基于NIR的鲜食葡萄物流过程安全系统

陈晓宇，张小栓，朱志强，张 鹏, 4，穆维松*

1. 中国农业大学信息与电气工程学院，北京 100083

2. 中国农业大学食品质量与安全北京实验室，北京 100083

3. 国家农产品保鲜工程技术研究中心，天津 300384

4. 天津市农产品采后生理与贮藏保鲜重点实验室，天津 300384

基于NIR的鲜食葡萄物流过程安全系统

陈晓宇1, 2，张小栓1, 2，朱志强3，张 鹏3, 4，穆维松1, 2*

1. 中国农业大学信息与电气工程学院，北京 100083

2. 中国农业大学食品质量与安全北京实验室，北京 100083

3. 国家农产品保鲜工程技术研究中心，天津 300384

4. 天津市农产品采后生理与贮藏保鲜重点实验室，天津 300384

针对鲜食葡萄物流过程中的实际模式及通常会使用SO2保鲜剂的情况，研究了4种温度及定量SO2胁迫条件下，基于近红外光谱和质构变化的鲜食葡萄货架期预测方法，结合信息技术设计了基于货架期预测的物流过程安全系统，以期减少鲜食葡萄物流过程中的损失。质构变化是鲜食葡萄采后到达货架期终点的重要原因，研究使用SO2浓度传感器控制电磁阀，通过SO2自动补偿获得设定SO2浓度，研究了不同浓度SO2胁迫条件下鲜食葡萄的质构变化规律及温度的影响。对比了多元散射校正和一阶S-G求导预处理方法对原始光谱的预处理效果，采用偏最小二乘回归方法建立了基于近红外光谱的鲜食葡萄质构无损检测模型，模型决定系数为0.93，均方根误差为1.70，通过交叉验证，模型预测准确度为0.81，均方根误差为2.91。研究表明，近红外快速无损检测可结合品质变化建模和信息技术用于提高果蔬采后物流过程安全管理效率。

近红外光谱；鲜食葡萄；货架期预测；过程安全

引 言

鲜食葡萄在我国居民水果消费中占有重要地位。从采收到最终消费，通常要经过多阶段的物流过程。结合近红外光谱快速检测与信息技术应用于鲜食葡萄货架期预测与物流过程安全管理，可以提高物流管理水平，减少损失，具有现实意义。

近红外光谱检测作为一种无损检测技术，在果蔬检测相关研究中已有比较广泛的应用。当前研究中，主要通过近红外光谱分析，构建品质相关指标预测模型实现无损检测[1-2]，或者进行食品的分类鉴别[3]。就鲜食葡萄而言，曹芳等[4]提出了一种应用近红外光谱检测快速分辨葡萄品种的方法。而基于品质指标变化动力学模型，结合品质指标近红外光谱快速检测，进行食品货架期预测的研究较少。

鲜食葡萄品质变化与货架期相关研究主要包括定性研究与定量研究。定性研究主要通过对比不同处理或不同贮藏时间样品的品质指标变化来评价处理效果或货架期延长效果[5-7]。定量研究则主要涉及品质指标变化规律建模及基于此的货架期预测。邓云等[8]以巨峰葡萄为研究对象，研究了变温条件下鲜食葡萄硬度和质量变化的动力学模型。张秀媛等[9]以宣化牛奶葡萄为研究对象，基于质量变化，褐变级数等品质指标，研究了-2～8 ℃范围内的鲜食葡萄货架期预测模型。由于鲜食葡萄不耐贮藏，实际物流中多会使用保鲜剂。当前国内外广泛使用的鲜食葡萄保鲜剂大多采用SO2。而鲜食葡萄品质变化与货架期相关定性研究中，SO2多来自于SO2释放板[10-11]，试验过程中SO2浓度并不稳定。未见持续定量SO2胁迫对鲜食葡萄品质变化影响的研究报道。同时，相关定量研究中未见考虑定量SO2胁迫因素的报道。信息技术在农产品物流过程安全相关中的应用越来越被广泛的关注。当前相关研究主要包括品质相关指标的自动模型分析[12]，环境历程监控[13]，食品安全追溯[14]等。同时，云计算由于其稳定，便捷等特点，也开始应用于食品安全控制中[15]。

利用近红外光谱分析技术，研究了基于质构变化的鲜食葡萄货架期快速分析方法；针对鲜食葡萄物流过程的实际情况，研究了定量SO2胁迫的影响；基于鲜食葡萄物流过程的多阶段性，设计了鲜食葡萄物流过程安全系统。以期为近红外检测技术在果蔬物流安全管理中的应用提供相应的理论基础。

1 实验部分

1.1 样品

样品为巨峰葡萄，于2014年10月5日采摘于河北省霸州市葡萄园，当天运回实验室，置于0摄氏度冷库预冷24 h。去除烂果后，装入气调箱中，每个气调箱放置约10串葡萄。将气调箱置于10个温度与SO2浓度交叉处理中贮藏，如表1所示。每个处理设置3个重复。根据不同处理条件下有效贮藏时间长短，在样品到达货架期终点前间隔取样检测。实验内容包括光谱采集、质构测试等。每次测试5粒葡萄，取平均值。

表1 实验处理设置

通过SO2浓度传感器控制电磁阀实现SO2浓度控制。当SO2浓度低于设定浓度时，SO2传感器将电压信号传递给单片机，打开电磁阀，实现SO2动态补偿。当SO2浓度达到设置浓度时，电磁阀自动关闭。如图1所示。

1.2 光谱采集

使用NIRS DS2500 近红外漫反射光谱仪(Foss, Denmark)。仪器采用硅和硫化铅检测器用于信号采集，扫描波长范围为400～2 500 nm。测试时，扫描范围设置为400～2 500 nm，扫描次数为32。测试前开机预热30 min，用白板作对照。测试部位为鲜食葡萄赤道部位，避开损伤或缺陷，每粒葡萄扫描一次，实验采集光谱如图2所示。

1.3 质构测试

使用英国TA. XT. Plus物性测定仪测定质构。测试模式为穿刺模式，使用P/2柱头(φ2 mm)，触发力设置为5 g，穿刺深度10 mm，测试速度2 mm·s-1。质构变化用硬度和脆度的比值表示

(1)

式中，G为斜率(g·mm-1)，F为穿刺所用最大力(g)，D为果皮破裂时的压缩距离(mm)。

图1 SO2动态补偿控制图

1.4 数据分析

质构随贮藏时间的变化规律及温度的影响分别用一级反应动力学模型、Arrhenius方程分析

(2)

(3)

式(2)中，Q为品质指标值，Q0为品质指标初始值，k为变化速率，t为时间(d)，A为指前因子，Eα为活化能(kJ·mol-1)，R为气体常数，T为绝对温度(K)。

用Unscramble软件对光谱数据进行预处理，并进行偏最小二乘回归分析。用SPSS软件分析温度和SO2浓度对质构变化速率的影响(p<0.05)。一级反应模型分析在Excel软件上进行。

2 结果与讨论

2.1 近红外模型

对比了多元散射校正和一阶S-G求导对原始光谱(表2)的预处理效果，通过多元散射校正(MSC)，消除散射噪声的影响，通过一阶S-G求导处理提高光谱信噪比，优化偏最小二乘回归(PLS)建模。不同预处理方法的PLS建模效果对比如表2所示。

采用经MSC和一阶S-G求导处理的光谱进行PLS建模，R2达到0.934，均方根误差为1.70。模型可以较好的描述实验结果(图3)。

通过全交叉验证的方法分析模型预测的准确性。将建模数据中的每一组作为验证集，将其余数据作为校正集，计算相关系数与均方根误差。光谱数据经不同方法预处理后，计算结果如表3所示。

表2 基于不同预处理方法的PLS建模拟合优度

图2 鲜食葡萄近红外光谱

图3 质构实测值与预测值

Table 3 The PLS model goodness-of-fit in full cross validation based on different pretreatment methods

预处理方法FactorsR⁃SquareRMSE无150 72443 5277MSC150 75383 3354MSC+一阶S⁃G求导100 81302 9071

在全交叉验证分析中，经MSC和一阶S-G求导处理的光谱与质构数据所建模型的验证决定系数达到0.81，均方根误差为2.91，表明用该方法进行鲜食葡萄质构变化的无损检测是可行的(图4)，其准确程度可适用于货架期预警。

图4 全交叉验证中的质构实测值与预测值

2.2 质构变化动力学模型与货架期预测

贮藏试验表明，不使用SO2条件下，霉烂是鲜食葡萄达到货架期终点的主要原因，而在SO2胁迫条件下，质构变化是鲜食葡萄到达货架期终点的重要原因。当鲜食葡萄的硬度与脆度比值低于82.63 g·mm-1时，到达观察员拒绝接受的阈值。SO2胁迫条件下，放置于10 ℃环境中的样品有效货架期为34 d，放置于0 ℃环境中的样品有效货架期为54 d。

贮藏过程中鲜食葡萄在不同环境条件下的质构变化规律可以用一级反应动力学模型描述，R2均达到0.8以上(表4)。

表4 质构变化速率和模型拟合优度

Table 4 Change rates of the texture obtained with chemical kinetic models and the goodness-of-fit

温度/℃SO2浓度/10-6kR20010200 0040 0030 0030 810 9420 97510010200 010 0040 0040 920 8950 898520010200 0240 0110 010 920 83960 84662500 0230 95

温度对质构变化速率影响显著(p<0.05)。用Arrhenius方程分析温度对质构变化的影响(表5)。结果表明，Arrhenius方程适用于无SO2，10 cm3·m-3SO2和20 cm3·m-3SO2胁迫条件下，温度对质构变化影响的描述，决定系数均达到0.89以上。

SO2胁迫条件会影响鲜食葡萄质构变化速率，10或20 cm3·m-3SO2胁迫条件下，质构变化速率均降低。不同温度条件下，质构变化表观反应活化能随SO2浓度升高而降低。无SO2，10 cm3·m-3SO2和20 cm3·m-3SO2条件下，表观反应活化能分别为50.529，42.929和39.791 kJ·mol-1。因此，基于质构变化的鲜食葡萄品质或货架期预测需要分别考虑使用或不使用SO2保鲜剂的情况。

表5 基于Arrhenius方程的温度因素对质构变化影响描述

Table 5 Effects of temperature on the texture evolution described with Arrhenius equation and the goodness-of-fit

SO2浓度/10-6Arrhenius线性回归方程R20y=-6080 5x+16 810 960410y=-5166x+12 9790 89420y=-4789 1x+11 6150 9051

基于一级反应动力学模型和Arrhenius方程可以实现不同浓度SO2胁迫条件下，变温环境中鲜食葡萄质构品质的预测，结合近红外光谱检测模型，可以实现基于近红外光谱快速检测的鲜食葡萄货架期预测与预警。

2.3 物流过程安全系统

以上研究表明，近红外光谱检测结合质构变化模型可用于鲜食葡萄货架期快速分析，从而实现物流过程安全评估。而鲜食葡萄从生产到消费的过程中通常要经过多阶段的物流过程，涉及到不同的参与主体，因此，进一步结合信息技术的应用，可提高鲜食葡萄物流过程安全管理效率。根据鲜食葡萄物流过程特点及近红外检测特性，基于NIR的鲜食葡萄物流过程安全系统设计如图5所示。

3 结 论

研究了基于近红外快速无损检测的鲜食葡萄货架期预测方法，并进一步针对鲜食葡萄物流过程中的实际情况，研究了SO2胁迫条件下情形，设计了基于NIR的鲜食葡萄物流过程安全系统。结果表明，基于NIR的鲜食葡萄质构检测具有可行性，模型验证准确度达到0.81；不同SO2浓度条件下鲜食葡萄质构变化规律可基于化学反应动力学模型描述，决定系数达到0.81以上；因此，基于NIR快速无损检测和质构变化的鲜食葡萄货架期预测和物流过程安全管理具有可行性，同时，由于鲜食葡萄物流过程的多阶段性，与信息技术的结合可提高物流过程安全管理效率。随着NIR检测设备的小型化发展，NIR快速无损检测的特点结合信息技术应用于鲜食葡萄物流过程安全管理具有广阔的发展前景。基于近红外快速检测的鲜食葡萄物流过程安全系统对减少物流过程中的损失，提高食品安全性具有现实意义。

图5 基于NIR的鲜食葡萄物流过程安全系统

[1] TIAN Hai-qing, YING Yi-bin, XU Hui-rong(田海清，应义斌，徐惠荣). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2007, 38(5): 111.

[2] SUN Xu-dong, ZHANG Hai-liang, OUYANG Ai-guo, et al(孙旭东，章海亮，欧阳爱国, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2009, 40(7): 129.

[3] YAN Run, WANG Xin-zhong, QIU Bai-jing, et al(闫 润，王新忠，邱白晶, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2013, 44(9): 182.

[4] CAO Fang, WU Di, HE Yong, et al(曹 芳，吴 迪，何 勇, 等). Acta Optica Sinica(光学学报), 2009, 29(2): 537.

[5] Champa W A H, Gill M I S, Mahajan B V C, et al. Postharvest Biology and Technology, 2014, 91: 57.

[6] Shiri M A, Bakhshi D, Ghasemnezhad M, et al. Turkish Journal of Agriculture and Forestry, 2013, 37: 48.

[7] Smilanick J L, Margosan D M, Gabler F M. Ozone-Science & Engineering, 2002, 24: 343.

[8] DENG Yun, WU Ying, LI Yun-fei(邓 云，吴 颖，李云飞). Transactions of the Chinese Society for Agricultural Machinery (农业机械学报), 2006, 37(8): 93.

[9] ZHANG Xiu-yuan, HE Kuo, ZHAO Rui-ping, et al(张秀媛, 何 扩, 赵瑞平, 等). Food Science(食品科学), 2015, 36(10)：254.

[10] Guzev L, Danshin A, Zahavi T, et al. International Journal of Food Science and Technology, 2008, 43: 1187.

[11] Morris J R, Oswald O L, Main G L, et al. American Journal of Enology and Viticulture, 1992, 43: 230.

[12] ZHANG Hai-yun, PENG Yan-kun, WANG Wei, et al(张海云，彭彦昆，王 伟, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2013, 44(4): 146.

[13] WANG Ting-man, ZHANG Xiao-shuan, CHEN Wei, et al(汪庭满，张小栓，陈 炜, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2011, 27(9): 141.

[14] FU Ze-tian, XING Shao-hua, ZHANG Xiao-shuan(傅泽田，邢少华，张小栓). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2013, 44(7): 144.

[15] HUANG Hua, ZHU Shi-ping, LIU Bi-zhen(黄 华，祝诗平，刘碧贞). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2014, 45(8): 294.

(Received Aug. 1, 2015; accepted Dec. 15, 2015)

*Corresponding author

Logistics Process Safety System of Table Grapes Based on NIR

CHEN Xiao-yu1, 2, ZHANG Xiao-shuan1, 2, ZHU Zhi-qiang3, ZHANG Peng3, 4, MU Wei-song1, 2*

1. College of Information and Electrical Engineering, China Agricultural University, Beijing 100083, China

2. Beijing Laboratory of Food Quality and Safety, China Agricultural University, Beijing 100083, China

3. National Engineering Technology Research Center for Preservation of Agricultural Products, Tianjin 300384, China

4. Tianjin Key Laboratory of Agricultural Products Postharvest Physiology and Storage, Tianjin 300384, China

In view of the actual logistics process of table grapes and the situation that fresh keeping agents based on sulfur dioxide are commonly used in table grape logistics, we studied the shelf life prediction method of table grapes under 4 temperatures and constant concentrations of sulfur dioxide based on near infrared spectrum (NIR) and the evolution of texture in this work. Logistics process safety system based on shelf life prediction was designed to reduce the loss of table grapes in the logistics. The change of texture is an important cause of postharvest table grapes to end their shelf life in postharvest logistics. In this work, we used SO2concentration sensors to control solenoid valves, and obtained the set SO2concentrations by automatic compensation mechanism. The evolutions of table grape texture under different concentrations of sulfur dioxide were studied as well as the influence of temperature. The NIR pretreatment effects of multiplicative scatter correction and the first S-G derivation were compared. The table grape texture nondestructive testing model built base on NIR and partial least squares regression achieved a determination coefficient of 0.93 and the root mean squared error (RMSE) was 1.70. In full cross-validation, the prediction accuracy reached to 0.81 and got a RMSE of 2.91. Research indicated that the NIR detection combined with the quality change modeling and information technology could be used to improve the logistics process safety management efficiency of postharvest fruits and vegetables.

Near infrared spectrum; Table grapes; Shelf life prediction; Process safety

2015-08-01，

2015-12-15

“现代农业产业技术体系”建设专项资金项目(CARS-30)资助

陈晓宇，1986年生，中国农业大学信息与电气工程学院博士研究生 e-mail：chen_xiaoyu@cau.edu.cn *通讯联系人 e-mail: wsmu@cau.edu.cn

S123

A

10.3964/j.issn.1000-0593(2016)10-3154-05