番石榴是嶺南大宗水果之一， 周身是寶, 果味獨 特、鮮美, 富含有益于人體的各種營養成分，具有藥用和保健作用。 番石榴果實可溶性固形物（SSC）是衡量其內部品質的重要指標。 目前國內外都是采用破壞性的化學方法對番石榴內在品質進行測定， 存在樣品預處理繁瑣、檢測時間長、檢測成本高等方面的問題。 近紅外光譜技術具有無需前處理、無污染、快速無損等優點，近年基于近紅外光譜的無損檢測分析廣泛應用于水果、食品、生物化學和工業檢測等方面。
但目前國內尚無對番石榴的近紅外光譜無損檢測的研究。
對番石榴內在品質進行無損檢測時， 為了使入射光充分進入果實內部， 首先基于漫反射法采集番石榴近紅外光譜。 查閱國內外相關文獻，絕大多數果品的近紅外無損檢測均采用漫反射法， 并且多數選取在赤道處采集 1 處或 4 處光譜， 然后取其平均值代表整果的光譜。 通常果品內部營養成分的含量并不均勻，選取特定 1 處或幾處特定區域平均往往并不能很好的代表果品固有的光譜特性， 試驗中往往可以看到不同區域的光譜并不具有很好的一致性。 為了取得較好的無損檢測精度， 必須使采集到的光譜能全面的反映出樣本內在品質，選擇不同光譜采集位置和采集數量，勢必會對檢測結果產生影響。 本研究探討在番石榴頂部、赤道及底部區域采集漫反射光譜的位置和數量對 PLS 建模的影響，并用連續投影算法（SPA）篩選番石榴可溶性固形物（SSC）的特征波段，簡化預測模型，對快速準確無損檢測番石榴品質， 促進水果產后處理和檢測分級技術發展都有重大意義。
1、 材料與方法
1.1 試驗材料
供試樣本為 246 個臺灣 21 世紀番石榴樣本。 樣本果實體型較大、體態橢圓，并且表面凹凸不平，番石榴樣本的重量為 240~270 g， 最大橫徑為 6.1~7.8 cm，頂端至底端的長度為 7.3~8.4 cm。
1.2 試驗設備
采用近紅外便攜式光纖光譜儀 NIR Quest512（Ocean Optics，USA）采集番石榴的光譜數據。 該光譜儀如圖 1 所示，測量的波長范圍為 900~1 700 nm，波長分辨率為~3.0 nm FWHM，信噪比（滿量程時）大于 15 000:1，積分時間為 0.001~10 s。 試驗使用 The Unscrambler9.8 和 Matlab 進行數據處理。
試驗采用 PAL-1 數字顯示糖度計（Atago，Japan）測量番石榴的可溶性固形物。 該糖度計的測量范圍為0.0~53.0% Brix， 最 小標度為 0.1% Brix， 精 度為 ±0.2%Brix。 通過 3 s 測量 0.3 mL 的樣本量便能快速得到樣本的可溶性固形物含量。
1.3 檢測方法
1.3.1 光譜采集 建立基于漫反射法的近紅外光譜采集系統，如圖 2 所示。 積分球內含反射光源，積分球的進光孔直徑為 8.5 mm， 經番石榴反射后的光線進入積分球，然后通過 600 μm 的光纖采集傳至光譜儀，最后由計算機進行光譜數據處理。 光譜儀積分時間為 0.25s，平滑寬度為 4，每次光譜采集平均次數為 4。
為了全面收集番石榴的光譜信息， 將番石榴樣本從上往下分成頂端、 赤道和底部 3 個區域， 如圖 3 所示。 由實際生活經驗和相關參考文獻可知，番石榴果肉可溶性固形物一般在頂部含量較多，赤道含量居中，而底部的含量最多，分布并不均勻。 分別從這 3 個區域采集 4 次光譜，4 次采集位置依次旋轉 90°， 且位于同一水平面。 為了分析番石榴的光譜采集位置和數量對其近紅外光譜無損檢測的影響， 隨后將以赤道 1 處光譜、赤道 4 處平均光譜和全部 12 處平均光譜（圖 4）代表每個樣本的光譜進行建模比較。
1.3.2 測定可溶性固形物\\(SSC\\) 使用組織粉碎機榨碎番石榴樣本，然后過濾，得到番石榴果汁，將果汁滴至糖度計的檢測區域進行檢測。 對每個番石榴 SSC 測量2 次，取平均值作為每個樣本的 SSC 值，所有 246 個樣本的 SSC 結果如表 1 所示。
1.4 連續投影算法（SPA）優選波長
試驗中所采集的光譜波段為 900~1 700 nm。 全波段建模不僅包含冗余變量，產生干擾噪聲，同時也會增大計算量， 影響建模分析效率。 連續投影算法（Successive Projection Algorithm, SPA）是一種前向循環的變量選擇方法， 能夠從嚴重重疊的光譜信息提取有效信息，篩選特征光譜變量，從而簡化校正模型和縮短校正時間。
2、 結果與分析
2.1 不同光譜采集位置和數量對建模的影響
選取校正集 213 個樣本，以赤道 1 處光譜、赤道 4處平均光譜和全部 12 處平均光譜代表每個樣本的漫反射光譜進行建模比較。 此前，首先對各類光譜逐一進行移動平均、卷積平滑、多元散射校正等多種預處理，然后采用內部全交互驗證方式建立 PLS 模型。 3 種光譜所建模型的校正相關系數、驗證相關系數、校正均方根誤差以及驗證均方根誤差在不同的預處理方式下的結果如表 2 所示。
光譜未經任何預處理時，以樣本 12 處平均光譜作為樣本光譜建立的 PLS 模型， 其校正相關系數 Rc 為0.90，校 正均方根誤差 RMSEC 為 0.46，驗 證相關系數Rcv 為 0.86，驗證均方根誤差 RMSECV 為 0.54，在 3 種光譜建立的模型中效果是最好的。 以赤道 4 處平均光譜建模的效果次之，以赤道 1 處光譜建模的效果最差。
在各種預處理中，進行一階導數預處理的 12 處平均光譜的建模效果最好 ，Rc 為 0.95， 校正均方根誤差RMSEC 為 0.30，Rcv 為 0.92, 驗證均方根誤差RMSECV為 0.40。分別對上述 3 種光譜進行一階導數預處理，建立 3個 PLS 模型，然后使用這 3 個模型對預測集 33 個樣本進行預測。 使用樣本 12 點平均光譜建立的模型結果如圖 5， 預測相關系數 Rp 為 0.962， 預測均方根誤差RMSEP 為 0.432，遠比另外兩種光譜數據建模的預測結果好，4 處平均光譜建立的模型預測效果次之， 以赤道1 處建立的模型預測效果最差。
通過對 3 種 PLS 建模效果的比較可知， 當以番石榴樣本赤道及兩端共 12 個光譜取樣點的平均數據作為樣本光譜數據時，所得的建模效果最好。
2.2 SPA 算法優選波長
采用 12 處平均光譜， 使用 SPA 對 900~1 700 nm的全波段進行特征波長選擇， 選取波長數目與對應的RMSE 關系如圖 6 所示，最終得到 23 個波長，占總波長的 2.9%。 特征波長具體為：900、901、924、934、969、1 069、1 127、1 149、1 171、1 230、1 313、1 344、1 368、1 379、1 394、1 452、1 477、1 518、1 587、1 642、1 674、1 689、1 700 nm。以這 23 個波長變量作為輸入建立 PLS 模型，對預測集進行預測，預測結果如圖 7 所示。 所得的預測相關系數 Rp 為 0.903，預測均方根誤差 RMSEP 為 0.363，達到較好的預測結果。
3、 結論
番石榴是嶺南佳果，大部分品種果型較大，內部品質分布不均勻。試驗表明在頂部、赤道和底部采集的 12處漫反射光譜平均值比較全面的攜帶了整個樣本的信息，建立的模型預測效果最好，以在赤道 4 處的漫反射平均光譜建模，效果次之，如以赤道 1 處光譜建模，攜帶的信息量具有局限性，建模效果最差。
參考文獻：
[1] 劉建林,夏明忠,袁 穎.番 石榴的綜合利用現狀及發展前景[J].中國林副特產,2005\\(6\\):60-62.
[2] 歐陽愛國,謝小強,周延睿,等.蘋果可溶性固形物近紅外光譜檢測的偏最小二乘回歸變量篩選研究[J].光譜學與光譜分,2012,32\\(10\\):2680-2684.
[3] 田海清,應義斌,陸輝山,等.可見/近紅外光譜漫反射技術檢測西瓜堅實度的研究[J].光譜學與光譜分,2007,27\\(6\\):1113-1117.
[4] 雷松澤,姚紅革.近 紅外光譜分析技術在水果品質無損檢測上的應用[J].光譜實驗室,2007, 26\\(4\\):775-779.
[5] 段民孝,邢錦豐,郭景倫,等.近 紅外光譜\\(NIRS\\)分 析技術及其在農業中的應用[J].北京農業科學,2002\\(1\\):11-14.
[6] De Sousa Marques, Aline, Nicacio, et al. The use of nearinfrared spectroscopy and multivariate techniques todifferentiate Escherichia coli and Salmonella Enteritidisinoculated into pulp juice [J]. Journal of microbiologicalmethods ,2013,93\\(2\\):90-94.
[7] 宗莉,薛嫻,王 濤,等.近紅外光譜分析技術在水果內部品質無損檢測中的應用[J].安徽農業科學,2010,38\\(6\\):2765-2767.
[8] Hsieh C, Lee Y. Applied visible/near-infrared spectroscopy ondetecting the sugar content and hardness of pearl guava [j].American Society of Agricultural Engineers,2005,21\\(6\\): 1039-1046.
[9] 代芬,洪 添勝,羅 霞,等.基 于可見－近 紅外光譜的砂糖橘總酸無損檢測[J].華中農業大學學報,2012,31\\(4\\):518-523.
[10] 馬蘭,夏 俊芳,張 戰鋒,等.光 譜預處理對近紅外光譜無損檢測番茄可溶性固形物含量的影響 [J]. 華中農業大學學報,2008,27\\(5\\):672-675.
[11] 何東健,前 川孝昭,森 島博.水 果內部品質在線近紅外分光檢測裝置及試驗 [J].農業工程學報,2001,17\\(1\\):146-148.
[12] 洪涯，洪添勝,代 芬,等.連 續投影算法在砂糖橘總酸無損檢測中的應用[J].農業工程學報,2010,26\\(2\\):380-384.
[13] 黃凌霞,吳迪,金 航峰,等.基 于變量選擇的蠶繭繭層量可見一近紅外光譜無損檢測[J].農業工程學報,2010,26\\(2\\):231-236.
[14] 耿晌,陳斌,葉靜,等.茶葉咖啡堿近紅外光譜模型簡化方法[J].農業工程學報,2009,25 \\(10\\):345-349.
[15] Liu Y, Ying Y B, Yu H Y, et al. Comparison of the HPLCmethod and FT -NIR analysis for quantification of glucose,fructose, and sucrose in intact apple fruits [J]. J.Agric. FoodChem. 2006,54:2810-2815.
[16] 曾一凡,劉 春生,孫 旭東,等.可見 ／ 近 紅外光譜技術無損檢測果實堅實度的研究[J].農業工程學報,2008,24\\(5\\):250- 252.
