基于電子鼻的蘋果低溫貯藏時間及品質(zhì)預測

李 瑩，任亞梅，張 爽，趙 慧，周龍安，任小林

(西北農(nóng)林科技大學 a 食品科學與工程學院，b 園藝學院，陜西 楊凌 712100)

基于電子鼻的蘋果低溫貯藏時間及品質(zhì)預測

李 瑩a，任亞梅a，張 爽a，趙 慧a，周龍安a，任小林b

(西北農(nóng)林科技大學 a 食品科學與工程學院，b 園藝學院，陜西 楊凌 712100)

【目的】 研究利用電子鼻對蘋果低溫貯藏時間及品質(zhì)的預測效果，為蘋果低溫貯藏品質(zhì)的無損檢測及合理加工利用提供參考。【方法】 以富士蘋果為試材，在(0±1) ℃低溫條件下貯藏，分別在貯藏后的第0，30，60，90，120，150和180天，隨機選取30個果實，利用PEN3型電子鼻檢測其香氣，并一一對應測定蘋果的主要品質(zhì)指標(硬度、可溶性固形物含量和可滴定酸含量)。利用載荷分析優(yōu)化電子鼻傳感器陣列，對優(yōu)化后的電子鼻檢測數(shù)據(jù)進行線性判別分析，建立蘋果低溫貯藏品質(zhì)的偏最小二乘預測模型、BP神經(jīng)網(wǎng)絡預測模型和貯藏時間的多層感知器預測模型，并對預測效果進行了比較?！窘Y(jié)果】 線性判別分析能夠較好地區(qū)分蘋果的貯藏品質(zhì)，且蘋果香氣在貯藏60～90 d時變化較大；建立的多層感知器神經(jīng)網(wǎng)絡模型對蘋果貯藏時間有較好的預測效果，預測準確率均>92.0%；利用偏最小二乘法和BP神經(jīng)網(wǎng)絡均能對果實的品質(zhì)建立有效的預測模型，其中偏最小二乘法對冷藏蘋果硬度和可滴定酸含量的預測效果優(yōu)于對可溶性固形物含量的預測，利用BP神經(jīng)網(wǎng)絡所建立預測模型的決定系數(shù)均>0.930 0，預測效果較偏最小二乘法更好?！窘Y(jié)論】 利用電子鼻的快速無損檢測功能可以實現(xiàn)對蘋果低溫貯藏時間及品質(zhì)的預測。

電子鼻；蘋果；低溫貯藏；貯藏時間；品質(zhì)預測

我國是世界第一大蘋果生產(chǎn)國，但由于蘋果分級、檢測能力較弱，出口量和加工利用率均較低，大部分蘋果都需要通過貯藏進行銷售[1]。目前，對蘋果貯藏品質(zhì)的評價多采用破壞性方法，且存在耗時、耗力、浪費原料等不足，且所得結(jié)果難以代表大量的樣本信息[2-3]。因此，發(fā)展快速、準確的無損檢測技術，不但有助于提高我國的蘋果分級檢測能力，而且更有助于對蘋果貯藏品質(zhì)進行有效監(jiān)控，提高其貯藏過程中的商品價值[4]。

電子鼻作為一種無損檢測技術，近年來發(fā)展較為迅速，其主要通過檢測水果的香氣來評價果實品質(zhì)的優(yōu)劣，具有客觀、快速、準確的特點，現(xiàn)已成功用于香蕉[5]、番茄[6-7]、桃[8-9]、菠蘿[10]和藍莓[11]等水果的品質(zhì)評價。然而，有關電子鼻在蘋果香氣檢測的研究，目前多是關于對蘋果不同品種[12]、不同成熟度的區(qū)分[13]以及貨架時間的預測[14-15]。在蘋果品質(zhì)的預測方面，Brezmes等[16]研究發(fā)現(xiàn)，利用電子鼻并結(jié)合偏最小二乘(Partial least squares,PLS)法能夠?qū)Τ刎浖芷诜奂t女士的硬度和pH值進行較好預測，而對淀粉含量的預測效果相對較差；Saevels等[17]利用電子鼻僅建立了喬納金蘋果常溫貨架期硬度的PLS預測模型，但預測效果較差。綜觀上述研究，多是利用電子鼻評價常溫貨架期蘋果的品質(zhì)，并采用PLS法建立蘋果品質(zhì)指標的預測模型，尚存在建模方法較為單一、樣本量較少的不足。此外，蘋果采后多進行低溫貯藏，而有關電子鼻對蘋果低溫貯藏時間及品質(zhì)預測的研究尚鮮見報道。

本研究利用電子鼻對低溫貯藏期蘋果的香氣進行檢測，并優(yōu)化傳感器陣列，以提高對樣品分析的準確度，利用優(yōu)化的傳感器響應值建立對蘋果低溫貯藏時間及品質(zhì)的預測模型，并比較了BP神經(jīng)網(wǎng)絡(Back propagation neural networks,BPNN)模型和PLS模型對蘋果低溫貯藏品質(zhì)的預測效果，以期利用電子鼻無損檢測技術實現(xiàn)對蘋果低溫貯藏時間和品質(zhì)的快速、綜合評價，為蘋果低溫貯藏中的分級及加工利用時間的選擇提供參考。

1 材料與方法

1.1 材 料

供試材料為富士蘋果，于2012-10-27采自陜西省扶風縣寶塔村一農(nóng)家果園，當天運回實驗室，挑選280個成熟度一致、果形端正、果個均勻、無病蟲害及機械損傷的果實，置于(0±1) ℃、相對濕度為90%～95%的冷庫中貯存。

1.2 儀器與設備

TA.XT PLUS/50物性測定儀，英國Stable Micro Systems有限公司產(chǎn)品；PEN3便攜型電子鼻，德國AIRSENSE公司產(chǎn)品；8101手持糖量計，遼寧大連先超科技有限公司產(chǎn)品。

1.3 方 法

1.3.1 蘋果香氣的電子鼻檢測 分別在貯藏的第0，30，60，90，120，150和180天，從冷庫貯藏的蘋果中隨機挑選30個顏色和大小均一、無損傷的蘋果(共210個)，用電子鼻對其香氣成分進行測定。PEN3電子鼻包含S1(W1C，芳香苯類)、S2(W5S，氨氧化物)、S3(W3C，氨類)、S4(W6S，氫氣)、S5(W5C，烷烴)、S6(W1S，甲烷)、S7(W1W，硫化氫)、S8(W2S，乙醇)、S9(W2W，硫化氫類)和S10(W3S，芳香烷烴)10個金屬氧化物傳感器陣列。傳感器對不同香氣物質(zhì)有不同的響應值，響應值為傳感器接觸到樣品揮發(fā)物后的電導率G與傳感器在經(jīng)過標準活性炭過濾氣體的電導率G0的比值。

電子鼻測定前，將從冷庫中取出的蘋果先于室溫((25±1) ℃)下放置24 h，使果實果心溫度與室溫一致。然后對蘋果進行編號并放置于1 L的玻璃燒杯中，用聚乙烯保鮮膜(厚度為0.03 mm)密封3層，于(25±1) ℃下靜置30 min[8]，當其頂部空間的揮發(fā)物達到平衡狀態(tài)時，用電子鼻的進樣針透過保鮮膜插入到燒杯中進行頂空取樣檢測。電子鼻測定的參數(shù)設置：樣品準備時間5 s，自動調(diào)零時間為5 s，樣品測定間隔時間1 s，測定時間60 s，清洗時間200 s，內(nèi)部空氣流量300 mL/min，進樣流量300 mL/min。測定時，電子鼻響應值逐漸增大，在40 s后趨于平緩，因此采用50 s時的響應值進行數(shù)據(jù)分析。

1.3.2 蘋果果實品質(zhì)指標的測定 在低溫貯藏的0，30，60，90，120，150和180 d，于電子鼻測定結(jié)束后根據(jù)蘋果編號，就對應的每個蘋果樣品(每個貯藏期測定30個蘋果樣品)進行硬度、可溶性固形物含量(Soluble solids content,SSC)和可滴定酸含量的測定。

1)硬度的測定。在質(zhì)地多面分析(Texture profile analysis,TPA)模式下測定，參照潘秀娟等[18]的測定方法但略有改動。沿蘋果赤道位置均勻取3個點(即每個蘋果重復測定3次)，使用內(nèi)徑10 mm 的打孔器取樣，然后用刀片切取居中部位10 mm長度圓柱體試樣。將試樣置于質(zhì)構(gòu)儀P50探頭下進行TPA分析試驗。參數(shù)設置為：預壓速度1.00 mm/s，下壓速度1.00 mm/s，壓后上行速度1.00 mm/s，2次壓縮中間停頓5 s，試樣受壓變形60%，觸發(fā)力0.1 N。

2)SSC和可滴定酸含量的測定。硬度測定完畢后，均勻取10 g果肉，分別參照GB/T 12295-1990《水果、蔬菜制品可溶性固形物含量的測定：折射儀法》[19]和GB/T 12293-1990《水果、蔬菜制品可滴定酸度的測定》[20]測定果實的SSC和可滴定酸含量。每個蘋果的SSC和可滴定酸含量重復測定3次，取平均值，從而得到與每個蘋果電子鼻檢測結(jié)果一一對應的SSC和可滴定酸含量。

1.4 數(shù)據(jù)分析

采用SPSS 19.0軟件對電子鼻數(shù)據(jù)進行載荷分析和線性判別分析(Linear discriminant analysis，LDA)，并建立蘋果品質(zhì)預測的PLS預測模型和貯藏時間預測的多層感知器神經(jīng)網(wǎng)絡(Multilayer perceptron neural networks,MLPN)預測模型，用Matlab 2010軟件對電子鼻進行數(shù)據(jù)處理并建立BPNN模型。衡量預測蘋果貯藏時間的多層感知器神經(jīng)網(wǎng)絡模型優(yōu)劣的參數(shù)是預測準確率，衡量蘋果品質(zhì)預測的PLS和BPNN模型優(yōu)劣的主要參數(shù)包括決定系數(shù)(Coefficient of determination,R2)、校準均方根誤差(Root mean square error of calibration,RMSEC)和預測均方根誤差(Root mean square error of prediction,RMSEP)，通常較優(yōu)的模型要有較高的R2及較小的RMSEC和RMSEP，且RMSEC與RMSEP的差值越小越好[21]。

R2、RMSEC和RMSEP的計算公式分別為：

2 結(jié)果與分析

2.1 電子鼻傳感器陣列的優(yōu)化

2.1.1 不同傳感器在蘋果香氣檢測中的作用 由于電子鼻10個傳感器對蘋果香氣的響應有所不同，對低溫貯藏不同時間蘋果的電子鼻檢測結(jié)果取平均值，得到不同傳感器響應值隨果實貯藏時間變化的曲線如圖1所示。

圖1 電子鼻傳感器對不同貯藏時間蘋果香氣的響應值
Fig.1 Response of electronic nose sensors to apples at different storage periods

由圖1可見，S2、S7和S93個傳感器的響應值較高，且隨貯藏時間的延長變化較為明顯，因此其是對檢測結(jié)果起重要作用的傳感器，這與胡桂仙等[22]對柑橘香氣的電子鼻檢測結(jié)果相似。此外，隨貯藏期的延長，S6和S8傳感器的響應值也有一定變化，而S1、S3、S4、S5和S10傳感器的響應值始終在1.0附近，說明這些傳感器對蘋果香氣不敏感，需要進行載荷分析剔除冗余傳感器。

2.1.2 載荷(Loading)分析 先對電子鼻測定結(jié)果進行主成分分析(Principal component analysis,PCA)，提取PC1、PC2、PC3共3個主成分，其總累計貢獻率達到 87.81%。在此基礎上再對各傳感器的響應值進行載荷分析，以提高對樣品分類和品質(zhì)指標預測的準確度。圖2顯示了各傳感器與3個主成分的密切程度[23]，其中S1、S3、S6、S7、S8和S9傳感器在第1主成分上占有較大比重，S4和S10傳感器在第2主成分上所占比重較大，S2傳感器在第3主成分上占有較大比重，而S5傳感器在3個主成分中均占有一定比重。結(jié)合2.1.1節(jié)的分析結(jié)果，雖然S1和S3傳感器與第1主成分關系較為密切，但其對蘋果香氣均不敏感；S4和S10傳感器的Loading因子比較相近，說明其包含相似的信息，從S4和S10中可選擇1個進行分析。所以剔除S1、S3和S4傳感器，選擇S2、S5、S6、S7、S8、S9和S10傳感器的響應值對蘋果貯藏時間及品質(zhì)進行分析。

圖2 電子鼻10個傳感器響應值的載荷分析
Fig.2 Loading analysis on response of ten electronic nose sensors

2.2 基于LDA的蘋果貯藏期的區(qū)分

圖3顯示，利用LDA可以將不同貯藏期蘋果較清晰地區(qū)分開來，LD1和LD2的總累計貢獻率為94.10%。

由圖3可知，蘋果貯藏至90 d時，其分布位置沿第一判別函數(shù)發(fā)生較大改變，然而在此之前和之后即貯藏0～60 d和90～150 d的蘋果，其分布位置均主要沿第二判別函數(shù)發(fā)生較清晰的變化，說明蘋果香氣在貯藏60～90 d時可能發(fā)生了較大改變；與貯藏150 d時相比，貯藏至180 d的蘋果香氣檢測結(jié)果沿第一和第二判別函數(shù)均向(0,0)點靠近，這可能與貯藏末期蘋果中香氣物質(zhì)有所減少有關。因此，電子鼻能夠檢測到不同貯藏時期蘋果香氣的變化，使進一步對蘋果低溫貯藏時間的預測成為可能。

2.3 基于MLPN的蘋果貯藏時間預測

MLPN屬于多層前饋神經(jīng)網(wǎng)絡，一般由輸入層、隱含層和輸出層構(gòu)成[24]。將電子鼻檢測數(shù)據(jù)(共210個)分為訓練集和測試集，其中訓練集136個、測試集74個，建立1個隱含層層數(shù)為1的MLPN模型。其中輸入層為優(yōu)化后的傳感器響應值，單位數(shù)為7；輸出層為貯藏時間。隱含層激活函數(shù)為雙曲正切函數(shù)，輸出層激活函數(shù)為Softmax函數(shù)。表1顯示，所建立的MLPN模型對訓練集和測試集蘋果貯藏時間的預測準確率分別為 99.3%和98.6%，訓練集和測試集對貯藏時間預測的準確率均大于92.0%，說明所建立的MLPN模型能夠?qū)μO果低溫貯藏時間進行較好的預測。

2.4 基于PLS和BPNN的蘋果內(nèi)部品質(zhì)預測

2.4.1 PLS模型的預測 在210個蘋果樣品中選擇140個作為校正集，70個作為預測集，選擇優(yōu)化后的傳感器響應值建立對硬度、SSC和可滴定酸含量的PLS預測模型，得到校正集和預測集蘋果品質(zhì)指標預測值和真實值的擬合效果如圖4所示。由圖4可知，利用PLS法對校正集所建立的蘋果硬度模型的R2和RMSEC分別為0.919 5和0.201 9 kg/cm2，SSC模型的R2和RMSEC分別為0.878 5和0.447 8%，可滴定酸含量模型的R2和RMSEC分別為0.924 6和0.017 5%，說明基于PLS法建立的蘋果品質(zhì)指標校正模型是有效的(R2>0.800 0)。用此模型對預測集中蘋果的硬度、SSC和可滴定酸含量進行預測，預測值與真實值的R2分別為0.915 9，0.874 3和0.918 6，RMSEP分別為0.219 3 kg/cm2，0.487 6%和0.018 2%，說明利用PLS法所建立的回歸模型能夠?qū)μO果貯藏期的品質(zhì)指標進行較好的預測，但對硬度和可滴定酸含量的預測效果較SSC更好。

2.4.2 BPNN模型的預測 BPNN是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伻斯ど窠?jīng)網(wǎng)絡，也由輸入層、隱含層和輸出層組成，其傳輸函數(shù)為非線性函數(shù)[25]。與PLS模型的數(shù)據(jù)選擇一樣，從210個蘋果樣品中選擇140個作為校正集，70個作為預測集，以優(yōu)化后的傳感器檢測數(shù)據(jù)作為輸入層，神經(jīng)元個數(shù)為7；以蘋果的硬度、SSC和可滴定酸含量作為輸出層。模型參數(shù)設置為：訓練過程采用trainlm算法；隱含層層數(shù)為2，單位數(shù)為10；輸出層采用tansig函數(shù)；迭代次數(shù)為2 000，顯示頻率為25；其他采用默認設置。

圖5表明，利用硬度、SSC和可滴定酸含量的校正集所建立的BPNN模型的R2分別為0.955 0，0.950 4和0.986 0，RMSEC分別為0.151 4 kg/cm2，0.291 9%和0.007 7%；利用各校正模型分別對預測集的硬度、SSC和可滴定酸含量進行預測，預測值和真實值的R2分別為0.951 6，0.933 0和0.985 1，RMSEP分別為0.157 0 kg/cm2，0.296 4%和0.008 0%?？梢?，與PLS法相比，BPNN對低溫貯藏期蘋果硬度、SSC和可滴定酸含量的預測效果更好。

3 結(jié)論與討論

LDA能清晰地區(qū)分低溫貯藏不同時間的蘋果。LDA分析表明，蘋果香氣在低溫((0±1) ℃)貯藏60～90 d時變化較大；MLPN對蘋果低溫貯藏時間有較好的預測效果；PLS和BPNN均能對低溫貯藏期蘋果的硬度、SSC和可滴定酸含量建立有效的預測模型。此外，對PLS和BPNN的預測效果進行比較發(fā)現(xiàn)，基于PLS的預測模型對蘋果硬度和可滴定酸含量的預測效果較好(R2>0.900 0)，而基于BPNN的預測模型對蘋果硬度、SSC和可滴定酸含量3個品質(zhì)指標預測的R2均大于0.930 0，預測效果好于PLS模型。

目前，電子鼻多應用于蘋果成熟度和常溫貨架時間的預測[13-15]。本研究利用優(yōu)化后的傳感器響應值對蘋果低溫貯藏時間和品質(zhì)指標建立了預測效果均較好的預測模型，即通過對蘋果香氣進行電子鼻檢測，就可預測出其低溫貯藏時間及品質(zhì)，有利于蘋果低溫貯藏過程中果品品質(zhì)的實時監(jiān)控，提高并保證其商品價值，也為蘋果在合適的貯藏時間進行加工和利用提供了參考。但需要說明的是，還需進一步擴大試驗樣品的數(shù)量和樣品的廣泛性，如對不同產(chǎn)地、不同品種和不同采摘年限的蘋果香氣進行電子鼻檢測和分析，以進一步完善預測模型，使其能更好地應用于蘋果采后貯藏和利用。

[1] 于華寧,鄭先哲.蘋果品質(zhì)無損檢測和分級的研究現(xiàn)狀與發(fā)展趨勢 [C]//中國農(nóng)業(yè)工程學會.2007年中國農(nóng)業(yè)工程學會學術年會論文摘要集.黑龍江大慶:東北農(nóng)業(yè)大學工程學院,2007:1-9.

Yu H N,Zheng X Z.Research situation and development trends of non-destructive detection and classification of apple quality [C]//Chinese Society of Agricultural Engineering.The Chinese society of agricultural engineering academic conference paper sets in 2007.Daqing,Heilongjiang:College of Engineering，Northeast Agricultural University,2007:1-9.(in Chinese)

[2] Li J B,Huang W Q,Zhao C J,et al.A comparative study for the quantitative determination of soluble solids content,pH and firmness of pears by Vis/NIR spectroscopy [J].Journal of Food Engineering,2013,116:324-332.

[3] Jie D F,Xie L J,Fu X P,et al.Variable selection for partial least squares analysis of soluble solids content in watermelon using near-infrared diffuse transmission technique [J].Journal of Food Engineering,2013,118:387-392.

[4] 劉燕德.水果糖度和酸度的近紅外光譜無損檢測研究 [D].杭州:浙江大學,2006.

Liu Y D.Study on methods of nondestructive measurement of sugar content and acidity in fruits using Near-Infrared Spectroscopy [D].Hangzhou:Zhejiang University,2006.(in Chinese)

[5] Llobet E,Hines E L,Gardner J W,et al.Non-destructive banana ripeness determination using a neural network-based electronic nose [J].Meas Sci Technol,1999,10:538-548.

[6] Gómez A H,Hu G X,Wang J,et al.Evaluation of tomato maturity by electronic nose [J].Computers and Electronics in Agriculture,2006,54:44-52.

[7] Gómez A H,Wang J,Hu G X,et al.Monitoring storage shelf life of tomato using electronic nose technique [J].Journal of Food Engineering,2008,85:625-631.

[8] Benedetti S,Buratti S,Spinardi A,et al.Electronic nose as a non-destructive tool to characterise peach cultivars and to monitor their ripening stage during shelf-life [J].Postharvest Biology and Technology,2008,47:181-188.

[9] Zhang H M,Wang J,Ye S,et al.Application of electronic nose and statistical analysis to predict quality indices of peach [J].Food Bioprocess Technol,2012,5:65-72.

[10] Torri L,Sinelli N,Limbob S.Shelf life evaluation of fresh-cut pineapple by using an electronic nose [J].Postharvest Biology and Technology,2010,56:239-245.

[11] Denir N,Ferraz A C O,Sargentd S A,et al.Classification of impacted blueberries during storage using an electronic nose [J].J Sci Food Agric,2011,91:1722-1727.

[12] 鄒小波,趙杰文.支持向量機在電子鼻區(qū)分不同品種蘋果中的應用 [J].農(nóng)業(yè)工程學報,2007,23(1):146-149.

Zou X B,Zhao W J.Distinguishing different cultivar apples by electronic nose based on support vector machine [J].Transactions of the Chinese Society of Agricultural Engineering,2007,23(1):146-149.(in Chinese)

[13] Brezmes J,Fructuoso M L L,Llobet E,et al.Evaluation of an electronic nose to assess fruit ripeness [J].IEEE Sensors Journal,2005,5:97-108.

[14] 張曉華,張東星,劉元芳,等.電子鼻對蘋果貨架期質(zhì)量的評價 [J].食品與發(fā)酵工業(yè),2007,33(6):20-23.

Zhang X H,Zhang D X,Liu Y F,et al.Evaluation of apple quality during shelf life by electronic nose [J].Food and Fermentation Industries,2007,33(6):20-23.(in Chinese)

[15] Hui G H,Wu Y L,Ye D D,et al.Fuji apple storage time predictive method using electronic nose [J].Food Anal Methods,2013,6:82-88.

[16] Brezmes J,Llobet E,Vilanova X,et al.Correlation between electronic nose signals and fruit quality indicators on shelf-life measurements with pinklady apples [J].Sensors and Actuators B,2001,80:41-50.

[17] Saevels S,Lammertyna J,Berna A Z,et al.An electronic nose and a mass spectrometry-based electronic nose for assessing apple quality during shelf life [J].Postharvest Biology and Technology,2004,31:9-19.

[18] 潘秀娟,屠 康.質(zhì)構(gòu)儀質(zhì)地多面分析(TPA)方法對蘋果采后質(zhì)地變化的檢測 [J].農(nóng)業(yè)工程學報,2005,21(3):166-170.

Pan X J,Tu K.Comparison of texture properties of post-harvested apples using texture profile analysis [J].Transactions of the Chinese Society of Agricultural Engineering,2005,21(3):166-170.(in Chinese)

[19] 中國國家標準化管理委員會.GB/T 12295-1990 水果、蔬菜制品可溶性固形物含量的測定:折射儀法 [S].北京:中國標準出版社,2004.

Standardization Administration of the People’s Republic of China.GB/T 12295-1990 Determination of soluble solid content in fruit and vegetable products-refractometer method [S].Beijing:Standards Press of China,2004.(in Chinese)

[20] 中國國家標準化管理委員會.GB/T 12293-1990 水果、蔬菜制品可滴定酸度的測定 [S].北京:中國標準出版社,2004.

Standardization Administration of the People’s Republic of China.GB/T 12293-1990 Determination of titrable acidity in fruit and vegetable products [S].Beijing:Standards Press of China,2004.(in Chinese)

[21] 周亦斌.基于電子鼻的西紅柿與黃酒的檢測與評價研究 [D].杭州:浙江大學,2005.

Zhou Y B.Quality evaluation of tomato and rice wine by electronic nose [D].Hangzhou:Zhejiang University,2005.(in Chinese)

[22] 胡桂仙,王 俊,海 錚,等.不同儲藏時間柑橘電子鼻檢測研究 [J].浙江農(nóng)業(yè)學報,2006,18(6):458-461.

Hu G X,Wang J,Hai Z,et al.Electronic nose monitoring the oranges stored for different times [J].Acta Agriculturae Zhejiangensis,2006,18(6):458-461.(in Chinese)

[23] 劉 明,潘磊慶,屠 康,等.電子鼻檢測雞蛋貨架期新鮮度變化 [J].農(nóng)業(yè)工程學報,2010,26(4):317-321.

Liu M,Pan L Q,Tu G,et al.Determination of egg freshness during shelf life with electronic nose [J].Transactions of the Chinese Society of Agricultural Engineering,2010,26(4):317-321.(in Chinese)

[24] 劉立波,周國民.基于多層感知神經(jīng)網(wǎng)絡的水稻葉瘟病識別方法 [J].農(nóng)業(yè)工程學報,2009,25(S2):213-217.

Liu L B,Zhou G M．Identification method of rice leaf blast using multilayer perception neural network [J].Transactions of the Chinese Society of Agricultural Engineering,2009,25(S2):213-217.(in Chinese)

[25] 張紅梅.基于氣體傳感器陣列的幾種農(nóng)產(chǎn)品品質(zhì)檢測研究 [D].杭州：浙江大學,2007.

Zhang H M.Quality detection of several kinds of agricultural products based on gas sensor array [D].Hangzhou:Zhejiang University,2007.(in Chinese)

Prediction of low-temperature storage time and quality of apples based on electronic nose

LI Yinga,REN Ya-meia,ZHANG Shuanga,ZHAO Huia,ZHOU Long-ana,REN Xiao-linb

(aCollegeofFoodScienceandEngineering,bCollegeofHorticulture,NorthwestA&FUniversity,Yangling,Shaanxi712100,China)

【Objective】 The effect of electronic nose (E-nose) on prediction of storage time and quality of apples at low-temperature ((0±1) ℃) was studied to provide the reference for nondestructive test of apple quality and reasonable processing and utilization of apples.【Method】 “Fuji” apples were stored in low-temperature (0±1) ℃.30 apples were picked randomly to determine their aroma by E-nose of PEN3 and quality indices (firmness,soluble solid content and titratable acidity) by traditional methods at 0,30,60,90,120,150,and 180 days after storage.Loading analysis was used to optimize electronic nose sensors array,and the optimized data was analyzed by linear discriminant analysis before partial least squares and BP neural network models were established for quality prediction and multilayer perceptron model was established for storage time prediction.At last,the results were compared with observation.【Result】 Storage quality of apples can be accurately predicted by linear discriminant analysis (LDA) and the aroma of apples changed significantly at 60-90 d.Storage times were accurately obtained by multilayer perceptron neural network (MLPN) with the accuracy of >92.0%.Good relationships were established between the E-nose signals and apple quality by partial least squares regression (PLS) and BP neural network (BPNN).PLS had better performance at predicting firmness and titratable acidity than predicting soluble solid content.BPNN had better performance than PLS with determination coefficient of >0.930 0.【Conclusion】 Electronic noses can be used as a rapid and nondestructive testing technology to predict storage time and quality of apple stored at low-temperature.

electronic nose;apple;low-temperature storage;storage time;quality prediction

2013-12-13

國家現(xiàn)代蘋果產(chǎn)業(yè)技術體系專項(NYCYTX-08-05-02)

李 瑩(1986-)，女(回族)，河南鄭州人，在讀碩士，主要從事果蔬貯藏與加工研究。E-mail：armthen@163.com

任亞梅(1972-)，女，陜西永壽人，副教授，博士，碩士生導師，主要從事果品蔬菜的貯藏及加工研究。 E-mail：yameiren@yahoo.com

時間:2015-04-13 12:59

10.13207/j.cnki.jnwafu.2015.05.011

TS255.3；S661.109+.3

A

1671-9387(2015)05-0183-09

網(wǎng)絡出版地址:http://www.cnki.net/kcms/detail/61.1390.S.20150413.1259.011.html