基于介电谱技术结合遗传算法的草莓品质预测
2016-02-09李冬冬贾柳君张海红沈静波李子文
李冬冬,贾柳君,张海红,沈静波,李子文
(宁夏大学农学院,宁夏银川 750021)
基于介电谱技术结合遗传算法的草莓品质预测
李冬冬,贾柳君,张海红*,沈静波,李子文
(宁夏大学农学院,宁夏银川 750021)
为寻找草莓品质的快速无损预测方法,利用LCR测试仪测试分析了草莓介电谱变化规律;以遗传算法(Genetic Algorithm,GA)筛选出各品质指标(呼吸强度、可溶性固形物含量和失重率)的特征频率点;以特征频率下的介电参数建立了草莓品质的偏最小二乘(Partial Least Squares,PLS)预测模型。研究结果表明:以GA法筛选频率后的介电参数所建立的呼吸强度、可溶性固形物和失重率的GA-PLS模型RPD值和R2值分别为5.21、3.14、4.89和0.941、0.852、0.906,各品质指标预测值与实测值无显著差异(p>0.05)。介电谱技术结合遗传算法可用于预测贮藏期草莓的品质。
介电谱,草莓,遗传算法,品质预测
草莓为浆果类果实,果色鲜艳,酸甜可口,深受消费者喜爱[1]。但草莓在贮藏期间极易发生品质劣变、组织老化等不良变化。因此寻找一种便捷、快速的检测方法对其贮运保鲜、货架期的延长显得尤为重要。
本文拟以草莓为研究对象,以LCR测试仪动态测量草莓在贮藏期间的介电参数(相对介电常数ε′和介电损耗因子ε″),分析草莓介电频谱;筛选与草莓品质指标(呼吸强度、可溶性固形物含量、失重率)密切相关的特征频率及特征介电参数;建立草莓品质的预测模型;以期为运用介电谱技术预测贮藏期草莓的品质提供理论基础。
1 材料与方法
1.1 材料与仪器
草莓 采摘于宁夏回族自治区银川市永宁果园。采摘完全成熟、外形完好、无病虫害、无机械损伤、大小形状基本一致的草莓进行测试。采摘样本共50个(去除不合格样本),将样本随机分为5组,每组10个样本,在室温(20±1) ℃、相对湿度30%±2%的环境条件下贮藏、测试其理化指标和电学参数,每天测试一组,连续测试5 d。
HIOKI-3532-50型LCR测试仪 日本日置电机株式会社;AB104-N型电子天平 上海梅特勒-托丽多仪器有限公司;WYA-2W型阿贝折射仪 上海仪电物理光学仪器有限公司;GXH-3010E型便携式红外线气体分析器 北京市华云分析仪器研究所有限公司。
1.2 实验方法
1.2.1 电学参数的测量 根据草莓尺寸选择面积为4.3 cm×3.75 cm的铜片为平行板电极。测试前首先对LCR测试仪预热1 h,并依次进行开路、短路校正,选择测量电参数损耗系数D、并联等效电容Cp。然后将草莓平放在两极板之间,调整极板距离,使极板与草莓刚好接触且对草莓不造成挤压为宜。在1～1000 kHz内测量103、103.05、103.1、…、105.95、106Hz频率下55个点的草莓电参数D和Cp值,测量数据以Microsoft EXCEL 2013表格自动生成,以等效电容法推算草莓相对介电常数ε′和介电损耗因子ε″[12-13]。
1.2.2 品质指标的测量 呼吸强度:待介电参数测量完毕,将样品置于密闭容器中密闭,1 h后测试其呼吸强度百分值:呼吸强度值由公式(1)推算获得:
式(1)
式中:Q为样本呼吸强度,CO2mg/kg·h;W1为空白实验密闭容器中CO2总量,%;W2为测定后密闭容器中CO2总量,%;W为密闭容器总体积,L;M为CO2的摩尔质量,g/mol;V0为测定温度下CO2摩尔体积,L/mol;m为测定所用草 莓质量,kg;t为测定时间,h。
失重率:采用称重法测试[14]。
可溶性固形物:先用蒸馏水校正阿贝折射仪,后取草莓上、中、下不同部位的果肉各(2±0.1) g,用压蒜器压汁,取2～3滴草莓汁于折射棱镜上,调整侧面旋钮使目镜视眼内明暗分割线处于交叉线中间,读取可溶性固形物数值(测量精度为0.0003)。
为避免偶然性误差,上述各品质指标每个样本均测3次取平均值作为最终测量结果。
1.2.3 特征频率的提取 本文将55个频率点下的介电参数值作为筛选变量(变量总数为110个:第1…55个变量为相对介电常数ε′,第56…110个变量为介电损耗因数ε″);运用遗传算法(Genetic Algorithm,GA)[15]筛选出与品质指标相关性较高的变量点(特征频率点)。
1.2.4 校正集与验证集的划分 从测试完毕的50个草莓样本中随机选取10个用于检验模型的最终性能,以3∶1的比例对剩余40个样本进行样本集和验证集划分。本实验采取Kennard-Stone(K-S)法[16]进行样本集划分。最终选择校正集样本30个,验证集样本10个。
1.2.5 数据处理与分析 本文利用Excel和SAS统计软件进行实验数据分析,采用方差分析和配对资料两样本均数比较的t检验法[t(α=0.05),p<0.05)]对相关指标进行差异显著性分析。
在PLS建模过程中,样品集的划分、频谱预处理方法及PLS方法分别采用Unscrambler X 10.3(挪威CAMO公司)和MATLAB R2008a(美国MathWorks公司)分析软件,模型的精度与稳定性以RPD(相对分析误差)、R2、RMSEC、RMSEP为评价指标;评价原则一般认为当RPD>3,模型效果良好,3
1.2.6 模型建立 经GA处理全频谱后得到草莓各品质指标的特征频率及特征介电参数值,将特征介电参数作为输入量,品质指标作为应变量,建立PLS模型。
1.2.7 模型的验证 将1.2.4中随机选取的10个样本的介电参数值、品质指标值作为GA-PLS模型的X、Y输入参数,以t检验法比较经模型验证后得出的预测值与实测值的差异性是否显著来判定模型的适用性和准确性。
2 结果与分析
2.1 样本集的划分
校正集和验证集的品质指标值统计如见表1。
表1 校正集与预测集样本品质指标值的统计结果
Table 1 Statistical results of the physical and chemical index values of the calibration set and the prediction set
品质参数样品集样品数平均值最大值最小值标准差呼吸强度(CO2mg/kg·h)校正集3010931475845208验证集1011551457971181可溶性固形物(%)校正集3011362000724284验证集109717575211失重率(%)校正集30119519660271验证集106611335458265
表2 贮藏时间和频率对草莓介电参数影响的显著性分析
Table 2 Effects of storage time and frequency on the dielectric parameters of Strawberry
方差来源平方和自由度均方差F值p值显著性相对介电常数ε′频率5081663531211766302<001∗∗贮藏时间4847024958804986<001∗∗误差4153492161923总计5981714273介电损耗因子ε″频率205493053387723859<001∗∗贮藏时间846144211532105<001∗∗误差2170112161005总计2356555273
注:**,p<0.01,表示极显著。
2.2 频率和时间对草莓介电特性的影响
为了探究草莓的介电参数是否会受到频率和贮藏时间的影响,本文利用方差分析法对其显著性进行了分析,详情见表2。
由图1、图2可知,草莓介电参数随着频率、时间的增加总体呈下降趋势,该结果与郭文川等[18]对梨的研究结果一致。由表2可知,频率和贮藏时间对草莓的介电参数的影响达到极显著水平(p<0.01)。
图1 贮藏时间对相对介电常数ε′的影响Fig.1 Effect of storage time on relative dielectric constan ε′
图2 贮藏时间对介电损耗因子ε″的影响Fig.2 Effect of storage time on dielectric loss factor ε″
由图1可知,在1.58 kHz下第1、3 d下的草莓相对介电常数ε′显著(p<0.05)低于第2、4 d;在7.08 kHz时,第5 d的相对介电常数ε′显著(p<0.05)低于其他各天;在11.22 kHz后,各天草莓相对介电常数ε′下降减缓,在56.23～1000 kHz范围内,各天相对介电参数ε′变化差异不显著(p>0.05)。
由图2可知,在1.58 kHz下第1 d的草莓介电损耗因子ε″显著(p<0.05)低于其他各天;在11.22 kHz后,各天草莓介电损耗因子ε″下降减缓,在3.55～1000 kHz范围内,介电损耗因子ε″各天变化差异均未达到显著水平(p>0.05)。
产生上述变化的原因可能为采后草莓仍然进行部分生理活动和新陈代谢,如呼吸作用等[1]。草莓的采后呼吸作用将草莓果实内部的碳水化合物分解为水及其他小分子物质,该变化使果实细胞膜透性的增加;草莓保护组织不发达,随着贮藏时间的延长,水分逐渐丧失,细胞膜流动性减弱、通透性下降,电荷传递受阻,最终导致草莓内部极化程度和极化模型改变[19];并且随着衰老程度加重,细胞代谢紊乱,引起细胞膜的电阻增大,电容减小。细胞膜透性和自由水含量等一系列变化的共同结果使草莓介电参数值呈现先增大后减小的变化规律[18]。
2.3 GA提取特征频率点
GA筛选过程中,以最小的RMSECV(交叉验证均方根误差)值和最高的R2值组合作为筛选标准[17]选取最佳频率组合,筛选结果如图3～图5。
图3 草莓呼吸强度的GA筛选次数Fig.3 The screened times of chart of respiratory intensity about GA
经GA筛选后的特征频率点,如表3所示。
表3 GA筛选后的特征频率点
Table 3 The characteristic frequency points screened by GA
品质参数介电参数频率(kHz)呼吸强度ε′100，126，158，251，501，562，1778，1995，3162，3548，4467，5623，1778ε″501，562，708，794，891，10000，1122，1413，1585，1995，3548，3981，4467，5012，7079，7943，8913，10000，11220，12589，14125可溶性固形物ε′100，126，158，200，251，316，355，447，562，447，7079，7943，50119，63096，70795，89125，1000ε″100，1778，3162，3981，10000，11220，12589，14125，31623，50119，56234，63096失重率ε′355，63096ε″70795，89125，1000
图4 草莓TSS的GA筛选次数图Fig.4 The screened times of chart of total soluble solid about GA
图5 草莓失重率的GA筛选次数图Fig.5 The screened times of chart of loss weight rate about GA
从表3可知,与全频谱相比,经GA法筛选后,各品质指标(呼吸强度、可溶性固形物和失重率)的相对介电常数ε′和介电损耗因子ε″特征频率点分别减少到13、17、2个和21、12、3个;在去除杂余信息的同时大大提高了建模性能,充分说明了GA法在筛选特征频率点方面的巨大优势。
表4 各品质指标的PLS模型
Table 4 PLS model of Physical and chemical indexs
模型品质指标变量数R2RMSECRMSEPRPD全频谱呼吸强度110092304180536337可溶性固形物110083706110683308失重率110088205650647409GA法处理呼吸强度34094103300347521可溶性固形物29085205830671314失重率5090604300542489
2.4 模型建立与评价
草莓各品质指标的GA-PLS模型结果如表4所示。
由表4可知,全频谱和GA法处理后建立的PLS模型RPD值均大于3,R2值均大于0.8,说明两种建模方式均可获得良好的建模效果。但与全频谱相比,经GA法对频率点进行筛选后,变量数显著减少,R2值相对增大,RMSEP值明显较小,说明GA法对全频谱进行筛选处理后可有效优化模型[17]。
经GA法对频率点筛选后,以介电参数建立的呼吸强度、可溶性固形物和失重率的PLS预测模型RPD值和R2值分别为5.21、3.14、4.89和0.941、0.852、0.906,说明模型效果较好;RMSEC分别为0.330、0.583和0.430,说明模型预测精度较高。由此可见,草莓各品质指标的GA-PLS定量模型均取得了良好表现。
2.5 模型验证
图6a～图6c分别代表草莓呼吸强度、可溶性固形物和失重率的PLS建模预测图。由图可以看到,各品质指标的实测值与预测值点呈对角线分布且以小幅度在对角线上下波动;t检验表明,各项指标预测值与实测值无显著差异(p>0.05)。经验证,上述品质指标的GA-PLS验证模型R2依次为0.938、0.861和0.915,RMSEP依次为0.411、0.602和0.489。说明模型预测结果较为准确。
图6 草莓品质指标PLS建模预测图Fig.6 The model of PLS for qulity indicators of Strawberry prediction map
3 结论
以草莓为研究对象,探讨了其在贮藏期间的介电频谱(相对介电常数ε′和介电损耗因数ε″)随时间和频率的变化规律;用GA法对全频谱中与草莓呼吸强度、可溶性固形物和失重率相关性较高的变量进行了筛选,并确定了特征频率及特征介电参数。
全频谱和GA两种处理方法所建的草莓各品质指标PLS模型均获得了较好的效果。但对比全频谱-PLS模型,呼吸强度、可溶性固形物和失重率的GA-PLS预测模型不仅显著减少了建模变量数;模型系数RPD值也分别从3.37、3.08、4.09增加到5.21、3.14、4.89;R2值分别从0.923、0.837、0.882增加到0.941、0.852、0.906;RMSEC也分别从0.418、0.611、0.565减小到0.330、0.583和0.430,且经成对t检验后,模型各品质指标预测值与实测值无显著差异(p>0.05)。充分说明了GA法对全频谱提取有效信息后在保证去除冗余信息的同时,能显著提高模型的准确性和稳定性。GA-PLS模型可实现对草莓呼吸强度、可溶性固形物和失重率的无损、定量预测,基于介电谱技术结合遗传算法预测贮藏期间草莓的品质是可行的。
[1]刘士华,吕国胜.草莓果实成熟过程中糖、酸含量的动态变化[J].安徽林业科技,2011,37(5):24.
[2]郭文川,朱新华,郭康权.采后苹果电特性与生理特性的关系及其应用[J].农业工程学报,2005,21(7):136-139.
[3]陈克克.水果介电特性及其品质关系的研究[D].陕西:西北农林科技大学.2009.
[4]郭文川,商亮,王铭海,等.基于介电频谱的采后苹果可溶性固形物含量无损检测[J].农业机械学报,2013,44(9):132-136.
[5]商亮,谷静思,郭文川.基于介电特性及 ANN 的油桃糖度无损检测方法[J].农业工程学报,2013,29(17):257-262.
[6]姚永波.基于介电特性的甜瓜糖度无损检测[D].新疆:新疆大学.2012.
[7]周永洪,黄森,张继澍,等.火柿果实采后电学特性研究[J].西北农林科技大学学报(自然科学版),2008,36(4):117-122.
[8]Nelson S O,Guo Wen-chuan,Trabelsi.S. et al. Dielectric properties of watermelons for quality sensing[J]. Measurement Science and Technology,2007,18:1887-1892.
[9]秦文,羽仓义雄,铃木宽一,等. 胡萝卜贮藏过程中电容与新鲜度的关系研究[J]. 农业工程学报,2005,21(9):160-162.
[10]马涛,李海峰,张海红. 樱桃番茄采后品质变化的介电特性研究[J]. 食品研究与开发,2013,34(21):107-111.
[11]Nelson S O,Forbea W R,Lawrence K C. Peanittivities of fresh fruits and vegetables firm 0.2 to 20 GHz[J]. Journal of Microwave Power and Electromagnetic Energy,1994,29(2):81-83.
[12]Soltani M,Alimardani R,Omid M. Evaluating banana ripening status from measuring dielectric properties[J]. Journal of Food Engineering,2011,105:625-631.
[13]周世平.灵武长枣贮藏过程中介电特性与品质变化的相关性研究[D]. 宁夏:宁夏大学,2014.
[14]沈静波,马雪莲,王慧倩,等.基于介电特性的灵武长枣新鲜度预测[J].食品与机械,2016,32(1):118.
[15]陆婉珍. 现代近红外光谱分析技术(第二版)[M]. 北京:中国石化出版社,2007,1.
[16]M.Soltani R,Alimardani,M. Omid. Evaluating banana ripening status from measuring dielectric properties[J]. Journal of Food Engineering,2011,105(4):625-631.
[17]李子文.苹果醋酿造过程中关键参数的近红外快速检测方法研究[D]. 宁夏:宁夏大学,2016.
[18]郭文川,孔繁荣,王转卫.梨生长发育后期介电特性、生理特性和内部品质的关系[J].现代食品科技,2015,31(11):56-59.
[19]Harker F R,Maindonald J H. Ripening of nectarine fruit(changes in the cell wall,vacuole,and measurements)[J].Plant Physiology,1994,106(1):165-171.
Strawberry quality prediction based on dielectric spectrum technology combining with genetic algorithm
LI Dong-dong,JIA Liu-jun,ZHANG Hai-hong*,SHEN Jing-bo,LI Zi-wen
(College of Agriculture,Ningxia University,Yinchuan 750021,China)
In order to find rapid non-destructive prediction methods for strawberry quality,dielectric spectrum was tested and its change rule was analyzed with Inductance,Capacitance,Resistance tester(LCR). The characteristic frequency points of quality indicators(respiration intensity,soluble solids content and weightlessness rate)were selected out by genetic algorithm(GA). Partial Least Squares(PLS)quality prediction models were established based on the dielectric parameters at the characteristic frequency points. The results showed that the Relative Percent Deviation(RPD)andR2values of the GA-PLS model for respiration intensity,soluble solid content(TSS)and weight loss rate established based on dielectric parameters selected out by GA were 5.21,3.14,4.89 and 0.941,0.852,0.906,respectively. There was no significant difference between the predicted value and the measured value(p>0.05)for each quality indicator. Dielectric spectrum technology combining with GA can be used to predict the quality of the storage period of strawberries
dielectric spectrum;strawberry;genetic algorithm;quality prediction
2016-06-23
李冬冬(1992-),男,硕士研究生,研究方向:农产品无损检测,E-mail:m18295117748@163.com。
*通讯作者:张海红(1967-),女,硕士研究生,教授,研究方向:食品物性学,E-mail:nxdwjyxx@126.com。
国家自然科学基金资助项目(31160346)。
TS255.1
A
1002-0306(2016)23-0272-05
10.13386/j.issn1002-0306.2016.23.043
