基于FT-NIR和電子鼻的蘋果水心病無損檢測

袁鴻飛，胡馨木，楊軍林，任亞梅,*，馬惠玲，任小林

蘋果水心病俗稱“冰糖心”，是一種生理病害。一般發(fā)生在果心附近，呈水漬狀，不易從外觀分辨，較健康果中其山梨醇和蔗糖含量均顯著升高[1]。但嚴重的水心病導(dǎo)致果實貯藏壽命降低和內(nèi)部褐變，影響蘋果品質(zhì)[2]。因此，亟需一種快速、無損、可靠的檢測方法對其進行鑒別，以期增加蘋果的附加值，為在實際生產(chǎn)中的應(yīng)用提供技術(shù)參考和支撐。

目前，蘋果水心病的無損檢測技術(shù)主要有人工智能分類器[3]、自行研制的水心病檢測儀器[4]、近紅外高光譜成像[5]、核磁共振[6-8]、熱成像技術(shù)[9]、可見-近紅外能量光譜技術(shù)[10]。但這些技術(shù)存在耗時長、檢測費用昂貴、識別的正確率低、技術(shù)條件復(fù)雜等缺點。

近紅外光譜和電子鼻技術(shù)是近年來發(fā)展起來的2 種快速、無損操作方便的分析技術(shù)。國內(nèi)外研究者運用近紅外光譜技術(shù)對蘋果內(nèi)部病害研究[11-21]，大多采用近紅外透射技術(shù)，很少利用近紅外漫反射技術(shù)。近紅外漫反射光是光源發(fā)射出來，進入樣品內(nèi)部經(jīng)過多次反射、折射、衍射及吸收后返回樣品表面的光，其負載了樣品的結(jié)構(gòu)和組成信息。電子鼻技術(shù)主要對蘋果成熟度[22]、貯藏時間[23]、品種[24-25]、貨架期[26]等方面進行研究；其中，李琦等[27]利用電子鼻對好、碰傷、壞（褐斑、腐爛）蘋果的分類正確率達83.33%以上；鄒小波等[28]研制了一套適合蘋果氣味檢測的電子鼻系統(tǒng)，對好、壞（外傷、爛疤）蘋果的正確判別率可達96.4%。以上研究結(jié)果表明近紅外光譜和電子鼻技術(shù)檢測蘋果內(nèi)部病害具有可行性，但傅里葉變換近紅外光譜技術(shù)（Fourier transform near infrared spectroscopy，F(xiàn)T-NIR）和電子鼻技術(shù)對蘋果水心病的鑒別研究鮮見報道。

本實驗以“秦冠”蘋果為試材，分別利用FT-NIR和電子鼻技術(shù)對每個樣本進行信息采集，探討不同光譜預(yù)處理方法對Fisher判別模型性能的影響；電子鼻分別結(jié)合Fisher判別、多層感知器（multilayer perceptron，MLP）神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)3 種方法建立判別模型，并對未知樣本進行驗證，為FT-NIR和電子鼻技術(shù)判別水心病蘋果提供參考。

1 材料與方法

1.1 材料

“秦冠”蘋果（277 個）于2015年10月14日采自陜西省白水縣堯禾鎮(zhèn)農(nóng)家果園。選摘成熟度一致、大小均勻、無機械損傷的疑似水心病果（據(jù)有經(jīng)驗的果農(nóng)對果實判斷）和健康果，當天運回實驗室，放入（0±1）℃、相對濕度85%～90%的冷庫中。實驗前，將蘋果從冷庫中取出，于室溫（25±1）℃放置24 h，依次編號。

1.2 儀器與設(shè)備

MPA型FT-NIR儀 德國Bruker Optics公司；PEN3便攜型電子鼻 德國Airsense公司。

1.3 方法

1.3.1 FT-NIR采集

于每個蘋果的赤道處標記等距離的3 個光譜采集點，取平均光譜為樣本的近紅外光譜[29]。儀器測定參數(shù)設(shè)置：固體光纖探頭，分辨率8 cm-1，掃描次數(shù)64，掃描范圍12 000～4 000 cm-1。

1.3.2 電子鼻信號采集

將蘋果置于1 L的玻璃燒杯中，用聚乙烯保鮮膜（厚度為0.03 mm）密封燒杯口3 層，于（25±1）℃靜置1 h[30]，使其頂部空間的揮發(fā)物達到平衡狀態(tài)，再將電子鼻的進樣針透過保鮮膜插入燒杯中，頂空取樣檢測。電子鼻測定的參數(shù)設(shè)置：樣品測定時間60 s，清洗時間300 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(yīng)值逐漸增大，第50秒后趨于平緩，因此采用第59秒時的響應(yīng)值進行數(shù)據(jù)分析。

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，有機硫化物）和S10（W3S，芳香烷烴）10 個金屬氧化物傳感器陣列。

FT-NIR和電子鼻信號采集完畢的蘋果，全部沿果實赤道處橫向切開，判斷并記錄該編號果實是健康果還是水心病果。

1.4 數(shù)據(jù)處理

將OPUS 5.5軟件預(yù)處理的FT-NIR信號導(dǎo)入到Excel中，用SPSS 20.0軟件進行主成分分析和Fisher判別；將Winmuster軟件測得的電子鼻信號，在SPSS 20.0軟件中進行Fisher判別、MLP及RBF分析。

2 結(jié)果與分析

2.1 FT-NIR對蘋果水心病的判別結(jié)果分析

2.1.1 健康蘋果和水心病蘋果的FT-NIR圖

由圖1可見，在12 000～4 000 cm-1波數(shù)范圍內(nèi)，健康果和水心病果的FT-NIR曲線形狀非常相似，并出現(xiàn)部分交叉重疊，故很難從光譜圖上直觀區(qū)分健康果和水心病果。由于外部環(huán)境、樣本背景、儀器設(shè)備等因素的干擾，F(xiàn)T-NIR會出現(xiàn)噪聲、基線漂移和光散射等現(xiàn)象，為了盡可能消除干擾因素對判別模型性能的影響，分別采用矢量歸一化、最小-最大歸一化（minmax normalization，MMN）、9 點平滑、多元散射校正（multiplicative scatter correction，MSC）和一階導(dǎo)數(shù)（9 點平滑）5 種方法對原始光譜進行預(yù)處理。

圖1 健康蘋果和水心病蘋果的FT-NIRFig. 1 FT-NIR spectra of healthy and watercore apples

圖2 不同光譜預(yù)處理方法提取的前20 個主成分的累計貢獻率Fig. 2 Cumulative variance plot of the first 20 principal components extracted by different spectrum preprocessing methods

由圖2可見，除一階導(dǎo)數(shù)預(yù)處理的累計貢獻率為96%，其他光譜預(yù)處理后提取的前20 個主成分的累計貢獻率均在99%以上?？紤]到健康果和水心病果的光譜差別較小，若選取的主成分數(shù)過少，則可能會造成較大的判別誤差。所以為了獲得較高的正確判別率，選取前20 個主成分作為建立Fisher判別函數(shù)的自變量。

2.1.3 基于主成分分析的Fisher判別函數(shù)結(jié)果

以數(shù)字0和1分別代表健康果和水心病果，分別從健康果和水心病果中隨機選取39 個和29 個蘋果作為驗證集，其余209 個蘋果作為建模集。取經(jīng)不同光譜預(yù)處理后提取的前20 個主成分作為自變量，利用SPSS 20.0軟件進行Fisher判別分析。不同光譜預(yù)處理方法結(jié)合主成分分析建立的Fisher函數(shù)判別結(jié)果見表1。

表1 不同光譜預(yù)處理方法結(jié)合主成分分析建立的Fisher函數(shù)判別結(jié)果Table 1 Discrimination accuracy rates for training set samples of Fisher function established by combination of different spectral preprocessing methods with PCA

由表1可知，經(jīng)一階導(dǎo)數(shù)（9 點平滑）預(yù)處理建立的Fisher判別函數(shù)的正確判別率最高，達到100%；經(jīng)MMN預(yù)處理所建判別函數(shù)的正確判別率最低，為92.3%；經(jīng)矢量歸一化、9 點平滑和MSC預(yù)處理所建判別函數(shù)正確判別率均低于100%。

經(jīng)一階導(dǎo)數(shù)（9 點平滑）預(yù)處理結(jié)合主成分分析所建Fisher判別方程：

健康蘋果：Y0=-141.599-327.549X1＋8.979X2-32.439X3-21.553X4＋6.054X5＋5.725X6＋1.677X7-1.225X8-6.459X9＋4.088X10＋3.515X11＋1.796X12-2.825X13-3.719X14＋2.435X15-2.749X16-1.458X17-0.695X18-1.597X19＋1.522X20

水心病蘋果：Y1=-260.072＋444.309X1-11.514X2＋44.092X3＋29.267X4-8.114X5-8.003X6-2.122X7＋1.897X8＋8.957X9-5.287X10-4.587X11-2.289X12＋4.003X13＋5.081X14-3.372X15＋3.707X16＋1.821X17＋0.901X18＋2.076X19-2.223X20

式中：Xi表示第i個主成分（i=1，2，…，20）。

為檢驗所建判別函數(shù)對未知樣本的判別效果，將68 個未參與建模的樣本，即驗證集，代入上述Fisher判別方程，計算Y0和Y1的結(jié)果，并比較二者的數(shù)值大小，如果Y0大于Y1，則被判為組0（健康果），如果Y0小于Y1，則被判為組1（水心病果）。一階導(dǎo)數(shù)預(yù)處理結(jié)合主成分建立Fisher判別函數(shù)對驗證集的判別結(jié)果見表2。由表2可知，一階導(dǎo)數(shù)（9 點平滑）結(jié)合主成分分析所建Fisher判別函數(shù)對驗證集的正確判別率為100%，說明了主成分分析結(jié)合Fisher判別應(yīng)用于健康蘋果和水心病蘋果判別是可行的。這是由于原始光譜數(shù)據(jù)經(jīng)一階導(dǎo)數(shù)預(yù)處理后，提高了光譜數(shù)據(jù)的信噪比，同時Fisher判別使水心病果和健康果數(shù)據(jù)集之間的方差盡可能大，更好地區(qū)分二者，增強了校正模型的穩(wěn)健性和預(yù)測能力。

表2 一階導(dǎo)數(shù)結(jié)合主成分分析所建Fisher判別函數(shù)對驗證集的判別結(jié)果Table 2 Discrimination accuracy rates for test set samples of Fisher function established by PCA after first derivative preprocessing

2.2 電子鼻對蘋果水心病的判別結(jié)果分析

2.2.1 Fisher判別函數(shù)的建立與驗證結(jié)果

以數(shù)字0和1分別代表健康果和水心病果，從樣本中隨機選取120 個健康果和89 個水心病果作為建模集，剩余的68 個樣本作為驗證集。將第59秒時電子鼻10 個傳感器的響應(yīng)值作為Fisher判別模型的因變量輸入。經(jīng)SPSS 20.0軟件計算，建立Fisher判別函數(shù)進行分析，建模集和驗證集的判別結(jié)果見表3。

Fisher判別方程：

健康蘋果：W0=-4 127.534-1 639.708S1-6.749S2＋3 133.317S3＋2 494.203S4＋196.139S5＋61.178S6＋14.225S7-94.252S8＋3 436.390S9＋578.447S10

水心病蘋果：W1=-4 181.615-1 755.557S1-6.748S2＋3 182.942S3＋2 554.934S4＋275.291S5＋57.181S6＋14.418S7-92.522S8＋3 445.649S9＋543.819S10

式中：Si表示第i個金屬氧化物傳感器（i=1，2，…，10）。

為檢驗所建判別函數(shù)對未知樣本的判別效果，將68 個樣本的驗證集，代入上述Fisher判別方程，計算W0和W1的結(jié)果，并比較二者的數(shù)值大小，如果W0大于W1，則被判為組0（健康果），如果W0小于W1，則被判為組1（水心病果）。由表3可知，電子鼻結(jié)合Fisher判別函數(shù)對建模集和驗證集的總體正確判別率分別為90%、89.7%，說明了電子鼻技術(shù)結(jié)合Fisher判別應(yīng)用蘋果水心病判別的可行性。

表3 Fisher判別函數(shù)對健康蘋果和水心病蘋果的判別結(jié)果Table 3 Discrimination accuracy rates of Fisher discriminant function for healthy and watercore apples in training and test sets

2.2.2 MLP神經(jīng)網(wǎng)絡(luò)判別結(jié)果

表4 MLP神經(jīng)網(wǎng)絡(luò)模型對健康蘋果和水心病蘋果的判別結(jié)果Table 4 Discrimination accuracy rates of MLP neural network model for healthy and watercore apples

建立3 層MLP神經(jīng)網(wǎng)絡(luò)模型，隱藏層層數(shù)為1，訓練集與測試集的相對數(shù)量為7∶3。模型的輸入層為電子鼻第59秒時的10 個傳感器響應(yīng)值，即模型的輸入層單位數(shù)為10。輸出層的節(jié)點數(shù)為2，代表健康果和水心病果。經(jīng)SPSS 20.0軟件計算，優(yōu)化算法選擇調(diào)整的共軛梯度，模型的其他參數(shù)設(shè)置為：隱藏層單位數(shù)為7，隱藏層的激活函數(shù)為雙曲正切函數(shù)，輸出層的激活函數(shù)分為Softmax。

根據(jù)上述MLP神經(jīng)網(wǎng)絡(luò)模型參數(shù)的設(shè)定，對訓練集和測試集的判別結(jié)果見表4。所建立的MLP神經(jīng)網(wǎng)絡(luò)模型對健康果和水心病果的正確判別率較高，其中訓練集和測試集的總體判別準確率分別為90.1%和89.5%，說明電子鼻結(jié)合MLP神經(jīng)網(wǎng)絡(luò)模型能夠較好地識別水心病蘋果。

2.2.3 RBF神經(jīng)網(wǎng)絡(luò)判別結(jié)果

建立3 層RBF神經(jīng)網(wǎng)絡(luò)模型。訓練集與測試集的相對數(shù)量為7∶3。以電子鼻第59秒時的10 個傳感器響應(yīng)值作為輸入層，因此，模型的輸入層單位數(shù)為10。輸出層的節(jié)點數(shù)為2，代表健康果和水心病果。經(jīng)SPSS 20.0軟件計算，模型的其他參數(shù)設(shè)置為：隱藏層的單位數(shù)為9，隱藏層的激活函數(shù)為Softmax，輸出層的激活函數(shù)為恒等函數(shù)。

表5 RBF神經(jīng)網(wǎng)絡(luò)模型對健康蘋果和水心病蘋果的判別結(jié)果Table 5 Discrimination accuracy rates of RBF neural network model for healthy and watercore apples

由表5可知，電子鼻結(jié)合RBF神經(jīng)網(wǎng)絡(luò)模型對訓練集和測試集的總體正確判別率分別為86.5%、85.7%，低于Fisher判別函數(shù)和MLP神經(jīng)網(wǎng)絡(luò)的正確判別率，并且訓練集中水心病蘋果的正確判別率僅為81.6%，說明電子鼻結(jié)合RBF神經(jīng)網(wǎng)絡(luò)對蘋果水心病的檢測有待進一步研究。

3 結(jié) 論

FT-NIR原始光譜經(jīng)一階導(dǎo)數(shù)（9 點平滑）預(yù)處理后結(jié)合主成分所建立的Fisher判別函數(shù)，對未知樣本的正確判別率達100%。由此可知，模型有著較好的預(yù)測準確率，驗證了FT-NIR技術(shù)應(yīng)用于蘋果水心病檢測的可行性。但考慮到地域、品種、年份等局限因素，為進一步提高模型在實際應(yīng)用中的推廣能力，建議對不同產(chǎn)地、品種和年份的水心病果進行判別研究。

比較了電子鼻分別結(jié)合3 種化學計量學的方法對未知樣本的正確判別率，其中，F(xiàn)isher判別和MLP神經(jīng)網(wǎng)絡(luò)的判別結(jié)果較好，均在89%以上，驗證了電子鼻技術(shù)結(jié)合化學計量學應(yīng)用于蘋果水心病檢測的可行性。

考慮到FT-NIR和電子鼻2 種儀器在實際應(yīng)用中的檢測效率和經(jīng)濟條件因素，以及對蘋果水心病的識別效果，認為FT-NIR技術(shù)可以更好地對蘋果水心病進行無損檢測。