不同貯藏期水蜜桃硬度及糖度的檢測研究

劉燕德，張 雨，姜小剛，孫旭東，徐 海，劉昊辰

華東交通大學機電與車輛工程學院，水果智能光電檢測技術與裝備國家地方聯合工程研究中心，江西 南昌 330013

引 言

糖度(SSC)和硬度是水蜜桃的重要品質屬性，決定了水蜜桃品質的高低，也是消費者購買時關心的問題。水蜜桃大多成熟于夏季，高溫天氣下，成熟的水蜜桃采摘后迅速軟化，內部品質變化明顯。在運輸及售賣期間，水蜜桃處于常溫下保存，果內水分流失，風味有所提高，表面開始松軟，糖度和硬度變化明顯。因此，檢測水蜜桃常溫下貯藏期間的糖度和硬度變化，對指導采摘期及貨架期具有重要意義。

可見/近紅外光譜技術是水果品質評價中最常用的無損檢測技術之一，能夠快速、無損的檢測水果的內部品質[1-2]。近紅外光譜技術已在多種水果檢測中成功應用，主要用于檢測水果內部的糖酸度等[3-4]。潘磊慶等[5]使用近紅外光譜對貨架期內水蜜桃糖度進行檢測； Huang等[6]使用兩種便攜式近紅外光譜儀對六種成熟度番茄的多種硬度參數進行預測分析； Uwadaira Y等[7]使用可見/近紅外光譜檢測桃的果肉硬度，用以評價桃的成熟度?？梢?近紅外光譜技術研究水蜜桃的現有報道中，水蜜桃貯藏期的研究不少，但幾乎都是研究單一指標，較少綜合分析糖度和硬度，且研究效果并不理想。目前對水蜜桃的研究多為靜態單一檢測方式，多方式及動態檢測較少； 且常用的測定果實硬度的方法是穿刺試驗[6-7]，檢測過程損壞樣品。使用多種檢測方式研究水蜜桃貯藏期糖度和硬度的無損檢測技術具有重要意義。本研究在使用可見/近紅外光譜技術，建立不同貯藏期水蜜桃糖度及硬度的無損檢測模型。具體目標是： (1)使用兩種檢測方式采集不同貯藏階段水蜜桃的光譜，測量水蜜桃的糖度和硬度(2)采用合適的預處理方法來減小噪聲和誤差對光譜的影響，并使用兩種波長選擇算法及特征波長，建立糖度和硬度模型，并選擇最佳的預測模型。

1 實驗部分

1.1 樣品

實驗樣品為果園新鮮采摘的“大土山”水蜜桃，其表面光滑無損傷，樣品總數為90個。實驗前，所有樣品均置于保鮮袋中，并在常溫(22～25 ℃)下保存以模擬水蜜桃售賣期間的條件。樣品分為4批，其中第一批30個，余下三批各20個。從初次測量起，每隔兩天測量一批樣品的光譜、糖度、硬度和重量，實驗周期共計6 d。圖1為實驗時每個貯藏階段的樣品，前期貯藏樣品表面良好，4 d之后樣品表面開始松軟腐爛。

圖1 不同貯藏期的水蜜桃樣品Fig.1 Peach samples of different storage periods

1.2 光譜采集

使用實驗室自行研制的水果動態檢測裝備采集樣品光譜，裝備搭載QE65Pro光譜儀(Ocean Optics, USA)，所采集的光譜為可見/近紅外光譜，波長范圍為350～1 150 nm。設備光路及光源分布如圖2，光源為10個12 V/100 W的鹵鎢燈，位于樣品兩側。光纖接收樣品的光源信息并傳輸到光譜儀及計算機中。使用漫透射和漫反射兩種采集方式采集樣品光譜，兩種方式采集方法基本相同，光纖分別在下方和上方接收光譜信號，且漫反射為靜態采集。每個樣品按90°間隔標記赤道位置4個表面，采集光譜時，提前預熱裝備20～30 min，待裝置穩定之后，人為按標號進行光譜動態采集，以保證光譜數據的可靠性。積分時間均設為100 ms，所得到的光譜均已去除暗光譜。為了減少果核的影響，將樣品按果柄與運動方向一致，縫合線平行于果杯的方式放置，且出口均有海綿墊用以防護。

圖2 近紅外動態在線檢測裝置Fig.2 Near-infrared dynamic online detection device

1.3 樣品硬度及糖度測量

光譜采集完成后，對水蜜桃樣品進行穿刺試驗。為了保證信息的一致性，在采集光譜的相同位置進行穿刺試驗以獲得相應的樣品硬度。使用配備3 mm圓柱形探針的美國FTC質構儀(Food Technology Corporation，USA)及配套軟件進行穿刺試驗，力量元量程為100 N，加載速度5 mm·min-1，觸發力設為0.1 N，最大穿刺深度為10 mm。記錄每次測量時得到的硬度數據，單位為N。測量完成后，同樣取光譜測量相同4個位置處的果肉，榨汁后將果汁倒入折射式數字糖度計PAL-1(ATAGO，Japan)中進行糖度測量。每次測量重復三次，取兩次相同的值作為該位置的糖度真值。

1.4 樣本集劃分

在建立判別模型之前，首先將樣本分為校正集、預測集。利用校正集數據對模型進行訓練，之后利用預測集數據對模型進行性能測試[8]。實驗中對樣本進行異常值測試，剔除異常點后使用K-S算法將樣本劃分為校正集和預測集。表1分別給出了兩種檢測方式下糖度和硬度的校正集和預測集的樣品個數，樣本集覆蓋了足夠大的數據范圍，且校正集的數據范圍均大于預測集，說明這些數據具有代表性且能夠建立良好的近紅外模型。

表1 樣本集劃分Table 1 Sample set division

1.5 數據處理及分析方法

偏最小二乘回歸(PLS)是最常用的多元線性校正技術，廣泛應用于可見/近紅外光譜分析中，用以定量預測水果內部品質[9]。PLS可以同時分解光譜矩陣X和濃度矩陣Y，消除無用的噪聲信息，使PLS在實際應用中具有更強的魯棒性[10-11]。PLS的回歸模型如式(1)

Y=bX+e

(1)

式(1)中，b為回歸系數的向量，e為模型殘差。

PLS將光譜數據投射到一組稱為潛在變量(LVs)的正交因子上，并使用簡單交叉驗證及其他方法來避免由于使用太小或太大的LVs而導致的欠擬合或過擬合。使用Unscrambler軟件對數據進行PLS分析，將校正模型應用于預測集或驗證集中桃子糖度和硬度參數的預測，并通過預測均方根誤差(RMSEP)和校正均方根誤差(RMSEC)、預測相關系數(Rp)和校正相關系數(Rc)等統計參數進行評價。

無信息變量消除(UVE)基于PLS回歸系數挑選波長，將一定數目的隨機變量加入光譜矩陣之中，通過交叉驗證建立PLS模型，計算回歸系數與標準偏差的比值，從而選取有效光譜信息。連續投影算法(SPA)是一種前向選擇算法，利用向量空間中的一個簡單投影操作來選擇共線性最小的變量子集，并使用均方根誤差(RMSE)進行評估[12]。

2 結果與討論

2.1 光譜特性分析

水蜜桃4個貯藏階段的平均光譜如圖3所示，對于漫透射方式[圖3(a)]，由于光譜前端(350～515 nm)和光譜后端(975～1 150 nm)信號較弱，無有效信息，故直接選擇波長范圍為515～975 nm (600個變量)。同樣，將漫反射方式測得光譜的有效波長范圍定為465～950 nm (640個變量)[圖3(b)]。從圖3 中可以看出，在650～680 nm范圍內，不同貯藏期的水蜜桃光譜差異較大，主要是因為貯藏過程中色素的變化導致波峰的偏移及強度變化。另外，在716 nm附近的波峰主要與C—H和O—H鍵的倍頻伸縮振動有關[13]； 隨著貯藏天數的增加，桃內水分流失減少了O—H鍵的吸收且果內透光性增強，波峰強度不斷增大。而在805 nm附近的波峰主要與C—H及N—H鍵有關?？傮w來看，貯藏天數的增加對漫透射方式采集的光譜影響較大，因為漫透射方式主要采集水果的內部信息，而漫反射方式采集的更多是樣品表面的信息。

圖3 不同貯藏期水蜜桃的平均光譜 (a)： 漫透射； (b)： 漫反射Fig.3 Average spectrum of peach in different storage days (a)： Diffuse transmittance； (b)： Diffuse reflectance

2.2 硬度和糖度真值分析

表2顯示了不同貯藏天數水蜜桃糖度和硬度的測量值?？梢钥闯?，隨著水蜜桃貯藏天數的增加，硬度的平均值呈下降趨勢，而糖度則相反，總體呈上升趨勢。水蜜桃糖度在初期貯藏時先下降，貯藏時間延長，水蜜桃開始松軟，糖度增加，風味慢慢提高，與前人研究一致[7]。糖度在貯藏期間增加了0.4%～3.31%，硬度則下降了28.1%～58.8%。變異系數(CV)衡量的是測量值在樣本間的相對變化。糖度的CV值基本變化不大，和平均值的變化基本相符； 硬度的CV值則在28.81%～42.51%之間變化，且在最后一批達到最大，說明隨著貯藏時間的延長，樣品的硬度在同一階段變得更不穩定[4]。

表2 不同貯藏天數下水蜜桃的參數變化Table 2 Parameter changes of peach indifferent storage days

在貯藏過程中，水蜜桃的重量由147.22 g逐步降低至107.46 g，果實重量的下降主要是水分減少引起的。重量、硬度與貯藏天數呈高度負相關(R1=-0.967，R2=-0.983)，糖度與貯藏天數呈正相關(R3=0.54)?？梢钥闯?，水蜜桃的糖度、硬度及重量與貯藏天數均有較好的相關度。

2.3 水蜜桃糖度和硬度的預測模型

2.3.1 預處理

使用偏最小二乘回歸建立水蜜桃的糖度及硬度預測模型。為防止過擬合或欠擬合，LVs的數量設定為1～20。根據劃分好的校正集和預測集建立水蜜桃的PLS模型，并使用多種預處理方法(S-G平滑、歸一化Normalization、多元散射校正MSC、基線校正Baseline)對光譜進行處理，結果見表3。對于糖度預測，漫透射采集的光譜數據建立的PLS模型能夠更好地預測不同貯藏階段的糖度變化，采用MSC預處理后，得到的LVs小，兩個相關系數接近，Rp為0.886，RMSEP為0.727； 漫反射下，最佳模型的Rp為0.820，RMSEP為1.003，預處理方法為S-G平滑+3。在硬度模型中，效果最好的是漫反射，使用Normalization預處理后，最佳Rp為0.835，RMSEP為0.833。漫透射下，使用MSC預處理后，模型LVs最小，Rp為0.797，RMSEP最小為0.975。圖4(a,b)分別為兩種檢測方式水蜜桃糖度和硬度的最佳PLS模型。

表3 不同預處理方法下糖度和硬度模型對比Table 3 Comparison of sugar and firmness models under different pretreatment methods

為了消除無用變量，進一步優化預測模型的性能，提高檢測速度。采用UVE和SPA兩種波長選擇算法對光譜變量進行篩選，選取有效變量建立PLS模型。

使用UVE進行波長選擇時，設定隨機變量數為200，分別對兩種檢測方式下的糖度和硬度光譜進行波長選擇，選擇有效的波長點用作后續建模。UVE處理結果如圖5，上下虛線為閾值，閾值內的光譜變量剔除，閾值外的光譜變量保留作為選中的有效變量。最終通過UVE選取的變量數及模型效果如表4所示。

同樣，使用SPA從直接法篩選波長后的光譜變量中挑選特征波長，用于糖度和硬度的評價。SPA篩選變量之前，分別設定最小、最大變量數為10和100，通過SPA程序計算的均方根誤差(RMSE)值來確定所選變量的最優數量。SPA挑選的波長點如圖5(b)所示，這些波長點覆蓋了大部分有效信息，在UVE的基礎上進一步簡化模型。波長選擇后，將挑選的波長用于建立PLS模型，最終挑選的變量數及模型效果見表4。

表4為光譜變量進行特征波長選擇后建立的PLS模型?？梢钥吹?，使用波長選擇算法后，建立的糖度模型效果不如預處理后的糖度模型?？赡苁且驗樘嵌仍诠庾V上有多重表征，且處理前已經將無信息的波長剔除，留下的均為有效波長，進行波長選擇后反而去除了有用的信息，從而導致模型效果變差。而硬度的變化主要受水分影響[6-7]，只跟光譜的特定波段有關。因此，SPA和UVE均能在一定程度提高硬度模型效果。漫透射、漫反射方式下硬度的最好模型分別是SPA-PLS和UVE-PLS，其中SPA-PLS的Rp為0.798，RMSEP為0.976，UVE-PLS的Rp為0.841，RMSEP為0.829，兩個模型均比預處理后建立的模型效果好，且簡化了模型，如圖6(a,b)所示。

2.4 光譜相關性分析

圖7為水蜜桃糖度和硬度與光譜的回歸系數圖，系數越大代表該波長所占權重越大，重要程度越高?？梢钥闯?，糖度有較多高回歸系數的波段，規律性不強； 而硬度的高回歸系數多是在波峰波谷處。這同樣解釋了波長選擇算法得到的硬度模型效果好，糖度模型效果不佳的原因，也說明挑選幾個波長用于預測硬度變化是可行的。

圖4 兩種檢測方式下桃子糖度(SSC)和硬度(Firmness)的PLS模型 (a)： 漫透射； (b)： 漫反射Fig.4 PLS models of SSC and Firmness of peach under two detection methods (a)： Diffuse transmittance； (b)： Diffuse reflectance

圖5 兩種波長選擇算法 (a): UVE處理結果； (b): SPA挑選的波長點Fig.5 The results of two wavelength selection algorithms (a): The selected result of UVE； (b): The selected result of SPA

此外，實驗所建立的模型能夠較準確地預測各貯藏階段水蜜桃的糖度及硬度，再結合糖度、硬度與貯藏天數的關系，可以得到水蜜桃的貯藏天數。本實驗得出，最佳貯藏天數為2～4 d，這個階段的水蜜桃糖度有所提高，硬度下降但還未腐爛，宜于食用。

3 結 論

采用動態在線檢測設備，采集四個貯藏階段水蜜桃的兩種光譜。根據有效信息直接選擇波長，并結合多種預處理方法，建立水蜜桃糖度和硬度的PLS回歸模型。結果表明： 漫透射光譜建立的模型中，MSC為糖度和硬度的最佳預處理方法，Rp分別為0. 886和0.797； S-G平滑+3、標準化預處理方法則分別優化了漫反射下水蜜桃的糖度、硬度模型，Rp分別為0. 820和0.835?？梢钥闯?，漫透射方式預測水蜜桃的糖度更佳，而漫反射預測硬度更佳。主要原因是隨著貯藏天數增加，果肉松軟，漫透射方式下光源透光性增強，能夠獲取更多水果內部的信息； 而硬度主要受果皮變化影響，漫反射方式能夠更多地獲取水蜜桃表皮的信息。模型均能夠較好地預測不同貯藏階段水蜜桃的糖度和硬度，結合貯藏天數與硬度和糖度的變化，能夠預測出水蜜桃的最佳貯藏天數。本實驗桃子的最佳貯藏期為2～4 d。

表4 兩種波長選擇算法的PLS模型Table 4 PLS models of two wavelength selection algorithms

圖6 特征波長選擇后的最優模型 (a): 漫反射； (b): 漫透射Fig.6 Optimal model after characteristic wavelength selection (a): Diffuse reflectance; (b): Diffuse transmittance

圖7 水蜜桃糖度和硬度的回歸系數 (a): 糖度； (b): 硬度Fig.7 Regression coefficients of SSC and Firmness of peach (a): SSC; (b): Firmness

另外，使用SPA和UVE算法進行波長選擇，結果發現兩種波長選擇算法可以優化硬度模型，但不能優化糖度模型。分析了糖度和硬度與光譜的相關性，糖度在光譜多處波長處具有高回歸系數，硬度的相關參數均在波峰波谷附近，充分解釋了兩種算法只能優化硬度模型的原因。根據光譜范圍和測量的硬度參數得知，硬度參數與單個波長之間的相關性變化很大，說明使用幾個波段用來預測硬度是可行的，需要進一步研究。本研究可以指導售賣期間水蜜桃的貯藏，也能為水蜜桃采摘期提供參考。