電子鼻技術在果蔬病害檢測中的研究進展

吳嘉雯 劉智昊 龐林江 成紀予

(浙江農林大學食品與健康學院，浙江 杭州 311300)

病害是造成果蔬損耗的主要原因。例如，感染黃龍病菌的茶枝柑果皮中倍半萜類物質和脂肪酸類物質含量顯著下降，烷烴類和酯類物質含量顯著增加[1]；感染軟腐病菌的洋蔥球莖中酯類、酮類、烷烴類和含硫化合物含量大量升高[2]；感染果膠桿菌和腐霉菌的馬鈴薯酮類、烯類和有機胺類等含量明顯增加[3]。傳統的果蔬病害識別方法大多依賴人工，效率低下且易受主觀因素的影響。不同果蔬具有各自獨特的風味，在受到病菌侵染后，果蔬的正常生理代謝受到干擾，會造成揮發性有機化合物(VOCs)的種類及含量發生明顯的變化[4]。而VOCs在一定條件下可被檢測，因此可以通過檢測VOCs的變化反映果蔬病變情況，及時預警和防治病害。

常用的VOCs檢測技術主要有氣相色譜(GC)[5]、氣相色譜—質譜聯用(GC-MS)[6]、氣相色譜—離子遷移譜(GC-IMS)[7]、氣相色譜—嗅聞聯用(GC-O)[8]等。但這些技術需要較高昂的運營成本和較多專業技術人員，同時儀器升溫過程及高溫可能會導致相關物質的結構發生變化[9]，且不能實現實時在線檢測[10]。電子鼻作為一種VOCs檢測技術，兼容人類嗅覺系統和傳統的感覺分析[11]，具有無損、快速、靈敏、實時、操作簡單等優點，已被廣泛應用于食品、農業、醫學等行業。在食品行業中，隨著氣體傳感器技術的發展及其種類的不斷增加，電子鼻技術越來越多地被用于品種的鑒別[12]，新鮮度的檢測[13]，果蔬成熟度的鑒定[14]，貨架期的預測[15]，肉制品摻假[16]及農藥殘留的檢測[17]等方面。

隨著社會的發展，人們對健康的認識在逐漸改變，對食用果蔬的新鮮度、營養價值及安全性要求越來越高。在果蔬采后病害檢測中，電子鼻技術能夠高效和準確地識別病原菌種類和病害程度，為果蔬的新鮮度評價、過程監測和質量控制等提供快速、準確的信息反饋。研究擬歸納總結電子鼻技術用于果蔬采后病害檢測的最新研究進展，旨在為其實際應用提供參考與借鑒。

1 電子鼻的構成及算法應用

1.1 電子鼻的構成

電子鼻由硬件系統和軟件系統兩大部分組成，其中，硬件系統由氣體傳感器陣列和數據采集系統組成，軟件系統由信號預處理和模式識別系統等部分組成[18]。電子鼻的工作原理與人類嗅覺系統相似，其氣體傳感器陣列先對收集的VOCs進行響應，然后模數轉換器將捕獲的化學信號轉化為可計量的電信號，最后通過模式識別算法作出決策。

果蔬的VOCs復雜多樣，在采后病害檢測中，檢測的準確度不僅受傳感器種類的影響，同時也受到傳感器數量的影響，各類傳感器在果蔬病害檢測中的應用見表1。目前，PEN 3是果蔬行業中應用最為廣泛的電子鼻，由10個金屬氧化物(MOS)傳感器組成，Fox 3000由12個MOS傳感器組成，而其他自制的傳感器則可根據試驗需要搭建傳感器陣列。不同的果蔬病害所產生的VOCs種類各不相同，因此由多個傳感器組成的傳感器陣列能夠綜合、全面、準確地檢測果蔬病害。

表1 不同種類傳感器在果蔬病害檢測中的應用

1.2 算法的應用

通過氣體傳感器陣列采集的VOCs響應信號，需要結合各種化學計量學算法進行分析和建模，以進一步確定電子鼻的適用性。目前，在果蔬采后病害檢測中，常用的分析算法及其優缺點見表2。其中，主成分分析(PCA)、線性判別分析(LDA)、偏最小二乘—判別分析(PLS-DA)和K-最鄰近(KNN)等是應用最為廣泛的傳統方法。支持向量機(SVM)、分類回歸樹(CART)和隨機森林(RF)等作為新型方法相比于傳統方法能夠使分類結果更加客觀，同時降低了分析復雜性和數據處理的時間。如SVM相比于PLS-DA不受樣本類分布的影響[27]，CART能夠根據決策樹圖直觀地做出決策分類、提取知識規則[28]，RF能夠對預測變量之間的復雜相互作用進行建模[29]等。在實際應用中，各種識別算法具有不同的適用性，為了更好地檢測果蔬病害，通常采用多種算法來處理大量復雜的試驗數據。如PCA、LDA和載荷分析(LA)被用于紅香梨腐爛檢測[30]；LDA、多層感知器神經網絡(MLPNN)和徑向基函數神經網絡(RBFNN)被用于蘋果霉心病檢測[31]，KNN和反向傳播神經網絡(BPNN)被用于馬鈴薯真菌性腐爛檢測[32]等。隨著人工智能領域的快速發展，深度學習(DL)在電子鼻中也有了部分應用，如電子鼻結合卷積神經網絡(CNN)判別普洱茶的貯藏時間[33]；電子鼻結合修正卷積神經網絡(IMCNN)判別牛肉的新鮮度[34]等，日后也將逐漸被應用于果蔬病害的檢測。

表2 常見不同算法的優缺點

2 電子鼻在果蔬病害檢測中的應用

果蔬采后貯藏和運輸各環節中很容易受到割傷、切傷、擦傷、壓傷等機械損傷，病原菌容易從果蔬表皮的傷口入侵而導致病變。侵染性病害以真菌和細菌侵染為主，是引起果蔬采后腐爛變質的主要病害。例如，葡萄、草莓等灰霉病的發生由灰葡萄孢菌[35]引起，番茄、辣椒等黑斑病的發生由互隔交鏈孢霉[36]引起，甜菜細菌性斑點病的發生由丁香假單胞菌[37]引起，黃瓜細菌性角斑病的發生由丁香假單胞菌和胡蘿卜軟腐果膠桿菌[38]引起。侵染性病害在果蔬采后貯藏期間具有較強的傳染性，若不能及時剔除染菌果蔬，容易引起大規模的病變。

2.1 單種病原菌的檢測和識別

病原菌對果蔬的侵染包括入侵、潛伏和病變3個階段，當病原菌侵入后，會誘導VOCs相關生物合成酶活性升高，促進萜類、脂肪酸和氨基酸等底物轉化為VOCs，隨著侵染的進程，VOCs的種類和含量均會發生明顯的變化。例如，粉紅單端孢菌侵染甜瓜早期會產生大量的醇類和醛類[39]，指狀青霉侵染柑橘中晚期會產生大量LOX-衍生酯類[40]等。電子鼻可以有效地判別健康果蔬與染菌果蔬。在識別由桃吉爾霉引起的火龍果采后病害中，傳感器陣列采集的健康火龍果和染菌火龍果的VOCs差異顯著，結合PCA、LDA及LA分析響應信號，得出PCA和LDA算法能準確地判別出染病的火龍果[19]。在檢測洋蔥佰克霍爾德菌(Burkholderiacepacia)感染引起的酸皮病害中，感染4～7 d后，染菌洋蔥VOCs信號較健康洋蔥有明顯的變化，再采取相對響應特征結合相對基線校正的方法提取特征響應信號，并利用SVM算法區分健康洋蔥和染菌洋蔥，準確率達85%[20]。

當果蔬受到病原菌侵染后，在不同的感染時期產生的VOCs各不相同，電子鼻可用于判別不同病變程度的果蔬，為果蔬產業采后病害的分級提供理論依據。如馬鈴薯易受到胡蘿卜軟腐歐文氏菌(Euclideancoli)侵染而引起軟腐病，Chang等[41]通過自主設計和優化的仿生電子鼻氣室和采樣裝置，采用RBFNN和SVM算法區分新鮮和5種不同病變程度的馬鈴薯。結果顯示，SVM算法對腐爛的馬鈴薯判別準確率最高為89.7%，RBFNN算法的判別準確率最高為87.5%，SVM算法的識別準確率優于RBFNN算法。甘薯長喙殼菌(Ceratocystisfimbriata)侵染引起的黑斑病是造成甘薯采后損失的主要病害，病原菌侵染過程中，會引起酮類、醇醚類物質的增加，烷烴類、烯烴類物質的減少，張小瓊等[42]利用電子鼻對3種不同病變程度的甘薯進行判別，比較PCA、PLS-DA、正交偏最小二乘法—判別分析(OPLS-DA)和SVM算法的區分效果，得出SVM算法的判別效果最好，訓練集和測試集準確率分別為97%和96%。

若病原菌在果蔬生長早期侵入并潛伏于果蔬內部，隨著果蔬的發育成熟，病原菌會在果蔬內部生長繁殖從而引起病變。在病害的早期，果蔬表面觀察不到明顯的病變癥狀，依靠傳統的人工無法及時發現病變。目前，電子鼻技術的應用可以實現果蔬表面肉眼不可見病害的早期識別。Nouri等[21]研究表明，電子鼻可以快速診斷石榴內部鏈格孢菌(Alternariaspp.)侵染引起的黑心病，利用PCA篩選高性能傳感器，再通過LDA、BPNN、SVM算法對染病石榴建立判別模型進行對比分析，其中BPNN算法對不同病害程度石榴的分類精度最高，準確率可達100%。表明電子鼻在果蔬病害表面無癥狀感染的識別效果較好，在果蔬病害檢測中較傳統方法具有更大的優越性和應用前景。

2.2 不同病原菌的檢測和識別

在日常的貯運過程中，果蔬通常會受到多種病原菌的交叉感染。而即使是同一種果蔬受到不同種類的病原菌侵染后，發生的生理生化反應與合成的代謝產物各不相同，導致產生的VOCs具有特異性，即獨特的氣味指紋信息。如蘋果感染擴展青霉后產生癸酸乙酯、2-苯基乙酸乙酯和碳酸二乙酯等，感染葡萄座腔菌后產生3-己烯-1-醇、2-苯基乙醛和α-萜烯等，感染鏈格孢菌后產生2-乙基己烷-1-醇和苯乙酮[43]等；草莓感染灰葡萄孢菌后產生乙酸辛酯、5-羥基甲基糠醛和辛酸等，感染青霉菌后產生肉桂酸甲酯和苯并環丁烯等，感染匍枝根霉后產生γ-十二內酯和α-法尼烯[44]等。電子鼻可以準確地識別果蔬受到不同病原菌侵染后而引起的各種病害，該技術的應用可為病害的精準防控提供強有力的依據。大蒜易受到尖孢鐮刀菌(Fusariumoxysporumf.sp.Cepae)、交鏈孢菌(Alternariaembellisia)和灰霉菌(Botrytisallii)感染引發不同病害，Makarichian等[24]根據不同病菌侵染時釋放的特征VOCs，先采用PCA篩選對染菌大蒜敏感的傳感器，再結合LDA、SVM和BPNN分析電子鼻響應信號，3種算法均可有效區分不同病原菌感染的大蒜，準確率分別為97.5%，92.5%，92.5%。在判別雙孢蘑菇受到黃曲霉(Aspergillusflavus)、煙曲霉(Aspergillusfumigatus)和赭曲霉(Aspergillusochraceus)侵染時，將電子鼻響應信號結合PLS-DA算法，可以很好地區分真菌種類，判別準確率達97.0%，同時對不同侵染時間的識別準確率高達98.3%[25]。蘋果在采后易受到擴展青霉(Penicilliumexpansum)和黑曲霉(Aspergillusniger)的侵染，Jia等[26]利用電子鼻采集不同病原菌侵染蘋果后的VOCs響應信號，篩選和優化了與染菌蘋果VOCs信息相關性較高的特征氣體傳感器，再采用LDA、BPNN、SVM和RBFNN算法進行判別，其中BPNN算法構建的模型判別效果最好，準確率為72.0%。

電子鼻技術與其他風味檢測技術的聯合分析，可以校驗電子鼻檢測結果的可靠性，同時可以提高對多種病原菌判別的準確性和客觀性。Liu等[23]利用電子鼻結合GC-MS檢測桃子褐腐病菌(Moniliniafructicola)、匍枝根霉和灰葡萄孢菌侵染引起的VOCs變化，GC-MS的結果顯示正己醛、E-2-己烯醛、乙酸己酯、Z-2-己烯-1-醇、芳樟醇、γ-十八內酯、γ-癸內酯和β-月桂烯8種物質是影響桃子風味特征的主要VOCs，同時也是引起傳感器響應變化的主要物質。再將電子鼻響應信號結合PLS-DA算法對不同病原菌侵染的桃子進行判別，結果表明電子鼻在48 h后即可以有效區分由3種真菌侵染引起的灰霉病、褐腐病和軟腐病，判別準確率分別為86.67%，86.67%，100.00%。Ezhilan等[45]采用電子鼻技術結合GC-MS對受到葡萄球菌(Staphylococcus)、沙門氏菌(Salmonella)和志賀菌(Shigella)感染的西蘭花樣品進行評價。將菌落總數、GC-MS與西蘭花的新鮮度進行相關性分析，確定西蘭花新鮮度評判標準，最后利用電子鼻對不同新鮮度的西蘭花進行判別。結果表明，西蘭花感染3種細菌后產生的乙酸、己酸和壬醇等標志性VOCs為電子鼻的判別提供了物質基礎；電子鼻結合PCA和中心鏈接聚類分析(CA)可以定量區分新鮮(0 CFU/mL)、半污染(106CFU/mL)和完全污染(107CFU/mL)的西蘭花。表明電子鼻在果蔬中多種病原菌侵染的檢測方面也有很好的應用前景。

綜上，電子鼻技術無需復雜的樣品前處理，采集頂空氣體后即可實時獲取VOCs的響應信息，結合適當的化學計量學方法可實現果蔬采后病害實時、準確的判別。同時，電子鼻技術結合HSI和微生物、理化指標測定等方法可以使電子鼻定量預測病害果蔬中的病原菌含量或其他生理指標。其次，電子鼻技術聯合GC-MS等其他風味檢測技術可以從不同角度捕獲更全面、更綜合的VOCs信息，多源信息的融合使得果蔬侵染性病害的檢測結果更為準確和可靠。

3 總結與展望

電子鼻技術能夠檢測果蔬肉眼可見和不可見的病害，具有快速、無損、操作簡便、批量檢測等優點，在果蔬采后病害檢測中具有較好的應用可行性和發展前景。但目前電子鼻技術仍存在部分缺點，如傳感器穩定性較差，容易受到噪聲的影響產生漂移；測量的高精度性和高重復性需要嚴格控制樣品制備和采樣環境，使得電子鼻在田間或者運輸過程中使用困難。因此，電子鼻技術落地到實際農業應用推廣中還有很多工作需要研究和完善。① 新型傳感材料的研發方面，開發高靈敏度和選擇性的無漂移傳感器，利用新型納米材料或在材料中添加元素或多種催化劑提高響應，減少響應時間；② 不斷開發新的模式識別算法，不僅要提高樣品的分類準確率和適用性，還要能夠對傳感器的更換、漂移補償、穩定性和可靠性進行數據處理；③ 開發微型電子鼻結合嵌入式技術設備如GSM、GPS，一旦檢測到目標氣體即可產生報警信號并顯示目標樣品實時定位；④ 將電子鼻技術應用于病變果蔬中毒素的檢測，如番茄鏈格孢菌侵染產生的鏈格孢毒素、葡萄赭曲霉和黑曲霉侵染產生的赭曲霉毒素，蘋果擴展青霉侵染產生的展青霉素等。總的來說，電子鼻技術在果蔬病害中的應用，使得檢測結果更加客觀、準確和高效，能夠實現果蔬采后病害的動態監測和早期預警。