潘冰燕,魯曉翔,*,張 鵬,李江闊,陳紹慧

(1.天津商業(yè)大學生物技術與食品科學學院,天津市食品生物技術重點實驗室,天津 300134;2.國家農產(chǎn)品保鮮工程技術研究中心,天津市農產(chǎn)品采后生理與貯藏保鮮重點實驗室,天津 300384)

線椒貨架期的近紅外光譜定性判別

潘冰燕1,魯曉翔1,*,張 鵬2,李江闊2,陳紹慧2

(1.天津商業(yè)大學生物技術與食品科學學院,天津市食品生物技術重點實驗室,天津 300134;2.國家農產(chǎn)品保鮮工程技術研究中心,天津市農產(chǎn)品采后生理與貯藏保鮮重點實驗室,天津 300384)

利用近紅外漫反射光譜技術對線椒的貨架期進行定性判別研究。實驗以常溫貨架期1、3、5 d的線椒為研究對象,利用主成分分析法(PCA)建立近紅外漫反射定性判別模型,在全光譜范圍(400～2500 nm)內比較了不同的光譜預處理方法結合不同散射和標準化方法對所建模型的影響。結果表明,采用全光譜下Log(1/R)+None光譜預處理方法建立的模型預測最好,該模型的交互驗證相關系數(shù)(RCV)為0.9455,交互驗證誤差(SECV)為0.1534,其正確分類率達95.56%～100%,預測準確率達88.89%～97.78%,該模型能夠準確地區(qū)分不同貨架期的線椒鮮果。因此,近紅外光譜技術為線椒貨架期的鑒別提供了一種新方法。

近紅外光譜,定性判別,貨架期,線椒

線椒顏色鮮艷,色綠發(fā)亮,辣性強,大小均勻,果肉較厚,含有蛋白質、脂肪、葉綠素、VC等,其主要以佐食調味,消費量很大。由于其含水量高,質地脆嫩,采后運輸、貨架過程中易受冷害、機械損傷和病菌的侵染而造成較大損耗[1-4],其內部品質在不同貨架期存在著很大區(qū)別,進而影響其商品價值,故及時準確地判別線椒不同貨架期是十分必要的。傳統(tǒng)的人工分級檢測蔬菜貨架期的方法的主要缺點是勞動量大、生產(chǎn)效率低[5-7]。因此,研究一種快速判別線椒貨架期的方法具有重要意義。

近紅外光譜分析技術(Near-infrared reflectance spectroscopy,NIRS)是近年來興起的一項新技術,在果蔬貯藏與加工領域被廣泛應用于果蔬品質的定量定性檢測[8-9]、品種產(chǎn)地與不同成熟度的鑒別[10-11]等方面。Liu等[12]利用NIRS檢測新鮮柑橘的SSC含量;Cao等[13]運用NIRS對葡萄的SSC含量、pH和品種進行了無損檢測,并運用最小二乘法支持向量機(Least Squares Support Vector Machines,LS-SVM)對葡萄品種和品質建立預測模型;劉燕德等[14]利用NIRS對辣椒的SSC和維生素C含量進行了檢測。近年來,國內外學者正逐步將NIRS應用于水果貨架期的檢測。劉輝軍[15]等利用NIRS進行了柑橘貨架期的快速鑒別模型的研究;樊景超等[16]對貨架期蘋果的近紅外光譜測定,表明NIRS可以準確、有效地進行定性鑒別。但是,有關線椒貨架期的NIRS定性判別尚未見報道。為了快速、有效地區(qū)分不同貨架期的線椒,以便對其進行分級,本文利用近紅外光譜分析技術對線椒貨架期進行定性判別的研究,探討該項技術的可行性。

1 材料與方法

1.1 實驗材料與預處理

線椒 采收時選取成熟度一致(八成熟、綠色)、無病蟲害和機械損傷的果實,并于當天運回實驗室,待線椒的溫度與室溫一致時,用厚度為16 μm的PE微孔袋包裝,置于常溫(18～20 ℃,RH 90%)存放。

分別抽取采后1、3、5 d的線椒進行光譜采集。每個貨架期選取80個樣品進行光譜采集,測定前將線椒鮮果的表面用紗布拭擦干凈,每個樣品中部選取一個凸表面點進行排序編號,再進行全光譜掃描。

NIRS DS2500近紅外漫反射光譜儀 丹麥Foss公司。

1.2 化學指標的測定

葉綠素a、葉綠素b、類胡蘿卜素含量的測定:參考Lichtenthaler等[17]的方法,并稍做調整。準確稱取切碎的辣椒鮮肉0.500 g,放入研缽中,加入少量的石英砂和碳酸鈣粉以及2～3 mL的95%乙醇研成勻漿,再加95%乙醇10 mL,繼續(xù)研磨至組織變白,靜置3～5 min,用濾紙過濾到25 mL棕色容量瓶中,用95%乙醇定容。以95%乙醇為空白,用TU-1810紫外可見分光光度計分別在波長665、649、470 nm下測定其吸光度,然后利用公式進行含量計算。

式(1)

式(2)

式(3)

式(1),式(2)、式(3)中:m:樣品質量,g;Ca為葉綠素a含量,%;Cb為葉綠素b含量,%;Cx*c為類胡蘿卜素含量,%;D665、D649、D470分別是665、649、470nm下的吸光度值。

1.3 光譜采集

利用NIRSDS2500近紅外漫反射光譜儀(丹麥Foss公司),采用全息光柵分光系統(tǒng),信號采集由硅(400～1100nm)和硫化鉛(1100～2500nm)檢測器完成,掃描波長范圍為400～2500nm,以單波長方式進行快速掃描,配置Nova分析軟件和WinISI4定標軟件,將每一個線椒樣品的中部凸表面點作為NIR漫反射光譜的采集點,并對掃描部分取樣進行化學測量。

1.4 模型的建立與驗證

利用WinISI4分析軟件,在全光譜范圍內(400～2500nm)對采集的光譜進行去除噪聲處理并最大化地提取有效信息。本實驗采用主成分分析(Principalcomponentanalysis,PCA)方法,該法能夠充分利用數(shù)據(jù)信息,增強模型抗干擾能力,并解決了共線問題,在不知道干擾組分存在的情況下也可以用被測組分進行預測,適用于復雜分析體系[18]。主成分累積率越高,結果越準確。然后再用未參與定標的樣品對判別模型進行驗證,評價模型的可行性。所建立的判別模型用交互驗證相關系數(shù)(Determinationcoefficientofcrossvalidation,RCV)和交互驗證誤差(Standarderrorofcrossvalidation,SECV)作為評價指標,以判斷正確率作為預測模型評價指標。

2 結果與分析

2.1 線椒光譜圖及數(shù)據(jù)

2.1.1 線椒貨架期光譜圖 線椒品質的定性分析是通過化學官能團(-CH、-OH、-NH、C=O、C=CH等)在近紅外區(qū)的倍頻和合頻吸收強度的差異性,采用相關的化學計量學方法與近紅外光譜建立定性判別模型,實現(xiàn)對貨架期線椒品質的鑒別。實驗分別對貨架期1、3、5d的線椒樣品進行光譜采集,得到線椒貨架期的原始光譜如圖1。

圖1 線椒貨架期原始光譜圖Fig.1 Original absorption spectrum of line pepper in shelf-life

由圖1可知,線椒鮮果在677、975、1191及1448 nm處具有強吸收峰。通過WinISI4軟件分析可知,在可見光區(qū),出現(xiàn)第一個明顯的吸收峰(677 nm)可能是由表皮顏色對光的吸收造成的[19];而水分對近紅外的吸收帶為960～990 nm[20],也有研究認為[21]975、1191 nm的吸收可能是由水和CO2的吸收引起的。1448 nm吸收峰附近主要是 C—H、—CH2鍵的變化[22],這說明近紅外光譜圖捕獲的信息與線椒內在品質之間存在一定的變化規(guī)律。

對原始光譜進行一階導和二階導處理,分別得到線椒一階導、二階導光譜,見圖2、圖3所示。

圖2 線椒貨架期一階導光譜圖Fig.2 1st spectrum of Line pepper in shelf-life

圖3 線椒貨架期二階導光譜圖Fig.3 2nd spectrum of Line pepper in shelf-life

由圖2及圖3可見,經(jīng)過一階導數(shù)、二階導數(shù)處理后的譜圖在許多峰位都能看出較顯著的差異,且一階導光譜的差異性比二階導光譜的大,可見該預處理方法能夠有效的提取線椒內部品質的差異信息。實驗表明分析不同光譜預處理方式對定性判別模型構建是必要的。

2.1.2 線椒貨架期理化指標 對所有樣本的理化指標進行檢測,其數(shù)據(jù)分布情況見表1。

表1 貨架期線椒數(shù)據(jù)分布特征

由表1可見,隨著貨架期的延長,線椒鮮果的葉綠素a、葉綠素b以及類胡蘿卜素含量也隨之增加;實驗數(shù)據(jù)表明,線椒品質隨著時間的推移而產(chǎn)生變化,利用近紅外光譜技術能夠對這些信息進行快速準確地捕獲。因此,研究近紅外光譜對貨架期線椒品質進行定性判定具有可行性。

2.2 樣品集及光譜預處理

分別從1、3、5 d的80個光譜中剔除異常的光譜,最終每個貨架期選擇75個光譜數(shù)據(jù)作為當天的樣品集。不同存放時間樣品集的組成如表2所示,其中,定標集用于建立線椒鮮果貨架期的判別模型,預測集用于驗證判別模型的可靠性。

表2 定標集和預測集的組成

為了去除高頻隨機噪音、樣本內部不均勻、基線漂移、光散射等因素影響,需要進行光譜預處理。而一階微分主要解決基線偏移問題,二階微分則主要解決基線的漂移問題,可明顯消除基線和背景的干擾,提高分析精度。在全光譜范圍內(400～2500 nm)比較了零階微分光譜(Log(1/R))、一階微分光譜(D1Log(1/R))、二階微分光譜(D2Log(1/R))下的原始處理(None)、去散射處理(Detrend)、標準正常化處理(SNV)+去散射處理(Detrend)、標準多元離散校正(Standard multiple scatter correction,SMSC)、加權多元離散校正(Weighted multiple scatter correction,WMSC)相結合的方法建立的模型。利用主成分分析法(PCA)對不同貨架期樣本進行聚類分析,得到不同預處理的累積貢獻率見表3。

由表3可以清楚的看出,預處理方法不同得到的累積貢獻率也不同,經(jīng)過主成分分析得到的所有處理的前6個主成分的累積貢獻率都達到97%以上,其中Log(1/R)+None處理的前6個主成分的累積貢獻率最高,達到99.77%。說明這6個變量能夠代表絕大部分的原始光譜采集的信息。因此,本實驗采用Log(1/R)+None的預處理方法進行判別模型的建立。

采用Log(1/R)+None的方法對光譜進行預處理,然后對不同波段范圍對180個樣品建立定標模型,結果如表4所示。

表4 不同波段的判別結果

結果表明,全光譜波長400～2500 nm 范圍的模型判斷的正確率最高,達到95.00%～99.44%。這說明全波長下的近紅外光譜信息最齊全,因此,線椒貨架期的判別模型選用全光譜波長下。

2.3 判別模型與預測結果

為了研究線椒的貨架期,選取在常溫下(18～20 ℃)存放1、3、5 d的線椒進行數(shù)據(jù)采集,運用PCA方法建立判別模型,提取樣品光譜數(shù)據(jù)的前3個主成分,得到三維坐標空間圖,如圖4所示。

表3 不同預處理的累積貢獻率(%)

表5 PCA方法建立模型的統(tǒng)計結果

圖4 不同貨架期的三維效果圖Fig.4 Three-dimensional rendering of different shelf-life

圖4中的坐標代表由主成分1、主成分2、主成分3組成的三維坐標系。從圖4可見,采后貨架期1、3、5 d的線椒能夠被完全分開,即所建立的判別模型適用于線椒鮮果貨架期的定性判別。該模型的交互驗證相關系數(shù)(RCV)為0.9455,交互驗證誤差(SECV)為0.1534,正確分辨率達到95.56%～100%。

利用最優(yōu)的預處理方法(Log(1/R)+None)建立主成分判別模型,對剩下的15個預測集樣本用于驗證,評價模型的預測準確性,得到結果見表4。

由表5可見,對于總的預測集,錯誤的個數(shù)為1,不確定的個數(shù)為4,成功對40個樣品進行了預測。其中,對貨架期1 d的線椒品質預測的正確率高達93.33%～100.00%,而總的預測集正確率也達到了88.89%～97.78%。

3 結論

本研究表明,運用不同光譜預處理方法得到的模型累積貢獻率不同,對多種預處理方法進行討論研究,能夠提高模型的累積貢獻率。本實驗應用Log(1/R)+None的光譜預處理方法,在全波長范圍內(400～2 500 nm)建立的線椒貨架期的判別模型效果最好,該模型的交互驗證相關系數(shù)(RCV)為0.9455,交互驗證誤差(SECV)為0.1534,正確分類率達到95.56%～100%。實驗結果說明,利用近紅外光譜技術鑒別線椒鮮果貨架期是可行的,可以為線椒貨架期判定提供一定的理論依據(jù),同時也可以為蔬菜的近紅外光譜檢測提供可行性依據(jù)。雖然模型取得了很好的判別正確率,但是在樣品的采集數(shù)量上面還不夠,后期的研究可以再加大樣品的數(shù)量,以保證模型的適用范圍。

[1]李雪峰.辣椒保鮮貯藏技術[J].辣椒雜志,2008(2):37-39.

[2]侯田瑩,王福東,寇文麗,等.溫度變化和1-MCP處理對青椒貯藏品質的影響[J].保鮮與加工,2012,12(5):8-13.

[3]任邦來,楊曉花.植酸對辣椒保鮮效果的研究[J].中國食物與營養(yǎng),2014,20(5):61-63.

[4]趙月,陶樂仁,陳娟娟.吸濕劑及添加量對冷藏鮮辣椒品質的影響[J].江西農業(yè)學報,2014(11):029-032.

[5]劉珣,董軍茂.辣椒采后生理與貯藏保鮮研究進展[J].北方園藝,2007(11):88-90.

[6]李家政,周延文,唐巨穎.甜椒采后生理及保鮮技術研究進展[J].北方園藝.2010(19):214-217.

[7]王丹,魯曉翔,張鵬,等.近紅外光譜對磨盤柿貨架期的定性判別[J].食品科學,2013,34(22):185-188.

[8]Xu H,Qi B,Sun T.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.

[9]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.

[10]黃艷華,杜娟,夏田,等.近紅外光譜在植物種及品種鑒定中的應用[J].中國農學通報,2014,30(6):46-51.

[11]褚小立,陸婉珍.近五年我國近紅外光譜分析技術研究與應用進展[J].光譜學與光譜分析,2014,34(10):2595-2605.

[12]Ying Y,Fu X,Lu H. Experiments on predicting sugar content in apples by FT-NIR technique[J]. Journal of Food Engineering,2007,80(3):986-989.

[13]Cao F,Wu D,He Y.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:S15-S18.

[14]劉燕德,周延睿,潘圓媛.基于最小二乘支持向量機的辣椒可溶性固形物和維生素犆含量近紅外光譜檢測[J].光學精密工程,2014,22(2),282-288.

[15]劉輝軍,李文軍,呂進,等.近紅外光譜柑橘貨架期的快速鑒別模型-基于主成分分析神經(jīng)網(wǎng)[J].農機化研究,2009,31(5):174-176.

[16]樊景超,周國民. 蘋果貨架期的近紅外光譜定性分析[J].中國食物與營養(yǎng),2011,17(1):47-49.

[17]張其德.測定葉綠素的幾種方法[J],植物學通報,1985,3(5):60-64.

[18]李光輝,任亞梅.近紅外技術在果品品質無損檢測中的研究進展[J].食品研究與開發(fā),2013,33(10):207-211.

[19]Cayuela J A.Vis/VIR Soluble Solids Prediction in Intact Oranges(Citrus Sinensis L)cv.Valencia Late by Reflectance[J].Postharvest Bid.Technol.2008,47(1):75-80.

[20]Wiliams P,Norris K H.Variable Affecting Near Infrured Spectroscopic Analysis.In:Wiliams P,Norris K H.(Eds.).Near Infrured Technalogy in the Agricuture and Food Industries[M].Seconed.St.Paul,MN:The American Association of Cereal Chemist,2001:171-185.

[21]王寶剛,李文生,蔡宋宋,等.核果類水果干物質含量近紅外無損檢測研究[J].光譜實驗室,2010,27(6):2118-2123.

[22]王丹,魯曉翔,張鵬,等.近紅外光譜檢測不同貯藏期磨盤柿的內部品質[J]光譜實驗室,2014,30(6):2769-2774.

Qualitative discrimination of line pepper in shelf-life by near infrared spectroscopy

PAN Bing-yan1,LU Xiao-xiang1,*,ZHANG Peng2,LI Jiang-kuo2,CHEN Shao-hui2

(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)

Near-infrared diffuse reflectance spectroscopy was used for qualitative discrimination of line pepper in shelf-life,and the line pepper storaged at room temperature during shelf life(1,3,5 days)were as materials.The principal component analysis(PCA)was used to establish Near-infrared diffuse reflectance qualitative discriminate model. In the spectral region between 400～2500 nm,calibration results of line pepper were compared with different derivative treatments and different scatter and standard treatments.The results showed that original spectrum combined with none in the wavelength range of 400～2500 nm,provided better prediction performance of line pepper,with the cross-validation correlation coefficient(RCV)of 0.9455,the cross-validation error(SECV)of 0.1534,the correct identification rate of discriminate model was 95.56% to 100%,predict accuracy was 88. 89% to 97.78%. The model can accurately distinguish between different lines pepper fruit shelf life. So Near infrared spectroscopy could offer a new approach to the line pepper in shelf-life.

near infrared spectrum;qualitative identification;shelf-life;line pepper

2015-02-13

潘冰燕(1990-),女,在讀碩士,研究方向:農產(chǎn)品加工與貯藏,E-mail:pby_0816@163.com。

*通訊作者:魯曉翔(1962-),女,碩士,教授,研究方向:農產(chǎn)品加工與貯藏,E-mail:lxxiang@tjcu.edu.cn。

國家“十二五”科技支撐計劃(2012BAD38B01)。

TS201.7

A

1002-0306(2015)23-0285-05

10.13386/j.issn1002-0306.2015.23.050