑（7點(diǎn)）等結(jié)合的預(yù)處理而建立的模型較其他方法處理的模型預(yù)測性能要優(yōu)，其校正集的相關(guān)系數(shù)和均方根誤差為0.955 4和0.742 2，預(yù)測集的相關(guān)系數(shù)和均方根誤差為0.900 2和 1.109 5。

表2 不同光譜預(yù)處理的建模結(jié)果Table 2 Results of different pretreated spectra for model

2.4 蓮藕淀粉含量的近紅外光譜分析模型的建立

蓮藕的光譜數(shù)據(jù)選取2.3章節(jié)效果最佳的多元散射校正、一階導(dǎo)數(shù)和平滑等結(jié)合的方法進(jìn)行預(yù)處理后，對校正集樣品采用 PLS和SiPLS的建模方法，建立蓮藕近紅外光譜吸光度值與淀粉含量的PLS和SiPLS模型，其模型的相關(guān)系數(shù)和均方根誤差見表3。通過預(yù)測集對模型的可靠性進(jìn)行了檢驗，其模型的相關(guān)系數(shù)和均方根誤差也列入表3中。SiPLS模型校正集的淀粉含量的測量值與預(yù)測值的對應(yīng)關(guān)系見圖5，預(yù)測集的淀粉含量的測量值與預(yù)測值的對應(yīng)關(guān)系見圖6。

表3 蓮藕淀粉的近紅外光譜優(yōu)化模型結(jié)果Table 3 Optimal model results of NIR spectroscopy for lotus root starch

結(jié)合表3和圖5～圖6可知，所建立的PLS和SiPLS模型都具有較好的預(yù)測效果，但是SiPLS模型的預(yù)測效果要優(yōu)于PLS模型。SiPLS采用的是挑選幾個子區(qū)間聯(lián)合建模的方法，在保證模型精度的情況下又剔除了干擾過大的變量區(qū)域，同時可以克服單個區(qū)間包含的光譜信息不足的問題，使最終建立模型的預(yù)測能力和精度更高。通過挑選特征光譜區(qū)間提高 PLS模型精度這一結(jié)果亦與現(xiàn)有的文獻(xiàn)結(jié)論[9-11]一致。實(shí)驗中建立的SiPLS模型性能穩(wěn)定，其校正集的相關(guān)系數(shù)和均方根誤差為0.960 0和0.741 6，預(yù)測集的相關(guān)系數(shù)和均方根誤差為0.923 8和1.050 6，可以滿足實(shí)際應(yīng)用的要求。研究結(jié)果表明，采用近紅外光譜技術(shù)可以實(shí)現(xiàn)蓮藕淀粉含量的無損檢測。

圖5 校正集的淀粉含量的測量值與預(yù)測值的關(guān)系圖（SiPLS）Fig.5 Relationship between the measured and predicted starch content by SiPLS for calibration set

圖6 預(yù)測集的淀粉含量的測量值與預(yù)測值的關(guān)系圖（SiPLS）Fig.6 Relationship between the measured and predicted starch content by SiPLS for prediction set

3 結(jié)語

利用近紅外光譜技術(shù)對蓮藕淀粉含量進(jìn)行無損檢測，原始光譜數(shù)據(jù)采用多元散射校正、一階導(dǎo)數(shù)和平滑等結(jié)合的預(yù)處理效果最佳；同時SiPLS模型要比PLS模型的預(yù)測性能好，其校正集的相關(guān)系數(shù)（Rc）和均方根誤差（RMSEC）分別為 0.960 0 和0.741 6，預(yù)測集的相關(guān)系數(shù) （Rp）和均方根誤差（RMSEP）為0.923 8和1.050 6，可以滿足實(shí)際應(yīng)用要求。

研究結(jié)果表明，利用近紅外光譜技術(shù)對蓮藕淀粉含量無損檢測是可行的。實(shí)驗中的試驗方法和研究成果對蓮藕其他內(nèi)部指標(biāo)如維生素C等的測定，及其他水果內(nèi)部指標(biāo)的測定，均有一定的參考應(yīng)用價值。

另外，增加樣本數(shù)量，優(yōu)化建模方法，以建立預(yù)測精度和穩(wěn)定性更高的近紅外光譜模型，還有待于進(jìn)一步研究。目前蓮藕淀粉含量的近紅外光譜技術(shù)是在靜態(tài)條件下進(jìn)行檢測，而動態(tài)檢測方面也值得深入研究。

[1]Lee K，Choi Y M，Noh D O，et al.Antioxidant effect of Korean traditional lotus liquor[J].International Journal of Food Science and Technology，2005，40:709-715.

[2]張小超，吳靜珠，徐云，等.近紅外光譜分析技術(shù)及其在現(xiàn)代農(nóng)業(yè)生產(chǎn)中應(yīng)用［M］．北京:電子工業(yè)出版社，2005．

[3]蘇東林，李高陽，何建新，等.近紅外光譜分析技術(shù)在我國大宗水果品質(zhì)無損檢測中的應(yīng)用研究進(jìn)展[J].食品工業(yè)科技，2012，33（6）:460-464.SU Dong-lin，LI Gao-yang，HE Jian-xin，et al.Progress in application of near infrared spectroscopy to nondestru-ctive detection of big yield fruits quality in China[J].Science and Technology of Food Industry，2012，33（6）:460-464.（in Chinese）

[4]Lembe S Magwaza，Umezuruike Linus Opara，Hélène Nieuwoudt，et al.NIR spectroscopy applications for internal and external quality analysis of citrus fruit—A review[J].Food Bioprocess Technol，2012（5）:425-444.

[5]張擁軍，陳華才，蔣家新，等.蓮藕成分的近紅外光譜分析模型的建立[J].中國食品學(xué)報，2008，8（6）:122-127.ZHANG Yong-jun，CHEN Hua-cai，JIANG Jia-xin，et al.Establishment of NIR models for components determination in fresh lotus roots[J].Journal of Chinese Institute of Food Science and Technology，2008，8（6）:122-127.（in Chinese）

[6]劉燕德，應(yīng)義斌，傅霞萍.近紅外漫反射用于檢測蘋果糖度及有效酸度的研究[J].光譜學(xué)與光譜分析，2005，25（11）:1793-1796.LIU Yan-de，YING Yi-bin，F(xiàn)U Xia-ping.Study on predicting sugar content and valid acidity of apples by near inftared diffuse reflectance technique[J].Spectroscopy and Spectral Analysis，2005，25（11）:1793-1796.（in Chinese）

[7]孫通，應(yīng)義斌，劉魁武，等.梨可溶性固形物含量的在線近紅外光譜檢測[J].光譜學(xué)與光譜分析，2008，11（28）:2536-2539.SUN Tong，YING Yi-bin，LIU Kui-wu，et al.Online detection of soluble solids content of pear by near infrared transmission spectrum[J].Spectroscopy and Spectral Analysis，2008，11（28）:2536-2539.（in Chinese）

[8]曹霞，周學(xué)成，范品良.基于近紅外漫反射光譜技術(shù)的芒果糖度無損檢測方法研究[J].農(nóng)機(jī)化研究，2013，1（1）:177-180.CAO Xia，ZHOU Xue-cheng，F(xiàn)AN Pin-liang.Nondestructive detection on predicting sugar content of mango by Near-Infrared diffuse reflectance[J].Agricultural Mechanization Research，2013，1（1）:177-180.（in Chinese）

[9]蔡健榮，湯明杰，呂強(qiáng)，等.基于siPLS的獼猴桃糖度近紅外光譜檢測[J].食品科學(xué)，2009，30（4）:250-253.CAI Jian-rong，TANG Ming-jie，LV Qiang，et al.Near infrared determination of sugar content in kiwifruits based on siPLS[J].Food Science，2009，30（4）:250-253.（in Chinese）

[10]鄒小波，陳正偉，石吉勇，等.基于近紅外高光譜圖像的黃瓜葉片色素含量快速檢測[J].農(nóng)業(yè)機(jī)械學(xué)報，2012，43（5）:152-156.ZOU Xiao-bo，CHEN Zheng-wei，SHI Ji-yong，et al.Rapid detection of cucumber leaves pigments based on near infrared hyperspectral image technology[J].Journal of Agricultural Machinery，2012，43（5）:152-156.（in Chinese）

[11]ZOU Xiao-bo，ZHAO Jie-wen，LI Yan-xiao.Selection of the efficient wavelength regions in FT-NIR spectroscopy for determination of SSC of Fuji apple based on BiPLS and FiPLS models[J].Vibrational Spectroscopy，2007，44（2）:220-227.