近红外光谱快速检测葡萄酒品质

2021-02-02白丽萍王伟王强王君虹张玉朱杰

浙江农业科学 2021年2期

白丽萍，王伟，王强，王君虹，张玉,2,3*，朱杰

(1.浙江省农业科学院农产品质量安全与营养研究所，浙江杭州 310021；2.农业农村部农产品信息溯源重点实验室，浙江杭州 310021; 3.浙江省食品安全重点实验室，浙江杭州 310021)

葡萄酒不仅味美还富含大量的生理活性成分，饮用适量的葡萄酒对人体健康十分有益，深受消费者喜爱。近年来，随着葡萄酒消费增多，葡萄酒质量问题亦受到人们的广泛关注。传统的葡萄酒质量评价方法主要包括感官评价法和理化分析法。感官评价法虽简单易行，却具有较强的主观性，传统理化分析法虽然客观可靠，但这些方法通常预处理复杂、费时费力，如何建立快速的分析技术已成为当前需要。本文从近红外光谱技术的检测原理和特点出发，利用物质的光学特性来探索一种无损快速检测技术[1]。近红外光谱分析样品无需前处理，分析速度快、成本低、高效、安全，光谱主要由含碳、氢、氧基团的倍频和组频吸收峰组成[2-6]，可以对样品的多种组分进行测定，具有非破坏性和无污染性等优点，在农业、食品、粮油品质等检测中已得到广泛的应用[7-8]。人们对食品品质及安全的重视以及近红外光谱分析技术的不断完善, 近红外光谱分析技术在食品领域的运用将越来越广泛[9-10]。随着食品品质和安全分析的各种标准方法的出现, 近红外光谱仪器和数据处理方法的发展, 近红外光谱分析技术在食品检测领域中的应用越来越广泛。

本文以葡萄酒为原料，基于偏最小二乘法分别建立总糖、总酸、酒精度、总多酚、花总色苷定量模型，为葡萄酒的快速无损检测提供一种可靠简便的方法。

1 材料与方法

1.1 材料

90个不同品牌的葡萄酒，均购自市场。矮牵牛素葡萄糖苷、芍药素葡萄糖苷(美国Sigma-Aldrich公司)；锦葵色素葡萄糖苷、飞燕草素葡萄糖苷、矢车菊素葡萄糖苷(美国ChromaDex公司)。傅里叶变换近红外光谱仪(ANTARIS Ⅱ，美国Thermo Scientific公司)；TQ Analyst 软件(近红外光谱仪配置)；Waters e2695高效液相色谱仪(美国Waters公司)。

1.2 方法

1.2.1 理化分析

葡萄酒样品的总糖、总酸和酒精度的测定参照GB/T 15038—2006葡萄酒、果酒通用分析方法；总酚测定采用福林-酚比色法[11]。

1.2.2 花色素苷测定

酒样经过0.22 μm有机微孔滤膜后，用高效液相色谱仪对9种花色素苷含量进行测定。

测定方法。采用Synergi Hydro-RP C18柱(250～4.6 mm，4 μm，Phenomenex，Torrance，CA，USA)，光电二极管阵列检测器(Shimadzu，Suzhou，China)波长设定为520 nm。进样量20 μL。流动相A为水-乙腈-甲酸(80∶10∶0.25，V/V)，流动相B为水-乙腈-甲酸(4∶5∶0.25，V/V)。

洗脱程序。0～45 min，流动相B由0升至35%；45～46 min，流动相B由35%升至100%，持续5 min；然后1 min内流动相B由100%降至0，持续5 min。

1.2.3 近红外光谱采集

取上述适量样品于8 mm样品管中，用ANTARIS Ⅱ近红外光谱仪进行光谱采集，扫描范围4 000～10 000 cm-1，分辨率8 cm-1，每个样品重复测定3次后取平均值，以空气作为背景，在室温下测定。扫描得到90个葡萄酒的原始光谱，用TQ Analyst软件中的偏最小二乘法进行定量分析。

2 结果与分析

2.1 建模最佳波段的选择

由于近红外光谱数据承载着被测物质的性质和组成结构信息，包含样品的全部信息，所以在建模时选择最佳波段十分关键，若选择的波长范围过宽，则不必要的变量可能会被引入，从而对建立的模型造成干扰，影响模型的预测能力；若选择的波长范围过窄，又可能会人为丢失重要变量，导致预测偏差增大。综上所述，只有在最合适的波长范围内才能得到较好的预测结果[6-7]。

通常在建模时，最理想的波段选择是吸光度小于3，噪音小，且有明显波谱差异的波段。图1是90个葡萄酒样品全波段扫描分析得到的效果图。由图可知，不同葡萄酒样品的谱带在7 600～8 900 cm-1存在差异，且噪音较小，故选择此波长范围进行建模，以模型拟合的相关系数r和均方差(RMSEC)作为评价校正模型好坏的指标，从而选择最合适的波段。

图1 全波段范围扫描的原始光谱

2.2 光谱数据预处理

在采集近红外光谱时，基于震动、噪声、温度和湿度、光照度等影响，导致采集的近红外原始光谱产生噪声信号，噪声信号会使得光谱数据发生偏移，导致建立的校正模型稳定性差，谱带不明显，存在无关漂移等缺点，进而影响对未知样品预测的准确性[12]。因此，在建模过程中，需要对原始光谱滤去噪声，优化光谱信号，消除试验对光谱数据的不利影响，提高模型的准确性和可靠性[13]。

2.3 建模结果

从90个检测的样品中随机抽取20个作为验证集，70个作为校正集。选择r、RMSEC和预测均方差(RMSEP)作为模型的评价指标，RMSEC和RMSEP值越小模型越好。

2.3.1 总糖建模

通过对导数处理、平滑处理、多元散射校正及归一化处理等多种不同光谱预处理方法的模拟发现，多元散射校正及归一化方法多用于处理漫反射光谱，一阶导数(1D)和二阶导数(2D)能够最大程度地消除基线漂移和旋转，并放大信号优势；卷积平滑处理(SG平滑)和导数滤波(Norris平滑)可消除求导后引入的光谱噪声。选择总糖建模的最佳预处理方法，建立总糖的定量模型。

由表1可知，波段在8 300～8 900 cm-1，constant的光谱预处理方法较好。因此，选择8 300～8 900 cm-1为最佳波段，选择constant的光谱预处理方法，建立葡萄酒的定量模型，校正集和验证集的均方差分别为0.291和0.278，相关系数分别为0.992 1和0.992 7。