基于近红外的PE包装蓝莓新鲜度无损检测

陈雅，姜凯译，李耀翔，彭润东

农产品贮藏加工

基于近红外的PE包装蓝莓新鲜度无损检测

陈雅，姜凯译，李耀翔，彭润东

（东北林业大学 工程技术学院，哈尔滨 150040）

将近红外无损检测技术应用于智能包装生产线上，以快速、准确地检测PE包装蓝莓的新鲜度。以蓝莓含水率和可溶性固形物（SSC）为评价指标，使用SNV、MSC和DT结合UVE处理所获得的光谱数据，通过PLSR和RF建立散装蓝莓和PE保鲜膜包装蓝莓的含水率和SSC预测模型，通过比较校正决定系数c2、验证决定系数p2和均方根误差来验证模型的准确性。建立散装蓝莓含水率预测模型，选择最佳预处理方法为SNV，使用PLSR建模，最佳主成分数为9，c2为0.971，p2为0.933；建立PE保鲜膜包装蓝莓含水率预测模型，选择最佳预处理方法为SNV，使用RF建模，c2为0.923，p2为0.876；建立散装蓝莓SSC预测模型，选择最佳预处理方法为DT结合UVE，使用RF建模，c2为0.942，p2为0.869；建立PE保鲜膜包装蓝莓SSC预测模型，选择最佳预处理方法为MSC结合UVE，使用PLSR建模，最佳主成分数为7，c2为0.849，p2为0.707。通过对比散装蓝莓、PE包装蓝莓两者的预测模型，发现PE膜会影响预测模型的精度但不影响使用，为在智能包装生产线上快速无损检测蓝莓新鲜度提供了一种实用的方法。

蓝莓；含水率；可溶性固形物含量；近红外光谱；无损检测；智能包装生产线

蓝莓果实，别称笃斯、嘟嗜等，产自一种杜鹃花科植物，属于越橘属植物果实[1]，分布十分广泛，在国内主要分布于吉林长白山、黑龙江大兴安岭、长江流域等[2]。蓝莓富含多种营养成分，如花青素、维生素、矿物质等[3]，具有缓解机体氧化衰老，减缓视力疲劳与衰退，预防癌症等保健功能[4]，被广大消费者称为浆果之王，更列为国际粮食组织评定的世界五大健康食品之一[5-6]，产销量逐年递增。蓝莓产品的保鲜期较短，在其实际包装生产线和运输储存过程中，对其新鲜度的检测显得极其重要。现阶段判断蓝莓新鲜的指标主要有含水率、可溶性固形物含量（SSC）、pH值、Vc含量、花色苷等[7-9]，应用广泛的蓝莓新鲜度指标检测均为破坏性实验，程序烦琐，耗时长，效率低，对于高速生产的包装生产线，破坏性检测实验无法针对每个样品进行快速检测，且检测过程会造成产品的损坏，影响产品的售卖。由此，文中旨在研究一种适用于蓝莓包装生产线上的快速无损检测方法，从而迅速准确地获得被包装状态下蓝莓的新鲜度。

近红外分析技术是近年兴起的一种快速无损检测技术，由于其优越的技术特点（无损检测、一次可以测定多种成分、分析速度快、适用范围广），已广泛应用于林业、农业、医药等领域。在很多发达国家和地区，近红外光谱分析技术成为一种对产品质量进行实时分析和检验的主要手段[10]。

近些年，使用近红外技术检测蓝莓的研究逐渐兴起，主要集中于蓝莓的SSC、总酚、花青素、总酸和花色苷等营养成分的检测[11-14]，缺少针对蓝莓包装品的近红外检测方面的研究。为应对智能包装生产线上大批量蓝莓的新鲜度检验，文中使用近红外检测技术，针对蓝莓包装品进行含水率和SSC的检测研究，使用校正集样品建立散装蓝莓和PE保鲜膜包装蓝莓的含水率和SSC预测模型，并通过对比散装蓝莓、PE包装蓝莓两者的含水率及SSC近红外无损检测预测模型，研究PE膜对预测模型的影响，从而为近红外检测技术应用于智能包装生产线上蓝莓包装品的快速无损检测提供技术支撑和数据基础。

1 实验

1.1 材料

实验选用成熟蓝莓，产自云南省昆明市（上海远来鲜食贸易有限公司），经过筛选、剔除烂果后，选取300颗新鲜度均衡的蓝莓作为样品。

1.1.1 散装蓝莓

1）含水率检测样品。在300个蓝莓样品里随机选取80个蓝莓样品（编号为1—80）用于含水率的检测及模型建立。

2）可溶性固形物含量检测样品。在剩余的220个蓝莓样品中随机选取126个蓝莓样品（编号为81—206）用于可溶性固形物含量的检测及模型建立。

1.1.2 PE保鲜膜包装蓝莓

针对市场上蓝莓的塑料包装、纸包装，於虹等[15]研究发现聚乙烯包装的保鲜效果最佳，因此文中选用聚乙烯保鲜膜包装蓝莓进行保鲜包装品的快速无损检测研究。采用浙江瑞康日用品有限公司生产的SH-7701款PE保鲜膜，其透明度较高，密封性能较强，适用于鲜果的保鲜包装，具体参数：厚度为0.1 mm，耐温范围为−60～110 ℃，由5层材料共挤制成（低密度线性聚乙烯LLDPE、中密度线性聚乙烯LMDPE、茂金属METALLOCENE、聚乙烯LLDPE、聚异丁烯PB1300）。

在对散装的206个蓝莓样品进行近红外光谱检测后，对其单个样品进行PE保鲜膜包装，见图1。

图1 PE保鲜膜包装蓝莓样品

1.2 设备

主要仪器与设备：便携式快速扫描光谱仪（LabSpec），美国ASD公司；ML204电子天平，梅特勒-托利多仪器有限公司；电热鼓风干燥箱（101-1A型），天津市泰特仪器有限公司；糖度手持折光仪（0%～32%），上海力辰科技有限公司等。

1.3 方法

将蓝莓置于0 ℃冷藏库贮藏，每隔2 d进行测定，实验周期为16 d。测量前，将所测蓝莓样品置于常温环境2 h，先将蓝莓样品进行光谱数据采集，再进行含水率和SSC的测定。

1.3.1 近红外光谱采集

采用便携式快速扫描光谱仪（LabSpec）进行光谱采集，使用光谱仪先采集206个散装蓝莓样品的近红外光谱，再采集PE包装后的206个蓝莓样品的近红外光谱。

扫描参数：光谱波长为400～2 500 nm（全波段），扫描次数为30，蓝莓样品共206个，每个样品扫描2次，取平均值作为分析光谱数据。采用ViewSpec Pro进行光谱信息转换，使用Matlab R2016a进行光谱数据处理和模型的建立。

1.3.2 蓝莓样品含水率和可溶性固形物含量的检测

选用含水率和SSC作为蓝莓新鲜度的真值检测指标，真值检测方法如下所述。

1）含水率。参照曹建康等[16]的方法，使用烘干称量法检测编号1—80蓝莓样品的含水率（），计算见式（1）。

式中：1为蓝莓的初始质量，g；2为蓝莓干燥后的质量，g。

2）可溶性固形物含量。使用手持折光仪法测定可溶性固形物的含量。分别将编号81—206的蓝莓样品捣碎，用纱布过滤出匀浆，滴1～2滴蓝莓匀浆在手持折光仪棱镜表面进行测试，重复测试3次，取平均值。

1.4 数据处理

使用Matlab R2016a进行光谱数据处理和模型的建立。使用光谱-真值共生数据算法（SPXY）对散装蓝莓和蓝莓包装品进行样品分集，对原始光谱进行多元散射校正（MSC）、标准正态变换（SNV）、去趋势（DT）等3种常用的预处理。结合无信息变量消除法（UVE）提取特征波段，使用偏最小二乘回归法（PLSR）和随机森林（RF）建模。因为文中所用蓝莓样品数量有限，因此使用验证集样品来验证预测模型。通过比较决定系数（2）和均方根误差（RMSE）来验证模型的性能。其中，c2表示校正决定系数，p2表示验证决定系数；RMSEC表示校正集均方根误差，RMSECP表示验证集均方根误差。

2 结果与讨论

2.1 蓝莓新鲜度指标真值分析

对80个蓝莓样品进行含水率的测定，对126个蓝莓样品进行可溶性固形物含量的测定，结果见表1。由表1可知，80个草莓样品的含水率为73.9%～ 85.5%；126个样品蓝莓的可溶性固形物含量为6.9%～17.8%。上述2种真值的数据范围涵盖较广，存在各层次的数值，达到了近红外分析技术建模的标准要求。使用光谱-真值共生数据算法（SPXY）区分校正集和验证集。由表1可知，校正集的真值范围均大于验证集，有利于提高模型精度。由于PE保鲜膜包装蓝莓在散装蓝莓基础上增加了PE保鲜膜，对蓝莓的近红外光谱采集有一定影响，导致光谱-真值的空间距离产生差异，因此对于散装蓝莓和PE保鲜膜包装蓝莓样品需要采用不同的校正集和验证集。

表1 蓝莓样品新鲜度真值分析

Tab.1 True value analysis of blueberry sample freshness

2.2 原始光谱分析

206个蓝莓的散装原始光谱见图2，PE保鲜膜包装蓝莓的原始光谱见图3（选用波长为650～1 800 nm的有效信息波段进行研究，在1 450 nm左右出现少量样品的低微紊乱现象对研究不会造成影响）。分析图2和图3可知，所测206个蓝莓样品近红外光谱的吸光度走势和吸收峰一致，证明206个光谱数据样品均可以进行研究分析。由于含水率的差异，在波长为975 nm和1 186 nm处产生了吸收峰，这也表明水分对蓝莓的近红外光谱有一定影响。由于C—H、C—H2键的影响，在波长1 448 nm处产生了吸收峰，反映果蔬的碳氢和氧氢等基团的倍频吸收谱带，因此从光谱数据中能提取有效的光谱信息。结合真值浓度矩阵，建立含水率和可溶性固形物含量的预测模型可行[10]。

图2 散装蓝莓原始光谱

图3 PE 保鲜膜包装蓝莓原始光谱

PE保鲜膜包装蓝莓原始光谱吸光度的波动范围明显大于散装蓝莓原始光谱，且前者的光谱在1 450 nm左右的紊乱现象更为严重，可见PE保鲜膜对蓝莓的近红外光谱采集有一定影响。将二者进行对比，结果见图4，其中实线为散装蓝莓原始光谱，虚线为PE保鲜膜包装蓝莓原始光谱。二者的吸收峰递增和递减趋势基本上相同，可见PE保鲜膜透光度高，不会影响蓝莓各成分对近红外光的吸收。少量PE保鲜膜包装蓝莓的原始光谱在1 450 nm之后发生了一定的紊乱，可见PE保鲜膜自身的折光性会导致光谱出现少量的失真，对模型的拟合会造成一定影响，从而降低模型的预测精度。后续需要采用光谱预处理方法尽量消除由PE保鲜膜产生的噪音和基线偏移带来的影响。

图4 原始光谱对比

2.3 光谱预处理

近红外光谱数据是样品内部分子结构和物质含量信息的真实反映，而近红外光谱在采集过程中容易受到外界的干扰（如光程、测量角度、样品颗粒度差异等），导致光谱数据产生一定的误差[17-18]。为了更精确地提取数据，反映样品的真实信息，通常使用各种预处理方法对光谱数据进行修正，以此提高光谱数据和真值浓度矩阵之间的相关性，获取更高精度的模型。文中通过Matlab软件，采用多元散射校正（MSC）、标准正态变换（SNV）、去趋势（DT）等3种常用的预处理方法来处理样品的光谱数据，预处理后所得近红外光谱见图5。

由图5可知，SNV预处理对谱图曲线的校正效果最为显著，经MSC预处理后的谱图未发生明显的基线校正。这可能是因为SNV与MSC的区别在于，SNV拟定光谱数据中每个波数的吸光度服从一定的规则[19-20]，经DT与预处理后的光谱校正效果优于MSC，但平滑效果低于SNV。这由于DT的主要作用是消除传感器在数据收集时的偏移，通过删除数据中的趋势来将分析集中于数据本身的波动上。

2.4 提取特征波段

近红外光谱的数据信息较冗杂，为了提高模型的精度，在光谱数据处理时选取有效的波段和区域[21]。文中采用无信息变量消除法（UVE）进行光谱选区，UVE是基于分析最小偏二乘法回归（PLSR）的回归系数算法，可以有效地减少PLSR模型中的变量数，提取有效的波点数据，从而提高模型的精度[22]。

图5 基于不同预处理方式的近红外光谱

含水率模型的精度较高，文中仅使用UVE对SSC模型光谱样品进行特征波段的提取。散装蓝莓SSC样品光谱UVE波段选择结果见图6，PE保鲜膜包装蓝莓SSC样品光谱UVE波段选择结果见图7。以图6—7中横坐标1 151 nm处为分界线，右侧的紊乱波段为算法随机引入的噪音；以右侧的噪音波段界定上下两侧的水平分界线，排除与噪音相关的无效数据后，得到了上下两侧分界线外标记的有效波点数据。

2.5 预测模型的建立与验证

2.5.1 含水率快速检测模型

2.5.1.1 散装蓝莓

不同预处理对预测模型的精度有一定影响，使用最佳光谱预处理建立的预测模型具有更优的预测性能[23]。文中采用60个校正集蓝莓光谱数据，并分别结合SNV、MSC、DT预处理方法建立PLSR和RF模型，采用20个验证集蓝莓光谱数据进行验证。由表2可知，3个预处理PLSR的c2和p2都高于0.9，且RMSE值都低于0.1，表明PLSR模型的精度较高，能达到使用要求；3个RF模型的c2高于0.9，p2高于0.8，RMSEC值基本上高于0.01。对比PLSR和RF模型，PLSR的2明显高于RF的2，且其RMSE值低于RF的RMSE值，证明PLSR模型精度高于RF模型，最优散装蓝莓含水率快速检测模型选择PLSR模型。

图6 散装蓝莓SSC样品光谱UVE波段选择

通过分析模型决定系数2和均方根误差RMSE值来判断最优模型（最优的评价标准是2值越大越好，均方根误差RMSE值越小越好）[24]。3个预处理PLSR的c2和RMSEC值均在0.97和0.004左右，相差不大，比较p2和RMSECP值，三者的RMSECP值都很小，SNV预处理PLSR的p2具有最大值（0.933）。综上所述，最优模型选择SNV预处理PLSR，最佳主成分数（PC）为9，c2为0.971，p2为0.933。

图7 PE保鲜膜包装蓝莓SSC样品光谱UVE波段选择

表2 散装蓝莓含水率不同预处理建模结果

Tab.2 Modeling results of different pretreatment of bulk blueberry moisture content

注：/表示该情况下不需要最佳主成分（下同）。

SNV预处理PLSR的模型散点见图8，校正回归散点见图8a，验证回归散点见图8b。由图8a可知，散点均匀分布在拟合直线两侧，且与拟合直线距离较小，样品的数据和模型间的拟合度较高；由图8b可知，验证集样品均匀分散在拟合直线两侧，样品的验证情况良好，预处理后的PLSR具有良好的预测能力。

图8 SNV预处理PLSR模型散点

2.5.1.2 PE保鲜膜包装蓝莓

采用60个校正集蓝莓光谱数据分别结合SNV、MSC、DT预处理方法建立PLSR和RF模型，使用20个验证集蓝莓光谱数据进行验证。由表3可知，3种预处理PLSR的2都高于0.7，且RMSEC值都低于0.02，表明模型的精度较高，能达到使用的要求；3种RF的2均高于0.8，且RMSEC值都低于0.02，表明模型的精度高，能达到使用的要求。对比PLSR和RF，2种建模方法的RMSEC值相差不大，比较c2和p2，RF的c2和p2均高于PLSR模型的c2和p2，证明RF模型精度高于PLSR模型，最优PE保鲜膜包装蓝莓含水率快速检测模型选择RF模型。

通过分析模型决定系数2和均方根误差RMSE值来判断最优模型（最优的评价标准是2值越大越好，均方根误差RMSE值越小越好）。3种预处理RF的c2均高于0.9且相差不大，RMSEC值和RMSECP值均在0.01左右且相差不大，比较p2，SNV预处理RF模型的p2明显高于MSC和DT处理后的RF模型。综上所述，最优模型选择SNV预处理RF模型，c2为0.923，p2为0.876。

SNV预处理RF的模型散点见图9，校正回归散点见图9a，验证回归散点见图9b。由图9a可见，散点均匀分布在拟合直线两侧，且与拟合直线距离较小，样品的数据和模型间的拟合度较高；由图9b可见，验证集样品均匀分散在拟合直线两侧，样 品的验证情况良好，预处理后的RF具有良好的预测能力。

表3 PE保鲜膜包装蓝莓含水率不同预处理建模结果

Tab.3 Modeling results of different pretreatment of blueberry moisture content packaged with PE film

图9 SNV预处理RF模型散点

2.5.2 蓝莓可溶性固形物含量快速检测模型

2.5.2.1 散装蓝莓

采用100个校正集蓝莓光谱数据，分别通过SNV、MSC、DT预处理结合UVE选择有效信息波段，建立PLSR和RF模型，采用26个验证集蓝莓光谱数据进行验证。由表4可知，3个预处理PLSR的2都高于0.7，且RMSEC值都低于1，表明模型的精度较高，能达到使用的要求；3个RF模型的c2均高于0.9，p2均高于0.7，且RMSEC值都为1左右，表明模型的精度较高，能达到使用的要求。对比2种建模方法模型的c2可知，RF高于PLSR，因此RF模型的精度高于PLSR模型，最优模型在RF建模的3个模型中进行选择。

通过分析模型决定系数2和均方根误差RMSE值来判断最优模型（最优的评价标准是2值越大越好，均方根误差RMSE值越小越好）。比较3个RF模型，明显可见，DT+UVE处理后的RF模型的c2和p2明显高于其余2个模型，RMSEC值明显低于其余2个模型。综上所述，最优模型选择DT+UVE处理后的RF模型，c2为0.942，p2为0.869。

DT+UVE处理RF模型散点见图10，校正回归散点见图10a，验证回归散点见图10b。由图10a可见，散点均匀分布在拟合直线两侧，且与拟合直线距离较小，样品的数据和模型间的拟合度较高；由图10b可见，验证集样品均匀分散在拟合直线两侧，样品的验证情况良好，DT+UVE处理后的RF模型具有良好的预测能力。

2.5.2.2 PE保鲜膜包装蓝莓

采用100个校正集蓝莓光谱数据，分别结合SNV、MSC、DT预处理方法建立PLSR和RF模型，采用 26个验证集蓝莓光谱数据进行验证。由表5可知，3个预处理PLSR的c2为0.8左右，p2均高于0.5，且RMSEC值为1左右，表明模型的精度能达到使用的要求；3个预处理RF模型的c2均高于0.9，p2在0.6左右，RMSEC值低于2，表明模型的精度能达到使用要求。比较2种建模方法建立的模型，RF模型的p2和RMSEC值与PLSR模型相差不大，PLSR模型的RMSECP值明显小于RF模型的RMSECP值，因此，最优模型在3个PLSR中选择。

表4 散装蓝莓SSC不同预处理建模结果

Tab.4 Different pretreatment modeling results of SSC of bulk blueberry

图10 DT+UVE处理RF模型散点

Fig.10 Scatter diagram of RF model processed by DT +UVE

表5 基于PE保鲜膜包装蓝莓的SSC的不同预处理建模结果

Tab.5 Modeling results of different pretreatment of SSC of blueberry packaged with PE film

通过分析模型决定系数2和均方根误差RMSE值来判断最优模型（最优的评价标准是2值越大越好，均方根误差RMSE值越小越好）。3种预处理PLSR的c2为0.75～0.85，RMSEC值与RMSECP值相差不大，比较c2与p2可知，MSC+UVE处理后PLSR的c2和p2明显高于MSC+UVE和DT+UVE处理后的PLSR。综上所述，最优模型选择MSC+UVE处理后的PLSR，最佳主成分数为7，c2为0.849，p2为0.707。

MSC+UVE处理PLSR模型散点见图11，校正回归散点见图11a，验证回归散点见图11b。由图11a可见，散点均匀分布在拟合直线两侧，且与拟合直线距离较小，样品的数据和模型间的拟合度较高。由图11b可见，验证集样品均匀分散在拟合直线两侧，样品的验证情况良好，MSC+UVE处理后的PLSR模型具有良好的预测能力。

图11 MSC+UVE处理PLSR模型散点

2.5.3 散装蓝莓与PE保鲜膜包装蓝莓最佳预测模型对比

散装蓝莓与PE保鲜膜包装蓝莓最佳预测模型的对比结果见表6，4个最佳预测模型的c2和p2均高于0.7，RMSEC值和RMSECP值均低于1，可见无论是散装蓝莓预测模型还是PE保鲜膜包装蓝莓预测模型都能达到较高的检测精度。对比散装蓝莓预测模型和PE保鲜膜包装蓝莓预测模型，散装蓝莓预测模型的c2和p2均高于PE保鲜膜包装蓝莓预测模型，RMSEC值和RMSECP值均低于PE保鲜膜包装蓝莓预测模型，表明散装蓝莓预测模型的预测精度高于PE保鲜膜包装蓝莓预测模型。这是由于PE保鲜膜对蓝莓近红外光谱数据的采集有一定影响，但仍能达到较高的精度要求。

表6 散装蓝莓与PE保鲜膜包装蓝莓最佳预测模型对比

Tab.6 Comparison of best prediction models of blueberries packaged in bulk and PE film

3 结语

以蓝莓为原材料，应用近红外检测技术，使用PLSR和RF分别建立了散装蓝莓含水率快速检测模型、PE保鲜膜包装蓝莓含水率快速检测模型、散装蓝莓可溶性固形物含量快速检测模型和PE保鲜膜包装蓝莓可溶性固形物含量快速检测模型，并对比了散装蓝莓预测模型和PE包装蓝莓预测模型，分析了PE对模型的影响。

1）确立了最优散装蓝莓含水率快速检测模型为SNV预处理的PLSR模型，最佳主成分数为9，c2为0.971，p2为0.933。

2）确立了最优PE保鲜膜包装蓝莓含水率快速检测模型为SNV预处理RF模型，c2为0.923，p2为0.876。

3）确立了最优散装蓝莓可溶性固形物含量快速检测模型为DT+UVE处理后的RF模型，c2为0.942，p2为0.869。

4）确立了最优PE保鲜膜包装蓝莓可溶性固形物含量快速检测模型为MSC+UVE处理模型，最佳主成分数为7，c2为0.849，p2为0.707。

5）对比了散装蓝莓与PE保鲜膜包装蓝莓最佳预测模型，结果表明PE保鲜膜会影响模型预测精度，但仍能达到使用要求。

4个快速检测模型的成功建立，证明了近红外检测技术可以应用于蓝莓包装品含水率和SSC的快速无损检测，为近红外检测技术应用于智能包装生产线上大批量蓝莓的在线检测提供了技术和理论支撑。

[1] AITA S, CAPRIOTTI A, CAVALIERE C, et al. Andean Blueberry of the Genus Disterigma: A High-Resolution Mass Spectrometric Approach for the Comprehensive Characterization of Phenolic Compounds[J]. Separations, 2021, 8(5): 58.

[2] 张天柱. 神奇的紫色食品[M]. 北京: 中国轻工业出版社, 2016: 96-99.

ZHANG Tian-zhu. Magic Purple Food [M]. Beijing: China Light Industry Press, 2016: 96-99.

[3] 张星, 毕金峰, 陈芹芹, 等. 4种浆果成分分析及抗氧化活性研究[J]. 食品科技, 2020, 45(6): 52-58.

ZHANG Xing, BI Jin-feng, CHEN Qin-qin, et al. Components Analysis and Antioxidant Activities of Four Varieties of Berries[J]. Food Science and Technology, 2020, 45(6): 52-58.

[4] 陈子凡, 董莹, 何思东, 等. 蓝莓及其提取物中花青素检测方法的研究[J]. 粮食与食品工业, 2021, 28(3): 69-72.

CHEN Zi-fan, DONG Ying, HE Si-dong, et al. Research Progress on the Detection Methods of Anthocyanins in Blueberry[J]. Cereal & Food Industry, 2021, 28(3): 69-72.

[5] 刘萌, 范新光, 王美兰, 等. 不同包装方法对蓝莓采后生理及贮藏效果的影响[J]. 食品科学, 2013, 34(14): 346-350.

LIU Meng, FAN Xin-guang, WANG Mei-lan, et al. Influence of Different Packaging Methods on Physiological Properties of Blueberry during Postharvest Storage[J]. Food Science, 2013, 34(14): 346-350.

[6] 魏萌. 越橘特征成分分析及其对肉制品中亚硝酸盐和亚硝胺抑制作用研究[D]. 长春: 吉林大学, 2014: 1-4.

WEI Meng. Study on Vaccinium Ingredients and Its Effect on the Inhibition of Nitrite and Nitrosamines in Meat[D]. Changchun: Jilin University, 2014: 1-4.

[7] 张莉会, 李志航, 廖李, 等. 不同保鲜剂对蓝莓保鲜效果的比较[J]. 现代食品科技, 2020, 36(11): 121-129.

ZHANG Li-hui, LI Zhi-hang, LIAO Li, et al. Comparison of Preservation Effects of Different Preservatives on Blueberry[J]. Modern Food Science and Technology, 2020, 36(11): 121-129.

[8] 朱麟, 凌建刚, 康孟利, 等. 不同包装方式对兔眼蓝莓保鲜效果的影响[J]. 食品与发酵工业, 2012, 38(3): 190-193.

ZHU Lin, LING Jian-gang, KANG Meng-li, et al. Effect of Different Package Methods on Quality of Blueberries during Cold Storage[J]. Food and Fermentation Industries, 2012, 38(3): 190-193.

[9] 张丽娟, 夏其乐, 陈剑兵, 等. 近红外光谱的三种蓝莓果渣花色苷含量测定[J]. 光谱学与光谱分析, 2020, 40(7): 2246-2252.

ZHANG Li-juan, XIA Qi-le, CHEN Jian-bing, et al. Prediction of Anthocyanin Content in Three Types of Blueberry Pomace by Near-Infrared Spectroscopy[J]. Spectroscopy and Spectral Analysis, 2020, 40(7): 2246-2252.

[10] PASQUINI C. Near Infrared Spectroscopy: Fundamentals, Practical Aspects and Analytical Applications[J]. Journal of the Brazilian Chemical Society, 2003, 14(2): 198-219.

[11] 王姗姗. 蓝莓可溶性固形物、总酚和花青素近红外光谱检测技术研究[D]. 北京: 北京林业大学, 2012: 13-48.

WANG Shan-shan. Research on near Infrared Spectroscopy for Rapid Measurements of SSC, Total Phenols, and Anthocyanins in Blueberry[D]. Beijing: Beijing Forestry University, 2012: 13-48.

[12] 刘小路, 薛璐, 鲁晓翔, 等. 近红外光谱技术快速无损检测蓝莓总黄酮、花青素的研究[J]. 食品工业科技, 2015, 36(16): 58-61.

LIU Xiao-lu, XUE Lu, LU Xiao-xiang, et al. Fast Non-Destructive Testing of Total Flavonoids and Anthocyanins in Blueberries by Near-Infrared Spectroscope[J]. Science and Technology of Food Industry, 2015, 36(16): 58-61.

[13] 刘小路, 薛璐, 鲁晓翔, 等. 蓝莓可溶性固形物、总酸近红外无损检测模型的建立[J]. 食品与生物技术学报, 2016, 35(7): 752-756.

LIU Xiao-lu, XUE Lu, LU Xiao-xiang, et al. Non-Destructive Testing of Soluble Solids and Total Acidity in Blueberry by Near-Infrared Diffuse Reflectance Spectroscope[J]. Journal of Food Science and Biotechnology, 2016, 35(7): 752-756.

[14] 薛璐, 刘小路, 鲁晓翔, 等. 近红外漫反射无损检测蓝莓硬度的研究[J]. 浙江农业学报, 2015, 27(9): 1646-1651.

XUE Lu, LIU Xiao-lu, LU Xiao-xiang, et al. Non-Destructive Detection of Blueberry Hardness Based on Near-Infrared Diffused Spectroscope[J]. Acta Agriculture Zhejiangensis, 2015, 27(9): 1646-1651.

[15] 於虹, 王传永, 顾姻, 等. 不同包装处理对蓝浆果贮藏期间生理和贮藏性的影响[J]. 果树学报, 2006, 23(4): 631-634.

YU Hong, WANG Chuan-yong, GU Yin, et al. Effect of Different Packaging Treatments on Physiology and Storability of Blueberry Fruit[J]. Journal of Fruit Science, 2006, 23(4): 631-634.

[16] 曹建康, 姜微波, 赵玉梅. 果蔬采后生理生化实验指导[M]. 北京: 中国轻工业出版社, 2007: 31-32.

CAO Jian-kang, JIANG Wei-bo, ZHAO Yu-mei. Guidance for Postharvest Physiological and Biochemical Experiments of Fruits and Vegetables[M]. Beijing: China Light Industry Press, 2007: 31-32.

[17] 韩云云. 一种基于保水剂和滴灌的沙土地开发利用技术研究[D]. 扬州: 扬州大学, 2019: 28-43.

HAN Yun-yun. A Kind of Sand Land Development and Utilization Technology Study Based on Water-Retaining Reagent and Drip Irrigation[D]. Yangzhou: Yangzhou University, 2019: 28-43.

[18] SHAWKY E, SELIM D A. NIR Spectroscopy-Multivariate Analysis for Discrimination and Bioactive Compounds Prediction of Different Citrus Species Peels[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2019, 219: 1-7.

[19] RINNAN Å, VAN DEN BERG F, ENGELSEN S B. Review of the most Common Pre-Processing Techniques for Near-Infrared Spectra[J]. TrAC Trends in Analytical Chemistry, 2009, 28(10): 1201-1222.

[20] BARNES R J, DHANOA M S, LISTER S J. Standard Normal Variate Transformation and De-Trending of Near-Infrared Diffuse Reflectance Spectra[J]. Applied Spectroscopy, 1989, 43(5): 772-777.

[21] 仇逊超, 曹军. 近红外光谱波段优化在东北松子蛋白质定量检测中的应用[J]. 现代食品科技, 2016, 32(11): 303-309.

QIU Xun-chao, CAO Jun. Application of Band Optimization of Near-Infrared Spectra for Quantitative Detection of Proteins in Northeastern Pine Nuts[J]. Modern Food Science and Technology, 2016, 32(11): 303-309.

[22] HE Kai-xun, CHENG Hui, DU Wen-li, et al. Online Updating of NIR Model and Its Industrial Application via Adaptive Wavelength Selection and Local Regression Strategy[J]. Chemometrics and Intelligent Laboratory Systems, 2014, 134: 79-88.

[23] 任东, 沈俊, 任顺, 等. 一种面向土壤重金属含量检测的X射线荧光光谱预处理方法研究[J]. 光谱学与光谱分析, 2018, 38(12): 3934-3940.

REN Dong, SHEN Jun, REN Shun, et al. An X-Ray Fluorescence Spectroscopy Pretreatment Method for Detection of Heavy Metal Content in Soil[J]. Spectroscopy and Spectral Analysis, 2018, 38(12): 3934-3940.

[24] 张磊, 丁香乾, 宫会丽, 等. 改进和声搜索算法的近红外光谱特征变量选择[J]. 光谱学与光谱分析, 2020, 40(6): 1869-1875.

ZHANG Lei, DING Xiang-qian, GONG Hui-li, et al. Research on near Infrared Spectral Feature Variable Selection Method Based on Improved Harmonic Search Algorithm[J]. Spectroscopy and Spectral Analysis, 2020, 40(6): 1869-1875.

Nondestructive Detection of Freshness of PE Packaged Blueberries Based on NIR

CHEN Ya, JIANG Kai-yi, LI Yao-xiang, PENG Run-dong

(College of Engineering and Technology, Northeast Forestry University, Harbin 150040, China)

The work aims to apply near infrared nondestructive testing technology to the intelligent packaging production line to detect the freshness of blueberries packaged with PE film accurately and rapidly. The moisture content and soluble solids content (SSC) of blueberries were taken as evaluation indexes. Furthermore methods of SNV, MSC and DT combined with UVE were used to obtain spectral data. Then PLSR and RF were used to build prediction models of moisture content and SSC of bulk and PE packaged blueberries. The accuracy of model was verified by comparing the determination coefficient and root mean square error. The prediction model of moisture content of bulk blueberries was established. SNV and PLSR were the best pre-processing and modeling methods, respectively. The best PCA was 9,c2was 0.971,p2was 0.933; For establishing a prediction model of moisture content of blueberries packaged with PE film, SNV and RF were the best pre-processing and modeling methods, respectively.c2was 0.923,p2was 0.876; For establishing a prediction model of SSC of bulk blueberry, DT combined with UVE, and RF were the best pre-processing and modeling methods, respectively.c2was 0.942,p2was 0.869; For establishing a prediction model of SSC of blueberries packaged with PE film, MSC combined with UVE, and PLSR were the best pre-processing and modeling methods, respectively. The best PCA was 7,c2was 0.849,p2was 0.707. By comparing the prediction models of bulk blueberries and PE packaged blueberries, it is found that PE film affects the accuracy of the prediction model, but doesn't affect the use of it. The work provides a practical method for rapid nondestructive testing of blueberry freshness in intelligent packaging production line.

blueberry; water content; soluble solids; near infraredspectroscopy; nondestructive testing; intelligent packaging production line

TB487

A

1001-3563(2022)07-0001-10

10.19554/j.cnki.1001-3563.2022.07.001

2021-08-03

中央高校基本科研项目（2572017BB07）；东北林业大学“双一流”项目（41113253）

陈雅（1999—），男，东北林业大学硕士生，主攻近红外检测技术。

姜凯译（1986—），男，博士，东北林业大学讲师，主要研究方向为包装工程、3D打印技术。

责任编辑：彭颋