线椒货架期的近红外光谱定性判别

潘冰燕,鲁晓翔,*,张 鹏,李江阔,陈绍慧

(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)

线椒货架期的近红外光谱定性判别

潘冰燕1,鲁晓翔1,*,张 鹏2,李江阔2,陈绍慧2

(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)

利用近红外漫反射光谱技术对线椒的货架期进行定性判别研究。实验以常温货架期1、3、5 d的线椒为研究对象,利用主成分分析法(PCA)建立近红外漫反射定性判别模型,在全光谱范围(400～2500 nm)内比较了不同的光谱预处理方法结合不同散射和标准化方法对所建模型的影响。结果表明,采用全光谱下Log(1/R)+None光谱预处理方法建立的模型预测最好,该模型的交互验证相关系数(RCV)为0.9455,交互验证误差(SECV)为0.1534,其正确分类率达95.56%～100%,预测准确率达88.89%～97.78%,该模型能够准确地区分不同货架期的线椒鲜果。因此,近红外光谱技术为线椒货架期的鉴别提供了一种新方法。

近红外光谱,定性判别,货架期,线椒

线椒颜色鲜艳,色绿发亮,辣性强,大小均匀,果肉较厚,含有蛋白质、脂肪、叶绿素、VC等,其主要以佐食调味,消费量很大。由于其含水量高,质地脆嫩,采后运输、货架过程中易受冷害、机械损伤和病菌的侵染而造成较大损耗[1-4],其内部品质在不同货架期存在着很大区别,进而影响其商品价值,故及时准确地判别线椒不同货架期是十分必要的。传统的人工分级检测蔬菜货架期的方法的主要缺点是劳动量大、生产效率低[5-7]。因此,研究一种快速判别线椒货架期的方法具有重要意义。

近红外光谱分析技术(Near-infrared reflectance spectroscopy,NIRS)是近年来兴起的一项新技术,在果蔬贮藏与加工领域被广泛应用于果蔬品质的定量定性检测[8-9]、品种产地与不同成熟度的鉴别[10-11]等方面。Liu等[12]利用NIRS检测新鲜柑橘的SSC含量;Cao等[13]运用NIRS对葡萄的SSC含量、pH和品种进行了无损检测,并运用最小二乘法支持向量机(Least Squares Support Vector Machines,LS-SVM)对葡萄品种和品质建立预测模型;刘燕德等[14]利用NIRS对辣椒的SSC和维生素C含量进行了检测。近年来,国内外学者正逐步将NIRS应用于水果货架期的检测。刘辉军[15]等利用NIRS进行了柑橘货架期的快速鉴别模型的研究;樊景超等[16]对货架期苹果的近红外光谱测定,表明NIRS可以准确、有效地进行定性鉴别。但是,有关线椒货架期的NIRS定性判别尚未见报道。为了快速、有效地区分不同货架期的线椒,以便对其进行分级,本文利用近红外光谱分析技术对线椒货架期进行定性判别的研究,探讨该项技术的可行性。

1 材料与方法

1.1 实验材料与预处理

线椒 采收时选取成熟度一致(八成熟、绿色)、无病虫害和机械损伤的果实,并于当天运回实验室,待线椒的温度与室温一致时,用厚度为16 μm的PE微孔袋包装,置于常温(18～20 ℃,RH 90%)存放。

分别抽取采后1、3、5 d的线椒进行光谱采集。每个货架期选取80个样品进行光谱采集,测定前将线椒鲜果的表面用纱布拭擦干净,每个样品中部选取一个凸表面点进行排序编号,再进行全光谱扫描。

NIRS DS2500近红外漫反射光谱仪 丹麦Foss公司。

1.2 化学指标的测定

叶绿素a、叶绿素b、类胡萝卜素含量的测定:参考Lichtenthaler等[17]的方法,并稍做调整。准确称取切碎的辣椒鲜肉0.500 g,放入研钵中,加入少量的石英砂和碳酸钙粉以及2～3 mL的95%乙醇研成匀浆,再加95%乙醇10 mL,继续研磨至组织变白,静置3～5 min,用滤纸过滤到25 mL棕色容量瓶中,用95%乙醇定容。以95%乙醇为空白,用TU-1810紫外可见分光光度计分别在波长665、649、470 nm下测定其吸光度,然后利用公式进行含量计算。

式(1)

式(2)

式(3)

式(1),式(2)、式(3)中:m:样品质量,g;Ca为叶绿素a含量,%;Cb为叶绿素b含量,%;Cx*c为类胡萝卜素含量,%;D665、D649、D470分别是665、649、470nm下的吸光度值。

1.3 光谱采集

利用NIRSDS2500近红外漫反射光谱仪(丹麦Foss公司),采用全息光栅分光系统,信号采集由硅(400～1100nm)和硫化铅(1100～2500nm)检测器完成,扫描波长范围为400～2500nm,以单波长方式进行快速扫描,配置Nova分析软件和WinISI4定标软件,将每一个线椒样品的中部凸表面点作为NIR漫反射光谱的采集点,并对扫描部分取样进行化学测量。

1.4 模型的建立与验证

利用WinISI4分析软件,在全光谱范围内(400～2500nm)对采集的光谱进行去除噪声处理并最大化地提取有效信息。本实验采用主成分分析(Principalcomponentanalysis,PCA)方法,该法能够充分利用数据信息,增强模型抗干扰能力,并解决了共线问题,在不知道干扰组分存在的情况下也可以用被测组分进行预测,适用于复杂分析体系[18]。主成分累积率越高,结果越准确。然后再用未参与定标的样品对判别模型进行验证,评价模型的可行性。所建立的判别模型用交互验证相关系数(Determinationcoefficientofcrossvalidation,RCV)和交互验证误差(Standarderrorofcrossvalidation,SECV)作为评价指标,以判断正确率作为预测模型评价指标。

2 结果与分析

2.1 线椒光谱图及数据

2.1.1 线椒货架期光谱图 线椒品质的定性分析是通过化学官能团(-CH、-OH、-NH、C=O、C=CH等)在近红外区的倍频和合频吸收强度的差异性,采用相关的化学计量学方法与近红外光谱建立定性判别模型,实现对货架期线椒品质的鉴别。实验分别对货架期1、3、5d的线椒样品进行光谱采集,得到线椒货架期的原始光谱如图1。

图1 线椒货架期原始光谱图Fig.1 Original absorption spectrum of line pepper in shelf-life

由图1可知,线椒鲜果在677、975、1191及1448 nm处具有强吸收峰。通过WinISI4软件分析可知,在可见光区,出现第一个明显的吸收峰(677 nm)可能是由表皮颜色对光的吸收造成的[19];而水分对近红外的吸收带为960～990 nm[20],也有研究认为[21]975、1191 nm的吸收可能是由水和CO2的吸收引起的。1448 nm吸收峰附近主要是 C—H、—CH2键的变化[22],这说明近红外光谱图捕获的信息与线椒内在品质之间存在一定的变化规律。

对原始光谱进行一阶导和二阶导处理,分别得到线椒一阶导、二阶导光谱,见图2、图3所示。

图2 线椒货架期一阶导光谱图Fig.2 1st spectrum of Line pepper in shelf-life

图3 线椒货架期二阶导光谱图Fig.3 2nd spectrum of Line pepper in shelf-life

由图2及图3可见,经过一阶导数、二阶导数处理后的谱图在许多峰位都能看出较显著的差异,且一阶导光谱的差异性比二阶导光谱的大,可见该预处理方法能够有效的提取线椒内部品质的差异信息。实验表明分析不同光谱预处理方式对定性判别模型构建是必要的。

2.1.2 线椒货架期理化指标 对所有样本的理化指标进行检测,其数据分布情况见表1。

表1 货架期线椒数据分布特征

由表1可见,随着货架期的延长,线椒鲜果的叶绿素a、叶绿素b以及类胡萝卜素含量也随之增加;实验数据表明,线椒品质随着时间的推移而产生变化,利用近红外光谱技术能够对这些信息进行快速准确地捕获。因此,研究近红外光谱对货架期线椒品质进行定性判定具有可行性。

2.2 样品集及光谱预处理

分别从1、3、5 d的80个光谱中剔除异常的光谱,最终每个货架期选择75个光谱数据作为当天的样品集。不同存放时间样品集的组成如表2所示,其中,定标集用于建立线椒鲜果货架期的判别模型,预测集用于验证判别模型的可靠性。

表2 定标集和预测集的组成

为了去除高频随机噪音、样本内部不均匀、基线漂移、光散射等因素影响,需要进行光谱预处理。而一阶微分主要解决基线偏移问题,二阶微分则主要解决基线的漂移问题,可明显消除基线和背景的干扰,提高分析精度。在全光谱范围内(400～2500 nm)比较了零阶微分光谱(Log(1/R))、一阶微分光谱(D1Log(1/R))、二阶微分光谱(D2Log(1/R))下的原始处理(None)、去散射处理(Detrend)、标准正常化处理(SNV)+去散射处理(Detrend)、标准多元离散校正(Standard multiple scatter correction,SMSC)、加权多元离散校正(Weighted multiple scatter correction,WMSC)相结合的方法建立的模型。利用主成分分析法(PCA)对不同货架期样本进行聚类分析,得到不同预处理的累积贡献率见表3。

由表3可以清楚的看出,预处理方法不同得到的累积贡献率也不同,经过主成分分析得到的所有处理的前6个主成分的累积贡献率都达到97%以上,其中Log(1/R)+None处理的前6个主成分的累积贡献率最高,达到99.77%。说明这6个变量能够代表绝大部分的原始光谱采集的信息。因此,本实验采用Log(1/R)+None的预处理方法进行判别模型的建立。

采用Log(1/R)+None的方法对光谱进行预处理,然后对不同波段范围对180个样品建立定标模型,结果如表4所示。

表4 不同波段的判别结果

结果表明,全光谱波长400～2500 nm 范围的模型判断的正确率最高,达到95.00%～99.44%。这说明全波长下的近红外光谱信息最齐全,因此,线椒货架期的判别模型选用全光谱波长下。

2.3 判别模型与预测结果

为了研究线椒的货架期,选取在常温下(18～20 ℃)存放1、3、5 d的线椒进行数据采集,运用PCA方法建立判别模型,提取样品光谱数据的前3个主成分,得到三维坐标空间图,如图4所示。

表3 不同预处理的累积贡献率(%)

表5 PCA方法建立模型的统计结果

图4 不同货架期的三维效果图Fig.4 Three-dimensional rendering of different shelf-life

图4中的坐标代表由主成分1、主成分2、主成分3组成的三维坐标系。从图4可见,采后货架期1、3、5 d的线椒能够被完全分开,即所建立的判别模型适用于线椒鲜果货架期的定性判别。该模型的交互验证相关系数(RCV)为0.9455,交互验证误差(SECV)为0.1534,正确分辨率达到95.56%～100%。

利用最优的预处理方法(Log(1/R)+None)建立主成分判别模型,对剩下的15个预测集样本用于验证,评价模型的预测准确性,得到结果见表4。

由表5可见,对于总的预测集,错误的个数为1,不确定的个数为4,成功对40个样品进行了预测。其中,对货架期1 d的线椒品质预测的正确率高达93.33%～100.00%,而总的预测集正确率也达到了88.89%～97.78%。

3 结论

本研究表明,运用不同光谱预处理方法得到的模型累积贡献率不同,对多种预处理方法进行讨论研究,能够提高模型的累积贡献率。本实验应用Log(1/R)+None的光谱预处理方法,在全波长范围内(400～2 500 nm)建立的线椒货架期的判别模型效果最好,该模型的交互验证相关系数(RCV)为0.9455,交互验证误差(SECV)为0.1534,正确分类率达到95.56%～100%。实验结果说明,利用近红外光谱技术鉴别线椒鲜果货架期是可行的,可以为线椒货架期判定提供一定的理论依据,同时也可以为蔬菜的近红外光谱检测提供可行性依据。虽然模型取得了很好的判别正确率,但是在样品的采集数量上面还不够,后期的研究可以再加大样品的数量,以保证模型的适用范围。

[1]李雪峰.辣椒保鲜贮藏技术[J].辣椒杂志,2008(2):37-39.

[2]侯田莹,王福东,寇文丽,等.温度变化和1-MCP处理对青椒贮藏品质的影响[J].保鲜与加工,2012,12(5):8-13.

[3]任邦来,杨晓花.植酸对辣椒保鲜效果的研究[J].中国食物与营养,2014,20(5):61-63.

[4]赵月,陶乐仁,陈娟娟.吸湿剂及添加量对冷藏鲜辣椒品质的影响[J].江西农业学报,2014(11):029-032.

[5]刘珣,董军茂.辣椒采后生理与贮藏保鲜研究进展[J].北方园艺,2007(11):88-90.

[6]李家政,周延文,唐巨颖.甜椒采后生理及保鲜技术研究进展[J].北方园艺.2010(19):214-217.

[7]王丹,鲁晓翔,张鹏,等.近红外光谱对磨盘柿货架期的定性判别[J].食品科学,2013,34(22):185-188.

[8]Xu H,Qi B,Sun T.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.

[9]Wang J,Nakano K,Ohashi S.Nondestructive evaluation of jujube quality by visible and near-infrared spectroscopy[J].LWT-Food Science and Technology,2011,44(4):1119-1125.

[10]黄艳华,杜娟,夏田,等.近红外光谱在植物种及品种鉴定中的应用[J].中国农学通报,2014,30(6):46-51.

[11]褚小立,陆婉珍.近五年我国近红外光谱分析技术研究与应用进展[J].光谱学与光谱分析,2014,34(10):2595-2605.

[12]Ying Y,Fu X,Lu H. Experiments on predicting sugar content in apples by FT-NIR technique[J]. Journal of Food Engineering,2007,80(3):986-989.

[13]Cao F,Wu D,He Y.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:S15-S18.

[14]刘燕德,周延睿,潘圆媛.基于最小二乘支持向量机的辣椒可溶性固形物和维生素犆含量近红外光谱检测[J].光学精密工程,2014,22(2),282-288.

[15]刘辉军,李文军,吕进,等.近红外光谱柑橘货架期的快速鉴别模型-基于主成分分析神经网[J].农机化研究,2009,31(5):174-176.

[16]樊景超,周国民. 苹果货架期的近红外光谱定性分析[J].中国食物与营养,2011,17(1):47-49.

[17]张其德.测定叶绿素的几种方法[J],植物学通报,1985,3(5):60-64.

[18]李光辉,任亚梅.近红外技术在果品品质无损检测中的研究进展[J].食品研究与开发,2013,33(10):207-211.

[19]Cayuela J A.Vis/VIR Soluble Solids Prediction in Intact Oranges(Citrus Sinensis L)cv.Valencia Late by Reflectance[J].Postharvest Bid.Technol.2008,47(1):75-80.

[20]Wiliams P,Norris K H.Variable Affecting Near Infrured Spectroscopic Analysis.In:Wiliams P,Norris K H.(Eds.).Near Infrured Technalogy in the Agricuture and Food Industries[M].Seconed.St.Paul,MN:The American Association of Cereal Chemist,2001:171-185.

[21]王宝刚,李文生,蔡宋宋,等.核果类水果干物质含量近红外无损检测研究[J].光谱实验室,2010,27(6):2118-2123.

[22]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,2014,30(6):2769-2774.

Qualitative discrimination of line pepper in shelf-life by near infrared spectroscopy

PAN Bing-yan1,LU Xiao-xiang1,*,ZHANG Peng2,LI Jiang-kuo2,CHEN Shao-hui2

(1.Tianjin Key Laboratory of Food Biotechnology,College of Biotechnology and Food Science,Tianjin University of Commerce,Tianjin 300134,China;2.Tianjin Key Laboratory of Postharvest Physiology and Storage of Agricultural Products,National Engineering and Technology Research Center for Preservation of Agricultural Products,Tianjin 300384,China)

Near-infrared diffuse reflectance spectroscopy was used for qualitative discrimination of line pepper in shelf-life,and the line pepper storaged at room temperature during shelf life(1,3,5 days)were as materials.The principal component analysis(PCA)was used to establish Near-infrared diffuse reflectance qualitative discriminate model. In the spectral region between 400～2500 nm,calibration results of line pepper were compared with different derivative treatments and different scatter and standard treatments.The results showed that original spectrum combined with none in the wavelength range of 400～2500 nm,provided better prediction performance of line pepper,with the cross-validation correlation coefficient(RCV)of 0.9455,the cross-validation error(SECV)of 0.1534,the correct identification rate of discriminate model was 95.56% to 100%,predict accuracy was 88. 89% to 97.78%. The model can accurately distinguish between different lines pepper fruit shelf life. So Near infrared spectroscopy could offer a new approach to the line pepper in shelf-life.

near infrared spectrum;qualitative identification;shelf-life;line pepper

2015-02-13

潘冰燕(1990-),女,在读硕士,研究方向:农产品加工与贮藏,E-mail:pby_0816@163.com。

*通讯作者:鲁晓翔(1962-),女,硕士,教授,研究方向:农产品加工与贮藏,E-mail:lxxiang@tjcu.edu.cn。

国家“十二五”科技支撑计划(2012BAD38B01)。

TS201.7

A

1002-0306(2015)23-0285-05

10.13386/j.issn1002-0306.2015.23.050