激光散射图像检测桃果实货架期的食用价值

徐　苗，孙　柯，王　卓，屠　康*，潘磊庆，彭　菁

（南京农业大学食品科技学院，江苏 南京 210095）

激光散射图像检测桃果实货架期的食用价值

徐苗，孙柯，王卓，屠康*，潘磊庆，彭菁

（南京农业大学食品科技学院，江苏 南京 210095）

研究了应用激光散射图像检测桃果实食用价值的方法。通过分析桃果实货架期感官得分，将‘霞脆’鲜桃分为有食用价值和无食用价值两类。通过检测硬度、可溶性固形物含量和可滴定酸含量的变化，验证了此分类的可行性。利用波长650 nm、功率20 mW的半导体激光搭建激光散斑测量装置，采集‘霞脆’桃在货架期的激光散射图像，从图像中提取颜色特征参数（R、G、B、H、S、I及各标准差）和纹理特征参数（像素面积、平均灰度值、灰度标准差、平滑度、三阶矩、一致性和熵）。最终通过统计分析得到像素面积、R、G、B、一致性和熵的变化与货架期‘霞脆’桃果实食用价值有较好的相关性。以这6 个特征参数建立对‘霞脆’桃果实货架期食用价值判别的支持向量机模型。结果表明，训练识别率为95.0%，预测识别率为92.5%，利用激光散射图像对货架期桃果实食用价值进行无损检测具有可行性。

激光散射图像；桃；食用价值；检测

随着生活水平的提高，消费者在采购桃时，除了大小，颜色等外观品质外，对口感、质地和香气等内部品质的要求也越来越高。在货架期间，随着乙烯的产生会影响有机物质转化、组织软化和香气物质的产生，旺盛的呼吸也会加快营养物质消耗、组织老化、失水萎蔫，导致桃果实品质劣变［1-4］。然而，耐储运的桃果在货架后期虽然丧失了良好风味，但果实外观正常，未出现腐烂和机械损伤，消费者很难用肉眼甄别。因此，利用有效地方法监测货架期桃果实品质的变化，剔除不能满足消费者需求的果实，具有重要的意义。

目前在检测水果内部品质方面，仍主要采用化学的方法抽样测定，检测效率较低，经济损失大，属于破坏性检测。在无损检测方面，光学技术被广泛使用。近红外因其速度快、重复性强和样品无需处理等优点被应用于检测农产品品质变化［5-6］，但是设备昂贵，获取的数据量大［7］。在近红外检测中光的散射效应通常被视为干扰因素，因此在光谱数据分析中被删除或修正［8］。然而，激光散斑技术作为一种基于光子吸收和光散射传播的方法已被越来越多地应用在预测食品质量，主要集中在新鲜水果方面。当激光光束照射到水果表面，一部分光被反射，剩余的光渗透并分布到多孔的果肉组织中。激光射图像的变化与样品化学成分对光的吸收和结构性能对光的散射有关［9-10］。Qing Zhaoshen等［11］利用了5 个波长在680～980 nm的激光检测苹果可溶性固形物含量和硬度。Hashim等［12］利用激光散斑技术检测到了香蕉的冷害症状。Lorente等［13］检测到了柑橘的早期腐烂。然而，在这个领域的研究仍处于初步阶段，应用激光散斑技术对桃货架期内部品质的研究还鲜见报道。因此，建立激光散斑技术无损检测桃品质变化的方法值得研究。

本实验通过自制激光散射图像采集装置，研究桃果实货架期激光散射图像的变化，建立桃果实食用价值的检测模型，为开发激光散射图像检测桃果实货架期食用价值的便携式仪器提供依据。

1　材料与方法

1.1材料

以八成熟‘霞脆’桃果实（Prunus persica）（江苏省农业科学院果园）为试验材料，采后2 h内运至实验室，挑选出成熟度基本一致、色泽相近、无机械损伤的果实，摊开经自然风预冷2 h后置于温度（20±1） ℃、相对湿度约85%的恒温恒湿箱，模拟货架条件。

1.2仪器与设备

CTHI-250B恒温恒湿箱 上海施都凯仪器有限公司；GY-4硬度计 浙江托普仪器有限公司；PAL-1数字折射仪 日本爱拓公司；FE20精密pH计 梅特勒-托利多（上海）仪器有限公司；DFK 23U274CCD摄像头 德国Image公司；镜头（Pentax Tv Lens 16 mm 1∶1.4） 日本进宾得公司；EL650-20半导体二极管激光 南京来创激光科技有限公司；支架 北京派迪威仪器有限公司。

1.3方法

1.3.1实验设计

图1　桃果实的测定部位Fig.1　Measured parts of peach

每4 d取出28 个‘霞脆’桃，在果实缝合线两侧（图1）采集激光散射图像，同时测定桃果实的感官评分、硬度、可溶性固形物含量和可滴定酸含量，共检测了140 个果实。得到桃果实货架期质量参数的变化并进行食用价值的判别。

1.3.2激光散射图像获取

实验室自制激光散射图像采集系统由可调节焦距的高性能CCD摄像头和功率为20 mW、波长为650 nm的半导体二极管激光组成（图2A）。通过预实验确定拍摄参数为：摄像头分辨率1 600×1 200，曝光时间1/15 s，焦距45 mm，光束的入射角15°，摄像头与桃果实的距离约30 cm，激光与桃果实距离约15 cm。获取激光散射图像（图2B），光斑直径（6±1） mm。

图2　激光散射图像采集装置图（A）和桃果实的激光散射图像（B）Fig.2　Measurement device of laser backscattering imaging （A） and laser backscattering image of peach （B）

1.3.3激光散射图像处理

参照杨丹等［14］的图像处理方法，先将采集到的彩色图像转换为灰度图像，然后通过双峰法对灰度图像进行阈值分割，得到散斑圆环的二值图像［15］，并计算散斑圆环区域像素面积A、平均灰度值m、灰度标准差σm、平滑度R、三阶矩μ3、一致性U和熵e。见公式（1）～（6）：

式（1）～（6）中：zi为亮度随机变量；p（zi）是一个区域中的灰度直方图；L为可能灰度级；标准方差σ为图像灰度的离散程度。

然后以该二值图像为模板，提取彩色图像中散斑圆环区域的红、绿、蓝（R、G、B）3 个分量的平均值及各标准差σR、σG、σB；并将彩色图像转换为HSI空间图像，提取HSI空间图像中散斑圆环区域的色调（H）、饱和度（S）、亮度（I）3 个分量的平均值及各标准差σH、σS、σI，见公式［16］（7）～（9）：

求各特征参数（R、G、B、H、S、I及其标准差和三阶矩、像素面积、灰度值、灰度标准差、平滑度、一致性和熵）的平均值作为每个样品的特征参数的值。图像参数经过降维处理，与感官评价结果相关联，通过建模判断桃果实是否具有食用价值。

1.3.4指标测定

1.3.4.1感官评定

评价指标及其权重的确定是有效进行品质评价的基础，参照桃品质评价研究进展［17-19］，建立了本实验的桃果实内部品质评价标准（表1），选择在校食品安全专业男、女同学共8 人组成感官评价小组。测定时由另外1 人负责果实样品的切取，取切后按次序展示给评定小组成员，由感官评价小组按表1对各个桃果实的评定指标逐项打分，取总分的平均值进行分析。以感官评分作为食用价值判别的依据，7～10 分为有食用价值，7 分以下为无食用价值。

表1　桃果实内部品质感官评价标准Table1　Criteria for sensory evaluation of peach

1.3.4.2理化指标的测定

使用水果硬度计测量桃果实的硬度。探头直径7.9 mm，测量深度10 mm，每个果实缝合线两侧各测量1 次，样品所能承受的最大压力即为该点硬度，求2点的平均值作为果实的硬度，单位为N/cm2。

将桃果实榨汁后测定其可溶性固形物和可滴定酸度的含量。可溶性固形物含量由数字折射仪测定，单位为°Brix；可滴定酸含量由精密pH计测定，电位滴定至pH8.1。每个样品测量3 次，取平均值。

1.4统计分析

采用Excel软件处理数据后，使用SPSS 20软件，方差分析利用邓肯氏多重比较法（Duncan’s multiple range test）在P=0.05的水平下进行检验。利用皮尔森相关系数（R）进行相关性分析。使用MATLAB 2010b软件平台中的PLS工具箱，建立桃果实食用价值的支持向量基判别模型。任选100 个样品的数据用于模型构建，40 个样品的数据用于模型验证。通过模型的准确率评价模型的性能。

2　结果与分析

2.1‘霞脆’桃果实内部品质的变化

2.1.1感官评分的变化

图3　货架期桃果实感官评分的变化Fig.3　Changes in sensory score of peaches during shelf life

如图3、4所示，在货架期内（0～16 d），桃果实感官评分整体随着货架期的延长逐渐下降，失去食用价值桃的比例增长，然而在货架期为4、8、12、16 d时，样本中既存在有食用价值的桃，又存在失去食用价值的桃。这表明桃果实食用价值虽然与货架期有关，但桃个体差异大，不能仅以货架期的天数判断桃果实是否还存在食用价值，应检测每个桃果实的食用价值。

图4　货架期桃果实有食用价值所占百分比的变化Fig.4　Changes in the percentage of peach with food value during shelf life

2.1.2理化指标的变化

图5　货架期桃果实硬度的变化Fig.5　Changes in firmness of peach during shelf life

如图5所示，桃果实的硬度随货架期的延长而降低，前8 d硬度下降速度缓慢，8 d以后硬度降低速度加快，但硬度始终保持在较高的水平，直到16 d以后仍可以达到31.43 N/cm2。‘霞脆’桃属于硬桃品种，其硬度随货架期变化规律与Haji等［20-21］的研究吻合，杨勇等［22］的研究说明了‘霞脆’桃贮藏过程中硬度可以维持在较高水平，其机理是采后乙烯相关基因的表达水平极低，在贮藏过程中乙烯释放量少。

图6　货架期桃果实可溶性固形物含量的变化Fig.6　Changes in soluble solids content of peach during shelf life

如图6所示，在0～16 d货架期内，桃果实可溶性固形物含量呈先上升后下降的趋势，在第8天达到最大值10.98°Brix。这是因为桃果实在成熟过程中不溶性多糖转化为可溶性糖的含量高于果实呼吸作用分解的单糖含量。第8天后可溶性固形物含量降低，是由于进入衰老期，没有新的单糖分解产生，呼吸作用的消耗使得桃果实的可溶性固形物含量减少［23］。货架期较长的桃甜度下降，口感变差，失去食用价值。

图7　货架期桃果实可滴定酸含量的变化Fig.7　Changes in acidity of peach during shelf life

如图7所示，在0～16 d的货架期内，桃果实可滴定酸含量随货架期的延长而下降，前4 d可滴定酸含量保持不变，第4天后可滴定酸含量下降，到第16天可滴定酸含量下降至0.12%。桃中的有机酸主要包含苹果酸、柠檬酸和奎宁酸，苹果酸和柠檬酸含量与果实酸味具有一定相关性，可滴定酸含量高，果实味酸，可滴定酸含量低，果实味甜，介于两者之间是酸适度区［10］。货架期较短的桃处于酸适度区，随货架期延长，酸含量过低可能会使其品质劣变，影响桃的风味。

2.1.3感官评分与理化指标相关性分析

表2　货架期桃果实感官评分与理化指标相关性分析结果Table2　Pearson’s linear correlation coefficients between sensory score and quality parameters

通过桃果实感官评分与理化指标的相关性分析，结果见表2，表明各个指标间存在着紧密的联系，某一性状的变化可能促使与之相关联的性状发生同方向或反方向的显著变化。硬度、可滴定酸含量、可溶性固形物含量与感官评分存在极显著的正相关关系（P＜0.01）。说明桃果实货架期食用价值的变化是各个理化指标综合作用的结果，而本实验所建立的感官评价方法能够有效地表征‘霞脆’桃果实在货架期食用价值的变化。

2.2激光图像参数

表3　桃果实图像参数方差分析结果Table3　Analysis of variance of characteristic parameters from laser backscattering image of peach

表3为有食用价值和无食用价值的桃果实散射图像参数方差分析的结果，可以看出，像素面积A、R、G、B、一致性U和熵e存在显著或极显著差异，这种变化可能和桃果实货架期品质变化有关。通过相关性分析，桃果实感官评分与像素面积A、R、G、B、一致性U和熵e呈极显著正相关或负相关（表4）。表5为在95%的置信区间，不同等级‘霞脆’桃的像素面积、R、G、B、一致性U和熵e的分布范围。由此分析可知：所测图像参数的变化与货架期‘霞脆’桃果实食用价值有较好的关联性。

表4　货架期桃果实感官评分与特征参数相关性分析结果Table4　Pearson’s linear correlation coefficients between sensory score and characteristic parameters

表5　在95%置信区间特征参数的分级Table5　Classification of characteristic parameters at the 95% confidence interval

2.3桃果实食用价值判别模型的构建与验证

支持向量机（support vector classification，SVC）在解决小样本、非线性及高纬度识别中具有优势［24-25］。本研究利用SVC，建立桃果实货架期有无食用价值的判别模型。以像素面积、R、G、B、一致性和熵这6 个特征参数集作为模型自变量x输入，感官评价有食用价值的为1，无食用价值的为0，作为模型应变量y输出。100 个样本数据对SVC进行训练，40 个样本数据对SVC进行预测。获得的判别模型参数为：核函数为径向基函数，惩罚系数为31.62，正则化系数为0.003 1。结果见表6，训练识别率和预测识别率分别为95.0%和92.5%。说明该模型在桃果实货架期食用价值的定性判别中具有良好的性能。后续研究可以把‘霞脆’桃激光散射图像的特征参数导入该模型直接判别果实是否存在食用价值。

表6　基于SVC的桃果实货架期食用价值判别模型执行结果Table6　Two-class classification of peach during shelf life by using SVC model

3　结 论

‘霞脆’桃果实在货架期间，硬度和可滴定酸含量呈下降趋势，可溶性固形物含量呈先上升后下降趋势，该变化导致激光产生反射、吸收和折射情况的差异，进而导致所得激光散射图像特征参数的变化。通过统计分析发现，图像上提取的像素面积、R、G、B、一致性和熵与货架期‘霞脆’桃果实食用价值有较好的相关性。

采用像素面积、R、G、B、一致性和熵这6 个特征参数集作为SVC的输入，所建‘霞脆’桃食用价值判别模型的训练识别率和预测识别率分别为95.0%和92.5%。

结果表明，激光散斑技术可以较为准确地判别桃果实有无食用价值，该研究为继续开发基于激光散斑技术检测桃品质的便携式仪器提供了参考依据。不同品种、产地的桃差异大，今后还可以建立多品种、多产地的桃品质预测模型，也可以建立不同水果的品质预测模型，完善激光散斑水果品质检测仪器的功能。

［1］ 阚娟， 陆燕飞， 刘俊， 等. 不同溶质型桃果实成熟衰老过程中线粒体内细胞色素氧化酶的变化［J］. 食品科学， 2014， 35（20）: 276-280. DOI:10.7506/spkx1002-6630-201420054.

［2］ 陈文烜. 水蜜桃、梨减压保鲜技术及机制研究［D］. 北京: 中国农业大学， 2015.

［3］ 张鑫. 中晚熟水蜜桃品种主要生物学性状及贮藏性研究［D］. 杭州:浙江大学， 2011.

［4］ TATSUKI M， NAKAJIMA N， FUJII H， et al. Increased levels of IAA are required for system 2 ethylene synthesis causing fruit softening in peach （Prunus persica L. Batsch）［J］. Journal of Experimental Botany，2013， 64（4）: 1049-1059. DOI:10.1093/jxb/ers381.

［5］ LIU Y， CHEN X， OUYANG A. Nondestructive determination of pear internal quality indices by visible and near-infrared spectrometry［J］. Food Science and Technology， 2008， 41（9）: 1720-1725. DOI:10.1016/ j.lwt.2007.10.017.

［6］ KUMAR S， MCGLONE A， WHITWORTH C， et al. Postharvest performance of apple phenotypes predicted by near-infrared （NIR）spectral analysis［J］. Postharvest Biology and Technology， 2015， 100: 16-22. DOI:10.1016/j.postharvbio.2014.09.021.

［7］ LU R. Multispectral imaging for predicting firmness and soluble solids content of apple fruit［J］. Postharvest Biology and Technology， 2004，31（2）: 147-157. DOI:10.1016/j.postharvbio.2003.08.006.

［8］ LU R， QIN J， PENG Y， et al. Measurement of the optical properties of apples by hyperspectral imaging for assessing fruit quality［J］. IEEE Transactions on Information Theory-TIT， 2006， 67（2）: 568-572. DOI:10.1016/j.postharvbio.2008.03.010.

［9］ QIN J， LU R. Monte Carlo simulation for quantification of light transport features in apples［J］. Computers and Electronics in Agriculture， 2009， 68（1）: 44-51. DOI:10.1016/j.compag.2009.04.002.

［10］ 宋火茂. 桃果实糖酸含量与风味品质的关系［J］. 山西农业科学，1992（5）: 25-26.

［11］ QING Zhaoshen， JI Baoping， ZUDE M. Predicting soluble solid content and firmness in apple fruit by means of laser light backscattering image analysis［J］. Journal of Food Engineering， 2007，82（1）: 58-67. DOI:10.1016/j.jfoodeng.2007.01.016.

［12］ HASHIM N， PFLANZ M， REGEN C， et al. An approach for monitoring the chilling injury appearance in bananas by means of backscattering imaging［J］. Journal of Food Engineering， 2013， 116（1）: 28-36. DOI:10.1016/j.jfoodeng.2012.11.018.

［13］ LORENTE D， ZUDE M， IDLER C， et al. Laser-light backscattering imaging for early decay detection in citrus fruit using both a statistical and a physical model［J］. Journal of Food Engineering， 2015， 154: 76-85. DOI:10.1016/j.jfoodeng.2015.01.004.

［14］ 杨丹. MATLAB图像处理实例详解［M］. 北京: 清华大学出版社， 2013.

［15］ QING Z， JI B， ZUDE M. Non-destructive analyses of apple quality parameters by means of laser-induced light backscattering imaging［J］. Postharvest Biology and Technology， 2008， 48（2）: 215-222. DOI:10.1016/j.postharvbio.2007.10.004.

［16］ 赵杰文. 食品、农产品检测中的数据处理和分析方法［M］. 北京: 科学出版社， 2012.

［17］ 张嫱， 潘磊庆， 屠康. 利用半透射高光谱图像检测‘霞晖5号’水蜜桃冷害［J］. 食品科学， 2015， 36（2）: 160-167. DOI:10.7506/spkx1002-6630-201502031.

［18］ 焦艺， 毕金峰， 刘璇， 等. 桃品质评价研究进展［J］. 农产品加工: 学刊（中）， 2014（4）: 55-59； 62. DOI:10.3969/jissn.1671-9646（X）.2014.04.017.

［19］ 张海英， 韩涛， 王有年， 等. 桃果实品质评价因子的选择［J］. 农业工程学报， 2006， 22（8）: 235-239. DOI:10.3321/j.issn:1002-6819.2006.08.049.

［20］ HAJI T， YAEGAKI H， YAMAGUCHI M. Inheritance and expression of fruit texture melting， non-melting and stony hard in peach［J］. Scientia Horticulturae， 2005， 105: 241-248. DOI:10.1016/ j.scienta.2005.01.017.

［21］ HAJI T， YAEGAKI H， YAMAGUCHI M. Changes in ethylene production and flesh firmness of melting hard peaches after harvest［J］. Engei Gakkai Zasshi， 2001， 4（70）: 458-459.

［22］ 杨勇， 马瑞娟， 张斌斌， 等. 不同溶质桃果实的软化与乙烯合成相关基因的差异表达［J］. 园艺学报， 2015， 42（10）: 1869-1878. DOI:10.16420/j.issn.0513-353x.2015-0126.

［23］ 王亦佳. 白花凤凰水蜜桃采后生理、腐烂机理及其综合保鲜技术的研究［D］. 南京: 南京大学， 2012.

［24］ ZHANG W， PAN L， TU S， et al. Non-destructive internal quality assessment of eggs using a synthesis of hyperspectral imaging and multivariate analysis［J］. Journal of Food Engineering， 2015， 157: 41-48. DOI:10.1016/j.jfoodeng.2015.02.013.

［25］ PAN L， QIANG Z， WEI Z， et al. Detection of cold injury in peaches by hyperspectral reflectance imaging and artificial neural network［J］. Food Chemistry， 2016， 192: 134-141. DOI:10.1016/ j.foodchem.2015.06.106.

An Approach for Monitoring Food Value of Peach during Shelf Life by Laser Backscattering Imaging

XU Miao， SUN Ke， WANG Zhuo， TU Kang*， PAN Leiqing， PENG Jing（College of Food Science and Technology， Nanjing Agricultural University， Nanjing 210095， China）

This study developed a nondestructive test method based on laser backscattering image to monitor the food value of ‘Xiacui’ peach during shelf life. Classification criteria of food value for ‘Xiacui’ peach were established based on sensory score. By detecting the changes in hardness， soluble solids content （SSC） and titratable acid for each peach， this classification method was proved to be credible. Moreover， a semiconductor laser generator with 650 nm wavelength and 20 mW power was used to build laser speckle measurement device. Laser backscattering images were captured and analyzed to extractcolor（R， G， B， H， S， I and each standard deviation） and texture parameters （pixel area， average gray value， standard deviation，smoothness， third-order moments， consistency and entropy）. The changes in pixel area， R， G， B， consistency and entropy were correlated with the food value of ‘Xiacui’ peach. Finally， these six characteristic parameters were chosen as input to develop a support vector classification （SVC） model with overall training and testing classification accuracy of 95.0% and 92.5%， respectively. Our findings suggest that laser backscattering imaging can be useful to non-destructively detect the food value of ‘Xiacui’ peach during shelf life.

laser backscattering imaging； peach； food value； monitoring

10.7506/spkx1002-6630-201618039

TS255.2

A

1002-6630（2016）18-0244-06

徐苗， 孙柯， 王卓， 等. 激光散射图像检测桃果实货架期的食用价值［J］. 食品科学， 2016， 37（18）: 244-249. DOI:10.7506/ spkx1002-6630-201618039. http://www.spkx.net.cn

XU Miao， SUN Ke， WANG Zhuo， et al. An approach for monitoring food value of peach during shelf life by laser backscattering imaging［J］. Food Science， 2016， 37（18）: 244-249. （in Chinese with English abstract） DOI:10.7506/spkx1002-6630-201618039. http://www.spkx.net.cn

2016-01-13

公益性行业（农业）科研专项（201303088）；“十二五”国家科技支撑计划项目（2015BAD19B03）；江苏省优势学科建设项目；国家自然科学基金面上项目（31671925；31671926）

徐苗（1990—），女，硕士，研究方向为农产品无损检测。E-mail：403244237@qq.com

屠康（1968—），男，教授，博士，研究方向为农产品无损检测、农产品贮藏与加工。E-mail：kangtu@njau.edu.cn