柑橘作为我国最大宗水果作物，品种资源丰富，种植广泛，面积和产量均居世界首位，营养价值丰富，深受消费者喜爱。柑橘的可溶性固形物（total soluble solid，TSS）、可滴定酸（titratable acidity，TA）及维生素 C（vitamin C，VC）含量是评价柑橘内在品质及风味的重要特性指标。目前，柑橘果实主要依靠化学分析的方式检测内在品质，分析过程繁琐复杂，且为有损检测，难以实现实时监控。因此，如何寻求一种快速、便携、精确、无损检测柑橘内部品质的技术成为目前柑橘产业生产者及产后采收分级者关注的焦点问题。早前，柑橘产业采收分选主要凭据为重量、大小与外观品质；现今，采后分选开始由外观品质向内在品质检测发展。
近红外光谱（near infrared spectrum instrument，NIRS）是一种介于可见光和远红外光之间的电磁辐射波，利用物质对光的特性（吸收、透射等），对物质的成分进行无损检测的新技术[1-3]。NIRS无损检测技术先后被美国、日本等国家应用到农产品采后分选处理工作中[3-9]。近年来，我国也将其技术广泛应用于果蔬内在品质指标的快速、无损检测[10-19]，研究主要集中在苹果[20-21]、李果实[22]、樱桃番茄[23]、梨[24-25]、芒果[26]、猕猴桃[27]等薄皮水果。NIRS无损检测技术在柑橘[28]内在品质上的评测研究，大多集中在柑橘果实TSS的检测分析，对柑橘内在品质多指标（TSS，TA、VC等）研究报道[29-30]相对较少，尤其建立的校正模型未进行外部样品的实际验证检测。
本试验以自然成熟的塔罗科血橙为试验对象，应用NIRMagic1100便携式果品近红外光谱分析仪获取塔罗科血橙光谱图案、ChemoStudio化学计量学分析软件谱图分析及内在品质化学分析等技术，对塔罗科血橙的内在品质多指标进行快速、无损评测研究，分析光谱反射与吸收度和内在品质的相关性，建立塔罗科血橙TSS、TA及VC含量的偏最小二乘（partial least squares，PLS）模型，为塔罗科血橙内在品质多指标评测提供一种快捷、无损的光谱手段，同时将建立的校正模型写入NIRMagic1100便携式果品近红外光谱分析仪，并对外部样品进行了实际验证与评估，获得了较好的结果。
1 材料与方法
1.1 试验材料与试剂
塔罗科血橙：从中国农业科学院柑桔研究所大沟果园中采集，于2019年1月24日、2019年1月26日从生长良好的植株上分批、随机采取树冠四周外侧果实样品，每次采取50个果实，单果为一重复，共100个果实样品。每次采集果实样品后立即带回实验室对果实进行表面清洗、擦干，单果逐一编号，并于果蒂处标记。采回的果实样品应用NIRMagic1100便携式果品近红外光谱分析仪立即进行近红外光谱图像采集，光谱采集后再对各个果实样品进行相应内在品质指标化学分析。
L-（+）-抗坏血酸标准品、草酸、碘、碘化钾、可溶性淀粉、无水乙醇（分析纯）：成都市科隆化学品有限公司；酚酞、邻苯二甲酸氢钾（分析纯）：成都市科龙化工试剂厂；氢氧化钠（分析纯）：重庆川东化工（集团）有限公司。
1.2 仪器与设备
NIRMagic1100便携式果品近红外光谱分析仪：北京伟创英图科技有限公司；PAL－1型手持式数显折射仪：日本ATAGO（爱拓）公司；4161型电动榨橙汁机：德国Braun（博朗）公司；ME204E型万分之一分析天平：瑞士梅特勒-托利多集团；Titrette
class A precision型数字滴定仪：德国BRAND（普兰德）公司。
1.3 塔罗科血橙样品的光谱检测
将编号完全的塔罗科血橙依次排列在瓷盘中，并在其赤道面选择3个点（避开瑕疵及病虫害伤口）用记号笔画出30 mm～50 mm直径的圈，并依次编号。应用NIRMagic1100便携式果品近红外光谱分析仪依次获取单个塔罗科血橙标记圆圈中的光谱图。
1.4 果实品质测定与分析
获取光谱数据后，立即将塔罗科血橙依次榨汁，双层纱布过滤，按编号分装在小烧杯内混匀，静置。
1.4.1 可溶性固形物测定
在室温25℃下利用PAL－1型手持式数显折射仪测定TSS，每果汁样品重复3次，取平均值作为样品的TSS数据。
1.4.2 可滴定酸测定
利用酸碱滴定法[31]测定，每样品重复3次，取平均值。
1.4.3 维生素C测定
利用碘量法[32]测定，每样品重复3次，取平均值。
1.5 数据统计分析与模型构建
化学分析数据统计分析：采用Microsoft Excel Office 2010软件。
近红外光谱数据分析与模型建立：应用ChemoStudio化学计量学分析软件对光谱数据进行处理，并结合处理好的化学分析数据进行模型建构，将单果赤道不同圈面的3条原始光谱数据转化为平均值，共100个平均谱图，其中随机选取67个作为校正集，其余33个作为预测集。在600 nm～1 100 nm检测范围选择合适光谱区间至关重要。图1为塔罗科血橙原始近红外光谱图。
图1 塔罗科血橙样品的原始近红外光谱
Fig.1 Primary near infrared spectra of tarocco blood orange samples
在小于750 nm与大于950 nm的波长区间光谱数据相对紊乱，故选择750 nm～950 nm的光谱数据，并使用Savitsky-Golay方法对光谱进行平滑预处理，分析吸光度值与TSS、TA及VC含量的相关性，并通过PLS定量分析，建立PLS模型。
PLS模型的实际验证：2019年2月28日，于试验园内随机采取树冠外围21个成熟样品，于实验室洗净擦干。运用目前NIRMagic1100便携式果品近红外光谱分析仪导入先前建立的PLS模型，测定已做处理的塔罗科血橙（同1.3光谱测定）的TSS、TA及VC含量，随后采用化学分析法测定实际果实TSS、TA及VC含量。利用Microsoft Excel Office 2010软件论证近红外光谱预测值与实际值的相关关系。
2 结果与分析
2.1 塔罗科血橙内在品质化学分析
建立PLS模型前对TSS、TA及VC的相关数据进行预分析处理。PLS模型预测的好坏关键在于化学分析的精度与样品指标数据的范围，具有精度高、范围广的数据构建的模型更加精确，预测结果更加有效。表1为塔罗科血橙内在品质化学分析的结果。
表1 塔罗科血橙内在品质指标分析结果
Table 1 Analysis of internal quality indicators of tarocco blood orange
样本类型 内在品质TSS/% TA/（g/100 mL）VC/（mg/100 mL）校正集 范围 9.3～11.9 0.64～0.92 47.80～76.43均值 10.5 0.76 59.83变幅 2.60 0.28 28.63标准差 0.510 0.079 6.351验证集 范围 9.5～11.9 0.65～0.90 52.71～76.62均值 10.6 0.75 61.898变幅 2.40 0.25 23.91标准差 0.510 0.064 6.604
结果表明，校正样本集的范围广度较好，预测集样品TSS、TA及VC含量均落在校正集的范围内，利用本数据建立的模型能够用于塔罗科血橙内在品质的无损检测。
2.2 PLS模型建立与预测分析
试验对原始光谱数据进行了Savitzky-Golay卷积平滑、多元散射校正、Savitzky-Golay卷积导数3种方法的预处理，对比原始图谱发现在750 nm～950 nm的拟建模波长区间内，吸光度出现明显峰值。在750 nm～950 nm波长区间建立模型，分析校正-预测偏差的差异显著，筛选偏差值，并剔除异常值。异常值为异常样品导致，严重影响建立模型的精度与预测效果，运用残差法剔除异常值，相关系数（r）与交互验证均方差（root mean square error of cross validation ，RMSECV）为剔除标准，仅在r值增大，RMSECV值减小的情况下，确定为异常值，必须剔除，否则保留。
本试验，PLS模型的性能由校正标准偏差（square error of calibration，SEC）、校正定向相对分析误差（residual predictive deviation of calibration，RPDC）及模型预测值与实际值的相关系数r值评价。根据相关分析及异常值剔除，在0～15个评价因子中确认最佳因子，建立最佳模型。表2为TSS、TA及VC的最佳PLS模型的评价参数。
表2 塔罗科血橙内在品质指标PLS模型的结果
Table 2 Results of PLS model for internal quality indicators of tarocco blood orange
PLS模型 最佳因子 r SEC RPDC TSS 7 0.833 0.30 1.69 TA 3 0.699 0.058 1.351 VC 5 0.925 2.543 2.498
分析表明TSS的最佳因子（主成分）、SEC、RPDC及r值分别是7、0.30、1.69和0.833。PLS模型预测值与实际值的相关系数r值是评价PLS模型重要的参数因子，其中VC的预测值与实际值相关性最高，达0.925。TSS、TA及VC含量实测值与预测值相关图分别如图2所示。将PLS模型代入预测集数据进行检测，TSS、TA及VC含量散点图的相关系数r值分别为0.691、0.496、0.856。VC的预测值与实际值的相关性较高。
图2 PLS校准模型下TSS、TA、VC实际值及预测值得散点图
Fig.2 Scatter plots of actual and predicted values of TSS，TA and VCunder PLS calibration model
图3 PLS校准模型下TSS、TA、VC预测值及实际值对比图
Fig.3 Comparison of TSS，TA，VCpredicted values and actual values under PLS calibration model
2.3 PLS模型实际验证
应用PLS模型对21份塔罗科血橙样品的TSS、TA及VC含量进行实际验证，结果见图3及表3。
将光谱所得与化学分析数据进行对比分析发现，近红外光谱分析的TSS结果较小于化学分析的TSS结果，平均值分别为10.3%、11.2%，差值为0.9%；近红外分析TA、VC大于化学分析值，其平均值分别为0.84、0.75 g/100 mL 和 62.91、58.98 mg/100 mL，差值分别为0.09 g/100 mL、3.9 mg/100 mL。近红外分析获得TSS结果与化学测定结果的差异基本表现在1%以内，占比71.43%；VC基本表现在5 mg/100 mL以内，占比71.43%；TA差异较大，离散范围较大，近红外分析获得的TA的结果与化学测定值没有相关性。
表3 PLS模型实际验证塔罗科血橙内在品质分析
Table 3 PLS model practical validation of internal quality analysis of tarocco blood orange
TSS/%6个样本（28.57%）差异范围 0～0.5 0.6～1 1～1.5 1.5～2 0～5 5～10差异最大值 1.9 9.42差异最小值 0.1 0.46标准差 0.45 2.55差异比较VC/（mg/100 mL）5个样本（23.81%）10个样本（47.62%）4个样本（19.05%）2个样本（9.52%）images/BZ_205_1682_481_1708_510.png15个样本（71.43%）
3 结论
本文采用NIRS与化学分析法，获取光谱信息，进行光谱分析与建模，在750 nm～950 nm的近红外光谱区间内，建立的PLS模型，对塔罗科血橙TSS、TA和VC等内在品质多指标进行近红外光谱评测试验。本试验研究近红外光谱建立PLS模型评测塔罗科血橙内在品质的性能，得到TSS、TA及VC预测值与实际值的相关系数r值分别是0.833、0.699、0.925，其中TSS与VC的相关性表现良好，预测值结果表明所建立的PLS模型稳定性良好，可用于评测塔罗科血橙TSS与VC含量，而TA的相关性相对略差，其中存在多方误差影响，如TA化学测定数据不精准（柑橘酸度随时间易降解）、塔罗科血橙表皮着色、内部花青苷等影响光谱形成，待后续进一步试验验证。将PLS模型进行实际验证，TSS与VC预测值与实际值差异较小，TSS的差异基本表现在1%以内，占比71.43%；VC基本表现在5 mg/100 mL以内，占比70.00%，可接受程度高，表明所建立的PLS模型可用于塔罗科血橙TSS与VC含量的实际评测。
[1] OWENREECE H,SMITH M,ELWELL C E,et al.Near infrared spectroscopy[J].Anaesthesia,1996,51(7):710
[2] 史苏佳.近红外对食品的无损伤分析[J].食品研究与开发,2007,28(3):177-179
[3] 毛莎莎,曾明,邓烈,等.近红外光谱技术在水果成熟期预测中的应用(综述)[J].亚热带植物科学,2010,39(1):82-87,96
[4] 龚志远,李轶凡,吴建红,等.基于可见近红外光谱的水果糖酸度分级控制[J].仪表技术与传感器,2015(8):73-75,91
[5]ALFATNI M S M,SHARIFF A R M,ABDULLAH M Z,et al.The application of internal grading system technologies for agricultural products-Review[J].Journal of Food Engineering,2013,116(3):703-725
[6] Lu R,ARIANA D.A near-infrared sensing technique for measuring internal quality of apple fruit[J].Applied Engineering in Agriculture,2002,18:585-590
[7] SHETTY N,GISLUM R.Quantification of fructan concentration in grasses using NIR spectroscopy and PLSR[J].Field Crops Research,2011,120(1):31-37
[8] JIANG H,LU J.Using an optimal CC-PLSR-RBFNN model and NIR spectroscopy for the starch content determination in corn[J].Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy,2018,196:131-140
[9] XIAO X U,XIE L,YING Y.Factors influencing near infrared spectroscopy analysis of agro-products:a review[J].Frontiers of Agricultural Science and Engineering,2019,6(2):105
[10]CLARK C J,MCGLONE V A,JORDAN R B.Detection of Brownheart in‘Braeburn’apple by transmission NIR spectroscopy[J].Postharvest Biology and Technology,2003,28(1):87-96
[11]ANN P,ANN S,BART M N.Effect of natural variability among apples on the accuracy of VIS-NIR calibration models for optimal harvest date predictions[J].PostharvestBiologyandTechnology,2005,35(1):1-13
[12]李光辉,任亚梅.近红外技术在果品品质无损检测中的研究进展[J].食品研究与开发,2012,33(10):207-211,240
[13]王转卫.基于介电频谱与光谱技术的水果内部品质无损检测方法研究[D].杨凌:西北农林科技大学,2018
[14]王琼.近红外光谱对石榴品种的判别及品质的无损检测[D].杨凌:西北农林科技大学,2017
[15]胡晓峰,林敏,刘辉军,等.应用近红外漫反射光谱法的猕猴桃品质无损检测[J].理化检验(化学分册),2018,54(1):8-12
[16]王凡,李永玉,彭彦昆,等.便携式番茄多品质参数可见/近红外检测装置研发[J].农业工程学报,2017,33(19):295-300
[17]潘冰燕,鲁晓翔,张鹏,等.近红外光谱对甜椒果实质地的无损检测[J].食品与发酵工业,2015,41(11):143-147
[18]LIM J,MO C,NOH S H,et al.Capsaicinoids content prediction model development for Korean red-pepper powder using a visible and near-infrared spectroscopy[J].Proceedings of SPIE-The International Society for Optical Engineering,2012,8369(3):28
[19]卜晓朴,彭彦昆,王文秀,等.生鲜紫薯花青素等多品质参数的可见-近红外快速无损检测[J].食品科学,2018,39(16):227-232
[20]刘琼磊,谭保华.苹果近红外无损检测实验研究[J].湖北工业大学学报,2017,32(4):26-28,38
[21]张鹤冬,王冬,韩平,等.基于线性渐变分光近红外光谱仪的苹果可溶性固形物含量无损检测研究[J].农产品质量与安全,2018(5):53-57
[22]贡东军,牛晓颖,赵志磊,等.支持向量机在李果实坚实度近红外检测中的应用[J].农机化研究,2015,37(4):172-175
[23]王凡,彭彦昆,李永玉,等.樱桃番茄可溶性固形物含量的可见/近红外透射光谱无损检测[J].中国食品学报,2018,18(10):235-240
[24]SERRA S,GOKE A,DIAKO C,et al.Consumer perception of d'Anjou pear classified by dry matter at harvest using near-infrared spectroscopy[J].International Journal of Food Science&Technology,2019,54(6):2256-2265
[25]WEDDING B B,WRIGHT C,GRAUF S,et al.The application of FT-NIRS for the detection of bruises and the prediction of rot susceptibility of‘Hass’avocado fruit[J].Journal of the Science of Food and Agriculture,2019,99(4):1880-1887
[26]TEERACHAICHAYUT S,TERDWONGWORAKUL A,THANAPASE W,et al.Non-destructive prediction of hardening pericarp disorder in intact mangosteen by near infrared transmittance spectroscopy[J].Journal of Food Engineering,2011,106(3):206-211
[27]MOGHIMI A,AGHKHANI M H,SAZGARNIA A,et al.Vis/NIR spectroscopy and chemometrics for the prediction of soluble solids content and acidity (pH)of kiwifruit[J].Biosystems Engineering,2010,106(3):295-302
[28]毛莎莎,曾明,邓烈,等.哈姆林甜橙果实内在品质的可见-近红外漫反射光谱无损检测法[J].食品科学,2010,31(14):258-263
[29]王旭.冰糖橙可溶性固形物和pH值近红外光谱检测[J].食品研究与开发,2017,38(3):143-146
[30]陆辉山,傅霞萍,应义斌,等.可见/近红外光估测完整柑橘水果可溶性固形物含量的研究[J].光谱学与光谱分析,2007(9):1727-1730
[31]黄伟坤.食品检验与分析[M].北京:轻工业出版社,1989:29-30,98-99
[32]严苹,罗月生,陈碧琼.碘量法测定橙子维生素C的含量[J].广州化工,2016,44(14):121-122