基于近红外光谱技术的猕猴桃品质检测研究进展

胡静，黄金发，刘小丹，3，毕洁，3，王加华，4，肖安红，3，舒在习，戴煌，4*

（1.武汉轻工大学 食品科学与工程学院，湖北 武汉 430023；2.山东新希望六和集团有限公司，山东 青岛 266100；3.武汉轻工大学 大宗粮油精深加工教育部重点实验室，湖北 武汉 430023；4.湖北省农产品加工与转化重点实验室，湖北 武汉 430023）

猕猴桃酸甜可口、质地柔软，富含人体所需的维生素、氨基酸、抗氧化剂和矿物质等多种营养成分，有“水果之王”的美誉，深受消费者青睐。我国是目前世界上猕猴桃栽培和出口的主要国家之一。猕猴桃属于呼吸跃变型果实，采后成熟、衰老迅速，果实质地极易软化腐烂变质，货架期较短。快速、准确地检测猕猴桃品质成为消费者、生产者和管理者共同关注的技术问题。

猕猴桃的外部品质（颜色、大小、形状、硬度、表面缺陷等）和内部品质（糖度、酸度、可溶性固形物、损伤等）是果实品质分级和定价销售的重要参考指标。猕猴桃外部品质可以通过计算机视觉技术进行很好的检测[1]，但猕猴桃内部品质检测方法主要为有损检测，费时费力，且在实际生产应用中未实现全样本测量，无法满足新品种培育和消费市场的高通量检测需求。因此，探索准确、快速、无损的猕猴桃内部品质检测方法对猕猴桃育种、栽培和采后贮藏销售等具有重要意义。近红外光谱（near-infrared spectroscopy，NIRs）技术是一种通过物质对光的特性获取待测物样本组成成分和分子结构等信息进行无损检测的技术，具有高效、成本低以及多组分同时检测等优点，广泛应用于食品、制药、化工、农业等领域。随着NIRs研究的深入以及猕猴桃产业的发展，NIRs在猕猴桃品质检测中的应用潜力巨大，本文重点综述了NIRs技术在猕猴桃内部品质检测中应用的研究进展，以期为NIRs发展提供参考。

1 近红外光谱技术

用于猕猴桃品质检测的NIRs技术主要有近红外光谱和近红外高光谱成像技术。近红外光是波长介于可见光与中红外光之间的电磁波，其谱区为780 nm～2 526 nm。能量跃迁包括基频跃迁、倍频跃迁、合频跃迁，所有近红外吸收谱带都包含中红外吸收基频（4 000 cm-1～1 600 cm-1）的倍频跃迁及合频跃迁，其中以含氢基团为主，包括C-H、O-H、S-H、N-H等，也有其他基团的信息（如C=C、C=O等），但其强度相对较弱。NIRs的采集方式主要有透射式、漫反射式、漫透射式，其中漫反射法不受水果表面特性的影响，接受的光谱信息全部反映水果内部组织的特性，准确度最高，研究应用最广泛[2-5]。猕猴桃品种、产地、温度、硬度、贮存期、质量及表面特性等特性参数影响近红外光谱信息，在利用NIRs检测过程中需要充分考虑这些影响因素[6-8]。

近红外高光谱成像是在近红外光波段对目标区域同时成像，通常包含数十到数百个波段。通过高光谱成像方法获得的高光谱图像具有更丰富的图像和光谱信息，实现了光谱与图像的融合，可以快速、无损地检测研究对象内外部特性，近年来在农产品品质与分级中获得了广泛的应用[9]。

NIRs技术检测猕猴桃品质指标的基本原理和操作：猕猴桃内部品质指标由对应的化学成分组成，成分中的基团对近红外光进行吸收，呈现不同特性的光谱。定标样本的NIRs包含结构和组成等信息，品质指标与其结构、成分具有相关性。因此，样本的光谱与品质指标的测量值也具有一定相关性，采用化学计量学方法对品质指标的测量值进行关联，确立两者之间的定量或定性关系，建立相应的评判模型。完成建模过程后，无需将待预测样本的品质指标进行生化检测，仅需采集待预测样本的光谱带入所建立的模型即可对待测样本中的品质指标进行定性、定量分析[10]。

2 近红外光谱技术检测猕猴桃品质研究进展

2.1 硬度检测

硬度是衡量猕猴桃品质及耐贮性的重要指标之一，通常用来确定水果的成熟度与采摘时间，猕猴桃属于后熟型水果，为了延长其贮藏期，经常采摘还未成熟的果实，硬度为制定猕猴桃的储藏、包装和运输等环节提供重要参考依据。Mcglone等[11]在800 nm～1 100 nm近红外光波段中测试了采后猕猴桃硬度与红外光谱之间的关系，发现NIRs与果类的糖度具有关联性，但效果不佳。为了提高准确性，刘卉等[12]采用一阶微分光谱建立偏最小二乘回归法（partial least squares regression，PLSR）模型，预测冷藏期间猕猴桃硬度，效果较好，其校正相关系数为0.963，预测相关系数为0.852。为了简化硬度的预测模型，研究者利用改进区间PLSR算法优选建模波段并结合光谱预处理方法，建立NIRs预测猕猴桃硬度模型[13]。孟庆龙等[14]获取不同成熟期“贵长”猕猴桃的反射光谱，利用连续投影算法（successive projections algorithm，SPA）和竞争性自适应重加权算法（competitive adaptive reweighting algorithm，CARS）提取特征波长，从1 024个全波段中提取了42个特征波长，建立的CARS结合多元线性回归模型具有最佳的校正性能和预测性能，其校正集相关系数和预测集相关系数分别为0.91和0.85。与全光谱相比，优化后的模型减少了冗余信息，提升了预测模型的检测效率，可用于预测猕猴桃硬度。NIRs检测猕猴桃硬度速度快，准确性高，而且无需损坏猕猴桃果实，可用于果实的快速分级，在实际应用中有很大潜力。

2.2 可溶性固形物含量检测

可溶性固形物含量（soluble solids content，SSC）是指包括糖、酸、维生素等可溶于水的物质含量，且可通过一定比例换算成含糖量（糖度），是衡量猕猴桃成熟度的重要指标之一。陈香维等[15]利用傅里叶漫反射NIRs建立猕猴桃糖度与NIR的定量分析PLSR模型，并对不同果园、贮藏期和质量的样品所建立的糖度预测模型进行对比，发现NIRs与糖度含量之间呈显著的线性相关，预测模型相关系数R2可达到0.936，而且随着建模样品量及成分含量梯度的增大，预测模型通用性提高，而准确性降低。Li等[16]和Sarkar等[17]采用手持便携式NIRs测定猕猴桃果实SSC，发现非线性支持向量机（support vector machine，SVM）回归法在预测耐寒猕猴桃果实SSC方面优于线性PLSR法。蔡健荣等[18]利用小波滤噪法对猕猴桃1 000 nm～2 500 nm近红外光谱进行预处理，采用联合区间偏最小二乘法取全光谱中3个子区间联合建立的糖度模型效果最佳，不但减少建模运算时间，剔除噪声过大的谱区，而且预测能力和精度比全光谱均有提高，其校正集相关系数和预测集相关系数分别为0.941 4和0.929 5。

近红外高光谱成像技术也可用于无损检测猕猴桃SSC，董金磊等[19]基于猕猴桃900 nm～1 700 nm波长的反射高光谱，建立了预测SSC的PLSR、SVM及误差反向传播（error back propagation，BP）神经网络模型，发现BP神经网络模型与SPA相结合具有最好的预测性能，预测相关系数为0.924。Ma等[20]利用物体旋转近红外高光谱成像方法无损快速测绘完整猕猴桃样本中SSC和pH值的空间分布，其预测相关系数分别为0.74和0.64。Hu等[21]利用近红外高光谱成像技术快速、无损地监测1-甲基环丙烯（1-methylcyclopropene，1-MCP）诱导的“海沃特”猕猴桃成熟过程中糖积累的调节，用0.5 μmol/L 1-MCP在23℃下处理猕猴桃24 h，25℃保存20 d后成熟，利用反射光谱建立了切片样品中糖含量的预测模型，对葡萄糖、果糖和蔗糖的预测集相关系数分别为0.934、0.867和0.705。高光谱成像技术可用于无损检测猕猴桃的SSC，使猕猴桃内部品质的工业化分级成为可能。然而，建立光谱定量分析模型时，样品组成和性质应该覆盖分析样品的组成和性质的整个变化范围，以更好地满足实际应用的需要。

2.3 干物质检测

猕猴桃干物质含量是衡量猕猴桃品质指标之一。主要由碳水化合物组成，包括可溶性的糖类和不可溶的淀粉、各种结构碳水化合物。收获前猕猴桃干物质含量与采后SSC相关。Lue等[22]利用联合区间偏最小二乘算法对未成熟猕猴桃近红外光谱干物质的特征波长区域进行有效选择，并进行干物质预测，其校正集相关系数为0.92。Santagapita等[23]利用傅里叶变换NIRs无损快速预测不同成熟阶段猕猴桃原料的加工特性指标，研究成熟和未成熟猕猴桃的渗透脱水过程中参数（干物质、SSC、水自扩散系数和硬度）与NIRs之间的关系，建立的PLS模型成功预测4项参数，其预测集相关系数大于0.772。Sohaib等[8]系统研究了猕猴桃成熟过程中干物质的NIRs变化情况，比较了PLSR和SVM模型预测干物质变化情况，发现NIRs能很好预测储藏过程中干物质变化。NIRs可以预测未成熟猕猴桃的干物质含量，为猕猴桃的采摘和后熟提供参考依据。

2.4 酸度检测

史敏[24]利用NIRs研究了不同货架期、采收时间及品种的猕猴桃品质指标与NIRs之间的内在联系，建立了猕猴桃的酸特征峰值与酸度值之间的回归模型。Lee等[25]采用NIRs对来自3个果园的猕猴桃样品进行分析，建立了NIRs预测猕猴桃酸度的PLSR模型，其预测集相关系数为0.91，为建立成熟猕猴桃分选标准提供了参考。Ciccoritti等[26]结合NIRs和化学计量学根据成熟时间和消费者的接受程度对3种绿肉猕猴桃进行分类，正确率达99%，建立的PLSR模型对可滴定酸含量预测相关系数为0.933。NIRs可成功地用于提高猕猴桃采收期和贮藏期的质量控制，以及在分发前对样品进行识别和分离，以减少果实损失。

2.5 生长调节剂检测

氯吡脲作为植物生长调节剂，广泛应用于果蔬生产中，植物生长调节剂在猕猴桃生产中的滥用对猕猴桃的品质造成了一定的影响。吴昕如等[27]利用NIRs快速检测不同浓度氯吡脲的猕猴桃汁，利用二维相关光谱提取特征波段建立PLSR方法，猕猴桃中氯吡脲的预测值与实际值的相关系数为0.958 8，模型的预测准确性良好。NIRs可以应用于猕猴桃中氯吡脲的快速检测。高振红等[28]利用近红外高光谱技术对施药猕猴桃进行无损识别，建立的SVM模型对施药样品氯吡脲的残留量为0.03 mg/kg（空白样品残留量为0 mg/kg）的正确识别率为94.4%。Liu等[29]利用近红外高光谱成像技术从未加氯吡脲处理的猕猴桃中识别氯吡脲处理的猕猴桃，优化后的SPA-SVM模型具有更好的识别性能，训练集和预测集判别正确率均达到100%，近红外高光谱成像技术能快速准确鉴别出氯吡脲处理的猕猴桃。Liu等[30]进一步研究了氯吡脲处理对猕猴桃采后的近红外光学性质的影响，发现用高浓度氯吡脲处理的猕猴桃在1 190 nm处的平均吸收系数大于低浓度处理样品，与果肉相比，果皮的吸收系数和散射系数具有更大的标准偏差，并且随着储存时间的增加其波动更大。因此，采用近红外高光谱技术可以有效识别植物生长调节剂，能够满足猕猴桃生产及管理需要，对猕猴桃产业的健康发展具有重要的意义。

2.6 损伤检测

猕猴桃在采摘、包装、贮运等诸多环节中常因碰撞或挤压造成不同程度的机械损伤，损伤果的呼吸强度高于无损果，会加快无损果的后熟，导致果实生理代谢紊乱、缩短贮藏期；同时还会滋生致病腐败微生物，增加无损果被侵染的风险。由于猕猴桃果皮颜色较深，采摘、运输时果实坚硬，碰撞和挤压造成的暗伤很难被肉眼识别，因此快速、准确且简易的损伤果实识别技术，对于减少猕猴桃采后腐烂损失和保证产品质量具有重要的意义。Gao等[31]利用NIRs和高光谱成像技术检测有16 d内压迫和撞击伤痕的猕猴桃，发现样品在980 nm和1 175 nm处的吸收系数先升高，在瘀伤后随时间降低。瘀伤后的猕猴桃在950 nm～1 360 nm特定波长下的散射系数先下降，而后随时间延长而增加。同时，受伤样品的吸收系数明显小于非受伤样品（P＜0.05），瘀伤引起细胞破裂并降低硬度。郭文川等[32]采用NIRs结合极限学习机建立了采摘后2℃冷藏下10 d内的碰撞损伤猕猴桃、挤压损伤猕猴桃与无损猕猴桃的动态判别模型，发现碰撞损伤猕猴桃比挤压损伤猕猴桃更容易同未损伤猕猴桃区分开来，且随着贮藏时间的延长，损伤猕猴桃更容易被识别，所建模型对采后贮藏10 d内预测集中损伤猕猴桃的识别率为92.4%。经过后期优化后，模型能鉴别出贮藏1 d的碰撞损伤猕猴桃、挤压损伤猕猴桃[33]。该技术具有较高的检测精度和适用性，可用于损伤猕猴桃的快速无损鉴别。为了研究识别早期隐性损伤猕猴桃的方法，迟茜等[34]采集了完好无损和隐性损伤1 h～3 h内“华优”猕猴桃的900 nm～1 700 nm近红外高光谱，优化后的算法对隐性损伤猕猴桃的正确识别率为95.7%。猕猴桃在低温贮藏过程中易发生生理紊乱，Burdon等[35]利用NIRs结合化学计量学对猕猴桃低温储藏期冷害风险进行预警，效果良好。近红外散射技术在鉴别猕猴桃瘀伤、冷害等缺陷方面具有巨大的潜力[36-37]，该技术有助于了解於伤对猕猴桃光学特性的影响，并更好地应用近红外光谱和高光谱成像技术来检测具有瘀伤的猕猴桃，其在猕猴桃损伤检测中应用潜力大。

2.7 微生物检测

微生物污染水平是衡量猕猴桃冷藏过程中品质优劣的关键指标之一。传统的微生物检测方法主要为生化检验，操作程序繁杂，检测周期长，导致质量和安全监测滞后。NIRs能够实现食品微生物的快速无损检测，提高效率、降低成本、保证食品质量安全。闫思雨等[38]研究利用NIRs建立4℃冷藏过程中鲜切猕猴桃片菌落总数的预测模型，实现鲜切猕猴桃片4℃冷藏过程中微生物污染水平实时动态监控，预测集相关系数为0.958 1。耐渗透酵母菌对猕猴桃腐败的识别在食品安全检测中具有重要意义，Niu等[39]采用NIRs对5种耐渗透酵母菌污染的猕猴桃汁进行光谱采集，利用CARS法选择的波长建立SVM模型对单个菌株识别的总正确率达100%，为耐渗透酵母腐败的检测提供参考。NIRs能够有效地检测微生物，然而食品微生物种类繁多，在采集样本的光谱过程中，样本基质、微生物的种类、生长时间对光谱有干扰，并最终影响模型的准确度和检测限，需采集大量的样本光谱与样本的测量参考值，特别是在微生物感染的早期，其光谱变化不明显，需要耗费大量精力和时间进行前期的定标建模。

3 总结与展望

NIRs技术具有高效、无损检测和工作快速的特点，在很大程度上减轻了猕猴桃品质检测的工作量，能快速准确地检测猕猴桃生长、储藏、货架期等过程中内部成分的含量，有助于猕猴桃在供应链中品质变化的管理，确保猕猴桃消费时达到最佳食用品质。NIRs检测技术在猕猴桃产业的品质检测应用过程中仍有一些困难有待解决。在硬件设备方面，随着硬件组件的不断发展，需要更多的开发商/制造商进入市场，来降低检测仪器成本，使得NIRs技术更具经济可行性，同时要注意开发便携式或手持设备来满足市场需求。在软件方面，光谱数据的处理和定标模型的建立是猕猴桃NIRs检测技术研究的核心问题，目前越来越多的先进数据分析技术和算法用于模型的建立，在建立研究定标模型时，应充分考虑品种、温度、检测位置等因素的影响，有必要优化校准程序，包括采集和测量适当范围的校准样品，建立有效的质量控制协议，并纳入简单的校准更新程序，同时考虑不同检测仪器间的通用性。多传感器数据融合在猕猴桃品质评估中的前景巨大，NIRs评估数据与其他技术数据的融合可以产生与采后管理相关的属性信息，其效果超过单一方法。例如在包装生产线联合使用NIRs设备、称重传感器和三原色摄像机对猕猴桃进行分级，过程中可能涉及深度神经网络和其他人工智能技术，向数字化、智能化、全面化的发展，整合多样化的信息和措施仍然是一个挑战。随着科技的进步，NIRs分析技术必将成为猕猴桃无损检测的经济、有效且极具发展前景的分析技术之一，创造良好的经济效益和社会效益。