近红外光谱.docx

近红外光谱.docx

《近红外光谱.docx》由会员分享，可在线阅读，更多相关《近红外光谱.docx（11页珍藏版）》请在冰点文库上搜索。

近红外光谱

近红外光谱在果蔬品质无损检测中的应用研究进展

摘要

本论文介绍了近红外光谱无损检测机理，近红外光谱在果实品质的定量分析和定性分析的研究概况，并对近红外光谱对果实品质无损检测存在问题及前景做了简单的分析。

关键词

无损检测；近红外光谱；内部品质；果蔬

1引言

1.1果蔬无损检测研究概况

果蔬品质主要是指果蔬形态、颜色、密度、硬度以及含糖量、水分、酸度、病变等。

果蔬品质检测技术作为保障果蔬质量、提升产品市场竞争力的一种手段，可以分为有损检测和无损检测两种。

有损检测一般需要借助传统的化学分析测定方法或是现代仪器分析方法（如高效液相色谱分析、气相色谱分析、质谱分析等），测定过程比较烦琐、人力物力耗费大、检测成本非常高。

无损检测又称为非破坏性检测，是利用果蔬的物理性质，如力学性质、热学性质、电学性质、光学性质和声学性质等，在获取样品信息的同时保证了样品的完整性，检测速度较传统的化学方法迅速，且能有效地判断出从外观无法获得的样品内部品质信息。

目前，果蔬品质与安全的无损检测技术主要包括:

光谱分析技术、光谱成像技术、机器视觉技术、介电特性检测技术、声学特性及超声波检测技术、力学检测技术、核磁共振检测技术、生物传感器技术、电子鼻与电子舌技术等等。

针对不同的检测对象和检测指标，这些无损检测技术各具优势。

1.2近红外光谱无损检测研究概况

近红外光谱分析（NearInfraredSpectroscopy，NIR）技术是近十年来发展最为迅速的高新分析技术之一，以其快速、简便、高效等优势已被人们认识和接受，并且其应用范围也由谷物、饲料扩展到食品和果蔬等领域。

水果是重要的农产品,消费者在选购水果时对于内部品质如口感、糖度和酸度等极为看重。

而近红外光谱分析技术将其用于水果内部品质检测具有快速、非破坏性、无需前处理以及多组分同时定量分析、测试等优势，在果蔬的品质检测方面有独特的优势，而且其易实现在线分析及检测，极适合于果蔬生长或是加工过程中的实时分析。

因此在果蔬的无损检测研究领域中，近红外光谱研究最多，也最具前景。

1.3本论文研究的目的意义

本论文将首先介绍近红外光谱无损检测机理，然后按照定量分析和定性分析的方式分类，分别介绍近红外光谱在果实品质的定量分析和定性分析概况，最后简单的谈一下近红外光谱对果实品质无损检测存在问题及前景分析。

期望能通过本论文能理清近红外光谱在果蔬品质无损检测的研究概况，为今后的研究及应用开发提供一定的理论参考！

2近红外光谱检测原理

当一束光照到物体上时，部分入射光被表面反射，其余的光进入物体中。

进入物体中的光有一部分被物体吸收，有一部分被反射回表面，只有少部分光透过物料，被物体吸收的光有一部分可能转变成另一种形式的射线，如荧光和延迟发光等，因此反射、吸收、透射和发光等构成了物料的光学特性，这些射线能量的大小与物体的特性及入射能大小有关，因此测定物体的这些光学特性即可了解物体的其他特性。

光谱分析技术就是利用物体不同光学特性所对应的特征光谱研究物质结构或测定化学成分的方法，目前在果蔬品质与安全检测中最常用的无损光谱分析技术类型主要是近红外光谱（Nearinfraredspectroscopy，NIRS）分析。

近红外光谱分析法是一种吸收光谱分析法。

近红外光是指波长介于可见光和中红外光之间的电磁波，美国材料检测协会定义的近红外光谱区域的波长为780～2526nm（波数12820～3959cm－1）；近红外区域的主要光谱信息来源于—CH、—NH和—OH等含氢基团的倍频与合频吸收，因此，绝大多数的化学和生物化学样品在NIR区域均有相应的吸收带，通过这些吸收信息即可以对样品进行定性或定量分析。

物质在NIR区域的吸收强度只有在中红外区基频吸收的1%～10%，吸收强度小的特点使得NIR可用于直接分析强吸收的样品（如对光线散射性极强的样品如匀浆、悬浮液、糊状和粉末等）。

NIR光谱中除了包含样品的化学组成信息外，还包含样品的物理信息，如颗粒度等。

近红外光谱定性分析则通过区分同类物质或不同类物质在近红外光谱或其压缩变量组成的多维空间中的分布，考察未知样品的光谱是否位于某类物质所在空间。

近红外光谱仪的光谱响应范围很大程度上取决于检测器，通常基于CCD阵列检测器的光谱仪检测范围含可见光波段，因而当检测器的检测范围涵盖可见光波段时，可称之为可见/近红外光谱分析。

近红外光谱（Near-InfraredSpectroscopy,简称NIRS）分析技术是一种间接测量技术。

它运用化学计量学方法建立校正模型,从而实现对未知样品的定性或者定量分析。

主要步骤包括:

选择有代表性的样品,并测量其近红外光谱；采用标准或认可的参考方法测定所关心的组分或性质数据；利用测得的光谱和基础数据,用适当的化学计量方法建立校正模型,在光谱与基础数据关联前,为减轻甚至消除各种因素对光谱的干扰,需要采用合适的方法对光谱进行预处理；未知样品组分或性质的测定。

在对未知样品测定时,根据测定的光谱和校正模型的适用性,确定建立的校正模型是否适合对未知样品进行测定,如适合,则测定的结果符合模型允许的误差要求,否则只能提供参考性数据。

3近红外光谱在果实品质的定量分析概况

3.1糖度测定

糖度（Sugarcontent，SC）或可溶性固形物含量（Solublesolidscontent，SSC）预测依旧是内部品质检测研究的热点，其次是酸度和坚实度，虽然检测结果因仪器、品种、建模方法差异等不甚相同，总体而言糖度的预测结果相对较好；除了这几个常规指标外，有部分研究结合其他仪器分析方法（如高效液相色谱分析等）开展了成分糖（如果糖、蔗糖、葡萄糖）和成分酸（如苹果酸、柠檬酸）的检测，也有部分研究尝试开展了针对检测对象的特殊指标检测，如杏和香蕉中的类胡萝卜素、葡萄中的单宁和糖化香气化合物、蓝莓中的花青素和黄酮类物质、橄榄中含油量、西红柿中的番茄红素等。

卢家炯对李子的糖度在1100～2500nm范围内进行了近红外光谱分析。

其分析结果表明，采用8个波长的定标方程精度最高。

周文超等研究表明在波段在550nm-900nm范围，用PLS建立的赣南柑橘糖度模型预测精度高，其相关系数和预测均方根误差分别为0.9032和0.2421.

3.2酸度测定

水果的酸度值是水果风味的重要指标，测量柑橘的酸度实际上是测量游离酸的含量，游离酸在850nm，900nm处存在吸收峰，但其浓度为0.4%～1.7%，与糖含量相比较低，难以准确测量。

刘燕德利用近红外漫反射光谱测定法获取了完整雪梨的近红外光谱（12500～4000cm-1），采用多元校正算法偏最小二乘法（PLS）方法，选取不同的波段范围对漫反射光谱进行有效信息提取和分析，得出校正模型的预测精度在5452～12285cm-1波段范围内，最佳主因子数为7时，雪青梨总酸的预测精度最好，其预测集的相关系数达到了0．79，预测标准偏差为0．0186。

3.3硬度测定

水果硬度定量分析。

朱伟兴的研究利用联合区间偏最小二乘法（PLS）从梨的近红外全光谱中筛选出几个有效的特征光谱区域，然后再通过遗传算法（geneticalgorithms，GA）从这些特征光谱区域中筛选出与梨硬度相关的有效变量来建立PLS模型，这样大大降低了近红外区域内的冗余信息，并减少了大量与梨硬度不相关的噪声信息，提高了预测模型的精度.

4近红外光谱在果实品质的定性分析概况

4.1果实缺陷检测

Teerachaichayut等应用短波近红外（波长640～980nm）透射光谱预测山竹果实的半透明果肉缺陷情况，研究确定了最佳的光谱采集条件，留一交互验证判别分析结果的最佳分类精度为92%，不过也指出，硬质果皮缺陷对检测有一定影响。

Xing等提出了一种基于苹果组织弹性模量的软化指数进行苹果损伤检测的方法，采用德国CarlZeiss公司的Corona光谱仪（波长400～1700nm）获取光谱信息，用偏最小二乘回归模型预测E-弹性模量，然后计算苹果表面感兴趣区域的软化指数来判别完好果和损伤果，判别正确率达到95%以上。

Fu等比较了透射和漫反射两种可见/近红外光谱检测模式对梨内部褐心缺陷的检测效果，研究采用的3种检测器的光谱范围分别为400～1028nm、670～1110nm、800～2630nm，判别分析模型预测结果显示，在水果柄蒂轴水平放置方位下获得的透射光谱的分类正确率最高，达到92%。

Shenderey等研制了一种动态的光谱检测装置用于检测苹果的内部霉心，装置采用OceanOptics公司的USB2000微型光谱仪（波长400～1000nm），光谱采集后将样品切开，分别计算发霉区域面积和总截面面积，然后采用PLSR和典型判别分析方法对苹果霉心进行鉴别分析，对完好果的判别正确率为92%，对腐烂值为30%的缺陷果的判别正确率为100%。

Magwaza等研究了采自不同冠层的柑橘果皮缺陷的可见/近红外光谱预测潜力，样品采集完光谱后被置于8℃下储藏8周，然后进行理化指标分析（包括果皮缺陷、颜色指数、果皮干物质、果皮糖类等），虽然直接用光谱进行果皮缺陷的检测因样品问题（校正集和预测集样品中有相当大比例的样品没有缺陷）难以实现，但光谱信息与果皮生化属性间的高相关性显示，该技术还是可以用于判断柑橘是否容易产生果皮缺陷。

通过这些研究可以发现，可见/近红外光谱在果蔬内部和表面缺陷的鉴别中具有很大潜力，透射光谱更适宜于内部缺陷的检测，漫反射光谱可以对表面或近表面的缺陷进行有效鉴别。

王敏在不受表面颜色影响的近红外区域可以检测损伤果的表面损伤程度。

桃的腐烂和冲击损伤果在近红外800～940nm和1140～1400nm区域内的置信极限差为10%以上，压伤为5%，即在此区间可以检测出3种损伤。

梨在800～1000nm区间内，腐烂、擦伤、刺伤的置信极限差为10%以上，可以进行检测。

腐烂柿在600～1350nm、伤痕柿650～900nm置信极限差为10%以上，在900～1100nm内为5%以上。

因此在800～1100nm范围内，可以检测腐烂和伤痕柿。

由以上分析可以得出，在800～900nm近红外区域内，可以对多种水果进行损伤果的检测。

4.2成熟度或品质分析

Guidetti等使用AvaSpec-2048便携式光谱仪（Avantes，Eerbeek，Netherlands），采用PLS-DA方法进行葡萄的成熟度分类分析，通过对潜变量的旋转投影，将葡萄的光谱（波长450～980nm）按糖、酸度差异分成两组，基于SSC的分类正确率为89%，基于酸度的分类正确率为83%。

Zou等用5150、6630、8300和4010cm－1这4个波数的吸光度所建立的多元线性回归模型计算苹果的糖度，然后将苹果按糖度大于等于13°Brix和小于13°Brix分成2个等级，分类正确率达到83%。

Sirisomboon等研究了西红柿不同成熟度（绿、粉、红）的近红外光谱（波长1100～2500nm）特征，并采用光谱主成分分析和簇类独立软模式法（Softindependentmodelingofclassanalogies，SIMCA）方法建立了成熟度分类模型，基于绿色番茄平均归一化光谱的PCA分类模型具有最高的成熟度分辨能力（96.85%），对红色和粉色两种成熟度番茄的识别率达100%。

以上研究显示，目前果蔬的成熟度分级主要还是根据表皮色泽或是成分含量人为设定阈值进行分级，由于成分含量分布的连续性，在阈值附近容易产生较大的判别误差。

4.3贮藏期/货架期预测

果蔬的品质很大程度上取决的适当的采收时间。

Paz等应用3种光谱仪检测苹果糖度和坚实度之外，还对苹果的货架-储藏期（0、8、14d）进行了判别分类分析，通过建立PLS-DA分类模型，混合品种样品的判别正确率为86.1%，单个品种样品的分类正确率为86.6%。

应用类似的研究方法，Paz等还对梨的货架-储藏期（0、6、8d）进行了判别分析，对应不同的仪器，判别正确率为81.1%～94.4%。

Egidio等研究了不同温度下鲜切菠萝的新鲜度变化情况，采集鲜切菠萝片的近红外漫反射光谱（波数12500～3900cm－1）及红外光谱，用二阶微分光谱的主成分光谱分析储存过程中化学和生化属性变化，在新鲜和“老”的样品间有明显的区分，并且可以定义不同温度下开始丧失新鲜度的时间，两种光谱的分析结果具有很好的一致性，结果显示:

5.3、8.6和15.8℃下菠萝切片开始丧失新鲜度的时间分别是4～5、3～4和1d。

Berardinelli等研究了用可见/近红外光谱辨别杏在采后是否经过储藏，应用SIMCA方法建立采后样品（采后立即分析、采摘3d后分析）光谱分类模型，分类正确率为80%～100%。

Pérez-Marín等对李子采摘后的冷藏时间（0、6、9d）开展了研究，使用Phazir2400手持式MEMS光谱仪（Polychromix，USA）和PertenDA-7000二极管阵列VIS-NIＲ光谱仪（PertenInstrumentsNorthAmerica，USA），光谱范围分别为波长1600～2400nm和波长400～1700nm，采用PLS-DA方法建立判别模型，多品种混合的李子冷藏时间的最佳判别正确率为83.7%，单个品种的李子冷藏时间最佳判别正确率为94.5%;Pérez-Marín等还对采后经不同冷藏时间的油桃样品进行了判别分析，220个样品在（0℃，相对湿度95%）储存28d，每间隔7d进行光谱采集和理化分析，PLS2-DA分类模型对不同冷藏时间的油桃样品的判别正确率为72.4%～100%，验证结果为66.7%～100%。

果蔬在采后储藏或出售过程中，成分会发生改变，导致新鲜度的变化，以上研究显示，通过可见/近红外光谱可准确判断果蔬采后的储藏期/货架期，该技术可作为判断采后果蔬新鲜程度的有效手段。

4.4果蔬生长或加工过程检测

可见近红外光谱分析技术除了在以上常见的果蔬品质定量定性分析应用外，该技术还被用于果蔬生长或加工过程的监测，研究中使用的仪器、分析的方法等基本上大同小异，只是过程的监测往往需要持续一段时间。

Zude等应用德国CarlZeiss公司的MMS1手持式光谱仪（波长450～1100nm）监测树上柑橘的SSC，建立经环境光校正的室外水果光谱与SSC的PLS模型，该模型在所记录的水果温度范围内对结果并无显著影响，研究结果显示高降水率对果实品质有严重影响，他们以特定品种的平均收获日期为参考来预估对应品种单个水果的采收日期，并指出光谱无损监测可用于精细园艺管理中。

Camps等研究了基于可见/近红外光谱的杏采收日期判别，应用OceanOptics公司的便携式光谱仪S-2000（波长650～1200nm，USA），跟踪监测果实在树上的成熟过程，按收获期将样本分成绿色果P1（盛花期后75～77d）、果实成熟中间阶段P2和P3（盛花期后88～97d）、果实成熟期P4（盛花期后106～108d），每个品种在每个阶段的采摘量为25个，采用阶乘判别分析方法（Factorialdiscriminantanalysis，FDA）对果实按采收期（成熟度）进行分类，基于光谱的分类模型的正确率达到96%。

Fernández-Novales等对葡萄生长、酿酒以及陈酿过程中的还原糖含量进行了近红外光谱分析研究，应用OceanOptics公司生产的便携式光谱对石英流动池内的样品进行扫描分析，用PCA、PLS、MLＲ等方法建立还原糖预测模型，通过PLS模型的潜变量载荷确定敏感波长，并用MLＲ模型进行验证，4波长（909、951、961、975nm）MLＲ模型的决定系数Ｒ2为0.92，认为该研究结果可以证明近红外光谱分析技术对白葡萄酒和红葡萄酒的生产过程（包括葡萄生长、发酵及陈酿）进行监测是可行的。

Bertone等［86］为了实现通过苹果在树上生长时的每个成熟阶段的特征来判断最佳采收期，采用UV-VIS（波长350～800nm，Cary500，VarianCo.，USA）和NIＲ（波数4000～12000cm－1，Matrix-F，BrukerOptics，Germany）光谱分析监测果实的SSC、坚实度、淀粉含量和叶绿素含量的变化，在预计采收期的前3周至后两周时间段内，每间隔5d对60个样本进行检测分析，对单个水果的采收时间预测标准误差为2.8d，对每个检测阶段所有样本平均的采收时间预测标准误差为1.0d。

通过分析可见/近红外光谱差异监测果蔬生长过程中品质指标的变化情况，更能精确表达果实的实际成熟状态，这比通常的计算生长期、人为主观经验分析等方法更客观、也更能合理确定果蔬适宜的采收日期；在果蔬加工过程中应用该技术也可以根据能不同加工阶段的实际状态更合理地控制或调整加工时间和方法。

过程监控中研究中（特别是果蔬生长过程监控）往往使用便携式光谱仪，在持续的监测过程中，环境等变化因素比较多，有可能对光谱分析和建模结果造成影响，现有研究较少关注。

4.5其他应用

此外，可见/近红外光谱还被用于与果蔬品质相关的生长环境条件分析研究。

Nagl等研究了灌溉条件对应用NIＲ光谱预测芒果成熟期的影响，在成熟阶段的最后三周选6d对灌溉和非灌溉果树的果实进行抽样分析，光谱分析结果显示，灌溉和非灌溉的果实在早期有区别，但后期差异不明显，灌溉果实的干物质光谱预测相关系数较高，相反的非灌溉果实的酸度光谱预测相关系数较高，作者建议在考虑灌溉效果时可以将酸度作为采收指标。

Pérez-Marín等在研究采后经不同冷藏时间的油桃样品的判别时，也对不同灌溉方式进行了分析，220个样品非别采自2种不同灌溉方式的果树（Fullirrigation，FI和Ｒegulateddeficitirrigation，ＲDI），PLS2-DA分类模型对不同灌溉方式对应的油桃判别正确率为56.7%～84.4%，验证结果为33.3%～100%。

Shao等建立了400-1000nm范围杨梅的可溶性固形物和酸度近红外光谱预测模型,可溶性固形物预测结果为R2=0.85,酸度预测结果为R2=0.92。

利用NIR结合高效液相色谱校正,Xie等对杨梅内果糖、葡萄糖和蔗糖含量进行了无损测定,结果表明,采用偏最小二乘回归法对杨梅内糖分含量的测定具有可行性,特别是蔗糖,其预测相关系数达到了0.99。

5近红外光谱在果蔬品质无损检测中应用研究展望

当今水果蔬菜在加工过程中非常需要一种能够根据某种品质指标（糖度，酸度等）进行快速在线分级，包装的方法。

而近红外光谱检测技术恰恰已经展现了检测这些品质的巨大潜力。

由于国防和航天工业对图像处理技术的巨大驱动作用，以及科研水平不断发展对光谱获取和软件数据处理分析能力的不断提高，经过半个多世纪的发展，近红外光谱技术已经广泛应用于食品，医疗，农业等领域，在今后的领域中应该注重所建立模型通用性及转移性，以利于近红外技术的发展。

当然近红外光谱技术不是近乎完美，其也有相应的不足，具体近红外光谱分析技术的优缺点可参见表1。

但它对于果蔬无损的检测的作用又是巨大的，相信在未来其检测技术会不断完善，不断加强，应用范围也会越来越广泛。

近红外光谱分析技术

优点

样品采样方式

1.可直接测定完整果蔬，果汁，果肉匀浆等

2.无需样品预处理，可对果蔬样品进行非接触无损检测

分析速度特殊性

1.快，可同时对果蔬样品多个组分或指标进行分析

2.适用于近红外光普分析的光纤易得，易实现在线分析及监测，极适合果蔬加工过程中的实时分析

缺点

1.由于测定的是倍频和合頻吸收，故灵敏度较低，故不适合果蔬微衡量成分分析

2.是一种间接方法，需大量果蔬样品简历相关模型，模型通用性差，检测条件和模型参数变化时，模型需要更新或重建

，

参考文献

（1）郑建仙。

功能性食品甜味剂{M}北京：

中国轻工业出版社，1997：

11

（2）林影，卢荣德，洋姜水解生产果糖的研究{J。

食品工业，1997（5）：

38-39

（3）李里特。

食品物性学。

北京：

中国农业出版社。

1998.

（4）韩东海。

用X射线自动检测柑橘皱皮果的研究。

农业机械学报。

1998.29（497.101）

（5）前田红。

利用近红外分光法非破坏测定水果内部的质量。

红外，2001,2:

33-37

（6）韩东海，刘新鑫，涂润林。

果品无损检测技术在苹果生产和分级中的应用。

世界农业3003.1:

42-44

（7）严衍禄，赵龙莲，韩东海，近红外光谱分析基础与应用。

北京。

中国轻工业出版社，2005

（8）徐广通，袁洪福，陆婉珍，现代近红外光谱技术及应用进展，光谱学与光谱分析，2000.20

（2）：

134-142

（9）谭芳丽，闵顺根，石振强鲜辣椒中糖分和维生素C含量的近红外光谱非破坏性测定

（10付兴虎，付光伟，毕卫红，近红外光谱技术在水果品质无损检测中的应用的研究与现状{J}红外，200627

（2）：

33-37

致谢

完成本论文的许多工作过程中，碰的不少难题和障碍，都在老师的热心帮助下攻破了。

特别感谢我的导师蒋巧竣老师的悉心指导和帮助，在最初的试验题目选择到操作方案的制定上，再到结果的总结并论文的撰写，都有老师的建议和指导。

在研究的过程中，导师对科学的务实以及专业知识见解给我留下极大的印象和启示，使我在科研和理论知识上收获良多。

在此，向蒋巧竣老师以及其他指导过我的各位老师和帮助过我的同学们表示最衷心的感谢！

也感谢这篇论文所涉及的学者前辈，没有他们研究成果的启发，完成本论文的道路便会非常复杂曲折。

同时要感谢学院提供的图书资料等一系列的支持，并感激温州科技职业学院的领导和老师们三年来的培养与指导，让我度过这有意义的大学生活。