我国是苹果生产大国,品种较多,有寒富、嘎啦、金冠、乔纳金等[1],大多数苹果果实形状呈扁圆形,不同品种苹果外观相似,无法区分,研究一种对苹果未知品种鉴别技术尤为重要。同时,苹果属于呼吸跃变型果实,采后货架期间受乙烯作用影响,会产生硬度下降,口味变淡、品质劣变等现象,大大缩短了果实的有效货架期,严重降低了果实的食用品质和市场价值[2]。因而探求一种高效、便捷、无损的检测技术对苹果品质监控具有重要意义。
传统感官评价只能大致对果实外观品质进行评估,无法准确对果品品质进行鉴别和对货架期进行预测 [3-4]。近年来,近红外光谱技术被广泛应用于果蔬的定量、定性研究中 [5-19]。
本实验应用近红外光谱技术对不同品种采后苹果(嘎啦、金冠、乔纳金、金冠)不同货架期(0、14、28 d)进行定性判别,旨在探讨近红外光谱技术对于不同品种和不同货架期苹果鉴别的可行性。
1.1.1 样品收集
4个品种苹果:金冠、乔纳金、寒富、嘎啦,采自有机果园。人工选择果实大小均一、九成成熟度、无病虫害、无机械损伤的果实。用网套套上后装入有微孔袋的纸箱,立即运回实验室,每个品种苹果取160个,用于定性实验,每隔14 d对果实的阴阳面进行扫描,共测定3次。
1.1.2 原始光谱采集及样品集组成
测试前,将苹果置于室温中,于室温平衡后,用纱布将苹果表面的水气擦干。然后用记号笔对每个苹果果实进行标号,将用记号笔标记的果实放在NIRS DS 2500近红外漫反射光谱仪的Slurry Cup杯上,进行光谱扫描,扫描方式为单波长快速扫描,光谱数据间隔为2.0 nm,扫描次数为32次,阴阳面各扫1次。
表1 不同品种和货架期苹果样品集组成 单位:个
Table 1 Set composition of apple samples in different species and shelf life
品种样本集寒富金冠嘎啦乔纳金定标集120120120120预测集40404040货架期样本集0 d14 d28 d定标集180180180预测集606060
由表1可知,每个品种苹果定标集和预测集光谱数据分别是120和40个,定标集总计光谱数据为480个,预测集为160个。不同货架期(0、14、28 d)苹果样品集中,定标集和预测集光谱数据分别是180和60个,定标数据总计为540个,预测集为180个。
NIRS DS 2500近红外漫反射光谱仪(配有Nova分析软件和Win ISI4定标软件),丹麦FOSS公司;PAL-1便携式手持折光仪,日本Atago公司;TA.XT.Plus物性仪,英国Stable Micro Systems公司;CW-700 d分光测色计,柯尼卡美能达(中国)投资有限公司。
1.3.1 色差测定
将经过扫描的果实扫描点上测定果皮色差,L*、a*、b*表示色系,其中L*表示果皮的光泽亮度;a*表示红绿色差指标,正值越大代表红色程度越深,负值越小代表绿色程度越深;b*代表黄蓝色差指标,正值越大代表黄色程度越深,负值越小代表蓝色程度越深。
1.3.2 质地测定
将经过扫描的果实扫描点采用英国产TA.XT.PLus物性仪测定,测试参数为深度10 mm,P/2探头(Φ=2 mm),测试速度为2 mm/s,每个苹果阴阳面分别进行穿刺。
1.3.3 糖酸测定
取光谱扫描点附近1 cm×1 cm的果肉,双层纱布挤汁并用糖酸一体机测定果实的可溶性固形物和可滴定酸含量。
不同品种和货架期苹果定标模型经过光谱预处理和波长段选择,分别用交互验证误差(SEC)和交互验证系数(R2cv)作为评价定标模型指标,预测模型用对未知样品判正率来评价。
利用Win ISI软件对原始光谱进行光谱预处理和不同波段优化处理;采用Excel 2003软件进行统计分析;使用SPSS 17.0软件,对数据显著性进行分析。
2.1.1 不同品种和货架期苹果理化数据及光谱吸收峰
近红外吸收光谱主要的含氢官能团为C—H、O—H、S—H、N—H等。一般2、3倍频的光谱在近红外光谱950~1720 nm中波近红外范围内,4、5倍频的光谱在近红外光谱740~900 nm短波近红外范围内[20]。图1是苹果的原始光谱,在中波近红外范围主要是—CH、—OH、—NH、CO等化学键的吸收,在短波近红外范围主要是—CH、—OH等化学键振动吸收[21];由图1可知,在560、680、1 180、1 450、1 940 nm处有较高吸收峰,其中在560、680 nm处吸收峰主要是果皮颜色引起的变化,在950、1 180 nm处吸收峰是含有C—H键的官能团吸收形成,1 450 nm处吸收峰是O—H键伸缩、弯曲振动形成,1 940 nm处吸收峰是H2O分子二频吸收光谱。可能的原因是苹果中可溶性固形物、可滴定酸含量含有此类官能团,这表明吸收峰与苹果中这类物质的含量变化有关。苹果中的水分必然会影响果实质地[22]。
图1 苹果原始光谱
Fig.1 Original spectrum of apple
由表2可见,寒富苹果可溶性固形物含量为15.46%,显著高于其他品种苹果(P<0.05),乔纳金苹果可滴定酸含量最高(0.60%),而金冠苹果果皮亮度L*最高(57.51),每个品种果实其外观和内部品质不同。光谱呈现出的差异可能与其内部品质相关(图2)[21]。
表2 不同品种苹果理化数据分析(0 d)
Table 2 Different varieties of apple physical and chemical data analysis (0 d)
品种可溶性固形物/%可滴定酸/%硬度/(kg·cm-2)L∗a∗b∗乔纳金12.09±0.55d0.60±0.19a10.93±1.28abc28.36±3.37d20.38±2.81abc7.03±2.00d嘎啦13.13±1.05b0.34±0.14bc11.20±2.60a38.96±4.88c20.46±3.88ab16.30±4.27b金冠12.96±0.71bc0.49±0.18b11.42±1.42ab57.51±2.95a-0.178±0.54d3.64±2.09a寒富15.46±1.13a0.40±0.17c10.78±1.41abcd46.31±7.30b22.04±5.07a15.28±4.14bc
注:不同字母代表差异显著(P<0.05),具有相同字母代表差异不显著(P>0.05)。下同。
由表3可见,随着货架期的延长,苹果的可溶性固形物、可滴定酸含量呈先上升后下降趋势,而果实硬度与货架期呈负相关性;色差中L*、a*、b*随着货架期延长,其值呈上升趋势,果实的亮度、着色度越高。原始光谱与平均光谱呈相近的变化趋势。图3是不同货架期苹果平均光谱图,光谱差异主要集中在可见光区。
表3 不同货架期苹果理化数据分析
Table 3 Apple physical and chemical analysis of different shelf-life data
货架期/d可溶性固形物/%可滴定酸/%硬度/(kg·cm-2)L∗a∗b∗013.41±1.53ab0.46±0.20abc11.23±1.84a42.78±11.74abc15.67±9.89abc18.81±11.44abc1413.56±1.78a0.60±0.26a10.49±2.04ab43.75±12.15ab17.15±8.91ab22.12±13.98ab2813.39±1.63abc0.49±0.20ab9.25±2.22abc45.81±13.46a19.06±8.31a25.66±15.71a
图2 不同品种苹果平均光谱图
Fig.2 Average spectrum of different apple
图3 不同货架期苹果平均光谱图
Fig.3 The average spectrum of different shelf life
综上,苹果的内在品质随着品种和货架期的不同而改变,近红外光谱与苹果内部品质存在一定规律性变化,近红外光谱可以能够快速地捕获这些信息,因此本研究可以对不同品种和货架期苹果进行快速判别分析。
2.1.2 光谱预处理
为去除噪音、基线漂移、光散射、样本不均匀等现象[24],对原始光谱进行光谱预处理,对原始光谱分别进行一阶导数处理、二阶导数处理、标准正常化处理(standard normal variate, SNV)、去散射处理(detrend, D)、标准多元离散校正(standard multiple scatter correction, SMSC)等光谱预处理。如表4所示,去散射结合二阶导数处理(D+二阶导数)对主成分贡献率最高。其中,采用二阶导数处理可以减缓基线中线性漂移,去散射处理可以减缓因散射处理引起的光谱误差[24]。因此,本研究不同品种定标模型采用去散射结合二阶导数处理(D+二阶导数)光谱预处理方法。
表4 不同品种定标模型前8个主成分主要贡献率 单位:%
Table 4 The main contribution rate of the first 8 principal components of different varieties calibration model
预处理方法PC1PC2PC3PC4PC5PC6PC7PC8原始光谱47.5482.1292.1994.8297.1998.3699.1199.42none+一阶导数51.9974.2485.4890.7293.7996.397.6298.13none+二阶导数95.7597.4897.8699.0999.1999.299.1899.36SNV+D69.1588.7394.6696.8598.2298.8499.299.42SNV+D+一阶导数52.5272.7386.5592.4295.2797.2198.0598.59SNV+D+二阶导数95.5798.3498.8299.2199.4799.699.6999.76SNV57.9583.892.3796.7498.5599.199.4499.58SNV+一阶导数52.3172.4486.4492.3795.297.1798.0298.57SNV+二阶导数95.5798.3498.8299.2199.4799.699.6999.76D64.3784.4790.6294.2296.9698.2998.8499.13D+一阶导数52.0274.3985.6690.8393.9196.3797.6998.18D+二阶导数95.9598.4898.8699.1999.3999.599.5899.66SMSC65.3282.789.9394.1596.4698.0698.7199.05SMSC+一阶导数50.6969.983.690.193.4695.9497.5698.10SMSC+二阶导数95.0297.8598.4498.8999.1799.3299.4499.54
通过表5可知,SNV+D+一阶导数光谱预处理所得的主成分累计贡献率均能达到80%以上,其中最大的主成分累计贡献率99.26%。因此,本研究对苹果不同货架期判定采用的光谱预处理为一阶导数结合标准化去散射处理。
表5 不同货架期苹果前8个主成分主要贡献率 单位:%
Table 5 Apple shelf life of the eight main components of the main contribution rate
预处理方法PC1PC2PC3PC4PC5PC6PC7PC8原始光谱67.2486.5897.6798.6399.1399.6099.7699.84none+一阶导数67.3488.5993.6396.5197.3798.0098.5598.93none+二阶导数64.5580.0185.0388.0290.7792.6694.0595.01SNV+D75.8395.1498.0699.2399.4799.6299.7399.82SNV+D+一阶导数81.0790.7496.1897.6898.398.6999.0599.26SNV+D+二阶导数71.3984.389.4892.2094.0695.3496.3897.19SNV62.3788.4996.7798.3699.3399.6299.7299.79SNV+一阶导数80.6190.5496.1797.6798.3098.6999.0599.26SNV+二阶导数71.3984.389.4892.294.0695.3496.3897.19D61.1290.3996.1498.0199.2999.4999.6499.72D+一阶导数67.3188.7693.7696.5797.4398.0298.5698.95D+二阶导数64.5580.0185.0388.0290.7792.6694.0595.01SMSC63.3987.7496.0298.0198.9299.3399.5199.65SMSC+一阶导数73.9787.8193.7596.6297.5898.0698.4898.89SMSC+二阶导数63.1478.0484.7187.8590.692.2293.6694.69
2.1.3 不同波段选择
不同品种苹果定标模型在采用去散射结合二阶导数处理后,继续对其进行不同波长波段定标模型的建立,结果如表6所示,408~2 492.8 nm下,判别模型的正确率最高为97.91%,这可能与不同品种苹果的吸收峰在全波长近红外范围内,故不同品种苹果判别模型的最佳波长范围为408~2492.8 nm。不同货架期苹果定标模型在SNV+D+一阶导数光谱预处理条件下,对不同波段的光谱选择继续优化。在1 108~2 492.8 nm范围内,判别模型的正确率最高为99.26%,这可能由于苹果光谱近红外吸收峰在中波近红外范围内,故常温贮藏判别模型波长范围选取1 108~2 492.8 nm。
表6 不同品种和货架期苹果定标模型波长优化结果
Table 6 Discrimination results at different wavelengths
波段/nm样本数错误数正确率/%波段/nm样本数错误数正确率/%品种408~2 492.84801097.91408~1 092.84801596.88780~1 092.84801896.251 108~2 492.84801297.501 800~2 492.84802495.00货架期408~2 492.8540599.07408~1 092.85403493.70780~1 092.85401197.961 108~2 492.8540499.261 800~2 492.85405190.56
2.1.4 预测结果
分别选取寒富、金冠、嘎啦、乔纳金4种不同品种苹果,对不同品种的苹果品质进行研究,选用PCA方法,选取前3个主成分进行分析(PC1、PC2、PC3)得到三维空间坐标图(图4)。判别模型R2cv为0.853,SECV为0.166。该预测结果可以完全区分不同品种的苹果,说明定标模型具有良好适用性。为了验证不同品种苹果定标模型的可靠性,随机取预测样品160个数据,对不同品种果实进行检测,结果见表7。
图4 不同品种苹果三维图
Fig.4 Apple three-dimensional map of different varieties
表7 不同品种苹果PCA方法结果统计
Table 7 Different varieties of apple PCA method results statistics
品种正确数错误数正确率/%定标集预测集定标集预测集定标集预测集金冠120380210095.00嘎啦115355595.8387.50寒富119371399.1792.50乔纳金116334696.6785.00总计470144101697.9190.00
其中预测样品144个正确,16个错误,不同品种苹果定标模型预测的正确率85.00%~95.00%,则该判别模型的准确率较高,适用性较广。
为了验证判别模型的稳定性和适用性,分别选取不同贮藏时间(0、14、28 d)的苹果,进行苹果品质的研究。选取PCA方法,前3个主成分(PC1、PC2、PC3)得到三维空间图(图5)。
图5 不同贮藏期三维图
Fig.5 Three-dimensional map of different storage period
定标模型R2cv为0.866,SECV为0.171,不同货架期的苹果可以完全区分。用定标模型对预测集进行判定,随机抽取180个预测样品进行预测,结果见表8,其中预测集170个正确,错误个数为10,正确率为91.67%~96.67%,模型预测性能良好。
表8 不同货架期苹果PCA统计结果
Table 8 Apple PCA statistics results of different shelf life
贮藏时间/d正确数错误数正确率/%定标集预测集定标集预测集定标集预测集0179571399.4495.0014179581299.4496.6728178552598.8991.67总计53617041099.2694.44
LUO等[8]采用近红外漫反射技术在1 000~2 500 nm范围内,对富士、乔纳金、红星进行判别,其改良偏最小二乘法模型的判别正确率为98.80%;XING等[9]采用近红外漫反射技术对金冠苹果的贮藏期进行判定,在400~1 700 nm范围内,采用二次方程光谱预处理,其模型的判别正确率为98.03%;李光辉等[5]采用近红外光谱技术对嘎啦苹果的碰伤果进行预测,在833~2 500 nm范围内,采用偏最小二乘法建模,其模型的判别率为100%。而本研究中,乔纳金、嘎啦、金冠和寒富4个品种苹果其理化特性差异明显,在全波长范围内采用去散射结合二阶导数光谱预处理,建立的近红外漫反射光谱苹果品种检测模型其预测正确率为85.00%~95.00%,与以往文献相比,其预测模型正确率相对较低,需要进一步对模型的光谱预处理、波段的选择及样品采集进行优化,以提高其预测正确率。而对于采后不同货架期苹果研究表明,在可见光不同货架期平均近红外光谱的吸光度差异明显,在全波长范围内采用SNV+D+一阶导数预处理,建立的近红外漫反射光谱苹果货架期检测模型其预测正确率为91.67%~96.67%。
近红外光谱对采后苹果品种及货架期定性判别,在全波长范围(408.8~2 492.8 nm)内,采用去散射结合二阶导数光谱预处理的苹果品种定性判别模型较好,其R2cv为0.853,SECV为0.166,对预测样品判别正确率为85.00%~95.00%;在1108~2492.8 nm范围内,光谱预处理方法为SNV+D+一阶导数的苹果货架期判别模型较优,其模型的R2cv和SECV分别为0.866、0.171,预测样品正确率为91.67%~96.67%。说明应用近红外光谱可以对采后苹果品种和货架期进行判别,可以对苹果内在品质进行快速评价。
[1] 刘军弟,霍学喜,韩明玉,等. 中国苹果产业发展现状及趋势分析[J].北方园艺,2012(20): 164-168.
[2] 潘晓倩,申琳,生吉萍.苹果采后软化过程中糖类物质代谢的研究进展[J].中国食物与营养, 2011,17(11): 29-32.
[3] XU H, QI B, SUN T, 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(1): 142-147.
[4] WANG J,NAKANO K,OHASHI S.Nondestructive evaluation of jujube quality by visible and near-infrared spectroscopy[J].LWT-Food Science and Technology,2011,44(4): 1 119-1 125.
[5] MOGHIMI A,AGHKHANI M H,SAZGARNIA A,et al. Improvement of nir transmission mode for internal quality assessment of fruit using different orientations[J]. Journal of Food Process Engineering,2011,34(5):1 759-1 774.
[6] 刘小路,薛璐,鲁晓翔,等.蓝莓可溶性固形物、总酸近红外无损检测模型的建立[J].食品与生物技术学报,2016,35(7):752-756.
[7] 夏俊芳,李培武,李小昱,等.不同预处理对近红外光谱检测脐橙VC含量的影响[J].农业机械学报,2007,38(6):107-111.
[8] 李光辉,任亚梅,任小林,等.苹果品种及损伤苹果的FT-NIR 鉴别研究[J].食品科学,2012,33(16):251-256.
[9] 何勇,李晓丽, 邵咏妮.基于主成分分析和神经网络的近红外光谱苹果品种鉴别方法研究[J].光谱学与光谱分析,2006,26(5):850-853.
[10] 赵杰文,呼怀平,邹小波.支持向量机在苹果分类的近红外光谱模型中的应用[J].农业工程学报,2007,23(4):149-152.
[11] LUO W Q,HUAN S Y,FU H Y,et al. Preliminary study on the application of near infrared spectroscopy and pattern recognition methods to classify different types of apple samples[J].Food Chemisty,2011,128(2):555-561.
[12] XING J,BRAVO C,MOSHOU D,et al. Bruise detection on golden delicious apples by Vis/NIR spectroscopy [J].Computers and Electronics in Agriculture,2006,52(1-2):11-20.
[13] 刘辉军,孙斌,陈华才.基于近红外光谱的不同产地苹果货架期鉴别方法[J].光电工程,2011,38(5):86-91.
[14] 王加华,孙旭东,潘璐,等.基于可见/近红外能量光谱的苹果褐腐病和水心鉴别[J].光谱学与光谱分析,2008,28(9):2 098-2 102.
[15] 李顺峰,张丽华,刘兴华,等.基于主成分分析的苹果霉心病近红外漫反射光谱判别[J].农业机械学报,2011,42(10):158-161.
[16] 韩东海,刘新鑫,鲁超,等.苹果内部褐变的光学无损伤检测研究[J].农业机械学报,2006,37(6):86-88;93.
[17] 马本学,饶秀勤,应义斌,等.基于近红外漫反射光谱的香梨类别定性分析[J].光谱学与光谱分析, 2009, 29(12): 3 288-3 290.
[18] PEREZ-MARIN D,SANCHEZ M T,PAZ P, et al.Postharvest shelf life discrimination of nectarines produced under different irrigation strategies using NiR-spectroscopy[J].LWT-Food Science and Technology,2011,44(6):1 405-1 414.
[19] 罗枫,鲁晓翔,张鹏,等.近红外光谱对贮藏期樱桃品质的定性判别[J].食品与发酵工业,2015,41(4):197-201.
[20] 严衍禄,赵龙莲,李军会,等.现代近红外光谱分析的信息处理技术[J].光谱学与光谱分析,2000,20(6):777-780.
[21] 王丹,鲁晓翔,张鹏,等.近红外光谱检测不同贮藏期磨盘柿的内部品质[J].光谱实验室, 2013, 30(6):2 769-2 774.
[22] 杨艳芬.大樱桃采后生理与贮藏保鲜技术研究进展[J].北方园艺,2009 (11):122-124.
[23] LIM J, MO C, NOH S H, et al. Capsaicinoids content pre-diction model development for Korean red-pepper powder using a visible and near-infrared spectroscopy[J]. Proceedings of SPIE-The International Society for Optics and Photonics,2012,8 369(3):28.
[24] 严衍禄.近红外光谱分析基础与应用[M].北京:中国轻工业出版社,2005.