劉小路， 薛 璐*， 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(guó)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）

藍(lán)莓可溶性固形物、總酸近紅外無(wú)損檢測(cè)模型的建立

劉小路1， 薛 璐*1， 魯曉翔1， 張 鵬2， 陳紹慧2， 李江闊2

（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(guó)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）

建立了近紅外漫反射光譜技術(shù)檢測(cè)藍(lán)莓可溶性固形物、總酸的數(shù)學(xué)模型，并對(duì)其進(jìn)行評(píng)價(jià)。實(shí)驗(yàn)比較了在近紅外全波長(zhǎng)范圍400～2 500 nm內(nèi)，不同的光譜預(yù)處理方法對(duì)模型的影響。結(jié)果表明利用偏最小二乘法（PLS）、一階導(dǎo)數(shù)（D1Log（1/R））和加權(quán)多元離散校正處理（WMSC）建立的可溶性固形物含量（SSC）定標(biāo)模型預(yù)測(cè)結(jié)果相對(duì)較好。其預(yù)測(cè)相關(guān)系數(shù)Rp2為0.8518，預(yù)測(cè)標(biāo)準(zhǔn)誤差（SEP）為0.351，相對(duì)分析誤差（RPD）為2.05?？偹岬淖罴涯Ｐ吞幚?xiàng)l件為改進(jìn)偏最小二乘法（MPLS）、二階導(dǎo)數(shù)（D2Log（1/R））和 WMSC，其 Rp2為0.8776，SEP為0.042，RPD為2.10。由此確定近紅外漫反射技術(shù)可用于藍(lán)莓可溶性固形物、總酸含量的快速無(wú)損檢測(cè)。

藍(lán)莓；近紅外漫反射光譜；可溶性固形物；總酸；無(wú)損檢測(cè)

藍(lán)莓（Blueberry）學(xué)名為越桔（Vaccinium ssp），藍(lán)莓除含有糖、酸外，還富含多種維生素（VC、VE、VA、VB等）、SOD、熊果苷、花色苷、黃酮類(lèi)、抗菌成分和豐富的食用纖維，具有抗氧化、改善記憶、提高免疫力及明目等保健功能。由此可見(jiàn)，藍(lán)莓是一種功能性保健食品，堪稱(chēng)“世界水果之王”。

可溶性固形物含量（soluble solids content，SSC）和總酸含量 （total acid，TA）對(duì)藍(lán)莓口感有很大影響，是評(píng)價(jià)藍(lán)莓品質(zhì)的重要指標(biāo)。傳統(tǒng)化學(xué)方法檢測(cè)藍(lán)莓指標(biāo)不僅破壞果實(shí)，而且耗時(shí)長(zhǎng)，因此有必要找到一種簡(jiǎn)單、快速、高效的無(wú)損檢測(cè)技術(shù)［1］。近紅外光譜技術(shù)作為一種快速、無(wú)損、高效的檢測(cè)方法，幾乎可以用在所有與含氫基團(tuán)相關(guān)的樣品的物理、化學(xué)性質(zhì)方面的分析。不同物質(zhì)在近紅外光譜區(qū)域有著豐富的吸收光譜，通過(guò)化學(xué)計(jì)量學(xué)將這些吸收光譜的數(shù)據(jù)信息建立模型，可以快速實(shí)現(xiàn)特定成分的定性或定量分析［2］，因此近紅外光譜技術(shù)在水果品質(zhì)無(wú)損檢測(cè)方面得到了廣泛的應(yīng)用［3-9］。雖然近幾年近紅外光譜技術(shù)應(yīng)用廣泛，但是在鮮食藍(lán)莓品質(zhì)方面的研究還比較少。作者研究近紅外光譜技術(shù)建立0℃貯藏條件下可鮮食藍(lán)莓SSC、TA含量的數(shù)學(xué)模型，通過(guò)對(duì)模型的校正、驗(yàn)證，獲得準(zhǔn)確性較高的模型，為以后鮮食藍(lán)莓品質(zhì)的無(wú)損檢測(cè)提供理論依據(jù)及方法。

1 材料與方法

1.1 材料與儀器

藍(lán)莓品種：伯克利。藍(lán)莓于2014年7月采自大連金州基地，采摘當(dāng)天將果實(shí)運(yùn)回國(guó)家農(nóng)產(chǎn)品保鮮工程技術(shù)研究中心實(shí)驗(yàn)室進(jìn)行處理。

NIRS DS2500近紅外漫反射光譜儀：丹麥FOSS公司產(chǎn)品；糖-酸測(cè)定儀 （BRIX-ACIDITY METER（GMK-706R））產(chǎn)品；數(shù)字手持折光儀（PAL-1）：日本A tago公司產(chǎn)品。

1.2 試驗(yàn)方法

1.2.1 樣品處理 將藍(lán)莓用PE膜 （厚度為0.05 mm）包裝，封口，在0℃庫(kù)中貯藏。實(shí)驗(yàn)前，藍(lán)莓置于常溫環(huán)境下1.5 h，恢復(fù)至室溫，每次實(shí)驗(yàn)取25組，每組4個(gè)果實(shí)。每組藍(lán)莓同時(shí)進(jìn)行光譜掃描，然后將掃描后的藍(lán)莓果實(shí)進(jìn)行化學(xué)指標(biāo)的測(cè)定。樣品從采摘當(dāng)天開(kāi)始測(cè)定，到低溫貯藏64 d藍(lán)莓變軟、腐爛率達(dá)到50%停止測(cè)定，其間每8 d進(jìn)行測(cè)定，共測(cè)8次。將200組數(shù)據(jù)隨機(jī)分為定標(biāo)集和預(yù)測(cè)集，SSC、TA樣品數(shù)分別為160個(gè)和40個(gè)。

1.2.2 光譜的采集 使用近紅外漫反射光譜儀，波長(zhǎng)范圍為400～2500 nm，掃描方式為快速掃描，單波長(zhǎng)掃描32次，采用全息光柵分光系統(tǒng)，硅（400～1 100 nm）和硫化鉛（1100～2 500 nm）檢測(cè)器采集信號(hào)。儀器用Nova軟件采集果實(shí)光譜信息，而WinISI4定標(biāo)軟件用來(lái)處理光譜數(shù)據(jù)，實(shí)驗(yàn)測(cè)量時(shí)要避開(kāi)表面凹陷、傷疤及污點(diǎn)等地方，因藍(lán)莓果實(shí)較小，測(cè)定SSC和TA時(shí)采用四果同時(shí)掃描，盡量將透光孔遮住，在Slurry Cup上藍(lán)莓果實(shí)均豎放，避開(kāi)果蒂進(jìn)行光譜掃描。

1.2.3 SSC測(cè)定方法 將標(biāo)記的25組藍(lán)莓先進(jìn)行近紅外光譜掃描，然后分別用雙層紗布擠汁到100 mL小燒杯中，搖勻，用手持折光儀測(cè)定藍(lán)莓SSC，每組重復(fù)測(cè)定3次，取平均值作為實(shí)測(cè)值。每次實(shí)驗(yàn)共25組，整個(gè)實(shí)驗(yàn)做8次，共200組實(shí)驗(yàn)數(shù)據(jù)。

1.2.4 TA測(cè)定方法 取上述汁液0.3 mL，用30 mL的蒸餾水稀釋?zhuān)瑩u勻，用糖-酸測(cè)定儀進(jìn)行電化學(xué)測(cè)定，每組重復(fù)3次，取平均值作為實(shí)測(cè)值。

1.3 光譜數(shù)據(jù)處理與分析

為了提高所建模型的準(zhǔn)確性，使用WinISI4定標(biāo)軟件，對(duì)藍(lán)莓原始光譜進(jìn)行濾波和平滑處理，以消除無(wú)關(guān)信息及噪聲，提取有效信息。作者采用偏最小二乘法（PLS）、改進(jìn)偏最小二乘法（MPLS）結(jié)合藍(lán)莓光譜的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)光譜處理方法建立藍(lán)莓SSC、TA的模型，并分析不同的平滑處理對(duì)藍(lán)莓SSC、TA定標(biāo)模型的影響。然后再用未參與定標(biāo)的未知樣品對(duì)最優(yōu)定標(biāo)模型進(jìn)行驗(yàn)證，評(píng)價(jià)模型的可行性。實(shí)驗(yàn)所建定標(biāo)模型以交互驗(yàn)證相關(guān)系數(shù)（R）和交互驗(yàn)證誤差（SECV）作為評(píng)價(jià)指標(biāo)。預(yù)測(cè)模型則通過(guò)預(yù)測(cè)相關(guān)系數(shù) （R）、預(yù)測(cè)標(biāo)準(zhǔn)誤差（SEP）以及相對(duì)分析誤差（RPD）評(píng)價(jià)所建模型的精確性。

2 結(jié)果與討論

2.1 藍(lán)莓SSC、TA標(biāo)準(zhǔn)實(shí)測(cè)值

藍(lán)莓在貯藏期間，隨貯藏時(shí)間的延長(zhǎng)，藍(lán)莓中的化學(xué)成分在相關(guān)酶的作用下發(fā)生變化，導(dǎo)致果實(shí)中含氫官能團(tuán)變化，而近紅外光譜測(cè)量的主要是含氫基團(tuán)X-H（X=C、N、O、S等）振動(dòng)的倍頻及合頻吸收，因此，可用近紅外光譜技術(shù)檢測(cè)藍(lán)莓果實(shí)的品質(zhì)。

表1是藍(lán)莓SSC、TA定標(biāo)集和預(yù)測(cè)集的實(shí)測(cè)結(jié)果。定標(biāo)集用來(lái)建立數(shù)學(xué)模型，應(yīng)具有代表性，其組成要包含待測(cè)樣品所包含的所有化學(xué)組分，其變化范圍應(yīng)大于待測(cè)樣品的變化范圍。由表可知，樣品預(yù)測(cè)集的含量范圍都在定標(biāo)集范圍內(nèi)，作者所測(cè)樣品可以用于建立藍(lán)莓SSC、TA的近紅外模型。

表1 藍(lán)莓SSC、TA實(shí)測(cè)結(jié)果Table1 SSC and TA of blueberry

2.2 藍(lán)莓近紅外原始光譜

圖1為低溫貯藏期間藍(lán)莓近紅外掃描原始吸收光譜圖。從圖中可知，在波長(zhǎng)680、975、1 186、1 448、1 916 nm處有顯著的吸收峰。通過(guò)WinISI4定標(biāo)軟件分析可知，975 nm和1 186 nm處的吸收峰主要是因?yàn)樗趾康牟町愐鸬模@說(shuō)明水分含量的多少對(duì)藍(lán)莓的近紅外光譜影響很大；第一個(gè)吸收峰680 nm處主要是由于葉綠素對(duì)光的吸收造成的；而吸收峰1 448 nm附近主要是C-H、-CH2鍵發(fā)生變化導(dǎo)致的。水果成分的基本化學(xué)基團(tuán)C-H 和O-H的倍頻吸收譜帶就在這個(gè)吸收峰附近。所以，不同時(shí)間貯藏的藍(lán)莓能提供豐富的光譜信息，通過(guò)化學(xué)計(jì)量學(xué)提取有效的光譜信息，因此，應(yīng)用近紅外建立藍(lán)莓可溶性固形物和總酸的定量分析模型具有可行性。

2.3 SSC、TA最佳光譜預(yù)處理方法的確定

NIRS采集藍(lán)莓SSC和TA原始光譜時(shí)會(huì)受到與樣品本身結(jié)構(gòu)組成無(wú)關(guān)信息的干擾，還可能受到外界溫度、環(huán)境條件、儀器狀態(tài)等因素的影響，而且樣品中不同成分間的相互干擾也有可能會(huì)導(dǎo)致光譜重疊。光譜預(yù)處理［15］的目的是通過(guò)對(duì)光譜的適當(dāng)處理或變換，減弱甚至是消除這些非目標(biāo)因素的影響，盡可能去除無(wú)關(guān)信息變量，提高其分辨率和靈敏度，從而提高校正模型的預(yù)測(cè)能力和穩(wěn)定性。

圖1 藍(lán)莓果實(shí)近紅外掃描原始光譜圖Fig.1 Original spectrum of blueberries by NIRS

2.3.1 SSC最佳光譜預(yù)處理方法的確定 SSC采用PLS法結(jié)合不同的光譜預(yù)處理，通過(guò)比較找到最優(yōu)模型。在全波長(zhǎng)范圍內(nèi)比較了一階導(dǎo)數(shù) （D1 lg（1/ R））、二階導(dǎo)數(shù) （D2 lg（1/R））和標(biāo)準(zhǔn)正常化處理（SNV）、去散射處理（Detrend）、標(biāo)準(zhǔn)正?；c去散射結(jié)合處理（SNV and Detrend）、標(biāo)準(zhǔn)多元離散校正（SMSC）和加權(quán)多元離散校正（WMSC）相結(jié)合的處理方法對(duì)SSC模型的影響。不同光譜預(yù)處理方法建模結(jié)果如表2。

光譜的一階導(dǎo)數(shù)（D1 lg（1/R））和二階導(dǎo)數(shù)（D2 lg（1/R））是近紅外光譜分析中最常用的基線(xiàn)校正和光譜分辨預(yù)處理方法。由表可知，SECV差異不明顯，但一階導(dǎo)數(shù)的R略大于二階導(dǎo)數(shù)的R，主要是因?yàn)楣庾V采集時(shí)存在基線(xiàn)漂移，一階導(dǎo)數(shù)不僅能更好的消除儀器背景的干擾和基線(xiàn)漂移，還能去除樣品不同組分之間相互干擾造成的光譜重疊現(xiàn)象，使光譜中的有用信息更加清晰的顯示出來(lái)，具有更清晰的光譜輪廓變化和分辨率。因此，采用PLS+D1 lg（1/R）+WMSC的光譜預(yù)處理方法建立的SSC定標(biāo)模型效果最好，其 SECV為 0.271，R為0.864。

表2 SSC法不同預(yù)處理的定標(biāo)結(jié)果Table2 Calibration results of models constructed by different pretreatment（SSC）

2.3.2 TA最佳光譜預(yù)處理方法的確定 TA采用MPLS法，表3是TA采用9種不同的預(yù)處理方法所建模型的結(jié)果，通過(guò)比較交互驗(yàn)證相關(guān)系數(shù)（Rcv2）和交互驗(yàn)證誤差（SECV）確定最優(yōu)模型。

表3 TA法不同預(yù)處理的定標(biāo)結(jié)果Table3 Calibration results of models constructed by different pretreatment（TA）

二階導(dǎo)數(shù)雖然能有效地消除其它背景和基線(xiàn)的干擾，提高分辨率和靈敏度，但是它同時(shí)可能引入了噪聲，使信噪比降低。在使用預(yù)處理時(shí)，光譜差分寬度的選擇非常重要，如選擇的差分寬度太小，噪聲就會(huì)很大，影響所建定標(biāo)模型的質(zhì)量；反之，如果選擇的差分寬度太大，再結(jié)合過(guò)度平滑，就可能使大量的細(xì)節(jié)信息流失。因此，基線(xiàn)校正要與光譜平滑緊密配合才能提高所建模型的準(zhǔn)確性。由表3可知，TA最優(yōu)的光譜預(yù)處理方法是MPLS+二階導(dǎo)數(shù)+WMSC，其SECV為0.034，R為0.882。

在TSS和TA最優(yōu)光譜預(yù)處理的條件下，討論了波長(zhǎng)對(duì)模型的影響。其中在波長(zhǎng)408～1 092.8 nm范圍內(nèi)，TSS和TA的SECV分別為0.360和0.035，R分別為0.704和0.733；在波長(zhǎng)1 108～2 492.8 nm范圍內(nèi)，TSS和 TA的SECV分別為 0.522和0.058，R分別為0.373和0.267，通過(guò)比較，結(jié)果表明TSS和TA在全波長(zhǎng)400～2 500 nm范圍內(nèi)建模效果最好。

2.4 定標(biāo)模型的驗(yàn)證

為了驗(yàn)證模型的可靠性和穩(wěn)定性，用未知的40個(gè)樣品對(duì)模型進(jìn)行驗(yàn)證。結(jié)果如圖2、圖3。預(yù)測(cè)結(jié)果表明，SSC的 R為 0.851 8，SEP為 0.351，RPD為2.05；TA的R為0.8776，SEP為0.042，RPD為2.10。

圖2 藍(lán)莓SSC實(shí)測(cè)值與預(yù)測(cè)值的相關(guān)性Fig.2 Correlation between predicted values of optimized model and actual values of blueberry SSC

圖3 藍(lán)莓TA實(shí)測(cè)值與預(yù)測(cè)值的相關(guān)性Fig.3 Correlation between predicted values of optimized model and actual values of blueberry TA

由于藍(lán)莓果實(shí)較小，4果掃描取平均光譜，其果實(shí)間的差異可能會(huì)導(dǎo)致光譜偏差較大；化學(xué)測(cè)量值作為基礎(chǔ)數(shù)據(jù)，其準(zhǔn)確性是影響近紅外光譜分析結(jié)果的一個(gè)重要因素，基礎(chǔ)數(shù)據(jù)越準(zhǔn)確，所建模型的精度就越高，其對(duì)未知樣品的預(yù)測(cè)結(jié)果也越準(zhǔn)確。實(shí)驗(yàn)用常規(guī)方法測(cè)定藍(lán)莓SSC和TA時(shí)，雖然重復(fù)測(cè)定提高了準(zhǔn)確性，但是仍然存在誤差，從而導(dǎo)致近紅外通過(guò)基礎(chǔ)數(shù)據(jù)建立的模型其預(yù)測(cè)相關(guān)系數(shù)較低。

3 結(jié)語(yǔ)

果實(shí)在貯藏期間，SSC和TA是反映果實(shí)成熟度的重要指標(biāo)。作者在400～2 500 nm全波長(zhǎng)范圍內(nèi)對(duì)藍(lán)莓可溶性固形物和總酸質(zhì)量分?jǐn)?shù)建立了近紅外無(wú)損檢測(cè)模型。結(jié)果表明，藍(lán)莓SSC和TA定標(biāo)模型的相關(guān)系數(shù)R分別為0.864 0和0.881 8，定標(biāo)標(biāo)準(zhǔn)誤差（SEC）分別為0.269和0.031，預(yù)測(cè)相關(guān)系數(shù)R分別為0.851 8和0.877 6，預(yù)測(cè)標(biāo)準(zhǔn)誤差（SEP）分別為0.351和0.042，RPD分別為2.05和2.10。因此，作者所建的模型僅能進(jìn)行粗略的定量分析，今后應(yīng)進(jìn)一步研究和完善藍(lán)莓可溶性固形物和總酸含量的近紅外快速無(wú)損檢測(cè)模型。

［1］李穎.我國(guó)藍(lán)莓物流流程研究［D］.長(zhǎng)春：吉林農(nóng)業(yè)大學(xué)，2008.

［2］馬廣，傅霞萍，周瑩，等.大白桃糖度的近紅外漫反射光譜無(wú)損檢測(cè)試驗(yàn)研究［J］.光譜學(xué)與光譜分析，2007，27（5）：907-910. MA Guang，F(xiàn)U Xiaping，ZHOU Ying，et al.Nondestructive sugar content determination of peaches by using near infrared spectroscopy technique［J］.Spectroscopy and Spectral Analysis，2007，27（5）：907-910.（in Chinese）

［3］TEERACHAICHAYUT S，TERDWONGWORAKUL A，Thanapase W，et al.Non-destructive prediction of hardening pericarp disorder in intact mangosteen by near infrared transmittance spectroscopy［J］.Journal of Food Engineering，2011，106（3）：206-211.

［4］LOUW E D，KAREN 1.Robust prediction models for quality parameters in Japanese plums（Prunus salicina L.）using NIR spectroscopy［J］.Postharvest Biology and Technology，2010，58：176-184.

［5］張鵬，李江闊，陳紹慧，等.磨盤(pán)柿褐變指標(biāo)的可見(jiàn)/近紅外漫反射無(wú)損預(yù)測(cè)研究［J］.食品與生物技術(shù)學(xué)報(bào)，2012，31（11）：1673-1689. ZHANG Peng，LI Jiangkuo，CHEN Shaohui，et al.Research on nondestructive measurement of browning indexes of mopan persimmon using visible and near infrared diffuse reflection spectroscopy［J］.Journal of Food Science and Biotechnology，2012，31（11）：1673-1689.

［6］MOGHIMI A，AGHKHANI M H，SAZGARNIA A.Vis/NIR spectroscopy and chemometrics for the prediction of soluble solids content and acidity（pH）of kiwifruit［J］.Biosystems Engineering，2010，106：295-302.

［7］孫炳新，匡立學(xué)，徐方旭，等.蘋(píng)果有效酸度的近紅外無(wú)損檢測(cè)研究［J］.食品工業(yè)科技，2013，15：298-301. SUN Bingxin，KUANG Lixue，XU Fangxu，et al.Nondestructive measurement of pH in apples using near infrared spectroscopy ［J］.Science and Technology of Food Industry，2013，15：298-301.（in Chinese）

［8］SON J R，LEE K J，KANG S W，et al.Development of prediction model for sugar content of strawberry using NIR spectroscopy ［J］.Food Engineering Progress，2009，13（4）：297-301.

［9］唐長(zhǎng)波，方立剛.黃桃可溶性固形物的近紅外漫反射光譜檢測(cè)［J］.江蘇農(nóng)業(yè)科學(xué)，2013，41（11）：331-333. TANG Changbo，F(xiàn)ANG Ligang.Detection of soluble solids of Yellow peach by near-infrared diffuse reflection［J］.Jiangsu Agricultural Sciences，2013，41（11）：331-333.（in Chinese）

Non-Destructive Testing of Soluble Solids and Total Acidity in Blueberry by Near-Infrared Diffuse Reflectance Spectroscope

LIU Xiaolu1， XUE Lu*1， LU Xiaoxiang1， ZHANG Peng2， CHEN Shaohui2， LI Jiangkuo2
（1.College of Biotechnology and Food Science/Tianjin Key Laboratory of Food Biotechnology，Tianjin University of Commerce，Tianjin 300134，China；2.National Engineering and Technology Research Center for Preservation of Agricultural Products/Tianjin Key Laboratory of Postharvest Physiology and Storage of Agricultural Products，Tianjin 300384，China）

The purpose of this research is to establish mathematical model between near infrared diffuse reflection （NIR）spectroscopy and soluble solids and total acidity in blueberry，and to evaluate its application value.The influence of different spectral preprocessing methods on the model was compared in the spectral region between 400～2500 nm.The results showed that the calibration model with the partial least squares（PLS），the first derivative D1lg（1/R）and weighted multiple scatter correction（WMSC）could provide better prediction performance for SSC，with the correlation coefficient of prediction（Rp2）of 0.8518 and the root mean square error of prediction（SEP）of 0.351 and relative percent deviation of prediction（RPD）of 2.05.The best model of total acidity is the modified partial least squares（MPLS）model，the second derivative D2lg（1/R）and WMSC，with the correlation coefficient of prediction（Rp2）of 0.8776 and the root mean square error of prediction（SEP）of 0.042and relative percent deviation of prediction（RPD）of 2.10.So the near-infrared diffuse reflectance spectroscope can be used for fast nondestructive measurement of soluble solids and total acidity in blueberry.

blueberry，near infrared reflection spectroscopy，soluble solid content（SSC），total acidity，non-destructive testing

TS 207.3

A

1673—1689（2016）07—0752—05

2015-01-13

國(guó)家“十二五”科技支撐計(jì)劃項(xiàng)目（2012BAD38B01）；天津市創(chuàng)新團(tuán)隊(duì)項(xiàng)目（TD12-5049）。

薛 璐（1976—），女，天津人，工學(xué)博士，副教授，碩士研究生導(dǎo)師，主要從事農(nóng)產(chǎn)品加工與貯藏研究。E-mail：xuelu@tjcu.edu.cn