黎新荣

摘要：【目的】采用近红外光谱技术对滑皮金桔的糖度开展无损检测技术研究，为今后实现滑皮金桔在线糖度品质分级分选提供参考依据。【方法】以NIR Magic 1100型便携式果品近红外光谱分析仪为主要研究设备，对采集的滑皮金桔光谱分别进行S-G卷积平滑（SG-smooth）、标准正态变量变换（SNV）和多元散射校正（MSC）处理，结合偏最小二乘法建立滑皮金桔糖度预测模型并进行验证。【结果】建模的最佳光谱波段为720～920 nm;光谱采用SG-smooth处理后建立模型的校正集相关系数为0.9531，校正集均方根误差为0.6436，相对分析误差为3.55，均优于采用SNV和MSC处理建立的模型效果。对预测模型进行验证显示，糖度预测值与实际值的相关系数为0.9582，均方根误差为0.5187，相对分析误差为3.24。【结论】采用近红外光谱快速检测滑皮金桔糖度可行，建立的预测模型稳定性好、精度较高，可为滑皮金桔在线分选及无损检测设备的开发提供技术参考。

关键词： 滑皮金桔;糖度;近红外光谱;S-G卷积平滑;偏最小二乘法

中图分类号： S666.9                             文献标志码： A 文章编号：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

【研究意义】广西融安县是我国滑皮金桔主产地，滑皮金桔的可溶性固形物含量16.0～22.0 g/100 g、总酸含量0.1～0.2 g/100 g、可食率平均达98.2%，食用后可润肺开胃，深受消费者喜爱（潘雪燕，2012）。在采后处理中按糖度对滑皮金桔进行分级有利于其按品质销售，但使用传统的折光仪既会对果实造成损坏又费时，而无损检测技术能很好地解决此问题。水果无损品质检测技术具有无需样品预处理、分析时间短、非破坏性检测等优点，使用较广泛的有红外光谱检测技术、高光谱成像技术和激光诱导荧光技术等（李志霞和聂继云，2013）。研究滑皮金桔的无损检测技术，对其在线分选分级设备的开发应用有重要意义。【前人研究进展】由于近红外光具有一定的穿透力，对样品自身不具有破坏性，因此用近红外光谱技术做定量分析，可实现对含有C-H、N-H和O-H等有机官能团的样品进行快速、无损定性/定量分析（宗莉等，2010;白倩和周金池，2014;孙亚强等，2015）。袁雷等（2006）利用近红外光谱技术对柑橘品质进行无损检测，对总酸、总糖和维生素3种组分建立了数学预测模型并进行优化;马广等（2007）利用近红外漫反射光谱定量分析技术对大白桃不同部位进行建模，分析光谱微分和校正预处理对建模结果的影响，得出近红外光谱检测技术可用于大白桃糖度定量分析的结论;徐惠荣和李青青（2017）对皇冠梨糖度近红外光谱在线检测模型传递进行研究，探讨了不同光谱仪之间模型传递的可行性。上述研究表明近红外光谱技术可将表征水果品质的可溶性固形物、糖度、酸度和硬度等信息通过光谱反映出来，并通过建模分析得到成分含量。董一威等（2007）研究了预处理采用导数和S-G平滑，结合偏最小二乘法（PLS）构建苹果酸度与糖度的预测模型，其中两种品质参数的判定系数分别为0.8151和0.9240，标准校正误差分别为0.0120和0.0204;王加华和韩东海（2009）利用组合移动窗口PLS选择信息变量建立PLS模型，利用遗传PLS选择信息变量建立MLR模型，結果表明模型预测精度均能满足现场检测应用要求;郅建军等（2016）结合PLS和LS-SVM建立了水蜜桃和梨的可溶性固形物模型，试验证明经CARS筛选得到的变量建立PLS模型效果最佳;宫元娟等（2017）设计基于近红外漫透射原理的便携式苹果内部品质检测装置，实现了对苹果可溶性固形物含量等内部品质的快速检测，绝大多数样本的预测值与测量值的绝对偏差均在0.15以内。说明近红外光谱检测技术预测的精度及稳定性可满足实时评价品质需求，而不同的光谱数据处理方式对建模有显著影响。【本研究切入点】虽然近红外光谱检测技术在水果上的应用研究很多，但尚未见针对滑皮金桔开展近红外光谱检测的研究报道。【拟解决的关键问题】利用近红外光谱检测技术，通过光谱信息与糖度的关联分析，建立滑皮金桔糖度快速检测模型，为今后实现滑皮金桔在线糖度品质分级分选提供参考依据。

1 材料与方法

1. 1 试验材料

滑皮金桔于2018年1—2月采摘自广西融安县板榄镇官昔村，分别从5个种植园内随机采摘不同成熟度的金桔共150 kg，采收后进行大小分级，挑选大小相近、无损伤霉变、果体坚实的果实，单果质量23.3～26.7 g，直径31.98～34.07 mm，共得到样品192个。硫酸铜、氢氧化钠、酒石酸钾钠、亚甲基蓝、乙酸锌、亚铁氰化钾均为分析纯，购自南宁蓝天实验设备有限公司。

主要仪器设备： NIR Magic 1100型便携式果品近红外光谱分析仪（北京伟创英图科技有限公司），含分析仪主机、光纤探头、探头固定架和样品支架，设备检测波长范围600～1100 nm，波长准确性0.2 nm，工作温度5～40 ℃，相对湿度范围5%～95%;DS-1高速组织破碎机（上海左乐仪器有限公司）;HH-S6数显恒温水浴锅（金坛市医疗仪器厂）。

1. 2 试验方法

1. 2. 1 样品处理 采摘当天用水清洗果实并擦拭干净，避免果实表面的异物残留对光谱采集造成影响。将样品依次编号后置于室温条件下24 h进行等温处理，然后开始光谱采集和糖度检测。

1. 2. 2 光谱采集 由于光谱采集容易受到外界光照、温度及环境水分的影响，为保证采集环境的稳定性和一致性，将光谱检测仪放置在暗室内的黑面水平工作台上，保持室内温度16 ℃、相对湿度80%。打开光源预热3 min，设置光谱采集参比时间5 ms，样品时间50 ms。将金桔果实赤道部位垂直放于支架上，每个金桔样品采集光谱数据3次，每次采集后将金桔果实垂直旋转120°，测3个不同部位的光谱数据。

1. 2. 3 糖度检测 每个金桔样品光谱测量完成后，糖度采用GB/T 6194—1986《水果、蔬菜可溶性糖测定法》进行测定。

1. 2. 4 光谱数据处理 对光谱数据进行预处理可消除因测量条件和杂散光等因素引起的基线平移及旋转等噪声，提高光谱数据的信噪比，因此，在Chemo Studio 2016中选择S-G卷积平滑（Savitzky-Golay smooth，SG-smooth）、标准正态变量变换（Standard normal variable transformation，SNV）和多元散射校正（Muliplication scattering correction，MSC）对原始光谱曲线进行处理（尼珍等，2008）。

1. 2. 5 模型建立和验证 在192个样品中随机选择162个样品用于建立模型，按3∶1分为校正集和预测集，剩余30个样品作为模型验证检测。用仪器配置的Chemo Studio 2016对采集到的样品光谱数据进行处理，选定波长后分别建立PLS模型。模型质量用校正集相关系数（RC）、预测集相关系数（RP）、校正集均方根误差（RMSEC）、预测集均方根误差（RMSEP）和相对分析误差（RPD）评定。相关系数（R）较高，均方根误差（RMSE）较低，同时RMSEC与RMSEP较接近，则所建立的预测模型越稳定。若R=1.0，说明完全吻合;若R为负数，表示负相关，拟合效果非常差。Malley等（2005）提出用标准偏差除以预测均方根误差可得到相对分析误差，高精度模型的相对分析误差在4.00以上，成功模型在3.00～4.00范围内，比较成功模型在2.25～3.00范围内，比较有用模型在1.75～2.25范围内（王凡等，2017）。模型建立后调整离散区间，剔除离群值，获得最佳因子数后建立精简模型，筛选出最佳模型后对未知样品进行验证。

2 结果与分析

2. 1 糖度测定结果

建模样本的检测精度和范围在一定程度上影响模型的性能和适用程度，样品的指标覆盖范围越大，建立的模型预测范围越广。滑皮金桔糖度检测结果如表1所示，其校正集的糖度最小值为13.5%，最大值为24.0%，平均值为19.8%，标准差为2.1;预测集的糖度最小值为14.7%，最大值为23.4%，平均值为20.1%，标准差为2.3。为提高模型的准确性，建模时将与平均值偏差较大的糖度值作为离群值剔除，按照标准差设置偏差离群阈值为2.1。

2. 2 光谱采集结果

图1是光谱仪采集到的162个滑皮金桔样品原始谱图，图中的最高吸光值峰值达3.0以上、波谷值为1.0，最低吸光值峰值为0.5、波谷值为0.2。由于吸光值与吸光物质浓度成正比，因此糖浓度升高时，接收到的光强变低，其对应的吸光值增加，金桔样品糖浓度存在的差异可通过谱图反映出来。

在波长680和980 nm附近出现明显波峰，在750 nm处有较平缓波峰。680和980 nm的吸收峰与O-H键伸缩振动倍频有关，可能是果实中水分的吸收峰;750 nm区域的吸收峰与O-H和C-H的近红外吸收倍频有关，为果实中糖分的吸收峰（陆婉珍，2010）。说明在720～920 nm波长区域能够反映金桔的糖度信息，可在此区域内选择合适的波段构建模型。

从图1可看出，两端噪声较多，波峰明显起伏变化大，故将两端剔除。在720～920 nm波长区域，分别用720～920、720～820和820～920 nm 3个不同波段的光谱进行分析建模。将图1光谱进行不同处理后分别得到图2的3种光谱曲线图。从图2中可看出，3种处理的结果存在差异：SG-smooth处理主要是提高光谱的平滑性，降低噪音干扰;SNV主要是消除固体颗粒大小、表面散射及光程變化对漫反射光谱的影响;MSC只是用来修正各近红外光谱间的相对基线平移和偏移现象，最终取所有光谱的平均光谱。

2. 3 糖度预测模型的建立

如图3所示，以720～920 nm波段用SG-smooth处理结合PLS建模为例，建模结果显示预测集的相关系数为0.6523，均方根误差为2.1436。由于该模型未剔除离群值，因此相关系数较低（以1.0为吻合标准）;均方根误差（2.1436）与标准差（2.1）进行相对分析误差计算，结果仅为0.98，模型稳定性差、精度低。只有将奇异样本和无信息变量剔除，才能有效提高模型性能。

图4是720～920 nm波段在SG-smooth处理结合PLS建模后，调整离散区间剔除离群值过程中，内部交互验证模型的标准差随主因子数的变化趋势图。在图中，初始的标准差较高，随着将无用信息淘汰后，标准差逐渐变小，当主因子数为9时，标准差最小，建模效果最佳。

不同波段的光谱曲线经不同处理后建立的糖度模型结果如表2所示。表中SG-smooth处理的校正集和预测集相关系数在720～920 nm波段分别为0.9531和0.9462，在720～820 nm波段分别为0.8111和0.7938，在820～920 nm波段分别为0.9027和0.8961，均比同波段的其他处理相关系数高;SG-smooth处理的校正集和预测集均方根误差在720～920 nm波段分别为0.6436和0.6471，在720～820 nm波段分别为0.7545和0.7563，在820～920 nm波段分别为0.8112和0.7962，与同波段的其他处理相比均方根误差最小。因此使用SG-smooth处理的波段在建模上能够获得更佳的稳定性。

相对分析误差结果（表2）显示，720～920 nm波段用SG-smooth处理结合PLS建模的相对分析误差获得3.55的最高值，在720～820 nm波段为3.04，820～920 nm波段为2.89。与其他处理方法相比，选择720～920 nm波段处理建模的精确度比其他波段更高。

2. 4 糖度预测模型的验证结果

将建立的糖度预测模型设置为精简评价项目，用30个滑皮金桔对预测模型进行验证，滑皮金桔糖度预测值与实际测量值的分析结果如表3所示，预测值与实测值间最大绝对误差为0.7，最小为0。通过计算可知预测的糖度平均值为19.8%，标准差为1.68。从图5可知，糖度预测模型的相关系数为0.9582，均方根误差为0.5187，计算得出相对分析误差为3.24。表明该预测模型的相关系数较高，相对分析误差达到成功模型标准，糖度预测结果合理有效，该模型可实现滑皮金桔糖度的快速无损检测。

3 讨论

本研究中采集的滑皮金桔果实糖度最小值为13.5%，最大值为24.0%，由于金桔果实在生长期容易受环境、光照强度等影响，相同成熟期的果实存在表面色泽和糖度的差异，因此在无损检测中必须控制这些因素，可通过在原料分级时用色选机对金桔果实进行色泽区分，或在建立模式时剔除与标准差值偏差较大的离群值来提高模型准确性。

从原始光谱图可知，在构建模型选取波长变量时，若选取全光谱作为变量，可能会包含很多无关变量，甚至为噪声，对模型精度有严重影响;若是选取部分波长的变量也可能会漏掉一些相关变量，所以波长的选取显得尤为重要。这与褚小立等（2004）提出的用全波段光谱建模通常不能得到较好的结果相符。因此，要获得稳定性好、精确度高的模型，需将不同预处理和波长选取方法结合使用。

从不同预处理方法对模型性能的影响来看，不同波段经过SG-smooth处理后的相关系数均比采用标准SNV或MSC处理的相关系数更接近1.0，均方根误差最小，相对分析误差最高，说明不同的处理方法对模型建立有明显影响，与董一威等（2007）采用SG-smooth结合PLS构建的糖酸度预测模型精度高于采用导数处理的精度结果相似。SG-smooth主要用于消除光谱信号中的噪声方面，SNV和MSC主要在消除固体颗粒大小、表面散射及光程变化对NIR漫反射光谱的影响上起作用，而滑皮金桔果肉细腻无核、光谱采集在暗室环境内进行，这是SG-smooth处理效果优于SNV和MSC处理的原因。

4 结论

采用近红外光谱快速检测滑皮金桔糖度可行，建立的预测模型稳定性好、精度较高，可为滑皮金桔在线分选及无损检测设备的开发提供技术参考。

参考文献：

白倩，周金池. 2014. 近红外光谱技术在水果产业中的最新应用[J]. 光谱实验室，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，陆婉珍. 2004. 近红外分析中光谱预处理及波长选择方法进展與应用[J]. 化学进展，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，屠振华，汪群杰. 2007. 苹果中糖酸度的CCD近红外光谱分析[J]. 食品科学，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.]

宫元娟，裴军强，李宏博，冯雨龙，宁晓峰. 2017. 便携式苹果品质快速无损检测系统设计[J]. 沈阳农业大学学报，48（2）：238-243. [Gong Y J，Pei J Q，Li H B，Feng 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，聂继云. 2013. 无损检测技术及其在果品质量安全检测中的应用[J]. 中国农业科技导报，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.]

陆婉珍. 2010. 现代近红外光谱分析技术[M]. 第2版. 北京：中国石化出版社. [Lu W Z. 2010. Modern Near Infrared Spectroscopy Analysis Technology[M]. The 2nd Edition. Beijing：China Petrochemical Press.]

马广，傅霞萍，周莹，应义斌，徐惠荣，谢丽娟，林涛. 2007. 大白桃糖度的近红外漫反射光谱无损检测试验研究[J]. 光谱学与光谱分析，27（5）：907-910. [Ma G，Fu 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，冯芳. 2008. 近红外光谱分析中光谱预处理方法的作用及其发展[J]. 药物分析杂志，28（5）：824-829. [Ni Z，Hu C Q，Feng 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. 融安金桔鲜果品质综述[J]. 广西轻工业，（7）：7. [Pan X Y. 2012. Summary on the quality of fresh kumquat fruit[J]. Guangxi Journal of Light Industry，（7）：7.]

孙亚强，吴翠云，王德，王志强. 2015. 近红外光谱技术在果品无损检测中的应用研究进展[J]. 中国果树，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，彭彦昆，李龙. 2017. 便携式番茄多品质参数可见/近红外检测装置研发[J]. 农业工程学报，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.]

王加华，韩东海. 2009. 便携式近红外水果糖度分析模型简化研究[J]. 食品安全质量检测技术，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.]

徐惠荣，李青青. 2017. 皇冠梨糖度可见/近红外光谱在线检测模型传递研究[J]. 农业机械学报，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，刘辉军，余桂英，郑颖君. 2006. 柑橘品质的近红外光谱无损检测[J]. 光谱实验室，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，陈通，孙武坚，王春峰，郭丽，陈斌. 2016. 微型近红外光谱仪检测水果可溶性固形物[J]. 分析仪器，（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，薛娴，王涛，尤全刚. 2010. 近红外光谱分析技术在水果内部品质无损检测中的应用[J]. 安徽农业科学，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.

（责任编辑 罗 丽）