利用高光谱成像技术监测不同成熟期冬枣的可溶性固形物含量并分析其货架期

背景

冬枣（Ziziphus jujuba Mill.）是一种生长在鼠李科落叶灌木或小乔木上的鲜果。它原产于中国，栽培历史悠久。冬枣口感甜脆，含有丰富的糖分、矿物质和维生素等营养成分，深受消费者青睐。果皮光滑、色泽鲜艳的果形可以激发消费者的购买欲望，而口感则决定了消费者的购买意向。成熟度在决定果实质量和货架期方面起着重要作用。成熟的冬枣口感好，但不耐贮藏和运输，适合 "即食"。中熟冬枣可贮藏较长时间，但口感和外观较差。果实在运输过程中容易受到机械损伤。因此，对不同成熟度和货架期的冬枣进行质量监测对及时销售和增加利润非常重要。可溶性固形物含量（SSC）是最重要的内部质量属性之一，与水果的口感和风味有关。它能为冬枣的成熟、采收、贮藏和销售提供有价值的信息。传统的 SSC 测量方法具有破坏性且耗时。此外，不同货架期的水果通常通过人工检测来估算，因此是一个劳动密集型且容易出错的过程。因此，开发一种快速、无创的技术，用于不同成熟阶段冬枣的 SSC 监测和货架期分析，具有重要意义。

实验设计

试验中使用的冬枣样本来自中国陕西大荔县的一个商业果园。由经验丰富的种植者根据果实的外观、质地和风味挑选出没有任何碰伤、病虫害或缺陷的中熟和成熟果实。所有样品都用聚乙烯袋包装，并用冰箱和冰袋运送到山东农业大学采后工程实验室（泰安）。擦拭后的果实在室温（温度：18 ± 0.5 °C，湿度：90 %）下贮藏在可膨胀聚苯乙烯泡沫塑料箱中。从 2020 年采收的 400个中熟冬枣和 400个成熟冬枣作为建立预测模型的校准群体，从 2021 年采收的 200个样本作为外部验证群体（每个成熟阶段 100个）。这些样品被随机分为四组，每两天取出一组（n=100）进行光谱和 SSC 测量。

本研究中使用的高光谱成像系统由江苏省无锡市江苏双利合谱有限公司生产。该系统由一台高光谱光谱仪（GaiaField-V10E）、一个成像镜头（HSIA-OL23）、一套 200 W 卤素光源（HSIA-LS-T-200 W）、一块标准白色板（HSIA-CT-150×150）、一个三脚架和一台装有高光谱数据采集软件的专用计算机（SpecView）组成。高光谱仪的光谱范围为 400~1000 nm，光谱分辨率为 2.8 nm，入射狭缝宽度为 30 μm。成像镜头为 CCD 摄像机，分辨率为 1394 × 1040 像素。

在扫描每个样品之前，高光谱成像系统应开启并预热约 30 分钟，以获得稳定的光环境。为了捕捉清晰而不失真图像，相机曝光时间定为 0.12 秒，成像距离设定为距离样品 27.6 厘米。为消除暗电流和光照不均对图像的影响，使用黑白参考图像对原始图像进行校正。白色参考图像是通过扫描聚四氟乙烯板获得的，黑暗参考图像是通过用不透明的盖子盖住镜头获得的。从校正后的高光谱图像中选择整个冬枣作为一个感兴趣区（ROI），并使用 ENVI 5.1 软件。

高光谱图像采集完成后，立即使用数字折射仪（PAL-1）测量冬枣的 SSC 值。用不锈钢水果刀将冬枣切成块，放入手动榨汁机（B-115 6 YZQ001）中榨汁。然后用 1 毫米的筛子过滤，将果汁滴入折射仪的棱镜板上，在液晶显示屏上显示出 SSC 值。每颗冬枣测量三次，取三次测量的平均值作为 SSC 参考值。

在本研究中，采用 SPXY 方法将 2020 年采收的 400 个中熟和 400 个成熟冬枣样本按 3:1 的比例进行分割，每个成熟度水平产生 300 个校准集样本和 100 个交叉验证集样本。此外，来自 2021 年收成的 100 个中熟冬枣样本和 100 个成熟冬枣样本构成外部验证集。

结论

图 1a 显示了所有冬枣样品的平均光谱曲线，曲线趋势基本相同。图 1b 显示了陕西大荔冬枣在 400-1000 纳米范围内的平均光谱曲线。总体而言，中熟冬枣和成熟冬枣的光谱模式相同。与中熟果实相比，由于花青素和类胡萝卜素的吸收，成熟冬枣在 450-600 nm 范围内的反射率偏平，而花青素和类胡萝卜素是果实着色的原因。680 纳米波长处的差异是由于不同成熟阶段冬枣果皮中叶绿素含量不同造成的。840 nm 附近的反射率是由于冬枣中熟期和成熟期的 SSC 差异造成的。波长 970 纳米处的反射率下降较快，这与果实中的含水量有关。从光谱反射率可以看出，不同成熟度的冬枣在色素含量和理化性质方面存在明显差异。

图 1c 显示了中熟和成熟冬枣在不同保质期内 SSC 的变化情况。据观察，成熟冬枣的平均 SSC 值高于中熟冬枣。进一步分析表明，由于淀粉酶对淀粉的水解作用，中熟冬枣的 SSC 在货架期的前四天显著增加（P< 0.05），然后在第 6 天开始下降（P< 0.05），原因是衰老过程中的呼吸作用或发酵转化。而成熟冬枣的 SSC 保持稳定，没有发生任何变化（P> 0.05），因为它已经完成了糖分转化。最后阶段（6 d）的 SSC 略低于初始阶段（0 d）（P< 0.05），表明成熟的冬枣可能正在退化。

将图像中每个像素的反射率作为自变量代入校准模型 SPA-SVR，根据保质期创建中熟冬枣和成熟冬枣的预测图像，以直观显示 SSC 的空间分布（图 4）。SSC（Y）与有效波长光谱反射率（X）之间的线性方程定义如下:

   (3)

(4)

如图 4 所示，根据色标，颜色从蓝色到红色不等，SSC 值越高，红色越浓。总体而言，与中熟红枣相比，成熟红枣的预测 SSC 值更高，红色像素更多。从图 4a 中可以看出，在 0 d 时，中熟冬枣的预测图像在中心区域显示为浅黄色，SSC 值约为 20%，在边缘区域显示为青色，SSC 值约为 14%。随着保质期的延长，中心区域的黄色逐渐向边缘扩散。4 d 时，中心区域出现红色，此时 SSC 约为 25%，边缘区域的青色被黄色取代。6 d 时，中心区域的红色像素减少，表明 SSC 下降。在图 4b 中，0 d 成熟果实的中心区域为红色，此时 SSC 约为 28%，SSC 从内向外逐渐变小。2 d 和 4 d 时，中心区域仍以红色为主，没有太大变化。6 d 时，中心区域以黄色为主，表明 SSC 有所减少。SSC 的总体趋势与参考值的变化一致。绘图结果表明，在不同的货架期，每种水果的 SSC 都有显著的空间变化，这有助于通过可视化进行无损分级。

为了直观地显示和解释光谱数据以及任何可能的样本关系，对冬枣进行了主成分分析（PCA）。图 5a 是中熟冬枣在货架期的 PCA 散点图，从中可以看出，前两个主成分（PC）解释了 98 % 的信息（PC1=86 %，PC2=12 %）。据观察，随着保质期的延长，样品之间的分离更加明显。保存 0 天、2 天和 4 天的样品之间有一些重叠，但保存 6 天的冬枣则完全分开。图 5b 显示了成熟冬枣在保质期内的 PCA 散点图。前两个 PC 占变异的 98%，PC1 的最大变异率为 79%，其次是 PC2，解释了总变异率的 19%。冬枣样品之间在保质期内存在明显的聚类现象，只有存放 2 d 和 4 d 的样品之间有少量重叠。因此，有必要建立一个有监督的模型来分析保质期。

为了准确确定保质期，根据 SPA 选择的有效波长建立了 LIBSVM 分类模型。图 6 显示了确定保质期模型的交叉验证结果。8 个保存 2 d 的中熟样品被误判为保存 0 d，1 个保存 4 d 的中熟样品被误判为保存 0 d。至于成熟冬枣，共有 6 个样本被错误识别，其中大部分发生在保质期的 2 至 4 d 之间，总准确率为 94%。此外，LIBSVM 模型在外部验证集上也取得了良好的货架期分析性能（图 7），对中熟和成熟样品的准确率分别为 89 % 和 91 %。总之，LIBSVM 模型在确定冬枣保质期方面的表现令人满意。