基于傅里葉近紅外光譜和電子鼻技術(shù)的蘋果霉心病無損檢測(cè)

楊晨昱,袁鴻飛,2,馬惠玲,任亞梅*,任小林

1(西北農(nóng)林科技大學(xué) 食品科學(xué)與工程學(xué)院,陜西 楊凌,712100)2(河南省口岸食品檢驗(yàn)檢測(cè)所,河南 鄭州,450003) 3(西北農(nóng)林科技大學(xué) 生命科學(xué)學(xué)院,陜西 楊凌,712100)4(西北農(nóng)林科技大學(xué) 園藝學(xué)院,陜西 楊凌,712100)

蘋果霉心病是果樹在開花期由多種真菌侵染導(dǎo)致的病害,具有一定的潛伏期,是目前蘋果急需解決的常見病害之一。2009年,陜西省渭北地區(qū)蘋果發(fā)生大面積霉心病害,產(chǎn)區(qū)果實(shí)發(fā)病率達(dá)到37%，近年來蘋果霉心病的危害程度仍有上升趨勢(shì),特別是豫西地區(qū)。蘋果霉心病造成巨大的經(jīng)濟(jì)損失,國(guó)內(nèi)外學(xué)者非常重視蘋果霉心病的防治研究,努力從源頭上控制霉心病的發(fā)生[1-5]。蘋果感染霉心病后,果肉內(nèi)部在室溫下會(huì)迅速腐爛,但從外表不易識(shí)別病果,給蘋果病果的篩選過程帶來巨大不便。目前,針對(duì)蘋果霉心病的檢測(cè)方法主要有低頻磁共振法[6]、CT成像法、生物阻抗特性法[7]、計(jì)算機(jī)視覺法[8]、高光譜法[9]。但這些技術(shù)存在費(fèi)時(shí)、檢測(cè)成本高、需要專業(yè)人員操作等不足。因此,亟需一種快速無損檢測(cè)技術(shù)及早地識(shí)別蘋果霉心病,保障蘋果的貯藏和出口品質(zhì),進(jìn)而提升我國(guó)蘋果的知名度。

近紅外光譜和電子鼻技術(shù)是分析化學(xué)領(lǐng)域發(fā)展產(chǎn)生的高新技術(shù),具有操作簡(jiǎn)單、可重復(fù)性好、檢測(cè)迅速、不破壞樣品等優(yōu)點(diǎn),目前在國(guó)內(nèi)外果蔬品質(zhì)檢測(cè)方面得到了廣泛應(yīng)用。國(guó)內(nèi)外研究者多采用近紅外透射技術(shù)對(duì)蘋果霉心病進(jìn)行檢測(cè)研究[10-16],此技術(shù)可得到樣品在紅外光譜區(qū)獨(dú)特的吸收特征,具有區(qū)分病果的前提條件。SHENDEREY等[13]肯定了近紅外光譜技術(shù)在檢測(cè)蘋果霉心病方面的潛力；蘇東等[15]在近紅外光譜技術(shù)的基礎(chǔ)上,結(jié)合蘋果直徑等因子,提出一種新的檢測(cè)方法,可以較準(zhǔn)確判定蘋果霉心??；雷雨等[16]對(duì)果蔬進(jìn)行快速無損識(shí)別,證實(shí)了近紅外光譜對(duì)檢測(cè)蘋果霉心病有較高的準(zhǔn)確度。然而目前鮮有使用近紅外漫反射光譜技術(shù)[17]。

電子鼻是一種分析、識(shí)別物品揮發(fā)性成分的儀器,在桃[18]、獼猴桃[19]、葡萄[20-21]、石榴[22]、香蕉[23]等水果品質(zhì)檢測(cè)、成熟度和貨架期[24-26]鑒定方面得到廣泛應(yīng)用。PAN等[26]利用電子鼻正確識(shí)別了正常草莓與病害草莓,同時(shí)可較好地區(qū)分草莓感染的3種主要病原菌種類；惠國(guó)華等[27]研究發(fā)現(xiàn),電子鼻系統(tǒng)可以快速表征水果的腐敗過程；李琦等[28]證明電子鼻可以對(duì)不同品質(zhì)的蘋果進(jìn)行較好的分類；張鵬等[29]利用電子鼻判別獼猴桃在保鮮過程中的品質(zhì),說明電子鼻技術(shù)在水果病害的無損檢測(cè)方面是可行的；何金鑫等[30]利用電子鼻研究山核桃在氧化過程中各指標(biāo)的變化,發(fā)現(xiàn)電子鼻可以快速預(yù)測(cè)山核桃氧化程度。但目前尚未有電子鼻對(duì)蘋果霉心病無損檢測(cè)的報(bào)道。

本研究分別利用傅里葉近紅外光譜(Fourier transform near infrared spectroscopy,FT-NIRS)和電子鼻技術(shù)建立模型,比較不同方法識(shí)別蘋果霉心病的準(zhǔn)確率,為近紅外光譜和電子鼻技術(shù)判別蘋果霉心病提供參考。

1 材料與方法

1.1 材料與儀器

試驗(yàn)材料：205個(gè)陜西省白水縣堯禾鎮(zhèn)農(nóng)家果園采收的“紅富士”健康蘋果和疑似霉心病蘋果,均由當(dāng)?shù)赜薪?jīng)驗(yàn)的果農(nóng)分辨(霉心病蘋果與健康果實(shí)相比,著色更早、更易脫落、質(zhì)量更輕,果實(shí)萼口大、萼筒長(zhǎng)且與果心相連的更易染病)。要求果實(shí)完整、體型一致、表面無明顯的機(jī)械損傷。在(0±1)℃,相對(duì)濕度85%～95%的冷庫保藏5 d。試驗(yàn)前,將蘋果取出,依次編號(hào),于常溫下(25±1)℃下放置24 h備用。

儀器：MPA型傅里葉變換近紅外光譜儀,Bruker Optics 公司；PEN3便攜型電子鼻,德國(guó)AIRSENSE公司。

1.2 試驗(yàn)方法

1.2.1 近紅外光譜采集

將待測(cè)蘋果水平放置,在蘋果赤道處標(biāo)記3個(gè)待測(cè)點(diǎn),使用固體光纖探頭采集待測(cè)蘋果近紅外光譜值[31]。近紅外光譜儀分辨率設(shè)為8 cm-1,波數(shù)范圍為12 000～4 000 cm-1,掃描64次。

1.2.2 基于主成分分析建立Fisher判別模型

以數(shù)字0和1分別代表健康果和霉心病果,隨機(jī)選取40個(gè)健康果和10個(gè)霉心病果作為Fisher判別模型的驗(yàn)證集,剩余155個(gè)蘋果作為建模集。經(jīng)原始光譜提取的前15個(gè)主成分作為自變量。

1.2.3 基于主成分分析建立多層感知器神經(jīng)網(wǎng)絡(luò)

參照袁鴻飛等[33]的研究方法并稍作修改,基于主成分分析建立3層感知器神經(jīng)網(wǎng)絡(luò)。其中模型訓(xùn)練集與測(cè)試集的相對(duì)數(shù)量比為7∶3；模型的輸入層單位為15,代表主成分個(gè)數(shù)；輸出層單位數(shù)為2,代表健康果實(shí)和霉心病果實(shí)；優(yōu)化算法選擇調(diào)整的共軛梯度,模型輸出層的激活函數(shù)設(shè)定為恒等函數(shù),模型隱藏層單位數(shù)為8,隱藏層的激活函數(shù)設(shè)定為雙曲正切函數(shù)。

1.2.4 電子鼻信號(hào)采集

將樣品放置于1 000 mL的玻璃燒杯中,密封后將玻璃燒杯(25±1)℃條件下靜置于1 h[30]。隨后使用進(jìn)樣針頂空取樣檢測(cè)[32]。內(nèi)部空氣流量與進(jìn)樣流量均為300 mL/min,電子鼻測(cè)定60 s,采用第59 s時(shí)的響應(yīng)值進(jìn)行數(shù)據(jù)分析。

電子鼻包含S1(W2W,有機(jī)硫化物)、S2(W35,芳香烷烴)、S3(W2S,乙醇)、S4(W1W,硫化氫)、S5(W1S,甲烷)、S6(W5C,烷烴)、S7(W6S,氫氣)、S8(W3C,氨類)、S9(W5S,氨氧化物)和S10(W1C,芳香苯類)10個(gè)傳感器陣列。

1.2.5 電子鼻結(jié)合化學(xué)計(jì)量法

在Fisher判別中,建模集由隨機(jī)選取的155個(gè)樣本組成,其中正常蘋果123個(gè),霉心病蘋果32個(gè)。驗(yàn)證集為剩余的50個(gè)樣本。因變量為第59 s時(shí)傳感器的響應(yīng)值,其中數(shù)字0和1分別代表正常蘋果和霉心病蘋果。同時(shí)建立4層多層感知器(multi-layer perceptron, MLP)神經(jīng)網(wǎng)絡(luò)模型和3層徑向基函數(shù)(radial basis function, RBF)神經(jīng)網(wǎng)絡(luò)[33],輸出層激活函數(shù)分別為Sigmoid和恒等函數(shù)；隱藏層激活函數(shù)分別為雙曲正切函數(shù)和Softmax。

1.3 數(shù)據(jù)處理

用 SPSS 20.0軟件進(jìn)行數(shù)據(jù)分析。

2 結(jié)果與討論

2.1 近紅外對(duì)蘋果霉心病的判別結(jié)果分析

2.1.1 健康蘋果和霉心病蘋果的近紅外光譜圖

選擇近紅外光譜范圍為12 000～4 000 cm-1,由圖1可知,健康蘋果和霉心病蘋果的近紅外光譜形狀相似,并出現(xiàn)了交叉重疊部分,很難直接從光譜圖上直觀區(qū)分出健康蘋果和霉心病蘋果,因此需要結(jié)合主成分分析區(qū)分霉心病蘋果和健康蘋果。

圖1 健康蘋果和霉心病蘋果的近紅外光譜圖Fig.1 Near infrared spectra of healthy apples and mildew apples

2.1.2 主成分提取

將采集蘋果的近紅外光譜吸光度全部導(dǎo)出,共有2 074個(gè)數(shù)據(jù)點(diǎn),形成205×2 074的數(shù)據(jù)矩陣。由于數(shù)據(jù)量大,計(jì)算復(fù)雜,因此利用SPSS 20.0對(duì)原始光譜進(jìn)行主成分提取。由圖2可知,前4項(xiàng)、8項(xiàng)、12項(xiàng)和20項(xiàng)主成分的累積貢獻(xiàn)率分別達(dá)到99.853%、99.983%、99.992%和99.997%,考慮到主成分選取過少可能會(huì)造成較大的判別誤差,為獲較高的判別率,選取前20個(gè)主成分進(jìn)行下一步分析。

圖2 原始光譜提取的前20個(gè)主成分的累積貢獻(xiàn)率Fig.2 The cumulative contribution rate of the first 20 principal components extracted from the original spectrum

2.1.3 基于主成分分析的Fisher判別

原始光譜結(jié)合前15個(gè)主成分的Fisher判別函數(shù)如公式(1)(2)所示：

健康蘋果：Y0=-0.602-0.234X1+0.404X2+0.84X3+0.426X4+0.081X5+0.238X6+0.055X7-0.198X8-0.567X9-0.107X10+0.524X11+0.374X12+0.446X13+0.161X14-0.363X15

(1)

霉心病蘋果：Y1=-3.076+1.147X1-0.543X2+0.180X3-0.734X4-0.574X5-0.266X6+0.304X7-0.262X8+1.067X9+0.272X10+0.001X11-0.549X12-0.808X13-0.814X14+0.191X15

(2)

式中：Xi表示第i個(gè)主成分,i= 1,2,…,15

比較Y0和Y1的數(shù)值大小,如果Y0>Y1,則被判為組0(健康蘋果),如果Y0

經(jīng)近紅外光掃描后,得到的正常蘋果和霉心病果光譜曲線形狀相近,難以直接區(qū)分,如果選取的主成分?jǐn)?shù)太少,可能會(huì)造成大的識(shí)別誤差；如果選取的主成分?jǐn)?shù)太多,會(huì)加大檢測(cè)難度。由表1可知,隨著主成分?jǐn)?shù)的增加,不同主成分?jǐn)?shù)建立的蘋果霉心病判別模型的正確判別率亦隨之增加,當(dāng)主成分?jǐn)?shù)選取15個(gè)時(shí),建模集預(yù)測(cè)準(zhǔn)確率與選取前20個(gè)主成分相等,均為90.3%,且原始光譜提取的前15個(gè)主成分建立的Fisher判別函數(shù)驗(yàn)證集的預(yù)測(cè)準(zhǔn)確率為72%,高于提取的前20個(gè)主成分的準(zhǔn)確率,因此主成分?jǐn)?shù)選取前15個(gè)最為合適。此外,霉心病蘋果驗(yàn)證集的判別率達(dá)到80%,而健康果驗(yàn)證集的判別率僅70%。說明模型準(zhǔn)確率可能與試驗(yàn)的霉心病蘋果發(fā)病程度有關(guān),若待測(cè)蘋果霉心病發(fā)病率低則不利于模型的驗(yàn)證。

表1 Fisher判別模型對(duì)不同主成分?jǐn)?shù)訓(xùn)練集和驗(yàn)證集的判別結(jié)果Table 1 Results of Fisher discriminant model for training sets and validation sets with different principal component numbers

2.1.4 基于主成分分析的多層感知器神經(jīng)網(wǎng)絡(luò)

對(duì)訓(xùn)練集和測(cè)試集的預(yù)測(cè)準(zhǔn)確率見表2。訓(xùn)練集和測(cè)試集的總體判別準(zhǔn)確率分別為90.5%和87.7%。在測(cè)試集中,健康蘋果和霉心病蘋果的判別準(zhǔn)確率分別達(dá)到89.4%和80.0%。

表2 MLP神經(jīng)網(wǎng)絡(luò)模型對(duì)待測(cè)蘋果訓(xùn)練集和測(cè)試集的判別結(jié)果Table 2 Results of MLP neural network model for training and test sets

2.2 電子鼻對(duì)蘋果霉心病的判別結(jié)果分析

2.2.1 Fisher判別

Fisher判別方程如公式(3)、(4)所示：

健康蘋果:W0=-9 340.922+13 555.112S1-38.575S2-4 136.112S3+7 427.488S4-3 245.635S5+1 535.012S6+79.111S7-1 414.401S8+2 286.279S9+2 585.537S10

(3)

霉心病蘋果:W1=-9 300.939+13 715.232S1-

39.183S2-4 386.051S3+7 361.378S4-3 135.557S5+

1 541.941S6+79.825S7-1 425.087S8+2 230.113S9+

2 650.592S10

(4)

式中：Si表示電子鼻第i個(gè)傳感器,i= 1,2,…,10

比較W0和W1的計(jì)算結(jié)果,若W0>W1,則被判為組0(健康果),若W0

表3 Fisher判別函數(shù)對(duì)待測(cè)蘋果的判別結(jié)果Table 3 Result of Fisher discriminant function on apple test

2.2.2 MLP神經(jīng)網(wǎng)絡(luò)

由表4可知,MLP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練集總體判別準(zhǔn)確率為87.9%,測(cè)試集的總體判別準(zhǔn)確率為86.2%。但霉心病蘋果測(cè)試集和訓(xùn)練集的判別結(jié)果均較低,分別為64.7%和68%。

表4 MLP神經(jīng)網(wǎng)絡(luò)模型對(duì)待測(cè)蘋果的判別結(jié)果Table 4 Result of MLP neural network model on apple test

2.2.3 RBF神經(jīng)網(wǎng)絡(luò)

由表5可知,通過RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè),訓(xùn)練集的總體識(shí)別準(zhǔn)確率為86.3%,測(cè)試集的總體識(shí)別準(zhǔn)確率為82.4%,但測(cè)試集中霉心病蘋果識(shí)別準(zhǔn)確率僅為50%,遠(yuǎn)低于總體識(shí)別準(zhǔn)確率。

表5 RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)待測(cè)蘋果的判別結(jié)果Table 5 Result of RBF neural network model on apple test

綜上所述,電子鼻結(jié)合Fisher判別函數(shù)的建模集的判別結(jié)果最好,但驗(yàn)證集的預(yù)測(cè)準(zhǔn)確率均低于RBF神經(jīng)網(wǎng)絡(luò)和MLP神經(jīng)網(wǎng)絡(luò)。根據(jù)建模集和驗(yàn)證集的預(yù)測(cè)準(zhǔn)確率綜合考慮,電子鼻結(jié)合MLP神經(jīng)網(wǎng)絡(luò)模型可以很好地對(duì)蘋果霉心病進(jìn)行判別。

3 結(jié)論

本文實(shí)現(xiàn)了FT-NIR和電子鼻技術(shù)對(duì)“紅富士”蘋果霉心病的快速、無損檢測(cè)。

使用近紅外原始光譜提取的前15個(gè)主成分建立的Fisher判別函數(shù)模型的正確判別率達(dá)到最高,為72%；建立的MLP神經(jīng)網(wǎng)絡(luò)對(duì)蘋果霉心病的正確判別率為87.7%，且MLP神經(jīng)網(wǎng)絡(luò)測(cè)試集中霉心病果的檢測(cè)準(zhǔn)確率更加穩(wěn)定,因此從驗(yàn)證的準(zhǔn)確度和穩(wěn)定性兩方面均可知近紅外光譜技術(shù)結(jié)合MLP神經(jīng)網(wǎng)絡(luò)模型可以較好地判別蘋果是否得霉心病。但在實(shí)際中,由于樣品地域、環(huán)境、年份等具有局限性,不同品種蘋果霉心病發(fā)病率可能存在較大差異,若樣品的發(fā)病率普遍偏低,可能會(huì)對(duì)模型產(chǎn)生一定的影響,導(dǎo)致準(zhǔn)確率下降,因此還需深入研究。

電子鼻可以較好地判別蘋果霉心病。從建模集和驗(yàn)證集的預(yù)測(cè)準(zhǔn)確率方面綜合比較發(fā)現(xiàn)，電子鼻結(jié)合MLP神經(jīng)網(wǎng)絡(luò)模型對(duì)蘋果霉心病的判別效果最好,其中訓(xùn)練集預(yù)測(cè)準(zhǔn)確率可達(dá)到87.9%,測(cè)試集的預(yù)測(cè)準(zhǔn)確率為86.2%。說明電子鼻結(jié)合化學(xué)計(jì)量學(xué)的方法對(duì)識(shí)別蘋果霉心病是可行的,為電子鼻應(yīng)用于蘋果霉心病的無損檢測(cè)提供了重要的依據(jù)和技術(shù)思路。以后的研究還需針對(duì)不同蘋果品種做進(jìn)一步探討,并結(jié)合電子鼻中傳感器的優(yōu)化做進(jìn)一步研究。

近紅外原始光譜與電子鼻均可對(duì)蘋果霉心病進(jìn)行很好的識(shí)別,考慮到儀器對(duì)蘋果霉心病的識(shí)別準(zhǔn)確度以及使用中的效率問題和檢測(cè)成本因素,FT-NIRS比電子鼻檢測(cè)蘋果霉心病的效果更好。

目前蘋果無損檢測(cè)技術(shù)有了巨大的發(fā)展和應(yīng)用,如光譜檢測(cè)技術(shù)、成像檢測(cè)技術(shù)、仿生智能感官檢測(cè)技術(shù)等,本試驗(yàn)中只對(duì)近紅外光譜檢測(cè)技術(shù)與電子鼻檢測(cè)技術(shù)進(jìn)行了建模比較。目前的無損檢測(cè)技術(shù)只能從一個(gè)方面區(qū)分霉心病蘋果果實(shí),不能完整地反映霉心病與健康蘋果果實(shí)理化品質(zhì)的區(qū)別,隨著多傳感器信息融合技術(shù)在食品檢測(cè)中的應(yīng)用,可在區(qū)分霉心病蘋果果實(shí)的同時(shí)很好地反映果實(shí)的理化性質(zhì),日后蘋果無損檢測(cè)技術(shù)無疑會(huì)更加多樣化。