冷藏過程中櫻桃VC含量的近紅外檢測*

羅楓，魯曉翔，張鵬，陳紹慧，李江闊

1(天津商業(yè)大學生物技術與食品科學學院，天津市食品生物技術重點實驗室，天津，300134)

2(國家農(nóng)產(chǎn)品保鮮工程技術研究中心，天津市農(nóng)產(chǎn)品采后生理與貯藏保鮮重點實驗室，天津，300384)

沙蜜豆櫻桃(summit)，又稱為大櫻桃、甜櫻桃，屬薔薇科李亞科李屬，其營養(yǎng)豐富、味美可口［1］。由于櫻桃果皮薄、果肉軟、果汁多，且櫻桃在盛夏(6～7月)時節(jié)采收上市，導致櫻桃在冷藏過程中很容易品質(zhì)下降(果肉變軟、表皮破損、風味變劣等)，從而限制了櫻桃異地銷售［2］。對冷藏過程中的櫻桃進行快速無損的品質(zhì)監(jiān)控，成為亟需攻克的課題。

近紅外光譜技術(near infrared spectroscopy，NIRS)，幾乎可以應用于所有含氫鍵基團樣品的生化指標的研究，研究物質(zhì)內(nèi)部不同成分在近紅外區(qū)域獨特的吸收特征［3］。有關近紅外對水果內(nèi)部品質(zhì)無損檢測的相關報道較多［4］，且多集中在對水果中的可溶性固形物、總酸、硬度等［5］的檢測方面。郭衛(wèi)東等［6］應用 NIRS檢測櫻桃中的甜度;夏俊芳等［7］利用NIRS檢測柑橘中VC含量;唐長波等［8］應用NIRS對黃桃中的可溶性固形物進行無損檢測。

目前，針對櫻桃內(nèi)部無損檢測的研究卻鮮見，櫻桃果實中的VC含量是決定其品質(zhì)的重要指標［9］，但現(xiàn)在尚未有關櫻桃中VC含量NIRS檢測的報道。本文利用NIRS對冷藏過程中櫻桃的VC含量進行高效快速的無損檢測，以期為物流中櫻桃品質(zhì)變化的快速監(jiān)控提供新的方法和技術依據(jù)。

1 材料與方法

1.1 材料與數(shù)據(jù)采集

實驗原料及處理:沙蜜豆櫻桃于2014年6月10日采自河北省山海關區(qū)石河鎮(zhèn)毛家溝村實驗基地，采收成熟度一致(約8成熟)，無機械損傷及病蟲害的果實。櫻桃采摘當天運至國家農(nóng)產(chǎn)品保鮮工程技術研究中心實驗室(20℃ ±1.5℃)，并進行如下處理:將櫻桃按1.75 kg/袋裝入襯有50 μm厚PE保鮮膜的塑料框中，置于冷庫(0±0.5)℃預冷24 h后，扎口存放。

數(shù)據(jù)采集:實驗開始前，將櫻桃置于室溫條件下，待溫度平衡后，將果實上凝結的水氣用紗布擦干，挑取其中完整無損傷的果實，并將果實按標號依次排列好后，進行近紅外光譜的掃描。實驗共抽取120個櫻桃，其中隨機抽取90個果實的光譜數(shù)據(jù)作為校正集(calibration set)，另30個果實的作為預測集(validation set)。

1.2 儀器與設備

NIRS-DS2500型近紅外漫反射光譜儀，丹麥Foss公司;TU-1810系列紫外分光光度計，北京普析通用儀器有限責任公司的;Pipet-Lite XLS Eppendorf Research plus移液器，梅特勒-托利多儀器有限公司;ML503/02天平，梅特勒-托利多儀器公司。

1.3 實驗方法

1.3.1 近紅外光譜的采集

本實驗NIRS采用全息光柵分光系統(tǒng)，硅(408～1 092.8 nm)和硫化鉛(1 108～2 492.8 nm)檢測器用于信號采集，掃描(波長范圍408～2 492.8 nm)快速單波長的掃描，掃描32次;采用Nova分析軟件、校正軟件WinISI4。將櫻桃果實放在儀器標配的小漿杯(Slurry Cup)上進行常規(guī)光譜掃描;掃描光譜時要避開果實上有疤痕、果實的果梗與果蒂部分，以免影響掃描得到的光譜圖［10］。

1.3.2 櫻桃中VC含量的測定——鉬藍比色法［11］

準確稱取20 g櫻桃勻漿液于容量瓶中，即加入草酸-EDTA溶液并定容于100 mL容量瓶中，過濾。吸取30 mL濾液于50 mL容量瓶中，并加入1.0 mL偏磷酸-醋酸溶液，5%H2SO42.00 mL，搖勻后，加入4.0 mL鉬酸銨溶液，以蒸餾水定容至50 mL，用紫外分光光度計在705 nm處測定吸光度值，并以蒸餾水作為空白對照。樣品中VC含量的計算，根據(jù)樣品液吸光度值、從VC標準曲線上查出對應的含量，并按下式計算樣品中VC的含量:

式中:C，測定用樣液中VC的含量(mg);V1，測定用樣液體積(mL);m，樣品質(zhì)量(mg);V2，樣液定容總體積(mL)。

1.4 數(shù)據(jù)的處理

利用近紅外光譜進行成分含量預測時，最主要是在采集樣本光譜和測得成分含量之間建立相關模型。將實驗樣本分成校正集和預測集兩部分，隨機選取校正集90個數(shù)據(jù)，驗證集30個數(shù)據(jù)，進行處理。利用儀器自帶的分析軟件建立測定光譜與VC含量之間的相關關系［12］。預測模型通過VC的實測值與預測值的相關系數(shù)、校正誤差(square error of calibration，SEC)及預測誤差(square error of validation，SEP)進行定量評價。一個好的模型應該具有較高的值，較低的SEC和SEP值，SEC和SEP差異越小越好。校正相對分析誤差RPD(RPD=SD/SECV)，可用來檢驗模型的適用能力。當RPD在2～2.5時，可進行粗略的定量分析，當RPD值大于2.5或3.0以上時，說明該模型具有很好的預測效果［13］。

2 結果與分析

2.1 不同波段的光譜吸收峰的分析

近紅外光譜主要是由分子中O—H，N—H，C—H，S—H鍵的振動、吸收引起，是這些振動的組頻和倍頻吸收帶;近紅外區(qū)光譜測試成分須含有O—H，C—H，N—H或S—H鍵等，R—H的伸縮/彎曲振動構成了近紅外區(qū)的主要吸收帶。本實驗測得的櫻桃原始近紅外光譜如圖1所示。

圖1 櫻桃原始光譜圖Fig.1 Original spectra of Cherry

從圖 1 可以看出，在 566.5、957.0、1 450.0、1 924.5 nm處均出現(xiàn)了明顯的吸收峰。其中566.5 nm處為可見光區(qū)域，波峰主要是由于電子振動產(chǎn)生的;957.0 nm處為可見光和近紅外光譜之間的過度區(qū)域;1 450.0 nm處的吸收峰是由于櫻桃中水分子之間的O—H鍵吸收形成的;1 450.0 nm波段處與櫻桃的含水量成正相關趨勢。根據(jù)量子理論得到［14］，物質(zhì)內(nèi)部分子的振動是量子化的，含氫基團的倍頻、合頻振動特征范圍在800～25 000 nm，其中1 455 nm附近為水分的二頻特征吸收帶，這為物質(zhì)水分的定量分析提供了強有力的理論依據(jù)。此區(qū)域波峰說明櫻桃中的水分對近紅外光譜的影響很大。圖1中1 924.5 nm處吸收峰的形成主要是櫻桃中—CH2、—C—H鍵的伸縮、彎曲振動產(chǎn)生的。分析主要是由于櫻桃中的總酸、可溶性固形物、膠類物質(zhì)和氨基酸等物質(zhì)的含量發(fā)生改變，因為這些物質(zhì)中的官能團就是—CH2、—C—H等。實驗結果表明，櫻桃內(nèi)部品質(zhì)與近紅外光譜上反映的信息具有一定的規(guī)律性變化。因此，可以從近紅外光譜反映櫻桃果實的內(nèi)部品質(zhì)。

2.2 櫻桃中VC含量的標準值分布

應用鉬藍比色法對櫻桃中的VC含量進行測定，將其作為參考指標。本實驗校正集和預測集的樣品數(shù)、變幅、均值和標準差如表1所示。

表1 校正集和預測集VC含量分析結果Table 1 Calibration set and prediction set vitamin C content analysis results

本實驗數(shù)據(jù)是櫻桃經(jīng)預冷后的第1天起直至低溫(0±0.5℃)存放55 d的整個過程中，隨機抽取120個櫻桃進行化學測定得到的。這期間原本8成熟的櫻桃經(jīng)歷了后熟過程，再到品質(zhì)下降，所以每個參考指標的數(shù)據(jù)都具有代表性，更具有一定的范圍覆蓋性，這樣布局可以提高模型建立的速度、減少模型庫的儲存空間，更重要的是，當遇到模型界外樣品時，通過較少的樣品，便可提高模型的使用范圍，便于模型的更新和維護。從表1可見，預測集的變幅包含在定標集變幅內(nèi)，校正集中的樣品的VC含量參數(shù)均勻分布，說明選取的參考指標數(shù)據(jù)可以用來進行NIRS對櫻桃中VC的模型建立。

2.3 樣品集及光譜預處理對建模結果的影響

NIRS采集的光譜除了樣品的自身信息以外還有其他無關信息和噪聲，如電噪聲、樣品背景雜光、散光等。選出合適的光譜預處理方法，就能夠很好的過濾高頻隨機噪聲、提高信噪比，消除由于樣本不均導致的基線飄移、偏移的干擾等［15］，因而預處理方法十分關鍵和必要。光譜預處理的常用方法有導數(shù)、平滑、扣減、歸一化、標準化等［16］。定標模型的數(shù)據(jù)回歸技術主要有主成分回歸(principal component regression，PCR)、偏最小二乘法(partial least squares，PLS)、改進偏最小二乘法(modified partial least squares，MPLS)等［17］。

本研究從一階和二階導數(shù)的2種導數(shù)處理方法出發(fā)與不同散射和標準化方法相結合的方式進行預處理的分析討論。櫻桃VC模型在不同預處理下的建模結果見表2所示。一階導數(shù)光譜、二階導數(shù)光譜、原始光譜(None)、標準正常處理(standard normal variate，SNV)、去離散處理(SNV+detrend)、標準多元散射校正(standard multiple scatter correction，SMSC)、加權多元散射校正(weighted multiple scatter correction，WMSC)、散射處理(Detrend)等。

表2 櫻桃VC模型在不同預處理下的校正模型Table 2 Cherry vitamin C calibration models of the model under different pretreatment

圖2 櫻桃二階導數(shù)光譜圖Fig.2 2nd spectra of Cherry

2.4 櫻桃中VC含量的校正模型的預測評價

為了檢驗校正模型的適用性與可靠性，實驗用預處理后最優(yōu)的定標模型對30個未知櫻桃的VC含量進行定量預測分析，預測結果如圖3所示。

由圖3的預測結果可見，樣品真實值與模型預測出的預測值比較相近，圍繞趨勢線上下均勻波動，VC的預測標準誤差SEP為0.225 3，Rp=0.849，相對分析誤差 RPD為3.3。SEP較低，Rp較高，RPD大于2.5，說明NIRS對櫻桃中VC含量的高效、快速的無損檢測是可行的，且預測性能較好。

圖3 VC實測值與預測值之間的相關性Fig.3 The correlation between the measured and predicted values ofvitamin C

3 結論與展望

本文應用NIRS檢測技術(波長408.8～2 492.8 nm)對冷藏過程中櫻桃VC含量進行無損檢測，構建了關于化學指標VC的模型。結果表明，二階導數(shù)下的MPLS算法結合SNV only處理可以得到最優(yōu)化的定標模型，二階導數(shù)效果優(yōu)于一階導數(shù)，很可能是由于建立的VC模型中存在基線漂移問題，而二階導數(shù)很好的解決了這一問題。校正模型相關系數(shù)R2cv為0.877 9，預測相關系數(shù)Rp為0.849，相關系數(shù)較高說明模型具有良好的精度。校正誤差SEC為0.258 3，預測誤差SEP為0.225 3，且SEC與SEP值相差很小。預測相對分析誤差RPD為3.3，由RPD值可說明本文建立的櫻桃VC模型具有很好的預測效果、適用能力和穩(wěn)定性。

綜上分析，說明應用NIRS檢測冷藏過程中櫻桃VC含量是可以實現(xiàn)的，并能夠很好的對其進行定量分析，并對櫻桃內(nèi)部品質(zhì)進行評價。

光譜成像結合光譜和圖像2種技術，是多信息融合的一種檢測技術。近紅外光譜技術也存在著一定的不足之處:由于近紅外光譜區(qū)域內(nèi)的吸收強度相對可見光區(qū)域要弱，信號的信噪比低，因此需要進行預處理來提高近紅外光譜定標模型的適用性等。今后的實驗可以朝著近紅外設備的改進、化學指標的精確測量、計算機技術與光譜儀器的融合應用等方面不斷改善，使得近紅外光譜無損檢測技術在今后的科研方面具有更加廣闊的前景。

［1］ 生兆江，生吉萍.幾種櫻桃的營養(yǎng)成分測定［J］.萊陽農(nóng)學院學報，1989，6(4):28-32.

［2］ 蘭鑫哲，姜愛麗，胡文忠.甜櫻桃采后生理及冷藏保鮮技術進展［J］.食品工業(yè)科技，2011，40(11):535-538.

［3］ 王敏，付蓉，趙秋菊，等.近紅外光譜技術在果蔬品質(zhì)無損檢測中的應用［J］.中國農(nóng)學通報，2010，26(5):174-178.

［4］ 張欣，單楊.國外近紅外光譜分析技術在食品安全問題中的應用研究進展［J］.食品工業(yè)科技，2010(9):398-401.

［5］ XU H，QI B，SUN T，et al.Variable selection in visible and near-infrared spectra:Application to on-line determination of sugar content in pears［J］.Journal of Food Engineering，2012，109(1):142-147.

［6］ 郭衛(wèi)東，倪開誠，孫旭東，等.基于CWT和GRNN的可見-近紅外漫反恁光譜檢測櫻桃糖度的研究［J］.食品科學，2009，34(12):140-143.

［7］ 夏俊芳，李小昱，李培武，等.基于小波變換的柑橘維生素C含量近紅外光譜無損檢測方法［J］.農(nóng)業(yè)工程學報，2007，23(6):170-174.

［8］ 唐長波，方立剛.黃桃可溶性固形物的近紅外漫反射光譜檢測［J］.江蘇農(nóng)業(yè)科學，2013，41(11):331-333.

［9］ 蔡宇良，李珊，陳怡平，等.不同甜櫻桃品種果實主要內(nèi)含物測試與分析［J］.西北植物學報，2005，25(2):304-310.

［10］ Balabin R M，Safieva R Z，Lomakina E I.Gasoline classification using near infrared(NIR)spectroscopy data:comparison of multivariate techniques［J］.Analytica Chimica Acta，2010，671(1):27-35.

［11］ Shichuan X M M W H.Determination of vitamin C in food by molybdenum blue spectrophotometry［J］.Food and Fermentation Industries，1993，37(5):7.

［12］ 馬廣，傅霞萍，周瑩，等.大白桃糖度的近紅外漫反射光譜無損檢測試驗研究［J］.光譜學與光譜分析，2007，27(5):907-910.

［13］ 王丹，魯曉翔，張鵬，等.近紅外無損檢測甜柿果實質(zhì)地和品質(zhì)［J］.食品工業(yè)科技，2013，34(24):53-56.

［14］ Cho B K，Kim M S，Baek I S，et al.Detection of cuticle defects on cherry tomatoes using hyperspectral fluorescence imagery［J］.Postharvest biology and technology，2013，76(17):40-49.

［15］ 岳絨，郭文川，劉卉.近紅外漫反射光譜檢測損傷獼猴桃的內(nèi)部品質(zhì)［J］.食品科學，2011，32(10):141-144.

［16］ 王姍姍，孫紅男，陳健，等.基于近紅外光譜技術檢測藍莓可溶性固形物含量［J］.食品工業(yè)科技，2012，40(1):340-341.

［17］ Wan B，Small G W.Wavelet analysis used for spectral background removal in the determination of glucose from near-infrared single-beam spectra［J］.Analytica Chimica acta，2010，681(1):63-70.