近紅外光譜分析技術(shù)在蔬菜品質(zhì)檢測中的應(yīng)用研究進(jìn)展

薛舒丹，謝大森，萬小童，陸 森，劉展舒，鐘玉娟

（廣東省農(nóng)業(yè)科學(xué)院蔬菜研究所/廣東省蔬菜新技術(shù)研究重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510640）

中共中央、國務(wù)院印發(fā)的《“健康中國2030”規(guī)劃綱要》和《國民營養(yǎng)計(jì)劃（2017-2030年）》指出，要優(yōu)化食物結(jié)構(gòu)，改善營養(yǎng)狀況，發(fā)展?fàn)I養(yǎng)健康食品。蔬菜是人們?nèi)粘ｏ嬍持斜夭豢缮俚氖澄镏唬商峁┤梭w所必需的多種維生素和礦物質(zhì)等營養(yǎng)物質(zhì)。據(jù)聯(lián)合國糧食及農(nóng)業(yè)組織（FAO）統(tǒng)計(jì)，人體必需維生素C 的90%、維生素A 的60%來自蔬菜。此外，蔬菜中還有多種多樣的化學(xué)物質(zhì)，是人們公認(rèn)的對健康有效的成分。

蔬菜是人們膳食結(jié)構(gòu)金字塔中的基礎(chǔ)物質(zhì)，其產(chǎn)業(yè)在國民經(jīng)濟(jì)中占有重要地位。現(xiàn)今消費(fèi)需求呈多元化、差異化，人們注重蔬菜質(zhì)量安全的前提下，更加注重蔬菜品質(zhì)，追求風(fēng)味優(yōu)、營養(yǎng)豐富的蔬菜品種。但蔬菜同質(zhì)化、規(guī)?；图s化種植模式導(dǎo)致蔬菜瓜果丟失了傳統(tǒng)的味道，如番茄不甜、韭菜不嗆，這與一些地方優(yōu)勢老品種被新品種逐步替代所致。因此，收集優(yōu)質(zhì)種質(zhì)資源，加強(qiáng)優(yōu)質(zhì)蔬菜育種成為提升蔬菜產(chǎn)業(yè)競爭力的核心內(nèi)容，已成為世界各國農(nóng)業(yè)科技創(chuàng)新驅(qū)動(dòng)戰(zhàn)略的重要組成部分。

蔬菜品質(zhì)涉及多方面內(nèi)容，在蔬菜安全的前提下（無農(nóng)藥殘留等），蔬菜內(nèi)在質(zhì)構(gòu)（硬度、水分、粗纖維等）、風(fēng)味（甜、酸、苦、辣滋味特征）、營養(yǎng)健康成分（維生素C、硫代葡萄糖苷、葉黃素、胡蘿卜素、番茄紅素等）均影響蔬菜品質(zhì)。然而傳統(tǒng)的蔬菜質(zhì)檢過程耗時(shí)久、成本高，無法滿足蔬菜快速檢測的要求。而采用近紅外光譜（Near Infrared Reflectance Spectroscopy，NIRS）分析技術(shù)可以對一些果蔬內(nèi)部或外部質(zhì)量參數(shù)進(jìn)行準(zhǔn)確、快速的測量。近紅外光譜分析技術(shù)綜合運(yùn)用了計(jì)算機(jī)技術(shù)、光譜技術(shù)和化學(xué)計(jì)量學(xué)等多個(gè)學(xué)科的交叉研究成果，被許多科學(xué)家認(rèn)為是21 世紀(jì)快速、實(shí)時(shí)分析和過程控制的先導(dǎo)技術(shù)，它以其獨(dú)特的優(yōu)點(diǎn)在多個(gè)領(lǐng)域特別是農(nóng)業(yè)領(lǐng)域得到廣泛應(yīng)用，是一種高效、綠色的分析測試技術(shù)，其光譜特性穩(wěn)定、信息量大，能夠反映樣品的綜合信息，并可通過多元校正模型實(shí)現(xiàn)多組分同時(shí)測定［1-2］。本文綜述了近紅外光譜技術(shù)原理及在蔬菜安全、食味好、健康等多方面優(yōu)質(zhì)特征指標(biāo)檢測中的應(yīng)用，以期為蔬菜全產(chǎn)業(yè)鏈的高效發(fā)展提供新思路，加速種養(yǎng)規(guī)范化、育種高效化進(jìn)程。

1 近紅外光譜技術(shù)

近紅外光譜是指波長介于可見區(qū)與中紅外區(qū)之間，波長范圍780～2 526 nm、頻率12 500～4 000 cm-1的電磁波。近紅外光譜法是根據(jù)樣品內(nèi)有機(jī)官能團(tuán)（O-H、C-H、N-H、P-H）的自身振動(dòng)吸收近紅外光譜區(qū)相應(yīng)波長的能量，從而產(chǎn)生能量躍遷并在光譜中表現(xiàn)出來，該法圖譜穩(wěn)定、且獲得光譜容易［3］。近紅外光譜技術(shù)是將近紅外光譜儀、化學(xué)計(jì)量學(xué)軟件以及應(yīng)用模型三者合并應(yīng)用的技術(shù)［4］。首先采集樣品的光譜數(shù)據(jù)，然后結(jié)合化學(xué)計(jì)量學(xué)方法對組分定性定量，最后將光譜與數(shù)值建立數(shù)學(xué)模型，利用數(shù)學(xué)模型即可定量預(yù)測各組分的濃度和性質(zhì)。

1.1 近紅外光譜預(yù)處理

由于在近紅外光譜中通常摻雜了樣品背景、雜散光以及電噪音等各種雜音和不相干的信息，因此需要采用合適的方法適度處理光譜。Savitzky-Golay 卷積平滑、標(biāo)準(zhǔn)正態(tài)變量變換（SNV）、去散射（Detrend）、一階導(dǎo)數(shù)（FD）及 二階導(dǎo)數(shù)（SD）、傅里葉變換、多元散射校正（MSC）、小波變換（WT）等光譜預(yù)處理方法使用較為普遍，可將譜圖信息處理得更清晰［5-6］。

1.2 化學(xué)計(jì)量學(xué)軟件應(yīng)用

現(xiàn)代近紅外光譜分析技術(shù)定量校正分析可采用偏最小二乘回歸法（Partial Least Squares Regression，PLS）、主成分回歸分析法（Principal Component Regression，PCR）、多元線性回歸法（Multiple Linear Regression，MLR）、人工神經(jīng) 網(wǎng) 絡(luò) 法（Artificial Neural Network，ANN）；常用的定性分析方法有聚類分析法（Cluster Analysis）、主成分分析法（Principal Component Analysis，PCA）、馬氏距離法（Mahalanobis）、馬氏距離法與主成分分析結(jié)合法等［7-9］。

1.3 近紅外光譜定標(biāo)模型評價(jià)

數(shù)學(xué)模型的內(nèi)部交叉驗(yàn)證決定系數(shù)（R2）、內(nèi)部交叉驗(yàn)證均方差（RMSECV）、校正均方差（RMSEC）、預(yù)測均方差（RMSEP）、預(yù)測相關(guān)系數(shù)（r2）作為近紅外光譜模型精度評價(jià)指標(biāo)。其中R2越接近1，表示分析模型對校正集預(yù)測越準(zhǔn)確；RMSEC值越小，表示所建模型對校正集預(yù)測效果越好；RMSECV值越小，表示校正集樣品的預(yù)測結(jié)果越接近參考值；RMSEP越小，表示驗(yàn)證集樣品的預(yù)測結(jié)果越接近參考值；r2越接近1，表示分析模型對驗(yàn)證集預(yù)測越準(zhǔn)確。

近紅外光譜分析技術(shù)本質(zhì)上屬于一種間接分析法，通常以校正策略來建立起各種未知樣本的定性分析與定量分析模型，這明顯不同于其他常規(guī)分析方法。與化學(xué)法或物理化學(xué)法相比，該法樣品制備簡單、測定快速環(huán)保，可同時(shí)高效完成多個(gè)樣品不同化學(xué)指標(biāo)的檢測，可實(shí)現(xiàn)在線分析和遠(yuǎn)程分析［10］。

2 近紅外光譜技術(shù)在蔬菜安全品質(zhì)檢測中的應(yīng)用

2.1 蔬菜內(nèi)源不安全因素的近紅外光譜檢測

蔬菜在生長發(fā)育過程中會(huì)吸收硝態(tài)氮，硝酸鹽類在蔬菜加工處理中會(huì)被還原成亞硝酸鹽。亞硝酸鹽使紅血球運(yùn)輸氧的能力減弱，進(jìn)而危害人體健康，亞硝酸鹽在酸性條件下還會(huì)轉(zhuǎn)化成致癌物質(zhì)亞硝酸銨，因此對于蔬菜加工內(nèi)源物質(zhì)亞硝酸鹽含量的檢測至關(guān)重要。通常亞硝酸鹽含量測定需要采用化學(xué)法或離子色譜法，前處理復(fù)雜，需對蔬菜進(jìn)行破壞性處理。但劉金陽等［11］利用近紅外光譜技術(shù)開展了榨菜中亞硝酸鹽含量的檢測，結(jié)果表明采用偏最小二乘法的亞硝酸鹽組分模型預(yù)測能力優(yōu)良、分析速度快、高效準(zhǔn)確。

2.2 蔬菜外源農(nóng)藥殘留的近紅外光譜檢測

近紅外光譜技術(shù)對現(xiàn)今農(nóng)藥殘留的定性分類鑒別準(zhǔn)確性很高。李敏［12］對小白菜進(jìn)行農(nóng)藥殘留鑒別，結(jié)果表明對含輕度和重度殘留農(nóng)藥樣本的正確鑒別率為90%，可以有效對小白菜的殘留農(nóng)藥進(jìn)行定性分類鑒別。Sánchez 等［13］利用近紅外光譜技術(shù)對辣椒中是否存在農(nóng)藥殘留進(jìn)行檢測，建立偏最小二乘判別分析模型，實(shí)現(xiàn)農(nóng)藥殘留快速無損的定性鑒別。Jamshidi 等［14］分析了不同濃度二嗪農(nóng)殘留黃瓜樣品的可見/近紅外光譜，并用化學(xué)計(jì)量檢測作參考值，建立基于光譜信息的偏最小二乘分類模型，實(shí)現(xiàn)判定黃瓜有無二嗪農(nóng)殘留的快速無損檢測。

近紅外光譜技術(shù)在蔬菜特定農(nóng)藥殘留的定量方面也有很多應(yīng)用。杜一平等［15］利用近紅外光譜技術(shù)實(shí)現(xiàn)辣椒粉有無摻雜蘇丹紅的鑒別，并結(jié)合液相化學(xué)結(jié)果建立了預(yù)測辣椒粉中摻入蘇丹紅含量的模型。劉翠玲等［16］針對菠菜中的毒死蜱殘留量進(jìn)行近紅外光譜模型建立，采用一階導(dǎo)數(shù)與矢量歸一化相結(jié)合的光譜預(yù)處理方法，利用PLS方法開發(fā)了預(yù)測值與化學(xué)值相關(guān)性好的模型。吳澤鑫等［17］針對番茄樂果農(nóng)藥殘留采用近紅外光譜技術(shù)，通過矢量歸一化光譜預(yù)處理方式，所建立的判別番茄中樂果殘留的BP 人工神經(jīng)網(wǎng)絡(luò)模型為最優(yōu)，相關(guān)性達(dá)到0.971。Bahareh 等［18］基于Vis/NIR 光譜以及化學(xué)計(jì)量學(xué)方法設(shè)計(jì)相應(yīng)系統(tǒng)軟件，可對黃瓜進(jìn)行快速和非破壞性檢測不同濃度的二嗪磷殘留，也可推廣應(yīng)用到農(nóng)產(chǎn)品其他農(nóng)藥殘留的檢測。

品質(zhì)安全是蔬菜產(chǎn)業(yè)的基本問題。近紅外光譜技術(shù)高效便捷，提升了蔬菜安全管控的效率。但一些關(guān)乎蔬菜產(chǎn)品安全的物質(zhì)是微量的，目前采用近紅外光譜分析技術(shù)檢測微量甚至痕量水平物質(zhì)的精度仍有待提高。相關(guān)研究需要從樣品前處理、光譜預(yù)處理以及不同的化學(xué)計(jì)量學(xué)方法入手，以建立更精準(zhǔn)的數(shù)學(xué)模型來達(dá)到更高的檢測靈敏度。

3 近紅外光譜技術(shù)在蔬菜內(nèi)在質(zhì)構(gòu)檢測中的應(yīng)用

蔬菜內(nèi)在質(zhì)構(gòu)研究主要圍繞含水量、硬度、淀粉含量、粗纖維含量等指標(biāo)開展，對蔬菜品質(zhì)研究意義重大。Huang 等［19］用聲學(xué)、沖擊、壓縮和穿刺試驗(yàn)測量了番茄的不同硬度參數(shù)，在900～1 700 nm 近紅外光譜區(qū)段，利用PLS 方法建立番茄果實(shí)的硬度模型，PLS 模型對番茄果實(shí)的沖擊強(qiáng)度、壓縮面積和刺穿斜率有更好的預(yù)測，相關(guān)系數(shù)分別為0.846、0.831 和0.853。Sirisomboon 等［20］基于近紅外光譜技術(shù)測定番茄質(zhì)地，在1 100～1 800 nm 波長范圍內(nèi)，通過MSC預(yù)處理光譜，采用PLS 方法建立模型，經(jīng)穿刺試驗(yàn)測得生物屈服力相關(guān)系數(shù)為0.95，最低預(yù)測標(biāo)準(zhǔn)誤差SEP為0.35 N，偏差為0.19 N。Shao 等［21］對200 個(gè)番茄樣品的果實(shí)硬度進(jìn)行可見光和近紅外反射光譜（Vis/NIRS）模型預(yù)測，在350～2 500 nm 波長范圍內(nèi)利用PCR 和PLS 方法建立良好模型，相關(guān)系數(shù)和標(biāo)準(zhǔn)誤差分別為0.81 和16.017 N。Clément 等［22］使用Vis/NIRS 反射光譜法和化學(xué)計(jì)量學(xué)以無損方式測量番茄硬度，此近紅外光譜模型的相關(guān)系數(shù)為0.75。Kavdir 等［23］用近紅外光譜分析技術(shù)，在800～1 650 nm 波長范圍內(nèi)，采用PLS 方法建立酸黃瓜的硬度、干物質(zhì)含量模型，結(jié)果酸最優(yōu)PLS 校正模型的決定系數(shù)R2分別為0.70、0.65。張擁軍等［24］對蓮藕的近紅外光譜經(jīng)一階導(dǎo)數(shù)和二階導(dǎo)數(shù)預(yù)處理，建立了水分、粗纖維、質(zhì)構(gòu)的PLS 模型，其中硬度PLS 模型最理想，相關(guān)系數(shù)大于0.97；粗纖維和水分PLS 模型的相關(guān)系數(shù)均大于0.88。宋夏欽等［25］采用傅里葉變化近紅外光譜技術(shù)，選取4 000～8 500 cm-1為分析區(qū)域，采用PLS 方法建立雷竹筍的硬度和水分含量快速檢測方法。周竹等［26］研究了雷竹筍硬度光譜檢測模型的優(yōu)化方法，采用bi PLS-CARSSPA 方法所選的特征變量避免了水分強(qiáng)吸收峰的影響，為竹筍硬度在線快速檢測、篩選和指導(dǎo)切削設(shè)備的研發(fā)提供了重要的理論依據(jù)。涂靜等［27］利用近紅外光譜技術(shù)對蓮藕淀粉含量進(jìn)行無損檢測，原始光譜數(shù)據(jù)采用多元散射校正、一階導(dǎo)數(shù)和平滑等結(jié)合的預(yù)處理效果最佳，結(jié)合PLS 和聯(lián)合區(qū)間偏最小二乘法（SiPLS）建立了蓮藕淀粉含量的近紅外光譜分析模型。Flores-Rojas 等［28］采用近紅外光譜評估綠蘆筍的質(zhì)地參數(shù)，最大剪切力及切割能的相關(guān)系數(shù)分別為0.55～0.67、0.60～0.74。Penchaiya 等［29］采用近紅外反射光譜技術(shù)，在780～1 690 nm 波長范圍內(nèi)，利用PLS 方法建立甜椒果實(shí)硬度模型，相關(guān)系數(shù)及交叉驗(yàn)證標(biāo)準(zhǔn)誤差分別為0.81、5.9。

綜上可見，近紅外光譜技術(shù)所呈現(xiàn)出來的光譜吸收可以很好地反映蔬菜質(zhì)構(gòu)組成決定因子如水分、纖維素和果膠等物質(zhì)的含量，進(jìn)而直接影響蔬菜自身的機(jī)械強(qiáng)度以及口感等，這對于聚焦篩選質(zhì)構(gòu)優(yōu)異資源及品種提供快速簡單方法意義重大。

4 近紅外光譜技術(shù)在蔬菜風(fēng)味檢測中的應(yīng)用

4.1 甜滋味的近紅外光譜檢測

李鴻強(qiáng)等［30］建立了結(jié)球甘藍(lán)可溶性糖的全譜PLS 模型，并根據(jù)競爭性自適應(yīng)重加權(quán)采樣法（CARS）波數(shù)優(yōu)選結(jié)果建立了結(jié)球甘藍(lán)可溶性糖的CARS-PLS 模型。該CARS-PLS 模型校正集的決定系數(shù)R2為0.96，RMSECV為0.0768%，RMSEP為0.0594%。應(yīng)用CARS-PLS 模型對驗(yàn)證集41個(gè)樣本進(jìn)行預(yù)測，預(yù)測集決定系數(shù)R2為0.86，預(yù)測標(biāo)準(zhǔn)誤差為0.0594%，研究結(jié)果提供了一種高效的結(jié)球甘藍(lán)質(zhì)量無損檢測方法。Zude 等［31］使用近紅外光譜反射技術(shù)對胡蘿卜的蔗糖、葡萄糖和果糖含量進(jìn)行無損傷檢測，在800～1 700 nm波長范圍內(nèi)利用PLS 方法建立了蔗糖、葡萄糖和蔗糖的預(yù)測模型，交叉驗(yàn)證的標(biāo)準(zhǔn)誤差（SECV）分別為15.4%、4.6%和2.3%。Jantra 等［32］基于可見光和近紅外光譜的無損檢測方法，建立了用于檢測洋蔥和大蒜可溶性固形物含量的模型。Rady 等［33］使用近紅外光譜反射技術(shù)，在900～1 685 nm 波長范圍內(nèi)利用PLS 方法建立了葡萄糖和蔗糖的預(yù)測模型，決定系數(shù)R2為0.82。孫旭東等［34］基于近紅外光譜以及最小二乘支持向量機(jī)LSSVM 算法，建立了檢測馬鈴薯全粉還原糖含量的模型。馬蘭等［35］發(fā)現(xiàn)常數(shù)偏移消除光譜預(yù)處理是適合建立近紅外光譜無損檢測番茄可溶性固形物含量PLS 模型的最優(yōu)光譜預(yù)處理方法，最能反映番茄可溶性固形物含量信息的光譜波段為11 998.9～5 449.8 cm-1和4 601.3～4 246.5 cm-1。劉燕德等［36］為了消除近紅外光譜中無關(guān)信息和噪音的影響，比較了7 種光譜預(yù)處理方法的優(yōu)化效果，建立了檢測辣椒可溶性固形物含量的最優(yōu)模型，所對應(yīng)的預(yù)處理方法為1st D+MSC，其校正集R2為0.994、RMSEC為0.119°Brix、驗(yàn)證集為0.956、RMSEP為0.309°Brix。

4.2 酸滋味的近紅外光譜檢測

Shao 等［21］對番茄樣品的pH 進(jìn)行Vis/NIRS模型預(yù)測，在350～2 500 nm 波長范圍內(nèi)利用PCR和PLS 方法建立較好模型，相關(guān)系數(shù)和標(biāo)準(zhǔn)誤差分別為0.83 和0.09。Jha 等［37］應(yīng)用便攜式近紅外設(shè)備采集西紅柿汁的光譜，消費(fèi)者對番茄汁的接受程度取決于番茄汁的酸甜比（ABR），在1 059.5～1 124.8 nm 波長范圍內(nèi)，ABR 的相關(guān)系數(shù)高達(dá)0.92。Clément 等［22］使用Vis-NIR 反射光譜法和化學(xué)計(jì)量學(xué)以無損方式同時(shí)測量番茄的各種質(zhì)量參數(shù)，其中pH 值、可滴定酸度的預(yù)測不太準(zhǔn)確，可能是因?yàn)檫@些參數(shù)在樣品中的多態(tài)性較低，范圍較窄所致。Flores 等［38］對番茄的可滴定酸度建立近紅外光譜模型，決定系數(shù)為0.41～0.71。

4.3 苦滋味的近紅外光譜檢測

蔬菜中含有苦味的物種不多，如苦菊、苦瓜以及葫蘆科部分黃瓜屬等，目前關(guān)于苦味物質(zhì)的近紅外光譜預(yù)測方法建立還較少。Fran?ois 等［39］發(fā)現(xiàn)菊苣的苦味主要由萵苣苦素和山萵苣苦素決定，通過近紅外光譜建立預(yù)測模型，得到苦澀口感的RMSECV為0.26，這為苦味育種表型的鑒定提供便捷方法。但是關(guān)于苦瓜、黃瓜中苦味物質(zhì)的近紅外光譜研究尚無報(bào)道。

4.4 辣滋味的近紅外光譜檢測

董楠等［40］以干辣椒為對象，采用近紅外快速測定方法檢測其辣度。利用PLS 方法建立檢測模型，并對檢測波長范圍及模型主因子數(shù)進(jìn)行了篩選，最終校正集方程相關(guān)系數(shù)0.9871，驗(yàn)證集方程相關(guān)系數(shù)0.8704；校正均方根誤差2 870，交叉驗(yàn)證均方根誤差9 476，主因子數(shù)為8。李沿飛等［41］利用近紅外光譜技術(shù)，選取光譜波段9 000～4 000 cm-1，采用PLS 方法無損測定干辣椒的辣椒堿和二氫辣椒堿含量來評價(jià)其辣度。

綜上可見，在不同的蔬菜風(fēng)味物質(zhì)建模過程中會(huì)篩選體現(xiàn)樣品信息突出的光譜區(qū)域，采用光譜預(yù)處理削弱甚至消除譜圖所受到的各種外界因素干擾，以及采取不同的化學(xué)計(jì)量學(xué)方法，都是為了促進(jìn)模型準(zhǔn)確性提升。但是有些模型的決定系數(shù)不高，可能與最原始的風(fēng)味物質(zhì)化學(xué)值測定準(zhǔn)確性以及樣本數(shù)據(jù)量太少有關(guān)，也可能與儀器周圍環(huán)境（如溫度、濕度等）變化或光學(xué)器件磨損老化等導(dǎo)致光譜差異有關(guān)。隨著科學(xué)技術(shù)的不斷發(fā)展，近紅外光譜技術(shù)將以其快速、方便、準(zhǔn)確以及適應(yīng)在線分析和無損分析的優(yōu)點(diǎn)，在快速精準(zhǔn)檢測蔬菜風(fēng)味物質(zhì)以及蔬菜風(fēng)味育種中具有更加廣闊的應(yīng)用前景。

5 近紅外光譜技術(shù)在蔬菜營養(yǎng)健康成分檢測中的應(yīng)用

5.1 維生素C 的近紅外檢測

金同銘等［42］用近紅外光譜法對不同品種、不同成熟期大白菜的Vc 含量進(jìn)行模型構(gòu)建，相關(guān)系數(shù)R2為0.981，可高效運(yùn)用于實(shí)踐。劉燕德等［36］為消除近紅外光譜中無關(guān)信息和噪音的影響，比較7 種光譜預(yù)處理方法的優(yōu)化效果，確定辣椒最優(yōu)Vc 模型所對應(yīng)的預(yù)處理方法為SNV，其校正集R2為0.949、RMSEC為106.96 mg/kg，驗(yàn)證集為0.812、RMSEP為201.89 mg/kg。Kramchote 等［43］選取500～1 000 nm 波長范圍，使用一階和二階導(dǎo)數(shù)對譜圖進(jìn)行預(yù)處理，利用PLS方法建立了甘藍(lán)Vc 的近紅外光譜檢測模型。郭澤慧［44］采用一階導(dǎo)數(shù)光譜預(yù)處理結(jié)合PLS、PCR回歸方法對蘿卜根、葉中的硫苷含量建立模型。

5.2 硫代葡萄糖苷的近紅外檢測

Sahamishirazi 等［45］采用改進(jìn)的偏最小二乘回歸法對花椰菜的硫代葡萄糖苷含量進(jìn)行近紅外光譜建模。劉倩男等［46］建立了青花菜硫代葡萄糖苷內(nèi)4-甲基硫氧丁基硫苷（RAA）和3-甲基吲哚基硫苷（GBC）的近紅外光譜快速檢測模型，采用標(biāo)準(zhǔn)正態(tài)變量變換+二階導(dǎo)數(shù)（SNV+SD）處理后RAA 預(yù)測模型的校正集和預(yù)測集相關(guān)系數(shù)分別為0.867 和0.912；采用SNV+SD 處理后的GBC 預(yù)測模型的校正集和預(yù)測集相關(guān)系數(shù)分別為0.918 和0.960，為青花菜營養(yǎng)品質(zhì)的快速檢測、優(yōu)異抗癌青花菜種質(zhì)資源的快速篩選與利用奠定了基礎(chǔ)。

5.3 類胡蘿卜素的近紅外檢測

類胡蘿卜素是重要的天然色素，是人體內(nèi)維生素A 的主要供體，具有抗氧化、抗癌、抗衰老以及調(diào)節(jié)免疫功能等功效。迄今，已知的天然類胡蘿卜素達(dá)700 多種，常見的有葉黃素、β-胡蘿卜素、番茄紅素等。Chen 等［47］使用PLS 方法建立了芥藍(lán)中葉黃素和β-胡蘿卜素的模型，校正方程R2分別為0.983 和0.982。潘冰燕等［48］采用改進(jìn)最小偏二乘法（MPLS），研究光譜不同導(dǎo)數(shù)處理方法結(jié)合不同散射和標(biāo)準(zhǔn)化方法處理模型的方法，從而找出最優(yōu)貨架期線椒內(nèi)部品質(zhì)類胡蘿卜素的數(shù)學(xué)模型。Clément 等［22］使用VIS-NIRS反射光譜法和化學(xué)計(jì)量學(xué)以無損方式測量番茄的番茄紅素含量，決定系數(shù)R2為0.98，RMSECV為3.15 mg/kg。王凡等［49］基于VIS-NIRS 檢測系統(tǒng)，采集完整番茄的透射光譜進(jìn)行建模，對光譜進(jìn)行SNV 預(yù)處理，采用無信息變量消除法（UVE）和競爭性自適應(yīng)重加權(quán)算法（CARS）聯(lián)合處理，對全光譜進(jìn)行變量優(yōu)選，使用PLS 方法，其校正集和驗(yàn)證集相關(guān)系數(shù)分別為0.9830 和0.9741，均方根誤差分別為0.6919、0.7680 mg/kg。

蔬菜中決定風(fēng)味及營養(yǎng)的物質(zhì)成分豐富多樣，尤其是次生代謝物質(zhì)，但普遍的次生代謝物質(zhì)成分含量均較低。對于這些成分指標(biāo)的化學(xué)定量法均需依賴HPLC 或MS 級(jí)別的儀器，而很多實(shí)驗(yàn)室不具備化學(xué)定量的條件，這阻礙了基于近紅外光譜及化學(xué)測量值結(jié)合的模型構(gòu)建，而且對于這些低含量次生代謝物質(zhì)構(gòu)建的近紅外光譜模型普遍的預(yù)測決定系數(shù)R2不是特別高，今后需在光譜的預(yù)處理方式、消除信噪比、化學(xué)計(jì)量方式等方面進(jìn)行綜合處理解決。

6 趨勢與展望

隨著社會(huì)進(jìn)步和生活水平的提高，市場對蔬菜的要求已從單純注重產(chǎn)量和抗性，提升到注重品質(zhì)?，F(xiàn)今，蔬菜安全是基本要求，口感優(yōu)良、營養(yǎng)豐富已成為越來越多消費(fèi)者的選購標(biāo)準(zhǔn)。品質(zhì)成為蔬菜產(chǎn)業(yè)競爭力的核心內(nèi)容，營養(yǎng)和風(fēng)味優(yōu)良的高檔蔬菜是發(fā)展趨勢。蔬菜風(fēng)味佳最直觀的食用感受就是菜味濃郁，酸、甜、苦、辣等不同滋味是蔬菜風(fēng)味的主要影響因素。但當(dāng)前消費(fèi)者普偏反映菜沒有“菜味”，風(fēng)味營養(yǎng)品質(zhì)隨著產(chǎn)量和抗性增強(qiáng)而下降。我國蔬菜品質(zhì)育種仍處于起步階段，蔬菜品質(zhì)與國際先進(jìn)水平尚有差距，而且支撐品質(zhì)改良的專業(yè)研究機(jī)構(gòu)及高效快捷鑒別風(fēng)味營養(yǎng)的方法也很缺乏。傳統(tǒng)的蔬菜品質(zhì)評定基于大小、色澤、形狀及傷痕等外部特征來判斷，或者采用化學(xué)法、液相色譜法以及質(zhì)譜檢測法等破壞性方式評估其風(fēng)味營養(yǎng)成分，耗時(shí)久、成本高。隨著計(jì)算機(jī)信息化、數(shù)學(xué)、化學(xué)和化學(xué)計(jì)量學(xué)的交叉發(fā)展，近紅外光譜技術(shù)已經(jīng)在蔬菜品質(zhì)研究中被逐步推廣應(yīng)用。近紅外光譜技術(shù)一方面可監(jiān)督種植端種植規(guī)范化，另一方面可幫助育種工作者加速蔬菜內(nèi)在品質(zhì)研究的進(jìn)度。

但是近紅外光譜技術(shù)在蔬菜品質(zhì)方面的應(yīng)用依然任重道遠(yuǎn)。由于蔬菜優(yōu)質(zhì)是一個(gè)復(fù)雜概念，其中涉及到好吃、健康等多重宏觀指標(biāo)，而關(guān)乎“好吃”的標(biāo)準(zhǔn)又與質(zhì)地、風(fēng)味等因素相關(guān)。決定質(zhì)地及蔬菜風(fēng)味的物質(zhì)復(fù)雜多樣，甚至有的蔬菜關(guān)鍵指征風(fēng)味物質(zhì)成分都還未得到鑒定。因此挖掘蔬菜優(yōu)質(zhì)因子，分析其成分是開展近紅外光譜技術(shù)的基礎(chǔ)，這需要很多不同方向的科研工作者共同努力。

此外，近紅外光譜技術(shù)雖然有很多優(yōu)勢，但也有一些限制和不足，如只適合于含氫基團(tuán)化合物的測定，以及對一些痕量物質(zhì)的檢測靈敏度較低等。而且這是一種間接測量方法，構(gòu)建模型需要大量的樣品測定值以及化學(xué)計(jì)量學(xué)理論知識(shí)。因此穩(wěn)定高效的近紅外光譜模型的建立是近紅外光譜分析技術(shù)應(yīng)用的關(guān)鍵。其中化學(xué)測定值是建立健全近紅外光譜定標(biāo)模型的核心參數(shù)，從高質(zhì)量的定標(biāo)模型構(gòu)建角度來看，參數(shù)的準(zhǔn)確性對模型尤為重要，另外建模方法、光譜預(yù)處理方法、波段選擇和建模因子數(shù)選擇等化學(xué)計(jì)量學(xué)方法也是影響模型精準(zhǔn)度的關(guān)鍵因子。隨著現(xiàn)代計(jì)算機(jī)技術(shù)和化學(xué)計(jì)量學(xué)技術(shù)的發(fā)展以及新的卓越的數(shù)學(xué)方法的出現(xiàn)，模型將進(jìn)一步完善，促使近紅外光譜技術(shù)在蔬菜領(lǐng)域中得以充分應(yīng)用。