生鮮紫薯花青素等多品質(zhì)參數(shù)的可見(jiàn)-近紅外快速無(wú)損檢測(cè)

卜曉樸，彭彥昆，王文秀，王 凡，房曉倩，李永玉*

紫薯原名川山紫，又名紫薯、紫紅薯[1]，是近幾年發(fā)展起來(lái)的一種新型紅薯類，富含強(qiáng)效自由基花青素。紫薯花青素具有抗氧化[2]、保護(hù)肝臟[3-4]、抗突變[5]、降血脂[6]等多種生理功能，較其他同類花青素，如葡萄花青素、李花青素和黑米花青素的理化性質(zhì)穩(wěn)定[7]，且具有顯著的生物學(xué)活性[8]，是目前世界上公認(rèn)的防治疾病﹑維護(hù)人類健康最直接最有效的抗氧化劑[9]，其應(yīng)用前景和經(jīng)濟(jì)效益日益受到人們的重視。人們對(duì)紫薯營(yíng)養(yǎng)價(jià)值和藥用價(jià)值的深入研究，大大促進(jìn)了紫薯加工業(yè)的發(fā)展，并對(duì)紫薯原料快速檢測(cè)分選提出了新的要求?？梢?jiàn)-近紅外光譜作為一種非破壞性分析技術(shù)，具有檢測(cè)成本低、速度快、不損傷樣品等優(yōu)點(diǎn)[10-14]。在紫薯的眾多內(nèi)部品質(zhì)指標(biāo)中，除花青素這一重要營(yíng)養(yǎng)成分外，還有對(duì)紫薯的風(fēng)味口感起著重要作用的可溶性固形物（soluble solid contents，SSC）和總糖（total sugars，TS）等指標(biāo)，它們是評(píng)價(jià)紫薯內(nèi)部品質(zhì)的重要成分?？梢?jiàn)-近紅外光譜作為一種快速無(wú)損檢測(cè)技術(shù)，已應(yīng)用于多種果蔬SSC、TS等品質(zhì)指標(biāo)的檢測(cè)分選[15]，但目前對(duì)花青素的檢測(cè)研究主要集中在高效液相色譜法[16]、可見(jiàn)分光光度法[17]、pH值示差法[18]等，這些方法不僅耗時(shí)、費(fèi)力，還會(huì)對(duì)待測(cè)樣品在一定程度上造成損傷。曹海燕等[19]基于近紅外光譜技術(shù)對(duì)紫薯半干面中的成分進(jìn)行了快速檢測(cè)研究。目前還鮮見(jiàn)基于可見(jiàn)-近紅外的生鮮紫薯花青素多品質(zhì)參數(shù)快速無(wú)損檢測(cè)的相關(guān)研究報(bào)道。

本研究基于實(shí)驗(yàn)室自行搭建的可見(jiàn)-近紅外光譜系統(tǒng)，以市售寧紫4號(hào)生鮮紫薯為研究對(duì)象，探討寧紫4號(hào)生鮮紫薯的花青素、SSC以及TS的同時(shí)快速無(wú)損檢測(cè)方法，為生鮮紫薯加工業(yè)的原料檢測(cè)分選提供技術(shù)支持。

1 材料與方法

1.1 材料

紫薯樣品寧紫4號(hào)生鮮紫薯分6 批次購(gòu)于北京清河鎮(zhèn)農(nóng)副產(chǎn)品交易市場(chǎng)中心，選取表面光滑、無(wú)蟲(chóng)眼、無(wú)傷痕、大小均勻的紫薯樣品52 個(gè)，以3∶1的比例隨機(jī)分為校正集和預(yù)測(cè)集，使不同批次樣品隨機(jī)分布在校正集和預(yù)測(cè)集中。平均每個(gè)紫薯的質(zhì)量在100～130 g范圍內(nèi)，長(zhǎng)度在8～15 cm范圍內(nèi)，將其用流動(dòng)水清洗干凈，同時(shí)保證清洗過(guò)程中不會(huì)損傷表皮，將清洗后的紫薯擦干后置于室溫放置1 d，以消除其表面溫度對(duì)光譜的采集造成影響。

1.2 儀器與設(shè)備

實(shí)驗(yàn)室自行搭建的可見(jiàn)-近紅外光譜采集系統(tǒng)包括AvaSpec-2048x14可見(jiàn)-近紅外光纖光譜儀、AvaLight-HAL光纖鹵鎢燈點(diǎn)光源（波長(zhǎng)范圍為360～2 500 nm，功率10 W）、FCR-71R400-2-ME反射探頭，均購(gòu)自荷蘭Avantes公司。該系統(tǒng)波長(zhǎng)范圍為300～1 100 nm，光譜分辨率為0.04 nm。

Leng Gyang Teck 759S紫外-可見(jiàn)分光光度計(jì) 上海雙旭電子有限公司；ME204/02萬(wàn)分之一電子天平梅特勒-托利多儀器（上海）有限公司；RA-620數(shù)字折光儀 可睦電子（上海）商貿(mào)有限公司；KQ3200DE數(shù)控超聲波清洗器 昆山市超聲儀器有限公司。

1.3 方法

1.3.1 光譜的采集

先將光譜儀和光源預(yù)熱30 min，待其穩(wěn)定后進(jìn)行光譜采集，避免因系統(tǒng)不穩(wěn)定而對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生影響。先以四氟乙烯白板為標(biāo)準(zhǔn)參比采集參比光譜和暗電流光譜，并對(duì)儀器進(jìn)行校正。在紫薯樣品赤道部位選取3 個(gè)檢測(cè)點(diǎn)，固定探頭與樣品之間的距離為5 mm，設(shè)置積分時(shí)間為3.98 ms、平均次數(shù)為100 次、平滑次數(shù)為3 次，用AvaSoft 7.8軟件進(jìn)行光譜采集。以赤道光滑部位3 個(gè)檢測(cè)點(diǎn)的平均光譜作為樣品的原始光譜曲線。

1.3.2 樣品理化值的測(cè)定

根據(jù)可見(jiàn)分光光度法[17]，利用紫外-可見(jiàn)分光光度計(jì)測(cè)定紫薯樣品中花青素含量，每個(gè)樣品測(cè)3 次取平均作為該樣品花青素含量標(biāo)準(zhǔn)理化值。

將紫薯去皮破碎擠出汁液，利用數(shù)字折光儀測(cè)定紫薯樣品中SSC含量，每個(gè)樣品測(cè)3 次取平均作為該樣品SSC含量標(biāo)準(zhǔn)理化值。

根據(jù)硫酸-苯酚比色法[20]，利用紫外-可見(jiàn)分光光度計(jì)測(cè)定紫薯樣品中TS含量，每個(gè)樣品測(cè)3 次取平均作為該樣品TS含量標(biāo)準(zhǔn)理化值。

1.3.3 光譜預(yù)處理及建模方法

用Matlab R2013a軟件對(duì)采集的光譜數(shù)據(jù)分別進(jìn)行SG（Savitzky-Golay）15點(diǎn)卷積平滑、標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variable transform，SNV）、SG 15點(diǎn)卷積平滑結(jié)合一階求導(dǎo)預(yù)處理，然后用偏最小二乘回歸（partial least square regression，PLSR）法分別建立紫薯各品質(zhì)參數(shù)的預(yù)測(cè)模型。針對(duì)各參數(shù)最佳預(yù)處理結(jié)果采用競(jìng)爭(zhēng)性自適應(yīng)加權(quán)（competitive adaptive reweighted sampling，CARS）算法進(jìn)行波長(zhǎng)優(yōu)選[21-24]，來(lái)簡(jiǎn)化模型和提高模型預(yù)測(cè)精確度和穩(wěn)定性。根據(jù)所篩選波長(zhǎng)用PLS方法再對(duì)各品質(zhì)參數(shù)進(jìn)行建模分析。

2 結(jié)果與分析

2.1 紫薯可見(jiàn)-近紅外光譜預(yù)處理

圖1 紫薯原始光譜曲線及預(yù)處理后的光譜曲線Fig. 1 Original and pretreated spectra

利用實(shí)驗(yàn)室自行搭建的可見(jiàn)-近紅外光譜系統(tǒng)分別采集了52 個(gè)紫薯樣品的反射光譜曲線，因采集的光譜曲線兩端信號(hào)較弱且噪聲較大，保留了波長(zhǎng)350～1 100 nm范圍內(nèi)的光譜信息，如圖1a所示。為消除高頻隨機(jī)噪聲、儀器漂移等對(duì)樣本的影響，需要對(duì)原始光譜進(jìn)行預(yù)處理[25]，常用平滑處理來(lái)濾除各種因素產(chǎn)生的隨機(jī)噪聲[26]，SG 15 點(diǎn)卷積平滑后光譜曲線如圖1b所示，經(jīng)SG 15 點(diǎn)平滑后的光譜曲線可以很好地濾除隨機(jī)噪聲，同時(shí)也有效保留了在原始光譜中出現(xiàn)的特征峰。紫薯原始光譜和SG 15 點(diǎn)卷積平滑光譜曲線均在波長(zhǎng)410 nm出現(xiàn)了花青素的特征峰[27]，波長(zhǎng)978 nm附近出現(xiàn)了水分的特征峰[28]。52 個(gè)紫薯原始光譜經(jīng)SNV預(yù)處理后的光譜曲線如圖1c所示，SNV預(yù)處理主要用于校正光譜的散射，既可以有效消除光強(qiáng)衰弱等引起的噪聲，也可使原始光譜數(shù)據(jù)標(biāo)準(zhǔn)正態(tài)化[29]，不僅原始光譜中出現(xiàn)的兩處特征峰更為顯著，同時(shí)也很好地保留了紫薯全波段的光譜信息。SG 15點(diǎn)卷積平滑結(jié)合一階求導(dǎo)預(yù)處理光譜曲線如圖1d所示，一階導(dǎo)數(shù)光譜可以獲得原始光譜形態(tài)變化信息，同時(shí)可以強(qiáng)化原始光譜中隱藏在較寬吸收頻帶的微小特征峰，增強(qiáng)極值點(diǎn)、拐點(diǎn)等局部位置光譜反射率對(duì)內(nèi)部成分含量等變化的響應(yīng)差異[30]。經(jīng)一階求導(dǎo)處理后，不僅原始光譜中出現(xiàn)的特征峰更加明顯，同時(shí)，在波長(zhǎng)670 nm和878 nm附近也出現(xiàn)了新的特征峰。根據(jù)相關(guān)研究報(bào)道可知，經(jīng)一階求導(dǎo)處理后的原始光譜形態(tài)信息中波長(zhǎng)978 nm處為糖類的特征吸收峰[28]，波長(zhǎng)670 nm處的特征峰與色素的吸收有關(guān)[31]，波長(zhǎng)878 nm處為淀粉的特征吸收峰[28]。

2.2 紫薯各品質(zhì)參數(shù)預(yù)測(cè)模型建立

2.2.1 全波段預(yù)測(cè)模型建立

表1 紫薯不同預(yù)處理方法的預(yù)測(cè)結(jié)果Table 1 Results of calibration and prediction with different preprocessing methods

52 個(gè)紫薯樣品反射光譜曲線分別進(jìn)行SG 15 點(diǎn)卷積平滑、SNV以及SG 15 點(diǎn)卷積平滑結(jié)合一階求導(dǎo)預(yù)處理后，用PLSR進(jìn)行了建模分析。如表1所示，對(duì)于花青素和TS而言，原始光譜數(shù)據(jù)均為采用SG 15 點(diǎn)卷積平滑結(jié)合一階求導(dǎo)預(yù)處理后模型預(yù)測(cè)效果最佳?；ㄇ嗨仡A(yù)測(cè)模型的校正集相關(guān)系數(shù)（Rc）和預(yù)測(cè)集相關(guān)系數(shù)（Rp）分別為0.853 6和0.850 4，校正均方根誤差（root mean square error of calibration，RMSEC）和預(yù)測(cè)均方根誤差（root mean square error of prediction，RMSEP）分別為0.338 3 mg/g和0.490 6 mg/g；TS預(yù)測(cè)模型的校正集和預(yù)測(cè)集相關(guān)系數(shù)分別為0.854 9和0.830 6，RMSEC和RMSEP分別為0.401 9%和0.414 0%。這可能是由于與其他預(yù)處理方法相比，經(jīng)SG 15 點(diǎn)卷積平滑結(jié)合一階求導(dǎo)預(yù)處理后，光譜曲線在波長(zhǎng)410 nm處花青素特征峰和波長(zhǎng)978 nm處糖類特征峰最為顯著有關(guān)。對(duì)于SSC而言，原始光譜經(jīng)SNV預(yù)處理后的預(yù)測(cè)模型效果最佳。SSC預(yù)測(cè)模型的Rc和Rp分別為0.914 1和0.852 4，RMSEC和RMSEP分別為0.758 0 °Brix和1.082 9 °Brix。這可能是由于SSC包含所有能溶于水的化合物，如可溶性糖、可溶性酸、水溶性維生素以及礦物質(zhì)等，而經(jīng)SNV預(yù)處理后的光譜曲線與其他預(yù)處理方法相比較好地保留了整個(gè)波段的樣品信息。

2.2.2 基于CARS算法優(yōu)選特征波長(zhǎng)后的建模分析

圖2 紫薯花青素變量篩選圖Fig. 2 Variable selection for anthocyanin

根據(jù)紫薯花青素、SSC以及TS的全波段建模結(jié)果，針對(duì)各參數(shù)最佳預(yù)處理光譜采用CARS進(jìn)行波長(zhǎng)篩選?；贑ARS算法對(duì)花青素品質(zhì)參數(shù)進(jìn)行特征波長(zhǎng)提取的過(guò)程如圖2所示。隨著運(yùn)行次數(shù)的增多保留波長(zhǎng)數(shù)逐漸減少。在1～29 次運(yùn)行過(guò)程中，與花青素?zé)o關(guān)的變量被剔除，交互驗(yàn)證均方根誤差（root mean square error of cross validation，RMSECV）不斷降低，隨著重采樣次數(shù)的不斷增加，RMSECV的值開(kāi)始上升，這是因?yàn)樵谶\(yùn)行29 次之后會(huì)剔除掉與花青素相關(guān)的變量。

表2 用CARS算法篩選出的紫薯各品質(zhì)參數(shù)特征波長(zhǎng)Table 2 Wavelength selection for each quality parameter

如表2所示，根據(jù)RMSECV最小原則，最終選擇的采樣次數(shù)為29 次，波長(zhǎng)變量數(shù)為28 個(gè)，篩選后的大多變量集中在花青素特征峰波長(zhǎng)410 nm附近，同理，對(duì)SSC和TS依次進(jìn)行特征波長(zhǎng)的篩選，SSC RMSECV最小時(shí)的運(yùn)行次數(shù)為28 次，此時(shí)保留的SSC的波長(zhǎng)變量數(shù)為37 個(gè)，大多均勻分布在690～1 100 nm范圍內(nèi)。TS RMSECV最小時(shí)的運(yùn)行次數(shù)為27 次，此時(shí)保留的TS的波長(zhǎng)變量數(shù)為42 個(gè)，篩選后的大多數(shù)變量集中在糖類特征峰附近，即波長(zhǎng)900～1 100 nm范圍內(nèi)。

圖3 寧紫4號(hào)生鮮紫薯花青素（A）、SSC（B）和TS（C）校正集和預(yù)測(cè)集的模型結(jié)果Fig. 3 Relationships between predicted and true values of anthocyanin (A), SSC (B) and TS (C)

基于CARS算法篩選出各品質(zhì)的特征波長(zhǎng)，用PLSR方法對(duì)紫薯各品質(zhì)參數(shù)建立了預(yù)測(cè)模型?；ㄇ嗨匦Ｕ皖A(yù)測(cè)集的模型結(jié)果如圖3A所示，模型相關(guān)系數(shù)分別為0.947 7和0.942 1，均方根誤差分別為0.206 2 mg/g和0.225 9 mg/g；SSC校正集和預(yù)測(cè)集的模型結(jié)果如圖3B所示，模型相關(guān)系數(shù)分別為0.947 0和0.943 1，均方根誤差分別為0.600 6 °Brix和0.878 7 °Brix；TS校正集和預(yù)測(cè)集的模型結(jié)果如圖3C所示，模型相關(guān)系數(shù)分別為0.955 5和0.925 3，均方根誤差分別為0.140 0%和0.244 3%。基于CARS算法篩選特征波長(zhǎng)后的預(yù)測(cè)模型結(jié)果顯著優(yōu)于全波段建模結(jié)果，模型也更加穩(wěn)定。這是因?yàn)镃ARS算法有效剔除了光譜信息中與紫薯待測(cè)品質(zhì)參數(shù)無(wú)關(guān)的變量，從而顯著提高了紫薯各品質(zhì)參數(shù)預(yù)測(cè)模型的預(yù)測(cè)效果。結(jié)果說(shuō)明，基于實(shí)驗(yàn)室自行搭建的可見(jiàn)-近紅外光譜系統(tǒng)，可以實(shí)現(xiàn)對(duì)不同批次寧紫4號(hào)生鮮紫薯的花青素、SSC以及TS的同時(shí)快速無(wú)損檢測(cè)。

2.3 模型驗(yàn)證

圖4 寧紫4號(hào)生鮮紫薯各品質(zhì)參數(shù)的模型驗(yàn)證結(jié)果Fig. 4 Model validation results for quality parameters of ‘Ningzi 4’ cultivar

為驗(yàn)證所建模型的穩(wěn)定性以及適用性，基于已建立的花青素、SSC以及TS的預(yù)測(cè)模型預(yù)測(cè)與建模樣品無(wú)關(guān)的10 個(gè)紫薯的花青素、SSC以及TS含量。同時(shí)，采用常規(guī)檢測(cè)法檢測(cè)10 個(gè)樣品的花青素、SSC以及TS的標(biāo)準(zhǔn)理化值，并與預(yù)測(cè)模型結(jié)果進(jìn)行比較分析。如圖4所示，生鮮紫薯花青素的標(biāo)準(zhǔn)理化值與預(yù)測(cè)值的相關(guān)系數(shù)為0.835 4，RMSEP為0.443 1 mg/g；SSC的標(biāo)準(zhǔn)理化值與預(yù)測(cè)值的相關(guān)系數(shù)為0.832 4，RMSEP為1.322 4 °Brix；TS的標(biāo)準(zhǔn)理化值與預(yù)測(cè)值的相關(guān)系數(shù)為0.848 6，RMSEP為0.444 2%。結(jié)果表明，實(shí)驗(yàn)所建立的預(yù)測(cè)模型可以實(shí)現(xiàn)對(duì)不同批次生鮮紫薯的花青素、SSC以及TS的快速無(wú)損檢測(cè)。

3 結(jié) 論

本實(shí)驗(yàn)以市售寧紫4號(hào)生鮮紫薯為研究對(duì)象，探討了基于可見(jiàn)-近紅外光譜的生鮮紫薯花青素、SSC以及TS的同時(shí)快速無(wú)損檢測(cè)方法。將52 個(gè)生鮮紫薯原始光譜曲線分別進(jìn)行SG 15 點(diǎn)卷積平滑、SNV以及SG 15 點(diǎn)卷積平滑結(jié)合一階求導(dǎo)預(yù)處理，再用PLSR方法對(duì)紫薯各品質(zhì)參數(shù)進(jìn)行了建模分析。對(duì)于花青素和TS而言，經(jīng)SG 15 點(diǎn)卷積平滑結(jié)合一階求導(dǎo)預(yù)處理后光譜在波長(zhǎng)410 nm處花青素特征峰和波長(zhǎng)978 nm處糖類特征峰最為顯著模型預(yù)測(cè)效果最佳?；ㄇ嗨仡A(yù)測(cè)模型Rc和Rp分別為0.853 6和0.850 4，RMSEC和RMSEP分別為0.338 3 mg/g和0.490 6 mg/g；TS預(yù)測(cè)模型Rc和Rp分別為0.854 9和0.830 6，RMSEC和RMSEP分別為0.401 9%和0.414 0%。對(duì)于SSC而言，經(jīng)SNV預(yù)處理的光譜曲線較好保留了整個(gè)波段樣品信息預(yù)測(cè)效果最好，Rc和Rp分別為0.914 1和0.852 4，RMSEC和RMSEP分別為0.758 0 °Brix和1.082 9 °Brix。針對(duì)紫薯各參數(shù)最佳預(yù)處理光譜采用CARS算法進(jìn)行了波長(zhǎng)篩選，然后再用PLSR方法對(duì)紫薯各品質(zhì)參數(shù)建立了預(yù)測(cè)模型?；ㄇ嗨仡A(yù)測(cè)模型Rc和Rp分別為0.947 7和0.942 1，均方根誤差分別為0.206 2 mg/g和0.225 9 mg/g；SSC預(yù)測(cè)模型的Rc和Rp分別為0.947 0和0.943 1，均方根誤差分別為0.600 6 °Brix和0.878 7 °Brix；TS預(yù)測(cè)模型的Rc和Rp分別為0.955 5和0.925 3，均方根誤差分別為0.140 0%和0.244 3%。采用CARS算法有效剔除了光譜信息中與紫薯品質(zhì)參數(shù)無(wú)關(guān)變量，顯著提高了紫薯各品質(zhì)參數(shù)預(yù)測(cè)模型的預(yù)測(cè)效果。結(jié)果顯示，利用可見(jiàn)-近紅外光譜完全可以實(shí)現(xiàn)對(duì)生鮮紫薯的花青素、SSC以及TS的同時(shí)快速無(wú)損檢測(cè)，對(duì)生鮮紫薯品質(zhì)的快速無(wú)損分選有著重要的實(shí)用意義。