基于近紅外的PE包裝藍(lán)莓新鮮度無損檢測

陳雅，姜凱譯，李耀翔，彭潤東

農(nóng)產(chǎn)品貯藏加工

基于近紅外的PE包裝藍(lán)莓新鮮度無損檢測

陳雅，姜凱譯，李耀翔，彭潤東

（東北林業(yè)大學(xué) 工程技術(shù)學(xué)院，哈爾濱 150040）

將近紅外無損檢測技術(shù)應(yīng)用于智能包裝生產(chǎn)線上，以快速、準(zhǔn)確地檢測PE包裝藍(lán)莓的新鮮度。以藍(lán)莓含水率和可溶性固形物（SSC）為評價指標(biāo)，使用SNV、MSC和DT結(jié)合UVE處理所獲得的光譜數(shù)據(jù)，通過PLSR和RF建立散裝藍(lán)莓和PE保鮮膜包裝藍(lán)莓的含水率和SSC預(yù)測模型，通過比較校正決定系數(shù)c2、驗證決定系數(shù)p2和均方根誤差來驗證模型的準(zhǔn)確性。建立散裝藍(lán)莓含水率預(yù)測模型，選擇最佳預(yù)處理方法為SNV，使用PLSR建模，最佳主成分?jǐn)?shù)為9，c2為0.971，p2為0.933；建立PE保鮮膜包裝藍(lán)莓含水率預(yù)測模型，選擇最佳預(yù)處理方法為SNV，使用RF建模，c2為0.923，p2為0.876；建立散裝藍(lán)莓SSC預(yù)測模型，選擇最佳預(yù)處理方法為DT結(jié)合UVE，使用RF建模，c2為0.942，p2為0.869；建立PE保鮮膜包裝藍(lán)莓SSC預(yù)測模型，選擇最佳預(yù)處理方法為MSC結(jié)合UVE，使用PLSR建模，最佳主成分?jǐn)?shù)為7，c2為0.849，p2為0.707。通過對比散裝藍(lán)莓、PE包裝藍(lán)莓兩者的預(yù)測模型，發(fā)現(xiàn)PE膜會影響預(yù)測模型的精度但不影響使用，為在智能包裝生產(chǎn)線上快速無損檢測藍(lán)莓新鮮度提供了一種實用的方法。

藍(lán)莓；含水率；可溶性固形物含量；近紅外光譜；無損檢測；智能包裝生產(chǎn)線

藍(lán)莓果實，別稱篤斯、嘟嗜等，產(chǎn)自一種杜鵑花科植物，屬于越橘屬植物果實[1]，分布十分廣泛，在國內(nèi)主要分布于吉林長白山、黑龍江大興安嶺、長江流域等[2]。藍(lán)莓富含多種營養(yǎng)成分，如花青素、維生素、礦物質(zhì)等[3]，具有緩解機體氧化衰老，減緩視力疲勞與衰退，預(yù)防癌癥等保健功能[4]，被廣大消費者稱為漿果之王，更列為國際糧食組織評定的世界五大健康食品之一[5-6]，產(chǎn)銷量逐年遞增。藍(lán)莓產(chǎn)品的保鮮期較短，在其實際包裝生產(chǎn)線和運輸儲存過程中，對其新鮮度的檢測顯得極其重要?，F(xiàn)階段判斷藍(lán)莓新鮮的指標(biāo)主要有含水率、可溶性固形物含量（SSC）、pH值、Vc含量、花色苷等[7-9]，應(yīng)用廣泛的藍(lán)莓新鮮度指標(biāo)檢測均為破壞性實驗，程序煩瑣，耗時長，效率低，對于高速生產(chǎn)的包裝生產(chǎn)線，破壞性檢測實驗無法針對每個樣品進(jìn)行快速檢測，且檢測過程會造成產(chǎn)品的損壞，影響產(chǎn)品的售賣。由此，文中旨在研究一種適用于藍(lán)莓包裝生產(chǎn)線上的快速無損檢測方法，從而迅速準(zhǔn)確地獲得被包裝狀態(tài)下藍(lán)莓的新鮮度。

近紅外分析技術(shù)是近年興起的一種快速無損檢測技術(shù)，由于其優(yōu)越的技術(shù)特點（無損檢測、一次可以測定多種成分、分析速度快、適用范圍廣），已廣泛應(yīng)用于林業(yè)、農(nóng)業(yè)、醫(yī)藥等領(lǐng)域。在很多發(fā)達(dá)國家和地區(qū)，近紅外光譜分析技術(shù)成為一種對產(chǎn)品質(zhì)量進(jìn)行實時分析和檢驗的主要手段[10]。

近些年，使用近紅外技術(shù)檢測藍(lán)莓的研究逐漸興起，主要集中于藍(lán)莓的SSC、總酚、花青素、總酸和花色苷等營養(yǎng)成分的檢測[11-14]，缺少針對藍(lán)莓包裝品的近紅外檢測方面的研究。為應(yīng)對智能包裝生產(chǎn)線上大批量藍(lán)莓的新鮮度檢驗，文中使用近紅外檢測技術(shù)，針對藍(lán)莓包裝品進(jìn)行含水率和SSC的檢測研究，使用校正集樣品建立散裝藍(lán)莓和PE保鮮膜包裝藍(lán)莓的含水率和SSC預(yù)測模型，并通過對比散裝藍(lán)莓、PE包裝藍(lán)莓兩者的含水率及SSC近紅外無損檢測預(yù)測模型，研究PE膜對預(yù)測模型的影響，從而為近紅外檢測技術(shù)應(yīng)用于智能包裝生產(chǎn)線上藍(lán)莓包裝品的快速無損檢測提供技術(shù)支撐和數(shù)據(jù)基礎(chǔ)。

1 實驗

1.1 材料

實驗選用成熟藍(lán)莓，產(chǎn)自云南省昆明市（上海遠(yuǎn)來鮮食貿(mào)易有限公司），經(jīng)過篩選、剔除爛果后，選取300顆新鮮度均衡的藍(lán)莓作為樣品。

1.1.1 散裝藍(lán)莓

1）含水率檢測樣品。在300個藍(lán)莓樣品里隨機選取80個藍(lán)莓樣品（編號為1—80）用于含水率的檢測及模型建立。

2）可溶性固形物含量檢測樣品。在剩余的220個藍(lán)莓樣品中隨機選取126個藍(lán)莓樣品（編號為81—206）用于可溶性固形物含量的檢測及模型建立。

1.1.2 PE保鮮膜包裝藍(lán)莓

針對市場上藍(lán)莓的塑料包裝、紙包裝，於虹等[15]研究發(fā)現(xiàn)聚乙烯包裝的保鮮效果最佳，因此文中選用聚乙烯保鮮膜包裝藍(lán)莓進(jìn)行保鮮包裝品的快速無損檢測研究。采用浙江瑞康日用品有限公司生產(chǎn)的SH-7701款PE保鮮膜，其透明度較高，密封性能較強，適用于鮮果的保鮮包裝，具體參數(shù)：厚度為0.1 mm，耐溫范圍為?60～110 ℃，由5層材料共擠制成（低密度線性聚乙烯LLDPE、中密度線性聚乙烯LMDPE、茂金屬METALLOCENE、聚乙烯LLDPE、聚異丁烯PB1300）。

在對散裝的206個藍(lán)莓樣品進(jìn)行近紅外光譜檢測后，對其單個樣品進(jìn)行PE保鮮膜包裝，見圖1。

圖1 PE保鮮膜包裝藍(lán)莓樣品

1.2 設(shè)備

主要儀器與設(shè)備：便攜式快速掃描光譜儀（LabSpec），美國ASD公司；ML204電子天平，梅特勒-托利多儀器有限公司；電熱鼓風(fēng)干燥箱（101-1A型），天津市泰特儀器有限公司；糖度手持折光儀（0%～32%），上海力辰科技有限公司等。

1.3 方法

將藍(lán)莓置于0 ℃冷藏庫貯藏，每隔2 d進(jìn)行測定，實驗周期為16 d。測量前，將所測藍(lán)莓樣品置于常溫環(huán)境2 h，先將藍(lán)莓樣品進(jìn)行光譜數(shù)據(jù)采集，再進(jìn)行含水率和SSC的測定。

1.3.1 近紅外光譜采集

采用便攜式快速掃描光譜儀（LabSpec）進(jìn)行光譜采集，使用光譜儀先采集206個散裝藍(lán)莓樣品的近紅外光譜，再采集PE包裝后的206個藍(lán)莓樣品的近紅外光譜。

掃描參數(shù)：光譜波長為400～2 500 nm（全波段），掃描次數(shù)為30，藍(lán)莓樣品共206個，每個樣品掃描2次，取平均值作為分析光譜數(shù)據(jù)。采用ViewSpec Pro進(jìn)行光譜信息轉(zhuǎn)換，使用Matlab R2016a進(jìn)行光譜數(shù)據(jù)處理和模型的建立。

1.3.2 藍(lán)莓樣品含水率和可溶性固形物含量的檢測

選用含水率和SSC作為藍(lán)莓新鮮度的真值檢測指標(biāo)，真值檢測方法如下所述。

1）含水率。參照曹建康等[16]的方法，使用烘干稱量法檢測編號1—80藍(lán)莓樣品的含水率（），計算見式（1）。

式中：1為藍(lán)莓的初始質(zhì)量，g；2為藍(lán)莓干燥后的質(zhì)量，g。

2）可溶性固形物含量。使用手持折光儀法測定可溶性固形物的含量。分別將編號81—206的藍(lán)莓樣品搗碎，用紗布過濾出勻漿，滴1～2滴藍(lán)莓勻漿在手持折光儀棱鏡表面進(jìn)行測試，重復(fù)測試3次，取平均值。

1.4 數(shù)據(jù)處理

使用Matlab R2016a進(jìn)行光譜數(shù)據(jù)處理和模型的建立。使用光譜-真值共生數(shù)據(jù)算法（SPXY）對散裝藍(lán)莓和藍(lán)莓包裝品進(jìn)行樣品分集，對原始光譜進(jìn)行多元散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變換（SNV）、去趨勢（DT）等3種常用的預(yù)處理。結(jié)合無信息變量消除法（UVE）提取特征波段，使用偏最小二乘回歸法（PLSR）和隨機森林（RF）建模。因為文中所用藍(lán)莓樣品數(shù)量有限，因此使用驗證集樣品來驗證預(yù)測模型。通過比較決定系數(shù)（2）和均方根誤差（RMSE）來驗證模型的性能。其中，c2表示校正決定系數(shù)，p2表示驗證決定系數(shù)；RMSEC表示校正集均方根誤差，RMSECP表示驗證集均方根誤差。

2 結(jié)果與討論

2.1 藍(lán)莓新鮮度指標(biāo)真值分析

對80個藍(lán)莓樣品進(jìn)行含水率的測定，對126個藍(lán)莓樣品進(jìn)行可溶性固形物含量的測定，結(jié)果見表1。由表1可知，80個草莓樣品的含水率為73.9%～ 85.5%；126個樣品藍(lán)莓的可溶性固形物含量為6.9%～17.8%。上述2種真值的數(shù)據(jù)范圍涵蓋較廣，存在各層次的數(shù)值，達(dá)到了近紅外分析技術(shù)建模的標(biāo)準(zhǔn)要求。使用光譜-真值共生數(shù)據(jù)算法（SPXY）區(qū)分校正集和驗證集。由表1可知，校正集的真值范圍均大于驗證集，有利于提高模型精度。由于PE保鮮膜包裝藍(lán)莓在散裝藍(lán)莓基礎(chǔ)上增加了PE保鮮膜，對藍(lán)莓的近紅外光譜采集有一定影響，導(dǎo)致光譜-真值的空間距離產(chǎn)生差異，因此對于散裝藍(lán)莓和PE保鮮膜包裝藍(lán)莓樣品需要采用不同的校正集和驗證集。

表1 藍(lán)莓樣品新鮮度真值分析

Tab.1 True value analysis of blueberry sample freshness

2.2 原始光譜分析

206個藍(lán)莓的散裝原始光譜見圖2，PE保鮮膜包裝藍(lán)莓的原始光譜見圖3（選用波長為650～1 800 nm的有效信息波段進(jìn)行研究，在1 450 nm左右出現(xiàn)少量樣品的低微紊亂現(xiàn)象對研究不會造成影響）。分析圖2和圖3可知，所測206個藍(lán)莓樣品近紅外光譜的吸光度走勢和吸收峰一致，證明206個光譜數(shù)據(jù)樣品均可以進(jìn)行研究分析。由于含水率的差異，在波長為975 nm和1 186 nm處產(chǎn)生了吸收峰，這也表明水分對藍(lán)莓的近紅外光譜有一定影響。由于C—H、C—H2鍵的影響，在波長1 448 nm處產(chǎn)生了吸收峰，反映果蔬的碳?xì)浜脱鯕涞然鶊F的倍頻吸收譜帶，因此從光譜數(shù)據(jù)中能提取有效的光譜信息。結(jié)合真值濃度矩陣，建立含水率和可溶性固形物含量的預(yù)測模型可行[10]。

圖2 散裝藍(lán)莓原始光譜

圖3 PE 保鮮膜包裝藍(lán)莓原始光譜

PE保鮮膜包裝藍(lán)莓原始光譜吸光度的波動范圍明顯大于散裝藍(lán)莓原始光譜，且前者的光譜在1 450 nm左右的紊亂現(xiàn)象更為嚴(yán)重，可見PE保鮮膜對藍(lán)莓的近紅外光譜采集有一定影響。將二者進(jìn)行對比，結(jié)果見圖4，其中實線為散裝藍(lán)莓原始光譜，虛線為PE保鮮膜包裝藍(lán)莓原始光譜。二者的吸收峰遞增和遞減趨勢基本上相同，可見PE保鮮膜透光度高，不會影響藍(lán)莓各成分對近紅外光的吸收。少量PE保鮮膜包裝藍(lán)莓的原始光譜在1 450 nm之后發(fā)生了一定的紊亂，可見PE保鮮膜自身的折光性會導(dǎo)致光譜出現(xiàn)少量的失真，對模型的擬合會造成一定影響，從而降低模型的預(yù)測精度。后續(xù)需要采用光譜預(yù)處理方法盡量消除由PE保鮮膜產(chǎn)生的噪音和基線偏移帶來的影響。

圖4 原始光譜對比

2.3 光譜預(yù)處理

近紅外光譜數(shù)據(jù)是樣品內(nèi)部分子結(jié)構(gòu)和物質(zhì)含量信息的真實反映，而近紅外光譜在采集過程中容易受到外界的干擾（如光程、測量角度、樣品顆粒度差異等），導(dǎo)致光譜數(shù)據(jù)產(chǎn)生一定的誤差[17-18]。為了更精確地提取數(shù)據(jù)，反映樣品的真實信息，通常使用各種預(yù)處理方法對光譜數(shù)據(jù)進(jìn)行修正，以此提高光譜數(shù)據(jù)和真值濃度矩陣之間的相關(guān)性，獲取更高精度的模型。文中通過Matlab軟件，采用多元散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變換（SNV）、去趨勢（DT）等3種常用的預(yù)處理方法來處理樣品的光譜數(shù)據(jù)，預(yù)處理后所得近紅外光譜見圖5。

由圖5可知，SNV預(yù)處理對譜圖曲線的校正效果最為顯著，經(jīng)MSC預(yù)處理后的譜圖未發(fā)生明顯的基線校正。這可能是因為SNV與MSC的區(qū)別在于，SNV擬定光譜數(shù)據(jù)中每個波數(shù)的吸光度服從一定的規(guī)則[19-20]，經(jīng)DT與預(yù)處理后的光譜校正效果優(yōu)于MSC，但平滑效果低于SNV。這由于DT的主要作用是消除傳感器在數(shù)據(jù)收集時的偏移，通過刪除數(shù)據(jù)中的趨勢來將分析集中于數(shù)據(jù)本身的波動上。

2.4 提取特征波段

近紅外光譜的數(shù)據(jù)信息較冗雜，為了提高模型的精度，在光譜數(shù)據(jù)處理時選取有效的波段和區(qū)域[21]。文中采用無信息變量消除法（UVE）進(jìn)行光譜選區(qū)，UVE是基于分析最小偏二乘法回歸（PLSR）的回歸系數(shù)算法，可以有效地減少PLSR模型中的變量數(shù)，提取有效的波點數(shù)據(jù)，從而提高模型的精度[22]。

圖5 基于不同預(yù)處理方式的近紅外光譜

含水率模型的精度較高，文中僅使用UVE對SSC模型光譜樣品進(jìn)行特征波段的提取。散裝藍(lán)莓SSC樣品光譜UVE波段選擇結(jié)果見圖6，PE保鮮膜包裝藍(lán)莓SSC樣品光譜UVE波段選擇結(jié)果見圖7。以圖6—7中橫坐標(biāo)1 151 nm處為分界線，右側(cè)的紊亂波段為算法隨機引入的噪音；以右側(cè)的噪音波段界定上下兩側(cè)的水平分界線，排除與噪音相關(guān)的無效數(shù)據(jù)后，得到了上下兩側(cè)分界線外標(biāo)記的有效波點數(shù)據(jù)。

2.5 預(yù)測模型的建立與驗證

2.5.1 含水率快速檢測模型

2.5.1.1 散裝藍(lán)莓

不同預(yù)處理對預(yù)測模型的精度有一定影響，使用最佳光譜預(yù)處理建立的預(yù)測模型具有更優(yōu)的預(yù)測性能[23]。文中采用60個校正集藍(lán)莓光譜數(shù)據(jù)，并分別結(jié)合SNV、MSC、DT預(yù)處理方法建立PLSR和RF模型，采用20個驗證集藍(lán)莓光譜數(shù)據(jù)進(jìn)行驗證。由表2可知，3個預(yù)處理PLSR的c2和p2都高于0.9，且RMSE值都低于0.1，表明PLSR模型的精度較高，能達(dá)到使用要求；3個RF模型的c2高于0.9，p2高于0.8，RMSEC值基本上高于0.01。對比PLSR和RF模型，PLSR的2明顯高于RF的2，且其RMSE值低于RF的RMSE值，證明PLSR模型精度高于RF模型，最優(yōu)散裝藍(lán)莓含水率快速檢測模型選擇PLSR模型。

圖6 散裝藍(lán)莓SSC樣品光譜UVE波段選擇

通過分析模型決定系數(shù)2和均方根誤差RMSE值來判斷最優(yōu)模型（最優(yōu)的評價標(biāo)準(zhǔn)是2值越大越好，均方根誤差RMSE值越小越好）[24]。3個預(yù)處理PLSR的c2和RMSEC值均在0.97和0.004左右，相差不大，比較p2和RMSECP值，三者的RMSECP值都很小，SNV預(yù)處理PLSR的p2具有最大值（0.933）。綜上所述，最優(yōu)模型選擇SNV預(yù)處理PLSR，最佳主成分?jǐn)?shù)（PC）為9，c2為0.971，p2為0.933。

圖7 PE保鮮膜包裝藍(lán)莓SSC樣品光譜UVE波段選擇

表2 散裝藍(lán)莓含水率不同預(yù)處理建模結(jié)果

Tab.2 Modeling results of different pretreatment of bulk blueberry moisture content

注：/表示該情況下不需要最佳主成分（下同）。

SNV預(yù)處理PLSR的模型散點見圖8，校正回歸散點見圖8a，驗證回歸散點見圖8b。由圖8a可知，散點均勻分布在擬合直線兩側(cè)，且與擬合直線距離較小，樣品的數(shù)據(jù)和模型間的擬合度較高；由圖8b可知，驗證集樣品均勻分散在擬合直線兩側(cè)，樣品的驗證情況良好，預(yù)處理后的PLSR具有良好的預(yù)測能力。

圖8 SNV預(yù)處理PLSR模型散點

2.5.1.2 PE保鮮膜包裝藍(lán)莓

采用60個校正集藍(lán)莓光譜數(shù)據(jù)分別結(jié)合SNV、MSC、DT預(yù)處理方法建立PLSR和RF模型，使用20個驗證集藍(lán)莓光譜數(shù)據(jù)進(jìn)行驗證。由表3可知，3種預(yù)處理PLSR的2都高于0.7，且RMSEC值都低于0.02，表明模型的精度較高，能達(dá)到使用的要求；3種RF的2均高于0.8，且RMSEC值都低于0.02，表明模型的精度高，能達(dá)到使用的要求。對比PLSR和RF，2種建模方法的RMSEC值相差不大，比較c2和p2，RF的c2和p2均高于PLSR模型的c2和p2，證明RF模型精度高于PLSR模型，最優(yōu)PE保鮮膜包裝藍(lán)莓含水率快速檢測模型選擇RF模型。

通過分析模型決定系數(shù)2和均方根誤差RMSE值來判斷最優(yōu)模型（最優(yōu)的評價標(biāo)準(zhǔn)是2值越大越好，均方根誤差RMSE值越小越好）。3種預(yù)處理RF的c2均高于0.9且相差不大，RMSEC值和RMSECP值均在0.01左右且相差不大，比較p2，SNV預(yù)處理RF模型的p2明顯高于MSC和DT處理后的RF模型。綜上所述，最優(yōu)模型選擇SNV預(yù)處理RF模型，c2為0.923，p2為0.876。

SNV預(yù)處理RF的模型散點見圖9，校正回歸散點見圖9a，驗證回歸散點見圖9b。由圖9a可見，散點均勻分布在擬合直線兩側(cè)，且與擬合直線距離較小，樣品的數(shù)據(jù)和模型間的擬合度較高；由圖9b可見，驗證集樣品均勻分散在擬合直線兩側(cè)，樣 品的驗證情況良好，預(yù)處理后的RF具有良好的預(yù)測能力。

表3 PE保鮮膜包裝藍(lán)莓含水率不同預(yù)處理建模結(jié)果

Tab.3 Modeling results of different pretreatment of blueberry moisture content packaged with PE film

圖9 SNV預(yù)處理RF模型散點

2.5.2 藍(lán)莓可溶性固形物含量快速檢測模型

2.5.2.1 散裝藍(lán)莓

采用100個校正集藍(lán)莓光譜數(shù)據(jù)，分別通過SNV、MSC、DT預(yù)處理結(jié)合UVE選擇有效信息波段，建立PLSR和RF模型，采用26個驗證集藍(lán)莓光譜數(shù)據(jù)進(jìn)行驗證。由表4可知，3個預(yù)處理PLSR的2都高于0.7，且RMSEC值都低于1，表明模型的精度較高，能達(dá)到使用的要求；3個RF模型的c2均高于0.9，p2均高于0.7，且RMSEC值都為1左右，表明模型的精度較高，能達(dá)到使用的要求。對比2種建模方法模型的c2可知，RF高于PLSR，因此RF模型的精度高于PLSR模型，最優(yōu)模型在RF建模的3個模型中進(jìn)行選擇。

通過分析模型決定系數(shù)2和均方根誤差RMSE值來判斷最優(yōu)模型（最優(yōu)的評價標(biāo)準(zhǔn)是2值越大越好，均方根誤差RMSE值越小越好）。比較3個RF模型，明顯可見，DT+UVE處理后的RF模型的c2和p2明顯高于其余2個模型，RMSEC值明顯低于其余2個模型。綜上所述，最優(yōu)模型選擇DT+UVE處理后的RF模型，c2為0.942，p2為0.869。

DT+UVE處理RF模型散點見圖10，校正回歸散點見圖10a，驗證回歸散點見圖10b。由圖10a可見，散點均勻分布在擬合直線兩側(cè)，且與擬合直線距離較小，樣品的數(shù)據(jù)和模型間的擬合度較高；由圖10b可見，驗證集樣品均勻分散在擬合直線兩側(cè)，樣品的驗證情況良好，DT+UVE處理后的RF模型具有良好的預(yù)測能力。

2.5.2.2 PE保鮮膜包裝藍(lán)莓

采用100個校正集藍(lán)莓光譜數(shù)據(jù)，分別結(jié)合SNV、MSC、DT預(yù)處理方法建立PLSR和RF模型，采用 26個驗證集藍(lán)莓光譜數(shù)據(jù)進(jìn)行驗證。由表5可知，3個預(yù)處理PLSR的c2為0.8左右，p2均高于0.5，且RMSEC值為1左右，表明模型的精度能達(dá)到使用的要求；3個預(yù)處理RF模型的c2均高于0.9，p2在0.6左右，RMSEC值低于2，表明模型的精度能達(dá)到使用要求。比較2種建模方法建立的模型，RF模型的p2和RMSEC值與PLSR模型相差不大，PLSR模型的RMSECP值明顯小于RF模型的RMSECP值，因此，最優(yōu)模型在3個PLSR中選擇。

表4 散裝藍(lán)莓SSC不同預(yù)處理建模結(jié)果

Tab.4 Different pretreatment modeling results of SSC of bulk blueberry

圖10 DT+UVE處理RF模型散點

Fig.10 Scatter diagram of RF model processed by DT +UVE

表5 基于PE保鮮膜包裝藍(lán)莓的SSC的不同預(yù)處理建模結(jié)果

Tab.5 Modeling results of different pretreatment of SSC of blueberry packaged with PE film

通過分析模型決定系數(shù)2和均方根誤差RMSE值來判斷最優(yōu)模型（最優(yōu)的評價標(biāo)準(zhǔn)是2值越大越好，均方根誤差RMSE值越小越好）。3種預(yù)處理PLSR的c2為0.75～0.85，RMSEC值與RMSECP值相差不大，比較c2與p2可知，MSC+UVE處理后PLSR的c2和p2明顯高于MSC+UVE和DT+UVE處理后的PLSR。綜上所述，最優(yōu)模型選擇MSC+UVE處理后的PLSR，最佳主成分?jǐn)?shù)為7，c2為0.849，p2為0.707。

MSC+UVE處理PLSR模型散點見圖11，校正回歸散點見圖11a，驗證回歸散點見圖11b。由圖11a可見，散點均勻分布在擬合直線兩側(cè)，且與擬合直線距離較小，樣品的數(shù)據(jù)和模型間的擬合度較高。由圖11b可見，驗證集樣品均勻分散在擬合直線兩側(cè)，樣品的驗證情況良好，MSC+UVE處理后的PLSR模型具有良好的預(yù)測能力。

圖11 MSC+UVE處理PLSR模型散點

2.5.3 散裝藍(lán)莓與PE保鮮膜包裝藍(lán)莓最佳預(yù)測模型對比

散裝藍(lán)莓與PE保鮮膜包裝藍(lán)莓最佳預(yù)測模型的對比結(jié)果見表6，4個最佳預(yù)測模型的c2和p2均高于0.7，RMSEC值和RMSECP值均低于1，可見無論是散裝藍(lán)莓預(yù)測模型還是PE保鮮膜包裝藍(lán)莓預(yù)測模型都能達(dá)到較高的檢測精度。對比散裝藍(lán)莓預(yù)測模型和PE保鮮膜包裝藍(lán)莓預(yù)測模型，散裝藍(lán)莓預(yù)測模型的c2和p2均高于PE保鮮膜包裝藍(lán)莓預(yù)測模型，RMSEC值和RMSECP值均低于PE保鮮膜包裝藍(lán)莓預(yù)測模型，表明散裝藍(lán)莓預(yù)測模型的預(yù)測精度高于PE保鮮膜包裝藍(lán)莓預(yù)測模型。這是由于PE保鮮膜對藍(lán)莓近紅外光譜數(shù)據(jù)的采集有一定影響，但仍能達(dá)到較高的精度要求。

表6 散裝藍(lán)莓與PE保鮮膜包裝藍(lán)莓最佳預(yù)測模型對比

Tab.6 Comparison of best prediction models of blueberries packaged in bulk and PE film

3 結(jié)語

以藍(lán)莓為原材料，應(yīng)用近紅外檢測技術(shù)，使用PLSR和RF分別建立了散裝藍(lán)莓含水率快速檢測模型、PE保鮮膜包裝藍(lán)莓含水率快速檢測模型、散裝藍(lán)莓可溶性固形物含量快速檢測模型和PE保鮮膜包裝藍(lán)莓可溶性固形物含量快速檢測模型，并對比了散裝藍(lán)莓預(yù)測模型和PE包裝藍(lán)莓預(yù)測模型，分析了PE對模型的影響。

1）確立了最優(yōu)散裝藍(lán)莓含水率快速檢測模型為SNV預(yù)處理的PLSR模型，最佳主成分?jǐn)?shù)為9，c2為0.971，p2為0.933。

2）確立了最優(yōu)PE保鮮膜包裝藍(lán)莓含水率快速檢測模型為SNV預(yù)處理RF模型，c2為0.923，p2為0.876。

3）確立了最優(yōu)散裝藍(lán)莓可溶性固形物含量快速檢測模型為DT+UVE處理后的RF模型，c2為0.942，p2為0.869。

4）確立了最優(yōu)PE保鮮膜包裝藍(lán)莓可溶性固形物含量快速檢測模型為MSC+UVE處理模型，最佳主成分?jǐn)?shù)為7，c2為0.849，p2為0.707。

5）對比了散裝藍(lán)莓與PE保鮮膜包裝藍(lán)莓最佳預(yù)測模型，結(jié)果表明PE保鮮膜會影響模型預(yù)測精度，但仍能達(dá)到使用要求。

4個快速檢測模型的成功建立，證明了近紅外檢測技術(shù)可以應(yīng)用于藍(lán)莓包裝品含水率和SSC的快速無損檢測，為近紅外檢測技術(shù)應(yīng)用于智能包裝生產(chǎn)線上大批量藍(lán)莓的在線檢測提供了技術(shù)和理論支撐。

[1] AITA S, CAPRIOTTI A, CAVALIERE C, et al. Andean Blueberry of the Genus Disterigma: A High-Resolution Mass Spectrometric Approach for the Comprehensive Characterization of Phenolic Compounds[J]. Separations, 2021, 8(5): 58.

[2] 張?zhí)熘? 神奇的紫色食品[M]. 北京: 中國輕工業(yè)出版社, 2016: 96-99.

ZHANG Tian-zhu. Magic Purple Food [M]. Beijing: China Light Industry Press, 2016: 96-99.

[3] 張星, 畢金峰, 陳芹芹, 等. 4種漿果成分分析及抗氧化活性研究[J]. 食品科技, 2020, 45(6): 52-58.

ZHANG Xing, BI Jin-feng, CHEN Qin-qin, et al. Components Analysis and Antioxidant Activities of Four Varieties of Berries[J]. Food Science and Technology, 2020, 45(6): 52-58.

[4] 陳子凡, 董瑩, 何思東, 等. 藍(lán)莓及其提取物中花青素檢測方法的研究[J]. 糧食與食品工業(yè), 2021, 28(3): 69-72.

CHEN Zi-fan, DONG Ying, HE Si-dong, et al. Research Progress on the Detection Methods of Anthocyanins in Blueberry[J]. Cereal & Food Industry, 2021, 28(3): 69-72.

[5] 劉萌, 范新光, 王美蘭, 等. 不同包裝方法對藍(lán)莓采后生理及貯藏效果的影響[J]. 食品科學(xué), 2013, 34(14): 346-350.

LIU Meng, FAN Xin-guang, WANG Mei-lan, et al. Influence of Different Packaging Methods on Physiological Properties of Blueberry during Postharvest Storage[J]. Food Science, 2013, 34(14): 346-350.

[6] 魏萌. 越橘特征成分分析及其對肉制品中亞硝酸鹽和亞硝胺抑制作用研究[D]. 長春: 吉林大學(xué), 2014: 1-4.

WEI Meng. Study on Vaccinium Ingredients and Its Effect on the Inhibition of Nitrite and Nitrosamines in Meat[D]. Changchun: Jilin University, 2014: 1-4.

[7] 張莉會, 李志航, 廖李, 等. 不同保鮮劑對藍(lán)莓保鮮效果的比較[J]. 現(xiàn)代食品科技, 2020, 36(11): 121-129.

ZHANG Li-hui, LI Zhi-hang, LIAO Li, et al. Comparison of Preservation Effects of Different Preservatives on Blueberry[J]. Modern Food Science and Technology, 2020, 36(11): 121-129.

[8] 朱麟, 凌建剛, 康孟利, 等. 不同包裝方式對兔眼藍(lán)莓保鮮效果的影響[J]. 食品與發(fā)酵工業(yè), 2012, 38(3): 190-193.

ZHU Lin, LING Jian-gang, KANG Meng-li, et al. Effect of Different Package Methods on Quality of Blueberries during Cold Storage[J]. Food and Fermentation Industries, 2012, 38(3): 190-193.

[9] 張麗娟, 夏其樂, 陳劍兵, 等. 近紅外光譜的三種藍(lán)莓果渣花色苷含量測定[J]. 光譜學(xué)與光譜分析, 2020, 40(7): 2246-2252.

ZHANG Li-juan, XIA Qi-le, CHEN Jian-bing, et al. Prediction of Anthocyanin Content in Three Types of Blueberry Pomace by Near-Infrared Spectroscopy[J]. Spectroscopy and Spectral Analysis, 2020, 40(7): 2246-2252.

[10] PASQUINI C. Near Infrared Spectroscopy: Fundamentals, Practical Aspects and Analytical Applications[J]. Journal of the Brazilian Chemical Society, 2003, 14(2): 198-219.

[11] 王姍姍. 藍(lán)莓可溶性固形物、總酚和花青素近紅外光譜檢測技術(shù)研究[D]. 北京: 北京林業(yè)大學(xué), 2012: 13-48.

WANG Shan-shan. Research on near Infrared Spectroscopy for Rapid Measurements of SSC, Total Phenols, and Anthocyanins in Blueberry[D]. Beijing: Beijing Forestry University, 2012: 13-48.

[12] 劉小路, 薛璐, 魯曉翔, 等. 近紅外光譜技術(shù)快速無損檢測藍(lán)莓總黃酮、花青素的研究[J]. 食品工業(yè)科技, 2015, 36(16): 58-61.

LIU Xiao-lu, XUE Lu, LU Xiao-xiang, et al. Fast Non-Destructive Testing of Total Flavonoids and Anthocyanins in Blueberries by Near-Infrared Spectroscope[J]. Science and Technology of Food Industry, 2015, 36(16): 58-61.

[13] 劉小路, 薛璐, 魯曉翔, 等. 藍(lán)莓可溶性固形物、總酸近紅外無損檢測模型的建立[J]. 食品與生物技術(shù)學(xué)報, 2016, 35(7): 752-756.

LIU Xiao-lu, XUE Lu, LU Xiao-xiang, et al. Non-Destructive Testing of Soluble Solids and Total Acidity in Blueberry by Near-Infrared Diffuse Reflectance Spectroscope[J]. Journal of Food Science and Biotechnology, 2016, 35(7): 752-756.

[14] 薛璐, 劉小路, 魯曉翔, 等. 近紅外漫反射無損檢測藍(lán)莓硬度的研究[J]. 浙江農(nóng)業(yè)學(xué)報, 2015, 27(9): 1646-1651.

XUE Lu, LIU Xiao-lu, LU Xiao-xiang, et al. Non-Destructive Detection of Blueberry Hardness Based on Near-Infrared Diffused Spectroscope[J]. Acta Agriculture Zhejiangensis, 2015, 27(9): 1646-1651.

[15] 於虹, 王傳永, 顧姻, 等. 不同包裝處理對藍(lán)漿果貯藏期間生理和貯藏性的影響[J]. 果樹學(xué)報, 2006, 23(4): 631-634.

YU Hong, WANG Chuan-yong, GU Yin, et al. Effect of Different Packaging Treatments on Physiology and Storability of Blueberry Fruit[J]. Journal of Fruit Science, 2006, 23(4): 631-634.

[16] 曹建康, 姜微波, 趙玉梅. 果蔬采后生理生化實驗指導(dǎo)[M]. 北京: 中國輕工業(yè)出版社, 2007: 31-32.

CAO Jian-kang, JIANG Wei-bo, ZHAO Yu-mei. Guidance for Postharvest Physiological and Biochemical Experiments of Fruits and Vegetables[M]. Beijing: China Light Industry Press, 2007: 31-32.

[17] 韓云云. 一種基于保水劑和滴灌的沙土地開發(fā)利用技術(shù)研究[D]. 揚州: 揚州大學(xué), 2019: 28-43.

HAN Yun-yun. A Kind of Sand Land Development and Utilization Technology Study Based on Water-Retaining Reagent and Drip Irrigation[D]. Yangzhou: Yangzhou University, 2019: 28-43.

[18] SHAWKY E, SELIM D A. NIR Spectroscopy-Multivariate Analysis for Discrimination and Bioactive Compounds Prediction of Different Citrus Species Peels[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2019, 219: 1-7.

[19] RINNAN ?, VAN DEN BERG F, ENGELSEN S B. Review of the most Common Pre-Processing Techniques for Near-Infrared Spectra[J]. TrAC Trends in Analytical Chemistry, 2009, 28(10): 1201-1222.

[20] BARNES R J, DHANOA M S, LISTER S J. Standard Normal Variate Transformation and De-Trending of Near-Infrared Diffuse Reflectance Spectra[J]. Applied Spectroscopy, 1989, 43(5): 772-777.

[21] 仇遜超, 曹軍. 近紅外光譜波段優(yōu)化在東北松子蛋白質(zhì)定量檢測中的應(yīng)用[J]. 現(xiàn)代食品科技, 2016, 32(11): 303-309.

QIU Xun-chao, CAO Jun. Application of Band Optimization of Near-Infrared Spectra for Quantitative Detection of Proteins in Northeastern Pine Nuts[J]. Modern Food Science and Technology, 2016, 32(11): 303-309.

[22] HE Kai-xun, CHENG Hui, DU Wen-li, et al. Online Updating of NIR Model and Its Industrial Application via Adaptive Wavelength Selection and Local Regression Strategy[J]. Chemometrics and Intelligent Laboratory Systems, 2014, 134: 79-88.

[23] 任東, 沈俊, 任順, 等. 一種面向土壤重金屬含量檢測的X射線熒光光譜預(yù)處理方法研究[J]. 光譜學(xué)與光譜分析, 2018, 38(12): 3934-3940.

REN Dong, SHEN Jun, REN Shun, et al. An X-Ray Fluorescence Spectroscopy Pretreatment Method for Detection of Heavy Metal Content in Soil[J]. Spectroscopy and Spectral Analysis, 2018, 38(12): 3934-3940.

[24] 張磊, 丁香乾, 宮會麗, 等. 改進(jìn)和聲搜索算法的近紅外光譜特征變量選擇[J]. 光譜學(xué)與光譜分析, 2020, 40(6): 1869-1875.

ZHANG Lei, DING Xiang-qian, GONG Hui-li, et al. Research on near Infrared Spectral Feature Variable Selection Method Based on Improved Harmonic Search Algorithm[J]. Spectroscopy and Spectral Analysis, 2020, 40(6): 1869-1875.

Nondestructive Detection of Freshness of PE Packaged Blueberries Based on NIR

CHEN Ya, JIANG Kai-yi, LI Yao-xiang, PENG Run-dong

(College of Engineering and Technology, Northeast Forestry University, Harbin 150040, China)

The work aims to apply near infrared nondestructive testing technology to the intelligent packaging production line to detect the freshness of blueberries packaged with PE film accurately and rapidly. The moisture content and soluble solids content (SSC) of blueberries were taken as evaluation indexes. Furthermore methods of SNV, MSC and DT combined with UVE were used to obtain spectral data. Then PLSR and RF were used to build prediction models of moisture content and SSC of bulk and PE packaged blueberries. The accuracy of model was verified by comparing the determination coefficient and root mean square error. The prediction model of moisture content of bulk blueberries was established. SNV and PLSR were the best pre-processing and modeling methods, respectively. The best PCA was 9,c2was 0.971,p2was 0.933; For establishing a prediction model of moisture content of blueberries packaged with PE film, SNV and RF were the best pre-processing and modeling methods, respectively.c2was 0.923,p2was 0.876; For establishing a prediction model of SSC of bulk blueberry, DT combined with UVE, and RF were the best pre-processing and modeling methods, respectively.c2was 0.942,p2was 0.869; For establishing a prediction model of SSC of blueberries packaged with PE film, MSC combined with UVE, and PLSR were the best pre-processing and modeling methods, respectively. The best PCA was 7,c2was 0.849,p2was 0.707. By comparing the prediction models of bulk blueberries and PE packaged blueberries, it is found that PE film affects the accuracy of the prediction model, but doesn't affect the use of it. The work provides a practical method for rapid nondestructive testing of blueberry freshness in intelligent packaging production line.

blueberry; water content; soluble solids; near infraredspectroscopy; nondestructive testing; intelligent packaging production line

TB487

A

1001-3563(2022)07-0001-10

10.19554/j.cnki.1001-3563.2022.07.001

2021-08-03

中央高?；究蒲许椖浚?572017BB07）；東北林業(yè)大學(xué)“雙一流”項目（41113253）

陳雅（1999—），男，東北林業(yè)大學(xué)碩士生，主攻近紅外檢測技術(shù)。

姜凱譯（1986—），男，博士，東北林業(yè)大學(xué)講師，主要研究方向為包裝工程、3D打印技術(shù)。

責(zé)任編輯：彭颋