近紅外光譜分析技術(shù)在五類蔬菜理化特性分析中的應用

韓霜霜 張平平 童未名等

摘要 近紅外光譜技術(shù)是一種具有無損、快速、低成本等諸多特點的新型分析檢測技術(shù)，國內(nèi)外學者關(guān)于近紅外光譜技術(shù)在蔬菜理化特性檢測上的應用研究已經(jīng)持續(xù)多年。概述近年來近紅外光譜分析技術(shù)在5種不同類型的蔬菜理化特性檢測中的應用，并對其在蔬菜理化特性檢測方面的應用前景進行分析與展望，提出光譜的穩(wěn)定性對構(gòu)建的數(shù)學模型的穩(wěn)定性和適用性具有很大的影響，今后近紅外光譜分析技術(shù)的研究可以向著資源共享以提高利用率方向發(fā)展。

關(guān)鍵詞 近紅外光譜；蔬菜；理化特性；校正

中圖分類號 TS255.7 文獻標識碼

A 文章編號 0517-6611（2018）32-0014-03

Application of Nearinfrared Spectroscopy in Analysis of Physical and Chemical Properties on Five Kinds of Vegetables

HAN Shuangshuang1，ZHANG Pingping1，TONG Weiming2 et al （1.College of Agriculture and Food Science，Zhejiang A&F University，Zhejiang Provincial Agricultural Product Quality Improvement Technology Research Key Laboratory ，Biology Center of Zhejiang A & F University，Linan，Zhejiang 311300；2.Plant Protection，F(xiàn)orcasting and Soil Fretilizer Station，Agricultural and Forestry Bureau of Wucheng District in Jinhua，Jinhua，Zhejiang 321000 ）

Abstract Nearinfrared spectroscopy Technology is a new type of analysis and detection technology with many features such as nondestructive，fast and lowcost.The research on the application of nearinfrared spectroscopy in the detection of physical and chemical properties of vegetables has been conducted for many years by the scholars in the world. The application of nearinfrared spectroscopy in the detection of physical and chemical properties of these five different types of vegetables was summarized in recent years，and looked ahead its application prospects in the physical and chemical properties of vegetables.And made the point of view that the stability of the spectrum has a great influence on the stability and applicability of the mathematical model constructed and the research on nearinfrared spectroscopy technology can be developed toward resource sharing to improve the utilization rate in the future.

Key words Nearinfrared spectroscopy；Vegetable；Physicochemical properties；Calibration

基金項目

杭州市科技項目（20140932H31）；浙江省“三農(nóng)六方”項目（2045210244）；“浙江省省級現(xiàn)代種業(yè)發(fā)展工程”農(nóng)作物種質(zhì)保護項目（2015004）。

作者簡介 韓霜霜（1990—），女，安徽阜陽人，碩士研究生，研究方向：園藝作物遺傳育種。*通訊作者，吳建國，教授，博士，從事蔬菜遺傳育種等研究；朱志玉，農(nóng)藝師，碩士，從事園藝作物遺傳育種等研究。

收稿日期 2018-07-19

我國是以植物性食物為主的國家，在我國居民膳食中，蔬菜的構(gòu)成比例高達33.7%。常見蔬菜含有人體所需要的多種維生素、礦物質(zhì)、碳水化合物、纖維素、有機酸、芳香物質(zhì)等營養(yǎng)成分。據(jù)國際糧農(nóng)組織1990年及2009年的統(tǒng)計，人體必需的VC、VA分別有90%、60%來自蔬菜，中國年人均鮮菜占有量約為279.4 kg，明顯超過世界年人均鮮菜占有量，蔬菜的地位日趨重要。

隨著蔬菜地位的提高，人們對蔬菜品質(zhì)的要求呈現(xiàn)多元化傾向，不僅要求有菜吃，還要求品種多樣，營養(yǎng)豐富，新鮮無污染，蔬菜的理化特性引起廣大科研工作者和消費者的廣泛關(guān)注。傳統(tǒng)的蔬菜理化特性檢測過程工程量大，耗時久，成本高，無法滿足蔬菜品種快速篩選的要求，蔬菜理化特性無損檢測應運而生，前人已經(jīng)研究出一些蔬菜無損檢測技術(shù)，包括利用蔬菜的電學特性、光學特性、聲波振動特性以及核磁共振技術(shù)、機器視覺技術(shù)、電子鼻技術(shù)和撞擊技術(shù)等。近紅外光譜分析技術(shù)利用光學特性，對蔬菜理化特性進行高精度、高效率的檢測。

近紅外光（near infrared，NIR）是介于可見光和中紅外光之間的電磁波，其波長范圍為780～2 526 nm，波數(shù)范圍為12 820～3 959 cm-1，主要信息是含氫基團X—H（XC、N、O、S）振動的倍頻和合頻吸收，其中包含大多數(shù)類型有機化合物的組成和分子結(jié)構(gòu)的信息。在近紅外光譜區(qū)，蔬菜中含有的水、糖、蛋白質(zhì)、脂肪、淀粉和纖維等化合物均有其相應的特征吸收波長，而且符合比爾定律，因此，可以通過待測樣品對近紅外光的吸收值來計算對應的成分含量，從而完成樣品中某種化學組分的分析。且因近紅外光譜檢測技術(shù)具有實時、快速、無損、環(huán)保和多組分同時分析等特點，在蔬菜理化特性檢測中得到廣泛的應用。

蔬菜根據(jù)其食用部位不同，大致可以分為根菜類、莖菜類、葉菜類、花菜類、果菜類5類。除了礦物質(zhì)、維生素、纖維等營養(yǎng)物質(zhì)，蔬菜的大小、顏色、形狀、收獲時間、病害和農(nóng)藥殘留，都是很重要的檢測對象。

1 在根菜類蔬菜理化特性分析中的應用

根菜類蔬菜是指以變態(tài)的肥大根部作為食用部分的蔬菜，如蘿卜、胡蘿卜、蕪菁等。

Takizawa 等[1]使用近紅外光譜技術(shù)非破壞性檢驗日本蘿卜的黑心病和內(nèi)部缺陷，選用一階導數(shù)（first derivative，1st D），通過逐步前項選擇方法計算選定Vis/NIR波長，用作線性判別分析（linear discriminant analysis，LDA）、偏最小二乘法結(jié)合判別分析（partial least squaresdiscriminant analysis，PLS-DA）和神經(jīng)網(wǎng)絡（artificial neural network，ANN）的分類參數(shù)。

歐文娟等[2]基于化學計量學，利用可見-近紅外反射光譜快速檢測有機胡蘿卜、綠色胡蘿卜和無公害胡蘿卜。采用主成分分析結(jié)合線性判別分析鑒別樣本的準確率為100%，為質(zhì)量檢驗機構(gòu)提供一個可行的檢測方法。郭澤慧[3]采用偏最小二乘回歸（PLS）搭配一階導數(shù)（1st D）處理建立了預測蘿卜根中硫苷含量的定標方程，采用主成分回歸（principal component regression， PCR）搭配一階導數(shù)（1st D）建立了預測蘿卜葉中硫苷含量的定標方程，為蘿卜種質(zhì)資源的評價提供了新方法。

2 在莖菜類蔬菜理化特性分析中的應用

莖菜類蔬菜是以肥大的變態(tài)莖作為食用部分的蔬菜，按生長狀況可分為地上莖和地下莖。地上莖，即可食部分生長在地上，如萵苣、紫菜苔等。地下莖，即可食部分生長在地下，這類又分為塊莖，如山藥、芋頭、馬鈴薯等；根莖，如藕、姜等；球莖，如慈菇等；鱗莖，如大蒜、洋蔥等；嫩莖，如竹筍、茭白等。

Jantra等[4]研究一種基于可見光和近紅外光譜的無損檢測方法，可以用于檢測洋蔥和大蒜的干物質(zhì)和可溶性固形物含量。采用偏最小二乘法（PLS）建立的預測模型表明，在赤道和肩部獲取的光譜數(shù)據(jù)的預測性能優(yōu)于根部位置。這些結(jié)果表明手持式光譜儀可以很好地檢測洋蔥和大蒜的品質(zhì)，為生產(chǎn)提供依據(jù)。國外學者評價了近紅外反射光譜在波長350～2 500 nm對完整綠蘆筍進行分類的能力[5-6]，采用偏最小二乘法（PLS）結(jié)合判別分析（PLS2DA） 建立校正模型，能很好地預測完整綠蘆筍的質(zhì)構(gòu)參數(shù)、采購處理方法和貯藏時間，校正模型Rp2介于0.55～0.67，交叉驗證模型Rp2介于0.60～0.74。Liu等[7]采用偏最小二乘法（PLS）結(jié)合Savitzky Golay平滑算法，篩選出檢測芥菜中ANN的最適波長（1702-2349nm），所建模型用于預測的驗證決定系數(shù)Rp2和驗證均方根誤差（root mean square error of prediction，RMSEP）分別為0.962和0.380 mg/g，表明近紅外光譜模型穩(wěn)定性較好，驗證效果較好，可以用于塊莖芥菜品質(zhì)的無損檢測。Rady等[8]為了研究馬鈴薯糖分含量對油榨工業(yè)的影響，使用近紅外光譜反射技術(shù)對2種馬鈴薯的葡萄糖和蔗糖含量進行預測。在900～1 685 nm波長范圍內(nèi)，利用偏最小二乘回歸（PLS）方法建立了葡萄糖和蔗糖的預測模型。預測結(jié)果與實際含量相似性達到82%。

孟慶琰等[9]對馬鈴薯全粉蛋白質(zhì)進行無損檢測，運用偏最小二乘回歸系數(shù)選擇特征波長建立的馬鈴薯全粉蛋白質(zhì)校正和驗證模型優(yōu)于全波段和特征波段建立的模型。孫旭東等[10]探討馬鈴薯全粉還原糖含量快速檢測方法。經(jīng)過變量篩選和RBF核函數(shù)參數(shù)優(yōu)化，建立的馬鈴薯全粉還原糖含量LSSVM 校正模型預測結(jié)果最優(yōu)，提高了LSSVM 校正模型的預測精度，克服了近紅外光譜變量與還原糖含量間非線性因素的影響。龔海燕等[11]利用近紅外光譜技術(shù)來快速鑒定鐵棍山藥和非鐵棍山藥。根據(jù)近紅外光譜結(jié)合一致性檢驗，光譜一致性指數(shù)CI在4以下的為鐵棍山藥，光譜一致性在4以上的為非鐵棍山藥。張擁軍等[12]采用偏最小二乘法（PLS）分別建立蓮藕水分、粗纖維、質(zhì)構(gòu)和糖度的模型，其中質(zhì)構(gòu)的PLS模型最理想，模型的相關(guān)系數(shù)大于0.97；粗纖維、糖度和水分的PLS模型的相關(guān)系數(shù)均大于0.88，實現(xiàn)了蓮藕品質(zhì)指標的快速無損檢測。涂靜等[13]采用多元散射校正（multiplicative scatter correction ，MSC）、一階導數(shù)（1st D）和平滑等結(jié)合對原始光譜進行預處理，搭配聯(lián)合區(qū)間偏最小二乘法（SiPLS）建立的預測蓮藕淀粉含量的模型，可以滿足實際應用要求。宋夏欽等[14]采用傅里葉變化近紅外光譜技術(shù)與偏最小二乘法（PLS）建立雷筍品質(zhì)參數(shù)的校正模型，可以快速檢測雷竹筍的硬度、色差和水分含量。周竹等[15]為了提高應用近紅外光譜技術(shù)無損檢測雷竹竹筍硬度的精度，采用正態(tài)能量變換（standard normal variate transformation，SNV）、去趨勢變換（detrend）、一階導數(shù)（1st D）、二階導數(shù)（second derivative ，2nd D） 等方法對原始光譜進行處理，建模結(jié)果顯示，標準正態(tài)變量變換預處理建立的PLS模型最優(yōu)，該模型的校正集的R2和驗證集的Rp2分別從無預處理時的0.920、0.895提高到0.928、0.901；RMSEC（校正均方根誤差，root mean standard error of calibration） 和RMSEP則分別從無預處理時的0.653、0.739 N/cm2下降為0.619、0.718 N/cm2。此外，建模所用因子數(shù)也從19減少到18，而其他預處理方法的改善效果不佳。

3 在葉菜類蔬菜理化特性分析中的應用

葉菜類是以肥嫩菜葉、葉柄作為食用部分的蔬菜，這類蔬菜生長期短，適應性強，一年四季都有供應。常見的葉菜有普通葉菜，如小白菜、油菜、菠菜等；結(jié)球葉菜，如大白菜、卷心菜等；香辛葉菜，如大蔥、韭菜、香菜等。

Bala等[16]建立了用傅里葉變換近紅外光譜（FT-NIR）無損估計完整油菜籽粒中總酚和粗纖維含量的校準模型。采用傳統(tǒng)的化學方法對115個芥菜型油菜總酚和粗纖維含量進行定量分析，利用偏最小二乘法（PLS）和校正模型，對其近紅外光譜的傅里葉變換與所得數(shù)據(jù)進行相關(guān)分析，得到總酚和粗纖維的最佳模型。Kramchote等[17]使用近紅外光譜快速鑒定甘藍的質(zhì)量，選取500～1 000 nm的波長范圍，使用一階和二階導數(shù)2種方式來增強偏最小二乘回歸建立的校正模型，建立了水分、可溶性固形物和抗壞血酸的近紅外光譜檢測模型。金同銘等[18]用近紅外光譜法對我國主要產(chǎn)地的大白菜不同品種及不同成熟期的粗蛋白、中性纖維、還原糖及VC進行檢測，檢測結(jié)果指出近紅外法測值與化學法測值的相關(guān)系數(shù)R2分別為0.994、0.978、0.974和0.981，可以在實踐中應用。王多加等[19]運用傅里葉變換近紅外光譜儀，以二階導數(shù)處理光學數(shù)據(jù)，用偏最小二乘法（PLS）進行統(tǒng)計分析，對58個外觀形狀不同的生菜樣品建立硝酸鹽含量快速檢測模型。其預測結(jié)果與國標方法相比相關(guān)系數(shù)為0.981 9，檢測相對誤差為0.56%～6.79%。胡東[20]使用一階導數(shù)（1st D）對韭菜在350～2 500 nm波段的光譜進行預處理，把預處理后的光譜數(shù)據(jù)作為變量建立Boosting分類模型，校正集和預測集分類精度均為1，可以識別韭菜樣本表面的農(nóng)藥種類。

4 在花菜類蔬菜理化特性分析中的應用

花菜類是以菜的花部作為食用部分的蔬菜，常見的有花椰菜、金針菜、青花菜、紫菜蔓、朝鮮薊和芥藍等。

Chen等[21]評估了近紅外反射光譜（NIRS）預測芥藍中葉黃色和β-胡蘿卜素含量的能力，使用偏最小二乘法（PLS）建立的模型效果最佳，校正方程R2分別為0.983和0.982，表明近紅外光譜可以用于測定芥藍中的類胡蘿卜素。Sahamishirazi等[22]采用改進的偏最小二乘回歸法建立近紅外光譜的定標方程，用以檢測花椰菜的硫代葡萄糖苷含量，使用預測系數(shù)（R2）和偏好測定比值（RPD）對校準結(jié)果進行分型，證明近紅外光譜具有良好的潛力，可以用于大樣本的定量和定性。

5 在果菜類蔬菜理化特性分析中的應用

果菜類是以果實或種子作為食用部分的蔬菜，這類果菜可分為：茄果類，如番茄、茄子、辣椒等；瓜類，如黃瓜、冬瓜、南瓜、絲瓜等，這類蔬菜耐熱耐旱；莢類，如毛豆、豇豆莢等。

Sirisomboon等[23]在使用近紅外光譜技術(shù)檢測番茄質(zhì)構(gòu)特性時，采用多元散射校正（MSC）對光譜進行預處理，建立的校正模型R2為0.95，最低標準誤差為0.35n，偏差為0.19n。Kavdir等[24]用可見光和近紅外光譜學方法測量不同品種的酸黃瓜的硬度、表皮和果肉的顏色、干物質(zhì)含量，采用偏最小二乘法（PLS）建立校正模型。酸黃瓜的硬度、表皮顏色、果肉顏色、干物質(zhì)最好的PLS校正模型決定系數(shù)（R2）分別為0.70、0.89、0.34、0.65。根據(jù)使用的儀器不同，可以正確區(qū)分81%～100%樣品采收后的儲存時間。Sánchez等[25]使用近紅外反射光譜非破壞性測量432個甜瓜果漿的顏色。對于參數(shù)a*、b*、c*和h*，得到?jīng)Q定系數(shù)R2和交叉驗證誤差均方根（RMSECV）分別為a*（0.96，2.16 μlog（1/R）），b*（0.85，3.25 μlog（1/R）），C*（0.82，3.76 μlog（1/R））和h *（0.96，3.64 μlog（1/R））。這些表明，用近紅外法測定蔬菜的營養(yǎng)成分具有與化學法相近似的淮確性和精密度。

王凡等[26]基于可見-近紅外漫透射原理，將平均光譜結(jié)合15點SG卷積平滑（SG-Smooth）、標準正態(tài)變量變換（SNV）、多元散射校正（MSC）、一階導數(shù)（1st D）等方法，自行搭建番茄可見-近紅外漫透射多品質(zhì)檢測系統(tǒng)。馬蘭等[27]應用近紅外漫反射光譜技術(shù)對番茄可溶性固形物含量進行非破壞性的檢測分析，比較10 種不同的光譜預處理方法對偏最小二乘法（PLS） 模型的影響。結(jié)果表明，常數(shù)偏移消除是適合建立近紅外光譜法無損檢測番茄可溶性固形物含量PLS模型的最優(yōu)光譜預處理方法。劉燕德等[28]為了消除光譜中無關(guān)信息和噪音的影響，比較一階導數(shù)（1st D）、二階導數(shù)（2nd D）、平滑（Smoothing）算法、標準正態(tài)變量變換（standard normal variate transformation，SNV）、去趨勢算法（De-trending）、多元散射校正（MSC）及一階導數(shù)加多元散射校正（1st D+MSC）7種預處理方法的優(yōu)化效果，建立了辣椒可溶性固形物和VC含量的近紅外光譜檢測方法。其中，最優(yōu)SSC模型所對應的預處理方法為1st D+MSC，其校正集R2為0.994，RMSEC為0.119°Brix，驗證集Rp2為0.956，RMSEP為0.309°Brix。最優(yōu)VC模型所對應的預處理方法為SNV，其校正集R2為0.949，RMSEC為106.96 mg/kg，驗證集Rp2為0.812，RMSEP為201.89 mg/kg。

6 展望

國內(nèi)外學者關(guān)于近紅外光譜技術(shù)在蔬菜理化特性檢測上的應用研究已經(jīng)持續(xù)多年，該方法準確度高，檢測速度快（取得一個樣品的光譜數(shù)據(jù)后可立刻得到定量分析結(jié)果，整個過程只需幾秒），既無損又環(huán)保，是一種非常值得推廣的綠色分析方法。

模型的建立是近紅外光譜分析技術(shù)的關(guān)鍵，它直接影響近紅外光譜分析的工作效率和質(zhì)量，而光譜的穩(wěn)定性對構(gòu)建的數(shù)學模型的穩(wěn)定性和適用性具有很大的影響。因此，確定出一個規(guī)范的光譜采集方法至關(guān)重要。通過不斷深入研究，確定不同蔬菜品種對應的光譜采集方法，增加儀器狀態(tài)、環(huán)境溫度、樣品采收標準、檢測參數(shù)等條件的穩(wěn)定性，可以增強光譜的穩(wěn)定性，提高數(shù)學模型的穩(wěn)定性和適用性。

目前，近紅外光譜在蔬菜理化特性檢測中的應用研究大多停留在實驗室階段，如何高效地利用現(xiàn)有的NIRS模型數(shù)據(jù)庫資源也是急需解決的問題。在網(wǎng)絡建立相應的平臺，實現(xiàn)模型維護、模型傳遞、專業(yè)化軟件開發(fā)等共享機制，必然成為研究的熱點問題。

參考文獻

[1]

TAKIZAWA K，NAKANO K，OHASHI S，et al.Development of nondestructive technique for detecting internal defects in Japanese radishes[J].Journal of food engineering，2014，126（1）：43-47.

[2] 歐文娟， 孟耀勇， 張平麗， 等. 可見-近紅外光譜結(jié)合化學計量學認證有機胡蘿卜、綠色胡蘿卜和無公害胡蘿卜（英文）[J].激光生物學報，2015，24（1）：46-54.

[3] 郭澤慧.蘿卜硫苷組分近紅外定標模型的構(gòu)建[D].杭州：浙江農(nóng)林大學，2017.

[4] JANTRA C，SLAUGHTER D C，LIANG P S，et al.Nondestructive determination of dry matter and soluble solids content in dehydrator onions and garlic using a handheld visible and near infrared instrument[J].Postharvest biology and technology 2017，133：98-103.

[5] SNCHEZ M T，PREZMARN D，F(xiàn)LORESROJAS K，et al.Use of nearinfrared reflectance spectroscopy for shelflife discrimination of green asparagus stored in a cool room under controlled atmosphere[J].Talanta，2009，78（2）：530-536.

[6] FLORESROJAS K，SNCHEZ M T，PREZMARN D，et al.Quantitative assessment of intact green asparagus quality by near infrared spectroscopy[J].Postharvest biology and technology，2009，52（3）：300-306.

[7] LIU Z Y，LIU B，PAN T，et al.Determination of amino acid nitrogen in tuber mustard using nearinfrared spectroscopy with waveband selection stability[J].Spectrochimica acta part A：Molecular and biomolecular spectroscopy，2013，102（2）：269-274.

[8] RADY A M，GUYER D E.Evaluation of sugar content in potatoes using NIR reflectance and wavelength selection techniques[J].Postharvest biology and technology，2015，103：17-26.

[9] 孟慶琰，何建國，劉貴珊，等.基于近紅外光譜技術(shù)的馬鈴薯全粉蛋白質(zhì)無損檢測[J].食品科技，2015（3）：287-291.

[10] 孫旭東，董小玲.近紅外光譜快速檢測馬鈴薯全粉還原糖[J].農(nóng)業(yè)工程學報，2013，29（14）：262-268.

[11] 龔海燕，白雁，宋瑞麗，等.近紅外光譜結(jié)合聚類分析鑒別鐵棍山藥和白玉山藥[J].中國醫(yī)院藥學雜志，2010，30（9）：735-737.

[12] 張擁軍，陳華才，蔣家新，等.蓮藕成分的近紅外光譜分析模型的建立[J].中國食品學報，2008，8（6）：122-127.

[13] 涂靜，張慜，黃敏，等. 蓮藕淀粉含量的近紅外光譜無損檢測方法[J]. 食品與生物技術(shù)學報，2013，32（9）：972-977.

[14] 宋夏欽，王琪，王麗，等.基于近紅外光譜技術(shù)的雷竹筍品質(zhì)指標快速檢測方法研究[J].中國食品學報，2013，13（9）：190-195.

[15] 周竹，鄭劍，王允祥，等.雷竹筍硬度的近紅外光譜檢測模型優(yōu)化[J].浙江農(nóng)林大學學報，2015，32（6）：875-882.

[16] BALA M，SINGH M.Non destructive estimation of total phenol and crude fiber content in intact seeds of rapeseedmustard using FTNIR[J].Industrial crops and products，2013，42：357-362.