论文部分内容阅读
摘要：
利用近红外光谱技术对120冬枣水分/ 糖分进行研究，建立不同光谱特征的糖分/水分的偏最小二乘法（PLS）与主成分回归（PCR）分析模型。将近红外光谱异常样本与光谱正常样本分别建模，显著提高了分析模型的预测精度、扩宽了模型的适用范围。以冬枣主要吸收峰区间为基本建模波段。得到冬枣水分相关系数（R）为099745、校正均方差（RMSEC）为00445、预测均方差（RMSEP）为0367、因子数为7，糖分相关系数（R）为096078、校正均方差（RMSEC）为0853、预测均方差（RMSEP）为164、因子数为6。
关键词：
近红外光谱；冬枣；冬枣水分/糖分；PLS；PCA
中图分类号：S-3
文献标识码：A
DOI：1019754/jnyyjs20190315001
引言
冬枣是我国独有的，目前被公认品质最好的鲜食枣品种[1]，甘甜可口，富含维生素C、氨基酸、环腺苷酸、碳水化合物和矿物质（如铁、钾）等，深受消费者的青睐[2]。冬枣作为新疆南疆主要的经济作物在采收环节冬枣水分和糖分的测量是红枣企业衡量冬枣品质的重要指标。目前，国内冬枣基本以人工分拣为主，速度慢，识别率低，大大阻碍了冬枣分拣智能化的产业发展。因此建立一个无损、快速的定量分析方法对于建立冬枣无损检测方至关重要。
近红外光谱（Near Infrared Spectroscopy，NIR）技术在农产品检测中越来越受欢迎。并且近红外光谱技术对水果品质进行无损检测成为近年来的研究热点，国外许多学者相继开展了对柑橘、苹果、梨、桃等品质进行无损检测的研究工作并卓有成效[3-8]，国外Jaya Sundaram等人用近红外光谱技术预测含壳花生的含水率[9]，Renfu等通过采集 Hedelfinger 和 Sam 2 种甜樱桃在 800～1700nm 处的近红外光谱数据，结合偏最小二乘法（PLS）建立了甜樱桃的糖度预测统计模型[10]。国内孙旭东等利用近红外技术建立了南丰蜜桔的糖度校正模型[11]。赵杰文等利用近红外漫反射光谱技术实现苹果糖度无损检测[12]。陈晨、张淑娟等利用近红外漫反射光谱技术，建立葡萄和柿子可溶性固形物含量检测模型[13-14] 。彭云发等利用近红外利用丰富的光谱信息可实现对水果和食品中的水分的快速无损检测[15-18]。近红外光谱技术在果蔬品质安全检测中取得了一定的研究进展[19-20]。
为此，本研究以采摘的新鲜冬枣为研究样本，利用便携式近红外光谱仪采集冬枣样品的漫反射光谱信息，利用手持糖量计测量冬枣含糖量，使用热风干燥箱对冬枣进行烘干采用烘干减重法计算送灶水分含量。使用TQ-Analyst软件建立冬枣基于近红外光谱技术的水分与糖分模型，找到一种利于近红外光谱技术检测南疆冬枣的水分与糖分快速检测方法，为冬枣加工分拣提供理论依据。
1材料与方法
11材料与试剂
本研究所用冬枣由新疆阿拉尔市十一团十七连巴山枣业公司提供，分别采购冬枣（一级、特级、枣王）各5kg。采用冷库保鲜处理。用蓄冷箱运送至塔里木大学农业工程重点实验室。挑选色泽与无机械损伤（一级、特级、枣王）冬枣各40个共计120个样本。
12仪器与设备
实验所用聚光科技便携式光山扫描光谱仪型号为supNIR 1500（聚光科技杭州股份有限公司）采集光谱，采用卤钨灯为光源，检测器规格INGaAs，平面漫反射，波长范围1000～1800nm，光谱平均次数为10次，光谱分辨率≤12nm，波长准确性±02nm，波长重复性≤005nm。建模软件为TQ-Analyst软件。冬枣干燥设备为（GZX-9140MBE）电热鼓风干燥箱（上海博讯事业有限医疗设备厂）。用JA2003型电子天平称取冬枣质量。使用PAL-1手持糖量计（北京阳光亿事达贸易有限公司）对冬枣进行糖分测量。
13方法
131近红外光谱采集
试验开始前，将样品从冰箱取出并在室内静置8h，并对冬枣进行表面清洗，光谱采集前对近红外光谱仪进行30min预热。实验首先进行白板参比。预热完成后进行光谱测定（测量距离为2cm），依次采集光谱在冬枣赤道部位分别采集5次，去光谱平均值作为该样品的最终光光谱如图1。
132烘干减质量法
将冬枣样本其初始质量为M0，称取的质量精确到001g记为M0。然后将冬枣放入60°的电热鼓风干燥箱内烘干，每隔2h称质量1次，至质量变化小于001g时从干燥箱中取出，并放入干燥箱内冷却至室温。称取的质量为M1。计算冬枣样本含水率（%）。
含水率（%）=m0-m1m0×100%
133糖分测定方法
糖分采用PLA-1手持糖度计对冬枣进行测量，仪器精度00%。糖度值（按国际GB12295-90执行），测量过程中室内温度为21℃。测量前为保证测量精度每次测量前校准儀器。
14光谱数据分析
用于建模冬枣光谱采用TQ-Analyst软件处理，分析数据之前对光谱数据进行预处理，预处理方法选用多（Multiple scatter correction，MSC），S-G（Savitzky-Golay）平滑、S-G（Savitzky-Golay）导数、均值中心化，选用（PLS）回归分析对红枣的校正建立验证模型。基于校正集标准差（SEC）和相关系数（RC）的值。不同预处理方法的模型参数比较。
2分析
由表1可知：采用PLS进行建模预处理方法方法采用MSC-SG、SNV-SG、MSC、SNV分别得到PLS与MSC-SG处理方法R（099745）、SNV-SG处理方法R（099746）、MSC处理方法R（099184）SNV处理方法R（099183）。对应的校正均方差（RMSEC）分别为00445、00444、00798、00798，预测均方差（RMSEP）为0367，主因子数为7、6。 采用PCR进行建模预处理方法采用MSC-SG、SNV-SG、MSC、SNV分别得到PLS与MSC-SG处理方法R（091657）、SNV-SG處理方法R（089458）、MSC处理方法R（089443）SNV处理方法R（0089458）。对应的校正均方差（RMSEC）分别为0250、0279、0280、0279，预测均方差（RMSEP）为0335、0362，主因子数为10。可见PLS模型通过SNV-SG（3*3）预处理要比MSC-SG（3*3）、MSC、SNV相关系数高。
由表2可知：采用PLS进行建模预处理方法方法采用MSC-SG、SNV-SG、MSC、SNV分别得到PLS与MSC-SG处理方法R（096078）、SNV-SG处理方法R（09609）、MSC处理方法R（096077）SNV处理方法R（09609）。对应的校正均方差（RMSEC）分别为0853、0852、0857、0855，预测均方差（RMSEP）为164、163，主因子数5。
采用PCR进行建模预处理方法采用MSC-SG、SNV-SG、MSC、SNV分别得到PLS与MSC-SG处理方法R（08959）、SNV-SG处理方法R（087537）、MSC处理方法R（087541）SNV处理方法R（087573）。对应的校正均方差（RMSEC）分别为137、149，预测均方差（RMSEP）为164、160、158、160，主因子数为10。可见PLS模型通过SNV-SG（3*3）预处理要比MSC-SG（3*3）、MSC、SNV相关系数高。
3结论
对120个冬枣进行糖分/水分样本进行分析，通过对建模波段进行预处理方法的优化，利用偏最小二乘法与主成分分析建立冬枣糖分/水分定量分析模型。
通过对不同光谱特征的样本建模，通过PLS建模可以看出冬枣水分相关系数（R）为099745、校正均方差（RMSEC）为00445、预测均方差（RMSEP）为0367、因子数为7，糖分相关系数（R）为096078、校正均方差（RMSEC）为0853、预测均方差（RMSEP）为164、因子数为6，结果表明：利用近红外光谱技术对冬枣进行糖分/水分含量进行预测是可行的的。
参考文献
[1]
王亚萍，王贵禧，李艳菊.冬枣贮藏保鲜技术研究进展[J].中国农学通报，2006（03）：82-87.
[2] Hui G，Jin J，Deng S，et al.Food Chemistry，2015，170：484.
[3] Antihus Hemandez Gomez，Yong He，Annia Garcia Pereira.Nondestructive measurement of acidity，soluble solids and firmness of satsuma mandarin using Vis/NIR-spectroscopy techniques [J].Journal of Food Engineering，2006（77）： 313-319.
[4] Ann Peirs，Ann Schenk，Bart M Nicolai. Effect of natural variability among apples on the accuracy of VIS-NIR calibration models for optimal harvest date predictions [J]. Postharvest Biology and Technology，2005（35）： 1-13.
[5] Manuela Zude，Bernd Herold，Jean-Michel Roger，et al.Nondestructive tests on the prediction of apple fruit flesh firmness and soluble solids content on tree and in shelf life[J].Journal of Food Engineering，2006（77）： 254-260.
[6] Emira Mehinagic，Gaelle Royer，Dominique Bertrand，et al.Relationship between sensory analysis，penetrometry and visible NIR spectroscopy of apples belonging to different cultivars [J].Food Quality and Preference，2003（14） ： 473-484.
[7] Panmanas Sirisomboon，Munehiro Tanaka，Shuji Fujita，et al.Evaluation of pectin constituents of Japanese pear by near infrared spectroscopy [J]. Journal of Food Engineering，2007（78）：701-707.
[8] G Carlomagno，L Capozzo，G Attolico，et al.Non- destructive grading of peaches by near-infrared spectrometry [J]. Infrared Physics and Technology，2004（46）： 23-29.
[9] Sundaram J. Sensing of Moisture Content of In-Shell Peanuts by NIR Reflectance Spectroscopy[J]. Journal of Sensor Technology，2012，02（01）：1-7 [10] RENFU L. Predicting firmness and sugar content of sweet cherries using near-infrared diffuse reflectance spectroscopy[J]. Transactions of the ASAE，2001，44 （5）：1265 -1271.
[11] 孙旭东，章海亮，欧阳爱国，等. 南丰蜜桔可溶性固形物近红外特征波段选择[J]. 农业机械学报，2009，40（7）：129-131.
[12] 赵杰文，张海东，刘木华. 利用近红外漫反射光谱技术进行苹果糖度无损检测的研究[J]. 农业工程学报，2005，21 （3） ： 162-165.
[13] 陈辰，鲁晓翔，张鹏，陈绍慧，李江阔.基于可见-近红外漫反射光谱技术的葡萄贮藏期间可溶性固形物定量预测[J].食品科学，2015，36（20）：109-114.
[14] 張淑娟，张海红，王凤花，赵聪慧，杨国强.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（S2）：345-347.
[15] 彭云发，彭海根，詹映，罗华平.近红外光谱对南疆红枣水分无损检测的研究[J].食品科技，2013，38（11）：260-263.
[16] 刘 洁，李小昱，李培武，等. 基于近红外光谱的板栗水分检测方法[J]. 农业工程学报，2010，26（2）：338 -341.
[17] 沈乐丞，刘书航，邓海玲，何美霞，吴燕蕙，彭建飞，黄勇旗.近红外光谱结合偏最小二乘法快速测定糖果中水分含量[J].食品工业科技，2018，39（07）：255-258，322.
[18] 张小燕，杨炳南，刘威，赵凤敏，杨延辰，兴丽.马铃薯主要营养成分的近红外光谱分析[J].食品科学，2013，34（02）：165-169.
[19] 苏东林，李高阳，何建新，张菊华，刘伟，朱向荣，单杨.近红外光谱分析技术在我国大宗水果品质无损检测中的应用研究进展[J].食品工业科技，2012，33（06）：460-464.
[20] 崔艳莉，冀晓磊，古丽菲娅，唐慧，刘娅.近红外光谱在果蔬品质无损检测中的研究进展[J].农产品加工（学刊），2007（07）：84-86.
作者简介：
陈冲（1988-），男，吉林省吉林市人，塔里木大学研究生，研究方向：南疆特色农产品无损检测与加工。
利用近红外光谱技术对120冬枣水分/ 糖分进行研究，建立不同光谱特征的糖分/水分的偏最小二乘法（PLS）与主成分回归（PCR）分析模型。将近红外光谱异常样本与光谱正常样本分别建模，显著提高了分析模型的预测精度、扩宽了模型的适用范围。以冬枣主要吸收峰区间为基本建模波段。得到冬枣水分相关系数（R）为099745、校正均方差（RMSEC）为00445、预测均方差（RMSEP）为0367、因子数为7，糖分相关系数（R）为096078、校正均方差（RMSEC）为0853、预测均方差（RMSEP）为164、因子数为6。
关键词：
近红外光谱；冬枣；冬枣水分/糖分；PLS；PCA
中图分类号：S-3
文献标识码：A
DOI：1019754/jnyyjs20190315001
引言
冬枣是我国独有的，目前被公认品质最好的鲜食枣品种[1]，甘甜可口，富含维生素C、氨基酸、环腺苷酸、碳水化合物和矿物质（如铁、钾）等，深受消费者的青睐[2]。冬枣作为新疆南疆主要的经济作物在采收环节冬枣水分和糖分的测量是红枣企业衡量冬枣品质的重要指标。目前，国内冬枣基本以人工分拣为主，速度慢，识别率低，大大阻碍了冬枣分拣智能化的产业发展。因此建立一个无损、快速的定量分析方法对于建立冬枣无损检测方至关重要。
近红外光谱（Near Infrared Spectroscopy，NIR）技术在农产品检测中越来越受欢迎。并且近红外光谱技术对水果品质进行无损检测成为近年来的研究热点，国外许多学者相继开展了对柑橘、苹果、梨、桃等品质进行无损检测的研究工作并卓有成效[3-8]，国外Jaya Sundaram等人用近红外光谱技术预测含壳花生的含水率[9]，Renfu等通过采集 Hedelfinger 和 Sam 2 种甜樱桃在 800～1700nm 处的近红外光谱数据，结合偏最小二乘法（PLS）建立了甜樱桃的糖度预测统计模型[10]。国内孙旭东等利用近红外技术建立了南丰蜜桔的糖度校正模型[11]。赵杰文等利用近红外漫反射光谱技术实现苹果糖度无损检测[12]。陈晨、张淑娟等利用近红外漫反射光谱技术，建立葡萄和柿子可溶性固形物含量检测模型[13-14] 。彭云发等利用近红外利用丰富的光谱信息可实现对水果和食品中的水分的快速无损检测[15-18]。近红外光谱技术在果蔬品质安全检测中取得了一定的研究进展[19-20]。
为此，本研究以采摘的新鲜冬枣为研究样本，利用便携式近红外光谱仪采集冬枣样品的漫反射光谱信息，利用手持糖量计测量冬枣含糖量，使用热风干燥箱对冬枣进行烘干采用烘干减重法计算送灶水分含量。使用TQ-Analyst软件建立冬枣基于近红外光谱技术的水分与糖分模型，找到一种利于近红外光谱技术检测南疆冬枣的水分与糖分快速检测方法，为冬枣加工分拣提供理论依据。
1材料与方法
11材料与试剂
本研究所用冬枣由新疆阿拉尔市十一团十七连巴山枣业公司提供，分别采购冬枣（一级、特级、枣王）各5kg。采用冷库保鲜处理。用蓄冷箱运送至塔里木大学农业工程重点实验室。挑选色泽与无机械损伤（一级、特级、枣王）冬枣各40个共计120个样本。
12仪器与设备
实验所用聚光科技便携式光山扫描光谱仪型号为supNIR 1500（聚光科技杭州股份有限公司）采集光谱，采用卤钨灯为光源，检测器规格INGaAs，平面漫反射，波长范围1000～1800nm，光谱平均次数为10次，光谱分辨率≤12nm，波长准确性±02nm，波长重复性≤005nm。建模软件为TQ-Analyst软件。冬枣干燥设备为（GZX-9140MBE）电热鼓风干燥箱（上海博讯事业有限医疗设备厂）。用JA2003型电子天平称取冬枣质量。使用PAL-1手持糖量计（北京阳光亿事达贸易有限公司）对冬枣进行糖分测量。
13方法
131近红外光谱采集
试验开始前，将样品从冰箱取出并在室内静置8h，并对冬枣进行表面清洗，光谱采集前对近红外光谱仪进行30min预热。实验首先进行白板参比。预热完成后进行光谱测定（测量距离为2cm），依次采集光谱在冬枣赤道部位分别采集5次，去光谱平均值作为该样品的最终光光谱如图1。
132烘干减质量法
将冬枣样本其初始质量为M0，称取的质量精确到001g记为M0。然后将冬枣放入60°的电热鼓风干燥箱内烘干，每隔2h称质量1次，至质量变化小于001g时从干燥箱中取出，并放入干燥箱内冷却至室温。称取的质量为M1。计算冬枣样本含水率（%）。
含水率（%）=m0-m1m0×100%
133糖分测定方法
糖分采用PLA-1手持糖度计对冬枣进行测量，仪器精度00%。糖度值（按国际GB12295-90执行），测量过程中室内温度为21℃。测量前为保证测量精度每次测量前校准儀器。
14光谱数据分析
用于建模冬枣光谱采用TQ-Analyst软件处理，分析数据之前对光谱数据进行预处理，预处理方法选用多（Multiple scatter correction，MSC），S-G（Savitzky-Golay）平滑、S-G（Savitzky-Golay）导数、均值中心化，选用（PLS）回归分析对红枣的校正建立验证模型。基于校正集标准差（SEC）和相关系数（RC）的值。不同预处理方法的模型参数比较。
2分析
由表1可知：采用PLS进行建模预处理方法方法采用MSC-SG、SNV-SG、MSC、SNV分别得到PLS与MSC-SG处理方法R（099745）、SNV-SG处理方法R（099746）、MSC处理方法R（099184）SNV处理方法R（099183）。对应的校正均方差（RMSEC）分别为00445、00444、00798、00798，预测均方差（RMSEP）为0367，主因子数为7、6。 采用PCR进行建模预处理方法采用MSC-SG、SNV-SG、MSC、SNV分别得到PLS与MSC-SG处理方法R（091657）、SNV-SG處理方法R（089458）、MSC处理方法R（089443）SNV处理方法R（0089458）。对应的校正均方差（RMSEC）分别为0250、0279、0280、0279，预测均方差（RMSEP）为0335、0362，主因子数为10。可见PLS模型通过SNV-SG（3*3）预处理要比MSC-SG（3*3）、MSC、SNV相关系数高。
由表2可知：采用PLS进行建模预处理方法方法采用MSC-SG、SNV-SG、MSC、SNV分别得到PLS与MSC-SG处理方法R（096078）、SNV-SG处理方法R（09609）、MSC处理方法R（096077）SNV处理方法R（09609）。对应的校正均方差（RMSEC）分别为0853、0852、0857、0855，预测均方差（RMSEP）为164、163，主因子数5。
采用PCR进行建模预处理方法采用MSC-SG、SNV-SG、MSC、SNV分别得到PLS与MSC-SG处理方法R（08959）、SNV-SG处理方法R（087537）、MSC处理方法R（087541）SNV处理方法R（087573）。对应的校正均方差（RMSEC）分别为137、149，预测均方差（RMSEP）为164、160、158、160，主因子数为10。可见PLS模型通过SNV-SG（3*3）预处理要比MSC-SG（3*3）、MSC、SNV相关系数高。
3结论
对120个冬枣进行糖分/水分样本进行分析，通过对建模波段进行预处理方法的优化，利用偏最小二乘法与主成分分析建立冬枣糖分/水分定量分析模型。
通过对不同光谱特征的样本建模，通过PLS建模可以看出冬枣水分相关系数（R）为099745、校正均方差（RMSEC）为00445、预测均方差（RMSEP）为0367、因子数为7，糖分相关系数（R）为096078、校正均方差（RMSEC）为0853、预测均方差（RMSEP）为164、因子数为6，结果表明：利用近红外光谱技术对冬枣进行糖分/水分含量进行预测是可行的的。
参考文献
[1]
王亚萍，王贵禧，李艳菊.冬枣贮藏保鲜技术研究进展[J].中国农学通报，2006（03）：82-87.
[2] Hui G，Jin J，Deng S，et al.Food Chemistry，2015，170：484.
[3] Antihus Hemandez Gomez，Yong He，Annia Garcia Pereira.Nondestructive measurement of acidity，soluble solids and firmness of satsuma mandarin using Vis/NIR-spectroscopy techniques [J].Journal of Food Engineering，2006（77）： 313-319.
[4] Ann Peirs，Ann Schenk，Bart M Nicolai. Effect of natural variability among apples on the accuracy of VIS-NIR calibration models for optimal harvest date predictions [J]. Postharvest Biology and Technology，2005（35）： 1-13.
[5] Manuela Zude，Bernd Herold，Jean-Michel Roger，et al.Nondestructive tests on the prediction of apple fruit flesh firmness and soluble solids content on tree and in shelf life[J].Journal of Food Engineering，2006（77）： 254-260.
[6] Emira Mehinagic，Gaelle Royer，Dominique Bertrand，et al.Relationship between sensory analysis，penetrometry and visible NIR spectroscopy of apples belonging to different cultivars [J].Food Quality and Preference，2003（14） ： 473-484.
[7] Panmanas Sirisomboon，Munehiro Tanaka，Shuji Fujita，et al.Evaluation of pectin constituents of Japanese pear by near infrared spectroscopy [J]. Journal of Food Engineering，2007（78）：701-707.
[8] G Carlomagno，L Capozzo，G Attolico，et al.Non- destructive grading of peaches by near-infrared spectrometry [J]. Infrared Physics and Technology，2004（46）： 23-29.
[9] Sundaram J. Sensing of Moisture Content of In-Shell Peanuts by NIR Reflectance Spectroscopy[J]. Journal of Sensor Technology，2012，02（01）：1-7 [10] RENFU L. Predicting firmness and sugar content of sweet cherries using near-infrared diffuse reflectance spectroscopy[J]. Transactions of the ASAE，2001，44 （5）：1265 -1271.
[11] 孙旭东，章海亮，欧阳爱国，等. 南丰蜜桔可溶性固形物近红外特征波段选择[J]. 农业机械学报，2009，40（7）：129-131.
[12] 赵杰文，张海东，刘木华. 利用近红外漫反射光谱技术进行苹果糖度无损检测的研究[J]. 农业工程学报，2005，21 （3） ： 162-165.
[13] 陈辰，鲁晓翔，张鹏，陈绍慧，李江阔.基于可见-近红外漫反射光谱技术的葡萄贮藏期间可溶性固形物定量预测[J].食品科学，2015，36（20）：109-114.
[14] 張淑娟，张海红，王凤花，赵聪慧，杨国强.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（S2）：345-347.
[15] 彭云发，彭海根，詹映，罗华平.近红外光谱对南疆红枣水分无损检测的研究[J].食品科技，2013，38（11）：260-263.
[16] 刘 洁，李小昱，李培武，等. 基于近红外光谱的板栗水分检测方法[J]. 农业工程学报，2010，26（2）：338 -341.
[17] 沈乐丞，刘书航，邓海玲，何美霞，吴燕蕙，彭建飞，黄勇旗.近红外光谱结合偏最小二乘法快速测定糖果中水分含量[J].食品工业科技，2018，39（07）：255-258，322.
[18] 张小燕，杨炳南，刘威，赵凤敏，杨延辰，兴丽.马铃薯主要营养成分的近红外光谱分析[J].食品科学，2013，34（02）：165-169.
[19] 苏东林，李高阳，何建新，张菊华，刘伟，朱向荣，单杨.近红外光谱分析技术在我国大宗水果品质无损检测中的应用研究进展[J].食品工业科技，2012，33（06）：460-464.
[20] 崔艳莉，冀晓磊，古丽菲娅，唐慧，刘娅.近红外光谱在果蔬品质无损检测中的研究进展[J].农产品加工（学刊），2007（07）：84-86.
作者简介：
陈冲（1988-），男，吉林省吉林市人，塔里木大学研究生，研究方向：南疆特色农产品无损检测与加工。