蘋果質地的近紅外光譜無損檢測模型研究

張　鵬，李江闊，陳紹慧

（國家農產品保鮮工程技術研究中心（天津），天津市農產品采后生理與貯藏保鮮重點實驗室，天津300384）

蘋果質地的近紅外光譜無損檢測模型研究

張鵬，李江闊*，陳紹慧

（國家農產品保鮮工程技術研究中心（天津），天津市農產品采后生理與貯藏保鮮重點實驗室，天津300384）

為了建立快速而無損檢測蘋果質地的新方法，應用近紅外光譜儀研究不同建模方法和光譜預處理方法對蘋果質地（脆度、硬度、回復性、凝聚性和咀嚼性）無損檢測模型性能的影響。結果表明，波長范圍400～2500nm內，采用改進偏最小二乘法、原始光譜結合反相多元離散校正處理所建蘋果質地的校正模型最優，脆度、硬度、回復性、凝聚性和咀嚼性預測相關系數均大于0.8，而預測標準誤差分別為7.6763N、6.5876N、0.0085、0.0175、1.2466N，殘差之和均小于0.2。因此，通過近紅外光譜對蘋果質地進行快速而無損檢測具有一定可行性，但模型精度有待進一步提高。

近紅外光譜，無損檢測，蘋果，質地

質地是果蔬重要的品質特征之一，也是影響消費者對其接受性的主要因素[1]。在果蔬采后保鮮領域，為了更好地反映果蔬的流變學特征，使測定數據更加精確，質地評價更為客觀，人們應用質構物性儀分析果蔬質地的變化[2]。而質地多面分析（TPA）方法是模擬人體口腔咀嚼原理，對果蔬果肉的脆度、硬度、回復性、凝聚性和咀嚼性進行客觀分析，更能全方位多角度地反映果實的質地[3-5]，但這種檢測方法的缺點是測定中無法保留果蔬的完整性。近紅外光譜具有著無損、快速、多組分同時測定、在線分級等優點[6-9]，由于近紅外光譜可以對果蔬中的含氫基團（C-H、O-H、N-H、S-H）產生特征吸收，而掃描后的吸收光譜攜帶了果實的內在信息，因此運用化學計量學手段建立光譜數據與果蔬內在品質的模型，可以實現對未知樣品的快速檢測。目前，國內外學者在近紅外光譜無損檢測蘋果硬度、糖/可溶性固形物、酸/pH等品質指標研究較多[10-14]，而在蘋果質地方面的研究僅僅是果實硬度這個單一指標[15-16]，而探討近紅外光譜無損檢測蘋果全方位質地分析參數的可行性方面未見相關報道。本文以貯后貨架期間富士蘋果為樣品集，通過不同建模方法、不同導數處理結合不同散射及標準化處理方法等研究蘋果質地的近紅外漫反射無損檢測模型，探討其應用可行性。

1　材料與方法

1.1材料與儀器

紅富士蘋果采自天津薊縣，采收時挑選成熟度一致，大小適中、無病蟲害、無機械傷的果實，套網袋裝入紙箱內，立即運回實驗室。將果實用微孔袋包裝置于原紙箱中放入冷庫（0±0.5）℃貯藏。冷藏5個月后取出樣品，置于常溫下（18～22℃）存放，每隔7d進行測定，共測定4次。實驗前對樣品標記（蘋果赤道線上陰陽面各取一點）、排序后進行光譜掃描，將168個樣品隨機分為校正集和預測集，樣品數量分別為126個和42個。

NIRSDS2500近紅外漫反射光譜儀，丹麥FOSS公司，儀器采用全息光柵分光系統，硅（400～1100nm）和硫化鉛（1100～2500nm）檢測器用于信號采集，掃描波長范圍是400～2500nm，配制Nova分析軟件和WinISI4定標軟件；TA.XT.Plus物性儀英國SMS公司。

1.2實驗方法

1.2.1光譜的采集在Slurry Cup上進行光譜掃描，掃描方式為單波長、快速掃描，光譜數據間隔為0.5nm，掃描次數為32次，利用Nova分析軟件存儲測定的光譜數據。光譜掃描時注意保持環境的一致性，如環境溫度、濕度等。

1.2.2蘋果質地的測定蘋果取樣參見潘秀娟等[17]方法，將試樣放置于TA.XT.Plus質構儀測試平板上，采用直徑為75mm的圓柱形探頭P/75進行TPA測試。測試條件如下：測前速度為1mm/s，測試速度為0.5mm/s，測后上行速度為0.5mm/s，蘋果果肉受壓變形為60%，兩次壓縮停頓時間為5s，觸發力為5g。質地特征曲線得到蘋果果肉TPA參數：脆度、硬度、回復性（A4/A5）、彈性（t2/t1）、凝聚性（A2/A1）、膠性（硬度×凝聚性）、咀嚼性（膠性×彈性）。

1.2.3校正模型的建立利用WinISI4軟件，對原始光譜進行濾波和平滑處理，以去除噪聲和提取有效信息，采用建模方法、導數處理等預處理方法來確定果實質地的近紅外無損檢測的校正模型。

1.2.4校正模型的預測以未參與校正的樣品對模型進行預測，評價模型的可行性。校正模型性能評價指標為交互驗證相關系數（RCV）和交互驗證標準誤差（SECV），而校正模型的外部預測性能通過預測標準誤差（SEP）、預測值與化學值相關系數（RP）和預測值與化學值殘差和來評價。

2　結果與分析

2.1蘋果樣品的近紅外光譜圖

圖1為蘋果樣品全波長范圍（400～2500nm）內的近紅外原始吸收光譜圖。從圖1可以看出，蘋果在676、978、1186、1454、1928nm處有顯著吸收峰，而且水果成分的基本化學基團C-H和O-H的倍頻吸收譜帶也在這幾個吸收峰附近[18]。水的吸收峰出現在960、1122、1440、1940nm處[19]，該結果分別與978、1454、1928nm非常接近，蘋果果實中水分占81%～90%，蘋果的吸收峰與水的吸收峰非常接近或幾乎相等，說明蘋果的光譜主要決定于水。另外，果膠物質的主要特征官能團是C-H和O-H，而C-H的倍頻在978、1186和1928nm處也有吸收，表明豐富的光譜信息為蘋果質地多面分析參數的近紅外光譜定量分析提供了大量的信息。

圖1　蘋果樣品的近紅外原始吸收光譜圖Fig.1　Near infrared spectra original absorption spectrogram of apple sample

表1　樣品集劃分結果Table.1　Diversity results of apple samples

2.2校正集和預測集樣品的標準分布

蘋果果實質地采用質構儀多面分析法進行研究，并且選取果肉硬度、脆性、回復性、凝聚性、咀嚼性作為研究參數。其中，脆性反映的是在第一次壓縮過程中產生屈服現象，即出現第一個明顯的峰值，它的表現與其應力松弛特性有關，在對果肉施加外力時，果肉初期變形很小便產生斷裂或破碎[20]。硬度反映的是果肉在外力作用下發生最大形變所需要的力大小；回復性反映的是果肉在受到壓縮后恢復變形的能力[21]；凝聚性反映的是咀嚼果肉時，果肉抵抗牙齒咀嚼破壞而表現出的內部結合力，反映了果肉組織細胞間結合力的大小，使果實保持完整的性質[22]；咀嚼性模擬的是牙齒在咀嚼過程中將固體樣品咀嚼成可以吞咽的穩定狀態時所需要的能量，直觀地反映了果肉在牙齒咀嚼的抵抗能力。蘋果質地脆嫩多汁，隨著貨架期的延長果實的質地會不斷變化，內部組織逐漸變得綿軟，實驗選擇的樣品覆蓋了果實組織堅硬到綿軟的整個過程。本實驗檢測模型校正集和預測集的平均值、變幅范圍和標準偏差見表1。每個參數實測值的分布范圍比較廣，代表性強，并且樣品預測集的含量范圍都在校正集范圍內，因而用校正集所建立的模型能夠較好地適用于預測集。

2.3數學建模方法的選擇

為了比較不同數學建模算法對蘋果TPA參數的校正模型建立的影響，表2顯示了改進偏最小二乘法（MPLS）、偏最小二乘法（PLS）和主成分回歸（PCR）的模型校正結果。通過比較，MPLS所建模型的Rcv均高于其他兩種建模方法，而且SECV也最小，表明應用MPLS建模最佳。

表2　不同數學建模方法的校正結果Table.2　Statistical results of models established by different regression techniques

2.4不同預處理方法的比較

采用MPLS建模，研究不同導數處理方法與不同散射及標準化方法相結合的預處理方法對所建模型性能的影響，從而找到最優的預處理方法。在全光譜范圍內比較了原始光譜、一階導數、二階導數和無散射處理（None）、多元離散校正（MSC）、標準歸一化和趨勢變化法散射處理（SNV+D）、反相多元離散校正（IMSC）、加權多元離散校正（WMSC）相結合的方法建立模型。不同光譜預處理方法建模結果如表3所示。

表3　不同預處理方法的校正結果Table.3　Statistical results of models established by different pretreatment methods

結果表明，采用MPLS、一階導數結合WMSC的光譜預處理方法建立的脆度校正模型效果最好，其SECV為7.6239N，RCV為0.8752；采用MPLS、原始光譜結合IMSC的光譜預處理方法建立的硬度和回復性校正模型效果最好，其SECV分別為6.4770N、0.0079，RCV分別為0.9012、0.8184；采用MPLS、原始光譜結合None的預處理方法建立的凝聚性校正模型效果最好，其SECV為0.0172，RCV為0.7767；采用MPLS、一階導數結合None的預處理方法建立的咀嚼性校正模型效果最好，其SECV為1.2221N，RCV為0.8481。每個參數的最佳預處理方法有所不同，綜合考慮MPLS、原始光譜結合IMSC的預處理方法所建的質地各參數校正模型相對較好，而且通過選取1個適宜的預處理方法，1次掃描可以同時對TPA各個參數進行預測，使得預測值更加接近實際測定值。綜上所述，采用MPLS、原始光譜結合IMSC的預處理方法的光譜預處理方法建立的脆度、硬度、回復性、凝聚性和咀嚼性校正模型結果為，SECV和RCV分別為7.7808N和0.8717、6.4770N和0.9012、0.0079和0.8184、0.0174和0.7628、1.2526N和0.8387。

2.5校正模型穩定性檢驗

為了預測校正模型的可靠性和準確性，利用已建立的蘋果質地各參數校正模型對預測集樣品的脆度、硬度、回復性、凝聚性和咀嚼性進行預測分析，結果如圖2～圖6所示。預測結果表明，樣品果肉脆度的SEP為7.6763N，RP為0.8925；樣品果肉硬度的SEP為6.5876N，RP為0.9150；樣品果肉回復性的SEP為0.0085，RP為0.8120；樣品果肉凝聚性的SEP為0.0175，RP為0.8290；樣品果肉咀嚼性的SEP為1.2466N，RP為0.8450，預測集樣品點都分布在45°線周圍，預測值與實測值之間具有較高的相關性且誤差在合理的范圍內，說明所建模型的可靠性較高。通過預測集樣品的質地各參數殘差分析可知，預測集樣品的脆度、硬度、回復性、凝聚性和咀嚼性的殘差均在零線上下均勻的波動，其殘差之和分別為0.1472N、0.1834N、0.1050、0.1880、0.0420N。綜上分析可知，建立的蘋果質地多面分析模型性能較為穩定。

圖2　果肉脆度預測集實測值與預測值散點圖和殘差分布圖Fig.2　Scatter plots and residual plots of flesh brittleness measured value and predicted value for prediction samples

圖3　果肉硬度預測集實測值與預測值散點圖和殘差分布圖Fig.3　Scatter plots and residual plots of flesh firmness measured value and predicted value for prediction samples

圖4　果肉回復性預測集實測值與預測值散點圖和殘差分布圖Fig.4　Scatter plots and residual plots of flesh resilience measured value and predicted value for prediction samples

圖5　果肉凝聚性預測集實測值與預測值散點圖和殘差分布圖Fig.5　Scatter plots and residual plots of flesh cohesiveness measured value and predicted value for prediction samples

圖6　果肉咀嚼性預測集實測值與預測值散點圖和殘差分布圖Fig.6　Scatter plots and residual plots of flesh chewiness measured value and predicted value for prediction samples

3　結論與討論

Lammertyn等[16]對“喬納金”蘋果硬度近紅外無損檢測模型研究表明，波長范圍380～1650nm、采用PLS方法所建蘋果硬度模型的SEP為2.490N；Park等[23]對“嘎啦”蘋果硬度近紅外無損檢測模型研究表明，波長范圍400～1800nm、采用PLS方法所建蘋果硬度模型的SEP為4.910N；李桂峰等[24]對“富士”蘋果硬度近紅外無損檢測模型研究表明，波長范圍1300～2500nm，采用PLS所建硬度模型RMSEP為0.243kg/cm2。本文研究表明，波長范圍400～2500nm，光譜經原始光譜和反相多元離散校正預處理后，采用MPLS方法所建“富士”蘋果硬度近紅外模型SEP為6.5876N，與以往報道相比，硬度模型精度有待進一步提高，以后通過光譜波段選擇、人工神經網絡等方法提高模型的檢測精度。

結果還表明，采用改進偏最小二乘法、原始光譜和反相多元離散校正相結合的光譜預處理方法建立的蘋果果肉脆度、回復性、凝聚性和咀嚼性校正模型結果較好，果肉脆度RCV為0.8717，SECV為7.7808N，RP為0.8925，SEP為7.6763N；果肉回復性RCV為0.8184，SECV為0.0079，RP為0.8120，SEP為0.0085；果肉凝聚性RCV為0.7628，SECV為0.0174，RP為0.8290，SEP為0.0175；果肉咀嚼性RCV為0.8387，SECV為1.2526N，RP為0.8450，SEP為1.2466N，且各參數殘差分布在零線上下均勻波動，殘差之和較小，表明建立的模型預測性能較好，而通過近紅外漫反射光譜對蘋果質地的快速、無損檢測具有可行性。

[1]Jamila C，Marie-Francxoise D，Marie-Ghislaine G，et al. Physiologicalrelationshipsamongphysi cal，sensory，and morphological attributes of texture in tomato fruits[J].Journal of Experimental Botany，2007，58（8）：1915-1925.

[2]馬慶華，王貴禧，梁麗松.質構儀穿刺實驗檢測冬棗質地品質方法的建立[J].中國農業科學，2011，44（6）：1210-1217.

[3]陳青，勵建榮.楊梅果實在儲存過程中質地變化規律的研究[J].中國食品學報，2009，9（1）：66-71.

[4]李志文，張平，張昆明，等.1-MCP結合冰溫貯藏對葡萄果實質地的影響[J].農業機械學報，2011，42（7）：176-181.

[5]袁成龍，董曉穎，李培環，等.TPA質構分析硬肉桃果實采后質地變化[J].食品科學，2013，34（20）：273-276.

[6]Nicolai B M，Beullens T，Bobelyn E.et al.Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy：A review[J].Postharvest Biology and Technology，2007，46（2）：99-118.

[7]Huirong Xu，Bing Qi，Tong Sun，et al.Variable selection in visible and near－infrared spectra：Application to on－line determination of sugar content in pears[J].Journal of Food Engineering，2012，109：142-147.

[8]Weiqi Luo，Shuangyan Huan，Haiyan Fu，et al.Preliminary study on the application of near infrared spectroscopy and pattern recognition methods to classify different types of apple samples[J].Food Chemistry，2011，128：555-561.

[9]張鵬，李江闊，孟憲軍，等.磨盤柿可溶性固形物的可見/近紅外漫反射光譜無損檢測[J].食品科學，2011，32（6）：191-194.

[10]李軍良，王從慶.量子進化算法在蘋果漫透射近紅外光譜分析中的應用[J].浙江大學學報：農業與生命科學版，2011，37（4）：453-459.

[11]歐陽愛國，謝小強，周延睿，等.蘋果可溶性固形物近紅外光譜檢測的偏最小二乘回歸變量篩選研究[J].光譜學與光譜分析，2012，32（10）：2680-2684.

[12]Liu Y D，Ying Y B.Use of FT-NIR spectrometry in noninvasive measurements of internal quality of‘Fuji’apples[J]. Postharvest Biology and Technology，2005，37（1）：65-71.

[13]Zou X B，Zhao J W，Li Y X.Selection of the efficient wavelength regions in FT-NIR spectroscopy for determination of SSC of‘Fuji’apple based on BiPLS and FiPLS models[J]. Vibrational Spectroscopy，2007，44（2）：220-227.

[14]王加華，韓東海.基于遺傳算法的蘋果糖度近紅外光譜分析[J].光譜學與光譜分析，2008，28（10）：2308-2311.

[15]李桂峰，趙國建，劉興華，等.蘋果硬度的傅里葉變換近紅外光譜無損檢測[J].農業機械學報，2009，40（1）：120-123.

[16]Lammertyn J，Nicolai B I，OomsK，et al.Non-destructive measurement of acidity，soluble solids，and firmness of Jonagold apples using NIR-spectroscopy[J].Transactions of the ASAE，1998，41（4）：1089-1094.

[17]潘秀娟，屠康.質構儀質地多面分析（TPA）方法對蘋果采后質地變化的檢測[J].農業工程學報，2005，21（3）：166-170.

[18]陸婉珍.現代近紅外光譜分析技術[M].北京：中國石化出版社，2010：31.

[19]Polessello A，Giangiacomo R.Application of near infrared spectrophotometry to the nondestructive manalysis of foods：areview of experimental results[J].Critical Reviews in Food Science and Nutrition，1981，18：203-230.

[20]Alvarez M D，Saunders D E J，Vincent J F V.Fracture properties of stored fresh and osmotically manipulated apple tissue[J].European Food Resesrch and Technology，2000，211（4）：284-290.

[21]姜松，王海鷗.TPA質構分析及測試條件對蘋果TPA質構分析的影響[J].食品科學，2004，25（12）：68-71.

[22]Alvarez M D，Canet W，Lopez M E.Influence of deformation rate and degree of compression on textural parameters of potato and apple tissues in texture profile analysis[J].European Food Research and Technology，2002，215（1）：13-20.

[23]Park B，Abbott J A，Lee K J，et al.Near-infrared diffuse reflectance for quantitative and qualitative measurement of soluble solids and firmness of delicious and gala apples[J].Transactions of the ASAE，2003，46（6）：1721-1731.

[24]李桂峰，趙國建，王向東，等.蘋果質地品質近紅外無損檢測和指紋分析[J].農業工程學報，2008，24（6）：169-173.

Study on nondestructive measurement model of apple fruit texture by near infrared spectroscopy

ZHANG Peng，LI Jiang-kuo*，CHEN Shao-hui
（National Engineering and Technology Research Center for Preservation of Agricultural Products（Tianjin），Tianjin Key Laboratory of Postharvest Physiology and Storage of Agricultural Products，Tianjin 300384，China）

In order to establish a new method used to measure texture of apple fruit rapidly and nondestructively，the effects of different modeling methods and spectrum pretreatment methods on nondestructive measurement model performance of apple texture，including flesh brittleness，firmness，resilience，cohesiveness and chewiness using near infrared diffuse reflection spectroscopy.The results showed that modified partial least squares（MPLS）model，with respect to original spectrum combined with inverse multiple scatter correction（IMSC），provided better prediction performance for the flesh brittleness，firmness，resilience，cohesiveness and chewiness of apple fruit，with correlation coefficient of prediction greater than 0.8，with standard error of prediction of 7.6763N，6.5876N，0.0085，0.0175 and 1.2466N respectively，with the sum of residual error less than 0.2. Therefore，apple texture measured by near infrared diffuse reflection spectroscopy rapidly and nondestructively was feasible，but the precision of the models could be improved further.

near infrared diffuse reflection spectroscopy；nondestructive measurement；apple；texture

TS661.1

A

1002-0306（2015）04-0079-06

10.13386/j.issn1002-0306.2015.04.008

2014－05－07

張鵬（1981-），女，博士，助理研究員，主要從事果蔬貯運保鮮及無損檢測方面的研究。

李江闊（1974-），男，博士，副研究員，主要從事農產品安全與果蔬貯運保鮮新技術方面的研究。

國家科技支撐項目（2012BAD38B01）。