近紅外光譜對貯藏期櫻桃品質(zhì)的定性判別*

羅楓，魯曉翔，張鵬，陳紹慧，李江闊

1(天津商業(yè)大學(xué)生物技術(shù)與食品科學(xué)學(xué)院，天津市食品生物技術(shù)重點(diǎn)實(shí)驗(yàn)室，天津，300134)

2(國家農(nóng)產(chǎn)品保鮮工程技術(shù)研究中心，天津市農(nóng)產(chǎn)品采后生理與貯藏保鮮重點(diǎn)實(shí)驗(yàn)室，天津，300384)

櫻桃，屬薔薇科李亞科李屬，又稱甜櫻桃、大櫻桃，味美可口，并具有益氣、健脾、祛風(fēng)濕的功效，是具有較高營養(yǎng)價(jià)值和保健功效的水果，被譽(yù)為“果中珍品”［1］。由于櫻桃本身是易腐水果，且其采收上市時(shí)期正值盛夏時(shí)節(jié)，導(dǎo)致櫻桃在貯藏過程中品質(zhì)極易下降(果肉變軟爛、表皮破損、風(fēng)味口感變劣等)，因而限制了櫻桃的異地銷售［2］。為櫻桃產(chǎn)業(yè)的進(jìn)一步發(fā)展，對貯藏過程中的櫻桃進(jìn)行高效無損的品質(zhì)監(jiān)控成為亟待解決的課題。

目前，對水果內(nèi)部品質(zhì)的評價(jià)傳統(tǒng)方法主要是感官評價(jià)和破壞性檢驗(yàn)的方法，這些方法都無法滿足果品品質(zhì)的快速檢測的需求［3］。近紅外光譜(near infrared spectroscopy，NIRS)光譜區(qū)與物質(zhì)有機(jī)分子中含氫基團(tuán)(OH、NH、CH)振動(dòng)的合頻和各級倍頻的吸收區(qū)一致，通過掃描樣品的近紅外光譜，可以得到樣品中有機(jī)分子含氫基團(tuán)的特征信息，從而可以精準(zhǔn)的對物質(zhì)內(nèi)部品質(zhì)進(jìn)行高效檢測;此外，利用NIRS技術(shù)分析樣品還具有方便、快速、高效、準(zhǔn)確和成本較低，不破壞樣品，不污染環(huán)境等優(yōu)點(diǎn)，因此該技術(shù)受到越來越多人的青睞［4］。

近年來，已有利用NIRS檢測水果品質(zhì)的研究。王丹［5］等運(yùn)用NIRS對貨架期的甜柿進(jìn)行定性判別，結(jié)果發(fā)現(xiàn)判別模型的正確分類率達(dá)到97.8%～100%，預(yù)測準(zhǔn)確率達(dá)到88.9% ～100%，說明NIRS技術(shù)對甜柿進(jìn)行檢測具備應(yīng)用價(jià)值;馬本學(xué)［6］等應(yīng)用NIRS技術(shù)對香梨的類別進(jìn)行定性分析，建立了香梨類別的定性判別模型。結(jié)果表明，該檢測方法對校正集正確分類率達(dá)100%，預(yù)測集正確分類率為95%，說明NIRS對香梨的分類判別具有較好的效果;Dolores Perez Marin［7］等應(yīng)用 NIRS 漫反射技術(shù)，對經(jīng)冷藏7、14、28 d后的油桃進(jìn)行采后貨架期模型預(yù)測，發(fā)現(xiàn)NIRS技術(shù)能準(zhǔn)確的預(yù)測57% ～84%的樣本，這也說明NIRS技術(shù)對水果的定性判別具有較好的檢測效果。本實(shí)驗(yàn)應(yīng)用NIRS對貯藏期櫻桃品質(zhì)進(jìn)行了定性判別分析。

1 材料與方法

1.1 櫻桃樣品收集與原始光譜的采集

1.1.1 樣品收集

沙蜜豆櫻桃于2014年6月10日采自河北省山海關(guān)區(qū)石河鎮(zhèn)毛家溝村實(shí)驗(yàn)基地，采收成熟度約八成熟的果實(shí)，采摘當(dāng)天運(yùn)至國家農(nóng)產(chǎn)品保鮮工程技術(shù)研究中心實(shí)驗(yàn)室(20±1.5)℃，立即進(jìn)行如下處理:將櫻桃按1.75 kg/袋裝入襯有0.05 mm PE保鮮膜的塑料框中，膜敞口(0±0.5)℃冷庫中預(yù)冷24 h后，扎口在此溫度下貯藏。

測試前，將櫻桃置于室溫內(nèi)，待與室溫平衡后，將果實(shí)表面凝結(jié)的水氣用紗布擦干，挑取其中無機(jī)械損傷。無病蟲害的果實(shí)，并將果實(shí)進(jìn)行標(biāo)號，依次排列好后，進(jìn)行近紅外光譜的掃描。實(shí)驗(yàn)隨機(jī)抽取兩個(gè)部分光譜數(shù)據(jù)，分別作為校正集(calibration set)和預(yù)測集(validation set)。本文校正集總和240個(gè)，預(yù)測集總和60個(gè)。

1.2 主要儀器

PAL-1數(shù)字手持折光儀;Brix-acidity meter(GMK-706R)糖酸儀，韓國;TU-1810系列紫外分光光度計(jì)，北京普析通用儀器有限責(zé)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;TA.XT.plus物性測定儀，英國。

1.3 樣品化學(xué)指標(biāo)的測定

(1)可溶性固形物(total soluble solids，TSS)的測定:采用手持折光儀，用蒸餾水校正零點(diǎn)，將櫻桃果肉擠壓出汁，于折光棱鏡的鏡面上直接測量。每個(gè)櫻桃重復(fù)測定3次，求其平均值作為最終TSS值。

(2)總酸(total acid，TA)的測定:采用糖酸儀進(jìn)行測定，將櫻桃果實(shí)去核、去梗，用3層紗布擠壓過濾后，用濾液進(jìn)行測定;每個(gè)果重復(fù)測定3次，取其平均值作為最終TA值。

(3)VC含量的測定:采用鉬藍(lán)比色法［8］。

(4)黃酮的測定:采用 Al(NO3)3比色法［9］。

(5)硬度的測定:采用物性測定儀，將經(jīng)過NIRS掃描過的櫻桃果實(shí)放置于測試平板上，利用P/2柱頭(Φ2 mm)對其進(jìn)行穿刺測試，測試參數(shù)如下:穿刺深度為6 mm，測試速度為2.0 mm/s，測前速度為5.0 mm/s，測后速度為 2.0 mm/s。

1.4 模型的建立與驗(yàn)證

利用儀器自帶的分析軟件(WinISI4)，選取低溫［(0±0.5)℃］貯藏10、30、50 d的櫻桃進(jìn)行試驗(yàn)，針對不同的貯藏時(shí)間，每次抽取80個(gè)光譜，對抽取出的光譜建立模型從而進(jìn)行定性判別，本文進(jìn)行不同波段、不同預(yù)處理的光譜比較分析，以便有效除噪，提高信噪比，從而得到有效光譜信息。一般近紅外定性分析主要有3種方法，判別分析法、主成分分析法和馬氏距離法、本實(shí)驗(yàn)采用主成分分析法(principal component analysis，PCA)來確定分析樣品在已知樣品集中的位置。該方法可以降維數(shù)據(jù)，保證在不失去主要光譜信息的前提下，以為數(shù)較少的新變量代替原本較多的變量，并使新變量成為原變量的線性組合，得到的主成分累計(jì)率越高，則證明結(jié)果準(zhǔn)確性越高。之后，采用隨機(jī)抽取的驗(yàn)證集對最優(yōu)判別模型進(jìn)行驗(yàn)證，并對模型的可行性和預(yù)測性進(jìn)行評價(jià)。主要的評價(jià)指標(biāo)包括預(yù)測模型實(shí)測值與預(yù)測值的相關(guān)系數(shù)Rcv以及校正誤差(square error of calibration，SEC)。一個(gè)好的模型應(yīng)該具有較高的Rcv值，較低的SEC。最后，利用判斷正確率評價(jià)預(yù)測模型的效果。

2 結(jié)果與分析

2.1 不同波段的光譜吸收峰的分析及理化數(shù)據(jù)

近紅外光譜主要是由分子中O—H，N—H，C—H，S—H鍵的振動(dòng)、吸收引起，是這些振動(dòng)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(dòng)構(gòu)成了近紅外區(qū)的主要吸收帶。本實(shí)驗(yàn)測得的240個(gè)櫻桃原始近紅外光譜如圖1所示，對10、30、50 d的原始光譜集求出各自的平均光譜，如圖2所示。

在結(jié)合路徑參數(shù)結(jié)果和研究模型的假設(shè)檢驗(yàn)結(jié)果之后，各個(gè)因素對醫(yī)藥B2C平臺顧客忠誠度的影響均顯著；按照影響的重要性排序，結(jié)果為：①商品質(zhì)量；②顧客滿意度；③顧客轉(zhuǎn)換成本；④網(wǎng)站安全性；⑤網(wǎng)站服務(wù)；⑥購物便利性；⑦網(wǎng)站聲譽(yù)；⑧物流快捷性；⑨商品價(jià)格。

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

從圖1可看出，有4處呈現(xiàn)出了明顯的吸收峰，分別在 566.5、957.0、1 450.0、1 924.5 nm 處。其中在可見光區(qū)域的566.5 nm處，波峰的形成主要是由于電子振動(dòng)而產(chǎn)生;在957nm處，為可見光和近紅外光譜之間的過度區(qū)域;1 450 nm處吸收峰是由櫻桃水分子間的O—H鍵吸收形成的，此處吸收峰與櫻桃的含水量呈正相關(guān)趨勢變化;1 924.5 nm處吸收峰主要是由櫻桃中CH2—、C—H鍵的伸縮、彎曲振動(dòng)產(chǎn)生，由于櫻桃中TA、SSC及氨基酸等物質(zhì)中含有這類官能團(tuán)，這表明吸收峰與櫻桃中這類物質(zhì)的含量發(fā)生改變有關(guān)。實(shí)驗(yàn)結(jié)果表明，櫻桃品質(zhì)與近紅外光譜上反映的信息具有一定的規(guī)律性趨勢變化。根據(jù)量子理論［10］，物質(zhì)內(nèi)部分子的振動(dòng)是量子化的，含氫基團(tuán)的倍頻、合頻振動(dòng)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，這為果實(shí)中水分的定量分析提供了理論依據(jù)［11］。櫻桃果實(shí)水分的變化，必然會影響其果實(shí)質(zhì)地［12］。此外，由表1可知，隨著低溫貯藏時(shí)間的延長，櫻桃中可溶性固形物、總酸、黃酮含量升高，Vc和硬度先升高后下降。由圖2三個(gè)不同貯藏時(shí)間下的平均光譜可知，隨著貯藏時(shí)間的增加光譜圖趨勢發(fā)生相應(yīng)的變化，對比原始光譜圖，可以看出3條平均光譜有相同與原始光譜相近的變化趨勢，這表明NIRS光譜與櫻桃內(nèi)部品質(zhì)的變化存在一定規(guī)律性變化。王丹［13］等在應(yīng)用近紅外對不同貯藏期磨盤柿子的內(nèi)部品質(zhì)研究中也有相應(yīng)結(jié)論。因此，可以從近紅外光譜反映櫻桃果實(shí)的內(nèi)部品質(zhì)。

圖2 三個(gè)不同貯藏天數(shù)的平均光譜Fig.2 The average number of days three different storage spectrum

表1 理化數(shù)據(jù)Table 1 Physical and chemical indicators

2.2 樣品集及光譜預(yù)處理對建模結(jié)果的影響

選出合適的光譜預(yù)處理方法，就能夠很好的過濾高頻隨機(jī)噪聲、提高信噪比，消除由于樣本不均導(dǎo)致的基線飄移、偏移等的干擾［14］。光譜預(yù)處理常用方法有導(dǎo)數(shù)、平滑、扣減、歸一化、標(biāo)準(zhǔn)化等［15］。定標(biāo)模型的數(shù)據(jù)回歸技術(shù)主要有主成分回歸(principal component regression，PCR)、偏最小二乘法(partial least squares，PLS)、改進(jìn)偏最小二乘法(modified partial least squares，MPLS)等［16］。

本研究分別選取在(0±0.5)℃貯藏10、30、50 d的櫻桃進(jìn)行光譜分析。表2為低溫貯藏不同時(shí)間各樣品集的果實(shí)數(shù)量。定標(biāo)集總計(jì)240個(gè)光譜數(shù)據(jù)，預(yù)測集總計(jì)60個(gè)光譜數(shù)據(jù)。

表2 樣品集的組成Table 2 The composition of the sample collection

預(yù)處理是將一階微分和二階微分2種導(dǎo)數(shù)處理方法，與不同散射和標(biāo)準(zhǔn)化方法相結(jié)合的方式進(jìn)行分析討論。一階微分光譜、二階微分光譜、原始光譜(none)、去離散處理(standard normal variate and detrend，SNV and D)、標(biāo)準(zhǔn)正常處理(standard normal variate，SNV only)、散射處理(detrend，D only)、標(biāo)準(zhǔn)多元散射校正(standard multiple scatter correction，SMSC)、加權(quán)多元散射校正(weighted multiple scatter correction，WMSC)等，以及櫻桃經(jīng)過不同預(yù)處理后的主成分累計(jì)貢獻(xiàn)率見表3所示。

從表3可知，一階微分下的SNV and D處理和SNV only處理下的主成分累計(jì)貢獻(xiàn)率均能達(dá)到98%以上，其中一階微分結(jié)合SNV and D處理，主成分累計(jì)貢獻(xiàn)率最高達(dá)到98.45%。因此，本文的判別模型采用一階微分結(jié)合SNV and D處理的方法。

表3 前8個(gè)組成分累計(jì)貢獻(xiàn)率Table 3 8 Principal components and reliabilities

2.3 不同波段的判別

表4是校正集在采用一階微分結(jié)合SNV and D處理后，繼續(xù)對其進(jìn)行在不同波段下校正模型的建立結(jié)果。結(jié)果表明，在408～2 492.8 nm下模型判斷正確分類率最高，達(dá)到100%。這可能是由于櫻桃光譜的吸收峰分布在全波長近紅外的范圍內(nèi)，故櫻桃低溫貯藏期的判別模型選取在408～2 492.8 nm。

表4 不同波長下的判別結(jié)果Table 4 Calibration result of different band regions

2.4 預(yù)測結(jié)果及判別模型

分別選取在(0±0.5)℃貯藏下10、30、50 d的櫻桃，進(jìn)行櫻桃貯藏期品質(zhì)的研究。選用PCA方法選取前3個(gè)主成分(PC1、PC2、PC3)，得到如圖3的三維空間坐標(biāo)圖。

圖3 不同貯藏期的三維圖Fig.3 Three-dimensional renderings of different storage time

由圖3可知，3個(gè)不同貯藏時(shí)間(10、30、50 d)下的櫻桃可以完全區(qū)分，表明該模型可以很好的預(yù)測低溫貯藏期的櫻桃品質(zhì)。此模型的SEC為0.133 8，Rcv為0.930 6，正確分類率達(dá)到100%。

實(shí)驗(yàn)對模型的可靠性進(jìn)行驗(yàn)證。對隨機(jī)抽取的60個(gè)預(yù)測樣品集合的櫻桃果實(shí)進(jìn)行檢測，結(jié)果見表5。其中預(yù)測集54個(gè)正確，4個(gè)不確定，2個(gè)錯(cuò)誤，模型的預(yù)測準(zhǔn)確率在90%～96.7%。

表5 PCA方法的結(jié)果統(tǒng)計(jì)Table 5 Statistic results of discrimination using PCA

表6為預(yù)測樣品集合預(yù)測的統(tǒng)計(jì)數(shù)據(jù)，結(jié)果也證明該模型具有很好的預(yù)測效果，且準(zhǔn)確率較高，具有很好的適用性。

表6 預(yù)測集的結(jié)果統(tǒng)計(jì)Table 6 The results of statistical prediction set

3 結(jié)論與展望

實(shí)驗(yàn)表明，在全波長范圍的一階微分結(jié)合SNV and D處理的方法，模型可以得到較好的效果。Rcv為0.930 6，SEC為0.133 8，正確分類率達(dá)到100%。說明通過對不同預(yù)處理和不同波段的選擇，可以提高模型的判別準(zhǔn)確度。預(yù)測樣品集的判斷正確率在90%～96.7%。說明應(yīng)用NIRS對貯藏過程中櫻桃品質(zhì)進(jìn)行無損檢測具有可行性，能夠很好的對其品質(zhì)進(jìn)行定性分析，從而實(shí)現(xiàn)櫻桃內(nèi)部品質(zhì)的快速評價(jià)。

［1］ 李曉青，韓燕麗.大櫻桃貯藏保鮮技術(shù)［J］.保鮮與加工，2006，6(5):25-25.

［2］ LIU Y，SUN X，Ouyang A.Nondestructive measurement of soluble solid content of navel orange fruit by visible–NIR spectrometric technique with PLSR and PCA-BPNN［J］.LWT-Food Science and Technology，2010，43(4):602-607.

［3］ 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.

［4］ Magwaza L S，Opara U L，Nieuwoudt H，et al.NIR spectroscopy applications for internal and external quality analysis of citrus fruit—a review［J］.Food and Bioprocess Technology，2012，5(2):425-444.

［5］ 王丹，魯曉翔，張鵬，等.甜柿貨架期的近紅外光譜定性判別［J］.食品與發(fā)酵工業(yè)，2014，40(2):188-191.

［6］ 馬本學(xué)，饒秀勤，應(yīng)義斌，等.基于近紅外漫反射光譜的香梨類別定性分析［J］.光譜學(xué)與光譜分析，2009(12):3 288-3 290.

［7］ Pérez-Marín D，Sánchez M T，Paz P，et al.Postharvest shelf-life discrimination of nectarines produced under different irrigation strategies using NIR-spectroscopy［J］.LWT-Food Science and Technology，2011，44(6):1 405-1 414.

［8］ Shichuan X M M W H.Determination of Vitamin C in Food by Molybdenum Blue Spectrophotometry［J］.Food and Fermentation Industries，1993，5:007.

［9］ 何珺，顏仁梁，劉志剛.NaNO2-Al(NO3)3-NaOH比色法測定總黃酮應(yīng)用中的常見問題［J］.今日藥學(xué)，2009，19(12):18-21.

［10］ 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，2013，76:40-49.

［11］ Perez Marin D，Sanchez M T，Paz P，et al.Postharvest shelf-life discrimination of nectarines produced under different irrigation strategies using NIR-spectroscopy［J］.LWT-Food Science and Technology，2011，44(6):1 405-1 414.

［12］ 楊艷芬.大櫻桃采后生理與貯藏保鮮技術(shù)研究進(jìn)展［J］.北方園藝，2009(11):122-124.

［13］ 王丹，魯曉翔，張鵬，等.近紅外光譜檢測不同貯藏期磨盤柿的內(nèi)部品質(zhì)［J］.光譜實(shí)驗(yàn)室，2013，30(6):2 769-2 774.

［14］ 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(xué)，2011，32(10):141-144.

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

［16］ 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.