基于近紅外光譜技術的獼猴桃品質檢測研究進展

胡靜，黃金發，劉小丹，3，畢潔，3，王加華，4，肖安紅，3，舒在習，戴煌，4*

（1.武漢輕工大學 食品科學與工程學院，湖北 武漢 430023；2.山東新希望六和集團有限公司，山東 青島 266100；3.武漢輕工大學 大宗糧油精深加工教育部重點實驗室，湖北 武漢 430023；4.湖北省農產品加工與轉化重點實驗室，湖北 武漢 430023）

獼猴桃酸甜可口、質地柔軟，富含人體所需的維生素、氨基酸、抗氧化劑和礦物質等多種營養成分，有“水果之王”的美譽，深受消費者青睞。我國是目前世界上獼猴桃栽培和出口的主要國家之一。獼猴桃屬于呼吸躍變型果實，采后成熟、衰老迅速，果實質地極易軟化腐爛變質，貨架期較短。快速、準確地檢測獼猴桃品質成為消費者、生產者和管理者共同關注的技術問題。

獼猴桃的外部品質（顏色、大小、形狀、硬度、表面缺陷等）和內部品質（糖度、酸度、可溶性固形物、損傷等）是果實品質分級和定價銷售的重要參考指標。獼猴桃外部品質可以通過計算機視覺技術進行很好的檢測[1]，但獼猴桃內部品質檢測方法主要為有損檢測，費時費力，且在實際生產應用中未實現全樣本測量，無法滿足新品種培育和消費市場的高通量檢測需求。因此，探索準確、快速、無損的獼猴桃內部品質檢測方法對獼猴桃育種、栽培和采后貯藏銷售等具有重要意義。近紅外光譜（near-infrared spectroscopy，NIRs）技術是一種通過物質對光的特性獲取待測物樣本組成成分和分子結構等信息進行無損檢測的技術，具有高效、成本低以及多組分同時檢測等優點，廣泛應用于食品、制藥、化工、農業等領域。隨著NIRs研究的深入以及獼猴桃產業的發展，NIRs在獼猴桃品質檢測中的應用潛力巨大，本文重點綜述了NIRs技術在獼猴桃內部品質檢測中應用的研究進展，以期為NIRs發展提供參考。

1 近紅外光譜技術

用于獼猴桃品質檢測的NIRs技術主要有近紅外光譜和近紅外高光譜成像技術。近紅外光是波長介于可見光與中紅外光之間的電磁波，其譜區為780 nm～2 526 nm。能量躍遷包括基頻躍遷、倍頻躍遷、合頻躍遷，所有近紅外吸收譜帶都包含中紅外吸收基頻（4 000 cm-1～1 600 cm-1）的倍頻躍遷及合頻躍遷，其中以含氫基團為主，包括C-H、O-H、S-H、N-H等，也有其他基團的信息（如C=C、C=O等），但其強度相對較弱。NIRs的采集方式主要有透射式、漫反射式、漫透射式，其中漫反射法不受水果表面特性的影響，接受的光譜信息全部反映水果內部組織的特性，準確度最高，研究應用最廣泛[2-5]。獼猴桃品種、產地、溫度、硬度、貯存期、質量及表面特性等特性參數影響近紅外光譜信息，在利用NIRs檢測過程中需要充分考慮這些影響因素[6-8]。

近紅外高光譜成像是在近紅外光波段對目標區域同時成像，通常包含數十到數百個波段。通過高光譜成像方法獲得的高光譜圖像具有更豐富的圖像和光譜信息，實現了光譜與圖像的融合，可以快速、無損地檢測研究對象內外部特性，近年來在農產品品質與分級中獲得了廣泛的應用[9]。

NIRs技術檢測獼猴桃品質指標的基本原理和操作：獼猴桃內部品質指標由對應的化學成分組成，成分中的基團對近紅外光進行吸收，呈現不同特性的光譜。定標樣本的NIRs包含結構和組成等信息，品質指標與其結構、成分具有相關性。因此，樣本的光譜與品質指標的測量值也具有一定相關性，采用化學計量學方法對品質指標的測量值進行關聯，確立兩者之間的定量或定性關系，建立相應的評判模型。完成建模過程后，無需將待預測樣本的品質指標進行生化檢測，僅需采集待預測樣本的光譜帶入所建立的模型即可對待測樣本中的品質指標進行定性、定量分析[10]。

2 近紅外光譜技術檢測獼猴桃品質研究進展

2.1 硬度檢測

硬度是衡量獼猴桃品質及耐貯性的重要指標之一，通常用來確定水果的成熟度與采摘時間，獼猴桃屬于后熟型水果，為了延長其貯藏期，經常采摘還未成熟的果實，硬度為制定獼猴桃的儲藏、包裝和運輸等環節提供重要參考依據。Mcglone等[11]在800 nm～1 100 nm近紅外光波段中測試了采后獼猴桃硬度與紅外光譜之間的關系，發現NIRs與果類的糖度具有關聯性，但效果不佳。為了提高準確性，劉卉等[12]采用一階微分光譜建立偏最小二乘回歸法（partial least squares regression，PLSR）模型，預測冷藏期間獼猴桃硬度，效果較好，其校正相關系數為0.963，預測相關系數為0.852。為了簡化硬度的預測模型，研究者利用改進區間PLSR算法優選建模波段并結合光譜預處理方法，建立NIRs預測獼猴桃硬度模型[13]。孟慶龍等[14]獲取不同成熟期“貴長”獼猴桃的反射光譜，利用連續投影算法（successive projections algorithm，SPA）和競爭性自適應重加權算法（competitive adaptive reweighting algorithm，CARS）提取特征波長，從1 024個全波段中提取了42個特征波長，建立的CARS結合多元線性回歸模型具有最佳的校正性能和預測性能，其校正集相關系數和預測集相關系數分別為0.91和0.85。與全光譜相比，優化后的模型減少了冗余信息，提升了預測模型的檢測效率，可用于預測獼猴桃硬度。NIRs檢測獼猴桃硬度速度快，準確性高，而且無需損壞獼猴桃果實，可用于果實的快速分級，在實際應用中有很大潛力。

2.2 可溶性固形物含量檢測

可溶性固形物含量（soluble solids content，SSC）是指包括糖、酸、維生素等可溶于水的物質含量，且可通過一定比例換算成含糖量（糖度），是衡量獼猴桃成熟度的重要指標之一。陳香維等[15]利用傅里葉漫反射NIRs建立獼猴桃糖度與NIR的定量分析PLSR模型，并對不同果園、貯藏期和質量的樣品所建立的糖度預測模型進行對比，發現NIRs與糖度含量之間呈顯著的線性相關，預測模型相關系數R2可達到0.936，而且隨著建模樣品量及成分含量梯度的增大，預測模型通用性提高，而準確性降低。Li等[16]和Sarkar等[17]采用手持便攜式NIRs測定獼猴桃果實SSC，發現非線性支持向量機（support vector machine，SVM）回歸法在預測耐寒獼猴桃果實SSC方面優于線性PLSR法。蔡健榮等[18]利用小波濾噪法對獼猴桃1 000 nm～2 500 nm近紅外光譜進行預處理，采用聯合區間偏最小二乘法取全光譜中3個子區間聯合建立的糖度模型效果最佳，不但減少建模運算時間，剔除噪聲過大的譜區，而且預測能力和精度比全光譜均有提高，其校正集相關系數和預測集相關系數分別為0.941 4和0.929 5。

近紅外高光譜成像技術也可用于無損檢測獼猴桃SSC，董金磊等[19]基于獼猴桃900 nm～1 700 nm波長的反射高光譜，建立了預測SSC的PLSR、SVM及誤差反向傳播（error back propagation，BP）神經網絡模型，發現BP神經網絡模型與SPA相結合具有最好的預測性能，預測相關系數為0.924。Ma等[20]利用物體旋轉近紅外高光譜成像方法無損快速測繪完整獼猴桃樣本中SSC和pH值的空間分布，其預測相關系數分別為0.74和0.64。Hu等[21]利用近紅外高光譜成像技術快速、無損地監測1-甲基環丙烯（1-methylcyclopropene，1-MCP）誘導的“海沃特”獼猴桃成熟過程中糖積累的調節，用0.5 μmol/L 1-MCP在23℃下處理獼猴桃24 h，25℃保存20 d后成熟，利用反射光譜建立了切片樣品中糖含量的預測模型，對葡萄糖、果糖和蔗糖的預測集相關系數分別為0.934、0.867和0.705。高光譜成像技術可用于無損檢測獼猴桃的SSC，使獼猴桃內部品質的工業化分級成為可能。然而，建立光譜定量分析模型時，樣品組成和性質應該覆蓋分析樣品的組成和性質的整個變化范圍，以更好地滿足實際應用的需要。

2.3 干物質檢測

獼猴桃干物質含量是衡量獼猴桃品質指標之一。主要由碳水化合物組成，包括可溶性的糖類和不可溶的淀粉、各種結構碳水化合物。收獲前獼猴桃干物質含量與采后SSC相關。Lue等[22]利用聯合區間偏最小二乘算法對未成熟獼猴桃近紅外光譜干物質的特征波長區域進行有效選擇，并進行干物質預測，其校正集相關系數為0.92。Santagapita等[23]利用傅里葉變換NIRs無損快速預測不同成熟階段獼猴桃原料的加工特性指標，研究成熟和未成熟獼猴桃的滲透脫水過程中參數（干物質、SSC、水自擴散系數和硬度）與NIRs之間的關系，建立的PLS模型成功預測4項參數，其預測集相關系數大于0.772。Sohaib等[8]系統研究了獼猴桃成熟過程中干物質的NIRs變化情況，比較了PLSR和SVM模型預測干物質變化情況，發現NIRs能很好預測儲藏過程中干物質變化。NIRs可以預測未成熟獼猴桃的干物質含量，為獼猴桃的采摘和后熟提供參考依據。

2.4 酸度檢測

史敏[24]利用NIRs研究了不同貨架期、采收時間及品種的獼猴桃品質指標與NIRs之間的內在聯系，建立了獼猴桃的酸特征峰值與酸度值之間的回歸模型。Lee等[25]采用NIRs對來自3個果園的獼猴桃樣品進行分析，建立了NIRs預測獼猴桃酸度的PLSR模型，其預測集相關系數為0.91，為建立成熟獼猴桃分選標準提供了參考。Ciccoritti等[26]結合NIRs和化學計量學根據成熟時間和消費者的接受程度對3種綠肉獼猴桃進行分類，正確率達99%，建立的PLSR模型對可滴定酸含量預測相關系數為0.933。NIRs可成功地用于提高獼猴桃采收期和貯藏期的質量控制，以及在分發前對樣品進行識別和分離，以減少果實損失。

2.5 生長調節劑檢測

氯吡脲作為植物生長調節劑，廣泛應用于果蔬生產中，植物生長調節劑在獼猴桃生產中的濫用對獼猴桃的品質造成了一定的影響。吳昕如等[27]利用NIRs快速檢測不同濃度氯吡脲的獼猴桃汁，利用二維相關光譜提取特征波段建立PLSR方法，獼猴桃中氯吡脲的預測值與實際值的相關系數為0.958 8，模型的預測準確性良好。NIRs可以應用于獼猴桃中氯吡脲的快速檢測。高振紅等[28]利用近紅外高光譜技術對施藥獼猴桃進行無損識別，建立的SVM模型對施藥樣品氯吡脲的殘留量為0.03 mg/kg（空白樣品殘留量為0 mg/kg）的正確識別率為94.4%。Liu等[29]利用近紅外高光譜成像技術從未加氯吡脲處理的獼猴桃中識別氯吡脲處理的獼猴桃，優化后的SPA-SVM模型具有更好的識別性能，訓練集和預測集判別正確率均達到100%，近紅外高光譜成像技術能快速準確鑒別出氯吡脲處理的獼猴桃。Liu等[30]進一步研究了氯吡脲處理對獼猴桃采后的近紅外光學性質的影響，發現用高濃度氯吡脲處理的獼猴桃在1 190 nm處的平均吸收系數大于低濃度處理樣品，與果肉相比，果皮的吸收系數和散射系數具有更大的標準偏差，并且隨著儲存時間的增加其波動更大。因此，采用近紅外高光譜技術可以有效識別植物生長調節劑，能夠滿足獼猴桃生產及管理需要，對獼猴桃產業的健康發展具有重要的意義。

2.6 損傷檢測

獼猴桃在采摘、包裝、貯運等諸多環節中常因碰撞或擠壓造成不同程度的機械損傷，損傷果的呼吸強度高于無損果，會加快無損果的后熟，導致果實生理代謝紊亂、縮短貯藏期；同時還會滋生致病腐敗微生物，增加無損果被侵染的風險。由于獼猴桃果皮顏色較深，采摘、運輸時果實堅硬，碰撞和擠壓造成的暗傷很難被肉眼識別，因此快速、準確且簡易的損傷果實識別技術，對于減少獼猴桃采后腐爛損失和保證產品質量具有重要的意義。Gao等[31]利用NIRs和高光譜成像技術檢測有16 d內壓迫和撞擊傷痕的獼猴桃，發現樣品在980 nm和1 175 nm處的吸收系數先升高，在瘀傷后隨時間降低。瘀傷后的獼猴桃在950 nm～1 360 nm特定波長下的散射系數先下降，而后隨時間延長而增加。同時，受傷樣品的吸收系數明顯小于非受傷樣品（P＜0.05），瘀傷引起細胞破裂并降低硬度。郭文川等[32]采用NIRs結合極限學習機建立了采摘后2℃冷藏下10 d內的碰撞損傷獼猴桃、擠壓損傷獼猴桃與無損獼猴桃的動態判別模型，發現碰撞損傷獼猴桃比擠壓損傷獼猴桃更容易同未損傷獼猴桃區分開來，且隨著貯藏時間的延長，損傷獼猴桃更容易被識別，所建模型對采后貯藏10 d內預測集中損傷獼猴桃的識別率為92.4%。經過后期優化后，模型能鑒別出貯藏1 d的碰撞損傷獼猴桃、擠壓損傷獼猴桃[33]。該技術具有較高的檢測精度和適用性，可用于損傷獼猴桃的快速無損鑒別。為了研究識別早期隱性損傷獼猴桃的方法，遲茜等[34]采集了完好無損和隱性損傷1 h～3 h內“華優”獼猴桃的900 nm～1 700 nm近紅外高光譜，優化后的算法對隱性損傷獼猴桃的正確識別率為95.7%。獼猴桃在低溫貯藏過程中易發生生理紊亂，Burdon等[35]利用NIRs結合化學計量學對獼猴桃低溫儲藏期冷害風險進行預警，效果良好。近紅外散射技術在鑒別獼猴桃瘀傷、冷害等缺陷方面具有巨大的潛力[36-37]，該技術有助于了解於傷對獼猴桃光學特性的影響，并更好地應用近紅外光譜和高光譜成像技術來檢測具有瘀傷的獼猴桃，其在獼猴桃損傷檢測中應用潛力大。

2.7 微生物檢測

微生物污染水平是衡量獼猴桃冷藏過程中品質優劣的關鍵指標之一。傳統的微生物檢測方法主要為生化檢驗，操作程序繁雜，檢測周期長，導致質量和安全監測滯后。NIRs能夠實現食品微生物的快速無損檢測，提高效率、降低成本、保證食品質量安全。閆思雨等[38]研究利用NIRs建立4℃冷藏過程中鮮切獼猴桃片菌落總數的預測模型，實現鮮切獼猴桃片4℃冷藏過程中微生物污染水平實時動態監控，預測集相關系數為0.958 1。耐滲透酵母菌對獼猴桃腐敗的識別在食品安全檢測中具有重要意義，Niu等[39]采用NIRs對5種耐滲透酵母菌污染的獼猴桃汁進行光譜采集，利用CARS法選擇的波長建立SVM模型對單個菌株識別的總正確率達100%，為耐滲透酵母腐敗的檢測提供參考。NIRs能夠有效地檢測微生物，然而食品微生物種類繁多，在采集樣本的光譜過程中，樣本基質、微生物的種類、生長時間對光譜有干擾，并最終影響模型的準確度和檢測限，需采集大量的樣本光譜與樣本的測量參考值，特別是在微生物感染的早期，其光譜變化不明顯，需要耗費大量精力和時間進行前期的定標建模。

3 總結與展望

NIRs技術具有高效、無損檢測和工作快速的特點，在很大程度上減輕了獼猴桃品質檢測的工作量，能快速準確地檢測獼猴桃生長、儲藏、貨架期等過程中內部成分的含量，有助于獼猴桃在供應鏈中品質變化的管理，確保獼猴桃消費時達到最佳食用品質。NIRs檢測技術在獼猴桃產業的品質檢測應用過程中仍有一些困難有待解決。在硬件設備方面，隨著硬件組件的不斷發展，需要更多的開發商/制造商進入市場，來降低檢測儀器成本，使得NIRs技術更具經濟可行性，同時要注意開發便攜式或手持設備來滿足市場需求。在軟件方面，光譜數據的處理和定標模型的建立是獼猴桃NIRs檢測技術研究的核心問題，目前越來越多的先進數據分析技術和算法用于模型的建立，在建立研究定標模型時，應充分考慮品種、溫度、檢測位置等因素的影響，有必要優化校準程序，包括采集和測量適當范圍的校準樣品，建立有效的質量控制協議，并納入簡單的校準更新程序，同時考慮不同檢測儀器間的通用性。多傳感器數據融合在獼猴桃品質評估中的前景巨大，NIRs評估數據與其他技術數據的融合可以產生與采后管理相關的屬性信息，其效果超過單一方法。例如在包裝生產線聯合使用NIRs設備、稱重傳感器和三原色攝像機對獼猴桃進行分級，過程中可能涉及深度神經網絡和其他人工智能技術，向數字化、智能化、全面化的發展，整合多樣化的信息和措施仍然是一個挑戰。隨著科技的進步，NIRs分析技術必將成為獼猴桃無損檢測的經濟、有效且極具發展前景的分析技術之一，創造良好的經濟效益和社會效益。