近紅外光譜技術(shù)在堅(jiān)果檢測(cè)中的應(yīng)用研究

（東北林業(yè)大學(xué)機(jī)電工程學(xué)院，黑龍江 哈爾濱 150040）

堅(jiān)果是我國(guó)重要的林果資源，大多富含蛋白質(zhì)、維生素、油脂、礦物質(zhì)等營(yíng)養(yǎng)元素，具有一定的營(yíng)養(yǎng)保健功能，如今已成為大多數(shù)家庭的必備零食。然而堅(jiān)果有堅(jiān)硬的外殼，很難像其它食品一樣通過(guò)外觀、味道、顏色等來(lái)鑒別其品質(zhì)，市場(chǎng)上難免會(huì)出現(xiàn)以次充好、以陳代新等情況。在遺傳育種方面也只能用抽測(cè)和經(jīng)驗(yàn)來(lái)篩選堅(jiān)果種子。至于產(chǎn)地、品種都是憑經(jīng)驗(yàn)獲得，或者依賴賣家的信譽(yù)。傳統(tǒng)的堅(jiān)果品質(zhì)鑒定方法主要是人工抽檢或者理化檢測(cè)。人工抽檢主觀性強(qiáng)，無(wú)法保證檢測(cè)效果；理化檢測(cè)耗時(shí)長(zhǎng)、對(duì)檢驗(yàn)操作人員的健康有不良影響且屬于破壞性檢測(cè)。

近紅外光譜技術(shù)是利用有機(jī)分子中含氫基團(tuán)間振動(dòng)的倍頻與合頻的吸收光譜，分析得到分子的狀態(tài)、組成、結(jié)構(gòu)等信息，具有檢測(cè)速度快、準(zhǔn)確度高、無(wú)任何毒副作用、不破壞待測(cè)樣品等優(yōu)點(diǎn)，在農(nóng)業(yè)、食品、醫(yī)藥、煙酒、石油等多個(gè)領(lǐng)域得到廣泛應(yīng)用[1]。隨著光譜分析儀器的不斷更新?lián)Q代，近紅外光譜分析技術(shù)的研究領(lǐng)域進(jìn)一步擴(kuò)大，研究?jī)?nèi)容也在不斷地增加和深入。目前，近紅外光譜技術(shù)已逐漸應(yīng)用于堅(jiān)果的品質(zhì)檢測(cè)，如堅(jiān)果內(nèi)部營(yíng)養(yǎng)物質(zhì)含量測(cè)定、堅(jiān)果的病蟲害測(cè)定、堅(jiān)果的產(chǎn)地溯源等。

1 對(duì)堅(jiān)果品質(zhì)的分析與研究

堅(jiān)果營(yíng)養(yǎng)價(jià)值的高低、口感如何主要取決于其內(nèi)部的蛋白質(zhì)含量、脂肪酸含量、水分含量等，而堅(jiān)果的品質(zhì)分級(jí)也應(yīng)主要看堅(jiān)果的內(nèi)部品質(zhì)，傳統(tǒng)理化檢測(cè)方法如蛋白質(zhì)檢測(cè)通常是凱氏定氮法，檢測(cè)完的果實(shí)就不能食用了，只能抽樣檢測(cè)，而且在檢測(cè)過(guò)程中會(huì)產(chǎn)生有毒氣體，會(huì)損害檢測(cè)者的身體健康。堅(jiān)果如果貯藏不當(dāng)極易產(chǎn)生脂肪酸敗、霉變、病蟲害等，但由于外殼較厚，從外部很難直接發(fā)現(xiàn)。近紅外光譜分析技術(shù)具有綠色、無(wú)損、檢測(cè)速度快等優(yōu)點(diǎn)，近些年在堅(jiān)果品質(zhì)研究方面得到了廣泛的應(yīng)用。

1.1 含水率測(cè)定

堅(jiān)果含水率是評(píng)定堅(jiān)果品質(zhì)的一個(gè)重要參數(shù)，含水率過(guò)高，在儲(chǔ)藏過(guò)程中會(huì)增強(qiáng)致病菌微生物的活動(dòng)，增加腐爛變質(zhì)的可能性；含水率過(guò)低，會(huì)影響堅(jiān)果的口感，導(dǎo)致堅(jiān)果不夠飽滿、質(zhì)量較輕、影響經(jīng)濟(jì)效益。傳統(tǒng)的烘干減重法具有破壞性、測(cè)量時(shí)間較長(zhǎng)。近年來(lái)，已有研究表明近紅外光譜技術(shù)可測(cè)定花生、板栗、松子、核桃等堅(jiān)果的含水率。如Jiaqi Hu等[2]用近紅外光譜技術(shù)建立了新鮮板栗水分和水溶性糖的偏最小二乘（partial least square，PLS）模型，均方根誤差（root mean square error，RMSE）均低于 0.05。傅誼等[3]應(yīng)用近紅外光譜技術(shù)和化學(xué)計(jì)量學(xué)方法，對(duì)板栗采用多元散射校正（multiplicative scatter correction，MSC）和二階導(dǎo)數(shù)技術(shù)進(jìn)行處理，采用偏最小二乘法分別建立了水分、淀粉、硬度和糖度的定標(biāo)模型，4種PLS模型的相關(guān)系數(shù)均大于0.99。郝中誠(chéng)等[4]利用近紅外光譜技術(shù)對(duì)南疆溫185核桃進(jìn)行水分無(wú)損檢測(cè)，并用標(biāo)準(zhǔn)烘干法對(duì)所建立的檢測(cè)模型進(jìn)行驗(yàn)證，采用標(biāo)準(zhǔn)正態(tài)變量變換（standardized normal variate，SNV）方法進(jìn)行光譜預(yù)處理，用偏最小二乘回歸分析法建立模型，試驗(yàn)得平均偏差為0.35%，證明可以采用近紅外分析法進(jìn)行核桃水分預(yù)測(cè)。

1.2 蛋白質(zhì)含量測(cè)定

蛋白質(zhì)也是堅(jiān)果的一個(gè)重要成分，能夠?qū)θ说钠＞敕αΩ羞M(jìn)行抑制，傳統(tǒng)理化檢測(cè)方法如蛋白質(zhì)檢測(cè)通常是凱氏定氮法、甲醛滴定法等，這兩種方法的操作步驟都非常繁瑣且不夠安全。因此，用近紅外光譜分析進(jìn)行堅(jiān)果蛋白質(zhì)的測(cè)定也是一個(gè)新的研究方向。劉潔等[5]以帶殼板栗和栗仁為研究對(duì)象，對(duì)板栗建立了蛋白質(zhì)含量的近紅外光譜模型，栗仁的校正均方根誤差為0.29%，帶殼板栗的校正均方根誤差為0.35%。宋麗華等[6]以河北省地方花生品種為研究對(duì)象，采用偏最小二乘法，結(jié)合多種光譜預(yù)處理方式，建立了花生籽仁蛋白質(zhì)含量的近紅外光譜模型，最后預(yù)測(cè)值和化學(xué)值的絕對(duì)誤差小于0.23，相對(duì)誤差變化范圍也控制在0.02%～1.13%。金華麗等[7]對(duì)花生種子樣品建立了蛋白質(zhì)含量的近紅外測(cè)定模型。結(jié)果顯示：蛋白質(zhì)含量得到的相關(guān)系數(shù)為0.919 7。

1.3 油酸、亞油酸等脂肪酸含量測(cè)定

堅(jiān)果中的脂肪酸是人體主要能量來(lái)源之一，用近紅外光譜技術(shù)對(duì)其含量進(jìn)行分析也是一個(gè)研究熱點(diǎn)。張嚴(yán)等[8]利用近紅外技術(shù)分析花生籽粒脂肪酸含量，建立了花生籽粒5種主要脂肪酸（棕櫚酸、油酸、亞油酸、花生酸和山崳酸）含量的近紅外光譜定標(biāo)模型。其中油酸和亞油酸的定標(biāo)模型質(zhì)量較高，交互驗(yàn)證決定系數(shù)分別為0.933 0和0.924 9，外部驗(yàn)證決定系數(shù)分別為0.940 1和0.948 7。金華麗等[9]建立了花生種子含油量近紅外測(cè)定模型。結(jié)果顯示：用含油量模型驗(yàn)證樣品的預(yù)測(cè)值和化學(xué)法測(cè)定值的相關(guān)系數(shù)（R2）為0.935 4。汪慶平等[10]對(duì)山核桃采用了破殼粉碎處理，對(duì)其中的粗脂肪含量進(jìn)行了定標(biāo)方程研究。定標(biāo)結(jié)果表明，粗脂肪的相關(guān)系數(shù)高達(dá)0.99，變異系數(shù)為0.83。馬文強(qiáng)等[11]采用偏最小二乘回歸和支持向量機(jī)回歸算法建立了核桃仁脂肪含量的預(yù)測(cè)模型，發(fā)現(xiàn)采用特征波段建立的支持向量機(jī)回歸預(yù)測(cè)模型與傳統(tǒng)偏最小二乘回歸模型相比能大幅降低建模復(fù)雜度，模型驗(yàn)證集決定系數(shù)可以達(dá)到0.88，均方根誤差可以達(dá)到1.3716%。

1.4 其它成分含量的測(cè)定

堅(jiān)果內(nèi)除了上述幾種化學(xué)成分以外，還含有其它很多微量元素、糖分、淀粉等，也得到了越來(lái)越多人的重視。只是由于建模的穩(wěn)健性等原因，近紅外光譜分析法對(duì)含量較低的成分檢測(cè)準(zhǔn)確度也會(huì)降低。如秦利等[12]對(duì)72份國(guó)內(nèi)外優(yōu)質(zhì)食用花生種質(zhì)資源進(jìn)行花生籽仁蔗糖含量的化學(xué)測(cè)定，采用偏最小二乘法建立近紅外光譜定標(biāo)模型。研究結(jié)果表明：所建模型中蔗糖含量的定標(biāo)決定系數(shù)為0.822，定標(biāo)標(biāo)準(zhǔn)誤差為0.386。Giovanna Canneddu等[13]用傅立葉變換近紅外光譜對(duì)帶殼和去殼澳洲堅(jiān)果的品質(zhì)進(jìn)行了評(píng)價(jià)。采用主成分分析-線性判別（principal components analysis-linear discriminant analysis，PCA-LDA）方法對(duì)澳洲堅(jiān)果分類的準(zhǔn)確率可達(dá)93.2%，可以成功地用于預(yù)測(cè)未脫殼澳洲堅(jiān)果中的過(guò)氧化值（PV）和酸度指數(shù)（AI）。A Pannico等[14]將近紅外光譜技術(shù)應(yīng)用于榛子的研究，檢測(cè)榛子帶殼和脫殼的脂肪氧化水平，經(jīng)試驗(yàn)，帶殼榛仁的均方根誤差為0.79，脫殼榛仁的均方根誤差為0.85。王晶等[15]采用一階微分方式處理原始數(shù)據(jù)，利用偏最小二乘法建立花生酸價(jià)、過(guò)氧化值的近紅外預(yù)測(cè)模型，酸價(jià)模型的均方根誤差為0.080，過(guò)氧化值模型的均方根誤差為0.459。

1.5 在病蟲害、霉變等方面的研究

堅(jiān)果如出現(xiàn)了霉變、褐變等情況，經(jīng)過(guò)處理后從外觀很難識(shí)別，病蟲害如果蟲眼較小也很難用肉眼識(shí)別。用近紅外光譜技術(shù)和化學(xué)計(jì)量學(xué)方法就能解決這一難題。如周竹等[16]對(duì)帶殼板栗的近紅外光譜數(shù)據(jù)進(jìn)行傅里葉變換，并利用GA-LSSVM算法構(gòu)建了霉變板栗識(shí)別模型，對(duì)測(cè)試集中合格板栗、表面霉變板栗和內(nèi)部霉變板栗的平均識(shí)別正確率分別為95.89%、100%和98.25%，板栗的總體平均識(shí)別正確率可達(dá)到97.54%。鄭劍等[17]用近紅外光譜結(jié)合Fisher模型對(duì)褐變板栗進(jìn)行快速無(wú)損分揀，識(shí)別正確率可達(dá)到95.00%。潘磊慶等[18]進(jìn)行了板栗褐變的無(wú)損檢測(cè)，對(duì)去殼板栗和帶殼板栗褐變識(shí)別準(zhǔn)確率可達(dá)100%和66.7%。展慧等[19]利用BP神經(jīng)網(wǎng)絡(luò)方法建立了基于近紅外光譜的板栗缺陷檢測(cè)分級(jí)檢測(cè)模型，對(duì)蟲眼和霉變板栗的識(shí)別率可達(dá)86.25%。Roberto Moscetti等[20]用近紅外光譜技術(shù)進(jìn)行了霉變板栗的研究，采用了遺傳算法結(jié)合線性判別分析（linear discriminant analysis，LDA）、二次判別分析（quadratic discriminant analysis，QDA）、K 最短路由（K-nearest neighbor，KNN），總誤差可控制在2.38%以內(nèi)。蔣大鵬[21]運(yùn)用李群測(cè)地線度量方法和高斯過(guò)程對(duì)松子進(jìn)行正常、霉變分類建模研究，并在模型中使用概率校準(zhǔn)后的精確度可以達(dá)到95.8%。章林忠等[22]結(jié)合主成分分析法（PCA），進(jìn)行霉變、蟲害、正常栗果的判別分析，準(zhǔn)確度可以達(dá)到98.6%。

劉鵬等[23]采用近紅外光譜技術(shù)對(duì)花生產(chǎn)毒霉菌污染程度進(jìn)行定性定量分析，能對(duì)5種常見產(chǎn)毒霉菌（黃曲霉3.17、黃曲霉3.395 0、寄生曲霉3.395、寄生曲霉3.012 4、赭曲霉3.648 6）進(jìn)行有效區(qū)分，所建立模型對(duì)花生感染單一霉菌和多種霉菌的總體判別正確率分別達(dá)到100%和99.17%。黃星奕等[24]基于傅里葉變換近紅外光譜技術(shù)和K最短路由模式識(shí)別方法來(lái)識(shí)別霉變和出芽花生，他們將花生分為正常、輕度霉變、重度霉變和發(fā)芽4類，識(shí)別率可達(dá)98.84%。Jiaqi Hu等[2]用近紅外光譜技術(shù)進(jìn)行了正常板栗和霉變板栗的識(shí)別，識(shí)別準(zhǔn)確度分別可達(dá)100%和96.37%。

2 在遺傳育種與產(chǎn)地溯源方面的研究

2.1 遺傳育種研究

遺傳育種對(duì)于良種繁育、增產(chǎn)增收具有很強(qiáng)的現(xiàn)實(shí)意義，近紅外光譜技術(shù)在堅(jiān)果遺傳育種方面的研究還不是很多。目前，已有研究利用近紅外技術(shù)來(lái)篩選高油酸與亞油酸的花生種子，主要是應(yīng)用于遺傳育種的早期篩選工作。王秀貞等[25]將近紅外技術(shù)用于輔助高油酸花生新品種的選育過(guò)程中，成功育成FAD2B/FAD2A雙突變高油酸小花生新品種花育662，該品種2014年通過(guò)安徽省品種鑒定。黃冰艷等[26]利用轉(zhuǎn)基因技術(shù)進(jìn)行了農(nóng)桿菌介導(dǎo)的花生胚小葉的遺傳轉(zhuǎn)化，用近紅外分析儀分析這種轉(zhuǎn)基因花生籽粒中油酸、亞油酸含量，發(fā)現(xiàn)這種轉(zhuǎn)基因植株內(nèi)油酸/亞油酸比值的變異高于對(duì)照，多數(shù)轉(zhuǎn)基因株系油酸亞油酸比值平均數(shù)也顯著高于對(duì)照。唐月異等[27]利用近紅外光譜技術(shù)進(jìn)行花生種子在低溫下吸脹萌發(fā)的試驗(yàn)，在2℃96 h低溫條件下研究露白率、芽長(zhǎng)/種長(zhǎng)，并通過(guò)測(cè)定油酸、亞油酸、棕櫚酸、脂肪、蛋白質(zhì)及蔗糖含量，分析花生種子吸脹期間耐低溫性與各項(xiàng)品質(zhì)性狀之間的相關(guān)性，從而篩選出耐低溫種質(zhì)。得到的結(jié)論是：種子的露白率與與脂肪含量呈顯著正相關(guān)，芽長(zhǎng)/種長(zhǎng)與亞油酸含量呈顯著正相關(guān)、與油酸含量呈顯著負(fù)相關(guān)。劉婷等[28]為探討花生耐低溫的遺傳機(jī)理，進(jìn)行2個(gè)普通油酸×高油酸雜交組合試驗(yàn)，利用近紅外技術(shù)進(jìn)行F1單粒種子的初篩，然后用轉(zhuǎn)座子標(biāo)記鑒定技術(shù)分別獲得了32粒和24粒真雜種。李建國(guó)等[29]采用偏最小二乘法建立了單?；ㄉ饕舅岷拷t外預(yù)測(cè)模型，并成功應(yīng)用于高油酸花生育種，選育出高油酸花生品種中花215。

2.2 產(chǎn)地溯源研究

即便品種相同，不同產(chǎn)地的堅(jiān)果也會(huì)因?yàn)楣庹铡⒔涤?、濕度、溫度等的不同而有不同的品質(zhì)，因此很多堅(jiān)果在出售時(shí)會(huì)強(qiáng)調(diào)產(chǎn)地，但是其真?zhèn)螀s難以界定，將近紅外技術(shù)應(yīng)用于堅(jiān)果產(chǎn)地溯源的研究有很強(qiáng)的的現(xiàn)實(shí)意義。Veronica Loewe等[30]利用近紅外光譜技術(shù)對(duì)智利產(chǎn)的海松子樣品進(jìn)行分析，他們選取了3個(gè)不同地區(qū)的智利海松子，采用偏最小二乘法（DPLS）進(jìn)行建模，最終判斷樣品集的松子產(chǎn)地誤差范圍在9.2%～12.2%之間。張龍等[31]采用近紅外光譜結(jié)合化學(xué)計(jì)量學(xué)方法對(duì)不同省份來(lái)源的花生樣品進(jìn)行溯源研究。結(jié)果表明：原始正確分類率為100.0%，交叉驗(yàn)證正確分類率為55.9%。初步實(shí)現(xiàn)了花生產(chǎn)地判別，但模型的性能仍有待提高。

3 在品種識(shí)別方面的研究

由于不同品種的堅(jiān)果營(yíng)養(yǎng)成分不同，所以品種識(shí)別還是很有意義的，比如同樣是紅松子，華山松子有人吃了就會(huì)有味覺障礙，又稱松子綜合征（pine nut syndrome，PNS），會(huì)有發(fā)麻、發(fā)澀的口感，其它品種的松子就不存在這個(gè)問(wèn)題。鄭田甜等[32]對(duì)“花育20號(hào)”、“花育22號(hào)”和“花育32號(hào)”3個(gè)品種的花生種子進(jìn)行近紅外反射光譜實(shí)驗(yàn)，使用小波多分辨分析方法對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，使用主成分分析方法對(duì)光譜數(shù)據(jù)進(jìn)行特征提取，基于馬氏距離的線性判別分析分類算法建立了線性判別分析模型，從而實(shí)現(xiàn)了對(duì)3種花生種子的識(shí)別，識(shí)別率均達(dá)到95%。

賈昌路等[33]利用對(duì)阿克蘇地區(qū)主栽5種核桃品種（新翠豐、新新2號(hào)、溫138、溫185、紙皮核桃）進(jìn)行光譜掃描分析，結(jié)果表明，5種核桃在波數(shù)5 848 cm-1～5 767 cm-1范圍內(nèi)的吸光度不同，根據(jù)此處特征峰可作為核桃品種及實(shí)生后代鑒定的依據(jù)。Satyabrata Ghosh等[34]利用近紅外光譜技術(shù)進(jìn)行了谷物和堅(jiān)果的識(shí)別研究，將三十幾種谷物和19種堅(jiān)果進(jìn)行分類，可以從中識(shí)別出花生、松子、杏仁、亞麻籽、芝麻等。

4 總結(jié)與展望

將近紅外光譜分析技術(shù)應(yīng)用于堅(jiān)果的檢測(cè)已經(jīng)取得了一定的研究成果，初步證明了該技術(shù)應(yīng)用于堅(jiān)果的品質(zhì)檢測(cè)、遺傳育種、產(chǎn)地溯源和品種識(shí)別等方面是有效可行的。但與此同時(shí)，用近紅外光譜建模要想提高模型識(shí)別準(zhǔn)確程度還要注意以下幾個(gè)問(wèn)題：（1）堅(jiān)果外殼堅(jiān)硬，這對(duì)光譜數(shù)據(jù)采集的準(zhǔn)確度有一定的影響，在采集過(guò)程中一定要注意排除干擾，減少人為誤差產(chǎn)生的影響；（2）模型建立過(guò)程中要采集一定數(shù)量的樣品，樣品數(shù)量盡可能多，分批次地選取有代表性的樣本；（3）不同的光譜采集方法、不同的光譜預(yù)處理方法以及不同的化學(xué)計(jì)量學(xué)方法對(duì)分析結(jié)果有很大的影響，選擇合適的方法至關(guān)重要。

雖然目前近紅外光譜儀的種類很多，但是堅(jiān)果的特點(diǎn)是大小不一、表面可能會(huì)存在凸凹不平的情況，這就對(duì)采集的配件提出了較高的要求，然而現(xiàn)在市場(chǎng)上的近紅外光譜儀一般都缺乏適合堅(jiān)果光譜采集的配件，測(cè)試者一般都是自制配件，要想統(tǒng)一規(guī)范管理、加強(qiáng)市場(chǎng)化進(jìn)程，這是一個(gè)必須面臨的問(wèn)題。此外，堅(jiān)果大多含有多種微量元素，但由于其含量大多數(shù)不高，所建立近紅外光譜的穩(wěn)健性不好，但是這些微量元素對(duì)人體的影響卻很大，直接關(guān)系到堅(jiān)果的品質(zhì)，而且用其它的檢測(cè)方法也很難得到精確的結(jié)果，這也是近紅外光譜未來(lái)研究的一個(gè)發(fā)展方向。