孫炳新，匡立學(xué)，徐方旭，蘇 陽(yáng)，趙 靜，馮敘橋，，*

(1.渤海大學(xué)食品科學(xué)研究院，渤海大學(xué)化學(xué)化工與食品安全學(xué)院，遼寧省食品安全重點(diǎn)實(shí)驗(yàn)室，“食品貯藏加工及質(zhì)量安全控制工程技術(shù)研究中心”遼寧省高校重大科技平臺(tái)，遼寧錦州121013;2.沈陽(yáng)農(nóng)業(yè)大學(xué)食品學(xué)院，遼寧沈陽(yáng)110866;3.美國(guó)加州大學(xué)戴維斯分校環(huán)境毒理系，美國(guó)加州戴維斯市95616)

水果中含有多種有機(jī)酸、無(wú)機(jī)酸、酸式鹽和酸性有機(jī)化合物等，其中有機(jī)酸以檸檬酸、蘋果酸、草酸和酒石酸為主，這些酸性物質(zhì)構(gòu)成了水果的酸度。水果的酸度與其品質(zhì)和口感密切相關(guān)，酸度不僅影響水果的風(fēng)味，而且成熟過(guò)程中的水果中酸性物質(zhì)會(huì)不斷發(fā)生轉(zhuǎn)化，所以水果在不同時(shí)期具有不同的口感，因此酸度也是判斷水果成熟程度的重要指標(biāo)之一。水果中的有機(jī)酸，可使水果具有濃郁的香味，能刺激食欲，促進(jìn)消化，并有一定的營(yíng)養(yǎng)價(jià)值，在維持人體酸堿平衡方面有顯著的作用。此外，酸度是鑒定水果質(zhì)量的依據(jù)之一，水果中的特定酸，如乙酸等揮發(fā)酸的含量能反映出果品是否變質(zhì)。水果的pH是果品加工過(guò)程中防止酶促褐變需要重點(diǎn)控制的指標(biāo)之一，控制產(chǎn)品的pH還可以控制酶的活性和微生物生長(zhǎng)。另外，水果的pH是產(chǎn)生酸味的主要因素之一，通常認(rèn)為酸味是由舌粘膜受到氫離子刺激而引起的，以此可以推論:凡在溶液中能解離出氫離子的化合物都應(yīng)具有酸味。而pH反映的正是氫離子的濃度，所以水果的有效酸度(即pH)能反映水果的 酸 味［1］。 紅 富 士 蘋 果 (Malus domestica Borkh.CV.Red Fuji)酥脆多汁、酸甜適口，是生產(chǎn)蘋果汁、蘋果醋的上好原料，市場(chǎng)需求旺盛。為了能使紅富士蘋果有更好的發(fā)展前景，開發(fā)一種能夠精確檢測(cè)出蘋果內(nèi)外品質(zhì)的儀器已成必然。近紅外透射光譜技術(shù)(Near Infrared Transmittance Spectroscopy，NITS)，是電子技術(shù)、光譜技術(shù)、計(jì)算機(jī)技術(shù)和化學(xué)計(jì)量技術(shù)的集成。該技術(shù)是利用波長(zhǎng)為700～1100nm的電磁波來(lái)分析樣品的結(jié)構(gòu)和組成等信息，從而實(shí)現(xiàn)樣品的無(wú)損檢測(cè)。因其簡(jiǎn)單、高效、無(wú)損的特點(diǎn)，已經(jīng)成為現(xiàn)代無(wú)損檢測(cè)的代表和主要發(fā)展方向，是解決農(nóng)產(chǎn)品檢測(cè)分級(jí)的有效途徑［2－7］。在國(guó)外，Murakami［8］、Lammertyn［9］、Mcglone［10］和 Peirs［11］先后研究了在不同的波長(zhǎng)內(nèi)，利用近紅外光譜(Near Infrared，NIR)無(wú)損檢測(cè)方法檢測(cè)蘋果的糖度、酸度，并取得了可喜成果，用PLS建立模型相關(guān)系數(shù)達(dá)0.92。在國(guó)內(nèi)，劉燕德等［12］應(yīng)用NIR漫反射光譜技術(shù)，在10341～3818cm－1光譜范圍內(nèi)建立了酸度的數(shù)學(xué)模型，樣品預(yù)測(cè)值和真實(shí)值之間的相關(guān)系數(shù)為0.906。但利用近紅外透射光譜技術(shù)對(duì)蘋果pH的研究國(guó)內(nèi)外并不多見。

紅富士蘋果儲(chǔ)藏期長(zhǎng)，儲(chǔ)藏期間內(nèi)部品質(zhì)會(huì)發(fā)生較大變化，本文利用NITS對(duì)較長(zhǎng)儲(chǔ)藏期的蘋果pH進(jìn)行了監(jiān)測(cè)和建模，目的是能夠利用所建立的模型對(duì)不同儲(chǔ)藏期的紅富士蘋果pH進(jìn)行快速無(wú)損檢測(cè)。

1 材料與方法

1.1 材料與儀器

紅富士蘋果 采自遼寧省大連市金州新區(qū)八里村果園。

Purespect型近紅外光譜透射光譜儀 日本雜賀技術(shù)研究所;SJ－4A型pH計(jì) 南京寶威儀器儀表有限公司。

1.2 實(shí)驗(yàn)方法

1.2.1 樣品處理流程 樣品采收后立即帶回實(shí)驗(yàn)室，放在(0±0.5)℃冷庫(kù)中貯藏備用。實(shí)驗(yàn)前從冷庫(kù)中取出，放置5h，使蘋果整體溫度與室溫(約20℃)一致，選擇沒有外部缺陷、大小顏色均勻的果實(shí)進(jìn)行編號(hào)，然后進(jìn)行近紅外光譜掃描和pH測(cè)定。果實(shí)近紅外光譜采集和pH測(cè)定進(jìn)行4次，分別在果實(shí)采后的15、75、135、195d進(jìn)行，每次用30個(gè)蘋果樣本，其中25個(gè)作為校正集，5個(gè)作為預(yù)測(cè)集。將4次采樣的校正集樣品共100個(gè)用于建模，預(yù)測(cè)集樣品共20個(gè)用于模型的驗(yàn)證。

1.2.2 光譜的采集 本實(shí)驗(yàn)使用的光譜儀器是日本雜賀技術(shù)研究所提供的濾光片型Purespect近紅外透射光譜儀，波長(zhǎng)掃描范圍643.26～985.11nm，采點(diǎn)間隔為1.29nm，在每個(gè)蘋果樣品赤道上等距離的選取四點(diǎn)進(jìn)行光譜掃描，每點(diǎn)掃描三次，保存的光譜數(shù)據(jù)為文本文件形式。

1.2.3 pH的測(cè)定 蘋果有效酸度測(cè)定使用SJ－4A型pH計(jì)。這種pH計(jì)是用于測(cè)量水溶液酸度(即pH)的一種實(shí)驗(yàn)室常規(guī)分析測(cè)量?jī)x器，具有自動(dòng)校準(zhǔn)、自動(dòng)計(jì)算、自動(dòng)溫度補(bǔ)償、顯示電極百分斜率等功能。本次實(shí)驗(yàn)的每個(gè)樣品果汁重復(fù)測(cè)定三次，取其平均值作為此樣品的pH。

1.2.4 數(shù)據(jù)處理方法 將文本文件形式的光譜數(shù)據(jù)導(dǎo)入Excel表格求出每個(gè)樣品12次光譜數(shù)據(jù)的平均值，每個(gè)蘋果樣品對(duì)應(yīng)波長(zhǎng)下的吸光度利用下述公式計(jì)算:A=lg(I0/It)

其中，A:吸光度;I0:入射光強(qiáng)度;It:透過(guò)光強(qiáng)度。

將吸光度值導(dǎo)入軟件Unscrambler 6.1中，分別用3點(diǎn)移動(dòng)窗口平滑處理、一階微分(17點(diǎn)，Savitzky－Golay)、二階微分(25 點(diǎn)，Savitzky－Golay)和多元散射校正4種方法對(duì)光譜進(jìn)行預(yù)處理，選用偏最小二乘法(PLS)對(duì)預(yù)處理后的光譜數(shù)據(jù)進(jìn)行建模，通過(guò)對(duì)模型相關(guān)系數(shù)和均方根誤差的比較，選擇最優(yōu)的預(yù)處理方法。PLS現(xiàn)已成為化學(xué)計(jì)量學(xué)中最常用最有效的多變量建模方法，具有較強(qiáng)的抗干擾能力，可全波段參與多元數(shù)學(xué)模型的建立，優(yōu)于多元線性回歸(MLR)和主成分回歸(PCR)等方法［13－14］。利用 SPSS數(shù)據(jù)處理軟件分別對(duì)校正集和預(yù)測(cè)集蘋果樣品的pH實(shí)測(cè)值進(jìn)行描述統(tǒng)計(jì)分析和方差分析。

2 結(jié)果與分析

2.1 樣品實(shí)測(cè)pH分布情況

所建模型的質(zhì)量好壞很大程度上取決于樣品標(biāo)準(zhǔn)值的檢測(cè)精度和樣品評(píng)價(jià)參數(shù)覆蓋的范圍。本實(shí)驗(yàn)100個(gè)建模集樣品和20個(gè)驗(yàn)證集樣品的pH覆蓋了高、中、低水平，基本以平均值為中心呈正態(tài)分布，說(shuō)明樣品具有一定的代表性，并且樣品預(yù)測(cè)集的pH都在校正集范圍內(nèi)，二者差異不顯著。在此基礎(chǔ)上建立的模型質(zhì)量可靠。具體統(tǒng)計(jì)結(jié)果見圖1和表1。

圖1 蘋果樣品有效酸度頻率分布圖Fig.1 The probability distribution of pH values from calibration and prediction sets for apples samples

表1 蘋果樣本校正集和預(yù)測(cè)集pH實(shí)測(cè)值分析Table 1 Analysis on results of pH values from calibration and prediction sets for apple samples

2.2 不同種光譜預(yù)處理方法結(jié)果比較

儀器采集的原始光譜中除包含與樣品結(jié)構(gòu)組成有關(guān)的信息外，還可能受測(cè)試條件、外界溫度、儀器狀態(tài)等因素影響，而且樣品中不同成分之間的相互干擾也會(huì)導(dǎo)致光譜譜線重疊，低含量成分光譜峰被高含量成分光譜峰掩蓋等問題。因此，譜圖的預(yù)處理主要解決光譜噪音的濾除、數(shù)據(jù)的篩選、光譜范圍的優(yōu)化及消除其他因素對(duì)光譜圖所含信息的影響，

提高分辨度和靈敏度，為下步校正模型的建立和未知樣品的準(zhǔn)確預(yù)測(cè)打下基礎(chǔ)［15－16］。4種不同預(yù)處理下建模和模型預(yù)測(cè)的結(jié)果見表2。

從表2可以看出，采用25點(diǎn)Savitsky－Golay二階微分處理效果好于原始光譜和其他處理方法，其相關(guān)系數(shù)最高，均方根誤差較低。所以在以后的建模中，選取25點(diǎn)Savitsky－Golay二階微分處理作為光譜的預(yù)處理方法。圖2和圖3分別是校正集蘋果樣品預(yù)處理前后的光譜圖，對(duì)比兩圖可知，預(yù)處理后的光譜圖對(duì)稱地分布在基線兩側(cè)，消除了基線漂移，平緩了背景干擾，比原光譜具有更高的分辨率和更清晰的光譜輪廓變化，這與李東華等人的研究結(jié)果一致［17－18］。

圖2 蘋果原始光譜圖Fig.2 Absorption spectrogram of apples

圖3 二階導(dǎo)數(shù)處理后的光譜圖Fig.3 Absorption spectrogram of apples calculated with second order derivative processing

2.3 蘋果pH近紅外模型的建立

2.3.1 模型建立光譜區(qū)域的選擇 光譜建模范圍的優(yōu)化選擇是提高建模精度的一種手段。采用全光譜計(jì)算時(shí)，計(jì)算工作量很大，有些光譜區(qū)域樣品的光譜信息很弱，與樣品的組成或性質(zhì)間缺乏相關(guān)關(guān)系。為了找出最有效的光譜區(qū)域，可以將測(cè)定的組分或性質(zhì)數(shù)據(jù)與樣品的光譜數(shù)據(jù)關(guān)聯(lián)，求出相關(guān)系數(shù)，并得到相關(guān)系數(shù)與波長(zhǎng)的相關(guān)圖，通過(guò)相關(guān)圖，選出較大相關(guān)系數(shù)的光譜區(qū)域［19］。根據(jù)上述分段建模思想，本實(shí)驗(yàn)將原始光譜進(jìn)行二階求導(dǎo)預(yù)處理后，將全譜區(qū)平均分成4段，并分別就光譜區(qū)域和全譜區(qū)進(jìn)行PLS建模，結(jié)果如表3。

表3 蘋果分段建模結(jié)果Table 3 Calibration results for apples in different segements

由表3可知，利用全波段643.26～954.15nm光譜區(qū)建立的pH模型的相關(guān)系數(shù)為0.925，高于其它4個(gè)分段光譜建立的模型。這個(gè)建模結(jié)果說(shuō)明雖然在669.06～732.27nm波段光譜的變化較明顯，但這種變化不僅僅是由pH引起的，而可能同時(shí)受到內(nèi)部糖等含量變化的影響。因此樣品的有效酸度是通過(guò)全波段光譜反映出來(lái)的，所以利用669.06～727.06nm全波段建立的pH模型性能優(yōu)于分段建模。

2.3.2 蘋果pH近紅外模型的建立 實(shí)驗(yàn)以來(lái)自不同儲(chǔ)藏期的100個(gè)蘋果作為校正集樣品，利用PLS法建立蘋果pH近紅外無(wú)損檢測(cè)定標(biāo)模型，圖4為蘋果pH模型的校正集樣品預(yù)測(cè)值與實(shí)測(cè)值相對(duì)應(yīng)的散點(diǎn)圖。

圖4 蘋果pH預(yù)測(cè)值與實(shí)測(cè)值相對(duì)應(yīng)的散點(diǎn)圖Fig.4 Scatter plots of predicted and measured values for apple pH

由圖4可知，建立的 pH模型的相關(guān)系數(shù)為0.925，校正均方根誤差為0.039，說(shuō)明該模型自身相關(guān)性很好，可以用于未知樣品的預(yù)測(cè)。

2.4 蘋果pH模型預(yù)測(cè)性能的驗(yàn)證

校正集具有較高的相關(guān)系數(shù)和較低的標(biāo)準(zhǔn)偏差對(duì)一個(gè)可靠的模型是十分必要的，但一個(gè)模型的優(yōu)劣不僅取決于此，還要求有較高的預(yù)測(cè)能力，預(yù)測(cè)均方根誤差值也應(yīng)較低。本實(shí)驗(yàn)對(duì)已建立的蘋果pH近紅外模型的預(yù)測(cè)性能進(jìn)行了驗(yàn)證，具體做法是利用模型對(duì)20個(gè)預(yù)測(cè)集樣品進(jìn)行pH的預(yù)測(cè)，結(jié)果見表4和圖5。

表4 預(yù)測(cè)集樣品預(yù)測(cè)值與真實(shí)值結(jié)果Table 4 Results of predictive value and true value of prediction samples

圖5 20個(gè)預(yù)測(cè)樣品殘差分布圖Fig.5 Residual error distribution for 20 prediction samples

由表4可見，建立的蘋果pH模型對(duì)20個(gè)預(yù)測(cè)集樣品的預(yù)測(cè)值與真實(shí)值比較接近，殘差在零線上下較均勻地波動(dòng)，殘差之和為0.156。綜上所述，通過(guò)對(duì)模型校正集相關(guān)系數(shù)、均方根誤差、殘差分布和殘差四項(xiàng)指標(biāo)的分析結(jié)果表明:建立的蘋果模型性能較穩(wěn)定，能滿足實(shí)際應(yīng)用的要求。

3 結(jié)論

3.1 4種不同光譜預(yù)處理方法對(duì)蘋果pH模型影響的比較結(jié)果表明:選取25點(diǎn)Savitsky－Golay二階微分處理作為光譜的預(yù)處理方法所建模型效果最好，校正集和預(yù)測(cè)集的相關(guān)系數(shù)都高于其它預(yù)處理方法，均方根誤差也相對(duì)較低。

3.2 對(duì)蘋果pH的近紅外光譜分波段建模的結(jié)果表明:利用全波段643.26～954.15nm光譜建立的蘋果pH模型相關(guān)系數(shù)為0.925，校正均方根誤差為0.039，優(yōu)于其它分段光譜建立的模型。

3.3 實(shí)驗(yàn)通過(guò)對(duì)模型的相關(guān)系數(shù)、均方根誤差、殘差分布和殘差之和等多項(xiàng)指標(biāo)的分析表明，建立的紅富士蘋果pH模型性能較穩(wěn)定，能夠滿足不同儲(chǔ)藏期紅富士蘋果品質(zhì)的測(cè)定。

［1］陳永杰.幾種水果有效酸度的測(cè)定［J］.濰坊高等職業(yè)教育，2010，2(3):65－68.

［2］陳斌，王豪，林松，等.基于相關(guān)系數(shù)法與遺傳算法的啤酒酒精度近紅外光譜分析［J］.農(nóng)業(yè)工程學(xué)報(bào)，2005，21(7):99－102.

［3］Krivoshiev GP，Chalucova RP，Moukarev MI.A Possibility for elimination of the interference from the peel in nondestructive determination of the internal quality of fruit and vegetables by VIS/NIR spectroscopy［J］.Postharvest Biology and Technology，2000，33(5):344－353.

［4］Clark CJ，Mcglone AV，Jordan RB.Detection of Brownheart in‘Braeburn’ apple by transmission NIR spectroscopy［J］.Postharvest Biology and Technology，2003，28(1):87－96.

［5］趙杰文，張海東，劉木華.簡(jiǎn)化蘋果糖度預(yù)測(cè)模型的近紅外光譜預(yù)處理方法［J］.光學(xué)學(xué)報(bào)，2006，26(1):136－140.

［6］劉燕德，陳興苗，歐陽(yáng)愛國(guó).可見/近紅外光譜法無(wú)損檢測(cè)贛南臍橙可溶性固形物［J］.光學(xué)學(xué)報(bào)，2008，28(3):478－48.

［7］劉燕德，孫旭東，章海亮，等.南豐蜜桔可溶性固形物非線性模型研究［J］.華東交通大學(xué)學(xué)報(bào)，2009，26(3):33－36.

［8］Murakami M，Himoto J，Itoh K.Analysis of apple quality by near infrared reflectance spectroscopy［J］.Faculty of Agriculture，Hokkaido University，Sapporo，1994，66(1):51－61.

［9］Lammertyn J，Peirs A，Baerdemaeker JD，et al.Light penetration properties of NIR radiation in fruit with respect to nondestructive quality assessment［J］.Postharvest Biology and Technology，2000，18(2):121－132.

［10］Mcglone VA，Jordan RB，Clark CJ，et al.VIS/NIR estimation at harvest of pre－and post－storage quality indices for‘Royal Gala’apple［J］.Postharvest Biology and Technology，2002，25(2):135－144.

［11］Peirs A，Schenk A，Nicola BM.Effect of natural variability among apples on the accuracy of VIS－NIR calibration models for optimal harvest date prediction［J］.Postharvest Biology and Technology，2005，35(1):1－13.

［12］劉燕德，應(yīng)義斌，傅霞萍.近紅外漫反射用于檢測(cè)蘋果糖度及有效酸度的研究［J］.光譜學(xué)與光譜分析，2005，25(11):1793－1796.

［13］趙杰文，張海東，劉木華.利用近紅外漫反射光譜技術(shù)進(jìn)行蘋果糖度無(wú)損檢測(cè)的研究［J］.農(nóng)業(yè)工程學(xué)報(bào)，2005，21(3):162－165.

［14］李桂峰，趙國(guó)建，王向東，等.蘋果質(zhì)地品質(zhì)近紅外光譜無(wú)損檢測(cè)和指紋分析［J］.農(nóng)業(yè)工程學(xué)報(bào)，2008，24(6):169－173.

［15］章海亮，孫旭東，劉燕德，等.近紅外光譜檢測(cè)蘋果可溶性固形物［J］.農(nóng)業(yè)工程學(xué)報(bào)，2009，25(2):340－344.

［16］紀(jì)淑娟，柏蘭，李東華，等.南果梨糖度近紅外光譜無(wú)損檢測(cè)模型的建立［J］.食品工業(yè)科技，2008，29(4):281－286.

［17］朱登勝，俞冬麗，張冬生.基于光譜技術(shù)的蘋果糖度快速無(wú)損檢測(cè)研究［J］.金華職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2009，9(6):37－41.

［18］李東華，紀(jì)淑娟，重滕和明.果實(shí)成熟度對(duì)南果梨近紅外無(wú)損檢測(cè)技術(shù)模型的影響［J］.食品科學(xué)，2009，30(12):266－269.

［19］陸婉珍，袁洪福，徐廣通.現(xiàn)代近紅外光譜分析技術(shù)［M］.北京:中國(guó)石化出版社，2000.