烟叶信息近红外光谱与化学成分比较

1材料与方法

1．1样品收集及制备

收集不同种植区域、不同品种、不同部位的单料烟样品共110个。将样品放入烘箱内，40℃排气烘烤2h，然后磨碎过40目筛，控制含水率在6%～10%之间。

1．2试验仪器及软件

仪器:Antaris傅里叶变换近红外光谱仪(美国ThermoNicolet公司);Agilent7890－5975气相色谱质谱仪(美国Agi-lent公司);AG204型电子天平(感量0．1mg，瑞士梅特勒－托利多公司);GFL3020震荡器(德国GFL公司);电热恒温水浴锅(德国GFL公司);VELPDK20消化器(意大利VELP公司);连续流动分析仪(美国Astoria－Pacific公司);旋转粉碎机(北京长征高科公司);恒温箱(日本ESPEC);SDE蒸馏器(郑州玻璃仪器厂);可控温度电热套及恒温水浴锅。软件:TQAnalyst8数据分析软件(美国ThermoNicolet公司);SPSS13．0统计产品与服务解决方案(美国IBM公司)。

1．3近红外光谱扫描

取适量烟末装入石英杯中，用500g的压样器压平杯中样品后，放到光谱仪器台上扫描。仪器的工作参数:光谱范围3800～10000cm－1，间隔4cm－1，分辨率8cm－1，扫描次数69次。

1．4常规化学成分的测定

参照烟草行业标准规定的方法应用连续流动分析仪测定样品的总糖、还原糖、烟碱、总氮、氯、钾含量，并计算出相应的糖碱比和钾氯比［11］。

1．5挥发性香味成分分析

采用同时蒸馏萃取的方式提取样品中的挥发性香味成分，具体操作如下:样品称质量25g，加水300mL、二氯甲烷60mL，同时蒸馏萃取2．5h，浓缩后加内标乙酸苯乙酯(12．553g/L)10μL后待测。采用安捷伦7890－5975NGC－MS分析，色谱柱HP－5(30m×250μm×0．25μm)，进样口温度250℃，流速1mL/min，分流比10∶1。起始温度60℃，以5℃/min升温到80℃，保持5min;以2℃/min升温到150℃，保持10min;以2℃/min升温到200℃，保持20min;以2℃/min升温到280℃，保持10min，总运行时间149min。共检测到挥发性香味成分33种。

1．6逐步判别分析

逐步判别分析是一种多元统计方法。整个变量筛选过程实质就是作假设检验，通过检验引入显著性变量，剔除不显著变量。反映在输出结果上，通常可以用F值的大小作为变量引入模型的标准，即一个变量是否能进入模型主要取决于协方差分析的F检验的显著水平。逐步判别过程本身并不建立判别函数，筛选出重要变量后，采用Bayes判别方法建立判别函数和判别准则，对新样品进行判别归类。

2结果与分析

2．1近红外谱图的处理

2．1．1谱图的预处理

烟草样品的近红外谱图会受到样品颜色及仪器稳定性的影响而出现噪音及基线漂移，所以必须对样品的近红外谱图进行前处理［6］。利用TQAnalyst8分析软件包中的优化功能，采用如下方法可获得理想的结果:多元散射校正消除样品不均匀带来的差异;采用段长为9、间隔为5的NorrisDerivative滤波平滑光谱，消除高频噪音，保留有用的低频信息;采用二介微分处理，消除基线漂移的影响，获得比原光谱更高分辨率和更清晰的光谱轮廓变化。

2．1．2谱图的主成分分析

选择4000～8000cm－1波数为分析区域，由主成分分析获得样品的10个主成分，前5个主成分的贡献率达到96．97%，即5个主成分就能够代表96.97%的近红外谱图信息，所以以5个主成分得分为分析对象，采用逐步判别分析进行模式识别。

2．2烟叶种植区域模式识别结果的比较

收集的样品由福建、云南、安徽、江西、贵州4个地区的烟叶样品组成，依据《中国烟草种植区划》［13］110个样品属于5个产区，从每个产区随机抽取5个作为外部验证样品，其余作为建模样品。通过逐步判别分析，筛选出对于种植区域判别有主要影响作用的6种化学成分，即糠醛、吲哚、香叶基丙酮、柏木醇、新植二烯和氯，并获得其Bayes判别函数，同样由逐步判别分析获得近红外光谱5个主成分得分烟叶种植区域的Bayes判别函数。将筛选出的变量代入Bayes判别函数计算得到判别值，比较各判别值大小，其中最大值所对应的分组便是判别分组。表2表明，化学成分建模85个样品种植区域交叉验证模式识别的准确率为91．76%，外部验证25个样品种植区域模式识别的准确率为80．00%;近红外光谱建模85个样品种植区域交叉验证模式识别的准确率为89．41%，外部验证25个样品种植区域模式识别的准确率为80．00%。种植区域化学成分模式识别的准确率略高于近红外谱图模式识别的结果。滇南桂西山地丘陵烤烟区及滇西高原山地烤烟烟区都属于云南地区，地理位置较近，且种植水平及习惯接近，因此2个地区的样品发生部分误判，闽西赣南粤东丘陵烟区、皖南赣北丘陵烤烟区、黔中高原山地烤烟区样品识别正确率较高(表2)。

2．3烟叶品种模式识别结果的比较

收集的110个烟叶样品共有云烟87、翠碧1号、K326、红花大金元等4个品种，从每个品种中随机抽取5个作为外部验证样品，其余的样品作为建模样品。通过判别分析，筛选出对于品种模式识别有主要影响的4种化学成分，即4－环戊烯－1，3－二酮、茶香酮、香叶基丙酮、氯，并获得了其Bayes判别函数，同样由逐步判别分析获得近红外光谱5个主成分得分烟叶品种的Bayes判别函数。目前我国主栽烤烟品种均直接或间接来自于相同的亲本，甚至有些品种间亲缘关系极近，致使品种鉴别时容易发生错判。表4结果表明，化学成分建模90个样品品种交叉验证模式识别的准确率为77．78%，外部验证20个样品品种模式识别的准确率为70．00%;近红外光谱建模90个样品品种交叉验证模式识别的准确率为82．22%，外部验证20个样品品种模式识别的准确率为75．00%。烟草品种的近红外谱图模式识别结果优于化学成分模式识别的结果。

2．4烟叶部位模式识别结果的比较

收集的110个烟叶样品中上部烟36个、中部烟38个、下部烟36个，从不同部位的烟叶样品中随机抽取8个样品外部验证样品，其余的样品作为建模样品。通过判别分析，筛选出对于烟叶部位模式识别有主要影响的化学成分为三环萜、柏木醇、总烟碱，并获得了其Bayes判别函数，同样由逐步判别分析获得近红外光谱5个主成分得分烟叶部位的Bayes判别函数。表6结果表明，化学成分建模86个烟叶样品部位交叉验证模式识别的准确率为86．05%，外部验证24个烟叶样品的准确率为75．00%，近红外光谱建模86个烟叶样品部位交叉验证模式识别的准确率为94．19%，外部验证24个烟叶样品的准确率为91．67%。烟叶部位的近红外谱图模式识别结果优于化学成分模式识别的结果。

2．5模式识别结果比较

以化学成分、近红外光谱建模样品及外部验证样品模式识别正确识别的个数为变量进行相关性分析及配对t检验。相关性分析结果表明，2种方式获得的结果都存在显著的相关性(P＜0．05);配对t检验结果表明所获得的结果差异不显著(P＞0．05)(表7)。

3结论

本研究以烟叶近红外谱图、化学成分为研究对象，采用逐步判别的方法比较近红外谱图、化学成分在烟叶种植区域、品种、部位等烟叶信息方面的模式识别能力。结果表明，近红外光谱模式识别的效果与化学成分模式识别的效果差异不显著。相对于化学成分的获得，近红外光谱技术有着巨大的优势，近红外光谱谱图由近红外光谱仪扫描获得，样品不需预处理、操作简单、人员要求低，无浪费、无污染。在烟叶种植区域、品种、部位模式识别中使用近红外谱图能够替代化学成分。

作者：张峰 单位：福建中烟工业有限责任公司技术中心