郭 闖 郭志明 孫 力 宋 燁 鄒小波

(1. 江蘇大學食品與生物工程學院，江蘇 鎮(zhèn)江 212013；2. 中華全國供銷合作總社濟南果品研究院，山東 濟南 250220)

2019年中國水果產(chǎn)量達2.74億t，并呈慣性增長態(tài)勢。水果產(chǎn)業(yè)在促進農(nóng)業(yè)結(jié)構(gòu)調(diào)整、優(yōu)化居民飲食結(jié)構(gòu)、增加果農(nóng)收入方面發(fā)揮了重要作用[1]。水果在采收及采后貯藏期間若處理不當，極易被微生物侵染，導致腐敗變質(zhì)。據(jù)不完全統(tǒng)計[2]，中國水果損失率約15%～20%，造成巨大的產(chǎn)后經(jīng)濟損失。

傳統(tǒng)的水果腐敗檢測方法主要有人工肉眼辨識[3]和理化指標檢測[4]。肉眼檢測只能辨別腐敗中期和晚期的水果，難以實現(xiàn)早期預(yù)警。理化指標檢測的專業(yè)知識要求高，無法滿足實際檢測環(huán)境需求。隨著無損檢測技術(shù)的發(fā)展，近紅外光譜和高光譜等技術(shù)已被廣泛應(yīng)用于水果腐敗檢測，具有快速、無損的優(yōu)點，是研究趨勢之一[5]。Lorente等[6]通過近紅外光譜儀采集柑橘光譜，結(jié)合線性判別分析對新鮮與腐敗柑橘進行分類，識別率達97.8%；張海輝等[7]利用果實直徑對蘋果霉心病的透射光譜進行修正，實現(xiàn)了蘋果霉心病的準確判別。高光譜成像技術(shù)結(jié)合計算機圖像技術(shù)和光譜技術(shù)獲取黃瓜[8]和香蕉[9]的特征信息，融合馬氏距離建立了相應(yīng)腐敗預(yù)警模型。張建鋒等[10]通過核磁共振成像儀獲取香梨內(nèi)部褐變的核磁共振圖像，建立了香梨褐變的判別模型。上述無損檢測技術(shù)雖然檢測速度快、操作簡便，但只針對單個樣本進行檢測，無法滿足水果腐敗實際檢測的需要。

電子鼻通過樣本的揮發(fā)性氣體對檢測對象進行分析評價，具有易操作、高靈敏的優(yōu)點，同時具有分析樣本整體信息的能力，被廣泛應(yīng)用于食品、環(huán)境和農(nóng)業(yè)等領(lǐng)域。通過電子鼻獲取不同貯藏時間水果的氣體信息，以實現(xiàn)沃柑[11]、桃[12]和獼猴桃[13]貯藏期的判別。徐靜等[14-15]分別利用電子鼻和乙醇傳感器獲取草莓的氣體信息，實現(xiàn)了新鮮度的判別，同時準確定位了草莓腐敗的位置。范霞等[16]通過分析不同貯藏期桃子的氣體成分，對桃的風味物質(zhì)和品質(zhì)特性進行了討論。徐賽等[17]將電子鼻技術(shù)與高光譜技術(shù)融合獲取番石榴的特征信息，通過多源信息融合的方法對水果機械損傷程度進行判別，正確率高達97.44%。袁鴻飛等[18]利用電子鼻和近紅外光譜技術(shù)對蘋果水心病進行判別，識別率達100%。然而，上述電子鼻系統(tǒng)大多針對水果的單一指標進行研究，無法實現(xiàn)水果腐敗過程的多氣體動態(tài)監(jiān)測，不能滿足復(fù)雜環(huán)境下水果腐敗檢測的需要。

為解決水果腐敗的多氣體動態(tài)監(jiān)測和早期預(yù)警的難點，研究水果腐敗過程中氣體傳感器的響應(yīng)差異及變化規(guī)律，模塊化設(shè)計關(guān)鍵檢測單元，研發(fā)基于氣體傳感器陣列的水果腐敗傳感檢測預(yù)警系統(tǒng)。文章擬以典型大宗水果——蘋果為驗證對象，采集蘋果腐敗前的氣體傳感信息，結(jié)合化學計量學方法，構(gòu)建蘋果腐敗前天數(shù)的判別模型和定量預(yù)測模型，驗證系統(tǒng)的可行性和適用性，為水果腐敗早期預(yù)警提供新思路。

1 水果腐敗傳感檢測系統(tǒng)

水果腐敗傳感檢測系統(tǒng)主要由氣體傳感器陣列、數(shù)據(jù)采集模塊、數(shù)據(jù)存儲模塊、數(shù)據(jù)顯示模塊組成，其整體結(jié)構(gòu)如圖1所示。其中，氣體傳感器陣列用于獲取水果各揮發(fā)性氣體的信息；以單片機為核心的數(shù)據(jù)采集模塊用于傳感器陣列信號的采集和AD轉(zhuǎn)換，并控制氣泵和單向閥的開關(guān)等；數(shù)據(jù)存儲模塊和數(shù)據(jù)顯示模塊分別用于存儲和顯示氣體傳感器和腐敗信息的數(shù)據(jù)；供氣動力裝置包括氣室、微型氣泵、單向閥等部件，單向閥用于氣路的控制，微型氣泵用于排氣和氣室內(nèi)氣體的流通。

1.1 檢測系統(tǒng)的硬件結(jié)構(gòu)

1.1.1 主控芯片的選型 單片機具有高可靠、低功耗、以及強抗干擾的優(yōu)點，選用型號為STC8A8K64S4A12_LQFP48的單片機作為主控芯片，該單片機具有較多的I/O端口和較高轉(zhuǎn)換率。以單片機為核心的數(shù)據(jù)采集模塊通過控制微型氣泵和單向閥實現(xiàn)氣路的通斷；氣體傳感器陣列通過獲取氣室氣體濃度的變化，利用數(shù)據(jù)采集模塊對信號進行AD轉(zhuǎn)換后通過串口屏實時顯示，各氣體傳感器數(shù)據(jù)均保存至存儲模塊中。

1. 單向閥 2. 氣室 3. 傳感器陣列 4. 氣泵 5. 控制電路6. 單片機 7. 串口屏 8. TF卡模塊圖1 水果腐敗傳感檢測系統(tǒng)結(jié)構(gòu)示意圖Figure 1 Schematic representation of fruit spoilagesensing monitoring system

1.1.2 氣體傳感器的選擇 氣體傳感器對某些或某種氣體具有高響應(yīng)值，但是對其他的氣體具有低響應(yīng)值，靈敏度易受環(huán)境因素影響，將氣體傳感器進行整合成傳感器陣列能夠有效解決上述問題。經(jīng)廣泛調(diào)研和試驗，選擇高靈敏、低功耗、穩(wěn)定性好的紅外傳感器和電化學型氣體傳感器搭建傳感器陣列。

調(diào)研發(fā)現(xiàn)，影響水果品質(zhì)的主要氣體為氧氣(O2)、二氧化碳(CO2)、揮發(fā)性有機物(VOC)和乙烯(C2H4)。O2和CO2是水果呼吸作用相關(guān)的氣體，CO2濃度過高會導致二氧化碳中毒現(xiàn)象；不同水果釋放的C2H4濃度不同，水果呼吸作用與水果類型有關(guān)，C2H4對水果的生長和衰老起非常重要的作用；VOC則反映了水果的新鮮度。因此，選擇二氧化碳、氧氣、乙烯和揮發(fā)性有機物傳感器構(gòu)建傳感器陣列。表1為選擇的各氣體傳感器的檢測量程、采樣精度和重復(fù)性。

表1 各氣體傳感器的型號、檢測量程、采樣精度和重復(fù)性

1.2 檢測系統(tǒng)軟件設(shè)計

檢測系統(tǒng)軟件具備硬件間通訊、采集傳感器數(shù)據(jù)、顯示腐敗信息和傳感器數(shù)據(jù)曲線、結(jié)果保存等功能。水果腐敗傳感檢測系統(tǒng)的軟件是基于QT C++框架自主開發(fā)，用戶可通過觸摸屏進行人機交互，實現(xiàn)在線數(shù)據(jù)采集及相關(guān)參數(shù)信息的結(jié)果顯示。系統(tǒng)可通過設(shè)置采樣間隔進行間歇式檢測，同時在檢測空閑時期抽離氣室多余氣體，避免氣體傳感器長時間與揮發(fā)性氣體反應(yīng)，延長氣體傳感器的使用壽命。檢測系統(tǒng)工作流程圖如圖2所示，可實時顯示采集的氣體數(shù)據(jù)曲線和調(diào)用模型計算后的腐敗預(yù)警信息等。

圖2 檢測系統(tǒng)的軟件流程圖Figure 2 Software flow chart of monitoring system

2 試驗結(jié)果與分析

2.1 試驗對象

蘋果：紅富士蘋果，挑選尺寸、色澤、大小相似，成熟度一致，無機械損傷的蘋果，以保證蘋果成熟度的一致性，市售；

黑曲霉：中國工業(yè)微生物菌種保藏管理中心(CICC)。

2.2 試驗步驟

2.2.1 黑曲霉的活化與培養(yǎng) 將黑曲霉菌懸液涂布于PDA平板上，28 ℃恒溫恒濕培養(yǎng)1周，取性狀穩(wěn)定的第3代菌作為試驗用菌。用一次性接種環(huán)刮取菌孢子于無菌水中，配置成菌懸液，用血球計數(shù)板對菌懸液進行計數(shù)，用無菌水將菌懸液稀釋至105CFU/mL。

2.2.2 蘋果接種 用純水擦去蘋果表面污染物，用75%的酒精擦拭蘋果表面殺菌消毒，于無菌操作臺紫外線下照射30 min；沿蘋果赤道部分用注射器刺3 mm(直徑)×5 mm(深度)的傷口，用移液槍注入20 μL黑曲霉菌懸液，利用封口膠進行纏繞，共接種30個蘋果。將蘋果樣本置于25 ℃恒溫恒濕培養(yǎng)箱中，每24 h利用檢測系統(tǒng)間歇獲取蘋果的數(shù)據(jù)信息。

2.2.3 數(shù)據(jù)獲取 蘋果發(fā)生腐敗前，每24 h取出蘋果樣本，25 ℃下將樣本置于集氣容器中集氣1 h，利用自研檢測系統(tǒng)獲取各氣體數(shù)據(jù)。每個樣品檢測時間為130 s，清洗時間為200 s，共采集4次數(shù)據(jù)。

2.2.4 數(shù)據(jù)分析 蘋果樣本腐敗前天數(shù)的C2H4、CO2、VOC和O2傳感器的響應(yīng)值如圖3所示。其中，C2H4、CO2和VOC傳感器的響應(yīng)值隨接種時間的增加而增大，O2的響應(yīng)值隨接種時間的增加而降低，可能是蘋果自身的營養(yǎng)成分被代謝，消耗O2產(chǎn)生C2H4、CO2、VOC氣體，說明系統(tǒng)能較好地表征蘋果腐敗前的過程，隨著蘋果的腐敗，差異性逐漸增大，驗證了實現(xiàn)蘋果腐敗早期預(yù)警的可行性。

圖3 蘋果樣本腐敗前天數(shù)的C2H4、CO2、VOC和O2平均值Figure 3 Mean values of C2H4, CO2, VOC and O2 in apple samples on different days before spoilage

2.3 蘋果腐敗預(yù)警模型

檢測系統(tǒng)采集的數(shù)據(jù)格式是以二維表的格式存儲的，對于每一次采集的數(shù)據(jù)而言，均可視為130×4的二維數(shù)組，為了后續(xù)數(shù)據(jù)分析的準確性，對數(shù)據(jù)進行扁平化處理。分別將每個蘋果數(shù)據(jù)由130×4的二維矩陣轉(zhuǎn)換為520×1的一維矩陣，同時將30個蘋果樣本間歇采集4次的120個一維矩陣進行拼接，最終形成520×120的蘋果氣體信息數(shù)據(jù)庫。

主成分分析(PCA)是數(shù)據(jù)降維和特征提取的多元統(tǒng)計方法，將高維的數(shù)據(jù)通過線性變換投影到低維空間，以代表主方差的特征向量為主成分，對高維數(shù)據(jù)進行降維[19]。線性判別分析(LDA)是常用的模式識別方法[20]，可以對數(shù)據(jù)類之間的差異進行建模，以最小化類內(nèi)的方差，被廣泛應(yīng)用于檢測技術(shù)中的分類和特征提取。K-最近鄰(KNN)是一種基于回歸和分類問題的算法，其使用方便、易于實現(xiàn)[21]。反向傳播人工神經(jīng)網(wǎng)絡(luò)(BP-ANN)是利用非線性可微函數(shù)進行權(quán)值訓練的反向傳播網(wǎng)絡(luò)，在處理多變量非線性復(fù)雜信息時具有強大的表達能力[22]。

將蘋果氣體信息數(shù)據(jù)庫作為數(shù)據(jù)模型輸入，對30個蘋果4 d的數(shù)據(jù)進行分析。其中訓練集與預(yù)測集按3∶2的比例進行劃分，所有數(shù)據(jù)均使用MATLAB_R2014b進行處理。利用LDA、KNN和BP-ANN建立的腐敗前天數(shù)的判別模型，結(jié)果如圖4所示。

由圖4可知，前3個主成分的累積方差貢獻率達99.11%。其中蘋果腐敗前1 d和其他天數(shù)區(qū)分效果較好，表明氣體傳感器數(shù)據(jù)可用于蘋果腐敗前天數(shù)的分類。由圖4和表2可知，LDA在主成分數(shù)為2時結(jié)果最佳，預(yù)測集的結(jié)果可達93.75%；KNN的結(jié)果略優(yōu)于LDA，最高可達97.92%；BP-ANN在隱含層神經(jīng)元數(shù)量為13時分類效果最佳，訓練集與預(yù)測集的識別率分別為99.53%和99.38%。綜上，基于氣體傳感器的檢測系統(tǒng)通過不同階段蘋果產(chǎn)生揮發(fā)性氣體的差異性，可實現(xiàn)蘋果的腐敗前天數(shù)的分類。

表2 基于LDA、KNN和BP-ANN算法的蘋果腐敗前天數(shù)的分類結(jié)果

圖4 氣體傳感器數(shù)據(jù)建立的判別模型結(jié)果Figure 4 Results of discriminant model using sensor data

2.4 蘋果腐敗預(yù)測模型

偏最小二乘法(PLS)為應(yīng)用廣泛的多元校正方法[23]，所建模型的交叉驗證均方根誤差(RMSECV)和預(yù)測均方根誤差(RMSEP)越小，相關(guān)系數(shù)越接近1，表明所建模型越準確、越穩(wěn)定。由于氣體傳感器的數(shù)據(jù)包括相關(guān)性較弱的變量，會降低PLS模型準確性，可以通過變量篩選方法篩選數(shù)據(jù)的特征變量，剔除無關(guān)變量，可提高PLS的預(yù)測精度。

采用聯(lián)合區(qū)間(SI)、遺傳算法(GA)、模擬退火(SA)、蟻群(ACO)和競爭自適應(yīng)重加權(quán)采樣(CARS)5種變量篩選方法篩選特征變量建立腐敗前天數(shù)的PLS預(yù)測模型。SI將所有數(shù)據(jù)分成若干個等寬子區(qū)間，由不同子區(qū)間組合而成，選取RMSECV最小的區(qū)間組合[24]。GA是基于自然選擇和進化機制[25]，能在短時間內(nèi)達到全局最優(yōu)，降低了陷入局部最優(yōu)搜索的風險。SA是基于固態(tài)物理退火工藝的演化而來的求解組合優(yōu)化問題的算法[26]。ACO算法是通過蟻群的活動規(guī)律，優(yōu)化所創(chuàng)建路徑的能力，以改進最優(yōu)變量的選擇，具有較強的通用性和魯棒性[27]。CARS通過模仿達爾文進化論而建立，可以有效剔除不相關(guān)變量，簡化和提高模型的預(yù)測精度[28]。

分別利用全變量和選擇變量建立蘋果腐敗前天數(shù)的PLS預(yù)測模型，其散點圖如圖5所示。以預(yù)測集的相關(guān)系數(shù)作為定量模型的評價標準，建立的PLS模型相關(guān)系數(shù)均>0.91，說明變量篩選方法可有效去除無關(guān)變量，提高預(yù)測模型的準確性。

由圖5可知，CARS-PLS篩選出37個特征變量構(gòu)建預(yù)測模型，其中Rc=0.975，RMSEC=0.249，Rp=0.974，RMSEP=0.253，對于蘋果腐敗前天數(shù)的預(yù)測最佳，說明系統(tǒng)通過不同階段蘋果產(chǎn)生氣體成分的差異性，對蘋果腐敗前天數(shù)進行預(yù)測，表明實現(xiàn)早期腐敗預(yù)警的可能性，驗證了檢測系統(tǒng)預(yù)測水果腐敗的可行性。

圖5 基于傳感器數(shù)據(jù)建立的蘋果腐敗前天數(shù)預(yù)測模型Figure 5 Prediction model of days before apple corruption based on sensor data

3 結(jié)論

(1) 構(gòu)建了由氣體傳感器陣列、數(shù)據(jù)采集模塊、數(shù)據(jù)存儲模塊、數(shù)據(jù)顯示模塊組成的水果腐敗傳感檢測系統(tǒng)。通過數(shù)據(jù)采集模塊獲取氣體傳感器陣列的信號，采用QT Creator軟件開發(fā)檢測系統(tǒng)顯示界面，有效地獲取水果的各揮發(fā)性氣體信息，系統(tǒng)運行穩(wěn)定可靠，實現(xiàn)了水果腐敗的檢測。

(2) 以蘋果為驗證對象，探究蘋果腐敗過程氣體的變化趨勢。其中，乙烯、二氧化碳和揮發(fā)性化合物含量隨蘋果腐敗程度的增加而增大，而氧氣含量反而降低。通過LDA、KNN和BP-ANN 3種模式識別方法建立蘋果腐敗前天數(shù)判別模型，其中BP-ANN為最佳預(yù)測模型，識別率高達99.38%，表明基于氣體傳感器技術(shù)的水果腐敗檢測是可行的。

(3) 利用聯(lián)合區(qū)間、遺傳算法、模擬退火、蟻群和競爭自適應(yīng)重加權(quán)采樣5種變量篩選方法篩選特征變量，建立腐敗前天數(shù)的PLS預(yù)測模型，其中，競爭自適應(yīng)重加權(quán)采樣-PLS對于蘋果腐敗前天數(shù)的預(yù)測最佳(Rp=0.974)，說明檢測系統(tǒng)可用于腐敗天數(shù)的預(yù)測，為水果腐敗預(yù)警提供了新思路。后續(xù)研究應(yīng)以批量的水果樣本作為驗證樣本，模擬實際水果倉儲環(huán)境，實現(xiàn)早期腐敗預(yù)警和實時監(jiān)測，隨時了解倉儲中水果的品質(zhì)狀態(tài)，快速識別水果的腐敗變質(zhì)，實現(xiàn)水果腐敗的早期預(yù)警，及時采取處理措施，減少腐敗的發(fā)生。