近红外光谱对磨盘柿货架期的定性判别

王 丹1，鲁晓翔1,*，张 鹏2，陈绍慧2，李江阔2

(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)

摘 要：通过近红外漫反射光谱技术对磨盘柿的货架期进行了定性判别，比较不同光谱预处理方法和不同波段，发现在1100～1800nm波段范围内，采用二阶导数结合标准正常化和去散射(SNVD)处理的光谱预处理方法最好。其判别模型的正确率达到95.4%，预测准确率达到93.3%。因此，近红外光谱技术对磨盘柿货架期的检测具有应用价值。

关键词：近红外光谱；磨盘柿；货架期；判别；预测

Qualitative Identification of Mopan Persimmon Shelf-life by Near Infrared Spectroscopy

WANG Dan1，LU Xiao-xiang1,*，ZHANG Peng2，CHEN Shao-hui2，LI Jiang-kuo2

(1. Tianjin Key Laboratory of Food Biotechnology, College of Biotechnology and Food Science, Tianjin University of Commerce,
Tianjin 300134, China；2. Tianjin Key Laboratory of Postharvest Physiology and Storage of Agricultural Products,
National Engineering and Technology Research Center for Preservation of Agricultural Products, Tianjin 300384, China)

Abstract：Near-infrared spectroscopy was used for qualitative identification of Mopan persimmon shelf-life. Different spectral pre-treatment methods and different spectral ranges for the shelf-life of Mopan persimmon were compared. The best results of spectral pretreatment were obtained by using secondary derivative model combined with standard normal variate and detrend (SNVD) in the wavelength range of 1100–1800 nm. The percentage of correct classification of samples by using the developed discriminant model was 95.4% with a forecast accuracy of 93.3%. Therefore, near-infrared spectroscopy is a useful technique to predict the shelf life of Mopan persimmon.

Key words：near infrared spectroscopy；Mopan persimmon；shelf-life；discrimination；forecast

中图分类号：S665.2 文献标志码：A 文章编号：1002-6630(2013)22-0185-04

doi:10.7506/spkx1002-6630-201322037

磨盘柿是中国北方主要的涩柿品种，也是天津、北京及周边地区的主要经济型特色水果，脱涩后香甜可口[1]。其果实橙黄色，果皮厚且韧，肉质松、纤维少，汁多、味甜，无核，深受人们的喜爱[2]。但由于柿果成熟期集中，采摘后在短期内极易变软而不耐贮藏，影响了其流通、商品价值和生产者的利益。水果货架期是指水果结束储藏状态后，进入经营环节，最终被消费者食用的流通期[3]。传统的人工分级检测水果货架期的方法主要缺点是劳动量大、生产率低[4]，所以，研究一种快速判别磨盘柿货架期的方法具有重要的意义。

近红外光谱分析技术具有检测迅速、同时检测多种成分以及能实现无损检测的优点[5]。近年来已经被广泛应用于农产品内部品质的检验[6-9]、品种及产地的鉴别[10-12]、不同成熟度的检验[13-15]、内部虫害[16]及损伤[17]的检验等。近年来国内外学者也逐步将此技术应用于水果货架期的检测，樊景超等[18]使用快速比较法定性判定苹果货架期，使用二阶导数作为预处理方法判定率为100%。刘辉军等[19]对相隔10d的不同货架期柑橘样品的光谱进行主成分特征提取，所建模型对样品货架期的预测准确率均在90%以上。Pérez-Marín等[20]应用近红外光谱技术，选取在冷库贮藏7、14、28d后的220个油桃果实，对其采后货架期进行预测，能准确预测57%～84%的样本。现有的柿子品质近红外无损检测多为定量分析，如张淑娟等[21]应用近红外检测技术研究了柿子中可溶性固形物含量；张鹏等[22-23]利用近红外漫反射技术定量分析了柿子的硬度和单宁含量，而定性鉴别方面还没有报道。因此，本研究应用近红外漫反射光谱技术对磨盘柿的货架期进行快速定性判别分析，有利于加强磨盘柿采后货架期的检测，减少磨盘柿采后损耗并能确保鲜果在货架期间的食用品质。

1 材料与方法

1.1 材料与试剂

磨盘柿于2012年10月16日采自北京平谷县，采收时挑选成熟度一致(约为八成熟)、无病虫害、无机械损伤的果实，采收当天将果实运至国家农产品保鲜工程技术研究中心实验室，用微孔袋(厚度0.02mm)包装。常温贮藏(温度15～18℃)。测定前，将果实擦干净，排序标记后进行扫描。分别在采后7、14、21d进行测量，每次选取50个果实，每个果实测定2次，共300个数据。

1.2 仪器与设备

NIRS DS 2500近红外漫反射光谱仪(配有Nova分析软件和WinISI4定标软件) 丹麦Foss公司；PAL-1数字手持折光仪 日本Atago公司；TA.XT plus物性测试仪 英国Stable Micro System公司；TU-1810紫外-可见分光光度计 普析通用仪器有限公司。

1.3 方法

1.3.1 光谱的采集

实验使用NIRS DS 2500近红外漫反射光谱仪，采用全息光栅分光系统、硅(400～1100nm)和硫化铅(1100～2500nm)检测器进行采集；扫描波长范围400～2500nm；扫描方式为单波长、快速扫描；扫描次数为32次。测量时避开表面缺陷部位(如伤疤、污点等)，在柿果赤道线上阴阳面各取一点放在浆状杯(Slurry Cup)上进行光谱扫描。

1.3.2 化学指标的测定

可溶性固形物含量(soluble solid content，SSC)的测定：采用PAL-1数字手持折光仪，用蒸馏水校正零点，将甜柿光谱检测部位的果肉挤压出汁，滴于折光棱镜的镜面上直接测量。

果实硬度的测定：采用TA.XT plus物性测试仪测定，在果实标记的扫描点处测定硬度。测试参数为：P/2柱头(2mmØ)，穿刺模式测试，测试速度2.0mm/s，测后速度2.0mm/s，测试距离10.0mm，触发力5.0g。

单宁含量的测定：采用Folin-Denis比色法测定。称取5g柿果肉，切成薄片放入研钵中，加入20mL
80%(V/V)的甲醇溶液磨碎，10000r/min离心10min，取上清液，定容至50mL，然后用水稀释10倍。测定时取1mL样品，加入7.5mL蒸馏水和0.5mL酚类试剂，3min以后加入1mL饱和碳酸钠，1h后在725nm波长处测定吸光度。

1.4 模型的建立与验证

利用WinISI4分析软件，对原始光谱进行有效预处理及波段的选择，以去除噪声和提取最有效信息。本实验采用主成分分析(principal component analysis，PCA)方法，该法能将数据降维，在不丢失主要光谱信息的前提下，选择为数较少的新变量来代替原来较多的变量，使数目较少的新变量成为原始变量的线性组合，主成分累积率越高，结果越准确。然后再用未参与定标的样品对判别模型进行验证，评价模型的可行性。所建立的判别模型用交互验证相关系数(RCV)和交互验证误差(standard error of cross validation，SECV)作为评价指标。预测模型的质量以判断正确率作为评价指标。

2 结果与分析

2.1 磨盘柿的原始光谱及理化数据

在近红外光谱区有吸收波长的官能团主要是含氢光能团，包括C—H、O—H、S—H、N—H等，一般二级倍频近红外谱带位于1100～1600nm、三级和四级位于700～1100nm[24]。图1为磨盘柿常温货架期间的平均光谱图，从图中可以看出，在二级、三级和四级近红外谱带处都有明显的吸收峰。其中，600～1400nm之间主要是—CH—、—OH、—NH、C=O等化学键的振动吸收，1600～1800nm之间主要是—CH、C=CH等化学键的振动吸收。对所有样本的理化指标进行检测，由表1可见，随着货架期时间的延长，SSC、果肉硬度、单宁的均值都随之减少。这说明柿子的内在品质随着时间的变化而改变，而近红外光谱技术能够快速捕获这些信息。因此，本研究用近红外漫反射光谱对磨盘柿的货架期进行快速鉴别分析。

表 1 理化数据

Table 1 Physical and chemical parameters

图 1 磨盘柿原始光谱图

Fig.1 Original absorption spectrum of Mopan persimmon

2.2 样品集及光谱预处理

不同贮藏时间样品集的组成如表2所示，其中，定标集用来建立甜柿货架期的判别模型，预测集用来验证判别模型的可靠性。

表 2 样品集的组成

Table 2 Composition of sample sets

表 3 前8个主成分累积贡献率

Table 3 The contribution rates of the first 8 principal components (PC 1-8)

%

为了去除高频随机噪音、样本不均匀、基线漂移、光散射等影响，需要进行光谱预处理。分别对400～2400nm全光谱进行二阶导数(logD2)、logD2和标准多元离散校正(standard multiple scatter correction，SMSC)、logD2和加权多元离散校正(weighted multiple scatter correction，WMSC)、logD2和标准正常化处理(standard normal variate，SNV)和去散射处理(detrend)处理。处理后主成分累积贡献率如表3所示，可见，logD2＋
SUVD处理的方法对主成分累积贡献率最高。其中，采用logD2处理能够消除基线漂移，SNV能够去除因散射引起的光谱误差，detrend处理能够扣除原始光谱中的线性漂移。SMSC和WMSC方法虽然也能进行去散射处理，但是在水果近红外无损检测中，一般认为SNV的校正能力比MSC要强[25]。因此，本实验的判别模型选用logD2＋SUVD的光谱预处理方法。

2.3 不同波段的选择

采用logD2＋SNVD的方法对光谱进行预处理，然后，应用WinISI4分析软件，采用主成分分析法在不同波段范围内对240个不同货架期的定标样本集建立校正模型，结果如表4所示。

表 4 不同波段的判别结果

Table 4 Results of calibration in different wavelength ranges

表4表明，在近红外波段1100～1800nm范围内模型判断正确率最高，达到95.4%。这可能是因为磨盘柿光谱的吸收峰都集中在该范围内，并且在这个波段范围内近红外光谱在果实中的穿透厚度比较适中，倍频及合频吸收带中的分子振动吸收比较多。因此，本研究选用1100～1800nm波段。

2.4 判别模型与预测结果

图 2 不同贮藏期的三维效果图

Fig.2 Three-dimensional effect for different time points of storage during different storage periods

为了研究磨盘柿的货架期，选取常温贮藏7、14、21d的柿子，采用PCA法建立判别模型。提取样品光谱数据的前3个主成分，得到三维坐标空间图，如图2所示。从图2可以看出，3个不同时间贮藏的磨盘柿样品分别集中在2个区域，几乎可以被完全分离开，说明判别模型能够用来预测磨盘柿的货架期。通过WinISI4分析出，该模型的RCV为0.8735，SECV为0.2103，定标集所有样本的正确率达到95.4%。

表 5 采用PCA方法的统计结果(n=2)

Table 5 Statistical results of discrimination using PCA (n=2)

随机选取30个不同贮藏期的果实进行检测，验证模型的可靠性，结果见表5。正确的有56个，不正确的有4个，模型的预测准确率达到93.3%。

3 结 论

本研究应用logD2＋SNVD的光谱预处理方法，在1100～1800nm波长范围内建立判别模型效果最好。结果表明判别模型的RCV为0.8735，SECV为0.2103，正确率达到95.4%。预测集的判断准确率达到93.3%。这说明通过光谱预处理和波段选择，能够提高模型的判断准确率。今后还可以从增大样本的数量、增加检测次数等方面提高和完善模型的预测准确率。

参考文献：

[1] 张鹏, 李江阔, 陈绍慧, 等. 磨盘柿褐变指标的可见/近红外漫反射无损预测研究[J]. 食品与生物技术学报, 2012, 31(11): 1673-1689.

[2] 陕西省果树研究所, 山东农学院, 河南省博爱县农林局. 柿[M]. 西安: 陕西农业出版社, 1978: 2-5.

[3] 余亚英, 袁唯. 食品货架期概述及其预测[J]. 中国食品添加剂, 2007, 3(5): 77-80.

[4] 李东华, 纪淑娟, 重滕和明. 南果梨糖、酸度近红外光谱模型适用的贮藏期研究[J]. 农业工程学报, 2009, 25(4): 270-275.

[5] 雷松泽, 姚红革. 近红外光谱分析技术在水果品质无损检测上的应用[J]. 光谱实验室, 2009, 26(4): 775-779.

[6] 毛莎莎, 曾明, 何绍兰, 等. 哈姆林甜橙果实内在品质的可见-近红外漫反射光谱无损检测法[J]. 食品科学, 2010, 31(14): 258-263.

[7] XU Huirong, QI Bing, SUN Tong, 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.

[8] WANG J, NAKANO K, OHASHI S. Nondestructive evaluation of jujube quality by visible and near-infrared spectroscopy[J]. LWT-Food Science and Technology, 2011, 44(4): 1119-1125.

[9] 刘玲玲, 赵博, 张银桥, 等. 小麦品质近红外检测系统的设计与试验研究[J]. 光谱学与光谱分析, 2013, 33(1): 92-97.

[10] CAO Fang, WU Di, HE Yong. Soluble solids content and pH prediction and varieties discrimination of grapes based on visible-near infrared spectroscopy[J]. Computers and Electronics in Agriculture, 2010, 71(S1): S15-S18.

[11] 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, 29(12): 3288-3290.

[12] LUO Weiqi, HUAN Shuangyan, FU Haiyan, et al. Preliminary study on the application of near infrared spectroscopy and pattern recognition methods to classify different types of apple samples[J]. Food Chemistry, 2011, 128(2): 555-561.

[13] 李永玉, 赵洪卫, 常冬, 等. 小型西瓜果实成熟度的无损定性判别[J]. 光谱学与光谱分析, 2012, 32(6): 1526-1530.

[14] SIRISOMBOON P, TANAKA M, KOJIMA T, et al. Nondestructive estimation of maturity and textural properties on tomato ‘Momotaro’ by near infrared spectroscopy[J]. Journal of Food Engineering, 2012, 112(3): 218-226.

[15] WANG J, NAKANO K, OHASHI S. Nondestructive detection of internal insect infestation in jujubes using visibleand near-infrared spectroscopy[J]. Postharvest Biology and Technology, 2011, 59(3): 272-279.

[16] 崔永杰, 李平平, 丁宪, 等. 猕猴桃分级果实表面缺陷的检测方法[J]. 农机化研究, 2012, 4(10): 139-142.

[17] VIRGINIA G C, SANCHEZ M T, JUAN F N, et al. On-vine monitoring of grape ripening using near-infrared spectroscopy[J]. Food Analytical Methods, 2012, 5(6): 1377-1385.

[18] 樊景超, 周国民. 苹果货架期的近红外光谱定性分析[J]. 中国食物与营养, 2011, 17(1): 47-49.

[19] 刘辉军, 李文军, 吕进, 等. 近红外光谱柑橘货架期的快速鉴别模型-基于主成分分析神经网络[J]. 农机化研究, 2009, 31(5): 174-176.

[20] 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): 1405-1414.

[21] 张淑娟, 张海红, 王凤花, 等. 柿子可溶性固形物含量的可见-近红外光谱检测[J]. 农业工程学报, 2009, 25(增刊2): 345-347.

[22] 张鹏, 李江阔, 孟宪军, 等. 可见/近红外漫反射光谱无损检测磨盘柿果实硬度的研究[J]. 食品工业科技, 2011, 32(7): 423-428.

[23] 张鹏, 李江阔, 孟宪军, 等. 涩柿可溶性单宁的可见/近红外漫反射光谱无损检测研究[J]. 光谱学与光谱分析, 2011, 31(4): 951-954.

[24] 张鹏, 李江阔, 陈绍慧, 等. 磨盘柿褐变指标的可见/近红外漫反射无损预测研究[J]. 食品与生物技术学报, 2012, 31(11): 1673-1689.

[25] 严衍禄. 近红外光谱分析基础与应用[M]. 北京: 中国轻工业出版社, 2005.