基于近紅外技術(shù)和偏最小二乘判別法對(duì)無花果成熟度的快速判別

周靖宇 孫 銳 余 多 呂宇璇 韓燕苓

(1. 齊魯工業(yè)大學(xué)〔山東省科學(xué)院〕食品科學(xué)與工程學(xué)院，山東 濟(jì)南 250300; 2. 齊魯工業(yè)大學(xué)〔山東省科學(xué)院〕數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，山東 濟(jì)南 250300)

無花果(FicuscaricaLinn.)屬于桑科榕屬，是世界上最早人工栽植的樹種之一，是優(yōu)良的經(jīng)濟(jì)林果樹[1]。作為一種季節(jié)性食品，無花果是一些地區(qū)(如地中海地區(qū))重要的飲食組成部分，可以鮮食或干制等[2]。其營(yíng)養(yǎng)豐富，富含纖維素、鉀、鐵和鈣，果肉柔軟，味甜，有健脾清腸、潤(rùn)肺利咽及提高免疫力等藥用和抗氧化效果[3-4]。成熟后的無花果易變軟、腐敗，不易貯藏，常溫條件下難以長(zhǎng)途運(yùn)輸。而無花果成熟的標(biāo)志不明顯，因此如何準(zhǔn)確判別無花果成熟度對(duì)其銷售、加工利用等極其重要[5-6]。

目前，有關(guān)無花果的品質(zhì)、活性物質(zhì)以及加工工藝的研究較多，尤其是無花果栽培技術(shù)及多酚、黃酮等物質(zhì)提取、抗氧化活性的研究[7-9]。劉燕德等[10]利用近紅外漫反射光譜技術(shù)結(jié)合Lab顏色指標(biāo)對(duì)西紅柿成熟度進(jìn)行檢測(cè)，其預(yù)測(cè)集對(duì)3種成熟度的正判率分別為67.86%，50.00%，100.00%。牛曉穎等[11]采用MPA近紅外光譜儀對(duì)李果實(shí)成熟度進(jìn)行分類，其預(yù)測(cè)集的正判率為96.30%。由于無花果為躍變型水果，成熟狀態(tài)下采摘后會(huì)迅速軟化，因此通常需要在果實(shí)成熟的早期階段進(jìn)行采摘。而無花果的采摘期通常是果農(nóng)依據(jù)果實(shí)硬度、果皮顏色等經(jīng)驗(yàn)確定[12]，同時(shí)果蔬種植屬于勞動(dòng)密集型產(chǎn)業(yè)，成本較高。Rungpichayapichet等[13]使用便攜式VIS-NIR光譜儀，采用二階導(dǎo)數(shù)預(yù)處理光譜對(duì)芒果成熟度進(jìn)行分類，其準(zhǔn)確率達(dá)80%以上；Pourdarbani等[14]根據(jù)果實(shí)光譜和顏色數(shù)據(jù)對(duì)富士蘋果進(jìn)行4個(gè)成熟階段的預(yù)測(cè)，其精確度均>90%。以上研究表明，近紅外光譜技術(shù)可作為果蔬品質(zhì)無損評(píng)價(jià)的可靠方法，并能夠建立有效穩(wěn)定的預(yù)測(cè)模型。但當(dāng)前關(guān)于無花果成熟度的預(yù)測(cè)分選、品質(zhì)預(yù)測(cè)的研究較少，尚無更方便、有效和快速的檢測(cè)方法。

理化指標(biāo)如果實(shí)硬度、可溶性固形物等與感官指標(biāo)如顏色、形狀等是衡量無花果品質(zhì)的重要指標(biāo)，可在一定程度上體現(xiàn)無花果的成熟度。因此對(duì)于無花果成熟度的無損判別可分為基于光譜和圖像技術(shù)的運(yùn)用[15-16]。圖像技術(shù)只能根據(jù)果實(shí)表面特征進(jìn)行分析，但果實(shí)在成長(zhǎng)過程中外部通常是滯后于內(nèi)部組織的變化[17]，且部分品種的無花果成熟與否顏色變化不大，可能會(huì)導(dǎo)致一些誤判。而光譜技術(shù)能夠反映部分果實(shí)內(nèi)部信息，判別準(zhǔn)確性較高，但目前關(guān)于無花果成熟度判別的研究報(bào)道較少。孫陽等[18]采用圖像識(shí)別技術(shù)，對(duì)攝取的果實(shí)圖片通過預(yù)處理、分割和形態(tài)學(xué)處理達(dá)到區(qū)分不同成熟度無花果的目的。但在實(shí)際操作中，圖像數(shù)據(jù)受光線、位置等條件影響，因此在此復(fù)雜背景下成熟果實(shí)的判別率會(huì)明顯降低，而便攜式近紅外光譜儀采集光譜數(shù)據(jù)時(shí)則能有效減少這些因素的影響，降低模型的誤判率。試驗(yàn)擬應(yīng)用近紅外光譜結(jié)合偏最小二乘判別分析(PLS-DA)法對(duì)無花果成熟階段進(jìn)行判別分析，以不同成熟階段(幼果、成長(zhǎng)果、成熟果)的無花果作為試驗(yàn)樣本，利用近紅外光譜儀進(jìn)行光譜數(shù)據(jù)采集，采用隨機(jī)劃分確定校正集和預(yù)測(cè)集，根據(jù)校正集樣品光譜和3種成熟階段的分類變量建立PLS-DA判別模型[19]，然后對(duì)預(yù)測(cè)集進(jìn)行判別，據(jù)此評(píng)價(jià)試驗(yàn)方法的效果，旨在為無花果成熟度分類的快速鑒別提供依據(jù)。

1 材料與方法

1.1 材料與儀器設(shè)備

1.1.1 材料

無花果：清晨于山東榮成市無花果種植基地(北緯36°43′～37°27′、東經(jīng)122°09′～122°42′)分別采摘幼果、成長(zhǎng)果和成熟果3種階段的無花果，果實(shí)均無損傷或腐爛，外觀上大致相同，將無花果放于塑料泡沫包裝盒中，迅速帶回實(shí)驗(yàn)室于4 ℃冰箱中貯藏，并于當(dāng)日完成檢測(cè)。

根據(jù)無花果果農(nóng)的栽培經(jīng)驗(yàn)和山東省林科院專家的建議，分為以下3種成熟階段：幼果為果實(shí)生長(zhǎng)時(shí)間10～15 d，約為兩成熟；成長(zhǎng)果為生長(zhǎng)時(shí)間20～40 d，約為四至六成熟；成熟果為生長(zhǎng)時(shí)間50 d以上，約為八至九成熟。

1.1.2 儀器設(shè)備

數(shù)字折光儀：PAL-1型，日本Atago公司；

電子分析天平：FR124CN型，奧豪斯儀器(上海)有限公司；

游標(biāo)卡尺：CR2023型，瑞士Tesa公司；

質(zhì)構(gòu)儀：TA.XT plus型，英國(guó)Stable Micro Systems公司。

1.2 光譜采集

使用MircoNIR近紅外光譜儀于900～1 700 nm內(nèi)進(jìn)行光譜數(shù)據(jù)采集。測(cè)量前，儀器需預(yù)熱1 h。光譜儀參數(shù)設(shè)置為：積分時(shí)間10 ms，掃描次數(shù)15次，波長(zhǎng)間隔6.2 nm，共125個(gè)波長(zhǎng)點(diǎn)。白天正常情況下測(cè)量，以99%反射白板的掃描光譜作為基準(zhǔn)數(shù)據(jù)，每隔30個(gè)樣品需要重新對(duì)反射白板進(jìn)行掃描。沿?zé)o花果赤道隨機(jī)選擇3個(gè)不同位置獲得光譜，取平均值作為該樣品的原始光譜。若光譜明顯區(qū)別于其他樣品的近紅外光譜，則在相同位置重新取樣。

1.3 理化指標(biāo)測(cè)定

1.3.1 糖度 每個(gè)樣品從果實(shí)赤道切取相同大小的果肉，擠出果汁滴于折光儀鏡面上，測(cè)量并記錄讀數(shù)，每個(gè)樣品測(cè)3次，取平均值。

1.3.2 單果重 采用電子分析天平測(cè)定。

1.3.3 橫徑和縱徑 采用游標(biāo)卡尺測(cè)量。

1.3.4 硬度 采用質(zhì)構(gòu)儀，使用P100探頭。下降速度與測(cè)試速度1.0 mm/s，提升速度1.0 mm/s，測(cè)試深度30.0 mm，記錄探入過程中所需應(yīng)力，所得質(zhì)構(gòu)特征曲線圖的最大正峰值即為硬度。

1.4 聚類判別分析

采用K-均值聚類對(duì)糖度、單果重、縱徑、橫徑、硬度5個(gè)指標(biāo)進(jìn)行聚類，再使用PLS-DA對(duì)聚好的類別進(jìn)行判別分析，建立無花果發(fā)育時(shí)期的判別模型。PLS-DA將依據(jù)單果重、橫縱徑、糖度和硬度所聚類的不同類別對(duì)應(yīng)的光譜數(shù)據(jù)作為輸入變量X，每個(gè)類采用數(shù)字作為標(biāo)簽，將標(biāo)簽數(shù)字轉(zhuǎn)換為5位二進(jìn)制數(shù)作為輸出變量Y，再將所輸出變量Y轉(zhuǎn)換為十進(jìn)制數(shù)標(biāo)簽，判別分析使用Python的Sk learn model selection 庫中的Train test split方法隨機(jī)劃分，所劃分訓(xùn)練集為總數(shù)的67%，預(yù)測(cè)集為33%。

采用分類的精確率(P)和分類準(zhǔn)確率(A)衡量判別模型性能，并分別按式(1)、(2)進(jìn)行計(jì)算。

P=TP/(TP+FP)，

(1)

A=(TP+TN)/(TP+TN+FN+FP)，

(2)

式中：

TP——將正類預(yù)測(cè)為正類數(shù)；

FP——將負(fù)類預(yù)測(cè)為正類數(shù)(誤報(bào))；

TN——將負(fù)類預(yù)測(cè)為負(fù)類數(shù)；

FN——將正類預(yù)測(cè)為負(fù)類數(shù)(誤報(bào))。

2 結(jié)果與分析

2.1 無花果的近紅外光譜

由圖1可知，不同成熟期無花果近紅外光譜曲線趨勢(shì)大致相似，均在1 450 nm附近有明顯的吸收峰。成熟果的主要吸收峰位于970.000，1 119.235，1 459.398 nm處，且1 459.398 nm處較為強(qiáng)烈；成長(zhǎng)果的主要吸收峰位于970，1 160，1 450 nm處，且1 450 nm附近較為強(qiáng)烈；幼果的主要吸收峰位于990，1 170，1 459 nm附近，且1 459 nm 處較為強(qiáng)烈。970 nm處是由水和碳水化合物的吸收引起[20]，1 119.24 nm處屬于C—H鍵的第二泛音和O—H鍵的組合；1 459.40 nm附近的吸收帶對(duì)應(yīng)于與水有關(guān)的O—H鍵拉伸的第二和第一振動(dòng)泛音[21]。

2.2 理化指標(biāo)差異性分析

對(duì)3種成熟階段的無花果共360個(gè)(幼果130個(gè)、成長(zhǎng)果130個(gè)、成熟果100個(gè))進(jìn)行相關(guān)指標(biāo)的測(cè)定。由表1 可知，3種成熟階段的無花果糖度、單果重、縱徑和橫徑4個(gè)理化指標(biāo)的數(shù)值均隨果實(shí)的成熟呈逐漸上升的趨勢(shì)。幼果、成長(zhǎng)果、成熟果糖度均值分別為3.47，6.79，14.41 °Brix；單果重分別為1.86，17.83，54.03 g；縱徑均值分別為1.48，4.30，5.01 cm，橫徑均值分別為2.73，4.59，4.71 cm。成長(zhǎng)果的硬度值最高，為3 246.15～9 231.47 g，幼果次之，成熟果最低，說明無花果成熟后變軟、易損傷腐敗和不易貯藏。3種成熟階段的無花果樣品的糖度、單果重和硬度均具有顯著性差異，成熟果和成長(zhǎng)果與幼果的縱徑和橫徑間具有顯著性差異，說明糖度、單果重和硬度在3種成熟階段時(shí)均有顯著變化，橫徑和縱徑只在幼果與成熟果和成長(zhǎng)果間有顯著變化。

圖1 無花果原始光譜圖

表1 不同成熟階段的無花果品質(zhì)指標(biāo)?

2.3 主成分分析

由表2可知，5個(gè)主成分能夠提供樣本所有的信息，PC1、PC2、PC3 3個(gè)主成分累積反映了原始數(shù)據(jù)提供總量的97.94%，足以反映樣本所包含的所有信息。因此，將PC1、PC2、PC3 3個(gè)主成分作為評(píng)價(jià)樣品質(zhì)量的綜合變量。

由圖2可知，不同成熟階段的無花果樣品按PC1有規(guī)律、清晰的分布，說明主成分1對(duì)3種成熟階段有很好的聚類作用；而PC2對(duì)樣品的得分分布影響不大，幼果和成熟果的樣品不能有效地區(qū)分開；且成長(zhǎng)果的樣品得分較分散，與上述測(cè)得的理化指標(biāo)數(shù)據(jù)相似，說明不同成熟階段中成長(zhǎng)時(shí)期的無花果理化指標(biāo)含量變化幅度最大。

2.4 模型的建立與驗(yàn)證

由表3可知，各類校正集和預(yù)測(cè)集的精確率均>0.99，其中成熟果的校正集和預(yù)測(cè)集的無花果樣品完全分類正確，成長(zhǎng)果和幼果的校正集完全正確。累計(jì)校正集的分類正確率為0.995 9，預(yù)測(cè)集的分類正確率為0.991 5，正確率較高，表明PLS-DA模型性能較好。孫陽等[18]基于Matlab的無花果成熟度建立識(shí)別模型，其正確率達(dá)88.6%，低于試驗(yàn)結(jié)果，可能是其采用的針對(duì)于圖像處理技術(shù)，利用RBG顏色以及像素點(diǎn)分析判斷果實(shí)是否成熟，較近紅外光譜所測(cè)得代表樣品成熟與否的信息可能略少所致。

表2 主成分的貢獻(xiàn)率

圖2 無花果樣品的主成分得分圖

表3 PLS-DA判別不同成熟度無花果樣品

3 結(jié)論

對(duì)同一品種3種不同成熟階段的無花果樣本進(jìn)行光譜采集，根據(jù)糖度、單果重、縱徑、橫徑和硬度5項(xiàng)品質(zhì)指標(biāo)的K-均值聚類，并結(jié)合以主成分為3的偏最小二乘判別分析構(gòu)建判別模型，根據(jù)預(yù)測(cè)集樣本的預(yù)測(cè)準(zhǔn)確度對(duì)模型效果進(jìn)行驗(yàn)證。結(jié)果表明：3種成熟階段的預(yù)測(cè)正確率分別為100.00%，97.67%，100.00%，預(yù)測(cè)集的預(yù)測(cè)準(zhǔn)確率均達(dá)95%以上，說明模型的預(yù)測(cè)效果較好。后續(xù)還需完善擴(kuò)充樣本種類，對(duì)不同品種的無花果進(jìn)行研究以提高模型的適用性。