近紅外光譜技術(shù)在甘薯品質(zhì)檢測(cè)方面的應(yīng)用研究進(jìn)展

何鴻舉，王婧茹，劉 紅，陳 巖，王玉玲，歐行奇，張 勉,*，劉鴻杰，郭景麗

（1.河南科技學(xué)院食品學(xué)院，河南 新鄉(xiāng) 453003；2.海南師范大學(xué)化學(xué)與化工學(xué)院，?？谑袩釒厣幨惩粗参镅芯颗c開(kāi)發(fā)重點(diǎn)實(shí)驗(yàn)室，海南 ?？?571158；3.河南科技學(xué)院生命科技學(xué)院，河南 新鄉(xiāng) 453003；4.廣西大學(xué)化學(xué)化工學(xué)院，廣西 南寧 530004；5.河南心連心化學(xué)工業(yè)集團(tuán)股份有限公司，河南 新鄉(xiāng) 453700）

甘薯（Ipomoea batatas(L.) Lam.）是一種重要的塊根類糧食作物，富含淀粉、糖類化合物、膳食纖維、黃酮類化合物、多酚類化合物等多種營(yíng)養(yǎng)和生物活性成分，具有良好的保健功效，如抗腫瘤、抗氧化、降血脂、降血糖等[1-2]。隨著生活物資的不斷豐富和生活品質(zhì)的逐步提高，消費(fèi)者越來(lái)越注重健康飲食。甘薯作為一種低熱量兼具高保健性能的食品廣受消費(fèi)者青睞，其品質(zhì)的優(yōu)劣日益受到關(guān)注。甘薯品質(zhì)一般涉及諸如水分含量、淀粉含量、各種糖類物質(zhì)、重金屬是否超標(biāo)及摻假等方面。目前用于甘薯品質(zhì)的常規(guī)檢測(cè)方法有高效液相色譜法[3]、比色法[4]、直接蒸餾法[5]等，這些方法雖然可以對(duì)甘薯組分含量進(jìn)行精確測(cè)定，但操作復(fù)雜、對(duì)樣品有一定破壞作用，且對(duì)多組分檢測(cè)仍存在局限性，無(wú)法滿足甘薯品質(zhì)的現(xiàn)場(chǎng)實(shí)時(shí)快速檢測(cè)需求。對(duì)此，許多科研工作者開(kāi)展了對(duì)檢測(cè)方法的相關(guān)研究，其中近紅外光譜（near-infrared spectroscopy，NIRS）技術(shù)作為一種快速、高效、便捷的無(wú)損檢測(cè)手段，在甘薯品質(zhì)分析方面具有很大的應(yīng)用潛力。

NIRS技術(shù)作為光譜技術(shù)的一個(gè)重要分支，已成功應(yīng)用于谷物的品質(zhì)指標(biāo)測(cè)定[6]。NIRS波長(zhǎng)（780～2 526 nm）介于可見(jiàn)光和中紅外光之間，主要記錄含氫基團(tuán)（C—H、N—H、O—H）振動(dòng)的倍頻和合頻吸收，其在不同波長(zhǎng)處會(huì)出現(xiàn)不同的吸收峰[7]。利用NIRS技術(shù)檢測(cè)分析食品品質(zhì)主要基于光譜信息挖掘并結(jié)合多種化學(xué)計(jì)量學(xué)方法，以構(gòu)建高精度高穩(wěn)定性數(shù)學(xué)模型。目前常用的化學(xué)計(jì)量學(xué)算法主要是偏最小二乘回歸（partial least squares，PLS），其涵蓋了主成分回歸（principal components regression，PCR）與多元線性回歸（multiple linear regression，MLR）兩種，PLS可以通過(guò)理化數(shù)據(jù)關(guān)聯(lián)到光譜矩陣分解過(guò)程中，從而降低光譜維度，可以有效地解決變量數(shù)量多、變量之間存在多重相關(guān)性的問(wèn)題[8]。除PLS之外，支持向量機(jī)（support vector machine，SVM）、極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）等方法也被用于挖掘光譜數(shù)據(jù)。評(píng)價(jià)NIRS技術(shù)建立的定量分析模型的參數(shù)主要有相關(guān)系數(shù)（correlation coefficient，r）或決定系數(shù)（determination coefficient，R2）、校正集r或R2、交叉驗(yàn)證集r或R2（rCV或、預(yù)測(cè)集r或R2、校正均方根誤差（rootmean-square error of calibration，RMSEC）、交叉驗(yàn)證均方根誤差（root-mean-square error of cross-validation，RMSECV）、預(yù)測(cè)均方根誤差（root-mean-square error of prediction，RMSEP）以及標(biāo)準(zhǔn)偏差（standard error prediction，SEP）、剩余預(yù)測(cè)偏差（residual prediction deviation，RPD）等。其中，模型的相關(guān)系數(shù)r或決定系數(shù)R2越接近1，模型性能越好。RMSECV和RMSEP越小，模型的內(nèi)部交叉驗(yàn)證和外部預(yù)測(cè)能力越好，或SEP越小且接近于0，同時(shí)RPD大于2.5，模型的預(yù)測(cè)效果越好[9]。

本文全面綜述了NIRS技術(shù)在甘薯品質(zhì)檢測(cè)方面的應(yīng)用研究進(jìn)展，主要包括理化組分（如蛋白質(zhì)、淀粉、糖類物質(zhì)及水分）、活性成分（如黃酮類物質(zhì)、類胡蘿卜素）和摻假檢測(cè)等方面，以期在現(xiàn)有研究基礎(chǔ)上，為進(jìn)一步完善NIRS技術(shù)在甘薯檢測(cè)中的工業(yè)化應(yīng)用提供方法借鑒。具體綜述內(nèi)容如圖1所示。

圖1 NIRS技術(shù)在甘薯品質(zhì)檢測(cè)方面的應(yīng)用研究?jī)?nèi)容Fig. 1 Application of NIRS in quality detection of sweet potato

1 NIRS技術(shù)用于檢測(cè)甘薯理化組分

1.1 蛋白質(zhì)

甘薯塊根和莖葉中的蛋白質(zhì)因富含氨基酸、生物價(jià)較高等優(yōu)勢(shì)，在營(yíng)養(yǎng)保健方面具有巨大的應(yīng)用潛力[10]。甘薯塊根加工中，蛋白質(zhì)含量與產(chǎn)品營(yíng)養(yǎng)品質(zhì)呈正相關(guān)[11]?；诘鞍踪|(zhì)中N—H基團(tuán)在近紅外波段的光譜吸收，NIRS技術(shù)可用于測(cè)定甘薯蛋白質(zhì)含量。唐忠厚等[12]通過(guò)獲取預(yù)處理10 000～4 000 cm－1范圍內(nèi)的光譜信息，采用PLS分別構(gòu)建了甘薯葉和甘薯塊根中粗蛋白的預(yù)測(cè)模型，結(jié)果顯示5 450.1～4 599.6 cm－1范圍的光譜信息經(jīng)線性補(bǔ)償差減法預(yù)處理后構(gòu)建的PLS模型預(yù)測(cè)甘薯葉中粗蛋白效果較好，而6 101.9～4 248.6 cm－1范圍的光譜信息經(jīng)直線差減法預(yù)處理后構(gòu)建的PLS模型預(yù)測(cè)甘薯塊根中粗蛋白效果較好，盡管兩個(gè)預(yù)測(cè)模型的R2均大于0.96，RMSE也很?。?.1%～0.5%之間），但該研究缺少對(duì)單獨(dú)樣品進(jìn)行模型驗(yàn)證。與之不同，Magwaza等[13]采集了更寬范圍的可見(jiàn)NIRS信息（400～2 500 nm）預(yù)測(cè)甘薯塊根蛋白質(zhì)含量，在多種光譜預(yù)處理方法中，二階導(dǎo)數(shù)預(yù)處理效果最佳；經(jīng)波段篩選發(fā)現(xiàn)，1 600～2 200 nm區(qū)域最適合用于預(yù)測(cè)甘薯蛋白質(zhì)含量（＝0.96，RMSEP＝0.29%），使用獨(dú)立樣本進(jìn)行驗(yàn)證，模型預(yù)測(cè)效果接近于唐忠厚等[12]研究結(jié)果。王洋洋[14]采集了900～1 700 nm的生鮮甘薯光譜數(shù)據(jù)，并基于連續(xù)投影算法（successive projections algorithm，SPA）篩選最優(yōu)波長(zhǎng)建立優(yōu)化的PLS預(yù)測(cè)模型，對(duì)甘薯蛋白質(zhì)的預(yù)測(cè)性能良好（rP＝0.911，RMSEP＝1.029 mg/g）。近幾年NIRS技術(shù)用于研究甘薯蛋白質(zhì)含量的報(bào)道較少，在NIRS最佳光譜預(yù)處理方法和光譜區(qū)間方面依然需要進(jìn)行深入研究，以強(qiáng)化NIRS技術(shù)快速檢測(cè)甘薯蛋白含量的可行性和適用性。

1.2 淀粉

甘薯中淀粉的含量和性質(zhì)是決定其產(chǎn)品品質(zhì)的重要指標(biāo)之一，其中直鏈淀粉的含量與甘薯根塊蒸煮品質(zhì)和甘薯淀粉類食品品質(zhì)有直接關(guān)聯(lián)。淀粉的含量可以用來(lái)評(píng)估淀粉的應(yīng)用潛力和加工酶的效率，還可以結(jié)合糊化特性影響甘薯的黏度等[15]。淀粉顆粒的大小和分布也會(huì)影響變性淀粉質(zhì)量。Lu Guoquan等[16-17]先后采集1 100～2 500 nm和900～1 700 nm兩個(gè)波段的NIRS信息，構(gòu)建甘薯中直鏈淀粉含量、直鏈淀粉百分比、總淀粉含量及熱特性等指標(biāo)的PLS預(yù)測(cè)建模，結(jié)果顯示淀粉各指標(biāo)的R2均較高（R2＝0.85～0.92），SEP值均相對(duì)較小。唐忠厚等[18-19]分別對(duì)甘薯中抗性淀粉含量和塊根淀粉含量進(jìn)行NIRS分析，結(jié)果顯示，基于一階導(dǎo)數(shù)-矢量歸一法預(yù)處理NIRS光譜構(gòu)建的PLS模型預(yù)測(cè)塊根淀粉含量性能優(yōu)于預(yù)測(cè)抗性淀粉含量。卜曉樸等[20]嘗試使用Savizkg-Golag（S-G）平滑結(jié)合一階求導(dǎo)預(yù)處理350～1 100 nm范圍的光譜信息，構(gòu)建PLS模型預(yù)測(cè)生鮮紫薯中的淀粉特性（熟化黏度，以峰值扭矩表示），也獲得了較好結(jié)果（r＝0.92，RMSEP＝0.053 Nm）。Diaz等[21]對(duì)酶法加工和未加工的紅薯淀粉進(jìn)行MLR建模預(yù)測(cè)，經(jīng)S-G平滑結(jié)合二階求導(dǎo)預(yù)處理光譜（400～2 500 nm）后，預(yù)測(cè)性能良好且預(yù)測(cè)精度有所提高。在紫薯粉加工過(guò)程中碘藍(lán)值與其品質(zhì)呈負(fù)相關(guān)，與直鏈淀粉含量呈正相關(guān)。卜曉樸等[22]分析利用350～1 100 nm波段的光譜信息構(gòu)建PLS模型預(yù)測(cè)市售紫薯粉的碘藍(lán)值，間接評(píng)估紫薯粉中的直鏈淀粉含量，效果良好（r＞0.96，RMSE＜7.2）。王洋洋[14]采用多元散射校正（multiplicative scatter correction，MSC）法預(yù)處理900～1 700 nm的光譜信息，通過(guò)逐步回歸（stepwise regression，SR）法篩選最優(yōu)波長(zhǎng)建立MLR模型預(yù)測(cè)生鮮甘薯的淀粉含量，取得了較好的結(jié)果（rP＝0.970，RMSEP＝0.374 g/100 g）。綜上，NIRS技術(shù)在預(yù)測(cè)甘薯中的淀粉含量及其熱特性方面潛力巨大，但對(duì)于抗性淀粉的預(yù)測(cè)研究較少。

1.3 糖類

甘薯塊根中的糖類化合物占比相對(duì)較大，主要影響甘薯及其制品的食用品質(zhì)，如糖類化合物含量對(duì)酒精發(fā)酵工藝有影響[23]；還原糖含量對(duì)甘薯的品質(zhì)育種有重要意義[24]；總糖含量是評(píng)價(jià)甘薯風(fēng)味口感和內(nèi)部品質(zhì)的重要指標(biāo)之一；可溶性糖含量與紫薯的甜度有關(guān)[15]等。因此，快速檢測(cè)甘薯糖類物質(zhì)很有必要。唐忠厚等[19]構(gòu)建針對(duì)甘薯根塊中蔗糖、葡萄糖和果糖的NIRS預(yù)測(cè)模型，經(jīng)一階導(dǎo)數(shù)處理光譜后，3 種糖預(yù)測(cè)各自獲得兩個(gè)最佳吸收光譜區(qū)，基于最佳光譜波段構(gòu)建的PLS模型預(yù)測(cè)性能非常好均為0.99）。高麗等[25]利用MSC法預(yù)處理12 000～4 000 cm－1范圍內(nèi)的光譜信息后，篩選出最優(yōu)波長(zhǎng)構(gòu)建的優(yōu)化PLS模型預(yù)測(cè)甘薯還原糖含量的性能大幅度提高（R2提高12.6%，RMSEP降低36.6%）。He Hongju等[26]將900～1 700 nm的甘薯塊光譜轉(zhuǎn)化成Kubelka-Munk光譜后，利用SR法結(jié)合相關(guān)系數(shù)法篩選出14 個(gè)最優(yōu)波長(zhǎng)，將其構(gòu)建PLS模型預(yù)測(cè)甘薯還原糖含量，預(yù)測(cè)效果（rP＝0.952，RMSEP＝0.264 g/100 g）優(yōu)于高麗等[25]的研究。除此之外，NIRS技術(shù)還被用于研究紫薯中的糖類物質(zhì)含量。卜曉樸等[27]基于350～1 100 nm范圍的波長(zhǎng)構(gòu)建紫薯中總糖的PLS預(yù)測(cè)模型，經(jīng)過(guò)篩選波長(zhǎng)優(yōu)化模型后，預(yù)測(cè)效果明顯提升（rP提高11.7%，RMSEP降低69.8%）。在相同波段內(nèi)采用同樣的光譜預(yù)處理方法，卜曉樸等[20]又構(gòu)建了紫薯中可溶性糖的PLS預(yù)測(cè)模型，優(yōu)化后的模型預(yù)測(cè)性能也大幅提升（r提高11.2%，RMSEP降低72.5%）。王洋洋[14]將900～1 700 nm的甘薯光譜數(shù)據(jù)通過(guò)回歸系數(shù)（regression coefficient，RC）法篩選最優(yōu)波長(zhǎng)，構(gòu)建MLR模型預(yù)測(cè)甘薯還原糖含量，預(yù)測(cè)效果較好（rP＝0.915，RMSEP＝0.355 g/100 g）?？傮w而言，NIRS技術(shù)快速檢測(cè)甘薯中各種糖類物質(zhì)的效果整體良好，采用不同的光譜預(yù)處理后模型性能有不同程度的提升。

1.4 水分

水分是甘薯最基本的品質(zhì)指標(biāo)，水分與脂肪含量、硒含量呈正相關(guān)[28]。水分含量直接影響甘薯的貯藏效果，水分含量高，甘薯不易保存，即使在冷藏溫度下也容易發(fā)生變質(zhì)[29]。在近紅外區(qū)域，水分中的O—H鍵在980 nm和1 450 nm波長(zhǎng)處有明顯的特征吸收峰，借此可進(jìn)行NIRS信息分析。Diaz等[21]對(duì)酶法加工的甘薯水分建立了基于二階導(dǎo)數(shù)＋S-G預(yù)處理的全波段MLR預(yù)測(cè)模型（400～2 500 nm），模型表現(xiàn)良好但仍有待提高＝0.85，SEP＝0.035 g/g）。Sun Yue等[30]采用多元散射校正預(yù)處理在371～1 023 nm范圍的光譜信息，構(gòu)建MLR模型預(yù)測(cè)生鮮紫薯的含水量，獲得了較好的結(jié)果＝0.935 9，RMSEP＝2.858 3%）。高麗等[25]采用一階導(dǎo)數(shù)聯(lián)合MSC法預(yù)處理12 000～4 000 cm－1波段光譜后，使用協(xié)同區(qū)間矩陣法選擇最佳光譜區(qū)構(gòu)建甘薯中水分含量的PLS預(yù)測(cè)模型，預(yù)測(cè)效果＝0.974，RMSEP＝1.154%）明顯好于Diaz等[21]的研究，這可能與不同的波段區(qū)間選擇和預(yù)處理方法有關(guān)。Heo等[31]構(gòu)建針對(duì)蒸干紫薯水分含量的預(yù)測(cè)模型，光譜數(shù)據(jù)經(jīng)預(yù)處理后基于最佳光譜波段構(gòu)建的PLS模型預(yù)測(cè)性能非常好。此外，卜曉樸等[22]對(duì)市售紫薯粉中的水分含量進(jìn)行PLS模型預(yù)測(cè)研究，模型效果也表現(xiàn)良好?？傊?，NIRS技術(shù)在甘薯水分含量方面的應(yīng)用研究較少，但已報(bào)道的研究結(jié)果證明NIRS檢測(cè)甘薯水分含量具有可行性，且所建模型性能存在很大提升空間。

1.5 可溶性固形物

可溶性固形物可促進(jìn)薯的風(fēng)味口感，是評(píng)價(jià)紫薯內(nèi)部品質(zhì)的重要指標(biāo)之一。除了預(yù)測(cè)總糖，卜曉樸等[27]還挖掘350～1 100 nm范圍的光譜信息構(gòu)建生鮮紫薯中可溶性固形物的PLS預(yù)測(cè)模型，結(jié)果顯示原始光譜經(jīng)過(guò)S-G＋一階求導(dǎo)預(yù)處理后，預(yù)測(cè)性能明顯提升，競(jìng)爭(zhēng)性自適應(yīng)加權(quán)算法（competitive adaptive weighting algorithm，CARS）篩選出的28 個(gè)最優(yōu)波長(zhǎng)也明顯提高了預(yù)測(cè)效率。許建東[32]對(duì)甘薯中可溶性固形物含量進(jìn)行NIRS分析，結(jié)果顯示，基于標(biāo)準(zhǔn)正態(tài)變換（standard normal variate，SNV）法預(yù)處理的光譜數(shù)據(jù)，采用RC法篩選最優(yōu)波長(zhǎng)構(gòu)建的ELM模型預(yù)測(cè)性能良好（rP＝0.819 9，RMSEP＝1.194 1）。NIRS技術(shù)實(shí)現(xiàn)了對(duì)甘薯可溶性固形物的預(yù)測(cè)，可指導(dǎo)生鮮紫薯品質(zhì)的快速無(wú)損分選。

NIRS用于檢測(cè)甘薯理化組分的具體結(jié)果詳見(jiàn)表1。

表1 NIRS技術(shù)用于檢測(cè)甘薯理化指標(biāo)Table 1 Application of NIRS for detection of general chemical composition of sweet potato

2 NIRS技術(shù)用于檢測(cè)甘薯活性成分

活性成分是指食用后對(duì)人體及各種生物具有生理促進(jìn)作用的物質(zhì)，甘薯中常見(jiàn)的活性成分有黃酮類物質(zhì)、類胡蘿卜素及多酚類物質(zhì)等。檢測(cè)甘薯活性成分的方法有溶液直接提取法、高效液相色譜法、可見(jiàn)光光度計(jì)法、光譜技術(shù)等[33-34]。研究證明利用理化實(shí)驗(yàn)與NIRS技術(shù)相結(jié)合檢測(cè)甘薯活性成分具有可行性。

2.1 黃酮類物質(zhì)

甘薯中黃酮類物質(zhì)具有抗氧化、抗突變、抗衰老、抗腫瘤及改善肝功能等多種生理功能，其中對(duì)于花青素的研究相對(duì)較多。花青素含量對(duì)甘薯產(chǎn)品品質(zhì)的評(píng)價(jià)有指導(dǎo)性作用[35]。研究顯示，NIRS技術(shù)對(duì)花青素的研究主要集中于枸杞藍(lán)莓[36]、黑枸杞漿果[37]、葡萄果皮[38]、花茶[39]、高粱籽粒[40]及甘薯中。衣申艷等[41]運(yùn)用NIRS技術(shù)，在1 100～2 498 nm范圍內(nèi)選用最佳光譜預(yù)處理方法、最佳譜區(qū)范圍和主因子數(shù)，對(duì)甘薯塊根中的黃酮含量進(jìn)行建模預(yù)測(cè)，效果良好（＝0.903，RMSEC＝0.172%）。卜曉樸等[22]對(duì)市售紫薯粉的NIRS采取SNV預(yù)處理后構(gòu)建花青素的PLS預(yù)測(cè)模型，模型性能較預(yù)處理前表現(xiàn)更好（rP＝0.946 1，RMSEP＝0.191 8 mg/g）。這可能是因?yàn)闃悠吩脊庾V經(jīng)過(guò)SNV預(yù)處理后，450 nm波長(zhǎng)附近的紫色特征峰和可見(jiàn)光區(qū)529 nm波長(zhǎng)附近的花青素特征峰更加顯著[42]。隨后，基于相同的波段信息（350～1 100 nm），卜曉樸等[27]又對(duì)生鮮紫薯中的花青素進(jìn)行NIRS光譜預(yù)測(cè)研究，原始光譜經(jīng)SG卷積平滑和一階求導(dǎo)預(yù)處理后，利用CARS篩選出特征波長(zhǎng)，構(gòu)建PLS預(yù)測(cè)模型，結(jié)果和預(yù)測(cè)市售紫薯粉花青素相似，效果依然良好（rP＝0.942 1，RMSEP＝0.225 9 mg/g）。原始光譜經(jīng)SG卷積平滑預(yù)處理后在410 nm波長(zhǎng)處出現(xiàn)花青素特征峰[43]，經(jīng)一階求導(dǎo)預(yù)處理后在670 nm波長(zhǎng)處出現(xiàn)了與色素有關(guān)的新特征吸收峰[44]，這些預(yù)處理可能增強(qiáng)了模型的預(yù)測(cè)性能。紫薯在貯藏期間及干燥過(guò)程中，花青素的含量也會(huì)發(fā)生變化，田瀟瑜等[45]通過(guò)GA挖掘經(jīng)SNV預(yù)處理的10 000～4 000 cm－1范圍內(nèi)的光譜數(shù)據(jù)，發(fā)現(xiàn)7 590～7 200 cm－1波段區(qū)間構(gòu)建的PLS模型預(yù)測(cè)紫薯中花青素含量效果良好（＝0.913 6，RMSEP＝7.239 8 mg/100 g）。Peng Jing等[46]通過(guò)支持向量機(jī)算法，在400～1 050 nm范圍內(nèi)對(duì)干燥過(guò)程中紫薯花青素含量進(jìn)行建模預(yù)測(cè)，效果良好（＝0.866～0.891，RMSEP＝0.193～0.229 mg/g）。Liu Yunhong等[47]使用MSC預(yù)處理對(duì)371～1 023 nm范圍的光譜信息構(gòu)建MLR模型，預(yù)測(cè)生鮮紫薯在干燥過(guò)程中的花青素含量，也獲得了較好結(jié)果（＝0.866，RMSEP＝0.302 mg/g）。Tian Xiaoyu等[48]對(duì)微波干燥及對(duì)流熱風(fēng)干燥兩種不同干燥方式下的紫薯花青素含量進(jìn)行建模預(yù)測(cè)，在400～1 000 nm范圍內(nèi)，采用CARS法篩選最優(yōu)波長(zhǎng)建立PLS模型，R2均在0.85以上，這和預(yù)測(cè)生鮮紫薯、市售紫薯粉中的花青素含量結(jié)果相近，具體見(jiàn)表2。盡管相關(guān)研究較少，但均可證明NIRS技術(shù)可用于快速預(yù)測(cè)紫薯中的花青素含量，未來(lái)有很大的應(yīng)用潛力。

表2 NIRS技術(shù)用于檢測(cè)甘薯活性成分Table 2 Application of NIRS for detection of active ingredient in sweet potato

2.2 類胡蘿卜素

類胡蘿卜素具有清除自由基、保護(hù)皮膚、預(yù)防癌癥及視黃斑退化等多種生理功能，同時(shí)含有類胡蘿卜素的甘薯因其低廉、易種植等特點(diǎn)而受到研究者的關(guān)注。關(guān)于NIRS技術(shù)預(yù)測(cè)甘薯中類胡蘿卜素的研究成果甚少，但該技術(shù)對(duì)果蔬、作物中類胡蘿卜素含量的測(cè)定具有可行性[49-50]，這些研究結(jié)果可為NIRS技術(shù)用于研究甘薯中的類胡蘿卜素提供方法參考。

2.3 其他活性成分

除了以上兩類活性成分，甘薯中含有的礦質(zhì)元素、維生素類及多酚類物質(zhì)均具有提高免疫力、抗衰老、預(yù)防冠心病等多種良好的生理保健功能。目前對(duì)于甘薯中活性成分的檢測(cè)仍多采用傳統(tǒng)的理化方法，而利用NIRS技術(shù)檢測(cè)甘薯其他活性成分的研究極少。試圖了解NIRS檢測(cè)活性成分檢測(cè)原理，可參考該技術(shù)在谷物檢測(cè)中的應(yīng)用研究[51-53]，因?yàn)楣任锘钚猿煞种泻瑲浠鶊F(tuán)的振動(dòng)在NIRS區(qū)有顯著的特征吸收。

3 NIRS技術(shù)用于檢測(cè)甘薯制品摻假

面對(duì)市面上的高利潤(rùn)誘惑，一些不法商家為了降低成本，會(huì)對(duì)甘薯粉狀制品摻假或者利用甘薯粉摻假，這不利于甘薯及其制品市場(chǎng)的穩(wěn)定發(fā)展。常見(jiàn)的摻假檢測(cè)方法有差示掃描量熱法、分光光度計(jì)法及光譜法等[54-55]。Ding Xiaoxiao等[56]利用NIRS技術(shù)，結(jié)合化學(xué)計(jì)量學(xué)方法選擇最優(yōu)波長(zhǎng)，對(duì)紫薯粉摻白薯粉樣品建立識(shí)別模型。結(jié)果顯示該技術(shù)對(duì)紫薯粉摻假樣品的識(shí)別率可達(dá)100%，具體見(jiàn)表3。陳嘉等[57]利用SNV結(jié)合一階導(dǎo)數(shù)預(yù)處理12 000～4 000 cm－1波段光譜，并使用fi-SVM篩選光譜變量構(gòu)建摻假判別模型，對(duì)甘薯粉絲摻假的定性正確識(shí)別率也達(dá)到100%。對(duì)于摻入木薯淀粉的甘薯粉絲，篩選出11 個(gè)最優(yōu)光譜子區(qū)間構(gòu)建的預(yù)測(cè)模型r提升了16.46%，RMSEP下降了35.96%；對(duì)于摻入玉米淀粉的甘薯粉絲，篩選出14 個(gè)最優(yōu)光譜子區(qū)間構(gòu)建的預(yù)測(cè)模型r提升了17.07%，RMSEP下降了51.58%。研究建議可以先用SVM模型進(jìn)行定性分析，再使用fi-SVM模型進(jìn)行定量預(yù)測(cè)。除了NIRS被用于甘薯制品摻假研究，中紅外光譜技術(shù)也被用于甘薯粉摻假研究。Liu Jia等[58]利用傅里葉變換中紅外光譜（Fourier transform mid-infrared spectroscopy，F(xiàn)TMIR）技術(shù)對(duì)摻入蓮藕粉的甘薯淀粉樣品建立PLS預(yù)測(cè)模型，結(jié)果顯示，經(jīng)過(guò)一階導(dǎo)數(shù)預(yù)處理后建立的優(yōu)化模型對(duì)摻入蓮藕粉的甘薯粉樣品能夠?qū)崿F(xiàn)定性、定量分析＝0.989 8，RMSECV＝3.56%）?？傊庾V技術(shù)用于甘薯粉摻假研究具有可行性，NIRS技術(shù)定性識(shí)別精度效果令人滿意，但定量檢測(cè)精度有待提高，MIR光譜應(yīng)用潛力有待開(kāi)發(fā)。

表3 NIRS技術(shù)用于檢測(cè)甘薯粉摻假Table 3 Application of NIRS for detection of adulterants in sweet potato

4 NIRS技術(shù)用于鑒別甘薯品種、產(chǎn)地和檢測(cè)重金屬、微生物污染

除了以上3 個(gè)方面，NIRS技術(shù)在甘薯品質(zhì)的其他方面（如品種鑒定、重金屬、微生物污染）也有應(yīng)用研究。Su Wenhao等[59]利用965～1 645 nm范圍的光譜建立偏最小二乘判別分析（partial least squarediscriminant analysis，PLS-DA）模型對(duì)甘薯品種分類鑒別，正確率可達(dá)100%。鄭藝?yán)賉60]利用高光譜成像系統(tǒng)對(duì)不同產(chǎn)地的紫薯樣品建立PLS預(yù)測(cè)模型，結(jié)果顯示，光譜數(shù)據(jù)經(jīng)過(guò)主成分分析（principal component analysis，PCA）處理后建立的優(yōu)化模型能夠?qū)崿F(xiàn)對(duì)紫薯樣品產(chǎn)地鑒別定性分析（誤判率低于4.598%）。這些研究結(jié)果對(duì)于將NIRS技術(shù)應(yīng)用于甘薯品種篩選具有重要意義。農(nóng)產(chǎn)品重金屬殘留問(wèn)題與食品安全、人體健康息息相關(guān)，其中甘薯重金屬殘留問(wèn)題也不容忽視。徐慶賢等[61]利用NIRS技術(shù)對(duì)甘薯葉和莖中鉻、銅、鋅含量進(jìn)行快速預(yù)測(cè)研究。結(jié)果顯示甘薯葉與莖組織中這些重金屬含量差異明顯，用于建模的數(shù)據(jù)變異幅度較大，結(jié)果導(dǎo)致模型的準(zhǔn)確性和穩(wěn)定性不是很理想，因此還需要對(duì)定標(biāo)建模樣本的代表性、均勻性以及化學(xué)值等方面進(jìn)行深入研究，以提高模型檢測(cè)性能。微生物污染也是影響甘薯品質(zhì)的重要因素。曹海燕等[62]對(duì)紫薯半干面中的菌落總數(shù)建立了SNV-二階導(dǎo)數(shù)-PLS預(yù)測(cè)模型，該模型的rp＝0.975 37，RMSEP＝0.445（lg（CFU/g）），結(jié)果顯示NIRS技術(shù)在面制品菌落總數(shù)檢測(cè)領(lǐng)域具有較高的應(yīng)用能力。同時(shí)基于SNV預(yù)處理，結(jié)合馬氏距離可100%鑒別紫薯半干面新鮮程度，NIRS技術(shù)在這些方面的具體應(yīng)用結(jié)果詳見(jiàn)表4。

表4 NIRS技術(shù)用于甘薯品種、產(chǎn)地和重金屬、微生物污染的檢測(cè)應(yīng)用Table 4 Application of NIRS for varietal and geographical origin identification, and heavy metal and microbial contamination detection in sweet potato

5 結(jié) 語(yǔ)

綜述國(guó)內(nèi)外的研究成果發(fā)現(xiàn)，NIRS技術(shù)在甘薯品質(zhì)檢測(cè)方面具有良好的應(yīng)用潛力，尤其在甘薯理化組成方面應(yīng)用研究較多，而活性成分及其他方面的研究相對(duì)較少，這可能與其含量低有很大關(guān)系。NIRS技術(shù)的優(yōu)勢(shì)明顯，應(yīng)用前景可觀，開(kāi)發(fā)基于NIRS的快檢裝備已是未來(lái)發(fā)展趨勢(shì)。為進(jìn)一步完善NIRS技術(shù)在甘薯品質(zhì)檢測(cè)方面的應(yīng)用，以及提升所建模型的穩(wěn)定性和適用性，建議從以下幾個(gè)方面改進(jìn)并開(kāi)展更深入研究：1）甘薯品種繁多、組分差異較大，需針對(duì)不同檢測(cè)需求或目標(biāo)采集代表性樣本以獲得可靠光譜信息構(gòu)建模型；檢測(cè)過(guò)程人為誤差盡量降至最低，避免模型預(yù)測(cè)結(jié)果誤差較大；2）NIRS預(yù)處理方法的合理選擇、最優(yōu)波段/波長(zhǎng)的科學(xué)篩選可明顯簡(jiǎn)化模型運(yùn)算，提高模型預(yù)測(cè)效率，針對(duì)甘薯不同品質(zhì)指標(biāo)選擇匹配的處理方式尤為重要；3）PLS算法仍然是NIRS技術(shù)建模時(shí)應(yīng)用最廣泛、最有效的算法，MLR算法在合適條件下也有應(yīng)用潛力，應(yīng)基于PLS或MLR深入挖掘線性模型在甘薯生產(chǎn)應(yīng)用上的可用性和適用性，為進(jìn)一步開(kāi)發(fā)專用的甘薯檢測(cè)設(shè)備做充分鋪墊。