蘋果有效酸度的近紅外無損檢測研究

孫炳新，匡立學，徐方旭，蘇 陽，趙 靜，馮敘橋，，*

(1.渤海大學食品科學研究院，渤海大學化學化工與食品安全學院，遼寧省食品安全重點實驗室，“食品貯藏加工及質量安全控制工程技術研究中心”遼寧省高校重大科技平臺，遼寧錦州121013;2.沈陽農業大學食品學院，遼寧沈陽110866;3.美國加州大學戴維斯分校環境毒理系，美國加州戴維斯市95616)

水果中含有多種有機酸、無機酸、酸式鹽和酸性有機化合物等，其中有機酸以檸檬酸、蘋果酸、草酸和酒石酸為主，這些酸性物質構成了水果的酸度。水果的酸度與其品質和口感密切相關，酸度不僅影響水果的風味，而且成熟過程中的水果中酸性物質會不斷發生轉化，所以水果在不同時期具有不同的口感，因此酸度也是判斷水果成熟程度的重要指標之一。水果中的有機酸，可使水果具有濃郁的香味，能刺激食欲，促進消化，并有一定的營養價值，在維持人體酸堿平衡方面有顯著的作用。此外，酸度是鑒定水果質量的依據之一，水果中的特定酸，如乙酸等揮發酸的含量能反映出果品是否變質。水果的pH是果品加工過程中防止酶促褐變需要重點控制的指標之一，控制產品的pH還可以控制酶的活性和微生物生長。另外，水果的pH是產生酸味的主要因素之一，通常認為酸味是由舌粘膜受到氫離子刺激而引起的，以此可以推論:凡在溶液中能解離出氫離子的化合物都應具有酸味。而pH反映的正是氫離子的濃度，所以水果的有效酸度(即pH)能反映水果的 酸 味［1］。 紅 富 士 蘋 果 (Malus domestica Borkh.CV.Red Fuji)酥脆多汁、酸甜適口，是生產蘋果汁、蘋果醋的上好原料，市場需求旺盛。為了能使紅富士蘋果有更好的發展前景，開發一種能夠精確檢測出蘋果內外品質的儀器已成必然。近紅外透射光譜技術(Near Infrared Transmittance Spectroscopy，NITS)，是電子技術、光譜技術、計算機技術和化學計量技術的集成。該技術是利用波長為700～1100nm的電磁波來分析樣品的結構和組成等信息，從而實現樣品的無損檢測。因其簡單、高效、無損的特點，已經成為現代無損檢測的代表和主要發展方向，是解決農產品檢測分級的有效途徑［2－7］。在國外，Murakami［8］、Lammertyn［9］、Mcglone［10］和 Peirs［11］先后研究了在不同的波長內，利用近紅外光譜(Near Infrared，NIR)無損檢測方法檢測蘋果的糖度、酸度，并取得了可喜成果，用PLS建立模型相關系數達0.92。在國內，劉燕德等［12］應用NIR漫反射光譜技術，在10341～3818cm－1光譜范圍內建立了酸度的數學模型，樣品預測值和真實值之間的相關系數為0.906。但利用近紅外透射光譜技術對蘋果pH的研究國內外并不多見。

紅富士蘋果儲藏期長，儲藏期間內部品質會發生較大變化，本文利用NITS對較長儲藏期的蘋果pH進行了監測和建模，目的是能夠利用所建立的模型對不同儲藏期的紅富士蘋果pH進行快速無損檢測。

1 材料與方法

1.1 材料與儀器

紅富士蘋果 采自遼寧省大連市金州新區八里村果園。

Purespect型近紅外光譜透射光譜儀 日本雜賀技術研究所;SJ－4A型pH計 南京寶威儀器儀表有限公司。

1.2 實驗方法

1.2.1 樣品處理流程 樣品采收后立即帶回實驗室，放在(0±0.5)℃冷庫中貯藏備用。實驗前從冷庫中取出，放置5h，使蘋果整體溫度與室溫(約20℃)一致，選擇沒有外部缺陷、大小顏色均勻的果實進行編號，然后進行近紅外光譜掃描和pH測定。果實近紅外光譜采集和pH測定進行4次，分別在果實采后的15、75、135、195d進行，每次用30個蘋果樣本，其中25個作為校正集，5個作為預測集。將4次采樣的校正集樣品共100個用于建模，預測集樣品共20個用于模型的驗證。

1.2.2 光譜的采集 本實驗使用的光譜儀器是日本雜賀技術研究所提供的濾光片型Purespect近紅外透射光譜儀，波長掃描范圍643.26～985.11nm，采點間隔為1.29nm，在每個蘋果樣品赤道上等距離的選取四點進行光譜掃描，每點掃描三次，保存的光譜數據為文本文件形式。

1.2.3 pH的測定 蘋果有效酸度測定使用SJ－4A型pH計。這種pH計是用于測量水溶液酸度(即pH)的一種實驗室常規分析測量儀器，具有自動校準、自動計算、自動溫度補償、顯示電極百分斜率等功能。本次實驗的每個樣品果汁重復測定三次，取其平均值作為此樣品的pH。

1.2.4 數據處理方法 將文本文件形式的光譜數據導入Excel表格求出每個樣品12次光譜數據的平均值，每個蘋果樣品對應波長下的吸光度利用下述公式計算:A=lg(I0/It)

其中，A:吸光度;I0:入射光強度;It:透過光強度。

將吸光度值導入軟件Unscrambler 6.1中，分別用3點移動窗口平滑處理、一階微分(17點，Savitzky－Golay)、二階微分(25 點，Savitzky－Golay)和多元散射校正4種方法對光譜進行預處理，選用偏最小二乘法(PLS)對預處理后的光譜數據進行建模，通過對模型相關系數和均方根誤差的比較，選擇最優的預處理方法。PLS現已成為化學計量學中最常用最有效的多變量建模方法，具有較強的抗干擾能力，可全波段參與多元數學模型的建立，優于多元線性回歸(MLR)和主成分回歸(PCR)等方法［13－14］。利用 SPSS數據處理軟件分別對校正集和預測集蘋果樣品的pH實測值進行描述統計分析和方差分析。

2 結果與分析

2.1 樣品實測pH分布情況

所建模型的質量好壞很大程度上取決于樣品標準值的檢測精度和樣品評價參數覆蓋的范圍。本實驗100個建模集樣品和20個驗證集樣品的pH覆蓋了高、中、低水平，基本以平均值為中心呈正態分布，說明樣品具有一定的代表性，并且樣品預測集的pH都在校正集范圍內，二者差異不顯著。在此基礎上建立的模型質量可靠。具體統計結果見圖1和表1。

圖1 蘋果樣品有效酸度頻率分布圖Fig.1 The probability distribution of pH values from calibration and prediction sets for apples samples

表1 蘋果樣本校正集和預測集pH實測值分析Table 1 Analysis on results of pH values from calibration and prediction sets for apple samples

2.2 不同種光譜預處理方法結果比較

儀器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疊，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，為下步校正模型的建立和未知樣品的準確預測打下基礎［15－16］。4種不同預處理下建模和模型預測的結果見表2。

從表2可以看出，采用25點Savitsky－Golay二階微分處理效果好于原始光譜和其他處理方法，其相關系數最高，均方根誤差較低。所以在以后的建模中，選取25點Savitsky－Golay二階微分處理作為光譜的預處理方法。圖2和圖3分別是校正集蘋果樣品預處理前后的光譜圖，對比兩圖可知，預處理后的光譜圖對稱地分布在基線兩側，消除了基線漂移，平緩了背景干擾，比原光譜具有更高的分辨率和更清晰的光譜輪廓變化，這與李東華等人的研究結果一致［17－18］。

圖2 蘋果原始光譜圖Fig.2 Absorption spectrogram of apples

圖3 二階導數處理后的光譜圖Fig.3 Absorption spectrogram of apples calculated with second order derivative processing

2.3 蘋果pH近紅外模型的建立

2.3.1 模型建立光譜區域的選擇 光譜建模范圍的優化選擇是提高建模精度的一種手段。采用全光譜計算時，計算工作量很大，有些光譜區域樣品的光譜信息很弱，與樣品的組成或性質間缺乏相關關系。為了找出最有效的光譜區域，可以將測定的組分或性質數據與樣品的光譜數據關聯，求出相關系數，并得到相關系數與波長的相關圖，通過相關圖，選出較大相關系數的光譜區域［19］。根據上述分段建模思想，本實驗將原始光譜進行二階求導預處理后，將全譜區平均分成4段，并分別就光譜區域和全譜區進行PLS建模，結果如表3。

表3 蘋果分段建模結果Table 3 Calibration results for apples in different segements

由表3可知，利用全波段643.26～954.15nm光譜區建立的pH模型的相關系數為0.925，高于其它4個分段光譜建立的模型。這個建模結果說明雖然在669.06～732.27nm波段光譜的變化較明顯，但這種變化不僅僅是由pH引起的，而可能同時受到內部糖等含量變化的影響。因此樣品的有效酸度是通過全波段光譜反映出來的，所以利用669.06～727.06nm全波段建立的pH模型性能優于分段建模。

2.3.2 蘋果pH近紅外模型的建立 實驗以來自不同儲藏期的100個蘋果作為校正集樣品，利用PLS法建立蘋果pH近紅外無損檢測定標模型，圖4為蘋果pH模型的校正集樣品預測值與實測值相對應的散點圖。

圖4 蘋果pH預測值與實測值相對應的散點圖Fig.4 Scatter plots of predicted and measured values for apple pH

由圖4可知，建立的 pH模型的相關系數為0.925，校正均方根誤差為0.039，說明該模型自身相關性很好，可以用于未知樣品的預測。

2.4 蘋果pH模型預測性能的驗證

校正集具有較高的相關系數和較低的標準偏差對一個可靠的模型是十分必要的，但一個模型的優劣不僅取決于此，還要求有較高的預測能力，預測均方根誤差值也應較低。本實驗對已建立的蘋果pH近紅外模型的預測性能進行了驗證，具體做法是利用模型對20個預測集樣品進行pH的預測，結果見表4和圖5。

表4 預測集樣品預測值與真實值結果Table 4 Results of predictive value and true value of prediction samples

圖5 20個預測樣品殘差分布圖Fig.5 Residual error distribution for 20 prediction samples

由表4可見，建立的蘋果pH模型對20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地波動，殘差之和為0.156。綜上所述，通過對模型校正集相關系數、均方根誤差、殘差分布和殘差四項指標的分析結果表明:建立的蘋果模型性能較穩定，能滿足實際應用的要求。

3 結論

3.1 4種不同光譜預處理方法對蘋果pH模型影響的比較結果表明:選取25點Savitsky－Golay二階微分處理作為光譜的預處理方法所建模型效果最好，校正集和預測集的相關系數都高于其它預處理方法，均方根誤差也相對較低。

3.2 對蘋果pH的近紅外光譜分波段建模的結果表明:利用全波段643.26～954.15nm光譜建立的蘋果pH模型相關系數為0.925，校正均方根誤差為0.039，優于其它分段光譜建立的模型。

3.3 實驗通過對模型的相關系數、均方根誤差、殘差分布和殘差之和等多項指標的分析表明，建立的紅富士蘋果pH模型性能較穩定，能夠滿足不同儲藏期紅富士蘋果品質的測定。

［1］陳永杰.幾種水果有效酸度的測定［J］.濰坊高等職業教育，2010，2(3):65－68.

［2］陳斌，王豪，林松，等.基于相關系數法與遺傳算法的啤酒酒精度近紅外光譜分析［J］.農業工程學報，2005，21(7):99－102.

［3］Krivoshiev GP，Chalucova RP，Moukarev MI.A Possibility for elimination of the interference from the peel in nondestructive determination of the internal quality of fruit and vegetables by VIS/NIR spectroscopy［J］.Postharvest Biology and Technology，2000，33(5):344－353.

［4］Clark CJ，Mcglone AV，Jordan RB.Detection of Brownheart in‘Braeburn’ apple by transmission NIR spectroscopy［J］.Postharvest Biology and Technology，2003，28(1):87－96.

［5］趙杰文，張海東，劉木華.簡化蘋果糖度預測模型的近紅外光譜預處理方法［J］.光學學報，2006，26(1):136－140.

［6］劉燕德，陳興苗，歐陽愛國.可見/近紅外光譜法無損檢測贛南臍橙可溶性固形物［J］.光學學報，2008，28(3):478－48.

［7］劉燕德，孫旭東，章海亮，等.南豐蜜桔可溶性固形物非線性模型研究［J］.華東交通大學學報，2009，26(3):33－36.

［8］Murakami M，Himoto J，Itoh K.Analysis of apple quality by near infrared reflectance spectroscopy［J］.Faculty of Agriculture，Hokkaido University，Sapporo，1994，66(1):51－61.

［9］Lammertyn J，Peirs A，Baerdemaeker JD，et al.Light penetration properties of NIR radiation in fruit with respect to nondestructive quality assessment［J］.Postharvest Biology and Technology，2000，18(2):121－132.

［10］Mcglone VA，Jordan RB，Clark CJ，et al.VIS/NIR estimation at harvest of pre－and post－storage quality indices for‘Royal Gala’apple［J］.Postharvest Biology and Technology，2002，25(2):135－144.

［11］Peirs A，Schenk A，Nicola BM.Effect of natural variability among apples on the accuracy of VIS－NIR calibration models for optimal harvest date prediction［J］.Postharvest Biology and Technology，2005，35(1):1－13.

［12］劉燕德，應義斌，傅霞萍.近紅外漫反射用于檢測蘋果糖度及有效酸度的研究［J］.光譜學與光譜分析，2005，25(11):1793－1796.

［13］趙杰文，張海東，劉木華.利用近紅外漫反射光譜技術進行蘋果糖度無損檢測的研究［J］.農業工程學報，2005，21(3):162－165.

［14］李桂峰，趙國建，王向東，等.蘋果質地品質近紅外光譜無損檢測和指紋分析［J］.農業工程學報，2008，24(6):169－173.

［15］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.

［16］紀淑娟，柏蘭，李東華，等.南果梨糖度近紅外光譜無損檢測模型的建立［J］.食品工業科技，2008，29(4):281－286.

［17］朱登勝，俞冬麗，張冬生.基于光譜技術的蘋果糖度快速無損檢測研究［J］.金華職業技術學院學報，2009，9(6):37－41.

［18］李東華，紀淑娟，重滕和明.果實成熟度對南果梨近紅外無損檢測技術模型的影響［J］.食品科學，2009，30(12):266－269.

［19］陸婉珍，袁洪福，徐廣通.現代近紅外光譜分析技術［M］.北京:中國石化出版社，2000.