不同成熟期哈密瓜坚实度变化规律及相关性研究

李锋霞 黄勇

摘    要：坚实度是哈密瓜成熟度的重要参考指标之一。为了研究哈密瓜成熟期坚实度的变化规律，结合试验条件，对2种不同成熟期的哈密瓜质量、纵横径、坚实度等指标进行测量，研究不同品种、不同成熟期、不同原始光谱、不同检测部位哈密瓜的坚实度指标变化规律，分析各指标之间的相关性，并结合高光谱技术建立哈密瓜不同检测部位坚实度与成熟度的预测模型。试验建模结果显示，赤道阳面部位的模型相关系数：校正集相关系数Rc=0.982，预测集相关系数Rp=0.832；赤道阴面部位的模型相关系数：Rc=0.889，Rp=0.878；果脐部位的模型相关系数：Rc=0.626，Rp=0.821。结果表明，哈密瓜坚实度指标的变化规律与成熟度具有相关性，且不同检测部位的坚实度值存在差异，赤道部位检测结果优于果脐部位。此研究结果为确定哈密瓜的最佳采摘期提供理论参考依据。

关键词：哈密瓜；成熟期；坚实度；变化规律；模型

中图分类号：S652.1 文献标志码：A 文章编号：1673-2871（2024）01-081-07

Study on variation and correlation of firmness index of Hami melon at different maturity stages

LI Fengxia1，2， HUANG Yong1

（1. College of Mechanical and Electrical Engineering， Xinjiang Institute of Engineerin， Urumqi 830023， Xinjiang， China; 2. National Engineering Technology Research Center of Flat Rolling Equipment， University of Science and Technology Beijing， Beijing 100083， China）

Abstract： Firmness is one of the important reference indexes of Hami melon maturity. In order to study the change rule of firmness of Hami melon at maturity stage， this paper combined with experimental conditions to measure the weight， longitudinal and transverse diameter， firmness and other physical and chemical indexes of two kinds of Hami melon at different maturity stages. The firmness index of Hami melon with different varieties， different maturity stages， different original spectra and different test sites were studied， and the correlation between the indexes was analyzed. The prediction models of firmness and maturity of different parts of Hami melon were established by hyperspectral technique. The experimental modeling results showed that the correlation coefficients of the equatorial sunny side were Rc=0.982， Rp=0.832. The model correlation coefficient of the dark side of the equator： Rc=0.889， Rp=0.878. And the model correlation coefficient of fruit umbilical position： Rc=0.626， Rp=0.821. The results showed that the firmness index of Hami melon was correlated with the maturity， and the firmness of different parts was different. The results provide a theoretical basis for determining the optimum picking time of Hami melon.

Key words： Hami melon; Maturity stage; Firmness; The law of change; Model

哈密瓜是新疆的特色水果，風味独特，享誉国内外，因其经济效益可观，也是种植农户增收的重要途径之一。目前，哈密瓜品种繁多，采收时，不同品种的成熟期不同，在成熟时的表现也不同，因此，简单地通过外表来分辨哈密瓜的成熟度，会造成判别不一致，影响哈密瓜的货架期[1]，从而降低声誉和经济效益。因此，研究哈密瓜成熟度有重要意义。

在水果成熟度和品质评价方面，有学者进行了大量研究，主要是利用水果成熟过程中理化指标变化规律及品质指标间的相关性，综合评价水果的成熟度。广新梅等[2]、兰海鹏[3]研究了香梨硬度以及可滴定酸、叶绿素、可溶性糖、维生素C含量等指标变化规律与成熟度的关系；李艳婷等[4]以翠冠梨果实不同部位可溶性固形物含量和硬度指标展开比较研究，找到梨果实适宜测定部位及高效便捷的无损糖度测定方法。刘金秀等[5]研究了4种不同成熟阶段的小白杏，探索可溶性固形物含量、含水率、硬度、糖酸比4个理化指标变化规律与成熟度的关系；牛俊莉等[6]以不同采摘期杏李品种理化指标主成分及聚类分析，研究影响其品质的主要指标。代佳慧等[7]研究胡椒果实成熟度与色差a值和可溶性固形物、可滴定酸、果胶、胡椒碱含量的关系。贺春祥等[8]研究了延安12个苹果品种果实的硬度、可溶性固形物含量、酸度等理化指标分析评价成熟度。以上研究在水果成熟期理化指标变化规律和相关性分析上都得到了很好的应用。然而，对新疆哈密瓜成熟度评价方面的研究较少，坚实度是反映哈密瓜成熟度的重要指标之一。目前，坚实度检测多采用M-T有损检测方法，该方法费时、费力，而且会破坏样品。因此，急需一种无损、快速、便捷的检测方法，综合分析哈密瓜成熟期的理化指标变化规律及其与坚实度的相关性。近年来，高光谱技术在猕猴桃、草莓、苹果、梨、樱桃、香蕉和西甜瓜等[9-19]水果的成熟度、坚实度、糖度等品质无损检测中得到应用，为哈密瓜成熟期的品质评价提供了无损检测技术。

笔者以哈密瓜成熟期理化指标变化规律为研究基础，采用高光谱技术对哈密瓜的坚实度开展了相关试验研究，以期揭示哈密瓜成熟期品质指标的变化规律与坚实度之间的关系，对哈密瓜采收以及产业的发展都具有重要意义。

1 材料与方法

1.1 材料

1.1.1 样本的选择 试验选取2个品种的哈密瓜，均由新疆生产建设兵团农八师121团提供。金密16号为早中熟杂交品种，果皮黄色，果实呈长卵形，网纹密；金密17号为中晚熟杂交品种，果皮灰绿色，果实椭圆形，网纹粗。试验于2022年7－8月在新疆工程学院实验室进行，试验设计了2个不同成熟度：第一批七成熟采收，第二批九成熟采收。具体成熟时间由当地经验丰富的瓜农师傅认定。采收后，将果实放在室温条件下贮存，24 h之后进行光谱采集和理化指标测量。每批次、每个品种选取42个瓜，共168个。

1.1.2 试验器材 高光谱成像仪硬件系统：高光谱摄像头（Im Spector，V10E，芬兰）、0LE23镜头、线透镜、150 W的光纤卤素灯，电动移位台控制器、带1394采集卡的计算机等。为了避免外界光照对采集图像的影响，采用密闭柜将全套系统封闭。

1.2 方法

1.2.1 样本的预处理 样品的预处理步骤：首先，人工挑选果实大小均匀、形状规则、无机械损伤、无病虫害、成熟度一致的样本，试验每批次、每个品种的哈密瓜随机选取42个样本。其次，对样本编号，按顺序依次标记。每个样本标记了3个检测部位：赤道阳面、赤道阴面、坐果结（果脐）（图1），在每一个检测部位用标记笔画好直径约3 cm左右的圆圈作为样本采集区域，分别编号区分为1-1、1-2、1-3。每批次、每个品种的哈密瓜共采集126个样本点。

1.2.2 测定项目和方法 哈密瓜测定项目包括光谱信息采集和理化指标（质量、横纵径、坚实度）测量。具体的方法如下：

（1）哈密瓜光谱信息的采集

高光谱图像数据采集前，先进行黑白校正，调整输送装置的速度。数据采集时，把哈密瓜样本放到高光谱试验台上，线阵的探测器在光学焦面（哈密瓜前进方向）的垂直方向横向扫描，掃出整个平面，获取3个检测部位的哈密瓜图像信息，通过Spectral-Cube软件对光谱信息采集和保存。

（2）哈密瓜理化指标的测量

纵横径的测量：哈密瓜的高度部位即纵径，用高度游标卡尺测量。哈密瓜赤道部位即横径，用游标卡尺测量。

质量的测量：采用电子秤测量哈密瓜质量，型号为供应友声BS-10KA。

坚实度的测量：哈密瓜坚实度的测量采用GY-4型手持式硬度计，压头直径选择11 mm。对已完成光谱信息采集的哈密瓜样本的3个标记区域（阴面、阳面与果脐）削去果皮进行测量。

1.2.3 光谱的处理及模型评价指标 采集后的光谱数据采用ENVI4.7软件进行图像数据降维和预处理。利用TQ Analyst 6.1软件进行建模定量、定性分析。模型的稳健性和准确性评价指标有校正集相关系数（Rc），预测集相关系数（Rp）、校正均方根误差（RMSEC）和预测均方根误差（RMSEP）。通常情况下，模型中R值越大，RMSEC、RMSEP值越小，模型表现得越稳健，结果越准确。

2 结果与分析

2.1 哈密瓜样本理化指标测定结果及分析

哈密瓜在成熟过程中，理化指标会随着不同成熟期呈现出一定的变化规律。由表1可知，不同成熟期的哈密瓜理化指标存在一定的差异。从纵径的平均值来看，同一成熟度的哈密瓜，金密16号要略大于金密17号；从横径的平均值来看，同一成熟度的金密16号要略小于金密17号；七成熟的哈密瓜平均质量均要小于九成熟的哈密瓜；从坚实度值来看，七成熟的哈密瓜平均坚实度均要大于九成熟的哈密瓜。

2.1.1 不同品种哈密瓜坚实度的分析 果实的坚实度直接影响果肉质地与脆性。哈密瓜坚实度是衡量内部品质的重要指标之一。从图2可以看出，七成熟哈密瓜：金密16号的坚实度值在54.0～120.0 N，金密17号的坚实度值在50.6～84.0 N；九成熟哈密瓜：金密16号的坚实度值在51.0～79.9 N，金密17号的坚实度值在48.0～61.2 N。两个品种的哈密瓜样本点的坚实度分布规律如图1所示，通过对比可以发现，金密16号的坚实度均大于金密17号，说明不同品种哈密瓜的坚实度存在明显差异。

2.1.2 不同成熟期哈密瓜坚实度的分析 随着哈密瓜生长发育的不断推进，坚实度随着成熟期的不同而发生变化。图3所示两个品种的哈密瓜不同成熟期坚实度变化规律，从中可以发现，同一品种哈密瓜，九成熟的坚实度要比七成熟低，成熟度越高，坚实度越低。研究表明，随着哈密瓜不断成熟，果实细胞壁果胶物质的降解和纤维素分离，导致细胞解体，果肉的硬度降低。

2.1.3 不同原始光谱的分析 高光谱仪采集哈密瓜的光谱信息是由光源照射到哈密瓜表面后通过漫透射进行扩散传输的。图4是2个品种哈密瓜不同成熟度的原始光谱曲线，从中可以发现，同一品种、不同成熟期的哈密瓜光谱曲线走向基本一致。不同品种的哈密瓜光谱曲线之间存在很大差异，金密16号哈密瓜光谱在400～750 nm存在明显变化的波峰、波谷。金密17号哈密瓜光谱在500～850 nm存在较明显变化的波峰、波谷，在850 nm之后波形基本一致。说明不同品种的哈密瓜由于内部生物结构不同，光谱曲线差别也很大。

2.1.4 不同检测部位坚实度的分析 哈密瓜果实的成长与发育先是纵径发育，再横向增重发育。根据哈密瓜的生长特点，对金密16号哈密瓜的3个检测部位（赤道阳面、赤道阴面和果脐）的坚实度进行测量，其变化规律如图5所示，从中可以发现，不同检测部位的哈密瓜坚实度存在差异，赤道（阳面、阴面）部位的坚实度要高于果脐部位的坚实度；同一检测部位相比，坚实度的变化没有明显规律。

2.2 哈密瓜不同检测部位对建模结果的影响

根据哈密瓜不同检测部位坚实度不同这一特性，对哈密瓜不同检测部位原始光谱进行了分析，以金密16号哈密瓜为代表，图6是3个不同采集部位（阳面、阴面、果脐）原始光谱图，通过对比分析可以发现，哈密瓜不同部位采集的原始光谱走向基本一致，但在吸光度、能量值的大小上存在差异。这种差异也必定对建模结果有一定的影响。

因此采用偏最小二乘法（PLS）对不同检测部位的哈密瓜建立坚实度预测模型，光谱经过异常光谱去除、光散射校正后用一阶微分处理，其建模结果如图7所示，统计结果如表2所示。

从上述建模的结果可以看出，赤道阳面部位的校正集相关系数（Rc）=0.982，校正均方误差（RMSEC）=1.37 N，预测集相关系数（Rp）=0.832，预测均方误差（RMSEP）=3.79 N。赤道阴面部位的Rc=0.889，RMSEC=2.77 N，Rp=0.878，RMSEP=3.60 N。果脐部位Rc=0.626，RMSEC=5.16 N，Rp=0.821，RMSEP=3.16 N。通过对比可以发现，赤道（阴阳面）部位相关系数R均高于果脐部位，赤道（阴阳面）部位的校正均方误差（RMSEC）小于果脐部位，预测均方误差（RMSEP）大于果脐部位，综上所述，赤道部位建模结果优于果脐部位。根据这一研究结果，后期对哈密瓜进行试验研究时，可以选取赤道部位作为研究对象。

3 讨论与结论

在实际生产中，哈密瓜坚实度的测定多是随机选取部分样品对其脐部及整果进行测定，测定方法缺乏科学性与时效性，且会破坏样本，使其失去商品价值。为此，有科研工作者结合光谱技术展开哈密瓜内外部品质（表面纹理特征、表皮颜色、果肉颜色、可溶性固形物含量、总酸含量、硬度等）对成熟度进行相关性研究。Sun等[20]利用近红外高光谱系统对甜瓜的糖度和硬度进行了无损检测研究，刘超[21]、许济海[22]利用机器视觉技术对哈密瓜糖度进行预测，利用哈密瓜表面颜色特征、纹理特征建立糖度的相关性。吕琛[23]、胡光辉等[24]采用机器视觉技术通过哈密瓜的表面图像信息预测成熟度。李明周[25]利用高光谱技术对哈密瓜不同生长期的糖、蛋白质、维生素C、可滴定酸含量以及单果质量等进行预测，徐璐[26]采集哈密瓜赤道部位近红外光谱特征，建立哈密瓜可溶性固形物含量的預测模型。上述方法对哈密瓜成熟度判定提供了理论依据。但是对不同成熟期哈密瓜坚实度的研究较少，且哈密瓜检测部位的选取没有对比验证，不具有典型代表性，从而影响预测模型的可靠性。因此，根据不同成熟期哈密瓜坚实度指标的变化规律，结合高光谱技术对哈密瓜成熟度展开检测研究是十分必要的。

基于此，笔者以哈密瓜理化指标变化规律为研究基础，对2个不同品种、不同成熟期、不同原始光谱、不同检测部位的哈密瓜坚实度进行了分析和比较。试验结果表明，不同品种哈密瓜的坚实度存在明显差异，成熟度越高，坚实度越低。同一品种哈密瓜光谱曲线走向基本一致，但不同品种的哈密瓜光谱曲线差别很大。不同检测部位的哈密瓜坚实度也存在差异，同一检测部位相比，没有明显的变化规律。为了寻找哈密瓜光谱采集最合适的采集部位，笔者的研究对哈密瓜3个不同检测部位（赤道阴面、赤道阳面和果脐）建立坚实度预测模型，试验建模结果表明，哈密瓜坚实度指标的变化规律与成熟度具有相关性，且赤道部位建模结果优于果脐部位。后期对哈密瓜进行试验研究时，可以选取赤道部位作为研究对象。笔者通过本研究为哈密瓜成熟度量化评价和确定哈密瓜的最佳采摘期以及品质分级提供理论参考依据，对哈密瓜生产与科学研究具有一定的指导价值。

参考文献

[1] 许德芳．基于深度学习和近红外技术的甜瓜采摘检测及货架期研究[D]．太原：山西农业大学，2020．

[2] 广新梅，徐崇志，王绪春，等．采摘期内库尔勒香梨品质指标变化规律及相关关系[J]．江苏农业科学，2018，46（19）：118-121．

[3] 兰海鹏．库尔勒香梨成熟特征表达及评价方法[D]．哈尔滨：东北农业大学，2017．

[4] 李艳婷，周铮，黄冬华，等．翠冠梨果不同部位可溶性固形物及硬度测定比较研究[J]．中国南方果树，2022，51（3）：148-152．

[5] 刘金秀，贺小伟，罗华平，等．不同成熟期小白杏品质指标变化规律研究[J]．塔里木大学学报，2021，33（1）：38-44．

[6] 牛俊莉，刘茂秀，彭秋梅．不同采摘期杏李味厚品种理化指标主成分及聚类分析[J]．新疆农业科学，2015，52（1）：33-36．

[7] 代佳慧，尹青春，党政，等．不同成熟度胡椒理化指标变化规律和相关性研究[J]．中国调味品，2020，45（7）：81-85．

[8] 贺春祥，王辉，谭江，等．延安十二个苹果品种果实主要理化指标分析评价[J]．西北园艺（果树），2022（4）：50-52．

[9] SHINYA．P，CONTADOR．L，PREDIERI．S，et al．Peach ripening：Segregation at harvest and postharvest flesh softening[J]．Postharvest Biology and Technology，2013，86：472-478．

[10] ZHANG C，GUO C T，LIU F，et al．Hyperspectral imaging analysis for ripeness evaluation of strawberry with support vector machine[J]．Journal of Food Engineering，2016，179：11-18．

[11] GAO Z M，SHAO Y Y，XUAN G T，et al．Real-time hyperspectral imaging for the in-field estimation of strawberry ripeness with deep learning[J]．Artificial Intelligence in Agriculture，2020，4：31-38．

[12] 张巍．基于高光谱成像技術的蓝莓内部品质检测方法的研究[D]．沈阳：沈阳农业大学，2016．

[13] 卢娜，韩平，王纪华．基于高光谱成像技术的草莓硬度预测[J]．软件导刊，2018，17（3）：180-182．

[14] REDDY R R，LI M．Uncertainty assessment for firmness and total soluble solids of sweet cherries using hyperspectral imaging and multivariate statistics[J]．Journal of Food Engineering，2021，289：110177．

[15] XIE C Q，CHU B Q，HE Y．Prediction of banana color and firmness using a novel wavelengths selection method of hyperspectral imaging[J]．Food Chemistry，2018，245：132-140．

[16] SHEN L X，WANG H H，LIU Y，et al．Prediction of soluble solids content in green plum by using a sparse autoencoder[J]．Applied Sciences，2020，10（11）：3769．

[17] 侯宝路，李柏承，周瑶，等．基于可见－近红外高光谱成像技术的梨硬度和可溶性固体含量的预测[J]．激光杂志，2015，36（10）：70-74．

[18] ZHANG H L，ZHAN B S，PAN F，et al．Determination of soluble solids content in oranges using visible and near infrared full transmittance hyperspectral imaging with comparative analysis of models[J]．Postharvest Biology and Technology，2020，163（3）：111148．

[19] 何洪巨，胡丽萍，李武，等．基于可见/近红外高光谱成像技术的西甜瓜糖度检测[J]．中国食物与营养，2016，22（10）：53-57．

[20] SUN M J，ZHANG D，LIU L，et al．How to predict the sugariness and hardness of melons：A near-infrared hyperspectral imaging method[J]．Food Chemistry，2017，218：413-421．

[21] 刘超．基于可见-近红外光谱与机器视觉信息融合的河套蜜瓜糖度检测方法研究[D]．呼和浩特：内蒙古农业大学，2014．

[22] 许济海．基于纹理特征的网纹哈密瓜分类研究[D]．杭州：浙江大学，2017．

[23] 吕琛．基于数字图像处理的哈密瓜成熟度无损检测技术研究[D]．新疆石河子：石河子大学，2014．

[24] 胡光辉，郭俊先，虞飞宇，等．“京蜜八号”哈密瓜成熟等级分类研究：基于机器视觉和神经网络[J]．农机化研究，2015，37（2）：190-194．

[25] 李明周．基于高光谱哈密瓜生长过程品质的检测研究[D]．新疆阿拉尔：塔里木大学，2018．

[26] 徐璐．基于可见-近红外光谱及成像技术的水果可溶性固形物含量检测[D]．合肥：安徽大学，2019．