基于氣體傳感信息的藍莓貯藏貨架期預測方法

傅澤田 高乾鐘 李新武 張 旭 張小栓

(1.中國農業大學工學院， 北京 100083; 2.中國農業大學食品質量與安全北京實驗室， 北京 100083; 3.中國農業大學信息與電氣工程學院， 北京 100083)

0 引言

藍莓的采摘季節處在高溫期，貯藏和物流過程中生理代謝快、硬度易下降[1-3]。獲取貯藏中藍莓的貨架期信息，并計算出藍莓最佳的處理時間，可以有效保證藍莓的營養價值和提高其經濟價值。

目前針對藍莓貨架期的研究中，學者將藍莓的化學指標(如花青素等)、理化指標(如硬度等)作為主要參數[4-6]來探究不同包裝方式[2-3]、環境溫度[7]或不同前處理方式[8-9]對藍莓品質變化的影響，并利用動力學模型[7,10-11]、溫度模型[4]或統計學模型[6-9]進行貨架期預測。但是未從藍莓貯藏微環境中氣體含量變化的角度進行貨架期信息的獲取與品質預測，而貯藏中的微環境不僅影響果蔬的品質變化，而且果蔬的品質變化也在微環境中有所體現[12]。例如果蔬的呼吸作用與其生理生化變化過程有直接或間接的聯系[13]。謝晶等[14]、曹冬潔等[15]以呼吸速率為特征建立了關于菇類的酶抑制動力學方程，說明果蔬品質劣變也可以由呼吸作用引起的氣體含量變化來體現；而胡花麗等[16]也從CO2(二氧化碳)、C2H4(乙烯)的含量角度說明了氣體對果蔬貨架期的影響，但未從氣體角度建立貨架期預測模型。

由藍莓貯藏微環境中的氣體來預測貨架期的方法是對貨架期預測方法的一種有益探索。通過氣體獲取貨架期信息需要同時采集多種氣體信息并進行并行處理[17-18]，目前常見的多參量數據處理方法有統計學方法、支持向量機[19]、遺傳算法[20-21]、人工BP神經網絡[22-24]等方法。其中，人工BP神經網絡因其獨特優勢而在氣體陣列的數據處理方面運用較多[25-27]。其通過模擬人腦的處理過程，將輸入的多維信息進行綜合分析，有效避免不精確篩選導致的模型預測精度降低的問題，且模型的實現難度低、易搭建。

鑒于以上分析，本文針對不同溫度下貯藏的藍莓提出基于氣體傳感信息的貨架期預測方法。通過選擇并采集與藍莓品質劣變過程相關的氣體變化信息，獲取5種傳統理化指標作為品質的指示指標，通過相關性分析證明藍莓貯藏微環境中的氣體與其品質變化具有明顯的相關性，利用BP神經網絡從多參量氣體角度針對不同溫度建立藍莓貨架期預測模型。

1 藍莓貨架期預測模型的構建

果蔬貨架期信息是指果蔬在不同的環境中品質劣變的時間。通過貨架期預測模型得到果蔬在特定環境下的貯藏時間，從而對果蔬及時地銷售，避免果蔬的腐敗[28-30]。通過對藍莓貯藏過程中理化指標和氣體含量的監測，建立藍莓的貨架期預測模型，進而實現對藍莓品質變化的感知。

1.1 模型參數選取

呼吸作用是果蔬貯藏過程最主要的生理活動[13-15]。貯藏中溫度控制或氣調控制方法的基本原理就是通過調節不同溫度或者氣體含量來實現對果蔬呼吸作用的影響[31]，從而控制果蔬品質劣變的速度。因此可使用與藍莓呼吸作用相關的氣體來作為建立藍莓貨架期預測模型的參數。

O2和CO2作為果蔬呼吸速率表征的主要氣體，可以反映藍莓在貯藏過程中呼吸速率的變化。果蔬中常用來反映呼吸速率的方程為

(1)

其表現了O2與CO2之間的轉換關系[15]。利用O2和CO2含量變化與品質變化建立的耦合模型，可以進行藍莓貨架期的反映。

同時，藍莓的呼吸作用過程會產生乙烯。乙烯含量的變化在一定程度上反映了藍莓呼吸速率強弱，同時乙烯能影響藍莓的衰老、腐敗過程，進而間接地影響呼吸作用[16]。所以乙烯是獲取藍莓品質劣變情況的一個重要氣體參數。

綜上所述，從氣體角度建立的藍莓貨架期預測模型所選擇的參數是：與呼吸作用密切相關的O2、CO2和C2H4含量。

1.2 模型參數數據獲取方法

圖1 藍莓貨架期預測模型構建流程 Fig.1 Construction process of blueberry shelf life prediction model

如圖1所示，藍莓貨架期預測模型的建立過程為：首先獲取氣體參數信息，然后利用硬件處理設備進行傳感信號的處理并進行傳輸，最后建立貨架期預測模型。其中，模型參數信息的獲取包括氣體信息采集和信號處理兩部分。在信息采集部分，利用氧氣、二氧化碳和乙烯傳感器實現，使用的氣體傳感器信息如表1所示，傳感器利用電化學原理，具有體積小、占用空間小、攜帶方便、性價比高等優點，可以滿足對氣體響應的需要，并對貯藏環境有很好的適應性；傳感器的供電電壓都為3.3 V，可以滿足長時間連續監測的需求。在信號處理部分，硬件設計需滿足數據預處理、數據儲存和遠端發送的功能。利用CC2530片上系統對信號儲存發送，傳感器節點采集的時間間隔設置為10 min，CC2530通信模塊每1 h發送一次數據。采用3.7 V、30 A·h的鋰電池對實驗的硬件電路進行供電。

表1 氣體傳感器信息 Tab.1 Gas sensor information

1.3 藍莓貨架期預測模型構建方法

1.3.1貨架期預測模型算法選取

為實現對藍莓貨架期的有效預測，從模型參數的數據特點和模型自身特點兩方面來選取合適的模型。在模型參數方面，本文利用氣體傳感器對與藍莓呼吸作用密切相關的3種氣體含量變化信息進行獲取。在模型特點方面，需要一種能對豐富的數據量進行充分利用，并挖掘出多種參數之間的內在相關性，實現高精度預測的模型。

BP神經網絡可以滿足上述需要。其通過模擬人腦的處理過程，能夠有效對多參數進行處理，且善于處理豐富的數據量，因此在電子鼻系統和氣體陣列的數據處理中運用較多。不僅其單獨使用有良好的預測效果，而且可與其他方法進行結合來優化預測結果，具有較好的模型拓展性[25-27]。針對藍莓的貨架期預測，傳感器采集的數據量可以滿足BP神經網絡進行模型訓練的數據量要求，而BP神經網絡具有對多個因素進行綜合分析的能力，能充分挖掘所監測氣體與貨架期之間的相關性，提高藍莓貨架期的預測效果。綜上分析，本文使用BP神經網絡建立藍莓貨架期預測模型。

1.3.2BP神經網絡模型建立步驟

利用獲取的藍莓微環境內3種氣體含量變化數據，通過BP神經網絡來建立貨架期預測模型。BP神經網絡建立流程如下[22-24]：

(1) 構建神經網絡結構。神經網絡通常由輸入層、隱含層、輸出層構成，隱含層的層數對神經網絡的精度影響較大。通常3層結構就能滿足n維到m維的映射需求。

(2) 確定輸入層、輸出層和隱含層的節點數。根據藍莓品質感知需求，輸入層為3種氣體含量，輸出層為貨架期。數據進行歸一化處理為0～1之間的數，排除數據帶來的誤差?；窘Y構如圖2所示。歸一化公式為

圖2 藍莓BP預測模型結構圖 Fig.2 Structure diagram of blueberry BP prediction model

(2)

式中X——歸一化數據

x——原始氣體含量數據

xmax——數據中最大值

xmin——數據中最小值

隱含層節點數的確定方法為

n=(n1+n0)1/2+a

(3)

式中n0——輸入節點數

n1——輸出節點數

a——1～10之間的常數

n——隱含層節點數

(3) 選擇網絡函數進行訓練。常用函數如表2所示。

表2 BP神經網絡常用函數 Tab.2 BP neural network function

2 藍莓貯藏實驗

2.1 實驗方案

從北京某藍莓種植基地采摘新鮮藍莓，去除過熟和已經開始腐敗的藍莓，選擇出果粒大小一致、表面無病斑傷痕成熟度90%以上的藍莓果實，總共約3 600 g作為實驗樣本。將其均分為A、B兩組，A組用于氣體監測，B組用于理化指標測定。將A組再次均分為3組，每組600 g，然后分別放入一個18.2 cm×18.2 cm×10.8 cm的容器中，用厚度為0.02 mm的PE保鮮膜進行密封；之后分別將其與氧氣、二氧化碳、乙烯傳感器一起放入0、5、22℃的恒溫箱中(溫度按不同貯藏需求進行設置)，控制濕度在90%～96%之間，氣體傳感器的采集頻率為10 min/次。B組也均分為3組，每組中再將藍莓根據質量均分為6組，每組100 g，每顆藍莓質量為1.5～2 g不等，所以按上述標準再次精細挑選后，將45顆藍莓作為每天的實驗樣本，放入上述密封盒的1/6大小的密封盒中，并同時用PE保鮮膜密閉(基本保證氣體含量一致)，標號1～6。分別將樣本間隔20 min放入0、5、22℃溫度下進行儲存(為做理化指標實驗留下時間)，并記錄初始時間。共儲存7 d，每天進行一次理化指標測定實驗，并拷貝氣體實驗數據。理化指標在硬度、可溶性固溶物含量和pH值測量前先進行失重率和腐敗率的測量，在理化指標測量前先進行感官評價。22℃下藍莓貯藏實驗和結果分別如圖3和圖4所示。

圖3 22℃下藍莓貯藏實驗 Fig.3 Blueberry storage test at 22℃

圖4 22℃下7 d后藍莓實驗結果 Fig.4 Blueberry experiment results after 7 d at 22℃

2.2 理化指標的測定方法

2.2.1失重率

利用EK3820型天平對45個藍莓實驗樣本進行稱量，重復3次取平均值。

(4)

式中M0——貯藏前的質量

M1——貯藏后的質量

α——失重率

2.2.2腐敗率

按照實驗方案，取每天待測量的實驗樣本組中45個樣本統計腐爛果數，計算腐敗率。爛果是指果實表面至少有一處發生病變或者汁液外漏、果實軟化皺縮或腐爛現象。

(5)

式中m0——藍莓的總質量

m1——腐爛果的質量

ε——腐敗率

2.2.3硬度

利用質構儀測量藍莓硬度。隨機挑選15個實驗樣本進行測量，對每顆果取2個對稱部位測定后取平均值。出發點負載3 g，速率0.5 mm/s[9]。

2.2.4可溶性固形物含量

隨機選取15個實驗樣本，用紗布擠汁，采用WYT-J型手持折光儀對可溶性固形物含量進行測定。

2.2.5pH值的測定

用pH數顯式酸度計測定藍莓的pH值。隨機選取15個實驗樣本，2次測定后取平均值，每次對每個樣本從藍莓果實的同一位置刺入測量pH值。

2.2.6感官評價

每次由實驗室中相同的10位學生進行感官評價，感官評價得分標準如表3。

表3 藍莓感官評價得分標準 Tab.3 Blueberry sensory evaluation criteria

3 結果分析與模型建立

3.1 理化指標與氣體傳感信息結果分析

3.1.1理化指標結果與分析

對所得理化指標和感官評價的數據取平均值后，繪制不同溫度下的雷達圖，結果如圖5所示。0、5、22℃下，藍莓硬度一直不斷下降，7 d時下降率分別是32.9%、35.6%和57.8%，說明低溫可以減緩果實軟化，與紀淑娟等[32]的研究結果一致。腐敗率在不同溫度下速率和時間都不同，0℃和5℃腐敗率變化速率基本一致，5 d時出現腐敗率迅速增長，而22℃中腐敗率每次上升的幅度較大，說明藍莓的腐敗率受溫度影響明顯，溫度越高，腐敗越快；22℃下在第2天出現腐敗后，保持了3 d基本不變又繼續增加的現象，原因可能與氣體含量、空間的密閉和溫度有關?？扇苄怨绦挝?主要是可溶性糖)含量能直接反映果蔬的成熟程度和品質狀況[33]，可溶性固形物含量和pH值在0、5、22℃下都出現了波動，其中5℃的波動較大，0℃波動較小，基本與藍莓在貯藏中的可溶性固形物含量逐漸增加，而進入衰老過程可能出現下降的生理變化規律相吻合，但各溫度下表現的不一致可能與采收成熟度有關[31]。感官評價是人對藍莓品質變化的主觀反映，在感官評價結果中，22℃較0℃和5℃下的波動較大，且感官評價得分下降較快，說明藍莓品質劣變速度快；按照表3感官評價得分標準，7 d后，22℃的藍莓基本不可食用，并發生了霉變；0℃和5℃下藍莓基本不影響食用，在0℃和5℃下人對藍莓品質劣變的分辨力基本無差異。從圖5的對比中可以看出，0℃和5℃下失重率變化明顯，22℃的腐敗率變化更加明顯，說明利用理化指標來衡量藍莓的品質變化時，不同溫度下對品質有明顯指示作用的因素不同。

圖5 藍莓感官評價得分和理化指標結果 Fig.5 Blueberry sensory evaluation and physical and chemical index results

3.1.2氣體傳感信息結果與分析

圖6是0、5、22℃下氣體傳感信息結果。在各個溫度下，O2、CO2和C2H4含量的變化規律基本相同：O2逐漸下降，CO2和C2H4逐漸上升，3種氣體變化趨勢具有一定的相關性；但氣體變化速率不同，O2在0℃和5℃下的變化基本一致，22℃時有急速下降過程和緩慢變化的過程；0℃下CO2和C2H4的變化規律接近，一直緩慢上升，說明0℃下藍莓呼吸較為平穩；5℃下乙烯前4 d增長迅速，后接近穩定，CO2呈現持續增長的狀態，此處可能與傳感器的性能和密封效果有關；22℃下O2、CO2和C2H4在前3 d都有一個快速變化的過程，后C2H4穩定，O2下降，CO2緩慢上升，這應該與藍莓的呼吸作用無關，而是環境中的微生物反應；從對氣體的變化結果分析也可知溫度對藍莓呼吸速率產生影響，溫度越高速率越快，與理化分析結果相同。但是每個溫度下的藍莓品質變化規律，都可以通過對O2、CO2和C2H4的綜合分析獲取。

圖6 氣體傳感信息結果 Fig.6 Gas sensing information results

3.1.3理化指標與氣體傳感信息相關性分析

表4是0、5、22℃下藍莓理化指標與氣體間相關性分析。相關性分析的方法是：針對第1天的實驗結果，取某種氣體數據對應時刻前后各1 h的數據，共有12個數據點，取均值后作為第1天理化指標對應的氣體值。3種氣體均采用這樣的方法進行取值，第2天～第7天也采用類似的方法進行處理。將每種氣體數據轉變為與理化指標數量相同的7個數據點后，利用Excel作相關性分析。從表中可以看出，每個溫度下失重率、腐敗率和硬度的變化與氣體含量變化相關性較高，表現出明顯的相關性，其中失重率和腐敗率與O2含量呈負相關，與CO2和C2H4含量呈負相關；硬度的相關性正好相反；在理化結果分析和氣體結果分析中，同一溫度下氣體變化規律與理化指標變化呈現出一致性，在0℃時藍莓持續進行呼吸作用，呼吸速率慢，O2含量持續下降，C2H4和CO2含量持續上升，對應理化指標變化小，主要體現在失重率上，5℃的結果與0℃基本相同；在22℃時藍莓呼吸作用較快，O2下降速率、C2H4和CO2上升速率大，對應理化指標變化主要體現在腐敗率上，與果蔬品質變化規律相同；在0℃和5℃下失重率和O2、C2H4、CO2含量表現明顯相關性，22℃時失重率、腐敗率和硬度都與O2、C2H4、CO2含量表現為明顯相關性，說明理化指標和氣體的分析結果呈現出一致性。

表4 理化指標與氣體含量間的相關性 Tab.4 Correlation between physical and chemical indicators and gas

綜上所述，氣體變化和理化指標的變化具有明顯相關性，說明從氣體傳感信息和理化指標兩個角度都可以對不同溫度下貯藏的藍莓品質變化進行有效分析。而相較理化指標，氣體監測難度低，采集到的數據量豐富，各個溫度下對品質變化進行有效表征的指標來源多，使分析結果更加可靠。

3.2 藍莓貨架期預測模型構建

利用BP神經網絡建模方法，分別對0、5、22℃下的藍莓建立貨架期預測模型。將O2、CO2和C2H4含量作為輸入，貨架期作為輸出。將每個溫度下的第1天、第2天、第3天、第4天共1728個樣本數據作為模型的訓練樣本并進行多次迭代，第5天、第6天、第7天共1296個樣本數據進行檢驗。相應的參數設置為：隱含層節點數為10層，利用logsig函數和purelin函數分別作為輸入層和輸出層函數，trainrp作為訓練函數，learndm作為學習函數，設置學習速率為0.001，動量因子為0.01，誤差為1 h。

預測結果如表5所示，每個溫度下的相對誤差逐漸減小，BP神經網絡的預測效果與訓練數據樣本的數量和數據之間的關聯性有關。從對氣體和理化指標的分析中知，藍莓的品質在低溫時變化緩慢，隨溫度升高而加快。但在出現腐敗之后，O2、CO2和C2H4含量的變化變得平緩，故在22℃預測的相對誤差變化小，符合實際情況。從表中可以看出，0℃的預測誤差為0.091～0.191 d，5℃的預測誤差為0.069～0.302 d，22℃的預測誤差為0.094～0.338 d，基本滿足預測需要。

表5 BP神經網絡貨架期預測結果 Tab.5 BP neural network shelf life prediction results

4 結論

(1)對貯藏在0、5、22℃下的藍莓同時監測3種氣體含量(O2、CO2和C2H4)與獲取5種理化指標(pH值、可溶性固形物含量、失重率、腐敗率和硬度)的變化，分析藍莓在不同溫度下貯藏時的品質變化規律，研究氣體與理化指標在反映藍莓品質變化時的相關性。結果表明，氣體和理化指標都可以有效地反映藍莓品質變化。

(2)利用BP神經網絡將O2、CO2和C2H4含量作為輸入，貨架期作為輸出，分別對0、5、22℃下的藍莓建立了貨架期預測模型。0℃的預測誤差為0.091～0.191 d，5℃的預測誤差為0.069～0.302 d，22℃的預測誤差為0.094～0.338 d，基本滿足預測需要。