关晔晴，王冬，李楠，付亚雄，程玉豆，关军锋*

（1.河北省农林科学院生物技术与食品科学研究所，河北石家庄 050051）（2.北京市农林科学院质量标准与检测技术研究所，北京 100097）

“深州蜜桃”（Prunus persica(L.) Batsch cv.Shenzhou）已有两千多年栽培史，是河北省深州市特产、驰名中外的优良品种，具有果实大，果型秀美，色泽鲜艳，皮薄肉细，汁甜如蜜等特点，深受广大消费者喜爱。深州蜜桃成熟期正值高温季节，采收期相对比较集中[1]，传统检测采收期果实品质的方法耗时、费力，损伤果实，为了加快果实品质分级，加快商品化处理过程，提高商品化价值和经济效益，因此寻求快速、高效的果实品质检测技术是非常必要的。

近红外光谱（Near-Infrared Spectroscopy，NIRS）分析技术具有快速、无损、高效的特点。农产品的近红外吸收主要来源于物质分子中含氢基团（-OH、-NH、-CH）振动的合频和各级倍频吸收，通过扫描近红外光谱，可以得到样品中分子的含氢基团信息，从而对其品质进行高效检测[2]。由于NIRS 技术不仅可实现快速、无损、高效分析，还具有成本相对较低、环境友好、操作简便等特点，近年来越来越受到人们的青睐。

近几年，关于NIRS 对水果品质无损检测技术的报道较多，其中对梨、苹果、芒果、西瓜、葡萄、李子品种果实可溶性固形物（Soluble Solid Content，SSC）、硬度指标检测建立了准确、可靠的方法[3-9]。罗枫等[10]与王旭等[11]分别发现NIRS 检测樱桃内部SSC、可滴定酸（Titratable Acid，TA）与猕猴桃SSC及pH 是可行的。对于桃的无损检测研究，潘磊庆等[12]发现利用NIRS 检测水蜜桃糖度所建的模型预测效果较好。Uwadaira 等[13]提出采用可见近红外光谱（Visible and Near-Infrared Spectroscopy，Vis-NIR）技术完成了对果肉硬度的评估。目前，关于对“深州蜜桃”NIRS无损检测技术尚未有相关报道。对“深州蜜桃”进行无损快速检测可有效提高检测效率、克服因传统抽检的代表性差等短板。本研究采用SACMI 近红外分析仪以漫反射方式，对采收期“深州蜜桃”最能体现果实内部品质的硬度、SSC、pH 值3 个化学指标进行无损检测，与传统参考方法所测结果进行相关分析，建立果实品质的无损预测模型，从而为“深州蜜桃”无损快速高效品质分级提供参考，进而为提升“深州蜜桃”品质与科技含量提供技术支持和解决方案。

1 材料与方法

1.1 材料

选用河北省特色品种“深州蜜桃”，于商业成熟期2019 年9 月4 日采自河北省深州市，采摘当天运至实验室，选择大小匀称、无损伤、无病虫害的90 个果实作为试验样品，清理表面杂物并编号后，于室温25 ℃放置，散田间热后测定。

1.2 近红外光谱检测

采用NIR CASE型水果无损伤检测设备（SACMI，意大利）采集试验样品的近红外光谱。采集条件：室温25 ℃，实际测量前用参比板（聚四氟乙烯，PTFE）进行校准，卤素灯光源，采用漫反射方式；扫描部位及次数：果实中轴（赤道）处覆盖全检测台，扫描果实阴阳面赤道上对称2 点，每个点位进行2 次扫描，共扫描360 次；波段范围：600～1 000 nm；光谱数据由Nir Calibration 软件（Vers.3.1 Beta）进行采集和转换。NIR CASE 型水果无损伤检测设备检测系统示意图如图1 所示。

图1 NIR CASE 型水果无损伤检测设备检测果实内部品质系统原理示意图Fig.1 Schematic diagram of NIR CASE type of fruit non-destructive detection equipment detecting system for fruit internal quality

1.3 样品化学指标的测定

硬度测定：在果实阴阳面光谱采集处，先在赤道处去皮约2 cm2，采用直径1 cm 探头的果实硬度计（GY-4，浙江托普仪器有限公司，杭州）匀速刺入果肉10 mm 测定硬度实测值。

SSC 测定：在硬度测定探头刺入处用吸管吸入果汁滴在便携式糖度计（PAL-1，日本Atago；Brix 范围0.0%～53.0%，仪器最小分度0.1%）上测定SSC 实测值。

pH 测定：在果实阴阳面光谱采集处，取1 cm 厚的果肉切块（去除硬度与SSC 测定损伤处），用手动榨汁器榨汁，利用pH 计（S210，上海梅特勒-托利多仪器有限公司）测定pH 实测值。

1.4 光谱处理与模型评价

采用NIRS 对果实品质指标进行预测时，主要是在采集的样本光谱数据和果实品质指标实测值之间建立相关模型，采用的偏最小二乘回归法建模。本研究中光谱数据预测值由Nir Calibration 软件（Vers.3.1 Beta）进行采集和转换，本研究中预测模型的定量评价通过实测与预测值的决定系数（Coefficient of Determination，R2）、预测均方根误差（Root Mean Square Error of Prediction，RMSEP）、标准分析误差（Square Error of Prediction，SEP）、相对分析误差（Ratio Performance Deviation，RPD）、相对标准差（Relative Standard Deviation，RSD）来进行。各统计量的计算公式及含义如下。

（1）决定系数

R2越接近1，说明两组数据的相关程度越高，R2的计算如公式（1）所示。

式中：

n——样本容量；

yi——第i个样品的实测值；

——样品实测值的平均值。

（2）预测均方根误差

RMSEP表示总体误差，包含了偏差，常用来检验模型的适用性。RMSEP的计算如公式（2）所示。

式中：

n——样本容量；

yi——第i个样品的实测值；

（3）标准分析误差

如果去除均方根误差的偏差，即为SEP，代表预测误差。SEP的计算如公式（3）所示。

（4）相对分析误差

RPD用来验证模型的稳定性和预测能力。当RPD＜1.5 则模型预测性能较低，1.5≤RPD≤2.5 则模型预测性能可满足快速检测的需要，RPD＞2.5 则模型具有较高的预测性能[14]。RPD的计算如公式（4）所示。

式中：

SD——分析样品的标准偏差；

SEP——分析样品的均方根误差。

（5）相对标准差

RSD反映模型对某一组分总体的预测效果。一般情况下，当RSD<10%时，模型可用于实际的检测。RSD的计算如公式（5）所示。

式中：

1.5 数据处理

所有数据采用Excel及SPSS 18.0数据处理软件进行统计分析及制图。

2 结果与讨论

2.1 剔除异常样本

在测定化学指标值时会由于人为操作、温度、湿度以及光谱采集时可能会产生一些异常数据，这些异常样品会影响模型的建立，因而需将这些样品剔除，本文中采用t检验准则，对异常样品进行逐个剔除[15]，并用SPSS 18.0 对其异常值进一步验证，分别对硬度、SSC 及pH 指标360 个光谱预测值进行异常值剔除，样本容量、异常值个数及编号见表1 所示。

2.2 内部品质预测模型建立

采用最小二乘回归算法建立SSC、硬度、pH 校正模型并通过模型获得三种品质指标预测值。计算内部品质实测值与预测值相关系数，果实SSC 实测值与预测值呈高度线性正相关（R2=0.79，p＜0.01），SEP=0.47（图2a）；果实硬度实测值与预测值呈显著线性正相关（R2=0.47，p＜0.01），SEP=2.01（图2b）；果实pH 实测值与预测值呈显著线性正相关（R2=0.40，p＜0.01），SEP=0.14（图2c）。

图2 果实内部品质实测值与预测值之间的相关性Fig.2 The correlation between the measured and predicted values of internal qualities

与传统有损测定方法相比，无损技术在不同样品品质快速检测、易安装及连续测定方面占领先水平[16]。近红外光谱由于其无损、快速、高效、环境友好的特点，客观测量和较高的准确性，是目前最常用的光谱分析技术，尤其适用于水果和蔬菜中近红外范围700～2 500 nm[17]。本研究中采用SACMI 无损设备（波长范围600～1 000 nm）检测了“深州蜜桃”采收期果实品质，通过传统有损及无损测定，结果发现SSC实测值与预测值相关性（R2=0.79，p＜0.01，SEP=0.47）（图2a）均优于硬度（R2=0.47，p＜0.01，SEP=2.01）（图2b）、pH（R2=0.40，p＜0.01，SEP=0.14）（图2c）的相关性，但硬度SEP 较大。较多研究证明SSC 比硬度相关性好，同样的结论在其他果实如苹果[18]、芒果[19]以及猕猴桃[20]中得到了证实。

2.3 品质参数分布

品质参数分布结果见表1，SSC 实测值范围是10.6%～16.4%（Mean=12.7，SD=1.0），预测值范围是11.1%～16.1%（Mean=13.4，SD=1.0）；硬度实测值范围是1.48～12.22 kg/cm2（Mean=6.01，SD=2.75），预测值范围是 0.09～10.96 kg/cm2（Mean=4.75,SD=2.08）；pH 实测值范围是4.87～5.77（Mean=5.25，SD=0.18），预测值范围是4.82～5.48（Mean=5.17，SD=0.12）。其中对于变异系数来说，SSC 实测与预测值变异系数分别为7.9%和6.7%，pH 实测与预测值变异系数分别为3.48%和2.33%，均小于10%，属弱变异；而硬度实测与预测值变异系数分别为45.79%和43.72%，大于30%，显著高于SSC 与pH两指标，属强变异[21]。从以上结果初步观察发现，品质参数实测值与预测值分布相近。

表1 不同品质指标统计Table 1 Statistics of different quality indices

SSC、硬度、pH 的实测值、预测值分布如图3 所示。其中，SSC 实测值有70.62%的样品集中于11.6%～13.4%，位于平均值12.7%左右（图3A）；SSC预测值有79.66%的样品集中于12.4%～14.4%，位于平均值13.4%左右（图3a）。硬度实测值有54.49%的样品集中于1.60～6.40 kg/cm2与30.34%的样品集中于7.60～10.00 kg/cm2，偏离平均值6.01 kg/cm2（图3B）；硬度预测值有78.56%的样品集中于2.50～7.50 kg/cm2，位于平均值4.75 kg/cm2左右（图3b）。pH 实测值有81.25%的样品集中于5.05～5.50，位于平均值5.25 左右（图3C）；pH 预测值有79.55%的样品集中于5.06～5.34，位于平均值5.17 左右（图3c）。

图3 SSC、硬度、pH 实测值与预测值分布图Fig.3 Distribution of SSC,firmness,pH for the measured and the predicted values

2.4 内部品质预测模型评价

由前文材料与方法中模型评价参数定义可知，表2 中SSC 的RMSEP=0.79%，R2=0.79（图2a），硬度的RMSEP=2.37 kg/cm2，R2=0.47（图2b），pH 的RMSEP=0.16，R2=0.40（图2c），其中硬度RMSEP值大于R2值，表明其模型预测准确度差。SSC 的RPD=2.15＞2，可满足快速检测的需要；而硬度与pH的RPD分别为1.37 与1.29，均小于1.5，说明其模型预测性能较低。一般情况下，当RSD＜10%时，模型可用于实际的检测，SSC 与pH 的RSD分别为6.2%与3.1%，模型可用于实际检测；而硬度的RSD=39.4%，远远大于10%，模型不可用于实际检测。

表2 果实内部品质的预测模型Table 2 Predicted models of fruit internal qualities

一般情况下，一个好的模型应具有较高的R2值，较低的RMSEP值[4,14]。因此本研究中从R2与RMSEP值发现，硬度模型预测准确度低。当RPD＞2.5 时，说明该模型具有较高的预测性能，本文中SSC 的RPD=2.15＞2，且RSD=6.2%＜10%，表明SSC 模型预测性能可满足快速检测的需要。对于pH 来说，RSD=3.1%＜10%，模型可用于实际检测，但RPD=1.29＜2，模型预测准确度不高。而对于硬度，RPD=1.37＜2，RSD=39.4%＞10%，表明模型预测性能较低。Cortés等[6]利用Vis-NIR 能较好地预测“Osteen”芒果内部品质如SSC、硬度等指标（Rp2=0.83～0.88，RMSEP=0.40～0.51，RPD=2.34～2.83）。Yu 等[4]发现Vis-NIR 可快速无损预测“库尔勒香梨”硬度（Rp2=0.89，RMSEP=1.81 N，RPDP=3.05）及SSC（Rp2=0.92，RMSEP=0.22%，RPDP=3.68）指标。Li等[9]通过Vis-NIR 能够准确预测李果实品质指标SSC，其中Rp2＞0.8，RPD在2 以上；而对硬度的预测性较差，RPD一般小于2。通常情况下，硬度可作为判断果实成熟度、贮藏时间一个重要指标，也可以作为消费者选择的一个因素[22-24]。我们必须确保果实硬度在收获、运输、分级过程中能将机械伤降到最低，再考虑可食用的软硬度[25]。而研究中硬度较难预测是由于多重因素决定，包括细胞结构、果胶状态、膨压[18]，其中细胞壁结构的散射效应是影响反射光谱的主要因素[26]。

Liu等[3]指出Vis-NIR技术可以提供评估梨果实品质指标的一套完整准确、可靠、无损的方法。Nagle等[27]用NIRS 发明了一套检测树上“Chok Anan”芒果果实SSC、总酸等指标的方法。Qi 等[28]证实，利用VIS/NIR 光谱技术开发了西瓜SSC 等预测模型，可寻找具有较高商业价值的适宜采收期。本研究中发现基于SACMI 水果无损伤检测仪的NIRS 可以预测“深州蜜桃”SSC 品质指标，但对硬度及pH 预测效果不理想。NIRS 评估果实品质最主要的问题是校正模型建立的稳定性[29]。此外，果实品种、大小及收获季节对NIRS 模型稳定性发挥着重要作用[30]。因此，后续对于较难预测的品质指标如硬度等，应做更多深入研究，全面考虑检测因素，改进检测方法，利用SACMI 无损设备建立果实品质稳定、良好的预测模型。

3 结论

本研究使用SACMI 水果无损伤检测仪在600～1 000 nm 波长范围内利用近红外漫反射方式对“深州蜜桃”采收期果实SSC、硬度、pH 进行了无损及传统测定。SSC 预测值与实测值相关性（R2=0.79，p＜0.01，SEP=0.47）优于硬度及pH 的，SSC 预测模型（RPD=2.15，RMSEP=0.79%，RSD=6.2%）准确度较高，可满足“深州蜜桃”SSC 的无损快速检测与分级需求，pH（RPD=1.29，RMSEP=0.16，RSD=3.1%）与硬度模型（RPD=1.37，RMSEP=2.37 kg/cm2，RSD=39.4%）准确度较低，可为“深州蜜桃”品质无损初筛提供参考。本文研究表明，采用SACMI 近红外分析仪对“深州蜜桃”果实品质进行无损快速检测具有可行性，初步建立了果实品质的无损预测模型，可快速高效地对果实进行智能分级；另一方面，继续优化所建模型以及建立其他品质指标的无损速测模型仍是下一步工作需要进一步跟进的内容。