番茄是一种营养丰富且深受人们喜爱的果蔬, 在全球都得到了广泛的种植, 而我国番茄产销量稳居全球首位。 番茄不仅在人们的生活中扮演了一个重要的角色, 在工业生产中也占据了举足轻重的位置, 我国番茄的出口也在不断增加。 番茄的糖分、 酸度、 维生素C及可溶性固形物含量是反映番茄内部品质的重要评价指标, 而可溶性固形物含量是这些内部品质的总和, 能够较好地表征番茄的内部品质。 因此, 实现对番茄可溶性固形物含量的快速检测对番茄的工业生产和日常生活有着巨大的帮助。 基于化学原理的传统检测方法会对番茄样品产生不可逆的破坏, 且耗时耗力, 难以应对我国现代工业生产的需要。 因此, 寻求番茄内部品质的快速无损检测技术成为了亟待解决的问题。 近年来, 近红外光谱分析在多个领域得到了广泛的应用； 基于近红外光谱检测方法对反映番茄甜度的可溶性固形物含量进行了相关性建模和预测研究。 实验搭建了近红外光谱检测平台, 选择了255个不同成熟度和品种的番茄样本, 每个样本采集了光谱数据和可溶性固形物含量值。 研究对比了SNV, MSC, NOR和SG等光谱数据预处理方法, 并采用K-S算法划分建模校正集和验证集。 同时, 为提高检测可靠度和建模效率, 研究对比了CARS, RF, SPA和UVE等算法来进行数据降维。 结果表明, 采用SNV加二阶15点SG平滑组合的预处理与CARS波段选择相结合, 利用选出的54个波段建立的模型效果较好, 校正、 验证和交互验证相关系数R2分别达到了0.90, 0.89和0.91, 均方根误差RMSE分别为0.14, 0.15和0.14°Brix。 利用自行搭建的近红外光谱检测平台可较好地实现了番茄糖分的快速检测。

奶粉富含人体所需的五大营养物质, 是婴幼儿主要的营养来源之一, 奶粉中的营养成分对婴幼儿的生长发育具有重要影响, 除乳糖外的糖类含量超标可能对婴幼儿健康产生不良影响。 由于奶粉成分复杂, 目前的色谱法和近红外光谱法检测技术都难以满足奶粉糖分快速无损检测的要求, 因此亟须探索一种奶粉中葡萄糖、 蔗糖含量快速无损检测方法。 太赫兹波对不同大分子物质的吸收峰具有“指纹”特性, 可利用该特性对不同的大分子物质进行识别。 应用太赫兹时域光谱技术(THz-TDS)并结合化学计量学方法对奶粉中葡萄糖、 蔗糖两种糖分的定性定量检测方法进行了研究。 实验装置采用TAS7500TS太赫兹光谱系统, 实验样品为不含糖的婴幼儿奶粉和纯度大于99%的葡萄糖、 蔗糖晶体及不同梯度浓度的奶粉-葡萄糖、 奶粉-蔗糖混合物, 实验分别采集了3种纯品样品及15种不同梯度浓度的奶粉-葡萄糖、 奶粉-蔗糖混合物样品的太赫兹时域信号, 每个样品采集三次并取平均值作为其时域光谱信号, 经快速傅里叶变换(FFT)得到各样品的太赫兹频域信号, 再根据Dorney提出的光学参数提取公式计算得到各样品的吸收系数谱和折射率谱。 最后分别基于两组混合物样品的吸收系数谱和折射率谱数据, 采用偏最小二乘法(PLS)建立相应的定量分析模型, 校正集和预测集样品比例为2∶1。 实验结果表明, 奶粉在太赫兹波段无明显特征吸收峰, 葡萄糖和蔗糖分别在1.45, 1.8, 1.98, 2.7 THz和1.5, 1.9, 2.6 THz频率处有较强的特征吸收峰, 可根据两种物质的太赫兹指纹特征峰进行定性分析。 不同梯度浓度的两组混合物的整体吸收峰位置与葡萄糖、 蔗糖纯品太赫兹吸收峰位置基本一致, 具有稳定的吸收特性。 基于吸收系数谱和折射率谱数据建立偏最小二乘法模型, 均可实现奶粉中葡萄糖和蔗糖的定量分析, 且由折射率谱建立的葡萄糖、 蔗糖定量回归模型效果均优于由吸收系数谱建立的模型效果, 其中, 奶粉-葡萄糖混合物中葡萄糖含量PLS模型的校正集相关系数(Rc)及均方根误差(RMSEC)分别为0.99和0.18%, 预测集RP及RMSEP分别为0.96和0.66%, 奶粉-蔗糖混合物中蔗糖含量PLS模型的校正集Rc及RMSEC分别为0.96和0.55%, 预测集RP及RMSEP分别为0.99和0.25%, 葡萄糖和蔗糖定量模型的预测效果均较为理想。 研究结果表明THz-TDS技术可有效用于奶粉中葡萄糖和蔗糖定性定量分析, 为运用THz-TDS技术开展奶粉掺假及品质快速检测方法研究提供参考。

近年来, 有关水果糖分等内部品质的近红外光谱测量方法研究很多, 并有部分商业化仪器问世。 但由于近红外光谱复杂多变, 模型的传递性较差, 往往所建模型只能针对特定品种甚至特定产地的水果。 随机森林(RF)是一种基于决策树的集成算法, 通过对分类回归树(CART)模型的集成来提高预测精度。 相对于偏最小二乘法(PLS), 多元线型回归法(MLR)等方法, 随机森林回归方法对非线性数据的解析能力较强。 考虑到RF模型的随机性, 通过调试决策树数量(ntree)和分裂变量数目(mtry)等变量来进行模型优选。 尝试使用随机森林对不同种类的水果(苹果、 梨)糖分进行预测。 实验表明, 对于同一种类的水果, 随机森林和PLS的建模和预测结果均较好。 但对于不同种类的水果, 随机森林明显增加了模型的预测能力, 将建模R2由PLS的0.878提高到了0.999, 将建模的RMSEC由0.453降低到了0.015。 经过独立的预测集样品对最优RF模型进行检验, 预测R2由PLS的0.731提高到为0.888, 预测RMSEP由1.148降低到0.334。 随机森林在对多种水果糖分预测时, 具有明显的优势。 这一研究证明了随机森林有望应用于多种水果糖分的近红外光谱测定, 进而解决模型的普适性和传递性问题。