近红外光谱对贮藏期猕猴桃不同深度果肉色泽的变化研究

余克强， 孟 浩， 曹晓峰， 赵艳茹

1. 西北农林科技大学机械与电子工程学院， 陕西 杨凌 712100 2. 农业农村部农业物联网重点实验室， 陕西 杨凌 712100 3. 陕西省农业信息感知与智能服务重点实验室， 陕西 杨凌 712100

引 言

猕猴桃， 又名奇异果， 是我国主要水果产物之一。 因猕猴桃果肉富含维生素等营养物质， 拥有“水果之王”、 “VC之王”的美称， 受到很多消费者的青睐。 然而， 猕猴桃的外部特征(颜色、 大小、 形状、 表面缺陷等)和内部品质(糖度、 酸度、 果肉色泽、 VC等)是新品种培育和果实分级销售的重要参考指标。 其中， 果肉色泽在猕猴桃不同品种、 成熟和贮藏等过程中都存在很大差异， 果肉色泽已成为评价猕猴桃品质的重要指标[1-2]。

通常猕猴桃果肉色泽测量的方法是有损检测方法， 在实际生产应用中无法实现全样本测量， 且费时费力， 无法满足新品种培育和消费市场等对色泽高通量检测需求。 因此寻求一种准确、 快速检测猕猴桃果肉色泽方法对猕猴桃育种、 栽培和采后贮藏销售等具有重要意义、 近红外光谱技术是一种通过获取待测物漫反射、 透射和透漫反射信息反应样本组成成分和分子结构等的无损检测技术， 凭借其高效、 成本低以及多组分检测等的特点， 广泛应用于食品、 制药、 化工、 农业等领域。 在水果品质检测方面， Kusumiyati等[3]运用手持式的近红外光谱仪结合偏最小二乘回归(partial least square regression， PLSR)对植株上生长和采后的番茄硬度、 颜色参数(L*，a*，b*， 色彩角h°和色度C*)和番茄红素进行检测， 结果较好。 Sun等[4]开发手持式近红外光谱测试仪来评估南丰蜜桔品质， 运用支持向量机(support vector machine， SVM)、 向后传播神经网络(back propagation neural network， BPNN)和PLSR预测果皮颜色、 糖分、 滴定酸和VC含量。 Kamal-Eldin等[5]借助多元化学计量学方法对不同品种枣的颜色(L*，a*，b*)、 外形(重量， 长度， 体积， 直径和密度)、 化学(糖和有机酸)、 质构特征(硬度， 附着力， 回弹性， 脆性和弹性)进行分析， 研究结果对水果品质评价和分级有重要意义。

以不同贮藏期猕猴桃为研究对象， 分析不同深度(0， 5和10 mm)果肉色泽与近红外光谱反射率之间的变化关系， 并结合化学计量学方法对猕猴桃果肉色泽特征进行预测分析， 研究结果为猕猴桃品质评价提供技术支撑。

1 实验部分

1.1 猕猴桃样本

猕猴桃品种为“哑特”， 于2018年10月18日采摘于陕西武功县某猕猴桃果园， 选择大小近似的猕猴桃样本共300个， 采摘后置于4 ℃冰箱中贮藏。 后期实验中， 每次取出60个猕猴桃进行近红外光谱数据和色泽参数的测量， 5次实验共得到300个猕猴桃样本的光谱和色泽数据。

1.2 仪器

采用傅里叶近红外光谱仪(MPA， RUKER， Germany)对猕猴桃样本光谱数据采集， 其光谱范围在833～2 500 nm， 分辨率为0.3～0.5 nm， 一次测量扫描64次(约30 s)。 采用内置反射背景作为参考， 固体光纤探头进行测量。

猕猴桃颜色参数测试采用色差计(CR-10 plus， Konica Minolta， Japan)来完成。 其测量范围：L*为1～100，a*为-60～+60，b*为-60～+60。 光源为脉冲氙灯， 测量时间约1 s， 使用端口为USB2.0， 10°观察角。 温湿度范围0～40 ℃； 相对湿度： 85%以下。 采用的标准白板L*为95，a*为-3，b*为-4。

1.3 猕猴桃光谱数据获取与色泽特征测量

利用MPA近红外光谱仪固体光纤探头测量猕猴桃样本赤道位置的反射光谱， 间隔90°均匀采集每个样本的四个位置的光谱数据， 并取四个位置反射光谱平均值作为该样本的光谱数据。 光谱数据采集后， 用管壁厚度为0.15 mm、 直径为15 mm的不锈钢管从近红外光谱测量点[图1(a)]的位置刺入， 取出高度约15～25 mm的猕猴果肉圆柱体[图1(b)]， 用薄刀片去除果肉圆柱体的果皮得到果皮下0 mm果肉的横切面， 并依次切出果肉圆柱体果皮下5和10 mm的果肉横切面， 用色差计依次测量果皮下0， 5和10 mm处的果肉色差数据(L*，a*，b*)， 分别如图1(c)， (d)和(e)所示， 并对四个位置的色差数据求取平均值作为该样本的色差数据[6]。

1.4 光谱数据处理方法介绍

由于获取的猕猴桃光谱数据中存在噪声信息， 采用S-G平滑法[7]对猕猴桃原始光谱数据进行预处理。 后期采用SPXY算法[8]划分为校正集和预测集。 光谱数据的压缩和特征波段的选择， 选用竞争性自适应重加权采样法(competitive adaptive reweighted sampling， CARS)[8]和无信息变量消除法(uninformative variable elimination， UVE)[9]来实现。 光谱数据建模主要采用偏最小二乘回归(partial least-squares regression， PLSR)[8, 10]和多元线性回归(multiple linear regression， MLR)[11]来完成。 模型评价主要是利用相关系数(correlation coefficient，R)和均方根误差(root mean square error， RMSE)[8, 10]。 光谱数据处理软件主要有The Unscrambler X 10.1(CAMO， Norway)和MATLAB 2016a(The MathWorks, USA)。

图1 猕猴桃色泽数据测量示意图

2 结果与讨论

2.1 贮藏期猕猴桃样本近红外反射光谱特征分析

图2是采集的猕猴桃样本在830～2 500 nm的光谱反射曲线。 图2(a)是利用S-G平滑算法对300个猕猴桃样本原始光谱进行预处理后的曲线， 图2(b)是5个不同贮藏时间(1， 5， 8， 11和14 d)下猕猴桃样本的平均光谱曲线。 从图2可得： 不同贮藏期猕猴桃样本反射光谱曲线趋势是大致相同， 只是在反射率方面有所差异； 而不同贮藏期猕猴桃平均光谱曲线存在交叉， 没有一定的规律， 可能是因为猕猴桃在贮藏过程中淀粉分解成葡萄糖、 果糖(与C—H， C—O键的倍频吸收有关)等物质含量变化造成的[12]。 从图中可得， 光谱曲线的吸收峰位置主要在960， 1 180， 1 450， 1 850和2 250 nm等处， 其中980， 1 180和1 450 nm处的吸收峰与O—H键的倍频有关， 反应猕猴桃水分信息， 1 650和2 250 nm处的吸收峰则与C—H和C—O键有关[13-15]。

2.2 贮藏期猕猴桃不同深度果肉色泽分析

猕猴桃5个不同贮藏期(1， 5， 8， 11和14 d)猕猴桃样本剖面图， 如表1所示。

表1中可得， 随着贮藏时间增长， 猕猴桃果肉颜色逐渐加深， 主要是因为猕猴桃果肉中葡萄糖、 果糖等物质含量变化造成。 贮藏期猕猴桃不同深度下果肉色泽(L*，a*，b*)最小值、 最大值、 均值以及标准差统计结果， 如表2所示。

从表2中得出， 随着猕猴桃果肉深度(0， 5和10 mm)变大， 色泽参数L*均值绝对值变小， 果肉色泽越亮； 色泽参数a*均值的绝对值变小， 果肉色泽由深绿色转变为浅绿色； 而色泽参数b*的均值变小， 颜色由高亮度黄色转变为低亮度黄色。 从色泽特征的标准差来看， 猕猴桃5 mm深度的果肉色泽变化比其他0和10 mm两个位置对应色泽特征的标准差相比要小， 表明猕猴桃5 mm深度的果肉色泽比较稳定。

图2 猕猴桃样本的近红外反射光谱图

表2 贮藏期猕猴桃不同深度果肉色泽测量结果统计

Table 2 Color features measurement results of kiwifruit at different depths during storage

Depths/mmColorfeaturesMaximumMinimumMeanStandarddeviation0L*-23.97-52.79-37.955.40a*2.68-8.30-6.311.28b*51.1126.1940.814.445L*-20.01-42.38-27.824.80a*-0.92-6.80-3.901.00b*46.1531.2337.772.9210L*-15.90-48.66-27.077.00a*-0.61-5.30-2.991.00b*44.7626.0135.793.77

2.3 猕猴桃样本集数据划分结果分析

将300个贮藏期猕猴桃样本光谱信息以及对应的果肉色泽(L*，a*，b*)， 采用SPXY算法按照3∶1划分为校正集(225个样本)与预测集(75个样本)。 猕猴桃样本的果皮下0， 5和10 mm处果肉色泽最小值、 最大值、 平均值以及标准差的统计结果， 分别见表3所示。

表3 猕猴桃0， 5和10 mm处果肉色泽在建模集和预测集的统计结果

Table 3 Statistical results of pulp color at 0, 5 and 10 mm depths in calibration and prediction sets

Depths/mmStatisticalvaluesCalibrationPredictionL*a*b*L*a*b*0Maximum-23.972.6851.11-27.36-3.9346.53Minimum-52.79-8.3026.19-48.16-8.2026.79Mean-38.25-6.1140.85-37.78-6.6841.26STD5.481.364.765.070.943.945Maximum-18.84-0.9246.15-20.01-1.7542.75Minimum-42.38-6.8031.23-35.43-5.533.12Mean-28.28-3.8037.75-26.44-3.9137.82STD5.101.063.073.430.792.4110Maximum-15.90-0.6144.76-17.15-0.6144.30Minimum-48.66-5.3026.01-45.04-5.2028.08Mean-28.18-2.9635.86-25.52-3.0436.71STD7.381.014.046.040.913.53

从表3中可得样本集中不同深度色泽数据变化相对稳定， 样本不同部位预测集的色泽数据在对应校正集色泽数据变化范围之内， 说明本研究SPXY方法划分样本是合理的。

2.4 基于全波段光谱的猕猴桃色泽PLSR预测模型

表4 基于PLSR的猕猴桃不同果肉色泽预测模型的结果

2.5 猕猴桃果肉色泽特征波长选择

2.6 猕猴桃果肉色泽预测模型的建立和分析

表5 猕猴桃果肉5 mm深度处色泽不同预测模型的结果统计

图3 不同模型下参考和预测的色泽参数L*(a)， a*(b)， b*(c)在校正集和预测集的回归线

3 结 论