卜晓朴，彭彦昆，王文秀，王 凡，房晓倩，李永玉*

紫薯原名川山紫，又名紫薯、紫红薯[1]，是近几年发展起来的一种新型红薯类，富含强效自由基花青素。紫薯花青素具有抗氧化[2]、保护肝脏[3-4]、抗突变[5]、降血脂[6]等多种生理功能，较其他同类花青素，如葡萄花青素、李花青素和黑米花青素的理化性质稳定[7]，且具有显著的生物学活性[8]，是目前世界上公认的防治疾病﹑维护人类健康最直接最有效的抗氧化剂[9]，其应用前景和经济效益日益受到人们的重视。人们对紫薯营养价值和药用价值的深入研究，大大促进了紫薯加工业的发展，并对紫薯原料快速检测分选提出了新的要求。可见-近红外光谱作为一种非破坏性分析技术，具有检测成本低、速度快、不损伤样品等优点[10-14]。在紫薯的众多内部品质指标中，除花青素这一重要营养成分外，还有对紫薯的风味口感起着重要作用的可溶性固形物（soluble solid contents，SSC）和总糖（total sugars，TS）等指标，它们是评价紫薯内部品质的重要成分。可见-近红外光谱作为一种快速无损检测技术，已应用于多种果蔬SSC、TS等品质指标的检测分选[15]，但目前对花青素的检测研究主要集中在高效液相色谱法[16]、可见分光光度法[17]、pH值示差法[18]等，这些方法不仅耗时、费力，还会对待测样品在一定程度上造成损伤。曹海燕等[19]基于近红外光谱技术对紫薯半干面中的成分进行了快速检测研究。目前还鲜见基于可见-近红外的生鲜紫薯花青素多品质参数快速无损检测的相关研究报道。

本研究基于实验室自行搭建的可见-近红外光谱系统，以市售宁紫4号生鲜紫薯为研究对象，探讨宁紫4号生鲜紫薯的花青素、SSC以及TS的同时快速无损检测方法，为生鲜紫薯加工业的原料检测分选提供技术支持。

1 材料与方法

1.1 材料

紫薯样品宁紫4号生鲜紫薯分6 批次购于北京清河镇农副产品交易市场中心，选取表面光滑、无虫眼、无伤痕、大小均匀的紫薯样品52 个，以3∶1的比例随机分为校正集和预测集，使不同批次样品随机分布在校正集和预测集中。平均每个紫薯的质量在100～130 g范围内，长度在8～15 cm范围内，将其用流动水清洗干净，同时保证清洗过程中不会损伤表皮，将清洗后的紫薯擦干后置于室温放置1 d，以消除其表面温度对光谱的采集造成影响。

1.2 仪器与设备

实验室自行搭建的可见-近红外光谱采集系统包括AvaSpec-2048x14可见-近红外光纤光谱仪、AvaLight-HAL光纤卤钨灯点光源（波长范围为360～2 500 nm，功率10 W）、FCR-71R400-2-ME反射探头，均购自荷兰Avantes公司。该系统波长范围为300～1 100 nm，光谱分辨率为0.04 nm。

Leng Gyang Teck 759S紫外-可见分光光度计 上海双旭电子有限公司；ME204/02万分之一电子天平梅特勒-托利多仪器（上海）有限公司；RA-620数字折光仪 可睦电子（上海）商贸有限公司；KQ3200DE数控超声波清洗器 昆山市超声仪器有限公司。

1.3 方法

1.3.1 光谱的采集

先将光谱仪和光源预热30 min，待其稳定后进行光谱采集，避免因系统不稳定而对实验结果产生影响。先以四氟乙烯白板为标准参比采集参比光谱和暗电流光谱，并对仪器进行校正。在紫薯样品赤道部位选取3 个检测点，固定探头与样品之间的距离为5 mm，设置积分时间为3.98 ms、平均次数为100 次、平滑次数为3 次，用AvaSoft 7.8软件进行光谱采集。以赤道光滑部位3 个检测点的平均光谱作为样品的原始光谱曲线。

1.3.2 样品理化值的测定

根据可见分光光度法[17]，利用紫外-可见分光光度计测定紫薯样品中花青素含量，每个样品测3 次取平均作为该样品花青素含量标准理化值。

将紫薯去皮破碎挤出汁液，利用数字折光仪测定紫薯样品中SSC含量，每个样品测3 次取平均作为该样品SSC含量标准理化值。

根据硫酸-苯酚比色法[20]，利用紫外-可见分光光度计测定紫薯样品中TS含量，每个样品测3 次取平均作为该样品TS含量标准理化值。

1.3.3 光谱预处理及建模方法

用Matlab R2013a软件对采集的光谱数据分别进行SG（Savitzky-Golay）15点卷积平滑、标准正态变量变换（standard normal variable transform，SNV）、SG 15点卷积平滑结合一阶求导预处理，然后用偏最小二乘回归（partial least square regression，PLSR）法分别建立紫薯各品质参数的预测模型。针对各参数最佳预处理结果采用竞争性自适应加权（competitive adaptive reweighted sampling，CARS）算法进行波长优选[21-24]，来简化模型和提高模型预测精确度和稳定性。根据所筛选波长用PLS方法再对各品质参数进行建模分析。

2 结果与分析

2.1 紫薯可见-近红外光谱预处理

图1 紫薯原始光谱曲线及预处理后的光谱曲线Fig. 1 Original and pretreated spectra

利用实验室自行搭建的可见-近红外光谱系统分别采集了52 个紫薯样品的反射光谱曲线，因采集的光谱曲线两端信号较弱且噪声较大，保留了波长350～1 100 nm范围内的光谱信息，如图1a所示。为消除高频随机噪声、仪器漂移等对样本的影响，需要对原始光谱进行预处理[25]，常用平滑处理来滤除各种因素产生的随机噪声[26]，SG 15 点卷积平滑后光谱曲线如图1b所示，经SG 15 点平滑后的光谱曲线可以很好地滤除随机噪声，同时也有效保留了在原始光谱中出现的特征峰。紫薯原始光谱和SG 15 点卷积平滑光谱曲线均在波长410 nm出现了花青素的特征峰[27]，波长978 nm附近出现了水分的特征峰[28]。52 个紫薯原始光谱经SNV预处理后的光谱曲线如图1c所示，SNV预处理主要用于校正光谱的散射，既可以有效消除光强衰弱等引起的噪声，也可使原始光谱数据标准正态化[29]，不仅原始光谱中出现的两处特征峰更为显著，同时也很好地保留了紫薯全波段的光谱信息。SG 15点卷积平滑结合一阶求导预处理光谱曲线如图1d所示，一阶导数光谱可以获得原始光谱形态变化信息，同时可以强化原始光谱中隐藏在较宽吸收频带的微小特征峰，增强极值点、拐点等局部位置光谱反射率对内部成分含量等变化的响应差异[30]。经一阶求导处理后，不仅原始光谱中出现的特征峰更加明显，同时，在波长670 nm和878 nm附近也出现了新的特征峰。根据相关研究报道可知，经一阶求导处理后的原始光谱形态信息中波长978 nm处为糖类的特征吸收峰[28]，波长670 nm处的特征峰与色素的吸收有关[31]，波长878 nm处为淀粉的特征吸收峰[28]。

2.2 紫薯各品质参数预测模型建立

2.2.1 全波段预测模型建立

表1 紫薯不同预处理方法的预测结果Table 1 Results of calibration and prediction with different preprocessing methods

52 个紫薯样品反射光谱曲线分别进行SG 15 点卷积平滑、SNV以及SG 15 点卷积平滑结合一阶求导预处理后，用PLSR进行了建模分析。如表1所示，对于花青素和TS而言，原始光谱数据均为采用SG 15 点卷积平滑结合一阶求导预处理后模型预测效果最佳。花青素预测模型的校正集相关系数（Rc）和预测集相关系数（Rp）分别为0.853 6和0.850 4，校正均方根误差（root mean square error of calibration，RMSEC）和预测均方根误差（root mean square error of prediction，RMSEP）分别为0.338 3 mg/g和0.490 6 mg/g；TS预测模型的校正集和预测集相关系数分别为0.854 9和0.830 6，RMSEC和RMSEP分别为0.401 9%和0.414 0%。这可能是由于与其他预处理方法相比，经SG 15 点卷积平滑结合一阶求导预处理后，光谱曲线在波长410 nm处花青素特征峰和波长978 nm处糖类特征峰最为显著有关。对于SSC而言，原始光谱经SNV预处理后的预测模型效果最佳。SSC预测模型的Rc和Rp分别为0.914 1和0.852 4，RMSEC和RMSEP分别为0.758 0 °Brix和1.082 9 °Brix。这可能是由于SSC包含所有能溶于水的化合物，如可溶性糖、可溶性酸、水溶性维生素以及矿物质等，而经SNV预处理后的光谱曲线与其他预处理方法相比较好地保留了整个波段的样品信息。

2.2.2 基于CARS算法优选特征波长后的建模分析

图2 紫薯花青素变量筛选图Fig. 2 Variable selection for anthocyanin

根据紫薯花青素、SSC以及TS的全波段建模结果，针对各参数最佳预处理光谱采用CARS进行波长筛选。基于CARS算法对花青素品质参数进行特征波长提取的过程如图2所示。随着运行次数的增多保留波长数逐渐减少。在1～29 次运行过程中，与花青素无关的变量被剔除，交互验证均方根误差（root mean square error of cross validation，RMSECV）不断降低，随着重采样次数的不断增加，RMSECV的值开始上升，这是因为在运行29 次之后会剔除掉与花青素相关的变量。

表2 用CARS算法筛选出的紫薯各品质参数特征波长Table 2 Wavelength selection for each quality parameter

如表2所示，根据RMSECV最小原则，最终选择的采样次数为29 次，波长变量数为28 个，筛选后的大多变量集中在花青素特征峰波长410 nm附近，同理，对SSC和TS依次进行特征波长的筛选，SSC RMSECV最小时的运行次数为28 次，此时保留的SSC的波长变量数为37 个，大多均匀分布在690～1 100 nm范围内。TS RMSECV最小时的运行次数为27 次，此时保留的TS的波长变量数为42 个，筛选后的大多数变量集中在糖类特征峰附近，即波长900～1 100 nm范围内。

图3 宁紫4号生鲜紫薯花青素（A）、SSC（B）和TS（C）校正集和预测集的模型结果Fig. 3 Relationships between predicted and true values of anthocyanin (A), SSC (B) and TS (C)

基于CARS算法筛选出各品质的特征波长，用PLSR方法对紫薯各品质参数建立了预测模型。花青素校正集和预测集的模型结果如图3A所示，模型相关系数分别为0.947 7和0.942 1，均方根误差分别为0.206 2 mg/g和0.225 9 mg/g；SSC校正集和预测集的模型结果如图3B所示，模型相关系数分别为0.947 0和0.943 1，均方根误差分别为0.600 6 °Brix和0.878 7 °Brix；TS校正集和预测集的模型结果如图3C所示，模型相关系数分别为0.955 5和0.925 3，均方根误差分别为0.140 0%和0.244 3%。基于CARS算法筛选特征波长后的预测模型结果显著优于全波段建模结果，模型也更加稳定。这是因为CARS算法有效剔除了光谱信息中与紫薯待测品质参数无关的变量，从而显著提高了紫薯各品质参数预测模型的预测效果。结果说明，基于实验室自行搭建的可见-近红外光谱系统，可以实现对不同批次宁紫4号生鲜紫薯的花青素、SSC以及TS的同时快速无损检测。

2.3 模型验证

图4 宁紫4号生鲜紫薯各品质参数的模型验证结果Fig. 4 Model validation results for quality parameters of ‘Ningzi 4’ cultivar

为验证所建模型的稳定性以及适用性，基于已建立的花青素、SSC以及TS的预测模型预测与建模样品无关的10 个紫薯的花青素、SSC以及TS含量。同时，采用常规检测法检测10 个样品的花青素、SSC以及TS的标准理化值，并与预测模型结果进行比较分析。如图4所示，生鲜紫薯花青素的标准理化值与预测值的相关系数为0.835 4，RMSEP为0.443 1 mg/g；SSC的标准理化值与预测值的相关系数为0.832 4，RMSEP为1.322 4 °Brix；TS的标准理化值与预测值的相关系数为0.848 6，RMSEP为0.444 2%。结果表明，实验所建立的预测模型可以实现对不同批次生鲜紫薯的花青素、SSC以及TS的快速无损检测。

3 结 论

本实验以市售宁紫4号生鲜紫薯为研究对象，探讨了基于可见-近红外光谱的生鲜紫薯花青素、SSC以及TS的同时快速无损检测方法。将52 个生鲜紫薯原始光谱曲线分别进行SG 15 点卷积平滑、SNV以及SG 15 点卷积平滑结合一阶求导预处理，再用PLSR方法对紫薯各品质参数进行了建模分析。对于花青素和TS而言，经SG 15 点卷积平滑结合一阶求导预处理后光谱在波长410 nm处花青素特征峰和波长978 nm处糖类特征峰最为显著模型预测效果最佳。花青素预测模型Rc和Rp分别为0.853 6和0.850 4，RMSEC和RMSEP分别为0.338 3 mg/g和0.490 6 mg/g；TS预测模型Rc和Rp分别为0.854 9和0.830 6，RMSEC和RMSEP分别为0.401 9%和0.414 0%。对于SSC而言，经SNV预处理的光谱曲线较好保留了整个波段样品信息预测效果最好，Rc和Rp分别为0.914 1和0.852 4，RMSEC和RMSEP分别为0.758 0 °Brix和1.082 9 °Brix。针对紫薯各参数最佳预处理光谱采用CARS算法进行了波长筛选，然后再用PLSR方法对紫薯各品质参数建立了预测模型。花青素预测模型Rc和Rp分别为0.947 7和0.942 1，均方根误差分别为0.206 2 mg/g和0.225 9 mg/g；SSC预测模型的Rc和Rp分别为0.947 0和0.943 1，均方根误差分别为0.600 6 °Brix和0.878 7 °Brix；TS预测模型的Rc和Rp分别为0.955 5和0.925 3，均方根误差分别为0.140 0%和0.244 3%。采用CARS算法有效剔除了光谱信息中与紫薯品质参数无关变量，显著提高了紫薯各品质参数预测模型的预测效果。结果显示，利用可见-近红外光谱完全可以实现对生鲜紫薯的花青素、SSC以及TS的同时快速无损检测，对生鲜紫薯品质的快速无损分选有着重要的实用意义。