甜柿貨架期的近紅外光譜定性判別*

王丹，魯曉翔，張鵬，李江闊，陳紹慧

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)重點實驗室，天津，300134)

2(國家農(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實驗室，天津，300384)

柿(Diospyros kaki Thumb)是我國的傳統(tǒng)特色果品，品種很多。柿子品種按口味區(qū)分為甜柿和澀柿。甜柿營養(yǎng)價值豐富、甜脆爽口，獨具風(fēng)味。但由于柿果成熟期集中，采后在短期內(nèi)極易變軟而不耐貯藏，直接影響了其流通、商品價值和生產(chǎn)者的利益。

水果貨架期是指水果結(jié)束儲藏狀態(tài)后，進入經(jīng)營環(huán)節(jié)，最終被消費者食用的流通期［1］。因此，快速判別甜柿的貨架期具有重要的意義。

近紅外無損檢測技術(shù)近年來已經(jīng)被廣泛應(yīng)用于農(nóng)產(chǎn)品內(nèi)部品質(zhì)的檢驗［2-3］、不同成熟度的檢驗［4-5］、品種及產(chǎn)地的鑒別［6-7］等。近年來國內(nèi)外學(xué)者也逐步將此技術(shù)應(yīng)用于水果的貨架期的檢測，劉輝軍［8］等對柑橘相隔10 d的不同貨架期的樣品光譜進行主成分特征提取，所建模型對樣品貨架期的預(yù)測準確率均在 90% 以上。Dolores Pérez-Marín［9］等應(yīng)用近紅外光譜技術(shù)，選取在冷庫貯藏7、14、28 d后的220個油桃果實，對其采后貨架期進行預(yù)測，能準確的預(yù)測57%～84%的樣本。但是，近紅外光譜分析技術(shù)對柿子貨架期的研究還沒有報道。因此，本研究應(yīng)用近紅外漫反射光譜技術(shù)對甜柿貨架期進行快速定性判別分析。

1 材料與方法

1.1 實驗材料

甜柿，于2012年10月16日采自北京平谷縣，采收時挑選成熟度(約為八成熟)一致、無病蟲害和機械損傷的果實，采收當(dāng)天將果實運至國家農(nóng)產(chǎn)品保鮮工程技術(shù)研究中心實驗室，用微孔袋(厚度0.02 mm)包裝。甜柿常溫貯藏(溫度15～18℃)，測定前，將果實擦干凈，排序標記后進行掃描。分別在采后10、30、50 d進行測量，每次選取30個果實。

1.2 光譜的采集

試驗使用NIRS DS2500近紅外漫反射光譜儀(丹麥Foss公司)，采用全息光柵分光系統(tǒng)，硅(400～1 100 nm)和硫化鉛(1 100～2 500 nm)檢測器用于信號采集，掃描波長范圍是400～2 500 nm，掃描方式為單波長、快速掃描，掃描次數(shù)為32次。配置Nova分析軟件和WinISI4定標軟件。測量時避開表面缺陷部位(如傷疤、污點等)，在柿果赤道線上陰陽面各取一點放在Slurry Cup上進行光譜掃描。

1.3 化學(xué)指標的測定

可溶性固形物(SSC)含量的測定:采用PAL-1數(shù)字手持折光儀(日本Atago公司)。首先用蒸餾水校正零點，將甜柿光譜檢測部位的果肉擠壓出汁，并將之滴于折光棱鏡的鏡面上直接測量(單位為°Brix)。

果實硬度測定:采用英國產(chǎn)TA.XT.plus物性測定儀測定，用果實標記的掃描點測定硬度。測試參數(shù)為:P/2柱頭(φ 2 mm)，測試模式為穿刺模式，測試速度為2.0 mm/s，測后速度為2.0 mm/s，測試距離為10.0 mm，觸發(fā)力是5.0 g。

凝聚性的測定:采用英國產(chǎn)TA.XT.plus物性測定儀，在果實光譜掃描點附近，使用內(nèi)徑14 mm的打孔器取樣，然后用切分寬度4.5 mm的雙刀切取居中部位小圓柱體試樣。測試參數(shù)為:P/75探頭(φ75 mm)，測試模式為壓縮模式，測試速度為2.0 mm/s，測后速度為2.0 mm/s，2次壓縮停頓時間為5 s，觸發(fā)力是5.0 g。

色差a值的測定:采用日本產(chǎn)CM-700 d分光測色計。

1.4 模型的建立與驗證

利用WinISI4分析軟件，對原始光譜進行有效預(yù)處理及波段的選擇，以去除噪聲和提取最有效信息。本實驗采用主成分分析(principal component analysis，PCA)的方法，這個方法能將數(shù)據(jù)降維，在不丟失主要光譜信息的前提下選擇為數(shù)較少的新變量來代替原來較多的變量，使數(shù)目較少的新變量成為原始變量的線性組合，主成分累積率越高，結(jié)果越準確。然后再用未參與定標的樣品對判別模型進行驗證，評價模型的可行性。所建立的判別模型用交互驗證相關(guān)系數(shù)(determination coefficient of cross validation，RCV)和交互驗證誤差(standard error of cross validation，SECV)作為評價指標。預(yù)測模型的質(zhì)量通過判斷正確率作為評價指標。

2 結(jié)果與分析

2.1 甜柿的原始光譜及理化數(shù)據(jù)

圖1為常溫貯藏期間甜柿的原始吸收光譜圖，可以看出，光譜在波長為 677、978、1 186、1 454 nm 的吸收峰處差異明顯。通過WinISI4軟件分析可知在第1個吸收峰677 nm處的差異，主要是因為果實紅色含量的不同。從表1可以看出，果實隨著貯藏時間的延長，紅色逐漸變深。978 nm和1 186 nm處的吸收峰主要是水分引起的，可見水分在甜柿的近紅外光譜影響很大。1 454 nm吸收峰附近主要是C—H、—CH2鍵的變化，而且水果成分的基本化學(xué)基團C—H和O—H的倍頻吸收譜帶也在這個吸收峰附近［10］，這一點蔡宋宋等在杏貯藏期間可溶性固形物和硬度的近紅外光譜檢測中也有論證［11］。因此，用化學(xué)計量學(xué)的方法提取柿子硬度、可溶性固形物和凝聚性的信息，分析其與光譜的可能聯(lián)系。通過表1可見，隨著貯藏期的延長，柿子的硬度和凝聚性的降低，可溶性固形物的升高。這說明近紅外光譜圖捕獲的信息與甜柿內(nèi)在品質(zhì)之間有著一定的變化規(guī)律。因此，本研究用近紅外漫反射光譜無損檢測甜柿的內(nèi)在品質(zhì)，對果實的貨架期進行快速定性鑒別分析。

表1 理化數(shù)據(jù)Table 1 Physical and chemical indicators

圖1 甜柿原始吸收光譜圖Fig.1 Original absorption spectrogram of the sweet persimmon at room temperature

2.2 樣品集及光譜預(yù)處理

不同樣本集樣品的個數(shù)如表2所示。其中，定標集用來建立甜柿貨架期的判別模型，驗證集用來驗證判別模型的可靠性。然后，分別對400～2 400 nm全光譜進行一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、二階導(dǎo)數(shù)和標準多元離散校正(standard multiple scatter correction，SMSC)、二階導(dǎo)數(shù)和加權(quán)多元離散校正(weighted multiple scatter correction，WMSC)、二階導(dǎo)數(shù)和標準正?；腿ド⑸涮幚?standard normal variate and detrend，SNVD)。處理后主成分累積貢獻率如表3所示，不同光譜預(yù)處理的累積貢獻率不同，只有原始光譜、一階導(dǎo)數(shù)處理、二階導(dǎo)數(shù)+SNVD處理的光譜前8個主成分的貢獻率能達到99%。其中，二階導(dǎo)數(shù)+SNVD處理的方法主成分累積貢獻率最高。因此，本實驗的判別模型選用二階導(dǎo)數(shù)+SNVD處理的光譜預(yù)處理方法。

表2 樣品集的組成Table 2 The composition of the sample collection

表3 前8個主成分累積貢獻率Table 3 8 Principal components and reliabilities

2.3 不同波段的選擇

采用二階導(dǎo)數(shù)+SNVD的方法對光譜進行預(yù)處理，然后，在不同波段范圍對90個樣本建立校正模型，結(jié)果如表4所示。

表4 不同波段的判別結(jié)果Table 4 Calibration result of different band regions

結(jié)果表明，長波近紅外1 100～2 400 nm范圍的模型判斷的正確率最高，達到96.7%。這可能是因為甜柿光譜的吸收峰都集中在長波近紅外的范圍內(nèi)，因此，甜柿貨架期的判別模型選用1 100～2 400 nm。

2.4 判別模型與預(yù)測結(jié)果

為了研究甜柿的貨架期，選取常溫貯藏10、30、50 d的柿子，采用PCA方法提取樣品光譜數(shù)據(jù)的前3個主成分，得到3維坐標空間圖，如圖2所示。

圖2 不同貯藏期的三維效果圖Fig.2 Three-dimensional renderings of different storage time

從圖2可以看出，3個不同時間貯藏的甜柿可以被完全分離開，也就說明判別模型能夠用來預(yù)測甜柿的貨架期。該模型的交互驗證相關(guān)系數(shù)(RCV)為0.8956，交互驗證誤差(SECV)為0.2074，正確分類率達到97.8%～100%。

驗證模型的可靠性，隨機選取18個不同貯藏期的果實進行檢測，結(jié)果見表5。16個正確，2個不確定，模型的預(yù)測準確率達到88.9% ～100%。

表5 采用PCA方法的統(tǒng)計結(jié)果Table 5 Statistic results of discrimination using PCA

3 結(jié)語

應(yīng)用二階導(dǎo)數(shù)結(jié)合標準正?；腿ド⑸涮幚淼墓庾V預(yù)處理方法，在1 100～2 400 nm波長內(nèi)建立判別模型效果最好。結(jié)果表明判別模型的交互驗證相關(guān)系數(shù)(RCV)為0.895 6，交互驗證誤差(SECV)為0.207 4，正確分類率達到97.8% ～100%。預(yù)測集的判斷正確率達到88.9%～100%。這說明通過光譜預(yù)處理和波段選擇，能夠提高模型的判斷準確率。以后，還可以從增大樣本的數(shù)量，增加檢測次數(shù)等方面提高和完善模型的預(yù)測準確率。

［1］ 余亞英，袁唯.食品貨架期概述及其預(yù)測［J］.中國食品添加劑，2007，3(5):77-80.

［2］ Nicolai B M，Beullens T，Bobelyn Eet，et al.Nondestructive measurement of fruit and vegetable quality by means of nir spectroscopy:a review［J］.Postharvest Biology and Technology，2007，46(2):99-118.

［3］ Xu Huirong，Qi Bing，Sun Tong，et al.Variable selection in visible and near-infrared spectra:application to online determination of sugar content in pears［J］.Journal of Food Engineering，2012，109(1):142-147.

［4］ 李永玉，趙洪衛(wèi)，常冬，等.小型西瓜果實成熟度的無損定性判別［J］.光譜學(xué)與光譜分析，2012，32(6):1 526-1 530.

［5］ Virginia González-Caballero，María-Teresa Sánchez，Juan Fernández-Novales，et al.On-vine monitoring of grape ripening using near-infrared spectroscopy［J］.Food Anal Methods，2012，5(6):1 377-1 385.

［6］ 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(1):S15-S18.

［7］ Luo Weiqi，Huan Shuangyan，F(xiàn)uHaiyanm，et al.Preliminary study on the application of near infrared spectroscopy and pattern recognition methods to classify different types of apple samples［J］.Food Chemistry，2011，128(2):555-561.

［8］ 劉輝軍，李文軍，呂進，等.近紅外光譜柑橘貨架期的快速鑒別模型-基于主成分分析神經(jīng)網(wǎng)絡(luò)［J］.農(nóng)機化研究，2009，31(5):174-176.

［9］ Dolores Pérez-Marína，María-Teresa Sánchezb，Patricia Pazb，et al.Postharvest shelf-life discrimination of nectarines produced under different irrigation strategies using NIR-spectroscopy［J］.LWT-Food Science and Technology，2011，44(6):1 405-1 414.

［10］ 陸婉珍，袁洪福，徐光通.現(xiàn)代近紅外光譜分析技術(shù)［M］.北京:中國石化出版社，2000:20-70.

［11］ 蔡宋宋，王寶剛，李文生，等.杏貯藏期間可溶性固形物和硬度的近紅外光譜檢測［J］.光譜實驗室，2010，27(3):1 186-1 189.