草莓的光学特性及其与可溶性固形物含量和含水率的关系

谢丹丹，郭文川,2,3,*，高梦杰，刘大洋

（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；4.东北林业大学机电工程学院，黑龙江 哈尔滨 150040）

随着生活水平的不断提高，人们对果品内部品质的要求越来越高。可溶性固形物含量（soluble solids content，SSC）和含水率是表征果品内部品质的主要参数。通常采用数字式折射计测定果品的SSC，用烘干法测定含水率。虽然这些传统测定方法具有结果准确的优点，但均费时费力。因此，这些方法只能用于抽样检测，无法满足果品行业健康快速发展的需求。

由于近红外光谱技术具有检测速度快、成本低、无污染和无损检测的优点，已被广泛应用于果品内部品质的检测中[1-5]。当光与果品组织相互作用时，光可能被吸收，也可能被散射。近红外光谱是光与果品内部组织之间相互作用的宏观表现，而光谱技术则主要依赖于采用化学计量学方法建立基于光谱预测被测参数的模型[6]。这种方法忽略了光与果品组织之间复杂的相互作用，导致人们对光与组织之间的关系不了解。而不同果品内部的化学成分和物理结构存在差异，使得吸收或散射的光量不同，因此可以用光学特性反映果品的化学特性和物理结构。果品的吸收和散射特性通常用吸收系数μa和约化散射系数表示。其中，μa主要与化学成分有关，而主要与物理结构，如细胞尺寸、紧密程度等相关[7-8]。研究光学特性是使用光谱技术检测果品内部品质的基础，有助于了解光与组织之间的相互作用机理。

目前在研究果品的光学特性及其与果品内部品质之间的关系方面已经取得了一些研究进展。例如He Xueming等[9]研究了梨的SSC和硬度与光学特性之间的关系，并指出基于光学特性参数建立的预测SSC和硬度模型的决定系数R2分别为0.40和0.48。Mozaffari等[10]评估了苹果片状样品在热风干燥过程中光学特性参数的变化以及基于光学特性参数的预测含水率，指出预测含水率最佳模型的相关系数r为0.984。对苹果光学特性的研究发现，‘Jonagored’苹果的与硬度呈现负相关[11]，‘Golden Delicious’和‘Granny Smith’苹果的与硬度呈现正相关（r＝0.903～0.993）[12]，‘Royal Gala’苹果与硬度的正相关系数为0.68[13]。Liu Dayang等[14]指出可基于光学特性评估贮藏期猕猴桃的内部品质和微观结构。在1 390 nm波长处，μa与SSC和含水率之间的r分别为－0.80和0.88。在950～1 650 nm范围内，与硬度的|r|取值范围为0.74～0.87。

草莓属浆果，因其营养丰富而深受广大消费者的喜爱。目前在基于近红外光谱技术无损预测草莓内部品质方面已经取得了一定的研究进展[15-16]，然而对草莓的光学特性及其与内部品质之间的关系尚不清楚。因此，本实验基于单积分球技术结合反向倍增（inverse adding doubling，IAD）算法研究草莓的光学特性，分析草莓μa和与SSC和含水率间的相关性，进而基于光学特性参数谱预测草莓的SSC和含水率。

1 材料与方法

1.1 材料与试剂

‘红颜’、‘甜香’和‘章姬’草莓采摘于陕西省杨凌区农业创新园。

20%（体积分数，下同）-Introlipid溶液 美国Sigma-Aldrich公司。

1.2 仪器与设备

PR-101α型数字式折射仪 日本Atago公司；101-1AB型干燥箱 天津泰斯特仪器有限公司；阿贝折光仪 上海第五光学仪器有限公司；NIRQuest 512型光谱仪 美国Ocean Optics公司；4P-GPS-030-SF型积分球美国Labsphere公司；it-3900e型光源 美国Dolan Jenner Industries公司；聚光镜 上海五铃光学公司。

1.3 方法

1.3.1 草莓样品的制备

实验当天于陕西省杨凌区农业创新园的温室大棚内采摘新鲜草莓样品，30 min运回实验室后随即开展实验。每次挑选各品种成熟度基本一致且表面无损伤的草莓样品20～25 个，3 个品种样品共150 个，其中‘红颜’48 个、‘甜香’54 个、‘章姬’48 个。

如图1所示，将每个草莓顺轴向切成5 片。丢弃最外侧的两片，用最中间的一片测定光学参数和SSC，与中间片相邻的另外两片（第2片和第4片）用于测定含水率。

图1 草莓切片示意图Fig.1 Schematic diagram of strawberry slicing positions

1.3.2 光学特性测量系统及其验证

Step 5 If k

图2为根据单积分球技术搭建的光学特性测量系统。该系统主要由波长范围为900～1 700 nm的光谱仪、积分球、光源、聚光镜和样品支架组成。

图2 光学特性测量系统演示图Fig.2 Schematic diagram of the optical measurement system

由于光谱仪所获得的光谱在两端存在较弱的信噪比，因此，本实验以950～1 650 nm为研究波段。分别测定纯水和不同质量分数（1%、4%和100%）20%-Introlipid溶液的μa和，以验证系统的测量精度。纯水及不同质量分数下20%-Introlipid溶液均各为3 个样品，且各个样品重复3 次，以9 次测量的平均值作为测定结果。以邓孺孺等[17]给出的纯水的μa作为本实验μa的参考值；以van Staveren[18]和Aernouts[19]等给出20%-Introlipid溶液的作为本实验的参考值。计算相同波长下纯水和20%-Introlipid的测定值与其参考值之间的相对误差，以相同波段下相对误差的平均值（平均相对误差）作为评价系统测量精度的指标。

1.3.3 草莓光学特性的测定

用螺旋测微仪（精度0.001 mm）测定最中间一片草莓切片的厚度，然后测定其反射率和透射率。如图2A所示，将草莓样品置于积分球出口处，可获得草莓样品的反射率；将积分球出口盖住，并将草莓样品置于积分球入口处，可获得草莓样品的透射率（图2B）。在反射率和透射率的测定过程中，聚光镜与样品之间的距离保持恒定。为避免环境光对光学参数值的影响，整个实验均在暗室环境下完成。每片草莓测定3 个点处的反射率和透射率，以3 个点测定结果的平均值作为该草莓片的测定结果。在得到草莓样品反射率、透射率、厚度以及前期利用阿贝折光仪测定得到草莓样品折射率（1.35）的基础上，基于IAD算法[20]计算样品的μa和。

1.3.4 草莓SSC和含水率的测定

SSC测定：待光学特性测量完成后，利用数字式折射仪测定该片草莓果汁的SSC。

含水率测定：分别从第2片和第4片上取2～3 g草莓样品置于干燥箱中，在70 ℃下干燥24 h，根据下式计算样品的湿基含水率。每个样品的SSC和含水率分别重复3 次和2 次，以多次重复测量的平均值作为测定结果。

式中：m1和m2分别为草莓样品干燥前后的质量/g。

1.3.5 光谱预处理、样本划分及建模

为了探索基于光学特性预测草莓SSC和含水率的可行性，本实验将化学计量学方法应用于草莓SSC和含水率的预测中。首先采用标准正态变换（standard normal variate，SNV）对μa谱、谱以及μa和的混合谱进行预处理，然后采用基于联合XY距离的样本集划分方法（sample set partitioning based on joint x-y distance，SPXY）按照3∶1的数量比将每个品种下的样本划分为校正集和预测集，并基于SNV预处理后的μa、谱和μa+μ’s谱建立预测草莓SSC和含水率的偏最小二乘（partial least squares，PLS）模型。

1.4 数据统计与分析

采用Excel 2007软件对数据进行统计和分析，采用Matlab 2013软件进行光谱预处理、样本划分和模型建立。以校正集相关系数rc、预测集相关系数rp、校正集均方根误差（root mean squares error of calibration，RMSEC）和预测集均方根误差（root mean squares error of prediction，RMSEP）作为评价模型性能的指标。rc和rp越大，RMSEC和RMSEP越小，说明预测性能越高。

2 结果与分析

2.1 单积分球系统验证结果

图3为纯水和20%-Introlipid溶液光学特性参数测定值和参考值的比较。在950～1 650 nm波长范围内，本系统所测定的纯水μa与邓孺孺等[17]的研究结果相比，其平均相对误差为8.23%。与van Staveren等[18]的结果相比，在950～1 100 nm波长范围内，质量分数1%、4%和100%的20%-Introlipid溶液平均相对误差为4.25%；与Aernouts等[19]的研究结果相比，在950～1 650 nm波长范围内，100%质量分数的20%-Introlipid溶液平均相对误差为3.16%。总体而言，本系统的平均相对误差为3.71%。

与其他光学特性测量系统的误差相比，本系统μa的平均相对误差8.23%高于Wang Weilin等[21]报道的6.5%，但低于Pifferi[22]、Cen Haiyang[23]和Zhang Mengyun[24]等分别报道的10%、23%和17.4%。本实验所得的平均相对误差3.71%低于Pifferi[22]、Cen Haiyan[23]、Zhang Mengyun[24]和Wang Weilin[21]等分别报道的13%、7%、4.4%和5%。结果表明，本实验所搭建的单积分球系统可以比较准确地测量果品的光学特性。

图3 纯水和不同质量分数20%-Introlipid溶液光学特性参数测量值与参考值的比较Fig.3 Comparison of measured and referenced μa andof pure water and 20%-Introlipid solutions at different concentrations

2.2 3 种草莓光学特性的差异

图4和图5分别为950～1 650 nm波长处3 种草莓的μa和及平均值。3 种草莓的μa和变化规律一致，但数值存在差异。μa在975、1 197 nm和1 411 nm波长处存在峰值（图4a、5a）。975 nm和1 197 nm波长处的吸收峰主要与碳水化合物和水的吸收有关[25]，而1 411 nm波长处的吸收峰主要与水的吸收有关。由于‘红颜’草莓的含水率明显小于‘甜香’和‘章姬’草莓，因而导致其在1 141 nm波长处的平均μa远小于其他两个品种（图5a）。

总体上，草莓随波长的增大而逐渐减小（图4b、5b），这符合生物组织散射的一般规律[26-27]。另外，在975、1 197 nm和1 411 nm波长处存在明显的波谷，导致该现象的原因可能在于IAD算法固有弊端——“串音”的存在。IAD算法可能将一部分散射光子误以为吸收光子，从而导致吸收和散射无法完全分离。这种“串音”现象同样出现于苹果[13]和猪皮下脂肪组织[28]光学参数的研究中。由于主要与果品的内部结构有关，而‘红颜’的明显高于‘甜香’和‘章姬’，因而‘红颜’果肉的内部结构也可能与其他两个品种不同。

图4 3 种草莓的μa和 Fig.4μa and of three strawberry cultivars

图5 3 种草莓的平均μa和 Fig.5 Average μa andof three strawberry cultivars

2.3 3 种草莓SSC和含水率的测定结果

表1为不同品种草莓SSC和含水率的测定结果。‘红颜’、‘甜香’和‘章姬’草莓的SSC范围分别为8.1%～14.0%、7.4%～11.6%和6.9%～12.3%。‘红颜’SSC的平均值为10.5%，明显高于‘甜香’（9.4%）和‘章姬’（9.2%）。‘甜香’与‘章姬’二者的SSC差异较小。‘红颜’含水率的平均值为88.3%，明显低于‘甜香’（89.7%）和‘章姬’（89.8%），而‘甜香’和‘章姬’的含水率没有明显差异。对所有草莓SCC和含水率进行分析发现，草莓SSC与含水率呈负相关，3 种草莓的平均相关系数r为－0.85（图6）。这与Guo Wenchuan等[29-30]研究发现苹果SSC与含水率具有极好的负相关性结论一致。

表1 3 种草莓SSC和含水率的测定结果Table 1 Measured values of SSC and moisture content for three strawberry cultivars

图6 草莓SSC和含水率之间的关系Fig.6 Relationship between SSC and moisture content in strawberry fruit

2.4 草莓光学特性与SSC和含水率的相关性

图7 草莓SSC和含水率与μa和 的相关系数Fig.7 Correlation coefficients of SSC and moisture content with μa and of strawberry fruit

如图7所示，草莓SSC与μa呈负相关，而含水率与μa呈正相关。在975、1 197 nm和1 411 nm波长处相关系数出现极大值或极小值，证明在吸收峰处草莓的μa与SSC和含水率的相关性优于其他波长处。此外，在整个波长范围内，1 411 nm波长处的相关性最高，此时μa与SSC和含水率r分别为－0.50和0.47。这与Liu Dayang等[14]对猕猴桃光学参数的研究结果相似。

在整个波长范围内，草莓SSC与呈正相关，r稳定在0.4左右；而含水率与呈负相关，r为－0.4～－0.5。Liu Dayang等[14]研究了生长期猕猴桃光学参数与内部品质之间的相关性，也发现波长对与内部品质之间的相关性影响较小。

2.5 草莓SSC和含水率的预测

不管是对于μa还是，单个波长下的光学参数与SSC和含水率的相关系数都比较小，尚不能用于预测草莓的SSC和含水率。为此，在对μa、谱及μa+谱进行预处理后，采用SPXY法对每个品种按照3∶1的数量比例划分样本集，得到校正集样本113 个（‘红颜’36 个、‘甜香’41 个和‘章姬’36 个）以及预测集样本37 个（‘红颜’12 个、‘甜香’13 个和‘章姬’12 个）。样本划分结果说明，对于每个参数，校正集的范围大于预测集，说明样品划分合理。

表2为在基于各种谱预测SSC和含水率时，PLS模型的参数及建模结果。在预测SSC方面，基于μa谱所建模型具有最好的校正及预测性能（rc＝0.840、RMSEC＝1.140%；rp＝0.815、RMSEP＝1.153%）。基于谱的预测性能（rp＝0.746、RMSEP＝1.164%）次于μa谱，而基于谱所建立模型的预测性能最差（rp＝0.745、RMSEP＝1.164%），这说明吸收特性与SSC有关。相比于谱，μa谱能提高SSC的预测精度。

表2 基于不同光学参数谱预测草莓SSC和含水率的PLS模型参数及建模结果Table 2 Parameters of partial least squares models for predicting SSC and moisture content of strawberry fruit based on different optical parameters

在预测含水率方面，基于μa谱所建模型具有最好的校正及预测性能（rc＝0.761、RMSEC＝1.240%；rp＝0.757、RMSEP＝1.280%）。基于谱（rp＝0.728、RMSEP＝1.300%）的预测性能优于谱（rp＝0.719、RMSEP＝1.410%）。这说明含水率也主要影响吸收特性，且μa谱比谱和谱能更好地预测草莓含水率。

3 结 论

本实验基于单积分球技术搭建了一个光学特性测量系统，并利用纯水和20%-Introipid溶液对该系统的测量精度进行了验证。结果表明，在950～1 650 nm范围内，该系统测量μa和的平均相对误差分别为8.23%和3.71%。950～1 650 nm间，草莓的吸收峰出现在975、1 197 nm和1 411 nm波长处。草莓的μa与SSC呈负相关，而与含水率呈正相关，且在吸收峰处存在相关系数极值。总体上，随波长的增大而减小。基于μa谱建立的PLS模型具有最好的预测草莓SSC和含水率的能力。对于SSC，rp＝0.815、RMSEP＝1.153%；对于含水率，rp＝0.757、RMSEP＝1.280%。该结果说明，草莓的SSC和含水率主要影响其吸收特性，基于吸收特性能更好地预测草莓的SSC和含水率。本实验为了解草莓光学参数与内部品质之间的关系提供了参考，也为水果内部品质无损检测技术精度的提高奠定了基础。在后续的研究中，可分析多品种草莓的内部细胞结构，以探索草莓散射系数与其内部物理结构的关系。