近紅外光譜對貯藏期獼猴桃不同深度果肉色澤的變化研究

余克強(qiáng)， 孟 浩， 曹曉峰， 趙艷茹

1. 西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院， 陜西 楊凌 712100 2. 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室， 陜西 楊凌 712100 3. 陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點(diǎn)實(shí)驗(yàn)室， 陜西 楊凌 712100

引 言

獼猴桃， 又名奇異果， 是我國主要水果產(chǎn)物之一。 因獼猴桃果肉富含維生素等營養(yǎng)物質(zhì)， 擁有“水果之王”、 “VC之王”的美稱， 受到很多消費(fèi)者的青睞。 然而， 獼猴桃的外部特征(顏色、 大小、 形狀、 表面缺陷等)和內(nèi)部品質(zhì)(糖度、 酸度、 果肉色澤、 VC等)是新品種培育和果實(shí)分級銷售的重要參考指標(biāo)。 其中， 果肉色澤在獼猴桃不同品種、 成熟和貯藏等過程中都存在很大差異， 果肉色澤已成為評價獼猴桃品質(zhì)的重要指標(biāo)[1-2]。

通常獼猴桃果肉色澤測量的方法是有損檢測方法， 在實(shí)際生產(chǎn)應(yīng)用中無法實(shí)現(xiàn)全樣本測量， 且費(fèi)時費(fèi)力， 無法滿足新品種培育和消費(fèi)市場等對色澤高通量檢測需求。 因此尋求一種準(zhǔn)確、 快速檢測獼猴桃果肉色澤方法對獼猴桃育種、 栽培和采后貯藏銷售等具有重要意義、 近紅外光譜技術(shù)是一種通過獲取待測物漫反射、 透射和透漫反射信息反應(yīng)樣本組成成分和分子結(jié)構(gòu)等的無損檢測技術(shù)， 憑借其高效、 成本低以及多組分檢測等的特點(diǎn)， 廣泛應(yīng)用于食品、 制藥、 化工、 農(nóng)業(yè)等領(lǐng)域。 在水果品質(zhì)檢測方面， Kusumiyati等[3]運(yùn)用手持式的近紅外光譜儀結(jié)合偏最小二乘回歸(partial least square regression， PLSR)對植株上生長和采后的番茄硬度、 顏色參數(shù)(L*，a*，b*， 色彩角h°和色度C*)和番茄紅素進(jìn)行檢測， 結(jié)果較好。 Sun等[4]開發(fā)手持式近紅外光譜測試儀來評估南豐蜜桔品質(zhì)， 運(yùn)用支持向量機(jī)(support vector machine， SVM)、 向后傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network， BPNN)和PLSR預(yù)測果皮顏色、 糖分、 滴定酸和VC含量。 Kamal-Eldin等[5]借助多元化學(xué)計(jì)量學(xué)方法對不同品種棗的顏色(L*，a*，b*)、 外形(重量， 長度， 體積， 直徑和密度)、 化學(xué)(糖和有機(jī)酸)、 質(zhì)構(gòu)特征(硬度， 附著力， 回彈性， 脆性和彈性)進(jìn)行分析， 研究結(jié)果對水果品質(zhì)評價和分級有重要意義。

以不同貯藏期獼猴桃為研究對象， 分析不同深度(0， 5和10 mm)果肉色澤與近紅外光譜反射率之間的變化關(guān)系， 并結(jié)合化學(xué)計(jì)量學(xué)方法對獼猴桃果肉色澤特征進(jìn)行預(yù)測分析， 研究結(jié)果為獼猴桃品質(zhì)評價提供技術(shù)支撐。

1 實(shí)驗(yàn)部分

1.1 獼猴桃樣本

獼猴桃品種為“啞特”， 于2018年10月18日采摘于陜西武功縣某獼猴桃果園， 選擇大小近似的獼猴桃樣本共300個， 采摘后置于4 ℃冰箱中貯藏。 后期實(shí)驗(yàn)中， 每次取出60個獼猴桃進(jìn)行近紅外光譜數(shù)據(jù)和色澤參數(shù)的測量， 5次實(shí)驗(yàn)共得到300個獼猴桃樣本的光譜和色澤數(shù)據(jù)。

1.2 儀器

采用傅里葉近紅外光譜儀(MPA， RUKER， Germany)對獼猴桃樣本光譜數(shù)據(jù)采集， 其光譜范圍在833～2 500 nm， 分辨率為0.3～0.5 nm， 一次測量掃描64次(約30 s)。 采用內(nèi)置反射背景作為參考， 固體光纖探頭進(jìn)行測量。

獼猴桃顏色參數(shù)測試采用色差計(jì)(CR-10 plus， Konica Minolta， Japan)來完成。 其測量范圍：L*為1～100，a*為-60～+60，b*為-60～+60。 光源為脈沖氙燈， 測量時間約1 s， 使用端口為USB2.0， 10°觀察角。 溫濕度范圍0～40 ℃； 相對濕度： 85%以下。 采用的標(biāo)準(zhǔn)白板L*為95，a*為-3，b*為-4。

1.3 獼猴桃光譜數(shù)據(jù)獲取與色澤特征測量

利用MPA近紅外光譜儀固體光纖探頭測量獼猴桃樣本赤道位置的反射光譜， 間隔90°均勻采集每個樣本的四個位置的光譜數(shù)據(jù)， 并取四個位置反射光譜平均值作為該樣本的光譜數(shù)據(jù)。 光譜數(shù)據(jù)采集后， 用管壁厚度為0.15 mm、 直徑為15 mm的不銹鋼管從近紅外光譜測量點(diǎn)[圖1(a)]的位置刺入， 取出高度約15～25 mm的獼猴果肉圓柱體[圖1(b)]， 用薄刀片去除果肉圓柱體的果皮得到果皮下0 mm果肉的橫切面， 并依次切出果肉圓柱體果皮下5和10 mm的果肉橫切面， 用色差計(jì)依次測量果皮下0， 5和10 mm處的果肉色差數(shù)據(jù)(L*，a*，b*)， 分別如圖1(c)， (d)和(e)所示， 并對四個位置的色差數(shù)據(jù)求取平均值作為該樣本的色差數(shù)據(jù)[6]。

1.4 光譜數(shù)據(jù)處理方法介紹

由于獲取的獼猴桃光譜數(shù)據(jù)中存在噪聲信息， 采用S-G平滑法[7]對獼猴桃原始光譜數(shù)據(jù)進(jìn)行預(yù)處理。 后期采用SPXY算法[8]劃分為校正集和預(yù)測集。 光譜數(shù)據(jù)的壓縮和特征波段的選擇， 選用競爭性自適應(yīng)重加權(quán)采樣法(competitive adaptive reweighted sampling， CARS)[8]和無信息變量消除法(uninformative variable elimination， UVE)[9]來實(shí)現(xiàn)。 光譜數(shù)據(jù)建模主要采用偏最小二乘回歸(partial least-squares regression， PLSR)[8, 10]和多元線性回歸(multiple linear regression， MLR)[11]來完成。 模型評價主要是利用相關(guān)系數(shù)(correlation coefficient，R)和均方根誤差(root mean square error， RMSE)[8, 10]。 光譜數(shù)據(jù)處理軟件主要有The Unscrambler X 10.1(CAMO， Norway)和MATLAB 2016a(The MathWorks, USA)。

圖1 獼猴桃色澤數(shù)據(jù)測量示意圖

2 結(jié)果與討論

2.1 貯藏期獼猴桃樣本近紅外反射光譜特征分析

圖2是采集的獼猴桃樣本在830～2 500 nm的光譜反射曲線。 圖2(a)是利用S-G平滑算法對300個獼猴桃樣本原始光譜進(jìn)行預(yù)處理后的曲線， 圖2(b)是5個不同貯藏時間(1， 5， 8， 11和14 d)下獼猴桃樣本的平均光譜曲線。 從圖2可得： 不同貯藏期獼猴桃樣本反射光譜曲線趨勢是大致相同， 只是在反射率方面有所差異； 而不同貯藏期獼猴桃平均光譜曲線存在交叉， 沒有一定的規(guī)律， 可能是因?yàn)楂J猴桃在貯藏過程中淀粉分解成葡萄糖、 果糖(與C—H， C—O鍵的倍頻吸收有關(guān))等物質(zhì)含量變化造成的[12]。 從圖中可得， 光譜曲線的吸收峰位置主要在960， 1 180， 1 450， 1 850和2 250 nm等處， 其中980， 1 180和1 450 nm處的吸收峰與O—H鍵的倍頻有關(guān)， 反應(yīng)獼猴桃水分信息， 1 650和2 250 nm處的吸收峰則與C—H和C—O鍵有關(guān)[13-15]。

2.2 貯藏期獼猴桃不同深度果肉色澤分析

獼猴桃5個不同貯藏期(1， 5， 8， 11和14 d)獼猴桃樣本剖面圖， 如表1所示。

表1中可得， 隨著貯藏時間增長， 獼猴桃果肉顏色逐漸加深， 主要是因?yàn)楂J猴桃果肉中葡萄糖、 果糖等物質(zhì)含量變化造成。 貯藏期獼猴桃不同深度下果肉色澤(L*，a*，b*)最小值、 最大值、 均值以及標(biāo)準(zhǔn)差統(tǒng)計(jì)結(jié)果， 如表2所示。

從表2中得出， 隨著獼猴桃果肉深度(0， 5和10 mm)變大， 色澤參數(shù)L*均值絕對值變小， 果肉色澤越亮； 色澤參數(shù)a*均值的絕對值變小， 果肉色澤由深綠色轉(zhuǎn)變?yōu)闇\綠色； 而色澤參數(shù)b*的均值變小， 顏色由高亮度黃色轉(zhuǎn)變?yōu)榈土炼赛S色。 從色澤特征的標(biāo)準(zhǔn)差來看， 獼猴桃5 mm深度的果肉色澤變化比其他0和10 mm兩個位置對應(yīng)色澤特征的標(biāo)準(zhǔn)差相比要小， 表明獼猴桃5 mm深度的果肉色澤比較穩(wěn)定。

圖2 獼猴桃樣本的近紅外反射光譜圖

表2 貯藏期獼猴桃不同深度果肉色澤測量結(jié)果統(tǒng)計(jì)

Table 2 Color features measurement results of kiwifruit at different depths during storage

Depths/mmColorfeaturesMaximumMinimumMeanStandarddeviation0L*-23.97-52.79-37.955.40a*2.68-8.30-6.311.28b*51.1126.1940.814.445L*-20.01-42.38-27.824.80a*-0.92-6.80-3.901.00b*46.1531.2337.772.9210L*-15.90-48.66-27.077.00a*-0.61-5.30-2.991.00b*44.7626.0135.793.77

2.3 獼猴桃樣本集數(shù)據(jù)劃分結(jié)果分析

將300個貯藏期獼猴桃樣本光譜信息以及對應(yīng)的果肉色澤(L*，a*，b*)， 采用SPXY算法按照3∶1劃分為校正集(225個樣本)與預(yù)測集(75個樣本)。 獼猴桃樣本的果皮下0， 5和10 mm處果肉色澤最小值、 最大值、 平均值以及標(biāo)準(zhǔn)差的統(tǒng)計(jì)結(jié)果， 分別見表3所示。

表3 獼猴桃0， 5和10 mm處果肉色澤在建模集和預(yù)測集的統(tǒng)計(jì)結(jié)果

Table 3 Statistical results of pulp color at 0, 5 and 10 mm depths in calibration and prediction sets

Depths/mmStatisticalvaluesCalibrationPredictionL*a*b*L*a*b*0Maximum-23.972.6851.11-27.36-3.9346.53Minimum-52.79-8.3026.19-48.16-8.2026.79Mean-38.25-6.1140.85-37.78-6.6841.26STD5.481.364.765.070.943.945Maximum-18.84-0.9246.15-20.01-1.7542.75Minimum-42.38-6.8031.23-35.43-5.533.12Mean-28.28-3.8037.75-26.44-3.9137.82STD5.101.063.073.430.792.4110Maximum-15.90-0.6144.76-17.15-0.6144.30Minimum-48.66-5.3026.01-45.04-5.2028.08Mean-28.18-2.9635.86-25.52-3.0436.71STD7.381.014.046.040.913.53

從表3中可得樣本集中不同深度色澤數(shù)據(jù)變化相對穩(wěn)定， 樣本不同部位預(yù)測集的色澤數(shù)據(jù)在對應(yīng)校正集色澤數(shù)據(jù)變化范圍之內(nèi)， 說明本研究SPXY方法劃分樣本是合理的。

2.4 基于全波段光譜的獼猴桃色澤PLSR預(yù)測模型

表4 基于PLSR的獼猴桃不同果肉色澤預(yù)測模型的結(jié)果

2.5 獼猴桃果肉色澤特征波長選擇

2.6 獼猴桃果肉色澤預(yù)測模型的建立和分析

表5 獼猴桃果肉5 mm深度處色澤不同預(yù)測模型的結(jié)果統(tǒng)計(jì)

圖3 不同模型下參考和預(yù)測的色澤參數(shù)L*(a)， a*(b)， b*(c)在校正集和預(yù)測集的回歸線

3 結(jié) 論