基于介電譜技術結合遺傳算法的草莓品質預測

李冬冬,賈柳君,張海紅,沈靜波,李子文

(寧夏大學農學院,寧夏銀川 750021)

?

基于介電譜技術結合遺傳算法的草莓品質預測

李冬冬,賈柳君,張海紅*,沈靜波,李子文

(寧夏大學農學院,寧夏銀川 750021)

為尋找草莓品質的快速無損預測方法,利用LCR測試儀測試分析了草莓介電譜變化規律;以遺傳算法(Genetic Algorithm,GA)篩選出各品質指標(呼吸強度、可溶性固形物含量和失重率)的特征頻率點;以特征頻率下的介電參數建立了草莓品質的偏最小二乘(Partial Least Squares,PLS)預測模型。研究結果表明:以GA法篩選頻率后的介電參數所建立的呼吸強度、可溶性固形物和失重率的GA-PLS模型RPD值和R2值分別為5.21、3.14、4.89和0.941、0.852、0.906,各品質指標預測值與實測值無顯著差異(p>0.05)。介電譜技術結合遺傳算法可用于預測貯藏期草莓的品質。

介電譜,草莓,遺傳算法,品質預測

草莓為漿果類果實,果色鮮艷,酸甜可口,深受消費者喜愛[1]。但草莓在貯藏期間極易發生品質劣變、組織老化等不良變化。因此尋找一種便捷、快速的檢測方法對其貯運保鮮、貨架期的延長顯得尤為重要。

本文擬以草莓為研究對象,以LCR測試儀動態測量草莓在貯藏期間的介電參數(相對介電常數ε′和介電損耗因子ε″),分析草莓介電頻譜;篩選與草莓品質指標(呼吸強度、可溶性固形物含量、失重率)密切相關的特征頻率及特征介電參數;建立草莓品質的預測模型;以期為運用介電譜技術預測貯藏期草莓的品質提供理論基礎。

1 材料與方法

1.1 材料與儀器

草莓 采摘于寧夏回族自治區銀川市永寧果園。采摘完全成熟、外形完好、無病蟲害、無機械損傷、大小形狀基本一致的草莓進行測試。采摘樣本共50個(去除不合格樣本),將樣本隨機分為5組,每組10個樣本,在室溫(20±1) ℃、相對濕度30%±2%的環境條件下貯藏、測試其理化指標和電學參數,每天測試一組,連續測試5 d。

HIOKI-3532-50型LCR測試儀 日本日置電機株式會社;AB104-N型電子天平 上海梅特勒-托麗多儀器有限公司;WYA-2W型阿貝折射儀 上海儀電物理光學儀器有限公司;GXH-3010E型便攜式紅外線氣體分析器 北京市華云分析儀器研究所有限公司。

1.2 實驗方法

1.2.1 電學參數的測量 根據草莓尺寸選擇面積為4.3 cm×3.75 cm的銅片為平行板電極。測試前首先對LCR測試儀預熱1 h,并依次進行開路、短路校正,選擇測量電參數損耗系數D、并聯等效電容Cp。然后將草莓平放在兩極板之間,調整極板距離,使極板與草莓剛好接觸且對草莓不造成擠壓為宜。在1～1000 kHz內測量103、103.05、103.1、…、105.95、106Hz頻率下55個點的草莓電參數D和Cp值,測量數據以Microsoft EXCEL 2013表格自動生成,以等效電容法推算草莓相對介電常數ε′和介電損耗因子ε″[12-13]。

1.2.2 品質指標的測量 呼吸強度:待介電參數測量完畢,將樣品置于密閉容器中密閉,1 h后測試其呼吸強度百分值:呼吸強度值由公式(1)推算獲得:

式(1)

式中:Q為樣本呼吸強度,CO2mg/kg·h;W1為空白實驗密閉容器中CO2總量,%;W2為測定后密閉容器中CO2總量,%;W為密閉容器總體積,L;M為CO2的摩爾質量,g/mol;V0為測定溫度下CO2摩爾體積,L/mol;m為測定所用草 莓質量,kg;t為測定時間,h。

失重率:采用稱重法測試[14]。

可溶性固形物:先用蒸餾水校正阿貝折射儀,后取草莓上、中、下不同部位的果肉各(2±0.1) g,用壓蒜器壓汁,取2～3滴草莓汁于折射棱鏡上,調整側面旋鈕使目鏡視眼內明暗分割線處于交叉線中間,讀取可溶性固形物數值(測量精度為0.0003)。

為避免偶然性誤差,上述各品質指標每個樣本均測3次取平均值作為最終測量結果。

1.2.3 特征頻率的提取 本文將55個頻率點下的介電參數值作為篩選變量(變量總數為110個:第1…55個變量為相對介電常數ε′,第56…110個變量為介電損耗因數ε″);運用遺傳算法(Genetic Algorithm,GA)[15]篩選出與品質指標相關性較高的變量點(特征頻率點)。

1.2.4 校正集與驗證集的劃分 從測試完畢的50個草莓樣本中隨機選取10個用于檢驗模型的最終性能,以3∶1的比例對剩余40個樣本進行樣本集和驗證集劃分。本實驗采取Kennard-Stone(K-S)法[16]進行樣本集劃分。最終選擇校正集樣本30個,驗證集樣本10個。

1.2.5 數據處理與分析 本文利用Excel和SAS統計軟件進行實驗數據分析,采用方差分析和配對資料兩樣本均數比較的t檢驗法[t(α=0.05),p<0.05)]對相關指標進行差異顯著性分析。

在PLS建模過程中,樣品集的劃分、頻譜預處理方法及PLS方法分別采用Unscrambler X 10.3(挪威CAMO公司)和MATLAB R2008a(美國MathWorks公司)分析軟件,模型的精度與穩定性以RPD(相對分析誤差)、R2、RMSEC、RMSEP為評價指標;評價原則一般認為當RPD>3,模型效果良好,35;模型效果較佳[17];R2越接近1,RMSEC、RMSEP越接近0,模型效果越好。

1.2.6 模型建立 經GA處理全頻譜后得到草莓各品質指標的特征頻率及特征介電參數值,將特征介電參數作為輸入量,品質指標作為應變量,建立PLS模型。

1.2.7 模型的驗證 將1.2.4中隨機選取的10個樣本的介電參數值、品質指標值作為GA-PLS模型的X、Y輸入參數,以t檢驗法比較經模型驗證后得出的預測值與實測值的差異性是否顯著來判定模型的適用性和準確性。

2 結果與分析

2.1 樣本集的劃分

校正集和驗證集的品質指標值統計如見表1。

表1 校正集與預測集樣本品質指標值的統計結果
Table 1 Statistical results of the physical and chemical index values of the calibration set and the prediction set

品質參數樣品集樣品數平均值最大值最小值標準差呼吸強度(CO2mg/kg·h)校正集3010931475845208驗證集1011551457971181可溶性固形物(%)校正集3011362000724284驗證集109717575211失重率(%)校正集30119519660271驗證集106611335458265

表2 貯藏時間和頻率對草莓介電參數影響的顯著性分析
Table 2 Effects of storage time and frequency on the dielectric parameters of Strawberry

方差來源平方和自由度均方差F值p值顯著性相對介電常數ε′頻率5081663531211766302<001??貯藏時間4847024958804986<001??誤差4153492161923總計5981714273介電損耗因子ε″頻率205493053387723859<001??貯藏時間846144211532105<001??誤差2170112161005總計2356555273

注:**,p<0.01,表示極顯著。

2.2 頻率和時間對草莓介電特性的影響

為了探究草莓的介電參數是否會受到頻率和貯藏時間的影響,本文利用方差分析法對其顯著性進行了分析,詳情見表2。

由圖1、圖2可知,草莓介電參數隨著頻率、時間的增加總體呈下降趨勢,該結果與郭文川等[18]對梨的研究結果一致。由表2可知,頻率和貯藏時間對草莓的介電參數的影響達到極顯著水平(p<0.01)。

圖1 貯藏時間對相對介電常數ε′的影響Fig.1 Effect of storage time on relative dielectric constan ε′

圖2 貯藏時間對介電損耗因子ε″的影響Fig.2 Effect of storage time on dielectric loss factor ε″

由圖1可知,在1.58 kHz下第1、3 d下的草莓相對介電常數ε′顯著(p<0.05)低于第2、4 d;在7.08 kHz時,第5 d的相對介電常數ε′顯著(p<0.05)低于其他各天;在11.22 kHz后,各天草莓相對介電常數ε′下降減緩,在56.23～1000 kHz范圍內,各天相對介電參數ε′變化差異不顯著(p>0.05)。

由圖2可知,在1.58 kHz下第1 d的草莓介電損耗因子ε″顯著(p<0.05)低于其他各天;在11.22 kHz后,各天草莓介電損耗因子ε″下降減緩,在3.55～1000 kHz范圍內,介電損耗因子ε″各天變化差異均未達到顯著水平(p>0.05)。

產生上述變化的原因可能為采后草莓仍然進行部分生理活動和新陳代謝,如呼吸作用等[1]。草莓的采后呼吸作用將草莓果實內部的碳水化合物分解為水及其他小分子物質,該變化使果實細胞膜透性的增加;草莓保護組織不發達,隨著貯藏時間的延長,水分逐漸喪失,細胞膜流動性減弱、通透性下降,電荷傳遞受阻,最終導致草莓內部極化程度和極化模型改變[19];并且隨著衰老程度加重,細胞代謝紊亂,引起細胞膜的電阻增大,電容減小。細胞膜透性和自由水含量等一系列變化的共同結果使草莓介電參數值呈現先增大后減小的變化規律[18]。

2.3 GA提取特征頻率點

GA篩選過程中,以最小的RMSECV(交叉驗證均方根誤差)值和最高的R2值組合作為篩選標準[17]選取最佳頻率組合,篩選結果如圖3～圖5。

圖3 草莓呼吸強度的GA篩選次數Fig.3 The screened times of chart of respiratory intensity about GA

經GA篩選后的特征頻率點,如表3所示。

表3 GA篩選后的特征頻率點
Table 3 The characteristic frequency points screened by GA

品質參數介電參數頻率(kHz)呼吸強度ε′100，126，158，251，501，562，1778，1995，3162，3548，4467，5623，1778ε″501，562，708，794，891，10000，1122，1413，1585，1995，3548，3981，4467，5012，7079，7943，8913，10000，11220，12589，14125可溶性固形物ε′100，126，158，200，251，316，355，447，562，447，7079，7943，50119，63096，70795，89125，1000ε″100，1778，3162，3981，10000，11220，12589，14125，31623，50119，56234，63096失重率ε′355，63096ε″70795，89125，1000

圖4 草莓TSS的GA篩選次數圖Fig.4 The screened times of chart of total soluble solid about GA

圖5 草莓失重率的GA篩選次數圖Fig.5 The screened times of chart of loss weight rate about GA

從表3可知,與全頻譜相比,經GA法篩選后,各品質指標(呼吸強度、可溶性固形物和失重率)的相對介電常數ε′和介電損耗因子ε″特征頻率點分別減少到13、17、2個和21、12、3個;在去除雜余信息的同時大大提高了建模性能,充分說明了GA法在篩選特征頻率點方面的巨大優勢。

表4 各品質指標的PLS模型
Table 4 PLS model of Physical and chemical indexs

模型品質指標變量數R2RMSECRMSEPRPD全頻譜呼吸強度110092304180536337可溶性固形物110083706110683308失重率110088205650647409GA法處理呼吸強度34094103300347521可溶性固形物29085205830671314失重率5090604300542489

2.4 模型建立與評價

草莓各品質指標的GA-PLS模型結果如表4所示。

由表4可知,全頻譜和GA法處理后建立的PLS模型RPD值均大于3,R2值均大于0.8,說明兩種建模方式均可獲得良好的建模效果。但與全頻譜相比,經GA法對頻率點進行篩選后,變量數顯著減少,R2值相對增大,RMSEP值明顯較小,說明GA法對全頻譜進行篩選處理后可有效優化模型[17]。

經GA法對頻率點篩選后,以介電參數建立的呼吸強度、可溶性固形物和失重率的PLS預測模型RPD值和R2值分別為5.21、3.14、4.89和0.941、0.852、0.906,說明模型效果較好;RMSEC分別為0.330、0.583和0.430,說明模型預測精度較高。由此可見,草莓各品質指標的GA-PLS定量模型均取得了良好表現。

2.5 模型驗證

圖6a～圖6c分別代表草莓呼吸強度、可溶性固形物和失重率的PLS建模預測圖。由圖可以看到,各品質指標的實測值與預測值點呈對角線分布且以小幅度在對角線上下波動;t檢驗表明,各項指標預測值與實測值無顯著差異(p>0.05)。經驗證,上述品質指標的GA-PLS驗證模型R2依次為0.938、0.861和0.915,RMSEP依次為0.411、0.602和0.489。說明模型預測結果較為準確。

圖6 草莓品質指標PLS建模預測圖Fig.6 The model of PLS for qulity indicators of Strawberry prediction map

3 結論

以草莓為研究對象,探討了其在貯藏期間的介電頻譜(相對介電常數ε′和介電損耗因數ε″)隨時間和頻率的變化規律;用GA法對全頻譜中與草莓呼吸強度、可溶性固形物和失重率相關性較高的變量進行了篩選,并確定了特征頻率及特征介電參數。

全頻譜和GA兩種處理方法所建的草莓各品質指標PLS模型均獲得了較好的效果。但對比全頻譜-PLS模型,呼吸強度、可溶性固形物和失重率的GA-PLS預測模型不僅顯著減少了建模變量數;模型系數RPD值也分別從3.37、3.08、4.09增加到5.21、3.14、4.89;R2值分別從0.923、0.837、0.882增加到0.941、0.852、0.906;RMSEC也分別從0.418、0.611、0.565減小到0.330、0.583和0.430,且經成對t檢驗后,模型各品質指標預測值與實測值無顯著差異(p>0.05)。充分說明了GA法對全頻譜提取有效信息后在保證去除冗余信息的同時,能顯著提高模型的準確性和穩定性。GA-PLS模型可實現對草莓呼吸強度、可溶性固形物和失重率的無損、定量預測,基于介電譜技術結合遺傳算法預測貯藏期間草莓的品質是可行的。

[1]劉士華,呂國勝.草莓果實成熟過程中糖、酸含量的動態變化[J].安徽林業科技,2011,37(5):24.

[2]郭文川,朱新華,郭康權.采后蘋果電特性與生理特性的關系及其應用[J].農業工程學報,2005,21(7):136-139.

[3]陳克克.水果介電特性及其品質關系的研究[D].陜西:西北農林科技大學.2009.

[4]郭文川,商亮,王銘海,等.基于介電頻譜的采后蘋果可溶性固形物含量無損檢測[J].農業機械學報,2013,44(9):132-136.

[5]商亮,谷靜思,郭文川.基于介電特性及 ANN 的油桃糖度無損檢測方法[J].農業工程學報,2013,29(17):257-262.

[6]姚永波.基于介電特性的甜瓜糖度無損檢測[D].新疆:新疆大學.2012.

[7]周永洪,黃森,張繼澍,等.火柿果實采后電學特性研究[J].西北農林科技大學學報(自然科學版),2008,36(4):117-122.

[8]Nelson S O,Guo Wen-chuan,Trabelsi.S. et al. Dielectric properties of watermelons for quality sensing[J]. Measurement Science and Technology,2007,18:1887-1892.

[9]秦文,羽倉義雄,鈴木寬一,等. 胡蘿卜貯藏過程中電容與新鮮度的關系研究[J]. 農業工程學報,2005,21(9):160-162.

[10]馬濤,李海峰,張海紅. 櫻桃番茄采后品質變化的介電特性研究[J]. 食品研究與開發,2013,34(21):107-111.

[11]Nelson S O,Forbea W R,Lawrence K C. Peanittivities of fresh fruits and vegetables firm 0.2 to 20 GHz[J]. Journal of Microwave Power and Electromagnetic Energy,1994,29(2):81-83.

[12]Soltani M,Alimardani R,Omid M. Evaluating banana ripening status from measuring dielectric properties[J]. Journal of Food Engineering,2011,105:625-631.

[13]周世平.靈武長棗貯藏過程中介電特性與品質變化的相關性研究[D]. 寧夏:寧夏大學,2014.

[14]沈靜波,馬雪蓮,王慧倩,等.基于介電特性的靈武長棗新鮮度預測[J].食品與機械,2016,32(1):118.

[15]陸婉珍. 現代近紅外光譜分析技術(第二版)[M]. 北京:中國石化出版社,2007,1.

[16]M.Soltani R,Alimardani,M. Omid. Evaluating banana ripening status from measuring dielectric properties[J]. Journal of Food Engineering,2011,105(4):625-631.

[17]李子文.蘋果醋釀造過程中關鍵參數的近紅外快速檢測方法研究[D]. 寧夏:寧夏大學,2016.

[18]郭文川,孔繁榮,王轉衛.梨生長發育后期介電特性、生理特性和內部品質的關系[J].現代食品科技,2015,31(11):56-59.

[19]Harker F R,Maindonald J H. Ripening of nectarine fruit(changes in the cell wall,vacuole,and measurements)[J].Plant Physiology,1994,106(1):165-171.

Strawberry quality prediction based on dielectric spectrum technology combining with genetic algorithm

LI Dong-dong,JIA Liu-jun,ZHANG Hai-hong*,SHEN Jing-bo,LI Zi-wen

(College of Agriculture,Ningxia University,Yinchuan 750021,China)

In order to find rapid non-destructive prediction methods for strawberry quality,dielectric spectrum was tested and its change rule was analyzed with Inductance,Capacitance,Resistance tester(LCR). The characteristic frequency points of quality indicators(respiration intensity,soluble solids content and weightlessness rate)were selected out by genetic algorithm(GA). Partial Least Squares(PLS)quality prediction models were established based on the dielectric parameters at the characteristic frequency points. The results showed that the Relative Percent Deviation(RPD)andR2values of the GA-PLS model for respiration intensity,soluble solid content(TSS)and weight loss rate established based on dielectric parameters selected out by GA were 5.21,3.14,4.89 and 0.941,0.852,0.906,respectively. There was no significant difference between the predicted value and the measured value(p>0.05)for each quality indicator. Dielectric spectrum technology combining with GA can be used to predict the quality of the storage period of strawberries

dielectric spectrum;strawberry;genetic algorithm;quality prediction

2016-06-23

李冬冬(1992-),男,碩士研究生,研究方向:農產品無損檢測,E-mail:m18295117748@163.com。

*通訊作者:張海紅(1967-),女,碩士研究生,教授,研究方向:食品物性學,E-mail:nxdwjyxx@126.com。

國家自然科學基金資助項目(31160346)。

TS255.1

A

1002-0306(2016)23-0272-05

10.13386/j.issn1002-0306.2016.23.043