題目：利用可見光-近紅外高光譜成像技術監測不同成熟期冬棗的可溶性固形物含量并分析其貨架期

關鍵詞：冬棗；高光譜成像；可溶性固形物含量；可視化；保質期；成熟度

背景：冬棗（Ziziphus jujuba Mill.）是一種生長在鼠李科落葉灌木或小喬木上的鮮果。它原產于中國，栽培歷史悠久。冬棗口感甜脆，含有豐富的糖分、礦物質和維生素等營養成分，深受消費者青睞。果皮光滑、色澤鮮艷的果形可以激發消費者的購買欲望，而口感則決定了消費者的購買意向。成熟度在決定果實質量和貨架期方面起著重要作用。成熟的冬棗口感好，但不耐貯藏和運輸，適合 "即食"。中熟冬棗可貯藏較長時間，但口感和外觀較差。果實在運輸過程中容易受到機械損傷。因此，對不同成熟度和貨架期的冬棗進行質量監測對及時銷售和增加利潤非常重要。可溶性固形物含量（SSC）是最重要的內部質量屬性之一，與水果的口感和風味有關。它能為冬棗的成熟、采收、貯藏和銷售提供有價值的信息。傳統的 SSC 測量方法具有破壞性且耗時。此外，不同貨架期的水果通常通過人工檢測來估算，因此是一個勞動密集型且容易出錯的過程。因此，開發一種快速、無創的技術，用于不同成熟階段冬棗的 SSC 監測和貨架期分析，具有重要意義。

實驗設計：試驗中使用的冬棗樣本來自中國陜西大荔縣的一個商業果園。由經驗豐富的種植者根據果實的外觀、質地和風味挑選出沒有任何碰傷、病蟲害或缺陷的中熟和成熟果實。所有樣品都用聚乙烯袋包裝，并用冰箱和冰袋運送到山東農業大學采后工程實驗室（泰安）。擦拭后的果實在室溫（溫度：18 ± 0.5 °C，濕度：90 %）下貯藏在可膨脹聚苯乙烯泡沫塑料箱中。從 2020 年采收的 400個中熟冬棗和 400個成熟冬棗作為建立預測模型的校準群體，從 2021 年采收的 200個樣本作為外部驗證群體（每個成熟階段 100個）。這些樣品被隨機分為四組，每兩天取出一組（n=100）進行光譜和 SSC 測量。

本研究中使用的高光譜成像系統由江蘇省無錫市江蘇雙利合譜有限公司生產。該系統由一臺高光譜光譜儀（GaiaField-V10E）、一個成像鏡頭（HSIA-OL23）、一套 200 W 鹵素光源（HSIA-LS-T-200 W）、一塊標準白色板（HSIA-CT-150×150）、一個三腳架和一臺裝有高光譜數據采集軟件的專用計算機（SpecView）組成。高光譜儀的光譜范圍為 400~1000 nm，光譜分辨率為 2.8 nm，入射狹縫寬度為 30 μm。成像鏡頭為 CCD 攝像機，分辨率為 1394 × 1040 像素。

在掃描每個樣品之前，高光譜成像系統應開啟并預熱約 30 分鐘，以獲得穩定的光環境。為了捕捉清晰而不失真圖像，相機曝光時間定為 0.12 秒，成像距離設定為距離樣品 27.6 厘米。為消除暗電流和光照不均對圖像的影響，使用黑白參考圖像對原始圖像進行校正。白色參考圖像是通過掃描聚四氟乙烯板獲得的，黑暗參考圖像是通過用不透明的蓋子蓋住鏡頭獲得的。從校正后的高光譜圖像中選擇整個冬棗作為一個感興趣區（ROI），并使用 ENVI 5.1 軟件。

高光譜圖像采集完成后，立即使用數字折射儀（PAL-1）測量冬棗的 SSC 值。用不銹鋼水果刀將冬棗切成塊，放入手動榨汁機（B-115 6 YZQ001）中榨汁。然后用 1 毫米的篩子過濾，將果汁滴入折射儀的棱鏡板上，在液晶顯示屏上顯示出 SSC 值。每顆冬棗測量三次，取三次測量的平均值作為 SSC 參考值。

在本研究中，采用 SPXY 方法將 2020 年采收的 400 個中熟和 400 個成熟冬棗樣本按 3:1 的比例進行分割，每個成熟度水平產生 300 個校準集樣本和 100 個交叉驗證集樣本。此外，來自 2021 年收成的 100 個中熟冬棗樣本和 100 個成熟冬棗樣本構成外部驗證集。

結論：圖 1a 顯示了所有冬棗樣品的平均光譜曲線，曲線趨勢基本相同。圖 1b 顯示了陜西大荔冬棗在 400-1000 納米范圍內的平均光譜曲線。總體而言，中熟冬棗和成熟冬棗的光譜模式相同。與中熟果實相比，由于花青素和類胡蘿卜素的吸收，成熟冬棗在 450-600 nm 范圍內的反射率偏平，而花青素和類胡蘿卜素是果實著色的原因。680 納米波長處的差異是由于不同成熟階段冬棗果皮中葉綠素含量不同造成的。840 nm 附近的反射率是由于冬棗中熟期和成熟期的 SSC 差異造成的。波長 970 納米處的反射率下降較快，這與果實中的含水量有關。從光譜反射率可以看出，不同成熟度的冬棗在色素含量和理化性質方面存在明顯差異。

圖 1c 顯示了中熟和成熟冬棗在不同保質期內 SSC 的變化情況。據觀察，成熟冬棗的平均 SSC 值高于中熟冬棗。進一步分析表明，由于淀粉酶對淀粉的水解作用，中熟冬棗的 SSC 在貨架期的前四天顯著增加（P< 0.05），然后在第 6 天開始下降（P< 0.05），原因是衰老過程中的呼吸作用或發酵轉化。而成熟冬棗的 SSC 保持穩定，沒有發生任何變化（P> 0.05），因為它已經完成了糖分轉化。最后階段（6 d）的 SSC 略低于初始階段（0 d）（P< 0.05），表明成熟的冬棗可能正在退化。

 (a)

(b)

(c)

圖1

將圖像中每個像素的反射率作為自變量代入校準模型 SPA-SVR，根據保質期創建中熟冬棗和成熟冬棗的預測圖像，以直觀顯示 SSC 的空間分布（圖 4）。SSC（Y）與有效波長光譜反射率（X）之間的線性方程定義如下: 

如圖 4 所示，根據色標，顏色從藍色到紅色不等，SSC 值越高，紅色越濃。總體而言，與中熟紅棗相比，成熟紅棗的預測 SSC 值更高，紅色像素更多。從圖 4a 中可以看出，在 0 d 時，中熟冬棗的預測圖像在中心區域顯示為淺黃色，SSC 值約為 20%，在邊緣區域顯示為青色，SSC 值約為 14%。隨著保質期的延長，中心區域的黃色逐漸向邊緣擴散。4 d 時，中心區域出現紅色，此時 SSC 約為 25%，邊緣區域的青色被黃色取代。6 d 時，中心區域的紅色像素減少，表明 SSC 下降。在圖 4b 中，0 d 成熟果實的中心區域為紅色，此時 SSC 約為 28%，SSC 從內向外逐漸變小。2 d 和 4 d 時，中心區域仍以紅色為主，沒有太大變化。6 d 時，中心區域以黃色為主，表明 SSC 有所減少。SSC 的總體趨勢與參考值的變化一致。繪圖結果表明，在不同的貨架期，每種水果的 SSC 都有顯著的空間變化，這有助于通過可視化進行無損分級。 

為了直觀地顯示和解釋光譜數據以及任何可能的樣本關系，對冬棗進行了主成分分析（PCA）。圖 5a 是中熟冬棗在貨架期的 PCA 散點圖，從中可以看出，前兩個主成分（PC）解釋了 98 % 的信息（PC1=86 %，PC2=12 %）。據觀察，隨著保質期的延長，樣品之間的分離更加明顯。保存 0 天、2 天和 4 天的樣品之間有一些重疊，但保存 6 天的冬棗則完全分開。圖 5b 顯示了成熟冬棗在保質期內的 PCA 散點圖。前兩個 PC 占變異的 98%，PC1 的最大變異率為 79%，其次是 PC2，解釋了總變異率的 19%。冬棗樣品之間在保質期內存在明顯的聚類現象，只有存放 2 d 和 4 d 的樣品之間有少量重疊。因此，有必要建立一個有監督的模型來分析保質期。

為了準確確定保質期，根據 SPA 選擇的有效波長建立了 LIBSVM 分類模型。圖 6 顯示了確定保質期模型的交叉驗證結果。8 個保存 2 d 的中熟樣品被誤判為保存 0 d，1 個保存 4 d 的中熟樣品被誤判為保存 0 d。至于成熟冬棗，共有 6 個樣本被錯誤識別，其中大部分發生在保質期的 2 至 4 d 之間，總準確率為 94%。此外，LIBSVM 模型在外部驗證集上也取得了良好的貨架期分析性能（圖 7），對中熟和成熟樣品的準確率分別為 89 % 和 91 %。總之，LIBSVM 模型在確定冬棗保質期方面的表現令人滿意。