基于有效波长选择的近红外光谱枸杞总糖含量快速检测

许生陆1,2，高 媛1，胡国梁1,2，于修烛1,*，张 睿１

（1.西北农林科技大学食品科学与工程学院，陕西 杨凌 712100；2.温州市市场监督管理局，浙江 温州 325000）

摘 要：为建立枸杞总糖含量快速准确的检测方法，采用近红外光谱为检测手段，以114 个不同产区枸杞样品为研究对象。采用积分球漫反射模式采集样品近红外光谱，利用化学计量学方法确定光谱信息与总糖含量之间的关系，通过载重图法及相关系数法进行有效光谱选择，比较确定枸杞总糖光谱建模有效波段，建立枸杞总糖近红外光谱定量检测模型，并利用国标方法进行验证分析。结果发现：对全样品光谱进行Norris Gap Derivative求导预处理后，采用相关系数法选择8 700～4 000 cm－1波段进行建模。当主成分数为8时，建模效果较好，模型的校正集决定系数与验证集决定系数均高于0.91。结果表明，基于近红外光谱技术的枸杞总糖含量快速检测是可行的。

关键词：枸杞；近红外光谱；有效波长；总糖；定量分析

Rapid Determination of Total Sugar Content of Goji Berries (Lycium barbarum) by Near Infrared Spectroscopy with Effective Wavenumber Selection

XU Shenglu1,2, GAO Yuan1, HU Guoliang1,2, YU Xiuzhu1,*, ZHANG Rui1

(1. College of Food Science and Engineering, Northwest A&F University, Yangling 712100, China;

2. Market Supervision Administration of Wenzhou, Wenzhou 325000, China)

Abstract: This study developed a rapid and accurate method for the determination of total sugar in Goji berries (Lycium barbarum) by using Fourier transform near infrared (NIR) spectroscopy. A total of 114 samples collected from various producing areas were detected by NIR spectroscopy for the acquisition of spectra in the integrating sphere diffuse reflectance mode. The relationship between spectral information and total sugar content was established using a chemometric method. The effective wavenumbers by X-loading weights and correlation coefficients were selected. A quantitative model for predicting the total sugar content of Goji berries was developed and verified. The results showed that the model was built with spectral pretreatment using Norris Gap Derivative, and effective wavenumbers (EWs) of 8 700–4 000 cm-1 chosen by correlation coefficients. The coefficients of determination for calibration (Rc2) and for validation (Rv2) of the model were both higher than 0.91 when the number of principal components (PCs) was 8. The above results demonstrate that rapid determination of the total sugar content of Goji berries by NIR is workable.

Key words: Goji berries (Lycium barbarum); near infrared (NIR) spectroscopy; effective wavenumbers; total sugar; quantitative analysis

DOI:10.7506/spkx1002-6630-201612018

中图分类号：TS207.3 文献标志码：A 文章编号：1002-6630（2016）12-0105-05

引文格式：

许生陆, 高媛, 胡国梁, 等. 基于有效波长选择的近红外光谱枸杞总糖含量快速检测[J]. 食品科学, 2016, 37(12):
105-109. DOI:10.7506/spkx1002-6630-201612018. http://www.spkx.net.cn

XU Shenglu, GAO Yuan, HU Guoliang, et al. Rapid determination of total sugar content of Goji berries (Lycium barbarum) by near infrared spectroscopy with effective wavenumber selection[J]. Food Science, 2016, 37(12): 105-109. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-201612018. http://www.spkx.net.cn

枸杞是我国传统药食同源的物品，其性味甘平[1]，归肝[2-3]、肾经[4-5]，具有滋肝补肾[6]、益精明目的功效[7-8]。
现代医学证明，枸杞具有抗氧化、抗衰老、增强免疫功能以及抗肿瘤等多种生物活性[9-10]。枸杞主要含多糖、总糖、类胡萝卜素、VC、莨菪亭、多种氨基酸及微量元素等[11-13]。枸杞总糖是枸杞中游离单糖、双糖及低聚糖的总称，是枸杞甜味的主要来源；对于枸杞的食用品质及贮藏性能有较大影响，也是枸杞质量和分级的重要指标之一[14]。

传统枸杞多糖检测方法是采用菲林试剂来测定，即在沸腾条件下，用样液滴定一定量的菲林试剂，当蓝色褪去为滴定终点。该法准确度较高、重复性好，但操作复杂、程序繁琐、需要大量化学试剂，危害环境[15]。近红外光谱技术具有环保、准确、便捷和绿色等优点，被广泛应用于食品和农产品快速检测分析[16]。文献[17-19]报道利用近红外光谱技术对枸杞的产地进行判别，均取得较好的效果。汤丽华等[20]选择不同产区样品40 个利用近红外光谱技术对枸杞13 个化学成分进行检测分析，由于建模样品和验证样品数量有限，模型缺乏一定代表性。近红外光谱检测分析的关键在于大量有代表性建模样品的获得，确保所建模型的通用性和稳健性[21]；近红外光谱信息是由组频和倍频吸收组成，其交叠十分严重，难以确定相应测定成分的特征吸收谱带，需要借助化学计量学对光谱进行预处理是近红外光谱分析的研究重点。有效光谱选择是去除光谱多余信息和提高模型精度有效方法之一[22]。本研究以114 个不同产区的枸杞样品为研究对象，采集样品近红外光谱并对利用不同波长算法对模型的波长进行优化选择，建立总糖模型，并利用国标法验证模型的准确性，以期为近红外光谱技术在枸杞总糖含量快速检测提供参考。

1 材料与方法

1.1 材料

表 1 样品信息

Table 1 Information about sample sets used in this study

采集114 个枸杞样品，其中61 个样品（编号为1～61号）来自宁夏中宁产区；17 个样品（编号为62～78号）来自宁夏非中宁产区；36 个样品（编号为79～114号）分别来自内蒙古、甘肃、青海、河北、新疆等产区。将114 个枸杞样品按照产区分组，然后在保证各个产区的校正集总糖含量范围大于验证集的前提下[23]，从每组中随机选择校正集、验证集及盲样集，样品信息见表1。

1.2 仪器与设备

MPA-TM傅里叶变换近红外光谱仪 德国布鲁克光学仪器公司。

1.3 方法

1.3.1 总糖含量的测定

参照GB/T 18672—2002《枸杞子》中附录B枸杞总糖含量的测定。将恒质量的枸杞粉碎，装袋。配制碱性酒石酸铜甲液和乙液，并进行标定。制备枸杞样品提取液，进行预测定。进行样液测定，以溶液蓝色褪去为标定终点。记录样液消耗体积，计算样品总糖含量。平行测定3 次。

1.3.2 光谱采集

近红外光谱仪预热30 min、打开OPUS软件、检查信号、保存峰位、扫描背景光谱，每隔1重新扫描背景光谱。

样品光谱扫描：将枸杞颗粒基本装满旋转样品杯（直径为50 mm，高为50 mm），偏心距为10 mm。采用旋转式积分球漫反射扫描样品光谱。随机取样品进行光谱扫描以避免因为连续扫描同一产区样品而造成误差。

光谱采集范围：12 000～4 000 cm－1；扫描次数：64 次；分辨率：8 cm－1。每个样品平行采集10 次，以平均光谱作为样品光谱。

1.3.3 光谱预处理

光谱预处理，主要有Savitzky-Golay Derivatives（S-G D）、Savitzky-Golay Smothing（S-G S）、多元散射校正（multiplicative scatter correction，MSC）、矢量归一化（standard normal variate，SNV）是针对特定的样品体系，通过对光谱的适当处理或变换，减少以至于消除各种非目标因素对光谱的影响，尽可能地去除无关信息变量，提高分辨率和灵敏度，从而提高校正模型的预测能力和稳健性。求导有助于校正基线漂移影响，去除非化学因素的影响，同时还可能消除重叠波段。S-G D预处理设定3 个参数，分别是导数、多项式次数和平滑点数。导数阶数不能大于多项式次数，多项式次数则不能大于左右平滑点数之和，左右平滑点数之和不能大于总的变量数。一阶导数可消除基线漂移，原始光谱中的波峰在一阶导数中会变为零；二阶导数可消除基线漂移和光谱倾斜，增强光谱特征。多项式的次数是与光谱拟合的方程最高次。平滑点数越大，光谱越平滑，但也可能造成部分有效信息损失。S-G S预处理有2 个参数，分别是多项式次数和平滑点数。将光谱数据平滑后，建立一个与其拟合的多项式方程。Norris Gap Derivative（N-G D）只有两个参数，分别是求导阶数和间隔宽度。求导阶数同S-G D，间隔宽度实质两个值之间的间隔大小。S-G D将光谱数据平滑后，进行多项式拟合，最后再进行求导；S-G S将光谱数据平滑后，多项式拟合则可；N-G D则隔间隙进行取点，形成新的光谱数据，然后拟合求导。

1.3.4 有效波长选择

采用较优预处理后的全光谱数据进行初次建模，得到载重图。载重图以波数为横坐标，载重值为纵坐标。载重值越大，则表明此波数段对建模影响越大。将预处理后的全光谱数据及对应的理化值导入Excel中，调用函数“Correl”，得到相关系数图。相关系数图以波数为横坐标，相关系数为纵坐标。值越大则表明此波数段与所对应的化学值相关性越大[24-25]。通过载重图和相关系数图选择特征光谱，并与全波长条件下的建模效果进行比较分析，确定较优建模光谱区间[26-28]。

1.3.5 模型建立与验证

总糖的定量模型建立采用最小二乘（partial least squares，PLS）建模法。将光谱数据和化学数据导入Unscrambler软件中，建立PLS模型。比较不同预处理、有效波段及主成分数条件下的建模效果，确定较优建模条件，得到定量模型。模型的评价指标有校正集决定系数（Rc2）、验证集决定系数（Rv2）、校正均方根误差（root mean square error of calibration，RMSEC）和验证均方根误差（root mean square error validation，RMSEV）。

1.3.6 盲样验证

利用定量模型对盲样进行预测，对预测值和实测值进行配对t检验，分确定所建方法的可行性。

1.4 数据处理

将扫描光谱用OPUS软件导出相应光谱数据，所得数据用Unscrambler和Excel软件进行相应处理和分析。

2 结果与分析

2.1 总糖含量测定

表 2 校正集、验证集及盲样集总糖含量

Table 2 Total sugar contents in calibration, validation and
blind sample sets

%

对114 个枸杞样品的总糖含量进行检测分析。由表2可知，样品来自我国不同枸杞产区，样品信息较为丰富，测定结果中各个指标的变化范围较大，基本涵盖我国各主要产区的枸杞总糖的含量范围，具有很好的代表性；验证集和盲样集的变化范围均在校正集的变化范围之内。

2.2 光谱分析

图 1 样品近红外光谱

Fig. 1 NIR spectra of samples

将枸杞颗粒样品置于旋转样品杯中，采用积分球漫反射模式采集近红外光谱。114 个样品的光谱如图1所示。不同枸杞近红外光谱较为相似，难以将某个具体的峰位、峰强或者峰形与某个特定的目标成分建立联系。样品光谱需要通过化学计量学的方法进一步提取有效光谱信息。101号样品和107号样品的光谱与其他样品存在较大差异，可能是因为采集过程中操作不当造成的，故在后面的分析中做去除处理。

2.3 光谱预处理

表 3 光谱预处理的选择

Table 3 Selection of optimal preprocessing method

注：a.参数设置为二次多项式，九点平滑，下同；b.参数设置为一阶导数，Gap size为9，下同。

由表3可知，对光谱分别进行SNV、S-G D和S-G S预处理后，模型的建模效果与原光谱建模效果相比，无明显差异。当对原始光谱进行N-G D预处理后，选择主成分数是8时，Rc2和Rv2分别提高至0.999和0.889，模型效果良好。

2.4 有效波长确定

在Unscrambler的主成分Overview中，选择载重图，可以看到不同主成分条件下，每个光谱点对应的载重值。载重图特别适用于光谱数据，因为它能很好地预测对模型有用的光谱波段。图2a中展示了前3 个主成分条件下光谱的载重图（为了便于观察，第2主成分及第3主成分条件下的载重图，依次增加了0.025）。将预处理后的光谱数据及对应的总糖数据导入Excel中，利用函数“Correl”可得到相关系数图，如图2b所示。

图 2 载重法（a）和相关系数法（b）选择有效波长

Fig. 2 EWs selection by X-loading weights (a) and correlation coefficients (b)

由图2a可以看出，在7 540～6 970 cm－1和5 590～4 000 cm－1波数范围内载重值的变化较大且值较高。故选此波段作为特征波段。由图2b可以看出，12 000～8 800 cm－1波数范围内，相关系数较小，而8 700～4 000 cm－1相对较大，故选此波段建立模型。比较这种方法条件下选择的特征波段与全光谱条件下的PLS模型，如表4所示。

表 4 不同波长建模效果

Table 4 Model performance with EWs

全光谱条件下，模型的预测决定系数最低。全光谱不仅包含与样品信息的有效信息，也包含一些由于仪器、外在环境、样品物理条件不同带来的干扰信息。利用全光谱建模，数据量大，建模时间较长，且建模效果不理想。对建模波段进行选择，可简化模型，提高模型有效性。对比载重法和相关系数法条件下所选特征波段的建模效果，可以看出，相关系数条件下的特征波段的建模效果均高于载重条件下的特征波段，由此，选定8 700～4 000 cm－1波数范围为枸杞总糖含量测定波段。

2.5 模型建立与验证

选择较优的光谱预处理及光谱区间建立枸杞总糖的PLS模型，并进行模型验证结果见图3。PLS模型中，当主成分是8时，建模效果最好。Rc2的大小表明了模型的拟合程度，Rv2的大小表明了模型的验证能力。总糖快速定量模型的R2均大于0.91，表明模型的拟合能力较好，且具有较好预测能力。

图 3 模型建立校正集（a）与验证集（b）

Fig. 3 Model performance in calibration (a) and validation sets (b)

2.6 盲样验证

所建模型用于盲样（样品未参与建模）的总糖含量预测。采用配对t检验来确定近红外光谱法替代传统化学法的可行性，其结果见表5。在设置置信水平是95%的情况下，P双尾=0.63＞0.05，说明近红外方法与传统方法测定结果没有显著性差异，近红外光谱法可用于枸杞总糖含量的快速检测。

表 5 盲样测定结果分析

Table 5 Predicted results for blind samples

3 结 论

利用化学计量学找出枸杞光谱信息与总糖含量测定值之间的关系，建立PLS模型。当预处理方法选择
N-G D，建模波段选择8 700～4 000 cm－1，主成分选择8时，建模效果较优，Rc2和Rv2分别为0.994和0.916。盲样测定结果配对t检验表明，基于近红外光谱的枸杞总糖快速测定是可行的。不仅提高模型预测精度和稳定性，而且为进一步拓展近红外光谱在总糖测定应用提供技术参考。

参考文献：

[1] 林楠, 杨宗学, 蔺海明, 等. 不同产地枸杞质量的比较研究[J].
甘肃农业大学学报, 2013, 48(2): 34-39. DOI:10.3969/j.issn.1003-4315.2013.02.008.

[2] 霍超, 徐桂花. 枸杞生理功效和活性成分的研究进展[J]. 中国食物与营养, 2007(11): 50-53. DOI:10.3969/j.issn.1006-9577.2007.11.016.

[3] 何进, 阎淳泰. 枸杞果实化学成分研究概况[J]. 中国野生植物资源, 1997(1): 8-11.

[4] 周晶, 李光华. 枸杞的化学成分与药理作用研究综述[J]. 辽宁中医药大学学报, 2009, 11(6): 93-95.

[5] 周艳华, 李涛, 覃世民, 等. 枸杞活性成分提取分离方法研究进展[J]. 食品研究与开发, 2014, 35(24): 163-166. DOI:10.3969/j.issn.1005-6521.2014.24.042.

[6] 如克亚•加帕尔, 孙玉敬, 钟烈州, 等. 枸杞植物化学成分及其生物活性的研究进展[J]. 中国食品学报, 2013, 13(8): 161-172.

[7] BONDIA-PONS I, SAVOLAINEN O, TORRONEN R, et al. Metabolic profiling of Goji berry extracts for discrimination of geographical origin by non-targeted liquid chromatography coupled to quadrupole time-of-flight mass spectrometry[J]. Food Research International, 2014, 63: 132-138. DOI:10.1016/j.foodres.2014.01.067.

[8] AMAGASE H, FARNSWORTH N R. A review of botanical characteristics, phytochemistry, clinical relevance in efficacy and safety of Lycium barbarum fruit (Goji)[J]. Food Research International, 2011, 44: 1702-1717. DOI:10.1016/j.foodres.2011.03.027.

[9] 张晓煜, 刘静, 袁海燕. 枸杞总糖含量与环境因子的量化关系研究[J]. 中国生态农业学报, 2005, 13(3): 39-43.

[10] 蔡国军, 张广忠, 张宝琳, 等. 氮、磷、钾对枸杞果实糖类、胡萝卜素含量的影响[J]. 西南农业学报, 2013, 26(1): 209-212. DOI:10.3969/j.issn.1001-4829.2013.01.043.

[11] 许兴, 郑国琦, 杨娟, 等. 宁夏不同地域枸杞多糖和总糖含量与土壤环境因子关系的研究[J]. 西北植物学报, 2005, 25(7): 1340-1344. DOI:10.3321/j.issn:1000-4025.2005.07.010.

[12] 雷建刚, 刘敦华, 郭进. 不同产地枸杞干果品质的差异性研究[J]. 现代食品科技, 2013, 29(3): 494-497

[13] 李梅兰. 不同产地枸杞质量的模糊综合评价[J]. 青海大学学报(自然科学版), 2010, 28(1): 83-85. DOI:10.3969/j.issn.1006-8996.2010.01.020.

[14] 杨剑婷, 鲍士宝, 吴晓伟, 等. 四种药食同源材料中总糖含量的测定[J]. 现代中药研究与实践, 2012, 26(3): 76-79.

[15] 王欢, 金哲雄, 温美佳, 等. 不同产地宁夏枸杞活性成分比较研究[J]. 现代中药研究与实践, 2014, 28(6): 21-25.

[16] 吕海棠, 刘同慧, 冯瑞琴. FTIR法测定枸杞中的有效成分[J]. 食品工业科技, 2012, 33(6): 102-104.

[17] 许春瑾, 张睿, 于修烛, 等. 基于近红外光谱的中宁枸杞子判别分析[J].
食品科学, 2014, 35(2): 164-167. DOI:10.7506/spkx1002-6630-201402030.

[18] 汤丽华, 刘敦华. 基于近红外光谱技术的枸杞产地溯源研究[J]. 食品科学, 2011, 32(22): 175-178.

[19] 周群, 孙素琴, 梁曦云. 枸杞产地的红外指纹图谱与聚类分析法研究[J]. 光谱学与光谱分析, 2003, 23(3): 509-511. DOI:10.3321/j.issn:1000-0593.2003.03.025.

[20] 汤丽华, 刘敦华. 基于近红外光谱的枸杞化学成分定量分析[J]. 现代食品科技, 2013, 29(9): 2306-2310.

[21] 吴志生, 史新元, 徐冰, 等. 中药质量实时检测: NIR定量模型的评价参数进展[J]. 中国中药杂志, 2015, 40(14): 2774-2781. DOI:10.4268/cjcmm20151417.

[22] 刘飞, 孙光明, 何勇. 基于波长选择方法Modeling Power的黑木耳产地判别研究[J]. 光谱学与光谱分析, 2010, 30(1): 62-65. DOI:10.3964/j.issn.1000-0593(2010)01-0062-04.

[23] 詹雪艳, 赵娜, 林兆洲, 等. 校正集选择方法对于积雪草总苷中积雪草苷NIR定量模型的影响[J]. 光谱学与光谱分析, 2014, 34(12): 3267-3272. DOI:10.3964/j.issn.1000-0593(2014)12-3267-06.

[24] 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.

[25] 王立琦, 孔庆明, 李贵滨, 等. 基于iPLS的油脂过氧化值近红外光谱特征波段选择[J]. 食品科学, 2011, 32(9): 97-100.

[26] CHEN J Y, IYO C, TERADA F, et al. Effect of multiplicative scatter correction on wavelength selection for near infrared calibration to determine fat content in raw milk[J]. Journal of Near Infrared Spectroscopy, 2002, 10(4): 301-308. DOI:10.1255/jnirs.346.

[27] LIU F, HE Y, WANG L. Determination of effective wavelengths for discrimination of fruit vinegars using near infrared spectroscopy and multivariate analysis[J]. Analytica Chimica Acta, 2008, 615(1): 10-17. DOI:10.1016/j.aca.2008.03.030.

[28] MIN M, LEE W S. Determination of significant wavelengths and prediction of nitrogen content for citrus[J]. Transactions of the ASAE, 2005, 48(2): 455-461. DOI:10.13031/2013.18308.