蘋果脆度的近紅外無損檢測*

孫炳新，匡立學，徐方旭，趙靜，潘忠禮，馮敘橋，

1(渤海大學食品科學研究院，渤海大學化學化工與食品安全學院，遼寧省食品安全重點實驗室，“食品貯藏加工及質(zhì)量安全控制工程技術研究中心”遼寧省高校重大科技平臺，遼寧 錦州，121013)

2(沈陽農(nóng)業(yè)大學 食品學院，遼寧 沈陽，110866)

3(美國加州大學戴維斯分校環(huán)境毒理系，美國 加州 戴維斯市，95616)

4(美國加州大學戴維斯分校生物與農(nóng)業(yè)工程系，美國 加州 戴維斯市，95616)

蘋果(Malus pumilaMill)是全球食用最廣泛的、名副其實的世界性水果品種，栽培遍及全球80 多個國家和地區(qū)，其中亞洲、歐洲和美洲是世界蘋果主產(chǎn)區(qū)。在我國，其種植面積和產(chǎn)量位居各水果之首。蘋果不僅適于鮮食，而且根據(jù)不同的品種和品質(zhì)可將其加工成多種產(chǎn)品，如:蘋果汁、蘋果醋、蘋果罐頭、蘋果酒、蘋果醬等。蘋果的品質(zhì)由外觀、內(nèi)在兩方面決定，外觀品質(zhì)主要包括果實大小、形狀與色澤等，內(nèi)在品質(zhì)主要受果實質(zhì)地及風味的影響，質(zhì)地包括脆度、硬度、彈性、內(nèi)聚性等，反映了水果的物理性質(zhì)和組織結構，直接關系到其食用口感［1］。傳統(tǒng)蘋果質(zhì)地的檢測采用壓力硬度計或質(zhì)構分析儀等破壞性檢測方法，檢測速度慢，檢驗后果實失去商品價值［2］。因此，研究開發(fā)快速、可靠、無損的質(zhì)地檢測方法非常重要。

近紅外透射光譜技術(near infrared transmittance spectroscopy，NITS)，是電子技術、光譜技術、計算機技術和化學計量技術的集成。該技術利用波長為700 ～1 100 nm 的電磁波來分析樣品的結構和組成等信息，從而實現(xiàn)樣品的無損檢測，因其簡單、高效、無損的特點，已經(jīng)成為現(xiàn)代無損檢測的代表和主要發(fā)展方向，是解決農(nóng)產(chǎn)品檢測分級的有效途徑。趙麗麗(2003)，劉燕德等(2004)分別利用不同波長下的近紅外透射光譜對蘋果的糖度進行了檢測和建模，預測集相關系數(shù)均能達到0.9 以上［9－10］。張靜(2007)采用近紅外透射光譜技術在642.36 ～954.15 nm 波長內(nèi)建立不同時期國光蘋果糖度的預測模型［11］。但利用近紅外透射光譜技術對蘋果脆度的研究國內(nèi)外并不多見。

紅富士蘋果(Malus domesticaBorkh. CV. Red Fuji)，1966 年引入中國，之后因其個大、質(zhì)優(yōu)、味美、耐貯等優(yōu)點迅速占領中國的蘋果市場，如今紅富士蘋果在我國已種植近百萬公頃，在遼寧、山東、河北、北京、山西、陜西、天津、河南、江蘇、安徽、甘肅等省市，均已代替了國光等其他品種［12］。本研究利用近紅外透射光譜分析技術，對紅富士蘋果的脆度進行近紅外檢測分析，并建立適合蘋果脆度分析的近紅外無損檢測模型。

1 材料與方法

1.1 試驗材料

試驗所用紅富士蘋果采自遼寧省大連市金州新區(qū)八里村果園，采收后帶回實驗室，放在(0 ±0.5)℃冷庫中貯藏備用。試驗前從冷庫中取出，放置5h，使蘋果整體溫度與室溫(約20℃)一致，選擇沒有外部缺陷、大小顏色均勻的果實進行編號，然后進行近紅外光譜掃描和脆度測定。其中校正集樣品60 個，預測集樣品20 個。

1.2 實驗方法

1.2.1 光譜的采集

本試驗使用的光譜儀器是日本雜賀技術研究所提供的濾光片型Purespect 近紅外透射光譜儀，波長掃描范圍643.26 ～985.11 nm，采點間隔為1.29 nm，在每個蘋果樣品赤道上等距離的選取4 點進行光譜掃描，每點掃描3 次，保存的光譜數(shù)據(jù)為文本文件形式。

1.2.2 脆度的測定

試驗采用美國Brookfield 公司生產(chǎn)的CTV1.2 質(zhì)構儀，測試探頭選取5 mm 的圓平頭，插入速度為0.5 mm/s，插入深度6 mm，觸發(fā)值為2N。質(zhì)構分析儀探頭插入果實的方向由表面指向果心，插入位點與近紅外光譜采集位點相對應，測定中計算機自動采集并記錄質(zhì)地特征曲線，將同一樣品4 個點的質(zhì)地曲線平均得到每個果實的特征曲線。其中，脆度(crunchiness)是指測試探頭插入果實表皮和果肉所需的最大力，即曲線上的最大力［13］。

1.2.3 數(shù)據(jù)處理方法

將文本文件形式的光譜數(shù)據(jù)導入Excel 表格求出每個樣品12 次光譜數(shù)據(jù)的平均值，每個蘋果樣品對應波長下的吸光度值利用下述公式計算:A= log(I0/It)

其中，A:為吸光度;I0:入射光強度;It:透過光強度。

將吸光度值導入軟件Unscrambler 6.1 中，分別用3 點移動窗口平滑處理、一階微分(17 點，Savitzky-Golay)、二階微分(25 點，Savitzky-Golay)和多元散射校正4 種方法對光譜進行預處理，選用偏最小二乘法(PLS)對預處理后的光譜數(shù)據(jù)進行建模，通過對模型相關系數(shù)和均方根誤差的比較，選擇最優(yōu)的預處理方法。PLS 現(xiàn)已成為化學計量學中最常用最有效的多變量建模方法，具有較強的抗干擾能力，可全波段參與多元數(shù)學模型的建立，優(yōu)于多元線性回歸(MLR)和主成分回歸(PCR)等方法［14］。利用SPSS 數(shù)據(jù)處理軟件分別對校正集和預測集蘋果樣品脆度的實測值進行描述統(tǒng)計分析。

2 結果與分析

2.1 蘋果脆度的實測值統(tǒng)計分析

樣品標準值的檢測精度和樣品評價參數(shù)覆蓋的范圍在很大程度上決定建模的質(zhì)量，經(jīng)質(zhì)構儀檢測60 個建模集樣品和20 個驗證集樣品的脆度分布如圖1 所示，分析見表1。由圖1 可知，樣品的脆度參數(shù)覆蓋了高、中、低水平，基本以平均值為中心呈正態(tài)分布，說明樣品具有一定的代表性，并且樣品驗證集的脆度含量范圍都在校正集范圍內(nèi)，這為建立模型提供了質(zhì)量保證和可靠性。

圖1 蘋果樣品脆度頻率分布圖Fig.1 The Probability distribution of crunchiness values from calibration and prediction sets for apples samples

表1 蘋果樣本校正集和預測集脆度實測值分析Table 1 Analysis results of actual crunchiness values from calibration and prediction sets for apples samples

2.2 不同種光譜預處理方法結果比較

儀器采集的原始光譜中除包含與樣品結構組成有關的信息外，還可能受測試條件、外界溫度、儀器狀態(tài)等因素影響，而且樣品中不同成分之間的相互干擾也會導致光譜譜線重益，低含量成分光譜峰被高含量成分光譜峰掩蓋等問題。因此，譜圖的預處理主要解決光譜噪音的濾除、數(shù)據(jù)的篩選、光譜范圍的優(yōu)化及消除其他因素對光譜圖所含信息的影響，提高分辨度和靈敏度，為下步校正模型的建立和未知樣品的準確預測打下基礎［15－16］。圖2 和圖3 分別是校正集蘋果樣品經(jīng)不同光譜預處理前后的光譜圖，對比2 圖可知，預處理后的光譜圖對稱地分布在基線兩側(cè)，消除了基線漂移，平緩了背景干擾，比原光譜具有更高的分辨率和更清晰的光譜輪廓變化，此結果與李東華等人的研究結果一致［17－18］。

圖2 蘋果原始光譜圖Fig.2 Absorption spectrogram of apples

圖3 二階微分處理后的光譜圖Fig.3 Absorption spectrogram of apples calculated with second order derivative processing

應用不同的方法對60 個校正集樣品的原始光譜進行處理，所得模型的預測結果會有顯著變化。不同預處理下建模和模型預測的結果見表2。

表2 不同光譜預處理方法的偏最小二乘法建模和預測結果Table 2 Results of model and prediction values by partial least square method with different preprocessing methods

從表2 可以看出，采用25 點Savitzky-Golay 二階微分處理效果好于原始光譜和其他處理方法，其相關系數(shù)最高，為0.941;均方根誤差為0.390。所以在以后的建模中，選取25 點Savitzky-Golay 二階微分處理作為光譜的預處理方法。

2.3 蘋果脆度近紅外模型的建立

2.3.1 模型建立光譜區(qū)域的選擇

光譜建模范圍的優(yōu)化選擇是提高建模精度的一種手段，采用全光譜計算時，計算工作量很大，有些光譜區(qū)域樣品的光譜信息很弱，與樣品的組成或性質(zhì)間缺乏相關關系，為了找出最有效的光譜區(qū)域，可以將測定的組分或性質(zhì)數(shù)據(jù)與樣品的光譜數(shù)據(jù)關聯(lián)，求出相關系數(shù)，并得到相關系數(shù)與波長的相關圖，通過相關圖，選出較大相關系數(shù)的光譜區(qū)域。根據(jù)上述分段建模思想及圖2、圖3 的光譜圖，本試驗將原始光譜進行二階求導預處理后，將全譜區(qū)平均分成4 段，對60 個校正集樣品在分段光譜區(qū)域和全譜區(qū)進行PLS建模，模型的最佳主成分數(shù)選擇10。結果如表3。

表3 蘋果分段建模結果Table 3 Calibration results for apples in different segements

由表3 可知，利用全波段643.26 ～954.15 nm 光譜建脆度模型的相關系數(shù)為0.941，高于其他4 個分段光譜建立的模型。這個建模結果說明雖然在643.26 ～721.95 nm 波段光譜的變化較明顯，但這種變化可能不僅僅是由脆度引起的，還可能同時受到內(nèi)部糖、酸含量變化的影響，樣品的脆度信息是通過全波段光譜反應出來的，所以試驗進行全光譜建模。

2.3.2 近紅外全譜區(qū)蘋果脆度模型的建立

由表2 和表3 可知試驗以60 個蘋果作為校正集樣品，選用二階微分作為預處理方法，利用PLS 法對全譜區(qū)建立蘋果脆度近紅外無損檢測定標模型的效果最好。圖4 為蘋果脆度模型的校正集樣品脆度預測值與實測值相對應的散點圖。

圖4 蘋果脆度預測值與實測值相對應的散點圖Fig.4 Scatter Plots of predicted and measured values for apple crunchiness

圖4 表明預測值與真實值兩者之間具有很好的相關性，經(jīng)相關性分析，所建立校正模型的相關系數(shù)為0.941，校正均方根誤差為0.390，擬合線的斜率為1.00。說明預測值與真實值相當接近，可以用于未知樣品的預測。

2.4 蘋果脆度模型預測性能的驗證

校正集具有較高的相關系數(shù)和較低的標準偏差對一個可靠的模型是十分必要的，但一個模型的優(yōu)劣不僅取決于此，還要求有較高的預測能力，預測均方根誤差值也應較低。本試驗對已建立的蘋果脆度近紅外模型的預測性能進行了驗證，具體做法是利用模型對20 個預測集樣品進行脆度值的預測，結果見表4 和圖5。

表4 預測集樣品預測值與真實值結果Table 4 Results of predictive value and true value of prediction samples

由表4 可見，建立的蘋果脆度模型對20 個預測集樣品的預測值與真實值比較接近，殘差在零線上下較均勻的波動而且殘差之和為0.35。綜上所述，通過對模型校正集相關系數(shù)、均方根誤差、殘差分布和殘差之和四項指標的分析結果表明:建立的蘋果模型性能較穩(wěn)定，能滿足實際應用的要求。

圖5 20 個預測樣品殘差分布圖Fig.5 Residual error distribution for 20 prediction samples

3 結論

(1)對4 種不同光譜預處理方法對蘋果脆度模型影響的比較結果表明:選取25 點Savitsky-Golay 二階微分處理作為光譜的預處理方法所建模型效果最好，校正集和預測集的相關系數(shù)都高于其他預處理方法，均方根誤差也相對較低。

(2)對蘋果脆度的近紅外光譜分波段建模的結果表明:利用全波段643.26 ～954.15 nm 光譜建立的蘋果脆度模型相關系數(shù)為0.941，校正均方根誤差為0.390，優(yōu)于其他分段光譜建立的模型。

(3)試驗通過對模型的相關系數(shù)、均方根誤差、殘差分布和殘差之和等多項指標的分析表明，建立的紅富士蘋果脆度模型性能較穩(wěn)定，能夠滿足紅富士蘋果品質(zhì)的測定。

［1］ 王加華，韓東海. 蘋果內(nèi)部品質(zhì)近紅外光譜分析檢測技術［J］． 新技術新工藝，2006，2(3):50 －53.

［2］ 李桂峰，趙國建，王向東，等. 蘋果質(zhì)地品質(zhì)近紅外光譜無損檢測和指紋分析［J］． 農(nóng)業(yè)工程學報，2008，24(6):169 －173.

［3］ 陳斌，王豪，林松，等．基于相關系數(shù)法與遺傳算法的啤酒酒精度近紅外光譜分析［J］． 農(nóng)業(yè)工程學報，2005，21(7):99 －102．

［4］ Krivoshiev G P，Chalucova R P，Moukarev M I. A Possibility for elimination of the interference from the peel in nondestructive determination of the internal quality of fruit and vegetables by VIS/NIR spectroscopy［J］． Postharvest Biology and Technology，2000，33(5):344 －353.

［5］ Clark C J，Mcglone A V，Jordan R B. Detection of Brownheart in‘Braeburn’apple by transmission NIR spectroscopy［J］． Postharvest Biology and Technology，2003，28(1):87 －96.

［6］ 趙杰文，張海東，劉木華. 簡化蘋果糖度預測模型的近紅外光譜預處理方法［J］． 光學學報，2006，26(1):136 －140.

［7］ 劉燕德，陳興苗，歐陽愛國. 可見/近紅外光譜法無損檢測贛南臍橙可溶性固形物［J］． 光學學報，2008，28(3):478 －48.

［8］ 劉燕德，孫旭東，章海亮，等. 南豐蜜桔可溶性固形物非線性模型研究［J］． 華東交通大學學報，2009，26(3):33 －36.

［9］ 趙麗麗. 果品類糖度和酸度近紅外無損檢測技術的研究［D］． 碩士論文，北京:中國農(nóng)業(yè)大學，2003.

［10］ 劉燕德，應義斌. 蘋果糖分含量的近紅外漫反射檢測研究［J］． 農(nóng)業(yè)工程學報，2004，20(1):189 －191.

［11］ 張靜. 近紅外透射光譜法檢測蘋果糖度和酸度的研究［D］． 碩士論文，沈陽:沈陽農(nóng)業(yè)大學，2007.

［12］ 謝晶濤. 紅富士［EB/OL］． http://www.hudong.com/wiki/%E7%BA%A2%E5%AF%8C%E5%A3%AB

［13］ 潘秀娟，屠康． 質(zhì)構儀質(zhì)地多面分析(TPA)方法對蘋果采后質(zhì)地變化的檢測［J］．農(nóng)業(yè)工程學報，2005，21(3):166 －170.

［14］ 趙杰文，張海東，劉木華. 利用近紅外漫反射光譜技術進行蘋果糖度無損檢測的研究［J］． 農(nóng)業(yè)工程學報，2005，21(3):162 －165.

［15］ 章海亮，孫旭東，劉燕德，等. 近紅外光譜檢測蘋果可溶性固形物［J］． 農(nóng)業(yè)工程學報，2009，25(2):340－344.

［16］ 紀淑娟，柏蘭，李東華，等. 南果梨糖度近紅外光譜無損檢測模型的建立［J］． 食品工業(yè)科技，2008，29(4):281 －286.

［17］ 朱登勝，俞冬麗，張冬生. 基于光譜技術的蘋果糖度快速無損檢測研究［J］． 金華職業(yè)技術學院學報，2009，9(6):37 －41.

［18］ 李東華，紀淑娟，重滕和明. 果實成熟度對南果梨近紅外無損檢測技術模型的影響［J］． 食品科學，2009，30(12):266 －269.

［19］ 陸婉珍，袁洪福，徐廣通. 現(xiàn)代近紅外光譜分析技術［M］． 北京:中國石化出版社，2000.