冷藏过程中樱桃VC含量的近红外检测*

罗枫，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)

沙蜜豆樱桃(summit)，又称为大樱桃、甜樱桃，属蔷薇科李亚科李属，其营养丰富、味美可口［1］。由于樱桃果皮薄、果肉软、果汁多，且樱桃在盛夏(6～7月)时节采收上市，导致樱桃在冷藏过程中很容易品质下降(果肉变软、表皮破损、风味变劣等)，从而限制了樱桃异地销售［2］。对冷藏过程中的樱桃进行快速无损的品质监控，成为亟需攻克的课题。

近红外光谱技术(near infrared spectroscopy，NIRS)，几乎可以应用于所有含氢键基团样品的生化指标的研究，研究物质内部不同成分在近红外区域独特的吸收特征［3］。有关近红外对水果内部品质无损检测的相关报道较多［4］，且多集中在对水果中的可溶性固形物、总酸、硬度等［5］的检测方面。郭卫东等［6］应用 NIRS检测樱桃中的甜度;夏俊芳等［7］利用NIRS检测柑橘中VC含量;唐长波等［8］应用NIRS对黄桃中的可溶性固形物进行无损检测。

目前，针对樱桃内部无损检测的研究却鲜见，樱桃果实中的VC含量是决定其品质的重要指标［9］，但现在尚未有关樱桃中VC含量NIRS检测的报道。本文利用NIRS对冷藏过程中樱桃的VC含量进行高效快速的无损检测，以期为物流中樱桃品质变化的快速监控提供新的方法和技术依据。

1 材料与方法

1.1 材料与数据采集

实验原料及处理:沙蜜豆樱桃于2014年6月10日采自河北省山海关区石河镇毛家沟村实验基地，采收成熟度一致(约8成熟)，无机械损伤及病虫害的果实。樱桃采摘当天运至国家农产品保鲜工程技术研究中心实验室(20℃ ±1.5℃)，并进行如下处理:将樱桃按1.75 kg/袋装入衬有50 μm厚PE保鲜膜的塑料框中，置于冷库(0±0.5)℃预冷24 h后，扎口存放。

数据采集:实验开始前，将樱桃置于室温条件下，待温度平衡后，将果实上凝结的水气用纱布擦干，挑取其中完整无损伤的果实，并将果实按标号依次排列好后，进行近红外光谱的扫描。实验共抽取120个樱桃，其中随机抽取90个果实的光谱数据作为校正集(calibration set)，另30个果实的作为预测集(validation set)。

1.2 仪器与设备

NIRS-DS2500型近红外漫反射光谱仪，丹麦Foss公司;TU-1810系列紫外分光光度计，北京普析通用仪器有限责任公司的;Pipet-Lite XLS Eppendorf Research plus移液器，梅特勒-托利多仪器有限公司;ML503/02天平，梅特勒-托利多仪器公司。

1.3 实验方法

1.3.1 近红外光谱的采集

本实验NIRS采用全息光栅分光系统，硅(408～1 092.8 nm)和硫化铅(1 108～2 492.8 nm)检测器用于信号采集，扫描(波长范围408～2 492.8 nm)快速单波长的扫描，扫描32次;采用Nova分析软件、校正软件WinISI4。将樱桃果实放在仪器标配的小浆杯(Slurry Cup)上进行常规光谱扫描;扫描光谱时要避开果实上有疤痕、果实的果梗与果蒂部分，以免影响扫描得到的光谱图［10］。

1.3.2 樱桃中VC含量的测定——钼蓝比色法［11］

准确称取20 g樱桃匀浆液于容量瓶中，即加入草酸-EDTA溶液并定容于100 mL容量瓶中，过滤。吸取30 mL滤液于50 mL容量瓶中，并加入1.0 mL偏磷酸-醋酸溶液，5%H2SO42.00 mL，摇匀后，加入4.0 mL钼酸铵溶液，以蒸馏水定容至50 mL，用紫外分光光度计在705 nm处测定吸光度值，并以蒸馏水作为空白对照。样品中VC含量的计算，根据样品液吸光度值、从VC标准曲线上查出对应的含量，并按下式计算样品中VC的含量:

式中:C，测定用样液中VC的含量(mg);V1，测定用样液体积(mL);m，样品质量(mg);V2，样液定容总体积(mL)。

1.4 数据的处理

利用近红外光谱进行成分含量预测时，最主要是在采集样本光谱和测得成分含量之间建立相关模型。将实验样本分成校正集和预测集两部分，随机选取校正集90个数据，验证集30个数据，进行处理。利用仪器自带的分析软件建立测定光谱与VC含量之间的相关关系［12］。预测模型通过VC的实测值与预测值的相关系数、校正误差(square error of calibration，SEC)及预测误差(square error of validation，SEP)进行定量评价。一个好的模型应该具有较高的值，较低的SEC和SEP值，SEC和SEP差异越小越好。校正相对分析误差RPD(RPD=SD/SECV)，可用来检验模型的适用能力。当RPD在2～2.5时，可进行粗略的定量分析，当RPD值大于2.5或3.0以上时，说明该模型具有很好的预测效果［13］。

2 结果与分析

2.1 不同波段的光谱吸收峰的分析

近红外光谱主要是由分子中O—H，N—H，C—H，S—H键的振动、吸收引起，是这些振动的组频和倍频吸收带;近红外区光谱测试成分须含有O—H，C—H，N—H或S—H键等，R—H的伸缩/弯曲振动构成了近红外区的主要吸收带。本实验测得的樱桃原始近红外光谱如图1所示。

图1 樱桃原始光谱图Fig.1 Original spectra of Cherry

从图 1 可以看出，在 566.5、957.0、1 450.0、1 924.5 nm处均出现了明显的吸收峰。其中566.5 nm处为可见光区域，波峰主要是由于电子振动产生的;957.0 nm处为可见光和近红外光谱之间的过度区域;1 450.0 nm处的吸收峰是由于樱桃中水分子之间的O—H键吸收形成的;1 450.0 nm波段处与樱桃的含水量成正相关趋势。根据量子理论得到［14］，物质内部分子的振动是量子化的，含氢基团的倍频、合频振动特征范围在800～25 000 nm，其中1 455 nm附近为水分的二频特征吸收带，这为物质水分的定量分析提供了强有力的理论依据。此区域波峰说明樱桃中的水分对近红外光谱的影响很大。图1中1 924.5 nm处吸收峰的形成主要是樱桃中—CH2、—C—H键的伸缩、弯曲振动产生的。分析主要是由于樱桃中的总酸、可溶性固形物、胶类物质和氨基酸等物质的含量发生改变，因为这些物质中的官能团就是—CH2、—C—H等。实验结果表明，樱桃内部品质与近红外光谱上反映的信息具有一定的规律性变化。因此，可以从近红外光谱反映樱桃果实的内部品质。

2.2 樱桃中VC含量的标准值分布

应用钼蓝比色法对樱桃中的VC含量进行测定，将其作为参考指标。本实验校正集和预测集的样品数、变幅、均值和标准差如表1所示。

表1 校正集和预测集VC含量分析结果Table 1 Calibration set and prediction set vitamin C content analysis results

本实验数据是樱桃经预冷后的第1天起直至低温(0±0.5℃)存放55 d的整个过程中，随机抽取120个樱桃进行化学测定得到的。这期间原本8成熟的樱桃经历了后熟过程，再到品质下降，所以每个参考指标的数据都具有代表性，更具有一定的范围覆盖性，这样布局可以提高模型建立的速度、减少模型库的储存空间，更重要的是，当遇到模型界外样品时，通过较少的样品，便可提高模型的使用范围，便于模型的更新和维护。从表1可见，预测集的变幅包含在定标集变幅内，校正集中的样品的VC含量参数均匀分布，说明选取的参考指标数据可以用来进行NIRS对樱桃中VC的模型建立。

2.3 样品集及光谱预处理对建模结果的影响

NIRS采集的光谱除了样品的自身信息以外还有其他无关信息和噪声，如电噪声、样品背景杂光、散光等。选出合适的光谱预处理方法，就能够很好的过滤高频随机噪声、提高信噪比，消除由于样本不均导致的基线飘移、偏移的干扰等［15］，因而预处理方法十分关键和必要。光谱预处理的常用方法有导数、平滑、扣减、归一化、标准化等［16］。定标模型的数据回归技术主要有主成分回归(principal component regression，PCR)、偏最小二乘法(partial least squares，PLS)、改进偏最小二乘法(modified partial least squares，MPLS)等［17］。

本研究从一阶和二阶导数的2种导数处理方法出发与不同散射和标准化方法相结合的方式进行预处理的分析讨论。樱桃VC模型在不同预处理下的建模结果见表2所示。一阶导数光谱、二阶导数光谱、原始光谱(None)、标准正常处理(standard normal variate，SNV)、去离散处理(SNV+detrend)、标准多元散射校正(standard multiple scatter correction，SMSC)、加权多元散射校正(weighted multiple scatter correction，WMSC)、散射处理(Detrend)等。

表2 樱桃VC模型在不同预处理下的校正模型Table 2 Cherry vitamin C calibration models of the model under different pretreatment

图2 樱桃二阶导数光谱图Fig.2 2nd spectra of Cherry

2.4 樱桃中VC含量的校正模型的预测评价

为了检验校正模型的适用性与可靠性，实验用预处理后最优的定标模型对30个未知樱桃的VC含量进行定量预测分析，预测结果如图3所示。

由图3的预测结果可见，样品真实值与模型预测出的预测值比较相近，围绕趋势线上下均匀波动，VC的预测标准误差SEP为0.225 3，Rp=0.849，相对分析误差 RPD为3.3。SEP较低，Rp较高，RPD大于2.5，说明NIRS对樱桃中VC含量的高效、快速的无损检测是可行的，且预测性能较好。

图3 VC实测值与预测值之间的相关性Fig.3 The correlation between the measured and predicted values ofvitamin C

3 结论与展望

本文应用NIRS检测技术(波长408.8～2 492.8 nm)对冷藏过程中樱桃VC含量进行无损检测，构建了关于化学指标VC的模型。结果表明，二阶导数下的MPLS算法结合SNV only处理可以得到最优化的定标模型，二阶导数效果优于一阶导数，很可能是由于建立的VC模型中存在基线漂移问题，而二阶导数很好的解决了这一问题。校正模型相关系数R2cv为0.877 9，预测相关系数Rp为0.849，相关系数较高说明模型具有良好的精度。校正误差SEC为0.258 3，预测误差SEP为0.225 3，且SEC与SEP值相差很小。预测相对分析误差RPD为3.3，由RPD值可说明本文建立的樱桃VC模型具有很好的预测效果、适用能力和稳定性。

综上分析，说明应用NIRS检测冷藏过程中樱桃VC含量是可以实现的，并能够很好的对其进行定量分析，并对樱桃内部品质进行评价。

光谱成像结合光谱和图像2种技术，是多信息融合的一种检测技术。近红外光谱技术也存在着一定的不足之处:由于近红外光谱区域内的吸收强度相对可见光区域要弱，信号的信噪比低，因此需要进行预处理来提高近红外光谱定标模型的适用性等。今后的实验可以朝着近红外设备的改进、化学指标的精确测量、计算机技术与光谱仪器的融合应用等方面不断改善，使得近红外光谱无损检测技术在今后的科研方面具有更加广阔的前景。

［1］ 生兆江，生吉萍.几种樱桃的营养成分测定［J］.莱阳农学院学报，1989，6(4):28-32.

［2］ 兰鑫哲，姜爱丽，胡文忠.甜樱桃采后生理及冷藏保鲜技术进展［J］.食品工业科技，2011，40(11):535-538.

［3］ 王敏，付蓉，赵秋菊，等.近红外光谱技术在果蔬品质无损检测中的应用［J］.中国农学通报，2010，26(5):174-178.

［4］ 张欣，单杨.国外近红外光谱分析技术在食品安全问题中的应用研究进展［J］.食品工业科技，2010(9):398-401.

［5］ 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.

［6］ 郭卫东，倪开诚，孙旭东，等.基于CWT和GRNN的可见-近红外漫反恁光谱检测樱桃糖度的研究［J］.食品科学，2009，34(12):140-143.

［7］ 夏俊芳，李小昱，李培武，等.基于小波变换的柑橘维生素C含量近红外光谱无损检测方法［J］.农业工程学报，2007，23(6):170-174.

［8］ 唐长波，方立刚.黄桃可溶性固形物的近红外漫反射光谱检测［J］.江苏农业科学，2013，41(11):331-333.

［9］ 蔡宇良，李珊，陈怡平，等.不同甜樱桃品种果实主要内含物测试与分析［J］.西北植物学报，2005，25(2):304-310.

［10］ Balabin R M，Safieva R Z，Lomakina E I.Gasoline classification using near infrared(NIR)spectroscopy data:comparison of multivariate techniques［J］.Analytica Chimica Acta，2010，671(1):27-35.

［11］ Shichuan X M M W H.Determination of vitamin C in food by molybdenum blue spectrophotometry［J］.Food and Fermentation Industries，1993，37(5):7.

［12］ 马广，傅霞萍，周莹，等.大白桃糖度的近红外漫反射光谱无损检测试验研究［J］.光谱学与光谱分析，2007，27(5):907-910.

［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］ Cho B K，Kim M S，Baek I S，et al.Detection of cuticle defects on cherry tomatoes using hyperspectral fluorescence imagery［J］.Postharvest biology and technology，2013，76(17):40-49.

［15］ 岳绒，郭文川，刘卉.近红外漫反射光谱检测损伤猕猴桃的内部品质［J］.食品科学，2011，32(10):141-144.

［16］ 王姗姗，孙红男，陈健，等.基于近红外光谱技术检测蓝莓可溶性固形物含量［J］.食品工业科技，2012，40(1):340-341.

［17］ Wan B，Small G W.Wavelet analysis used for spectral background removal in the determination of glucose from near-infrared single-beam spectra［J］.Analytica Chimica acta，2010，681(1):63-70.