管 驍 饒 立 劉 靜匡靜云

(1. 上海理工大學醫(yī)療器械與食品學院，上海 200093；2. 上海海事大學信息工程學院，上海 200135)

結合數據融合技術與近紅外光譜的休閑蘋果脆片綜合品質評價

管 驍1饒 立1劉 靜2匡靜云1

(1. 上海理工大學醫(yī)療器械與食品學院，上海 200093；2. 上海海事大學信息工程學院，上海 200135)

以加工過程中的蘋果脆片為對象，對其水分、可溶性固形物、總糖、可滴定酸和硬度5個品質指標進行綜合分析，得到各指標的權重和脆片品質的綜合得分，根據綜合得分情況，將脆片分為A(高品質)、B(中品質)、C(低品質)三類。利用近紅外光譜技術獲取蘋果脆片光譜信息，運用偏最小二乘判別分析(partial least-squares discriminant analysis，PLS-DA)方法建立基于光譜特征的蘋果脆片綜合品質得分的判別模型，對3類脆片進行分類的實際值和預測值的相關系數R分別為0.84，0.63，0.89，均方根誤差RMSEC分別為0.26，0.34，0.22，預測集樣本的判別準確率分別為83.33%，80.0%，93.33%，說明了結合數據融合技術與近紅外光譜評價加工過程中蘋果脆片綜合品質具有較好的可行性。

蘋果脆片；數據融合；近紅外；品質評價

非油炸蘋果脆片具有口感酥脆、低脂營養(yǎng)、便于貯存等特點，近年來市場需求不斷擴大，并且表現出強勁的發(fā)展勢頭及潛力[1]。一般而言，水分、硬度、可溶性固形物、總糖和可滴定酸含量可作為評價蘋果脆片品質的核心指標，據相關文獻[2-3][4]4-5報道，融合以上品質指標數據建立綜合品質評價模型對指導蘋果脆片加工生產具有現實意義。但是，采用傳統(tǒng)檢測方法對以上指標進行檢測破壞性大、制樣繁瑣、檢測時間長、需要專業(yè)人員操作，難以實現快速無損監(jiān)控加工過程中蘋果脆片品質變化情況。

近紅外光譜技術憑借其快速簡便、無損綠色和易實現實時在線檢測等優(yōu)點，被廣泛應用于果品品質檢測研究。近年來，國內外學者[5-8]利用近紅外光譜方法建立了果蔬中可溶性固形物、總糖、總酸、質構性質等定量模型。然而，對于加工過程中的蘋果脆片而言，單一指標并不能體現脆片總體品質優(yōu)劣情況。層次分析法結合定性與定量分析方法，常用于解決難以單獨用定量法分析的復雜問題[9-10]，國內外已有將該方法應用于金花梨果實[11]、油桃果汁[12]、豉曲[13]、水蜜桃果實[14]和蘋果脆片[4]6-7[15]等品質評價方面的研究。

目前近紅外光譜技術在蘋果脆片品質評價方面尚未見諸于相關文獻報道?；诖?，本研究提出利用層次分析法融合多元數據，評價休閑蘋果脆片綜合品質；再利用近紅外光譜技術獲取蘋果脆片光譜信息，運用偏最小二乘判別分析(PLS-DA)方法建立基于光譜特征的蘋果脆片綜合品質得分預測模型。

1 材料和方法

1.1 樣品制備

蘋果原料選用2015年產山東煙臺紅富士品種成熟蘋果。隨機挑選24個大小相似(約300 g/個)、無機械損傷的蘋果進行清洗、削皮，均勻切片至5 mm，置于0.5 g/100 mL抗壞血酸鈉溶液中浸泡30 min，然后將蘋果薄片放入65 ℃烘箱進行熱風干燥處理6 h，每隔1 h取樣24個測定，共得到144組樣本。

1.2 儀器與設備

物性分析儀：Ta.XT2i/50型，英國Stable Micro System公司；

傅里葉變換近紅外光譜分析儀：Antais II型，美國Thermo Fisher公司。

1.3 試驗方法

1.3.1 品質指標的測定方法

(1) 水分的測定：按GB/T 5009.3—2010執(zhí)行。

(2) 可溶性固形物的測定：按GB/T 12295—1990執(zhí)行。

(3) 總糖的測定：蒽酮比色法[4] 12。

(4) 可滴定酸的測定：按GB 12293—1990執(zhí)行。

(5) 硬度的測定：采用質構分析法(Texture Profile Analysis，TPA)測定法。參數設置：測前、測后、測試速度1.0 mm/s，壓縮距離80%，數據采集速率200次/s，探頭為P/1S。應力變化曲線中力的峰值為硬度值，硬度值與樣品硬度成正比。

1.3.2 蘋果脆片品質評分的數據融合處理 采用層次分析法結合數據標準化進行。該方法先將問題分解為相互獨立的若干個層次及因素，然后根據各層次及因素之間的相對重要程度將判斷定量化，通過判斷矩陣計算得出各因素的權重，并將各因素進行標準化處理后結合權重進行融合處理，得到蘋果脆片品質綜合評分[15]。

1.3.3 光譜采集 近紅外光譜分析儀儀器參數設置：光譜范圍為10 000～4 000 cm-1，分辨率為8 cm-1，掃描次數為64次。開機預熱30 min后先進行背景掃描，消除背景對光譜信息的影響，再用積分球固體采集模塊對樣本進行光譜掃描。每組樣本測量5次，取平均值作為該樣本的典型光譜。數據采集軟件為OMNIC，數據處理分析軟件為The Unscrambler 9.7。1.3.4 光譜分類建模方法 對近紅外光譜進行分類建模采用PLS-DA方法進行。PLS-DA是由PLS回歸分析法衍生而來的一種模式識別方法。首先，將參考值設為虛擬變量，該變量用于描述相應類別；然后將虛擬變量和光譜信息分別作為因變量Y和獨立變量X建立判別模型[16-17]。該方法以預測值Ypre與偏差值Ydev為標準評價模型對預測集樣品的分類能力進行判斷。根據Galtier的判斷準則：若Ydev<0.5，則當Ypre>0.5時，判斷樣品屬于該類別，當Ypre<0.5則反之；若Ydev>0.5，則說明樣品的歸屬問題無法確定[18]。

2 結果與分析

2.1 蘋果脆片品質評分分層模型的建立

蘋果脆片加工過程中的品質綜合評價模型包括水分、可溶性固形物、總糖、可滴定酸含量和硬度共5個品質指標，及其基本性質、相關性影響和層次隸屬關系。如圖1所示，該評價體系結構共三層：第一層為目標層(O)，即蘋果脆片品質綜合評分；第二層為準則層(C)，即與蘋果脆片品質相關的m個影響因子，記為C=(C1,C2,…,Cm)=(水分，可溶性固形物，總糖，可滴定酸，硬度)，m=5；第三層為方案層(P)，即不同加工階段的脆片樣本，記為P=(P1,P2,…,Pn)，n=144。

圖1 蘋果脆片品質評分分層模型

2.2 判定矩陣的構造及一致性檢驗

由于不同指標對蘋果脆片品質的影響有不同的權重，參照對蘋果脆片各指標重要性的定性評價[4]18-19，依照層次分析法提出的1～9比例標度法建立判斷矩陣，見表1。

通過進行一致性檢驗可判斷矩陣所得各指標權重是否合理，并求得一致性指標。由表1隨機一致性標準值(RI=1.12，CR<0.1)可知，一致性檢驗是滿意的，可判斷矩陣的構建合理[11]。

表1 判斷矩陣O-C及一致性檢驗?

?λmax=5.16，CI=(λ-n)/(n-1)=0.04，RI=1.12，CR=CI/RI=0.036<0.10。

2.3 加工過程中的蘋果脆片品質綜合得分及排名

按照1.3.1所述方法測定蘋果脆片品質指標，統(tǒng)計結果見表2。由于各指標的量綱和數量級不同，因此需要先利用SPSS18.0軟件對原始數據進行標準化處理，再計算蘋果脆片品質評分。按照2.2結果可知，蘋果脆片品質評分公式可由式(1)計算。蘋果脆片品質綜合得分計算結果及排名見表3。

表2 蘋果脆片品質評價指標數據

表3 蘋果脆片品質綜合得分及排名?

? 編號9-6表示在9號蘋果干燥6h情況下收集的脆片樣本，其他以此類推。

y=0.189 3×C1+0.276 7×C2+0.064 1×C3+0.152 0×C4+0.317 9×C5，

(1)

式中：

y——品質評分，分；

C1——標準化后水分含量，%；

C2——標準化后可溶性固形物，%；

C3——標準化后可滴定酸含量，mmol/100 g；

C4——標準化后硬度，g；

C5——標準化后總糖含量，g/100 g。

根據式(1)計算得到的不同干燥時間段的樣品品質評分分布情況見圖2。由圖2可知，大部分蘋果脆片品質綜合得分都處于-1.5～1.5分，且隨著干燥時間的增加，脆片品質得分逐漸增加；同時，加工初期樣品得分能比較明顯地區(qū)分開來，如加工1 h的樣品得分處于-1.5～-1.0分，加工4 h的樣品處在-0.5～0.5分，隨著干燥時間的進一步延長，5 h與6 h的樣品得分差異不明顯，這與樣品的品質逐步趨于穩(wěn)定有關。總體來看，該品質評分模型與實際情況基本一致，可用于下一步試驗。

圖2 不同加工時間的蘋果脆片品質綜合得分分布圖

Figure 2 The scatterplot of scores of apple chips obtained from processing period

2.4 基于NIRS的蘋果脆片品質評分數學模型的建立

根據以上品質綜合得分結果，可將蘋果脆片分為三類：A(>0.5)、B(-0.5～0.5)、C(<-0.5)，并采集所有樣品的近紅外漫反射光譜信息。匯總后采用隨機劃分數據集的方法，提取其中114組訓練集樣品的近紅外光譜數據用于建立PLS2-DA模型，另外30組樣品作為預測集進行分類判別檢驗，驗證模型的預測結果。加工過程中的蘋果脆片近紅外漫反射光譜見圖3。

圖3 144個蘋果脆片樣品的近紅外漫反射光譜圖

Figure 3 NIR diffuse reflectance spectra obtained from the 144 apple chips

2.4.1 PLS-DA判別模型的建立與驗證 根據表4所示訓練集樣本的分類變量組，建立分類變量與光譜的偏最小二乘回歸模型，訓練及預測結果見表5。由表5可知，分類變量的實際值與預測值的相關系數在0.56～0.89，其中A、C兩類的判別結果相關系數均在0.8以上，而B類的相關系數在0.6左右，而且均方根誤差值也明顯高于前兩者，這可能是A、C兩類處于加工的初始和最終狀態(tài)，品質趨于穩(wěn)定，因此預測較為準確；而加工過程中的蘋果脆片化學成分在發(fā)生較為迅速的變化，甚至取樣及采集數據過程中這些變化都不可避免的持續(xù)發(fā)生，從而導致B類脆片品質預測與實際值存在較大差異，判別準確難度增大。

表4 訓練集樣本的分類變量組

表5 PLS-DA模型的訓練和預測結果

2.4.2 PLS-DA模型對未知樣品的檢驗 利用2.4.1中建立的蘋果脆片品質判別模型，對未參與建模的30組預測集樣本進行類別判別分析，結果見表6與圖4。由表6和圖4(a)可知，預測集中有10組樣本屬于A類，根據Galtier的判斷準則，滿足預測值Ypre>0.5的樣本有9組；B、C兩類樣本的預測值Ypre均小于0.5，即全部判別正確。但是，判斷正確的樣本中有4組的偏差值Ydev>0.5，即無法確定其歸屬，所以PLS-DA模型對A類蘋果脆片的判別準確率為83.33%。

圖4 預測集中蘋果脆片樣品的PLS-DA模型的判別結果

Figure 4 Discriminant results for 3 kinds of apple chips by PLS-DA model

表6 預測模型的統(tǒng)計結果

圖4(b)和(c)分別為采用上述已建立的B、C類蘋果脆片的PLS-DA模型對預測集進行預測的結果圖。其分析方法與A類蘋果脆片分析方法相同，由此可知B、C類蘋果脆片的判別準確率為80.00%和93.33%。

3 結論

本研究采用層次分析法對加工過程中的蘋果脆片建立綜合品質評分體系，在此基礎上將蘋果脆片分為A、B、C三類，最后應用PLS-DA方法建立這三類蘋果脆片的近紅外光譜品質判別模型，其分量變量的實際值和預測值的相關系數R分別為0.84，0.63，0.89，均方根誤差RMSEC分別為0.26，0.34，0.22；三類樣品的預測集判別準確率分別為83.33%，80.00%，93.33%，說明了通過層次分析法結合近紅外光譜技術評價加工過程中蘋果脆片綜合品質具有較好的可行性。

[1] ZOU Ke-jian, TENG Jian-wen, HUANG Li, et al. Effect of osmotic pretreatment on quality of mango chips by explosion puffing drying[J]. LWT - Food Science and Technology, 2013, 51(1): 253-259.

[2] WANG Pei, BI Jin-feng, FANG Fang, et al. The Current Situation and Prospects of Apple Chips Quality Assessment Technology[J].Food and Fermentation Industries , 2010, 32(9): 138-142.

[3] BI Jin-feng, YANG Ai-jin, LIU Xuan, et al. Food and fermentation industries[J]. LWT - Food Science and Technology, 2015, 60(2, Part 2): 1 136-1 142.

[4] 王沛. 蘋果變溫壓差膨化脆片品質評價體系的建立及應用[D]. 北京: 中國農業(yè)科學院, 2012.

[5] 褚小立, 陸婉珍. 近五年我國近紅外光譜分析技術研究與應用進展[J]. 光譜學與光譜分析, 2014(10): 2 595-2 605.

[6] 郭志明. 基于近紅外光譜及成像的蘋果品質無損檢測方法和裝置研究[D]. 北京: 中國農業(yè)大學, 2015: 9-11.

[7] 謝麗娟, 應義斌, 于海燕, 等. 近紅外光譜分析技術在蔬菜品質無損檢測中的應用研究進展[J]. 光譜學與光譜分析, 2007(6): 1 131-1 135.

[8] LIU Yan-de, YING Yi-bin. Use of FT-NIR spectrometry in non-invasive measurements of internal quality of ‘Fuji’ apples Post harvest[J]. Biology & Technology, 2005, 37(1): 65-71.

[9] FOGLIATTO F S, ALBIN S L. An AHP-based procedure for sensory data collection and analysis in quality and reliability applications[J]. Food Quality & Preference, 2003, 14(5/6): 375-385.

[10] SRDJEVIC B, SRDJEVIC Z. Synthesis of individual best local priority vectors in AHP-group decision making[J]. Applied Soft Computing, 2013, 13(4): 2 045-2 056.

[11] 劉遵春, 包東娥, 廖明安. 層次分析法在金花梨果實品質評價上的應用[J]. 西北農林科技大學學報: 自然科學版, 2006(8): 125-128.

[12] 焦藝, 劉璇, 畢金峰, 等. 基于灰色關聯(lián)度和層次分析法的油桃果汁品質評價[J].中國食品學報, 2014(12): 154-163.

[13] 錢家亮, 孔菲, 宋俊梅, 等. 層次分析法構建豉曲質量評價體系[J]. 中國調味品, 2009(9): 105-108.

[14] 范芳娟. 水蜜桃果實品質綜合評價體系及數據庫的建立與應用[D]. 浙江: 浙江大學, 2014: 11-16.

[15] 劉璇, 王沛, 畢金峰, 等. 基于層次分析法的晚熟品種蘋果脆片品質評價[J]. 食品與機械, 2012, 28(5): 46-50.

[16] 郝學飛, 蘇東民, 余大杰, 等. 近紅外方法預測饅頭品質[J]. 中國糧油學報, 2014(4): 113-117.

[17] 張文海, 姬中偉, 艾斯卡爾·艾拉提, 等. FT-IR結合SIMCA法識別糯米產地[J]. 食品科學, 2012(8): 225-228.

[18] GALTIER O, DUPUY N, LEAU Y, et al. Geographic origins and compositions of virgin olive oils determinated by chemometric analysis of NIR spectra[J]. Analytica Chimica Acta, 2007, 595(1/2): 136-144.

Quality assessment of apple chips based on data fusion processing and NIRS method

GUAN Xiao1RAOLi1LIUJing2KUANGJing-yun1

(1.SchoolofMedicalInstrumentsandFoodEngineering,UniversityofShanghaiforScienceandTechnology,Shanghai200093,China; 2.CollegeofInformationEngineering,ShanghaiMaritimeUniversity,Shanghai200135,China)

In this study, five quality indicators, i.e. moisture, soluble solid content, total sugar content, titratable acid content and hardness, of apple chips during processing period were analyzed by analytic hierarchy process, and quality scores was obtained. Near infrared spectroscopy (NIRS) combined with partial least-squares discriminant analysis (PLS-DA) was applied for the prediction of quality scores of apple chips. The results showed that the correlation coefficients between predicted category variable of calibration and the measured category variable were 0.84, 0.63 and 0.89, and the root mean square error of cross validation were 0.26, 0.34 and 0.22 for each quality category, respectively. The discrimination accuracy for this model were found 83.33%, 80% and 93.33%. Thus, this suggested that NIRS combined with PLS-DA method was a potential way to assess quality of apple chips processing period.

apple chips; data fusion processing; NIR; quality assessment

10.13652/j.issn.1003-5788.2016.12.010

上海市自然科學基金(編號：14ZR1419200)

管驍，男，上海理工大學副教授，博士。

劉靜(1979—)，女，上海海事大學副教授，博士。 E-mail:jingliu@shmtu.edu.cn

2016-11-25