近红外漫反射光谱结合偏最小二乘法对紫胶理化指标的快速测定

TANG Baoshan1,2,LI Kun1,ZHANG Wenwen1,SHI Zhengjun2,GUAN Qingfang3,XU Juan1,MA Jinju1,LIU Lanxiang1,ZHANG Hong1*

1(Research Institute of Resources Insects, Chinese Academy of Forestry, Research Center of Engineering and Technology on Characteristic Forest Resources, State Administration of Forestry and Grassland, Kunming 650233, China)2(College of Forestry, Southwest Forestry University, Kunming 650224, China)3(Anning Decco Fine Chemical Company Limited, Kunming 650301, China)

ABSTRACT Chemical methods were used to determine the chemical values of physicochemical properties of shellac. The application of Fourier transform near-infrared spectrum technology was performed to collect near infrared spectra of shellac and the spectral noise eliminated by pretreatment method. And synergy interval partial least (SIPLS) was employed to choose the characteristics of the band and the internal interaction validation method screening principal components number. Finally, the index of physicochemical properties including ash, moisture, cold alcohol soluble, thermal life, acid value and color index of near infrared spectrum quantitative analysis model was established by partial least squares (PLS) regression algorithm. The results showed that the correction determination coefficients

of ash, moisture, cold alcohol soluble, thermal life, acid value and color index were 0.968, 0.982, 0.945, 0.821, 0.873 and 0.946, respectively. And the root mean square error of cross validation (RMSECV) was 0.054, 0.081, 1.050, 0.359, 1.230 and 1.880, respectively. Moreover, the determination coefficient

of validation sets were 0.958, 0.981, 0.904, 0.810, 0.872 and 0.930 for these indexes, and the prediction standard errors (RMSEP) were 0.039, 0.039, 0.039, 0.234, 0.700 and 0.618, respectively. Besides, the relative percent deviation (RPD) values were 5.58, 7.65, 3.30, 2.51, 2.82 and 4.31. Therefore, the near infrared spectroscopy was feasible for the quantitative analysis of thermal life and acid value. But its precision needs to be further improved. For ash, moisture content, cold alcohol soluble and color index of shellac, internal cross validation and external validation sets all proved that the accuracy and prediction performance of the established near-infrared quantitative analysis model were good, which provided a new reference for the research of rapid analysis method of physical and chemical indexes of shellac.

Key words near infrared spectrum; shellac； physicochemical indexes; rapid determination; interval partial least square

紫胶是一种由紫胶虫分泌的天然物质，是目前唯一已开发利用的动物源天然树脂，也是我国重要的特色农林产品资源[1-3]。紫胶具有良好的成膜性、黏结性、防水性及生物降解性，而且无毒、无味，这是很多合成树脂不具备的优点，是迄今为止不能被人工合成品完全替代的重要天然化工原料[4-7]。紫胶性能优异，应用面极广[8-9]，在食品行业主要作为水果保鲜剂中的被膜剂[10-11]，在制药工业上制作肠溶性包衣[12]，在化工上则用作涂饰剂[13]等用途。质量检测是紫胶在各领域应用的前提，理化指标检测是紫胶质量检测的基础。长期以来，紫胶的理化指标多依据国标法测定，虽然国标法可实施性强，但紫胶中灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数等指标需要分别测试，且方法繁琐、耗时、难以满足大批量样品分析，更无法做到在线和实时检测[14]。因此，探索一种基于现代仪器分析技术的快速定量分析方法，用于紫胶理化指标分析，不仅可降低国标法对人员、操作、试验条件的要求，而且可为紫胶理化指标检测的现代化和仪器化做出有益探索。

近红外光谱(near infrared spectroscopy，NIRS)是近年来迅速发展起来的一种有效简便的分析方法，其最大特点是绿色、快速、前处理简单、检测成本低、可同时检测多种组分，是一种能够满足检测和监测的独立分析技术[15-18]。随着计算机和化学计量学的发展，近红外用途较为广泛，如烟草和谷子组分的定量[19-20]检测、水果中可溶性固形物和饮料中果汁含量检测[21-22]，油脂的溯源检测[23]等，近红外光谱法均表现出了良好的精确度。然而，近红外法用于紫胶理化指标的检测还未见文献报道。探索紫胶理化指标的近红外检测方法，不仅能够避免传统国标法繁琐、耗时的缺点，且这种快速、无损、清洁的方法非常适合企业的大批量样本和在线检测，具有理论和实践的双重意义。本文以不同来源的紫胶样本为研究对象，以化学法为参考方法，采用近红外法拟合紫胶的漫反射光谱，并以化学值建立灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数的快速定量分析模型，以期为紫胶理化指标的分析检测探索新方法。

1 材料与方法

1.1 材料与试剂

紫胶样本40个(缅甸紫胶样本1、印度紫胶样本2、泰国紫胶样本2、越南紫胶样本2和中国紫胶样本33)由墨江县洪森虫胶有限公司、墨江滇力林化厂、墨江森源科技有限公司、绿春兴龙紫胶有限公司、云县凝鑫紫胶产业发展有限公司和安宁戴科精细化工有限公司提供；95%乙醇(分析纯)，天津市风船化学试剂科技有限公司。

1.2 仪器与设备

MPA傅立叶变换近红外光谱仪，德国Brucker公司；Agilent Cary Seties UV-vis紫外分光光度计,Agilent Technologies公司；904 Titrando型电位滴定仪，瑞士万通(Metrohm)公司；AAB204-S电子天平，梅特勒-托利多(中国)有限公司；101-2ES电热鼓风干燥箱，北京市永光明医疗仪器有限公司；AM10智能恒温金属浴，北京同洲维普科技有限公司；SK8210HP超声波清洗器，上海科导超声仪器有限公司；SHZ-D(Ⅲ)循环水式多用真空泵，巩义市予华仪器有限责任公司；220V-AC万用电炉，北京科伟永兴仪器有限公司；SRJX-8-13高温电炉，江苏南通县金沙电炉厂；FW-100高速万能粉碎机，北京中兴伟业仪器有限公司；40目标准检验筛，浙江上虞市华丰五金仪器有限公司。

1.3 试验方法

1.3.1 样品的处理

为保证样品的均匀性，把收集到的紫胶样本分别用高速粉碎机粉碎后过40目标准检验筛备用。

1.3.2 紫胶理化指标的测定

灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数的测定参照国标GB/T 8143—2008《紫胶产品检验方法》[24]中的方法进行。

1.3.3 近红外光谱测定条件

为保证仪器的稳定性，开机后预热30 min；设置仪器参数：光谱范围4 000～12 600 cm-1，扫描时仪器分辨率为16 cm-1，扫描次数为64次；以空IN312-SH型石英杯(Φ=97 mm)作为参比样品进行光谱采集，上样量以样品杯体积的2/3为宜，为确保样品采集的均匀性，采用MPA-SphereMacrosample-rotating-Res16.XPM模式。每个样品重复测定3次，以3次的平均光谱用于建模分析[25-26]。

1.3.4 校正集和验证集样品的选择

样品按4∶1的比例随机分为校正集和验证集，校正集用于建立测定样品中灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数定量校正模型，验证集用于验证所建立校正模型的预测能力，其中最大值和最小值样本均纳入到校正集中[27]。

1.3.5 近红外光谱数据建模预处理方法

近红外光谱易受到样品的杂散光以及噪音信号等影响，为保证谱图基线平稳和所建立校正模型的准确性，需对原始光谱进行预处理。本文采用预处理方法有无光谱处理(none)、矢量归一化(vector normalization, VN)、消除常量偏移量(eliminate constant offsets, ECO)、最小-最大归一化(minimum-maximum normalization, M-MN)、一阶导数+矢量归一化 (first derivative+vector normalization, FD+VN)和一阶导数+减去一条直线(first derivative+minus a line, FD+ML)，探索适用于紫胶理化指标的光谱预处理方法[28]。

1.3.6 特征光谱波段的选择

偏最小二乘法(partial least squares，PLS) 可以处理全光谱信息，但这些信息中包含了过多的冗余信息。因此，在建立模型时，需要找到能充分反映出样品中各指标成分的最佳建模波段来改善模型性能，提高计算速度。采用组合区间偏最小二乘法(synergy interval partial least squares, SIPLS)筛选紫胶灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数的特征波段，组合区间偏最小二乘法将预处理后的全光谱模型波段等分成若干子区间，逐个在各子区间建立 PLS 回归模型，通过把精度较高的子区间联合起来作为一个整体用于建立模型[29]。当交互验证均方根误差(root mean square error of cross validation，RMSECV)最小时，对应的组合区间就是该模型的最优特征波段。

1.3.7 主成分数的选择

采用 PLS 法建立定量模型时，采用内部交互验证法筛选主成分数，主成分数大小的选择影响模型预测能力。通常主成分太小，则导致建模信息不全，模型预测能力相对较差；数值太大，所建模型包含太多的噪音，会出现过拟合现象，当RMSECV最小时，对应主成分数最佳[30]。

1.3.8 模型的质量评价

首先用内部交互验证法检验模型的稳健性，通过校正集的相关系数(correction determination

和RMSECV来判断模型的质量，一般校正决定系数

越大，近红外分析结果与化学分析结果越吻合，可信度越高。用验证集的相关系数(determination

和预测均方根误差(root mean square error of prediction，RMSEP)来判断模型的精确性，当

越大，RMSEP越小，说明定标模型的准确度越高，则模型预测性能越好。最后根据相对分析误差(relative percent deviation，RPD)对预测精度进行进一步的评价。当 RPD 值<2.5时，说明比较困难用该模型进行定量分析，故无法用近红外光谱技术进行分析；若 2.5≤RPD<3，说明模型对该成分进行定量分析是可行，但其精度有待进一步提高；若 RPD值≥3，说明，建立的定标模型预测效果良好，可用于实际检测[31-32]。

2 结果与分析

2.1 紫胶样品中通过化学法测灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数化学值

紫胶样品中通过化学法测灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数化学值见表1。

由表1可知，我们搜集了主要产胶国(印度、泰国、中国、越南、缅甸)的样本，并囊括了中国境内主要的钝叶黄檀、南岭黄檀和荔枝树等寄主植物，以及中国云南的冬代及夏代紫胶，具有代表性。且通过化学法测定灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数的化学值涵盖范围宽，为模型的精确性和普适性提供了数据支撑。

2.2 紫胶中灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数的校正集和验证集

由表1和表2 可知，校正集和验证集中灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数的含量范围、平均值和极差表明，所选样品中各组分含量范围较宽，代表性较强，校正集样品范围包含验证集所有样品的组成范围，符合建立模型样品选择的原则。

2.3 紫胶原始光谱及优化处理光谱

紫胶的近红外光谱图如图1-a所示，传统观点认为PLS具有较强的抗干扰能力，可全波段参与模型的建立。但随着研究发现，光谱仪某些波段噪声的影响会引起模型的不稳定且光谱信息中存在冗余信息，为了减少波长变量，提高测量速度，得到较优的定量模型，在建模过程中需要根据模型的预处理准确性和稳健性选择合适的预处理方法。图1-b～图1-g分别为灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数的预处理图。

2.4 灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数预处理方法的选择

由表3可知，通过考察6种不同的预处理方法，最终确定灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数的最佳预处理方法分别为M-MN、FD+ML、ECO、FD+ML、VN和ECO，其对应的RMSECV 值在所有预处理方法中最小，分别为0.054、0.081、1.050、0.359、1.230 和1.880，且

值最大，说明在该预处理方法下，组分与模型的相关性最强。

2.5 灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数光谱波段的筛选

由表4可知，灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数的最优建模波段分别为9 403.7～6 098.1，4 601.6～4 246.7、5 450.1～4 848.4、6 102～5 446.3，4 424.1～4 246.7、7 502.1～6 098.1，4 601.6～4 246.7、9 403.7～6 098.1和9 403.7～7 498.3，5 774.1～5 446.3，4 424.1～4 246.7 cm-1，此时对应的RMSECV最小，说明在该波数范围内，组分与模型的相关性最佳。

2.6 灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数RMSECV随主成分数的变化图

由图2可知，灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数的主成分数分别为8、7、7、8、7和6时(图中箭头标识)，对应的RMSECV最小，说明在该主成分数下，该模型的误差最低。

2.7 定标模型的验证

利用以上建模条件，对灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数校正集进行内部交叉验证，建立校正模型的样品数为32个，分别剔除0、0、2、0、2、2个光谱异常的样品，实际采用的样品只有32、32、30、32、30、30个；灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数定量模型预测验证集为8个样品。灰分、水分、冷乙醇可溶物、热寿命、酸值和颜色指数的校正集和验证集的预测值和真实值的关系如下图所示。

由图3可知，灰分、水分、冷乙醇可溶物和颜色指数的校正集校正决定系数

分别为0.968、0.982、0.945和

均大于0.94，交叉验证标准误差分别为0.054、0.081、1.050和1.880， RMSECV值都在允许误差范围内，故所建模型可靠且可行。灰分、水分、冷乙醇可溶物和颜色指数模型验证集的决定系数

均大于0.90，说明近红外光谱预测值与真实值基本一致，模型的预测效果良好。通过建模数据可知，相对分析误差分别为5.58、7.65、3.30和4.31，且RPD值都大于3，所以能满足紫胶中灰分、水分、冷乙醇可溶物和颜色指数在实际生产中的检测要求。

热寿命、酸值的校正集校正决定系数

分别为0.821和0.873，交叉验证标准误差分别为0.359和1.230；验证集的决定系数

分别为0.810和0.872，预测标准误差分别为0.234和0.700；相对分析误差分别为2.51和2.82，RPD(2.5

3 结论

本文通过采用偏最小二乘法建立紫胶中水分、灰分、冷乙醇可溶物、热寿命、酸值和颜色指数等理化指标的近红外快速测定方法。通过采用不同预处理方法对模型进行优化，采用组合区间偏最小二乘法选择特征波段，采用内部交互验证法筛选主成分数，最后得到紫胶中水分、灰分、冷乙醇可溶物、热寿命、酸值和颜色指数的最佳预处理方法分别为M-MN、FD+ML、ECO、FD+ML、VN和ECO；最优建模波段分别为99 403.7～6 098.1，4 601.6～4 246.7、5 450.1～4 848.4、6 102～5 446.3，4 424.1～4 246.7、7 502.1～6 098.1，4 601.6～4 246.7、9 403.7～6 098.1和9 403.7～7 498.3，5 774.1～5 446.3，4 424.1～4 246.7 cm-1，主成分数分别为8、7、7、8、7和6；校正集校正决定系数

分别为0.968、0.982、0.945、0.821、0.873和0.946，交叉验证标准误差分别为0.054、0.081、1.050、0.359、1.230和1.880；验证集的决定系数

分别为0.958、0.981、0.904、0.810、0.872和0.930，预测标准误差分别为0.039、0.039、0.039、0.234、0.700和0.618；相对分析误差分别为5.58、7.65、3.30、2.51、2.82和4.31。结果表明近红外光谱法对热寿命和酸值进行定量分析是可行的，但其精度有待进一步提高，对于紫胶中灰分、水分、冷乙醇可溶物和颜色指数能满足在实际生产中的检测要求，为建立紫胶快速质量评价检测方法提供新的参考。

与国标测定方法相比，近红外光谱分析法可以同时进行多指标成分的测定，且操作简便、快捷、准确可靠，分析成本低，绿色环保，适合于大批量紫胶理化性质的快速检测评价，尤其是在厂商与农户贸易交验货时的就地、实时、无损评定紫胶质量。由于紫胶的生物资源属性，其理化性质易受到寄主植物、气候、采收时间、储存方式和存放时间等因素的影响，因此，在未来的工作中，进一步合理选取并增大样本量，才能在更大范围内提高模型的精密性及检测结果的准确性、普适性。

[1] 陈晓鸣, 陈又清, 张弘. 紫胶虫培育与紫胶加工[M]. 北京：中国林业出版社, 2008:1-39.

[2] ANSARI M F, SARKHEL G. Improving coating properties of shellac-epoxidised-novolac blends with melamine formaldehyde resin[J]. Pigment & Resin Technology, 2017, 46(2): 92-99.

[3] KUMAR V, GUPTA S, MISHRA N K, et al. Laser-induced fabrication of gold nanoparticles on shellac-driven peptide nanostructures[J]. Materials Research Express, 2017, 4(3): 035 036.

[4] KHAIRUDDI N, PRAMONO E, UTOMO S B, et al. FTIR studies on the effect of concentration of polyethylene glycol on polimerization of shellac[J]. Journal of Physics Conference Series, 2016, 776 (1): 012 053.

[5] 李凯, 张弘, 郑华, 等. 紫胶树脂改性研究进展[J]. 天然产物研究与开发, 2012, 24(2):274-279.

[6] THAWATCHAI P, SETTHAPONG S, NAPAPHOL P, et al. Solvent exchange and drug release characteristics of doxycycline hyclate-loaded bleached shellac in situ-forming gel and microparticle[J]. International Journal of Biological Macromolecules, 2019, 135: 1 261-1 272.

[7] 潘正东, 李凯, 徐涓, 等. 响应面试验优化紫胶树脂钠盐为壁材制备VE微胶囊工艺[J].食品科学, 2016, 37(12):19-26.

[8] LI K, PAN Z D, GUAN C, et al. A tough self-assembled natural oligomer hydrogelbased on nano-size vesicle cohesion[J]. RSC Advances, 2016， 6(40): 33 547-33 553.

[9] 张雯雯, 毕兴丹, 唐勇, 等. 攀枝花地区紫胶组分分析[J]. 东北林业大学学报, 2010, 38(11): 119-121.

[10] SORADECH S, LIMMATVAPIRAT S, LUANGTANA-ANAN M. Stability enhancement of shellac by formation of composite film Effect of gelatin and plasticizers[J]. Journal of Food Engineering, 2013, 116(2):572-580.

[11] 马李一, 甘瑾, 殷宁, 等. 天然涂膜保鲜剂对青脆李的贮藏保鲜作用[J]. 食品与发酵工业, 2004, 30(7):135-138.

[12] PHAECHAMUD T, MAHADLEK J, CHUENBARN T. In situ forminggel comprising bleached shellac loaded with antimicrobialdrugs for periodontitis treatment[J]. Materials and Design, 2016, 89: 294-303.

[13] WETHTHIMUNI M L, CAPSONI D, MALAGODI M, et al. Shellac/nanoparticles dispersions as protective materials for wood[J]. Applied Physics A, 2016, 122(12): 1 058.

[14] 沈广辉, 刘贤, 张月敬, 等. 基于在线近红外光谱快速检测玉米籽粒主要品质参数的研究[J]. 中国畜牧杂志, 2017, 53(1): 105-109.

[15] CHEN H, LIN Z, TAN C. Automatic cancer discrimination based on near-infrared spectrum and class-modeling technique[J]. Vibrational Spectroscopy, 2020, 106：102 991.

[16] 朱华, 吴珽, 房桂干, 等. 近红外技术的广西速生桉抽出物含量测定与模型优化[J].光谱学与光谱分析, 2020, 40(3):793-798.

[17] GU C Y, TANG Q Q, XIANG B R. Determination of fenitrothion in water by near infrared spectroscopy and chemometric analysis[J]. Analytical Letters, 2015, 48 (9)：1 481-1 493.

[18] 买书魁，吴镇君，陈红光, 等. 基于近红外光谱技术的白酒原酒中关键成分的定量分析[J].食品与发酵工业, 2018, 44(11):280-285.

[19] 潘威, 马文广, 郑昀晔, 等. 用近红外光谱无损测定烟草种子淀粉含量[J].烟草科技, 2017, 50(2):15-21.

[20] 田翔, 刘思辰, 王海岗, 等. 近红外漫反射光谱法快速检测谷子蛋白质和淀粉含量[J]. 食品科学, 2017, 38(16):140-144.

[21] 于怀智, 陈东杰, 姜沛宏,等. 基于近红外光谱对蒙阴黄桃硬度和可溶性固形物的在线检测[J/OL].食品与发酵工业, DOI: 10.13995/j.cnki.11-1802/ts.022156.

[22] 盛晓慧, 李宗朋, 李子文, 等. 近红外光谱技术定量检测果味啤中的果汁含量[J].食品与发酵工业, 2020, 46(4):247-252.

[23] LIU Y, XIA Z Z, YAO L Y, et al. Discriminating geographic origin of sesame oils and determining lignans by near-infrared spectroscopy combined with chemometric methods[J]. Journal of Food Composition and Analysis, 2019, 84:103 327.

[24] 中华人民共和国国家质量监督检验检疫总局.中国国家标准化委员 GB/T 8143—2008紫胶产品检验方法[S]．北京: 中国标准出版社, 2009.

[25] CAFFERKY J, SWEENEY T, ALLEN P, et al. Investigating the use of visible and near infrared spectroscopy to predict sensory and texture attributes of beef M.longissimus thpracis et lumborum[J]. Meat Science, 2020, 159:107 915.

[26] 邹小波, 封韬, 郑开逸, 等.利用近红外及中红外融合技术对小麦产地和烘干程度的同时鉴别[J].光谱学与光谱分析, 2019, 39(5):1 445-1 450.

[27] 雷玉, 郭雪媚, 朱世超, 等. 近红外光谱检测技术在聚合物领域的应用研究进展[J].光谱学与光谱分析,2019, 39(7):2 114-2 118.

[28] TORMENA C D, MARCHEAFAVE G G, PAULI E D, et al. Potential biomonitoring of atmospheric carbon dioxide in Coffea arabica leaves using near-infrared spectroscopy and partial least squares discriminant analysis[J]. Environmental Science and Pollution Research, 2019, 26(29): 30 356-30 364.

[29] 洛曲, 于修烛, 张建新, 等. 基于近红外光谱的藏区酥油脂肪和蛋白质含量快速检测分析[J].中国油脂, 2018, 43(3): 136-140.

[30] SCHLEGEL L B, SCHUBERT-ZSILAVECZ M, ABDEL-TAWAB M. Quantification of active ingredients in semi-solid pharmaceutical formulations by near infrared spectroscopy[J]. Pharm Biomed Anal. 2017, 142 (20): 178-189.

[31] 刘红梅, 肖正午, 申涛, 等. 稻米直链淀粉含量近红外检测模型的建立[J]. 湖南农业大学学报(自然科学版), 2019, 45(2): 189-193.

[32] CHEN L J, YANG Z L, HAN L J. A review on the use of near-infrared spectroscopy for analyzing feed protein materials[J]. Applied Spectroscopy Reviews, 2013, 48(7): 509-522.