近红外光谱对甜椒果实质地的无损检测*

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)

甜椒(Capsicum annuum L.)，俗称灯笼椒，原产于墨西哥和中美洲一带。与普通大椒相比，它含有较高营养物质［1-2］，如糖和VC。在物流过程中，甜椒对水分的要求严格，且易受冷害、机械伤害和病菌侵染［3］，而易造成较大的损耗。质地是果实成熟和果实品质的重要指标，影响到果实采前采后处理方法、货架期的长短、风味及其口感等。测定甜椒果实常用质构仪进行质地多面分析(TPA)，该法测定实验结果虽然精度较高，但是操作复杂，耗时长，须对甜椒进行破损才能测定，因此急需研究出一种方便快捷、无损的测定方法，实现对甜椒果实质地在线监控。

近红外光谱分析具有快速、无损、多组分同时测定等优点，受到国内外分析界的重视［4-5］。就辣椒而言，Lim等［6］利用近红外光谱建立韩国辣椒的辣椒素检测模型，结果表明，预测集的相关系数(RP)、标准差(SEP)分别为 0.958 5、10.147 mg/100g;Sánchez等［7］利用近红外检测辣椒农药残留量，结果表明，偏最小二乘-判别分析存在/不存在的农药的样品正确分类为62% ～68%;Penchaiya等［8］用近红外光谱无损检测甜椒的硬度和可溶性固形物含量，结果表明，模型的硬度和SSC的SEP值分别为4.49 N、0.7%，近红外对甜椒SSC和硬度无损检测效果均较好;李沿飞等［9］利用NIRS对干辣椒的辣度进行检测，结果表明，辣椒的辣度 PLS评价模型的 RCV、RP分别为0.987 1、0.910 4，SECV、SEP 分别为 2 445、3 976;刘燕德等［10］利用近红外光谱技术实现了鲜辣椒中可溶性固形物(SSC)和VC含量的快速无损检测，结果表明，对鲜辣椒中 SSC和 VC含量预测集 RP分别为0.971、0.899。本文通过近红外光谱对常温货架期的甜椒果实质地进行测定。

1 材料与方法

1.1 实验材料

原料:甜椒于2014年12月23日采于山东寿光蔬菜基地，采后直接运回实验室，待甜椒的温度与室温一致时，挑选出成熟度一致(八成熟、黄色)、大小均匀、无病虫害和无机械损伤带梗的甜椒样品，并用厚度为16 μm的PE袋包装、扎口，每袋装20个，置于18～20℃存放，进行常温货架实验。

分别在货架期1，3，5，7天进行光谱测定，每次随机抽取35个甜椒样品，光谱测定后再进行果肉质地的测定。测定前将甜椒表面擦拭干净，选取表面较平的部位，并对其进行标记和排序编号，之后在标记的点进行全光谱扫描。剔除异常数据之后，试验共抽取120个数据，其中定标集90个和验证集30个。

1.2 光谱采集

NIRS DS2500近红外光谱仪，丹麦Foss公司。采用全息光栅分光系统，测量方式为漫反射，检测器由金属硅(400～1 100 nm)和硫化铅(1 100～2 500 nm)组成，扫描波长范围为400～2 500 nm，扫描方式为单波长，扫描次数为32次，配置Nova分析软件和WinISI4定标软件。

1.3 甜椒果实质地的测定

［11-13］的方法结合预实验略有改动。在果实光谱扫描点附近取样，切成大小一致(1 cm2左右)的正方形小块、厚度均匀的椒片作为测试对象，表皮朝上平放在测试台中央，利用英国产TA.XT.plus物性测定仪P/75探头做质构仪质地多面分析(TPA)实验。测试参数为:测前速度为5.00 mm/s测试速度为2.00 mm/s，测后速度为2.00 mm/s，甜椒果肉受压变形25%，2次压缩停顿时间为5.00 s，触发力是5.00 g。由质地特征曲线得到评价甜椒果肉状况的质地参数:弹性、回复性和凝聚性。甜椒果肉TPA试验模式和典型质地特征曲线如图1所示。

图1 甜椒TPA试验模式图及特征曲线Fig.1 Sweet pepper texture profile analysis test mode figure and characteristic curves

TPA参数定义［14］如下:弹性是指甜椒果肉经第一次压缩变形后，在去除变形力的条件下所能恢复的程度，反映在质地特征曲线上为=ΔT/T1;回复性是指果肉在受到外界压力作用时回弹的能力，即第一次压缩至峰值后返回时果肉所释放的弹性能与压缩时探头耗能之比，反映在质地特征曲线上为A4/A5;凝聚性是指咀嚼果肉时，果肉抵抗牙齿咀嚼破坏而表现出的内部结合力，反映了细胞间结合力的大小，使果实保持完整的性质，反映在质地参数特征曲线上为A2/A1。(其中A1:第一次压缩所得的峰面积;A2:第二次压缩所得的峰面积;A4:第一次压缩至峰值所得的面积;A5:A1-A4;T1:第一次压缩达峰值时所经历的时间;ΔT(ΔT=T3-T2):第二次压缩达峰值时所经历的时间。)

1.4 模型的建立与验证

利用WinISI4软件，对原始光谱进行滤波和平滑处理，以去除噪声，并提取有效信息，采用不同预处理确定甜椒果肉弹性、回复性以及凝聚性无损预测模型;然后，再用未参与定标的样品对模型进行验证，评价模型的准确性。为了模型的实用性，果肉弹性、回复性以及凝聚性的最小值以及最大值被选入定标样品集中。以定标集相关系数RCV和交叉验证误差SECV，预测集相关系数RP、误差SEP和残差的大小及总和作为模型的评价标准。通常，所建立模型的RCV和RP越大，SECV、SEP和残差越小，模型的效果越好［15］。本实验模型定标集和验证集样品的分布特征如表1所示。

表1 甜椒样本定标集和预测集果实质地实测值分析Table 1 Analysis results of fruit texture from calibration and prediction sets for sweet peppers samples

2 结果与分析

2.1 常规分析基本参数

将甜椒果实置于NIRS DS2500近红外漫反射光谱仪上进行扫描，分析时间为1 min，可以得到甜椒果实的近红外原始光谱，结果见图2。

图2 甜椒近红外原始光谱图Fig.2 Original absorption spectrum of the same sweet pepper sample

图2是随机选择的3条甜椒原始光谱图，由图2可以看出，不同甜椒的原始光谱图存在差别，而且其近红外光谱吸收带在506、978、1 190、1 450 nm处有强吸收峰，在可见光区出现的第一个强吸收峰(506 nm)，有研究［16］指出是由果皮的叶绿素引起的;而在978 nm和1 190 nm处的吸收峰主要是水分引起的［17］，因此，水分含量对甜椒的近红外光谱吸收影响很大;1 450 nm处吸收峰附近主要是由于C—H、—CH2键的变化引起，是因为甜椒中的SSC和可溶性果胶等物质的含量随着货架期的延长而变化，而它们的特征官能团就是C—H、—CH2等，果实中水分和官能团的变化就会产生果实质地的变化，这说明近红外光谱图捕获的信息与甜椒内在品质之间存在着一定的变化规律。因此，本研究用可见/近红外漫反射光谱无损检测甜椒的内部品质，分别建立果肉弹性、回复性和凝聚性的预测模型。

2.2 近红外甜椒果实质地模型的建立

近红外光谱仪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益，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的是光谱噪音的滤除、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，为下步定标模型的建立和未知样品的准确预测打下基础［18］。

本文采用改进最小偏二乘法(MPLS)，分别研究不同导数处理方法与不同散射和标准化方法相结合的处理模型，从而找到最优的模型。在全光谱范围(400～2 500 nm)、金属硅检测波段(400～1 100 nm)和400～1 450 nm波段比较了零阶光谱［Log(1/R)］、一阶微分光谱［D1Log(1/R)］和标准正常化处理与去散射处理(SNV+Detrend)、加权多元离散定标(WMSC)相结合的方法建立模型。用不同光谱预处理方法建模，结果如表2、表3所示。

表2 全光谱范围内不同预处理的定标结果Table 2 Statistical results of models constructed by different pretreatment at full spectrum

表3 特征波段下不同预处理模型的定标结果Table 3 Statistical results of models by different pretreatment at characteristic bands

由表2可知在全光谱范围内，果肉弹性的最优预处理分别为MPLS+原始+None，而回复性和凝聚性的最优预处理一样，均为MPLS+一阶+Detrend Only，弹性、回复性和凝聚性定标集相关系数RCV分别为0.937、0.933和0.932，它们交叉验证误差 SECV分别为0.029、0.013和0.016 N。由表3可知在波段400～1 100 nm下，果肉弹性、回复性最优预处理一样，它们和凝聚性的最优预处理分别为MPLS+一阶+Detrend Only和MPLS+一阶+None，弹性、回复性和凝聚性RCV分别为0.949、0.930和0.954，SECV分别为0.026、0.013和0.018;而在波段400～1 450 nm下，果肉弹性、回复性和凝聚性的最优预处理均为MPLS+一阶 +Weighted MSC，它们的 RCV分别为0.943、0.935 和0.939，SECV 分别为0.028、0.013 和0.014。说明分波段与全光谱下建立的模型相关系数都较高，基本都在0.9以上，而且最优的模型并非都是在全光谱范围内得到，因此分波段分析是有必要的，但单从定标集来看模型效果差别不明显。因此，需要利用未知样品对模型进行验证。

2.3 近红外甜椒果实质地模型预测性能的验证

定标集具有较高的相关系数以及较低的标准偏差是评价一个模型可靠性的标准之一，模型的优劣不仅取决于此，还要求其具有较高的预测能力，预测标准误差值(SEP)也应较低，利用定标集以外的30个预测集样品分别检验果肉弹性、回复性和凝聚性在全光谱(400～2 500 nm)、波段400～1 100 nm和400～1 450 nm下建立的最优模型预测准确性，结果见表4。

表4 特征波段下各自最优定标模型的预测结果Table 4 Prediction results of the best calibration models at characteristic bands of their respective

由表4可知，3个波段间进行比较，但果肉弹性、回复性和凝聚性在400～2 500 nm范围内的预测误差值(SEP)均最小，预测集相关系数RP均最高，即预测结果最优，说明全光谱下建立的模型准确性最好、质量最高;虽然在全光谱下建立的定标集RCV并非是最高的，但是预测结果最好，说明这种变化可能不仅仅是由果肉弹性、回复性和凝聚性引起的，还可能同时受到内部SSC、酸和水分含量等变化的影响，样品的果实质地信息是通过全波段光谱反应出来的，所以试验最终选择全光谱所建立模型对甜椒果肉弹性、回复性和凝聚性进行测定，这与孙柄新等［19］对苹果脆度的近红外无损检测结果一致。利用模型对30个预测集样品进行弹性、回复性、凝聚性值的预测，结果见图3，其中图3-a、图3-b、图3-c分别是弹性、回复性、凝聚性的残差分布图。

由图3可知，建立的甜椒果肉弹性、回复性和凝聚性模型对30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的波动，而且残差均小于0.04 N或大于-0.04 N，弹性、回复性、凝聚性残差总和分别为 -0.200、0.068、-0.033 N。综上所述，通过对模型定标集相关系数RCV、交叉验证误差SECV、预测集相关系数RP、预测误差值(SEP)、残差分布和残差总和6项指标的分析结果表明:建立的甜椒模型性能较稳定，能满足实际应用的要求。

图3 预测集相对残差分布图Fig.3 Residual error distribution for prediction samples

3 结论

本实验用近红外漫反射光谱技术对甜椒果实质地进行了分析，探索了用多种建模方法，甜椒果实质地与近红外漫反射光谱具有很好的相关性，实测值与预测值之间的残差很小，为甜椒内部品质无损检测数学模型提供了参考，可以为甜椒果肉弹性、回复性和凝聚性的在线检测提供良好的基础，同时也为蔬菜类的质地的测定提供参考价值。实验通过相关系数、相对误差、残差分布和残差之和等多项指标对模型的进行评价，分析表明建立的甜椒果肉弹性、回复性、凝聚性模型性能比较稳定，能够满足甜椒品质的测定。

本实验虽然应用MPLS分析法对甜椒的果实质地的判别是可行的，但仍需进一步深入研究，如加大定标集和预测集的样本数量，对不同产地或者生长环境对甜椒的果实质地模型预测精度的影响因素等，以提高定标模型的精度和稳定性。

参考文献

［1］ 彭燕，车振明，曾朝懿.保鲜剂与低温气调处理对甜椒贮藏品质的影响［J］.食品与发酵科技，2013，49(6):46-49.

［2］ Maoka T，Mochida K.Cancer chemo preventive activity of carotenoids in the fruits of red paprrika Capsicum annuum L.［J］.Cancer Lett，2001，172(2):103-109.

［3］ 梁关生，吴智明，宋亚平，等.彩色甜椒品种比较试验［J］.中国农学通报，2011，27(13):260-263.

［4］ 张鹏，李江阔，陈绍慧.苹果品质近红外光谱无损检测技术研究进展［J］.保鲜与加工，2013，13(3):1-7.

［5］ 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.

［6］ Lim J，Mo C，Noh S H，et al.Capsaicinoids content prediction model development for Korean red-pepper powder using a visible and near-infrared spectroscopy［C］//SPIE Defense，Security and Sensing.International Society for Optics and Photonics，2012:83690Z-83692Z.

［7］ Sánchez M T，Flores‐ Rojas K，Guerrero J E，et al.Measurement of pesticide residues in peppers by near-infrared reflectance spectroscopy［J］.Pest Management Science，2010，66(6):580-586.

［8］ Penchaiya P，Bobelyn E，Verlinden B E，et al.Non-destructive measurement of firmness and soluble solids content in bell pepper using NIR spectroscopy［J］.Journal of Food Engineering，2009，94(3):267-273.

［9］ 李沿飞，胡羽，屠大伟，等.近红外光谱技术快速无损测定干辣椒的辣度［J］.食品科技，2013，38(1):314-318.

［10］ 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C含量近红外光谱检测［J］.光学精密工程，2014，22(2):281-288.

［11］ 胡璇，夏延斌，邓后勤.利用质构仪测定剁椒脆度方法的研究［J］.辣椒杂志(季刊)，2010(3):39-43.

［12］ 高伟民.青椒在水煮过程中护色措施的研究以及护色剂对硬度的影响［J］.江西食品工业，2011，(4):34-38.

［13］ 王丹，鲁晓翔，张鹏，等.近红外无损检测甜柿果实质地和品质［J］.食品工业科技，2013，34(24):53-56.

［14］ 任朝晖，张昆明，李志文质地多面分析(TPA)法评价葡萄贮藏期间果肉质地参数的研究［J］.食品工业科技，2011，32(7):375-378.

［15］ 王丹，鲁晓翔，张鹏，等.可见/近红外漫反射光谱无损检测甜柿果实硬度［J］.食品与发酵工业，2013，39(5):180-184.

［16］ 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.

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

［18］ 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.

［19］ 孙炳新，匡立学，徐方旭，等.苹果脆度的近红外无损检测［J］.食品与发酵工业，2013，39(5):185-189.