張鵬，陳帥帥，李江闊*，李博強，徐勇

1(國家農(nóng)產(chǎn)品保鮮工程技術研究中心(天津)，農(nóng)業(yè)農(nóng)村部農(nóng)產(chǎn)品貯藏保鮮重點實驗室，天津市農(nóng)產(chǎn)品采后生理與貯藏保鮮重點實驗室，天津, 300384) 2(大連工業(yè)大學 食品學院，遼寧 大連,116034) 3(中國科學院植物研究所資源植物重點實驗室，北京,100093)

我國是蘋果生產(chǎn)大國，品種較多，有寒富、嘎啦、金冠、喬納金等[1]，大多數(shù)蘋果果實形狀呈扁圓形，不同品種蘋果外觀相似，無法區(qū)分,研究一種對蘋果未知品種鑒別技術尤為重要。同時，蘋果屬于呼吸躍變型果實，采后貨架期間受乙烯作用影響，會產(chǎn)生硬度下降，口味變淡、品質劣變等現(xiàn)象，大大縮短了果實的有效貨架期，嚴重降低了果實的食用品質和市場價值[2]。因而探求一種高效、便捷、無損的檢測技術對蘋果品質監(jiān)控具有重要意義。

傳統(tǒng)感官評價只能大致對果實外觀品質進行評估，無法準確對果品品質進行鑒別和對貨架期進行預測[3-4]。近年來，近紅外光譜技術被廣泛應用于果蔬的定量、定性研究中[5-19]。

本實驗應用近紅外光譜技術對不同品種采后蘋果(嘎啦、金冠、喬納金、金冠)不同貨架期(0、14、28 d)進行定性判別，旨在探討近紅外光譜技術對于不同品種和不同貨架期蘋果鑒別的可行性。

1 材料與方法

1.1 樣品收集與原始光譜采集

1.1.1 樣品收集

4個品種蘋果：金冠、喬納金、寒富、嘎啦，采自有機果園。人工選擇果實大小均一、九成成熟度、無病蟲害、無機械損傷的果實。用網(wǎng)套套上后裝入有微孔袋的紙箱，立即運回實驗室，每個品種蘋果取160個，用于定性實驗，每隔14 d對果實的陰陽面進行掃描，共測定3次。

1.1.2 原始光譜采集及樣品集組成

測試前，將蘋果置于室溫中，于室溫平衡后，用紗布將蘋果表面的水氣擦干。然后用記號筆對每個蘋果果實進行標號，將用記號筆標記的果實放在NIRS DS 2500近紅外漫反射光譜儀的Slurry Cup杯上，進行光譜掃描，掃描方式為單波長快速掃描，光譜數(shù)據(jù)間隔為2.0 nm，掃描次數(shù)為32次，陰陽面各掃1次。

表1 不同品種和貨架期蘋果樣品集組成 單位：個

由表1可知，每個品種蘋果定標集和預測集光譜數(shù)據(jù)分別是120和40個，定標集總計光譜數(shù)據(jù)為480個，預測集為160個。不同貨架期(0、14、28 d)蘋果樣品集中，定標集和預測集光譜數(shù)據(jù)分別是180和60個，定標數(shù)據(jù)總計為540個，預測集為180個。

1.2 儀器與設備

NIRS DS 2500近紅外漫反射光譜儀(配有Nova分析軟件和Win ISI4定標軟件)，丹麥FOSS公司；PAL-1便攜式手持折光儀，日本Atago公司；TA.XT.Plus物性儀，英國Stable Micro Systems公司；CW-700 d分光測色計，柯尼卡美能達(中國)投資有限公司。

1.3 樣品化學指標測定

1.3.1 色差測定

將經(jīng)過掃描的果實掃描點上測定果皮色差，L*、a*、b*表示色系，其中L*表示果皮的光澤亮度；a*表示紅綠色差指標，正值越大代表紅色程度越深，負值越小代表綠色程度越深；b*代表黃藍色差指標，正值越大代表黃色程度越深，負值越小代表藍色程度越深。

1.3.2 質地測定

將經(jīng)過掃描的果實掃描點采用英國產(chǎn)TA.XT.PLus物性儀測定，測試參數(shù)為深度10 mm，P/2探頭(Φ=2 mm)，測試速度為2 mm/s，每個蘋果陰陽面分別進行穿刺。

1.3.3 糖酸測定

取光譜掃描點附近1 cm×1 cm的果肉，雙層紗布擠汁并用糖酸一體機測定果實的可溶性固形物和可滴定酸含量。

1.4 定性模型建立與預測

不同品種和貨架期蘋果定標模型經(jīng)過光譜預處理和波長段選擇，分別用交互驗證誤差(SEC)和交互驗證系數(shù)(R2cv)作為評價定標模型指標，預測模型用對未知樣品判正率來評價。

1.5 數(shù)據(jù)處理

利用Win ISI軟件對原始光譜進行光譜預處理和不同波段優(yōu)化處理；采用Excel 2003軟件進行統(tǒng)計分析；使用SPSS 17.0軟件，對數(shù)據(jù)顯著性進行分析。

2 結果與分析

2.1 蘋果采后品種及貨架期的近紅外檢測分析

2.1.1 不同品種和貨架期蘋果理化數(shù)據(jù)及光譜吸收峰

圖1 蘋果原始光譜Fig.1 Original spectrum of apple

由表2可見，寒富蘋果可溶性固形物含量為15.46%，顯著高于其他品種蘋果(P<0.05)，喬納金蘋果可滴定酸含量最高(0.60%)，而金冠蘋果果皮亮度L*最高(57.51)，每個品種果實其外觀和內(nèi)部品質不同。光譜呈現(xiàn)出的差異可能與其內(nèi)部品質相關(圖2)[21]。

表2 不同品種蘋果理化數(shù)據(jù)分析(0 d)Table 2 Different varieties of apple physical and chemical data analysis (0 d)

注：不同字母代表差異顯著(P<0.05)，具有相同字母代表差異不顯著(P>0.05)。下同。

由表3可見，隨著貨架期的延長，蘋果的可溶性固形物、可滴定酸含量呈先上升后下降趨勢，而果實硬度與貨架期呈負相關性；色差中L*、a*、b*隨著貨架期延長，其值呈上升趨勢，果實的亮度、著色度越高。原始光譜與平均光譜呈相近的變化趨勢。圖3是不同貨架期蘋果平均光譜圖，光譜差異主要集中在可見光區(qū)。

表3 不同貨架期蘋果理化數(shù)據(jù)分析Table 3 Apple physical and chemical analysis of different shelf-life data

圖2 不同品種蘋果平均光譜圖Fig.2 Average spectrum of different apple

圖3 不同貨架期蘋果平均光譜圖Fig.3 The average spectrum of different shelf life

綜上，蘋果的內(nèi)在品質隨著品種和貨架期的不同而改變，近紅外光譜與蘋果內(nèi)部品質存在一定規(guī)律性變化，近紅外光譜可以能夠快速地捕獲這些信息，因此本研究可以對不同品種和貨架期蘋果進行快速判別分析。

2.1.2 光譜預處理

為去除噪音、基線漂移、光散射、樣本不均勻等現(xiàn)象[24]，對原始光譜進行光譜預處理，對原始光譜分別進行一階導數(shù)處理、二階導數(shù)處理、標準正?；幚?standard normal variate, SNV)、去散射處理(detrend, D)、標準多元離散校正(standard multiple scatter correction, SMSC)等光譜預處理。如表4所示，去散射結合二階導數(shù)處理(D+二階導數(shù))對主成分貢獻率最高。其中，采用二階導數(shù)處理可以減緩基線中線性漂移，去散射處理可以減緩因散射處理引起的光譜誤差[24]。因此，本研究不同品種定標模型采用去散射結合二階導數(shù)處理(D+二階導數(shù))光譜預處理方法。

表4 不同品種定標模型前8個主成分主要貢獻率 單位：%

通過表5可知，SNV+D+一階導數(shù)光譜預處理所得的主成分累計貢獻率均能達到80%以上，其中最大的主成分累計貢獻率99.26%。因此，本研究對蘋果不同貨架期判定采用的光譜預處理為一階導數(shù)結合標準化去散射處理。

表5 不同貨架期蘋果前8個主成分主要貢獻率 單位：%

2.1.3 不同波段選擇

不同品種蘋果定標模型在采用去散射結合二階導數(shù)處理后，繼續(xù)對其進行不同波長波段定標模型的建立,結果如表6所示，408～2 492.8 nm下，判別模型的正確率最高為97.91%，這可能與不同品種蘋果的吸收峰在全波長近紅外范圍內(nèi)，故不同品種蘋果判別模型的最佳波長范圍為408～2492.8 nm。不同貨架期蘋果定標模型在SNV+D+一階導數(shù)光譜預處理條件下，對不同波段的光譜選擇繼續(xù)優(yōu)化。在1 108～2 492.8 nm范圍內(nèi)，判別模型的正確率最高為99.26%，這可能由于蘋果光譜近紅外吸收峰在中波近紅外范圍內(nèi)，故常溫貯藏判別模型波長范圍選取1 108～2 492.8 nm。

表6 不同品種和貨架期蘋果定標模型波長優(yōu)化結果Table 6 Discrimination results at different wavelengths

2.1.4 預測結果

分別選取寒富、金冠、嘎啦、喬納金4種不同品種蘋果，對不同品種的蘋果品質進行研究，選用PCA方法，選取前3個主成分進行分析(PC1、PC2、PC3)得到三維空間坐標圖(圖4)。判別模型R2cv為0.853，SECV為0.166。該預測結果可以完全區(qū)分不同品種的蘋果，說明定標模型具有良好適用性。為了驗證不同品種蘋果定標模型的可靠性，隨機取預測樣品160個數(shù)據(jù)，對不同品種果實進行檢測，結果見表7。

圖4 不同品種蘋果三維圖Fig.4 Apple three-dimensional map of different varieties

表7 不同品種蘋果PCA方法結果統(tǒng)計Table 7 Different varieties of apple PCA method results statistics

品種正確數(shù)錯誤數(shù)正確率/%定標集預測集定標集預測集定標集預測集金冠120380210095.00嘎啦115355595.8387.50寒富119371399.1792.50喬納金116334696.6785.00總計470144101697.9190.00

其中預測樣品144個正確，16個錯誤，不同品種蘋果定標模型預測的正確率85.00%～95.00%，則該判別模型的準確率較高，適用性較廣。

為了驗證判別模型的穩(wěn)定性和適用性，分別選取不同貯藏時間(0、14、28 d)的蘋果，進行蘋果品質的研究。選取PCA方法，前3個主成分(PC1、PC2、PC3)得到三維空間圖(圖5)。

圖5 不同貯藏期三維圖Fig.5 Three-dimensional map of different storage period

定標模型R2cv為0.866，SECV為0.171，不同貨架期的蘋果可以完全區(qū)分。用定標模型對預測集進行判定，隨機抽取180個預測樣品進行預測，結果見表8，其中預測集170個正確，錯誤個數(shù)為10，正確率為91.67%～96.67%，模型預測性能良好。

表8 不同貨架期蘋果PCA統(tǒng)計結果Table 8 Apple PCA statistics results of different shelf life

3 結論與討論

LUO等[8]采用近紅外漫反射技術在1 000～2 500 nm范圍內(nèi)，對富士、喬納金、紅星進行判別，其改良偏最小二乘法模型的判別正確率為98.80%；XING等[9]采用近紅外漫反射技術對金冠蘋果的貯藏期進行判定，在400～1 700 nm范圍內(nèi)，采用二次方程光譜預處理，其模型的判別正確率為98.03%；李光輝等[5]采用近紅外光譜技術對嘎啦蘋果的碰傷果進行預測，在833～2 500 nm范圍內(nèi)，采用偏最小二乘法建模，其模型的判別率為100%。而本研究中，喬納金、嘎啦、金冠和寒富4個品種蘋果其理化特性差異明顯，在全波長范圍內(nèi)采用去散射結合二階導數(shù)光譜預處理，建立的近紅外漫反射光譜蘋果品種檢測模型其預測正確率為85.00%～95.00%，與以往文獻相比，其預測模型正確率相對較低，需要進一步對模型的光譜預處理、波段的選擇及樣品采集進行優(yōu)化，以提高其預測正確率。而對于采后不同貨架期蘋果研究表明，在可見光不同貨架期平均近紅外光譜的吸光度差異明顯，在全波長范圍內(nèi)采用SNV+D+一階導數(shù)預處理，建立的近紅外漫反射光譜蘋果貨架期檢測模型其預測正確率為91.67%～96.67%。

近紅外光譜對采后蘋果品種及貨架期定性判別，在全波長范圍(408.8～2 492.8 nm)內(nèi)，采用去散射結合二階導數(shù)光譜預處理的蘋果品種定性判別模型較好，其R2cv為0.853，SECV為0.166，對預測樣品判別正確率為85.00%～95.00%；在1108～2492.8 nm范圍內(nèi)，光譜預處理方法為SNV+D+一階導數(shù)的蘋果貨架期判別模型較優(yōu)，其模型的R2cv和SECV分別為0.866、0.171，預測樣品正確率為91.67%～96.67%。說明應用近紅外光譜可以對采后蘋果品種和貨架期進行判別，可以對蘋果內(nèi)在品質進行快速評價。