基于光纤光谱仪对骏枣浸泡梯度的水分定量检测研究

张 辉，罗华平※

（1.塔里木大学机械电气化工程学院，新疆阿拉尔 843300；2.新疆维吾尔自治区现代农业工程重点实验室）

0 引言

骏枣是南疆的特色农产品[1]，含有丰富的糖类以及多种维生素、微量元素和氨基酸，是治疗失眠、气血不足的良药[2]。而糖分和水分是评价骏枣品质的重要指标[3]。目前，对骏枣的评价和检测会对骏枣造成一定的损伤，因此，需要研究一种快速无损的骏枣品质检测方法[4]。

光纤光谱技术对果品和肉类的检测逐渐成为研究热点，国内外许多学者对猕猴桃、红枣、苹果、葡萄酒、羊肉等的品质展开检测研究[4-8]。梁宁等[4]利用漫反射光纤光谱检测系统建立红枣糖分和水分的校正模型。Hang Nguyen Thu 等[5]使用机器学习算法预测紫外线—可见光谱中芹菜种子提取物的黄嘌呤氧化酶抑制活性。孟庆龙等[6]利用光纤光谱技术采集猕猴桃不同成熟时期的反射光谱，建立猕猴桃硬度的检测模型。刁娟娟等[7]利用近红外光纤光谱法实现葡萄酒的酒精度的快速检测。马娇妍等[8]基于光纤光谱技术对冷鲜羊肉新鲜度展开检测研究，建立新鲜度预测模型。Fupeng Ni 等[9]用光纤光谱无损检测苹果脆度。

本文基于光纤光谱技术实现骏枣水分的快速无损检测，建立骏枣浸泡梯度水分定量检测模型，为南疆骏枣的加工提供一定的参考。

1 材料与仪器

1.1 材料

本文所用灰枣和骏枣样本来自新疆阿拉尔市塔里木大学农贸市场，随机选取表面无破损的骏枣50 个，标好标签后放置冷库中保存，冷库温度为2±1 ℃。

1.2 仪器设备

检测系统采用美国海洋光学公司的USB-650 红潮（Red Tide）光谱仪（波长350～1 000 nm、光谱像素值：651）、ISP-REF 反射式积分球（带光源）、标准白板（STAN-SSH）、电热鼓风机（GZX-9140MBZ）、电子天平（JA2003）、酒精温度计。使用MATLAB-R2018a 软件进行分析，用TQ Analyst 软件进行建模处理。

2 试验方法

2.1 光谱采集

将骏枣从冷库中取出,在实验室放置4 h，使红枣温度达到常温23±1 ℃，相对湿度25%～30%，之后将骏枣浸泡，分别浸泡20、40、60、120、720 min，使红枣的水分呈现梯度变化，在每次浸泡前和浸泡后都称重一次，最后将红枣放在电热鼓风箱中干燥，在1 个大气压（101.3 kPa）下，温度设定为65 ℃，干燥60 h，直至重量的变化小于0.001 g，之后称重。

采集方式选择反射测量，先打开ISP-REF 反射式积分球的光源，预热20 min，积分时间为100 ms，光谱平均采集4 次，平滑度为6，以标准白板（STAN-SSH）为参照，再采集骏枣赤道部位每间隔120°位置的光谱，每个骏枣采集3 次光谱，取平均光谱，如图1。

图1 骏枣可见光光谱

2.2 红枣水分的测定

按照《食品安全国家标准食品中水分的测定》（GB 5009.3-2016），采用烘干减质量法，将整个红枣装入信封袋中放到电热鼓风箱中干燥，在一个大气压（101.3 kPa）下，温度设定为65 ℃，烘干60 h，直至质量的变化小于0.001 g，以此来确定骏枣样品的水分[10-13]。

式中m1—干燥前样品质量；m2—干燥后样品质量。

2.3 浓度残差法对异常样本剔除

第i个样本的常规方法测定值yi与校正模型预测值y^i之间的误差叫做样品理化值的绝对误差[14]。

式中yi—第i样品参考方法的测定值；—用所建模型对校正集中第i样品的预测值。

浓度残差法通常是用被检验样品的理化值绝对误差的方差与整个标样集各样本的绝对误差方差的平均值的F检验来判别[15]。

临界值概率为Fa（1，n-1），F的阈值范围可设置为0.90～0.99，大于该阈值的可判断为异常理化值样本。

2.4 光谱数据处理

用MATLAB 软件进行平均光谱的提取处理后用浓度残差法对异常样本进行剔除，将保留数据用TQAnalyst软件进行建模。建模方法使用偏最小二乘法（Partial least squares，PLS），在分析数据之前对光谱数据进行预处理，预处理方法选用卷积平滑（Savitzky-Golay filter）、光程恒定（Constant）、多元散射校正（Muitiplicative signal c orrection，MSC）和标准正态变换（Standard normal variate，SNV）。使用相关系数（R）、校正标准偏差（RMSEC）、预测标准偏差（RMSEP）对模型进行评价。在浓度范围相同的前提下，R 越接近1，表明模型的预测能力越好，校正标准偏差和预测标准偏差越小，表明所建模型的回归越好，预测能力越强[16]。

3 结果分析

在采用S-G 平滑处理后，从表1 中采用不同的预处理方法建立的南疆骏枣浸泡梯度水分定量模型的结果可以看出，骏枣在浸泡过程中含水率检测精度随时间的变化先降低在升高，直至平稳。

表1 南疆骏枣浸泡梯度水分PLS 模型参数

从采取预处理方法为Con 时所建立的南疆骏枣可见光水分模型可以看出，骏枣在浸泡40 min 时的含水率检测精度最低，相关系数为0.86253；在浸泡120 min 时含水率检测精度最高，相关系数为0.99384；在采取预处理方法为MSC 或SNV 时所建的水分模型的相关系数近似相等，以MSC 分析，骏枣在浸泡20 min 时的含水率检测精度最低，相关系数为0.85151，在浸泡120 min 时含水率检测精度最高，相关系数为0.9941。

4 结论与展望

对50 个骏枣进行浸泡时间梯度的水分样本分析，通过选用偏最小二乘法（PLS）建立骏枣浸泡梯度水分定量模型。试验结果表明，在骏枣浸泡20～60 min 内，含水率检测精度较低，无法精准预测骏枣的品质信息；在骏枣浸泡120 min 后，骏枣吸水率达到饱和状态。

通过选择不同预处理方法建立的PLS 水分定量模型可以看出骏枣在浸泡不同梯度下水分的相关系数在0.85097～0.99462 之间，这说明利用可见光光谱技术对骏枣浸泡梯度水分定量模型的预测是可行的。

利用可见光光谱技术可以快速准确地对南疆骏枣水分进行预测，进而定量化描述骏枣浸泡的状态，极大缩短人工检测时间，降低人工精力消耗，为南疆骏枣的加工提供一定的参考。