韋克蘇 涂永高 王豐 賓俊 嚴(yán)秀芳 康超

摘要：質(zhì)體色素的降解變化是煙葉香氣物質(zhì)形成的基礎(chǔ)之一。為解決煙葉烘烤調(diào)制過程中質(zhì)體色素?zé)o法快速準(zhǔn)確測定的問題，基于近紅外光譜技術(shù)（NIRS）的優(yōu)勢，利用競爭自適應(yīng)重加權(quán)釆樣法（CARS）進行光譜特征波長選擇，并結(jié)合偏最小二乘法（PLS）構(gòu)建了煙葉烘烤過程葉綠素和類胡蘿卜素含量的動態(tài)變化模型。結(jié)果表明，CARS-PLS模型能獲得較全譜偏最小二乘（PLS）、連續(xù)投影偏最小二乘（SPA-PLS）、遺傳算法偏最小二乘（GA-PLS）及蒙托卡洛無信息變量刪除偏最小二乘（MC-UVE-PLS）更好的模型性能，其煙葉葉綠素和類胡蘿卜素模型預(yù)測相關(guān)系數(shù)分別為0.924、0.908，預(yù)測均方根誤差分別為0.789、0.321 μg/cm2，模型能滿足實時定量分析的需要。因此，采用NIRS技術(shù)結(jié)合CARS-PLS能快速準(zhǔn)確測定烘烤過程煙葉質(zhì)體色素的變化，可為煙葉密集烘烤調(diào)控提供參考依據(jù)。

關(guān)鍵詞：煙葉烘烤;近紅外光譜;競爭自適應(yīng)重加權(quán)釆樣偏最小二乘法;葉綠素;類胡蘿卜素

中圖分類號： TS44+1 文獻(xiàn)標(biāo)志碼： A 文章編號：1002-1302（2021）16-0184-05

煙葉中的質(zhì)體色素可顯著影響煙葉品質(zhì)及其可用性，它不僅決定烤后煙葉的色澤，其降解產(chǎn)物也與煙葉的香氣量、香氣質(zhì)密切相關(guān)[1]。成熟新鮮煙葉中質(zhì)體色素主要包括葉綠素和類胡蘿卜素[2]。葉綠素主要由葉綠素a和葉綠素b組成，它們在煙草成熟和烘烤過程中不斷降解和轉(zhuǎn)化，直至消失。作為烤后煙葉中的不利成分，葉綠素會使煙葉帶有青雜氣，是烤煙分級采購中需要嚴(yán)格控制的指標(biāo)。若煙葉的葉綠素在烘烤過程中沒有完全降解即被烤干，會嚴(yán)重影響烤后煙葉質(zhì)量[3]。煙葉中類胡蘿卜素主要包括胡蘿卜素和葉黃素，類胡蘿卜素的含量與煙葉質(zhì)量呈正相關(guān)。首先，類胡蘿卜素是烤后煙葉呈現(xiàn)黃色品質(zhì)的物質(zhì)基礎(chǔ)[4];其次，類胡蘿卜素是煙葉許多關(guān)鍵香氣成分的前體物質(zhì)[5]。如果煙葉中的類胡蘿卜素含量不足或烘烤過程降解轉(zhuǎn)化不充分，會導(dǎo)致烤后煙葉的香氣質(zhì)量不佳、刺激性大。

探究烘烤過程中煙葉質(zhì)體色素的動態(tài)變化規(guī)律，有利于根據(jù)當(dāng)?shù)責(zé)熑~生產(chǎn)特點和煙葉風(fēng)格，及時采取恰當(dāng)?shù)暮婵炯夹g(shù)與工藝，在一定程度上控制和改善煙葉質(zhì)量。但目前的研究主要集中在不同成熟度[6]、品種[7]、裝煙方式[8]、烘烤工藝[9-11]等對質(zhì)體色素降解變化的影響，對質(zhì)體色素在烘烤過程中的實時監(jiān)測報道尚少。付秋娟等采用近紅外光譜技術(shù)構(gòu)建了鮮煙葉中葉綠素和類胡蘿卜素的分析模型，實現(xiàn)對煙葉中二者含量的快速預(yù)測[12];賓俊等利用近紅外光譜技術(shù)建立了烘烤過程煙葉化學(xué)成分的定量模型，可實時監(jiān)測烘烤過程煙葉水分和淀粉含量的變化[13]。鑒于此，本研究擬借助綠色、無損、快速的近紅外光譜（NIR）技術(shù)建立烘烤過程中煙葉質(zhì)體色素的實時預(yù)測數(shù)學(xué)模型，及時、準(zhǔn)確地了解煙葉質(zhì)體色素在烘烤過程中的動態(tài)變化規(guī)律，為研究煙葉內(nèi)部香味物質(zhì)轉(zhuǎn)化、優(yōu)化烘烤工藝等提供理論參考。

1 材料與方法

1.1 試驗材料

選用烤煙品種為云煙87。在烘烤技術(shù)員指導(dǎo)下對烤前煙葉進行初步篩選，挑選大小、形狀、成熟度較一致的中部完整無病蟲害煙葉進行烘烤試驗。

1.2 試驗設(shè)計

試驗于2019年7—8月在貴州省安順市平壩烘烤工場進行。第1次取樣為烘烤點火前，點火后每隔8 h取樣1次，共取樣20次（7 d），每次取樣時快速打開烤房門，從中層靠近門口的第11竿煙（初篩煙葉掛竿處）開始往烤房內(nèi)取樣，每次取50張煙葉，并記錄每次取樣時的烘烤總耗時。

1.3 測定項目與方法

1.3.1 近紅外光譜的采集 選用小型的i-Spec光纖探頭式便攜近紅外光譜儀（美國B&W Tek Opto-electronics公司）進行光譜采集，光譜儀掃描范圍為900～1 700 nm，平均分辨率為3.5 nm，采樣間隔為1.6 nm。每次取樣后按照以下方式進行光譜采集[14]：首先以主脈為軸劃分出左右2個區(qū)域，每個區(qū)域再由葉尖至葉柄分成3個小區(qū)，共計6個測量區(qū)，然后在每個小區(qū)的中心位置避開葉脈取1個測量點，將光纖探頭（直徑6 mm）垂直緊貼煙葉表面進行光譜采集，6個測量點的平均光譜作為該煙葉的測量光譜。光譜采集積分時間設(shè)置為 10 ms，掃描次數(shù)設(shè)置為32次。

1.3.2 葉綠素a、葉綠素b和類胡蘿卜素的濃度測定 采用分光光度法在現(xiàn)場進行濃度測定，使用打孔器（直徑6 mm）在上述6個測量區(qū)近紅外光譜采樣位置分別取樣，將取下來的6個圓孔小樣集合起來，用5 mL乙醇（95%）溶液萃取24 h，在測試前將萃取管搖3次以搖勻溶液，以95%乙醇溶液為空白，使用UV1900雙光束紫外可見分光光度計[讓奇（上海）儀器科技有限公司]分別測定波長665、649、470 nm下的吸光度，根據(jù)Arnon公式法[15]計算萃取液的葉綠素a、葉綠素b和類胡蘿卜素的濃度，葉綠素a、葉綠素b之和即為總?cè)~綠素含量。由于烘烤過程中煙葉含水率變化范圍較大，統(tǒng)一換算為單位葉面積質(zhì)量濃度（μg/cm2）進行計算。

1.4 建模方法與模型評價

1.4.1 特征波長選擇——競爭自適應(yīng)重加權(quán)釆樣法（CARS） 近紅外光譜通常共線性非常嚴(yán)重，一般需要在建模前進行特征波長篩選，以提高模型的預(yù)測和解釋能力。競爭自適應(yīng)重加權(quán)釆樣法（CARS）[16]是一種優(yōu)秀的特征變量篩選方法，已成功應(yīng)用于煙草、飼料、中藥、白酒等各類近紅外光譜模型構(gòu)建過程中的特征波長篩選[17-18]。其基本思路是在不斷迭代過程中通過強制刪除與自適應(yīng)加權(quán)采樣選擇具有較大的模型絕對系數(shù)的關(guān)鍵波長，每次迭代都涉及幾個步驟：首先采用蒙特卡羅方法對不同波長進行隨機分組，利用指數(shù)遞減函數(shù)強制進行波長刪除，應(yīng)用自適應(yīng)重加權(quán)采樣獲得競爭性選擇的波長子集，然后利用交叉驗證對波長子集進行評估，最后選擇交叉驗證均方根誤差最小的子集作為最優(yōu)波長集。

1.4.2 模型構(gòu)建——偏最小二乘法（PLS） 偏最小二乘法（PLS）[19]是一種應(yīng)用最廣泛的多元校正化學(xué)計量學(xué)算法，綜合了主成分分析和多元回歸的優(yōu)點，主要用來解決從一組非常大的自變量中預(yù)測一組因變量的問題。通過交叉驗證尋找最優(yōu)的潛在變量，從而建立變量和響應(yīng)值之間的線性關(guān)系，較適合處理光譜波長數(shù)超過樣品數(shù)且波長間存在多重共線性的情況。

1.4.3 模型評價 近紅外光譜校正模型一般采用決定系數(shù)和均方根誤差作為評價模型質(zhì)量的指標(biāo)，校正決定系數(shù)（R2）和預(yù)測決定系數(shù)（Q2）分別表征訓(xùn)練集和驗證集近紅外光譜計算結(jié)果與參照結(jié)果的相關(guān)性，要求其值越接近1越好;校正均方根誤差（RMSEC）和預(yù)測均方根誤差（RMSEP）分別表征訓(xùn)練集和驗證集近紅外光譜計算結(jié)果與參照結(jié)果差異的標(biāo)準(zhǔn)誤差，要求其值越小越好;使用二者比值（RMSEP/RMSECV）作為所建模型的預(yù)測誤差，要求該比值小于1.2。

1.5 數(shù)據(jù)統(tǒng)計與分析

試驗數(shù)據(jù)采用Excel 2019進行前期處理，采用Matlab 2012a軟件進行統(tǒng)計分析、建模等。

2 結(jié)果與分析

2.1 光譜預(yù)處理與樣本劃分

光譜預(yù)處理前，需要對異常樣本進行剔除，因為有些光譜或參考值在采集檢測過程中可能會受外界環(huán)境、操作人員的影響發(fā)生嚴(yán)重的波動、漂移，若將此類光譜或參考值用于建模，會極大地影響模型的性能，本研究采用蒙托卡羅采樣方法（MCS）進行異常樣本剔除，以提高模型穩(wěn)定性。利用光譜儀獲得的近紅外光譜數(shù)據(jù)信號，除了包含被測樣品的成分信息外，還包括各種儀器的噪聲、樣品背景等無關(guān)信息。因此，在光譜數(shù)據(jù)分析之前，應(yīng)對其進行合理的預(yù)處理，降低上述因素的影響。光譜預(yù)處理方法包括標(biāo)準(zhǔn)化（均值集中、歸一化、標(biāo)準(zhǔn)正態(tài)變換等）、高頻噪聲濾波（卷積平滑、傅立葉變換、小波變換等）、微分和基線校正等。不同的預(yù)處理方法達(dá)到的效果不同，經(jīng)對比分析，采用Savitzky-Golay平滑法（平滑窗口為13）對光譜進行平滑處理，結(jié)合Norris一階導(dǎo)數(shù)法（平滑窗口為5、差分間隔為5）可消除由于煙葉樣品顆粒分布不均勻的影響，預(yù)處理前后光譜見圖1。預(yù)處理后的光譜數(shù)據(jù)利用Kennard-Stone樣本劃分方法[20]以4 ∶ 1比例劃分為訓(xùn)練集和驗證集，具體劃分結(jié)果見表1。

2.2 特征波長選擇

本研究選用CARS算法對煙葉近紅外光譜數(shù)據(jù)進行特征波長選擇，選擇的特征波長見圖2，較全光譜494個波長數(shù)有較大幅度降低，葉綠素和類胡蘿卜素模型分別選擇了71、73個特征波長。有研究表明，葉綠素的光譜吸收峰大多集中在可見光區(qū)域或短波近紅外區(qū)域（400～1 100 nm），葉綠素的主要特征波長為549、719、818、984、1 209、1 365、1 599、1 782、2 119、2 287、2 324 nm[21];也有研究認(rèn)為，使用1 300～1 700 nm波段光譜信息構(gòu)建的類胡蘿卜素模型具有較好的預(yù)測效果[22]。本研究選擇的主要特征波長與上述研究結(jié)果較吻合。

2.3 定量模型構(gòu)建

由表2、表3可知，2個色素CARS-PLS模型的決定系數(shù)（R2和Q2）都大于0.89，回歸模型的擬合度符合要求，準(zhǔn)確性參數(shù)RMSEP/RMSEC則都小于1.2，表明模型準(zhǔn)確性符合要求。圖3、圖4分別為葉綠素和類胡蘿卜素的模型預(yù)測值與參照值的散點圖，2組數(shù)據(jù)相關(guān)性較高，標(biāo)準(zhǔn)誤差較低，模型總體性能符合要求。

為了比較CARS-PLS法的建模效果，同時還建立了煙葉葉綠素和類胡蘿卜素含量的全光譜PLS、連續(xù)投影偏最小二乘（SPA-PLS）、遺傳算法偏最小二乘（GA-PLS）及蒙托卡洛無信息變量刪除偏最小二乘（MC-UVE-PLS）模型。由表2、表3可知，GA-PLS模型、MCUVE-PLS模型和CARS-PLS模型對應(yīng)的各項模型指標(biāo)均要好于全譜PLS模型的各項指標(biāo)，表明這些特征波長選擇算法能夠有效地從光譜中挑選葉綠素和類胡蘿卜素對應(yīng)的特征譜區(qū)。CARS-PLS模型在葉綠素和類胡蘿卜素的預(yù)測模型中表現(xiàn)最好，有可能是由于CARS在多次的迭代過程中能盡量挑選出與葉綠素和類胡蘿卜素相關(guān)的特征波長，所以其能夠取得更好的預(yù)測效果。另外，SPA-PLS模型不如PLS模型效果好，可能的原因是SPA算法選擇的特征波長數(shù)量少，其中包含的葉綠素和類胡蘿卜素成分信息較少，導(dǎo)致模型預(yù)測性能不佳。

2.4 參數(shù)變化規(guī)律

圖5、圖6是將不同烘烤時間的葉綠素和類胡蘿卜素訓(xùn)練樣本和測試樣本按照時間序列排列，并使用三次樣條插值法擬合變化曲線。由圖5可知，葉綠素含量的變化可以分為2個階段：在烘烤0～60 h內(nèi)，葉綠素大量降解轉(zhuǎn)化，含量降低很快;在烘烤60 h后葉綠素基本降解完全，含量趨近零。有研究表明，煙葉達(dá)到全黃后定色烤干化學(xué)成分含量比較適中，比例協(xié)調(diào)，香氣品質(zhì)指標(biāo)較高[23]。

由圖6可知，隨著烘烤的進行，類胡蘿卜素含量的變化可以分為3個階段：在烘烤0～60 h內(nèi)，類胡蘿卜素持續(xù)降解，含量逐步下降;在烘烤60～120 h內(nèi)，類胡蘿卜素降解較緩慢;從烘烤120 h到烘烤結(jié)束，類胡蘿卜素還會有一定降解，但含量變化不明顯。類胡蘿卜素以變黃期的降解速度較快，在烘烤后期含量趨于穩(wěn)定，與前人研究結(jié)果[24]相近。因此，適當(dāng)延長煙葉烘烤前期時間，有利于煙葉類胡蘿卜素物質(zhì)的降解，增加烤后煙葉的香氣量。

上述結(jié)果表明，利用近紅外光譜技術(shù)結(jié)合化學(xué)計量學(xué)算法能夠?qū)熑~烘烤過程質(zhì)體色素的含量進行測定，待預(yù)測模型穩(wěn)健后，結(jié)合模型轉(zhuǎn)移等技術(shù)，可將模型用于煙葉質(zhì)體色素的實時在線監(jiān)測。

3 結(jié)論

質(zhì)體色素的變化是煙葉烘烤過程中最直觀的變化之一，也是快速實時判斷烤房內(nèi)煙葉質(zhì)量和執(zhí)行烘烤操作的重要依據(jù)。本研究利用近紅外光譜技術(shù)結(jié)合CARS-PLS方法建立了煙葉烘烤過程質(zhì)體色素（葉綠素和類胡蘿卜素）的實時定量分析模型，2個色素模型的性能都符合建模要求，預(yù)測效果較好。同時，通過采集具有客觀性和可重復(fù)性的煙葉近紅外光譜，可以預(yù)測質(zhì)體色素隨著烘烤進程的變化趨勢。因此，采用近紅外光譜技術(shù)結(jié)合先進的化學(xué)計量學(xué)算法快速監(jiān)測煙葉烘烤過程質(zhì)體色素的思路是可行的，研究成果可為煙葉密集烘烤調(diào)控提供參考依據(jù)。

參考文獻(xiàn)：

[1]賀 帆，王 濤，王 梅，等. 烘烤過程中煙葉顏色變化與主要化學(xué)成分的關(guān)系[J]. 中國煙草學(xué)報，2014，20（6）：97-102.

[2]李 崢，邱 坤，方 明，等. 基于形態(tài)學(xué)和色度學(xué)的烘烤過程中煙葉水分含量變化的模型[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（19）：209-214.

[3]謝鵬飛，鄧小華，周清明，等. 密集烘烤過程中煙葉顏色、形態(tài)和水分變化及相互關(guān)系[J]. 作物研究，2012，26（5）：486-490.

[4]趙銘欽，張志逢，姬小明. 不同地區(qū)及部位烤煙煙葉中質(zhì)體色素與常規(guī)化學(xué)成分含量的有關(guān)分析[J]. 江西農(nóng)業(yè)大學(xué)學(xué)報，2009，31（2）：214-219.

[5]任汝周，李佛琳，胡小東，等. 調(diào)制工藝對烤煙調(diào)制過程中類胡蘿卜素降解以及煙葉品質(zhì)的影響[J]. 江蘇農(nóng)業(yè)科學(xué)，2018，46（22）：198-203.

[6]裴曉東，郭 瑞，路曉崇，等. 散葉堆積烘烤過程中烘烤環(huán)境與煙葉質(zhì)體色素的灰色典型相關(guān)分析[J]. 河南農(nóng)業(yè)科學(xué)，2014，43（7）：169-172.

[7]過偉民，尹啟生，宋紀(jì)真，等. 烤煙質(zhì)體色素含量的品種間差異及其與感官質(zhì)量的關(guān)系[J]. 煙草科技，2009（8）：50-55.

[8]謝已書，趙會納，李章海. 不同成熟度煙葉在烘烤過程中質(zhì)體色素的變化[J]. 貴州農(nóng)業(yè)科學(xué)2011，39（12）：87-90.

[9]拓陽陽，趙銘欽，金洪石，等. 烤煙不同基因型間質(zhì)體色素含量差異與煙葉化學(xué)成分的關(guān)系[J]. 中國煙草科學(xué)，2011，32（6）：32-36.

[10]龍 翔，楊虹琦，李永智，等. 烘烤過程中不同品種及成熟度煙葉質(zhì)體色素含量的分析[J]. 云南農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2010，25：364-367，387.

[11]孟智勇，宗勝杰，高相彬，等. 熱泵密集烤房不同烘烤工藝效果比較[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（22）：247-251.

[12]付秋娟，王樹聲，陳愛國，等. 鮮煙葉中質(zhì)體色素的近紅外分析研究[J]. 分析科學(xué)學(xué)報，2007，23（1）：85-87.

[13]賓 俊，范 偉，周冀衡，等. 近紅外技術(shù)結(jié)合SaE-ELM用于烤煙烘烤關(guān)鍵參數(shù)的在線監(jiān)測[J]. 煙草科技，2016，49（9）：50-56.

[14]賓 俊，周冀衡，范 偉，等. 基于NIR技術(shù)和ELM的烤煙煙葉自動分級[J]. 中國煙草學(xué)報，2017，23（2）：60-68.

[15]段光明. 葉綠素含量測定中Arnon公式的推導(dǎo)[J]. 植物生理學(xué)通訊，1992，28（3）：221-222.

[16]Li H D，Liang Y Z，Xu Q S，et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration [J]. Analytica Chimica Acta，2009，648（1）：77-84.

[17]張華秀，李曉寧，范 偉，等. 近紅外光譜結(jié)合CARS變量篩選方法用于液態(tài)奶中蛋白質(zhì)與脂肪含量的測定[J]. 分析測試學(xué)報，2010，29（5）：430-434.

[18]吳靜珠，徐 云. 基于CARS-PLS的食用油脂肪酸近紅外定量分析模型優(yōu)化[J]. 農(nóng)業(yè)機械學(xué)報，2011，42（10）：162-166.

[19]Ión F A，Llario R，Garrigues S，et al. Development of a PLS based method for determination of the quality of beers by use of NIR：spectral ranges and sample-introduction considerations [J]. Analytical and Bioanalytical Chemistry，2005，382（7）：1549-1561.

[20]Ramirez-Lopez L，Schmidt K，Behrens T，et al. Sampling optimal calibration sets in soil infrared spectroscopy[J]. Geoderma，2014，226/227：140-150.

[21]任 曉，勞彩蓮，徐照麗，等. 估測田間煙葉色素含量的光譜模型研究[J]. 光譜學(xué)與光譜分析，2015，35（6）：1654-1659.

[22]劉 欣，馬金爽，張曉青，等. 基于近紅外技術(shù)快速檢測青金桔果粉中β-胡蘿卜素含量[J]. 海南師范大學(xué)學(xué)報（自然科學(xué)版），2018，31（3）：264-269.

[23]張清明，葉建如，靖軍領(lǐng)，等. 翠碧1號煙葉烘烤過程中色素降解及化學(xué)成分變化[J]. 中國煙草科學(xué)，2014，35（2）：127-130.

[24]宋朝鵬，武圣江，高 遠(yuǎn)，等. 烤煙密集烘烤變黃期類胡蘿卜素及其降解香氣成分的變化[J]. 中國農(nóng)業(yè)科學(xué)，2010，43（20）：4246-4254.