李光輝，任亞梅,*，任小林，趙 玉

(1.西北農(nóng)林科技大學食品科學與工程學院，陜西 楊凌 712100；2. 西北農(nóng)林科技大學園藝學院，陜西 楊凌 712100)

貯藏期內(nèi)富士和粉紅女士蘋果品質(zhì)的FT-NIR無損檢測

李光輝1，任亞梅1,*，任小林2，趙 玉1

(1.西北農(nóng)林科技大學食品科學與工程學院，陜西 楊凌 712100；2. 西北農(nóng)林科技大學園藝學院，陜西 楊凌 712100)

為探索傅里葉近紅外光譜快速無損檢測貯藏期蘋果品質(zhì)的方法，在蘋果貯藏過程中，每隔30d采集富士和粉紅女士(各40個)2個蘋果品種共計400個樣本的近紅外圖譜(12000～4000cm-1)，用OPUS-QUANT軟件預處理光譜，用偏最小二乘法建立通用于2個品種的可滴定酸(TA)、pH值和可溶性固形物(SSC)的數(shù)學模型。結果表明：富士和粉紅女士的光譜經(jīng)矢量歸一化預處理后，在波段7502～4247cm-1內(nèi)所建立的可滴定酸模型穩(wěn)定性較好，該模型校正時的相關系數(shù)(R2)和評估均方誤分別為0.9231和0.0263%，預測時的相關系數(shù)R2和內(nèi)部交叉驗證均方根差分別為0.9071和0.0266%；在波段11995～4247cm-1內(nèi)，光譜經(jīng)一階導數(shù)預處理后所建立的pH值預測模型穩(wěn)定性較好，該模型校正時的R2和評估均方誤分別為0.9263和0.0700，預測時的R2和內(nèi)部交叉驗證均方根差分別為0.9113和0.0772；近紅外光譜經(jīng)最大-最小歸一化預處理后，在波段6102～5446cm-1所建立的SSC模型效果較好，該模型校正時的R2和評估均方誤分別為0.9212和0.3570%，預測時的R2和內(nèi)部交叉驗證均方根差分別為0.9130和0.370%。在富士和粉紅女士貯藏期品質(zhì)檢測過程中，建立的通用于這2個品種的TA、pH值和SSC檢測的數(shù)學模型，穩(wěn)定性較好，能滿足品質(zhì)快速無損檢測的要求。

蘋果；近紅外；無損檢測；可滴定酸；p H值；可溶性固形物

近紅外光譜技術具有無損、方便、即時、穩(wěn)定和準確率高等特點，已成為20世紀90年代以來發(fā)展最迅速的檢測技術之一，已用于蘋果[1-2]、梨[3-4]、葡萄[5]、柑橘[6-7]和杏[8-9]等水果的品質(zhì)檢測。目前，國內(nèi)外學者運用近紅外技術較深入地研究了蘋果的糖度，而對貯藏過程中蘋果可滴定酸和pH值的研究還不夠成熟，并且所建立的品質(zhì)預測模型都是針對單一品種，適合于貯藏期品質(zhì)預測的通用于不同品種的模型研究的較少。Fan等[10]用近紅外透射光譜對蘋果的可溶性固形物進行了檢測；劉燕德等[11]用近紅外漫反射光譜技術并結合光纖傳感技術對蘋果的糖度和有效酸度進行了檢測。本研究用傅里葉近紅外技術無損檢測貯藏期富士和粉紅女士2個品種的蘋果，建立通用于這2個品種的可滴定酸(titrable acidity，TA)、pH值和可溶性固形物含量(soluble solid content，SSC)的近紅外數(shù)學模型，旨在為近紅外光譜無損檢測這兩種蘋果的品質(zhì)提供理論依據(jù)。

1 材料與方法

1.1 材料與儀器

350個成熟度一致的富士蘋果于2010年10月采自陜西白水縣、西安市楊凌區(qū)和永壽縣；350個成熟度一致的粉紅女士蘋果采自陜西富平縣。選取無病蟲害和機械損傷、個體大小在100～400g之間的蘋果，貯藏于(0±1)℃、相對濕度85%～90%的冷庫中。

MPA型傅里葉變換近紅外光譜儀 德國Bruker光學儀器公司。

1.2 光譜采集

分別在貯藏的0、30、60、90、120d，將富士和粉紅女士蘋果各40個果實從冷庫中取出，在20℃的室溫放置12h后，在果實赤道處標記等距離的3個光譜采集點，然后用MPA型傅里葉變換近紅外光譜儀采集其近紅外光譜，儀器參數(shù)為：固定光纖探頭，分辨率為8cm-1，掃描次數(shù)為64，波長范圍為12000～4000cm-1，室溫(20℃)。將每個果實的3個點的近紅外光譜平均后得到一個樣本的代表光譜，共得到富士和粉紅女士各200個代表光譜。用OPUS-QUANT定量分析軟件預處理光譜和用偏最小二乘法(partial least square，PLS)建立數(shù)學模型，用交叉驗證法檢驗模型，衡量模型優(yōu)劣的參數(shù)包括R2(coefficient of determination)、評估均方誤(root mean square error of estimation，RMSEE)和內(nèi)部交叉驗證均方根差(root mean square error of cross validation，RMSECV)。

1.3 品質(zhì)測定

上述果實的光譜采集完后，立即取光譜采集點附近的果肉10g，分別參照GB/T 12293—1990《水果、蔬菜制品：可滴定酸度的測定》[12]、GB 10468—89《水果和蔬菜產(chǎn)品pH值的測定方法》[13]和GB/T 12295—90《水果、蔬菜制品：可溶性固形物含量的測定：折射儀法》[14]測定TA、pH值和SSC。每個蘋果的TA、pH值和SSC測定3次，取其平均值，得到與蘋果果實的近紅外光譜相對應的TA、pH值和SSC數(shù)據(jù)。

2 結果與分析

2.1 樣品真實值分布情況

以富士和粉紅女士果實共計400個光譜為校正集，其中，可滴定酸范圍為0.0599%～0.6317%，平均值為0.2881%，標準偏差(standard deviation，SD)為0.1079；pH值范圍為2.4567～5.0667，平均值為3.8073，SD為0.3052；SSC范圍為9.5667%～18.7333%，平均值為14.1009%，SD為1.3015。結果表明：400個樣本的可滴定酸、pH值和SSC的真實值基本覆蓋了低、中、高3個水平，以均值為中心大致呈正態(tài)分布，樣本具有一定的代表性；由于采用交叉驗證法檢驗模型，其要求校正集與檢驗集一致，因此所建立的數(shù)學模型穩(wěn)定、可靠。

2.2 光譜區(qū)間的選擇和光譜預處理

不同的蘋果樣本，由于其組織結構、化學成分等的不同，其波峰吸收強度也不同，為TA、pH值和SSC的定量分析提供了基礎。圖1為富士和粉紅女士在各個貯藏期的平均光譜圖，貯藏0、30、60、90、120d的富士和粉紅女士蘋果光譜的趨勢大致相同，但稍有差異；在12000～4000cm-1范圍內(nèi)含有豐富的信息，在波長為8313.76、6888.60、5263、5162.0cm-1等處有明顯的吸收波峰；貯藏過程中，富士和粉紅女士的近紅外光譜波峰吸收強度有差異，說明隨著貯藏時間的延長，不同波峰所代表的物質(zhì)含量有變化，為建立TA、pH值和SSC的數(shù)學模型提供了理論依據(jù)。

圖1 富士和粉紅女士蘋果各貯藏期的近紅外平均光譜圖Fig.1 Near infrared spectra of Fuji and Pink Lady apples after different times of storage

表1 不同光譜預處理的TA、pH值和SSC的PLS模型預測結果Table 1 Predictions results from PLS calibration models of TA, pH and SSC with different spectral pretreatments

由表1可見，蘋果TA預測模型的最佳光譜預處理為矢量歸一化，最優(yōu)光譜范圍為7502～4247cm-1；蘋果pH值預測模型的最佳光譜預處理為一階導數(shù)，最優(yōu)光譜范圍為11995～4247cm-1；蘋果SSC預測模型的最佳光譜預處理為最小-最大歸一化，最優(yōu)光譜范圍為7502～5446cm-1。矢量歸一化、一階導數(shù)和最小-最大歸一化能較好地將光譜的噪音濾除，并消除基線的偏移；上述的光譜范圍包含了與糖類、酸類物質(zhì)相關基團(—OH、—NH等)的典型吸收信息，因此用矢量歸一化、一階導數(shù)和最小-最大歸一化預處理光譜準確、可靠。

2.3 模型的建立與驗證

由表1可知，矢量歸一化預處理光譜后，用PLS法所建立的蘋果TA模型的R2較高(0.9173)，預測效果較好；但是建模集中存在異常值，需剔除，優(yōu)化后的模型如圖2a所示，其模型校正時的R2和評估均方誤分別為0.9231和0.0263%，預測時的R2和內(nèi)部交叉驗證均方根差分別為0.9071和0.0266%。一階導數(shù)預處理光譜后，用PLS法所建立的蘋果pH值預測模型的R2較高(0.9215)，預測效果較好；但是建模集中易存在異常值，需剔除，優(yōu)化后的模型如圖2b所示，其模型校正時的R2和評估均方誤分別為0.9263和0.0700，預測時的R2和內(nèi)部交叉驗證均方根差分別為0.9113和0.0772。最小-最大歸一化預處理光譜后，用PLS法所建立的蘋果SSC預測模型的R2較高(0.9065)，預測效果較好；但是建模集中易存在異常值，需剔除，優(yōu)化后的模型如圖2c所示，其模型校正時的R2和評估均方誤分別為0.9212和0.3570，預測時的R2和內(nèi)部交叉驗證均方根差分別為0.9130和0.3700。貯藏過程中，由于呼吸作用、部分有機酸轉變?yōu)樘堑仍?，蘋果T A、pH值和SSC是變化的；PLS是直線建模的方法，所建立的蘋果可滴定酸、pH值和SSC模型相關系數(shù)較高，故在貯藏過程中，蘋果TA、pH值和SSC大致呈直線變化。

圖2 校正集和驗證集蘋果TA(a)、pH值(b)、SSC(c)預測值與真實值關系圖Fig.2 Correlation between predicted and actual results for SSC in apples

2.4 模型的評價

用已優(yōu)化的TA、pH值和SSC模型預測富士和粉紅女士各20個未知蘋果樣本，未知樣本參照1.2節(jié)方法獲取光譜。由圖3可見，樣本基本呈直線分布，說明TA、pH值和SSC模型的真實值和預測值基本一致；TA模型真實值和預測值的R2和預測標準誤(standard error of prediction，SEP)分別為0.9192和0.0271%，TA被明顯的分為上下2部分，粉紅女士分布在直線y＝0.3的上方，富士分布在直線y＝0.3的下方，因為粉紅女士是高酸果實，所含的可滴定酸比富士高；pH值模型真實值和預測值的R2和SEP分別為0.9101和0.0835；SSC模型真實值和預測值的R2和SEP分別為0.9066和0.3590。說明優(yōu)化后的模型預測精度較高，能夠快速無損檢測貯藏期粉紅女士和富士蘋果的TA、pH值和SSC。

圖3 可滴定酸(a)、pH值(b)和SSC(c)優(yōu)化模型的預測值與真實值的關系圖Fig.3 Correlation between predicted results from optimal model and actual values of TC, pH and SSC in apples

2.5 模型比較

分別以200個富士和200個粉紅女士蘋果的光譜為校正集，用PLS法建立富士和粉紅女士單個品種的TA、pH值和SSC數(shù)學模型，通過OPUS軟件的優(yōu)化功能優(yōu)化所建立的數(shù)學模型，剔除異常光譜后，單個品種的TA、pH值和SSC模型如表2所示。由表2可知，單個品種的TA、pH值和SSC數(shù)學模型都優(yōu)于用2個品種的光譜所建立的數(shù)學模型，但是2個品種通用的TA、pH值和SSC數(shù)學模型的決定系數(shù)都在0.9以上，表明所建立的2個品種通用的TA、pH值和SSC數(shù)學模型是可以接受的，通用于2個品種TA、pH值和SSC數(shù)學模型比單個品種模型的適應性廣，可為建立適合所有蘋果品種的近紅外數(shù)學模型提供理論基礎。

表2 不同類型的可滴定酸、pH值和SSC的PLS模型預測結果Table 2 Predictions results from PLS calibration models of TA, pH and SSC for single Fuji and Pink Lady apples and both of them

3 結 論

用傅里葉變換近紅外光譜技術快速無損檢測貯藏期富士和粉紅女士蘋果的TA、pH值和SSC，建立2個蘋果品種通用的TA、pH值和SSC的數(shù)學模型。富士和粉紅女士2個品種的近紅外光譜經(jīng)矢量歸一化預處理后，在波段7502～4247cm-1所建立的TA模型效果較好，該模型校正時的R2和評估均方誤分別為0.9231和0.0263%，預測時的R2和內(nèi)部交叉驗證均方根差分別為0.9071和0.0266%。在波段11995～4247cm-1，光譜經(jīng)一階導數(shù)預處理后所建立的2個蘋果品種通用的pH值數(shù)學模型較穩(wěn)健，該模型校正時的R2和評估均方誤分別為0.9263和0.0700，預測時的R2和交叉驗證均方根差分別為0.9113和0.0772。2個品種蘋果的近紅外光譜經(jīng)最大-最小歸一化預處理后，在波段6102～5446cm-1所建立的SSC模型效果較好，該模型校正時的R2和評估均方誤分別為0.9212和0.3570%，預測時的R2和交叉驗證均方根差分別為0.9130和0.370%。

[1] 屠振華, 籍保平, 孟超英, 等. 基于遺傳算法和間隔偏最小二乘的蘋果硬度特征波長分析研究[J]. 光譜學與光譜分析, 2009, 29(10): 2760-2763.

[2] 章海亮, 孫旭東, 劉燕德, 等. 近紅外光譜檢測蘋果可溶性固形物[J].農(nóng)業(yè)工程學報, 2009, 25(增刊2): 340-343.

[3] YING Yibin, LIU Yande. Nondestructive measurement of internal quality in pear using genetic algorithms and FT-NIR spectroscopy[J]. Journal of Food Engineering, 2008, 84(2): 206-213.

[4] PAZ P, SANCHEZ M T, PEREZ-MARIN D. Instantaneous quantitative and qualitative assessment of pear quality using near infrared spectroscopy[J]. Computers and Electronics in Agriculture, 2009, 69(1):24-32.

[5] CAO Fang, WU Di, HE Yong. Soluble solids content and pH prediction and varieties discrimination of grapes based on visible-near infrared spectroscopy[J]. Computers and Electronics in Agriculture, 2010, 71(Suppl 1): 15-18.

[6] LIU Yande, SUN Xudong, OUYANG Aiguo. 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.

[7] LIU Yande, SUN Xudong, ZHANG Hailiang, et al. Nondestructive measurement of internal quality of Nanfeng mandarin fruit by charge coupled device near infrared spectroscopy[J]. Computers and Electronics in Agriculture, 2010, 71(Suppl 1): 10-14.

[8] BUREAU S, RUIZ D, REICH M, et al. Rapid and non-destructive analysis of apricot fruit quality using FT-near-infrared spectroscopy[J].Food Chemistry, 2009, 113(4): 1323-1328.

[9] CAMPS C, CHRISTEN D. Non-destructive assessment of apricot fruit quality by portable visible-near infrared spectroscopy[J]. LWT-Food Science and Technology, 2009, 46(2): 1125-1131.

[10] FAN Guoqiang , ZHA Jianwen, DU Ran, et al. Determination of soluble solids and firmness of apples by Vis/NIR transmittance[J]. Journal of Food Engineering, 2009, 93(4): 416-420.

[11] 劉燕德, 應義斌, 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]. 光譜學與光譜分析, 2005, 25(11): 1793-1796.

[12] GB/T 12293—1990水果、蔬菜制品可滴定酸度的測定[S].

[13] GB 10468—89水果和蔬菜產(chǎn)品pH值的測定方法[S].

[14] GB/T 12295—90水果、蔬菜制品: 可溶性固形物含量的測定: 折射儀法[S].

[15] 劉燕德, 應義斌, 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]. 光譜學與光譜分析, 2005, 25(11): 1793-1796.

[16] 應義斌, 劉燕德, 傅霞萍. 蘋果有效酸度的近紅外漫反射無損檢測[J]. 農(nóng)業(yè)機械學報, 2004, 35(6): 124-126.

Non-Destructive Quality Evaluation of Fuji and Pink Lady Apples by FT-NIR during Storage Period

LI Guang-hui1，REN Ya-mei1,*，REN Xiao-lin2，ZHAO Yu1
(1. College of Food Science and Engineering, Northwest Agriculture and Forestry University, Yangling 712100, China；
2. College of Horticulture, Northwest Agriculture and Forestry University, Yangling 712100, China)

In order to explore the applicability of FT-NIR technique for rapid and non-destructive evaluation of apple quality in terms of titratable acidity (TA), pH and solid soluble content (SSC), NIR spectra in the wavelength range of 12000 to 8000 cm-1were acquired from 40 samples including Fuji and Pink Lady apples during the storage period of 30 days. Universal mathematical models of TA, pH and SSC for both apple varieties were established using partial least square (PLS) regression. The results showed that a stable model of TA was developed in the wavelength range of 7502 to 4247 cm-1. The coefficient of correlation (R2)of calibration and root mean square error of estimation (RMSEE) were 0.9231 and 0.0263%, respectively. Meanwhile, the coefficient of correlation of prediction (R2) and the root mean square error of cross-validation (RMSECV) were 0.9071 and 0.0266%, respectively. In addition, a stable model of pH was achieved by PLS＋FD model based on NIR spectra in the wavelength range of 11995 to 4247 cm-1. The R2of calibration and RMSEE were 0.9263 and 0.0700, respectively, and the R2of prediction and RMSECV were 0.9113 and 0.0772, respectively. A good model of SSC was obtained by min-max normalization pretreatment in the wavelength range of 6102 to 5446 cm-1. The R2of calibration and RMSEE were 0.9212 and 0.3570%,respectively, and the R2of prediction and RMSECV were 0.9130 and 0.370%, respectively. The models of TA, pH and SSC were stable in evaluating the quality of Fuji and Pink Lady apples and could meet the requirements for rapid and non-destructive evaluation of fruit quality.

apple；near infrared spectra；non-destructive measurement；titratable acidity；pH；SSC

TS255

A

1002-6630(2012)08-0171-05

2011-03-25

國家現(xiàn)代蘋果產(chǎn)業(yè)技術體系專項(NYCYTX-08-05-02)

李光輝(1985—)，男，碩士研究生，主要從事果蔬加工與無損檢測研究。E-mail：hnlgh1228@163.com

*通信作者：任亞梅(1970—)，女，副教授，博士，主要從事果蔬深加工與貯藏研究。E-mail：yameiren@yahoo.com