近红外光谱对贮藏期樱桃品质的定性判别*

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)

樱桃，属蔷薇科李亚科李属，又称甜樱桃、大樱桃，味美可口，并具有益气、健脾、祛风湿的功效，是具有较高营养价值和保健功效的水果，被誉为“果中珍品”［1］。由于樱桃本身是易腐水果，且其采收上市时期正值盛夏时节，导致樱桃在贮藏过程中品质极易下降(果肉变软烂、表皮破损、风味口感变劣等)，因而限制了樱桃的异地销售［2］。为樱桃产业的进一步发展，对贮藏过程中的樱桃进行高效无损的品质监控成为亟待解决的课题。

目前，对水果内部品质的评价传统方法主要是感官评价和破坏性检验的方法，这些方法都无法满足果品品质的快速检测的需求［3］。近红外光谱(near infrared spectroscopy，NIRS)光谱区与物质有机分子中含氢基团(OH、NH、CH)振动的合频和各级倍频的吸收区一致，通过扫描样品的近红外光谱，可以得到样品中有机分子含氢基团的特征信息，从而可以精准的对物质内部品质进行高效检测;此外，利用NIRS技术分析样品还具有方便、快速、高效、准确和成本较低，不破坏样品，不污染环境等优点，因此该技术受到越来越多人的青睐［4］。

近年来，已有利用NIRS检测水果品质的研究。王丹［5］等运用NIRS对货架期的甜柿进行定性判别，结果发现判别模型的正确分类率达到97.8%～100%，预测准确率达到88.9% ～100%，说明NIRS技术对甜柿进行检测具备应用价值;马本学［6］等应用NIRS技术对香梨的类别进行定性分析，建立了香梨类别的定性判别模型。结果表明，该检测方法对校正集正确分类率达100%，预测集正确分类率为95%，说明NIRS对香梨的分类判别具有较好的效果;Dolores Perez Marin［7］等应用 NIRS 漫反射技术，对经冷藏7、14、28 d后的油桃进行采后货架期模型预测，发现NIRS技术能准确的预测57% ～84%的样本，这也说明NIRS技术对水果的定性判别具有较好的检测效果。本实验应用NIRS对贮藏期樱桃品质进行了定性判别分析。

1 材料与方法

1.1 樱桃样品收集与原始光谱的采集

1.1.1 样品收集

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，采收成熟度约八成熟的果实，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)℃，立即进行如下处理:将樱桃按1.75 kg/袋装入衬有0.05 mm PE保鲜膜的塑料框中，膜敞口(0±0.5)℃冷库中预冷24 h后，扎口在此温度下贮藏。

测试前，将樱桃置于室温内，待与室温平衡后，将果实表面凝结的水气用纱布擦干，挑取其中无机械损伤。无病虫害的果实，并将果实进行标号，依次排列好后，进行近红外光谱的扫描。实验随机抽取两个部分光谱数据，分别作为校正集(calibration set)和预测集(validation set)。本文校正集总和240个，预测集总和60个。

1.2 主要仪器

PAL-1数字手持折光仪;Brix-acidity meter(GMK-706R)糖酸仪，韩国;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;TA.XT.plus物性测定仪，英国。

1.3 样品化学指标的测定

(1)可溶性固形物(total soluble solids，TSS)的测定:采用手持折光仪，用蒸馏水校正零点，将樱桃果肉挤压出汁，于折光棱镜的镜面上直接测量。每个樱桃重复测定3次，求其平均值作为最终TSS值。

(2)总酸(total acid，TA)的测定:采用糖酸仪进行测定，将樱桃果实去核、去梗，用3层纱布挤压过滤后，用滤液进行测定;每个果重复测定3次，取其平均值作为最终TA值。

(3)VC含量的测定:采用钼蓝比色法［8］。

(4)黄酮的测定:采用 Al(NO3)3比色法［9］。

(5)硬度的测定:采用物性测定仪，将经过NIRS扫描过的樱桃果实放置于测试平板上，利用P/2柱头(Φ2 mm)对其进行穿刺测试，测试参数如下:穿刺深度为6 mm，测试速度为2.0 mm/s，测前速度为5.0 mm/s，测后速度为 2.0 mm/s。

1.4 模型的建立与验证

利用仪器自带的分析软件(WinISI4)，选取低温［(0±0.5)℃］贮藏10、30、50 d的樱桃进行试验，针对不同的贮藏时间，每次抽取80个光谱，对抽取出的光谱建立模型从而进行定性判别，本文进行不同波段、不同预处理的光谱比较分析，以便有效除噪，提高信噪比，从而得到有效光谱信息。一般近红外定性分析主要有3种方法，判别分析法、主成分分析法和马氏距离法、本实验采用主成分分析法(principal component analysis，PCA)来确定分析样品在已知样品集中的位置。该方法可以降维数据，保证在不失去主要光谱信息的前提下，以为数较少的新变量代替原本较多的变量，并使新变量成为原变量的线性组合，得到的主成分累计率越高，则证明结果准确性越高。之后，采用随机抽取的验证集对最优判别模型进行验证，并对模型的可行性和预测性进行评价。主要的评价指标包括预测模型实测值与预测值的相关系数Rcv以及校正误差(square error of calibration，SEC)。一个好的模型应该具有较高的Rcv值，较低的SEC。最后，利用判断正确率评价预测模型的效果。

2 结果与分析

2.1 不同波段的光谱吸收峰的分析及理化数据

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240个樱桃原始近红外光谱如图1所示，对10、30、50 d的原始光谱集求出各自的平均光谱，如图2所示。

在结合路径参数结果和研究模型的假设检验结果之后，各个因素对医药B2C平台顾客忠诚度的影响均显著；按照影响的重要性排序，结果为：①商品质量；②顾客满意度；③顾客转换成本；④网站安全性；⑤网站服务；⑥购物便利性；⑦网站声誉；⑧物流快捷性；⑨商品价格。

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

从图1可看出，有4处呈现出了明显的吸收峰，分别在 566.5、957.0、1 450.0、1 924.5 nm 处。其中在可见光区域的566.5 nm处，波峰的形成主要是由于电子振动而产生;在957nm处，为可见光和近红外光谱之间的过度区域;1 450 nm处吸收峰是由樱桃水分子间的O—H键吸收形成的，此处吸收峰与樱桃的含水量呈正相关趋势变化;1 924.5 nm处吸收峰主要是由樱桃中CH2—、C—H键的伸缩、弯曲振动产生，由于樱桃中TA、SSC及氨基酸等物质中含有这类官能团，这表明吸收峰与樱桃中这类物质的含量发生改变有关。实验结果表明，樱桃品质与近红外光谱上反映的信息具有一定的规律性趋势变化。根据量子理论［10］，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，这为果实中水分的定量分析提供了理论依据［11］。樱桃果实水分的变化，必然会影响其果实质地［12］。此外，由表1可知，随着低温贮藏时间的延长，樱桃中可溶性固形物、总酸、黄酮含量升高，Vc和硬度先升高后下降。由图2三个不同贮藏时间下的平均光谱可知，随着贮藏时间的增加光谱图趋势发生相应的变化，对比原始光谱图，可以看出3条平均光谱有相同与原始光谱相近的变化趋势，这表明NIRS光谱与樱桃内部品质的变化存在一定规律性变化。王丹［13］等在应用近红外对不同贮藏期磨盘柿子的内部品质研究中也有相应结论。因此，可以从近红外光谱反映樱桃果实的内部品质。

图2 三个不同贮藏天数的平均光谱Fig.2 The average number of days three different storage spectrum

表1 理化数据Table 1 Physical and chemical indicators

2.2 样品集及光谱预处理对建模结果的影响

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、偏移等的干扰［14］。光谱预处理常用方法有导数、平滑、扣减、归一化、标准化等［15］。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［16］。

本研究分别选取在(0±0.5)℃贮藏10、30、50 d的樱桃进行光谱分析。表2为低温贮藏不同时间各样品集的果实数量。定标集总计240个光谱数据，预测集总计60个光谱数据。

表2 样品集的组成Table 2 The composition of the sample collection

预处理是将一阶微分和二阶微分2种导数处理方法，与不同散射和标准化方法相结合的方式进行分析讨论。一阶微分光谱、二阶微分光谱、原始光谱(none)、去离散处理(standard normal variate and detrend，SNV and D)、标准正常处理(standard normal variate，SNV only)、散射处理(detrend，D only)、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)等，以及樱桃经过不同预处理后的主成分累计贡献率见表3所示。

从表3可知，一阶微分下的SNV and D处理和SNV only处理下的主成分累计贡献率均能达到98%以上，其中一阶微分结合SNV and D处理，主成分累计贡献率最高达到98.45%。因此，本文的判别模型采用一阶微分结合SNV and D处理的方法。

表3 前8个组成分累计贡献率Table 3 8 Principal components and reliabilities

2.3 不同波段的判别

表4是校正集在采用一阶微分结合SNV and D处理后，继续对其进行在不同波段下校正模型的建立结果。结果表明，在408～2 492.8 nm下模型判断正确分类率最高，达到100%。这可能是由于樱桃光谱的吸收峰分布在全波长近红外的范围内，故樱桃低温贮藏期的判别模型选取在408～2 492.8 nm。

表4 不同波长下的判别结果Table 4 Calibration result of different band regions

2.4 预测结果及判别模型

分别选取在(0±0.5)℃贮藏下10、30、50 d的樱桃，进行樱桃贮藏期品质的研究。选用PCA方法选取前3个主成分(PC1、PC2、PC3)，得到如图3的三维空间坐标图。

图3 不同贮藏期的三维图Fig.3 Three-dimensional renderings of different storage time

由图3可知，3个不同贮藏时间(10、30、50 d)下的樱桃可以完全区分，表明该模型可以很好的预测低温贮藏期的樱桃品质。此模型的SEC为0.133 8，Rcv为0.930 6，正确分类率达到100%。

实验对模型的可靠性进行验证。对随机抽取的60个预测样品集合的樱桃果实进行检测，结果见表5。其中预测集54个正确，4个不确定，2个错误，模型的预测准确率在90%～96.7%。

表5 PCA方法的结果统计Table 5 Statistic results of discrimination using PCA

表6为预测样品集合预测的统计数据，结果也证明该模型具有很好的预测效果，且准确率较高，具有很好的适用性。

表6 预测集的结果统计Table 6 The results of statistical prediction set

3 结论与展望

实验表明，在全波长范围的一阶微分结合SNV and D处理的方法，模型可以得到较好的效果。Rcv为0.930 6，SEC为0.133 8，正确分类率达到100%。说明通过对不同预处理和不同波段的选择，可以提高模型的判别准确度。预测样品集的判断正确率在90%～96.7%。说明应用NIRS对贮藏过程中樱桃品质进行无损检测具有可行性，能够很好的对其品质进行定性分析，从而实现樱桃内部品质的快速评价。

［1］ 李晓青，韩燕丽.大樱桃贮藏保鲜技术［J］.保鲜与加工，2006，6(5):25-25.

［2］ LIU Y，SUN X，Ouyang A.Nondestructive measurement of soluble solid content of navel orange fruit by visible–NIR spectrometric technique with PLSR and PCA-BPNN［J］.LWT-Food Science and Technology，2010，43(4):602-607.

［3］ 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.

［4］ Magwaza L S，Opara U L，Nieuwoudt H，et al.NIR spectroscopy applications for internal and external quality analysis of citrus fruit—a review［J］.Food and Bioprocess Technology，2012，5(2):425-444.

［5］ 王丹，鲁晓翔，张鹏，等.甜柿货架期的近红外光谱定性判别［J］.食品与发酵工业，2014，40(2):188-191.

［6］ 马本学，饶秀勤，应义斌，等.基于近红外漫反射光谱的香梨类别定性分析［J］.光谱学与光谱分析，2009(12):3 288-3 290.

［7］ Pérez-Marín D，Sánchez M T，Paz P，et al.Postharvest shelf-life discrimination of nectarines produced under different irrigation strategies using NIR-spectroscopy［J］.LWT-Food Science and Technology，2011，44(6):1 405-1 414.

［8］ Shichuan X M M W H.Determination of Vitamin C in Food by Molybdenum Blue Spectrophotometry［J］.Food and Fermentation Industries，1993，5:007.

［9］ 何珺，颜仁梁，刘志刚.NaNO2-Al(NO3)3-NaOH比色法测定总黄酮应用中的常见问题［J］.今日药学，2009，19(12):18-21.

［10］ 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，2013，76:40-49.

［11］ Perez Marin D，Sanchez M T，Paz P，et al.Postharvest shelf-life discrimination of nectarines produced under different irrigation strategies using NIR-spectroscopy［J］.LWT-Food Science and Technology，2011，44(6):1 405-1 414.

［12］ 杨艳芬.大樱桃采后生理与贮藏保鲜技术研究进展［J］.北方园艺，2009(11):122-124.

［13］ 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.

［14］ 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.

［15］ 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(1):340-341.

［16］ 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.