關(guān)曄晴，王冬，李楠，付亞雄，程玉豆，關(guān)軍鋒*

（1.河北省農(nóng)林科學(xué)院生物技術(shù)與食品科學(xué)研究所，河北石家莊 050051）（2.北京市農(nóng)林科學(xué)院質(zhì)量標(biāo)準(zhǔn)與檢測技術(shù)研究所，北京 100097）

“深州蜜桃”（Prunus persica(L.) Batsch cv.Shenzhou）已有兩千多年栽培史，是河北省深州市特產(chǎn)、馳名中外的優(yōu)良品種，具有果實大，果型秀美，色澤鮮艷，皮薄肉細(xì)，汁甜如蜜等特點，深受廣大消費者喜愛。深州蜜桃成熟期正值高溫季節(jié)，采收期相對比較集中[1]，傳統(tǒng)檢測采收期果實品質(zhì)的方法耗時、費力，損傷果實，為了加快果實品質(zhì)分級，加快商品化處理過程，提高商品化價值和經(jīng)濟效益，因此尋求快速、高效的果實品質(zhì)檢測技術(shù)是非常必要的。

近紅外光譜（Near-Infrared Spectroscopy，NIRS）分析技術(shù)具有快速、無損、高效的特點。農(nóng)產(chǎn)品的近紅外吸收主要來源于物質(zhì)分子中含氫基團（-OH、-NH、-CH）振動的合頻和各級倍頻吸收，通過掃描近紅外光譜，可以得到樣品中分子的含氫基團信息，從而對其品質(zhì)進行高效檢測[2]。由于NIRS 技術(shù)不僅可實現(xiàn)快速、無損、高效分析，還具有成本相對較低、環(huán)境友好、操作簡便等特點，近年來越來越受到人們的青睞。

近幾年，關(guān)于NIRS 對水果品質(zhì)無損檢測技術(shù)的報道較多，其中對梨、蘋果、芒果、西瓜、葡萄、李子品種果實可溶性固形物（Soluble Solid Content，SSC）、硬度指標(biāo)檢測建立了準(zhǔn)確、可靠的方法[3-9]。羅楓等[10]與王旭等[11]分別發(fā)現(xiàn)NIRS 檢測櫻桃內(nèi)部SSC、可滴定酸（Titratable Acid，TA）與獼猴桃SSC及pH 是可行的。對于桃的無損檢測研究，潘磊慶等[12]發(fā)現(xiàn)利用NIRS 檢測水蜜桃糖度所建的模型預(yù)測效果較好。Uwadaira 等[13]提出采用可見近紅外光譜（Visible and Near-Infrared Spectroscopy，Vis-NIR）技術(shù)完成了對果肉硬度的評估。目前，關(guān)于對“深州蜜桃”NIRS無損檢測技術(shù)尚未有相關(guān)報道。對“深州蜜桃”進行無損快速檢測可有效提高檢測效率、克服因傳統(tǒng)抽檢的代表性差等短板。本研究采用SACMI 近紅外分析儀以漫反射方式，對采收期“深州蜜桃”最能體現(xiàn)果實內(nèi)部品質(zhì)的硬度、SSC、pH 值3 個化學(xué)指標(biāo)進行無損檢測，與傳統(tǒng)參考方法所測結(jié)果進行相關(guān)分析，建立果實品質(zhì)的無損預(yù)測模型，從而為“深州蜜桃”無損快速高效品質(zhì)分級提供參考，進而為提升“深州蜜桃”品質(zhì)與科技含量提供技術(shù)支持和解決方案。

1 材料與方法

1.1 材料

選用河北省特色品種“深州蜜桃”，于商業(yè)成熟期2019 年9 月4 日采自河北省深州市，采摘當(dāng)天運至實驗室，選擇大小勻稱、無損傷、無病蟲害的90 個果實作為試驗樣品，清理表面雜物并編號后，于室溫25 ℃放置，散田間熱后測定。

1.2 近紅外光譜檢測

采用NIR CASE型水果無損傷檢測設(shè)備（SACMI，意大利）采集試驗樣品的近紅外光譜。采集條件：室溫25 ℃，實際測量前用參比板（聚四氟乙烯，PTFE）進行校準(zhǔn)，鹵素?zé)艄庠矗捎寐瓷浞绞?；掃描部位及次?shù)：果實中軸（赤道）處覆蓋全檢測臺，掃描果實陰陽面赤道上對稱2 點，每個點位進行2 次掃描，共掃描360 次；波段范圍：600～1 000 nm；光譜數(shù)據(jù)由Nir Calibration 軟件（Vers.3.1 Beta）進行采集和轉(zhuǎn)換。NIR CASE 型水果無損傷檢測設(shè)備檢測系統(tǒng)示意圖如圖1 所示。

圖1 NIR CASE 型水果無損傷檢測設(shè)備檢測果實內(nèi)部品質(zhì)系統(tǒng)原理示意圖Fig.1 Schematic diagram of NIR CASE type of fruit non-destructive detection equipment detecting system for fruit internal quality

1.3 樣品化學(xué)指標(biāo)的測定

硬度測定：在果實陰陽面光譜采集處，先在赤道處去皮約2 cm2，采用直徑1 cm 探頭的果實硬度計（GY-4，浙江托普儀器有限公司，杭州）勻速刺入果肉10 mm 測定硬度實測值。

SSC 測定：在硬度測定探頭刺入處用吸管吸入果汁滴在便攜式糖度計（PAL-1，日本Atago；Brix 范圍0.0%～53.0%，儀器最小分度0.1%）上測定SSC 實測值。

pH 測定：在果實陰陽面光譜采集處，取1 cm 厚的果肉切塊（去除硬度與SSC 測定損傷處），用手動榨汁器榨汁，利用pH 計（S210，上海梅特勒-托利多儀器有限公司）測定pH 實測值。

1.4 光譜處理與模型評價

采用NIRS 對果實品質(zhì)指標(biāo)進行預(yù)測時，主要是在采集的樣本光譜數(shù)據(jù)和果實品質(zhì)指標(biāo)實測值之間建立相關(guān)模型，采用的偏最小二乘回歸法建模。本研究中光譜數(shù)據(jù)預(yù)測值由Nir Calibration 軟件（Vers.3.1 Beta）進行采集和轉(zhuǎn)換，本研究中預(yù)測模型的定量評價通過實測與預(yù)測值的決定系數(shù)（Coefficient of Determination，R2）、預(yù)測均方根誤差（Root Mean Square Error of Prediction，RMSEP）、標(biāo)準(zhǔn)分析誤差（Square Error of Prediction，SEP）、相對分析誤差（Ratio Performance Deviation，RPD）、相對標(biāo)準(zhǔn)差（Relative Standard Deviation，RSD）來進行。各統(tǒng)計量的計算公式及含義如下。

（1）決定系數(shù)

R2越接近1，說明兩組數(shù)據(jù)的相關(guān)程度越高，R2的計算如公式（1）所示。

式中：

n——樣本容量；

yi——第i個樣品的實測值；

——樣品實測值的平均值。

（2）預(yù)測均方根誤差

RMSEP表示總體誤差，包含了偏差，常用來檢驗?zāi)Ｐ偷倪m用性。RMSEP的計算如公式（2）所示。

式中：

n——樣本容量；

yi——第i個樣品的實測值；

（3）標(biāo)準(zhǔn)分析誤差

如果去除均方根誤差的偏差，即為SEP，代表預(yù)測誤差。SEP的計算如公式（3）所示。

（4）相對分析誤差

RPD用來驗證模型的穩(wěn)定性和預(yù)測能力。當(dāng)RPD＜1.5 則模型預(yù)測性能較低，1.5≤RPD≤2.5 則模型預(yù)測性能可滿足快速檢測的需要，RPD＞2.5 則模型具有較高的預(yù)測性能[14]。RPD的計算如公式（4）所示。

式中：

SD——分析樣品的標(biāo)準(zhǔn)偏差；

SEP——分析樣品的均方根誤差。

（5）相對標(biāo)準(zhǔn)差

RSD反映模型對某一組分總體的預(yù)測效果。一般情況下，當(dāng)RSD<10%時，模型可用于實際的檢測。RSD的計算如公式（5）所示。

式中：

1.5 數(shù)據(jù)處理

所有數(shù)據(jù)采用Excel及SPSS 18.0數(shù)據(jù)處理軟件進行統(tǒng)計分析及制圖。

2 結(jié)果與討論

2.1 剔除異常樣本

在測定化學(xué)指標(biāo)值時會由于人為操作、溫度、濕度以及光譜采集時可能會產(chǎn)生一些異常數(shù)據(jù)，這些異常樣品會影響模型的建立，因而需將這些樣品剔除，本文中采用t檢驗準(zhǔn)則，對異常樣品進行逐個剔除[15]，并用SPSS 18.0 對其異常值進一步驗證，分別對硬度、SSC 及pH 指標(biāo)360 個光譜預(yù)測值進行異常值剔除，樣本容量、異常值個數(shù)及編號見表1 所示。

2.2 內(nèi)部品質(zhì)預(yù)測模型建立

采用最小二乘回歸算法建立SSC、硬度、pH 校正模型并通過模型獲得三種品質(zhì)指標(biāo)預(yù)測值。計算內(nèi)部品質(zhì)實測值與預(yù)測值相關(guān)系數(shù)，果實SSC 實測值與預(yù)測值呈高度線性正相關(guān)（R2=0.79，p＜0.01），SEP=0.47（圖2a）；果實硬度實測值與預(yù)測值呈顯著線性正相關(guān)（R2=0.47，p＜0.01），SEP=2.01（圖2b）；果實pH 實測值與預(yù)測值呈顯著線性正相關(guān)（R2=0.40，p＜0.01），SEP=0.14（圖2c）。

圖2 果實內(nèi)部品質(zhì)實測值與預(yù)測值之間的相關(guān)性Fig.2 The correlation between the measured and predicted values of internal qualities

與傳統(tǒng)有損測定方法相比，無損技術(shù)在不同樣品品質(zhì)快速檢測、易安裝及連續(xù)測定方面占領(lǐng)先水平[16]。近紅外光譜由于其無損、快速、高效、環(huán)境友好的特點，客觀測量和較高的準(zhǔn)確性，是目前最常用的光譜分析技術(shù)，尤其適用于水果和蔬菜中近紅外范圍700～2 500 nm[17]。本研究中采用SACMI 無損設(shè)備（波長范圍600～1 000 nm）檢測了“深州蜜桃”采收期果實品質(zhì)，通過傳統(tǒng)有損及無損測定，結(jié)果發(fā)現(xiàn)SSC實測值與預(yù)測值相關(guān)性（R2=0.79，p＜0.01，SEP=0.47）（圖2a）均優(yōu)于硬度（R2=0.47，p＜0.01，SEP=2.01）（圖2b）、pH（R2=0.40，p＜0.01，SEP=0.14）（圖2c）的相關(guān)性，但硬度SEP 較大。較多研究證明SSC 比硬度相關(guān)性好，同樣的結(jié)論在其他果實如蘋果[18]、芒果[19]以及獼猴桃[20]中得到了證實。

2.3 品質(zhì)參數(shù)分布

品質(zhì)參數(shù)分布結(jié)果見表1，SSC 實測值范圍是10.6%～16.4%（Mean=12.7，SD=1.0），預(yù)測值范圍是11.1%～16.1%（Mean=13.4，SD=1.0）；硬度實測值范圍是1.48～12.22 kg/cm2（Mean=6.01，SD=2.75），預(yù)測值范圍是 0.09～10.96 kg/cm2（Mean=4.75,SD=2.08）；pH 實測值范圍是4.87～5.77（Mean=5.25，SD=0.18），預(yù)測值范圍是4.82～5.48（Mean=5.17，SD=0.12）。其中對于變異系數(shù)來說，SSC 實測與預(yù)測值變異系數(shù)分別為7.9%和6.7%，pH 實測與預(yù)測值變異系數(shù)分別為3.48%和2.33%，均小于10%，屬弱變異；而硬度實測與預(yù)測值變異系數(shù)分別為45.79%和43.72%，大于30%，顯著高于SSC 與pH兩指標(biāo)，屬強變異[21]。從以上結(jié)果初步觀察發(fā)現(xiàn)，品質(zhì)參數(shù)實測值與預(yù)測值分布相近。

表1 不同品質(zhì)指標(biāo)統(tǒng)計Table 1 Statistics of different quality indices

SSC、硬度、pH 的實測值、預(yù)測值分布如圖3 所示。其中，SSC 實測值有70.62%的樣品集中于11.6%～13.4%，位于平均值12.7%左右（圖3A）；SSC預(yù)測值有79.66%的樣品集中于12.4%～14.4%，位于平均值13.4%左右（圖3a）。硬度實測值有54.49%的樣品集中于1.60～6.40 kg/cm2與30.34%的樣品集中于7.60～10.00 kg/cm2，偏離平均值6.01 kg/cm2（圖3B）；硬度預(yù)測值有78.56%的樣品集中于2.50～7.50 kg/cm2，位于平均值4.75 kg/cm2左右（圖3b）。pH 實測值有81.25%的樣品集中于5.05～5.50，位于平均值5.25 左右（圖3C）；pH 預(yù)測值有79.55%的樣品集中于5.06～5.34，位于平均值5.17 左右（圖3c）。

圖3 SSC、硬度、pH 實測值與預(yù)測值分布圖Fig.3 Distribution of SSC,firmness,pH for the measured and the predicted values

2.4 內(nèi)部品質(zhì)預(yù)測模型評價

由前文材料與方法中模型評價參數(shù)定義可知，表2 中SSC 的RMSEP=0.79%，R2=0.79（圖2a），硬度的RMSEP=2.37 kg/cm2，R2=0.47（圖2b），pH 的RMSEP=0.16，R2=0.40（圖2c），其中硬度RMSEP值大于R2值，表明其模型預(yù)測準(zhǔn)確度差。SSC 的RPD=2.15＞2，可滿足快速檢測的需要；而硬度與pH的RPD分別為1.37 與1.29，均小于1.5，說明其模型預(yù)測性能較低。一般情況下，當(dāng)RSD＜10%時，模型可用于實際的檢測，SSC 與pH 的RSD分別為6.2%與3.1%，模型可用于實際檢測；而硬度的RSD=39.4%，遠(yuǎn)遠(yuǎn)大于10%，模型不可用于實際檢測。

表2 果實內(nèi)部品質(zhì)的預(yù)測模型Table 2 Predicted models of fruit internal qualities

一般情況下，一個好的模型應(yīng)具有較高的R2值，較低的RMSEP值[4,14]。因此本研究中從R2與RMSEP值發(fā)現(xiàn)，硬度模型預(yù)測準(zhǔn)確度低。當(dāng)RPD＞2.5 時，說明該模型具有較高的預(yù)測性能，本文中SSC 的RPD=2.15＞2，且RSD=6.2%＜10%，表明SSC 模型預(yù)測性能可滿足快速檢測的需要。對于pH 來說，RSD=3.1%＜10%，模型可用于實際檢測，但RPD=1.29＜2，模型預(yù)測準(zhǔn)確度不高。而對于硬度，RPD=1.37＜2，RSD=39.4%＞10%，表明模型預(yù)測性能較低。Cortés等[6]利用Vis-NIR 能較好地預(yù)測“Osteen”芒果內(nèi)部品質(zhì)如SSC、硬度等指標(biāo)（Rp2=0.83～0.88，RMSEP=0.40～0.51，RPD=2.34～2.83）。Yu 等[4]發(fā)現(xiàn)Vis-NIR 可快速無損預(yù)測“庫爾勒香梨”硬度（Rp2=0.89，RMSEP=1.81 N，RPDP=3.05）及SSC（Rp2=0.92，RMSEP=0.22%，RPDP=3.68）指標(biāo)。Li等[9]通過Vis-NIR 能夠準(zhǔn)確預(yù)測李果實品質(zhì)指標(biāo)SSC，其中Rp2＞0.8，RPD在2 以上；而對硬度的預(yù)測性較差，RPD一般小于2。通常情況下，硬度可作為判斷果實成熟度、貯藏時間一個重要指標(biāo)，也可以作為消費者選擇的一個因素[22-24]。我們必須確保果實硬度在收獲、運輸、分級過程中能將機械傷降到最低，再考慮可食用的軟硬度[25]。而研究中硬度較難預(yù)測是由于多重因素決定，包括細(xì)胞結(jié)構(gòu)、果膠狀態(tài)、膨壓[18]，其中細(xì)胞壁結(jié)構(gòu)的散射效應(yīng)是影響反射光譜的主要因素[26]。

Liu等[3]指出Vis-NIR技術(shù)可以提供評估梨果實品質(zhì)指標(biāo)的一套完整準(zhǔn)確、可靠、無損的方法。Nagle等[27]用NIRS 發(fā)明了一套檢測樹上“Chok Anan”芒果果實SSC、總酸等指標(biāo)的方法。Qi 等[28]證實，利用VIS/NIR 光譜技術(shù)開發(fā)了西瓜SSC 等預(yù)測模型，可尋找具有較高商業(yè)價值的適宜采收期。本研究中發(fā)現(xiàn)基于SACMI 水果無損傷檢測儀的NIRS 可以預(yù)測“深州蜜桃”SSC 品質(zhì)指標(biāo)，但對硬度及pH 預(yù)測效果不理想。NIRS 評估果實品質(zhì)最主要的問題是校正模型建立的穩(wěn)定性[29]。此外，果實品種、大小及收獲季節(jié)對NIRS 模型穩(wěn)定性發(fā)揮著重要作用[30]。因此，后續(xù)對于較難預(yù)測的品質(zhì)指標(biāo)如硬度等，應(yīng)做更多深入研究，全面考慮檢測因素，改進檢測方法，利用SACMI 無損設(shè)備建立果實品質(zhì)穩(wěn)定、良好的預(yù)測模型。

3 結(jié)論

本研究使用SACMI 水果無損傷檢測儀在600～1 000 nm 波長范圍內(nèi)利用近紅外漫反射方式對“深州蜜桃”采收期果實SSC、硬度、pH 進行了無損及傳統(tǒng)測定。SSC 預(yù)測值與實測值相關(guān)性（R2=0.79，p＜0.01，SEP=0.47）優(yōu)于硬度及pH 的，SSC 預(yù)測模型（RPD=2.15，RMSEP=0.79%，RSD=6.2%）準(zhǔn)確度較高，可滿足“深州蜜桃”SSC 的無損快速檢測與分級需求，pH（RPD=1.29，RMSEP=0.16，RSD=3.1%）與硬度模型（RPD=1.37，RMSEP=2.37 kg/cm2，RSD=39.4%）準(zhǔn)確度較低，可為“深州蜜桃”品質(zhì)無損初篩提供參考。本文研究表明，采用SACMI 近紅外分析儀對“深州蜜桃”果實品質(zhì)進行無損快速檢測具有可行性，初步建立了果實品質(zhì)的無損預(yù)測模型，可快速高效地對果實進行智能分級；另一方面，繼續(xù)優(yōu)化所建模型以及建立其他品質(zhì)指標(biāo)的無損速測模型仍是下一步工作需要進一步跟進的內(nèi)容。