管 驍 饒 立 劉 靜匡靜云

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

結(jié)合數(shù)據(jù)融合技術(shù)與近紅外光譜的休閑蘋果脆片綜合品質(zhì)評(píng)價(jià)

管 驍1饒 立1劉 靜2匡靜云1

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

以加工過程中的蘋果脆片為對(duì)象，對(duì)其水分、可溶性固形物、總糖、可滴定酸和硬度5個(gè)品質(zhì)指標(biāo)進(jìn)行綜合分析，得到各指標(biāo)的權(quán)重和脆片品質(zhì)的綜合得分，根據(jù)綜合得分情況，將脆片分為A(高品質(zhì))、B(中品質(zhì))、C(低品質(zhì))三類。利用近紅外光譜技術(shù)獲取蘋果脆片光譜信息，運(yùn)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(zhì)得分的判別模型，對(duì)3類脆片進(jìn)行分類的實(shí)際值和預(yù)測(cè)值的相關(guān)系數(shù)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(yù)測(cè)集樣本的判別準(zhǔn)確率分別為83.33%，80.0%，93.33%，說明了結(jié)合數(shù)據(jù)融合技術(shù)與近紅外光譜評(píng)價(jià)加工過程中蘋果脆片綜合品質(zhì)具有較好的可行性。

蘋果脆片；數(shù)據(jù)融合；近紅外；品質(zhì)評(píng)價(jià)

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(diǎn)，近年來市場(chǎng)需求不斷擴(kuò)大，并且表現(xiàn)出強(qiáng)勁的發(fā)展勢(shì)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(píng)價(jià)蘋果脆片品質(zhì)的核心指標(biāo)，據(jù)相關(guān)文獻(xiàn)[2-3][4]4-5報(bào)道，融合以上品質(zhì)指標(biāo)數(shù)據(jù)建立綜合品質(zhì)評(píng)價(jià)模型對(duì)指導(dǎo)蘋果脆片加工生產(chǎn)具有現(xiàn)實(shí)意義。但是，采用傳統(tǒng)檢測(cè)方法對(duì)以上指標(biāo)進(jìn)行檢測(cè)破壞性大、制樣繁瑣、檢測(cè)時(shí)間長、需要專業(yè)人員操作，難以實(shí)現(xiàn)快速無損監(jiān)控加工過程中蘋果脆片品質(zhì)變化情況。

近紅外光譜技術(shù)憑借其快速簡便、無損綠色和易實(shí)現(xiàn)實(shí)時(shí)在線檢測(cè)等優(yōu)點(diǎn)，被廣泛應(yīng)用于果品品質(zhì)檢測(cè)研究。近年來，國內(nèi)外學(xué)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(zhì)構(gòu)性質(zhì)等定量模型。然而，對(duì)于加工過程中的蘋果脆片而言，單一指標(biāo)并不能體現(xiàn)脆片總體品質(zhì)優(yōu)劣情況。層次分析法結(jié)合定性與定量分析方法，常用于解決難以單獨(dú)用定量法分析的復(fù)雜問題[9-10]，國內(nèi)外已有將該方法應(yīng)用于金花梨果實(shí)[11]、油桃果汁[12]、豉曲[13]、水蜜桃果實(shí)[14]和蘋果脆片[4]6-7[15]等品質(zhì)評(píng)價(jià)方面的研究。

目前近紅外光譜技術(shù)在蘋果脆片品質(zhì)評(píng)價(jià)方面尚未見諸于相關(guān)文獻(xiàn)報(bào)道。基于此，本研究提出利用層次分析法融合多元數(shù)據(jù)，評(píng)價(jià)休閑蘋果脆片綜合品質(zhì)；再利用近紅外光譜技術(shù)獲取蘋果脆片光譜信息，運(yùn)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(zhì)得分預(yù)測(cè)模型。

1 材料和方法

1.1 樣品制備

蘋果原料選用2015年產(chǎn)山東煙臺(tái)紅富士品種成熟蘋果。隨機(jī)挑選24個(gè)大小相似(約300 g/個(gè))、無機(jī)械損傷的蘋果進(jìn)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(jìn)行熱風(fēng)干燥處理6 h，每隔1 h取樣24個(gè)測(cè)定，共得到144組樣本。

1.2 儀器與設(shè)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(yàn)方法

1.3.1 品質(zhì)指標(biāo)的測(cè)定方法

(1) 水分的測(cè)定：按GB/T 5009.3—2010執(zhí)行。

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

(3) 總糖的測(cè)定：蒽酮比色法[4] 12。

(4) 可滴定酸的測(cè)定：按GB 12293—1990執(zhí)行。

(5) 硬度的測(cè)定：采用質(zhì)構(gòu)分析法(Texture Profile Analysis，TPA)測(cè)定法。參數(shù)設(shè)置：測(cè)前、測(cè)后、測(cè)試速度1.0 mm/s，壓縮距離80%，數(shù)據(jù)采集速率200次/s，探頭為P/1S。應(yīng)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(zhì)評(píng)分的數(shù)據(jù)融合處理 采用層次分析法結(jié)合數(shù)據(jù)標(biāo)準(zhǔn)化進(jìn)行。該方法先將問題分解為相互獨(dú)立的若干個(gè)層次及因素，然后根據(jù)各層次及因素之間的相對(duì)重要程度將判斷定量化，通過判斷矩陣計(jì)算得出各因素的權(quán)重，并將各因素進(jìn)行標(biāo)準(zhǔn)化處理后結(jié)合權(quán)重進(jìn)行融合處理，得到蘋果脆片品質(zhì)綜合評(píng)分[15]。

1.3.3 光譜采集 近紅外光譜分析儀儀器參數(shù)設(shè)置：光譜范圍為10 000～4 000 cm-1，分辨率為8 cm-1，掃描次數(shù)為64次。開機(jī)預(yù)熱30 min后先進(jìn)行背景掃描，消除背景對(duì)光譜信息的影響，再用積分球固體采集模塊對(duì)樣本進(jìn)行光譜掃描。每組樣本測(cè)量5次，取平均值作為該樣本的典型光譜。數(shù)據(jù)采集軟件為OMNIC，數(shù)據(jù)處理分析軟件為The Unscrambler 9.7。1.3.4 光譜分類建模方法 對(duì)近紅外光譜進(jìn)行分類建模采用PLS-DA方法進(jìn)行。PLS-DA是由PLS回歸分析法衍生而來的一種模式識(shí)別方法。首先，將參考值設(shè)為虛擬變量，該變量用于描述相應(yīng)類別；然后將虛擬變量和光譜信息分別作為因變量Y和獨(dú)立變量X建立判別模型[16-17]。該方法以預(yù)測(cè)值Ypre與偏差值Ydev為標(biāo)準(zhǔn)評(píng)價(jià)模型對(duì)預(yù)測(cè)集樣品的分類能力進(jìn)行判斷。根據(jù)Galtier的判斷準(zhǔn)則：若Ydev<0.5，則當(dāng)Ypre>0.5時(shí)，判斷樣品屬于該類別，當(dāng)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(jié)果與分析

2.1 蘋果脆片品質(zhì)評(píng)分分層模型的建立

蘋果脆片加工過程中的品質(zhì)綜合評(píng)價(jià)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(gè)品質(zhì)指標(biāo)，及其基本性質(zhì)、相關(guān)性影響和層次隸屬關(guān)系。如圖1所示，該評(píng)價(jià)體系結(jié)構(gòu)共三層：第一層為目標(biāo)層(O)，即蘋果脆片品質(zhì)綜合評(píng)分；第二層為準(zhǔn)則層(C)，即與蘋果脆片品質(zhì)相關(guān)的m個(gè)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(zhì)評(píng)分分層模型

2.2 判定矩陣的構(gòu)造及一致性檢驗(yàn)

由于不同指標(biāo)對(duì)蘋果脆片品質(zhì)的影響有不同的權(quán)重，參照對(duì)蘋果脆片各指標(biāo)重要性的定性評(píng)價(jià)[4]18-19，依照層次分析法提出的1～9比例標(biāo)度法建立判斷矩陣，見表1。

通過進(jìn)行一致性檢驗(yàn)可判斷矩陣所得各指標(biāo)權(quán)重是否合理，并求得一致性指標(biāo)。由表1隨機(jī)一致性標(biāo)準(zhǔn)值(RI=1.12，CR<0.1)可知，一致性檢驗(yàn)是滿意的，可判斷矩陣的構(gòu)建合理[11]。

表1 判斷矩陣O-C及一致性檢驗(yàn)?

?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(zhì)綜合得分及排名

按照1.3.1所述方法測(cè)定蘋果脆片品質(zhì)指標(biāo)，統(tǒng)計(jì)結(jié)果見表2。由于各指標(biāo)的量綱和數(shù)量級(jí)不同，因此需要先利用SPSS18.0軟件對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，再計(jì)算蘋果脆片品質(zhì)評(píng)分。按照2.2結(jié)果可知，蘋果脆片品質(zhì)評(píng)分公式可由式(1)計(jì)算。蘋果脆片品質(zhì)綜合得分計(jì)算結(jié)果及排名見表3。

表2 蘋果脆片品質(zhì)評(píng)價(jià)指標(biāo)數(shù)據(jù)

表3 蘋果脆片品質(zhì)綜合得分及排名?

? 編號(hào)9-6表示在9號(hào)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(zhì)評(píng)分，分；

C1——標(biāo)準(zhǔn)化后水分含量，%；

C2——標(biāo)準(zhǔn)化后可溶性固形物，%；

C3——標(biāo)準(zhǔn)化后可滴定酸含量，mmol/100 g；

C4——標(biāo)準(zhǔn)化后硬度，g；

C5——標(biāo)準(zhǔn)化后總糖含量，g/100 g。

根據(jù)式(1)計(jì)算得到的不同干燥時(shí)間段的樣品品質(zhì)評(píng)分分布情況見圖2。由圖2可知，大部分蘋果脆片品質(zhì)綜合得分都處于-1.5～1.5分，且隨著干燥時(shí)間的增加，脆片品質(zhì)得分逐漸增加；同時(shí)，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(shí)間的進(jìn)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(zhì)逐步趨于穩(wěn)定有關(guān)?？傮w來看，該品質(zhì)評(píng)分模型與實(shí)際情況基本一致，可用于下一步試驗(yàn)。

圖2 不同加工時(shí)間的蘋果脆片品質(zhì)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(zhì)評(píng)分?jǐn)?shù)學(xué)模型的建立

根據(jù)以上品質(zhì)綜合得分結(jié)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(jī)劃分?jǐn)?shù)據(jù)集的方法，提取其中114組訓(xùn)練集樣品的近紅外光譜數(shù)據(jù)用于建立PLS2-DA模型，另外30組樣品作為預(yù)測(cè)集進(jìn)行分類判別檢驗(yàn)，驗(yàn)證模型的預(yù)測(cè)結(jié)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(gè)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(yàn)證 根據(jù)表4所示訓(xùn)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(xùn)練及預(yù)測(cè)結(jié)果見表5。由表5可知，分類變量的實(shí)際值與預(yù)測(cè)值的相關(guān)系數(shù)在0.56～0.89，其中A、C兩類的判別結(jié)果相關(guān)系數(shù)均在0.8以上，而B類的相關(guān)系數(shù)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(zhì)趨于穩(wěn)定，因此預(yù)測(cè)較為準(zhǔn)確；而加工過程中的蘋果脆片化學(xué)成分在發(fā)生較為迅速的變化，甚至取樣及采集數(shù)據(jù)過程中這些變化都不可避免的持續(xù)發(fā)生，從而導(dǎo)致B類脆片品質(zhì)預(yù)測(cè)與實(shí)際值存在較大差異，判別準(zhǔn)確難度增大。

表4 訓(xùn)練集樣本的分類變量組

表5 PLS-DA模型的訓(xùn)練和預(yù)測(cè)結(jié)果

2.4.2 PLS-DA模型對(duì)未知樣品的檢驗(yàn) 利用2.4.1中建立的蘋果脆片品質(zhì)判別模型，對(duì)未參與建模的30組預(yù)測(cè)集樣本進(jìn)行類別判別分析，結(jié)果見表6與圖4。由表6和圖4(a)可知，預(yù)測(cè)集中有10組樣本屬于A類，根據(jù)Galtier的判斷準(zhǔn)則，滿足預(yù)測(cè)值Ypre>0.5的樣本有9組；B、C兩類樣本的預(yù)測(cè)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(duì)A類蘋果脆片的判別準(zhǔn)確率為83.33%。

圖4 預(yù)測(cè)集中蘋果脆片樣品的PLS-DA模型的判別結(jié)果

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

表6 預(yù)測(cè)模型的統(tǒng)計(jì)結(jié)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(duì)預(yù)測(cè)集進(jìn)行預(yù)測(cè)的結(jié)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(zhǔn)確率為80.00%和93.33%。

3 結(jié)論

本研究采用層次分析法對(duì)加工過程中的蘋果脆片建立綜合品質(zhì)評(píng)分體系，在此基礎(chǔ)上將蘋果脆片分為A、B、C三類，最后應(yīng)用PLS-DA方法建立這三類蘋果脆片的近紅外光譜品質(zhì)判別模型，其分量變量的實(shí)際值和預(yù)測(cè)值的相關(guān)系數(shù)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(yù)測(cè)集判別準(zhǔn)確率分別為83.33%，80.00%，93.33%，說明了通過層次分析法結(jié)合近紅外光譜技術(shù)評(píng)價(jià)加工過程中蘋果脆片綜合品質(zhì)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(zhì)評(píng)價(jià)體系的建立及應(yīng)用[D]. 北京: 中國農(nóng)業(yè)科學(xué)院, 2012.

[5] 褚小立, 陸婉珍. 近五年我國近紅外光譜分析技術(shù)研究與應(yīng)用進(jìn)展[J]. 光譜學(xué)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(zhì)無損檢測(cè)方法和裝置研究[D]. 北京: 中國農(nóng)業(yè)大學(xué), 2015: 9-11.

[7] 謝麗娟, 應(yīng)義斌, 于海燕, 等. 近紅外光譜分析技術(shù)在蔬菜品質(zhì)無損檢測(cè)中的應(yīng)用研究進(jìn)展[J]. 光譜學(xué)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(shí)品質(zhì)評(píng)價(jià)上的應(yīng)用[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào): 自然科學(xué)版, 2006(8): 125-128.

[12] 焦藝, 劉璇, 畢金峰, 等. 基于灰色關(guān)聯(lián)度和層次分析法的油桃果汁品質(zhì)評(píng)價(jià)[J].中國食品學(xué)報(bào), 2014(12): 154-163.

[13] 錢家亮, 孔菲, 宋俊梅, 等. 層次分析法構(gòu)建豉曲質(zhì)量評(píng)價(jià)體系[J]. 中國調(diào)味品, 2009(9): 105-108.

[14] 范芳娟. 水蜜桃果實(shí)品質(zhì)綜合評(píng)價(jià)體系及數(shù)據(jù)庫的建立與應(yīng)用[D]. 浙江: 浙江大學(xué), 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(zhì)評(píng)價(jià)[J]. 食品與機(jī)械, 2012, 28(5): 46-50.

[16] 郝學(xué)飛, 蘇東民, 余大杰, 等. 近紅外方法預(yù)測(cè)饅頭品質(zhì)[J]. 中國糧油學(xué)報(bào), 2014(4): 113-117.

[17] 張文海, 姬中偉, 艾斯卡爾·艾拉提, 等. FT-IR結(jié)合SIMCA法識(shí)別糯米產(chǎn)地[J]. 食品科學(xué), 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(xué)基金(編號(hào)：14ZR1419200)

管驍，男，上海理工大學(xué)副教授，博士。

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

2016-11-25