可见/近红外漫反射光谱无损检测甜柿果实硬度*

王丹，鲁晓翔，张鹏，李江阔

1(天津商业大学生物技术与食品科学学院，天津市食品生物技术重点实验室，天津，300134)

2(国家农产品保鲜工程技术研究中心，天津市农产品采后生理与贮藏保鲜重点实验室，天津，300384)

甜柿营养价值丰富、风味独特、甜脆爽口。甜柿的硬度是衡量其品质及耐贮性的重要指标，通常用来确定果实的成熟度和采摘时间，并为制定柿子的贮藏、保鲜、包装和运输等方案提供重要依据［2］。传统检测甜柿硬度的方法是采用果实硬度计或以手捏的方式感知果实硬度情况，分别存在有损伤和判断粗糙的缺点［3］。因此，建立一种快速无损的甜柿硬度检测技术迫在眉睫。

近年来，随着计算机和化学计量学的发展，近红外光谱(Near Infrared spectroscopy，NIRS)分析技术得到了快速发展，该技术用于水果品质无损检测因具有快速、无损、简便等优点而得到广泛应用［4－8］。其中，NIRS 分析技术在果实硬度检测方面也获得重要进展，Ana M. Cavaco 等［9］通过NIRS 漫反射建立了梨的硬度模型，并用来预测不同成熟度梨的货架期;Park等［10］通过NIRS 漫反射检测苹果的硬度，并据此进行苹果分级。但应用NIRS 技术进行柿子的无损检测的研究较少［11－12］，甜柿硬度无损检测的报道更是鲜见。因此，研究近红外漫反射光谱无损检测甜柿果实硬度具有重要的意义。

为了实现甜柿的近红外无损检测，建立性能稳定的甜柿硬度近红外光谱模型，本研究以“阳丰”甜柿为试验材料，测定甜柿的近红外漫反射光谱，建立光谱与硬度的对应模型，为今后快速无损检测甜柿硬度提供技术依据和方法。

1 材料与方法

1.1 实验材料

原料:甜柿 于2012 年10 月16 日采自北京平谷县，采收时挑选成熟度(约为八成熟)一致、无病虫害和机械损伤的果实，采收当天将果实运至国家农产品保鲜工程技术研究中心实验室(可控温度为20 ～25℃)，进行不同的处理，将一部分柿子立即置于含1-甲基环丙烯(1-MCP)气体浓度为1.0 μL/L 的密闭塑料帐内，于常温下处理18 h 后，用微孔袋(厚度0.02 mm)包装，以未做处理的柿子作为对照组。甜柿子均常温贮藏(温度20 ～25℃)。

测定前，将果实擦干净，排序标记后进行扫描。实验共抽取230 个果实，随机分为定标集和验证集，样品数分别为170 个和60 个。

1.2 光谱的采集

试验使用NIRS DS2500 近红外漫反射光谱仪(丹麦Foss 公司)，采用全息光栅分光系统，硅(400 ～1 100 nm)和硫化铅(1 100 ～2 500 nm)检测器用于信号采集，扫描波长范围是400 ～2 500 nm，扫描方式为单波长、快速扫描，扫描次数为32 次。配置Nova 分析软件和WinISI4 定标软件，测量时避开表面缺陷部位(如伤疤、污点等)，在柿果赤道线上阴阳面各取一点放在Slurry Cup 上进行光谱扫描。

1.3 硬度指标的测定

用果实标记的扫描点测定硬度。果实硬度采用英国产TA. XT. plus 物性测定仪测定，测试参数为:P/2 柱头(2 mmØ)，测试模式为穿刺模式，测试速度为2.0 mm/s，测后速度为2.0 mm/s，测试距离为10.0 mm，触发力是5.0 g。

所得力/时间曲线如图1 所示，以曲线第一峰(锚2)的力值作为果皮破裂时的力，即果皮强度(kg)，第一峰的力值与运行距离的比值为果皮脆性(kg/s)，第一峰0.5s 后(锚3)与最大峰(锚4)之间的平均力值为果肉平均硬度(kg)。

图1 甜柿硬度穿刺试验分析曲线Fig.1 Analysis curve for hardness puncture test of the sweet persimmon

1.4 模型的建立与验证

利用WinISI4 软件，对原始光谱进行滤波和平滑处理，以去除噪声和提取有效信息，采用不同预处理确定柿子硬度无损预测模型，然后再用未参与定标的样品对模型进行验证，评价模型的可行性。本研究中，评价所建立的定标模型用交互验证相关系数(RCV)和交互验证误差(SECV)作为评价指标。预测模型的质量通过预测标准误差(SEP)、预测值与化学值相关系数(RP2)和相对分析误差(RPD)定量评价。当RPD 在2 ～2.5 之间，可进行粗略的定量分析，大于2.5 或3.0 以上具有较好或很好的预测效果。

2 结果与分析

2.1 样品硬度标准值分布情况

甜柿硬度的测定采用质构仪质地整果穿刺法(puncture test)，这个方法能够较好地反映整个果实的流变学特征，可同时获得果皮强度、果皮脆性、果肉平均硬度等多项指标，而且数据精确，克服了传统检测方法的缺点，使得硬度评价的内容更加丰富与客观。

本实验预测模型定标集和验证集的平均值、变幅范围和标准偏差见表1。实验中，样品的测定是从采摘当天到常温贮藏56d，甜柿果实硬度逐渐变软，所以每个参数真实值的分布范围比较广，代表性强，并且样品验证集的含量范围都在定标集范围内。因此，本实验样品可以用于建立甜柿硬度近红外模型。

表1 定标集和验证集样品的分布特征Tab.1 Characteristics of calibration and prediction

2.2 甜柿果实近红外扫描原始光谱

表2 展示的是甜柿贮藏49d 时，不同处理的参数指标，可见经过1-MCP 处理的果皮强度、果皮脆性和果肉平均硬度都大于对照组。这是因为经过1-MCP处理能不可逆地作用于乙烯受体，从而阻断与乙烯的正常结合，抑制其所诱导的与果实后熟相关的一系列生理生化反应，达到了保脆的效果，与对照组果实的硬度产生了差异。

经1-MCP 处理和未经处理的对照组全波长范围内(400 ～2 500 nm)的近红外原始光谱图如图2 所示。从图中可知，两条光谱在波长677、978、1186 和1454 nm 的吸收峰处有明显差异。通过WinISI4 软件分析可知，在第一个吸收峰677 nm 处的差异，主要是因为果实红色含量的不同;而在978 nm 和1186 nm处的吸收峰主要是水分引起的，这说明水分含量对甜柿的近红外光谱影响很大;1 454 nm 处吸收峰附近主要是C—H、—CH2键的变化，是因为柿子中的可溶性固形物、果胶和蛋白质等物质的含量随着硬度的降低而降低，可溶性果胶则升高，它们的特征官能团就是C—H、—CH2等，这说明近红外光谱图捕获的信息与甜柿内在品质之间存在着一定的变化规律。因此，本研究用可见/近红外漫反射光谱无损检测甜柿的硬度，分别建立果皮强度、果皮脆性和果肉平均硬度的预测模型。

图2 甜柿贮藏49d 不同处理的原始吸收光谱图Fig.2 Original absorption spectrogram for different treatment of the sweet persimmon in 49 days

表2 甜柿贮藏49d 不同处理的参数指标Table 2 Parameter index for different treatment of sweet persimmon in 49 days

2.3 不同光谱预处理方法的选择

采用改进最小偏二乘法(MPLS)，分别研究不同导数处理方法与不同散射和标准化方法相结合的处理模型的方法，从而找到最优的模型。在全光谱范围内比较了原始光谱(Log(1/R))、一阶微分光谱(D1 Log (1/R))、二阶微分光谱(D2 Log (1/R))和去散射处理(Detrend)、标准正常化处理(SNV)、SNV 和Detrend、标准多元离散校正(SMSC)、加权多元离散校正(WMSC)、反相多元离散校正(IMSC)、定标和偏移处理(scale and offset)、规模化和二次处理(scale and quadratic)相结合的方法建立的模型。

用不同光谱预处理方法建模的结果如表3 所示。

表3 不同预处理的定标结果Table 3 Statistical results of models constructed by different pretreatment

结果表明，对于果皮强度和果皮脆性，采用MPLS、D1 Log (1/R)、SMSC 处理建立的定标模型较好，交互验证相关系数(RCV)分别为0.929 2 和0.939 9，交互验证误差(SECV)分别为0.093 3 和0.154 5;对于果肉平均硬度，采用MPLS、D1 Log (1/R)、SNV and Detrend 建立的定标模型质量最佳，RCV为0.908，SECV 为0.063。

2.4 硬度分析模型预测评价

为了预测定标模型的可靠性和准确性，用建立好的最优定标模型对60 个未知果实的果皮强度、果皮脆性、果肉平均硬度进行预测分析。结果如图3、图4、图5 所示。预测结果表明，果皮强度的预测标准误差(SEP)为0.094，预测相关系数为0.858，相对分析误差(RPD)为2.47;果皮脆性的SEP 为0.157，RP2 为0.863，RPD 为2.63;果肉平均硬度的SEP 为0.063，RP2 为0.82，RPD 为2.35。可见，果皮脆性预测的效果较好，可以进行很好的预测。果皮硬度和果肉平均硬度只能进行粗略的定量分析，模型有待进一步的完善。因此，可见/近红外漫反射对甜柿果实硬度的快速无损检测具有可行性。

3 结论

图3 果皮强度实测值与预测值的相关性Fig.3 Correlation between predicted values of model optimized and actual values of peel strength

图4 果皮脆性实测值与预测值的相关性Fig.4 Correlation between predicted values of model optimized and actual values of peel brittle

图5 果肉平均硬度实测值与预测值的相关性Fig.5 Correlation between predicted values of model optimized and actual values of average hardness by the flesh

硬度是反映果实成熟度的一个重要指标，也是检测果品品质好坏的依据。曾一凡等［13］应用可见/近红外光谱技术无损检测梨的硬度，认为可见/近红外光谱技术无损检测梨果实硬度是可行的。通常水果硬度的评价方式是采用果肉硬度［14］，而本研究采用果皮脆性、果皮强度和果肉平均硬度代表果实硬度的变化。实验结果表明，本研究提出的评价方式能够反映出果皮和果肉的质地品质，丰富了柿果硬度的评价内容，能够更直观的反映出口感的指标。

本研究应用偏最小二乘法对不同预处理的漫反射光谱建立了甜柿硬度的定量模型。试验结果表明:对于果皮强度和果皮脆性，采用最小偏二乘回归算法、一阶导数处理和标准多元离散校正处理建立的定标模型最好，RCV分别为0.929 2 和0.939 9，SECV 分别为0.093 3 和0.154 5，RP2 分别为0.858 和0.862，SEP 分别为0.094 和0.157，RPD 分别为2.47 和2.63。对于果肉平均硬度，采用改进偏最小二乘回归算法、一阶导数处理和标准正常化和去散射处理建立的定标模型最好，RCV为0.908，SECV 为0.063，为0.82，SEP 为0.063，RPD 为2.35。可见，果皮脆性预测模型的RPD 达到2.63，可以很好的进行定量分析。综上所述，利用可见/近红外漫反射光谱无损检测甜柿果实硬度具有可行性，其中果皮脆性的模型最优。

［1］ 张继澍，葛秀荣，黄森，等. 柿树资源的开发利用研究［J］． 粮油加工与食品机械，2002(10):12 －15.

［2］ 张鹏，李江阔，孟宪军，等. 可见/近红外光谱漫反射无损检测磨盘柿果实硬度的研究［J］． 食品工业科技，2011(07):423 －425.

［3］ 刘卉，郭文川，岳绒. 猕猴桃硬度近红外漫反射光谱无损检测［J］． 农业机械学报，2011(3):146 －149.

［4］ 蔡宋宋，王宝刚，李文生，等. 杏贮藏期间可溶性固形物和硬度的近红外光谱检测［J］． 光谱实验室，2010，27(3):1186 －1189.

［5］ Nicolai B M，Beullens T，Bobelyn E，et al. Nondestructive measurement of fruit and vegetable quality by means of NIR Spectroscopy:a Review［J］． Postharvest Biology and Technology，2007，46(2):99 －118.

［6］ Huirong Xu，Bing Qi，Tong Sun，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.

［7］ Dolores Pérez Marína，María Teresa Sánchezb，Patricia Paz，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):1405 －1414.

［8］ Weiqi Luo，Shuangyan Huan，Haiyan Fu，et al. Preliminary study on the application of near infrared spectroscopy and pattern recognition methods to classify different types of apple samples［J］． Food Chemistry，2011，128(2):555－561.

［9］ Ana M Cavaco，Pedro Pinto，Dulce Antunes M，et al.‘Rocha’pear firmness predicted by a Vis/NIR segmented model［J］． Postharvest Biology and Technology，2009，51(3):311 －319.

［10］ 李桂峰，赵国建，刘兴华，等. 苹果硬度的傅里叶变换近红外光谱无损检测［J］． 农业机械学报，2009，40(1):120 －123.

［11］ Mowat A D，Holmes G.The ability for fourier transform infrared spectroscopy to classify persimmon genotypes by epicuticular leaf waxes［J］． Acta Hort(ISHS)，2003，(601):65 －69.

［12］ 张淑娟，张海红，王凤花，等. 柿子可溶性固形物含量的可见-近红外光谱检测［J］． 农业工程学报，2009，25(增刊2):345 －347.

［13］ 曾一凡，刘春生，孙旭东，等. 可见/近红外光谱技术无损检测果实坚实度的研究［J］． 农业工程学报，2008，24(5):250 －252.

［14］ 吕强，汤明杰，赵杰文，等. 近红外光谱预测猕猴桃硬度模型的简化研究［J］． 光谱学与光谱分析，2009，29(7):1768 －1771.