苹果有效酸度的近红外无损检测研究

孙炳新，匡立学，徐方旭，苏 阳，赵 静，冯叙桥，，*

(1.渤海大学食品科学研究院，渤海大学化学化工与食品安全学院，辽宁省食品安全重点实验室，“食品贮藏加工及质量安全控制工程技术研究中心”辽宁省高校重大科技平台，辽宁锦州121013;2.沈阳农业大学食品学院，辽宁沈阳110866;3.美国加州大学戴维斯分校环境毒理系，美国加州戴维斯市95616)

水果中含有多种有机酸、无机酸、酸式盐和酸性有机化合物等，其中有机酸以柠檬酸、苹果酸、草酸和酒石酸为主，这些酸性物质构成了水果的酸度。水果的酸度与其品质和口感密切相关，酸度不仅影响水果的风味，而且成熟过程中的水果中酸性物质会不断发生转化，所以水果在不同时期具有不同的口感，因此酸度也是判断水果成熟程度的重要指标之一。水果中的有机酸，可使水果具有浓郁的香味，能刺激食欲，促进消化，并有一定的营养价值，在维持人体酸碱平衡方面有显著的作用。此外，酸度是鉴定水果质量的依据之一，水果中的特定酸，如乙酸等挥发酸的含量能反映出果品是否变质。水果的pH是果品加工过程中防止酶促褐变需要重点控制的指标之一，控制产品的pH还可以控制酶的活性和微生物生长。另外，水果的pH是产生酸味的主要因素之一，通常认为酸味是由舌粘膜受到氢离子刺激而引起的，以此可以推论:凡在溶液中能解离出氢离子的化合物都应具有酸味。而pH反映的正是氢离子的浓度，所以水果的有效酸度(即pH)能反映水果的 酸 味［1］。 红 富 士 苹 果 (Malus domestica Borkh.CV.Red Fuji)酥脆多汁、酸甜适口，是生产苹果汁、苹果醋的上好原料，市场需求旺盛。为了能使红富士苹果有更好的发展前景，开发一种能够精确检测出苹果内外品质的仪器已成必然。近红外透射光谱技术(Near Infrared Transmittance Spectroscopy，NITS)，是电子技术、光谱技术、计算机技术和化学计量技术的集成。该技术是利用波长为700～1100nm的电磁波来分析样品的结构和组成等信息，从而实现样品的无损检测。因其简单、高效、无损的特点，已经成为现代无损检测的代表和主要发展方向，是解决农产品检测分级的有效途径［2－7］。在国外，Murakami［8］、Lammertyn［9］、Mcglone［10］和 Peirs［11］先后研究了在不同的波长内，利用近红外光谱(Near Infrared，NIR)无损检测方法检测苹果的糖度、酸度，并取得了可喜成果，用PLS建立模型相关系数达0.92。在国内，刘燕德等［12］应用NIR漫反射光谱技术，在10341～3818cm－1光谱范围内建立了酸度的数学模型，样品预测值和真实值之间的相关系数为0.906。但利用近红外透射光谱技术对苹果pH的研究国内外并不多见。

红富士苹果储藏期长，储藏期间内部品质会发生较大变化，本文利用NITS对较长储藏期的苹果pH进行了监测和建模，目的是能够利用所建立的模型对不同储藏期的红富士苹果pH进行快速无损检测。

1 材料与方法

1.1 材料与仪器

红富士苹果 采自辽宁省大连市金州新区八里村果园。

Purespect型近红外光谱透射光谱仪 日本杂贺技术研究所;SJ－4A型pH计 南京宝威仪器仪表有限公司。

1.2 实验方法

1.2.1 样品处理流程 样品采收后立即带回实验室，放在(0±0.5)℃冷库中贮藏备用。实验前从冷库中取出，放置5h，使苹果整体温度与室温(约20℃)一致，选择没有外部缺陷、大小颜色均匀的果实进行编号，然后进行近红外光谱扫描和pH测定。果实近红外光谱采集和pH测定进行4次，分别在果实采后的15、75、135、195d进行，每次用30个苹果样本，其中25个作为校正集，5个作为预测集。将4次采样的校正集样品共100个用于建模，预测集样品共20个用于模型的验证。

1.2.2 光谱的采集 本实验使用的光谱仪器是日本杂贺技术研究所提供的滤光片型Purespect近红外透射光谱仪，波长扫描范围643.26～985.11nm，采点间隔为1.29nm，在每个苹果样品赤道上等距离的选取四点进行光谱扫描，每点扫描三次，保存的光谱数据为文本文件形式。

1.2.3 pH的测定 苹果有效酸度测定使用SJ－4A型pH计。这种pH计是用于测量水溶液酸度(即pH)的一种实验室常规分析测量仪器，具有自动校准、自动计算、自动温度补偿、显示电极百分斜率等功能。本次实验的每个样品果汁重复测定三次，取其平均值作为此样品的pH。

1.2.4 数据处理方法 将文本文件形式的光谱数据导入Excel表格求出每个样品12次光谱数据的平均值，每个苹果样品对应波长下的吸光度利用下述公式计算:A=lg(I0/It)

其中，A:吸光度;I0:入射光强度;It:透过光强度。

将吸光度值导入软件Unscrambler 6.1中，分别用3点移动窗口平滑处理、一阶微分(17点，Savitzky－Golay)、二阶微分(25 点，Savitzky－Golay)和多元散射校正4种方法对光谱进行预处理，选用偏最小二乘法(PLS)对预处理后的光谱数据进行建模，通过对模型相关系数和均方根误差的比较，选择最优的预处理方法。PLS现已成为化学计量学中最常用最有效的多变量建模方法，具有较强的抗干扰能力，可全波段参与多元数学模型的建立，优于多元线性回归(MLR)和主成分回归(PCR)等方法［13－14］。利用 SPSS数据处理软件分别对校正集和预测集苹果样品的pH实测值进行描述统计分析和方差分析。

2 结果与分析

2.1 样品实测pH分布情况

所建模型的质量好坏很大程度上取决于样品标准值的检测精度和样品评价参数覆盖的范围。本实验100个建模集样品和20个验证集样品的pH覆盖了高、中、低水平，基本以平均值为中心呈正态分布，说明样品具有一定的代表性，并且样品预测集的pH都在校正集范围内，二者差异不显著。在此基础上建立的模型质量可靠。具体统计结果见图1和表1。

图1 苹果样品有效酸度频率分布图Fig.1 The probability distribution of pH values from calibration and prediction sets for apples samples

表1 苹果样本校正集和预测集pH实测值分析Table 1 Analysis on results of pH values from calibration and prediction sets for apple samples

2.2 不同种光谱预处理方法结果比较

仪器采集的原始光谱中除包含与样品结构组成有关的信息外，还可能受测试条件、外界温度、仪器状态等因素影响，而且样品中不同成分之间的相互干扰也会导致光谱谱线重叠，低含量成分光谱峰被高含量成分光谱峰掩盖等问题。因此，谱图的预处理主要解决光谱噪音的滤除、数据的筛选、光谱范围的优化及消除其他因素对光谱图所含信息的影响，

提高分辨度和灵敏度，为下步校正模型的建立和未知样品的准确预测打下基础［15－16］。4种不同预处理下建模和模型预测的结果见表2。

从表2可以看出，采用25点Savitsky－Golay二阶微分处理效果好于原始光谱和其他处理方法，其相关系数最高，均方根误差较低。所以在以后的建模中，选取25点Savitsky－Golay二阶微分处理作为光谱的预处理方法。图2和图3分别是校正集苹果样品预处理前后的光谱图，对比两图可知，预处理后的光谱图对称地分布在基线两侧，消除了基线漂移，平缓了背景干扰，比原光谱具有更高的分辨率和更清晰的光谱轮廓变化，这与李东华等人的研究结果一致［17－18］。

图2 苹果原始光谱图Fig.2 Absorption spectrogram of apples

图3 二阶导数处理后的光谱图Fig.3 Absorption spectrogram of apples calculated with second order derivative processing

2.3 苹果pH近红外模型的建立

2.3.1 模型建立光谱区域的选择 光谱建模范围的优化选择是提高建模精度的一种手段。采用全光谱计算时，计算工作量很大，有些光谱区域样品的光谱信息很弱，与样品的组成或性质间缺乏相关关系。为了找出最有效的光谱区域，可以将测定的组分或性质数据与样品的光谱数据关联，求出相关系数，并得到相关系数与波长的相关图，通过相关图，选出较大相关系数的光谱区域［19］。根据上述分段建模思想，本实验将原始光谱进行二阶求导预处理后，将全谱区平均分成4段，并分别就光谱区域和全谱区进行PLS建模，结果如表3。

表3 苹果分段建模结果Table 3 Calibration results for apples in different segements

由表3可知，利用全波段643.26～954.15nm光谱区建立的pH模型的相关系数为0.925，高于其它4个分段光谱建立的模型。这个建模结果说明虽然在669.06～732.27nm波段光谱的变化较明显，但这种变化不仅仅是由pH引起的，而可能同时受到内部糖等含量变化的影响。因此样品的有效酸度是通过全波段光谱反映出来的，所以利用669.06～727.06nm全波段建立的pH模型性能优于分段建模。

2.3.2 苹果pH近红外模型的建立 实验以来自不同储藏期的100个苹果作为校正集样品，利用PLS法建立苹果pH近红外无损检测定标模型，图4为苹果pH模型的校正集样品预测值与实测值相对应的散点图。

图4 苹果pH预测值与实测值相对应的散点图Fig.4 Scatter plots of predicted and measured values for apple pH

由图4可知，建立的 pH模型的相关系数为0.925，校正均方根误差为0.039，说明该模型自身相关性很好，可以用于未知样品的预测。

2.4 苹果pH模型预测性能的验证

校正集具有较高的相关系数和较低的标准偏差对一个可靠的模型是十分必要的，但一个模型的优劣不仅取决于此，还要求有较高的预测能力，预测均方根误差值也应较低。本实验对已建立的苹果pH近红外模型的预测性能进行了验证，具体做法是利用模型对20个预测集样品进行pH的预测，结果见表4和图5。

表4 预测集样品预测值与真实值结果Table 4 Results of predictive value and true value of prediction samples

图5 20个预测样品残差分布图Fig.5 Residual error distribution for 20 prediction samples

由表4可见，建立的苹果pH模型对20个预测集样品的预测值与真实值比较接近，残差在零线上下较均匀地波动，残差之和为0.156。综上所述，通过对模型校正集相关系数、均方根误差、残差分布和残差四项指标的分析结果表明:建立的苹果模型性能较稳定，能满足实际应用的要求。

3 结论

3.1 4种不同光谱预处理方法对苹果pH模型影响的比较结果表明:选取25点Savitsky－Golay二阶微分处理作为光谱的预处理方法所建模型效果最好，校正集和预测集的相关系数都高于其它预处理方法，均方根误差也相对较低。

3.2 对苹果pH的近红外光谱分波段建模的结果表明:利用全波段643.26～954.15nm光谱建立的苹果pH模型相关系数为0.925，校正均方根误差为0.039，优于其它分段光谱建立的模型。

3.3 实验通过对模型的相关系数、均方根误差、残差分布和残差之和等多项指标的分析表明，建立的红富士苹果pH模型性能较稳定，能够满足不同储藏期红富士苹果品质的测定。

［1］陈永杰.几种水果有效酸度的测定［J］.潍坊高等职业教育，2010，2(3):65－68.

［2］陈斌，王豪，林松，等.基于相关系数法与遗传算法的啤酒酒精度近红外光谱分析［J］.农业工程学报，2005，21(7):99－102.

［3］Krivoshiev GP，Chalucova RP，Moukarev MI.A Possibility for elimination of the interference from the peel in nondestructive determination of the internal quality of fruit and vegetables by VIS/NIR spectroscopy［J］.Postharvest Biology and Technology，2000，33(5):344－353.

［4］Clark CJ，Mcglone AV，Jordan RB.Detection of Brownheart in‘Braeburn’ apple by transmission NIR spectroscopy［J］.Postharvest Biology and Technology，2003，28(1):87－96.

［5］赵杰文，张海东，刘木华.简化苹果糖度预测模型的近红外光谱预处理方法［J］.光学学报，2006，26(1):136－140.

［6］刘燕德，陈兴苗，欧阳爱国.可见/近红外光谱法无损检测赣南脐橙可溶性固形物［J］.光学学报，2008，28(3):478－48.

［7］刘燕德，孙旭东，章海亮，等.南丰蜜桔可溶性固形物非线性模型研究［J］.华东交通大学学报，2009，26(3):33－36.

［8］Murakami M，Himoto J，Itoh K.Analysis of apple quality by near infrared reflectance spectroscopy［J］.Faculty of Agriculture，Hokkaido University，Sapporo，1994，66(1):51－61.

［9］Lammertyn J，Peirs A，Baerdemaeker JD，et al.Light penetration properties of NIR radiation in fruit with respect to nondestructive quality assessment［J］.Postharvest Biology and Technology，2000，18(2):121－132.

［10］Mcglone VA，Jordan RB，Clark CJ，et al.VIS/NIR estimation at harvest of pre－and post－storage quality indices for‘Royal Gala’apple［J］.Postharvest Biology and Technology，2002，25(2):135－144.

［11］Peirs A，Schenk A，Nicola BM.Effect of natural variability among apples on the accuracy of VIS－NIR calibration models for optimal harvest date prediction［J］.Postharvest Biology and Technology，2005，35(1):1－13.

［12］刘燕德，应义斌，傅霞萍.近红外漫反射用于检测苹果糖度及有效酸度的研究［J］.光谱学与光谱分析，2005，25(11):1793－1796.

［13］赵杰文，张海东，刘木华.利用近红外漫反射光谱技术进行苹果糖度无损检测的研究［J］.农业工程学报，2005，21(3):162－165.

［14］李桂峰，赵国建，王向东，等.苹果质地品质近红外光谱无损检测和指纹分析［J］.农业工程学报，2008，24(6):169－173.

［15］章海亮，孙旭东，刘燕德，等.近红外光谱检测苹果可溶性固形物［J］.农业工程学报，2009，25(2):340－344.

［16］纪淑娟，柏兰，李东华，等.南果梨糖度近红外光谱无损检测模型的建立［J］.食品工业科技，2008，29(4):281－286.

［17］朱登胜，俞冬丽，张冬生.基于光谱技术的苹果糖度快速无损检测研究［J］.金华职业技术学院学报，2009，9(6):37－41.

［18］李东华，纪淑娟，重滕和明.果实成熟度对南果梨近红外无损检测技术模型的影响［J］.食品科学，2009，30(12):266－269.

［19］陆婉珍，袁洪福，徐广通.现代近红外光谱分析技术［M］.北京:中国石化出版社，2000.