近紅外光譜聯合化學計量學在柑橘類水果質量無損檢測方面的最新研究及應用進展

李晉,張琛,劉紅,張偉清,何鴻舉

1(鄭州鐵路職業技術學院 藥學院,河南 鄭州,451460)2(新鄉工程學院 信息工程學院,河南 新鄉,453700) 3(海南師范大學 化學與化工學院/?？谑袩釒厣幨惩粗参镅芯颗c開發重點實驗室,海南 ?？?571158) 4(浙江省柑桔研究所,浙江 黃巖,318026)5(河南科技學院 食品學院,河南 新鄉,453003)

柑橘類水果是柑、橘、橙、柚、檸檬等的總稱,是世界第一大類水果,在全球范圍內140多個國家廣泛栽種,年均產量高達1億t[1],在世界水果經濟與貿易中占有重要的地位。我國是柑橘類水果的生產和出口大國,種植面積超過4 000萬畝,產量超4 000萬t,占世界柑橘類水果總產量22%[2-3],其中以南方地區種植面積最廣,廣西、湖南、湖北產量位居全國前三。柑橘類水果富含多種營養成分(如碳水化合物、維生素C、礦物質等)和多種天然生物活性成分(如胡蘿卜素、黃酮類化合物等)[4]。柑橘類水果消費需求逐年增長,消費者對其高品質更加渴望。

盡管我國柑橘類水果種植生產處于世界前列,但產后處理技術與裝備研發應用較滯后,使得我國柑橘類水果在參與國際市場和貿易方面缺乏足夠競爭力,世界市場占有率并不是很高[5]。目前對柑橘類水果產后內外部品質、分類分級、病蟲害等多方面檢測大多采用傳統意義上的有損方法,即破壞性檢測,操作繁瑣且僅適合小批量抽樣檢測使用[6]。為了實現大批量樣本的快速無損檢測,提升柑橘類水果產業的后處理水平,國內外學者相繼提出并研究了許多新的檢測方法,如機器視覺技術[7]、超聲波技術[8]、電子鼻技術[9]、低磁場共振技術[10]、光譜技術[11]等。其中,近紅外(near-infrared,NIR)光譜技術可實現便捷、快速、無損檢測,被大量用于各種農產品/食品檢測研究[12]。

NIR光譜技術在水果中的無損檢測研究已被大量報道,為全面了解NIR光譜技術在柑橘類水果中的應有優勢及潛力,本文歸納總結了近五年來NIR光譜技術在柑橘類水果內部成分、外部缺陷、活性物質、病害、品種、分類、產地等方面的最新檢測研究及應用進展,為設計研發專業化的水果檢測儀器和設備提供更多數據支撐,同時也為NIR光譜技術的拓展應用研究提供新的思路。

1 NIR光譜技術用于柑橘類水果內部品質評價

柑橘類水果富含多種營養成分,其質量優劣可用多個內部品質指標進行評價,如可溶性固形物含量(soluble solid content, SSC)、酸度、成熟度等。SSC是柑橘類水果營養成份的基礎,主要成分是可溶性糖[15],直接影響水果的甜度、色澤和風味,常被用于評價水果糖度和成熟度[16]。這類內部品質的評價常采用化學法[17]。為了尋找一種快速評價方法,諸多學者開展了基于NIR光譜技術的柑橘類水果內部品質檢測研究。

續表1

續表1

NIR光譜預測橙子SSC的研究也不少,王旭[30]使用更寬范圍的可見/近紅外(VIS/NIR)光譜信息(350～1 800 nm)預測冰糖橙SSC,校正模型優于預測模型(RP=0.795 0,RMSEP=0.573 0 °Brix),模型預測精度有待進一步提高。相比之下,臍橙中SSC的NIR預測研究更多,孫通等[31]和劉燕德等[32]基于相同的可見/短波(VIS/SW)NIR光譜(350～1 000 nm)構建PLS模型預測臍橙SSC,校正模型效果幾乎相同,但是前者預測模型效果更好(RP=0.944,RMSEP=0.324%);SONG等[33]和HAO等[34]基于篩選的最優波長構建PLS模型預測臍橙SSC,后者所建模型的預測效果明顯優于前者(RP=0.981,RMSEP=0.313 °Brix),這可能源于后者使用了更多的波長變量(200個),保留了更多與SSC預測相關的NIR光譜信息。

總之,NIR光譜技術用于檢測柑橘類水果內部品質指標具有可行性和潛在應用性。從近年來的統計結果可以看出,柑橘的NIR檢測研究最多,橙子和柚子相對較少。柑橘、橙子、柚子等柑橘類水果中的SSC依然是NIR光譜技術研究的重點和主要內容,這與SSC直接影響水果口感有關,SSC差異在2 °Brix以上,水果口感差異明顯[27]。同時,這些研究也間接反映出柑橘類水果市場更加關注SSC。順應柑橘類水果市場需求,實現快速評價柑橘類水果內部品質將有助于提升柑橘市場的健康發展。

2 NIR光譜技術用于柑橘類水果病害檢測和凍害識別

柑橘果實采后貯藏期間常發生兩大類病害:一類是由真菌引起的侵染性病害(如霉心病),這是導致柑橘腐爛的主要因素[38];一類是因生理失調引起的生理性病害[39],如枯水。柑橘類水果病害及其快速鑒定是面臨的挑戰之一。GHOOSHKHANEH等[40]采集橙子莖端、赤道端和花柱端3個區域的VIS/NIR反射光譜(400～1 100 nm)用以鑒別由鏈格孢菌引發的霉心病(圖1-a),構建的反向傳播神經網絡(back propagation neural network,BPNN)模型對Thompson品種的訓練集、驗證集和測試集樣品的鑒別正確率分別為94%、90%和93%,對Jaffa品種的訓練集、驗證集和測試集樣品的鑒別正確率分別為97%、91%和97%(表2),該模型具有潛在的推廣應用價值。

柑橘枯水主要發生在果實成熟期和貯藏期,果實干而無水、化渣性差、糖酸等風味物質降低,是目前生產上比較常見的一種生理性病害。發病后果實外觀并無明顯變化,很難分辨出,其病癥表現主要在果實內部。THEANJUMPOL等[21]利用SW-NIR光譜(700～1 100 nm)構建非線性的監督自組織圖譜(supervision self-organizing map,SSOM)模型識別柑橘枯水病害等級(圖1-b),并進行分類研究,SSOM對測試樣本的預測能力、模型穩定性和分類正確率分別達到93.7%、95.3%和94.0%。以不同季節收獲的柑桔為獨立外部樣本驗證SSOM模型,分類正確率為78.4%,模型效果有待提高。

“浮皮”作為一種常見柑橘外部缺(圖1-c),也是一種生理病害,多出現在表皮薄而軟、容易剝離的寬皮類柑橘中,主要發生在柑橘果實成熟后期。李軼凡[41]提出采用VIS/NIR漫透射技術研究柑橘浮皮的檢測可行性。作者分別建立主成分分析(principal component analysis, PCA)、反向傳播人工神經網絡(back propagation artificial neural network,BP-ANN)、最小二乘支持向量機(least squares support vector machine, LS-SVM)和偏最小二乘判別分析(partial least squares discriminant analysis, PLS-DA)等4種判別模型,經測試樣本驗證的判別正確率可達100%。

皮凹陷常發生于水果收獲后3～5周內(圖1-d),是一種果皮生理紊亂導致,在商業化生產的分級分揀中很難被發現,對水果品質和消費產生很大的消極影響。NCAMA等[42]探索了基于VIS/NIR光譜的西柚皮凹陷快速無損檢測方法,基于西柚冠層位置和果皮點蝕易感性,PCA可成功用于分離出果實?？傮w近年來NIR用于檢測果實病害的研究較少,大多數集中在果樹和樹葉病害方面[45-46]。

a-橙子霉心病[40];b-柑橘枯水等級[21];c-柑橘浮皮果[41];d-西柚皮凹陷[42]

表2 NIR光譜技術在柑橘類水果病害和凍害方面的檢測應用Table 2 Application of NIR spectroscopy in detection of diseases and classification of freezing damages in citrus fruits

續表2

當溫度低于冰點的時候,柑橘水果在樹上或在采后運輸儲藏中易發生凍害,其品質受到很大影響,因此,凍害的快速識別顯得尤為重要。MOOMKESH等[43]通過研究3種模式(反射、半透射和全透射)的SW-NIR光譜(400～1 100 nm)檢測檸檬凍害(圖2-a),經對比發現,半透射光更適用于早期識別檸檬凍害,且全波段主成分-人工神經網絡(PCA-ANN)模型鑒別正確率可達100%?；诖仡惇毩④浤Ｊ?soft independent modeling of class analogies,SIMCA)篩選特征光譜后,ANN模型檢測效果優于SVM模型,對不同程度的檸檬凍害鑒別正確率分別為100%(正常)、100%(一級凍害)、83.3%(二級凍害)和100%(三級凍害),總體正確率為96.3%,和全波段相比,雖然有所降低,但更少的光譜更有利于開發在線凍害檢測系統。

與之不同,TIAN等[44]自行設計研發了一套VIS/NIR光譜測量系統(644～900 nm)用于在線識別柑橘凍害(圖2-b),并且提出一種直新的直徑校正方法(diameter calibration method,DCM)預處理光譜信息,可有效消除水果大小對透射光譜的影響?；贒CM構建的全波段PLS-DA和SVM模型均表現良好,識別正確率在78.95～85.53%。為了進一步提高精度,作者提出構建基于DCM的一維卷積神經網絡(one dimensional convolutional neural network,1D-CNN)模型,對早期凍害和未凍害柑橘識別正確率可達95.15%和88.54%。柑橘凍害的NIR研究較少,但現有的研究結果說明NIR光譜在柑橘凍害的早期診斷方面具有一定應用價值。

a-檸檬凍害[43];b-柑橘凍害[44]

3 NIR光譜技術用于柑橘類水果品種產地及分類鑒別

不同品種、不同地理來源的柑橘品質存在顯著差異,品種及產地鑒別對于柑橘產業的健康發展有著重要作用。不同產地的柑橘內部品質和價格有所不同,但其外觀差別較小,通過肉眼很難實現準確鑒別。NIR光譜技術作為一種快速無損檢測技術,已被用于柑橘類水果的品種和產地鑒別分析,如但松健[47]采集16個不同地區的柑橘NIR光譜數據后,分別基于機器學習、SVM和L1范數線性回歸3種方式建模進行柑橘產地鑒別研究,遺傳算法(genetic algorithm,GA)篩選最優波長后構建的GA-SVM模型產地鑒別準確度最高(94.58%),其他兩種方式略差一些,這是因為SVM 采用了非線性的核映射方法,在處理NIR光譜中非線性的噪聲影響且在樣本充足的情況下,可獲得更優于其他基于線性分類器的識別結果。李尚科[48]分別使用臺式和便攜式NIR光譜儀采集不同品種柑橘(沃柑及橙子)的反射光譜信息,試驗發現,赤道線、梗部及其底部的6個光譜采集點的平均光譜數據更適用于鑒別分析,這與柑橘的梗部、底部中同樣攜帶著柑橘中的重要信息有關。無需任何光譜預處理,線性判別分析(linear discriminant analysis,LDA)模型可100%鑒別柑橘產地和品種。相同NIR光譜范圍內(10 000～4 000 cm-1),姚婉清等[49]采集3類金柚表皮的光譜信息,進行金柚品種的定性識別研究,構建的判別分析(discriminant analysis,DA)模型,可100%正確識別白柚、紅柚和沙田柚,為金柚分級分類提供了一種有效方法。該波段的光譜與不同檸檬品種(Ovale di Sorrento和Sfusato Amalfitano)、產地之間存在的定性關系也進行了研究[50],結果發現構建的LDA模型更適合于鑒別單生產年的品種,2018年和2019年的品種鑒別正確率分別為66%和63%,鑒別Ovale di Sorrento品種和Sfusato Amalfitano品種產地正確率分別為81%和74%,總體鑒別正確率不是很高,這與不同年份的氣變化導致品種差異有關。

分類分級有助于最大化水果的經濟價值,可更好的實現柑橘優質優價。利用NIR光譜技術對柑橘類水果進行分類分級也有少量報道,如ZHANG等[51]旨在通過挖掘VIS/SW-NIR光譜信息(200～900 nm)鑒別健康的和有缺陷的臍橙,基于蟻群算法(ant colony optimization,ACO)篩選出6個最佳波長構建的樹型SVM模型可有效鑒別各種缺陷臍橙(圖3),鑒別正確率均高于90%。汁胞?；歉涕兕愃兄耗业囊环N生理失調現象,會導致水果內部品質降低。孫瀟鵬等[52]采用NIR透射光譜與機器視覺技術相結合快速無損檢測分級蜜柚汁胞?；潭?。通過連續投影算法(successive projections algorithm, SPA)篩選出17個最優波長,構建K臨近(K-nearest neighbor,KNN)模型對5個等級蜜柚進行分類預測,準確性、敏感性和特異性分別達到0.970 0、0.923 1和0.987 4以上,為水果在線分選提供了數據參考。具體各研究結果見表3。

圖3 臍橙的典型桔皮瑕疵示例圖[51]Fig.3 Example images of typical blemished citrus peel of navel oranges[51]

表3 NIR光譜技術在柑橘類水果品種產地及分類鑒別應用Table 3 Application of NIR spectroscopy in origin and varieties classification of citrus fruits

續表3

相比內部品質和病凍害,柑橘品種產地的NIR研究較少,鑒于不同產地氣候對果實的光譜信息影響較大,如何正確篩選試驗樣本將有助于提升鑒別模型的適用性。

4 NIR光譜技術用于柑橘類水果生物活性成分檢測

柑橘類水果富含多種生物活性物質,常見的有類黃酮、類胡蘿卜素、類檸檬苦素、香豆素等,這些化合物具有良好的抗氧化、抗病等保健功效[53-55]。常規方法測定這些生物活性物質主要有高效液相色譜法[56]、液相色譜與質譜聯用法[57]、超高效液相色譜與四級桿飛行時間質譜聯用法等[58]。NIR光譜技術用于柑橘生物活性物質的快速檢測研究報道相對較少,但效果比較理想,如NCAMA等[42]通過在400～2 500 nm 篩選有效的NIR波段,構建PLS模型可以實現對西柚生物活性成分β胡蘿卜素、總類胡蘿卜素、葉綠素a、葉綠素b以及糖類含量的快速檢測,其中β胡蘿卜素的預測效果最好(RCV2=0.99,RMSECV =0.002),其他成分預測詳見表4。盡管該模型預測結果比較理想,但是該研究并未設置獨立的測試集樣品進行模型的外部驗證,模型效果有待進一步探討。

表4 NIR光譜技術在柑橘類水果生物活性成分檢測中的應用Table 4 Application of NIR spectroscopy in detection of bioactive ingredients in citrus fruits

續表4

在相同的波長范圍內,OLAREWAJU等[59]對兩個不同產地的西柚生物活性成分也進行了NIR預測研究,PLS模型驗證結果顯示400～700 nm光譜信息更適合于預測西柚葉綠素a、葉綠素b和總類胡蘿卜素含量,模型性能表現良好,決定系數R2均在0.95以上;而400～2 500 nm波段適合預測蔗糖、葡萄糖、果糖、總酚、總黃酮、維生素C等的含量,模型相關系數R2也均在0.95以上。

除了果實,柑橘果皮中也富含多種生物活性物質,對其充分利用可有效提高果皮附加值。果皮生物活性成分的快速檢測可加速果皮再利用。SHAWKY等[60]利用8 000～4 000 cm-1波段信息預測9種柑橘皮中的黃酮類物質地奧司明(Diosmin)和橘皮苷(Hesperidin)含量,這兩種生物活性物質的NIR預測值與真實值之間的相關性極高(R2>0.98),這為快速開發柑橘皮藥用價值提供了有效的檢測手段。

5 展望與結語

綜合近五年來NIR光譜技術在柑橘類水果中的檢測應用研究結果發現,絕大部分NIR研究集中在柑橘內部品質評價方面,且主要為檢測柑橘SSC(糖度);而病凍害識別、品種產地鑒別及生物活性物質檢測等方面的研究相對較少。此外,這些研究使用的波段覆蓋了VIS/NIR區域,但SW-NIR光譜信息使用更多,且大部分結果表現良好,揭示了NIR光譜技術在柑橘類水果檢測方面的應用潛力。同時,NIR光譜技術在柑橘檢測應用中也存在諸多困難需要克服:1)柑橘果實因產地、品種不同,對NIR光吸收有差異,如何構建樣本數據庫值得探討;2)構建高精度模型需要大量樣本參與,同時也要篩選特征光譜以提高預測效率,如何挖掘獲取有效且代表性很強的光譜信息或構建有效的光譜數據庫需要深入研究;3)柑橘NIR模型易受到樣本本身特性如表面顆粒大小、表皮厚度等的影響較大,采用哪種方法可最大可能消除這些影響有必要繼續探究;4)在多元化需求的時代背景下,開發市場需求的專業化檢測設備已是趨勢,如何提高模型的穩定性和適用性將是重中之重。

我國已成為世界柑橘生產消費第一大國,柑橘市場活躍且衍生需求旺盛,優質優價柑橘當屬消費者最重要之期望,柑橘市場健康可持續發展需要先進的技術提供保障,NIR光譜技術已展現出獨有的快速無損特點和優勢,部分柑橘品質檢測專業化NIR設備已經問世且實現了生產應用,如糖度、酸度、干物質等的檢測,但大多為進口設備,具有自主知識產權且高精度高穩定性的柑橘NIR檢測設備依然缺乏,“卡脖子”技術攻關刻不容緩,未來NIR柑橘檢測必是便捷智能化走向。