南瓜干燥过程中β-胡萝卜素的多源融合预测

宁文楷,李 静,沈晓东,吴 鑫,李臻锋,*

(1.江南大学 机械工程学院,江苏 无锡 214122; 2.江苏省食品先进制造装备技术重点实验室,江苏 无锡 214122)

南瓜在我国种植广泛,由于其含水率较高,即使在低温环境下也很难长期储藏,而干燥是南瓜重要的加工方式[1]。在果蔬干燥中,微波干燥被广泛利用,采用微波干燥工艺可有效提高物料的营养物质保留率[2-3]。

β-胡萝卜素作为南瓜代表性营养物质,在人体内可以转化为维生素 A,具有增强机体免疫力、抗癌等功能[4],其含量是衡量南瓜干制品品质的重要指标。但传统检测过程复杂且周期长,无法满足自动化生产需要的快速、无损检测。

对大多数果蔬产品来说,外观形态与品质有着极其密切的关系,果蔬的外观形态已成为评价其品质的一个重要指标[5]。机器视觉作为一种无损检测方法,对果蔬的外观形态(颜色、大小、形状)检测识别效率较高。Zhu等[6]利用机器视觉提取茶叶色泽和纹理特征,结合神经网络实现了成品茶的感官品质预测;Chen等[7]研究表明,机器视觉提取的外观特征值R、G、B、|d(G-R)/dt|、|dR/dt|和|dG/dt|,可以准确预测绿茶固定阶段的叶绿素、茶多酚和氨基酸内在品质的含量;Yadav等[8]和 Gupta等[9]使用机器视觉获取盆栽马铃薯叶片图像,结果表明,基于数字图像提取的 RGB 值可以客观及时地预测叶绿素含量。

然而,机器视觉检测技术所提供的信息单一,具有一定局限性。果蔬加工过程中,品质变化必然会伴随着风味改变[10],电子鼻是一种快速分析气味的仪器,可用于快速判断样品干燥过程中的风味特征变化。若将机器视觉与电子鼻融合,可使获取的信息更加全面,更有利于对果蔬品质的精准预测。徐海霞[11]利用机器视觉和电子鼻提取了菠菜的颜色特征和气味特征,结合神经网络实现了对菠菜新鲜度等级的判别,结果表明将机器视觉和电子鼻结合可有效提高菠菜新鲜度等级判别率。

本文以南瓜微波干燥为例,以机器视觉获取的外观形态(表面皱缩率、色差)和电子鼻获取的气味特征为自变量,南瓜干燥过程中β-胡萝卜素含量为因变量,建立极限学习机单源(机器视觉或电子鼻)和多源融合(机器视觉融合电子鼻)预测模型,以期在干燥过程中快速准确地获取南瓜β-胡萝卜素含量。

1 材料与方法

1.1 材料

实验采用蜜本南瓜,购买于江南大学天惠超市。要求南瓜大小、色泽、粗细统一均匀,表面无明显损伤,并于0～5 ℃温度下冷藏。

1.2 仪器与设备

本研究搭建了包含含水率在线监测单元、机器视觉单元、电子鼻气味检测单元和温度控制单元的南瓜微波干燥系统,如图1所示。系统各检测、控制及图像处理单元的程序均采用NI-LabVIEW 2015编写。

图1 试验系统示意图Fig.1 Schematic diagram of the test system

微波干燥及温度控制系统由微波炉(EM7KCGW3-NR,美的集团股份有限公司)、荧光光纤测温仪(HQ-FTS-I4A01,西安和其光电科技有限公司)、数据采集卡(NI USB-6008,National Instruments,Texas,美国)和晶闸管(LSA-H3P50YB,深圳市博得电子科技有限公司)组成。含水率在线监测单元由电子秤(ES5000,天津德安特传感技术有限公司)、计算机硬件及软件系统组成。机器视觉单元由工业相机(RS-500 C,深圳市锐视时代科技有限公司)、计算机硬件及软件系统组成。电子鼻单元由电子鼻(PEN3,AIRSENCE,德国)、抽气泵、冷凝装置、计算机硬件及软件系统组成。

1.3 试验方法

1.3.1 干燥加工

将新鲜南瓜处理干净后,选择大小适中的中段部分,在南瓜片的表皮下大致2～7 mm区域进行取样操作,切成15 mm×15 mm×15 mm的小块。实验过程中,样品均匀摆放在物料筐中,分别进行微波干燥(60 ℃、70 ℃、80 ℃)。在90%～10%含水率区间内每隔5%含水率进行图像采集、气味检测及品质测定。重复实验10次,每个干燥条件测得170组实验数据。

1.3.2β-胡萝卜素含量测定

采用紫外分光光度法测定β-胡萝卜素含量[12]。

1.3.3 表面皱缩率及色差检测

采用工业相机获取图像像素为4 096 pixel×2 160 pixel,帧率为32 Hz,曝光时间为1/100 s,信噪比38 dB,对相机闪光灯选择禁用状态。相机镜头25 mm ZX-SF2520C,垂直位于样品正上方30 cm处。光源采用ZX-LA7000环形光源,功率为10 W。

由于采集到的原始图像黄色成分大于其他颜色,通过强调红色与绿色成分、抑制蓝色成分的方法将原始图像转化为灰度图像。由于图像采集的过程中存在硬件差异和环境干扰,得到的图像会出现噪声,采用自适应中值滤波对原图进行处理,采用双阈值二值化处理方法对图像进行二值化处理,最后进行腐蚀和膨胀处理[13]。因为使用的镜头是固定焦距镜头,焦点是背景板,所以滤波后的二值图像的黑色范围的面积等于南瓜横截面的面积。在二值图像中,黑色区域对应于值为1的目标范围,白色区域代表值为0的背景。

图像初步处理后进行特征提取。首先使用像素计数方法来确定目标区域面积,提取鲜样(含水率90%)图像中的黑色像素点数量,记为N0,然后将各含水率下图像的黑色像素点数量Nt与N0进行比值,计算出各含水率下物料的相对皱缩程度[14],计算出各含水率下物料的相对皱缩程度SA,SA值越小,说明物料皱缩程度越大。此外,通过图像采集程序,提取物料RGB值,进一步转化为L*、a*、b*值,计算出各含水率下物料相对于鲜样的色差变化情况[15],色差越大,说明物料颜色变化越显著。

计算公式如下:

(1)

(2)

式中,N0是样品初始表面积像素点个数;Nt是t时刻干燥样品的表面积像素点个数;SA是干燥样品的表面皱缩率,%;L0、a0、b0为鲜样测定值,L*、a*、b*为干燥过程中测定值。

1.3.4 气味特征检测

PEN3电子鼻采用顶空进样法,将PEN3电子鼻进样口的针头插入集气瓶,吸取集气瓶中的气味用于最终结果分析,测定条件为:传感器归零时间5 s、采样时间80 s、进样气流400 mL·min-1。每次检测后,均需将PEN3电子鼻清洗至传感器响应值至初始值后,再进行后续实验数据的检测分析。以此循环进行第二次顶空采样测量,直至干燥结束。为了确保实验的准确性,选取传感器趋于稳定时期的数据进行分析[16]。

该电子鼻内部安装有10个特定的传感器,它的主要原理是当待挥发性物质与相应类型的传感器接触时,传感器的电导率会发生不同程度的改变,且传感器响应值会偏离于1。如果没有感应到相应的气味或是感应到的气味浓度过低,那么检测结果将无限接近甚至等于1。PEN3电子鼻内部的这10个特定的传感器均有其对应的敏感物质类型,10个传感器对应的敏感物质类型见表1。

表1 PEN3电子鼻传感器及其性能描述Table 1 PEN3 electronic nose sensor and its performance description

1.3.5 降解动力学的建立

分别用一级、二级和三级降解动力学来描述β-胡萝卜素的降解[17],计算公式如下:

(3)

(4)

(5)

式中,C0表示未干燥南瓜中β-胡萝卜素的初始含量(mg·kg-1);Ct表示一定干燥条件下干燥tmin后南瓜中β-胡萝卜素的含量(mg·kg-1);k表示相应干燥条件下的反应速率常数(min-1);t表示干燥时间(min)。

1.3.6 预测模型的建立

为探究单源与多源融合模型对β-胡萝卜素含量的预测效果,建立基于ELM算法的3种预测模型。机器视觉预测模型以横、纵截面皱缩率及色差3个指标为自变量,以β-胡萝卜素含量为因变量;电子鼻预测模型以传感器2、6、7、9响应值4个指标为自变量,以β-胡萝卜素含量为因变量;多源融合预测模型以横、纵截面皱缩率,色差,电子鼻传感器2、6、7、9共7项指标为自变量,以β-胡萝卜素含量为因变量。

将60、70、80 ℃ 3种温度下得到的实验数据分为两组,其中2/3数据作为校正集进行建模分析,1/3 作为预测集进行模型预测性能的评价,并对3个预测模型的效果进行对比分析。

1.3.7 数据统计分析

采用 SPSS 19.0 软件进行数据统计分析和Pearson 相关性分析,采用Matlab软件进行预测模型分析,采用LabVIEW软件进行图像处理及图像特征值提取,采用Origin软件进行实验数据分析及动力学拟合。

2 结果与讨论

2.1 不同温度对含水率及干燥速率影响

不同温度下南瓜含水率随干燥时间的变化曲线如图2-a所示。干燥初期物料内部温度逐渐上升,含水率缓慢下降;干燥中期大量自由水从物料内部去除,含水率迅速减少,且温度越高含水率减少速度越快,对应的曲线越陡;干燥后期主要去除物料内部不易脱出的半结合水和结合水[2],脱水速度慢,含水率曲线下降趋势变缓,基本趋于稳定。随着干燥温度升高,干燥时间变短,60、70、80 ℃条件下,干燥结束时所用的干燥时间分别为180、130、90 min。

图2 不同干燥温度对南瓜干燥特性影响Fig.2 Effects of different drying temperatures on drying characteristics of pumpkin

不同温度下南瓜干燥速率随含水率的变化曲线如图 2-b所示。含水率由90%降为80%区间内,物料中大量水分子受到微波作用产生热量,在微波的驱动下,物料内部大量的自由水顺着温度梯度方向从物料内部的孔道向物料表面迁移[18],因此随着物料内部温度升高,干燥速率随之增大,此区间为升速干燥阶段(rising rate drying period, RRP);含水率由80%降为60%区间内,自由水开始向半结合水发生转变,造成物料内部水分向外扩散速率小于表面水分蒸发的速率,干燥速率快速下降,此区间为快速下降阶段(fast falling rate drying period, FFRP);含水率由60%降为10%区间内,物料体积收缩严重,细胞间隙变小,使得内部结合水迁移阻力增大,造成干燥速率极低,60、70、80 ℃下平均干燥速率分别为0.03%·min-1、0.06%·min-1、0.08%·min-1,此区间为缓慢下降阶段(slow falling rate drying period, SFRP)。

2.2 不同干燥温度对β-胡萝卜素含量影响

干燥过程中β-胡萝卜素含量变化如图3所示,RRP和FFRP 阶段,β-胡萝卜素含量快速下降,主要是干燥初期和中期干燥速率较高,加速了β-胡萝卜素的氧化降解。SFRP阶段,不同干燥温度下物料β-胡萝卜素含量缓慢下降,主要考虑是干燥后期物料内部含水率较低,低水分活度会促使β-胡萝卜素降解[19-20],除此之外,干燥后期物料内部组织结构遭到大量破坏,会增大β-胡萝卜素与氧气的接触面积,大量β-胡萝卜素氧化降解[21]。

图3 不同干燥温度对南瓜β-胡萝卜素含量影响Fig.3 Effects of different drying temperatures on β-carotene content of pumpkin

70 ℃干燥温度条件下,β-胡萝卜素保留率维持在50%以上,与80 ℃、60 ℃条件相比有较高的保留率,可能是60 ℃条件下,物料干燥时间过长,会增加β-胡萝卜素光氧化降解时间[18];干燥温度80 ℃高温会提高酶的活性,促进热氧化降解[22],降低其保留率。

2.3 不同干燥温度对外观形态影响

通过视觉检测模块,对物料干燥过程中的实时图像进行采集,采集到不同含水率下的图像如图4所示。

图4 不同干燥温度下南瓜外观形态采集图像Fig.4 Collected images of pumpkin appearance at different drying temperatures

2.3.1 不同干燥温度对南瓜表面皱缩影响

将图4图像特征值提取后,可得到干燥过程中南瓜横、纵截面皱缩率变化如图5-a、5-b所示。RRP和FFRP 阶段,随着含水率逐渐降低,横纵截面皱缩率快速增加;SFRP阶段,横纵截面皱缩率缓慢增加。通过Pearson相关性分析可知,表面皱缩变化与β-胡萝卜素变化的相关系数大于0.9,具有较强相关性。

a,纵截面;b,横截面。a, Longitudinal section; b, Cross section.图5 不同干燥温度对南瓜表面皱缩的影响Fig.5 Effect of different drying temperatures on surface shrinkage of pumpkin

在相同含水率时,温度越低纵截面的表面皱缩率越高,60 ℃条件下的最终干制品纵截面皱缩率最大,为84.88%;80 ℃条件下的最终干制品纵截面皱缩率最小,为77.06%。而80 ℃条件下的最终干制品横截面皱缩率最大,为74.28%;70 ℃条件下的最终干制品,横截面皱缩率最小,为66.54%。

2.3.2 不同干燥温度对南瓜颜色影响

不同温度下南瓜干燥过程色差值ΔE随含水率变化曲线如图6所示。RRP和FFRP 阶段,色差值快速增加,主要是干燥初期和中期β-胡萝卜素快速下降(图3),而β-胡萝卜素作为南瓜中的主要颜色物质,大量降解会导致物料褪色[21]。SFRP阶段,不同温度下的色差值缓慢增加,主要是干燥后期主要除去物料内部的结合水,干燥速率较低,内部β-胡萝卜素降解速率减缓(图3),物料褪色缓慢。通过Pearson相关性分析可知,南瓜色差变化与β-胡萝卜素变化的相关系数大于0.9,具有较强相关性。

图6 不同干燥温度对南瓜色差影响Fig.6 Influence of different drying temperatures on pumpkin color difference

在60、70、80 ℃条件下得到的南瓜干制品色差值分别为30.3、29.4、36.6。相同含水率时,80 ℃条件下物料的色差值高于60、70 ℃,主要是高温进一步加速了β-胡萝卜素热氧化降解,使样品褪色。

2.4 不同干燥温度对气味特征影响

利用PEN3电子鼻对南瓜鲜样进行气味检测,如图7所示。10个传感器中2、6、7、9传感器中氮氧类物质、甲基类物质、有机硫化物、芳香成分含量丰富。各传感器在干燥过程中的响应值变化如图8所示,其中2、6、7、9传感器响应值变化明显,可将这4个传感器作为南瓜特征气味检测的主要传感器。

图7 南瓜鲜样电子鼻传感器雷达图Fig.7 Pumpkin fresh sample electronic nose sensor radar

图8 南瓜干燥过程中各传感器响应响应值变化Fig.8 Changes in response values of each sensor during pumpkin drying

南瓜微波干燥过程中电子鼻2、6、7、9各传感器响应值如图8所示。图9-a、9-c、9-d是传感器2、7、9响应值变化情况,通过分析可知,在RRP 阶段,传感器响应值快速下降,主要是此过程处于温度上升阶段,物料内部大量自由水溢出,内部气味包括氮氧类物质、有机硫化物、芳香成分等随之扩散到空气中,造成特征气味大量散失;在FFRP 阶段,不同温度下传感器响应值均先后呈现响应值明显高于其他传感器,说明南瓜鲜样气味上升趋势,说明此阶段物料内部可能生成氮氧类物质、有机硫化物、芳香成分等气味物质,且生成速率大于气味散失速率[10];在SFRP 阶段,不同温度下传感器响应值均呈现缓慢下降趋势,并最终在稳定值上下波动,主要是此阶段物料干燥速率缓慢,气味随水分向外散失速率随之减小。

a, 传感器2;b,传感器6;c,传感器7;d,传感器9。a, Sensor 2; b, Sensor 6; c, Sensor 7; d, Sensor 9.图9 不同干燥温度对电子鼻传感器响应值影响Fig.9 Influence of different drying temperatures on response value of electronic nose sensor

图9-b为传感器6响应值变化情况,通过分析可知,在RRP和FFRP 阶段,不同温度下传感器响应值均先后呈现快速下降趋势,主要是此阶段大量自由水散发带走了物料内部的甲基类物质;在SFRP 阶段,不同温度下传感器均维持在稳定值附近,主要是此阶段主要为半结合水和结合水散失,较低的干燥速率导致甲基类气味散发的速率降低,因此传感器响应值变化趋势相对稳定。通过Pearson相关性分析可知,南瓜特征气味变化与β-胡萝卜素变化的相关系数大于0.74,具有较强相关性。

2.5 β-胡萝卜素降解动力学

不同干燥温度下β-胡萝卜素降解动力学如图10所示。由图10可知,不同干燥温度条件下,-ln(Ct/C0)、1/Ct-1/C0、[(1/Ct)2-(1/C0)2]/2与干燥时间均呈现良好的线性关系。

a,一级动力学;b, 二级动力学;c,三级动力学。a; First-order dynamics; b, Second-order dynamics; c, Third-order dynamics.图10 β-胡萝卜素动力学拟合图Fig.10 Kinetic fitting of β-carotene

β-胡萝卜素降解动力学相关系数如表2所示,相较于一、二级反应相关系数,三级反应的R2更大和均方根误差RMSE更小,说明微波干燥过程中,南瓜在不同温度下的β-胡萝卜素降解更符合三级反应动力学模型,这与Achir等[23]和Suvarnakuta等[17]的研究结果一致。

表2 β-胡萝卜素动力学相关系数Table 2 Kinetic correlation coefficient of β-carotene

2.6 预测模型评价

2.6.1 相关性分析

通过SPSS软件进行β-胡萝卜素与指标间的Person相关性分析,结果见表3。通过分析可知,除70 ℃条件下传感器2、9外,其余各项指标均与β-胡萝卜素显著相关,相关系数大于0.9,与前文得出的结论相符。

表3 β-胡萝卜素含量与特征间相关性Table 3 Correlation between β-carotene content and characteristics

2.6.2 预测模型的建立

极限学习机(ELM模型)具有学习速度快、泛化性能好等优点[24],是一种基于前馈神经网络的机器学习方法,运算过程中随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值,且在训练过程中无需调整,只需要设置隐含层神经元的个数,便可以获得唯一的最优解[25]。使用 MATLAB R2019a 软件调用已经编写好的 ELM 模型的训练和预测函数,根据调试效果确定 “Sigmoid” 为 ELM 的训练及预测函数,隐含层个数为30。

2.6.3β-胡萝卜素含量的预测与评价

60 ℃条件下不同模型对β-胡萝卜素含量的预测结果如图11所示。由表4可知,此温度下,电子鼻模型预测效果较好,预测集Rp2为0.938 1,RMSEP为0.904 3,主要是因为β-胡萝卜素在降解过程中生成芳香物质β-紫罗兰酮等多种气味物质[10],可以被电子鼻传感器有效识别;机器视觉模型预测效果更好,Rp2为0.966 7,RMSEP为0.981 2,由于β-胡萝卜素是反映南瓜颜色的主要物质,其含量与色差值之间存在密切相关性,机器视觉提取的颜色特征能更好地反映物料的干燥阶段,因此,相比于电子鼻模型,机器视觉模型对β-胡萝卜素含量的预测效果更优。而多源融合模型结合颜色、皱缩率和气味特征,获取的信息更加全面,由图11可知,多源融合模型预测值更靠近中线,Rp2为0.981 3,RMSEP为0.942 3,因此多源融合模型的预测效果最优。

表4 不同模型对β-胡萝卜素含量预测结果Table 4 Prediction results of β-carotene content in different models

70 ℃条件下不同预测模型对β-胡萝卜素含量的预测结果如图12所示,其中机器视觉模型、电子鼻模型及多源融合模型的预测精度Rp2分别为0.978 5、0.915 4、0.985 2,RMSEP分别为0.962 3、1.395 2、0.854 7,机器视觉模型预测效果明显优于电子鼻模型,其预测值更贴合中线,且将两者结合为多源融合模型可有效提高预测精度。

图12 70 ℃下3种模型对β-胡萝卜素含量的预测散点图Fig.12 Scatter plot of β-carotene content predicted by the three models at 70 ℃

80 ℃条件下不同预测模型对β-胡萝卜素含量的预测结果如图13所示。通过分析可知,电子鼻模型的预测值偏离中线,预测效果较差,预测精度Rp2为0.905 0,RMSEP为1.016 6,机器视觉模型预测效果较好,预测精度Rp2为0.961 2,RMSEP为0.956 8,多源融合模型预测效果最优,Rp2为0.979 5,RMSEP为0.924 2。

图13 80 ℃下3种模型对β-胡萝卜素含量的预测散点图Fig.13 Scatter plot of β-carotene content predicted by the three models at 80 ℃

3种模型对β-胡萝卜素含量的预测结果见表4。通过对比分析可知,不同温度下3种预测模型方差均小于1.5,且预测精度均大于0.9,都具有良好的预测效果。不同温度条件下,多源融合模型的预测效果均优于单源模型,因此将机器视觉与电子鼻技术结合可有效提高南瓜干燥过程中内部β-胡萝卜素含量的预测精度,各温度下预测精度均大于0.97。

3 结论

本研究以南瓜微波干燥为例,利用机器视觉实时检测其外观形态(表面皱缩率、色差),利用电子鼻实时检测其气味特征,同时检测其β-胡萝卜素含量,探讨了各项指标在干燥过程中的变化,并分析β-胡萝卜素含量与外观形态和气味特征间相关性,建立单源(机器视觉或电子鼻)和多源融合(机器视觉融合电子鼻)极限学习机预测模型,对比分析3种模型对南瓜微波干燥过程中β-胡萝卜素含量的预测效果。

1) 不同干燥温度下,除70 ℃条件下传感器2、9外,其余各项指标表面皱缩率、色差、气味特征均与β-胡萝卜素含量显著相关,相关系数绝对值大于0.9。

2) 不同干燥温度下,单源模型中的机器视觉模型预测精度Rp2>0.96,电子鼻模型预测精度Rp2>0.90,前者具有更好的预测效果。

3) 与单源模型相比,机器视觉和电子鼻融合的多源融合模型预测精度Rp2>0.97,预测效果更优,因此多源融合可有效提高南瓜微波干燥过程中β-胡萝卜素含量的预测精度。