基于近紅外光譜的桃果實冷害識別分析

張珮，王銀紅，李高陽，單楊，朱向榮*

1(湖南大學(xué) 研究生隆平分院，湖南 長沙，410125)2(湖南省農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品加工研究所，湖南 長沙，410125)3(果蔬貯藏加工及質(zhì)量安全湖南省重點實驗室，湖南 長沙，410125)

水蜜桃為亞熱帶水果，營養(yǎng)豐富，味道鮮美，屬于呼吸躍變型果實[1]，采后不耐貯，易腐爛變質(zhì)[2]。低溫可以抑制水蜜桃的呼吸強度，延長其貯藏時間，但低溫貯藏易引起水蜜桃冷害的出現(xiàn)[3]，果肉發(fā)生褐變、木質(zhì)化或絮敗等現(xiàn)象[4]。由于冷害發(fā)生在果實內(nèi)部，僅從外部不能判斷其是否發(fā)生冷害[5]。傳統(tǒng)桃果實冷害識別需將水蜜桃切開，人工觀察判斷是否發(fā)生冷害，操作繁瑣，具有破壞性。因此，亟需對冷藏期間的水蜜桃冷害進行快速無損檢測，監(jiān)測其質(zhì)量變化情況，減少冷害造成的損失。近紅外(near infrared,NIR)光譜是一種快速無損實時的檢測技術(shù)，在果蔬采后冷害定性識別方面國內(nèi)外已有報道[6-9]，但目前采用 NIR 光譜對桃果實低溫冷害進行識別研究鮮有報道。

本文采集了水蜜桃在低溫貯藏期間的NIR光譜，篩選出最佳光譜預(yù)處理方法，采用偏最小二乘判別分析(partial least squares-discriminant analysis，PLS-DA)、K-最鄰近法(K-nearest neighbor，K-NN)、主成分判別分析(principal component discriminant analysis,PCA-DA)和簇類獨立軟模式(soft independent modeling of class analogy,SIMCA) 4種方法建立冷害褐變的分類模型，并比較不同建模方法的性能。本研究將為水蜜桃在低溫貯藏期間的冷害檢測及質(zhì)量控制提供依據(jù)。

1 材料與方法

1.1 試驗材料

試驗選用水蜜桃進行試驗，于2019年7月15日長沙毛家橋水果市場購入，運至冷庫進行處理。挑選七成熟，無機械損傷，大小一致，達到食用要求的水蜜桃作為試驗樣品。

1.2 樣品處理方法

1.2.1 水蜜桃低溫冷藏處理

用0.05 mm厚度的打孔聚乙烯(polyethylene，PE)保鮮袋進行挽口包裝，每袋10個果實，在(4±2) ℃冷庫中貯藏。貯藏時間為5周，每隔7 d取樣，共計取樣189個。然后在20 ℃，濕度90%左右條件下放置3 d后，進行光譜采集及指標測定。

1.2.2 水蜜桃冷害褐變指數(shù)測定

參考馮磊等[10]的桃果實冷害褐變分級方法，將水蜜桃沿縫合線縱切，并按果肉褐變程度分為 5 級，即：0級，褐變面積為0；1級，褐變面積0～25%；2級，褐變面積25%～50%；3級，褐變面積50%～75%；4級，褐變面積>75%。按照公式(1)計算褐變指數(shù)：

(1)

1.3 模型樣本的劃分

兩分類模型：將無冷害褐變樣品標為0，冷害褐變的樣品標為1；多分類模型：將0、1、2、3和4級冷害桃果實樣品分別標為1、2、3、4和5。

1.4 NIR 光譜采集方法

采用 Nicolet Antaris Ⅱ傅立葉變換近紅外光譜儀，選擇積分球固體采樣模塊采集樣品的漫反射光譜，波長范圍為1 000～2 500 nm，掃描次數(shù)32，分辨率4 cm-1。在果實的赤道處每隔120°進行采集，3次采集平均作為樣品的NIR光譜。

1.5 NIR 光譜定性模型建立

研究比較了均值中心化(mean centering， MC)、多元散射校正(multiplicative scatter correction， MSC)、標準正態(tài)變化(standard normal variate， SNV)、最小二乘平滑濾波器(savitzky-golay， SG) 以及相互組合的效果， 確定最優(yōu)光譜預(yù)處理方法， 采用 PLS-DA、K-NN、PCA-DA 和 SIMCA 4種方法建立水蜜桃冷害褐變的定性模型。

1.6 評價參數(shù)

采用交叉驗證準確率、總未分配值對水蜜桃冷害定性模型進行評價。交叉驗證準確率越接近100%，表明模型識別準確性越高[11]?？偽捶峙渲翟酱螅砻魑茨軠蚀_識別樣品類別的個數(shù)越多，模型精確性越差[12]。

1.7 NIR 光譜分析軟件

采用 TQ Analyst 9.5(Thermo Fisher)進行數(shù)據(jù)采集，利用 MATLAB2017b 軟件(Mathwork Inc.)進行分析處理。

2 結(jié)果與分析

2.1 貯藏期間水蜜桃品質(zhì)變化

2.1.1 果肉縱切面與冷害褐變指數(shù)的變化

圖1為貯藏期間果肉縱切面圖。水蜜桃在4 ℃下，第1周果實縱切面的顏色開始發(fā)生變化，果實縱切面的邊緣開始出現(xiàn)褐色，第2周縱切面的褐色果肉所占比例有所延長，邊緣部分的褐色面積逐漸增大。貯藏3周時，水蜜桃縱切面的果肉開始出現(xiàn)絮狀，果實的褐色果肉面積開始蔓延到桃核。貯藏第4周的果實縱切面顯示，褐變果肉面積達50%，果肉開始出現(xiàn)腐爛現(xiàn)象。貯藏第5周，大部分果實的褐色果肉面積占比要大于75%，冷害褐變嚴重，喪失食用價值。隨著貯藏時間延長，冷害和褐變程度加劇，桃果實冷害褐變指數(shù)逐步上升，從20.8%升到 65%。

圖1 4 ℃下貯藏5周的水蜜桃果肉縱切面

2.2 水蜜桃冷害褐變NIR光譜分析

圖2為低溫貯藏期間不同冷害程度的水蜜桃原始平均NIR光譜圖。由圖2可看出，5種不同冷害褐變程度的桃果實樣品近紅外光譜的波峰波谷出現(xiàn)位置一致，1 200 nm和1 450 nm 附近主要為 C—H鍵的相關(guān)吸收峰，這與桃果實中的糖、水分、淀粉、果膠和纖維素化合物相關(guān)。1 785 nm附近主要為纖維素中的—CH2官能團伸縮振動的相關(guān)光譜吸收[13]，纖維素和果膠組成果肉組織，其含量影響著桃果實果肉硬度的大小。水蜜桃果發(fā)生冷害時，果實軟化，細胞壁中果膠融化，果肉質(zhì)地發(fā)生變化，因此NIR光譜與桃果實的冷害現(xiàn)象相關(guān)[14]。不同褐變等級的光譜交叉重疊，無法直接從原始NIR光譜圖中對冷害褐變情況的樣品進行直接的判斷識別，需采用化學(xué)計量學(xué)方法進行解析。

圖2 不同冷害褐變指數(shù)的樣品近紅外光譜圖

圖3為樣品NIR光譜的主成分分析(principal component analysis，PCA)圖，前3個主成分分析表明，5種不同冷害褐變指數(shù)的水蜜桃樣品NIR光譜的第1主成分(PC1)、第2主成分(PC2)和第3主成分(PC3)的方差貢獻率分別為 84.5%、13.5%和1.72%。在三維圖上，不同類的水蜜桃樣品聚集在一起，重疊較為嚴重，無明顯分界線。使用無監(jiān)督學(xué)習(xí)的 PCA算法較難實現(xiàn)對不同冷害褐變指數(shù)的樣品進行精確識別，因此需要對 NIR光譜進行光譜預(yù)處理，采用有監(jiān)督學(xué)習(xí)的建模方法對水蜜桃冷害進行識別。

圖3 不同冷害褐變指數(shù)的樣品近紅外光譜主成分分析

2.3 NIR 光譜樣本集劃分

按照校正集：驗證集為3∶1的比例，利用KS算法[15]將142個水蜜桃作為校正集，47個作為驗證集。189個樣品經(jīng)KS算法分類后的統(tǒng)計結(jié)果如表1所示。由表1可知，水蜜桃經(jīng)KS分類后，1級褐變的水蜜桃占總樣品比例最高為31.22%，4級褐變所占比例最少為6.88%。校正集和預(yù)測集均包含了 0～4 級褐變等級，樣本分布均勻，數(shù)據(jù)適合后續(xù)建模分析。

2.4 NIR 光譜預(yù)處理

由于 NIR 光譜存在著基線漂移、噪音等問題，影響預(yù)測模型的準確性，因此需要對 NIR 光譜進行預(yù)處理[16]。本研究采用 MC、MSC、SNV 及相互組合方法對全光譜進行預(yù)處理。表2 為不同預(yù)處理后的 PLS-DA 模型結(jié)果。

表1 樣本集的褐變等級劃分數(shù)據(jù)統(tǒng)計

表2 不同預(yù)處理優(yōu)化的PLS-DA模型結(jié)果

由表2可知，多分類模式中，利用SG+MSC算法處理后建立的 PLS-DA模型效果最好，校正集準確率0.70，驗證集準確率0.71，總準確率為0.71，總未分配值為0.27，模型準確率較好，未能識別樣品褐變等級的個數(shù)相對較多。兩分類模式經(jīng)SG+SNV算法預(yù)處理后的效果最佳，模型校正集準確率、驗證集準確率、總準確率、總未分配值分別為 0.95、0.91、0.93和0，模型預(yù)測準確度好，識別精度高。兩分類模型效果優(yōu)于多分類模型，表明無冷害褐變與冷害褐變的樣品之間存在較大的光譜差異。這與XIA等[7]利用 NIR 對蘋果 4 種不同冷害等級的分類效果一致，其研究結(jié)果顯示，兩分類模型比多分類模型準確性高。這可能因為多分類模式下，冷害褐變等級之間較為相近，易被錯誤劃分，而二分類模型的等級之間差別較為明顯，具有較少的分類特征向量，更適合于選擇最優(yōu)信息點，計算函數(shù)并進行分類時誤差降低，從而提高分類準確度[17-18]。因此 NIR光譜中含有與水蜜桃內(nèi)部冷害褐變有關(guān)的信息，可以對水蜜桃內(nèi)部有無冷害褐變進行分類，但進行更加精準分級時準確度略低。

2.5 NIR 模型的建立

2.5.1 PLS-DA 模型的建立

根據(jù)篩選出的最佳SG+MSC、SG+SNV算法分別對NIR全光譜進行預(yù)處理，分別按照多分類模式、兩分類模式建立PLS-DA模型。同時采用十折法進行交叉驗證，對水蜜桃冷害褐變等級進行分類[19]。根據(jù)準確率和未分配樣本值選擇最佳潛變量數(shù)[12]，分別確定了多分類最佳潛變量數(shù)為16，兩分類最佳潛變量數(shù)為7，兩分類和多分類的PLS-DA模型校正集和驗證集的總正確率分別為0.71和0.93。

2.5.2 K-NN模型的建立

K-NN算法為有監(jiān)督模式識別法，屬于非參數(shù)分類方法[20]。其中K-NN模型的K值選擇極為重要，影響著定性結(jié)果[19]。利用K-NN算法并基于多分類和兩分類模式建立定性模型，同時進行交叉驗證。根據(jù)交叉驗證后錯誤率的大小來選擇合適的K值。2種分類模式的定性模型的K值選擇如圖4所示，分別確定了2種分類模式的定性模型最佳K值為2和8，交叉驗證最低錯誤率分別為0.52和0.14多分類模式下K-NN模型的總準確率為0.55，兩分類模式下，K-NN模型的總準確率為0.91。

a-多分類；b-兩分類

2.5.3 PCA-DA模型的建立

PCA-DA是基于主成分分析的一種判別方法，可適用于近紅外光譜重疊較嚴重的樣本集[21-22]。PCA-DA模型建立時需先對水蜜桃冷害褐變等級進行主成分分析，再建立相關(guān)分類模型。分別建立多分類和兩分類模式下冷害褐變等級的PCA-DA定性模型，并進行交叉驗證。根據(jù)交叉驗證后的錯誤率作為指標，確定了多分類和兩分類主成分數(shù)為18和16時，交叉驗證錯誤率最低為0.46和0.05。多分類模式下PCA-DA模型的校正集的正確劃分樣品值為80，識別率為56.33%，兩分類的PCA-DA模型校正集準確劃分樣品個數(shù)為135，識別率為95.07%。

2.5.4 SIMCA模型的建立

SIMCA算法是以主成分分析為基礎(chǔ)的一種判別方法[23]，對水蜜桃的每一個褐變等級進行主成分回歸之后進行預(yù)測，分別選擇每個分類等級的最佳主成分值，建立SIMCA模型。靈敏度和特異性曲線交叉時，模型的假陽性與假陰性出現(xiàn)率最低[24]。因此交叉驗證錯誤率低，同時靈敏度、特異度交叉或較接近時對應(yīng)的主成分值建立模型效果最好。多分類中每個褐變等級的最佳主成分數(shù)分別是3、4、2、3和3，此時模型的總準確率和總未分配率分別為0.76和0.62。兩分類模型的主成分值為5和6時SIMCA模型效果最好，此時模型的總準確率未分配率為0.94和0.28。

2.6 NIR 定性模型比較

利用上述建立好的模型，對水蜜桃褐變等級進行分類，比較了 PLS-DA、K-NN、PCA-DA和SIMCA 4種算法對水蜜桃冷害褐變等級的分類效果。表3為在多分類和兩分類模式下4種建模方法的效果。

表3 四種方法建模結(jié)果比較

由表3可知，多分類的分類模式中，SIMCA的總準確率為0.76，未分配值0.62，SIMCA模型精確性較差，不適用于本研究中的樣品定性分析。PLS-DA模型校正集準確率、驗證集準確率以及總準確率分別為0.70、0.71和0.71，準確率較好，模型的分類精確性優(yōu)于SIMCA。PCA-DA和K-NN的未分配值為0，總準確性分別為0.61和0.55，水蜜桃冷害等級雖被定性，但正確分類的效果較差。因此多分類模式下最優(yōu)模型為PLS-DA定性模型。

兩分類模式中，4種算法的總準確率均大于0.9，其中SIMCA模型的總準確率和未識別率均最高為0.94和0.28，模型準確性好，但精度較差。PLS-DA模型的總準確率為0.93，未識別率為0，分類精度好。K-NN和PCA-DA模型總準確率分別為0.91、0.92，準確率低于PLS-DA模型，因此PLS-DA算法的分類效果最好。

K-NN算法的準確率較低，可能與其為基于實例的無參數(shù)方法有關(guān)[19]，K-NN算法適用于數(shù)量少且典型性較好的樣本，而水蜜桃的褐變等級之間差異較小，NIR光譜的典型性不足，因此使用K-NN方法時，不能精確識別樣本，預(yù)測的準確度相應(yīng)較低。SIMCA算法準確度好，但未分配率較高，這可能與SIMCA需對每一類樣本進行主成分分析，而水蜜桃褐變等級之間的品質(zhì)差別不明顯，不容易被SIMCA算法精確識別，因此模型的準確度雖較高，但精度較差[25]。PCA-DA模型結(jié)果比PLS-DA差，可能因為PCA-DA模型是基于主成分分析的一種有監(jiān)督分類方法，而PLS-DA算法是基于PLS的分類方法，預(yù)測時PLS-DA算法同時結(jié)合了光譜與水蜜桃褐變等級的信息，能夠充分對每個樣本之間的代表性與典型性進行預(yù)測，因此PLS-DA算法預(yù)測效果與精度較好。

圖5為多分類和兩分類模式下的最佳定性模型的樣本分類圖，圖中圓圈代表校正集，五角星代表驗證集，縱坐標為模型的PLS-DA的計算響應(yīng)得分，橫坐標表示水蜜桃的樣本標簽。由圖5-a PLS-DA的樣本分類圖可以看出，0級褐變能夠明顯區(qū)分，但1～4褐變等級沒有明顯的分界，冷害褐變1～4級區(qū)分不顯著；由圖5-b可以看出，無論是校正集還是驗證集，PLS-DA模型均能將無褐變樣本與褐變樣本很好地區(qū)分，表明PLS-DA模型可以用于水蜜桃低溫貯藏期間，對果實內(nèi)部有無冷害褐變進行準確識別。

a-多分類；b-兩分類

3 結(jié)論

(1)分析了水蜜桃低溫貯藏下的冷害癥狀，將冷害褐變分為 0～4 級，利用近紅外光譜技術(shù)對不同冷害褐變等級的水蜜桃進行預(yù)測分類。

(2)比較了PLS-DA、K-NN、PCA-DA和SIMCA 4種建模方法的模分類效果。多分類模式和兩分類模式下，PLS-DA 方法效果均為最好，總準確率分別為 0.71 和 0.93。

(3)多分類模式下的分類準確率低于兩分類，可能與多分類模式下類別之間的光譜差異較小有關(guān)。

本試驗結(jié)果為水蜜桃在低溫貯藏期間的冷害褐變快速識別提供依據(jù)。