采用近紅外光譜進(jìn)行采后蘋果品種及貨架期定性判別

張鵬，陳帥帥，李江闊*，李博強(qiáng)，徐勇

1(國家農(nóng)產(chǎn)品保鮮工程技術(shù)研究中心(天津)，農(nóng)業(yè)農(nóng)村部農(nóng)產(chǎn)品貯藏保鮮重點(diǎn)實(shí)驗(yàn)室，天津市農(nóng)產(chǎn)品采后生理與貯藏保鮮重點(diǎn)實(shí)驗(yàn)室，天津, 300384) 2(大連工業(yè)大學(xué) 食品學(xué)院，遼寧 大連,116034) 3(中國科學(xué)院植物研究所資源植物重點(diǎn)實(shí)驗(yàn)室，北京,100093)

我國是蘋果生產(chǎn)大國，品種較多，有寒富、嘎啦、金冠、喬納金等[1]，大多數(shù)蘋果果實(shí)形狀呈扁圓形，不同品種蘋果外觀相似，無法區(qū)分,研究一種對蘋果未知品種鑒別技術(shù)尤為重要。同時(shí)，蘋果屬于呼吸躍變型果實(shí)，采后貨架期間受乙烯作用影響，會產(chǎn)生硬度下降，口味變淡、品質(zhì)劣變等現(xiàn)象，大大縮短了果實(shí)的有效貨架期，嚴(yán)重降低了果實(shí)的食用品質(zhì)和市場價(jià)值[2]。因而探求一種高效、便捷、無損的檢測技術(shù)對蘋果品質(zhì)監(jiān)控具有重要意義。

傳統(tǒng)感官評價(jià)只能大致對果實(shí)外觀品質(zhì)進(jìn)行評估，無法準(zhǔn)確對果品品質(zhì)進(jìn)行鑒別和對貨架期進(jìn)行預(yù)測[3-4]。近年來，近紅外光譜技術(shù)被廣泛應(yīng)用于果蔬的定量、定性研究中[5-19]。

本實(shí)驗(yàn)應(yīng)用近紅外光譜技術(shù)對不同品種采后蘋果(嘎啦、金冠、喬納金、金冠)不同貨架期(0、14、28 d)進(jìn)行定性判別，旨在探討近紅外光譜技術(shù)對于不同品種和不同貨架期蘋果鑒別的可行性。

1 材料與方法

1.1 樣品收集與原始光譜采集

1.1.1 樣品收集

4個(gè)品種蘋果：金冠、喬納金、寒富、嘎啦，采自有機(jī)果園。人工選擇果實(shí)大小均一、九成成熟度、無病蟲害、無機(jī)械損傷的果實(shí)。用網(wǎng)套套上后裝入有微孔袋的紙箱，立即運(yùn)回實(shí)驗(yàn)室，每個(gè)品種蘋果取160個(gè)，用于定性實(shí)驗(yàn)，每隔14 d對果實(shí)的陰陽面進(jìn)行掃描，共測定3次。

1.1.2 原始光譜采集及樣品集組成

測試前，將蘋果置于室溫中，于室溫平衡后，用紗布將蘋果表面的水氣擦干。然后用記號筆對每個(gè)蘋果果實(shí)進(jìn)行標(biāo)號，將用記號筆標(biāo)記的果實(shí)放在NIRS DS 2500近紅外漫反射光譜儀的Slurry Cup杯上，進(jìn)行光譜掃描，掃描方式為單波長快速掃描，光譜數(shù)據(jù)間隔為2.0 nm，掃描次數(shù)為32次，陰陽面各掃1次。

表1 不同品種和貨架期蘋果樣品集組成 單位：個(gè)

由表1可知，每個(gè)品種蘋果定標(biāo)集和預(yù)測集光譜數(shù)據(jù)分別是120和40個(gè)，定標(biāo)集總計(jì)光譜數(shù)據(jù)為480個(gè)，預(yù)測集為160個(gè)。不同貨架期(0、14、28 d)蘋果樣品集中，定標(biāo)集和預(yù)測集光譜數(shù)據(jù)分別是180和60個(gè)，定標(biāo)數(shù)據(jù)總計(jì)為540個(gè)，預(yù)測集為180個(gè)。

1.2 儀器與設(shè)備

NIRS DS 2500近紅外漫反射光譜儀(配有Nova分析軟件和Win ISI4定標(biāo)軟件)，丹麥FOSS公司；PAL-1便攜式手持折光儀，日本Atago公司；TA.XT.Plus物性儀，英國Stable Micro Systems公司；CW-700 d分光測色計(jì)，柯尼卡美能達(dá)(中國)投資有限公司。

1.3 樣品化學(xué)指標(biāo)測定

1.3.1 色差測定

將經(jīng)過掃描的果實(shí)掃描點(diǎn)上測定果皮色差，L*、a*、b*表示色系，其中L*表示果皮的光澤亮度；a*表示紅綠色差指標(biāo)，正值越大代表紅色程度越深，負(fù)值越小代表綠色程度越深；b*代表黃藍(lán)色差指標(biāo)，正值越大代表黃色程度越深，負(fù)值越小代表藍(lán)色程度越深。

1.3.2 質(zhì)地測定

將經(jīng)過掃描的果實(shí)掃描點(diǎn)采用英國產(chǎn)TA.XT.PLus物性儀測定，測試參數(shù)為深度10 mm，P/2探頭(Φ=2 mm)，測試速度為2 mm/s，每個(gè)蘋果陰陽面分別進(jìn)行穿刺。

1.3.3 糖酸測定

取光譜掃描點(diǎn)附近1 cm×1 cm的果肉，雙層紗布擠汁并用糖酸一體機(jī)測定果實(shí)的可溶性固形物和可滴定酸含量。

1.4 定性模型建立與預(yù)測

不同品種和貨架期蘋果定標(biāo)模型經(jīng)過光譜預(yù)處理和波長段選擇，分別用交互驗(yàn)證誤差(SEC)和交互驗(yàn)證系數(shù)(R2cv)作為評價(jià)定標(biāo)模型指標(biāo)，預(yù)測模型用對未知樣品判正率來評價(jià)。

1.5 數(shù)據(jù)處理

利用Win ISI軟件對原始光譜進(jìn)行光譜預(yù)處理和不同波段優(yōu)化處理；采用Excel 2003軟件進(jìn)行統(tǒng)計(jì)分析；使用SPSS 17.0軟件，對數(shù)據(jù)顯著性進(jìn)行分析。

2 結(jié)果與分析

2.1 蘋果采后品種及貨架期的近紅外檢測分析

2.1.1 不同品種和貨架期蘋果理化數(shù)據(jù)及光譜吸收峰

圖1 蘋果原始光譜Fig.1 Original spectrum of apple

由表2可見，寒富蘋果可溶性固形物含量為15.46%，顯著高于其他品種蘋果(P<0.05)，喬納金蘋果可滴定酸含量最高(0.60%)，而金冠蘋果果皮亮度L*最高(57.51)，每個(gè)品種果實(shí)其外觀和內(nèi)部品質(zhì)不同。光譜呈現(xiàn)出的差異可能與其內(nèi)部品質(zhì)相關(guān)(圖2)[21]。

表2 不同品種蘋果理化數(shù)據(jù)分析(0 d)Table 2 Different varieties of apple physical and chemical data analysis (0 d)

注：不同字母代表差異顯著(P<0.05)，具有相同字母代表差異不顯著(P>0.05)。下同。

由表3可見，隨著貨架期的延長，蘋果的可溶性固形物、可滴定酸含量呈先上升后下降趨勢，而果實(shí)硬度與貨架期呈負(fù)相關(guān)性；色差中L*、a*、b*隨著貨架期延長，其值呈上升趨勢，果實(shí)的亮度、著色度越高。原始光譜與平均光譜呈相近的變化趨勢。圖3是不同貨架期蘋果平均光譜圖，光譜差異主要集中在可見光區(qū)。

表3 不同貨架期蘋果理化數(shù)據(jù)分析Table 3 Apple physical and chemical analysis of different shelf-life data

圖2 不同品種蘋果平均光譜圖Fig.2 Average spectrum of different apple

圖3 不同貨架期蘋果平均光譜圖Fig.3 The average spectrum of different shelf life

綜上，蘋果的內(nèi)在品質(zhì)隨著品種和貨架期的不同而改變，近紅外光譜與蘋果內(nèi)部品質(zhì)存在一定規(guī)律性變化，近紅外光譜可以能夠快速地捕獲這些信息，因此本研究可以對不同品種和貨架期蘋果進(jìn)行快速判別分析。

2.1.2 光譜預(yù)處理

為去除噪音、基線漂移、光散射、樣本不均勻等現(xiàn)象[24]，對原始光譜進(jìn)行光譜預(yù)處理，對原始光譜分別進(jìn)行一階導(dǎo)數(shù)處理、二階導(dǎo)數(shù)處理、標(biāo)準(zhǔn)正常化處理(standard normal variate, SNV)、去散射處理(detrend, D)、標(biāo)準(zhǔn)多元離散校正(standard multiple scatter correction, SMSC)等光譜預(yù)處理。如表4所示，去散射結(jié)合二階導(dǎo)數(shù)處理(D+二階導(dǎo)數(shù))對主成分貢獻(xiàn)率最高。其中，采用二階導(dǎo)數(shù)處理可以減緩基線中線性漂移，去散射處理可以減緩因散射處理引起的光譜誤差[24]。因此，本研究不同品種定標(biāo)模型采用去散射結(jié)合二階導(dǎo)數(shù)處理(D+二階導(dǎo)數(shù))光譜預(yù)處理方法。

表4 不同品種定標(biāo)模型前8個(gè)主成分主要貢獻(xiàn)率 單位：%

通過表5可知，SNV+D+一階導(dǎo)數(shù)光譜預(yù)處理所得的主成分累計(jì)貢獻(xiàn)率均能達(dá)到80%以上，其中最大的主成分累計(jì)貢獻(xiàn)率99.26%。因此，本研究對蘋果不同貨架期判定采用的光譜預(yù)處理為一階導(dǎo)數(shù)結(jié)合標(biāo)準(zhǔn)化去散射處理。

表5 不同貨架期蘋果前8個(gè)主成分主要貢獻(xiàn)率 單位：%

2.1.3 不同波段選擇

不同品種蘋果定標(biāo)模型在采用去散射結(jié)合二階導(dǎo)數(shù)處理后，繼續(xù)對其進(jìn)行不同波長波段定標(biāo)模型的建立,結(jié)果如表6所示，408～2 492.8 nm下，判別模型的正確率最高為97.91%，這可能與不同品種蘋果的吸收峰在全波長近紅外范圍內(nèi)，故不同品種蘋果判別模型的最佳波長范圍為408～2492.8 nm。不同貨架期蘋果定標(biāo)模型在SNV+D+一階導(dǎo)數(shù)光譜預(yù)處理?xiàng)l件下，對不同波段的光譜選擇繼續(xù)優(yōu)化。在1 108～2 492.8 nm范圍內(nèi)，判別模型的正確率最高為99.26%，這可能由于蘋果光譜近紅外吸收峰在中波近紅外范圍內(nèi)，故常溫貯藏判別模型波長范圍選取1 108～2 492.8 nm。

表6 不同品種和貨架期蘋果定標(biāo)模型波長優(yōu)化結(jié)果Table 6 Discrimination results at different wavelengths

2.1.4 預(yù)測結(jié)果

分別選取寒富、金冠、嘎啦、喬納金4種不同品種蘋果，對不同品種的蘋果品質(zhì)進(jìn)行研究，選用PCA方法，選取前3個(gè)主成分進(jìn)行分析(PC1、PC2、PC3)得到三維空間坐標(biāo)圖(圖4)。判別模型R2cv為0.853，SECV為0.166。該預(yù)測結(jié)果可以完全區(qū)分不同品種的蘋果，說明定標(biāo)模型具有良好適用性。為了驗(yàn)證不同品種蘋果定標(biāo)模型的可靠性，隨機(jī)取預(yù)測樣品160個(gè)數(shù)據(jù)，對不同品種果實(shí)進(jìn)行檢測，結(jié)果見表7。

圖4 不同品種蘋果三維圖Fig.4 Apple three-dimensional map of different varieties

表7 不同品種蘋果PCA方法結(jié)果統(tǒng)計(jì)Table 7 Different varieties of apple PCA method results statistics

品種正確數(shù)錯(cuò)誤數(shù)正確率/%定標(biāo)集預(yù)測集定標(biāo)集預(yù)測集定標(biāo)集預(yù)測集金冠120380210095.00嘎啦115355595.8387.50寒富119371399.1792.50喬納金116334696.6785.00總計(jì)470144101697.9190.00

其中預(yù)測樣品144個(gè)正確，16個(gè)錯(cuò)誤，不同品種蘋果定標(biāo)模型預(yù)測的正確率85.00%～95.00%，則該判別模型的準(zhǔn)確率較高，適用性較廣。

為了驗(yàn)證判別模型的穩(wěn)定性和適用性，分別選取不同貯藏時(shí)間(0、14、28 d)的蘋果，進(jìn)行蘋果品質(zhì)的研究。選取PCA方法，前3個(gè)主成分(PC1、PC2、PC3)得到三維空間圖(圖5)。

圖5 不同貯藏期三維圖Fig.5 Three-dimensional map of different storage period

定標(biāo)模型R2cv為0.866，SECV為0.171，不同貨架期的蘋果可以完全區(qū)分。用定標(biāo)模型對預(yù)測集進(jìn)行判定，隨機(jī)抽取180個(gè)預(yù)測樣品進(jìn)行預(yù)測，結(jié)果見表8，其中預(yù)測集170個(gè)正確，錯(cuò)誤個(gè)數(shù)為10，正確率為91.67%～96.67%，模型預(yù)測性能良好。

表8 不同貨架期蘋果PCA統(tǒng)計(jì)結(jié)果Table 8 Apple PCA statistics results of different shelf life

3 結(jié)論與討論

LUO等[8]采用近紅外漫反射技術(shù)在1 000～2 500 nm范圍內(nèi)，對富士、喬納金、紅星進(jìn)行判別，其改良偏最小二乘法模型的判別正確率為98.80%；XING等[9]采用近紅外漫反射技術(shù)對金冠蘋果的貯藏期進(jìn)行判定，在400～1 700 nm范圍內(nèi)，采用二次方程光譜預(yù)處理，其模型的判別正確率為98.03%；李光輝等[5]采用近紅外光譜技術(shù)對嘎啦蘋果的碰傷果進(jìn)行預(yù)測，在833～2 500 nm范圍內(nèi)，采用偏最小二乘法建模，其模型的判別率為100%。而本研究中，喬納金、嘎啦、金冠和寒富4個(gè)品種蘋果其理化特性差異明顯，在全波長范圍內(nèi)采用去散射結(jié)合二階導(dǎo)數(shù)光譜預(yù)處理，建立的近紅外漫反射光譜蘋果品種檢測模型其預(yù)測正確率為85.00%～95.00%，與以往文獻(xiàn)相比，其預(yù)測模型正確率相對較低，需要進(jìn)一步對模型的光譜預(yù)處理、波段的選擇及樣品采集進(jìn)行優(yōu)化，以提高其預(yù)測正確率。而對于采后不同貨架期蘋果研究表明，在可見光不同貨架期平均近紅外光譜的吸光度差異明顯，在全波長范圍內(nèi)采用SNV+D+一階導(dǎo)數(shù)預(yù)處理，建立的近紅外漫反射光譜蘋果貨架期檢測模型其預(yù)測正確率為91.67%～96.67%。

近紅外光譜對采后蘋果品種及貨架期定性判別，在全波長范圍(408.8～2 492.8 nm)內(nèi)，采用去散射結(jié)合二階導(dǎo)數(shù)光譜預(yù)處理的蘋果品種定性判別模型較好，其R2cv為0.853，SECV為0.166，對預(yù)測樣品判別正確率為85.00%～95.00%；在1108～2492.8 nm范圍內(nèi)，光譜預(yù)處理方法為SNV+D+一階導(dǎo)數(shù)的蘋果貨架期判別模型較優(yōu)，其模型的R2cv和SECV分別為0.866、0.171，預(yù)測樣品正確率為91.67%～96.67%。說明應(yīng)用近紅外光譜可以對采后蘋果品種和貨架期進(jìn)行判別，可以對蘋果內(nèi)在品質(zhì)進(jìn)行快速評價(jià)。