基于近紅外技術和偏最小二乘判別法對無花果成熟度的快速判別

周靖宇 孫 銳 余 多 呂宇璇 韓燕苓

(1. 齊魯工業大學〔山東省科學院〕食品科學與工程學院，山東 濟南 250300; 2. 齊魯工業大學〔山東省科學院〕數學與統計學院，山東 濟南 250300)

無花果(FicuscaricaLinn.)屬于桑科榕屬，是世界上最早人工栽植的樹種之一，是優良的經濟林果樹[1]。作為一種季節性食品，無花果是一些地區(如地中海地區)重要的飲食組成部分，可以鮮食或干制等[2]。其營養豐富，富含纖維素、鉀、鐵和鈣，果肉柔軟，味甜，有健脾清腸、潤肺利咽及提高免疫力等藥用和抗氧化效果[3-4]。成熟后的無花果易變軟、腐敗，不易貯藏，常溫條件下難以長途運輸。而無花果成熟的標志不明顯，因此如何準確判別無花果成熟度對其銷售、加工利用等極其重要[5-6]。

目前，有關無花果的品質、活性物質以及加工工藝的研究較多，尤其是無花果栽培技術及多酚、黃酮等物質提取、抗氧化活性的研究[7-9]。劉燕德等[10]利用近紅外漫反射光譜技術結合Lab顏色指標對西紅柿成熟度進行檢測，其預測集對3種成熟度的正判率分別為67.86%，50.00%，100.00%。牛曉穎等[11]采用MPA近紅外光譜儀對李果實成熟度進行分類，其預測集的正判率為96.30%。由于無花果為躍變型水果，成熟狀態下采摘后會迅速軟化，因此通常需要在果實成熟的早期階段進行采摘。而無花果的采摘期通常是果農依據果實硬度、果皮顏色等經驗確定[12]，同時果蔬種植屬于勞動密集型產業，成本較高。Rungpichayapichet等[13]使用便攜式VIS-NIR光譜儀，采用二階導數預處理光譜對芒果成熟度進行分類，其準確率達80%以上；Pourdarbani等[14]根據果實光譜和顏色數據對富士蘋果進行4個成熟階段的預測，其精確度均>90%。以上研究表明，近紅外光譜技術可作為果蔬品質無損評價的可靠方法，并能夠建立有效穩定的預測模型。但當前關于無花果成熟度的預測分選、品質預測的研究較少，尚無更方便、有效和快速的檢測方法。

理化指標如果實硬度、可溶性固形物等與感官指標如顏色、形狀等是衡量無花果品質的重要指標，可在一定程度上體現無花果的成熟度。因此對于無花果成熟度的無損判別可分為基于光譜和圖像技術的運用[15-16]。圖像技術只能根據果實表面特征進行分析，但果實在成長過程中外部通常是滯后于內部組織的變化[17]，且部分品種的無花果成熟與否顏色變化不大，可能會導致一些誤判。而光譜技術能夠反映部分果實內部信息，判別準確性較高，但目前關于無花果成熟度判別的研究報道較少。孫陽等[18]采用圖像識別技術，對攝取的果實圖片通過預處理、分割和形態學處理達到區分不同成熟度無花果的目的。但在實際操作中，圖像數據受光線、位置等條件影響，因此在此復雜背景下成熟果實的判別率會明顯降低，而便攜式近紅外光譜儀采集光譜數據時則能有效減少這些因素的影響，降低模型的誤判率。試驗擬應用近紅外光譜結合偏最小二乘判別分析(PLS-DA)法對無花果成熟階段進行判別分析，以不同成熟階段(幼果、成長果、成熟果)的無花果作為試驗樣本，利用近紅外光譜儀進行光譜數據采集，采用隨機劃分確定校正集和預測集，根據校正集樣品光譜和3種成熟階段的分類變量建立PLS-DA判別模型[19]，然后對預測集進行判別，據此評價試驗方法的效果，旨在為無花果成熟度分類的快速鑒別提供依據。

1 材料與方法

1.1 材料與儀器設備

1.1.1 材料

無花果：清晨于山東榮成市無花果種植基地(北緯36°43′～37°27′、東經122°09′～122°42′)分別采摘幼果、成長果和成熟果3種階段的無花果，果實均無損傷或腐爛，外觀上大致相同，將無花果放于塑料泡沫包裝盒中，迅速帶回實驗室于4 ℃冰箱中貯藏，并于當日完成檢測。

根據無花果果農的栽培經驗和山東省林科院專家的建議，分為以下3種成熟階段：幼果為果實生長時間10～15 d，約為兩成熟；成長果為生長時間20～40 d，約為四至六成熟；成熟果為生長時間50 d以上，約為八至九成熟。

1.1.2 儀器設備

數字折光儀：PAL-1型，日本Atago公司；

電子分析天平：FR124CN型，奧豪斯儀器(上海)有限公司；

游標卡尺：CR2023型，瑞士Tesa公司；

質構儀：TA.XT plus型，英國Stable Micro Systems公司。

1.2 光譜采集

使用MircoNIR近紅外光譜儀于900～1 700 nm內進行光譜數據采集。測量前，儀器需預熱1 h。光譜儀參數設置為：積分時間10 ms，掃描次數15次，波長間隔6.2 nm，共125個波長點。白天正常情況下測量，以99%反射白板的掃描光譜作為基準數據，每隔30個樣品需要重新對反射白板進行掃描。沿無花果赤道隨機選擇3個不同位置獲得光譜，取平均值作為該樣品的原始光譜。若光譜明顯區別于其他樣品的近紅外光譜，則在相同位置重新取樣。

1.3 理化指標測定

1.3.1 糖度 每個樣品從果實赤道切取相同大小的果肉，擠出果汁滴于折光儀鏡面上，測量并記錄讀數，每個樣品測3次，取平均值。

1.3.2 單果重 采用電子分析天平測定。

1.3.3 橫徑和縱徑 采用游標卡尺測量。

1.3.4 硬度 采用質構儀，使用P100探頭。下降速度與測試速度1.0 mm/s，提升速度1.0 mm/s，測試深度30.0 mm，記錄探入過程中所需應力，所得質構特征曲線圖的最大正峰值即為硬度。

1.4 聚類判別分析

采用K-均值聚類對糖度、單果重、縱徑、橫徑、硬度5個指標進行聚類，再使用PLS-DA對聚好的類別進行判別分析，建立無花果發育時期的判別模型。PLS-DA將依據單果重、橫縱徑、糖度和硬度所聚類的不同類別對應的光譜數據作為輸入變量X，每個類采用數字作為標簽，將標簽數字轉換為5位二進制數作為輸出變量Y，再將所輸出變量Y轉換為十進制數標簽，判別分析使用Python的Sk learn model selection 庫中的Train test split方法隨機劃分，所劃分訓練集為總數的67%，預測集為33%。

采用分類的精確率(P)和分類準確率(A)衡量判別模型性能，并分別按式(1)、(2)進行計算。

P=TP/(TP+FP)，

(1)

A=(TP+TN)/(TP+TN+FN+FP)，

(2)

式中：

TP——將正類預測為正類數；

FP——將負類預測為正類數(誤報)；

TN——將負類預測為負類數；

FN——將正類預測為負類數(誤報)。

2 結果與分析

2.1 無花果的近紅外光譜

由圖1可知，不同成熟期無花果近紅外光譜曲線趨勢大致相似，均在1 450 nm附近有明顯的吸收峰。成熟果的主要吸收峰位于970.000，1 119.235，1 459.398 nm處，且1 459.398 nm處較為強烈；成長果的主要吸收峰位于970，1 160，1 450 nm處，且1 450 nm附近較為強烈；幼果的主要吸收峰位于990，1 170，1 459 nm附近，且1 459 nm 處較為強烈。970 nm處是由水和碳水化合物的吸收引起[20]，1 119.24 nm處屬于C—H鍵的第二泛音和O—H鍵的組合；1 459.40 nm附近的吸收帶對應于與水有關的O—H鍵拉伸的第二和第一振動泛音[21]。

2.2 理化指標差異性分析

對3種成熟階段的無花果共360個(幼果130個、成長果130個、成熟果100個)進行相關指標的測定。由表1 可知，3種成熟階段的無花果糖度、單果重、縱徑和橫徑4個理化指標的數值均隨果實的成熟呈逐漸上升的趨勢。幼果、成長果、成熟果糖度均值分別為3.47，6.79，14.41 °Brix；單果重分別為1.86，17.83，54.03 g；縱徑均值分別為1.48，4.30，5.01 cm，橫徑均值分別為2.73，4.59，4.71 cm。成長果的硬度值最高，為3 246.15～9 231.47 g，幼果次之，成熟果最低，說明無花果成熟后變軟、易損傷腐敗和不易貯藏。3種成熟階段的無花果樣品的糖度、單果重和硬度均具有顯著性差異，成熟果和成長果與幼果的縱徑和橫徑間具有顯著性差異，說明糖度、單果重和硬度在3種成熟階段時均有顯著變化，橫徑和縱徑只在幼果與成熟果和成長果間有顯著變化。

圖1 無花果原始光譜圖

表1 不同成熟階段的無花果品質指標?

2.3 主成分分析

由表2可知，5個主成分能夠提供樣本所有的信息，PC1、PC2、PC3 3個主成分累積反映了原始數據提供總量的97.94%，足以反映樣本所包含的所有信息。因此，將PC1、PC2、PC3 3個主成分作為評價樣品質量的綜合變量。

由圖2可知，不同成熟階段的無花果樣品按PC1有規律、清晰的分布，說明主成分1對3種成熟階段有很好的聚類作用；而PC2對樣品的得分分布影響不大，幼果和成熟果的樣品不能有效地區分開；且成長果的樣品得分較分散，與上述測得的理化指標數據相似，說明不同成熟階段中成長時期的無花果理化指標含量變化幅度最大。

2.4 模型的建立與驗證

由表3可知，各類校正集和預測集的精確率均>0.99，其中成熟果的校正集和預測集的無花果樣品完全分類正確，成長果和幼果的校正集完全正確。累計校正集的分類正確率為0.995 9，預測集的分類正確率為0.991 5，正確率較高，表明PLS-DA模型性能較好。孫陽等[18]基于Matlab的無花果成熟度建立識別模型，其正確率達88.6%，低于試驗結果，可能是其采用的針對于圖像處理技術，利用RBG顏色以及像素點分析判斷果實是否成熟，較近紅外光譜所測得代表樣品成熟與否的信息可能略少所致。

表2 主成分的貢獻率

圖2 無花果樣品的主成分得分圖

表3 PLS-DA判別不同成熟度無花果樣品

3 結論

對同一品種3種不同成熟階段的無花果樣本進行光譜采集，根據糖度、單果重、縱徑、橫徑和硬度5項品質指標的K-均值聚類，并結合以主成分為3的偏最小二乘判別分析構建判別模型，根據預測集樣本的預測準確度對模型效果進行驗證。結果表明：3種成熟階段的預測正確率分別為100.00%，97.67%，100.00%，預測集的預測準確率均達95%以上，說明模型的預測效果較好。后續還需完善擴充樣本種類，對不同品種的無花果進行研究以提高模型的適用性。