基于近紅外光譜的獼猴桃貯藏期間可溶性固形物含量和ph值的測定

近紅外色光譜法是利用物質的吸收、分散、反射和透射特性確定其成分含量的非選擇性檢測技術。近紅外光譜檢測技術具有檢測迅速、同時檢測多種成分以及能實現無損檢測的優點,因此在農產品無損檢測,尤其是果品檢測中倍受青睞。國內外學者利用近紅外光譜分析技術對水果內部品質指標的檢測進行了大量的研究工作。在果品糖酸度檢測方面,基于近紅外光譜技術對蘋果的可溶性固形物和有效酸度進行定量分析,并建立了相關的預測模型;對大白桃的糖度進行了近紅外漫反射光譜無損檢測;檢測了梨的糖酸度并確立了模型的定標參數;對西瓜的可溶性糖和獼猴桃的糖度進行了近紅外光譜測定。在硬度檢測方面,利用近紅外光譜技術評估了桃和獼猴桃的硬度。關于果品的損傷研究,分別對蘋果、梨、獼猴桃的損傷品質進行了檢測,并取得了較好的結果。水果成熟以后要經過采摘、運輸、分選、包裝等多個工序,在這樣復雜的流通過程中難免發生擠壓和碰撞損傷。同其他水果相比,經過擠壓和碰撞損傷的獼猴桃如果表皮沒有被刺破,則很難判別獼猴桃是否受損。貯藏期間損傷獼猴桃的呼吸作用較無損獼猴桃強烈,在呼吸作用下產生的乙烯會加速無損獼猴桃的后熟,降低獼猴桃的貯藏期。另外,損傷果會感染與其鄰近的無損果,增加損傷率。因此在分批出庫銷售前,應該挑選出損傷獼猴桃,以保證完好率和好的售價。為此,本實驗以華優獼猴桃為研究對象,探討近紅外光譜漫反射技術在無損檢測冷藏期損傷獼猴桃的可溶性固形物含量、pH值和硬度方面的可行性。1材料和方法1.1傅里葉變換近紅外光譜儀華優獼猴桃樣本采摘于西安市楊凌區。CMT5504萬能試驗機深圳新三思公司;MPA型傅里葉變換近紅外光譜儀德國Bruker公司;GY-3型果實硬度計(配直徑11mm的圓柱形探頭)艾德堡(中國)公司;PR-101α型折射式數字糖度計(0.0~45.0°Brix,精度0.1%)日本Atago公司;SJ-3F型pH計上海精密儀器有限公司。1.2獼猴桃的擠壓試驗共選擇144個形狀規則、大小基本一致、無損傷樣品為實驗對象。用萬能試驗機以10mm/min的速度對其中72個樣品依次進行緩慢擠壓,當擠壓使每個獼猴桃發生5mm的位移量時,停止施壓。另外72個樣品依次從0.5m的高度自然跌落,形成損傷表面積約4cm2的碰撞損傷果。然后將兩種損傷的獼猴桃各分成9組,每組8個樣品,裝于保鮮袋中置于2℃冷藏。1.3獼猴桃管道掃描應用傅里葉變換近紅外光譜儀采集損傷獼猴桃的近紅外漫反射光譜。采集條件:室溫(24℃±2℃),以儀器內置背景為參比;掃描范圍:波數12000~4000cm-1(833~2500nm);掃描次數:32次;分辨率:8cm-1;探頭視場角:90°;掃描時光纖探頭與獼猴桃果皮直接接觸。光譜數據由OPUS(v5.5,德國BrukerOptics公司)軟件進行采集和轉換。1.4可溶性固形物含量采用果實硬度計和與其配套的直徑11mm的圓柱形探頭測量獼猴桃果肉的硬度,測量精度為±0.2(×105Pa)。應用折射式數字糖度計測量獼猴桃果汁的可溶性固形物含量(solublesolidscontent,SSC),將其作為果實糖度的指標。應用pH計測量果汁pH值,作為果實酸度的指標。1.5光譜和硬度的測定獼猴桃貯藏期間,每隔2d隨機取出兩種損傷獼猴桃的其中一組樣品。于實驗前一天晚上,置于室溫(24℃±2℃)條件下使樣品溫度回升至室溫且達到均勻。12h后,在赤道部位均勻選取4個點,其中2個在損傷部位、2個在無損部位,用近紅外光譜儀采集4個點的漫反射光譜,以4條光譜的平均值作為該獼猴桃樣品的光譜。隨后,用水果刀削掉光譜測試部位的果皮,用果實硬度計測量4個光譜掃描點的硬度,以平均值作為該樣品果肉的硬度。進而削去其余部分的果皮,在家用壓蒜器內鋪醫用紗布2層,用壓蒜器將切碎的果肉壓成汁,攪勻后先后用數字式糖度計和pH計測量SSC和pH值各3次,取各自的平均值作為該樣品的測定結果。1.6預測誤差的測定采用MicrosoftOfficeExcel2003和定量分析軟件Unscrambler(v9.8,挪威Camo公司)進行光譜數據的處理與分析。以校正集樣品的校正相關系數(rc)和校正均方根誤差(RMSEC)以及預測集樣品的預測相關系數(rp)和預測均方根誤差(RMSEP)作為評價模型性能的指標。所建模型的rc和rp越高,RMSEC和RMSEP越小,模型效果越好。RMSEC和RMSEP定義如下:式中:nc和np分別為校正集和預測集中的樣品數;和yi分別為校正集和預測集中第i個樣品的預測值和測量值。2結果與分析2.1回歸結果分析從每次實驗中的兩組損傷獼猴桃樣品中各隨機取出2個樣品作為預測集樣品,剩下的作為校正集樣品,SSC、pH值和硬度原始校正集樣本個數均為108個。基于預測濃度殘差準則及濃度殘差準則剔除異常樣品后,SSC校正模型校正集樣品數103個,pH值校正模型校正集樣品數為102個,硬度校正模型校正集樣品數為101個,預測集樣品均為36個。總樣品集近紅外光譜如圖1所示,具體SSC、pH值和硬度的測定結果見表1。2.2光譜預處理及校正近紅外光譜往往包含一些與待測樣品性質無關的因素所帶來的干擾,如樣品的狀態、光的散射、雜散光及儀器響應等的影響,導致了近紅外光譜的基線漂移和光譜的不重復,因此有必要對原始光譜進行預處理。為比較不同預處理方法對模型建立的影響,在全光譜范圍內,針對損傷獼猴桃原始光譜lg(1/R)、一階微分(平滑點數:17)光譜D1lg(1/R)和二階微分(平滑點數:25)光譜D2lg(1/R),應用PLS校正方法對SSC、pH值和硬度分別建模,所建模型的結果如表2所示。結果表明,一階微分預處理結果較好,其校正模型相關系數較高,預測均方根誤差較低。2.3種校正方法對損傷獼猴桃一階微分光譜的pcr檢測結果為比較不同校正方法對損傷獼猴桃SSC、pH值和硬度所建模型的影響,分別采用PLS、MLR和PCR三種校正方法對損傷獼猴桃的一階微分光譜進行建模。三種不同校正模型的結果如表3所示。綜合比較可以看出PLS校正方法所建模型的質量要優于其他兩種方法。2.4h值和硬度校正模型的建立為檢驗模型的可靠性,分別利用已建立的損傷獼猴桃SSC、pH值和硬度的PLS數學模型對36個未知樣品進行預測。圖2為用建立的SSC、pH值和硬度校正模型對未知樣品的SSC、pH值和硬度的預測值與實測值的比較。結果表明,在12000~4000cm-1波段范圍內,采用PLS校正方法建立的模型具有較高的預測精度,其中,對SSC的預測值與實測值的相關系數為0.812,預測均方根誤差為0.749;對pH值的預測值與實測值的相關系數為0.703,預測均方根誤差為0.153;對硬度的預測值與實測值的相關系數達到0.919,預測均方根誤差為1.700。3pca、pls模型的定量分析結果本研究在12000~4000cm-1光譜范圍內,對損傷獼猴桃2℃貯藏期間的可溶性固形物含量、pH值和硬度的快速無損檢測具有可行性,通過比較分析,采用一階微分光譜處理,可以得到比較好的定量模型和預測精度。利用PLS、MLR和PCA三種校正