基于電子鼻表征霉心病蘋(píng)果特征氣味及無(wú)損檢測(cè)模型建立

張建超，張鵬，薛友林，賈曉昱，李江闊

1(遼寧大學(xué) 輕型產(chǎn)業(yè)學(xué)院，遼寧 沈陽(yáng)，110036)2(天津市農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品保鮮與加工技術(shù)研究所，天津，300384)3(國(guó)家農(nóng)產(chǎn)品保鮮工程技術(shù)研究中心(天津)，農(nóng)業(yè)農(nóng)村部農(nóng)產(chǎn)品貯藏保鮮重點(diǎn)實(shí)驗(yàn)室，天津市農(nóng)產(chǎn)品采后生理與貯藏保鮮重點(diǎn)實(shí)驗(yàn)室，天津，300384)

蘋(píng)果富含豐富的營(yíng)養(yǎng)，是我國(guó)的主要水果品種之一[1]。優(yōu)質(zhì)果和精品果少是制約我國(guó)蘋(píng)果產(chǎn)業(yè)快速健康發(fā)展的突出因素，也是導(dǎo)致我國(guó)蘋(píng)果出口率低的重要原因[2-3]。霉心病是影響蘋(píng)果內(nèi)部品質(zhì)和產(chǎn)量的主要病害，針對(duì)此病害的報(bào)道覆蓋于我國(guó)的各個(gè)產(chǎn)區(qū)[4]。其發(fā)病特點(diǎn)是霉心病致病菌侵染蘋(píng)果后，蘋(píng)果從果實(shí)心室往外逐漸腐爛，但是在果實(shí)外表并沒(méi)有表現(xiàn)出明顯的病害特征[5-6]。因?yàn)槲覈?guó)對(duì)霉心病缺乏有效的無(wú)損檢測(cè)技術(shù)，影響了蘋(píng)果的品質(zhì)控制和銷(xiāo)售市場(chǎng)[7]。

目前，霉心病蘋(píng)果的無(wú)損檢測(cè)技術(shù)主要有近紅外光譜檢測(cè)技術(shù)[8-9]、核磁共振檢測(cè)技術(shù)[10-11]、生物電阻抗特性檢測(cè)技術(shù)[12-13]、成像檢測(cè)技術(shù)[14-15]和機(jī)器智能感官仿生檢測(cè)技術(shù)[16-17]。但這些技術(shù)存在檢測(cè)要求全面、分析過(guò)程復(fù)雜、成本高和耗時(shí)長(zhǎng)等缺點(diǎn)。

電子鼻檢測(cè)技術(shù)是一種智能仿生嗅覺(jué)技術(shù)。其操作簡(jiǎn)單、檢測(cè)迅速、識(shí)別效果好，近年來(lái)，電子鼻技術(shù)也慢慢成為水果品質(zhì)無(wú)損檢測(cè)的重要手段，電子鼻在蘋(píng)果[18]、枸杞[19]、葡萄[20]、梨[21]、柑橘[22]等水果品質(zhì)檢測(cè)、成熟度和貨架期[23-24]鑒定方面得到廣泛應(yīng)用。朱娜等[25]對(duì)八成熟“紅顏”草莓分別接種灰霉、擴(kuò)展青霉以及根霉3種病原菌，然后利用PEN3電子鼻獲取霉菌感染后草莓的氣味并且選擇主成分分析(principal component analysis，PCA)和Fisher函數(shù)建立判別草莓所感病原菌類(lèi)型的判別模型。HERNANDEZ等[26]利用電子鼻PEN2系統(tǒng)對(duì)貯藏期間柑橘果實(shí)氣味的變化進(jìn)行評(píng)估，并且使用線(xiàn)性判別分析(linear discriminant analysis，LDA)和PCA來(lái)區(qū)分柑橘的貯藏時(shí)間，發(fā)現(xiàn)LDA效果優(yōu)于PCA。另外，霉心病蘋(píng)果也會(huì)產(chǎn)生區(qū)別于健康蘋(píng)果的氣味，因此采用電子鼻進(jìn)行霉心病的無(wú)損檢測(cè)具有很大的潛能。

本文以富士蘋(píng)果為研究對(duì)象，利用電子鼻技術(shù)采集不同等級(jí)霉心病蘋(píng)果的傳感器信息，并基于PCA、聚類(lèi)分析(hierarchical cluster analysi，HCA)和正交偏最小二乘法-判別分析(orthogonal partial least squares-discriminant analysis，OPLS-DA)來(lái)表征霉心病蘋(píng)果的特征香氣成分；然后基于SPSS 23.0軟件構(gòu)建蘋(píng)果霉心病Fisher函數(shù)、多層感知器神經(jīng)網(wǎng)絡(luò)(muhilayer perceptron neural network，MLPNN)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(radial basis function neural network，RBFNN)判別模型。

1 材料與方法

1.1 材料

霉心病蘋(píng)果為富士蘋(píng)果，于2019年11月采自甘肅慶陽(yáng)蘋(píng)果示范園。

1.2 儀器與設(shè)備

KF-568電子天平，中國(guó)·凱豐集團(tuán)；PEN3型便攜式電子鼻，德國(guó)Airsense公司。

1.3 不同等級(jí)霉心病蘋(píng)果的劃分

為判斷霉心病蘋(píng)果的腐爛程度，將霉心病蘋(píng)果沿著果實(shí)中心赤道處切開(kāi)，對(duì)蘋(píng)果整果的截面直徑及霉變區(qū)域的直徑進(jìn)行測(cè)量，計(jì)算病變部分所占整果截面面積的百分比(Sd)，然后根據(jù)百分比來(lái)劃定霉心病蘋(píng)果的病變程度。規(guī)定健康果：Sd=0；輕度霉心病果：Sd<10%；中度霉心病果：10%≤Sd<30%和重度霉心病果：Sd≥30%，因此將霉心病蘋(píng)果分為4個(gè)等級(jí)，即：健康果、輕度果、中度果和重度果，如圖1所示。

a-健康果；b-輕度霉心病果；c-中度霉心病果；d-重度霉心病果圖1 不同等級(jí)富士蘋(píng)果霉心病果實(shí)樣本Fig.1 Fruit samples of fuji apple core rot with different grades

1.4 實(shí)驗(yàn)方法

選取大小一致、外表無(wú)損傷的果實(shí)進(jìn)行編號(hào)。將編好號(hào)的待測(cè)霉心病蘋(píng)果裝進(jìn)1 000 mL的燒杯，然后將其密封，常溫平衡10 min后進(jìn)行電子鼻數(shù)據(jù)的采集。采集條件：測(cè)試前傳感器清洗時(shí)間為600 s，自動(dòng)調(diào)零時(shí)間和樣品準(zhǔn)備時(shí)間分別為10和5 s，樣品測(cè)定時(shí)間為70 s，2個(gè)樣品測(cè)定間隔時(shí)間為50 s，內(nèi)部流量和進(jìn)樣流量均為100 mL/min。測(cè)定結(jié)束后選取傳感器響應(yīng)值較穩(wěn)定的第66～68 s的測(cè)試數(shù)據(jù)用于后續(xù)的分析處理。電子鼻傳感器陣列即由10個(gè)傳感器組成，其性能如表1所示：

1.5 數(shù)據(jù)統(tǒng)計(jì)與分析

實(shí)驗(yàn)中的數(shù)據(jù)通過(guò)SIMCA 14.0軟件進(jìn)行PCA、HCA和OPLS-DA分析，利用SPSS 23.0軟件建立蘋(píng)果霉心病Fisher函數(shù)、MLPNN和RBFNN判別模型。

表1 電子鼻傳感器陣列及其性能Table 1 Electronic nose sensor array and its performance

2 結(jié)果與分析

2.1 基于電子鼻技術(shù)對(duì)蘋(píng)果霉心病特征揮發(fā)性香氣的表征

隨機(jī)選取不同等級(jí)的蘋(píng)果各10個(gè)(選取的健康果編號(hào)為1～10，選取的輕度霉心病果編號(hào)為11～20，選取的中度霉心病果編號(hào)為21～30，選取的重度霉心病果編號(hào)為31～40)，然后選擇較平穩(wěn)的第66～68 s電子鼻數(shù)據(jù)的平均值建立PCA、HCA和OPLS-DA模型來(lái)表征蘋(píng)果霉心病特征揮發(fā)性氣味，分別見(jiàn)圖2～圖4。

2.1.1 PCA分析

PCA是通過(guò)特征分解將一組具有相關(guān)性的變量轉(zhuǎn)化成一組不相關(guān)變量，從而形成一組新的變量來(lái)降低原始數(shù)據(jù)集維度的一種無(wú)監(jiān)督分析方法[27]。由圖2 可以看出，第一主成分和第二主成分的總貢獻(xiàn)率為78.5%，能夠較好地反映原有信息。其中，第一主成分的貢獻(xiàn)率為67.2%，對(duì)不同等級(jí)蘋(píng)果霉心病的揮發(fā)性氣味具有較好的區(qū)分，在第一主成分上從右到左依次分布的是健康果、輕度果、中度果和重度果。載荷圖(圖2-b)展示出不同傳感器的分布位置，其與得分圖中樣本的分布位置相對(duì)應(yīng)，則表示該等級(jí)霉心病果的傳感器的響應(yīng)值越高，反之，則越低[28]。由圖2可知，健康果均處于X軸的正半軸，重度果均處于X軸的負(fù)半軸。圖2-b中右下角的傳感器(W5C、W1C和W3C)的位置對(duì)應(yīng)于圖2-a中的健康果的位置，表明健康果對(duì)應(yīng)的傳感器(W5C、W1C和W3C)的響應(yīng)值更高，同理可知，重度霉心病果對(duì)應(yīng)的傳感器(W1S、W2S、W1W和W5S)的響應(yīng)值更高。結(jié)果表明，健康果的特征傳感器有W5C、W1C和W3C，重度果的特征傳感器有W1S、W2S、W1W和W5S，輕度果和中度果傳感器的響應(yīng)值介于健康果和重度果之間。

a-主成分得分圖；b-載荷圖圖2 不同等級(jí)霉心病蘋(píng)果的PCA圖Fig.2 PCA diagram of apple core rot with different grades

2.1.2 HCA分析

根據(jù)PCA結(jié)果，利用HCA將不同等級(jí)的霉心病蘋(píng)果的電子鼻信息進(jìn)行分類(lèi)，以直觀的圖形方式解釋結(jié)果。由圖3可知，HCA顯示出2個(gè)清晰的聚類(lèi)，A組(樣本31～40，即：重度果)和B組(樣本1～30，包括健康果、輕度果和中度果)。B組也可以分為2個(gè)小組，樣本1～10、13和16形成了一個(gè)獨(dú)特的亞群(B1)，從B1可以看到除了樣本13和16外，其他的樣本都是健康果；剩下的樣本是輕度果和中度果，被分配到B2組。因此可以得出結(jié)論，與健康果相比，霉心病果的揮發(fā)性氣味會(huì)發(fā)生相應(yīng)的變化，且病變等級(jí)越高，揮發(fā)性氣味的變化越大。

圖3 不同等級(jí)霉心病蘋(píng)果的聚類(lèi)分析樹(shù)狀圖Fig.3 Dendrogram of apple core rot with different grades by HCA

2.1.3 OPLS-DA分析

OPLS-DA是正交信號(hào)校正(orthogonal signal correction，OSC)和偏最小二乘回歸(partial least squares regression，PLSR)的組合，同時(shí)改進(jìn)了PLSR，與PLSR-DA相比，OPLS-DA區(qū)分效果更好，更符合事實(shí)[29]。使用OPLS-DA分析每個(gè)組的特征香氣成分是KHALIL等[30]的一項(xiàng)大膽創(chuàng)新，用于分析13種棗椰子果實(shí)品種的揮發(fā)性成分。

根據(jù)HCA的分類(lèi)結(jié)果，OPLS-DA用于區(qū)分A組和B組的揮發(fā)性氣味(圖4)，可以看出A組和B組得到明顯區(qū)分，A組分布在右側(cè)，B組分布在左側(cè)。

a-OPLS-DA得分圖；b-S-Plot圖4 OPLS-DA分析Fig.4 OPLS-DA analysis注：A組為樣本1～10(即：重度果)，B組為樣本11～40(即：健康果、輕度果和中度果)

S-Plot圖中的每一點(diǎn)代表不同等級(jí)蘋(píng)果的電子鼻傳感器信息，其中離原點(diǎn)越近表示指標(biāo)的差異越小，離原點(diǎn)越遠(yuǎn)表示指標(biāo)的差異越大。根據(jù)變量投影重要性(variable importance in the projection，VIP)對(duì)變量進(jìn)行篩選，VIP ≥ 1是相對(duì)差異較大的指標(biāo)[31](紅色三角形)，VIP<1是相對(duì)差異較小的指標(biāo)(綠色圓點(diǎn))?？梢缘贸?，傳感器W1S、W2S、W1W和W5S在Group B(健康果、輕度果和中度果)和Group A(重度果)間的差異最大(VIP≥1)，即W1S、W2S、W1W和W5S傳感器為重度果的特征傳感器。

2.2 基于Fisher函數(shù)建立霉心病蘋(píng)果判別模型

用數(shù)字1表示健康蘋(píng)果，用數(shù)字2表示霉心病蘋(píng)果，從所有樣本中隨機(jī)選取120個(gè)健康蘋(píng)果和80個(gè)霉心病蘋(píng)果(包括30個(gè)輕度霉心病蘋(píng)果，30個(gè)中度霉心病蘋(píng)果和20個(gè)重度霉心病蘋(píng)果)作為建模集。剩余的82個(gè)蘋(píng)果樣本(包括健康果45個(gè)，輕度霉心病果16個(gè)，中度霉心病果11個(gè)和重度霉心病果10個(gè))作為驗(yàn)證集。將較平穩(wěn)的第66～68 s電子鼻數(shù)據(jù)的平均值輸入SPSS 23.0軟件來(lái)建立Fisher函數(shù)判別模型。建立的Fisher判別函數(shù)如下，訓(xùn)練集和測(cè)試集的預(yù)測(cè)準(zhǔn)確率見(jiàn)表2。

Fisher 判別方程為：

健康蘋(píng)果：F1=-14 855.64-6 425.45X1-38.25X2+13 434.36X3+5 599.27X4+260.14X5+902.94X6+212.56X7+71.19X8+16 151.96X9-403.27X10

霉心病蘋(píng)果：F2=-14 895.41-6 549.40X1-41.64X2+13 558.39X3+5 613.02X4+298.48X5+889.98X6+224.34X7+71.87X8+16 108.48X9-375.21X10

式中:X1,X2,X3,X4,X5,X6,X7,X8,X9和X10分別代表電子鼻W1C, W5S, W3C, W6S, W5C, W1S, W1W, W2S, W2W和W3S的響應(yīng)值。

比較F1和F2值的大小，若F1>F2，則被記為數(shù)字1，即健康果；若F1

表2 Fisher判別函數(shù)對(duì)健康蘋(píng)果和霉心病蘋(píng)果的判別結(jié)果Table 2 Discriminant results of fisher discriminant function′s for healthy apple and core rot apple

2.3 基于神經(jīng)網(wǎng)絡(luò)建立霉心病蘋(píng)果判別模型

2.3.1 MLPNN判別模型

在蘋(píng)果樣本中隨機(jī)選取121個(gè)健康蘋(píng)果和81個(gè)霉心病蘋(píng)果作為訓(xùn)練集，其中霉心病蘋(píng)果樣本包括30個(gè)輕度霉心病蘋(píng)果，30個(gè)中度霉心病蘋(píng)果和21個(gè)重度霉心病蘋(píng)果。剩余的78個(gè)蘋(píng)果樣本(包括健康果44個(gè)，輕度霉心病果15個(gè)，中度霉心病果12個(gè)和重度霉心病果7個(gè))作為驗(yàn)證集。將較平穩(wěn)的第66～68 s電子鼻數(shù)據(jù)的平均值輸入SPSS 23.0軟件建立3層MLP 神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練集與測(cè)試集的相對(duì)數(shù)量比為7∶3。模型輸入層的單位數(shù)為10，即為電子鼻10個(gè)傳感器的響應(yīng)值，其協(xié)變量的重新標(biāo)度方法為：標(biāo)準(zhǔn)化；模型輸出層的單位數(shù)為2，即代表健康蘋(píng)果和霉心病蘋(píng)果，激活函數(shù)為Softmax，誤差函數(shù)為交叉商；1層隱藏層，其單位數(shù)為5，激活函數(shù)為雙曲正切。

根據(jù)上述MLPNN模型建立蘋(píng)果霉心病判別模型，樣本的分布情況以及判別結(jié)果見(jiàn)表3。MLPNN模型對(duì)健康果和重度果的判別率較高，其中健康果的訓(xùn)練集和測(cè)試集的判別率分別為90.08%和93.18%，重度果的訓(xùn)練集和測(cè)試集的判別率分別為95.24%和100%。MLPNN模型對(duì)建模集和驗(yàn)證集的總體判別率分別為88.61%和88.46%，但輕度果驗(yàn)證集的判別效果不理想，僅為73.33%。建模結(jié)果表明，電子鼻結(jié)合MLPNN模型能夠較好地識(shí)別健康果、中度果及重度果，但是由于輕度果自身發(fā)病程度低的原因，利用電子鼻結(jié)合MLPNN模型對(duì)蘋(píng)果霉心病的區(qū)分精度有待進(jìn)一步的研究。

表3 MLPNN對(duì)健康蘋(píng)果和霉心病蘋(píng)果的判別結(jié)果Table 3 Discriminant results of MLPNN for healthy apple and core rot apple

2.3.2 RBFNN判別模型

在蘋(píng)果樣本中隨機(jī)選取118個(gè)健康蘋(píng)果和82個(gè)霉心病蘋(píng)果作為訓(xùn)練集，其中霉心病蘋(píng)果樣本包括30個(gè)輕度霉心病蘋(píng)果，30個(gè)中度霉心病蘋(píng)果和22個(gè)重度霉心病蘋(píng)果。剩余的84個(gè)蘋(píng)果樣本(包括健康果40個(gè)，輕度霉心病果21個(gè)，中度霉心病果14個(gè)和重度霉心病果9個(gè))作為驗(yàn)證集。將較為穩(wěn)定的第66～68 s電子鼻10個(gè)傳感器的響應(yīng)值的平均值輸入SPSS 23.0軟件建立3層RBF神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練集與測(cè)試集的相對(duì)數(shù)量為7∶3。模型輸入層的單位數(shù)為10，即為電子鼻10個(gè)傳感器的響應(yīng)值，其協(xié)變量的重新標(biāo)度方法為標(biāo)準(zhǔn)化；模型輸出層的單位數(shù)為2，即代表健康蘋(píng)果和霉心病蘋(píng)果，其激活函數(shù)為恒等式，誤差函數(shù)為平方和；1層隱藏層，其單位數(shù)為46，激活函數(shù)為Softmax。

由表4可知，RBFNN模型對(duì)健康果的訓(xùn)練集和測(cè)試集的判別率分別為92.37%和82.5%，對(duì)重度果的訓(xùn)練集和測(cè)試集的判別率分別為95.45%和88.89%，具有較好的判別效果；RBFNN模型對(duì)輕度果和中度果的測(cè)試集的判別率較低，分別為76.19%和78.57%。RBFNN判別模型對(duì)訓(xùn)練集和測(cè)試集的總體判別率分別為93.5%和80.95%，其判別率低于MLPNN模型，高于Fisher判別函數(shù)模型。研究結(jié)果表明，利用RBFNN建立電子鼻霉心病判別模型的判別效果次于MLPNN建立的電子鼻判別模型，優(yōu)于Fisher判別函數(shù)建立的電子鼻判別模型，在今后的研究中也需要進(jìn)一步的優(yōu)化。

表4 RBFNN對(duì)健康蘋(píng)果和霉心病蘋(píng)果的判別結(jié)果Table 4 Discriminant results of RBFNN for healthy apple and core rot apple

3 結(jié)論與討論

正利用SIMCA軟件對(duì)采集的不同等級(jí)霉心病蘋(píng)果的電子鼻信息進(jìn)行PCA、HCA和OPLS-DA分析。結(jié)果表明，重度果的揮發(fā)性氣味與其他等級(jí)果有明顯的差異，重度果的特征傳感器有W1S、W2S、W1W和W5S，輕度果和中度果的傳感器響應(yīng)值介于健康果和重度果的傳感器之間。因此可以得出結(jié)論，與健康果相比，霉心病果的揮發(fā)性氣味會(huì)發(fā)生相應(yīng)的變化，且病變等級(jí)越高，揮發(fā)性氣味的變化越大。

利用SPSS 23.0軟件建立霉心病蘋(píng)果Fisher判別函數(shù)、MLPNN和RBFNN判別模型。研究結(jié)果表明，MLPNN模型的判別效果最好，其對(duì)訓(xùn)練集和測(cè)試集的總體判別率分別為88.61%和88.46%；RBFNN模型的判別效果次之，其對(duì)訓(xùn)練集和測(cè)試集的總體判別率分別為93.5%和80.95%；Fisher判別函數(shù)的判別效果最差，其對(duì)訓(xùn)練集和驗(yàn)證集的總體判別率分別為91.50%和79.27%。另外，3種判別模型對(duì)健康果和重度果都有很好的判別效果，F(xiàn)isher判別函數(shù)、MLPNN和RBFNN判別模型對(duì)健康果判別率分別為82.22%、93.18%和82.50%，對(duì)重度果的判別率分別為90.00%、100.00%和88.89%；3種模型對(duì)輕度果的判別效果最不理想，MLPNN和RBFNN判別模型對(duì)輕度果的判別率分別為73.33%和76.19%，特別是電子鼻結(jié)合Fisher判別函數(shù)對(duì)驗(yàn)證集的判別率僅為62.5%，需要在今后的研究中進(jìn)一步優(yōu)化。