張建超，張鵬，薛友林，賈曉昱，李江闊

1(遼寧大學 輕型產業(yè)學院，遼寧 沈陽，110036)2(天津市農業(yè)科學院農產品保鮮與加工技術研究所，天津，300384)3(國家農產品保鮮工程技術研究中心(天津)，農業(yè)農村部農產品貯藏保鮮重點實驗室，天津市農產品采后生理與貯藏保鮮重點實驗室，天津，300384)

蘋果富含豐富的營養(yǎng)，是我國的主要水果品種之一[1]。優(yōu)質果和精品果少是制約我國蘋果產業(yè)快速健康發(fā)展的突出因素，也是導致我國蘋果出口率低的重要原因[2-3]。霉心病是影響蘋果內部品質和產量的主要病害，針對此病害的報道覆蓋于我國的各個產區(qū)[4]。其發(fā)病特點是霉心病致病菌侵染蘋果后，蘋果從果實心室往外逐漸腐爛，但是在果實外表并沒有表現(xiàn)出明顯的病害特征[5-6]。因為我國對霉心病缺乏有效的無損檢測技術，影響了蘋果的品質控制和銷售市場[7]。

目前，霉心病蘋果的無損檢測技術主要有近紅外光譜檢測技術[8-9]、核磁共振檢測技術[10-11]、生物電阻抗特性檢測技術[12-13]、成像檢測技術[14-15]和機器智能感官仿生檢測技術[16-17]。但這些技術存在檢測要求全面、分析過程復雜、成本高和耗時長等缺點。

電子鼻檢測技術是一種智能仿生嗅覺技術。其操作簡單、檢測迅速、識別效果好，近年來，電子鼻技術也慢慢成為水果品質無損檢測的重要手段，電子鼻在蘋果[18]、枸杞[19]、葡萄[20]、梨[21]、柑橘[22]等水果品質檢測、成熟度和貨架期[23-24]鑒定方面得到廣泛應用。朱娜等[25]對八成熟“紅顏”草莓分別接種灰霉、擴展青霉以及根霉3種病原菌，然后利用PEN3電子鼻獲取霉菌感染后草莓的氣味并且選擇主成分分析(principal component analysis，PCA)和Fisher函數(shù)建立判別草莓所感病原菌類型的判別模型。HERNANDEZ等[26]利用電子鼻PEN2系統(tǒng)對貯藏期間柑橘果實氣味的變化進行評估，并且使用線性判別分析(linear discriminant analysis，LDA)和PCA來區(qū)分柑橘的貯藏時間，發(fā)現(xiàn)LDA效果優(yōu)于PCA。另外，霉心病蘋果也會產生區(qū)別于健康蘋果的氣味，因此采用電子鼻進行霉心病的無損檢測具有很大的潛能。

本文以富士蘋果為研究對象，利用電子鼻技術采集不同等級霉心病蘋果的傳感器信息，并基于PCA、聚類分析(hierarchical cluster analysi，HCA)和正交偏最小二乘法-判別分析(orthogonal partial least squares-discriminant analysis，OPLS-DA)來表征霉心病蘋果的特征香氣成分；然后基于SPSS 23.0軟件構建蘋果霉心病Fisher函數(shù)、多層感知器神經網絡(muhilayer perceptron neural network，MLPNN)和徑向基函數(shù)神經網絡(radial basis function neural network，RBFNN)判別模型。

1 材料與方法

1.1 材料

霉心病蘋果為富士蘋果，于2019年11月采自甘肅慶陽蘋果示范園。

1.2 儀器與設備

KF-568電子天平，中國·凱豐集團；PEN3型便攜式電子鼻，德國Airsense公司。

1.3 不同等級霉心病蘋果的劃分

為判斷霉心病蘋果的腐爛程度，將霉心病蘋果沿著果實中心赤道處切開，對蘋果整果的截面直徑及霉變區(qū)域的直徑進行測量，計算病變部分所占整果截面面積的百分比(Sd)，然后根據(jù)百分比來劃定霉心病蘋果的病變程度。規(guī)定健康果：Sd=0；輕度霉心病果：Sd<10%；中度霉心病果：10%≤Sd<30%和重度霉心病果：Sd≥30%，因此將霉心病蘋果分為4個等級，即：健康果、輕度果、中度果和重度果，如圖1所示。

a-健康果；b-輕度霉心病果；c-中度霉心病果；d-重度霉心病果圖1 不同等級富士蘋果霉心病果實樣本Fig.1 Fruit samples of fuji apple core rot with different grades

1.4 實驗方法

選取大小一致、外表無損傷的果實進行編號。將編好號的待測霉心病蘋果裝進1 000 mL的燒杯，然后將其密封，常溫平衡10 min后進行電子鼻數(shù)據(jù)的采集。采集條件：測試前傳感器清洗時間為600 s，自動調零時間和樣品準備時間分別為10和5 s，樣品測定時間為70 s，2個樣品測定間隔時間為50 s，內部流量和進樣流量均為100 mL/min。測定結束后選取傳感器響應值較穩(wěn)定的第66～68 s的測試數(shù)據(jù)用于后續(xù)的分析處理。電子鼻傳感器陣列即由10個傳感器組成，其性能如表1所示：

1.5 數(shù)據(jù)統(tǒng)計與分析

實驗中的數(shù)據(jù)通過SIMCA 14.0軟件進行PCA、HCA和OPLS-DA分析，利用SPSS 23.0軟件建立蘋果霉心病Fisher函數(shù)、MLPNN和RBFNN判別模型。

表1 電子鼻傳感器陣列及其性能Table 1 Electronic nose sensor array and its performance

2 結果與分析

2.1 基于電子鼻技術對蘋果霉心病特征揮發(fā)性香氣的表征

隨機選取不同等級的蘋果各10個(選取的健康果編號為1～10，選取的輕度霉心病果編號為11～20，選取的中度霉心病果編號為21～30，選取的重度霉心病果編號為31～40)，然后選擇較平穩(wěn)的第66～68 s電子鼻數(shù)據(jù)的平均值建立PCA、HCA和OPLS-DA模型來表征蘋果霉心病特征揮發(fā)性氣味，分別見圖2～圖4。

2.1.1 PCA分析

PCA是通過特征分解將一組具有相關性的變量轉化成一組不相關變量，從而形成一組新的變量來降低原始數(shù)據(jù)集維度的一種無監(jiān)督分析方法[27]。由圖2 可以看出，第一主成分和第二主成分的總貢獻率為78.5%，能夠較好地反映原有信息。其中，第一主成分的貢獻率為67.2%，對不同等級蘋果霉心病的揮發(fā)性氣味具有較好的區(qū)分，在第一主成分上從右到左依次分布的是健康果、輕度果、中度果和重度果。載荷圖(圖2-b)展示出不同傳感器的分布位置，其與得分圖中樣本的分布位置相對應，則表示該等級霉心病果的傳感器的響應值越高，反之，則越低[28]。由圖2可知，健康果均處于X軸的正半軸，重度果均處于X軸的負半軸。圖2-b中右下角的傳感器(W5C、W1C和W3C)的位置對應于圖2-a中的健康果的位置，表明健康果對應的傳感器(W5C、W1C和W3C)的響應值更高，同理可知，重度霉心病果對應的傳感器(W1S、W2S、W1W和W5S)的響應值更高。結果表明，健康果的特征傳感器有W5C、W1C和W3C，重度果的特征傳感器有W1S、W2S、W1W和W5S，輕度果和中度果傳感器的響應值介于健康果和重度果之間。

a-主成分得分圖；b-載荷圖圖2 不同等級霉心病蘋果的PCA圖Fig.2 PCA diagram of apple core rot with different grades

2.1.2 HCA分析

根據(jù)PCA結果，利用HCA將不同等級的霉心病蘋果的電子鼻信息進行分類，以直觀的圖形方式解釋結果。由圖3可知，HCA顯示出2個清晰的聚類，A組(樣本31～40，即：重度果)和B組(樣本1～30，包括健康果、輕度果和中度果)。B組也可以分為2個小組，樣本1～10、13和16形成了一個獨特的亞群(B1)，從B1可以看到除了樣本13和16外，其他的樣本都是健康果；剩下的樣本是輕度果和中度果，被分配到B2組。因此可以得出結論，與健康果相比，霉心病果的揮發(fā)性氣味會發(fā)生相應的變化，且病變等級越高，揮發(fā)性氣味的變化越大。

圖3 不同等級霉心病蘋果的聚類分析樹狀圖Fig.3 Dendrogram of apple core rot with different grades by HCA

2.1.3 OPLS-DA分析

OPLS-DA是正交信號校正(orthogonal signal correction，OSC)和偏最小二乘回歸(partial least squares regression，PLSR)的組合，同時改進了PLSR，與PLSR-DA相比，OPLS-DA區(qū)分效果更好，更符合事實[29]。使用OPLS-DA分析每個組的特征香氣成分是KHALIL等[30]的一項大膽創(chuàng)新，用于分析13種棗椰子果實品種的揮發(fā)性成分。

根據(jù)HCA的分類結果，OPLS-DA用于區(qū)分A組和B組的揮發(fā)性氣味(圖4)，可以看出A組和B組得到明顯區(qū)分，A組分布在右側，B組分布在左側。

a-OPLS-DA得分圖；b-S-Plot圖4 OPLS-DA分析Fig.4 OPLS-DA analysis注：A組為樣本1～10(即：重度果)，B組為樣本11～40(即：健康果、輕度果和中度果)

S-Plot圖中的每一點代表不同等級蘋果的電子鼻傳感器信息，其中離原點越近表示指標的差異越小，離原點越遠表示指標的差異越大。根據(jù)變量投影重要性(variable importance in the projection，VIP)對變量進行篩選，VIP ≥ 1是相對差異較大的指標[31](紅色三角形)，VIP<1是相對差異較小的指標(綠色圓點)?？梢缘贸?，傳感器W1S、W2S、W1W和W5S在Group B(健康果、輕度果和中度果)和Group A(重度果)間的差異最大(VIP≥1)，即W1S、W2S、W1W和W5S傳感器為重度果的特征傳感器。

2.2 基于Fisher函數(shù)建立霉心病蘋果判別模型

用數(shù)字1表示健康蘋果，用數(shù)字2表示霉心病蘋果，從所有樣本中隨機選取120個健康蘋果和80個霉心病蘋果(包括30個輕度霉心病蘋果，30個中度霉心病蘋果和20個重度霉心病蘋果)作為建模集。剩余的82個蘋果樣本(包括健康果45個，輕度霉心病果16個，中度霉心病果11個和重度霉心病果10個)作為驗證集。將較平穩(wěn)的第66～68 s電子鼻數(shù)據(jù)的平均值輸入SPSS 23.0軟件來建立Fisher函數(shù)判別模型。建立的Fisher判別函數(shù)如下，訓練集和測試集的預測準確率見表2。

Fisher 判別方程為：

健康蘋果：F1=-14 855.64-6 425.45X1-38.25X2+13 434.36X3+5 599.27X4+260.14X5+902.94X6+212.56X7+71.19X8+16 151.96X9-403.27X10

霉心病蘋果：F2=-14 895.41-6 549.40X1-41.64X2+13 558.39X3+5 613.02X4+298.48X5+889.98X6+224.34X7+71.87X8+16 108.48X9-375.21X10

式中:X1,X2,X3,X4,X5,X6,X7,X8,X9和X10分別代表電子鼻W1C, W5S, W3C, W6S, W5C, W1S, W1W, W2S, W2W和W3S的響應值。

比較F1和F2值的大小，若F1>F2，則被記為數(shù)字1，即健康果；若F1

表2 Fisher判別函數(shù)對健康蘋果和霉心病蘋果的判別結果Table 2 Discriminant results of fisher discriminant function′s for healthy apple and core rot apple

2.3 基于神經網絡建立霉心病蘋果判別模型

2.3.1 MLPNN判別模型

在蘋果樣本中隨機選取121個健康蘋果和81個霉心病蘋果作為訓練集，其中霉心病蘋果樣本包括30個輕度霉心病蘋果，30個中度霉心病蘋果和21個重度霉心病蘋果。剩余的78個蘋果樣本(包括健康果44個，輕度霉心病果15個，中度霉心病果12個和重度霉心病果7個)作為驗證集。將較平穩(wěn)的第66～68 s電子鼻數(shù)據(jù)的平均值輸入SPSS 23.0軟件建立3層MLP 神經網絡模型，訓練集與測試集的相對數(shù)量比為7∶3。模型輸入層的單位數(shù)為10，即為電子鼻10個傳感器的響應值，其協(xié)變量的重新標度方法為：標準化；模型輸出層的單位數(shù)為2，即代表健康蘋果和霉心病蘋果，激活函數(shù)為Softmax，誤差函數(shù)為交叉商；1層隱藏層，其單位數(shù)為5，激活函數(shù)為雙曲正切。

根據(jù)上述MLPNN模型建立蘋果霉心病判別模型，樣本的分布情況以及判別結果見表3。MLPNN模型對健康果和重度果的判別率較高，其中健康果的訓練集和測試集的判別率分別為90.08%和93.18%，重度果的訓練集和測試集的判別率分別為95.24%和100%。MLPNN模型對建模集和驗證集的總體判別率分別為88.61%和88.46%，但輕度果驗證集的判別效果不理想，僅為73.33%。建模結果表明，電子鼻結合MLPNN模型能夠較好地識別健康果、中度果及重度果，但是由于輕度果自身發(fā)病程度低的原因，利用電子鼻結合MLPNN模型對蘋果霉心病的區(qū)分精度有待進一步的研究。

表3 MLPNN對健康蘋果和霉心病蘋果的判別結果Table 3 Discriminant results of MLPNN for healthy apple and core rot apple

2.3.2 RBFNN判別模型

在蘋果樣本中隨機選取118個健康蘋果和82個霉心病蘋果作為訓練集，其中霉心病蘋果樣本包括30個輕度霉心病蘋果，30個中度霉心病蘋果和22個重度霉心病蘋果。剩余的84個蘋果樣本(包括健康果40個，輕度霉心病果21個，中度霉心病果14個和重度霉心病果9個)作為驗證集。將較為穩(wěn)定的第66～68 s電子鼻10個傳感器的響應值的平均值輸入SPSS 23.0軟件建立3層RBF神經網絡模型，訓練集與測試集的相對數(shù)量為7∶3。模型輸入層的單位數(shù)為10，即為電子鼻10個傳感器的響應值，其協(xié)變量的重新標度方法為標準化；模型輸出層的單位數(shù)為2，即代表健康蘋果和霉心病蘋果，其激活函數(shù)為恒等式，誤差函數(shù)為平方和；1層隱藏層，其單位數(shù)為46，激活函數(shù)為Softmax。

由表4可知，RBFNN模型對健康果的訓練集和測試集的判別率分別為92.37%和82.5%，對重度果的訓練集和測試集的判別率分別為95.45%和88.89%，具有較好的判別效果；RBFNN模型對輕度果和中度果的測試集的判別率較低，分別為76.19%和78.57%。RBFNN判別模型對訓練集和測試集的總體判別率分別為93.5%和80.95%，其判別率低于MLPNN模型，高于Fisher判別函數(shù)模型。研究結果表明，利用RBFNN建立電子鼻霉心病判別模型的判別效果次于MLPNN建立的電子鼻判別模型，優(yōu)于Fisher判別函數(shù)建立的電子鼻判別模型，在今后的研究中也需要進一步的優(yōu)化。

表4 RBFNN對健康蘋果和霉心病蘋果的判別結果Table 4 Discriminant results of RBFNN for healthy apple and core rot apple

3 結論與討論

正利用SIMCA軟件對采集的不同等級霉心病蘋果的電子鼻信息進行PCA、HCA和OPLS-DA分析。結果表明，重度果的揮發(fā)性氣味與其他等級果有明顯的差異，重度果的特征傳感器有W1S、W2S、W1W和W5S，輕度果和中度果的傳感器響應值介于健康果和重度果的傳感器之間。因此可以得出結論，與健康果相比，霉心病果的揮發(fā)性氣味會發(fā)生相應的變化，且病變等級越高，揮發(fā)性氣味的變化越大。

利用SPSS 23.0軟件建立霉心病蘋果Fisher判別函數(shù)、MLPNN和RBFNN判別模型。研究結果表明，MLPNN模型的判別效果最好，其對訓練集和測試集的總體判別率分別為88.61%和88.46%；RBFNN模型的判別效果次之，其對訓練集和測試集的總體判別率分別為93.5%和80.95%；Fisher判別函數(shù)的判別效果最差，其對訓練集和驗證集的總體判別率分別為91.50%和79.27%。另外，3種判別模型對健康果和重度果都有很好的判別效果，F(xiàn)isher判別函數(shù)、MLPNN和RBFNN判別模型對健康果判別率分別為82.22%、93.18%和82.50%，對重度果的判別率分別為90.00%、100.00%和88.89%；3種模型對輕度果的判別效果最不理想，MLPNN和RBFNN判別模型對輕度果的判別率分別為73.33%和76.19%，特別是電子鼻結合Fisher判別函數(shù)對驗證集的判別率僅為62.5%，需要在今后的研究中進一步優(yōu)化。