基于Vis/NIR光譜技術的釀酒葡萄成熟期間SSC預測研究

張 旭，張天罡，穆維松，傅澤田，3，張小栓，3*

1. 中國農業大學信息與電氣工程學院，北京 100083 2. 中國農業大學工學院，北京 100083 3. 中國農業大學食品質量與安全北京實驗室，北京 100083

引 言

以優質的釀酒葡萄為原料才能釀造優質葡萄酒。釀酒葡萄的成熟度影響著葡萄的質量，同時成熟度的判別對葡萄園安排采摘和葡萄酒廠安排生產非常重要[1]?？扇苄怨绦挝锖?soluble solids content，SSC)是測定葡萄成熟度的關鍵參數[2]，決定著葡萄酒釀造的種類及工藝。通常釀酒葡萄采摘前SSC的檢測過程是在葡萄園中均勻選取植株，并從每穗葡萄上摘取1～3粒葡萄果實，破碎、取汁后采用折光儀測定SSC。檢測過程耗時費力，需要消耗一定葡萄原料，同時存在取樣面積大、葡萄品種多樣等難點。

可見/近紅外(Vis/NIR)光譜技術具有檢測快速、高效等特點，是近年來快速發展的新興無損檢測技術，越來越多地應用于農產品品質檢測和評價領域。通過全光譜或特征波長進行定量或定性分析，對被測對象的成熟度[3]、新鮮度[4-6]、霉變度、感官特性[7]等品質指標以及顏色[8]、淀粉、SSC[9-10]等理化指標進行檢測。

本研究將針對葡萄園釀酒葡萄成熟度檢測中存在的問題，結合Vis/NIR光譜檢測技術及化學計量學方法，在葡萄大田中獲取5個品種釀酒葡萄及其葉片的光譜數據，討論不同光譜預處理算法建模效果，確立釀酒葡萄SSC的最優預測模型并進行驗證，為采用Vis/NIR技術預測釀酒葡萄成熟度判別提供理論依據。

1 實驗部分

1.1 材料與儀器

實驗樣本5個品種為赤霞珠、品麗珠、梅樂、霞多麗、小芒森，樣品均取自山東省煙臺市君頂葡萄酒酒莊。

光譜數據由Vis/NIR光譜儀USB2000+(美國Ocean Optics公司)測得。SSC由手持式糖度儀PAL-1(日本Atago公司)測得。

1.2 光譜數據獲取

葡萄樣品均來自君頂葡萄酒酒莊，于2016年和2017年先后在4個不同成熟階段分別對5種釀酒葡萄進行光譜數據采集，根據葡萄園大小和葡萄藤生長狀況均勻選取12個采樣位點，如圖1所示。

圖1 釀酒葡萄樣本采集位點Fig.1 Sampling sites of wine grape

采集光譜數據前先使用漫反射標準白板進行校正，再采集暗電流。校正操作完成后，設定儀器參數為： 波長范圍350～1 050 nm，積分時間10 ms，掃描次數32。隨后進行樣本采集，首先選取采集位點生長狀況良好的葡萄藤及葡萄果實采摘漿果樣本。之后沿葡萄藤向上尋找生長良好的冠層枝葉采摘葉片樣本。運送至實驗室后進行光譜數據采集。采樣設備為ISP-REF型反射用積分球，內置鹵鎢燈光源，采樣孔直徑為10.32 mm。

1.3 光譜處理與數據分析

利用主成分分析法(principle component analysis，PCA)消除異常樣本，以提高釀酒葡萄可見/近紅外光譜SSC預測模型的精確性和可靠性。

樣品光譜數據往往受到隨機噪聲、基線漂移、樣品均勻性等因素影響，需要預處理光譜來消除這些干擾。一階導數(first derivative，FD)可以降低低頻噪音、放大高頻噪聲； Savitzky-Golay卷積平滑(S-G)可有效消除基線漂移； 多元散射校正(multiple scattering correction，MSC)和標準正態變換(standard normal variate，SNV)可消除樣品均勻性對漫反射光的影響。采用它們組合的4種不同方法對樣本進行光譜預處理，以找到最佳預處理方法。

應用偏最小二乘(partial least squared，PLS)方法建立校正模型。模型性能評估指標為相關系數R、校正集均方根誤差RMSEC、驗證集均方根誤差RMSEV，其計算公式如式(1)—式(4)所示

(1)

(2)

(3)

(4)

將釀酒葡萄校正集樣本在400～1 000 nm區間的Vis/NIR光譜數據導出，應用OMNIC 8.0軟件(美國Thermo Nicolet公司)進行光譜提取。光譜在400～450 nm處噪音明顯，若用此波段建模將降低模型的精度。因此選取450～1 000 nm波段的數據，使用TQ Analyst 8.0(美國Thermo Nicolet公司)光譜處理軟件預處理光譜數據及建立校正模型。

2 結果與討論

2.1 釀酒葡萄Vis/NIR光譜圖

以赤霞珠葡萄果實為例，釀酒葡萄的Vis/NIR吸收率原始光譜如圖2所示，各樣本不同成熟階段的光譜變化趨勢基本一致，呈現的吸收特征變化反映了葡萄內部不同組分信息含量的差異。光譜在小于450 nm和大于1 000 nm存在較多噪聲。小于780 nm的吸收主要是樣品在可見光區的電子躍遷，主要表征果皮顏色特征，超過780 nm屬于近紅外短波波段。在波長680和980 nm附近均有明顯吸收峰。由于赤霞珠果實的果皮呈紫黑色，對所有顏色均有吸收，因此可見光區無明顯波谷。在680 nm附近的吸收峰可能是由果實中的葉綠素分子吸收引起的。960～1 000 nm間的吸收峰歸屬于分子振動的三級倍頻吸收帶，主要是由水分振動引起的。

圖2 葡萄漿果樣本吸收率光譜圖Fig.2 The absorbance spectra of grape berries

圖3為霞多麗葉片原始光譜吸收率圖，可以看出，不同生長時期的葉片樣本的光譜吸收率變化趨勢基本相同。在葉片光譜可見光波段，在450 nm附近出現藍光波段吸收峰。在520～570 nm形成明顯的吸收谷，由于葉綠素在綠光波段的強反射所致。在650 nm處為紅光波段吸收峰。吸收率在670～720 nm波段快速下降，表現出綠色植物的紅邊特征。在980 nm附近出現水的弱吸收峰。

圖3 霞多麗冠層葉片樣本吸收率光譜圖Fig.3 The absorbance spectra of canopy leaves of grape

2.2 異常光譜數據剔除

采用PCA方法檢測異常樣本，對光譜的全部波段提取主成分，原始光譜信息被主成分替代，若某光譜樣本得分因子與其他光譜差異大時，則認定該光譜樣本為異常樣本，予以剔除。如圖4所示為霞多麗樣本的第一、第二主成分的得分因子分布圖，圖中有4個樣本差異較大位于置信區間以外，判定為異常樣本，據此準則依次剔除5種釀酒葡萄漿果及其葉片的異常光譜數據。

圖4 霞多麗漿果樣本主成分得分圖Fig.4 PCA score plot of Chardonnay grape

2.3 樣本集劃分

剔除光譜數據異常值后，SSC數據集按校正集∶驗證集=3∶1的比例隨機劃分，然后進行建模分析。用于漿果光譜特征建模和冠層葉片光譜特征建模的釀酒葡萄SSC含量統計結果見表1。

表1 樣品集SSC統計Table 1 Statistics results of SSC of sample sets

2.4 基于釀酒葡萄漿果光譜特征的SSC預測模型建立

分別采用S-G平滑、S-G平滑+FD、S-G平滑+FD+SNV、S-G平滑+FD+MSC等4種組合預處理光譜數據，并利用PLS進行建模分析。表2是5種釀酒葡萄漿果的光譜信息通過不同預處理后的PLS建模結果對比，可以看出，FD的處理方法可以顯著提高模型R值，降低均方根誤差，求導后再使用SNV或MSC的方法可以進一步提高模型R值，其中赤霞珠樣本光譜使用SNV處理時模型性能最佳，其余4種使用MSC時最佳，5種釀酒葡萄驗證集RV均達到0.86以上，模型預測能力較強。

分別選取光譜數據最優預處理方法，并建立基于釀酒葡萄漿果光譜的SSC預測模型，圖5至圖9分別為霞多麗、小芒森、梅洛、赤霞珠、品麗珠的預測模型散點圖，SSC預測模型相關系數R分別達到了0.93，0.95，0.96，0.97和0.96，相關性很高，RMSEC均不超過0.30，散點圖離散程度低。利用驗證集樣本評價SSC預測模型，5種釀酒葡萄驗證集R依次達到0.86，0.86，0.88，0.88和0.86，相關性較好，且RMSEV最高為0.48，預測值與真實值離散程度較低，模型效果優良。對比文獻，陳辰等[2]研究中的模型性能同樣優良，但結果表現出差異性可能是由于品種以及建模方法的不同。

表2 四種預處理方式的PLS預測模型比較Table 2 Comparison of PLS prediction models withfour different pretreatment methods

圖5 霞多麗葡萄漿果SSC模型校正與驗證結果

2.5 基于釀酒葡萄葉片光譜特征的可溶性固型物(SSC)預測模型建立

表3是5種釀酒葡萄冠層葉片的樣本光譜經過不同預處理后的PLS建模結果對比，從表3中可以看出，FD的處理方法可以降低均方根誤差，但對R的改善效果小于基于葡萄漿果光譜數據所建立的預測模型，原因可能是冠層葉片攜帶與SSC有關的信息有限，近紅外波段漫反射信息采集較少，更多的采集到了可見光部分光譜信息，而可見光波段數據較為穩定，噪聲較少。求導后再使用SNV或MSC的方法可以進一步提高模型相關性，5種葡萄葉片的預測模型均使用MSC處理效果最佳，驗證集RV均不低于0.65，模型具有一定預測能力。

圖6 小芒森葡萄漿果SSC模型校正與驗證結果

圖7 梅洛葡萄漿果SSC模型校正與驗證結果

圖8 赤霞珠葡萄漿果SSC模型校正與驗證結果

圖9 品麗珠葡萄漿果SSC模型校正與驗證結果

表3 四種預處理方式的PLS預測模型比較Table 3 Comparison of PLS prediction models withfour different pretreatment methods

基于冠層葉片光譜數據采用最優預處理方法，分別建立了SSC的PLS預測模型，圖10至14分別為霞多麗、小芒森、梅洛、赤霞珠、品麗珠葉片的預測模型散點圖，SSC預測模型R分別達到了0.76，0.80，0.78，0.73和0.78，相關性較高，RMSEC均低于0.95，預測值與真實值之間離散程度小。利用驗證集樣本對基于冠層葉片的SSC預測模型進行模型評價，5種冠層葉片驗證集RV依次達到0.67，0.66，0.66，0.69和0.65，具有一定相關性，RMSEV均在0.75以下，散點圖效果相對離散，模型效果較好。

圖10 霞多麗葡萄葉片SSC模型校正與驗證結果

圖11 小芒森葡萄葉片SSC模型校正與驗證結果

圖12 梅洛葡萄葉片SSC模型校正與驗證結果

2.6 外部試驗驗證

隨機采集5種釀酒葡萄的漿果樣本各20個，采集方法與預測建模實驗數據采集方法相同，利用所建立的基于釀酒葡萄漿果光譜特征的SSC預測模型對外部未知樣本進行SSC含量預測，驗證結果見表4。從結果中可以看出，葡萄漿果外部試驗樣本的SSC預測值與真實值之間RE較小，驗證樣本RE均表現良好，品麗珠品種的平均RE最高，達到0.43%，小芒森和赤霞珠樣本的預測結果表現優秀，RE接近于0。

圖13 赤霞珠葡萄葉片SSC模型校正與驗證結果

圖14 品麗珠葡萄葉片SSC模型校正與驗證結果

表4 釀酒葡萄漿果葉片樣本的外部驗證結果Table 4 External validation results of samplesof berry and canopy leaves

3 結 論

采集了5種釀酒葡萄漿果及冠層葉片的Vis/NIR光譜數據，利用PLS方法建立釀酒葡萄的SSC預測模型，主要結論如下：

(1)將釀酒葡萄光譜信息經過PCA方法剔除異常數據后，對比四種光譜預處理方法的建模效果。結果表明大多數預測模型采用S-G平滑+FD+MSC的預處理方法時效果最好。

(2)選取最優光譜數據預處理方法，分別建立了各品種基于釀酒葡萄漿果和冠層葉片光譜特征的SSC預測模型。5種釀酒葡萄漿果的RV最低為0.86，且RMSEV均不超過0.48。5種釀酒葡萄冠層葉片的RV最高為0.69，RMSEV均在0.75以下，模型性能均低于各品種漿果所建立模型的性能。

(3)利用外部試驗樣品對模型總體預測能力進行評價。5種葡萄漿果試驗樣本預測值與真實值間的平均RE在-0.44%～0.43%之間?；卺劸破咸褲{果光譜的SSC預測模型具備良好的預測能力，SSC預測模型能夠為釀酒葡萄成熟度評價提供理論參考。