苹果霉心病是果树在开花期由多种真菌侵染导致的病害,具有一定的潜伏期,是目前苹果急需解决的常见病害之一。2009年,陕西省渭北地区苹果发生大面积霉心病害,产区果实发病率达到37%,近年来苹果霉心病的危害程度仍有上升趋势,特别是豫西地区。苹果霉心病造成巨大的经济损失,国内外学者非常重视苹果霉心病的防治研究,努力从源头上控制霉心病的发生[1-5]。苹果感染霉心病后,果肉内部在室温下会迅速腐烂,但从外表不易识别病果,给苹果病果的筛选过程带来巨大不便。目前,针对苹果霉心病的检测方法主要有低频磁共振法[6]、CT成像法、生物阻抗特性法[7]、计算机视觉法[8]、高光谱法[9]。但这些技术存在费时、检测成本高、需要专业人员操作等不足。因此,亟需一种快速无损检测技术及早地识别苹果霉心病,保障苹果的贮藏和出口品质,进而提升我国苹果的知名度。
近红外光谱和电子鼻技术是分析化学领域发展产生的高新技术,具有操作简单、可重复性好、检测迅速、不破坏样品等优点,目前在国内外果蔬品质检测方面得到了广泛应用。国内外研究者多采用近红外透射技术对苹果霉心病进行检测研究[10-16],此技术可得到样品在红外光谱区独特的吸收特征,具有区分病果的前提条件。SHENDEREY等[13]肯定了近红外光谱技术在检测苹果霉心病方面的潜力;苏东等[15]在近红外光谱技术的基础上,结合苹果直径等因子,提出一种新的检测方法,可以较准确判定苹果霉心病;雷雨等[16]对果蔬进行快速无损识别,证实了近红外光谱对检测苹果霉心病有较高的准确度。然而目前鲜有使用近红外漫反射光谱技术[17]。
电子鼻是一种分析、识别物品挥发性成分的仪器,在桃[18]、猕猴桃[19]、葡萄[20-21]、石榴[22]、香蕉[23]等水果品质检测、成熟度和货架期[24-26]鉴定方面得到广泛应用。PAN等[26]利用电子鼻正确识别了正常草莓与病害草莓,同时可较好地区分草莓感染的3种主要病原菌种类;惠国华等[27]研究发现,电子鼻系统可以快速表征水果的腐败过程;李琦等[28]证明电子鼻可以对不同品质的苹果进行较好的分类;张鹏等[29]利用电子鼻判别猕猴桃在保鲜过程中的品质,说明电子鼻技术在水果病害的无损检测方面是可行的;何金鑫等[30]利用电子鼻研究山核桃在氧化过程中各指标的变化,发现电子鼻可以快速预测山核桃氧化程度。但目前尚未有电子鼻对苹果霉心病无损检测的报道。
本研究分别利用傅里叶近红外光谱(Fourier transform near infrared spectroscopy,FT-NIRS)和电子鼻技术建立模型,比较不同方法识别苹果霉心病的准确率,为近红外光谱和电子鼻技术判别苹果霉心病提供参考。
试验材料:205个陕西省白水县尧禾镇农家果园采收的“红富士”健康苹果和疑似霉心病苹果,均由当地有经验的果农分辨(霉心病苹果与健康果实相比,着色更早、更易脱落、质量更轻,果实萼口大、萼筒长且与果心相连的更易染病)。要求果实完整、体型一致、表面无明显的机械损伤。在(0±1)℃,相对湿度85%~95%的冷库保藏5 d。试验前,将苹果取出,依次编号,于常温下(25±1)℃下放置24 h备用。
仪器:MPA型傅里叶变换近红外光谱仪,Bruker Optics 公司;PEN3便携型电子鼻,德国AIRSENSE公司。
1.2.1 近红外光谱采集
将待测苹果水平放置,在苹果赤道处标记3个待测点,使用固体光纤探头采集待测苹果近红外光谱值[31]。近红外光谱仪分辨率设为8 cm-1,波数范围为12 000~4 000 cm-1,扫描64次。
1.2.2 基于主成分分析建立Fisher判别模型
以数字0和1分别代表健康果和霉心病果,随机选取40个健康果和10个霉心病果作为Fisher判别模型的验证集,剩余155个苹果作为建模集。经原始光谱提取的前15个主成分作为自变量。
1.2.3 基于主成分分析建立多层感知器神经网络
参照袁鸿飞等[33]的研究方法并稍作修改,基于主成分分析建立3层感知器神经网络。其中模型训练集与测试集的相对数量比为7∶3;模型的输入层单位为15,代表主成分个数;输出层单位数为2,代表健康果实和霉心病果实;优化算法选择调整的共轭梯度,模型输出层的激活函数设定为恒等函数,模型隐藏层单位数为8,隐藏层的激活函数设定为双曲正切函数。
1.2.4 电子鼻信号采集
将样品放置于1 000 mL的玻璃烧杯中,密封后将玻璃烧杯(25±1)℃条件下静置于1 h[30]。随后使用进样针顶空取样检测[32]。内部空气流量与进样流量均为300 mL/min,电子鼻测定60 s,采用第59 s时的响应值进行数据分析。
电子鼻包含S1(W2W,有机硫化物)、S2(W35,芳香烷烃)、S3(W2S,乙醇)、S4(W1W,硫化氢)、S5(W1S,甲烷)、S6(W5C,烷烃)、S7(W6S,氢气)、S8(W3C,氨类)、S9(W5S,氨氧化物)和S10(W1C,芳香苯类)10个传感器阵列。
1.2.5 电子鼻结合化学计量法
在Fisher判别中,建模集由随机选取的155个样本组成,其中正常苹果123个,霉心病苹果32个。验证集为剩余的50个样本。因变量为第59 s时传感器的响应值,其中数字0和1分别代表正常苹果和霉心病苹果。同时建立4层多层感知器(multi-layer perceptron, MLP)神经网络模型和3层径向基函数(radial basis function, RBF)神经网络[33],输出层激活函数分别为Sigmoid和恒等函数;隐藏层激活函数分别为双曲正切函数和Softmax。
用 SPSS 20.0软件进行数据分析。
2.1.1 健康苹果和霉心病苹果的近红外光谱图
选择近红外光谱范围为12 000~4 000 cm-1,由图1可知,健康苹果和霉心病苹果的近红外光谱形状相似,并出现了交叉重叠部分,很难直接从光谱图上直观区分出健康苹果和霉心病苹果,因此需要结合主成分分析区分霉心病苹果和健康苹果。
图1 健康苹果和霉心病苹果的近红外光谱图
Fig.1 Near infrared spectra of healthy apples and mildew apples
2.1.2 主成分提取
将采集苹果的近红外光谱吸光度全部导出,共有2 074个数据点,形成205×2 074的数据矩阵。由于数据量大,计算复杂,因此利用SPSS 20.0对原始光谱进行主成分提取。由图2可知,前4项、8项、12项和20项主成分的累积贡献率分别达到99.853%、99.983%、99.992%和99.997%,考虑到主成分选取过少可能会造成较大的判别误差,为获较高的判别率,选取前20个主成分进行下一步分析。
图2 原始光谱提取的前20个主成分的累积贡献率
Fig.2 The cumulative contribution rate of the first 20 principal components extracted from the original spectrum
2.1.3 基于主成分分析的Fisher判别
原始光谱结合前15个主成分的Fisher判别函数如公式(1)(2)所示:
健康苹果:Y0=-0.602-0.234X1+0.404X2+0.84X3+0.426X4+0.081X5+0.238X6+0.055X7-0.198X8-0.567X9-0.107X10+0.524X11+0.374X12+0.446X13+0.161X14-0.363X15
(1)
霉心病苹果:Y1=-3.076+1.147X1-0.543X2+0.180X3-0.734X4-0.574X5-0.266X6+0.304X7-0.262X8+1.067X9+0.272X10+0.001X11-0.549X12-0.808X13-0.814X14+0.191X15
(2)
式中:Xi表示第i个主成分,i = 1,2,…,15
比较Y0和Y1的数值大小,如果Y0>Y1,则被判为组0(健康苹果),如果Y0<Y1,则被判为组1(霉心病苹果)。
经近红外光扫描后,得到的正常苹果和霉心病果光谱曲线形状相近,难以直接区分,如果选取的主成分数太少,可能会造成大的识别误差;如果选取的主成分数太多,会加大检测难度。由表1可知,随着主成分数的增加,不同主成分数建立的苹果霉心病判别模型的正确判别率亦随之增加,当主成分数选取15个时,建模集预测准确率与选取前20个主成分相等,均为90.3%,且原始光谱提取的前15个主成分建立的Fisher判别函数验证集的预测准确率为72%,高于提取的前20个主成分的准确率,因此主成分数选取前15个最为合适。此外,霉心病苹果验证集的判别率达到80%,而健康果验证集的判别率仅70%。说明模型准确率可能与试验的霉心病苹果发病程度有关,若待测苹果霉心病发病率低则不利于模型的验证。
表1 Fisher判别模型对不同主成分数训练集和验证集的判别结果
Table 1 Results of Fisher discriminant model for training sets and validation sets with different principal component numbers
组别主成分健康苹果霉心病苹果样本数误判数正判率/%样本数误判数正判率/%预测准确率/%PC1~PC5123992.7322231.280.0建模集PC1~PC10123695.1321940.683.9PC1~PC15123695.132971.990.3PC1~PC20123595.9321068.890.3验证集PC1~PC15401270.010280.072.0PC1~PC20401562.5100100.070.0
2.1.4 基于主成分分析的多层感知器神经网络
对训练集和测试集的预测准确率见表2。训练集和测试集的总体判别准确率分别为90.5%和87.7%。在测试集中,健康苹果和霉心病苹果的判别准确率分别达到89.4%和80.0%。
表2 MLP神经网络模型对待测苹果训练集和测试集的判别结果
Table 2 Results of MLP neural network model for training and test sets
组别类别各类样品总数正确判别总数健康苹果霉心病苹果预测准确率/%健康苹果116109794.0训练集霉心病苹果3272578.1合计1481163290.5健康苹果4742589.4测试集霉心病苹果102880.0合计57441387.7
2.2.1 Fisher判别
Fisher判别方程如公式(3)、(4)所示:
健康苹果:W0=-9 340.922+13 555.112S1-38.575S2-4 136.112S3+7 427.488S4-3 245.635S5+1 535.012S6+79.111S7-1 414.401S8+2 286.279S9+2 585.537S10
(3)
霉心病苹果:W1=-9 300.939+13 715.232S1-
39.183S2-4 386.051S3+7 361.378S4-3 135.557S5+
1 541.941S6+79.825S7-1 425.087S8+2 230.113S9+
2 650.592S10
(4)
式中:Si表示电子鼻第i个传感器,i = 1,2,…,10
比较W0和W1的计算结果,若W0>W1,则被判为组0(健康果),若W0<W1,则被判为组1(霉心病果)。表3为模型对待测苹果的预测准确率结果,Fisher判别模型对建模集的总体预测准确率为92.3%,对验证集的总体预测准确率为74%,准确率相差较大;在验证集中,对病果的判别准确率只有70%,远低于其他结果的准确率。说明霉心病果的Fisher判别函数模型不稳定,可能与苹果自身的发病程度低有关。
表3 Fisher判别函数对待测苹果的判别结果
Table 3 Result of Fisher discriminant function on apple test
组别类别各类样品总数正确判别总数健康苹果霉心病苹果预测准确率/%健康苹果123120397.6建模集霉心病苹果3292371.9合计1551292692.3健康苹果40301075.0验证集霉心病苹果103770.0合计50331774.0
2.2.2 MLP神经网络
由表4可知,MLP神经网络模型训练集总体判别准确率为87.9%,测试集的总体判别准确率为86.2%。但霉心病苹果测试集和训练集的判别结果均较低,分别为64.7%和68%。
表4 MLP神经网络模型对待测苹果的判别结果
Table 4 Result of MLP neural network model on apple test
组别类别各类样品总数正确判别总数健康苹果霉心病苹果预测准确率/%健康苹果115106992.2训练集霉心病苹果2581768.0合计1401142687.9健康苹果4845393.8测试集霉心病苹果1761164.7合计65511486.2
2.2.3 RBF神经网络
由表5可知,通过RBF神经网络模型预测,训练集的总体识别准确率为86.3%,测试集的总体识别准确率为82.4%,但测试集中霉心病苹果识别准确率仅为50%,远低于总体识别准确率。
表5 RBF神经网络模型对待测苹果的判别结果
Table 5 Result of RBF neural network model on apple test
组别类别各类样品总数正确判别总数健康苹果霉心病苹果预测准确率/%健康苹果10398595.1训练集霉心病苹果28131553.6合计1311112086.3健康苹果6054690.0测试集霉心病苹果147750.0合计74611382.4
综上所述,电子鼻结合Fisher判别函数的建模集的判别结果最好,但验证集的预测准确率均低于RBF神经网络和MLP神经网络。根据建模集和验证集的预测准确率综合考虑,电子鼻结合MLP神经网络模型可以很好地对苹果霉心病进行判别。
本文实现了FT-NIR和电子鼻技术对“红富士”苹果霉心病的快速、无损检测。
使用近红外原始光谱提取的前15个主成分建立的Fisher判别函数模型的正确判别率达到最高,为72%;建立的MLP神经网络对苹果霉心病的正确判别率为87.7%,且MLP神经网络测试集中霉心病果的检测准确率更加稳定,因此从验证的准确度和稳定性两方面均可知近红外光谱技术结合MLP神经网络模型可以较好地判别苹果是否得霉心病。但在实际中,由于样品地域、环境、年份等具有局限性,不同品种苹果霉心病发病率可能存在较大差异,若样品的发病率普遍偏低,可能会对模型产生一定的影响,导致准确率下降,因此还需深入研究。
电子鼻可以较好地判别苹果霉心病。从建模集和验证集的预测准确率方面综合比较发现,电子鼻结合MLP神经网络模型对苹果霉心病的判别效果最好,其中训练集预测准确率可达到87.9%,测试集的预测准确率为86.2%。说明电子鼻结合化学计量学的方法对识别苹果霉心病是可行的,为电子鼻应用于苹果霉心病的无损检测提供了重要的依据和技术思路。以后的研究还需针对不同苹果品种做进一步探讨,并结合电子鼻中传感器的优化做进一步研究。
近红外原始光谱与电子鼻均可对苹果霉心病进行很好的识别,考虑到仪器对苹果霉心病的识别准确度以及使用中的效率问题和检测成本因素,FT-NIRS比电子鼻检测苹果霉心病的效果更好。
目前苹果无损检测技术有了巨大的发展和应用,如光谱检测技术、成像检测技术、仿生智能感官检测技术等,本试验中只对近红外光谱检测技术与电子鼻检测技术进行了建模比较。目前的无损检测技术只能从一个方面区分霉心病苹果果实,不能完整地反映霉心病与健康苹果果实理化品质的区别,随着多传感器信息融合技术在食品检测中的应用,可在区分霉心病苹果果实的同时很好地反映果实的理化性质,日后苹果无损检测技术无疑会更加多样化。
[1] REUVENI M,PRUSKY D.Improved control of moldy-core decay (Alternaria alternata) in red delicious apple fruit by mixtures of DMI fungicides and captan[J].European Journal of Plant Pathology,2007,118(4):349-357.
[2] REUVENI M.Inhibition of germination and growth of Alternaria alternata and mouldy-core development in red delicious apple fruit by bromuconazole and sygnum[J].Crop Protection,2006,25(3):253-258.
[3] NIEM J,MIYARA I,ETTEDGUI Y,et al.Core rot development in red delicious apples is affected by susceptibility of the seed locule to Alternaria alternata colonization[J].Phytopathology,2007,97(11):1 415-1 421.
[4] 党继玲, 马志超,张荣,等.不同药剂对苹果霉心病和心腐病菌室内抑菌效果评价[J].西北农林科技大学学报(自然科学版),2015,43(1):147-151;168.
DANG J L,MA Z C,ZHANG R,et al.Evaluation of three fungicides against apple moldy core and core rot disease[J].Journal of Northwest A & F University (Natural Science Edition),2015,43(1):147-151;168.
[5] 白小东, 牛黎莉,毕阳,等.18种盐对苹果霉心病的控制及部分机理[J].食品工业科技,2015,36(10):335-338.
BAI X D,NIU L L,BI Y,et al.18 Kinds of salt on apple of core rot control and part of the mechanism[J].Science and Technology of Food Industry,2015,36(10):335-338.
[6] CHAYAPRASERT W,STROSHINE R.Rapid sensing of internal browning in whole apples using a low-cost,low-field proton magnetic resonance sensor[J].Postharvest Biology and Technology,2005,36(3):291-301.
[7] 李芳, 蔡骋,马惠玲,等.基于生物阻抗特性分析的苹果霉心病无损检测[J].食品科学,2013,34(18):197-202.
LI F,CAI C,MA H L,et al.Nondestructive detection of apple mouldy core based on bioimpedance properties[J].Food Science,2013,34(18):197-202.
[8] 王富春, 李军,张润浩,等.基于计算机视觉的苹果霉心病病变程度测量方法[J].农机化研究,2015,37(6):189-193.
WANG F C,LI J,ZHANG R H,et al.Measurement of the degree of apple mould core disease based on computer vision[J].Journal of Agricultural Mechanization Research,2015,37(6):189-193.
[9] 刘思伽, 田有文,张芳,等.采用二次连续投影法和BP人工神经网络的寒富苹果病害高光谱图像无损检测[J].食品科学,2017,38(8):277-282.
LIU S J,TIAN Y W,ZHANG F,et al.Hyperspectral imaging for nondestructive detection of Hanfu apple diseases using successive projections algorithm and BP neural network[J].Food Science,2017,38(8):277-282.
[10] CLARK C J,MCGLONE V A,JORDAN R B.Detection of brown heart in ‘Braeburn’ apple by transmission NIR spectroscopy[J].Postharvest Biology and Technology,2003,28(1):87-96.
[11] MCGLONE V A,MARTINSEN P J,CLARK C J,et al.On-line detection of brown heart in Braeburn apples using near infrared transmission measurements[J].Postharvest Biology & Technology,2005,37(2):142-151.
[12] 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.
HAN D H,LIU X X,LU C,et al.Study on optical-nondestructive detection of breakdown apples[J].Transactions of the Chinese Society for Agricultural Machinery,2006,37(6):86-88.
[13] SHENDEREY C,SHMULEVICH I,ALCHANATIS V,et al.NIRS detection of moldy core in apples[J].Food and Bioprocess Technology,2010,3(1):79-86.
[14] VANOLI M,RIZZOLO A,GRASSI M,et al.Studies on classification models to discriminate ‘Braeburn’ apples affected by internal browning using the optical properties measured by time-resolved reflectance spectroscopy[J].Postharvest Biology and Technology,2014,91:112-121.
[15] 苏东, 张海辉,陈克涛,等.基于透射光谱的苹果霉心病多因子无损检测[J].食品科学,2016,37(8):207-211.
SU D,ZHANG H H,CHEN K T,et al.Multiple-factor nondestructive detection of moldy core in apples based on transmission spectra[J].Food Science,2016,37(8):207-211.
[16] 雷雨, 何东健,周兆永,等.苹果霉心病可见/近红外透射能量光谱识别方法[J].农业机械学报,2016,47(4):193-200.
LEI Y,HE D J,ZHOU Z Y,et al.Detection of moldy core of apples based on visible/near infrared transmission energy spectroscopy[J].Transactions of the Chinese Society for Agricultural Machinery,2016,47(4):193-200.
[17] 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.
LI S F,ZHANG L H,LIU X H,et al.Discriminant analysis of apple moldy core using near infrared diffuse reflectance spectroscopy based on principal component analysis[J].Transactions of the Chinese Society for Agricultural Machinery,2011,42(10):158-161.
[18] INFANTE R,RUBIO P,MENESES C,et al.Ripe nectarines segregated through sensory quality evaluation and electronic nose assessment[J].Fruits,2011,66(2):109-119.
[19] 宋小青, 任亚梅,张艳宜,等.电子鼻对低温贮藏猕猴桃品质的预测[J].食品科学,2014,35(20):230-235.
SONG X Q,REN Y M,ZHANG Y Y,et al.Prediction of kiwifruit quality during cold storage by electronic nose[J].Food Science,2014,35(20):230-235.
[20] ALEIXANDRE M,SANTOS J P,SAYAGO I,et al.A wireless and portable electronic nose to differentiate musts of different ripeness degree and grape varieties[J].Sensors,2015,15(4):8 429-8 443.
[21] 傅均, 黄灿钦,章铁飞.便携式智能电子鼻系统及其葡萄货架期评价研究[J].传感技术学报,2017,30(5):782-788.
FU J,HUANG C Q,ZHANG T F.A portable intelligent electronic nose system and its application in grape shelf life evaluation[J].Chinese Journal of Sensors and Actuators,2017,30(5):782-788.
[22] 徐赛, 陆华忠,周志艳,等.基于高光谱与电子鼻融合的番石榴机械损伤识别方法[J].农业机械学报,2015,46(7):214-219.
XU S,LU H Z,ZHOU Z Y,et al.Identification for guava mechanical damage based on combined hyper—spectrometer and electronic nose[J].Transactions of the Chinese Society for Agricultural Machinery,2015,46(7):214-219.
[23] SANAEIFAR A,MOHTASEBI S S,GHASEMI-VARNAMKHASTI M,et al.Application of MOS based electronic nose for the prediction of banana quality properties[J].Measurement,2016,82:105-114.
[24] 江琳琳, 潘磊庆,杨虹贤,等.电子鼻在果蔬品质检测中的研究进展[J].安徽农业科学,2010,38(23):12 918-12 920.
JIANG L L,PAN L Q,YANG H X,et al.Progress on the fruits and vegetables quality detection by electronic nose[J].Journal of Anhui Agricultural Sciences,2010,38(23):12 918-12 920.
[25] ADAR M F,YUMUSAK N.Classification of E-Nose aroma data of four fruit types by ABC-based neural network[J].Sensors,2016,16(3):1-13.
[26] PAN L,ZHANG W,ZHU N,et al.Early detection and classification of pathogenic fungal disease in post-harvest strawberry fruit by electronic nose and gas chromatography-mass spectrometry[J].Food Research International,2014,62(8):162-168.
[27] 惠国华, 厉鹏,吴玉玲,等.基于电子鼻系统的水果腐败过程表征方法[J].农业工程学报,2012,28(6):264-268.
HUI G H,LI P,WU Y L,et al.Characterization method of fruit decay procedure using electronic nose system[J].Transactions of the Chinese Society of Agricultural Engineering,2012,28(6):264-268.
[28] 李琦, 杨艳菊.基于人工神经网络的苹果气体识别方法研究[J].传感器与微系统,2007,26(9):61-63;66.
LI Q,YANG Y J.Research on method of apple gases recognition based on ANN[J].Transducer and Microsystem Technologies,2007,26(9):61-63;66.
[29] 张鹏, 刘振通,李江阔,等.不同气调元件对软枣猕猴桃冷藏期保鲜品质及电子鼻判别的影响[J].食品与发酵工业,2017,43(12):130-136.
ZHANG P,LIU Z T,LI J K,et al.Effects of different air combination on the preservation quality and electronic eose identification of kiwi Actinidia arguta during cold storage[J].Food and Fermentation Industries,2017,43(12):130-136.
[30] 何金鑫, 郜海燕,穆宏磊,等.山核桃氧化过程中品质指标变化的电子鼻快速检测[J].农业工程学报,2017,33(14):284-291.
HE J X,GAO H Y,MU H L,et al.Rapid detection of quality parameters change in hickory oxidation process by electronic nose[J].Transactions of the Chinese Society of Agricultural Engineering,2017,33(14):284-291.
[31] 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.
LI G H,REN Y M,REN X L,et al.Discrimination and identification of bruised apples and apple varieties by FT-NIR[J].Food Science,2012,33(16):251-256.
[32] SAEVELS S,LAMMERTYN J,BERNA A Z,et al.Electronic nose as a non-destructive tool to evaluate the optimal harvest date of apples[J].Postharvest Biology and Technology,2003,30(1):3-14.
[33] 袁鸿飞, 胡馨木,杨军林,等.基于FT-NIR和电子鼻的苹果水心病无损检测[J].食品科学,2018,39(16):306-310.
YUAN H F,HU X M,YANG J L,et al.Nondestructive detection of apple watercore based on FT-NIR and electronic nose[J].Food Science,2018,39(16):306-310.