孫 曄，顧欣哲，王振杰，胡鵬程，屠 康，潘磊慶*

（南京農業(yè)大學食品科技學院，江蘇 南京 210095）

高光譜圖像對灰葡萄孢霉、匍枝根霉、炭疽菌的生長擬合及區(qū)分

孫 曄，顧欣哲，王振杰，胡鵬程，屠 康，潘磊慶*

（南京農業(yè)大學食品科技學院，江蘇 南京 210095）

利用高光譜成像系統(tǒng)獲取真菌在馬鈴薯葡萄糖瓊脂板上培養(yǎng)期間的高光譜圖像，采用400～1 000 nm全波段光譜響應值，并計算全波段的平均值、波峰7 16 nm處的光譜值和全波段內光譜值第1主成分的得分值，利用這3 種參數(shù)計算方法構建真菌生長模擬模型。結果表明，3 種方法建立的模型測試集的決定系數(shù)（R2）為0.722 3～0.991 4，均方誤差和均方根誤差分別為2.03×10－4～5.34×10－3、0.011～0.756。建立的生長模型與傳統(tǒng)菌落計數(shù)法建立的生長模型之間的相關系數(shù)為0.887～0.957。另外，主成分分析和偏最小二乘法判別分析可以區(qū)分3 種不同菌種。其中，偏最小二乘法判別分析模型對 培養(yǎng)36 h的3 種真菌及對照組的區(qū)分準確率為97.5%。 高光譜圖像技術能夠用來對真菌生長進行模擬和真菌的種類區(qū)分。

腐敗真菌；高光譜圖像；生長擬合；偏最小二乘法判別分析；區(qū)分

在水果的采后運輸及貯藏過程中由腐敗真菌引起的腐爛會造成巨大的經(jīng)濟損失，并且會危害消費者的健康。由真菌引起的采后病害主要有：灰霉病、根霉病、炭疽病等。灰葡萄孢霉能損傷花和果實，在病害處長出一層灰色菌斑，在個別果實發(fā)病后，會導致周圍完整果實發(fā)病[1-2]。匍枝根霉能在空氣、土壤和各種工具的表面存活，并極易感染受損傷的水果[3]，然后在水果上生長成熟，并產(chǎn)生子囊孢子和孢子感染周圍的正常水果。炭疽菌會在病果表面形成棕色同心圓[4]。為了減少經(jīng)濟損失，提高水果的質量和安全，水果中腐敗真菌的生長檢測尤為重要。

目前，已有相關文獻報道了與食品安全相關的微生物統(tǒng)計模型。預測微生物學一般涉及數(shù)學、微生物學及化學工程學等相關學科，用以開發(fā)出相關數(shù)學模型來預測特定環(huán)境下的微生物生長[5]。微生物的生長模型描述了微生物數(shù)量與生長時間之間的數(shù)學公式或數(shù)學函數(shù)[6]。在特定的培養(yǎng)條件下，傳統(tǒng)的微生物初級模型主要描述微生物的總活菌數(shù)、毒數(shù)、代謝物等與生長時間的關系，微生物的二級模型主要解決微生物的延滯期長短、最大生長速率等微生物生長信息[7-8]。上述傳統(tǒng)的微生物建模技術需要檢測微生物總活菌數(shù)、毒素、代謝物等，檢測步驟繁瑣、耗時耗力，而且需要破壞樣本，因此亟需開發(fā)一種快速無損的方法，為腐敗真菌的監(jiān)測和控制提供支持。高光譜圖像是新一代光電檢測技術，集成了光譜檢測和圖像檢測的優(yōu)點，具有超多波段、光譜高分辨率和圖譜合一的特點，可以獲得系列波長下的光譜和圖像信息[9-10]。目前已有少量研究利用光譜學等非破壞性技術實現(xiàn)簡單、快速的方法來檢測真菌和毒素污染的谷物[11]。微生物生長過程中的顏色、形狀、培養(yǎng)基的化學成分等都會影響光譜吸收，因此，能通過光學技術檢測微生物生長。Delwiche等[12]利用高光譜圖像技術檢測被污染的小麥，通過選取近紅外波長處的兩個波段用來分離被鏈格孢霉污染的小麥粒。Gómez-Sanchis等[13]研究發(fā)現(xiàn)高光譜圖像技術能夠檢測由青霉引起的柑橘類的損傷點。del Fiore等[11]利用高 光譜圖像技術檢測玉米黃曲霉毒素的早期污染。綜上所述，高光譜圖像技術能夠用于微生物的檢測。

目前，還沒有關于利用高光譜圖像技術模擬真菌生長及類型區(qū)分的報道。本研究選取了3種典型的果蔬采后腐敗真菌作為研究對象，即灰葡萄孢霉（Botrytis cinerea）、匍枝根霉（Rhizopus stolonifer）、炭疽菌（Colletotrichum acutatum），以期利用高光譜圖像建立3 種腐敗真菌的較佳生長模型，并且利用光譜響應構建真菌類型區(qū)分的模型。

1 材料與方法

1.1 菌種與培養(yǎng)基

灰葡萄孢霉（Botrytis cinerea）、匍枝根霉（Rhizopus stolonifer）、炭疽菌（Colletotrichum acutatum）由南京農業(yè)大學食品科技學院實驗室提供。

馬鈴薯葡萄糖瓊脂（potato dextrose agar，PDA）培養(yǎng)基，組分為馬鈴薯浸粉5 g、葡萄糖20 g、NaCl 5 g、瓊脂15 g、氯霉素0.1 g，水1 000 mL，pH 5.8～6.2。每個培養(yǎng)皿含有的培養(yǎng)基體積為（20±2） mL，培養(yǎng)基厚度為（2.5±0.5） mm。

將保藏的3 種菌分別接種到PDA培養(yǎng)基上，在28 ℃、75%相對濕度條件下活化7 d，重新接種進行二次培養(yǎng)。1 周后，對二次培養(yǎng)的菌種用無菌水反復沖洗，制成菌懸浮液，將一滴菌液滴到血球計數(shù)板上，在顯微鏡下計數(shù)。根據(jù)計數(shù)，進行換算得出菌液濃度，并稀釋至濃度為4×104CFU/mL的菌懸液，然后進行樣本制備。

1.2 儀器與設備

本實驗采用高光譜圖像系統(tǒng)裝置，包括ImSpector V10E型成像光譜儀 芬蘭Specim公司；Bobcat ICL-1620型CCD攝像機、EKE-ER型功率可調鹵鎢燈（0～150 W）、移動平臺、圖像采集軟件 臺灣五鈴光學股份有限公司。

1.3 樣本制備與分組

共制備660 個培養(yǎng)基，對照組設150 個培養(yǎng)基樣本（CK）；匍枝根霉（R. stolonifer）、炭疽菌（C. cutatum）組各150 個；灰葡萄孢霉組（B. cinerea）210 個。其中，匍枝根霉和炭疽菌各培養(yǎng)48 h，而灰葡萄孢霉生長較為緩慢，為得到其完整的菌落生長曲線圖，培養(yǎng)時間為72 h。培養(yǎng)過程中，各組每12 h（0、12、24、36、48、60、72 h）取出30 個培養(yǎng)基樣本進行高光譜檢測和菌落數(shù)計算。

1.4 高光譜圖像采集

高光譜圖像檢測系統(tǒng)采用反射模式獲取各組真菌培養(yǎng)基高光譜圖像。為避免外界光線對光譜采集的影響，檢測裝置整體置于暗箱中，背景為黑色，不反光[14-15]。高光譜成像單元包括一個CCD攝像機，一個成像光譜儀（分辨率2.8 nm），有效波長范圍為400～1 000 nm。實驗參數(shù)為：相機鏡頭和線光源距離樣本分別為30 cm和20.5 cm，光照強度為67.5 W，以45 °對準樣本，曝光時間為4 ms、輸送速率為2.5 mm/s。

將培養(yǎng)基放置于移動平臺上，運行高光譜圖像系統(tǒng)采集樣本的高光譜圖像信息，分別采集到的是400～1 000 nm之間共420 個波長處的圖像。當次檢測完后，將用過的樣本丟棄。實驗中共獲得660 個樣本的高光譜圖像數(shù)據(jù)。由于相機暗電流的存在和外界因素的影響，圖像含有一定噪聲，需要對獲得的高光譜圖像進行校正。用黑色不透明的鏡頭蓋蓋在相機鏡頭上可以全黑的反射圖像，采集聚四氟乙烯白板（反射率99%）得到白色反射圖像[16-17]。根據(jù)如下公式計算出校正后的相對圖像Rc。校正后的圖像被用來提取光譜信息，選擇有效的波段，建立最佳的擬合模型和區(qū)分真菌的不同生長階段。高光譜圖像校正公式為：

式中：R0為原始高光譜透射圖像；D為用黑色不透明的鏡頭蓋蓋在相機鏡頭上得到的全黑的標定圖像；W為用聚四氟乙烯白板（反射率99%）得到的全白標定圖像；Rc為標定后高光譜透射圖像。

1.4 菌落計數(shù)

高光譜圖像采集后，立即對每個平板參照GB 4789.15—2010《食品安全國家標準 食品微生物學檢驗 酵母和霉菌計數(shù)》方法進行菌落計數(shù)[18]，取平均值。1.5 數(shù)據(jù)處理

將獲取的高光譜圖像信息利用ENVI 4.8系統(tǒng)軟件、MATLAB7.1統(tǒng)計工具箱和SPSS 18.0軟件處理，用于高光譜圖像對3 種真菌的生長預測及3 種菌的區(qū)分。

ENVI（The Environment for Visualizing Images）是由遙感領域的科學家開發(fā)的一套功能強大的、完整的遙感圖像處理軟件。如今憑借其各種各樣的影像處理和信息提取工具，ENVI已經(jīng)是高光譜圖像處理的必備軟件，其中的波譜分析工具能夠快速準確地從高光譜影像中提取各種目標信息[19-20]。利用ENVI軟件，選擇培養(yǎng)基中菌落生長的地方大小約1 000 個像素點的區(qū)域做感興趣區(qū)域；在早期階段，菌落沒有長出時選取培養(yǎng)基中間部分。計算高光譜圖像ROI區(qū)域平均光譜值。光譜波段范圍為400～1 000 nm，共有420 個波段。實驗中采用3 種方法提取高光譜圖像特征信息，方法Ⅰ為全波段400～1 000 nm光譜響應的平均值；方法Ⅱ為波峰處的光譜值；方法Ⅲ為400～1 000 nm波段內光譜值第1主成分的得分值。

將每種菌各個時間點的30 個樣本隨機選取20 個作為訓練集，取平均值進行建模擬合，剩下10 個作為測試集。通過MATLAB7.1軟件建立腐敗真菌隨光譜值變化的生長曲線[21-22]并利用Gompertz模型[23-24]以擬合3 種菌的生長。通過模型的決定系數(shù)（R2）、均方誤差（sum of the squared errors，SSE）及均方根誤差（root mean square error，RMSE）來評判模型的擬合性能。高光譜參數(shù)建立的生長模型與傳統(tǒng)菌落計數(shù)法建立的生長模型之間的相關系數(shù)來評價模型準確性。

由于高光譜圖像數(shù)據(jù)包含了大量的冗余信息，因此可以利用主成分分析（principal compenent analysis，PCA）將數(shù)據(jù)降維，以消除重疊信息。PCA將方差的大小作為衡量信息量多少的標準，認為方差越大提供的信息越多，反之提供的信息就越少。其基本思想是通過線形變換保留方差大、含信息多的分量，丟掉信息量少的方向，從而降低數(shù)據(jù)的維數(shù)。在光譜的判別分析中，偏最小二乘判別分析法（partial least squares-discriminant analysis，PLS-DA）是常用的一種方法，PLS-DA法是基于PLS回歸的一種判別分析方法，在構造因素時考慮到了輔助矩陣以代碼形式提供的類成員信息[25]。本實驗中，利用PCA的結果來區(qū)分不同真菌，PLS-DA建立判別模型，區(qū)分3 種真菌及對照組。

2 結果與分析

2.1 不同生長階段腐敗真菌的高光譜圖像

圖1 不同菌種的高光譜圖像Fig.1 Typical reflectance hyperspectral images of different fungi

圖1是高光譜圖像技術采集的不同真菌RGB圖像，其中R為662 nm波長處圖像，G為554.5 nm波長處圖像，B為450 nm波長處圖像?？梢钥闯鲑橹Ω股L最快，在第24小時菌絲已遍布平板，在第36小時平板上已完全長滿菌絲。灰葡萄孢霉生長最慢，到36 h才能用肉眼觀察到菌絲。炭疽菌的菌落呈現(xiàn)光滑圓形，到24 h才能用肉眼觀察到菌落。3 種真菌在檢測期間菌絲呈現(xiàn)白色，屬于生長早期，在生長中后期，不同菌種會產(chǎn)生各自的特征顏色。

2.2 不同真菌的光譜特征

圖2 不同菌種的光譜特征Fig.2 Average original spectra of fungi

圖2為灰葡萄孢霉、炭疽菌、匍枝根霉在不同培養(yǎng)時間的典型反射光譜圖。在400～1 000 nm的波長范圍內，3 種菌的光譜值隨時間的延長都是呈上升趨勢，最大反射光譜值出現(xiàn)在波長為716 nm處的波峰。由于3 種真菌在生長早期菌絲呈現(xiàn)白色，隨著時間的推移，白色菌絲更明顯，對光的反射也就更大，光譜值隨著生長時間的延長而增大。如圖2A所示，灰葡萄孢霉的光譜響應值從48～60 h有一個較大的升高，這是由于菌落在此階段達到對數(shù)生長期，生長迅速。同樣，炭疽菌（圖2B）及匍枝根霉（圖2C）分別在24～36、12～24 h迅速升高。由此可看出光譜值的變化反映了真菌的生長狀態(tài)。

2.3 真菌生長模型的擬合

2.3.1 基于菌落計數(shù)法對3 種真菌生長模型的擬合

圖3 傳統(tǒng)菌落計數(shù)法建立的生長模型Fig.3 Growth curve of colony-forming unit versus culture time

由圖3A可知，通過國標法檢測得到的灰葡萄孢霉7 個生長階段的菌落數(shù)分別為：4.0×104、9.0×104、2.5×105、1.5×106、1.3×107、3.0×107、4.0×107CFU/mL；炭疽菌的菌落數(shù)分別為：4×104、5×105、3.5×107、8×108、1.5×109CFU/mL（圖3B）；匍枝根霉的菌落數(shù)分別為：4×104、4.5×106、9.5×107、3.3×108、7×108CFU/mL（圖3C）。3 個模型擬合的決定系數(shù)分別為：0.997 5、0.999 5、0.984 1，SSE分別為：2.268×10－2、8.62 ×10－3、0.191 1，RMSE分別為：0.106 5、0.061 2、0.288 2，由此可知模型與數(shù)據(jù)擬合較好。

2.3.2 高光譜圖像特征參數(shù)對3 種真菌生長模型的擬合利用1.5節(jié)所述的3 種方法處理的高光譜圖像數(shù)據(jù)，將得到的3 種參數(shù)分別對3 種真菌建立生長模型，所得生長模型如圖4所示，模型相關參數(shù)見表1。

圖4 高光譜參數(shù)建立的生長模型Fig.4 Growth curves of fungi established by Matlab

圖4ⅠA、4ⅡA、4ⅢA是灰葡萄孢霉的生長擬合曲線及方程。圖4ⅠA是利用全波段光譜響應平均值（方法Ⅰ）得到的擬合方程及生長曲線，訓練集與測試集R2、SSE、RMSE分別為0.995 9、0.99×10－4、0.007和0.722 3、53.40×10－4、0.023。圖4ⅡA是由716 nm波長處的波峰光譜值（方法Ⅱ）建立生長曲線及擬合方程，訓練集的R2高達0.994 8，SSE、RMSE分別為3.79×10－4、0.011。測試集R2、SSE、RMSE分別為0.791 0、3.34×10－4、0.057。方法Ⅲ將400～1 000 nm波長范圍的光譜響應值進行主成分分析，得到的前3 個主成分貢獻率分別為90.2%、6.9%、0.9%，選取主成分1（PC1）建模，各時間點得到的PC1得分為：－0.789、－0.598、－0.372、0.123、1.692、2.701、3.003，得到的擬合模型如圖4ⅢA所示，訓練集的R2、SSE、RMSE分別為0.997 9、3.3 4×1 0－2、0.1 0 6，測試集分別為0.7 8 9 7、4.65×10－4、0.254。由表1中3 個模型測試組的R2及SSE可知，模型擬合效果均一般，其中方法Ⅱ利用波峰光譜值建模測試集的R2最高（R2＝0.791 0），因此方法Ⅱ模擬效果最好。3 種高光譜參數(shù)建立的生長模型與傳統(tǒng)菌落計數(shù)法建立的生長模型之間的相關系數(shù)分別為：0.898、0.941、0.932，相關性均高于0.89，說明以高光譜參數(shù)建立的生長模型具有較高的準確性，其中以方法Ⅱ建模的相關性最高。

圖4ⅠB、4ⅡB、4ⅢB是炭疽菌的生長擬合曲線及方程。方法Ⅰ利用5 個時間點全波段的光譜平均值建立了生長模型，訓練集與測試集的參數(shù)R2、SSE、RMSE分別為0.990 3、1.67×10－4、0.025和0.936 7、8.77×10－4、0.756。方法Ⅱ選取716 nm波長處的波峰光譜值建模，訓練集的R2高達0.993 9，SSE、RMSE為1.48×10－4、0.014，模型擬合效果好，測試組的R2、SSE、RMSE分別為0.936 8、7.74×10－4、0.044，由此可知該模型能較好地模擬炭疽菌的生長。方法Ⅲ將400～1 000 nm處的光譜響應值進行主成分分析，得到的前3 個主成分貢獻率分別為97.8%、1.1%、0.4%，選取PC1建模，各時間點得到的PC1得分為：－0.877、－0.856、－0.602、0.569、1.207，得到的擬合模型如圖4ⅢB所示，訓練集的R2、SSE、RMSE分別為0.981 3、6.82×10－2、0.261，測試集分別為0.868 7、1.48×10－3、0.504。如表1所示，炭疽菌3 種模型測試組的R2及SSE可知，模型擬合效果均較好，其中方法Ⅱ利用波峰光譜值建模的測試集R2最大（R2＝0.936 8），SSE及RMSE最小，說明利用波峰建模模擬效果最好。另外，3 種高光譜參數(shù)建立的生長模型與傳統(tǒng)菌落計數(shù)法建立的生長模型之間的相關系數(shù)分別為：0.899、0.900、0.887，方法Ⅱ的相關系數(shù)為3 種方法中最大，說明方法Ⅱ利用波峰光譜值建模具有較高的準確性。

圖4ⅠC、4ⅡC、4ⅢC是匍枝根霉的生長擬合曲線及方程。圖4ⅠC是利用全波段光譜響應平均值（方法Ⅰ）得到匍枝根霉的擬合方程及生長曲線，訓練集與測試集的R2、SSE、RMSE分別為0.999 6、1.23×10－4、0.013和0.981 5、3.76×10－4、0.019。圖4ⅡC是選取716 nm波長處的波峰光譜值（方法Ⅱ）建立的生長曲線及擬合方程，訓練集的R2高達0.996 0，SSE、RMSE分別為2.48×10－4和0.016，測試集的R2、SSE、RMSE為0.991 4、2.03×10－4、0.011。方法Ⅲ將400～1 000 nm波長范圍內的光譜響應值進行主成分分析，得到的前3 個主成分貢獻率分別為99.7%、0.2%、0.05%，選取PC1建模，各時間點得到的PC1得分為：－1.406、－0.979、0.476、0.894、0.989。得到的擬合模型如圖4ⅢC所示，訓練集的R2、SSE、RMSE分別為0.999 6、1.82×10－3、0.043，測試集分別為0.990 6、3.32×10－4、0.129。由表1可知，匍枝根霉3 個模型測試組的R2均在0.98以上，SSE及RMSE都較小，可知模型擬合效果很好，其中方法Ⅱ利用波峰建模得到的測試集R2最大（R2＝0.991 4），SSE和RMSE最?。⊿SE＝2.03×10－4，RMSE＝0.011），可知方法Ⅱ模擬效果最好。3 種高光譜參數(shù)建立的生長模型與傳統(tǒng)菌落計數(shù)法建立的生長模型之間的相關系數(shù)分別為：0.954、0.957、0.955，3 種方法的相關性均高于0.95，說明以高光譜參數(shù)建立的生長模型具有很高的準確性，其中以方法Ⅱ波峰建模的相關性最高。

表1 灰葡萄孢霉、炭疽菌、匍枝根霉生長模型模擬結果Table1 Results of exponential models for the growth of B. cineerreeaa,, C. acutatum

2.3.3 3 種建模方法比較

圖4所示的基于高光譜圖像特征參數(shù)對3 種真菌的生長擬合曲線均呈現(xiàn)“S”型，與圖3所示的基于菌落計數(shù)法對3 種真菌的生長擬合模型基本相似，都包含了延滯期、指數(shù)期和穩(wěn)定期。由表1可知，擬合模型的訓練集和測試集的R2分別為0.981 3～0.999 6和0.722 3～0.991 4，SSE和RMSE均接近于0，由此可知模型對數(shù)據(jù)的擬合較好，其中方法Ⅱ的R2最大，SSE、RMSE最小。對比高光譜參數(shù)建立的生長模型與傳統(tǒng)菌落計數(shù)法建立的生長模型之間的相關系數(shù)，可知方法Ⅱ與傳統(tǒng)菌落計數(shù)法相關性更高，建立的生長模型更可靠。另外，方法Ⅱ選取波峰光譜值相對于其他兩種方法更易獲取，因此選取波峰建立生長模型更為合理。

2.4 3 種真菌高光譜響應值主成分分析

圖5 基于不同菌種高光譜全波段響應值的主成分分析Fig.5 PCA for different fungi at the same culture times

在全波段范圍內，由于光的色散現(xiàn)象導致真菌的光譜值隨菌落的生長而增大，光的色散隨著菌絲的生長而產(chǎn)生，不同菌絲間色散程度會存在差異[26-27]，因此通過光學方法可以區(qū)分不同菌種。如圖5所示，對不同培養(yǎng)時間的全波段（400～1 000 nm）光譜值進行PCA分析，以區(qū)分不同菌種和對照組。結果顯示，匍枝根霉與其他3 組區(qū)分最為顯著，這是因為匍枝根霉生長最快，與其他組區(qū)分最明顯。灰葡萄孢霉和炭疽菌僅能在36 h區(qū)分開，這是由于兩種菌生長速率緩慢，并且表面顏色相近?；移咸焰呙购吞烤揖?2 h（圖5A）、24 h（圖5B）、48 h（圖5D）相互重疊，而4 個實驗組在36 h區(qū)分最為明顯（圖5C），因此可以利用光譜響應值來區(qū)分培養(yǎng)36 h的3 種菌及對照組。

2.5 PLS-DA區(qū)分不同菌種

根據(jù)PCA分析的結果，本實驗選取培養(yǎng)36 h的菌種加以建模區(qū)分，PLS-DA模型區(qū)分結果如表2所示。灰葡萄孢霉、炭疽菌、匍枝根霉和對照組測試集的區(qū)分準確率分別為100%、100%、100%和90%，對照組與3 種菌之間的平均區(qū)分準確率達97.5%。上述結果與2.4節(jié)中PCA結果一致。匍枝根霉訓練集與測試集區(qū)分準確率最高，這是由于匍枝根霉生長速率明顯高于其他幾組，與其他幾組區(qū)分明顯。上述結果表明，高光譜圖像技術能夠區(qū)分3 種不同真菌。在后續(xù)實驗中，可以找出區(qū)分3 種真菌的特征波長以獲得更高的區(qū)分準確率；進一步利用高光譜參數(shù)建立一個標準菌種生長模型庫，未知菌種通過對比標準生長模型得以區(qū)分鑒定。

表2 PLS-DA模型區(qū)分培養(yǎng)36 h菌落的判別結果Table2 PLS-DA models for fungi cultured for 36 h

3 結 論

本實驗開發(fā)一種新的方法模擬果蔬上幾種常見腐敗真菌（如灰葡萄孢霉、炭疽菌和匍枝根霉）的生長模型，并加以區(qū)分。結果顯示，利用高光譜參數(shù)建立的生長模型測試組的R2范圍為0.722 3～0.991 4，與傳統(tǒng)菌落計數(shù)法建立的生長模型的相關系數(shù)范圍為0.887～0.957。另外，利用高光譜反射光譜的全波段信息做PCA分析能區(qū)分不同菌種，而PLS-DA模型對培養(yǎng)36 h的3 種菌的區(qū)分準確率達100%。上述結果表明高光譜圖像技術能夠作為模擬微生物生長及區(qū)分不同菌種的一項技術。

[1] 金鵬. 桃果實采后病害和冷害調控及其機理研究[D]. 南京: 南京農業(yè)大學, 2009.

[2] 田世平, 范青. 控制果蔬采后病害的生物學技術[J]. 植物學通報, 2000(3): 211-217. DOI:10.3969/j.issn.1674-3466.2000.03.003.

[3] 韋瑩瑩, 毛淑波, 屠康. 果蔬采后病害生物防治的研究進展[J]. 南京農業(yè)大學學報, 2012(5): 183-189. DOI:10.7685/j.issn.1000-2030.2012.05.020.

[4] GHAOUTH A E, WILSON C, WISNIEWSKI M, et al. Biological control of postharvest diseases of fruits and vegetables[J]. Journal of Tropical and Subtropical Botany, 2002, 2(2): 219-238. DOI:10.1016/ S1874-5334(02)80012-0.

[5] KARL M, SUN Dawen. Predictive food microbiology for the meat industry: a review[J]. International Journal of Food Microbiology, 1999, 52(1/2): 1-27. DOI:10.1016/S0168-1605(99)00126-9.

[6] MCMEEKIN T A, OLLEY J, RATKOWSKY D A, et al. Predictive microbiology: towards the interface and beyond[J]. International Journal of Food Microbiology, 2002, 73(2/3): 395-407. DOI:10.1016/ S0168-1605(01)00663-8.

[7] WHITING R C, BUCHANAN R L. A classification of models for predicti ve microbiology[J]. Food Microbiology, 1993, 1 0: 175-177. DOI:10.1006/fmic.1993.1034.

[8] WHITING R C, BUCHANAN L R. Microbial modeling[J]. Food Technology, 1994, 48: 113-120.

[9] 張嬙, 潘磊慶, 陳蒙, 等. 基于高光譜圖像技術的油桃早期冷害無損檢測[J]. 食品工業(yè)科技, 2014, 35( 20): 53-56. DOI:10.13386/ j.issn.1002-0306.2014.20.002.

[10] 陳思. 基于高光譜圖像技術的水蜜桃表面缺陷檢測方法研究[D].杭州: 浙江大學, 2013.

[11] del FIORE A, REVERBE RI M, RICELLI A, et al. Early detection of toxige nic fungi on maize by hyperspectral imaging analysis[J]. International Journal of Food Microbiology, 2010, 144(1): 64-71. D OI:10.1016/j.ijfoodmicro.2010.08.001.

[12] DELWICHE S R, KIM M S. Hyperspectral imaging for detection of scab in wheat[J]. Biological Quality and Precision Agriculture II, 2000, 6(8): 13-20. DOI:10.1117/12.411752.

[13] G?MEZ-SANCHIS J, MOLT? E, GOMEZ-CHOVA L, et al. Hyperspectral computer vision system for the detection of Penicillium digitatumin citrus packing lines[C]//2004 CIGR Int ernational Conference. Beijing, 2004.

[14] 張偉, 潘磊慶, 屠康. 利用高光譜透射圖像檢測雞種蛋早期孵化[J]. 農業(yè)工程學報, 2012, 28(21): 149-155. DOI:10.3969/ j.issn.1002-6819.2012.21.021.

[15] 趙杰文. 食品、農產(chǎn)品檢測中的數(shù)據(jù)處理和分析方法[M]. 北京: 科學出版社, 2012: 55-70.

[16] TAKIZAWA K, NAKANO K, OHASHI S, et al. Development of nondestructive technique for detecting internal defects in Japanese radishes[J]. Journal of Food Engineering, 2014, 126: 43-47. DOI:10.1016/j.jfoodeng.2013.10.041.

[17] 鄧書斌. ENVI遙感圖像處理方法[M]. 北京: 科學出版社, 2010: 115-117.

[18] GB 4789.15—2010 食品安全國家標準 食品微生物學檢驗 酵母和霉菌計數(shù)[S].

[19] 李爽, 李小娟. 遙感制圖過程精度評價[C]//中國地理學會2008年學術年會. 長春, 2008.

[20] 吳瓊, 田越, 周春平, 等. 遙感圖像超分辨率研究的現(xiàn)狀和發(fā)展[J]. 測繪科學, 2008(6): 66-69. DOI:10.3771/j.issn.1009-2307.2008.06.022.

[21] 陳秋蓮, 王成棟. 基于Matlab遺傳算法工具箱的優(yōu)化計算實現(xiàn)[J].現(xiàn)代電子技術, 2007(2): 124-126. DOI:10.3969/j.issn.1004-373X.2007.02.042.

[22] 倪博溢, 蕭德云. MATLAB環(huán)境下的系統(tǒng)辨識仿真工具箱[J].系統(tǒng)仿 真學報, 2006(6): 1493-1496. DOI:10.3969/j.issn.1004-731X.2006.06.020.

[23] 孫波, 遲玉杰, 徐寧, 等. 液全蛋與殺菌液全蛋中微生物預測模型的建立[J]. 食品科學, 2009, 30(19): 173- 176. DOI:10.3321/ j.issn:1002-6630.2009.19.038.

[24] 李飛燕, 張一敏, 王秀江, 等. 貯藏過程中冷卻牛肉微生物模型的 建立[J]. 食品與發(fā)酵工業(yè), 2011, 37(7): 220-224.

[25] 江澤慧, 費本華, 楊忠. 光譜預處理對近紅外光譜預測木材纖維素結晶度的影響[J]. 光譜學與光譜分析, 2007(3): 435-438. DOI:10.3321/j.issn:1000-0593.2007.03.006.

[26] BIRTH G S, HECHT H G. The physics of near-infrared refl ectance[M]//WILLIAMS P, NORRIS K. Near-infrared technology in the agriculture and food industries. St. Paul/Minnesota, USA: American Association of Cereal Chemists, 1987: 1-15.

[27] DOWELL F E, PEARSON T C, MAGHIRANG E B, et al. Refl ectance and transmittance spectroscopy applied to detecting Fumonisin in single corn kernels infected with Fusarium verticillioides[J]. Cereal Chemistry, 2002, 79: 222-226.

Growth Simulation and Discrimination of Botrytis cinerea, Rhizopus stolonifer and Colletotrichum acutatum by Using Hyperspectral Reflectance Imaging Technique

SUN Ye, GU Xinzhe, WANG Zhenjie, HU Pengcheng, TU Kang, PAN Leiqing*
(College of Food Science and Technology, Nanjing Agricultural University, Nanjing 210095, China)

This study used a hyperspectral imaging system (HIS) to measure the spectral response of fungi inoculated on potato dextrose agar plates. In this work, three methods for calculating HIS parameters, including the mean of whole spectral response values covering the range of 400–1 000 nm, the spectral response value of the wave peak at 716 nm, and the score of the firs t principal component in the whole spectral range of 400–1 000 nm using principal component analysis (PCA), were used to simulate the growth of fungi. The results showed that the coefficients of determination (R2) of the simulation models for test datasets of three fungi, Botrytis cinerea, Rhizopus stolonifer and Colletotrichum acutatum, were 0.722 3–0.991 4, and the sum square error (SSE) and root mean square error (RMSE) were in a range of 2.03 × 10-4–5.34 × 10-3and 0.011–0.756, respectively, based on the three methods. The correlation coefficients between HIS parameters and colony forming units of fungi were high ranging from 0.887 to 0.957. In addition, fungal species can be discriminated by PCA and partial least squares-discrimination analysis (PLS-DA) based on the spectral information in the full wavelength range. The classification accuracy of the test dataset by PLS-DA models for fungi cultured for 36 h was 97.5% among Botrytis cinerea,Rhizopus stolonifer, Colletotrichum acutatum, and the control. This paper offers a new technique and useful information for further study into modeling the growth of fungi and detecting fruit spoilage caused by fungi based on HIS.

spoilage fungi; hyperspectral imaging; growth simulation; partial least squares-discriminant analysis (PLS-DA); discrimination

10.7506/spkx1002-6630-201603026

TS201.3

A

1002-6630（2016）03-0137-08

孫曄, 顧欣哲, 王振杰, 等. 高光譜圖像對灰葡萄孢霉、匍枝根霉、炭疽菌的生長擬合及區(qū)分[J]. 食品科學, 2016, 37(3): 137-144. DOI:10.7506/spkx1002-6630-201603026. http://www.spkx.net.cn

SUN Ye, GU Xinzhe, WANG Zhenjie, et al. Growth simulation and discrimination of Botrytis cinerea, Rhizopus stolonifer and Colletotrichum acutatum by using hyperspectral reflectance imaging technique[J]. Food Science, 2016, 37(3): 137-144. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-201603026. http://www.spkx.net.cn

2015-03-24

公益性行業(yè)（農業(yè)）科研專項（201313002-01）；“十二五”國家科技支撐計劃項目（2015BAD19B03）

孫曄（1992—），女，碩士研究生，研究方向為農產(chǎn)品無損檢測。E-mail：2013108067@njau.edu.cn

*通信作者：潘磊慶（1980—），男，副教授，博士，研究方向為農產(chǎn)品無損檢測。E-mail：pan_leiqing@njau.edu.cn