貯藏期內獼猴桃酸度的快速無損檢測

孟慶龍，黃人帥，張 艷，尚 靜

（貴陽學院食品與制藥工程學院，農產品無損檢測工程研究中心，貴州貴陽 550005）

0 引言

“貴長”獼猴桃產于貴州省修文縣，其果肉細嫩多漿、果汁酸甜可口，深受廣大消費者的喜愛[1-2]。水果的酸度是判別其品質的重要指標之一，而水果酸度的傳統測定方法雖然準確性相對較高，但存在破壞檢測對象、效率低、費時等缺陷。因此，尋求一種水果酸度的快速無損檢測方法對于指導其采后貯藏及產品加工具有實際意義。

基于精密光學檢測儀器的研發和化學計量學的飛速發展，以及高光譜技術擁有的可實現無損檢測的優勢。國內外科研工作者應用高光譜技術開展了諸多水果內部品質的分析與研究[3-7]。雖然采用高光譜技術對各類水果內部品質的研究與分析已經較為全面，但是基于高光譜技術及化學計量學檢測貯藏期內獼猴桃酸度的研究與分析還未見報道。

應用高光譜系統獲得貯藏期內“貴長”獼猴桃的高光譜圖像及其光譜數據；基于獲取的光譜數據及測得的pH 值構建預測貯藏期內獼猴桃酸度的主成分回歸模型，以期為貯藏期內獼猴桃酸度的快速無損檢測提供一種有效的方法。

1 材料與方法

1.1 試驗材料

“貴長”獼猴桃，采摘自貴州省修文縣龍關口獼猴桃果園，于2021 年10 月2 日從不同的果樹上采摘并挑選無病蟲害且無損傷的獼猴桃果子，獼猴桃果子摘取后馬上帶回實驗室，并貯藏在溫度為20±2 ℃的實驗室環境下，每隔3 d 取45 個樣品進行測量，共進行4 次試驗，總計180 個獼猴桃樣品。

1.2 試驗儀器

GaiaField-F-V10 型高光譜成像系統，江蘇雙利合譜科技有限公司產品；PHS-100 型酸度計。

1.3 高光譜圖像獲取與校正

將獼猴桃樣品依次按編號順序放在電動平移臺上，挨個掃描樣品，獲取獼猴桃樣品的高光譜圖像。為消除因光源強度分布不均勻和獼猴桃樣品的形狀差異等帶來的噪聲干擾，獲取完所有獼猴桃樣品的高光譜圖像后，在相同的系統參數下獲取全白及全黑的標定圖像，校正公式如下：

式中：Rref——校正后的圖像；

Roriginal——原始的圖像；

Rwhite，Rblack——全白和全黑的標定圖像。

1.4 酸度的測定

在獲取完所有獼猴桃樣本的高光譜圖像后立即測定其酸度。參照國標GB 10468—89，將測定的獼猴桃果汁pH 值作為其酸度參考值。首先在20±2 ℃條件下，分別用pH 值4.00 和pH 值6.86 的緩沖液標定PHS-100 型酸度計，然后用蒸餾水將電極洗干凈，并用濾紙將電極上的液體吸干凈，最后測量獼猴桃果汁的pH 值。

1.5 主成分回歸模型

采用主成分回歸構建獼猴桃酸度檢測模型，即先利用主成分分析篩選特征變量，再以特征變量與酸度參考值進行多元線性回歸分析[8]，則回歸方程如下：

式中：Y——酸度值；

Xnm——特征變量；

β0，β1，β2，…，βm——待定系數；

ε1，ε2，ε3，…，εn——n個獨立且服從同一正態分布的隨機誤差變量；

m——特征變量數；

n——獼猴桃樣本個數。

1.6 模型評價方法

通過建模集與預測集的相關系數rc與rp，均方根誤差RMSEC 與RMSEP，以及剩余預測偏差RPD衡量模型性能優劣的關鍵指標。若1.4≤RPD＜1.8，則模型僅可粗略地預測；1.8≤RPD＜2.0，證明構建的模型可完成相對較好地預測；RPD≥2，證明模型可以完成非常好地預測[9-10]。

式中：SD——預測集中獼猴桃樣本酸度參考值的標準偏差。

2 結果與分析

2.1 獼猴桃酸度統計

在建立回歸模型時，通過獲取的光譜數據及測定的酸度參考值將所有獼猴桃樣品分成建模集和預測集，即通過光譜- 理化值共生距離方法[11]從180 個獼猴桃樣品選擇135 個樣品用于建模集，其余的45 個用于預測集。表1 列出了建模集和預測集中獼猴桃酸度參考值統計結果，從表1 明顯得出，建模集中酸度的參考值范圍大于預測集中酸度的參考值范圍，這樣分成的建模集和預測集有利于構建準確、穩定的檢測模型。

獼猴桃酸度值見表1。

表1 獼猴桃酸度值

2.2 反射光譜及預處理

為了提高檢測模型的精度及穩定性，在建模之前需對原始的光譜數據進行去噪處理。圖1 和圖2分別給出了獼猴桃樣本的原始光譜和經過標準正態變換處理后的相對反射光譜。對比圖1 與圖2 可以發現，預處理后的相對反射光譜曲線要比原始的光譜曲線相對平滑些，證明標準正態變換去掉了部分噪聲和背景干擾信息。

獼猴桃樣本的原始光譜見圖1，獼猴桃樣本的預處理后的光譜見圖2.

圖1 獼猴桃樣本的原始光譜

圖2 獼猴桃樣本的預處理后的光譜

2.3 主成分回歸建模結果

在建立檢測獼猴桃酸度回歸模型前，先采用主成分分析篩選特征變量，表2 列出了主成分分析后的前42 個主成分（P1~P42） 貢獻率，從表2 可觀察到前42 個主成分得分可表達99.79%以上的原始信息。因此，將這42 個主成分得分篩選為特征變量，不僅確保了回歸模型的預測性能，而且從256 個全變量中篩選了42 個特征變量，大大提高了回歸模型的運算時間。

主成分得分的貢獻率見表2。

表2 主成分得分的貢獻率

構建的獼猴桃酸度回歸檢測模型的rc和RMSEC分別為0.93 和0.06，rp和RMSEP 分別為0.90 和0.08，而且RPD（2.13） 大于2.0，說明回歸模型擁有非常好的檢測性能。同時，采用主成分分析從256 個全變量中篩選了42 個特征變量作為模型的輸入，大大提高了模型的運算效率。綜上所述，基于特征變量構建的回歸模型可以實現對貯藏期內獼猴桃酸度的快速無損檢測，圖3 給出了回歸模型對獼猴桃酸度的檢測結果。

獼猴桃酸度預測結果見圖3。

3 結論

以貯藏期內“貴長”獼猴桃為研究對象，利用高光譜系統獲得了所有樣本的高光譜圖像及光譜數據，應用標準正態變換預處理后的相對反射光譜曲線要比原始的光譜曲線相對平滑些，證明標準正態變換去掉了部分噪聲及背景干擾信息。同時，采用主成分分析從256 個全變量中篩選了42 個主成分得分作為特征變量，大大提高了回歸模型的運算效率?；谔卣髯兞繕嫿ǖ幕貧w模型對貯藏期內獼猴桃酸度的快速無損檢測擁有非常好的檢測能力（rp=0.90，RMSEP=0.08 和RPD=2.13）。