梅州金柚品种的近红外无损鉴别

姚婉清，彭梦侠，刘婷

（嘉应学院 化学与环境学院，广东 梅州 514015）

据记载，广东梅州栽种金柚已有近百年的历史，梅州金柚已成为梅州最具区域特色的支柱产业。1995年梅县被国家命名为“中国金柚之乡”，2006年“梅州金柚”通过国家地理标志产品保护认证[1]。梅州金柚果大形正，果肉清甜，含有有机酸、维生素C、糖、蛋白质等以及人体组织不可或缺的矿质营养元素[2]。金柚有润肺化痰、止咳清热、降血压血脂等功效，且通风环境下可存储4个月左右，深受人们喜爱[3]。柚子的营养价值高及保健效果好，国内外对其的研究较多。梅州金柚可分为白肉蜜柚，红肉蜜柚和沙田柚3 大品种，目前只能靠人体的食品感官分析区分不同品种，但准确率较低。而柚肉的内部品质指标测定起来繁琐复杂，且对形态具有破坏作用，对不同品种的品质差异更是不易进行比较与分析，检测和品质分级能力不足制约着梅州金柚产业的发展[4]。因此，研究建立对于梅州金柚品种的无损快速筛查和柚肉内部品质的分级技术，对建立独特的地理标志农产品的差异鉴别有重要的影响和实用的价值。

近红外结合化学计量学作为一种快速、无损、高效的检测方法，适用于有机分子中含氢基团相关（OH、NH、CH）的物理和化学性质方面的研究分析，也可快速实现特定成分的定性或定量分析[5-6]，具有成本低、方便快捷、高效准确、绿色分析等优点，在石油、食品、农业、医药医学等领域得到广泛研究和应用[7]。采用近红外结合化学计量学技术，寻找光谱吸收度与果品的糖度、酸度、VC等内在品质之间的相关信息，可对水果品种分级和内在品质定级的检测[8-9]，仅需数秒时间，而且可以同时测定大批量样品的多成分，不破坏样品，对于实现水果品种和品质的无损快速鉴别，具有重要的意义。

本研究采用近红外光谱数据结合化学计量学中的判别分析法（discriminant analyst）建立梅州金柚定性分析模型，选择最佳的光谱预处理方法和波数范围等操作优化模型，为梅州金柚品种和内在品质的无损快速鉴别提供思路，也有利于对梅州金柚这一地理标志保护产品的识别。

1 材料与方法

1.1 材料、试剂与仪器

1.1.1 材料

试验研究样品取购于梅州各县的3 类各9种共27种柚子，见表1。

表1 试验样品Table 1 Experimental samples

1.1.2 试剂

无水葡萄糖：AR，广州分析测试中心科力技术开发公司；蒽酮：AR，广东光华科技有限公司；浓硫酸、氢氧化钠：AR，东莞市斯巴达化学有限公司；酚酞、碳酸氢钠：AR，东莞市乔科化学有限公司；草酸：AR，山东佰鸿新材料有限公司；抗坏血酸：AR，西陇科学股份有限公司；白陶土：AR，上海乙基化工有限公司；2,6-二氯靛酚：AR，上海如吉生物科技发展有限公司。

1.1.3 仪器

NICOLET IS 10 傅立叶变换红外光谱仪：美国尼高力仪器公司；TQ Analyst 9.0 软件、Ominic 9.0 软件：美国赛默飞世尔科技公司；Cary 300 紫外可见分光光度计：梅特勒-托利多仪器上海有限公司；HTZ-1011A高速榨汁机：佛山迈诺诗电气有限公司。

1.2 化学分析方法测定内在品质

金柚样品采集了表皮的近红外光谱后，测定总糖、维生素C 和总酸3个内在品质指标的含量。用蒽酮硫酸比色法测定样品中可溶性糖的含量[10]，2，6-二氯靛酚滴定方法测定维生素C 含量[11]，用酸碱滴定法测定中的可滴定酸[12]。

1.3 红外建模法

1.3.1 定判别分析方法建立定性模型

白柚、红柚、沙田柚3个品种9个金柚，其中白柚样品1～7号、红柚样品10～16号、沙田柚样品19～25号为建模训练集，其余6个样品为验证集。试验利用Antaris 光纤枪采集红外谱图，见图1。

图1 数据采集点示意图Fig.1 Data acquisition point diagram

如图1中所示柚子表皮的南极、北极和赤道处对称4个点，重心位置前后各1个点，一共6个点为数据采集点，每个点采集2 张谱图，共324 张（其中训练集252 张，验证集72 张）。近红外测定条件为：分辨率为8 cm-1，波长范围为 10 000 cm-1～4 000 cm-1，扫描次数为64 次，以空气为背景，谱图采集完毕，进行基线校正后，保存备用。

使用 TQ Analyst 9.0 软件的”Discriminant Analyst”（判别分析法）对光谱进行统计处理并建模，通过对近红外光谱图的预处理方法、特征光谱的选择等操作优化模型。据模型的性能指数、预测相关系数、三维图的聚类分析效果、模型对内部和外部验证样品的正确识别率判断识别模型的准确性、合理性和稳定性[13-14]，最后实现对梅州金柚品种进行无损快速鉴别分析[15]。

1.3.2 模型的验证与应用

为验证所建判别模型的预测能力，随机选取3个品种训练集样品中红柚、白柚和沙田柚各2个共6个样品，每个样品选择2 张未参与建模的红外谱图，共12 张，导入1.3.1所建定性模型，结合识别正确率、误判率、预测相关系数、前10个主成分的累计贡献率以及三维图的聚类分析效果，判断识别所建模型的优劣。

另外选取未参与建模的红柚、白柚和沙田柚3个品种样品 8、9、17、18、26、27号作为外部验证的验证集样品，每个样品测得12 张红外谱图，共72 张，判断识别所建模型的预测能力。

2 结果与讨论

2.1 不同品种金柚品质比较

2.1.1 外在品质比较

3种品种的金柚在纵横径、果形、囊瓣数、果重等果型指数上没有明显的区别，很难依靠柚子的外在品质区分品种和品质，而果品购销时不能大批量采用破坏式检测，费时费力还浪费样品。

2.1.2 内在品质比较

按照1.2 化学分析方法，不同品种金柚的内在品质分析结果见表2。

表2 不同品种金柚的内在品质分析结果Table 2 Result of internal quality of different varieties of golden pomelo

由表2可知，不同品种的梅州金柚内在品质指标存在明显差异。3种金柚品种平均的可溶性糖含量和总酸的含量差别不是特别明显，沙田柚的可溶性糖含量比白柚和红柚高，而总酸的含量比两者低。内在品质差别最为明显的是VC含量，沙田柚VC含量接近白柚和红柚VC含量的两倍多。随着人们对果品的营养要求越来越高，柚子除了果汁丰富、酸甜可口外，含有丰富的糖类、有机酸等，特别是VC含量较其他水果高，这也是沙田柚较白柚、红柚市场定价较高的原因之一[16]。

2.2 定性模型的建立

按照1.3.1 方法获得金柚的近红外光谱图，每个样品取12 张红外光谱，共测得324 张（其中训练集252张，验证集72 张）。采用判别分析方法对所测红外光谱图进行建模，经过多次模型最佳条件的试验研究分析，确定了建模的最佳条件。使用TQ Analyst 9.0 软件的Norris derivative 滤波对光谱进行平滑处理，除噪长度为7、间距为4，光程恒定，采用二阶导数法进行光谱的背景扣除和信号分离，选取8 961 cm-1～8 477 cm-1，7 369 cm-1～7 132 cm-1，5 492 cm-1～5 011 cm-1为建模的特征光谱区域，其他参数采用判别分析方法本身的默认值，最后建立金柚品种的定性识别模型三维得分图和二维得分图，（说明：主成分分析得分图分为三维和二维得分图）见图2。

图2 梅州金柚的判别模型主成分三维得分图Fig.2 The principal component score 3D display of discriminant model for golden pomelo in Meizhou

从图2可以看出，金柚样品利用判别分析方法大致可以将训练集样品分为3个区域：白柚、红柚和沙田柚，区分度较好。沙田柚聚在图2 的左边，较为集中，其VC含量是最高的，市场定价最高；红柚聚在图2 的右上方，较为分散，这与化学分析方法测定的内在品质结果符合，红柚品种内在品质介于沙田柚和白柚之间，而市场价位也是定在两者之间。白柚聚在图2 的右下方，可溶性糖和VC是3个品种中最低的，而总酸是最高的，在3个品种中口感和营养成分较低，价位也最低，符合市场定价。

红柚和白柚这两类金柚在主成分-得分图和马氏距离图中聚类较好，能明显区分，图3、图4、图5 分别是白柚、红柚到沙田柚的距离。

图3 红柚、白柚为坐标系的主成分-马氏距离图Fig.3 The principal component analysis-Mahalanobis distance by white pomelo，red pomelo for the coordinate system

图4 沙田柚、白柚为坐标系的主成分-马氏距离图Fig.4 The principal component analysis-Mahalanobis distance by Shatian pomelo，white pomelo for the coordinate system

从图3、4、5中可以看出，白柚和红柚的距离更近些，符合化学分析结果，这两类柚子的可溶性糖含量、总酸和VC的含量相差不大，有部分样品比较靠近，所以点数相对集中。但跟沙田柚的内在品质差别大点，因此到沙田柚样品的距离大一点。沙田柚的总酸和VC含量范围相对宽，所以离散程度比白柚和红柚大。

图5 沙田柚、红柚为坐标系的主成分-马氏距离图Fig.5 The principal component analysis-Mahalanobis distance by Shatian pomelo，red pomelo for the coordinate system

2.3 模型的验证与应用

按照1.3.2 方法，将训练集样品6个的红外谱图导入2.2所建定性分析模型检验模型，结果见表3。

表3 用模型检测样品结果Table 3 The results of the test samples by model

结果显示，6种内部验证的金柚按照品种分为3类，结果全部归类正确，准确率达100%，模型性能指标为92.3%，前10个主成分的累计贡献率为94.35%，模型的稳定性和准确性较好。

按照1.3.2 方法，将验证集样品6个的红外谱图导入2.2所建定性分析模型进行模型的实测。结果如表3所示，6种未参与建模的金柚样品检测结果为“Pass”，且按照品种分为3 类，马氏距离均小于3，准确率高达100%，模型的预测能力较好。

3 讨论

本文利用近红外光谱集合化学计量学方法建立了无损快速鉴别梅州金柚品种的方法，模型合理性、稳定性和准确性良好。利用所建模型可准确快速、无损简单区分大批量梅州金柚样品品种，且对金柚内在品质分级有一定的理论指导意义。后续还可为梅州金柚的内在品质定量分析分级和货架期的确定进行进一步的研究分析。