基于近紅外光譜的冷藏期番茄果實質地定量分析模型

王世芳，宋海燕，張志勇，韓小平

（山西農業大學工學院，山西太谷 030801）

基于近紅外光譜的冷藏期番茄果實質地定量分析模型

王世芳，*宋海燕，張志勇，韓小平

（山西農業大學工學院，山西太谷 030801）

以番茄樣本為研究對象，建立基于近紅外光譜的冷藏期果實質地定量分析模型。采用SPXY方法對樣本集進行劃分，經過不同光譜預處理方法比較后，在780～2 500，920～2 500，1 100～2 500 nm 3個波段范圍內建立番茄果實質地定量偏最小二乘回歸模型，根據相關系數以及預測標準差（RMSEP）分析得出最優模型。結果得出780～2 500 nm波段預測效果最佳，果肉平均硬度預測集相關系數為0.761，RMSEP為0.173；果皮破裂力預測集相關系數為0.809，RMSEP為0.820；果皮脆度預測集相關系數為0.803，RMSEP為0.831；果皮韌性預測集相關系數為0.764，RMSEP為0.427；預測集相關系數均達到0.760以上，RMSEP均小于0.850，模型效果比較好。結果表明，番茄果實質地的近紅外無損檢測可行，果實質地與近紅外漫反射光譜具有顯著相關性。

番茄；果實質地；近紅外光譜；定量分析模型

0 引言

番茄（Tomoto），俗稱西紅柿，具有較高的食用價值[1]和藥用價值[2]。在貯藏和運輸過程中，番茄對水分的要求嚴格，容易受機械損傷、冷害、病菌感染等，造成較大的損失，影響商品的貨架期[3]和商品流通。果實質地是果實成熟和果實品質的重要指標之一，影響果實貨架期、口感及風味等。測定番茄果實質地采用美國FTC公司生產的TMS-PRO型食品物性分析儀，該儀器測定結果精度較高，但操作復雜費時，因此需要研究一種快速無損檢測技術[4-7]，實現對番茄果實質地的在線檢測。

近紅外光譜檢測具有快速、無損且多組分同時檢測的優點，在食品品質檢測領域得到廣泛的應用。就果實質地檢測而言，潘冰燕等人[8]采用近紅外光譜對甜椒果實質地進行無損檢測，羅楓等人[9]采用近紅外漫反射技術對甜櫻桃果實質地進行定量分析，王丹等人[10]采用近紅外光譜無損檢測技術對甜柿果實質地進行檢測，結果表明果實質地的近紅外光譜無損檢測可行，果實質地與近紅外漫反射光譜具有顯著相關性。試驗利用近紅外光譜對番茄果實質地進行檢測，為番茄果實質地的在線檢測提供理論依據。

1 材料與方法

1.1 試驗材料

從山西農業大學附近大棚采摘70個大小均勻、無病蟲害、無機械損傷的番茄果實，將采摘的番茄在室溫條件下放置6 h，隨機抽取10個果實對其進行光譜檢測，并對應測定果實質地。貯藏5，10，15，20 d時隨機抽取各15個果實，對果實進行光譜檢測和果實質地檢測。

1.2 光譜測定

采用美國ASD公司的Handheld FieldSpec 3型光譜儀進行光譜采集，測定范圍為350～2 500 nm。光譜數據采集在室溫下進行，為了避免外界因素的影響，在自制的暗室內進行光譜采集，將番茄放置于直徑為12.5 cm培養皿中央，采用漫反射采集光譜，每個樣本旋轉2次，每次旋轉120°，采集3次光譜。由于番茄不同部位的果實質地有差異，因此不同位置的選擇對近紅外光譜預測模型精度會產生影響，介鄧飛等人[11]和錢曼等人[12]利用近紅外光譜對西瓜不同部位檢測模型精度進行研究，結果發現西瓜臍部位為西瓜內部品質檢測的較優采集部位，因此試驗選擇番茄臍部位為光譜采集位置。光譜數據處理軟件為ViewSpecPro，作圖軟件為MATLAB2010b。

番茄部位見圖1，光譜采集裝置見圖2。

圖1 番茄部位

圖2 光譜采集裝置

1.3 果實質地測定

采用美國FTC公司生產的TMS-PRO型食品物性分析儀進行果實質地測定。整果穿刺試驗采用P/2n針狀探頭（直徑為2 mm），測前速度為2 mm/sec，測試速度為2 mm/sec，測后速度為10 mm/sec，最小感知力為5 g，將穿刺深度設為6 mm，穿過果皮但不能穿透果肉部分。穿刺試驗采用完整果實作為試驗對象，穿刺部位選取番茄臍部位（見圖1），5 mm為半徑的圓上相隔120°的3個點測定，保證刺入點位置與光譜采集位置相一致。

整果穿刺裝置見圖3，穿刺曲線見圖4。

圖3 整果穿刺裝置

圖4 穿刺曲線

質地包括果皮質地和果肉質地，其中果皮質地分為果皮破裂力、破裂深度、果皮脆度和果皮韌性，果肉質地為果肉平均硬度。從圖4穿刺曲線分析，以曲線第1峰（錨2位置） 的力值為果皮破裂力（g），第1峰的運行距離為果皮破裂深度（mm），由此可以推出果皮脆度和果皮韌性的計算公式如下：果皮脆度（g/s） =第1峰的力值（g） /運行時間（s），果皮韌性（g/s）=第1峰的力值（g）×運行時間（s）；第1峰1 s后（錨3位置）與錨4位置之間的平均力值為果肉平均硬度（g）。

1.4 定量分析模型

采用偏最小二乘回歸（Partial least-squares regression，PLSR）進行定量建模分析，利用Unscrambler軟件進行建模分析。

2 結果與分析

2.1 番茄在冷藏期的可見近紅外光譜圖

貯藏過程中有2個果實腐爛，測得68個番茄原始可見近紅外光譜。

原始光譜見圖5。

由圖5可知，有5處明顯的吸收峰，分別是980，1 203，1 450，1 780，1 931 nm波段附近，其中980，1 450，1 931 nm處吸收峰特別明顯。980 nm為可見光和近紅外光譜之間的過渡區域；1 450 nm吸收峰由番茄水分子間的O-H鍵吸收形成，此處吸收峰與番茄的含水量呈正相關趨勢變化；1 931 nm處吸收峰主要由番茄中CH2-，C-H鍵的伸縮、彎曲振動產生，番茄中含有可溶性固形物、酸類物質、VC以及氨基酸等，這些物質中含有此類官能團，這表明吸收峰與番茄中這些物質的含量具有相關性。結果表明，番茄品質變化與近紅外光譜上反映的信息具有一定的規律性趨勢變化。

圖5 原始光譜

2.2 樣品集的劃分

采用SPXY隨機方法進行樣品集劃分，分別以果肉平均硬度、果皮破裂力、果皮脆度和果皮韌性為y變量，光譜值為x變量，以3∶1的比例將68個番茄樣本劃分為51個校正集和17個預測集。

樣品集的劃分見表1。

2.3 光譜預處理

表1 樣品集的劃分

從原始光譜數據可得出，可見光區域（350～780 nm）存在散射現象，明顯的特征峰值都在近紅外光譜區域，因此在建模分析時，選取近紅外區域（780～2 500 nm）進行建模預測。以果肉平均硬度為例，分別采用基線校正、一階導數、二階導數、多元散射校正、變量標準化、正交信號校正對原始光譜進行光譜預處理，然后利用原始光譜以及經預處理后的光譜分別進行偏最小二乘回歸定量分析模型建立。

光譜預處理方法選擇見表2。

表2 光譜預處理方法選擇

二階導數、變量標準化及正交信號校正建模出現過擬合現象，校正集相關系數達到0.9以上，而預測集相關系數僅為0.1，在表中沒有顯示。由表2可知，基線校正的結果比其他經光譜預處理方法的建模效果要好，為此采用基線校正光譜進行果肉平均硬度的模型預測。

基線校正后光譜見圖6。

由圖6可知，經基線校正后的光譜，消除了基線偏移的現象，能更好地反映番茄的特征信息。

果皮破裂力、果皮脆度、果皮韌性均采用相同的方法進行光譜預處理方法的選擇，結果表明采用原始光譜建模效果最佳。

圖6 基線校正后光譜

2.4 波段選擇及果肉平均硬度PLSR建模分析

從2.3中可知，果肉平均硬度采用基線校正后的光譜建模效果好，其中980 nm位于短波光譜區域（780～1 100 nm）內，1 203，1 450，1 780，1 931 nm位于長波光譜區域（1 100～2 500 nm）內。應實際情況需求，對建模的光譜區域進行優選，光譜區域為近紅外波段（780～2 500 nm）、近紅外長波波段（1 100～2 500 nm）、去780～920 nm波段（920～2 500 nm，因780～920 nm波段無明顯的特征信息），采用杠桿率校正結合偏最小二乘回歸定量分析模型建模分析。

果肉平均硬度建模分析結果見表3。

建模效果的好壞不僅要與相關系數有關，而且校正標準差與預測標準差的差值要小。由表3可知，1 100～2 500 nm和920～2 500 nm波段選擇建模相關系數和校正標準差都比較好，預測效果也很好；與780～2 500 nm波段預測相比，雖然780～2 500 nm波段建模效果不是很好，但校正集與預測集標準差僅相差0.030，效果最好。因此，本試驗選擇780～2 500 nm波段進行模型的建立。校正集相關系數為0.865，預測集相關系數為0.761。

表3 果肉平均硬度建模分析結果

2.5 果皮質地建模分析

采用原始光譜，杠桿率校正結合偏最小二乘回歸定量分析對果皮破裂力、果皮脆度、果皮韌性進行建模分析。

果皮破裂力建模分析結果見表4，果皮脆度建模分析結果見表5，果皮韌性建模分析結果見表6。

由表4～表6可知，1 100～2 500 nm和920～2 500 nm波段校正集建模相關系數和校正標準差都比較好，預測效果也很好；與780～2 500 nm波段預測相比，雖然780～2 500 nm波段建模效果稍微差些，但預測集相關系數達到0.760以上，果皮破裂力校正集與預測集標準相差0.054，果皮脆度校正集與預測集標準差相差0.061，果皮韌性校正集與預測集標準差相差0.005，效果最好。因此，試驗選擇780～2 500 nm波段進行模型的建立。

表4 果皮破裂力建模分析結果

表5 果皮脆度建模分析結果

表6 果皮韌性建模分析結果

3 結論

建立基于近紅外光譜的冷藏期番茄果實質地定量分析模型。采用SPXY隨機方法對樣品集進行劃分，選擇最佳的光譜預處理方法和選擇最優的建模分析波段范圍，結果表明，果肉平均硬度采用基線校正光譜，果皮破裂力、果皮脆度、果皮韌性采用原始光譜建模效果最好；最優的建模波段范圍為780～2 500 nm。采用杠桿率校正結合偏最小二乘回歸對果實質地建立定量分析模型，得出果肉平均硬度預測相關系數為0.761，校正集與預測集標準差相差0.030；果皮破裂力預測相關系數為0.809，校正集與預測集標準差相差0.054；果皮脆度預測相關系數為0.803，校正集與預測集標準差相差0.061；果皮韌性預測相關系數為0.764，校正集與預測集標準差相差0.005；預測集相關系數均達到0.760以上，模型效果比較好。結果顯示，番茄果實質地的近紅外光譜無損檢測是可行的。

[1]鐘莉.番茄食用價值及高產高效栽培技術 [J].現代農村科技，2011（17）：20.

[2]王姍姍.番茄的藥用價值 [J].山西醫藥雜志，2011，40（11）：1 104-1 106.

[3]魏寶東，姜炳義，馮輝.番茄果實貨架期硬度變化及其影響因素的研究 [J].食品科學，2005，26（3）：249-252.

[4]王瑞慶，徐新明，馮建華，等.果實品質無損傷檢測研究進展 [J].果樹學報，2012，29（4）：683-689.

[5]Xiaoxiao D，Ying G，Yongnian N，et al.A novel NIR spectroscopic method for rapid analyses of lycopene，total acid，sugar，phenols and antioxidant activity in dehydrated tomato samples[J].VibrationalSpectroscopy，2016，82（1）：1-9.

[6]Irina T，Dolores P M，María-José D H，et al.Fast and accurate quality assessment of Raf tomatoes using NIRS technology[J].Postharvest Biology and Technology，2015，107（9）：9-15.

[7]Martin E，Paulina B，Lydie T，et al.Rapid phenotyping of the tomato fruit model，Micro-Tom，with a portable VIS-NIR spectrometer[J].Plant Physiology and Biochemistry，2013，70（9）：159-163.

[8]潘冰燕，魯曉翔，張鵬，等.近紅外光譜對甜椒果實質地的無損檢測 [J].食品與發酵工業，2015（11）：143-147.

[9]羅楓，魯曉翔，張鵬，等.近紅外漫反射技術檢測甜櫻桃果實質地研究 [J].食品工業科技，2015，36（15）：293-297.

[10]王丹，魯曉翔，張鵬，等.近紅外無損檢測甜柿果實質地和品質 [J].食品工業科技，2013，34（24）：53-56.

[11]介鄧飛，陳猛，謝麗娟，等.適宜西瓜檢測部位提高近紅外光譜糖度預測模型精度 [J].農業工程學報，2014，30（9）：229-234.

[12]錢曼，黃文倩，王慶艷，等.西瓜檢測部位差異對近紅外光譜可溶性固形物預測模型的影響 [J].光譜學與光譜分析，2016，36（6）：1 700-1 705.

The Quantitative Analysis Model of Fruit Texture of Tomato in Cold Storage Period Based on Near Infrared Spectroscopy

WANG Shifang，*SONG Haiyan，ZHANG Zhiyong，HAN Xiaoping
（College of Engineering，Shanxi Agricultural University，Taigu，Shanxi 030801，China）

Establish the quantitative analysis model of fruit texture of tomato in cold storage period base on near infrared spectroscopy.Divide the set of samples with SPXY and select the best spectral pretreatment methods.In order to derive the optimal model，we selecte the best spectral band（780～2 500，920～2 500，1 100～2 500 nm）and established partial least squares regression（PLSR）model which judged from the correlation coefficient and the root mean standard error of prediction（RMSEP） .The results are that the prediction effect of 780～2 500 nm band is best.The prediction correlation coefficient of the flesh average hardness is 0.761，RMSEP is 0.173；the prediction correlation coefficient of pericarp breaking force is 0.809，RMSEP is 0.820；the prediction correlation coefficient of pericarp brittleness is 0.803，RMSEP is 0.831；the prediction correlation coefficient of pericarp toughness is 0.764，RMSEP is 0.427.It can found that the prediction correlation coefficient reached above 0.760，RMSEP is less than 0.850.The model effect is better.The result showed that near infrared spectroscopy nondestructive testing was feasible，and the fruit texture was significantly correlated with the near infrared diffuse reflectance spectra.

tomato；fruit texture；near infrared spectroscopy；quantitative analysis model

X836；O657.33

A

10.16693/j.cnki.1671-9646（X）.2017.02.005

1671-9646（2017）02a-0016-04

2016-11-23

國家自然科學基金（41201294）。

王世芳（1989— ），女，碩士，研究方向為光譜快速檢測技術。

*通訊作者：宋海燕（1977— ），女，博士，教授，研究方向為信息采集與檢測。