可溶性固体糖度检测

在葡萄栽培与酿酒工业中，可溶性固形物总含量（Total Soluble Solids, TSS）是衡量果实成熟度和品质的关键指标。不同品种的葡萄因其遗传特性和生长环境的差异，其TSS含量存在显著变化。准确估算各品种葡萄的TSS含量，对于预测酒的品质、调整酿造工艺以及确定最佳采收时机均具有重要意义。那么，如何能够准确估算葡萄的TSS含量呢？跟随小编，一起来看看下面这篇论文给出了怎样的答案。摘要 ABSTRACT可溶性固形物总含量（TSS）是决定葡萄最佳成熟度的关键变量之一。在这项工作中，基于漫反射光谱测量，开发了偏最小二乘（PLS）回归模型，用于估算Godello、Verdejo（白葡萄）、Mencía 和Tempranillo（红葡萄）等葡萄品种的TSS含量。为了确定TSS预测的最适合光谱范围，对四个数据集进行了回归模型的校准，其中包括以下光谱范围：400–700 nm（可见光）、701–1000 nm（近红外）、1001–2500 nm（短波红外）和400–2500 nm（全光谱范围）。我们还测试了标准正态变量变换技术。使用留一交叉验证评估了回归模型，评估指标包括均方根误差（RMSE）、决定系数（R2）、性能与偏差比（RPD）和因子数（F）。红葡萄品种的回归模型通常比白葡萄品种的模型更准确。最佳的回归模型是针对Mencía（红葡萄）得到的：R2 = 0.72，RMSE = 0.55 °Brix，RPD = 1.87，因子数 n = 7。对于白葡萄，Godello取得了最佳结果：R2 = 0.75，RMSE = 0.98 °Brix，RPD = 1.97，因子数 n = 7。所使用的方法和得到的结果表明，可以使用漫反射光谱和将反射值用作预测变量的回归模型来估算葡萄中的TSS含量。结果 RESULT葡萄的反射率是使用ASD FieldSpec 4 地物光谱仪进行测量，该仪器可检测350–2500 nm光谱范围内的反射率。葡萄样品（每个葡萄品种60个样品，每个样品有100颗浆果）散布在黑色容器芯中（17 × 17 cm）。从4个不同的数据中获取了100颗浆果的反射数据（在每次测量之前将样品顺时针旋转90°）。然后对反射数据进行预处理，得到4次数据的平均值。图1. 利用ASD地物光谱仪获取光谱数据的流程图2展示了四种葡萄品种的平均反射值范围以及原始数据（图2a）和SNV转换数据（图2b）的TSS反射值。在图2a中，红葡萄品种（Mencía和Tempranillo）具有非常相似的光谱特征。虽然在可见光范围内的反射值相似，但从波长675 nm处可以看出一些差异，最大和最小反射值分别约为895 nm和1080 nm，以及675 nm和960 nm。白葡萄（Godello和Verdejo）的光谱特征与红葡萄不同，但彼此非常相似。Godello和Verdejo在可见光-近红外范围的570 nm、830 nm和890 nm处具有最高的反射值。在这个范围内，反射值呈现轻微差异，尽管它们具有相同的光谱特征。从波长1160 nm开始，四种葡萄品种的反射值是相同的。图2 四种葡萄品种（Mencía、Godello、Tempranillo和Verdejo）采样浆果的平均光谱范围图3 Godello、Mencía、Tempranillo和Verdejo葡萄品种在使用原始数据（实线）和SNV转换数据（虚线）进行PLS回归时加权回归系数在全光谱范围内的分布。对四个品种的酿酒特性进行了交叉验证。黑线表示零相关性，并为了清晰呈现而偏移了3.0单位图4 利用原始光谱反射数据进行每个波长的简单线性相关性葡萄糖度（TSS）相关图。图5 利用原始（a–d）和SNV转换（e–h）反射数据进行的偏最小二乘回归（PLS）的均方根误差（RMSE）值。所有图应用相同的颜色刻度（请参阅右侧图例）。结论 CONCLUSION采用漫反射光谱测量方法，利用偏最小二乘（PLS）回归模型估计了四种葡萄品种（Godello、Verdejo、Mencía和Tempranillo）的总可溶性固形物（TSS）含量。基于所获得的结果，红葡萄品种的TSS含量估算最佳，特别是Mencía。用于TSS预测的最适宜光谱范围是近红外（NIR）范围（701–1000 nm）。在此光谱范围内获得了最高的R2和RPD值，以及最低的RMSE和F值。在所有光谱范围内，对数据进行SNV转换进一步改善了模型的评估指标结果。用于估算TSS的最佳变量（图5）分别位于860 nm处，波长201 nm的Godello；883 nm处，波长232 nm的Mencía；916 nm处，波长230 nm的Tempranillo；以及1055 nm处，波长230 nm的Verdejo。这些最佳点呈现出最低的RMSE值。研究表明，通过光谱测量的反射值，可以迅速、非侵入性地进行现场测量，从而估算TSS含量。

酒醅中可溶性淀粉转化葡萄糖有多少？酒曲生产需要一定的发酵周期，发酵过程不便调控，因此酒曲的化学成分分析对于制曲生产起着相当重要的作用。衡量大曲质量的优劣主要是根据大曲的水分、酸度、淀粉、发酵力、酯化力、糖化力等理化指标的大小，再辅以感官来进行综合评判。其中大曲糖化力是一个重要指标，是表征大曲将酒醅中可溶性淀粉转化为葡萄糖的能力。检测大曲糖化力的传统方法为斐林试剂法，存在耗时长、样品前处理过程繁琐等不足，因此建立一种快速、高效的大曲糖化力检测方法具有重要意义。本实验采用步琦的近红外光谱仪 NIRMaster 对大曲糖化力的快速检测。近红外光谱技术结合偏最小二乘法检测大曲糖化力 1仪器设备瑞士 Buchi 公司的 NIRMaster 傅里叶变换近红外光谱仪。光谱谱区范围为 4000～10000 cm-1，光谱分辨率为 8 cm-1，扫描次数为 48 次，测量序列个数为 3。 2样品酒厂酿酒周期的现用大曲 200 个 3实验方法3.1大曲糖化力化学方法测定大曲糖化力的化学测定法采用斐林试剂法。大曲中的糖化酶能将淀粉水解为还原糖，还原糖可以将斐林试剂中的二价铜离子还原为一价铜离子，反应终点由次甲基蓝指示。根据还原一定量的斐林试剂所需的还原糖量，可计算大曲样品的糖化酶活力，即 1g 大曲在 35 ℃、pH4.6 条件下，反应 1h，将可溶性淀粉分解为葡萄糖的能力。每个样品的检测均取 2 个平行样。3.2大曲样品的近红外光谱测量方法将大曲样品平铺于培氏培养皿样品杯底部，样品量约占样品杯 2/3，并用样品勺压紧，避免出现缝隙，然后将样品杯放置于测量池上进行测量。 4结果实验数据处理方法采集的光谱数据用 NIRCal 化学计量学分析软件处理和计算。▲ 大曲糖化力化学值与预测值的散点图上图可直观的看出模型的光谱预测值与原始值的相关性较好。其中，建模集的相关系数为 r 为 0.9613，验证集的相关系数 r 为0.9528；建模集标准偏差 SEC 与验证集标准偏差 SEP 的比值为 29.6099/29.7088=0.9967，模型稳定性较好，具有很好的预测能力。▲ 未知样品含量预测值与化学值的比较模型的验证结果可以看出，大曲糖化力近红外模型预测值的平均相对误差为 5.27 %，说明该近红外模型有较好的预测能力。为考察两种方法检测结果之间的差异性，采用 SPSS 软件对 50 组大曲样品进行差异显著性分析。结果见下表。从分析结果可以看出，在 0.05 水平上，两种方法差值的显著性结果为 0.830，大于 0.05，说明两种方法的检测结果的差异性并不显著，均可以反映大曲糖化酶活力大小，该模型可以用于大曲糖化力的预测。 5讨论本试验采用近红外光谱技术结合偏最小二乘法建立了预测大曲糖化力的定量模型。通过对模型的预测结果与传统方法检测结果的对比分析可以看出，该模型的准确度可以满足实际生产中大曲糖化力的预测。近红外光谱分析具有以下特点：操作简单分析速度较快，适合大批量重复测试测试过程中无需使用化学试剂、无污染样品可以重复使用可用于生产线等在线检测6参考文献王军凯，王卫东，蒋明，韩瑶,等. 近红外光谱技术结合偏最小二乘法检测大曲糖化力[J].酿酒,2018(3)：116-118.

猕猴桃亦称奇异果，含有多种微量元素和丰富的有机物，营养价值高且口感酸甜，拥有“水果之王”的美誉。糖度是猕猴桃主要的内部参数之一，猕猴桃内部品质参数直接影响其口感，也是决定猕猴桃采摘时间及储存时间的重要指标，猕猴桃的糖度中85%左右的成分是可溶性固形物，因此常用的传统糖度检测方法是采用折射仪测量被挤出的果汁中的可溶性固形物含量来反映糖度值，该方法繁琐、耗时且破坏样本，无法实现快速的工业化检测。高光谱成像技术因其信息量大、光谱分辨率高、操作方便等特点，已广泛用于如苹果、樱桃、柿子、芝麻菜、梨、荔枝等]果蔬内部参数的无损检测。1 实验部分1.1 材料实验材料为某猕猴桃基地现采的“红阳”猕猴桃。选取120个大小相近、表面无损伤和疤痕的猕猴桃样本并依次编号，静置于实验室24h,等待采集其高光谱图像并随后测量其糖度，实验期间的环境温度(26±1)℃。1.2仪器与设备本实验应用了400-1000nm的高光谱相机，可采用杭州彩谱科技有限公司产品FS13进行相关研究。光谱范围在400-1000nm，波长分辨率优于2.5nm，可达1200个光谱通道。采集速度全谱段可达128FPS，波段选择后最高3300Hz（支持多区域波段选择）。1.3高光谱图像信息采集高光谱分选仪预热30 min后开始采集图像，以保证采集时的环境温度和光源强度在采集初期和后期保持一致。将标准白板的高度调整至与猕猴桃样本在同一焦面上，光谱相机曝光时间为13.5ms,样本平台与镜头的距离为170mm,电控移动平台前进距离为11 cm,其前进速度及回退速度分别为0.46和5cms¹ 。1.4猕猴桃糖度测定采集完所有样本的高光谱图像后，当天进行并完成猕猴桃糖度测定。根据行业规定，常以猕猴桃赤道部位的糖度来代表整体糖度，参照NT/T2637—2014《水果、蔬菜制品可溶性固形物含量的测定-折射仪法》,对每个猕猴桃样本依次将其赤道上的果皮削掉，取出适量果肉压汁，随后用一次性滴管将汁液滴到SKY107手持式糖度折射仪的检测槽中，读出该样本的糖度理化值示数。每个样本以两次平行测定结果的算术平均值作为该样本的糖度理化测量值。1.5 高光谱数据的提取采用Spec View软件对猕猴桃样本的原始高光谱图像进行黑白校正，利用ENVI5.1软件从校正后的图像中选择猕猴桃整个赤道区域作为感兴趣区域并提取光谱，以ROI区域的平均光谱作为此猕猴桃的原始光谱信息，如图2(a)所示。由图2(a)可知，原始光谱曲线的首尾两端存在明显噪声，故选取每个样本400～1000 nm波长范围内的高光谱信息作为有效光谱，如图2(b)所示，该范围共计237个波长。1.6模型评价利用5个指标值即校正集的相关系数(Rc)及其均方根误差(RMSEC)、预测集的相关系数(Ro)及其均方根误差(RMSEP)、相对分析误差(RPD)来评价模型的预测性能。其中，Rc和Rp越接近于1,表明模型的稳定性及拟合度越高；RMSEC和RMSEP越接近于0,表明模型的预测能力越强；RPD定义为样本的标准差与其均方根误差之比，若RPD1.4,模型对样本无法实施预测，1.4≤RPD1.8,模型可对样本进行粗略预测，1.8≤RPD2.0,模型可对样本进行较好预测，RPD≥2,模型可对样本进行极好预测]。2 结果与讨论2.1样本划分对120个猕猴桃样本利用拉依达准则方法进行异常值的判别和剔除，结果显示无异常值，随后将其按照3:1比例用KS(Kennard-Stone )算法将其划分为90个校正集样本、30个预测集样本，猕猴桃样本糖度测量值结果见表1。2.2光谱及预处理为了减少提取的光谱数据中掺杂的噪声和光谱倾斜，以便提高光谱分辨的灵敏度，进行合理的光谱预处理是必要的。利用多元散射校正、标准正态变量变换、直接正交信号校正等3种方法对有效光谱进行预处理，并分别建立对应的ELM预测模型，其预测结果见表2。由表2可知，DOSC-ELM模型的Rc和Rr值最大且RMSEC和RMSEP值最小，预测效果好，故后续均基于DOSC预处理方法进行。DOSC方法通过将光谱矩阵与待测浓度矩阵正交，在不损害数据结构特性的前提下滤除原始光谱中与糖度不相关的信息，保留最相关的信息用于构建预测模型。DOSC预处理前的校正集和预测集的光谱反射率分别如图3(a)和图3(c)所示，DOSC预处理后的校正集和预测集的光谱反射率分别如图3(b)和图3(d)所示。从图3可知，相较于未经过预处理的高光谱图像，DOSC预处理后的光谱图像线条更加紧密，图3(b)和图3(d)中所凸起的波峰也反映了预处理后的光谱数据与待测成分即糖度的相关性得到了良好的提升。DOSC预处理前后各高光谱波段与猕猴桃糖度的相关系数如图4所示。通常相关系数0.5≤|r2.3.2 基于CARS的特征光谱变量提取对预处理后的光谱用CARS算法提取特征光谱变量时，设定蒙特卡罗采样50次，采用5折交叉验证法。图7(a)为呈现指数衰减函数的选择过程，特征光谱变量的数量随着采样次数的增加先迅速下降然后平缓减少，具有“粗选”和“精选”2个特征。由图7(b)可知，随着Monte-Carlo采样次数的增加，内部交叉验证均方根误差(RMSECV)呈先缓慢减小后陡然增大的趋势，这是由于选择过度而移除了富含信息的关键变量，导致模型的预测性能下降。图7(c)是特征光谱变量随着采样次数变化的回归系数路径图，当图7(b)中RM-SECV值达到最小值时，各特征光谱变量的回归系数位于图7(c)中的“*”所在的垂直线位置，此时采样运行5次，最终提取出49个特征光谱变量。3结论以“红阳”猕猴桃为研究对象，本文利用高光谱成像技术结合不同特征光谱变量提取方法构建不同模型，对猕猴桃糖度进行无损检测。研究结果如下：(1)对猕猴桃原始有效光谱分别采用MSC,SNV和DOSC预处理后，结合ELM模型的预测结果，分析不同预处理方法对模型预测精度的影响，对比结果显示DOSC预处理效果最好。(2)对DOSC预处理后的光谱分别采用一次降维、一次组合降维和二次组合降维共7种特征提取方法，提取到的特征光谱变量个数分别为49,9,8,58,55,11和19,占全光谱波段的20.7%,3.8%,3.4%,24.5%,23.2%,4.6%和8%。