黎新榮

摘要：【目的】采用近紅外光譜技術對滑皮金桔的糖度開展無損檢測技術研究，為今后實現(xiàn)滑皮金桔在線糖度品質分級分選提供參考依據(jù)?！痉椒ā恳訬IR Magic 1100型便攜式果品近紅外光譜分析儀為主要研究設備，對采集的滑皮金桔光譜分別進行S-G卷積平滑（SG-smooth）、標準正態(tài)變量變換（SNV）和多元散射校正（MSC）處理，結合偏最小二乘法建立滑皮金桔糖度預測模型并進行驗證?！窘Y果】建模的最佳光譜波段為720～920 nm;光譜采用SG-smooth處理后建立模型的校正集相關系數(shù)為0.9531，校正集均方根誤差為0.6436，相對分析誤差為3.55，均優(yōu)于采用SNV和MSC處理建立的模型效果。對預測模型進行驗證顯示，糖度預測值與實際值的相關系數(shù)為0.9582，均方根誤差為0.5187，相對分析誤差為3.24?！窘Y論】采用近紅外光譜快速檢測滑皮金桔糖度可行，建立的預測模型穩(wěn)定性好、精度較高，可為滑皮金桔在線分選及無損檢測設備的開發(fā)提供技術參考。

關鍵詞： 滑皮金桔;糖度;近紅外光譜;S-G卷積平滑;偏最小二乘法

中圖分類號： S666.9? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標志碼： A 文章編號：2095-1191（2019）04-0838-06

Abstract：【Objective】In order to provide reference for quick non-destructive grading of Huapi kumquat after harvest according to sugar quality，the non-destructive measurement for sugar in Huapi kumquat was carried out by using near infrared spectroscopy. 【Method】NIR Magic 1100 portable fruit near infrared spectroscopy analyzer was the main research equipment. Savitzky-Golay smooth（SG-smooth），standard normal variable transformation（SNV） and muliplication scattering correction（MSC） treatments were conducted on the Huapi kumquat spectrum， and the Huapi kumquat sugar forecasting model was established combined with partial least squares. 【Result】720-920 nm was the best model spectral band. After the SG-smooth processing， the correlation coefficient of calibration of the model established was 0.9531，the root mean square error of calibration was 0.6436，the relative percent deviation（RPD） 3.55. The results were all better than the model treated by SNV and MSC. The prediction model was validated. The correlation coefficient between the predicted value and the measured value of sugar was 0.9582，the root mean square error was 0.5187 and the relative percent deviation 3.24. 【Conclusion】In this study，a rapid and non-destructive test for the sugar content of Huapi kumquat is achieved. The good stability and high accuracy of the prediction model can provide reference for the future development of on-line classification and non-destructive testing equipment for Huapi kumquat.

Key words： Huapi kumquat; sugar content; near infrared spectroscopy; Savitzky-Golay smooth; partial least squares

0 引言

【研究意義】廣西融安縣是我國滑皮金桔主產(chǎn)地，滑皮金桔的可溶性固形物含量16.0～22.0 g/100 g、總酸含量0.1～0.2 g/100 g、可食率平均達98.2%，食用后可潤肺開胃，深受消費者喜愛（潘雪燕，2012）。在采后處理中按糖度對滑皮金桔進行分級有利于其按品質銷售，但使用傳統(tǒng)的折光儀既會對果實造成損壞又費時，而無損檢測技術能很好地解決此問題。水果無損品質檢測技術具有無需樣品預處理、分析時間短、非破壞性檢測等優(yōu)點，使用較廣泛的有紅外光譜檢測技術、高光譜成像技術和激光誘導熒光技術等（李志霞和聶繼云，2013）。研究滑皮金桔的無損檢測技術，對其在線分選分級設備的開發(fā)應用有重要意義?！厩叭搜芯窟M展】由于近紅外光具有一定的穿透力，對樣品自身不具有破壞性，因此用近紅外光譜技術做定量分析，可實現(xiàn)對含有C-H、N-H和O-H等有機官能團的樣品進行快速、無損定性/定量分析（宗莉等，2010;白倩和周金池，2014;孫亞強等，2015）。袁雷等（2006）利用近紅外光譜技術對柑橘品質進行無損檢測，對總酸、總糖和維生素3種組分建立了數(shù)學預測模型并進行優(yōu)化;馬廣等（2007）利用近紅外漫反射光譜定量分析技術對大白桃不同部位進行建模，分析光譜微分和校正預處理對建模結果的影響，得出近紅外光譜檢測技術可用于大白桃糖度定量分析的結論;徐惠榮和李青青（2017）對皇冠梨糖度近紅外光譜在線檢測模型傳遞進行研究，探討了不同光譜儀之間模型傳遞的可行性。上述研究表明近紅外光譜技術可將表征水果品質的可溶性固形物、糖度、酸度和硬度等信息通過光譜反映出來，并通過建模分析得到成分含量。董一威等（2007）研究了預處理采用導數(shù)和S-G平滑，結合偏最小二乘法（PLS）構建蘋果酸度與糖度的預測模型，其中兩種品質參數(shù)的判定系數(shù)分別為0.8151和0.9240，標準校正誤差分別為0.0120和0.0204;王加華和韓東海（2009）利用組合移動窗口PLS選擇信息變量建立PLS模型，利用遺傳PLS選擇信息變量建立MLR模型，結果表明模型預測精度均能滿足現(xiàn)場檢測應用要求;郅建軍等（2016）結合PLS和LS-SVM建立了水蜜桃和梨的可溶性固形物模型，試驗證明經(jīng)CARS篩選得到的變量建立PLS模型效果最佳;宮元娟等（2017）設計基于近紅外漫透射原理的便攜式蘋果內部品質檢測裝置，實現(xiàn)了對蘋果可溶性固形物含量等內部品質的快速檢測，絕大多數(shù)樣本的預測值與測量值的絕對偏差均在0.15以內。說明近紅外光譜檢測技術預測的精度及穩(wěn)定性可滿足實時評價品質需求，而不同的光譜數(shù)據(jù)處理方式對建模有顯著影響?！颈狙芯壳腥朦c】雖然近紅外光譜檢測技術在水果上的應用研究很多，但尚未見針對滑皮金桔開展近紅外光譜檢測的研究報道?！緮M解決的關鍵問題】利用近紅外光譜檢測技術，通過光譜信息與糖度的關聯(lián)分析，建立滑皮金桔糖度快速檢測模型，為今后實現(xiàn)滑皮金桔在線糖度品質分級分選提供參考依據(jù)。

1 材料與方法

1. 1 試驗材料

滑皮金桔于2018年1—2月采摘自廣西融安縣板欖鎮(zhèn)官昔村，分別從5個種植園內隨機采摘不同成熟度的金桔共150 kg，采收后進行大小分級，挑選大小相近、無損傷霉變、果體堅實的果實，單果質量23.3～26.7 g，直徑31.98～34.07 mm，共得到樣品192個。硫酸銅、氫氧化鈉、酒石酸鉀鈉、亞甲基藍、乙酸鋅、亞鐵氰化鉀均為分析純，購自南寧藍天實驗設備有限公司。

主要儀器設備： NIR Magic 1100型便攜式果品近紅外光譜分析儀（北京偉創(chuàng)英圖科技有限公司），含分析儀主機、光纖探頭、探頭固定架和樣品支架，設備檢測波長范圍600～1100 nm，波長準確性0.2 nm，工作溫度5～40 ℃，相對濕度范圍5%～95%;DS-1高速組織破碎機（上海左樂儀器有限公司）;HH-S6數(shù)顯恒溫水浴鍋（金壇市醫(yī)療儀器廠）。

1. 2 試驗方法

1. 2. 1 樣品處理 采摘當天用水清洗果實并擦拭干凈，避免果實表面的異物殘留對光譜采集造成影響。將樣品依次編號后置于室溫條件下24 h進行等溫處理，然后開始光譜采集和糖度檢測。

1. 2. 2 光譜采集 由于光譜采集容易受到外界光照、溫度及環(huán)境水分的影響，為保證采集環(huán)境的穩(wěn)定性和一致性，將光譜檢測儀放置在暗室內的黑面水平工作臺上，保持室內溫度16 ℃、相對濕度80%。打開光源預熱3 min，設置光譜采集參比時間5 ms，樣品時間50 ms。將金桔果實赤道部位垂直放于支架上，每個金桔樣品采集光譜數(shù)據(jù)3次，每次采集后將金桔果實垂直旋轉120°，測3個不同部位的光譜數(shù)據(jù)。

1. 2. 3 糖度檢測 每個金桔樣品光譜測量完成后，糖度采用GB/T 6194—1986《水果、蔬菜可溶性糖測定法》進行測定。

1. 2. 4 光譜數(shù)據(jù)處理 對光譜數(shù)據(jù)進行預處理可消除因測量條件和雜散光等因素引起的基線平移及旋轉等噪聲，提高光譜數(shù)據(jù)的信噪比，因此，在Chemo Studio 2016中選擇S-G卷積平滑（Savitzky-Golay smooth，SG-smooth）、標準正態(tài)變量變換（Standard normal variable transformation，SNV）和多元散射校正（Muliplication scattering correction，MSC）對原始光譜曲線進行處理（尼珍等，2008）。

1. 2. 5 模型建立和驗證 在192個樣品中隨機選擇162個樣品用于建立模型，按3∶1分為校正集和預測集，剩余30個樣品作為模型驗證檢測。用儀器配置的Chemo Studio 2016對采集到的樣品光譜數(shù)據(jù)進行處理，選定波長后分別建立PLS模型。模型質量用校正集相關系數(shù)（RC）、預測集相關系數(shù)（RP）、校正集均方根誤差（RMSEC）、預測集均方根誤差（RMSEP）和相對分析誤差（RPD）評定。相關系數(shù)（R）較高，均方根誤差（RMSE）較低，同時RMSEC與RMSEP較接近，則所建立的預測模型越穩(wěn)定。若R=1.0，說明完全吻合;若R為負數(shù)，表示負相關，擬合效果非常差。Malley等（2005）提出用標準偏差除以預測均方根誤差可得到相對分析誤差，高精度模型的相對分析誤差在4.00以上，成功模型在3.00～4.00范圍內，比較成功模型在2.25～3.00范圍內，比較有用模型在1.75～2.25范圍內（王凡等，2017）。模型建立后調整離散區(qū)間，剔除離群值，獲得最佳因子數(shù)后建立精簡模型，篩選出最佳模型后對未知樣品進行驗證。

2 結果與分析

2. 1 糖度測定結果

建模樣本的檢測精度和范圍在一定程度上影響模型的性能和適用程度，樣品的指標覆蓋范圍越大，建立的模型預測范圍越廣?；そ鸾厶嵌葯z測結果如表1所示，其校正集的糖度最小值為13.5%，最大值為24.0%，平均值為19.8%，標準差為2.1;預測集的糖度最小值為14.7%，最大值為23.4%，平均值為20.1%，標準差為2.3。為提高模型的準確性，建模時將與平均值偏差較大的糖度值作為離群值剔除，按照標準差設置偏差離群閾值為2.1。

2. 2 光譜采集結果

圖1是光譜儀采集到的162個滑皮金桔樣品原始譜圖，圖中的最高吸光值峰值達3.0以上、波谷值為1.0，最低吸光值峰值為0.5、波谷值為0.2。由于吸光值與吸光物質濃度成正比，因此糖濃度升高時，接收到的光強變低，其對應的吸光值增加，金桔樣品糖濃度存在的差異可通過譜圖反映出來。

在波長680和980 nm附近出現(xiàn)明顯波峰，在750 nm處有較平緩波峰。680和980 nm的吸收峰與O-H鍵伸縮振動倍頻有關，可能是果實中水分的吸收峰;750 nm區(qū)域的吸收峰與O-H和C-H的近紅外吸收倍頻有關，為果實中糖分的吸收峰（陸婉珍，2010）。說明在720～920 nm波長區(qū)域能夠反映金桔的糖度信息，可在此區(qū)域內選擇合適的波段構建模型。

從圖1可看出，兩端噪聲較多，波峰明顯起伏變化大，故將兩端剔除。在720～920 nm波長區(qū)域，分別用720～920、720～820和820～920 nm 3個不同波段的光譜進行分析建模。將圖1光譜進行不同處理后分別得到圖2的3種光譜曲線圖。從圖2中可看出，3種處理的結果存在差異：SG-smooth處理主要是提高光譜的平滑性，降低噪音干擾;SNV主要是消除固體顆粒大小、表面散射及光程變化對漫反射光譜的影響;MSC只是用來修正各近紅外光譜間的相對基線平移和偏移現(xiàn)象，最終取所有光譜的平均光譜。

2. 3 糖度預測模型的建立

如圖3所示，以720～920 nm波段用SG-smooth處理結合PLS建模為例，建模結果顯示預測集的相關系數(shù)為0.6523，均方根誤差為2.1436。由于該模型未剔除離群值，因此相關系數(shù)較低（以1.0為吻合標準）;均方根誤差（2.1436）與標準差（2.1）進行相對分析誤差計算，結果僅為0.98，模型穩(wěn)定性差、精度低。只有將奇異樣本和無信息變量剔除，才能有效提高模型性能。

圖4是720～920 nm波段在SG-smooth處理結合PLS建模后，調整離散區(qū)間剔除離群值過程中，內部交互驗證模型的標準差隨主因子數(shù)的變化趨勢圖。在圖中，初始的標準差較高，隨著將無用信息淘汰后，標準差逐漸變小，當主因子數(shù)為9時，標準差最小，建模效果最佳。

不同波段的光譜曲線經(jīng)不同處理后建立的糖度模型結果如表2所示。表中SG-smooth處理的校正集和預測集相關系數(shù)在720～920 nm波段分別為0.9531和0.9462，在720～820 nm波段分別為0.8111和0.7938，在820～920 nm波段分別為0.9027和0.8961，均比同波段的其他處理相關系數(shù)高;SG-smooth處理的校正集和預測集均方根誤差在720～920 nm波段分別為0.6436和0.6471，在720～820 nm波段分別為0.7545和0.7563，在820～920 nm波段分別為0.8112和0.7962，與同波段的其他處理相比均方根誤差最小。因此使用SG-smooth處理的波段在建模上能夠獲得更佳的穩(wěn)定性。

相對分析誤差結果（表2）顯示，720～920 nm波段用SG-smooth處理結合PLS建模的相對分析誤差獲得3.55的最高值，在720～820 nm波段為3.04，820～920 nm波段為2.89。與其他處理方法相比，選擇720～920 nm波段處理建模的精確度比其他波段更高。

2. 4 糖度預測模型的驗證結果

將建立的糖度預測模型設置為精簡評價項目，用30個滑皮金桔對預測模型進行驗證，滑皮金桔糖度預測值與實際測量值的分析結果如表3所示，預測值與實測值間最大絕對誤差為0.7，最小為0。通過計算可知預測的糖度平均值為19.8%，標準差為1.68。從圖5可知，糖度預測模型的相關系數(shù)為0.9582，均方根誤差為0.5187，計算得出相對分析誤差為3.24。表明該預測模型的相關系數(shù)較高，相對分析誤差達到成功模型標準，糖度預測結果合理有效，該模型可實現(xiàn)滑皮金桔糖度的快速無損檢測。

3 討論

本研究中采集的滑皮金桔果實糖度最小值為13.5%，最大值為24.0%，由于金桔果實在生長期容易受環(huán)境、光照強度等影響，相同成熟期的果實存在表面色澤和糖度的差異，因此在無損檢測中必須控制這些因素，可通過在原料分級時用色選機對金桔果實進行色澤區(qū)分，或在建立模式時剔除與標準差值偏差較大的離群值來提高模型準確性。

從原始光譜圖可知，在構建模型選取波長變量時，若選取全光譜作為變量，可能會包含很多無關變量，甚至為噪聲，對模型精度有嚴重影響;若是選取部分波長的變量也可能會漏掉一些相關變量，所以波長的選取顯得尤為重要。這與褚小立等（2004）提出的用全波段光譜建模通常不能得到較好的結果相符。因此，要獲得穩(wěn)定性好、精確度高的模型，需將不同預處理和波長選取方法結合使用。

從不同預處理方法對模型性能的影響來看，不同波段經(jīng)過SG-smooth處理后的相關系數(shù)均比采用標準SNV或MSC處理的相關系數(shù)更接近1.0，均方根誤差最小，相對分析誤差最高，說明不同的處理方法對模型建立有明顯影響，與董一威等（2007）采用SG-smooth結合PLS構建的糖酸度預測模型精度高于采用導數(shù)處理的精度結果相似。SG-smooth主要用于消除光譜信號中的噪聲方面，SNV和MSC主要在消除固體顆粒大小、表面散射及光程變化對NIR漫反射光譜的影響上起作用，而滑皮金桔果肉細膩無核、光譜采集在暗室環(huán)境內進行，這是SG-smooth處理效果優(yōu)于SNV和MSC處理的原因。

4 結論

采用近紅外光譜快速檢測滑皮金桔糖度可行，建立的預測模型穩(wěn)定性好、精度較高，可為滑皮金桔在線分選及無損檢測設備的開發(fā)提供技術參考。

參考文獻：

白倩，周金池. 2014. 近紅外光譜技術在水果產(chǎn)業(yè)中的最新應用[J]. 光譜實驗室，31（6）：662-667. [Bai Q，Zhou J C. 2014. The latest applications of near infrared spectroscopy in the fruit industry[J]. Chinese Journal of Spectroscopy Laboratory，31（6）：662-667.]

褚小立，袁洪福，陸婉珍. 2004. 近紅外分析中光譜預處理及波長選擇方法進展與應用[J]. 化學進展，16（4）：528-531. [Chu X L，Yuan H F，Lu W Z. 2004. Progress and application of spectral data pretreatment and wavelength selection methods in NIR analytical technique[J]. Progress in Chemistry，16（4）：528-531.]

董一威，籍保平，史波林，朱大洲，屠振華，汪群杰. 2007. 蘋果中糖酸度的CCD近紅外光譜分析[J]. 食品科學，28（8）：376-380. [Dong Y W，Ji B P，Shi B L，Zhu D Z，Tu Z H，Wang Q J. 2007. CCD-NIR analysis of acidity and sugar content in apples[J]. Food Science，28（8）：376-380.]

宮元娟，裴軍強，李宏博，馮雨龍，寧曉峰. 2017. 便攜式蘋果品質快速無損檢測系統(tǒng)設計[J]. 沈陽農(nóng)業(yè)大學學報，48（2）：238-243. [Gong Y J，Pei J Q，Li H B，F(xiàn)eng Y L，Ning X F. 2017. Design of portable quickly nondestructive detection system apple quality[J]. Journal of Shenyang Agricultural University，48（2）：238-243.]

李志霞，聶繼云. 2013. 無損檢測技術及其在果品質量安全檢測中的應用[J]. 中國農(nóng)業(yè)科技導報，15（4）：31-35. [Li Z X，Nie J Y. 2013. Nondestructive testing technologies and its application in fruit quality and safety determination[J]. Journal of Agricultural Science and Technology，15（4）：31-35.]

陸婉珍. 2010. 現(xiàn)代近紅外光譜分析技術[M]. 第2版. 北京：中國石化出版社. [Lu W Z. 2010. Modern Near Infrared Spectroscopy Analysis Technology[M]. The 2nd Edition. Beijing：China Petrochemical Press.]

馬廣，傅霞萍，周瑩，應義斌，徐惠榮，謝麗娟，林濤. 2007. 大白桃糖度的近紅外漫反射光譜無損檢測試驗研究[J]. 光譜學與光譜分析，27（5）：907-910. [Ma G，F(xiàn)u X P，Zhou Y，Ying Y B，Xu H R，Xie L J，Lin T. 2007. Nondestructive sugar content determination of peaches by using near infrared spectroscopy technique[J]. Spectroscopy and Spectral Analysis，27（5）：907-910.]

尼珍，胡昌勤，馮芳. 2008. 近紅外光譜分析中光譜預處理方法的作用及其發(fā)展[J]. 藥物分析雜志，28（5）：824-829. [Ni Z，Hu C Q，F(xiàn)eng F. 2008. Progress and effect of spectral data pretreatment in NIR analytical technique[J]. Chinese Journal of Pharmaceutical Analysis，28（5）：824-829.]

潘雪燕. 2012. 融安金桔鮮果品質綜述[J]. 廣西輕工業(yè)，（7）：7. [Pan X Y. 2012. Summary on the quality of fresh kumquat fruit[J]. Guangxi Journal of Light Industry，（7）：7.]

孫亞強，吳翠云，王德，王志強. 2015. 近紅外光譜技術在果品無損檢測中的應用研究進展[J]. 中國果樹，31（6）：77-84. [Sun Y Q，Wu C Y，Wang D，Wang Z Q. 2015. Progress in application of near infrared spectroscopy to nondestructive testing of fruit[J]. China Fruits，31（6）：77-84.]

王凡，李永玉，彭彥昆，李龍. 2017. 便攜式番茄多品質參數(shù)可見/近紅外檢測裝置研發(fā)[J]. 農(nóng)業(yè)工程學報，33（19）：295-300. [Wang F，Li Y Y，Peng Y K，Li L. 2017. Deve-lopment of portable device for simultaneous detection on multi-quality attributes of tomato by visible and near-infrared[J]. Transactions of the Chinese Society of Agricultural Engineering，33（19）：295-300.]

王加華，韓東海. 2009. 便攜式近紅外水果糖度分析模型簡化研究[J]. 食品安全質量檢測技術，1（1）：32-38. [Wang J H，Han D H. 2009. Simplification of NIR model for determination of SSC in fruits by portable NIR instrument[J]. Food Safety and Quality Detection Technology，1（1）：32-38.]

徐惠榮，李青青. 2017. 皇冠梨糖度可見/近紅外光譜在線檢測模型傳遞研究[J]. 農(nóng)業(yè)機械學報，48（9）：312-317. [Xu H R，Li Q Q. 2017. Calibration model transfer between visible/NIR spectrometers in the sugar content on-line detection of crown pears[J]. Transactions of the Chinese Society of Agricultural Machinery，48（9）：312-317.]

袁雷，劉輝軍，余桂英，鄭穎君. 2006. 柑橘品質的近紅外光譜無損檢測[J]. 光譜實驗室，23（4）：820-822. [Yuan L，Liu H J，Yu G Y，Zheng Y J. 2006. Non-destructive testing for quality parameters in orange by NIR[J]. Chinese Journal of Spectroscopy Laboratory，23（4）：820-822.]

郅建軍，陳通，孫武堅，王春峰，郭麗，陳斌. 2016. 微型近紅外光譜儀檢測水果可溶性固形物[J]. 分析儀器，（1）：71-76. [Zhi J J，Chen T，Sun W J，Wang C F，Guo L，Chen B. 2016. Detection of the soluble solids content（SSC） in fruit using miniature NIR spectrometry[J]. Analytical Instrumentation，（1）：71-76.]

宗莉，薛嫻，王濤，尤全剛. 2010. 近紅外光譜分析技術在水果內部品質無損檢測中的應用[J]. 安徽農(nóng)業(yè)科學，38（6）：2765-2767. [Zong L，Xue X，Wang T，You Q G. 2010. Application of near infrared spectra technique for non-destructive measurement on fruit internal quality[J]. Journal of Anhui Agricultural Sciences，38（6）：2765-2767.]

Malley D F，McClure C，Martin P D，Buckley K，McCaughey W P. 2005. Compositional analysis of cattle manure du-ring composting using a field-portable near-infrared spectrometer[J]. Communications in Soil Science and Plant Analysis，36（4-6）：455-475.

（責任編輯 羅 麗）