何代弟 張 曉 張楠楠 袁新濤 馬 瑞 保 昊 孫武軍
(1塔里木大學(xué)信息工程學(xué)院,新疆阿拉爾 843300;2塔里木綠洲農(nóng)業(yè)教育部重點(diǎn)實(shí)驗(yàn)室,塔里木大學(xué),新疆阿拉爾 843300)
蘋果是常見的水果之一,富含多種維生素、蛋白質(zhì)和糖類等,營(yíng)養(yǎng)價(jià)值高,深受消費(fèi)者喜愛。近些年,隨著科技水平的發(fā)展,我國(guó)蘋果的種植面積、產(chǎn)量快速增長(zhǎng),蘋果的口感、品質(zhì)安全等也越來(lái)越被消費(fèi)者重視。蘋果內(nèi)部品質(zhì)與其食用口感有著直接關(guān)系,并且影響蘋果的銷售,因此對(duì)蘋果品質(zhì)進(jìn)行檢測(cè)評(píng)估非常必要。
蘋果的品質(zhì)主要由糖度、酸度、硬度、水分及脆性等參數(shù)來(lái)表征,內(nèi)部品質(zhì)指標(biāo)直接影響著果實(shí)的口感及品質(zhì),同時(shí)也是蘋果成熟度的判斷依據(jù)。消費(fèi)者在購(gòu)買蘋果時(shí),不僅在意蘋果的形狀、大小、顏色等外觀品質(zhì),并且越來(lái)越注重蘋果的內(nèi)部品質(zhì),比如酸甜度、脆性、營(yíng)養(yǎng)物質(zhì)等。已有的研究證明,光譜檢測(cè)技術(shù)檢測(cè)蘋果內(nèi)部品質(zhì)是可行的,但傳統(tǒng)的蘋果品質(zhì)檢測(cè)方法效率低、操作復(fù)雜、且具有破壞性,因此蘋果內(nèi)部品質(zhì)的無(wú)損檢測(cè)仍然是重點(diǎn)研究領(lǐng)域。目前,無(wú)損檢測(cè)技術(shù)如機(jī)器視覺、高光譜成像技術(shù)、介電特性法和核磁共振檢測(cè)等被應(yīng)用于水果品質(zhì)無(wú)損檢測(cè)中,與這些常用的無(wú)損檢測(cè)技術(shù)相比,近紅外光譜技術(shù)是一種新興檢測(cè)技術(shù),具有綠色、無(wú)損、快速等優(yōu)點(diǎn),通過漫反射和漫透射獲取蘋果的成分和組織信息,對(duì)獲得的光譜信息進(jìn)行特征提取和分析,從而檢測(cè)蘋果的內(nèi)部品質(zhì)。本文闡述了近紅外光譜分析技術(shù)的原理,著重介紹了近紅外光譜檢測(cè)技術(shù)在蘋果內(nèi)部品質(zhì)檢測(cè)中的應(yīng)用研究,以期為該技術(shù)在農(nóng)產(chǎn)品檢測(cè)領(lǐng)域的應(yīng)用提供參考。
近紅外光譜(Near Infrared Spectrum Instrument,NIRS)是介于可見光線和中紅外線光譜之間的電磁波輻射,波長(zhǎng)范圍在780~2 526 nm,利用電磁輻射收集樣本的分子結(jié)構(gòu)和化學(xué)成分信息,從而提供復(fù)雜的結(jié)構(gòu)信息。近紅外光主要對(duì)含氫基團(tuán)C-H、NH、O-H等振動(dòng)的倍頻和合頻進(jìn)行吸收,是基于物質(zhì)對(duì)近紅外譜區(qū)電磁波的吸收。近紅外區(qū)域內(nèi)產(chǎn)生的吸收強(qiáng)度和吸收位置在不同基團(tuán)顯示不同,所以近紅外光譜曲線能反映出不同的特征。因近紅外光譜分析具有快速、無(wú)損、安全和便于實(shí)現(xiàn)的優(yōu)點(diǎn),被廣泛應(yīng)用于農(nóng)產(chǎn)品和食品檢測(cè)等領(lǐng)域。
近紅外光譜分析技術(shù)的優(yōu)點(diǎn)包括:①操作簡(jiǎn)單,幾乎不用進(jìn)行預(yù)處理,誤差小,重現(xiàn)性好;②檢測(cè)成本低,無(wú)損檢測(cè)、實(shí)時(shí)檢測(cè),近紅外檢測(cè)在分析過程中損耗樣本少,不需要大量試劑;③檢測(cè)效率高,可同時(shí)對(duì)樣本進(jìn)行多成分分析,并且可靠性較高。但近紅外光譜分析技術(shù)因其檢測(cè)靈敏度不高,在檢測(cè)過程中容易受到外界檢測(cè)環(huán)境影響,限制了其在食品科學(xué)等領(lǐng)域的應(yīng)用。另外,近紅外光譜儀器價(jià)格偏高,受經(jīng)濟(jì)因素限制,難以在生產(chǎn)中大規(guī)模應(yīng)用。
蘋果中的可溶性固形物含量是影響蘋果內(nèi)部品質(zhì)的因素之一,主要由可溶性糖、酸、纖維素等多種成分組成[1]。現(xiàn)階段,蘋果可溶性固形物含量通過數(shù)顯糖度計(jì)測(cè)定,然而該方法破壞了蘋果樣本,影響商品二次銷售。近紅外光譜分析技術(shù)因?qū)μO果樣品不用進(jìn)行預(yù)處理即能實(shí)現(xiàn)在線分析,近些年被廣泛應(yīng)用于水果無(wú)損檢測(cè),在蘋果內(nèi)部品質(zhì)分析中得到很好的應(yīng)用。
2.1.1光譜預(yù)處理的選擇近紅外光譜分析通常因儀器、樣品背景等的影響出現(xiàn)譜圖偏移或漂移等現(xiàn)象,光譜中存在大量的干擾信息,其中含有大量噪聲和散射,為了提高模型質(zhì)量和測(cè)試樣品結(jié)果的準(zhǔn)確性,需要對(duì)蘋果可溶性固形物光譜進(jìn)行預(yù)處理。趙杰文等[2]利用凈分析物預(yù)處理法(NAP)和正交信號(hào)校正法(OSC)處理蘋果的近紅外光譜原始數(shù)據(jù),并通過偏最小二乘法(PLS)建立可溶性固形物定量模型,結(jié)果表明,最佳NAP/PLS 糖度模型和最佳OSC/PLS 糖度模型的性能更好,均明顯優(yōu)于原始光譜的最佳偏最小二乘模型。時(shí)榕茂和劉靜[3]使用5 種預(yù)處理方法處理蘋果脆片近紅外光譜,處理后的光譜利用偏最小二乘法建立模型,結(jié)果表明,多元散射校正處理后對(duì)校正模型的預(yù)測(cè)結(jié)果準(zhǔn)確性明顯提高,采用標(biāo)準(zhǔn)正態(tài)變量變換預(yù)處理方法則極大地提升了近紅外光譜模型預(yù)測(cè)結(jié)果的準(zhǔn)確性,相關(guān)系數(shù)由原來(lái)的0.758 47提升到0.864 70,均方根誤差由原來(lái)的0.115 33 降低到0.095 37。Zhu 等[4]用4 種預(yù)處理方法對(duì)近紅外光譜進(jìn)行處理,采用支持矢量回歸(v-SVR)構(gòu)建了蘋果可溶性固形物含量(SSC)與聲光可調(diào)濾光片近紅外(AOTF-NIR)光譜之間的標(biāo)定模型,將v-SVR的性能與偏最小二乘回歸(PLSR)和反向傳播人工神經(jīng)網(wǎng)絡(luò)(BP-ANN)進(jìn)行比較。結(jié)果表明,預(yù)處理方法中,數(shù)據(jù)縮放、均值中心和SNV可以提高模型的穩(wěn)健性,蘋果SSC方面,v-SVR優(yōu)于PLSR和BP-ANN。
2.1.2波長(zhǎng)和波段的篩選蘋果可溶性固形物的特征波長(zhǎng)反映其內(nèi)部品質(zhì)信息,近紅外光譜測(cè)量時(shí)會(huì)受到眾多外部因素的干擾,直接獲取的數(shù)據(jù)會(huì)降低精度,提取相關(guān)特征波長(zhǎng)和波段信息可以提高預(yù)測(cè)的準(zhǔn)確性。張金富等[5]通過光譜儀獲取800~2 400 nm 的120 個(gè)蘋果的漫反射光譜數(shù)據(jù),采用競(jìng)爭(zhēng)性自適應(yīng)加權(quán)算法(CARS)和互信息算法(MI)進(jìn)行特征波長(zhǎng)篩選,CARS算法建立的PLS模型決定系數(shù)相較于全波長(zhǎng)從0.851 1 提高到0.874 6,利用MI算法得到重要變量,建立PLS模型優(yōu)于全波段模型,決定系數(shù)為0.921 8。上述研究結(jié)果表明,變量篩選方法相對(duì)全波長(zhǎng)建模,可提取更多與可溶性固形物相關(guān)的特征波長(zhǎng)和特征波段信息,更進(jìn)一步提高定量結(jié)果的準(zhǔn)確性。Li 等[6]提出基于相對(duì)誤差的相對(duì)誤差分析(REA)波長(zhǎng)選擇法,通過杧果和蘋果數(shù)據(jù)集驗(yàn)證,預(yù)測(cè)的平方誤差(RMSEP)分別提高了48.80%和78.82%,表明REA 波長(zhǎng)選擇算法不僅可以簡(jiǎn)化模型,還可以提高預(yù)測(cè)結(jié)果的準(zhǔn)確性,同時(shí)能保證光譜儀之間標(biāo)定轉(zhuǎn)移的準(zhǔn)確性。Zou 等[7]研制出一種蘋果近紅外光譜采集裝置,在40 個(gè)區(qū)間中,F(xiàn)iPLS選擇10個(gè)光譜區(qū)間的最優(yōu)組合以獲得滿意的結(jié)果,BiPLS選擇5個(gè)光譜區(qū)間的最優(yōu)組合以獲得簡(jiǎn)單的結(jié)果,區(qū)間選擇后得到預(yù)測(cè)的均方根誤差RMSEP為0.732,研究結(jié)果驗(yàn)證了FI-NIR光譜是檢測(cè)蘋果內(nèi)部品質(zhì)的合適工具,能有效選擇波長(zhǎng)區(qū)域,預(yù)測(cè)誤差較小。
2.1.3可溶性固形物含量測(cè)定的其他研究利用近紅外光譜技術(shù)的檢測(cè)原理,研究蘋果內(nèi)部品質(zhì)的檢測(cè)精度對(duì)其感官等的影響。沈懋生和趙娟[8]結(jié)合偏最小二乘(PLS)法、最小二乘支持向量機(jī)回歸(LS-SVR)法建立蘋果氣調(diào)貯藏期可溶性固形物含量預(yù)測(cè)模型,經(jīng)過MSC+S-G 預(yù)處理和CARS 提取特征波長(zhǎng)后,建立PLS模型,相關(guān)系數(shù)為0.900,均方根誤差為0.478;經(jīng)過MSC+S-G預(yù)處理和CARS提取特征波長(zhǎng)后,建立LS-SVR 模型,相關(guān)系數(shù)為0.927,均方根誤差為0.507,表明近紅外光譜無(wú)損預(yù)測(cè)模型對(duì)氣調(diào)貯藏期蘋果SSC 的預(yù)測(cè)可行。張鵬等[9]首先對(duì)蘋果果皮脆性、強(qiáng)度及果肉平均硬度光譜進(jìn)行預(yù)處理,然后利用改進(jìn)偏最小二乘法(MPLS)、偏最小二乘法(PLS)和主成分回歸(PCR)建模,結(jié)果表明,質(zhì)地參數(shù)較好的校正和預(yù)測(cè)相關(guān)系數(shù)為0.857 7~0.893 5,交互驗(yàn)證標(biāo)準(zhǔn)誤差和預(yù)測(cè)標(biāo)準(zhǔn)誤差為0.162 9~0.906 0,表明蘋果質(zhì)地參數(shù)的近紅外漫反射光譜具有快速無(wú)損檢測(cè)的研究?jī)r(jià)值。王梓萌等[10]為實(shí)現(xiàn)蘋果霉心病檢測(cè),將主成分分析(PCA)與Fisher判別模型結(jié)合建模,得到Fisher判別模型的正確率為88.57%,主成分分析(PCA)與馬氏距離判別模型結(jié)合建模,得到馬氏距離判別模型正確識(shí)別率為97.14%,經(jīng)比較得出蘋果霉心病的檢測(cè)中,馬氏距離判別模型判別精度更高。
酸度是影響蘋果果肉品質(zhì)和口感的重要因素之一,蘋果中含有蘋果酸、鞣酸、煙酸等化合物,且酸度隨著蘋果的成熟不斷發(fā)生變化,是影響蘋果成熟度的重要因素。應(yīng)義斌等[11]通過MATLAB軟件進(jìn)行相關(guān)性分析,得到有效酸度和波長(zhǎng)的最大相關(guān)系數(shù)為0.348,最小相關(guān)系數(shù)為0.004,用偏最小二乘法(PLS)建立模型得到相關(guān)系數(shù)R=0.959,標(biāo)準(zhǔn)校正誤差為0.076,標(biāo)準(zhǔn)預(yù)測(cè)誤差為0.525,偏差為0.073。張?jiān)歧鞯萚12]選擇CARS 法選取特征波長(zhǎng)建立PLS 定量模型,其決定系數(shù)和相對(duì)誤差分析分別達(dá)到0.977 6 和6.681 2,且選取的波長(zhǎng)變量數(shù)由129 減少到26,在保證模型精度的同時(shí)降低了其復(fù)雜程度,對(duì)蘋果的無(wú)損檢測(cè)研究具有參考意義。Pourdarbani等[13]提出一種結(jié)合人工神經(jīng)網(wǎng)絡(luò)和元啟發(fā)式算法的混合機(jī)器學(xué)習(xí)方法,對(duì)富士蘋果在不同成熟階段的pH和可滴定酸的近紅外光譜進(jìn)行分析,選取3個(gè)成熟階段的120個(gè)樣本,從每個(gè)樣本中提取2個(gè)近紅外波段的光譜數(shù)據(jù)來(lái)預(yù)測(cè)品質(zhì)特性,或使用人工神經(jīng)網(wǎng)絡(luò)(ANN)和文化算法的結(jié)合選擇4 個(gè)有效波長(zhǎng),結(jié)果表明,使用光譜帶預(yù)測(cè)pH的相關(guān)系數(shù)為0.926,預(yù)測(cè)酸度的相關(guān)系數(shù)為0.925,而使用第2種方法獲得的pH和酸度的相關(guān)系數(shù)分別為0.924和0.920,即對(duì)于低/高酸度下的分類問題,2 種方法都能實(shí)現(xiàn)100%的pH和99.2%的酸度的高準(zhǔn)確度。
硬度是決定蘋果內(nèi)部品質(zhì)的重要屬性之一,通常硬度與蘋果的成熟度、口感質(zhì)地等相關(guān),同時(shí)蘋果的儲(chǔ)存與硬度也有一定的聯(lián)系。屠振華等[14]以傅立葉變換近紅外技術(shù)(FT-NIRS)為基礎(chǔ),應(yīng)用間隔偏最小二乘法和遺傳算法選取特征波長(zhǎng),結(jié)果表明,該技術(shù)不僅可以降低模型的復(fù)雜度,而且通過去除無(wú)關(guān)波長(zhǎng)的影響,提升了預(yù)測(cè)模型的精度,驗(yàn)證了近紅外技術(shù)的檢測(cè)機(jī)理。史波林等[15]采用5 種不同預(yù)處理方法結(jié)合PLS 方法建立蘋果硬度定量模型,結(jié)果表明,遺傳算法結(jié)合直接正交信號(hào)得到的結(jié)果最佳,相關(guān)系數(shù)為0.805,RMSECV 為0.919,RMSEP 為0.924 kg/cm2,該模型穩(wěn)健性較好。為了驗(yàn)證生產(chǎn)中蘋果硬度的檢測(cè)精度,李桂峰等[16]利用偏最小二乘(MSC+PLS)和多元散射校正法對(duì)蘋果硬度進(jìn)行快速、無(wú)損檢測(cè),對(duì)蘋果的近紅外漫反射光譜選取不同的波段范圍,進(jìn)行有效信息篩選,得到預(yù)測(cè)標(biāo)準(zhǔn)偏差RMSEP=0.014 7 kg/cm2,硬度預(yù)測(cè)值與真實(shí)值決定系數(shù)高(R2=0.990 8),表明該模型預(yù)測(cè)精度滿足實(shí)際生產(chǎn)需要。
近年來(lái),近紅外光譜分析技術(shù)發(fā)展迅速,是目前農(nóng)產(chǎn)品無(wú)損檢測(cè)常用的技術(shù),該技術(shù)克服了傳統(tǒng)分析技術(shù)耗時(shí)長(zhǎng)、破壞性檢測(cè)等缺點(diǎn),具有操作簡(jiǎn)單、更快、無(wú)損傷、可同時(shí)檢測(cè)多項(xiàng)指標(biāo)等優(yōu)點(diǎn),是蘋果內(nèi)部品質(zhì)無(wú)損檢測(cè)的常用有效方法之一。從目前近紅外光譜分析技術(shù)的研究現(xiàn)狀來(lái)看,該技術(shù)應(yīng)用領(lǐng)域廣泛、研究基礎(chǔ)堅(jiān)實(shí),但由于水果品質(zhì)與物理參數(shù)的關(guān)系復(fù)雜,目前僅大量應(yīng)用于實(shí)驗(yàn)室,市場(chǎng)投入面不廣。伴隨著近紅外光譜儀器的逐步改進(jìn)與完善,蘋果內(nèi)部品質(zhì)無(wú)損檢測(cè)的應(yīng)用越來(lái)越多,蘋果品質(zhì)的快速無(wú)損檢測(cè)研究對(duì)促進(jìn)我國(guó)蘋果產(chǎn)業(yè)的發(fā)展和提升競(jìng)爭(zhēng)具有重要意義。