奥谱天成(厦门)科技有限公司
Optosky Technology Co., Ltd.
服务热线:
0592-6102588

苹果中糖酸度的CCD近红外光谱分析

发表时间:2016-06-06 16:27作者:董一威, 籍保平, 史波林, 朱大洲, 屠振华, 汪群杰来源:万方数据网址:http://www.wanfangdata.com.cn/

  随着人们生活水平的提高, 水果内部品质的好坏越来越受到关注。 近红外光谱技术川具有快速、 简便、 无样品预处理、 无损伤等特点, 被应用到很多领域, 尤其在水果的无损检测方面显现出巨大优势。 1986 年, 日本三井采矿和熔炼有限公司开始进行桃中可溶性固形物(soluble solids)含量的近红外检测研究, 并于1989年研制出了实用的近红外水果内部品质检测仪, 主要用于桃中可溶性固形物含量的检测。 此后, 水果内部品质的近红外无损检测技术受到极大的关注。 在苹果的近红外内部品质检测研究方面, 自1992 年三井公司推出第一台苹果可溶性固形物含量检测仪后[m, Lamm ertynt ", Peirs1 41,Lu1 -1以及M cGlone等人先后在不同的波长范围内对苹果中可溶性固形物含量、 糖度、 酸度、 坚实度和成熟度等
进行了广泛的研究。
  在国内, 对苹果内部品质的近红外检测研究开展较晚。 金同铭等,利用近红外光谱技术在680^ 1235nm 区域内对苹果中的蔗糖、 葡萄糖、 果糖及苹果酸的检测进行了研究; 严衍录等人用可见一近红外光透射分析技术测量苹果的水心病、 糖度和硬度; 刘燕德等在800- 2500nm 波长范围内检测了苹果的糖度, 并分析了测量距离对检测精度的影响。 但上述研究应用的光栅扫描型光谱仪检测速度较慢, 难以实现在线检测, 且傅立叶近红外光谱仪对振动、 温度和湿度比较敏感, 不适合做野外现场分析。

 近些年来,CCD 等多通道检测器近红外光谱仪得到了快速发展, 中国石油科学院陆婉珍、 袁洪福等人己
经研制出基于CCD 近红外光谱仪的样机并形成自己的专利技术, 此装置采用透射光谱, 能够实现石油成分的在线检测。但至今国内还没有自行研制出基于CCD近红外光谱仪、采用漫反射光纤探头进行样品光谱采集的苹果内部品质无损检测系统。 而CCD近红外光谱仪结构紧凑、 光路固定、 检测速度快的特点能够满足在苹果分级设备中对苹果内部品质进行快速检测和分级的要求。 因此本研究利用实验室自行搭建的CCD近红外光谱检测系统对苹果的内部品质参数包括糖度、酸度进行检测,为以后开发在线检测系统做准备。

1 材料与方法
1.1 材料

  实验采用市场上购买的红富士苹果, 样本数量为120 个, 为使样本更具代表性, 挑选大小和外观颜色均有较大差别的样本。 将 120 个实验样品随机分为校正集、预测集, 两组样品数分别为80和40 。由于整个光谱采集实验过程较长, 所以将苹果放入4℃冰柜中贮藏, 分批对苹果进行光谱采集, 实验前从冰柜中取出苹果置于实验室中12h 以保证苹果整体温度达到与环境温度(约26 C)一致。

1.2 仪器装置
  实验采用自行搭建的基于C CD 近红外光谱仪的苹果内部品质检测系统, 该系统主要由光栅摄谱仪、 卤钨灯及其电源、 漫反射光纤探头、 输出附件和固定支架等组成(如图1)。 工作时, 由卤钨灯发出的近红外光通过入射光纤透入苹果内部, 经内部组织漫反射后携带相应的组织结构信息返出苹果表皮, 再通过接收光纤进入摄谱仪的分光系统, 经过一系列光学变换最后聚焦于CCD检测器。CCD 芯片的不同像元对应着相应的波长,经驱动电路进行光电转换, 最后苹果内部组织的近红外光谱信息经过信号放大和A /D 转换后,通过USB 数据线传入计算机。 该CCD 近红外光谱仪的主要部件及其参数见表1 。

           


1.3 检测方法
1.3.1 苹果的光谱采集

 采用CCD 近红外光谱仪测量苹果的漫反射光谱,CCD 积分时间为8min,扫描次数为64 次。光谱采集在恒温环境( 约260 C)中进行。以直径为30mm ,厚度为2mm的BaSO ;标准块作为参比。 实验时, 在带皮苹果的最大横径上等距离地选取4 个点进行光谱扫描, 取这4个点的平均光谱作为该苹果的原始光谱。

1.3.2 苹果的糖度、 酸度测定
苹果的糖度、 酸度测定均严格参照国家标准GB 10651一89( 鲜苹果)III]执行。 其中苹果的糖度使用阿
贝折光仪( W Y A 型, 上海精密科学仪器有限公司)测量,依次取每个苹果试样, 在苹果的光谱采集部位挤取苹果汁液1- 2 滴, 滴在折光仪棱镜平面中央, 记录苹果的可溶性固形物含量, 即糖度值, 单位用白利度(0Brix)表示。 每个苹果在光谱扫描的4 个相应位置测量, 取平均值作为整个苹果的可溶性固形物含量。

 苹果的酸度测定步骤如下, 用移液管吸取经榨汁后的l0.00ml苹果汁样品于 100m1烧杯中, 加入50ml水,置于电磁搅拌器上搅拌, 用浓度为C( 0.1m ol/L)氢氧化钠标准溶液滴定。 滴定至苹果汁pH9.0为其终点, 记录消耗氢氧化钠标准溶液的体积V I。 与LOOm1氢氧化钠标准溶液(CN.oH)=1.000m o1/L)相似的以克表示的样品主体酸的质量: S ;果 。=0.067, 则苹果样品总酸含量为X =C X V lX 0.067/10 X 1000g/L即酸度。用酸度乘以榨出的苹果汁的体积,再除以用于榨汁的苹果的质量,即得到苹果酸度的百分比,用 % 表示。苹果糖酸度化学值的统计特征详见表2。

                 

1.4 数据处理与模型评价指标

 常用的多元校正方法有多元线性回归( M LR)、 主成分回归(PCR)和偏最小二乘回归(PLSR). 其中, 偏最小二乘法所建立线型模型的稳健性最好, 因此, 本研究采用在M A TLA B7.0 环境中开发的基于偏最小二乘法的建模软件, 对采集到的光谱和化学成分进行分析并建立数学模型。 在预测未知样品时, 先对待测样品进行光谱扫描, 利用光谱值和己建立的模型计算待测样品成分的含量。

 本研究采用相关系数(r)、 校正标准差(SEC)和预测标准差(SEP)来评价模型性能[131, 其计算公式如下:          

                             

 式中, n 为校正集样本数; N 为预测集样本数;y,为第i个样品的预测值; y,为第i个样品的参考值(真值) ; ym为校正集样本真值的平均值。

2 结果与分析
2.1 光谱预处理
 2.1.1 分析谱区的选取

  从原始光谱图(图2)中可以看出, 波长小于630nm 或大于1060nm 的光谱曲线噪声较大, 而且这两部分光谱处于C C D 检测器的边缘波段, 光谱稳定性较差。 因此去掉波长小于630nm 或大于1060nm 的波段。 在短波近红外区域(700^-1100nm), 反映苹果糖度和酸度等内部品质的含H 基团如: C -H , N -H , O -H , H 2O 的特征波长分别在900, 500, 740, 750nm 左右, 这些特征波长都在630^-1060nm 范围内, 因此选取630^ 1060nm波段范围共1324 个波长点建立回归模型。 波段选择后的光谱图见图3。

                                   


                            

2.1.2 光谱中噪声和背景的去除
  本研究选用了平滑处理(sm oothing)、 一阶导数(firstderivative)、 二阶导数( secondderivative)三种预处理方法对波段选择后的光谱进行预处理。
2.1.2.1 平滑处理
  选用Savitzky-Golay卷积法对光谱进行平滑处理。在S-G 平滑中, 所选的平滑点数越少, 平滑能力越差,去噪效果越差, 但能保留光谱的有用信息; 所选的平滑点数越多, 平滑能力越好, 能去除绝大部分噪声, 但也会丢失部分有用的光谱信息。 在本实验中综合考虑仪器的条件(仪器分辨率)和样品的光谱特性等因素, 选择2次25 点平滑处理,得到S-G平滑后的光谱图见图4与S-G 平滑前相同样本的光谱图(图3)相比,经过处理的光谱更加平滑, 噪声更小, 信噪比更高。

         

2.1.2.2 一阶导数处理
   一阶导数可以消除基线漂移或平缓背景干扰的影响, 也可以提供比原光谱更高的分辨率和更清晰的光谱轮廓变化。 在本实验中采用最小二乘法来计算一阶导数, 选择2 次5 点一阶导数处理, 得到一阶导数处理后
的光谱图见图5。 与一阶导数前相同样本的光谱图(图3)相比, 经过一阶导数处理的光谱的波峰和波谷比原始光谱的更明显。  

                 

2.1.2.3 二阶导数处理
   二阶导数可以消除光谱的旋转误差。在本实验中采用最小二乘法来计算二阶导数,选择2次5点二阶导数
处理,得到二阶导数处理后的光谱图见图6,与二阶导数前相同样本的光谱图(图3)相比, 经过二阶导数处理的光谱波峰不明显, 且毛刺较多, 噪声被显著放大。

         

2.2 苹果糖酸度近红外分析模型的建立
   本研究采用偏最小二乘法建立多元统计模型. 校正模型的最佳因子个数由舍一交互验证法( leave-one-out)确定, 即先从校正集的80 个样本中随机剔除一个样本i(i= 1, 2 , 3 , 一, 80) , 然后用剩余的79 个样本和.1( .1=1. 2, 二, d; d < 15, 由人为预先设置)个主因
子建立模型, 利用该校正模型去预测被剔除样本i的化学值yv; 对校正集的每一个样本i重复上述测试, 并计算预测残差平方和

式中ypji为校正模型对被剔除的第1样本的糖度预测值; 计算出不同主因子数对应的PR ESS 值, 然后以最小的PR ESS 值所对应的因子数作为模型的最佳因子数。 图7 显示了SG 平滑后糖度模型中交互验证PRESS 值随PLS 因子变化的趋势,随着PLS因子数的增加,PRESS逐渐降低;当PLS达到7 时,PRESS最小,当PLS因子数大于7时,PLS模型拟合了部分噪声信息,导致PRESS值逐渐增大。因此,此糖度模型的最佳主因子数为7。酸度模型中,PRESS 变化的规律和糖度模型基本一致(见图8),选择的最佳主因子数为7。

       

 经过S 一 G平滑、一阶导数、二阶导数处理后,建立的苹果的糖度和酸度的校正模型见表3。从表3可以看出,糖度的预测效果较好,三种预处理方法及原始模型的相关系数均大于0.85。而酸度的预测效果略比糖度差,其相关系数在0.8 左右, 也能满足预测的基本要求, 说明基于CC D 近红外光谱的苹果糖酸度检测具有可行性。

             

   表3同时表明了S-G平滑、一阶导数、二阶导数预处理对模型的影响,由于本CCD检测系统采集的光谱毛刺较多、噪声较大,因此S-G 平滑后建立的糖酸度模型优于原始光谱。说明S-G平滑消除了部分噪声,提高了模型的稳健性。一、二阶导数变换后模型的PLS因子数有所减少,但模型的校正能力及预测能力均没有提高。由于导数变换虽然消除了基线飘移,但同时也放大了噪声,从图5,6可以看出,导数变换后的光谱噪声变大了。因此,通过导数变换处理后,糖酸度模型的SEP均增大了。表3表明S-G平滑后建立的糖酸度模型最佳。S-G 平滑后糖度模型的预测散点图见图9,酸度模型的预测散点图见图10

       

         

3 结论

基于CCD 检测器的近红外光谱仪性能稳定、分辨率高、扫描速度快,相对于傅立叶光谱仪成本较低。本研
究在对光谱议的硬件、软件充分调研的基础上选择75W的进口石英卤钨灯作为光源, 采用型号为Sony ILX554B的CCD 芯片作为检测器,分光系统的焦距为IOOmm ,利用Y型漫反射光纤(芯径4001 1m )采集光谱,数据处理和控制系统与PC之间采用USB2.0接口连接,自行开发了基于C CD 近红外光谱仪的苹果内部品质检测系统。在自行搭建的基于CCD 近红外光谱仪的苹果内部品质检测系统上,对红富士苹果的糖度和酸度进行检测。通过对比S-G 平滑、一阶导数、二阶导数等三种光谱预处理后的建模效果,发现用S-G 平滑处理后所建苹果糖、酸度模型的效果最好,而一阶导数、二阶导数处理后光谱噪声变大,建立的模型效果变差。本研究的结果表明,应用近红外光谱漫反射技术在630^ 1030nm 波长范围内对苹果糖度和酸度进行快速无损检测具有可行性。其实验方法对苹果其它内部品质指标, 如水分、硬度、多酚含量等的快速测定均有参考价值, 并为以后开发在线检测系统奠定了基础

会员登录
登录
我的资料
留言
回到顶部