劉燕德，張 雨，姜小剛，孫旭東，徐 海，劉昊辰

華東交通大學(xué)機(jī)電與車輛工程學(xué)院，水果智能光電檢測技術(shù)與裝備國家地方聯(lián)合工程研究中心，江西 南昌 330013

引 言

糖度(SSC)和硬度是水蜜桃的重要品質(zhì)屬性，決定了水蜜桃品質(zhì)的高低，也是消費(fèi)者購買時(shí)關(guān)心的問題。水蜜桃大多成熟于夏季，高溫天氣下，成熟的水蜜桃采摘后迅速軟化，內(nèi)部品質(zhì)變化明顯。在運(yùn)輸及售賣期間，水蜜桃處于常溫下保存，果內(nèi)水分流失，風(fēng)味有所提高，表面開始松軟，糖度和硬度變化明顯。因此，檢測水蜜桃常溫下貯藏期間的糖度和硬度變化，對指導(dǎo)采摘期及貨架期具有重要意義。

可見/近紅外光譜技術(shù)是水果品質(zhì)評價(jià)中最常用的無損檢測技術(shù)之一，能夠快速、無損的檢測水果的內(nèi)部品質(zhì)[1-2]。近紅外光譜技術(shù)已在多種水果檢測中成功應(yīng)用，主要用于檢測水果內(nèi)部的糖酸度等[3-4]。潘磊慶等[5]使用近紅外光譜對貨架期內(nèi)水蜜桃糖度進(jìn)行檢測； Huang等[6]使用兩種便攜式近紅外光譜儀對六種成熟度番茄的多種硬度參數(shù)進(jìn)行預(yù)測分析； Uwadaira Y等[7]使用可見/近紅外光譜檢測桃的果肉硬度，用以評價(jià)桃的成熟度?？梢?近紅外光譜技術(shù)研究水蜜桃的現(xiàn)有報(bào)道中，水蜜桃貯藏期的研究不少，但幾乎都是研究單一指標(biāo)，較少綜合分析糖度和硬度，且研究效果并不理想。目前對水蜜桃的研究多為靜態(tài)單一檢測方式，多方式及動態(tài)檢測較少； 且常用的測定果實(shí)硬度的方法是穿刺試驗(yàn)[6-7]，檢測過程損壞樣品。使用多種檢測方式研究水蜜桃貯藏期糖度和硬度的無損檢測技術(shù)具有重要意義。本研究在使用可見/近紅外光譜技術(shù)，建立不同貯藏期水蜜桃糖度及硬度的無損檢測模型。具體目標(biāo)是： (1)使用兩種檢測方式采集不同貯藏階段水蜜桃的光譜，測量水蜜桃的糖度和硬度(2)采用合適的預(yù)處理方法來減小噪聲和誤差對光譜的影響，并使用兩種波長選擇算法及特征波長，建立糖度和硬度模型，并選擇最佳的預(yù)測模型。

1 實(shí)驗(yàn)部分

1.1 樣品

實(shí)驗(yàn)樣品為果園新鮮采摘的“大土山”水蜜桃，其表面光滑無損傷，樣品總數(shù)為90個。實(shí)驗(yàn)前，所有樣品均置于保鮮袋中，并在常溫(22～25 ℃)下保存以模擬水蜜桃售賣期間的條件。樣品分為4批，其中第一批30個，余下三批各20個。從初次測量起，每隔兩天測量一批樣品的光譜、糖度、硬度和重量，實(shí)驗(yàn)周期共計(jì)6 d。圖1為實(shí)驗(yàn)時(shí)每個貯藏階段的樣品，前期貯藏樣品表面良好，4 d之后樣品表面開始松軟腐爛。

圖1 不同貯藏期的水蜜桃樣品Fig.1 Peach samples of different storage periods

1.2 光譜采集

使用實(shí)驗(yàn)室自行研制的水果動態(tài)檢測裝備采集樣品光譜，裝備搭載QE65Pro光譜儀(Ocean Optics, USA)，所采集的光譜為可見/近紅外光譜，波長范圍為350～1 150 nm。設(shè)備光路及光源分布如圖2，光源為10個12 V/100 W的鹵鎢燈，位于樣品兩側(cè)。光纖接收樣品的光源信息并傳輸?shù)焦庾V儀及計(jì)算機(jī)中。使用漫透射和漫反射兩種采集方式采集樣品光譜，兩種方式采集方法基本相同，光纖分別在下方和上方接收光譜信號，且漫反射為靜態(tài)采集。每個樣品按90°間隔標(biāo)記赤道位置4個表面，采集光譜時(shí)，提前預(yù)熱裝備20～30 min，待裝置穩(wěn)定之后，人為按標(biāo)號進(jìn)行光譜動態(tài)采集，以保證光譜數(shù)據(jù)的可靠性。積分時(shí)間均設(shè)為100 ms，所得到的光譜均已去除暗光譜。為了減少果核的影響，將樣品按果柄與運(yùn)動方向一致，縫合線平行于果杯的方式放置，且出口均有海綿墊用以防護(hù)。

圖2 近紅外動態(tài)在線檢測裝置Fig.2 Near-infrared dynamic online detection device

1.3 樣品硬度及糖度測量

光譜采集完成后，對水蜜桃樣品進(jìn)行穿刺試驗(yàn)。為了保證信息的一致性，在采集光譜的相同位置進(jìn)行穿刺試驗(yàn)以獲得相應(yīng)的樣品硬度。使用配備3 mm圓柱形探針的美國FTC質(zhì)構(gòu)儀(Food Technology Corporation，USA)及配套軟件進(jìn)行穿刺試驗(yàn)，力量元量程為100 N，加載速度5 mm·min-1，觸發(fā)力設(shè)為0.1 N，最大穿刺深度為10 mm。記錄每次測量時(shí)得到的硬度數(shù)據(jù)，單位為N。測量完成后，同樣取光譜測量相同4個位置處的果肉，榨汁后將果汁倒入折射式數(shù)字糖度計(jì)PAL-1(ATAGO，Japan)中進(jìn)行糖度測量。每次測量重復(fù)三次，取兩次相同的值作為該位置的糖度真值。

1.4 樣本集劃分

在建立判別模型之前，首先將樣本分為校正集、預(yù)測集。利用校正集數(shù)據(jù)對模型進(jìn)行訓(xùn)練，之后利用預(yù)測集數(shù)據(jù)對模型進(jìn)行性能測試[8]。實(shí)驗(yàn)中對樣本進(jìn)行異常值測試，剔除異常點(diǎn)后使用K-S算法將樣本劃分為校正集和預(yù)測集。表1分別給出了兩種檢測方式下糖度和硬度的校正集和預(yù)測集的樣品個數(shù)，樣本集覆蓋了足夠大的數(shù)據(jù)范圍，且校正集的數(shù)據(jù)范圍均大于預(yù)測集，說明這些數(shù)據(jù)具有代表性且能夠建立良好的近紅外模型。

表1 樣本集劃分Table 1 Sample set division

1.5 數(shù)據(jù)處理及分析方法

偏最小二乘回歸(PLS)是最常用的多元線性校正技術(shù)，廣泛應(yīng)用于可見/近紅外光譜分析中，用以定量預(yù)測水果內(nèi)部品質(zhì)[9]。PLS可以同時(shí)分解光譜矩陣X和濃度矩陣Y，消除無用的噪聲信息，使PLS在實(shí)際應(yīng)用中具有更強(qiáng)的魯棒性[10-11]。PLS的回歸模型如式(1)

Y=bX+e

(1)

式(1)中，b為回歸系數(shù)的向量，e為模型殘差。

PLS將光譜數(shù)據(jù)投射到一組稱為潛在變量(LVs)的正交因子上，并使用簡單交叉驗(yàn)證及其他方法來避免由于使用太小或太大的LVs而導(dǎo)致的欠擬合或過擬合。使用Unscrambler軟件對數(shù)據(jù)進(jìn)行PLS分析，將校正模型應(yīng)用于預(yù)測集或驗(yàn)證集中桃子糖度和硬度參數(shù)的預(yù)測，并通過預(yù)測均方根誤差(RMSEP)和校正均方根誤差(RMSEC)、預(yù)測相關(guān)系數(shù)(Rp)和校正相關(guān)系數(shù)(Rc)等統(tǒng)計(jì)參數(shù)進(jìn)行評價(jià)。

無信息變量消除(UVE)基于PLS回歸系數(shù)挑選波長，將一定數(shù)目的隨機(jī)變量加入光譜矩陣之中，通過交叉驗(yàn)證建立PLS模型，計(jì)算回歸系數(shù)與標(biāo)準(zhǔn)偏差的比值，從而選取有效光譜信息。連續(xù)投影算法(SPA)是一種前向選擇算法，利用向量空間中的一個簡單投影操作來選擇共線性最小的變量子集，并使用均方根誤差(RMSE)進(jìn)行評估[12]。

2 結(jié)果與討論

2.1 光譜特性分析

水蜜桃4個貯藏階段的平均光譜如圖3所示，對于漫透射方式[圖3(a)]，由于光譜前端(350～515 nm)和光譜后端(975～1 150 nm)信號較弱，無有效信息，故直接選擇波長范圍為515～975 nm (600個變量)。同樣，將漫反射方式測得光譜的有效波長范圍定為465～950 nm (640個變量)[圖3(b)]。從圖3 中可以看出，在650～680 nm范圍內(nèi)，不同貯藏期的水蜜桃光譜差異較大，主要是因?yàn)橘A藏過程中色素的變化導(dǎo)致波峰的偏移及強(qiáng)度變化。另外，在716 nm附近的波峰主要與C—H和O—H鍵的倍頻伸縮振動有關(guān)[13]； 隨著貯藏天數(shù)的增加，桃內(nèi)水分流失減少了O—H鍵的吸收且果內(nèi)透光性增強(qiáng)，波峰強(qiáng)度不斷增大。而在805 nm附近的波峰主要與C—H及N—H鍵有關(guān)。總體來看，貯藏天數(shù)的增加對漫透射方式采集的光譜影響較大，因?yàn)槁干浞绞街饕杉膬?nèi)部信息，而漫反射方式采集的更多是樣品表面的信息。

圖3 不同貯藏期水蜜桃的平均光譜 (a)： 漫透射； (b)： 漫反射Fig.3 Average spectrum of peach in different storage days (a)： Diffuse transmittance； (b)： Diffuse reflectance

2.2 硬度和糖度真值分析

表2顯示了不同貯藏天數(shù)水蜜桃糖度和硬度的測量值?？梢钥闯?，隨著水蜜桃貯藏天數(shù)的增加，硬度的平均值呈下降趨勢，而糖度則相反，總體呈上升趨勢。水蜜桃糖度在初期貯藏時(shí)先下降，貯藏時(shí)間延長，水蜜桃開始松軟，糖度增加，風(fēng)味慢慢提高，與前人研究一致[7]。糖度在貯藏期間增加了0.4%～3.31%，硬度則下降了28.1%～58.8%。變異系數(shù)(CV)衡量的是測量值在樣本間的相對變化。糖度的CV值基本變化不大，和平均值的變化基本相符； 硬度的CV值則在28.81%～42.51%之間變化，且在最后一批達(dá)到最大，說明隨著貯藏時(shí)間的延長，樣品的硬度在同一階段變得更不穩(wěn)定[4]。

表2 不同貯藏天數(shù)下水蜜桃的參數(shù)變化Table 2 Parameter changes of peach indifferent storage days

在貯藏過程中，水蜜桃的重量由147.22 g逐步降低至107.46 g，果實(shí)重量的下降主要是水分減少引起的。重量、硬度與貯藏天數(shù)呈高度負(fù)相關(guān)(R1=-0.967，R2=-0.983)，糖度與貯藏天數(shù)呈正相關(guān)(R3=0.54)。可以看出，水蜜桃的糖度、硬度及重量與貯藏天數(shù)均有較好的相關(guān)度。

2.3 水蜜桃糖度和硬度的預(yù)測模型

2.3.1 預(yù)處理

使用偏最小二乘回歸建立水蜜桃的糖度及硬度預(yù)測模型。為防止過擬合或欠擬合，LVs的數(shù)量設(shè)定為1～20。根據(jù)劃分好的校正集和預(yù)測集建立水蜜桃的PLS模型，并使用多種預(yù)處理方法(S-G平滑、歸一化Normalization、多元散射校正MSC、基線校正Baseline)對光譜進(jìn)行處理，結(jié)果見表3。對于糖度預(yù)測，漫透射采集的光譜數(shù)據(jù)建立的PLS模型能夠更好地預(yù)測不同貯藏階段的糖度變化，采用MSC預(yù)處理后，得到的LVs小，兩個相關(guān)系數(shù)接近，Rp為0.886，RMSEP為0.727； 漫反射下，最佳模型的Rp為0.820，RMSEP為1.003，預(yù)處理方法為S-G平滑+3。在硬度模型中，效果最好的是漫反射，使用Normalization預(yù)處理后，最佳Rp為0.835，RMSEP為0.833。漫透射下，使用MSC預(yù)處理后，模型LVs最小，Rp為0.797，RMSEP最小為0.975。圖4(a,b)分別為兩種檢測方式水蜜桃糖度和硬度的最佳PLS模型。

表3 不同預(yù)處理方法下糖度和硬度模型對比Table 3 Comparison of sugar and firmness models under different pretreatment methods

為了消除無用變量，進(jìn)一步優(yōu)化預(yù)測模型的性能，提高檢測速度。采用UVE和SPA兩種波長選擇算法對光譜變量進(jìn)行篩選，選取有效變量建立PLS模型。

使用UVE進(jìn)行波長選擇時(shí)，設(shè)定隨機(jī)變量數(shù)為200，分別對兩種檢測方式下的糖度和硬度光譜進(jìn)行波長選擇，選擇有效的波長點(diǎn)用作后續(xù)建模。UVE處理結(jié)果如圖5，上下虛線為閾值，閾值內(nèi)的光譜變量剔除，閾值外的光譜變量保留作為選中的有效變量。最終通過UVE選取的變量數(shù)及模型效果如表4所示。

同樣，使用SPA從直接法篩選波長后的光譜變量中挑選特征波長，用于糖度和硬度的評價(jià)。SPA篩選變量之前，分別設(shè)定最小、最大變量數(shù)為10和100，通過SPA程序計(jì)算的均方根誤差(RMSE)值來確定所選變量的最優(yōu)數(shù)量。SPA挑選的波長點(diǎn)如圖5(b)所示，這些波長點(diǎn)覆蓋了大部分有效信息，在UVE的基礎(chǔ)上進(jìn)一步簡化模型。波長選擇后，將挑選的波長用于建立PLS模型，最終挑選的變量數(shù)及模型效果見表4。

表4為光譜變量進(jìn)行特征波長選擇后建立的PLS模型?？梢钥吹?，使用波長選擇算法后，建立的糖度模型效果不如預(yù)處理后的糖度模型。可能是因?yàn)樘嵌仍诠庾V上有多重表征，且處理前已經(jīng)將無信息的波長剔除，留下的均為有效波長，進(jìn)行波長選擇后反而去除了有用的信息，從而導(dǎo)致模型效果變差。而硬度的變化主要受水分影響[6-7]，只跟光譜的特定波段有關(guān)。因此，SPA和UVE均能在一定程度提高硬度模型效果。漫透射、漫反射方式下硬度的最好模型分別是SPA-PLS和UVE-PLS，其中SPA-PLS的Rp為0.798，RMSEP為0.976，UVE-PLS的Rp為0.841，RMSEP為0.829，兩個模型均比預(yù)處理后建立的模型效果好，且簡化了模型，如圖6(a,b)所示。

2.4 光譜相關(guān)性分析

圖7為水蜜桃糖度和硬度與光譜的回歸系數(shù)圖，系數(shù)越大代表該波長所占權(quán)重越大，重要程度越高?？梢钥闯?，糖度有較多高回歸系數(shù)的波段，規(guī)律性不強(qiáng)； 而硬度的高回歸系數(shù)多是在波峰波谷處。這同樣解釋了波長選擇算法得到的硬度模型效果好，糖度模型效果不佳的原因，也說明挑選幾個波長用于預(yù)測硬度變化是可行的。

圖4 兩種檢測方式下桃子糖度(SSC)和硬度(Firmness)的PLS模型 (a)： 漫透射； (b)： 漫反射Fig.4 PLS models of SSC and Firmness of peach under two detection methods (a)： Diffuse transmittance； (b)： Diffuse reflectance

圖5 兩種波長選擇算法 (a): UVE處理結(jié)果； (b): SPA挑選的波長點(diǎn)Fig.5 The results of two wavelength selection algorithms (a): The selected result of UVE； (b): The selected result of SPA

此外，實(shí)驗(yàn)所建立的模型能夠較準(zhǔn)確地預(yù)測各貯藏階段水蜜桃的糖度及硬度，再結(jié)合糖度、硬度與貯藏天數(shù)的關(guān)系，可以得到水蜜桃的貯藏天數(shù)。本實(shí)驗(yàn)得出，最佳貯藏天數(shù)為2～4 d，這個階段的水蜜桃糖度有所提高，硬度下降但還未腐爛，宜于食用。

3 結(jié) 論

采用動態(tài)在線檢測設(shè)備，采集四個貯藏階段水蜜桃的兩種光譜。根據(jù)有效信息直接選擇波長，并結(jié)合多種預(yù)處理方法，建立水蜜桃糖度和硬度的PLS回歸模型。結(jié)果表明： 漫透射光譜建立的模型中，MSC為糖度和硬度的最佳預(yù)處理方法，Rp分別為0. 886和0.797； S-G平滑+3、標(biāo)準(zhǔn)化預(yù)處理方法則分別優(yōu)化了漫反射下水蜜桃的糖度、硬度模型，Rp分別為0. 820和0.835?？梢钥闯?，漫透射方式預(yù)測水蜜桃的糖度更佳，而漫反射預(yù)測硬度更佳。主要原因是隨著貯藏天數(shù)增加，果肉松軟，漫透射方式下光源透光性增強(qiáng)，能夠獲取更多水果內(nèi)部的信息； 而硬度主要受果皮變化影響，漫反射方式能夠更多地獲取水蜜桃表皮的信息。模型均能夠較好地預(yù)測不同貯藏階段水蜜桃的糖度和硬度，結(jié)合貯藏天數(shù)與硬度和糖度的變化，能夠預(yù)測出水蜜桃的最佳貯藏天數(shù)。本實(shí)驗(yàn)桃子的最佳貯藏期為2～4 d。

表4 兩種波長選擇算法的PLS模型Table 4 PLS models of two wavelength selection algorithms

圖6 特征波長選擇后的最優(yōu)模型 (a): 漫反射； (b): 漫透射Fig.6 Optimal model after characteristic wavelength selection (a): Diffuse reflectance; (b): Diffuse transmittance

圖7 水蜜桃糖度和硬度的回歸系數(shù) (a): 糖度； (b): 硬度Fig.7 Regression coefficients of SSC and Firmness of peach (a): SSC; (b): Firmness

另外，使用SPA和UVE算法進(jìn)行波長選擇，結(jié)果發(fā)現(xiàn)兩種波長選擇算法可以優(yōu)化硬度模型，但不能優(yōu)化糖度模型。分析了糖度和硬度與光譜的相關(guān)性，糖度在光譜多處波長處具有高回歸系數(shù)，硬度的相關(guān)參數(shù)均在波峰波谷附近，充分解釋了兩種算法只能優(yōu)化硬度模型的原因。根據(jù)光譜范圍和測量的硬度參數(shù)得知，硬度參數(shù)與單個波長之間的相關(guān)性變化很大，說明使用幾個波段用來預(yù)測硬度是可行的，需要進(jìn)一步研究。本研究可以指導(dǎo)售賣期間水蜜桃的貯藏，也能為水蜜桃采摘期提供參考。