高升 王巧華 李慶旭 施行

摘?要?建立了基于近紅外光譜技術的紅提維生素C（Vc）含量、糖度及總酸含量的快速無損檢測方法。采集紅提樣本的光譜數(shù)據(jù)，分別應用競爭性自適應重加權算法（CARS）、穩(wěn)定性競爭自適應重加權采樣算法（SCARS）和連續(xù)投影算法（SPA）進行一次有效特征波段提取，對比測量上述3項指標，建立相應偏最小二乘回歸模型，并在一次有效特征波段的提取的基礎上結合SPA進行二次特征波段的提取，建立相應偏最小二乘回歸算法（PLSR）模型。結果表明，二次特征波段建立的PLSR模型的校正集與預測集的相關系數(shù)與一次特征波段提取建立的PLSR相關系數(shù)相比有較大提高，模型的均方根誤差均有所減小。根據(jù)二次特征波段提取的最優(yōu)波段點建立的紅提Vc含量、糖度、總酸含量的最優(yōu)PLSR模型的校正集相關系數(shù)分別為0.983、0.982和0.976，預測集相關系數(shù)分別為0.975、0.980和0.975。本研究利用較少波段建立穩(wěn)定模型預測Vc、糖度和總酸含量的方法，大大減少了運行時間，可為后續(xù)便攜式檢測儀和在線動態(tài)檢測研究提供技術支持。

關鍵詞?近紅外光譜; 紅提; 內部品質; 連續(xù)投影算法; 偏最小二乘回歸法

1?引 言

紅提是較受歡迎的葡萄品種之一，在我國廣泛種植，具有果穗大、含水多、肉質堅實較脆、香甜可口等特點。紅提內部品質的評價指標主要包括維生素C（Vc）含量、糖度、總酸、糖酸比和芳香物質等[1，2]。糖度和總酸含量影響果實的風味和營養(yǎng)物質，也是紅提成熟度的衡量標準和重要指標。Vc是廣泛存在于果蔬中的一種水溶性維生素，也是一種抗氧化劑，是人體所必需的營養(yǎng)素[3]。水果內部品質常規(guī)檢測通常采用破壞性抽樣檢測[4～6]，繁瑣費時，且檢測后的樣品因組織遭到嚴重破壞，不能進行銷售和食用; 并且Vc含量、糖度、總酸含量的測定方法各不相同，同時獲取這3項品質指標參數(shù)需做不同檢測，低效耗時。因此，建立一種高效無損的紅提品質檢測方法極為必要。

作為無損檢測方法，光譜技術已廣泛應用于水果和蔬菜內部品質無損檢測[7～18]。劉艷德等[19]在350～1800 nm應用可見/近紅外漫反射光譜對南豐蜜桔Vc含量進行檢測，應用主成分分析和偏最小二乘法對經過預處理的光譜進行數(shù)學建模，預測相關系數(shù)為0.813，表明該方法具有可行性。Parpinello等[20]對采后鮮食葡萄糖度進行可見-近紅外光譜的檢測，建立PLS模型的決定系數(shù)為0.82，預測標準差0.83% Brix。Arana等[21]采用漫反射光譜法檢測白葡萄顆粒的可溶性固形物含量，精度為1.33%～1.88% Brix。Baiano等[22]采用高光譜成像技術測定7個品種鮮食葡萄的內部指標（包括pH值、TA、SSC）和感官屬性， 可較好地預測葡萄的內部品質指標。吳桂芳等[23]應用偏最小二乘法（PLS）結合神經網(wǎng)絡（ANN）建立的葡萄漿果糖度預測模型的檢驗參數(shù)r2為0.863， 預測均方根誤差 （RMSEP）為0.171， Bias為0.024，表明該技術無損檢測葡萄漿果糖度等內部品質是可行的。許峰等[1]利用USB2000+光譜儀采集紅提400～1000 nm透過率光譜，并建立隨機森林預測模型，糖度、酸度的驗證集相關系數(shù)分別為0.9568、0.9405，表明模型具有較高的準確性。以上研究多選用單一指標進行建模，且精度及準確性還有待提高。目前，對于紅提中Vc含量檢測的研究較少，3項重要品質指標（Vc含量、糖度、總酸含量）的綜合檢測研究還未見報道。本研究基于近紅外光譜技術結合PLS法，針對紅提果粒的上述3項品質指標，建立紅提內部多個品質指標與近紅外光譜的關系模型，實現(xiàn)一次光譜檢測同時快速獲取3項品質指標參數(shù)的預測結果。本方法在紅提及相關水果的品質檢測方面有廣闊的應用前景。

2?實驗方法

2.1?儀器與試劑

Antaris II傅里葉變換近紅外光譜儀、賽默飛世爾科技公司（美國Thermo Fisher）; 恒溫恒濕箱（上海新苗醫(yī)療器械制造有限公司）; 申光WAY（2WAJ） 阿貝爾折射儀（上海儀電物理光學儀器有限公司）; JA2002 電子天平（上海浦春計量儀器有限公司）。

實驗所用樣本為新疆新鮮紅提（晚紅），挑選大小相近，顏色差異較大、無病蟲害、無機械損傷的紅提果粒，在每穗紅提的穗外部、穗中部、穗頂部、穗尖分別進行取樣，共168粒。將樣本編號并放入恒溫恒濕箱中保存12 h[18]，恒溫箱溫度設置為（22±1）℃，相對濕度為65%。

偏磷酸、草酸、NaHCO3、 2，6-二氯靛酚、白陶土、NaOH和酚酞等均為國產分析純試劑。

2.2?實驗方法

2.2.1?近紅外光譜數(shù)據(jù)采集?采用Antaris II傅里葉變換近紅外光譜儀，將恒溫后的樣本進行光譜采集。選擇積分球固體采樣模塊采集紅提漫反射光譜。采集光譜時，將樣本豎立放置，帶有果柄的位置朝上，掃描部位設置為最大縱向直徑方向。測量波段范圍設置為10000～4000 cm1，掃描次數(shù)32，分辨率4 cm1 [24]。

2.2.2?紅提的Vc含量、糖度及總酸含量的測定?試樣制備：光譜采集完的紅提樣本，按照國家鮮葡萄行業(yè)標準GH/T 1022-2000，將紅提果粒壓成汁，用玻璃棒攪勻[2]，并立即進行3項品質指標的測定。Vc含量測定：根據(jù)國標GB 5009.86-2016食品中抗壞血酸的測定，采用2，6-二氯靛酚滴定法測定[4]。糖度測定：參照NY/T 2637-2014《水果、蔬菜制品可溶性固形物含量的測定——折射儀法》[5]?？偹岷繙y定：參照GB/T 12456-2008《食品中總酸的測定》方法[6]，總酸含量（A）的計算公式見式（1）：

式中：A為總酸含量（%）; C為NaOH標準溶液濃度（mol/L）; V為樣本滴定時消耗NaOH溶液的體積（mL）; ?V0為空白實驗消耗的NaOH溶液體積（mL）; ?K為換算系數(shù)（紅提中主要為酒石酸，K=0.075）; m為樣品質量（g）。

2.2.3?光譜有效信息提取?采用連續(xù)投影算法（Successive projections algorithm，SPA）[25]、競爭性自適應重加權算法（Competitive adaptive reweighed sampling，CARS）[26，27]和基于穩(wěn)定性競爭自適應重加權采樣算法（Stability competitive adaptive reweighted sampling，SCARS）3種一次降維算法，對全波段進行波段提取，分析在不同提取特征波長方法下所建立的對應指標含量預測模型的優(yōu)劣，并在一次降維的基礎上進行二次降維，對比分析模型的優(yōu)劣。SPA是一種前向循環(huán)的變量選擇方法，先選定一個初始頻點，然后在每一次迭代時加入新的頻點，直到達到指定的頻點數(shù)，該方法本質是解決信息重疊，選擇最小冗余信息量的頻點組合，解決共線性問題; CARS算法是一種基于蒙特卡羅采樣法對模型取樣的新型變量選擇理論，通過指數(shù)衰減函數(shù)及自適應重加權采樣技術計算，并比較每次產生的新變量子集的交互驗證均方根誤差，RMSECV最小的變量子集作為最優(yōu)變量子集; 在SCARS方法中，變量回歸系數(shù)會隨著每次隨機選擇建模樣本的不同而變化，該方法以變量的穩(wěn)定性作為衡量指標，并延續(xù)CARS方法的變量篩選流程， 建立簡潔、穩(wěn)定的模型[28]。

2.2.4?偏最小二乘法（PLSR）回歸模型及模型評價?偏最小二乘回歸算法（Partial least squares regression，PLSR）將相關分析、多元線性回歸和主成分的優(yōu)點集合在一起，是化學計量學分析過程中最常用的多元線性建模方法。PLSR算法在計算過程中同時考慮自變量（光譜數(shù)據(jù)）和因變量矩陣（化學參考值）對建模效果的影響，能夠較好地處理數(shù)據(jù)多重共線性、因子結果不確定性和數(shù)據(jù)非正態(tài)分布等問題，是光譜數(shù)據(jù)建模過超中應用最多的一種建模方法。PLSR算法的計算過程如下：

步驟 1：首先對光譜矩陣X 和化學參考值矩陣Y按特征向量形式分解，如式（2）所示。

其中，T和U分別代表矩陣X和矩陣Y的得分矩陣， P和Q分別代表矩陣X和矩陣Y的載荷矩陣，E和F分別代表矩陣X和矩陣Y的 PLSR 擬合誤差矩陣。

步驟 2：對得分矩陣T和U進行線性回歸分析，如式（3）所示。

其中， B是回歸系數(shù)矩陣。

步驟 3：根據(jù)未知樣品的光譜矩陣 Xp和校正得到的Pv，計算出未知樣品Xp 對應的得分矩陣Tp，最后計算出未知樣品的濃度矩陣Yp，如式（4）所示。

PLSR回歸建模的優(yōu)點在其挖掘的數(shù)據(jù)信息與待測樣本組分之間具有較好的相關性，能夠滿足大、小樣本的多元分析，同時也適用于復雜組分的建模分析。以校正集和預測集相關系數(shù)（Rc和Rp）和均方根誤差（RMSEC和RMSEP）作為模型的評價指標。Rc和Rp越接近1，RMSEC和RMSEP越小且越接近，則模型的穩(wěn)定性越好，精度越高，穩(wěn)定性越好。計算公式如下（5）～（8）：

3?結果與討論

3.1?樣本集的劃分

Kennard-Stone（K-S）法[29～31]作為常用的樣本劃分算法，利用變量空間之間的相對歐式距離找出樣品集中差異較大的樣品選入校正集，其余相近的樣品選入預測集。本研究共采集168份紅提樣本，參照光譜劃分集合的方法，分別通過K-S法選擇126份作為校正集，42份作為預測集。

從表1可知，Vc含量分布范圍為17.506～41.346 mg/100 g，校正集的標準差值為5.651，表明樣本之間的Vc含量的差異較大，數(shù)據(jù)比較離散。糖度和總酸分布相對較集中，個體的差異性相對較小; 通過K-S算法劃分的校正集范圍較廣，表明數(shù)據(jù)有代表性。

3.2?光譜數(shù)據(jù)預處理

通常為了保證模型的準確性，需要對原始光譜（RAW）進行光譜預處理。本研究中采用的光譜預處理的方法包括：標準正態(tài)變量變換（Standard normal variate transformation，SNV）、Savitzky-Golay卷積平滑處理法（Savitzky-Golay，S-G）等。由表2可得，對于Vc含量、糖度及總酸含量，原始光譜進行預處理后所建PLSR模型校正集和預測集的相關系數(shù)減小，均方根誤差增大，表明過多的預處理反而破壞了原始光譜的特征信息，其它預處理方法相對原始光譜數(shù)據(jù)，都未能提高模型的預測精度。綜合比較，直接用原始光譜數(shù)據(jù)建立的PLSR模型取得了最佳效果。

3.3?一次有效特征波段提取

3.3.1?CARS與SCARS法提取特征波長?K-S劃分后的原始光譜采用CARS和SCARS算法分別提取紅提的Vc含量、糖度、總酸含量的特征波長，以Vc特征波長的選取為例，因CARS與SCARS算法運行方法相似，下文只闡述CARS算法對特征波長的選取過程，如圖1所示。本研究設定蒙特卡羅采樣50次，采用5折交叉驗證法計算。由圖1B可知，RMSECV值隨著取樣運行次數(shù)先減小后增大：當RMSECV值逐漸減小時，表明光譜數(shù)據(jù)中部分無用的信息被剔除; 當RMSECV值逐漸增大時，表明光譜數(shù)據(jù)中有用的重要信息被剔除。因此，取采樣50次所建立的PLSR模型中所對應的最小RMSECV作為最優(yōu)結果，由圖1可知，當RMSECV值達到最小值時，各變量的回歸系數(shù)位于圖1C中豎直線位置，采樣運行23次。

3.3.2?SPA法提取特征波長?K-S劃分后的原始光譜通過SPA優(yōu)選出波長序列，分別建立3項品質指標的PLSR模型。以Vc含量檢測為例， 簡要介紹SPA選取特征波長的過程。根據(jù)SPA的原理，利用均方根誤差（Root mean square error，RMSE）決定所建模型的優(yōu)劣，均方根誤差越小，模型的穩(wěn)定性越好、精度越高。隨著波長個數(shù)變化，RMSE值會不斷波動，如圖2A所示，選擇RMSE最小值對應的波長個數(shù)為34，作為最優(yōu)的波長點個數(shù)，選取的波長點在原始光譜中的索引如圖2B所示，所選波段占原始光譜信息的2.18%。

3.3.3?基于一次有效特征波段提取方法建立的PLSR模型效果?由表3可知，采用不同的一次特征提取方法，根據(jù)最優(yōu)的波段組合分別建立PLSR（Partial least squares regression）模型，與原始光譜相比，一次波段的特征提取消除了原始光譜所建立的糖度、總酸的過擬合現(xiàn)象，基于CARS和SCARS建立的3項品質指標的PLSR模型的校正集的相關系數(shù)都顯著提高，相關系數(shù)均大于0.91，此結論與文獻[17，31]進行一次波段提取的研究結論一致?；赟PA建立的3項指標的PLSR模型預測值的相關系數(shù)較原始光譜也有較大提高，且相關系數(shù)均大于0.79?；贑ARS和SCARS建立的3項指標的PLSR模型的相關系數(shù)大于SPA建立的模型，均方差誤差均小于SPA建立的模型，因此，基于CARS和SCARS建立的PLSR模型效果比SPA建立模型的效果好。由此可知，一次特征波段的提取能夠有效去除冗余的波段，簡化模型，且大大提高了模型的穩(wěn)定性與準確性。

3.4?二次有效特征波段提取和PLSR提取效果

采用一次有效特征波段提取后，盡管在一定程度上有效剔除了無用信息，但提取的特征波長的個數(shù)仍然相對較多，且模型的穩(wěn)定性不佳，因此，在CARS與SCARS提取特征波段的基礎上，利用SPA進行二次波長選取[32]，提取較優(yōu)的波長點組合，以提高模型的穩(wěn)定性。以Vc含量檢測為例，經過CARS選取波段后進行SPA的特征波長提取過程，當RMSEWE達到最小值時，此時對應的波長個數(shù)為59，所選波段占原始光譜信息的3.79%，選取的波長點在原始光譜中的位置如圖3所示。

由表4可得，基于CARS-SPA的二次波段提取建立的Vc含量和糖度的PLSR模型的校正集和預測集的相關系數(shù)均大于0.975，且均高于一次波段提取模型的相關系數(shù)?；赟CARS-SPA的二次波段提取建立的總酸PLSR模型的相關系數(shù)大于0.975，大于一次波段提取模型相關系數(shù)。Vc含量和糖度的最佳波段選取方法為CARS與SPA結合，總酸最佳的波段選取方法為SCARS與SPA結合，建立的PLSR模型最優(yōu)。

3.5?基于最優(yōu)特征波長組合建立的Vc含量、糖度及總酸含量的PLSR模型

分別利用最優(yōu)特征波長組合建立3項指標的PLSR模型，校正集和預測集樣本的預測值和參考測量值之間的散點圖如圖4、圖5和圖6所示，最優(yōu)PLSR模型的校正集相關系數(shù)Rc分別為0.983、0.982、 0.976，RMSEC為1.075、0.264、0.152; 預測集相關系數(shù)Rp分別為0.975、0.980、 0.975，RMSEP為2.003、0.240、 0.167。與其它波段提取方法相比，最佳波段的提取方法的Rc和Rp較高，RMSEC和RMSEP較小，表明在最優(yōu)波段的組合下，模型的穩(wěn)定性和準確性有了較大提高。

4?結 論

利用近紅外光譜技術，分別建立了紅提的Vc含量、糖度和總酸含量的PLSR無損光譜檢測模型。原始光譜的曲線較為平滑，過多的預處理反而破壞了原始光譜的特征信息。二次特征波段建立的PLSR模型優(yōu)于一次特征波段提取建立的PLSR模型，穩(wěn)定性和精度都有所提高，大大減少了模型運行時間。Vc含量和糖度的最佳波段選取方法為CARS與SPA結合，總酸含量最佳的波段選取方法為SCARS與SPA結合，建立的PLSR模型最優(yōu)。建立的最優(yōu)PLSR模型，采集一次光譜即可實現(xiàn)紅提內部品質的綜合無損檢測，檢測時間僅為幾秒。本模型可為后續(xù)便攜式檢測儀和在線動態(tài)檢測研究提供技術支持。

References

1?XU Feng， FU Dan-Dan， WANG Qiao-Hua， XIAO Zhuang， WANG Bin. Food Science， 2018， 39（8）： 149-154

許 鋒， 付丹丹， 王巧華， 肖 壯， 王 彬. 食品科學， 2018， ?39（8）： 149-154

2?GH/T 1022-2000， Table Grapes. People's Republic of China Supply and Marketing Cooperation Industry Standards

鮮葡萄. 中華人民共和國供銷合作行業(yè)標準. GH/T 1022-2000

3?LI Hong-Qiang， SUN Hong， LI Min-Zan. Transactions of the Chinese Society of Agricultural Engineering， ?2018， ?34 （8）： 269-275

李鴻強， 孫 紅， 李民贊. ?農業(yè)工程學報， ?2018， ?34（8）： 269-275

4?GB 5009.86-2016， Determination of Ascorbic Acid in Food. National Standards of the People's Republic of China

食品中抗壞血酸的測定. 中華人民共和國國家標準. GB 5009.86-2016

5?NY/T 2637-2014， Refractometric Method for Determination of Total Soluble Solids in Fruits and Vegetables. The People's Republic of China Agricultural Industry Standard

水果和蔬菜可溶性固形物含量的測定 折射儀法. 中華人民共和國農業(yè)行業(yè)標準. NY/T 2637-2014

6?GB/T 12456-2008， Determination of Total Acid in Foods. National Standards of the People's Republic of China

食品中總酸的測定. 中華人民共和國國家標準. GB/T 12456-2008

7?HE Jia-Lin， QIAO Chun-Yan， LI Dong-Dong， ZHANG Hai-Hong， DENG Hong， SHAN Qi-Mei， GAO Kun， MA Rui. Food Science， ?2018， ?39（6）： 194-199

何嘉琳， 喬春燕， 李冬冬， 張海紅， 鄧 鴻， 單啟梅， 高 坤， 馬 瑞. ?食品科學， ?2018， ?39（6）： 194-199

8?Kumar S， McGlone A， Whitworth C. Postharvest Biol. Technol.， ?2015， ?100： 16-22

9?Liu C， Yang S X， Deng L. J. Food Engineer.， ?2015， ?161： 16-23

10?WANG Fan， LI Yong-Yu， PENG Yan-Kun， SUN Hong-Wei， LI Long. Chinese J. Anal. Chem.， ?2018， ?46（9）： 1424-1431

王 凡， 李永玉， 彭彥昆， 孫宏偉， 李 龍. ?分析化學， ?2018， ?46（9）： 1424-1431

11??HUANG Yu-Ping， Renfu Lu， QI Chao， CHEN Kun-Jie. Spectroscopy and Spectral Analysis， 2018， 38（8）： 2362-2368

黃玉萍， Renfu Lu， 戚 超， 陳坤杰. 光譜學與光譜分析， 2018， 38（8）： 2362-2368

12?GUO Zhi-Ming， HUANG Wen-Qian， PENG Yan-Kun， WANG Xiu， TANG Xiu-Ying. Chinese J. Anal. Chem.， ?2014， ?42（4）： 513-518

郭志明， 黃文倩， 彭彥昆， 王 秀， 湯修映. ?分析化學， ?2014， 42（4）： 513-518

13?YANG Jia-Bao， DU Chang-Wen， SHEN Ya-Zhen， ZHOU Jian-Min. Chinese J. Anal. Chem.， ?2013， ?41（8）： 1264-1268

楊家寶， 杜昌文， 申亞珍， 周健民. ?分析化學， ?2013， ?41（8）： 1264-1268

14?LUAN Lian-Jun， CHEN Na， LIU Xue-Song， WU Yong-Jiang. Chinese J. Anal. Chem.， ?2012， ?40（4）： 626-629

欒連軍， 陳 娜， 劉雪松， 吳永江. ?分析化學， ?2012， ?40（4）： 626-629

15?Sun X， Liu Y， Li Y， Wu M， Zhu D. Postharvest Biol. Technol.， ?2016， ?116： 80-87

16?Ncama K， Opara U L， Tesfay S Z， Fawole O A， Magwaza L S. J. Food Engineer.， ?2017， ?193： 86-94

17?XU Hui-Rong， LI Qing-Qing. Transactions of The Chinese Society of Agricultural Machinery， ?2017， ?48（9）： 312-317

徐惠榮， 李青青. ?農業(yè)機械學報， ?2017， ?48（9）： 312-317

18?FAN Shu-Xiang， HUANG Wen-Qian， GUO Zhi-Ming， ZHANG Bao-Hua， ZHAO Chun-Jiang， QIAN Man. Chinese J. Anal. Chem.， ?2015， ?43（2）： 239-244

樊書祥， 黃文倩， 郭志明， 張保華， 趙春江， 錢 曼. ?分析化學， ?2015， ?43（2）： 239-244

19?LIU Yan-De， CHEN Xing-Miao， SUN Xu-Dong. Spectrosc. Spect. Anal.， ?2008， ?28 （10）： 2318-2320

劉燕德， 陳興苗， 孫旭東. ?光譜學與光譜分析， ?2008， ?28（10）： 2318-2320

20?Parpinello G P， Nunziatini G， Rombol A D， Gottardi F， Versari A. Postharvest Biol. Technol.， ?2013， ?83（3）： 47-53

21?Arana I， Jaren C，Arazuri S. J. Near Infrared Spectrosc.， ?2005， ?13（6）： 349-357

22?Baiano A， Terracone C， Peri G. Computers Electron. Agric.， ?2012， ?87（87）： 142-151

23?WU Gui-Fang， HUANG Ling-Xia， HE Yong. ?Spectrosc. Spect. Anal.， ?2008， ?28（9）： 2090-2093

吳桂芳， 黃凌霞， 何 勇. ?光譜學與光譜分析， ?2008， ?28（9）： 2090-2093

24?WANG Wei， JIANG Hui， LIU Guo-Hai， MEI Cong-Li， JI Yi. Chinese J. Anal. Chem.， ?2017， ?45（8）： 1137-1142

王 瑋， 江 輝， 劉國海， 梅從立， 吉 奕. ?分析化學， ?2017， ?45（8）： 1137-1142

25?Assis C， Oliveira L S， Sena MM. Food Anal. Methods， ?2017， ?11（2）： 578-588

26?Niu C， Yuan Y， Guo H， Wang X， Wang X， Yue T. RSC Adv.， ?2017， ?8（1）： 222-229

27?Ye S， Wang D， Min S. Chemometr. Intell. Lab. Sys.， ?2008， ?91（2）： 194-199

28?LIU Guo-Hai， XIA Rong-Sheng， JIANG Hui， MEI Cong-Li， HUANG Yong-Hong. Spectrosc. Spect. Anal.， ?2014， ?34（8）： 2094-2097

劉國海， 夏榮盛， 江 輝， 梅從立， 黃永紅. ?光譜學與光譜分析， ?2014， ?34（8）： 2094-2097

29?HUANG Zhuang-Rong， SHA Sha， RONG Zheng-Qin， LIU Hai-Ying， CHEN Jin-Hong， ZHU Shui-Jin. Chinese J. Anal. Chem.， ?2013， ?41（6）： 922-926

黃莊榮， 沙 莎， 榮正勤， 劉海英， 陳進紅， 祝水金. ?分析化學， ?2013， ?41（6）： 922-926

30?WANG Jian， WANG Liu-San， WANG Ru-Jing， LU Cui-Ping， HUANG Wei， WANG Yu-Bing. Chin. J. Lumin.， ?2018， ?39（12）： 1785-1791

王 鍵， 汪六三， 王儒敬， 魯翠萍， 黃 偉， 汪玉冰. ?發(fā)光學報， ?2018， ?39（12）： 1785-1791

31?Lin Z D， Wang Y B， Wang R J， Wang L S， Lu C P， Zhang Z Y， Song L T， Liu Y. J. Appl. Spectrosc.， ?2017， ?84（3）： 529-534

32?FU Dan-Dan， WANG Qiao-Hua. Food Science， ?2016， ?37（22）： 173-179

付丹丹， 王巧華. ?食品科學， ?2016， ?37（22）： 173-179