基于傅里叶近红外光谱和电子鼻技术的苹果霉心病无损检测

杨晨昱,袁鸿飞,2,马惠玲,任亚梅*,任小林

1(西北农林科技大学 食品科学与工程学院,陕西 杨凌,712100)2(河南省口岸食品检验检测所,河南 郑州,450003) 3(西北农林科技大学 生命科学学院,陕西 杨凌,712100)4(西北农林科技大学 园艺学院,陕西 杨凌,712100)

苹果霉心病是果树在开花期由多种真菌侵染导致的病害,具有一定的潜伏期,是目前苹果急需解决的常见病害之一。2009年,陕西省渭北地区苹果发生大面积霉心病害,产区果实发病率达到37%，近年来苹果霉心病的危害程度仍有上升趋势,特别是豫西地区。苹果霉心病造成巨大的经济损失,国内外学者非常重视苹果霉心病的防治研究,努力从源头上控制霉心病的发生[1-5]。苹果感染霉心病后,果肉内部在室温下会迅速腐烂,但从外表不易识别病果,给苹果病果的筛选过程带来巨大不便。目前,针对苹果霉心病的检测方法主要有低频磁共振法[6]、CT成像法、生物阻抗特性法[7]、计算机视觉法[8]、高光谱法[9]。但这些技术存在费时、检测成本高、需要专业人员操作等不足。因此,亟需一种快速无损检测技术及早地识别苹果霉心病,保障苹果的贮藏和出口品质,进而提升我国苹果的知名度。

近红外光谱和电子鼻技术是分析化学领域发展产生的高新技术,具有操作简单、可重复性好、检测迅速、不破坏样品等优点,目前在国内外果蔬品质检测方面得到了广泛应用。国内外研究者多采用近红外透射技术对苹果霉心病进行检测研究[10-16],此技术可得到样品在红外光谱区独特的吸收特征,具有区分病果的前提条件。SHENDEREY等[13]肯定了近红外光谱技术在检测苹果霉心病方面的潜力；苏东等[15]在近红外光谱技术的基础上,结合苹果直径等因子,提出一种新的检测方法,可以较准确判定苹果霉心病；雷雨等[16]对果蔬进行快速无损识别,证实了近红外光谱对检测苹果霉心病有较高的准确度。然而目前鲜有使用近红外漫反射光谱技术[17]。

电子鼻是一种分析、识别物品挥发性成分的仪器,在桃[18]、猕猴桃[19]、葡萄[20-21]、石榴[22]、香蕉[23]等水果品质检测、成熟度和货架期[24-26]鉴定方面得到广泛应用。PAN等[26]利用电子鼻正确识别了正常草莓与病害草莓,同时可较好地区分草莓感染的3种主要病原菌种类；惠国华等[27]研究发现,电子鼻系统可以快速表征水果的腐败过程；李琦等[28]证明电子鼻可以对不同品质的苹果进行较好的分类；张鹏等[29]利用电子鼻判别猕猴桃在保鲜过程中的品质,说明电子鼻技术在水果病害的无损检测方面是可行的；何金鑫等[30]利用电子鼻研究山核桃在氧化过程中各指标的变化,发现电子鼻可以快速预测山核桃氧化程度。但目前尚未有电子鼻对苹果霉心病无损检测的报道。

本研究分别利用傅里叶近红外光谱(Fourier transform near infrared spectroscopy,FT-NIRS)和电子鼻技术建立模型,比较不同方法识别苹果霉心病的准确率,为近红外光谱和电子鼻技术判别苹果霉心病提供参考。

1 材料与方法

1.1 材料与仪器

试验材料：205个陕西省白水县尧禾镇农家果园采收的“红富士”健康苹果和疑似霉心病苹果,均由当地有经验的果农分辨(霉心病苹果与健康果实相比,着色更早、更易脱落、质量更轻,果实萼口大、萼筒长且与果心相连的更易染病)。要求果实完整、体型一致、表面无明显的机械损伤。在(0±1)℃,相对湿度85%～95%的冷库保藏5 d。试验前,将苹果取出,依次编号,于常温下(25±1)℃下放置24 h备用。

仪器：MPA型傅里叶变换近红外光谱仪,Bruker Optics 公司；PEN3便携型电子鼻,德国AIRSENSE公司。

1.2 试验方法

1.2.1 近红外光谱采集

将待测苹果水平放置,在苹果赤道处标记3个待测点,使用固体光纤探头采集待测苹果近红外光谱值[31]。近红外光谱仪分辨率设为8 cm-1,波数范围为12 000～4 000 cm-1,扫描64次。

1.2.2 基于主成分分析建立Fisher判别模型

以数字0和1分别代表健康果和霉心病果,随机选取40个健康果和10个霉心病果作为Fisher判别模型的验证集,剩余155个苹果作为建模集。经原始光谱提取的前15个主成分作为自变量。

1.2.3 基于主成分分析建立多层感知器神经网络

参照袁鸿飞等[33]的研究方法并稍作修改,基于主成分分析建立3层感知器神经网络。其中模型训练集与测试集的相对数量比为7∶3；模型的输入层单位为15,代表主成分个数；输出层单位数为2,代表健康果实和霉心病果实；优化算法选择调整的共轭梯度,模型输出层的激活函数设定为恒等函数,模型隐藏层单位数为8,隐藏层的激活函数设定为双曲正切函数。

1.2.4 电子鼻信号采集

将样品放置于1 000 mL的玻璃烧杯中,密封后将玻璃烧杯(25±1)℃条件下静置于1 h[30]。随后使用进样针顶空取样检测[32]。内部空气流量与进样流量均为300 mL/min,电子鼻测定60 s,采用第59 s时的响应值进行数据分析。

电子鼻包含S1(W2W,有机硫化物)、S2(W35,芳香烷烃)、S3(W2S,乙醇)、S4(W1W,硫化氢)、S5(W1S,甲烷)、S6(W5C,烷烃)、S7(W6S,氢气)、S8(W3C,氨类)、S9(W5S,氨氧化物)和S10(W1C,芳香苯类)10个传感器阵列。

1.2.5 电子鼻结合化学计量法

在Fisher判别中,建模集由随机选取的155个样本组成,其中正常苹果123个,霉心病苹果32个。验证集为剩余的50个样本。因变量为第59 s时传感器的响应值,其中数字0和1分别代表正常苹果和霉心病苹果。同时建立4层多层感知器(multi-layer perceptron, MLP)神经网络模型和3层径向基函数(radial basis function, RBF)神经网络[33],输出层激活函数分别为Sigmoid和恒等函数；隐藏层激活函数分别为双曲正切函数和Softmax。

1.3 数据处理

用 SPSS 20.0软件进行数据分析。

2 结果与讨论

2.1 近红外对苹果霉心病的判别结果分析

2.1.1 健康苹果和霉心病苹果的近红外光谱图

选择近红外光谱范围为12 000～4 000 cm-1,由图1可知,健康苹果和霉心病苹果的近红外光谱形状相似,并出现了交叉重叠部分,很难直接从光谱图上直观区分出健康苹果和霉心病苹果,因此需要结合主成分分析区分霉心病苹果和健康苹果。

图1 健康苹果和霉心病苹果的近红外光谱图Fig.1 Near infrared spectra of healthy apples and mildew apples

2.1.2 主成分提取

将采集苹果的近红外光谱吸光度全部导出,共有2 074个数据点,形成205×2 074的数据矩阵。由于数据量大,计算复杂,因此利用SPSS 20.0对原始光谱进行主成分提取。由图2可知,前4项、8项、12项和20项主成分的累积贡献率分别达到99.853%、99.983%、99.992%和99.997%,考虑到主成分选取过少可能会造成较大的判别误差,为获较高的判别率,选取前20个主成分进行下一步分析。

图2 原始光谱提取的前20个主成分的累积贡献率Fig.2 The cumulative contribution rate of the first 20 principal components extracted from the original spectrum

2.1.3 基于主成分分析的Fisher判别

原始光谱结合前15个主成分的Fisher判别函数如公式(1)(2)所示：

健康苹果：Y0=-0.602-0.234X1+0.404X2+0.84X3+0.426X4+0.081X5+0.238X6+0.055X7-0.198X8-0.567X9-0.107X10+0.524X11+0.374X12+0.446X13+0.161X14-0.363X15

(1)

霉心病苹果：Y1=-3.076+1.147X1-0.543X2+0.180X3-0.734X4-0.574X5-0.266X6+0.304X7-0.262X8+1.067X9+0.272X10+0.001X11-0.549X12-0.808X13-0.814X14+0.191X15

(2)

式中：Xi表示第i个主成分,i= 1,2,…,15

比较Y0和Y1的数值大小,如果Y0>Y1,则被判为组0(健康苹果),如果Y0

经近红外光扫描后,得到的正常苹果和霉心病果光谱曲线形状相近,难以直接区分,如果选取的主成分数太少,可能会造成大的识别误差；如果选取的主成分数太多,会加大检测难度。由表1可知,随着主成分数的增加,不同主成分数建立的苹果霉心病判别模型的正确判别率亦随之增加,当主成分数选取15个时,建模集预测准确率与选取前20个主成分相等,均为90.3%,且原始光谱提取的前15个主成分建立的Fisher判别函数验证集的预测准确率为72%,高于提取的前20个主成分的准确率,因此主成分数选取前15个最为合适。此外,霉心病苹果验证集的判别率达到80%,而健康果验证集的判别率仅70%。说明模型准确率可能与试验的霉心病苹果发病程度有关,若待测苹果霉心病发病率低则不利于模型的验证。

表1 Fisher判别模型对不同主成分数训练集和验证集的判别结果Table 1 Results of Fisher discriminant model for training sets and validation sets with different principal component numbers

2.1.4 基于主成分分析的多层感知器神经网络

对训练集和测试集的预测准确率见表2。训练集和测试集的总体判别准确率分别为90.5%和87.7%。在测试集中,健康苹果和霉心病苹果的判别准确率分别达到89.4%和80.0%。

表2 MLP神经网络模型对待测苹果训练集和测试集的判别结果Table 2 Results of MLP neural network model for training and test sets

2.2 电子鼻对苹果霉心病的判别结果分析

2.2.1 Fisher判别

Fisher判别方程如公式(3)、(4)所示：

健康苹果:W0=-9 340.922+13 555.112S1-38.575S2-4 136.112S3+7 427.488S4-3 245.635S5+1 535.012S6+79.111S7-1 414.401S8+2 286.279S9+2 585.537S10

(3)

霉心病苹果:W1=-9 300.939+13 715.232S1-

39.183S2-4 386.051S3+7 361.378S4-3 135.557S5+

1 541.941S6+79.825S7-1 425.087S8+2 230.113S9+

2 650.592S10

(4)

式中：Si表示电子鼻第i个传感器,i= 1,2,…,10

比较W0和W1的计算结果,若W0>W1,则被判为组0(健康果),若W0

表3 Fisher判别函数对待测苹果的判别结果Table 3 Result of Fisher discriminant function on apple test

2.2.2 MLP神经网络

由表4可知,MLP神经网络模型训练集总体判别准确率为87.9%,测试集的总体判别准确率为86.2%。但霉心病苹果测试集和训练集的判别结果均较低,分别为64.7%和68%。

表4 MLP神经网络模型对待测苹果的判别结果Table 4 Result of MLP neural network model on apple test

2.2.3 RBF神经网络

由表5可知,通过RBF神经网络模型预测,训练集的总体识别准确率为86.3%,测试集的总体识别准确率为82.4%,但测试集中霉心病苹果识别准确率仅为50%,远低于总体识别准确率。

表5 RBF神经网络模型对待测苹果的判别结果Table 5 Result of RBF neural network model on apple test

综上所述,电子鼻结合Fisher判别函数的建模集的判别结果最好,但验证集的预测准确率均低于RBF神经网络和MLP神经网络。根据建模集和验证集的预测准确率综合考虑,电子鼻结合MLP神经网络模型可以很好地对苹果霉心病进行判别。

3 结论

本文实现了FT-NIR和电子鼻技术对“红富士”苹果霉心病的快速、无损检测。

使用近红外原始光谱提取的前15个主成分建立的Fisher判别函数模型的正确判别率达到最高,为72%；建立的MLP神经网络对苹果霉心病的正确判别率为87.7%，且MLP神经网络测试集中霉心病果的检测准确率更加稳定,因此从验证的准确度和稳定性两方面均可知近红外光谱技术结合MLP神经网络模型可以较好地判别苹果是否得霉心病。但在实际中,由于样品地域、环境、年份等具有局限性,不同品种苹果霉心病发病率可能存在较大差异,若样品的发病率普遍偏低,可能会对模型产生一定的影响,导致准确率下降,因此还需深入研究。

电子鼻可以较好地判别苹果霉心病。从建模集和验证集的预测准确率方面综合比较发现，电子鼻结合MLP神经网络模型对苹果霉心病的判别效果最好,其中训练集预测准确率可达到87.9%,测试集的预测准确率为86.2%。说明电子鼻结合化学计量学的方法对识别苹果霉心病是可行的,为电子鼻应用于苹果霉心病的无损检测提供了重要的依据和技术思路。以后的研究还需针对不同苹果品种做进一步探讨,并结合电子鼻中传感器的优化做进一步研究。

近红外原始光谱与电子鼻均可对苹果霉心病进行很好的识别,考虑到仪器对苹果霉心病的识别准确度以及使用中的效率问题和检测成本因素,FT-NIRS比电子鼻检测苹果霉心病的效果更好。

目前苹果无损检测技术有了巨大的发展和应用,如光谱检测技术、成像检测技术、仿生智能感官检测技术等,本试验中只对近红外光谱检测技术与电子鼻检测技术进行了建模比较。目前的无损检测技术只能从一个方面区分霉心病苹果果实,不能完整地反映霉心病与健康苹果果实理化品质的区别,随着多传感器信息融合技术在食品检测中的应用,可在区分霉心病苹果果实的同时很好地反映果实的理化性质,日后苹果无损检测技术无疑会更加多样化。