近紅外光譜技術(shù)實(shí)現(xiàn)茄芯煙葉7種化學(xué)成分的定量檢測(cè)

關(guān)鍵詞近紅外光譜；茄芯煙葉；化學(xué)成分；預(yù)處理方法；模型；定量檢測(cè)

中圖分類號(hào) TS41⁺1 文獻(xiàn)標(biāo)識(shí)碼A

文章編號(hào) 0517-6611（2025）16-0184-04

doi：10.3969/j.issn.0517-6611.2025.16.040

AbstractObectieToapdlyndquantiativeletectthontetsofsevehmicalompoentsingarfilrtobaolasotalntrogen，potassum，totalsugar，ducingsugartotalalkali，hlorieadmagsium.MethodThepredictionmodelsofsevenhicalo ponentsoffiletbacolaveseretablisdyusingnafedspectroscoytcholoandpartialastsquaesethodintheave lengthof95O-1650mand354samplesofdiferengradesofcigarfilertbaccoleavesinYunanastestmaterialsandthemodelsfeach chemicalompoeterestedbyextealfcatietdResulteprdictiomodlsofvenhcalompotsfflo leaves were established by using the first derivative + median filter，the first derivative，the first derivative + median filter， the original spectrum，thfistti，galsptdsaieereamtspta，pose， and8respeciely，eodelsadtestpredicioet，ndecoelatioofcitsfachdelregeatanO，t mean square error were less than O.30. The results of paired sample T-test showed that the P values were 0.304，0.892，0.392，0.962，0.761， 0.419andO.448espeivelylloftweregreatetnOO，herwasigiicantdierene.onusioneusfnafr spectroscopytechologcanralzeteapidquantitativedetectionofsvenchemicalcompoentsoffilrtobaccolaves，whichgeatlyiproves the detection eficiencyand provides technical supportforthequalityevaluationoffilertobacco leaves inthe future.

KeyWordsNearinfraredspectroscopy；Fillerleaves；Chemicalcomponent；Pretreatmentmethod;Model;Quantitativedetection

雪茄煙是一種特殊的煙草制品，由雪茄煙葉直接卷制而成[1-2]，按用途可分為3類;茄衣、茄套和茄芯[3]，其中茄芯煙葉占整支雪茄總量的 75% 左右[4]，所以保證茄芯煙葉的質(zhì)量就顯得尤為重要。茄芯煙葉的質(zhì)量通常受內(nèi)在化學(xué)成分組成和含量的影響[5]，主要包含的常規(guī)化學(xué)成分有總氮、鉀、總糖、還原糖、總堿、氯和鎂等[6]，所以檢測(cè)茄芯煙葉內(nèi)這7種化學(xué)成分就可對(duì)煙葉質(zhì)量進(jìn)行評(píng)價(jià)，從而提升雪茄煙品質(zhì)。目前，主要是通過(guò)常規(guī)化學(xué)法或高效液相色譜法等傳統(tǒng)方法對(duì)煙葉化學(xué)成分進(jìn)行檢測(cè)[7-8]，此類方法雖然準(zhǔn)確率較高，但工作繁瑣，成本較高，不適合對(duì)大量茄芯煙葉進(jìn)行檢測(cè)，且需破壞煙葉，對(duì)茄芯煙葉價(jià)值也有所影響。

近紅外光譜技術(shù)最近幾年比較熱門，具有速度快、簡(jiǎn)單、非破壞性、成本低和無(wú)污染等特點(diǎn)，已經(jīng)被廣泛應(yīng)用于煙草行業(yè)[9-10]。潘威等[11]利用主成分回歸法建立了煙草種子淀粉含量的近紅外光譜定量分析模型，分析發(fā)現(xiàn)所建模型的決定系數(shù)可達(dá) 99.80% ，校正標(biāo)準(zhǔn)差和預(yù)測(cè)標(biāo)準(zhǔn)差分別低至0.1493和0.1838，誤差較小，試驗(yàn)結(jié)果可靠。于潔等[1基于傅里葉變換近紅外漫反射光譜技術(shù)，采用偏最小二乘（PLS）法建立了青煙葉及烤煙葉內(nèi)4種生物堿的預(yù)測(cè)模型，發(fā)現(xiàn)各化學(xué)指標(biāo)的預(yù)測(cè)均方差（SEP）與校正均方差（SEC）的比值均為0.8～1.2，驗(yàn)證集樣本標(biāo)準(zhǔn)偏差（SD）與SEP的比值均大于2.0，校正集與驗(yàn)證集的相關(guān)系數(shù) r 約為0.9，表明所建模型性能較好。但是，目前尚未見利用近紅外光譜技術(shù)構(gòu)建模型對(duì)茄芯煙葉內(nèi)7種化學(xué)成分含量進(jìn)行快速定量檢測(cè)的研究。因此，筆者以云南茄芯煙葉為研究對(duì)象，采用近紅外光譜技術(shù)結(jié)合偏最小二乘法與煙葉化學(xué)實(shí)測(cè)值關(guān)聯(lián)，分別建立茄芯煙葉7種化學(xué)成分的定量檢測(cè)模型，實(shí)現(xiàn)了茄芯煙葉7種化學(xué)成分含量的快速檢測(cè)，以期為茄芯煙葉質(zhì)量評(píng)價(jià)提供技術(shù)支撐。

1材料與方法

1.1試驗(yàn)材料選用2022年在云南省煙草農(nóng)業(yè)科學(xué)研究院中收集的354片發(fā)酵后的茄芯煙葉，產(chǎn)區(qū)為玉溪，品種為云雪1號(hào)，種植年份為2021年。樣品情況如表1所示。

表1雪茄茄芯煙葉樣本情況Table1 The samples of cigar filler tobacco leaves

1.2試驗(yàn)儀器煙葉綜合測(cè)試臺(tái)GGTM-900PPro自帶的近紅外光譜儀及其配套的光譜采集軟件InProcess、Hand和SPS，上海創(chuàng)和億電子科技發(fā)展有限公司。

1.3 方法

1.3.1茄芯煙葉化學(xué)值的測(cè)定。以6片茄芯煙葉為一組打成粉末混合均勻，分成7份后采用王玉華等[7-8]研究方法分別測(cè)定7種化學(xué)成分的含量，作為整片煙葉中7種化學(xué)成分的含量。每個(gè)樣品的化學(xué)成分測(cè)定均重復(fù)3次，取平均值。1.3.2采集煙葉近紅外原始光譜和進(jìn)行光譜預(yù)處理。打開煙葉綜合測(cè)試臺(tái)GGTM-900PPro和近紅外光譜儀預(yù)熱15min 后，使用luanch軟件設(shè)置光譜掃描參數(shù)：波長(zhǎng)范圍為950～1650nm ，分辨率為 2nm 。為保證茄芯煙葉完整性，將整片茄芯煙葉置于煙葉綜合測(cè)試臺(tái)GGTM-900PPro上，使用近紅外光譜儀進(jìn)行光譜掃描，采集光譜數(shù)據(jù)。每6片煙葉掃描完畢得到6條光譜后取其平均光譜，作為這6片煙葉的共同光譜。為了提高光譜數(shù)據(jù)的信噪比，減少無(wú)用信息，需對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，該研究采用2種常用的預(yù)處理方法，分別為一階導(dǎo)數(shù)和一階導(dǎo)數(shù) + 中值濾波。

1.3.3模型的建立與檢驗(yàn)。將36條光譜作為訓(xùn)練集光譜，23條光譜作為驗(yàn)證集光譜。訓(xùn)練集光譜和7種化學(xué)成分進(jìn)行關(guān)聯(lián)，使用偏最小二乘法（partialleastsquares，PLS）創(chuàng)建近紅外光譜預(yù)測(cè)模型。將訓(xùn)練集和驗(yàn)證集光譜數(shù)據(jù)分別代入模型，對(duì)模型性能進(jìn)行評(píng)估，分別得到7種化學(xué)成分預(yù)測(cè)性能最佳的模型。最后，對(duì)模型的實(shí)際預(yù)測(cè)能力進(jìn)行檢驗(yàn)，即隨機(jī)選取23份未參與建模的樣本，將其近紅外光譜數(shù)據(jù)代人模型進(jìn)行預(yù)測(cè)，并對(duì)預(yù)測(cè)值和化學(xué)值進(jìn)行配對(duì)樣本T檢驗(yàn)。

1.3.4數(shù)據(jù)處理。利用MatlabR2015b軟件進(jìn)行光譜預(yù)處理、建模和作圖，利用SPSS25.0軟件進(jìn)行基本統(tǒng)計(jì)分析和配對(duì)樣本T檢驗(yàn)。

2 結(jié)果與分析

2.1化學(xué)測(cè)定值從表2可以看出，7種化學(xué)成分含量的平均值均在 0.16%～3.97% ，含量范圍為 0.10%～6.99% ，表明茄芯煙葉樣本7種化學(xué)成分含量范圍較大，分布較為集中，且煙葉涉及茄芯煙葉各個(gè)等級(jí)，數(shù)量較多，樣本代表性強(qiáng)，適合用來(lái)建立近紅外光譜模型

表2茄芯煙葉7種化學(xué)成分的統(tǒng)計(jì)結(jié)果

Table2Statistical results of sevenchemical componentsof filler tobacco leaves

2.2茄芯煙葉近紅外光譜分析試驗(yàn)共得到59條原始光譜，分別使用一階導(dǎo)數(shù)和一階導(dǎo)數(shù) + 中值濾波2種方法對(duì)原始光譜進(jìn)行預(yù)處理，結(jié)果如圖1所示。在波長(zhǎng) 950～1650nm 內(nèi)，光譜出現(xiàn)了吸收峰，說(shuō)明茄芯煙葉化學(xué)成分主要在此區(qū)間內(nèi)產(chǎn)生吸收峰，而光譜走向趨勢(shì)基本一致，但同一波長(zhǎng)下光譜吸光度又有所差異，表明茄芯煙葉化學(xué)成分組成基本相同但含量不同。說(shuō)明利用近紅外光譜技術(shù)建立定量檢測(cè)茄芯煙葉內(nèi)7種化學(xué)成分的模型是可行的。

注：a.原始光譜;b.一階導(dǎo)數(shù)預(yù)處理后光譜;c.一階導(dǎo)數(shù) + 中值濾波預(yù)處理后光譜。

圖1茄芯煙葉原始光譜和預(yù)處理后光譜

Note：a.Original spectrum;b. Spectrum after first derivative pretreatment;c. Spectrum after first derivative + median filter pretreatment.

Fig.1Original spectra and pretreatment spectra of filler tobacco leaves

2.3模型的建立與檢驗(yàn)選擇訓(xùn)練集的36條光譜與茄芯煙葉7種化學(xué)成分含量數(shù)據(jù)關(guān)聯(lián)，在matlab軟件中利用PLS分別建立了7種化學(xué)成分的近紅外光譜預(yù)測(cè)模型。通過(guò)36個(gè)訓(xùn)練集樣本和23個(gè)驗(yàn)證集樣本對(duì)模型的預(yù)測(cè)準(zhǔn)確性進(jìn)行評(píng)價(jià)，從而確定出模型的最佳預(yù)處理方法和最佳主成分?jǐn)?shù)。由表3可知，當(dāng)預(yù)處理方法分別為一階導(dǎo)數(shù) + 中值濾波、一階導(dǎo)數(shù)、一階導(dǎo)數(shù) + 中值濾波、原始光譜、一階導(dǎo)數(shù)、原始光譜和一階導(dǎo)數(shù)，且主成分?jǐn)?shù)分別為6、6、12、30、11、13和8時(shí)，7個(gè)模型預(yù)測(cè)性能最佳。此時(shí)，各模型的相關(guān)系數(shù)皆大于0.64，均方根誤差皆小于0.30，模型的準(zhǔn)確度和精確度都較高。圖2是7種化學(xué)成分模型預(yù)測(cè)值與化學(xué)值的散點(diǎn)圖，線性擬合后，各散點(diǎn)大多分布在直線附近，表明模型的可信度和準(zhǔn)確度都較高，可用于定量檢測(cè)茄芯煙葉內(nèi)7種化學(xué)成分的含量。

為了檢驗(yàn)上述模型的實(shí)際預(yù)測(cè)能力，隨機(jī)選取了23個(gè)未參與建模的樣品，采集其光譜數(shù)據(jù)代入近紅外模型分別得到7種化學(xué)成分的預(yù)測(cè)值，并測(cè)定其化學(xué)值，利用SPSS分析軟件對(duì)7種化學(xué)成分含量的預(yù)測(cè)值和化學(xué)值進(jìn)行了配對(duì)樣本T檢驗(yàn)，結(jié)果顯示，7種化學(xué)成分的 P 值分別為0.304、0.892、0.392、0.962、0.761、0.419和0.448，都大于0.05，說(shuō)明預(yù)測(cè)值和化學(xué)值之間沒有顯著差異（表4）。以上結(jié)果表明，7種化學(xué)成分的最優(yōu)模型預(yù)測(cè)效果都較好，所建立的近紅外光譜模型預(yù)測(cè)準(zhǔn)確性高，能夠?qū)崿F(xiàn)對(duì)茄芯煙葉7種化學(xué)成分的快速定量檢測(cè)，基本符合試驗(yàn)要求。

表3茄芯煙葉7種化學(xué)成分預(yù)測(cè)模型的評(píng)價(jià)結(jié)果

Table3Evaluation results of prediction models of seven chemical components in filer tobacco leaves

3討論

該研究利用近紅外光譜技術(shù)并結(jié)合偏最小二乘法與茄芯煙葉內(nèi)7種化學(xué)成分含量數(shù)據(jù)關(guān)聯(lián)，分別建立茄芯煙葉內(nèi)7種化學(xué)成分的定量檢測(cè)模型，實(shí)現(xiàn)了快速檢測(cè)7種化學(xué)成分的含量，與傳統(tǒng)方法相比提高了檢測(cè)效率。在對(duì)茄芯煙葉進(jìn)行化學(xué)值測(cè)定時(shí)，煙葉7種化學(xué)成分的含量范圍較大，分布較為集中，這可能是因?yàn)闃颖据^為特殊，化學(xué)值測(cè)定偏低，這與包錚等[13]研究結(jié)果一致。該研究中，可能是由于茄芯煙葉化學(xué)成分組成一致但含量有所差異的原因，光譜圖出現(xiàn)了走向趨勢(shì)一致但吸光度不同的現(xiàn)象，這與王秋云等[14研究結(jié)果一致。光譜經(jīng)預(yù)處理后，部分模型的性能有一定的提升，說(shuō)明在建模之前對(duì)光譜進(jìn)行預(yù)處理具有必要性，這與王彥群等[15研究結(jié)果一致。但是，也會(huì)出現(xiàn)利用原始光譜建立的模型的預(yù)測(cè)性能優(yōu)于利用預(yù)處理后光譜建立的模型的現(xiàn)象，這可能是所取波數(shù)的原始光譜吸光度區(qū)分較大，也可能是由于樣品的含量太低，還可能是進(jìn)行預(yù)處理后，在增加信息量的同時(shí)也增加了噪音的干擾，從而降低了預(yù)測(cè)值和化學(xué)值的相關(guān)性，這與鐘紅等[16-17]研究結(jié)果一致。各模型相關(guān)系數(shù)皆大于0.64，均方根誤差皆小于0.30，與王秋玲[18]研究相比有更高的精確度，可以用于快速定量檢測(cè)茄芯煙葉內(nèi)7種化學(xué)成分的含量。利用SPSS分析軟件對(duì)7種化學(xué)成分含量的預(yù)測(cè)值和化學(xué)值進(jìn)行配對(duì)樣本T檢驗(yàn)，結(jié)果發(fā)現(xiàn)7種化學(xué)成分的 P 值均大于0.05，預(yù)測(cè)值和化學(xué)值之間沒有顯著差異，說(shuō)明利用該研究建立的模型可以實(shí)現(xiàn)定量檢測(cè)茄芯煙葉內(nèi)7種化學(xué)成分。

圖2茄芯煙葉7種化學(xué)成分模型預(yù)測(cè)值與化學(xué)值的散點(diǎn)圖

注：a.總氮;b.鉀;c.總糖;d.還原糖；e.總堿；f.氯;g.鎂。

Note：a.Total nitrogen;b.Potasium;c.Total sugar;d.Reducing sugar;e.Total alkali；f.Chlorine；g.Magnesium.

Fig.2Scaterplots of model predicted values and chemical values of seven chemical components in filer tobacco leaves

表4茄芯煙葉7種化學(xué)成分近紅外預(yù)測(cè)值與化學(xué)值的T檢驗(yàn)結(jié)果

4結(jié)論

當(dāng)7種化學(xué)成分定量檢測(cè)模型使用的預(yù)處理算法分別為一階導(dǎo)數(shù) + 中值濾波、一階導(dǎo)數(shù)、一階導(dǎo)數(shù) + 中值濾波、原始光譜、一階導(dǎo)數(shù)、原始光譜和一階導(dǎo)數(shù)，且主成分?jǐn)?shù)分別為6、6、12、30、11、13和8時(shí)，7個(gè)模型預(yù)測(cè)性能最佳。各模型的相關(guān)系數(shù)皆大于0.64，均方根誤差皆小于0.30，模型的預(yù)測(cè)性能和準(zhǔn)確度均較高。T檢驗(yàn)結(jié)果顯示，7種化學(xué)成分的 P 值均大于0.05，預(yù)測(cè)值和化學(xué)值之間沒有顯著差異。該研究建立的模型能夠?qū)崿F(xiàn)快速定量檢測(cè)茄芯煙葉內(nèi)7種化學(xué)成分的含量，大大提高了檢測(cè)效率，為茄芯煙葉質(zhì)量評(píng)價(jià)提供了技術(shù)支撐。

參考文獻(xiàn)

[1]黃闊，李棟，王彬，等.雪茄煙葉工業(yè)發(fā)酵過(guò)程中細(xì)菌群落多樣性和結(jié)構(gòu)變化[J].煙草科技，2023，56（5）：17-24.

[2]楊月先，李宗平，付慶靈，等.采收和晾制方式對(duì)雪茄煙中上部煙葉品質(zhì)的影響[J].煙草科技，2022，55（8）：28-34.

[3]張慧，金靜靜，徐國(guó)云，等.雪茄煙葉（BESNOH382）不同組織器官及鹽脅迫條件下內(nèi)參基因的篩選[J].煙草科技，2022，55（5）：17-24.

[4]陳音，孫賢，鄭召君，等.加料發(fā)酵對(duì)茄芯煙葉化學(xué)成分及表面細(xì)菌多樣性的影響[J].中國(guó)煙草學(xué)報(bào)，2023，29（1）：106-115.

[5]徐秀娟，魯平，史清照，等.雪茄煙葉精油主要成分分析及作用評(píng)價(jià)[J].煙草科技，2021，54（11）：59-68，83.

[6]朱貝貝，何聲寶，安泓汐，等.國(guó)內(nèi)外幾種知名品牌雪茄化學(xué)及風(fēng)格特征比較[J].中國(guó)煙草學(xué)報(bào)，2023，29（3）：115-124.

[7]王玉華，杜傳印，王先偉，等.箱式烘烤對(duì)烤后煙葉品質(zhì)的影響[J].安徽農(nóng)業(yè)科學(xué)，2024，52（1）：172-177.

[8]朱貝貝，何聲寶，安泓溝，等.不同用途雪茄煙葉化學(xué)成分分析及其對(duì)感官質(zhì)量的影響[J].安徽農(nóng)業(yè)科學(xué)，2023，51（23）：181-184.

[9]賓俊，周冀衡，范偉，等.基于NIR技術(shù)和ELM的烤煙煙葉自動(dòng)分級(jí)[J].中國(guó)煙草學(xué)報(bào)，2017，23（2）：60-68.

[10]張靜楠，鄭彬，施建在.基于近紅外光譜技術(shù)實(shí)現(xiàn)造紙法再造煙葉原料常規(guī)化學(xué)成分的快速測(cè)定[J].黑龍江造紙，2018，46（4）：15-22.

[11］潘威，馬文廣，關(guān)勻曄，等.用近紅外光譜無(wú)損測(cè)定煙草種子淀粉含量[J].煙草科技，2017，50（2）：15-21.

[12]于潔，熊駿威，沙云菲，等.近紅外光譜法快速定量檢測(cè)青煙葉及烤煙葉中的生物堿[J].濟(jì)南大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，33（2）：150-155.

[13]包錚，李悅，楊婧，等.近紅外光譜技術(shù)對(duì)厭氧發(fā)酵中可溶性糖的快速定量分析[J].化學(xué)研究與應(yīng)用，2023，35（2）：260-266.

[14]王秋云，朱建猛，胡勝祥，等.近紅外在醬香白酒酒醅檢測(cè)中的應(yīng)用[J].釀酒科技，2019（10）：91-93.

[15]王彥群，賈浩坤，范振岐.庫(kù)爾勒香梨含糖量的近紅外光譜檢測(cè)模型研究[J].現(xiàn)代計(jì)算機(jī)，2022，28（18）：47-51.

[16]鐘紅，駱勇，石志強(qiáng)，等.便攜式近紅外光譜儀的僵蠶快速檢驗(yàn)應(yīng)用研究[J].安徽醫(yī)藥，2022，26（12）：2399-2402.

[17]趙林松，江美芳，王丹丹，等.銀杏酮酯洗脫工段近紅外光譜通用模型的建立[J].中成藥，2022，44（7）：2093-2098.

[18]王秋玲.HPLC法同時(shí)測(cè)定少林正骨精中5種成分的含量及近紅外定量模型的建立[J].亞太傳統(tǒng)醫(yī)藥，2023，19（11）：35-41.