基于近紅外光譜的椰子肉含水率檢測方法

劉 蕊，吳 翼，李和帥，范海闊

（1. 中國熱帶農業科學院椰子研究所，海南 文昌 571339；2. 農業農村部文昌椰子種質資源圃，海南 文昌 571339）

0 引言

【研究意義】椰子樹是典型的熱帶木本油料和食品能源作物[1]，由于在食品[2-3]、醫療[4-5]、保健[6-7]和化妝品[8]等各個領域均有廣泛應用，被稱為“生命之樹”[9]。椰果是椰子樹的種果，由椰衣（外果皮、中果皮）、椰殼（內果皮）、椰肉（固體胚乳）和椰子水（液體胚乳）組成。其中椰肉是重要的加工原料，主要被加工成椰干。椰干是國際上椰子進出口貿易的重要形式，根據APCC和FAO數據，2016年，世界椰干產量達到500萬噸。此外，在椰子品種選育過程中，單位面積的椰干產量是一個非常重要的指標[10]。根據相關定義，椰干是指將新鮮椰肉粉碎成適當大小的片狀或粒狀物料，再加熱將椰肉的水分含量降至3%左右而制得的產品[11]。因此檢測椰肉中含水率是預測椰干產量的重要指標。同時，不同椰子品種、不同栽培條件下椰肉的含水量存在較大差異，因此椰肉含水率的檢測也是鑒定篩選優良種質、評價栽培措施的重要指標。目前椰肉含水率的常規檢測法為恒溫干燥法，該方法比較準確，但需要過夜烘干處理，所需時間長，樣品所占空間大，難以實現快速、高通量檢測，不能滿足生產、科研需求。因此，建立一種椰肉含水率的快速檢測方法對于椰干產量的高效鑒定、優良種質的篩選等十分必要。【前人研究進展】碳水化合物、脂類、蛋白質和水分等組分中含有CH、OH、NH、CO基團，這些官能團振動的諧波及其組合帶落在光譜的近紅外區（波長700～2500 nm），所以相關樣品的近紅外光譜包含了各有機組分的大量信息，通過對這些信息進行分析、處理、計算就可以得出各組分的含量。近紅外光譜技術就是以此為基礎，通過現代電子技術、光譜法分析技術、計算機技術和化學計量技術的集合而建立的一種光譜技術。用近紅外技術進行檢測的主要流程是收集具有代表性的樣品，進行樣品的光學數據采集；對樣品的化學成分進行測定；通過數學方法將光譜數據和檢測數據進行關聯，建立模型；分析未知樣品時，先對待測樣品進行掃描，根據光譜及所建立的模型快速得出待測樣品的成分含量[12]。近紅外光譜技術作為一種高效、無損、易操作、可實時在線檢測的技術，已經被廣泛應用于醫藥、食品、農產品[13-15]等的檢測中。Hazarika等[16]采用PLS回歸算法對55個茶葉樣品的近紅外光譜建立了原位測定多酚含量的回歸模型，開發了利用近紅外光譜技術快速、原位測定茶葉中多酚含量的綜合葉片質量檢測系統；Wang等[17]采用近紅外光譜與化學計量學相結合的方法對饅頭中的馬鈴薯粉含量進行了預測。Sun等[18]的研究結果表明，近紅外光譜結合wide-kernel-PLS算法適用于馬鈴薯粉中還原糖復雜化學成分的定量分析。但將近紅外光譜技術應用于椰子相關檢測的，目前僅見于Noypitak等[19]利用該技術鑒別泰國香水椰子的內部椰殼是否開裂。近紅外光譜技術也常被用于含水率的檢測，如王雪等[20]應用近紅外光譜技術，構建了玉米灌漿期的水分定量分析模型；楊傳得等[21]利用近紅外反射光譜技術，采用交叉檢驗建立了大花生含水量的近紅外模型，可用于鮮食花生種子水分含量快速檢測。【本研究切入點】椰肉含水率是預測椰干產量的重要指標，利用常規的技術測定椰肉含水率需時長，操作繁瑣，不能實現快速便捷的檢測，不能滿足生產、科研的高通量需求。在椰肉含水率方面，也無相關的近紅外檢測報道。【擬解決的關鍵問題】本試驗以不同種質的360個成熟椰果的果肉為試驗材料，通過椰肉近紅外光譜采集、椰肉含水率測定，建立椰肉含水率的近紅外模型，實現椰子品種椰干含量及椰子種質含水率的高效率實時在線檢測，滿足椰干產量預測及椰子種質快速鑒定的需求。

1 材料與方法

1.1 儀器設備

本研究的光譜數據采集采用上海棱光技術有限公司生產的S400型近紅外農產品品質測定儀，FA1204B電子天平（上海天美天平儀器有限公司）、DHG-9140A電熱恒溫鼓風干燥箱（上海精宏實驗設備有限公司）。

1.2 試驗材料

所有試驗樣品采自海南省文昌市椰子研究所試驗基地。選取已經響水、健康無損的椰子果樣本360個。剖開椰果，剝取新鮮椰肉并將椰肉切成6 mm×6 mm大小的樣品，樣品分成兩份，其中一份于5 h內利用S400型近紅外農產品品質測定儀完成光譜采集，一份用于含水率測定。

1.3 光譜數據采集

光譜采集的參數如下：數據模式為吸光度（A），采樣波段范圍為1000～2500 nm，光譜采樣間隔為1 nm，掃描次數為3次。光源采用與光譜儀配套的歐司朗12 v鎢燈。為了減少樣品不均勻性帶來的誤差，試驗過程中每個樣品都重裝樣3次采集光譜。

1.4 含水率測定

含水率的測定參考GB 5009.3—2016《食品安全國家標準 食品中水分的測定》中的直接干燥法，并做適當調整。用電子天平測量培養皿的重量（W1），將切成方丁的樣品盛放于培養皿中，測量鮮樣與培養皿的共同重量（W2），置于70 ℃鼓風干燥箱中烘干至恒重，在干燥器中冷卻后，用電子天平測量干樣與培養皿的共同重量（W3），計算含水率。含水率=[（W2-W3）/（W2-W1）]×100%。

每個樣品重復測定2次平行值，2次檢測結果相對誤差不得大于2%，以2次的平均值作為樣品最終的含水率。

1.5 光譜數據預處理與建模分析

將采集到的光譜數據導入CAUNIR分析軟件，并輸入每一條光譜所對應的含水率值，利用CAUNIR軟件所提供的定量偏最小二乘分析方法（Quantitative partial least squares，QPLS）進 行 建模。建模的波段1000～2000 nm，波長間隔5 nm，試驗樣本按1∶1的比例分成建模集和檢驗集。數據處理過程中，為了消除光譜采集過程中來自隨機噪音、基線漂移、樣本不均勻等的影響，對原始光譜進行預處理，方法分別為軟件提供的一階導數、二階導數、散射校正、中心化和極差歸一法。

所建模型的精確性通過建模相關系數R、校正標準差（SEC）以及檢驗相關系數R、預測標準差（SEP）來評價。相關系數越接近1和標準差越接近于0，并且校正標準差和預測標準差越接近時，表明所建模型較優。

2 結果與分析

2.1 樣品原始光譜

360份樣品含水率最小值為36.72%，最大值為80.54%，平均值為55.88%，符合建模要求。原始光譜信息如圖1所示。不同的樣品在同一波長下吸收強度不同，但是近紅外光譜吸收趨勢基本一致，分別在1101 、1211、1283、1424、1660、1725、1849、1892 nm處有明顯的吸收峰。

圖1 樣品原始近紅外（NIR）漫反射光譜Fig. 1 Original NIR diffuse reflectance spectra

2.2 預處理光譜模型的建立與分析

將光譜及其對應的含水率數值添加入CAUNIR軟件，設置波長范圍和波長間隔后，依次選用一階導數、二階導數、散射校正、中心化和極差歸一預處理方法。檢驗集的設置采用隨機選擇檢驗樣品的方法，以1∶1的比例劃分建模集和檢驗集，模型采用的推薦主成分數由內部留一交叉確定。在上述參數條件下試建并保存模型。

在建模過程中，常常需要對原始光譜進行預處理，以提高模型性能。本試驗采用儀器自帶的CAUNIR分析軟件對原始光譜進行預處理，預處理方法主要包括一階導數、二階導數、散射校正、中心化和極差歸一。對原始光譜進行不同的預處理后，應用QPLS進行建模會產生不同的效果（表1、圖2）。

表1 椰肉水分檢測QPLS模型結果Table 1 NIR-spectrum-based copra moisture determination obtained by using QPLS models

從圖2的建模模型和檢驗模型結果來看，中心化和極差歸一預處理后的光譜所建的模型，數據點的分布相對集中，均勻地分布于曲線兩側，而其他方法預處理的光譜所建的模型，數據點分布相對比較松散，多個數據點偏離曲線。

圖2 不同預處理方法下建模模型、檢驗模型中椰肉含水率交叉檢驗預測值與化學值散點圖（橫坐標為化學值，縱坐標為預測值）Fig. 2 Scatter plot of predicted (x-axis) and measured (y-axis) moisture contents of copra

分析表1的數據可知，與原始光譜的建模結果相比，采用散射校正、一階導數、二階導數等方法預處理后的光譜建模效果不理想，這些模型的相關系數（R）明顯低于原始光譜模型，而標準差（SEC/SEP）高于原始光譜模型，且數值多高于1。極差歸一預處理光譜所建的模型相關系數（R）低于原始光譜，而標準差（SEC/SEP）高于原始光譜。中心化預處理時的建模集相關系數高于原始光譜，但檢驗集相關系數低于原始光譜，同時其校正標準差與預測標準差差值為0.3772，高于原始光譜和極差歸一預處理光譜所建模型的相應值。因此，綜合比較之下，原始光譜所建的模型性能最好，其建模集和檢驗集的相關系數分別為0.9963和0.9960。

3 討論與結論

植物葉片、果實、種子、農作物加工產品等的含水率是一項重要參考指標，間接反映了植物生長狀態、水分需求、產品新鮮度、品質及儲存條件等。目前常用于快速檢測樣品含水率的方法有很多，主要有近紅外光譜法、微波法、核磁共振法及高光譜成像法等。如于旭峰等[22]提出了運用近紅外光譜技術檢測新鮮馬鈴薯葉片中含水量的方法。曲正義等[23]采用近紅外光譜技術結合化學計量學方法，對大力參中水分含量進行快速無損測定，結果證明該方法操作簡便、快速無損、結果準確。李陳孝等[24]提出了一種基于微波空間駐波法的蔬菜含水率預測方法，實現對蔬菜含水率的快速、無損、高精度檢測。陳文玉等[25]利用低場核磁共振技術研究了干燥過程中澳洲堅果的水分態及其分布，建立含水率與低場核磁總信號幅度的關系，證明該技術可以用作澳洲堅果含水率的快速無損檢測。李紅等[26]利用高光譜成像技術和特征波長選取方法對生菜冠層含水率進行檢測研究，實現了生菜冠層葉片干基含水率可視化檢測。上述方法的共同特點為簡便、快速、無損、綠色、適用范圍廣；近紅外法的優點為分析速度快，缺點為不能測定樣品的內部水分含量，需要不斷優化校準建模；核磁共振法的優點為試驗精度高，所需樣品少，缺點為建模及校準過程較為復雜；高光譜成像法的優點為計算準確，缺點為建模集校準過程較為復雜[27]。在實際生產中，可以根據檢測樣品的需求及實際條件進行選擇。在椰肉含水率的測定方面，目前常用的方法為恒溫干燥法，該方法所需時間長，操作步驟較多，無法實現快速、實時在線檢測。目前尚未見椰肉含水率快速檢測方法的提出。

近紅外光譜技術在水果、作物等含水率的快速檢測方面應用十分廣泛。劉潔等[28]利用偏最小二乘法建立板栗含水率定量近紅外檢測模型，結果表明，栗仁的水分檢測模型校正集和驗證集的相關系數分別為0.9359和0.8473；王文霞等[29]采用近紅外光譜結合變量優選方法，建立了干制哈密大棗水分含量的預測模型，校正集相關系數和預測集相關系數分別為0.9842和0.9675；高升等[30]采用近紅外技術建立了紅提含水率模型，最優模型的預測集相關系數為0.942。這些報道均采用近紅外技術成功建立了含水率的定量預測模型，實現了含水率的快速檢測。本研究也采用近紅外光譜技術建立椰肉含水率模型，最優建模模型和檢驗模型的相關系數分別為0.9963和0.9960，可見該技術可以應用于椰子肉含水率的實時快速檢測中。

試驗隨機選擇檢驗樣品，以建模集：檢驗集為1∶1進行樣本集劃分，在1000-2000 nm光譜范圍內利用近紅外漫反射光譜技術對椰肉的含水率指標進行檢測，建立了基于近紅外漫反射光譜檢測椰肉含水率的方法和模型。試驗研究了360個椰肉樣品，采用QPLS進行模型建立，對比一階導數、二階導數、散射校正、中心化、極差歸一等方法預處理原始光譜后建模的效果，證明原始光譜所建模型最優，預測模型相關系數達到0.9960，預測標準差為0.8378，能夠滿足椰子肉含水量快速實時在線檢測的需求，也對椰肉蛋白質、脂肪、糖類含量的快速檢測有著重要的借鑒意義。