基于介电特性的海沃德猕猴桃品质检测

刘振蓉 赵武奇 卢 丹 路 晏 高贵田 孟永宏

(陕西师范大学食品工程与营养科学学院，陕西 西安 710119)

我国是世界猕猴桃生产大国，其种植面积和产量在世界范围内均处于领先地位[1]。猕猴桃有“Vc之王”之称，口味酸甜，口感柔滑，气味怡人，有凤梨、香蕉和草莓等水果的综合口味，含有丰富的糖类、单宁、果胶、葡萄酸、果糖以及钾、钙、锌等微量矿物质元素[2]。猕猴桃的营养价值和质地是评价其品质的主要指标，也是猕猴桃贮藏、分级及加工的重要依据。现有的品质检测方法主要为化学法，此方法具有耗时长、破坏性大等缺点[3]，因此，研究一种快速、高效、便捷、无损的猕猴桃果实品质检测技术十分必要。

介电特性检测技术是一种应用广泛的快速无损检测技术，它利用待测物质的电磁特性变化建立其与食品成分的内在联系从而实现对物质的检测[4]，在农产品品质检测、分级筛选等方面显示出了特殊的优越性[5]。目前已成功应用于甜瓜[6]、梨[7]、苹果[8]以及桃[9]等果品品质的检测。Ryszard等[10]建立了苹果的等效电容及等效电阻与其含糖量之间的关系，实现了对苹果中含糖量的预测。李冬冬等[11]利用介电频谱技术结合遗传算法对草莓的呼吸强度、可溶性固形物含量和失重率进行预测，模型对验证集的相关系数(R2)分别为0.941、0.852和0.906。郭文川等[12]研究表明，介电谱结合最小二乘支持向量机(least squares support vector machine，LSSVM)可用于无损检测梨中可溶性固形物含量，其校正集和预测集R2分别为0.974和0.931。商亮等[13]利用油桃的介电特性检测其糖度，所得连续投影算法结合极限学习机(successive projections algorithm - extreme learning machine， SPA-ELM)模型预测效果最好，预测集R2为0.887。现有研究表明，食品的介电特性与其内部结构、组成和状态等密切相关，能反映食品品质变化，可用于食品的贮藏和加工过程中的质量检测[14]。卢丹等[15]利用因子分析法提取出猕猴桃的品质特征指标为Vc含量、可溶性固形物含量、ΔE、硬度、粘聚性以及弹性。李腾飞[16]和唐燕等[17]研究猕猴桃的介电特性参数与生理参数的相关性，筛选出了特征频率和敏感电参数，但未建立基于介电特性的猕猴桃品质指标预测模型。

本研究以卢丹等[15]提取的Vc含量、可溶性固形物含量、ΔE、硬度、粘聚性和弹性作为猕猴桃的品质特征指标，在提取各特征品质指标介电参数特征频率的基础上，建立各特征品质指标的预测模型，以期为实现猕猴桃快速无损、在线自动化监测提供理论支持。

1 材料与方法

1.1 材料与试剂

海沃德猕猴桃于2017年10月中旬采摘自陕西佰瑞猕猴桃研究院有限公司果园，选取果形大小、成熟度基本一致且无明显机械损伤和病虫害的猕猴桃样品，将样品装入纸箱中置于温度0±0.50℃，相对湿度90% ～95%条件下贮藏。

氢氧化钠，天津市天力化学试剂有限公司；邻苯二甲酸氢钾、抗坏血酸，天津市科密欧化学试剂有限公司；草酸，重庆市茂业化学试剂有限公司；2,6-二氯酚靛酚钠盐，成都市科龙化工试剂厂；三氯乙酸，上海山浦化工有限公司；硫代巴比妥酸，上海科丰实业有限公司。所用试剂均为分析纯。

1.2 主要仪器与设备

CR-400/401色差仪，日本东莞市正凯精密仪器有限公司；TA.XT.Plus质构仪，英国stable micro system 公司；BS224Sx电子天平，北京赛多利斯系统有限公司；8101手持糖量计，辽宁大连先超科技有限公司；UV-1800紫外分光光度计，日本岛津公司；H1550R高速冷冻离心机，美国Thermo公司；IM3536 电感、电容、电阻测试仪，日本日置公司。

1.3 试验方法

1.3.1 样本数据的釆集及样本集的划分 在贮藏期间，每3 d随机抽取3个果实样品，60次试验共取180个果样，每次试验前将果样置于20℃条件下静置1 h，之后依次进行介电参数、质构(texture profile analysis，TPA)及营养成分的测定。从60组样品测试数据中剔除3组异常数据，随机抽取43组样本作为训练集，7组作为测试集，7组作为验证集。

1.3.2 介电参数特征频率的提取 在对猕猴桃介电参数及品质指标数据进行预处理，消除量纲影响的基础上，分别用连续投影算法(successive projections algorithm, SPA)和遗传算法结合偏最小二乘回归(genetic algorithm-partial least squares, GA-PLS)提取介电频谱的特征频率。按照公式进行数据预处理：

(1)

式中，s为网络输入或输出值；sn为尺度变换后的输入或输出值；smax和smin为输入或输出值的最大值和最小值。

1.3.3 模型的建立 以1.3.2提取出的训练集的特征频率对应的介电参数归一化值为输入，猕猴桃特征品质指标归一化值为输出，在探讨不同隐层个数对建模效果影响的基础上，建立猕猴桃特征品质的BP(back propagation)神经网络预测模型，用测试集筛选模型，用验证集检验模型的效果。

1.3.4 猕猴桃介电参数的测定 使用电感、电容、电阻测试仪，利用平行板电极对猕猴桃的介电参数进行测定。将猕猴桃置于两平行电极板间，在电压1 V，频率范围3～8 MHz条件下，设定5 000个频率点，测定猕猴桃相对介电常数ε、介电损耗因子θ。测定时每个果实沿其纵径不同位置重复3次，取平均值。

1.3.5 猕猴桃品质的测定 使用手持糖量计测定可溶性固形物含量；采用2,6-二氯靛酚染料溶液滴定法测定Vc含量[18]；将猕猴桃去皮后用色差仪测定果实表面的a*、b*、L*值，按照公式计算ΔE值：

(2)

式中，L0,a0,b0表示未贮藏样品的测定值。

TPA测试：使用质构仪测定，用取样器取直径1 cm、厚度0.5 cm的圆柱形猕猴桃果柱，在测前速度4 mm·s-1、测中速度2 mm·s-1、测后速度4 mm·s-1、位移1 mm、时间5 s、触发力5 g的条件下进行TPA测试[15]。

1.4 数据处理及统计分析

采用MATLAB软件构建神经网络的数据，采用决定系数R2对模型进行评价。应用SPSS 17.0软件对介电模型参数进行误差分析和显著性t检验。

2 结果与分析

2.1 猕猴桃品质指标测定结果

由表1可知，训练集理化指标Vc含量、可溶性固形物含量、ΔE值的变化范围分别为23.56～87.25 mg·kg-1FW、 9.30%～16.20%、25.03～45.80；质构指标硬度、粘聚性和弹性的变化范围分别为65.87～1 103.26 N、0.57 ～0.98、0.69～1.40。训练集数据范围广，覆盖猕猴桃釆摘后到贮藏末期的整个过程，样本对分析猕猴桃介电特性及其品质间关系具有较强的代表性；测试集及验证集均在样本变幅范围内，数据分布均匀，划分结果合理。

2.2 SPA对猕猴桃介电参数特征频率的提取

由表2可知，SPA提取的Vc含量、可溶性固形物含量、ΔE、硬度、粘聚性及弹性的相对介电常数ε频谱频率个数分别为9、11、19、14、17、12；介电损耗因子 θ 频谱频率个数分别为16、6、25、5、6、5；介电损耗因子与相对介电常数 θ-ε 融合频谱频率个数分别为20、27、10、12、25和18。提取的特征频率个数均未超过30，SPA降维效果较好，能有效地消除不相关或非线性变量。

2.3 GA-PLS对猕猴桃介电参数特征频率的提取

由表3可知,GA-PLS提取的Vc含量、可溶性固形物含量、ΔE值、硬度、粘聚性及弹性的相对介电常数ε频谱特征频率个数分别为9、22、21、32、13、13；介电损耗因子θ频谱的特征频率个数分别为37、12、31、28、7、14；介电损耗因子与相对介电常数θ-ε融合频谱的特征频率个数分别为19、27、40、14、14、17，提取的特征频率个数最大为40，去除了冗杂信息，提高了模型运算速度，可有效地避免模型的过拟合[19]。

2.4 基于介电参数的猕猴桃品质预测模型的建立

本研究人工神经网络的训练方法为LM算法，学习方法为动量梯度下降法，激活函数为tanh函数，经过训练后结果如表4所示。用测试集对表4所筛选出的较优模型进行测试，根据测试结果确定猕猴桃特征品质指标的最优模型见表5。由表5可知，Vc含量和ΔE值的最优模型为连续投影算法结合神经网络模型，可溶性固形物含量、硬度、粘聚性和弹性的最优模型为遗传算法-偏最小二乘法结合神经网络模型。所有最优模型均由基于θ-ε融合频谱为输入的模型，说明θ-ε频谱能充分体现θ频谱和ε频谱的特征，将两者融合用于建模，所得模型的精度更好，泛化能力更强。

2.5 模型的验证

表6为建立的Vc含量、可溶性固形物含量、ΔE、硬度、粘聚性和弹性的神经网络模型对验证集的预测结果。t检验表明，各指标的t检验值均小于2.447(t0.05,6=2.447)，预测值与实测值间无显著性差异(P>0.05)。经验证，Vc含量、可溶性固形物含量、ΔE值、硬度、粘聚性和弹性的实测值与预测值的决定系数R2分别为0.971、0.922、0.934、0.984、0.908和0.954，说明模型预测精度较高，运用BP神经网络建立的猕猴桃品质预测模型能够用于预测其特征品质。

3 讨论

介电特性是表达不同生物体在不同环境中差异性的物理参数之一，通过研究该参数可以获得丰富的生物信息[20]。利用介电特性进行品质检测具有分辨率高、价格便宜、动态响应快等特点，从快速性和经济性角度考虑，该方法是检测果品内部品质的实用方法。李冬冬等[21]利用无信息变量消除算法(uninformative variable elimination, UVE)筛选特征频率点，建立了灵武长枣中Vc含量的预测模型，验证集R2为0.961 7； Song等[22]研究发现，基于介电特性测量油炸食品中丙烯酰胺含量的方法高效且可行。介电特性研究对果蔬品质检测具有重要意义，但目前关于猕猴桃果实介电特性的研究较少，本研究探讨了猕猴桃品质与其介电特性的关系，并建立了数学模型，模型对Vc含量、可溶性固形物含量、ΔE值、硬度、粘聚性和弹性预测的决定系数分别为0.971、0.922、0.934、0.984、0.908、0.954，说明模型预测结果较为准确，屠鹏等[23]在鲜切苹果放置过程中的品质快速无损检测研究中也得到了相似结论。说明利用介电特性无损检测方法来评定猕猴桃的内部品质在技术和原理上具有可行性。通过测定猕猴桃介电特性可以实现对其品质的快速无损预测，本研究对猕猴桃贮藏、运输和加工过程中品质的实时监测具有重要的意义。

表2 SPA筛选后的介电参数特征频率点

表3 GA-PLS筛选后的介电参数特征频率点

表3(续)

表4 神经网络模型的训练结果

表4(续)

表5 最优模型

表6 模型对验证集的预测结果

在介电频谱3～8 MHz范围内，共测5 000个频率点的猕猴桃介电参数值，数据量大，冗余信息多，许多频率点的介电频谱有用信息量少，与品质指标间缺乏相关性，因此，提取有效介电频谱信息是提高建模效果的关键。本研究使用SPA及GA-PLS算法从猕猴桃介电频谱中提取各品质指标的特征频率，建立预测模型并加以验证。

SPA能够从近红外光谱信息中寻找出含最小冗余信息的变量组，降低变量之间的共线性，减少建模中使用的变量数量，提高建模的速度和效率。吴瑞梅等[24]采用SPA结合联合区间偏最小二乘法从绿茶近红外光谱中优选7个反映酚氨比的特征变量，建立的模型可实现对绿茶滋味品质的快速估测。洪涯等[25]使用SPA有效优选出砂糖橘总酸特征光谱变量，简化了校正模型、缩短了校正时间、提高了模型预测精度。成忠等[26]使用SPA削减光谱波数，使小麦水分含量的模型结构得到明显简化，模型精度显著提高。本研究利用SPA算法从猕猴桃的介电频谱中提取出Vc含量的20个频率点及ΔE值的10个频率点，降维效果明显，Vc含量及ΔE模型的R2分别为0.971和0.934，建立的模型可实现对猕猴桃中Vc含量及ΔE的快速预测，这一结果与郭文川等[12]对介电谱无损检测梨内部品质的研究结果一致。SPA不仅能够有效优选出特征变量，简化猕猴桃品质指标预测模型、缩短建模时间，而且提高了猕猴桃Vc含量及ΔE的模型预测精度，是一种有效、实用的光谱变量选择方法。

GA-PLS能较快速地在复杂问题中搜索最优值，已成功应用于不同数据类型的特征选择中。张海东等[27]通过GA-PLS筛选出表征茶多酚含量的特征波数点，使模型对外部样本的预测能力显著提高；田潇瑜等[28]分别建立了紫薯中花青素含量的偏最小二乘(partial least squares, PLS)、标准正态变量变换-偏最小二乘(standard normal variable transformations - partial least squares, SNV-PLS)、区间偏最小二乘(interval partial least squares, iPLS)及GA-PLS定量预测模型，结果表明，GA-PLS模型的预测效果最佳。本研究利用GA-PLS算法从猕猴桃介电频谱中提取可溶性固形物含量、硬度、粘聚性及弹性的特征频率，结果分别为27、14、14、17个频率点，变量数明显减少，建立的可溶性固形物含量、硬度、粘聚性及弹性模型R2分别为0.922、0.984、0.908、0.954，说明GA-PLS具有良好的变量选择及模型优化效果。这主要是由于遗传算法高效的全局搜索能力和偏最小二乘法本身所具备的信息提取能力的有机结合，从而将不相关或相关性极小的特征频率剔除，使选到的频率能较好地反映猕猴桃的品质特性。SPA和GA-PLS均能合理有效地提取猕猴桃中有用的介电频谱信息，简化模型，提高模型的预测能力。

4 结论

本研究结果表明，SPA和GA-PLS均可以有效地提取特征频率，进行数据降维，减少建模计算量，降低模型复杂度。在BP神经网络建模过程中，θ-ε的融合频谱能更好地表征猕猴桃的介电特性，以此为输入的模型在各方面均表现较好。Vc含量和ΔE值的最优模型为连续投影算法结合神经网络模型，可溶性固形物含量、硬度、粘聚性和弹性的最优模型为遗传算法-偏最小二乘法结合神经网络模型，模型对各指标预测的决定系数分别为0.971、0.934、0.922、0.984、0.908和0.954，表明利用猕猴桃的介电特性可以预测其品质，可为实现猕猴桃贮藏加工过程中的品质快速无损检测奠定基础。