李晉,張琛,劉紅,張偉清,何鴻舉

1(鄭州鐵路職業(yè)技術(shù)學(xué)院 藥學(xué)院,河南 鄭州,451460)2(新鄉(xiāng)工程學(xué)院 信息工程學(xué)院,河南 新鄉(xiāng),453700) 3(海南師范大學(xué) 化學(xué)與化工學(xué)院/海口市熱帶特色藥食同源植物研究與開發(fā)重點(diǎn)實(shí)驗(yàn)室,海南 ?？?571158) 4(浙江省柑桔研究所,浙江 黃巖,318026)5(河南科技學(xué)院 食品學(xué)院,河南 新鄉(xiāng),453003)

柑橘類水果是柑、橘、橙、柚、檸檬等的總稱,是世界第一大類水果,在全球范圍內(nèi)140多個國家廣泛栽種,年均產(chǎn)量高達(dá)1億t[1],在世界水果經(jīng)濟(jì)與貿(mào)易中占有重要的地位。我國是柑橘類水果的生產(chǎn)和出口大國,種植面積超過4 000萬畝,產(chǎn)量超4 000萬t,占世界柑橘類水果總產(chǎn)量22%[2-3],其中以南方地區(qū)種植面積最廣,廣西、湖南、湖北產(chǎn)量位居全國前三。柑橘類水果富含多種營養(yǎng)成分(如碳水化合物、維生素C、礦物質(zhì)等)和多種天然生物活性成分(如胡蘿卜素、黃酮類化合物等)[4]。柑橘類水果消費(fèi)需求逐年增長,消費(fèi)者對其高品質(zhì)更加渴望。

盡管我國柑橘類水果種植生產(chǎn)處于世界前列,但產(chǎn)后處理技術(shù)與裝備研發(fā)應(yīng)用較滯后,使得我國柑橘類水果在參與國際市場和貿(mào)易方面缺乏足夠競爭力,世界市場占有率并不是很高[5]。目前對柑橘類水果產(chǎn)后內(nèi)外部品質(zhì)、分類分級、病蟲害等多方面檢測大多采用傳統(tǒng)意義上的有損方法,即破壞性檢測,操作繁瑣且僅適合小批量抽樣檢測使用[6]。為了實(shí)現(xiàn)大批量樣本的快速無損檢測,提升柑橘類水果產(chǎn)業(yè)的后處理水平,國內(nèi)外學(xué)者相繼提出并研究了許多新的檢測方法,如機(jī)器視覺技術(shù)[7]、超聲波技術(shù)[8]、電子鼻技術(shù)[9]、低磁場共振技術(shù)[10]、光譜技術(shù)[11]等。其中,近紅外(near-infrared,NIR)光譜技術(shù)可實(shí)現(xiàn)便捷、快速、無損檢測,被大量用于各種農(nóng)產(chǎn)品/食品檢測研究[12]。

NIR光譜技術(shù)在水果中的無損檢測研究已被大量報(bào)道,為全面了解NIR光譜技術(shù)在柑橘類水果中的應(yīng)有優(yōu)勢及潛力,本文歸納總結(jié)了近五年來NIR光譜技術(shù)在柑橘類水果內(nèi)部成分、外部缺陷、活性物質(zhì)、病害、品種、分類、產(chǎn)地等方面的最新檢測研究及應(yīng)用進(jìn)展,為設(shè)計(jì)研發(fā)專業(yè)化的水果檢測儀器和設(shè)備提供更多數(shù)據(jù)支撐,同時也為NIR光譜技術(shù)的拓展應(yīng)用研究提供新的思路。

1 NIR光譜技術(shù)用于柑橘類水果內(nèi)部品質(zhì)評價

柑橘類水果富含多種營養(yǎng)成分,其質(zhì)量優(yōu)劣可用多個內(nèi)部品質(zhì)指標(biāo)進(jìn)行評價,如可溶性固形物含量(soluble solid content, SSC)、酸度、成熟度等。SSC是柑橘類水果營養(yǎng)成份的基礎(chǔ),主要成分是可溶性糖[15],直接影響水果的甜度、色澤和風(fēng)味,常被用于評價水果糖度和成熟度[16]。這類內(nèi)部品質(zhì)的評價常采用化學(xué)法[17]。為了尋找一種快速評價方法,諸多學(xué)者開展了基于NIR光譜技術(shù)的柑橘類水果內(nèi)部品質(zhì)檢測研究。

續(xù)表1

續(xù)表1

NIR光譜預(yù)測橙子SSC的研究也不少,王旭[30]使用更寬范圍的可見/近紅外(VIS/NIR)光譜信息(350～1 800 nm)預(yù)測冰糖橙SSC,校正模型優(yōu)于預(yù)測模型(RP=0.795 0,RMSEP=0.573 0 °Brix),模型預(yù)測精度有待進(jìn)一步提高。相比之下,臍橙中SSC的NIR預(yù)測研究更多,孫通等[31]和劉燕德等[32]基于相同的可見/短波(VIS/SW)NIR光譜(350～1 000 nm)構(gòu)建PLS模型預(yù)測臍橙SSC,校正模型效果幾乎相同,但是前者預(yù)測模型效果更好(RP=0.944,RMSEP=0.324%);SONG等[33]和HAO等[34]基于篩選的最優(yōu)波長構(gòu)建PLS模型預(yù)測臍橙SSC,后者所建模型的預(yù)測效果明顯優(yōu)于前者(RP=0.981,RMSEP=0.313 °Brix),這可能源于后者使用了更多的波長變量(200個),保留了更多與SSC預(yù)測相關(guān)的NIR光譜信息。

總之,NIR光譜技術(shù)用于檢測柑橘類水果內(nèi)部品質(zhì)指標(biāo)具有可行性和潛在應(yīng)用性。從近年來的統(tǒng)計(jì)結(jié)果可以看出,柑橘的NIR檢測研究最多,橙子和柚子相對較少。柑橘、橙子、柚子等柑橘類水果中的SSC依然是NIR光譜技術(shù)研究的重點(diǎn)和主要內(nèi)容,這與SSC直接影響水果口感有關(guān),SSC差異在2 °Brix以上,水果口感差異明顯[27]。同時,這些研究也間接反映出柑橘類水果市場更加關(guān)注SSC。順應(yīng)柑橘類水果市場需求,實(shí)現(xiàn)快速評價柑橘類水果內(nèi)部品質(zhì)將有助于提升柑橘市場的健康發(fā)展。

2 NIR光譜技術(shù)用于柑橘類水果病害檢測和凍害識別

柑橘果實(shí)采后貯藏期間常發(fā)生兩大類病害:一類是由真菌引起的侵染性病害(如霉心病),這是導(dǎo)致柑橘腐爛的主要因素[38];一類是因生理失調(diào)引起的生理性病害[39],如枯水。柑橘類水果病害及其快速鑒定是面臨的挑戰(zhàn)之一。GHOOSHKHANEH等[40]采集橙子莖端、赤道端和花柱端3個區(qū)域的VIS/NIR反射光譜(400～1 100 nm)用以鑒別由鏈格孢菌引發(fā)的霉心病(圖1-a),構(gòu)建的反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)模型對Thompson品種的訓(xùn)練集、驗(yàn)證集和測試集樣品的鑒別正確率分別為94%、90%和93%,對Jaffa品種的訓(xùn)練集、驗(yàn)證集和測試集樣品的鑒別正確率分別為97%、91%和97%(表2),該模型具有潛在的推廣應(yīng)用價值。

柑橘枯水主要發(fā)生在果實(shí)成熟期和貯藏期,果實(shí)干而無水、化渣性差、糖酸等風(fēng)味物質(zhì)降低,是目前生產(chǎn)上比較常見的一種生理性病害。發(fā)病后果實(shí)外觀并無明顯變化,很難分辨出,其病癥表現(xiàn)主要在果實(shí)內(nèi)部。THEANJUMPOL等[21]利用SW-NIR光譜(700～1 100 nm)構(gòu)建非線性的監(jiān)督自組織圖譜(supervision self-organizing map,SSOM)模型識別柑橘枯水病害等級(圖1-b),并進(jìn)行分類研究,SSOM對測試樣本的預(yù)測能力、模型穩(wěn)定性和分類正確率分別達(dá)到93.7%、95.3%和94.0%。以不同季節(jié)收獲的柑桔為獨(dú)立外部樣本驗(yàn)證SSOM模型,分類正確率為78.4%,模型效果有待提高。

“浮皮”作為一種常見柑橘外部缺(圖1-c),也是一種生理病害,多出現(xiàn)在表皮薄而軟、容易剝離的寬皮類柑橘中,主要發(fā)生在柑橘果實(shí)成熟后期。李軼凡[41]提出采用VIS/NIR漫透射技術(shù)研究柑橘浮皮的檢測可行性。作者分別建立主成分分析(principal component analysis, PCA)、反向傳播人工神經(jīng)網(wǎng)絡(luò)(back propagation artificial neural network,BP-ANN)、最小二乘支持向量機(jī)(least squares support vector machine, LS-SVM)和偏最小二乘判別分析(partial least squares discriminant analysis, PLS-DA)等4種判別模型,經(jīng)測試樣本驗(yàn)證的判別正確率可達(dá)100%。

皮凹陷常發(fā)生于水果收獲后3～5周內(nèi)(圖1-d),是一種果皮生理紊亂導(dǎo)致,在商業(yè)化生產(chǎn)的分級分揀中很難被發(fā)現(xiàn),對水果品質(zhì)和消費(fèi)產(chǎn)生很大的消極影響。NCAMA等[42]探索了基于VIS/NIR光譜的西柚皮凹陷快速無損檢測方法,基于西柚冠層位置和果皮點(diǎn)蝕易感性,PCA可成功用于分離出果實(shí)?？傮w近年來NIR用于檢測果實(shí)病害的研究較少,大多數(shù)集中在果樹和樹葉病害方面[45-46]。

a-橙子霉心病[40];b-柑橘枯水等級[21];c-柑橘浮皮果[41];d-西柚皮凹陷[42]

表2 NIR光譜技術(shù)在柑橘類水果病害和凍害方面的檢測應(yīng)用Table 2 Application of NIR spectroscopy in detection of diseases and classification of freezing damages in citrus fruits

續(xù)表2

當(dāng)溫度低于冰點(diǎn)的時候,柑橘水果在樹上或在采后運(yùn)輸儲藏中易發(fā)生凍害,其品質(zhì)受到很大影響,因此,凍害的快速識別顯得尤為重要。MOOMKESH等[43]通過研究3種模式(反射、半透射和全透射)的SW-NIR光譜(400～1 100 nm)檢測檸檬凍害(圖2-a),經(jīng)對比發(fā)現(xiàn),半透射光更適用于早期識別檸檬凍害,且全波段主成分-人工神經(jīng)網(wǎng)絡(luò)(PCA-ANN)模型鑒別正確率可達(dá)100%?；诖仡惇?dú)立軟模式(soft independent modeling of class analogies,SIMCA)篩選特征光譜后,ANN模型檢測效果優(yōu)于SVM模型,對不同程度的檸檬凍害鑒別正確率分別為100%(正常)、100%(一級凍害)、83.3%(二級凍害)和100%(三級凍害),總體正確率為96.3%,和全波段相比,雖然有所降低,但更少的光譜更有利于開發(fā)在線凍害檢測系統(tǒng)。

與之不同,TIAN等[44]自行設(shè)計(jì)研發(fā)了一套VIS/NIR光譜測量系統(tǒng)(644～900 nm)用于在線識別柑橘凍害(圖2-b),并且提出一種直新的直徑校正方法(diameter calibration method,DCM)預(yù)處理光譜信息,可有效消除水果大小對透射光譜的影響?；贒CM構(gòu)建的全波段PLS-DA和SVM模型均表現(xiàn)良好,識別正確率在78.95～85.53%。為了進(jìn)一步提高精度,作者提出構(gòu)建基于DCM的一維卷積神經(jīng)網(wǎng)絡(luò)(one dimensional convolutional neural network,1D-CNN)模型,對早期凍害和未凍害柑橘識別正確率可達(dá)95.15%和88.54%。柑橘凍害的NIR研究較少,但現(xiàn)有的研究結(jié)果說明NIR光譜在柑橘凍害的早期診斷方面具有一定應(yīng)用價值。

a-檸檬凍害[43];b-柑橘凍害[44]

3 NIR光譜技術(shù)用于柑橘類水果品種產(chǎn)地及分類鑒別

不同品種、不同地理來源的柑橘品質(zhì)存在顯著差異,品種及產(chǎn)地鑒別對于柑橘產(chǎn)業(yè)的健康發(fā)展有著重要作用。不同產(chǎn)地的柑橘內(nèi)部品質(zhì)和價格有所不同,但其外觀差別較小,通過肉眼很難實(shí)現(xiàn)準(zhǔn)確鑒別。NIR光譜技術(shù)作為一種快速無損檢測技術(shù),已被用于柑橘類水果的品種和產(chǎn)地鑒別分析,如但松健[47]采集16個不同地區(qū)的柑橘NIR光譜數(shù)據(jù)后,分別基于機(jī)器學(xué)習(xí)、SVM和L1范數(shù)線性回歸3種方式建模進(jìn)行柑橘產(chǎn)地鑒別研究,遺傳算法(genetic algorithm,GA)篩選最優(yōu)波長后構(gòu)建的GA-SVM模型產(chǎn)地鑒別準(zhǔn)確度最高(94.58%),其他兩種方式略差一些,這是因?yàn)镾VM 采用了非線性的核映射方法,在處理NIR光譜中非線性的噪聲影響且在樣本充足的情況下,可獲得更優(yōu)于其他基于線性分類器的識別結(jié)果。李尚科[48]分別使用臺式和便攜式NIR光譜儀采集不同品種柑橘(沃柑及橙子)的反射光譜信息,試驗(yàn)發(fā)現(xiàn),赤道線、梗部及其底部的6個光譜采集點(diǎn)的平均光譜數(shù)據(jù)更適用于鑒別分析,這與柑橘的梗部、底部中同樣攜帶著柑橘中的重要信息有關(guān)。無需任何光譜預(yù)處理,線性判別分析(linear discriminant analysis,LDA)模型可100%鑒別柑橘產(chǎn)地和品種。相同NIR光譜范圍內(nèi)(10 000～4 000 cm-1),姚婉清等[49]采集3類金柚表皮的光譜信息,進(jìn)行金柚品種的定性識別研究,構(gòu)建的判別分析(discriminant analysis,DA)模型,可100%正確識別白柚、紅柚和沙田柚,為金柚分級分類提供了一種有效方法。該波段的光譜與不同檸檬品種(Ovale di Sorrento和Sfusato Amalfitano)、產(chǎn)地之間存在的定性關(guān)系也進(jìn)行了研究[50],結(jié)果發(fā)現(xiàn)構(gòu)建的LDA模型更適合于鑒別單生產(chǎn)年的品種,2018年和2019年的品種鑒別正確率分別為66%和63%,鑒別Ovale di Sorrento品種和Sfusato Amalfitano品種產(chǎn)地正確率分別為81%和74%,總體鑒別正確率不是很高,這與不同年份的氣變化導(dǎo)致品種差異有關(guān)。

分類分級有助于最大化水果的經(jīng)濟(jì)價值,可更好的實(shí)現(xiàn)柑橘優(yōu)質(zhì)優(yōu)價。利用NIR光譜技術(shù)對柑橘類水果進(jìn)行分類分級也有少量報(bào)道,如ZHANG等[51]旨在通過挖掘VIS/SW-NIR光譜信息(200～900 nm)鑒別健康的和有缺陷的臍橙,基于蟻群算法(ant colony optimization,ACO)篩選出6個最佳波長構(gòu)建的樹型SVM模型可有效鑒別各種缺陷臍橙(圖3),鑒別正確率均高于90%。汁胞?；歉涕兕愃兄耗业囊环N生理失調(diào)現(xiàn)象,會導(dǎo)致水果內(nèi)部品質(zhì)降低。孫瀟鵬等[52]采用NIR透射光譜與機(jī)器視覺技術(shù)相結(jié)合快速無損檢測分級蜜柚汁胞?；潭?。通過連續(xù)投影算法(successive projections algorithm, SPA)篩選出17個最優(yōu)波長,構(gòu)建K臨近(K-nearest neighbor,KNN)模型對5個等級蜜柚進(jìn)行分類預(yù)測,準(zhǔn)確性、敏感性和特異性分別達(dá)到0.970 0、0.923 1和0.987 4以上,為水果在線分選提供了數(shù)據(jù)參考。具體各研究結(jié)果見表3。

圖3 臍橙的典型桔皮瑕疵示例圖[51]Fig.3 Example images of typical blemished citrus peel of navel oranges[51]

表3 NIR光譜技術(shù)在柑橘類水果品種產(chǎn)地及分類鑒別應(yīng)用Table 3 Application of NIR spectroscopy in origin and varieties classification of citrus fruits

續(xù)表3

相比內(nèi)部品質(zhì)和病凍害,柑橘品種產(chǎn)地的NIR研究較少,鑒于不同產(chǎn)地氣候?qū)麑?shí)的光譜信息影響較大,如何正確篩選試驗(yàn)樣本將有助于提升鑒別模型的適用性。

4 NIR光譜技術(shù)用于柑橘類水果生物活性成分檢測

柑橘類水果富含多種生物活性物質(zhì),常見的有類黃酮、類胡蘿卜素、類檸檬苦素、香豆素等,這些化合物具有良好的抗氧化、抗病等保健功效[53-55]。常規(guī)方法測定這些生物活性物質(zhì)主要有高效液相色譜法[56]、液相色譜與質(zhì)譜聯(lián)用法[57]、超高效液相色譜與四級桿飛行時間質(zhì)譜聯(lián)用法等[58]。NIR光譜技術(shù)用于柑橘生物活性物質(zhì)的快速檢測研究報(bào)道相對較少,但效果比較理想,如NCAMA等[42]通過在400～2 500 nm 篩選有效的NIR波段,構(gòu)建PLS模型可以實(shí)現(xiàn)對西柚生物活性成分β胡蘿卜素、總類胡蘿卜素、葉綠素a、葉綠素b以及糖類含量的快速檢測,其中β胡蘿卜素的預(yù)測效果最好(RCV2=0.99,RMSECV =0.002),其他成分預(yù)測詳見表4。盡管該模型預(yù)測結(jié)果比較理想,但是該研究并未設(shè)置獨(dú)立的測試集樣品進(jìn)行模型的外部驗(yàn)證,模型效果有待進(jìn)一步探討。

表4 NIR光譜技術(shù)在柑橘類水果生物活性成分檢測中的應(yīng)用Table 4 Application of NIR spectroscopy in detection of bioactive ingredients in citrus fruits

續(xù)表4

在相同的波長范圍內(nèi),OLAREWAJU等[59]對兩個不同產(chǎn)地的西柚生物活性成分也進(jìn)行了NIR預(yù)測研究,PLS模型驗(yàn)證結(jié)果顯示400～700 nm光譜信息更適合于預(yù)測西柚葉綠素a、葉綠素b和總類胡蘿卜素含量,模型性能表現(xiàn)良好,決定系數(shù)R2均在0.95以上;而400～2 500 nm波段適合預(yù)測蔗糖、葡萄糖、果糖、總酚、總黃酮、維生素C等的含量,模型相關(guān)系數(shù)R2也均在0.95以上。

除了果實(shí),柑橘果皮中也富含多種生物活性物質(zhì),對其充分利用可有效提高果皮附加值。果皮生物活性成分的快速檢測可加速果皮再利用。SHAWKY等[60]利用8 000～4 000 cm-1波段信息預(yù)測9種柑橘皮中的黃酮類物質(zhì)地奧司明(Diosmin)和橘皮苷(Hesperidin)含量,這兩種生物活性物質(zhì)的NIR預(yù)測值與真實(shí)值之間的相關(guān)性極高(R2>0.98),這為快速開發(fā)柑橘皮藥用價值提供了有效的檢測手段。

5 展望與結(jié)語

綜合近五年來NIR光譜技術(shù)在柑橘類水果中的檢測應(yīng)用研究結(jié)果發(fā)現(xiàn),絕大部分NIR研究集中在柑橘內(nèi)部品質(zhì)評價方面,且主要為檢測柑橘SSC(糖度);而病凍害識別、品種產(chǎn)地鑒別及生物活性物質(zhì)檢測等方面的研究相對較少。此外,這些研究使用的波段覆蓋了VIS/NIR區(qū)域,但SW-NIR光譜信息使用更多,且大部分結(jié)果表現(xiàn)良好,揭示了NIR光譜技術(shù)在柑橘類水果檢測方面的應(yīng)用潛力。同時,NIR光譜技術(shù)在柑橘檢測應(yīng)用中也存在諸多困難需要克服:1)柑橘果實(shí)因產(chǎn)地、品種不同,對NIR光吸收有差異,如何構(gòu)建樣本數(shù)據(jù)庫值得探討;2)構(gòu)建高精度模型需要大量樣本參與,同時也要篩選特征光譜以提高預(yù)測效率,如何挖掘獲取有效且代表性很強(qiáng)的光譜信息或構(gòu)建有效的光譜數(shù)據(jù)庫需要深入研究;3)柑橘NIR模型易受到樣本本身特性如表面顆粒大小、表皮厚度等的影響較大,采用哪種方法可最大可能消除這些影響有必要繼續(xù)探究;4)在多元化需求的時代背景下,開發(fā)市場需求的專業(yè)化檢測設(shè)備已是趨勢,如何提高模型的穩(wěn)定性和適用性將是重中之重。

我國已成為世界柑橘生產(chǎn)消費(fèi)第一大國,柑橘市場活躍且衍生需求旺盛,優(yōu)質(zhì)優(yōu)價柑橘當(dāng)屬消費(fèi)者最重要之期望,柑橘市場健康可持續(xù)發(fā)展需要先進(jìn)的技術(shù)提供保障,NIR光譜技術(shù)已展現(xiàn)出獨(dú)有的快速無損特點(diǎn)和優(yōu)勢,部分柑橘品質(zhì)檢測專業(yè)化NIR設(shè)備已經(jīng)問世且實(shí)現(xiàn)了生產(chǎn)應(yīng)用,如糖度、酸度、干物質(zhì)等的檢測,但大多為進(jìn)口設(shè)備,具有自主知識產(chǎn)權(quán)且高精度高穩(wěn)定性的柑橘NIR檢測設(shè)備依然缺乏,“卡脖子”技術(shù)攻關(guān)刻不容緩,未來NIR柑橘檢測必是便捷智能化走向。