基于傅里葉近紅外光譜和電子鼻技術的蘋果霉心病無損檢測

楊晨昱,袁鴻飛,2,馬惠玲,任亞梅*,任小林

1(西北農林科技大學 食品科學與工程學院,陜西 楊凌,712100)2(河南省口岸食品檢驗檢測所,河南 鄭州,450003) 3(西北農林科技大學 生命科學學院,陜西 楊凌,712100)4(西北農林科技大學 園藝學院,陜西 楊凌,712100)

蘋果霉心病是果樹在開花期由多種真菌侵染導致的病害,具有一定的潛伏期,是目前蘋果急需解決的常見病害之一。2009年,陜西省渭北地區蘋果發生大面積霉心病害,產區果實發病率達到37%，近年來蘋果霉心病的危害程度仍有上升趨勢,特別是豫西地區。蘋果霉心病造成巨大的經濟損失,國內外學者非常重視蘋果霉心病的防治研究,努力從源頭上控制霉心病的發生[1-5]。蘋果感染霉心病后,果肉內部在室溫下會迅速腐爛,但從外表不易識別病果,給蘋果病果的篩選過程帶來巨大不便。目前,針對蘋果霉心病的檢測方法主要有低頻磁共振法[6]、CT成像法、生物阻抗特性法[7]、計算機視覺法[8]、高光譜法[9]。但這些技術存在費時、檢測成本高、需要專業人員操作等不足。因此,亟需一種快速無損檢測技術及早地識別蘋果霉心病,保障蘋果的貯藏和出口品質,進而提升我國蘋果的知名度。

近紅外光譜和電子鼻技術是分析化學領域發展產生的高新技術,具有操作簡單、可重復性好、檢測迅速、不破壞樣品等優點,目前在國內外果蔬品質檢測方面得到了廣泛應用。國內外研究者多采用近紅外透射技術對蘋果霉心病進行檢測研究[10-16],此技術可得到樣品在紅外光譜區獨特的吸收特征,具有區分病果的前提條件。SHENDEREY等[13]肯定了近紅外光譜技術在檢測蘋果霉心病方面的潛力；蘇東等[15]在近紅外光譜技術的基礎上,結合蘋果直徑等因子,提出一種新的檢測方法,可以較準確判定蘋果霉心病；雷雨等[16]對果蔬進行快速無損識別,證實了近紅外光譜對檢測蘋果霉心病有較高的準確度。然而目前鮮有使用近紅外漫反射光譜技術[17]。

電子鼻是一種分析、識別物品揮發性成分的儀器,在桃[18]、獼猴桃[19]、葡萄[20-21]、石榴[22]、香蕉[23]等水果品質檢測、成熟度和貨架期[24-26]鑒定方面得到廣泛應用。PAN等[26]利用電子鼻正確識別了正常草莓與病害草莓,同時可較好地區分草莓感染的3種主要病原菌種類；惠國華等[27]研究發現,電子鼻系統可以快速表征水果的腐敗過程；李琦等[28]證明電子鼻可以對不同品質的蘋果進行較好的分類；張鵬等[29]利用電子鼻判別獼猴桃在保鮮過程中的品質,說明電子鼻技術在水果病害的無損檢測方面是可行的；何金鑫等[30]利用電子鼻研究山核桃在氧化過程中各指標的變化,發現電子鼻可以快速預測山核桃氧化程度。但目前尚未有電子鼻對蘋果霉心病無損檢測的報道。

本研究分別利用傅里葉近紅外光譜(Fourier transform near infrared spectroscopy,FT-NIRS)和電子鼻技術建立模型,比較不同方法識別蘋果霉心病的準確率,為近紅外光譜和電子鼻技術判別蘋果霉心病提供參考。

1 材料與方法

1.1 材料與儀器

試驗材料：205個陜西省白水縣堯禾鎮農家果園采收的“紅富士”健康蘋果和疑似霉心病蘋果,均由當地有經驗的果農分辨(霉心病蘋果與健康果實相比,著色更早、更易脫落、質量更輕,果實萼口大、萼筒長且與果心相連的更易染病)。要求果實完整、體型一致、表面無明顯的機械損傷。在(0±1)℃,相對濕度85%～95%的冷庫保藏5 d。試驗前,將蘋果取出,依次編號,于常溫下(25±1)℃下放置24 h備用。

儀器：MPA型傅里葉變換近紅外光譜儀,Bruker Optics 公司；PEN3便攜型電子鼻,德國AIRSENSE公司。

1.2 試驗方法

1.2.1 近紅外光譜采集

將待測蘋果水平放置,在蘋果赤道處標記3個待測點,使用固體光纖探頭采集待測蘋果近紅外光譜值[31]。近紅外光譜儀分辨率設為8 cm-1,波數范圍為12 000～4 000 cm-1,掃描64次。

1.2.2 基于主成分分析建立Fisher判別模型

以數字0和1分別代表健康果和霉心病果,隨機選取40個健康果和10個霉心病果作為Fisher判別模型的驗證集,剩余155個蘋果作為建模集。經原始光譜提取的前15個主成分作為自變量。

1.2.3 基于主成分分析建立多層感知器神經網絡

參照袁鴻飛等[33]的研究方法并稍作修改,基于主成分分析建立3層感知器神經網絡。其中模型訓練集與測試集的相對數量比為7∶3；模型的輸入層單位為15,代表主成分個數；輸出層單位數為2,代表健康果實和霉心病果實；優化算法選擇調整的共軛梯度,模型輸出層的激活函數設定為恒等函數,模型隱藏層單位數為8,隱藏層的激活函數設定為雙曲正切函數。

1.2.4 電子鼻信號采集

將樣品放置于1 000 mL的玻璃燒杯中,密封后將玻璃燒杯(25±1)℃條件下靜置于1 h[30]。隨后使用進樣針頂空取樣檢測[32]。內部空氣流量與進樣流量均為300 mL/min,電子鼻測定60 s,采用第59 s時的響應值進行數據分析。

電子鼻包含S1(W2W,有機硫化物)、S2(W35,芳香烷烴)、S3(W2S,乙醇)、S4(W1W,硫化氫)、S5(W1S,甲烷)、S6(W5C,烷烴)、S7(W6S,氫氣)、S8(W3C,氨類)、S9(W5S,氨氧化物)和S10(W1C,芳香苯類)10個傳感器陣列。

1.2.5 電子鼻結合化學計量法

在Fisher判別中,建模集由隨機選取的155個樣本組成,其中正常蘋果123個,霉心病蘋果32個。驗證集為剩余的50個樣本。因變量為第59 s時傳感器的響應值,其中數字0和1分別代表正常蘋果和霉心病蘋果。同時建立4層多層感知器(multi-layer perceptron, MLP)神經網絡模型和3層徑向基函數(radial basis function, RBF)神經網絡[33],輸出層激活函數分別為Sigmoid和恒等函數；隱藏層激活函數分別為雙曲正切函數和Softmax。

1.3 數據處理

用 SPSS 20.0軟件進行數據分析。

2 結果與討論

2.1 近紅外對蘋果霉心病的判別結果分析

2.1.1 健康蘋果和霉心病蘋果的近紅外光譜圖

選擇近紅外光譜范圍為12 000～4 000 cm-1,由圖1可知,健康蘋果和霉心病蘋果的近紅外光譜形狀相似,并出現了交叉重疊部分,很難直接從光譜圖上直觀區分出健康蘋果和霉心病蘋果,因此需要結合主成分分析區分霉心病蘋果和健康蘋果。

圖1 健康蘋果和霉心病蘋果的近紅外光譜圖Fig.1 Near infrared spectra of healthy apples and mildew apples

2.1.2 主成分提取

將采集蘋果的近紅外光譜吸光度全部導出,共有2 074個數據點,形成205×2 074的數據矩陣。由于數據量大,計算復雜,因此利用SPSS 20.0對原始光譜進行主成分提取。由圖2可知,前4項、8項、12項和20項主成分的累積貢獻率分別達到99.853%、99.983%、99.992%和99.997%,考慮到主成分選取過少可能會造成較大的判別誤差,為獲較高的判別率,選取前20個主成分進行下一步分析。

圖2 原始光譜提取的前20個主成分的累積貢獻率Fig.2 The cumulative contribution rate of the first 20 principal components extracted from the original spectrum

2.1.3 基于主成分分析的Fisher判別

原始光譜結合前15個主成分的Fisher判別函數如公式(1)(2)所示：

健康蘋果：Y0=-0.602-0.234X1+0.404X2+0.84X3+0.426X4+0.081X5+0.238X6+0.055X7-0.198X8-0.567X9-0.107X10+0.524X11+0.374X12+0.446X13+0.161X14-0.363X15

(1)

霉心病蘋果：Y1=-3.076+1.147X1-0.543X2+0.180X3-0.734X4-0.574X5-0.266X6+0.304X7-0.262X8+1.067X9+0.272X10+0.001X11-0.549X12-0.808X13-0.814X14+0.191X15

(2)

式中：Xi表示第i個主成分,i= 1,2,…,15

比較Y0和Y1的數值大小,如果Y0>Y1,則被判為組0(健康蘋果),如果Y0

經近紅外光掃描后,得到的正常蘋果和霉心病果光譜曲線形狀相近,難以直接區分,如果選取的主成分數太少,可能會造成大的識別誤差；如果選取的主成分數太多,會加大檢測難度。由表1可知,隨著主成分數的增加,不同主成分數建立的蘋果霉心病判別模型的正確判別率亦隨之增加,當主成分數選取15個時,建模集預測準確率與選取前20個主成分相等,均為90.3%,且原始光譜提取的前15個主成分建立的Fisher判別函數驗證集的預測準確率為72%,高于提取的前20個主成分的準確率,因此主成分數選取前15個最為合適。此外,霉心病蘋果驗證集的判別率達到80%,而健康果驗證集的判別率僅70%。說明模型準確率可能與試驗的霉心病蘋果發病程度有關,若待測蘋果霉心病發病率低則不利于模型的驗證。

表1 Fisher判別模型對不同主成分數訓練集和驗證集的判別結果Table 1 Results of Fisher discriminant model for training sets and validation sets with different principal component numbers

2.1.4 基于主成分分析的多層感知器神經網絡

對訓練集和測試集的預測準確率見表2。訓練集和測試集的總體判別準確率分別為90.5%和87.7%。在測試集中,健康蘋果和霉心病蘋果的判別準確率分別達到89.4%和80.0%。

表2 MLP神經網絡模型對待測蘋果訓練集和測試集的判別結果Table 2 Results of MLP neural network model for training and test sets

2.2 電子鼻對蘋果霉心病的判別結果分析

2.2.1 Fisher判別

Fisher判別方程如公式(3)、(4)所示：

健康蘋果:W0=-9 340.922+13 555.112S1-38.575S2-4 136.112S3+7 427.488S4-3 245.635S5+1 535.012S6+79.111S7-1 414.401S8+2 286.279S9+2 585.537S10

(3)

霉心病蘋果:W1=-9 300.939+13 715.232S1-

39.183S2-4 386.051S3+7 361.378S4-3 135.557S5+

1 541.941S6+79.825S7-1 425.087S8+2 230.113S9+

2 650.592S10

(4)

式中：Si表示電子鼻第i個傳感器,i= 1,2,…,10

比較W0和W1的計算結果,若W0>W1,則被判為組0(健康果),若W0

表3 Fisher判別函數對待測蘋果的判別結果Table 3 Result of Fisher discriminant function on apple test

2.2.2 MLP神經網絡

由表4可知,MLP神經網絡模型訓練集總體判別準確率為87.9%,測試集的總體判別準確率為86.2%。但霉心病蘋果測試集和訓練集的判別結果均較低,分別為64.7%和68%。

表4 MLP神經網絡模型對待測蘋果的判別結果Table 4 Result of MLP neural network model on apple test

2.2.3 RBF神經網絡

由表5可知,通過RBF神經網絡模型預測,訓練集的總體識別準確率為86.3%,測試集的總體識別準確率為82.4%,但測試集中霉心病蘋果識別準確率僅為50%,遠低于總體識別準確率。

表5 RBF神經網絡模型對待測蘋果的判別結果Table 5 Result of RBF neural network model on apple test

綜上所述,電子鼻結合Fisher判別函數的建模集的判別結果最好,但驗證集的預測準確率均低于RBF神經網絡和MLP神經網絡。根據建模集和驗證集的預測準確率綜合考慮,電子鼻結合MLP神經網絡模型可以很好地對蘋果霉心病進行判別。

3 結論

本文實現了FT-NIR和電子鼻技術對“紅富士”蘋果霉心病的快速、無損檢測。

使用近紅外原始光譜提取的前15個主成分建立的Fisher判別函數模型的正確判別率達到最高,為72%；建立的MLP神經網絡對蘋果霉心病的正確判別率為87.7%，且MLP神經網絡測試集中霉心病果的檢測準確率更加穩定,因此從驗證的準確度和穩定性兩方面均可知近紅外光譜技術結合MLP神經網絡模型可以較好地判別蘋果是否得霉心病。但在實際中,由于樣品地域、環境、年份等具有局限性,不同品種蘋果霉心病發病率可能存在較大差異,若樣品的發病率普遍偏低,可能會對模型產生一定的影響,導致準確率下降,因此還需深入研究。

電子鼻可以較好地判別蘋果霉心病。從建模集和驗證集的預測準確率方面綜合比較發現，電子鼻結合MLP神經網絡模型對蘋果霉心病的判別效果最好,其中訓練集預測準確率可達到87.9%,測試集的預測準確率為86.2%。說明電子鼻結合化學計量學的方法對識別蘋果霉心病是可行的,為電子鼻應用于蘋果霉心病的無損檢測提供了重要的依據和技術思路。以后的研究還需針對不同蘋果品種做進一步探討,并結合電子鼻中傳感器的優化做進一步研究。

近紅外原始光譜與電子鼻均可對蘋果霉心病進行很好的識別,考慮到儀器對蘋果霉心病的識別準確度以及使用中的效率問題和檢測成本因素,FT-NIRS比電子鼻檢測蘋果霉心病的效果更好。

目前蘋果無損檢測技術有了巨大的發展和應用,如光譜檢測技術、成像檢測技術、仿生智能感官檢測技術等,本試驗中只對近紅外光譜檢測技術與電子鼻檢測技術進行了建模比較。目前的無損檢測技術只能從一個方面區分霉心病蘋果果實,不能完整地反映霉心病與健康蘋果果實理化品質的區別,隨著多傳感器信息融合技術在食品檢測中的應用,可在區分霉心病蘋果果實的同時很好地反映果實的理化性質,日后蘋果無損檢測技術無疑會更加多樣化。