玫瑰香葡萄贮藏期间糖酸品质的近红外检测*

陈辰，鲁晓翔，张鹏，陈绍慧，李江阔

1(天津商业大学生物技术与食品科学学院，天津市食品生物技术重点实验室，天津，300134)2(国家农产品保鲜工程技术研究中心，天津市农产品采后生理与贮藏保鲜重点实验室，天津，300384)

玫瑰香葡萄(Vitis vinifera L.Muscat Hamburg)又名麝香葡萄，风味独特、糖酸比较高，深受消费者的欢迎。但由于其果粒皮薄且含水、含糖量高，采后生命力仍较活跃，贮藏过程中极易发生品质劣变，降低其商品价值。

适当的含糖量、含酸量是衡量水果鲜食品质的重要指标。传统的糖酸测定方法需要破坏样品取汁液测试，耗时长、消耗试剂多、准确性低。可见/近红外无损检测是利用样品对光的特定吸收、反射、透射而进行定量、定性分析的高新检测技术，具有简便快速、无破坏性、节约试剂等优点。利用此项技术对果蔬可溶性固形物、总酸含量的检测在国内外已有研究。Kawano等［1］应用近红外与光纤维交叉模式分析桃的糖度，发现近红外光谱和果实的糖度有较强相关性。张鹏等［2］研究了可见/近红外漫反射光谱技术对磨盘柿子可溶性固形物的快速检测，结果表明方法具有可行性。章海亮等［3］采用主成分回归和偏最小二乘法建立了赣南脐橙可溶性固形物和总酸含量的定量预测模型。吴桂芳等［4］应用可见/近红外光谱技术测定葡萄浆果糖度，并建立MPLS与BP神经网络相结合的数据分析模型对葡萄浆果糖度进行预测。随着市场对鲜食葡萄品质要求的逐渐提高及葡萄保鲜技术的发展，针对葡萄采后品质的快速、无损检测技术研究已成为果蔬保鲜领域的重要研究课题之一。

目前，应用近红外漫反射技术对葡萄的检测多集中于品种鉴别及检测酿酒葡萄的可溶性固形物等，针对贮藏葡萄品质及鲜食葡萄品质的报道较少［5］。因此，本文结合我国葡萄物流主要模式，以0℃和10℃贮藏的玫瑰香葡萄为试验材料，测定果实的可见/近红外漫反射光谱，以改进偏最小二乘法(MPLS)建立不同贮藏温度玫瑰香葡萄SSC、TA检测模型及混合温度模型，讨论不同光谱预处理方法以及单侧采集光谱与双侧取平均光谱对建模效果的影响。

1 材料与方法

1.1 试材处理

玫瑰香葡萄:2014年9月17日采于天津市茶淀镇，果实成熟度约八成、无病虫害、无机械伤，采收当天运至实验室，预冷24 h后称重、标记、分装入厚度0.02 mm的葡萄专用膜包装袋，分别于(0±0.5)℃冷库、(10±1)℃冷库贮藏。10℃冷藏样品每3天、0℃冷藏样品每8天测定1次，各测定6次，每次测定40个外观均匀、代表性强的果粒。

每个温度建模时选取不同冷藏天数的共200个果实，随机分为定标集和验证集，样品数分别为150个和50个;此外将2个温度下建模所用400个样品混合后同样以3∶1随机分为定标集和验证集。

1.2 近红外漫反射光谱的采集

试验仪器NIRS DS2500近红外漫反射光谱仪(丹麦Foss公司)，集成全息光栅分光系统，配备硅(400～1 100 nm)和硫化铅(1 100～2 500 nm)检测器，扫描波长范围为400～2 500 nm，扫描方式为单波长、快速扫描，扫描次数32次。内置Nova分析软件和WinISI4定标软件。测试前，将葡萄果粒在常温下平衡4 h后，在每个果实一侧赤道附近光滑部位避开表面缺陷(如伤疤、污点等)画出直径约1 cm的圈，进行标记并排序，于近红外漫反射光谱仪Slurry Cup上分别对画圈一侧及相对一侧进行光谱采集，双侧采样用于建立平均光谱模型。

1.3 糖酸指标的测定

以SSC、TA为指标，将采集光谱后的葡萄挤汁、过滤后滴于PAL-1数字手持折光仪(日本Atago公司)测定 SSC(°Brix)，同时滴于 BRIX-ACIDITY METER(GMK-706R)糖酸测定仪(韩国G-WON公司)测定TA(%)，重复3次取平均值。

1.4 模型的建立与验证

使用WinISI4软件对原始光谱进行滤波和平滑处理，以去除噪声对模型精确度的影响。分别将0、10℃贮藏样本及混合后样本剔除异常光谱后，以3∶1随机分成定标集和验证集，定标集样品应用MPLS结合不同的光谱预处理建立定标模型，验证集样品用于验证和评价定标模型的预测性能［6］。定标模型评价指标为交互验证决定系数(RCV2)和交互验证误差(SECV)，越高，SECV越小，表明近红外光谱分析值与实测值的相关性越高，即模型质量较高。确定了最优的预处理方法后，应用其建立不同贮温玫瑰香葡萄SSC、TA定标模型以及可同时预测混合温度样本SSC、TA的综合模型，利用验证集验证模型，验证标准差(SEP)越小、预测值与化学值决定系数()越高，残差分布均匀、残差和越小，预测效果越好。同时，外部相对分析误差RPD(RPD=SD/SEP)在2～2.5之间，可进行定量分析，当RPD值大于2.5或3.0以上时，说明所建模型具有很好的预测效果。

2 结果与分析

2.1 葡萄果实糖酸测定值分布特征

葡萄为非呼吸跃变型水果，贮藏期间SSC为正常生理代谢提供能量，有机酸在生理变化中可能转化为其他物质，因而均呈逐渐下降趋势［7］。本实验建模定标集和验证集样品SSC、TA测定值的变幅范围、均值和标准偏差见表1。

表1 定标集和验证集样品测定值的分布特征Table 1 Characteristics of values in calibration and validation

由表1可见，本试验所测样本的SSC、TA值梯度均匀、分布范围较广，可以代表整个贮藏期品质变化，且验证集的样本测定含量都在定标集范围内。因此，所选样品可以用于建立近红外检测模型。

2.2 单侧光谱与平均光谱的比较

双侧采集光谱后通过WinISI4软件得到的整个果粒平均光谱及画圈一侧采集到的单侧光谱，如图1所示。

有研究表明，样品采集光谱的部位对近红外检测结果有一定的影响［8］。蔡宋宋等［9］建立了常温苹果的近红外光谱无损检测模型，结果表明，阳面2点和阴面2点光谱混合后平均所得光谱建立模型的预测精度最高。由于葡萄生长过程中果穗逐渐丰满，外围果粒向阳面与内侧面果皮、果肉成分积累有所差别，且不同物质组分对不同频率近红外光吸收、透射、反射有选择性，漫反射光波穿透力低于透射光波，多次反射受介质性状影响较大，因此，利用可见/近红外光的漫反射在果实不同部位采集的光谱信息差异较大，取双侧采集光谱求其平均光谱可以更好地表征样品信息，同时降低环境、操作及仪器误差。样品单侧采集的2条原始光谱和其平均光谱如图1所示，以波长1 450.0 nm为例，通过软件标尺得到2条单侧光谱吸光度分别为0.894 9、0.877 1，差异0.017 8，平均光谱吸光度为0.886 0。全光谱范围内数据信息节点数量庞大，单侧光谱的差异累积随之变大，对应整果SSC、TA有片面性。以10℃样品单侧光谱建立SSC值的 MPLS定标模型，SECV为 0.638 4，为0.730 5，应用平均光谱建模 SECV为0.620 5为0.733 9。可见，平均光谱建模效果明显优于单侧光谱，本试验选取平均光谱建立模型。

图1 葡萄果实单侧光谱与平均光谱图Fig.1 Unilateral and average absorption spectrogram of grapes

图2为所有参与建模的400个样品的平均光谱图。由图2可见，光谱变化趋势基本一致，在波长680、978.5、1 181和2 142 nm处有明显的吸收峰。根据WinISI4软件分析，处于680 nm处的吸收主要是可见光区的电子振动;978.5 nm处吸收峰是O－H的二倍频吸收，主要由水分引起，这说明水分含量对近红外光谱影响很大;1 181、2 142 nm附近处主要是－C－H、－CH2键的伸缩引起的吸收，是可溶性固形物、有机酸等的特征基团［10］。

2.3 不同光谱预处理方法的选择

偏最小二乘法(PLS)是建立定量模型的常用方法之一，相对于PLS法，改进偏最小二乘法(MPLS)由于能增强模型提取有效光谱的能力、优化因子数，故应用越来越广泛。本文采用MPLS法研究不同导数处理与不同散射和标准化方法相结合的SSC、TA定标模型。高频随机噪声是近红外光谱采集中不可避免的误差来源，为尽可能削弱其影响，提高信噪比，需要对光谱数据进行一定的预处理。针对不同样本或指标，不同方法能体现出各自的优势，经过试验和验证可以确定最适宜的预处理组合，改善建模效果。

图2 玫瑰香葡萄原始吸收光谱图Fig.2 Original absorption spectrogram of the Muscat grape

本研究在全光谱范围内比较了原始光谱(Log(1/R))、一阶导数光谱(D1 Log(1/R))、二阶导数光谱(D2 Log(1/R))结合标准正常化处理与去散射处理(SNV+Detrend)、标准正常化(SNV only)、去散射处理(Detrend only)、标准多元离散校正(SMSC)、加权多元离散校正(WMSC)、反相多元离散校正(IMSC)处理后的10、0℃定标模型的SECV和RCV2，结果见表 2。

由表2可见，10、0℃样品SSC定标模型采用MPLS、D1 Log(1/R)、IMSC相结合的光谱预处理方法效果较好，其SECV分别为0.241 8、0.372 6，为0.960 9、0.940 7;10℃样品TA同样适宜采用该法，其SECV为0.016 2，RCV2为0.898 1;0℃样品TA效果最好的建模方法为D1 Log(1/R)与SNV only相结合，SECV 为0.018 9，RCV2为0.879 1。多元离散校正是较常用的光谱预处理方法，反相多元离散校正(IMSC)是多元离散校正的衍生，其假定了光谱阵中的全部样品对不同频率的光波有相同的散射系数，通过单条光谱的反相移动、旋转，尽可能将其与平均光谱进行拟合，趋向于典型的线性关系。标准正常化(SNV)与IMSC作用基本类似，认为光谱在不同波长数据点的吸光度符合一定分布规律，用原始光谱与校正后的光谱差除以标准差，可以较好地消除类内距离，削减误差。由于样品光谱基线漂移的影响较大，采用Log(1/R)和D2 Log(1/R)处理效果均不理想，一阶导数处理更有效地消除了背景噪声的干扰，锐化扁平峰，区分重叠峰，提升了分辨能力和灵敏性［11］。但导数处理在去除低频基线时，也使高频噪音被放大，需要结合平滑和其他预处理。0℃冷藏后的葡萄建模效果比10℃的稍差，原因可能是随贮藏期延长，主要含氢成分如水、有机酸、糖类物质等受低温影响，含量和结构都有较大变化，虽然测定温度相同但内部品质改变不可逆转，造成光谱拟合度较差。

表2 不同光谱预处理的定标结果Table 2 Statistical results of models constructed by different pretreatment

得到最优预处理方法组合后，利用其建立全部样品的SSC、TA综合定标模型，应用MPLS结合D1 Log(1/R)、IMSC处理的SSC模型SECV为0.465 8，R2CV为0.920 5。比较MPLS结合D1 Log(1/R)、IMSC处理与D1 Log(1/R)与SNV only处理的TA模型，其SECV 分别为 0.020 7、0.021 1，RCV2为0.831 2、0.827 0。可见，应用D1 Log(1/R)结合IMSC预处理可以建立同时预测糖酸品质的综合模型。综合模型与单一温度、单一指标模型相比较，SECV高、R2CV低，模型效果较差。

2.4 不同贮藏温度模型及综合模型的预测评价

为了验证定标模型的可靠性与准确性，分别用各自最优定标模型对10、0℃贮藏样品及综合模型验证集果实SSC、TA光谱进行分析，预测结果如表3所示。可见，10、0℃模型预测标准差均较低，预测值和实测值相关性较好，残差和较低，模型较稳定，均可以起到很好的预测效果，其中SSC模型RPD达到4以上，预测效果最优，TA模型精度有待提高。综合模型预测准确度较单一温度较低，其TA模型只能起到粗略预测的作用，模型泛化性不强。

以指标的模型预测值和实测值作图直观体现其相关性，结果如图3～图5所示。

综合模型样本变化覆盖范围大，适用范围宽，可在相同的预处理条件下同时对SSC、TA进行检测，但其定标建模效果和分析预测的精度均变差。原因可能是综合模型样本容量大，包含奇异点也较多;样本SSC、TA分布相对于单一温度模型样本均匀性较差;模型同时预测SSC、TA，功能上的扩展带来了精度的相对损失。因此，贮藏温度对玫瑰香葡萄贮藏期间糖酸品质模型有一定影响，相同贮温模型在解决样本指标变化基本呈线性的问题时较有优势，而通过样本补充或拟合方法的改进进一步提高综合模型精度，对近红外糖酸检测模型适用性会有很大提高。

表3 不同贮藏温度模型及综合模型的预测结果Table 3 Prediction results of different storage temperature models and comprehensive model

图3 10℃贮藏葡萄SSC、TA实测值与预测值的相关性Fig.3 Correlation between predicted SSC，TA values and actual values of grapes stored in 10℃

图4 0℃贮藏葡萄SSC、TA实测值与预测值的相关性Fig.4 Correlation between predicted SSC，TA values and actual values of grapes stored in 0℃

图5 综合模型SSC、TA实测值与预测值的相关性Fig.5 Correlation between predicted SSC，TA values and actual values of grapes in comprehensive model

3 结论

利用可见/近红外光谱技术建立葡萄糖酸品质检测模型时采用平均光谱效果优于单侧光谱;MPLS结合D1 Log(1/R)、IMSC建立10℃贮藏葡萄的SSC、TA定标模型效果最好;0℃贮藏葡萄的SSC同样适用于MPLS结合D1 Log(1/R)、IMSC模型，而TA则为D1 Log(1/R)、SNV only相结合的方法具有较好的预测效果。以最优光谱预处理方法建立2个贮藏温度混合样品SSC、TA综合模型定标及预测效果较单一温度模型的差。

综上所述，利用可见/近红外漫反射技术对贮藏玫瑰香葡萄果实糖酸品质的快速无损检测具有可行性，单一贮藏温度模型精度较高，建立预测性能及通用性均较强的综合模型仍需要进一步试验和研究。

［1］ Kawano S.Present condition of nondestructive quality evaluation of fruits and vegetables in Japan［J］.Japan Agricultural Research Quarterly，1992(28):212 －216.

［2］ 张鹏，李江阔，孟宪军，等.磨盘柿可溶性固形物的可见/近红外漫反射光谱无损检测［J］.食品科学，2011，32(6):191－194.

［3］ 章海亮，孙旭东，郝勇，等.近红外漫反射无损检测赣南脐橙中可溶性固形物和总酸［J］.食品科学，2011，32(6):151－154.

［4］ 吴桂芳，黄凌霞，何勇.葡萄浆果糖度可见/近红外光谱检测的研究［J］.光谱学与光谱分析，2008，28(9):2 090－2 093.

［5］ 徐洪宇，张京芳，侯力璇，等.基于FT-NIR光谱技术检测酿酒葡萄中可溶性固形物含量［J］.中国食品学报，2013，13(11):153 －159.

［6］ 祝诗平，王一鸣，张小超，等.近红外光谱建模异常样品剔除准则与方法［J］.农业机械学报，2004，35(4):115－119.

［7］ 李志文，张平，王罡，等.1-MCP处理对乍娜葡萄常温货架期保鲜效果的研究［J］.保鲜与加工，2012，12(3):6－10.

［8］ Wulfert F，Kok W T，Smilde A K.Influence of temperature on vibrational spectra and consequences for the predictive ability of multi-variate models［J］.Analytical Chemistry，1998，70(9):1 761 －1 767.

［9］ 蔡宋宋，王宝刚，冯晓元，等.测试部位、温度对苹果品质近红外分析准确度的影响［J］.食品科学，2009，30(4):217－220.

［10］ XU Hui-rong，QI Bing，SUN Tong，et al.Variable selection in visible and near-infrared spectra:Application to on-line determination of sugar content in pears［J］.Journal of Food Engineering，2012，109(1):142 －147.

［11］ 王丹，鲁晓翔，张鹏，等.近红外光谱检测不同贮藏期磨盘柿的内部品质［J］.光谱实验室，2013，30(6):2 769－2 774.