李敏 高兆銀 蘇增建 朱迎迎 弓德強(qiáng) 張正科 鄭淑英 胡美姣

摘 要 以芒果品種‘貴妃為試材，利用光譜儀測(cè)定L、a、b值，同時(shí)測(cè)定果實(shí)的硬度及糖酸度，采用偏最小二乘法（PLS）建立基于顏色值的可溶性固形物（SSC）、硬度及可滴定酸（TA）的品質(zhì)預(yù)測(cè)模型。預(yù)測(cè)模型的建模相關(guān)系數(shù)R可溶性固形物含量、硬度及可滴定酸含量分別為0.962 2、0.946 4和0.959 2；均方誤差分別為0.658 1%、0.992 7 kg/cm2及0.827 5 g/L。預(yù)測(cè)集擬合方程的相關(guān)系數(shù)分別為0.965 6、0.949 0和0.925 7；均方誤差分別為0.626 7%、1.159 0 kg/cm2和0.999 2 g/L。結(jié)果表明：芒果預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確度，可溶性固形物高于硬度和可滴定酸，基于‘貴妃芒果采后品質(zhì)的果肉顏色值快速檢測(cè)可行。

關(guān)鍵詞 ‘貴妃芒果；Lab顏色值；采后品質(zhì)；快速檢測(cè)

中圖分類(lèi)號(hào)S667.7 文獻(xiàn)標(biāo)識(shí)碼 A

Quality Evaluation of Mango by Fresh

Colorimetric Measurements

LI Min1， GAO Zhaoyin1， SU Zengjian2， ZHU Yingying2， GONG Deqiang1，

ZHANG Zhengke3， ZHENG Shuying1， HU Meijiao1 *

1 Environment and Plant Protection Research Institute， CATAS， Haikou， Hainan 571101， China

2 College of Environment and Plant Protection， Hainan Univerity， Haikou， Hainan 570228， China

3 College of Food Science and Technology， Hainan University， Haikou， Hainan 570228， China

Abstract The establishment of mango quality prediction model was tested based on soluble solids content（SSC）， firmness and titratable acid（TA）of Guifei mango， color value by color spectrometer， combined with the partial least squares（PLS）method. The model set correlation coefficient R about SSC， firmness and TA prediction model structured by PLS was 0.962 2， 0.946 4 and 0.959 2 respectively； Root mean square error of the model set was 0.658 1%， 0.992 7 kg/cm2 and 0.827 5 g/L， respectively. The prediction set correlation coefficient R about SSC， firmness and the TA prediction model was 0.965 6， 0.949 0 and 0.925 7， respectively；The root mean square error of the prediction set was 0.626 7%， 1.159 0 kg/cm2 and 0.999 2 g/L， respectively. The SSC prediction model of Guifei mango prediction accuracy was slightly better than the firmness and titratable acid model. The rapid detection on mango postharvest quality such as SSC， firmness and TA by fresh color value was feasible， and it would provide a scientific basis for fast judging the quality of mango.

Key words ‘Guifeimango； lab color value； postharvest quality； rapid detection

doi 10.3969/j.issn.1000-2561.2017.01.029

果實(shí)顏色是農(nóng)產(chǎn)品重要的品質(zhì)特征之一，顏色、長(zhǎng)勢(shì)及營(yíng)養(yǎng)狀況之間存在密切相關(guān)性[1-2]。Lab顏色模型是以數(shù)值化方式描述人類(lèi)視覺(jué)感應(yīng)的一種顏色系統(tǒng)。其優(yōu)勢(shì)在于不僅表現(xiàn)了色域的寬闊，同時(shí)表現(xiàn)了色彩的均勻性[3]。目前，利用顏色信息進(jìn)行農(nóng)產(chǎn)品質(zhì)量檢測(cè)、病蟲(chóng)害識(shí)別等相關(guān)研究越來(lái)越多。

芒果（Mangifera Indica Linn.）是重要的熱帶水果，素有熱帶果王之美譽(yù)。其果實(shí)顏色由葉綠素和類(lèi)胡蘿卜素等含量決定。果皮顏色多樣，成熟時(shí)呈現(xiàn)綠、紅、黃等多種色澤[4]。Namb[5]利用果皮Lab顏色值將2個(gè)印度芒果品種‘Alphonso和‘Banganapalli的成熟度進(jìn)程定性劃分為5個(gè)階段。Fukuda[6]開(kāi)展基于芒果果皮顏色的品質(zhì)無(wú)損傷檢測(cè)研究結(jié)果發(fā)現(xiàn)，套袋果實(shí)果皮顏色變化均勻，可以利用建立的預(yù)測(cè)模型較為精確地估測(cè)果實(shí)可溶性固形物（SSC）、硬度和維生素C（Vc）含量，而果皮顏色變化劇烈的品種預(yù)測(cè)模型精確性降低。說(shuō)明芒果果皮顏色的不均勻性在一定程度上限制了利用果皮顏色進(jìn)行品質(zhì)的無(wú)損傷檢測(cè)。

果實(shí)的損傷性品質(zhì)檢測(cè)耗時(shí)耗力，但結(jié)果準(zhǔn)確。雖然近年來(lái)無(wú)損傷檢測(cè)技術(shù)發(fā)展迅速，而目前仍不能成熟應(yīng)用，不能取代損傷性品質(zhì)檢測(cè)技術(shù)。芒果果肉顏色相對(duì)較一致，不同品種隨著發(fā)育及成熟，果肉的葉綠素含量降低，總類(lèi)胡蘿卜素含量均勻增加至完熟時(shí)達(dá)最高，果肉均由白、綠色變?yōu)槌取ⅫS色[7-8]。鑒于果肉顏色均勻性的特點(diǎn)和顏色測(cè)定簡(jiǎn)單方便的特性，利用果肉顏色值預(yù)測(cè)其它品質(zhì)參數(shù)的快速檢測(cè)技術(shù)研究具有可能和必要性。果肉顏色變化與可溶性固形物等指標(biāo)之間的關(guān)系究竟如何，基于芒果果肉顏色值的重要品質(zhì)參數(shù)的快速檢測(cè)技術(shù)是否能夠?qū)崿F(xiàn)，迄今未有詳細(xì)的研究報(bào)道。本文擬以海南主栽芒果品種‘貴妃為對(duì)象，在貯藏期間開(kāi)展芒果果肉Lab顏色參數(shù)與果實(shí)硬度、可溶性固形物、可滴定酸等重要品質(zhì)參數(shù)間的關(guān)系研究，建立基于果肉顏色參數(shù)的品質(zhì)參數(shù)檢測(cè)技術(shù)。以期為芒果顏色與品質(zhì)關(guān)系研究提供理論依據(jù)，為芒果品質(zhì)的快速檢測(cè)和監(jiān)測(cè)技術(shù)研發(fā)提供技術(shù)支撐。

1 材料與方法

1.1 材料

‘貴妃芒果采自三亞果園。采后6 h內(nèi)運(yùn)回實(shí)驗(yàn)室，挑選成熟度8～9成，大小一致，無(wú)機(jī)械傷及病蟲(chóng)害的果實(shí)約180個(gè)，置于（25±1）℃貯藏。

1.2 方法

1.2.1 處理 在第0、2、4、6、8、10天取樣，每次隨機(jī)選取果實(shí)30個(gè)，共180個(gè)果實(shí)。每個(gè)果實(shí)測(cè)定顏色參數(shù)、硬度、可溶性固形物及可滴定酸。

1.2.2 項(xiàng)目測(cè)定 （1）品質(zhì)參數(shù)測(cè)定[9]。每個(gè)果實(shí)切去約1 mm厚果皮，赤道處2個(gè)對(duì)稱(chēng)點(diǎn)取樣測(cè)定以下參數(shù)：硬度采用GY-3硬度計(jì)測(cè)定；可溶性固形物使用MASTER-M手持折光儀測(cè)定；可滴定酸采用滴定法測(cè)定。

（2）果肉顏色測(cè)定。上述果實(shí)切去約1 cm果肉組織，采用顏色光譜儀（NOLTA/QE 65000），對(duì)赤道處2個(gè)對(duì)稱(chēng)點(diǎn)果肉分別進(jìn)行顏色值測(cè)定，記錄L（明度值），a（紅綠色度值，正值代表紅色度，負(fù)值代表綠色度），b（黃藍(lán)色度值，正值代表黃色度，負(fù)值代表藍(lán)色度）。

1.2.3 品質(zhì)檢測(cè)模型建立方法及評(píng)價(jià) 剔除異常果后，150個(gè)果被分為建模集和預(yù)測(cè)集，其中120個(gè)作為建模樣品集，以顏色值a，b為自變量，芒果可溶性固形物（SSC）、硬度、可滴定酸（TA）為因變量，采用偏最小二乘法（PLS）建立芒果SSC、硬度和TA預(yù)測(cè)模型，并利用剩余30個(gè)樣本作為預(yù)測(cè)樣品集，用于評(píng)價(jià)模型的預(yù)測(cè)能力和穩(wěn)定性。

模型采用外部驗(yàn)證法對(duì)其性能進(jìn)行評(píng)價(jià)，即由相關(guān)系數(shù)（R）、建模均方均根誤差（RMSEM）和預(yù)測(cè)均方根誤差（RMSEP）進(jìn)行評(píng)價(jià)。R越大，RMSEC和RMSEP越小，模型的預(yù)測(cè)能力越強(qiáng)。

1.3 數(shù)據(jù)處理

采用軟件Excel 2003、SPSS 19.0及Minilab 17.0進(jìn)行數(shù)據(jù)處理和模型構(gòu)建。

2 結(jié)果與分析

2.1 芒果后熟過(guò)程中的生理生化變化

‘貴妃芒果果肉顏色在后熟過(guò)程中持續(xù)改變（圖1-A～C）。L值均為正值，且隨著后熟進(jìn)程表現(xiàn)出下降趨勢(shì)，由貯藏0 d的77.8逐漸降至貯藏10 d的67.3，表明果肉初時(shí)顏色較明亮，后亮度逐漸轉(zhuǎn)暗。a值初始值為-9.1，在后熟過(guò)程中逐漸升高，由負(fù)值變?yōu)橘A藏10 d的7.8，表明果肉顏色由淺綠色逐漸過(guò)渡為淺紅色。b值在貯藏期間逐漸增加，貯藏后期緩慢下降，峰值出現(xiàn)在第6天，為62.7。表明果肉表現(xiàn)為黃色，且在后熟過(guò)程中，該色度維持黃色水平。

‘貴妃芒果果實(shí)硬度和可滴定酸在后熟過(guò)程可溶性固形物含量不斷升高，貯藏后期增加趨勢(shì)減緩（圖1-D）中不斷降低（圖1-E～F）。

2.2 果肉顏色與品質(zhì)指標(biāo)的相關(guān)性分析

皮爾遜相關(guān)性分析結(jié)果表明（表1），a值與3組品質(zhì)指標(biāo)的相關(guān)性最強(qiáng)，與SSC表現(xiàn)為正相關(guān)，相關(guān)系數(shù)為0.963，與硬度和TA表現(xiàn)為負(fù)相關(guān)，相關(guān)系數(shù)分別為-0.947和-0.934。b值表現(xiàn)出與a值相似的趨勢(shì)，與SSC也為正相關(guān)，與硬度和TA表現(xiàn)為負(fù)相關(guān)，相關(guān)系數(shù)分別為0.872，-0.836和-0.759。L值與前二者相反，與SSC表現(xiàn)為負(fù)相關(guān)，與硬度和TA表現(xiàn)為正相關(guān)，相關(guān)系數(shù)分別為-0.736，0.733和0.725。說(shuō)明果肉的顏色變化與SSC、硬度和TA的變化有很高的相關(guān)性。其中，果肉褪綠（a值變化）和轉(zhuǎn)黃（b值變化）與品質(zhì)改善高度相關(guān)。

2.3 基于果肉顏色的品質(zhì)指標(biāo)預(yù)測(cè)

2.3.1 基于果肉顏色的溶性固形物含量預(yù)測(cè)分析

皮爾遜相關(guān)性分析結(jié)果表明（表1），顏色值a和b與可溶性固形物含量的相關(guān)系數(shù)高，與顏色值L相關(guān)系數(shù)較低。以120個(gè)果實(shí)果肉測(cè)得的a值和b值為自變量，采用PLS方法，構(gòu)建可溶性固形物的預(yù)測(cè)方程（表2），即y（可溶性固形物/%）=8.94+0.31 a+0.01 b。并用另外的30個(gè)果實(shí)對(duì)預(yù)測(cè)準(zhǔn)確性進(jìn)行驗(yàn)證（圖2），結(jié)果表明，建模集的擬合方程相關(guān)系數(shù)高達(dá)0.962 2，均方根誤差0.658 1%，而預(yù)測(cè)集擬合方程的相關(guān)系數(shù)達(dá)到0.965 6，預(yù)測(cè)均方根誤差為0.626 7%，說(shuō)明擬合方程的精確度較高，預(yù)測(cè)模型可以用于可溶性固形物含量的預(yù)測(cè)分析。

2.3.2 基于果肉顏色的硬度預(yù)測(cè)分析 同樣采用2.3.1的方法構(gòu)建基于顏色a值和b值的果實(shí)硬度預(yù)測(cè)模型，并對(duì)預(yù)測(cè)模型的精確性進(jìn)行驗(yàn)證。結(jié)果表明，預(yù)測(cè)方程為y（硬度kg/cm2）=2.87-0.44 a+0.01 b。建模集的擬合方程相關(guān)系數(shù)0.964 6，均方根誤差0.992 7 kg/cm2，而預(yù)測(cè)集擬合方程的相關(guān)系數(shù)達(dá)到0.949 0，預(yù)測(cè)均方根誤差為1.159 0 kg/cm2（圖3，表2）。擬合方程的相關(guān)系數(shù)大于90%，均方根誤差較小，說(shuō)明預(yù)測(cè)方程的精確度較高。

2.3.3 基于果肉顏色的可滴定酸含量預(yù)測(cè)分析

同2.3.1方法構(gòu)建的基于顏色a值和b值的可滴定酸含量預(yù)測(cè)方程為：y（可滴定酸g/L）=-0.06-0.52 a+0.08 b。建模集的擬合方程相關(guān)系數(shù)為0.959 2，均方根誤差0.827 5 g/L，而預(yù)測(cè)集擬合方程的相關(guān)系數(shù)達(dá)到0.925 7，預(yù)測(cè)均方根誤差為0.999 2 g/L（圖4，表2）。預(yù)測(cè)集擬合方程的相關(guān)系數(shù)大于90%，且均方根誤差相對(duì)較小，說(shuō)明預(yù)測(cè)方程的精確度較高。

3 討論

本研究結(jié)果表明，果肉綠色減弱和黃色增強(qiáng)的顏色變化與可溶性固形物含量變化表現(xiàn)為正相關(guān)，與硬度和可滴定酸含量變化表現(xiàn)為負(fù)相關(guān)，果肉亮度減弱的變化與可溶性固形物含量變化則表現(xiàn)為負(fù)相關(guān)，與硬度和可滴定酸含量變化呈現(xiàn)正相關(guān)。Nambi等[5]研究了‘Alphonso和‘Banganalli2個(gè)品種近果核處果肉顏色與品質(zhì)參數(shù)之間的相關(guān)性，也得出相似的結(jié)論。但通過(guò)比較發(fā)現(xiàn)，不同的品種，取樣的部位不同，顏色值與品質(zhì)參數(shù)相關(guān)系數(shù)高低存在較大差異。這說(shuō)明果實(shí)顏色和品質(zhì)參數(shù)相關(guān)性高低取決于品種和顏色測(cè)量部位。

可溶性固形物、硬度、可滴定酸及Vc等是水果食用品質(zhì)的基本參數(shù)，本文利用PLS方法建立了基于顏色值的可溶性固形物、硬度、可滴定酸的預(yù)測(cè)模型，其中可溶性固形物預(yù)測(cè)模型的精確度最高。硬度、可滴定酸預(yù)測(cè)精確度次之，更為精確的建模方法有待進(jìn)一步探討。Fukuda等[6]利用隨機(jī)森林算法建立了基于芒果果皮顏色的可溶性固形物、硬度和Vc含量預(yù)測(cè)模型，預(yù)測(cè)模型精度表現(xiàn)為顏色均勻變化的套袋品種‘Nam Dokmal優(yōu)于果皮顏色變化劇烈的品種‘Irwin。β-胡蘿卜素是芒果中一種重要的營(yíng)養(yǎng)成分，也是決定芒果顏色深淺的重要原因[10]。有研究結(jié)果表明，芒果中β-胡蘿卜素的含量與芒果Lab顏色值具有較高的相關(guān)性，并用PLS方法建立了基于果皮和果肉Lab顏色參數(shù)的β-胡蘿卜素含量預(yù)測(cè)模型，發(fā)現(xiàn)果肉顏色預(yù)測(cè)模型優(yōu)于果皮顏色預(yù)測(cè)模型[11]。上述研究結(jié)果均表明，基于顏色值進(jìn)行芒果采后品質(zhì)指標(biāo)的預(yù)測(cè)能夠?qū)崿F(xiàn)。

參考文獻(xiàn)

[1] Baiano A， Terracone C， Peri G， et al. Application of hyperspectral imaging for prediction of physico-chemical and sensory characteristics of table grapes[J]. Computers and Electronics in Agriculture， 2012， 87（9）： 142-151.

[2] Abdullah M Z， Guan L C， Lim K C， et al. The applications of computer vision system and tomographic radar imaging for assessing physical properties of food[J]. Journal of Food Engineering， 2004， 61（1）： 125-135.

[3] 劉浩學(xué). 均勻顏色空間與色差公式的應(yīng)用[J]. 北京印刷學(xué)院學(xué)報(bào)， 2003， 11（3）： 3-8.

[4] Gouado I， Schweiger F J， Ejoh R A， et al. Systemic levels of carotenoids from mangoes and papaya consumed in three forms （juice， fresh and dry slice）[J]. European Journal of Clinical Nutrition， 2007， 61（10）： 1 180-1 188.

[5] Nambi V E， Thangavel K， Jesudas D M. Scientific classification of ripening period and development of colour grade chart for Indian mangoes （Mangifera indica L.） using multivariate cluster analysis[J]. Scientia Horticulturae， 2015， 193（7）： 90-98.

[6] Fukuda S， Yasunaga E， Nagle M， et al. Modelling the relationship between peel colour and the quality of fresh mango fruit using Random Forests[J]. Journal of Food Engineering， 2014， 131（2）： 7-17.

[7] Vasquez-caicedo A L， Heller A， Neidhart S， et al. Chromoplast morphology and β-carotene accumulation during postharvest ripening of mango cv. Tommy Atkins[J]. Journal of Agricultural and Food Chemistry， 2006， 54（16）： 5 769-5 776.

[8] Ullah R， Khan S， Bilal M， et al. Non-invasive assessment of mango ripening using fluorescence spectroscopy[J]. Optik-International Journal for Light and Electron Optics， 2016， 127（13）： 5 186-5 189.

[9] 李 敏， 高兆銀， 朱迎迎， 等. 基于電子鼻的 ‘貴妃 芒果糖度酸度無(wú)損傷檢測(cè)技術(shù)應(yīng)用[J]. 熱帶作物學(xué)報(bào)， 2016， 37（8）： 1 553-1 557.

[10] Ornelas-paz J D J， Yahia E M， Gardea-bejar A. Identification and quantification of xanthophyll esters， carotenes， and tocopherols in the fruit of seven Mexican mango cultivars by Liquid Chromatography-Atmospheric Pressure Chemical Ionization-Time-of-Flight Mass Spectrometry [LC-（APcI（+））-MS][J]. Journal of Agricultural and Food Chemistry， 2007. 55（16）： 6 628-6 635.

[11] Rungpichayapichet P， Mahayothee B， Khuwijitjaru P， et al. Non-destructive determination of β-carotene content in mango by near-infrared spectroscopy compared with colorimetric measurements[J]. Journal of Food Composition and Analysis， 2015， 38： 32-41.