| 主题 | 猕猴桃 | ||
| 题目 | Non-destructive prediction of ready-to-eat kiwifruit firmness based on Fourier transform near-infrared spectroscopy | ||
| 期刊 | Postharvest Biology and Technology | ||
| 中科院分区 | 1区 | 影响 因子 | 7.0 |
| 第一作者 | Gang Ding | 通讯作者 | Zhiqiang Guo, Yunliu Zeng |
| 单位 | 园艺作物种质创新与利用国家重点实验室，华中农业大学柑橘保鲜技术研究中心 | ||
| 原文链接 | https://doi.org/10.1016/j.postharvbio.2024.112908 | ||
猕猴桃是一种呼吸跃变型水果，在食用前需要成熟和软化。新收获的果实通常很坚硬（在70到100 N之间），在储存过程中，果实的硬度逐渐降低直到果实软化可食。然而，鲜食猕猴桃在运输过程中很容易损坏。根据猕猴桃的硬度对猕猴桃进行分类以确保安全运输至关重要，亟需开发一种准确的猕猴桃硬度无损预测工具。
传统的硬度测试方法包括将硬度探针压入果肉中。然而，这种方法耗时且具有破坏性，无法满足分级线上快速检测的要求。基于光学原理开发的器件可以有效地应对这些挑战，已被证明可有效评估内外部水果质量。然而，由于光谱信息难以及时采集，难以在分级线上快速分选，因此很难达到令人满意的预测效果。相比之下，傅里叶变换近红外（FT-NIR）光谱可将时域光谱信号转换为频域频谱图，显示不同频率分量的强度。随后，通过建立利用已知果实硬度与其在近红外光谱中的吸收特性之间的关系的模型，可以预测未知样品的硬度。尽管已经取得了诸多进步，但在准确预测可供食用的果实硬度方面仍然存在挑战。
1. 植物材料和处理
2. FT-NIR数据收集
3. Kiwifirm™和渗透计GY-4的硬度测定
4. 数据分析
4.1. 数据预处理
4.2. 光谱波段的降维
4.3. 模型评估指标
共采集了408个猕猴桃样本，获得了由1557个波段组成的FT-NIR数据。图1B显示光谱表现出明显的背景干扰和基线漂移，进行了光谱数据预处理以简化模型，针对每种预处理方法制定了不同的RBF回归模型，并根据预测结果选择最有效的预处理方法。如表2所示，当使用全光谱范围构建RBF模型时，RP^2测试集为0.41，RPD为1.30，低于1.4，表明所建立的模型对猕猴桃硬度的预测不可靠。然而，使用光谱预处理方法改善之后所构建的模型相对可靠，可以粗略预测猕猴桃的硬度。结果表明，FD预处理方法的预测效果最好，FD-RBF模型的测试集最高，RMSEP最低，RPD为1.92，预测效果最好。因此，后续的所有实验都将基于FD预处理方法进行。
采用FD预处理方法，采用SVR-Linear、SVR-RBF、SVR-Poly、RBF和PLSR等多种方法建立猕猴桃硬度预测模型。因此，使用RBF构建的模型具有最低的RMSEP为0.718，最高的R^2为0.727，最高RPD为1.916，表明RBF模型是最可靠的（1.4<RPD<2.0）（表3）。
使用CARS进行降维的结果表明，选择过程遵循指数衰减函数（图2A）。选定的光谱特征的数量最初迅速减少，然后趋于平稳。此外，随着样品数量的增加，RMSEC先降低后迅速增加（图2B），这可能归因于在选择的后期阶段消除了过多的非必要光谱特征。最小RMSEC是在26次迭代后实现的，相应的选择为271波长。由于蒙特卡罗采样的随机性，CARS方法在波段选择中引入了随机性和不确定性，这可能导致光谱特征缺失或冗余的问题。因此，对CARS进行了多次迭代，并保留了在20多次迭代中选择的波段，总共有256个波段。
图2. CARS迭代，显示变化和SPA功能选择。A和B表示CARS迭代的结果，显示了所选光谱特征数量的变化以及相对于样本数量的均方根误差（RMSE）。C表示SPA特征选择的结果
表4. 通过不同特征提取方法提取的特征变量的数量
表6. 不同特征提取方法建立的SVR（RBF）模型预测结果
表7. 通过不同特征提取方法建立的SVR（Linear）模型的预测结果
表8. 不同特征提取方法建立的SVR（Poly）模型预测结果
图3. 在波段选择和降维之前（A）和之后（B），训练集和测试集的实测值和预测值的相关性。x轴表示实测值，y轴表示预测值
总体而言，FT-NIR模型的数据拟合效果相对较好。训练集和测试集的拟合曲线值分别为0.79和0.92。与Kiwifirm™相比，FT-NIR模型的拟合曲线呈线性，与实际硬度数据的相关性更高。Kiwifirm™通过用探针敲击水果表面来测量水果的表皮数据以描述其实际硬度，内部处理器将弹性特性转换为数值。然而，果实软化主要是由于淀粉和细胞壁的降解。在果实的缓慢软化过程中，聚半乳糖醛酸酶等酶活性的增加导致果胶的降解和细胞壁多糖的液化。水果快速软化的主要原因是淀粉分解，这发生在细胞壁逐渐分解之前。因此，仅根据果皮数据很难描述果实硬度的变化。此外，其可能无法完全实现无损测试，因为它可能会破坏猕猴桃的完整性。
基于货架时间的曲线拟合具有较高的R^2。在预测相关性方面，基于货架时间的分类方法可能比基于硬度的分类方法更合适。对于硬度较高的猕猴桃，FT-NIR模型表现出更好的预测性能，对于硬度低于10 N的果实，Kiwifirm™在预测性能方面优于FT-NIR模型。然而，FT-NIR模型的整体预测性能仍然优于Kiwifirm™。
图4. FT-NIR模型和Kiwifirm™获得的数据与实际硬度数据的相关性。A和D表示FT-NIR模型和Kiwifirm™获得的数据与实际硬度的相关性；B、E表示按货架时间分类后的相关性；C和F表示基于硬度分类后的相关性
本文图表均来自本文献
文献解读：王家琪
编辑：王家琪
校稿：赵沁雨
审核：马婷婷
《猕猴桃加》微信公众号所使用的文章和图片属于相关权利人所有，因客观原因，如存在不当使用的情况，敬请相关权利人随时与我们联系及时处理。欢迎转发朋友圈，如需转载，请标明“转载自《猕猴桃加》”。
邀稿：【猕猴桃加】诚邀猕猴桃相关领域专家、业内人士及广大师生在我们的平台上发布与猕猴桃相关的科研、资讯等内容。（投稿请联系vx：kiwifruitplus）
交流沟通：欢迎所有关心和对祖国猕猴桃事业感兴趣的小伙伴们一起进行沟通交流。可以通过公众号给小编留言或者私戳（vx：kiwifruitplus）
转载合作：可以通过vx:kiwifruitplus或【猕猴桃加】邮箱(mihoutaojia517@163.com)联系我们。
