近紅外光譜對甜椒果實質地的無損檢測*

潘冰燕，魯曉翔，張鵬，李江闊，陳紹慧

1(天津商業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(國家農產品保鮮工程技術研究中心，天津市農產品采后生理與貯藏保鮮重點實驗室，天津，300384)

甜椒(Capsicum annuum L.)，俗稱燈籠椒，原產于墨西哥和中美洲一帶。與普通大椒相比，它含有較高營養物質［1-2］，如糖和VC。在物流過程中，甜椒對水分的要求嚴格，且易受冷害、機械傷害和病菌侵染［3］，而易造成較大的損耗。質地是果實成熟和果實品質的重要指標，影響到果實采前采后處理方法、貨架期的長短、風味及其口感等。測定甜椒果實常用質構儀進行質地多面分析(TPA)，該法測定實驗結果雖然精度較高，但是操作復雜，耗時長，須對甜椒進行破損才能測定，因此急需研究出一種方便快捷、無損的測定方法，實現對甜椒果實質地在線監控。

近紅外光譜分析具有快速、無損、多組分同時測定等優點，受到國內外分析界的重視［4-5］。就辣椒而言，Lim等［6］利用近紅外光譜建立韓國辣椒的辣椒素檢測模型，結果表明，預測集的相關系數(RP)、標準差(SEP)分別為 0.958 5、10.147 mg/100g;Sánchez等［7］利用近紅外檢測辣椒農藥殘留量，結果表明，偏最小二乘-判別分析存在/不存在的農藥的樣品正確分類為62% ～68%;Penchaiya等［8］用近紅外光譜無損檢測甜椒的硬度和可溶性固形物含量，結果表明，模型的硬度和SSC的SEP值分別為4.49 N、0.7%，近紅外對甜椒SSC和硬度無損檢測效果均較好;李沿飛等［9］利用NIRS對干辣椒的辣度進行檢測，結果表明，辣椒的辣度 PLS評價模型的 RCV、RP分別為0.987 1、0.910 4，SECV、SEP 分別為 2 445、3 976;劉燕德等［10］利用近紅外光譜技術實現了鮮辣椒中可溶性固形物(SSC)和VC含量的快速無損檢測，結果表明，對鮮辣椒中 SSC和 VC含量預測集 RP分別為0.971、0.899。本文通過近紅外光譜對常溫貨架期的甜椒果實質地進行測定。

1 材料與方法

1.1 實驗材料

原料:甜椒于2014年12月23日采于山東壽光蔬菜基地，采后直接運回實驗室，待甜椒的溫度與室溫一致時，挑選出成熟度一致(八成熟、黃色)、大小均勻、無病蟲害和無機械損傷帶梗的甜椒樣品，并用厚度為16 μm的PE袋包裝、扎口，每袋裝20個，置于18～20℃存放，進行常溫貨架實驗。

分別在貨架期1，3，5，7天進行光譜測定，每次隨機抽取35個甜椒樣品，光譜測定后再進行果肉質地的測定。測定前將甜椒表面擦拭干凈，選取表面較平的部位，并對其進行標記和排序編號，之后在標記的點進行全光譜掃描。剔除異常數據之后，試驗共抽取120個數據，其中定標集90個和驗證集30個。

1.2 光譜采集

NIRS DS2500近紅外光譜儀，丹麥Foss公司。采用全息光柵分光系統，測量方式為漫反射，檢測器由金屬硅(400～1 100 nm)和硫化鉛(1 100～2 500 nm)組成，掃描波長范圍為400～2 500 nm，掃描方式為單波長，掃描次數為32次，配置Nova分析軟件和WinISI4定標軟件。

1.3 甜椒果實質地的測定

［11-13］的方法結合預實驗略有改動。在果實光譜掃描點附近取樣，切成大小一致(1 cm2左右)的正方形小塊、厚度均勻的椒片作為測試對象，表皮朝上平放在測試臺中央，利用英國產TA.XT.plus物性測定儀P/75探頭做質構儀質地多面分析(TPA)實驗。測試參數為:測前速度為5.00 mm/s測試速度為2.00 mm/s，測后速度為2.00 mm/s，甜椒果肉受壓變形25%，2次壓縮停頓時間為5.00 s，觸發力是5.00 g。由質地特征曲線得到評價甜椒果肉狀況的質地參數:彈性、回復性和凝聚性。甜椒果肉TPA試驗模式和典型質地特征曲線如圖1所示。

圖1 甜椒TPA試驗模式圖及特征曲線Fig.1 Sweet pepper texture profile analysis test mode figure and characteristic curves

TPA參數定義［14］如下:彈性是指甜椒果肉經第一次壓縮變形后，在去除變形力的條件下所能恢復的程度，反映在質地特征曲線上為=ΔT/T1;回復性是指果肉在受到外界壓力作用時回彈的能力，即第一次壓縮至峰值后返回時果肉所釋放的彈性能與壓縮時探頭耗能之比，反映在質地特征曲線上為A4/A5;凝聚性是指咀嚼果肉時，果肉抵抗牙齒咀嚼破壞而表現出的內部結合力，反映了細胞間結合力的大小，使果實保持完整的性質，反映在質地參數特征曲線上為A2/A1。(其中A1:第一次壓縮所得的峰面積;A2:第二次壓縮所得的峰面積;A4:第一次壓縮至峰值所得的面積;A5:A1-A4;T1:第一次壓縮達峰值時所經歷的時間;ΔT(ΔT=T3-T2):第二次壓縮達峰值時所經歷的時間。)

1.4 模型的建立與驗證

利用WinISI4軟件，對原始光譜進行濾波和平滑處理，以去除噪聲，并提取有效信息，采用不同預處理確定甜椒果肉彈性、回復性以及凝聚性無損預測模型;然后，再用未參與定標的樣品對模型進行驗證，評價模型的準確性。為了模型的實用性，果肉彈性、回復性以及凝聚性的最小值以及最大值被選入定標樣品集中。以定標集相關系數RCV和交叉驗證誤差SECV，預測集相關系數RP、誤差SEP和殘差的大小及總和作為模型的評價標準。通常，所建立模型的RCV和RP越大，SECV、SEP和殘差越小，模型的效果越好［15］。本實驗模型定標集和驗證集樣品的分布特征如表1所示。

表1 甜椒樣本定標集和預測集果實質地實測值分析Table 1 Analysis results of fruit texture from calibration and prediction sets for sweet peppers samples

2 結果與分析

2.1 常規分析基本參數

將甜椒果實置于NIRS DS2500近紅外漫反射光譜儀上進行掃描，分析時間為1 min，可以得到甜椒果實的近紅外原始光譜，結果見圖2。

圖2 甜椒近紅外原始光譜圖Fig.2 Original absorption spectrum of the same sweet pepper sample

圖2是隨機選擇的3條甜椒原始光譜圖，由圖2可以看出，不同甜椒的原始光譜圖存在差別，而且其近紅外光譜吸收帶在506、978、1 190、1 450 nm處有強吸收峰，在可見光區出現的第一個強吸收峰(506 nm)，有研究［16］指出是由果皮的葉綠素引起的;而在978 nm和1 190 nm處的吸收峰主要是水分引起的［17］，因此，水分含量對甜椒的近紅外光譜吸收影響很大;1 450 nm處吸收峰附近主要是由于C—H、—CH2鍵的變化引起，是因為甜椒中的SSC和可溶性果膠等物質的含量隨著貨架期的延長而變化，而它們的特征官能團就是C—H、—CH2等，果實中水分和官能團的變化就會產生果實質地的變化，這說明近紅外光譜圖捕獲的信息與甜椒內在品質之間存在著一定的變化規律。因此，本研究用可見/近紅外漫反射光譜無損檢測甜椒的內部品質，分別建立果肉彈性、回復性和凝聚性的預測模型。

2.2 近紅外甜椒果實質地模型的建立

近紅外光譜儀采集的原始光譜中除包含與樣品結構組成有關的信息外，還可能受測試條件、外界溫度、儀器狀態等因素影響，而且樣品中不同成分之間的相互干擾也會導致光譜譜線重益，低含量成分光譜峰被高含量成分光譜峰掩蓋等問題。因此，譜圖的預處理主要解決的是光譜噪音的濾除、數據的篩選、光譜范圍的優化及消除其他因素對光譜圖所含信息的影響，提高分辨度和靈敏度，為下步定標模型的建立和未知樣品的準確預測打下基礎［18］。

本文采用改進最小偏二乘法(MPLS)，分別研究不同導數處理方法與不同散射和標準化方法相結合的處理模型，從而找到最優的模型。在全光譜范圍(400～2 500 nm)、金屬硅檢測波段(400～1 100 nm)和400～1 450 nm波段比較了零階光譜［Log(1/R)］、一階微分光譜［D1Log(1/R)］和標準正常化處理與去散射處理(SNV+Detrend)、加權多元離散定標(WMSC)相結合的方法建立模型。用不同光譜預處理方法建模，結果如表2、表3所示。

表2 全光譜范圍內不同預處理的定標結果Table 2 Statistical results of models constructed by different pretreatment at full spectrum

表3 特征波段下不同預處理模型的定標結果Table 3 Statistical results of models by different pretreatment at characteristic bands

由表2可知在全光譜范圍內，果肉彈性的最優預處理分別為MPLS+原始+None，而回復性和凝聚性的最優預處理一樣，均為MPLS+一階+Detrend Only，彈性、回復性和凝聚性定標集相關系數RCV分別為0.937、0.933和0.932，它們交叉驗證誤差 SECV分別為0.029、0.013和0.016 N。由表3可知在波段400～1 100 nm下，果肉彈性、回復性最優預處理一樣，它們和凝聚性的最優預處理分別為MPLS+一階+Detrend Only和MPLS+一階+None，彈性、回復性和凝聚性RCV分別為0.949、0.930和0.954，SECV分別為0.026、0.013和0.018;而在波段400～1 450 nm下，果肉彈性、回復性和凝聚性的最優預處理均為MPLS+一階 +Weighted MSC，它們的 RCV分別為0.943、0.935 和0.939，SECV 分別為0.028、0.013 和0.014。說明分波段與全光譜下建立的模型相關系數都較高，基本都在0.9以上，而且最優的模型并非都是在全光譜范圍內得到，因此分波段分析是有必要的，但單從定標集來看模型效果差別不明顯。因此，需要利用未知樣品對模型進行驗證。

2.3 近紅外甜椒果實質地模型預測性能的驗證

定標集具有較高的相關系數以及較低的標準偏差是評價一個模型可靠性的標準之一，模型的優劣不僅取決于此，還要求其具有較高的預測能力，預測標準誤差值(SEP)也應較低，利用定標集以外的30個預測集樣品分別檢驗果肉彈性、回復性和凝聚性在全光譜(400～2 500 nm)、波段400～1 100 nm和400～1 450 nm下建立的最優模型預測準確性，結果見表4。

表4 特征波段下各自最優定標模型的預測結果Table 4 Prediction results of the best calibration models at characteristic bands of their respective

由表4可知，3個波段間進行比較，但果肉彈性、回復性和凝聚性在400～2 500 nm范圍內的預測誤差值(SEP)均最小，預測集相關系數RP均最高，即預測結果最優，說明全光譜下建立的模型準確性最好、質量最高;雖然在全光譜下建立的定標集RCV并非是最高的，但是預測結果最好，說明這種變化可能不僅僅是由果肉彈性、回復性和凝聚性引起的，還可能同時受到內部SSC、酸和水分含量等變化的影響，樣品的果實質地信息是通過全波段光譜反應出來的，所以試驗最終選擇全光譜所建立模型對甜椒果肉彈性、回復性和凝聚性進行測定，這與孫柄新等［19］對蘋果脆度的近紅外無損檢測結果一致。利用模型對30個預測集樣品進行彈性、回復性、凝聚性值的預測，結果見圖3，其中圖3-a、圖3-b、圖3-c分別是彈性、回復性、凝聚性的殘差分布圖。

由圖3可知，建立的甜椒果肉彈性、回復性和凝聚性模型對30個預測集樣品的預測值與真實值比較接近，殘差在零線上下較均勻的波動，而且殘差均小于0.04 N或大于-0.04 N，彈性、回復性、凝聚性殘差總和分別為 -0.200、0.068、-0.033 N。綜上所述，通過對模型定標集相關系數RCV、交叉驗證誤差SECV、預測集相關系數RP、預測誤差值(SEP)、殘差分布和殘差總和6項指標的分析結果表明:建立的甜椒模型性能較穩定，能滿足實際應用的要求。

圖3 預測集相對殘差分布圖Fig.3 Residual error distribution for prediction samples

3 結論

本實驗用近紅外漫反射光譜技術對甜椒果實質地進行了分析，探索了用多種建模方法，甜椒果實質地與近紅外漫反射光譜具有很好的相關性，實測值與預測值之間的殘差很小，為甜椒內部品質無損檢測數學模型提供了參考，可以為甜椒果肉彈性、回復性和凝聚性的在線檢測提供良好的基礎，同時也為蔬菜類的質地的測定提供參考價值。實驗通過相關系數、相對誤差、殘差分布和殘差之和等多項指標對模型的進行評價，分析表明建立的甜椒果肉彈性、回復性、凝聚性模型性能比較穩定，能夠滿足甜椒品質的測定。

本實驗雖然應用MPLS分析法對甜椒的果實質地的判別是可行的，但仍需進一步深入研究，如加大定標集和預測集的樣本數量，對不同產地或者生長環境對甜椒的果實質地模型預測精度的影響因素等，以提高定標模型的精度和穩定性。

參考文獻

［1］ 彭燕，車振明，曾朝懿.保鮮劑與低溫氣調處理對甜椒貯藏品質的影響［J］.食品與發酵科技，2013，49(6):46-49.

［2］ Maoka T，Mochida K.Cancer chemo preventive activity of carotenoids in the fruits of red paprrika Capsicum annuum L.［J］.Cancer Lett，2001，172(2):103-109.

［3］ 梁關生，吳智明，宋亞平，等.彩色甜椒品種比較試驗［J］.中國農學通報，2011，27(13):260-263.

［4］ 張鵬，李江闊，陳紹慧.蘋果品質近紅外光譜無損檢測技術研究進展［J］.保鮮與加工，2013，13(3):1-7.

［5］ 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，2013，33(10):207-211.

［6］ Lim J，Mo C，Noh S H，et al.Capsaicinoids content prediction model development for Korean red-pepper powder using a visible and near-infrared spectroscopy［C］//SPIE Defense，Security and Sensing.International Society for Optics and Photonics，2012:83690Z-83692Z.

［7］ Sánchez M T，Flores‐ Rojas K，Guerrero J E，et al.Measurement of pesticide residues in peppers by near-infrared reflectance spectroscopy［J］.Pest Management Science，2010，66(6):580-586.

［8］ Penchaiya P，Bobelyn E，Verlinden B E，et al.Non-destructive measurement of firmness and soluble solids content in bell pepper using NIR spectroscopy［J］.Journal of Food Engineering，2009，94(3):267-273.

［9］ 李沿飛，胡羽，屠大偉，等.近紅外光譜技術快速無損測定干辣椒的辣度［J］.食品科技，2013，38(1):314-318.

［10］ 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C含量近紅外光譜檢測［J］.光學精密工程，2014，22(2):281-288.

［11］ 胡璇，夏延斌，鄧后勤.利用質構儀測定剁椒脆度方法的研究［J］.辣椒雜志(季刊)，2010(3):39-43.

［12］ 高偉民.青椒在水煮過程中護色措施的研究以及護色劑對硬度的影響［J］.江西食品工業，2011，(4):34-38.

［13］ 王丹，魯曉翔，張鵬，等.近紅外無損檢測甜柿果實質地和品質［J］.食品工業科技，2013，34(24):53-56.

［14］ 任朝暉，張昆明，李志文質地多面分析(TPA)法評價葡萄貯藏期間果肉質地參數的研究［J］.食品工業科技，2011，32(7):375-378.

［15］ 王丹，魯曉翔，張鵬，等.可見/近紅外漫反射光譜無損檢測甜柿果實硬度［J］.食品與發酵工業，2013，39(5):180-184.

［16］ 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.

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

［18］ 章海亮，孫旭東，劉燕德，等.近紅外光譜檢測蘋果可溶性固形物［J］.農業工程學報，2009，25(2):340-344.

［19］ 孫炳新，匡立學，徐方旭，等.蘋果脆度的近紅外無損檢測［J］.食品與發酵工業，2013，39(5):185-189.