基于近紅外光譜的芒果采后品質(zhì)與貯放潛力預(yù)判的無損檢測模型

郝瑞龍，魯任翔，王 哲，袁玉潔，王福軍，蘆衛(wèi)東，韓東海，張 文，馬會勤*

基于近紅外光譜的芒果采后品質(zhì)與貯放潛力預(yù)判的無損檢測模型

郝瑞龍1,2，魯任翔1，王 哲1,2，袁玉潔1，王福軍2，蘆衛(wèi)東3，韓東海4，張 文1，馬會勤1*

1. 中國農(nóng)業(yè)大學(xué)園藝學(xué)院，北京 100193；2. 三亞中國農(nóng)業(yè)大學(xué)研究院，海南三亞 572000；3. 北京偉創(chuàng)英圖科技有限公司，北京 100070；4. 中國農(nóng)業(yè)大學(xué)食品科學(xué)與營養(yǎng)工程學(xué)院，北京 100083

可溶性固形物含量（soluble solids content, SSC）和pH是決定芒果內(nèi)在品質(zhì)的關(guān)鍵因素，貯放潛力是果商進(jìn)行芒果銷售決策時首要的參考指標(biāo)。本研究以海南省三亞市代表性的芒果品種‘臺農(nóng)’為材料，利用NIRMagic2400型近紅外光譜儀，連續(xù)采集果實從采摘到完熟過程中在600～1100 nm波長的近紅外吸收光譜，以經(jīng)典方法實測果實SSC和pH，建立芒果采摘后SSC、pH變化和貯放潛力預(yù)判的無損檢測模型。結(jié)果表明：在600～670 nm的波長范圍內(nèi)，采摘后未后熟的芒果對近紅外光的吸光度隨波長的增加而增加，并在670 nm達(dá)到峰值，隨后吸光度快速降低，在725 nm左右達(dá)到谷值；采摘后達(dá)到完熟的芒果在600–700 nm波長范圍內(nèi)吸光度持續(xù)下降，并在700 nm處達(dá)到谷值。受果皮顏色差異等影響，不同芒果個體在704～746 nm區(qū)域的吸光度出現(xiàn)較大的分離，之后在725～1025 nm整體呈緩慢上升的趨勢，在1025 nm左右達(dá)到第二個峰值。實測結(jié)果顯示SSC在芒果采摘后0～5 d快速增，第6和第7天變化較小，期間的前4 d的pH保持穩(wěn)定增加，之后迅速提升。使用Kennard-Stone算法將芒果樣本的SSC和pH實測數(shù)據(jù)劃分為校正集和預(yù)測集，測試多元散射校正、標(biāo)準(zhǔn)正態(tài)變換、SG卷積導(dǎo)數(shù)、SG卷積平滑等9種對近紅外光譜數(shù)據(jù)進(jìn)行預(yù)處理的方法，發(fā)現(xiàn)矢量歸一化最適合SSC光譜數(shù)據(jù)的處理，多元散射校正最適合pH光譜數(shù)據(jù)的預(yù)處理，建立的SSC和pH的最佳偏最小二乘法（PLS）模型的校正相關(guān)系數(shù)分別為0.952和0.936，校正均方根誤差分別為1.055和0.184，預(yù)測相關(guān)系數(shù)分別為0.959和0.918，預(yù)測均方根誤差分別為0.974和0.202；采用偏最小二乘法建立的芒果貯放潛力預(yù)判模型的正確率為96.9%。以上結(jié)果表明，基于近紅外光譜所建立的芒果無損檢測模型能夠較可靠地檢測芒果采摘后的SSC、pH動態(tài)變化及貯放潛力。研究結(jié)果對提升基于內(nèi)在品質(zhì)的芒果分級與選品能力，預(yù)測芒果的最佳銷售時間及選擇銷售市場等都具有重要意義。

芒果；無損檢測；近紅外光譜；可溶性固形物含量；pH；偏最小二乘法；貯放潛力

芒果是呼吸躍變型果實[1]，商業(yè)化采摘的芒果需完成后熟才具備最佳食用品質(zhì)。受環(huán)境和果實發(fā)育的影響，同一批次采收的芒果的品質(zhì)存在差異，貯放潛力也并不完全一致。如果不進(jìn)行分揀，在芒果的貯藏和流通過程中，很容易出現(xiàn)品質(zhì)良莠不齊的現(xiàn)象。目前，海南省三亞市芒果主產(chǎn)區(qū)的果商在收購和售賣過程中憑經(jīng)驗進(jìn)行分揀和確定出庫時間，存在人工成本高、分揀標(biāo)準(zhǔn)不統(tǒng)一、誤差大等問題。準(zhǔn)確了解芒果的內(nèi)部品質(zhì)和貯放潛力，方便、快捷地對芒果采后內(nèi)部品質(zhì)的變化進(jìn)行監(jiān)測和預(yù)判貯放潛力，對芒果的選品、分級和確定最佳銷售時間都具有重要意義，也是當(dāng)前消費升級、市場競爭激烈條件下，產(chǎn)業(yè)可持續(xù)發(fā)展的重大需求。

芒果內(nèi)部品質(zhì)的傳統(tǒng)檢測方法為破壞性檢測，耗時長、效率低，無法滿足生產(chǎn)實踐中對檢測通量的需求，亟需發(fā)展無損檢測技術(shù)對芒果內(nèi)部品質(zhì)進(jìn)行快速檢測。近年來，可見/近紅外光譜、高光譜成像[2]、電子鼻[3]以及超聲波檢測等技術(shù)已經(jīng)嘗試用于水果內(nèi)在品質(zhì)的無損檢測。其中，近紅外光譜檢測技術(shù)（near infrared，NIR）具有無需樣品預(yù)處理、非破壞性、檢測速度快、無污染的特點[4-6]，成為農(nóng)產(chǎn)品無損檢測的一項重要技術(shù)手段。

國內(nèi)外學(xué)者利用近紅外光譜檢測技術(shù)開展了對蘋果[7]、葡萄、桃[8]、沙糖橘等水果內(nèi)部品質(zhì)的評價研究。在芒果上，HASBULLAH等[9]發(fā)現(xiàn)在600～1000 nm范圍的近紅外光下，芒果的吸光譜與其內(nèi)部品質(zhì)有較強(qiáng)的關(guān)聯(lián)性，采用偏最小二乘法（PLS）能夠建立有效的檢測模型。偏最小二乘法（PLS）是最常用的多元線性校正方法[10]，在計算過程中同時考慮自變量（光譜數(shù)據(jù)）和因變量矩陣（化學(xué)實測值）對建模效果的影響，能夠較好地處理數(shù)據(jù)的多重共線性、因子結(jié)果（LVs）不確定性和數(shù)據(jù)非正態(tài)分布等問題[11]，將相關(guān)分析、多元線性回歸和主成分分析的優(yōu)點集合在一起，是化學(xué)計量學(xué)分析中最常用的多元線性建模方法。PLS算法廣泛應(yīng)用于利用可見/近紅外光譜定量預(yù)測水果內(nèi)部品質(zhì)[12]。這一方法已先后應(yīng)用于建立芒果的干物質(zhì)含量、淀粉含量[13]、硬度[14]等指標(biāo)的無損檢測模型，進(jìn)行芒果成熟度的判定。國內(nèi)也有學(xué)者嘗試建立芒果糖度的NIR無損檢測模型[15]，對芒果的內(nèi)在品質(zhì)進(jìn)行評價。

目前，已有的芒果內(nèi)在品質(zhì)無損檢測模型，大多是選取芒果采摘后某一時刻的靜態(tài)測量。這種測試和建模方式在進(jìn)行集合劃分時，是從所有樣品中一次性提取出預(yù)測樣品集，無法滿足產(chǎn)業(yè)發(fā)展所需的從芒果采摘到消費者餐桌全時間段的內(nèi)在品質(zhì)無損檢測需求。針對上述問題，本研究根據(jù)芒果采摘后的生理變化規(guī)律，分時間段采集樣品近紅外光譜數(shù)據(jù)，使樣品集中包含彼此獨立的子集，提高建模質(zhì)量。另一方面，通過引入采后時間因子的建模方法，以芒果可溶性固形物含量（SSC）和pH值2項關(guān)鍵內(nèi)在品質(zhì)指標(biāo)，建立芒果采后動態(tài)品質(zhì)無損檢測模型，結(jié)合芒果采摘后距完熟天數(shù)的不同對貯放潛力進(jìn)行預(yù)測，預(yù)判芒果最佳出庫時間。研究結(jié)果為芒果采收時間的確定、產(chǎn)品分級和最佳出庫售賣時間預(yù)測提供了應(yīng)用工具。

1 材料與方法

1.1 材料

于2021年3月在海南省三亞市崖城鎮(zhèn)的果園中采摘達(dá)到商業(yè)成熟度，大小一致，無機(jī)械傷及無病蟲害的‘臺農(nóng)’芒果220個，1 h內(nèi)運回三亞中國農(nóng)業(yè)大學(xué)研究院的實驗室。

1.2 方法

1.2.1 SSC和pH的經(jīng)典法測定 每天在同一時間段挑選25個芒果去皮后均勻切取果肉，分別置于榨汁器（拜杰CP-146）破壁榨汁后，4層紗布過濾，取濾液使用便攜式糖度計（愛宕PAL-1）數(shù)顯糖度計進(jìn)行可溶性固形物含量（soluble solids content，SSC）測定；使用（雷磁PHS-3E）pH計進(jìn)行pH測定。以上測定均采用3次重復(fù)，取平均值。

1.2.2 近紅外光譜儀的設(shè)計選擇 市場上有多種類型的近紅外光譜儀，主要的差別在于光源的設(shè)置，以及光源、果實與檢測器之間的位置關(guān)系。本試驗中選擇使用的近紅外光譜儀裝置如圖1所示。該裝置是根據(jù)‘臺農(nóng)’果型扁平以及果皮厚的特點設(shè)計開發(fā)。檢測箱內(nèi)光源與檢測器之間采用果杯、遮光圈和橡膠墊圈的組合式設(shè)計，如圖1A。該設(shè)計能有效地避免芒果平放時無法完全遮蓋通光孔的問題，較好地實現(xiàn)了隔離，能夠防止雜散光直接進(jìn)入下方的檢測器。近紅外光譜儀內(nèi)置6個25W鹵素?zé)?，均勻分布在樣本四周，如圖1B所示。燈光源的數(shù)量和位置設(shè)計能夠保證足量透射光透過芒果內(nèi)部后進(jìn)入安置于樣品下方的檢測器。

1.2.3 近紅外無損檢測模型建立及模型質(zhì)量評價的方法 采用自主研發(fā)的NIRMagic2400型近紅外光譜儀，在室溫條件下將儀器預(yù)熱穩(wěn)定30 min后設(shè)置采集參數(shù)，采集波長范圍為600～1100 nm，積分時間為100 ms，掃描次數(shù)為50次。每天選取25個芒果，分別對其赤道部位進(jìn)行掃描，將每個點掃描50次的50個光譜數(shù)值的平均值作為該點的光譜數(shù)值輸出。最終采集的芒果從采摘到完熟過程中果實的測定位點200個，共計100 200個吸光度值。從中選取采摘后1、3、5、7 d的4組芒果所測得的原始吸光度值，分別計算出4組芒果在不同波長下的平均吸光度。通過GrapHpad8軟件建立坐標(biāo)系，繪制芒果采摘后不同時間的平均吸光度變化圖。

對測定獲得的芒果光譜數(shù)據(jù)進(jìn)行異常值測試，剔除7個奇異點后使用Kennard-Stone算法[16]將芒果SSC和pH的實測數(shù)據(jù)劃分為校正集和預(yù)測集。利用校正集數(shù)據(jù)對模型進(jìn)行訓(xùn)練，利用預(yù)測集數(shù)據(jù)對模型進(jìn)行性能測試，通過綜合集展示樣本集數(shù)據(jù)的分布特征。

A：設(shè)備結(jié)構(gòu)；B：光源分布。

采用多元散射校正（multiplicative scatter correction，MSC）[17]、標(biāo)準(zhǔn)正態(tài)變換（standard normal variate transform, SNV）[18]、Savitzky-Golay（SG）卷積平滑[19]、Savitzky-Golay（SG）卷積導(dǎo)數(shù)、矢量歸一化、最大-最小歸一法[20]等9種預(yù)處理的組合算法對光譜分別進(jìn)行預(yù)處理后，使用偏最小二乘法分別建模。偏最小二乘法的回歸模型如式（1）：

式（1）中，為回歸系數(shù)的向量，為模型殘差。最后，以校正相關(guān)系數(shù)（c）、校正均方根誤差（root mean square error of correction，RMSEC）、平均相對誤差（mean relative error，MRE）對所有模型質(zhì)量進(jìn)行定量比較，確定最優(yōu)檢測模型[21]。并通過預(yù)測樣本對模型質(zhì)量進(jìn)行評價。

1.2.4 芒果貯放潛力檢測模型建立方法 去除異常后熟芒果后，按貯放潛力（芒果達(dá)到完熟狀態(tài)需要的天數(shù)）將樣品劃分為3個等級并賦值，5～7 d達(dá)到完熟的樣本75個，賦值為1；2～4 d達(dá)到完熟的樣本71個，賦值為2；完熟樣本45個，賦值為3。將樣本劃分成校正集和預(yù)測集，使用偏最小二乘法建立芒果貯放潛力檢測模型。在檢測過程中，當(dāng)出現(xiàn)非整數(shù)情況，采用閾值進(jìn)行判別。模型判別規(guī)則如下：當(dāng)預(yù)測值小于1.5時，判別為5～7 d達(dá)到完熟；當(dāng)預(yù)測值大于等于1.5，小于2.5時，判別為2～4 d達(dá)到完熟樣本；當(dāng)預(yù)測值大于等于2.5時，判別為完熟樣本。

2 結(jié)果與分析

2.1 芒果采摘后品質(zhì)變化及Pearson相關(guān)性分析

芒果采后的SSC和pH變化如圖2所示，SSC在前5 d快速增加，第6和7天緩慢增加至峰值，此時芒果已經(jīng)完熟（圖2A）。此結(jié)果與前人的報道[22]相一致，芒果中糖的積累類型為淀粉轉(zhuǎn)化型，在芒果成熟期淀粉酶活性增加，果實中的淀粉被分解為糖，使芒果的總糖（蔗糖、葡萄糖和果糖）增加，SSC快速積累。

圖2 芒果采后SSC（A）和pH（B）的變化

芒果采摘后到完熟期間的pH在前4 d保持穩(wěn)定，在接近完熟時快速增加（圖2B）。采摘后，隨著芒果的成熟度不斷提高，蘋果酸和檸檬酸等有機(jī)酸作為呼吸底物被消耗掉[23]，使果實的pH持續(xù)升高。

對芒果采摘后SSC和pH的變化與采后天數(shù)進(jìn)行Pearson相關(guān)性分析，結(jié)果表明芒果的SSC和pH與采后天數(shù)的相關(guān)系數(shù)分別為0.961和0.880，呈極顯著正相關(guān)（表1）。說明芒果在采后貯放期間SSC和pH的變化受采后天數(shù)的影響較大，隨著采后天數(shù)的增加，SSC和pH不斷增加，果實風(fēng)味快速提高。

表1 芒果采后品質(zhì)變化的Pearson相關(guān)性分析

2.2 芒果采摘后的近紅外光譜變化

芒果采摘后的平均吸光度光譜變化如圖3，平均吸光度隨著采摘后天數(shù)的增加不斷降低。在600～700 nm范圍，4組芒果之間的吸光度差異最大，704～746 nm區(qū)域內(nèi)產(chǎn)生波峰偏移，但光譜的變化趨勢基本相同。樣品的吸光度均在670、1025 nm處出現(xiàn)峰值，而在725 nm附近出現(xiàn)谷值。

圖3 芒果采摘后不同時間的平均吸光度

芒果的平均吸光度逐漸降低是由于隨著采后天數(shù)的增加，芒果中水分散失，O-H鍵的吸光能力減弱且果實內(nèi)部的細(xì)胞間隙增大，透光性增強(qiáng)，導(dǎo)致樣品整體吸光度降低。600～700 nm范圍內(nèi)，采后不同天數(shù)的芒果吸光度差異較大。在704～746 nm區(qū)域內(nèi)受果皮顏色及色素的變化產(chǎn)生波峰偏移。725 nm附近的波谷主要與C-H及N-H鍵的倍頻伸縮振動有關(guān)；1025 nm處的吸收峰與C-H鍵、-CH2官能團(tuán)等有關(guān)[24]。

2.3 芒果SSC和pH近紅外光譜檢測模型的建立

2.3.1 近紅外光譜樣本集劃分 校正集和預(yù)測集樣品SSC、pH的極差、均值、標(biāo)準(zhǔn)偏差和變異系數(shù)等數(shù)據(jù)的分布特征如表2。本試驗所測樣本的SSC、pH梯度均勻、分布范圍較廣，可反映從采摘到果實完成呼吸躍變后，食用品質(zhì)達(dá)到巔峰然后下降整個過程中芒果品質(zhì)變化的特征。所劃分的6個集的變異系數(shù)都較小，說明數(shù)據(jù)離散程度較小，保證了模型建立的精準(zhǔn)度，且整個樣品數(shù)據(jù)符合正態(tài)分布，適用于近紅外檢測模型的建立。

表2 芒果果實近紅外光譜樣本集分布特征

2.3.2 近紅外光譜預(yù)處理分析 原始光譜經(jīng)MSC或SNV預(yù)處理后均消除了樣品內(nèi)組織分布不均造成的散射影響，使光譜中670 nm和710 nm的特征峰更顯著（圖4B、圖4C）。原始光譜經(jīng)過SG卷積導(dǎo)數(shù)處理后保留了原始光譜中出現(xiàn)的特征峰，且在波長830 nm和950 nm附近出現(xiàn)了新的特征峰（圖4D）。原始光譜經(jīng)過SG卷積平滑處理后，整體上消除了圖像中的隨機(jī)噪聲，使光譜更加平滑，但也去除了光譜中的一些細(xì)節(jié)，導(dǎo)致光譜的整體特征被弱化（圖4E）。原始光譜通過矢量歸一法處理后，光譜整體出現(xiàn)比較緊密的聚合，強(qiáng)化了光譜的變化趨勢（圖4F）。原始光譜經(jīng)過最大-最小歸一法處理后，在數(shù)據(jù)較集中的區(qū)域，譜圖有比較緊密的聚合，但數(shù)據(jù)的max和min不穩(wěn)定，導(dǎo)致譜圖在從850 nm后半段的聚集程度變差（圖4G）。

原始光譜通過SG卷積導(dǎo)數(shù)處理后，強(qiáng)化了原始光譜中隱藏在較寬吸收頻帶的微小特征峰，增強(qiáng)了極值點、拐點等局部位置光譜吸光度對內(nèi)部成分含量變化的響應(yīng)差異，提高了分辨率和靈敏度，但經(jīng)SG卷積導(dǎo)數(shù)處理后也會引入不必要的噪聲，降低信噪比。因此，有必要先經(jīng)SG卷積平滑濾除隨機(jī)噪聲，或者使用多元散射校正MSC等處理方法消除表面散射以及光程變化對漫反射光譜的影響后，再進(jìn)行進(jìn)一步預(yù)處理或建模。原始光譜分別經(jīng)過SG卷積平滑+SG卷積導(dǎo)數(shù)、SG卷積平滑+MSC+SG卷積導(dǎo)數(shù)和MSC+最大-最小歸一+SG卷積導(dǎo)數(shù)處理后的光譜分別如圖4H、圖4I、圖4J所示。

A：原始光譜；B：多元散射校正（MSC）；C：標(biāo)準(zhǔn)正態(tài)變換（SNV）；D：SG卷積導(dǎo)數(shù)；E：SG卷積平滑；F：矢量歸一化；G：最大-最小歸一化；H：SG卷積平滑+SG卷積導(dǎo)數(shù)；I：SG卷積平滑+MSC+SG卷積導(dǎo)數(shù)；J：MSC+最大-最小歸一+SG卷積導(dǎo)數(shù)。

2.3.3 偏最小二乘法（PLS）模型的建立 基于不同預(yù)處理方法，分別建立芒果SSC和pH的偏最小二乘法模型（表3）。利用原始光譜所建立的SSC模型，校正相關(guān)系數(shù)為0.945，校正均方根誤差為1.125，平均相對誤差為0.1。采用9種光譜預(yù)處理方式分別處理，其中經(jīng)過標(biāo)準(zhǔn)正態(tài)變換和矢量歸一化處理后的模型性能得到不同程度的優(yōu)化。矢量歸一化為最優(yōu)預(yù)處理方式，將模型的校正相關(guān)系數(shù)提升至0.952，校正均方根誤差降低至1.055，平均相對誤差減少至0.095。而經(jīng)過多元散射校正、SG卷積導(dǎo)數(shù)、SG卷積平滑等7種預(yù)處理后的模型校正相關(guān)系數(shù)均小于0.945，校正均方根誤差均大于1.125，平均相對誤差均大于0.1。模型的準(zhǔn)確度和穩(wěn)定性較差，這可能是SSC在光譜上有多重表征，處理前干擾信息已經(jīng)較少，進(jìn)行這些預(yù)處理后反而去除了一些與SSC相關(guān)的信息，從而導(dǎo)致模型效果變差。

表3 不同預(yù)處理方法下芒果SSC和pH無損檢測模型的質(zhì)量

利用原始光譜所建立的pH值模型，校正相關(guān)系數(shù)為0.815，校正均方根誤差為0.296，平均相對誤差為0.058。經(jīng)過多元散射校正、標(biāo)準(zhǔn)正態(tài)變換、SG卷積導(dǎo)數(shù)、最大-最小歸一化、SG卷積平滑+SG卷積導(dǎo)數(shù)、SG卷積平滑+MSC+SG卷積導(dǎo)數(shù)、MSC+最大-最小歸一+SG卷積導(dǎo)數(shù)預(yù)處理后建立的模型，校正相關(guān)系數(shù)均高于0.815，校正均方根誤差均小于0.296，平均相對誤差均小于0.058。其中原始光譜通過多元散射校正預(yù)處理后，消除了樣品內(nèi)組織不均造成的散射和隨機(jī)噪聲后，強(qiáng)化了原始光譜中670 nm和710 nm的特征峰，提高了分辨率和靈敏度，結(jié)果優(yōu)于其它預(yù)處理方法。經(jīng)該預(yù)處理后的建模結(jié)果，pH的校正相關(guān)系數(shù)為0.936，校正均方根誤差為0.184，平均相對誤差為0.04，最終確定多元散射校正為芒果pH模型的最佳預(yù)處理方法。

2.3.4 SSC和pH最優(yōu)模型的質(zhì)量評價 利用以上篩選出的最優(yōu)模型對預(yù)測樣品進(jìn)行檢測，通過檢測結(jié)果對模型質(zhì)量進(jìn)行評價，獲得的校正集與預(yù)測集的擬合曲線如圖5所示。芒果的SSC最優(yōu)模型，校正集和預(yù)測集都具有良好的擬合性，實測值與預(yù)測值的點在趨勢線兩側(cè)均勻分布。模型的預(yù)測相關(guān)系數(shù)（p）為0.959，預(yù)測均方根誤差（RMSEP）為0.974，相關(guān)系數(shù)較高，均方根誤差較低，表明本研究所建立的模型對芒果的SSC具有良好的檢測能力。

圖5 芒果SSC和pH的最優(yōu)PLS模型

芒果pH最優(yōu)模型預(yù)測相關(guān)系數(shù)（p）為0.918，預(yù)測均方根誤差（RMSEP）為0.202。相關(guān)系數(shù)較高，預(yù)測均方根誤差較小，模型具有良好的檢測能力。但是所測樣本的pH主要分布在3.0～3.5區(qū)間，在該區(qū)間模型檢測能力靈敏度較高，但是在個別區(qū)段數(shù)據(jù)量密度不足，對應(yīng)區(qū)間的pH值檢測能力偏弱，有待進(jìn)一步優(yōu)化。

2.3.5 芒果貯放潛力檢測模型的建立與評價 芒果貯放潛力檢測模型結(jié)果如圖6所示。校正集5～7 d后達(dá)到完熟的樣本、2～4 d后達(dá)到完熟的樣本和完熟樣本誤判的樣本數(shù)分別為1個、4個、0個。預(yù)測集5～7 d后達(dá)到完熟的樣本、2～4 d后達(dá)到完熟的樣本和完熟樣本誤判的樣本數(shù)量分別為0個、1個和0個。校正集5～7 d后達(dá)到完熟的樣品、2～4 d后達(dá)到完熟的樣本和完熟樣本檢測的正確率分別為98.2%、92.6%、100%。預(yù)測集5～7 d后達(dá)到完熟的樣本、2～4 d后達(dá)到完熟的樣本、完熟樣本檢測的正確率分別為100%、93.8%、100%。芒果貯放潛力模型的總體檢測正確率96.9%，說明該模型質(zhì)量良好，可滿足生產(chǎn)中的使用需求。

圖6 芒果貯放潛力檢測模型結(jié)果散點圖

3 討論

我國是世界第四大芒果生產(chǎn)國和第一大芒果消費國[5]。隨著人們消費觀念的提升，消費者購買芒果時已經(jīng)不滿足于大小、色澤、光潔度等外在品質(zhì)，對口感、風(fēng)味、營養(yǎng)成分等內(nèi)在品質(zhì)的要求也不斷提高。目前傳統(tǒng)的選品和銷售方式已經(jīng)無法滿足市場對內(nèi)在品質(zhì)日益提高的需求。本研究以芒果采后生理學(xué)為基礎(chǔ)，采用近紅外光譜分析技術(shù)試驗對芒果內(nèi)在品質(zhì)的無損檢測，研究結(jié)果對芒果基于內(nèi)在品質(zhì)的無損分級、果品流通效率的提升和果品企業(yè)生產(chǎn)與選品的優(yōu)化都具有重要的意義。

與前人的芒果近紅外無損檢測研究相比，本試驗引入時間因子，建立的動態(tài)內(nèi)在品質(zhì)無損檢測模型能夠?qū)崿F(xiàn)芒果采后內(nèi)在品質(zhì)的實時無損監(jiān)測，便于及時把內(nèi)在品質(zhì)較低的芒果剔除，把綜合品質(zhì)較高的芒果進(jìn)行銷售或儲存，提高芒果的商品率和商品價值[25-26]。

目前我國主要依靠人工憑感覺和經(jīng)驗對芒果品質(zhì)進(jìn)行分級[27]，導(dǎo)致標(biāo)準(zhǔn)化程度不高[28]，分揀效率低。本試驗所采用的箱式近紅外光譜儀可以通過在果品分選線搭載，在果品收購、入庫等環(huán)節(jié)高通量實現(xiàn)基于芒果內(nèi)部品質(zhì)的自動分級[29]。預(yù)計設(shè)備投入運行后的在線檢測速度可達(dá)5個/秒，顯著提高分選效率和準(zhǔn)確性，降低人力成本，加快海南芒果產(chǎn)業(yè)的提質(zhì)增效。

本試驗?zāi)M了實際生產(chǎn)過程中非入庫冷藏芒果從采摘至完熟的環(huán)境條件，采集了整個生物學(xué)過程的品質(zhì)與近紅外光譜變化數(shù)據(jù)。由采摘后芒果SSC和pH的變化分析可知，‘臺農(nóng)’芒果在室溫條件下貯放第7天達(dá)到完熟。此時SSC處于較高水平，酸度較低，汁水量損失少，宜于食用[30]。通過建立芒果貯放潛力檢測模型，果商可通過對芒果貯放潛力的判斷，選擇適合的流通渠道和售賣時間[31]，以保證消費者收到最佳品質(zhì)的芒果。預(yù)期貯放5～7 d后達(dá)到完熟的芒果可選擇成本較低的物流運輸或?qū)⒚⒐l(fā)往國內(nèi)最遠(yuǎn)的市場；預(yù)期貯放2～4 d后達(dá)到完熟的芒果可選擇發(fā)往內(nèi)陸交通方便物流快捷易達(dá)的地區(qū)；馬上就要進(jìn)入完熟的芒果可就近運輸?shù)胶Ｄ袭?dāng)?shù)氐乃袌鲞M(jìn)行售賣。

將本試驗的研究思路和方法運用于‘貴妃’‘金煌’等芒果品種的內(nèi)在品質(zhì)無損檢測同樣具有可行性。不同芒果品種的內(nèi)部品質(zhì)不同[32]，通過進(jìn)一步優(yōu)化檢測模型，可對不同芒果品種的內(nèi)在品質(zhì)進(jìn)行準(zhǔn)確高效的無損檢測，在芒果新品種的優(yōu)選、栽培方式的優(yōu)化、最佳采收期的確定等涉及果實內(nèi)在品質(zhì)的領(lǐng)域都可以應(yīng)用。受芒果生物學(xué)特性的影響，沒有2個芒果的近紅外吸光度譜圖是完全相同的[33]。由于果園的栽培管理技術(shù)、果實采收期和當(dāng)?shù)仫L(fēng)土情況都會對芒果的吸光度產(chǎn)生影響[34]。在后續(xù)的工作中，仍需擴(kuò)大模型數(shù)據(jù)庫的容量，提升無損檢測設(shè)備的精準(zhǔn)度。

[1] YASHODA H M, PRABHA T N, THARANATHAN R N. Mango ripening—chemical and structural characterization of pectic and hemicellulosic polysaccharides[J]. Carbohydrate Research, 2005, 340(7): 1335-1342.

[2] MOHD I, FATHINUL A S, AMMAR Z, ALI M S. In-line sorting of harumanis mango based on external quality using visible imaging[J]. Sensors, 2014, 16(11): 1753-1753.

[3] REN Y M, RAMASWAMY H S, LI Y, YUAN C L, RENY X L. Classification of impact injury of apples using electronic nose coupled with multivariate statistical analyses[J]. Journal of Food Process Engineering, 2017, 41(5): e12698.1- e12698.8.

[4] CELIO P. Near infrared spectroscopy: a mature analytical technique with new perspectives–A review[J]. Analytica Chimica Acta, 2018, 1026: 8-36

[5] 賀梅英, 趙 萍, 林依穎. 越南芒果在我國的市場競爭力分析[J]. 南方農(nóng)業(yè)學(xué)報, 2020, 51(3): 722-728.

HE M Y, ZHAO P, LIN Y Y. Competitiveness of Vietnamese mango in the Chinese market[J]. Journal of Southern Agriculture, 2020, 51(3): 722-728. (in Chinese)

[6] 劉彩華, 李 曦, 朱正杰, 包竹君, 謝曉娜, 楊鄭州, 王 赟, 劉 芳. 芒果品質(zhì)無損檢測技術(shù)研究進(jìn)展[J]. 食品工業(yè)科技, 2021, 42(22): 415-424.

LIU C H, LI X, ZHU Z J, BAO Z J, XIE X N, YANG Z Z, WANG Y, LIU F. Progress of non-destructive testing technology in mango quality[J]. Science and Technology of Food Industry, 2021, 42(22): 415-424. (in Chinese)

[7] NICOLA B M, LOTZE E, PEIRS A, SCHEERLINCK N, THERON K I. Non-destructive measurement of bitter pit in apple fruit using nir hyperspectral imaging[J]. Postharvest Biology and Technology, 2006, 40(1): 1-6.

[8] 劉燕德, 張 雨, 姜小剛, 孫旭東, 徐 海, 劉昊辰. 不同貯藏期水蜜桃硬度及糖度的檢測研究[J]. 光譜學(xué)與光譜分析, 2021, 41(1): 243-249.

LIU Y D, ZHANG Y, JIANG X G, SUN X D, XU H, LIU H C. Detection on firmness and soluble solid content of peach during different storage days[J]. Spectroscopy and Spectral Analysi, 2021, 41(1): 243-249. (in Chinese)

[9] HASBULLAH R, TANABE T, TANAKA M, AKINAGA T. Non-destructive prediction of internal quality of heat-treated ‘Irwin’ mango by near infrared spectroscopy[J]. Journal of the Society of Agricultural Structures Japan, 2002, 33(12): 155-166.

[10] 傅霞萍, 應(yīng)義斌, 陸輝山, 于海燕, 徐惠榮. 應(yīng)用多種近紅外建模方法分析梨的堅實度[J]. 光譜學(xué)與光譜分析, 2007, (5): 911-915.

FU X P , YING Y B , LU H S, YU H Y, XU H R. Application of some different modeling algorithms to pear MT-firmness detection using NIR spectra[J].Spectroscopy and Spectral Analysis, 2007, (5): 911-915. (in Chinese)

[11] COOK R D, FORZANI L. Envelopes: a new chapter in partial least squares regression[J]. Journal of Chemometrics, 2020, 34(10).

[12] BIHAN Y L, PáVó J, MARCHAND C. Partial least square regression: an analysis tool for quantitative non-destructive testing[J]. European Physical Journal-Applied Physics, 2014, 67(3): 30901.

[13] SARANWONG S, SORNSRIVICHAI J, KAWANO S. On-tree evaluation of harvesting quality of mango fruit using a hand-held nir instrument[J]. Near Infrared Spectroscopy, 2003, 11(1): 283-293.

[14] VALENTE M, LEARDI R, SELF G, LUCIANO G, PAIN J P. Multivariate calibration of mango firmness using vis/NIR spectroscopy and acoustic impulse method[J]. Journal of Food Engineering, 2009, 94(1): 7-13.

[15] 曹 霞, 周學(xué)成, 范品良. 基于近紅外漫反射光譜技術(shù)的芒果糖度無損檢測方法研究[J]. 農(nóng)機(jī)化研究, 2013, (1): 177-180.

CHAO X, ZHOU X C, FAN P L. Nondestructive detection on predicting sugar content of mango by near-infrared diffuse reflectance[J]. Journal of Agricultural Mechanization Research. 2013, (1): 177-180. (in Chinese)

[16] PAN G F. Research on spectral detection of nitrate in water quality based on k-s algorithm[J]. Chinese Journal of Spectroscopy Laboratory, 2011, 32: 31-35.

[17] GELADI P D, MACDOUGALL D B, MARTENS H. Linearization and scatter-correction for near-infrared reflectance spectra of meat[J]. Applied Spectroscopy, 1985, 39(3): 491-500.

[18] JIE L, LI X, LI P, WANG W, WEI Z, ZHANG J, ZHANG R, WU X. Determination of moisture in chestnuts using near infrared spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(2): 338-341.

[19] SEAH M P, DENCH W A, GALE B, GROVES T E, SEAH M P, DENCH W A, GALE B, GROVES T E. Towards a single recommended optimal convolutional smoothing algorithm for electron and other spectroscopies[J]. Journal of Physics E Scientific Instruments, 2000, 21(4): 122-31.

[20] GAJERA V, SHUBHAM, GUPTA R, JANA P K. An effective multi-objective task scheduling algorithm using min- max normalization in cloud computing[C]//2016 2nd International Conference on Applied and Theoretical Computing and Communication Technology (iCATccT), IEEE, 2016.

[21] WEI X, ZHENG W G, ZHU S G, ZHOU S L, WU W J, XIE Z Y. Application of terahertz spectrum and interval partial least squares method in the identification of genetically modified soybeans[J]. Spectrochimica Acta. Part A, Molecular and Biomolecular Spectroscopy, 2020, 238 : 118453.

[22] 張上隆, 昆 松. 果實品質(zhì)形成與調(diào)控的分子生理, 果實品質(zhì)形成與調(diào)控的分子生理(精)[M]. 北京: 中國農(nóng)業(yè)出版社, 2007: 232-241.

ZHANG S L, KUN S. Molecular physiology of fruit quality development and regulation[M]. Molecular Physiology of Fruit Quality Development and Regulation, Bei Jing:China Agriculture Press, 2007: 232-241. (in Chinese)

[23] 武紅霞, 邢姍姍, 王松標(biāo), 姚全勝, 詹儒林, 馬蔚紅, 馬小衛(wèi). ‘臺農(nóng)1號’芒果果實發(fā)育過程中的糖分積累與相關(guān)酶活性研究[J]. 西北植物學(xué)報, 2011, 31(9): 1811-1815.

WU H X, XING S S, WANG S B, YAO Q H, ZHAN R L, MA W H, MA X W. Sugar accumulation and related enzyme activities in the developing mango fruits cv. ‘Tainong 1’[J]. Acta Botanica Boreali-Occidentalia Sinica, 2011, 31(9): 1811-1815. (in Chinese)

[24] THEANJUMPOL P, SELF G, RITTIRON R, PANKASEMSUK T, SARDSUD V. Selecting variables for near infrared spectroscopy (nirs) evaluation of mango fruit quality[J]. Journal of Agricultural Science, 2013, 5(7): 146.

[25] MON T O, ZARAUNG N. Vision based volume estimation method for automatic mango grading system[J]. Biosystems Engineering, 2020, 198(10): 338-349.

[26] SARKAR T, NAYAK P, CHAKRABORTY R. Storage study of mango leather in sustainable packaging condition[J]. Materials Today: Proceedings, 2020, 22: 2001-2007.

[27] 竇文卿, 柴春祥, 魯曉翔. 無損檢測技術(shù)在水果品質(zhì)評價中應(yīng)用的研究進(jìn)展[J]. 食品工業(yè)科技, 2020, 41(24): 362-367.

DOU W Q, CHAI C X, LU X X. Research progress of non-destructive detection technique in fruit quality evaluation[J]. Science and Technology of Food Industry, 2020, 41(24): 362-367. (in Chinese)

[28] 何 軍, 馬稚昱, 褚 璇, 劉洪利, 肖天宇, 韋鴻鈺. 基于機(jī)器視覺的芒果果形評價方法研究[J]. 現(xiàn)代農(nóng)業(yè)裝備, 2021, 42(1): 56-60.

HE J, MA Z Y, CHU X, LIU H L, XIAO T Y, WEI H Y. Research on evaluation method of mango fruit shape based on machine vision[J].Modern Agricultural Equipment, 2021, 42(1): 56-60. (in Chinese)

[29] DING J G, HAN D H, LI Y Y, PENG Y K, WANG Q, HAN X. Simultaneous non-destructive on-line detection of potato black-heart disease and starch content based on visible/near infrared diffuse transmission spectroscopy[J]. Spectroscopy and Spectral Analysis, 2020, 40(6): 1909-1915.

[30] PRASAD A, NALINI K. Investigations on post-harvest physiological changes and quality parameters in mango varieties[J]. India Journal of Horticulture, 1988, 45(3-4): 233-240.

[31] 王改麗, 朱美玲. 基于模糊綜合評價法的農(nóng)產(chǎn)品物流配送模式選擇研究——以ZH公司為例[J]. 物流工程與管理, 2019, 41(8): 4.

WANG G L, ZHU M L. Research on the choice of agricultural product logistics distribution mode based on fuzzy comprehensive evaluation method—taking ZH company as an example[J].Logistics Engineering and Management, 2019, 41(8): 4. (in Chinese)

[32] ANUREKHA D, SANKARAN R A. Efficient classification and grading of mangoes with ganfis for improved performance[J]. Multimedia Tools and Applications, 2020, 79: 4169-4184.

[33] SUBEDI P P, WALSH K B. Assessment of sugar and starch in intact banana and mango fruit by SWNIR spectroscopy[J]. Postharvest Biology & Technology, 2011, 62(3): 238-245.

[34] PARIKA R, BUSARAKORN M, MARCUS N, PRAMOTE K, JOACHIM M. Robust NIRS models for non-destructive prediction of postharvest fruit ripeness and quality in mango[J]. Postharvest Biology and Technology, 2016, 111: 31-40.

Near-Infrared Spectroscopy Nondestructive Testing Model for Mango Fruit Quality Assay and Storage Potential Prediction

HAO Ruilong1,2, LU Renxiang1, WANG Zhe1,2, YUAN Yujie1, WANG Fujun2, LU Weidong3, HAN Donghai4, ZHANG Wen1, MA Huiqin1*

1. College of Horticulture, China Agricultural University, Beijing 100193, China; 2. Sanya Institute of China Agricultural University, Sanya, 572000, China; 3. Wei Chuang Ying Tu Technology Co., Ltd, Beijing 100070, China; 4. College of Food Science & Nutritional Engineering, China Agricultural University, Beijing 100083, China

Soluble solids content (SSC) and pH are key factors determining the intrinsic quality of mango. In this study, ‘Tai Nong’, a representative mango cultivar of Sanya, Hainan, China, was tested. The near-infrared spectrum (600– 1100 nm) was collected every day from mango harvest to the full ripening using a NIRMagic 2400 near-infrared spectrometer. The actual soluble solids content and pH change was assayed by classic destructive methods to validate the non-destructive testing model. The results showed that under diffuse transmission detection mode, the near-infrared light absorbance of pre-fully-ripe mango increased from 600 nm to 670 nm, peaked at 670 nm, then the absorbance decreased rapidly and reached the valley value at around 725 nm. While the absorbance of the fully-ripe mangoes exhibited continuous decline in the wavelength range of 600–700 nm, and reached the lowest value at 700 nm. Due to peel color differences, individual mangoes presented larger absorbance separation between 704 nm to 746 nm. Slow absorbance increase was recorded from 725 nm to 1025 nm, and reached the second peak at around 1025 nm. Destructive tests showed that mango soluble solids content increased rapidly on the 5th day after the harvest, changed slightly on the 6th and 7th day, whereas the fruit pH was almost stable in the first 4 days, then quickly increased. The measured samples were then divided into the correction and prediction sets using the Kennard-Stone algorithm. Preprocessing methods including multiplicative scatter correction (MSC), standard normal variate transform (SNV), SG convolution derivative,SG convolution smoothing and different combinations were tested. It was revealed that the vector normalization and the multiplicative scatter correction were the best for soluble solids content and pH spectral data processing, respectively. The correlation coefficients (c) of the soluble solids content and pH was 0.952 and 0.936 respectively, when the least partial square method (PLS) model was used. The root mean square error of correction (RMSEC) was 1.055 and 0.184. The predicted correlation coefficients (p) of the soluble solids content and pH was 0.959 and 0.918 using the least partial square method model, whereas the root mean square error of prediction (RMSEP) was 0.974 and 0.202, respectively. The mango storage potential prediction accuracy rate was 96.4% when the model was established using the least partial square method. The set of data confirmed the establishment of a reliable nondestructive testing model for mango fruit soluble solids content and pH assay and storage potential prediction. Our results are useful in mango harvest determination, fruit grading, and predicting the optimal time for selling based on intrinsic fruit quality.

mango; nondestructive testing; near infrared spectroscopy; soluble solids content; pH; the least partial square method; storage potential

TS255.7；O657.33

A

10.3969/j.issn.1000-2561.2022.09.020

2022-01-25；

2022-04-14

三亞崖州灣科技城管理局資助項目（No. SYND202221）。

郝瑞龍（1992—），男，碩士，研究方向：芒果品質(zhì)的無損檢測。*通信作者（Corresponding author）：馬會勤（MA Huiqin），E-mail：hqma@cau.edu.cn。