0.   引言

【研究意义】椰子树是典型的热带木本油料和食品能源作物^[1]，由于在食品^[2-3]、医疗^[4-5]、保健^[6-7]和化妆品^[8]等各个领域均有广泛应用，被称为“生命之树”^[9]。椰果是椰子树的种果，由椰衣（外果皮、中果皮）、椰壳（内果皮）、椰肉（固体胚乳）和椰子水（液体胚乳）组成。其中椰肉是重要的加工原料，主要被加工成椰干。椰干是国际上椰子进出口贸易的重要形式，根据APCC和FAO数据，2016年，世界椰干产量达到500万吨。此外，在椰子品种选育过程中，单位面积的椰干产量是一个非常重要的指标^[10]。根据相关定义，椰干是指将新鲜椰肉粉碎成适当大小的片状或粒状物料，再加热将椰肉的水分含量降至3%左右而制得的产品^[11]。因此检测椰肉中含水率是预测椰干产量的重要指标。同时，不同椰子品种、不同栽培条件下椰肉的含水量存在较大差异，因此椰肉含水率的检测也是鉴定筛选优良种质、评价栽培措施的重要指标。目前椰肉含水率的常规检测法为恒温干燥法，该方法比较准确，但需要过夜烘干处理，所需时间长，样品所占空间大，难以实现快速、高通量检测，不能满足生产、科研需求。因此，建立一种椰肉含水率的快速检测方法对于椰干产量的高效鉴定、优良种质的筛选等十分必要。【前人研究进展】碳水化合物、脂类、蛋白质和水分等组分中含有CH、OH、NH、CO基团，这些官能团振动的谐波及其组合带落在光谱的近红外区（波长700～2500 nm），所以相关样品的近红外光谱包含了各有机组分的大量信息，通过对这些信息进行分析、处理、计算就可以得出各组分的含量。近红外光谱技术就是以此为基础，通过现代电子技术、光谱法分析技术、计算机技术和化学计量技术的集合而建立的一种光谱技术。用近红外技术进行检测的主要流程是收集具有代表性的样品，进行样品的光学数据采集；对样品的化学成分进行测定；通过数学方法将光谱数据和检测数据进行关联，建立模型；分析未知样品时，先对待测样品进行扫描，根据光谱及所建立的模型快速得出待测样品的成分含量^[12]。近红外光谱技术作为一种高效、无损、易操作、可实时在线检测的技术，已经被广泛应用于医药、食品、农产品^[13-15]等的检测中。Hazarika等^[16]采用PLS回归算法对55个茶叶样品的近红外光谱建立了原位测定多酚含量的回归模型，开发了利用近红外光谱技术快速、原位测定茶叶中多酚含量的综合叶片质量检测系统；Wang等^[17]采用近红外光谱与化学计量学相结合的方法对馒头中的马铃薯粉含量进行了预测。Sun等^[18]的研究结果表明，近红外光谱结合wide-kernel-PLS算法适用于马铃薯粉中还原糖复杂化学成分的定量分析。但将近红外光谱技术应用于椰子相关检测的，目前仅见于Noypitak等^[19]利用该技术鉴别泰国香水椰子的内部椰壳是否开裂。近红外光谱技术也常被用于含水率的检测，如王雪等^[20]应用近红外光谱技术，构建了玉米灌浆期的水分定量分析模型；杨传得等^[21]利用近红外反射光谱技术，采用交叉检验建立了大花生含水量的近红外模型，可用于鲜食花生种子水分含量快速检测。【本研究切入点】椰肉含水率是预测椰干产量的重要指标，利用常规的技术测定椰肉含水率需时长，操作繁琐，不能实现快速便捷的检测，不能满足生产、科研的高通量需求。在椰肉含水率方面，也无相关的近红外检测报道。【拟解决的关键问题】本试验以不同种质的360个成熟椰果的果肉为试验材料，通过椰肉近红外光谱采集、椰肉含水率测定，建立椰肉含水率的近红外模型，实现椰子品种椰干含量及椰子种质含水率的高效率实时在线检测，满足椰干产量预测及椰子种质快速鉴定的需求。

1.   材料与方法

1.1   仪器设备

本研究的光谱数据采集采用上海棱光技术有限公司生产的S400型近红外农产品品质测定仪， FA1204B电子天平（上海天美天平仪器有限公司）、DHG-9140A电热恒温鼓风干燥箱（上海精宏实验设备有限公司）。

1.2   试验材料

所有试验样品采自海南省文昌市椰子研究所试验基地。选取已经响水、健康无损的椰子果样本360个。剖开椰果，剥取新鲜椰肉并将椰肉切成6 mm×6 mm大小的样品，样品分成两份，其中一份于5 h内利用S400型近红外农产品品质测定仪完成光谱采集，一份用于含水率测定。

1.3   光谱数据采集

光谱采集的参数如下：数据模式为吸光度（A），采样波段范围为1000～2500 nm，光谱采样间隔为1 nm，扫描次数为3次。光源采用与光谱仪配套的欧司朗12 v钨灯。为了减少样品不均匀性带来的误差，试验过程中每个样品都重装样3次采集光谱。

1.4   含水率测定

含水率的测定参考GB 5009.3—2016《食品安全国家标准 食品中水分的测定》中的直接干燥法，并做适当调整。用电子天平测量培养皿的重量（W1），将切成方丁的样品盛放于培养皿中，测量鲜样与培养皿的共同重量（W2），置于70 ℃鼓风干燥箱中烘干至恒重，在干燥器中冷却后，用电子天平测量干样与培养皿的共同重量（W3），计算含水率。含水率=[（W2−W3）/（W2−W1）]×100%。

每个样品重复测定2次平行值，2次检测结果相对误差不得大于2%，以2次的平均值作为样品最终的含水率。

1.5   光谱数据预处理与建模分析

将采集到的光谱数据导入CAUNIR分析软件，并输入每一条光谱所对应的含水率值，利用CAUNIR软件所提供的定量偏最小二乘分析方法（Quantitative partial least squares，QPLS）进行建模。建模的波段1000～2000 nm，波长间隔5 nm，试验样本按1∶1的比例分成建模集和检验集。数据处理过程中，为了消除光谱采集过程中来自随机噪音、基线漂移、样本不均匀等的影响，对原始光谱进行预处理，方法分别为软件提供的一阶导数、二阶导数、散射校正、中心化和极差归一法。

所建模型的精确性通过建模相关系数R、校正标准差（SEC）以及检验相关系数R、预测标准差（SEP）来评价。相关系数越接近1和标准差越接近于0，并且校正标准差和预测标准差越接近时，表明所建模型较优。

2.   结果与分析

2.1   样品原始光谱

360份样品含水率最小值为36.72%，最大值为80.54%，平均值为55.88%，符合建模要求。原始光谱信息如图1所示。不同的样品在同一波长下吸收强度不同，但是近红外光谱吸收趋势基本一致，分别在1101 、1211、1283、1424、1660、1725 、1849、1892 nm处有明显的吸收峰。

图  1  样品原始近红外（NIR）漫反射光谱

Figure  1.  Original NIR diffuse reflectance spectra

下载: 全尺寸图片 幻灯片

2.2   预处理光谱模型的建立与分析

将光谱及其对应的含水率数值添加入CAUNIR软件，设置波长范围和波长间隔后，依次选用一阶导数、二阶导数、散射校正、中心化和极差归一预处理方法。检验集的设置采用随机选择检验样品的方法，以1∶1的比例划分建模集和检验集，模型采用的推荐主成分数由内部留一交叉确定。在上述参数条件下试建并保存模型。

在建模过程中，常常需要对原始光谱进行预处理，以提高模型性能。本试验采用仪器自带的CAUNIR分析软件对原始光谱进行预处理，预处理方法主要包括一阶导数、二阶导数、散射校正、中心化和极差归一。对原始光谱进行不同的预处理后，应用QPLS进行建模会产生不同的效果（表1、图2）。

表  1  椰肉水分检测QPLS模型结果

Table  1.  NIR-spectrum-based copra moisture determination obtained by using QPLS models

预处理方法 Pretreatment method	建模集 Modeling set			检验集 Test set
	相关系数 R	校正标准差 SEC		相关系数 R	预测标准差 SEP
原始光谱 Original spectra	0.9963	0.7605		0.9960	0.8378
一阶导数 First derivative	0.9865	1.4576		0.9880	1.4557
二阶导数 Second derivative	0.9947	0.9126		0.9941	1.0201
散射校正 Scatter correction	0.9932	1.0364		0.9907	1.2787
中心化 Zero-centered	0.9981	0.5538		0.9950	0.9310
极差归一 Range normalization	0.9956	0.8318		0.9953	0.8983

下载: 导出CSV 

| 显示表格

下载: 全尺寸图片 幻灯片

图  2  不同预处理方法下建模模型、检验模型中椰肉含水率交叉检验预测值与化学值散点图（横坐标为化学值，纵坐标为预测值）

Figure  2.  Scatter plot of predicted (x-axis) and measured (y-axis) moisture contents of copra

下载: 全尺寸图片 幻灯片

从图2的建模模型和检验模型结果来看，中心化和极差归一预处理后的光谱所建的模型，数据点的分布相对集中，均匀地分布于曲线两侧，而其他方法预处理的光谱所建的模型，数据点分布相对比较松散，多个数据点偏离曲线。

分析表1的数据可知，与原始光谱的建模结果相比，采用散射校正、一阶导数、二阶导数等方法预处理后的光谱建模效果不理想，这些模型的相关系数（R）明显低于原始光谱模型，而标准差（SEC/SEP）高于原始光谱模型，且数值多高于1。极差归一预处理光谱所建的模型相关系数（R）低于原始光谱，而标准差（SEC/SEP）高于原始光谱。中心化预处理时的建模集相关系数高于原始光谱，但检验集相关系数低于原始光谱，同时其校正标准差与预测标准差差值为0.3772，高于原始光谱和极差归一预处理光谱所建模型的相应值。因此，综合比较之下，原始光谱所建的模型性能最好，其建模集和检验集的相关系数分别为0.9963和0.9960。

3.   讨论与结论

植物叶片、果实、种子、农作物加工产品等的含水率是一项重要参考指标，间接反映了植物生长状态、水分需求、产品新鲜度、品质及储存条件等。目前常用于快速检测样品含水率的方法有很多，主要有近红外光谱法、微波法、核磁共振法及高光谱成像法等。如于旭峰等^[22]提出了运用近红外光谱技术检测新鲜马铃薯叶片中含水量的方法。曲正义等^[23]采用近红外光谱技术结合化学计量学方法，对大力参中水分含量进行快速无损测定，结果证明该方法操作简便、快速无损、结果准确。李陈孝等^[24]提出了一种基于微波空间驻波法的蔬菜含水率预测方法，实现对蔬菜含水率的快速、无损、高精度检测。陈文玉等^[25]利用低场核磁共振技术研究了干燥过程中澳洲坚果的水分态及其分布，建立含水率与低场核磁总信号幅度的关系，证明该技术可以用作澳洲坚果含水率的快速无损检测。李红等^[26]利用高光谱成像技术和特征波长选取方法对生菜冠层含水率进行检测研究，实现了生菜冠层叶片干基含水率可视化检测。上述方法的共同特点为简便、快速、无损、绿色、适用范围广；近红外法的优点为分析速度快，缺点为不能测定样品的内部水分含量，需要不断优化校准建模；核磁共振法的优点为试验精度高，所需样品少，缺点为建模及校准过程较为复杂；高光谱成像法的优点为计算准确，缺点为建模集校准过程较为复杂^[27]。在实际生产中，可以根据检测样品的需求及实际条件进行选择。在椰肉含水率的测定方面，目前常用的方法为恒温干燥法，该方法所需时间长，操作步骤较多，无法实现快速、实时在线检测。目前尚未见椰肉含水率快速检测方法的提出。

近红外光谱技术在水果、作物等含水率的快速检测方面应用十分广泛。刘洁等^[28]利用偏最小二乘法建立板栗含水率定量近红外检测模型，结果表明，栗仁的水分检测模型校正集和验证集的相关系数分别为0.9359和0.8473；王文霞等^[29]采用近红外光谱结合变量优选方法，建立了干制哈密大枣水分含量的预测模型，校正集相关系数和预测集相关系数分别为0.9842和0.9675；高升等^[30]采用近红外技术建立了红提含水率模型，最优模型的预测集相关系数为0.942。这些报道均采用近红外技术成功建立了含水率的定量预测模型，实现了含水率的快速检测。本研究也采用近红外光谱技术建立椰肉含水率模型，最优建模模型和检验模型的相关系数分别为0.9963和0.9960，可见该技术可以应用于椰子肉含水率的实时快速检测中。

试验随机选择检验样品，以建模集：检验集为1∶1进行样本集划分，在1000-2000 nm光谱范围内利用近红外漫反射光谱技术对椰肉的含水率指标进行检测，建立了基于近红外漫反射光谱检测椰肉含水率的方法和模型。试验研究了360个椰肉样品，采用QPLS进行模型建立，对比一阶导数、二阶导数、散射校正、中心化、极差归一等方法预处理原始光谱后建模的效果，证明原始光谱所建模型最优，预测模型相关系数达到0.9960，预测标准差为0.8378，能够满足椰子肉含水量快速实时在线检测的需求，也对椰肉蛋白质、脂肪、糖类含量的快速检测有着重要的借鉴意义。