近红外光谱法快速测定西瓜果糖、葡萄糖和蔗糖含量的研究学生北京

近红外光谱法快速测定西瓜果糖、葡萄糖和蔗糖含量的研究学生北京 近红外光谱法快速测定西瓜果糖、葡萄 糖和蔗糖含量的研究 学 生:北京市陈经纶中学 吕帆 辅导老师:北京市陈经纶中学 黄臣、齐秀娥 [摘要] 采用微型便携式近红外光谱仪测量了西瓜中果糖、葡萄糖和蔗糖的含量，结果表明，该方法能用于西瓜糖分的快速测量。以HPLC作为对照方法，测量了80个样本中三种糖分的含量，采用PLS算法建立定量模型，果糖、葡萄糖和蔗 2糖模型的RMSEP分别为3.787、2.550和3.301，决定系数R分别为0.76、0.71和0.85。为了减少由于农产品基质复杂对测量结果的影响，增大了样本的光谱数据量，建立果糖、葡萄糖和蔗糖的定量模型，RMSEP分别为3.209、2.297和 22.439，R分别为0.85、0.76和0.92，模型性能明显提高，对验证集样本的预测准确度也明显提升。 [关键词] 近红外光谱,西瓜,果糖,葡萄糖,蔗糖 1 引言 近红外光谱(Near Infrared Reflectance Spectroscopy, NIRs)分析技术是通过被分析物质中的含氢基团如OH、CH、NH、SH、PH等在近红外区域内表现有特征吸收，利用计算机技术及现代数学，对扫描测试样品的光学数据作一系列的分析处理，最后完成该样品有关成分的定量分析任务。几乎所有的有机物在近红外区都有特征吸收信号，可以同时测得样品主要成份的含量。目前此项技术广 [1]泛应用于农业、生物学、石化、食品、医药、纺织等领域，由于它具有不破坏样品、快速、准确等优点，通常又被称为非破坏分析法，该项技术是现代农业及 [2]生物科学中极有发展前途的一种新技术。 利用近红外测定物质的成分具有无损、快速、可靠、精确的特点，在饲料、谷物品质快速测定、目标物的筛选方面得到了广泛的应用，尤其在水分、蛋白、纤维素、灰分、脂肪、氨基酸等化学成分定量测定中有较快的发展，国内外有很 [3-8]多文献报道。在蔬菜的营养品质评价方面，金同铭等用近红外光谱法非破坏 性检测了西红柿中蔗糖、葡萄糖、果糖、柠檬酸、苹果酸、琥珀酸、抗坏血酸等 [9-10]营养成分，与高效液相色谱法相比，近红外光谱法有相似的准确性和精度。金同铭等还用该法检测南瓜的胡萝卜素和维生素,以及苹果，草莓中的蔗糖、葡萄糖、果糖和苹果酸，结果都表明近红外光谱分析法可满足实际应用所需的测定 [11]精度。 西瓜(Citrullus lunatus Thunb.)是一种世界性的园艺作物，当今世界第五大水果。如何评价西瓜品质是一个复杂的问 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 。西瓜果糖、葡萄糖、蔗糖的含量是评价西瓜品质好坏的主要指标，按照常规化学分析测定这些指标既费时又费力，又需要大量化学试剂，费用较高而且污染环境，往往给系统评价工作增加了难度。因此，探索一种非破坏快速定量果糖、葡萄糖、蔗糖的分析方法，不仅为品质育种及资源评价提供有益的参考，而且对加快品种资源研究，提供了十分方便的测试手段。本文主要探讨了利用JUSD MicroNIR1700近红外光谱仪采集了西瓜的光谱图，研究了西瓜中果糖、葡萄糖、蔗糖的建模及应用方法。本实验采用测定仪器将光源、分光系统以及检测器高度集成，体积小，方便携带，测定速度快，测定结果较准确，同时可以应用于现场检测。 2 材料与方法 2.1实验材料 本实验所用的西瓜于2013年7月22日取自国家蔬菜工程技术研究中心大兴西瓜基地。每份西瓜样品(3~5个)，按四分法取可食部分混匀，冷冻干燥后粉碎，用自封袋封装。干粉密封贮存在-20:C冰箱中。 2.2 HPLC分析 西瓜中果糖、葡萄糖、蔗糖的测定采用HPLC分析。所用仪器为岛津公司:LC-10AT，检测器:RID-10A示差检测器, 色谱柱:Asahipak NH2P-50 4E, 检测器:RID-10A，流动相:乙腈:水=4:1。 糖提取条件:称取1.0g样品, 水提取; 料液比为1:25超声波提取30min, 提取两次, 定容50ml,0.45um滤膜过滤,待测。 2.2 近红外光谱分析 实验使用MicroNIR1700近红外光谱仪(北京凯元盛世科技发展有限责任公 司)。整机大小Ф45×42(mm×mm)，波长范围:908.1~1676.2nm，相邻波段间隔6.19nm，共125个波长点。利用MicroNIR1700微型近红外光谱对所有的西瓜干粉样品进行近红外光谱扫描，每个样品扫描三次。 参数设置:单次积分时间1000us，重复次数50次。 数据分析软件Unscrambler9.7。 2.3 样品光谱采集 实验过程中将仪器固定在铁架台上，如图1所示，西瓜干粉样本倒入样品杯，将样品杯放在仪器上方进行光谱扫描。在扫描样品之前，以仪器自带的参考版扫描背景光谱。每个样品在不同位置扫描3条光谱。样品光谱图如图2所示。 图1 光谱测量装置 图2 西瓜干粉近红外光谱 图 3 结果与分析 3.1 HPLC分析西瓜果糖、葡萄糖、蔗糖 本实验主要提供80个西瓜干粉样本中果糖、葡萄糖及蔗糖三个主要成分的HPLC分析结果见表1。 表1:西瓜干粉果糖、葡萄糖、蔗糖含量 样品 果糖葡萄糖蔗糖样品果糖葡萄糖蔗糖名称 (mg/gFw) (mg/gFw) (mg/gFw) 名称 (mg/gFw) (mg/gFw) (mg/gFw) G1A 18.398 12.784 1.54 G67B 4.472 3.685 0.158 G1B 19.511 11.24 1.444 G68A 20.405 11.788 0.478 G5A 32.88 18.833 3.308 G68B 22.458 11.781 0.723 G5B 27.983 14.987 2.354 G69A 11.532 8.464 0.26 G7A 19.14 9.578 10.521 G69B 9.425 7.394 0.459 G7B 20.113 9.786 13.906 G71A 7.988 6.111 0.327 G20A 15.059 7.583 0.679 G71B 7.93 6.214 0.383 G20B 12.766 7.055 0.506 G072A 16.305 9.708 0.388 G21A 22.391 15.717 3.558 G072B 10.599 5.486 0.349 G21B 22.065 14.205 5.695 G73A 10.703 9.698 0.29 G23B 5.316 4.167 0.121 G73B 12.108 10.982 0.284 G24B 17.741 13.214 0.799 G74A 4.196 2.094 0.097 G25A 8.546 5.655 0.296 G74B 6.502 3.347 0.124 G27A 16.559 16.956 1.832 G75A 29.894 17.502 19.335 G27B 20.137 20.592 2.682 G75B 26.643 15.463 20.948 G28A 33.809 18.252 33.699 G82A 18.965 12.018 0.935 G28B 32.221 15.018 48.711 G82B 18.304 11.198 0.644 G29A 28.22 14.612 19.292 G83A 12.895 9.947 0.692 G29B 29.724 15.304 21.709 G83B 15.003 11.096 0.854 G30A 18.257 10.077 1.604 G84A 14.121 9.325 0.529 G30B 15.761 8.562 2.19 G84B 27.694 17.083 1.224 G33A 11.738 9.094 0.443 G85A 9.038 6.833 0.315 G33B 12.059 8.953 0.446 G85B 8.456 7.627 0.213 G38A 31.954 20.648 11.615 G97A 17.261 10.709 0.441 G38B 29.147 17.352 10.022 G97B 14.445 8.604 0.588 G42A 6.36 3.269 0.155 G98A1 9.702 4.575 0.134 G42B 6.443 3.401 0.121 G98A2 27.335 14.916 17.048 G44A 18.336 11.904 0.67 G98B1 9.795 5.673 0.179 G44B 15.299 9.053 0.55 G98B2 28.383 14.919 5.233 G48A 21.769 11.882 1.127 G100A 14.334 12.21 0.643 G48B 16.7 8.879 1.547 G100B 13.232 11.662 0.726 G52A 4.019 2.71 0.139 G101A 23.842 14.926 2.469 G52B 10.017 7.533 0.398 G101B 6.962 4.034 0.349 G61A 9.92 6.67 0.25 G104A 6.824 4.159 0.23 G61B 8.778 5.836 0.226 G104B 7.46 4.467 0.195 G63A 12.765 10.604 0.481 G106A 4.959 2.376 0.174 G63B 14.545 11.508 0.546 G106B 4.027 1.946 0.143 G65A 24.865 12.852 2.397 G109A 26.677 11.072 3.798 G65B 22.398 10.934 2.924 G109B 28.254 11.564 5.371 G67A 12.621 8.928 0.398 G122A 9.306 7.611 0.352 由于西瓜品种资源丰富，果糖、葡萄糖、蔗糖的含量有较大差异，结果见表2。为建立光谱模型提供了条件。 表2:西瓜样品果糖、葡萄糖、蔗糖含量差异 成分 平均值 最小值 最大值 标准偏差 果糖 16.31 4.02 33.81 8.17 葡萄糖 10.08 1.95 20.65 4.57 蔗糖 3.74 0.097 48.71 8.01 3.2校正集和验证集样本选取 对近红外模型而言，校正集和验证集样本都必须能代表原始样本的数据分布情况。采用PCA算法对所有80个样本进行分解。前二个主分成的贡献率分别为87%和12%，即代表了原始光谱99%的信息。前两个主成分的得分散点图如图3所示。从图3可以看出，所有样本是呈现均匀分布的，所有样本之间没有非常明显的分类现象。所以从所有样本中采取了随机选择的方式挑选出了10个样本作为验证集，其余70个作为校正集，建立模型。 图3 所有西瓜干粉样本数据PCA第1、2主成分得分散点图 3.3模型的建立与优化 在全谱范围内采用PLS1全交互验证算法建立模型，分别考察了5种不同光谱预处理方法对模型的影响。结果如表3所示。在表中所列出的模型评价参数中，预测均方根(RMSEP)作为最重要的参考指标。因此，确定了不对光谱预处理直接建立校正模型为最优方法。果糖、葡萄糖和蔗糖的建模回归曲线如图4所示。 在葡萄糖模型的建立过程中，SNV预处理的RMSEP值最小，但考虑到采用SNV预处理是模型的维数为10，而无预处理时模型维数为4，差异明显，其他评价参数差异较小，本着防止模型过拟合的原则，确定无预处理为葡萄糖建模时光谱预处理方法。 表3: 果糖、蔗糖、葡萄糖模型在不同光谱预处理方法时的模型参数 交互验证模型参数 分析对象 预处理方法 2维数 Slope Offset RMSEP R 无预处理* 10 0.8484 2.438 3.787 0.76 一阶导(FD) 5 0.8090 3.135 4.019 0.76 果糖 标准化 10 0.8335 2.591 3.962 0.78 多元散射校正(MSC) 9 0.8329 2.791 3.890 0.78 标准正态变量(SNV) 8 0.8318 2.781 4.103 0.75 无预处理 4 0.7492 2.522 2.550 0.71 一阶导(FD) 2 0.7370 2.745 2.612 0.72 葡萄糖 标准化 8 0.7540 2.435 2.646 0.69 多元散射校正(MSC) 7 0.7484 2.567 2.636 0.71 标准正态变量(SNV) 7 0.7617 2.410 2.546 0.71 无预处理 11 0.8719 0.3513 3.301 0.85 一阶导(FD) 10 0.8552 0.5268 3.313 0.85 蔗糖 标准化 9 0.8187 0.6574 4.243 0.74 多元散射校正(MSC) 10 0.8422 0.5023 3.762 0.8 标准正态变量(SNV) 10 0.8454 0.5012 3.849 0.79 * 注:加粗为最终选择的光谱预处理方法 图4 一组光谱建立果糖(A)、葡萄糖(B)和蔗糖(C)模型的真实值和预测值 回归曲线 C A B 3.4验证集样本的预测 建立的模型是否能准确的预测未知样本，除了考察交互验证时的RMSEP等值外，更重要的是看能否预测准确未参与建模的验证集样本。因此采用3.3优化好的方法对验证集样本进行了预测，结果如图5所示。 果糖预测结果的偏差范围为-4.291~1.523，葡萄糖预测结果的偏差范围为-2.028~1.549，蔗糖预测结果的偏差范围为-3.245~5.028。果糖、葡萄糖和蔗糖的SEP分别为1.73、1.21和2.56，根据表2中给出的样本标准偏差计算果糖、葡萄糖和蔗糖的RPD值分别为4.72、3.77和3.13，都大于3，这表明该模型从 统计意义考察是可以正常用于西瓜干粉中糖含量的测定。 图5 一组光谱建立模型时果糖、葡萄糖和蔗糖的真实值和预测值示意图 3.5样本量增大对模型的影响 在建立样品近红外化学计量学模型时，除了样本的代表性外，样本量也是很重要的一个参数，分析对象含量不同的样本量越多，越接近真实情况下分析对象在样本中的分布情况。西瓜是一种大家都很喜爱的农产品，属于天然产物的一种，化学成分很多，与相对简单的化学合成产品不同，其中有很多干扰糖分含量测定的其他化合物，这也需要我们能尽可能多的扩大样本量。在仅有70个样本建立校正模型的情况下，我们将每个样本采集的3条光谱同时参与建模。不对光谱进行预处理，建立模型，参数如表4所示。果糖、葡萄糖和蔗糖的建模回归曲线如图7所示。 与表3中相关参数比较，每个分析对象的模型维数和组成分得分没有变化，这说明采用直接增加同一样本的光谱数据来增加样本量是不影响数据回归之前 2PCA分解的。RMSEP值明显要比1组数据建立模型的值小，R明显增大，这都表明模型性能有所提高。 采用建立好的模型对另外10个样本的共计30条光谱进行预测，每一个样本3条光谱的预测值取平均作为该样本的预测值。结果如图6所示。果糖、葡萄糖和蔗糖预测偏差的范围分别为-3.354~1.898、-1.992~1.610和-2.624~5.039， SEP分别为1.88、1.22和2.44。偏差范围要比1组数据时窄，SEP值除葡萄糖稍有所增大外，果糖和蔗糖的明显较小。这表明增大样本量能提高模型性能。 表4: 样本量增加后建立模型的评价参数 模型评价参数 分析对象 2维数 Slope Offset RMSEP R 果糖 10 0.8666 2.135 3.209 0.85 葡萄糖 4 0.7691 2.308 2.297 0.76 蔗糖 11 0.9142 0.2886 2.439 0.92 图6 一组光谱建立模型时果糖、葡萄糖和蔗糖的真实值和预测值示意图 图7 三组光谱建立果糖(A)、葡萄糖(B)和蔗糖(C)模型的真实值和预测值 回归曲线 C A B 4 结论 本实验建立了西瓜干粉中果糖、葡萄糖及蔗糖的近红外光谱分析检测方法。采用MicroNIR1700微型近红外光谱仪采集样品光谱，以HPLC法测定西瓜干粉中果糖、葡萄糖及蔗糖三个成分的化学值为对照值，采用偏最小二乘回归算法建立在线测量指标性成分的近红外光谱校正模型。从模型及预测结果来看，多组数据所建立的模型的各参数均优于一组数据所建立的模型，且预测结果也优于单一光谱所建立的模型，能够快速、准确测定出西瓜果糖、葡萄糖及蔗糖的含量，达到了实验预期目的。 5 本研究创新点 研究首次采用MicroNIR1700微型近红外光谱仪采集样品光谱，以HPLC法测定西瓜干粉中果糖、葡萄糖及蔗糖含量，仪器将光源、分光系统以及检测器高度集成，体积小，方便携带，测定速度快，测定结果较准确，同时可以应用于现场检测。从模型及预测结果来看，多组数据所建立的模型的各参数均优于一组数据所建立的模型，且预测结果也优于单一光谱所建立的模型，能够快速、准确测定出西瓜果糖、葡萄糖及蔗糖的含量。 6 研究后记与反思 现代农业分析技术在食品营养品质检测中的应用具有很广阔的前景。本次实验用到的MicroNIR1700微型近红外光谱仪仪器将光源、分光系统以及检测器高度集成，体积小，方便携带，测定速度快，测定结果较准确。同时在现场检测中也可以发挥重要的作用。MicroNIR1700微型近红外光谱仪仪器刚问世，在蔬菜营养品质的应用上具有创新性。可以带动今后快速检测仪器的发展，前景充满希望。此次实验大量用到西瓜干粉，西瓜有很大的消费市场，通过利用此仪器能够快速分析品种资源的成分含量， 利于品质改良育种。 通过本次实验，我了解了MicroNIR1700微型近红外光谱仪仪的基本运用方法，并能够熟练的运用此仪器。实验中，我还学习到减小误差的方法，这些严谨的做法对未来的学习生活也有很大帮助。西瓜时我们很熟悉的水果，这次实验让我了解到西瓜中更多的知识，更是对生活中其他的蔬菜产生了兴趣。 此次实验让我了解到在蔬菜等方面的相关知识，这也让我在高考志愿选择 时，会考虑与蔬菜有关的专业，拓宽了我的眼界。 致谢: 感谢国家蔬菜工程技术研究中心何洪巨、赵学志老师的帮助和指导。北京凯 元盛世科技发展有限责任公司朱业伟工程师对完成本研究给予的大力帮助，使我 的科研能力和实验操作有了很大提高同时感谢北京市陈经纶中学黄臣老师给予 的学习机会。 参考文献: 1. 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. 2. 严衍禄，赵龙莲，韩东海等. 近红外光谱分析基础与应用.北京:中国轻工业出版社,2005 3. 于飞健，闵顺耕 ，巨晓棠等. 近红外光谱法分析土壤中的有机质和氮素，分析试验室， 2002 21(3):49-51 4. 闵顺耕，覃方丽，李宁等. 傅里叶变换近红外光谱法测定大麦中全氮、淀粉和赖氨酸含 , 分析化学，2003 31(7):843-845 量 5. 王多加，周向阳，金同铭等. 近红外光谱检测技术在农业和食品分析上的应用, 光谱学 与光谱分析，2004 24(4):447-450 6. Chalucova R, Krivoshiev G, Mukarev M, et a1.Determination of Green Pea Maturity by Measurement of Whole Pea Transmittance in the NIR Region. Lebensmittel-Wissenschaft und-Technologie,2000, 33(7):489-498. 7. Roggo Y, Duponchel L, Ruckebusch C, et a1.Statistical tests for comparison of quantitative and qualitative models developed with near infrared spectral data. Journal of Molecular Structure, 2003,654(1):253-262. 8. Shyam N J, Matsuoka T. Non-destructive determination of acid –brix ratio of tomato juice using near infrared spectroscopy.International Journal of Food Science and Technology, 2004, 39:425-430. 9. 金同铭. 非破坏性评价西红柿的营养成分-1 蔗糖、葡萄糖、果糖的近红外分析，仪器 仪表与分析监测 1997(2):32-36 10. 金同铭 非破坏性评价西红柿的营养成分-2 柠檬酸、苹果酸、琥珀酸、抗坏血酸的近红 外分析，仪器仪表与分析监测 1997 (3):49-54 11. Jing Tongming, Liu Ling et al. Determination of nutritive constituents in chinesecabbage by NIRs. Leaping ahead with NIRs. Australia 1995,227-230