①Daily Freshness Decay of Minimally Processed Apples using Vis/NIR Multispectral Imaging: Preliminary Tests

基于Vis/ NIR多光譜成像技術(shù)的輕加工蘋(píng)果日新鮮度衰減研究：初步實(shí)驗(yàn)

摘要：

近年來(lái)，鮮切（輕度加工）果蔬的市場(chǎng)消費(fèi)量大幅增長(zhǎng)。事實(shí)上，人類(lèi)生活方式的變化往往促使消費(fèi)者更傾向于選擇便捷且健康的產(chǎn)品。監(jiān)測(cè)新鮮切割產(chǎn)品的質(zhì)量變化對(duì)于控制整個(gè)生產(chǎn)鏈中的新鮮度水平至關(guān)重要。因此，采用非破壞性且可整合到生產(chǎn)鏈中的新型分析方法將極大助力新鮮果蔬行業(yè)的發(fā)展。本初步研究旨在利用可見(jiàn)光 / 近紅外多光譜成像技術(shù)，定性監(jiān)測(cè)鮮切蘋(píng)果切片12 小時(shí)內(nèi)新鮮度隨時(shí)間的衰減規(guī)律。實(shí)驗(yàn)所用3顆粉紅佳人蘋(píng)果購(gòu)自大型連鎖商超；沿果柄-果萼橫軸橫向切片制備樣品。每片蘋(píng)果對(duì)半分割處理：其中一半切片浸入含2%（w/v）L-抗壞血酸的水溶液中5分鐘以模擬即食產(chǎn)品狀態(tài)，另一半作為對(duì)照組保持未處理狀態(tài)。

采用丹麥 Videometer A/S 公司生產(chǎn)的 Videometer Lab4多光譜成像系統(tǒng)，連續(xù) 12 小時(shí)、每 60 分鐘對(duì)蘋(píng)果進(jìn)行監(jiān)測(cè)，并針對(duì)每次采集數(shù)據(jù)采用與各樣本同步獲取的多色參考圖像進(jìn)行歸一化校正，以確保測(cè)量條件的一致性。每張圖像均采用k均值算法對(duì)RGB彩色圖像進(jìn)行分割，從而將蘋(píng)果果肉（即關(guān)注區(qū)域）與背景、果皮及果核分離。經(jīng)過(guò)上述預(yù)處理后，將當(dāng)日每個(gè)切片的所有采集數(shù)據(jù)整合為單一數(shù)據(jù)集，并以二維矩陣形式呈現(xiàn)，隨后應(yīng)用主成分分析（PCA）。最終通過(guò)偽彩色評(píng)分圖像重組技術(shù)，突顯單個(gè)蘋(píng)果切片中出現(xiàn)的顯著差異。

研究結(jié)果令人鼓舞：所有樣本的分析均能清晰區(qū)分經(jīng)處理切片與未處理切片（尤其在PC2評(píng)分維度上）；同時(shí)，經(jīng)處理與未處理切片均顯示出隨時(shí)間推移（按小時(shí)計(jì)）明顯的變化趨勢(shì)。本初步研究表明，多光譜成像技術(shù)可作為快速、非破壞性的監(jiān)測(cè)手段，有效追蹤低限度加工蘋(píng)果切片的新鮮度變化過(guò)程。

圖1. 蘋(píng)果切片示意圖（左圖），標(biāo)簽分別標(biāo)示經(jīng)L-抗壞血酸處理的部分與未處理部分；右側(cè)為掩膜處理后的感興趣區(qū)域（ROI）標(biāo)識(shí)。

主成分分析（PCA）結(jié)果顯示，三個(gè)具顯著性的主成分共同解釋了近98.21%的總方差（圖3）。PC2得分分布圖顯示其解釋了22.14%的方差，并清晰揭示了所有三個(gè)樣本時(shí)間維度上的變化趨勢(shì)（如圖2所示）。圖中三個(gè)蘋(píng)果切片按列順序排列（參見(jiàn)縱軸標(biāo)簽），其時(shí)間演變過(guò)程則沿橫軸方向呈現(xiàn)（參見(jiàn)橫軸標(biāo)簽）。

圖2. PC2得分源自主成分分析（PCA）。所監(jiān)測(cè)的蘋(píng)果切片按列順序排列，而按行順序排列則展示了這些樣本在一天中各時(shí)段的變化趨勢(shì)。

在第一次采集的樣本中（即圖2左部分），深色區(qū)域廣泛分布。這些顏色通常與較高的新鮮度相關(guān)，因?yàn)樗鼈兪切迈r切片采集樣本的典型特征。隨著時(shí)間推移，深色區(qū)域會(huì)逐漸消失，并被更明亮的顏色所取代，這表明蘋(píng)果的衰老程度正在加劇，主要與水分流失有關(guān)。在圖2右部分的最終采集數(shù)據(jù)中，最明亮的顏色占據(jù)主導(dǎo)地位，說(shuō)明在整個(gè)持續(xù)12小時(shí)的實(shí)驗(yàn)過(guò)程中，產(chǎn)品的新鮮度已顯著下降。

圖3.前三個(gè)主成分（PC）的PCA載荷值隨相機(jī)濾光片波長(zhǎng)的變化關(guān)系（左圖），以及相同主成分解釋的總方差百分比（右圖）。

圖3展示了前三個(gè)主成分（PC）的PCA載荷圖。如前所述，樣品隨時(shí)間的變化特征主要由PC2來(lái)描述：其載荷圖在430–470nm可見(jiàn)光區(qū)及 NIR 波長(zhǎng)大于850nm的區(qū)域呈現(xiàn)明顯的正負(fù)峰值；而在這兩個(gè)波長(zhǎng)范圍之間的區(qū)間內(nèi)，曲線(xiàn)則趨近于零。因此，衰老進(jìn)程主要可通過(guò)藍(lán)色區(qū)域內(nèi)的三種對(duì)顏色敏感的濾波器，以及近紅外波段中對(duì)檢測(cè)樣品隨時(shí)間變化至關(guān)重要的濾波器來(lái)表征。針對(duì)這些定性分析結(jié)果，需進(jìn)一步開(kāi)展深入研究以確定合適的濾波器組合并減少所需濾波器數(shù)量。

②Application of Multispectral Imaging to Determine Quality Attributes and Ripeness Stage in Strawberry Fruit

多光譜成像技術(shù)在草莓果實(shí)品質(zhì)指標(biāo)與成熟度判別中的應(yīng)用

摘要：

采用涵蓋405–970nm波長(zhǎng)范圍內(nèi)的19個(gè)波長(zhǎng)的多光譜成像技術(shù)，已被用于無(wú)損檢測(cè)草莓果實(shí)的硬度、總可溶性固形物（TSS）含量及成熟度等級(jí)。研究采用了偏最小二乘法（PLS）、支持向量機(jī)（SVM）和反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）等多種分析方法，建立了預(yù)測(cè)完整草莓果實(shí)硬度與TSS含量的理論模型。與PLS和 SVM 相比， BPNN 顯著提升了多光譜成像技術(shù)預(yù)測(cè)硬度和TSS含量的性能：相關(guān)系數(shù)(r)分別為0.94和0.83，均方誤差（SEP）分別為0.375和0.573，偏差分別為0.035和0.056。隨后，利用 SVM 模型和主成分分析-反向傳播神經(jīng)網(wǎng)絡(luò)（PCA- BPNN）模型驗(yàn)證了該技術(shù)對(duì)果實(shí)成熟度分級(jí)的分類(lèi)能力，其中 SVM 模型實(shí)現(xiàn)了高達(dá)100%的分類(lèi)準(zhǔn)確率。所有模型結(jié)果均表明，光譜中的可見(jiàn)光（VIS）區(qū)域是決定草莓果實(shí)硬度、估算TSS含量及判定成熟度等級(jí)的主要因素。結(jié)果證明，結(jié)合合適的分析模型，多光譜成像技術(shù)是一種快速評(píng)估草莓果實(shí)品質(zhì)特性并實(shí)現(xiàn)成熟度分級(jí)的前景廣闊的技術(shù)手段。

圖1. 多光譜成像系統(tǒng)的主結(jié)構(gòu)配置：采用帶有啞光白色涂層的積分球可確保最佳光照條件；位于球體邊緣的發(fā)光二極管可實(shí)現(xiàn)窄帶照明；圖像采集由安裝在球體頂部的單色灰度CCD相機(jī)完成。

圖2展示了在三個(gè)成熟度階段采集的草莓果實(shí)于405–970 nm波長(zhǎng)范圍內(nèi)測(cè)得的平均相對(duì)反射率光譜。盡管處于不同成熟度，草莓果實(shí)的反射率曲線(xiàn)在整個(gè)光譜范圍內(nèi)均較為平滑。代表草莓果實(shí)顏色特征的花青素和葉綠素此前已被分別鑒定出存在于約520nm和680nm波長(zhǎng)處[33,34]。ElMasry等人[11]指出，NIR在840nm和960nm附近的吸收峰分別與糖分含量及水分含量相關(guān)。本研究中，由于成熟及過(guò)熟果實(shí)中的葉綠素已發(fā)生降解，其在660 nm處的葉綠素吸收帶幾乎消失。與此同時(shí)，花青素吸收帶（525 nm處）的相對(duì)反射率在成熟及過(guò)熟果實(shí)中均顯著低于未成熟果實(shí)，表明這兩種果實(shí)中的花青素含量明顯更高。該結(jié)果與ElMasry等人[11]的研究報(bào)告一致——他們同樣發(fā)現(xiàn)成熟及過(guò)熟果實(shí)中的花青素含量高于未成熟果實(shí)。先前研究已明確，總可溶性固形物含量的主要構(gòu)成成分為糖類(lèi)，其占比達(dá)57%至82%[5]。過(guò)熟果實(shí)中糖類(lèi)吸收帶（850nm處）的相對(duì)反射率遠(yuǎn)低于未成熟及成熟果實(shí)，這可能與過(guò)熟果實(shí)的總可溶性固形物含量（8.63 μg·g?1）顯著高于未成熟及成熟果實(shí)（分別為7.03 μg·g?1和7.79 μg·g?1）有關(guān)。

圖2. 未成熟、成熟及過(guò)熟草莓果實(shí)的多光譜圖像平均反射率。垂直條表示基于70次測(cè)量所得標(biāo)準(zhǔn)差。

③Convolutional Neural Networks of Whole Jujube Fruits Prediction Model Based on Multi-Spectral Imaging Method

基于多光譜成像法的整顆棗果預(yù)測(cè)模型卷積神經(jīng)網(wǎng)絡(luò)

摘要：

可溶性糖是評(píng)估棗子品質(zhì)的重要指標(biāo)，同時(shí)也是影響棗子口感的關(guān)鍵因素。目前測(cè)定棗子可溶性糖含量主要依賴(lài)人工化學(xué)分析法，該方法耗時(shí)且勞動(dòng)強(qiáng)度大。本研究探討了多光譜成像技術(shù)結(jié)合深度學(xué)習(xí)方法用于快速無(wú)損檢測(cè)果實(shí)內(nèi)部品質(zhì)的可行性。通過(guò)多光譜成像方法建立了支持向量機(jī)回歸模型、偏最小二乘回歸模型以及卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，用于預(yù)測(cè)整顆棗子的可溶性糖含量，并從中篩選出優(yōu)模型用于預(yù)測(cè)三種可溶性糖的含量。研究表明：經(jīng)過(guò)CNN訓(xùn)練后，整顆棗子的蔗糖預(yù)測(cè)模型性能最佳，驗(yàn)證集的相關(guān)系數(shù)達(dá)0.88，這證明了利用CNN預(yù)測(cè)棗子可溶性糖含量的可行性。

圖1為本研究方法整體試驗(yàn)流程。試驗(yàn)樣本選用中國(guó)新疆維吾爾自治區(qū)不同品種紅棗。基于多光譜反射率數(shù)據(jù)構(gòu)建支持向量回歸（SVR）模型與偏最小二乘回歸（PLSR）模型；完成圖像分割與數(shù)據(jù)增廣后，利用卷積神經(jīng)網(wǎng)絡(luò)搭建預(yù)測(cè)模型；最后依據(jù)預(yù)測(cè)精度篩選優(yōu)模型。

流程：樣本采集→樣本多光譜圖像采集→圖像預(yù)處理（光譜提取、圖像分割、數(shù)據(jù)擴(kuò)充）→模型構(gòu)建（CNN 圖像模型、PLSR 模型、SVR 模型）→模型對(duì)比→樣本含糖量實(shí)測(cè)

試驗(yàn)流程

①圖像預(yù)處理：選取880nm波段灰度圖，閾值分割+分水嶺算法實(shí)現(xiàn)單顆棗果分割；

②數(shù)據(jù)擴(kuò)充：旋轉(zhuǎn)、翻轉(zhuǎn)擴(kuò)增樣本，數(shù)據(jù)集按 5:1 劃分訓(xùn)練集與驗(yàn)證集；

③構(gòu)建三類(lèi)模型：

SVR、PLSR 傳統(tǒng)機(jī)器學(xué)習(xí)模型（3 組不同一維光譜輸入）；

淺層自制 CNN 模型，輸入19波段三維多光譜圖像，同步融合光譜+空間紋理特征；模型評(píng)價(jià)指標(biāo)：決定系數(shù)R2、均方根預(yù)測(cè)誤差 RMSPE。

圖 2 樣本采集與處理示意圖：(a) 用于紅棗圖像采集的 VideometerLab4 設(shè)備；(b) 紅棗原始多光譜圖像；(c) 對(duì)比 19 個(gè)光譜波段后，選取區(qū)分樣本與背景效果佳的 880 nm 灰度圖開(kāi)展預(yù)處理，通過(guò)閾值法分離前景棗果與背景；(d) 采用分水嶺算法分割單顆棗果，生成獨(dú)立單果多光譜圖像。

試驗(yàn)采用 VideometerLab 4 多光譜成像設(shè)備（圖 2 (a)），設(shè)備搭載 19 種不同波長(zhǎng) LED 光源，覆蓋可見(jiàn)光、紫外、近紅外四大成像模塊，光譜范圍 365–970 nm。密閉球體內(nèi)各 LED 依次閃爍照射樣本，生成多光譜圖像（圖 2 (b)）。

圖 3 樣本多光譜反射率感興趣區(qū)域：(a) 紅棗整體平均多光譜反射率提取區(qū)域；(b) 紅棗五點(diǎn)光譜采樣點(diǎn)位示意圖。

首先提取預(yù)處理后單顆棗果的感興趣區(qū)域（ROI），借助 Videometer Lab軟件提取該區(qū)域平均多光譜反射率，見(jiàn)圖3 (a)；其次在感興趣區(qū)域內(nèi)選取5個(gè)采樣點(diǎn)（左上、右上、左下、右下、中心）采集單點(diǎn)光譜反射數(shù)據(jù)，圖3(b) 為 5 個(gè)采樣點(diǎn)分布位置。

圖 4 樣本數(shù)據(jù)擴(kuò)充方式：(a) 原始圖像；(b) 90° 旋轉(zhuǎn)；(c) 270° 旋轉(zhuǎn)；(d) 左右翻轉(zhuǎn)；(e) 上下翻轉(zhuǎn)。

本研究樣本數(shù)量有限，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)前先進(jìn)行數(shù)據(jù)擴(kuò)充。如圖 4 所示，每張樣本圖像執(zhí)行四種增廣操作：90° 旋轉(zhuǎn)、270° 旋轉(zhuǎn)、左右翻轉(zhuǎn)、上下翻轉(zhuǎn)。

圖5. CNN架構(gòu)示意圖：輸入為80 × 80 × 19的樣本圖像，輸出經(jīng)過(guò)五個(gè)卷積模塊、一個(gè)全連接層和一個(gè)回歸層處理。各卷積模塊包括卷積層（Conv）、批歸一化層（BN）、Leaky ReLU激活函數(shù)層、最大池化層（Max pooling）以及丟棄層。

圖5展示了CNN預(yù)測(cè)模型，該模型主要由五個(gè)卷積模塊、一個(gè)全連接層模塊以及一個(gè)回歸層組成。每個(gè)卷積模塊包含一個(gè)卷積層、一個(gè)歸一化層、一個(gè)帶泄漏的ReLU（修正線(xiàn)性單元）激活函數(shù)層和一個(gè)最大池化層。卷積層的卷積核尺寸為5 × 5 and 3 × 3；特征圖像數(shù)量分別為128、64、32、16和8；所有卷積層的步長(zhǎng)均為2；填充值設(shè)為0。在該模型中采用了交叉熵?fù)p失函數(shù)和Adam優(yōu)化算法，學(xué)習(xí)率初始值設(shè)定為0.1。

研究結(jié)論：SVR、PLSR 所有輸入方案建模效果極差，CNN 模型預(yù)測(cè)精度大幅提升，果糖、葡萄糖、蔗糖中蔗糖預(yù)測(cè)效果優(yōu)。優(yōu)勢(shì)原因：CNN 輸入完整多光譜圖像，同時(shí)包含光譜、外形、紋理信息，相比一維光譜機(jī)器學(xué)習(xí)更適配多品種、小批量紅棗無(wú)損檢測(cè)。

④Chitosan inhibits the growth of Penicillium digitatum and Penicillium italicum and protects oranges from green and blue mold during postharvest

殼聚糖可抑制指狀青霉和意大利青霉的生長(zhǎng)，在采后階段保護(hù)柑橘免受綠霉病和藍(lán)霉病侵害

摘要：由青霉屬（Penicillium spp.）感染引起的橙子采后損失是全球柑橘產(chǎn)業(yè)面臨的主要問(wèn)題。本研究檢測(cè)了殼聚糖對(duì)多種青霉菌株（包括部分對(duì)殺菌劑耐藥的菌株）的抗菌特性，并評(píng)估了殼聚糖作為臍橙保護(hù)涂層預(yù)防感染的效果。在培養(yǎng)基中添加0.5%濃度的殼聚糖可抑制指狀青霉（Penicillium digitatum）的生長(zhǎng)，而斜青霉（Penicillium italicum）則需要1%的殼聚糖才能抑制其生長(zhǎng)。隨后，我們分別采用單獨(dú)使用殼聚糖或與商業(yè)蠟混合的方式對(duì)橙子進(jìn)行涂覆處理，以比較其控制青霉感染的效果與傳統(tǒng)殺菌劑加蠟處理方案的差異；其他對(duì)照組包括僅使用蠟處理或不作處理的橙子。在適宜病害發(fā)生的條件下，對(duì)橙子進(jìn)行指狀青霉和斜青霉菌株的接觸接種實(shí)驗(yàn)。結(jié)果顯示：與僅使用蠟處理或未處理的橙子相比，經(jīng)1%、2%及1%+蠟混合殼聚糖涂層處理的橙子感染累積發(fā)生率顯著降低；基于殼聚糖的食用涂層效果亦優(yōu)于殺菌劑和蠟處理方案。與常規(guī)處理組相比，2%殼聚糖可使殺菌劑耐藥型指狀青霉和斜青霉引起的腐爛發(fā)生率分別降低68%和76%。此外，與所有其他處理方法相比，將殼聚糖與蠟結(jié)合使用可延長(zhǎng)橙子的保質(zhì)期并提升其市場(chǎng)競(jìng)爭(zhēng)力。這些結(jié)果表明，殼聚糖可作為合成殺菌劑的有效補(bǔ)充或替代品，用于防治臍橙采后供應(yīng)鏈中的青霉病和藍(lán)霉病。

試驗(yàn)圖像采集

為評(píng)估殼聚糖是否具有預(yù)防感染作用并支持視覺(jué)評(píng)估，研究人員對(duì)每組實(shí)驗(yàn)中的六個(gè)橙子采用多光譜成像（MSI）技術(shù)檢測(cè)真菌早期發(fā)育情況及觀(guān)察病程進(jìn)展。經(jīng)nCDA算法處理后的多光譜圖像清晰顯示了受感染組織與健康組織在反射光譜上的顯著差異。雖然使用17種波長(zhǎng)組合可獲得最佳分離效果（特征值為18），但我們最終選定包含365、490、570、645、880和940 nm六種波長(zhǎng)的波長(zhǎng)組合（覆蓋紫外、可見(jiàn)光及近紅外區(qū)域），其特征值為13.54。例如圖3展示了涂覆1%殼聚糖+蠟劑與傳統(tǒng)抑霉唑+蠟劑（陽(yáng)性對(duì)照）的橙子在接觸接種斜口假單胞菌FR菌株后的對(duì)比結(jié)果：陰性對(duì)照組與殼聚糖+蠟劑組圖像中均未出現(xiàn)紅色像素點(diǎn)，證實(shí)視覺(jué)上健康的組織確實(shí)保持健康狀態(tài)；而殼聚糖+蠟劑處理組橙子在接觸接種48小時(shí)后感染即被抑制；相比之下，傳統(tǒng)抑霉唑處理組果實(shí)中出現(xiàn)深紅色像素點(diǎn)表明存在活躍的真菌生長(zhǎng)（斜口假單胞菌FR）。

sRGB 原圖：普通可見(jiàn)光照片，就是人眼直觀(guān)看到的橙子外觀(guān)，早期果皮內(nèi)部霉菌肉眼看不出痕跡；

nCDA 轉(zhuǎn)換圖：Videometer軟件對(duì) 19 段多光譜波段做判別分析處理后的可視化圖像，是設(shè)備核心病害識(shí)別輸出結(jié)果。

時(shí)間梯度觀(guān)測(cè)

圖中展示接種后 2 天、6 天、10 天、14 天多個(gè)時(shí)間節(jié)點(diǎn)成像，每組橙子下方標(biāo)注霉變總面積（mm2）與果皮侵染占比，實(shí)現(xiàn)病害量化，不靠人主觀(guān)肉眼打分。

①陰性對(duì)照：未接觸病菌的健康橙子，全程幾乎無(wú)紅色侵染像素；

②傳統(tǒng)抑霉唑 + 果蠟處理組：隨貯藏時(shí)間延長(zhǎng)紅色病斑持續(xù)擴(kuò)大，證明耐藥青霉對(duì)化學(xué)殺菌劑已產(chǎn)生抗性，傳統(tǒng)保鮮方案失效

③1% 殼聚糖+蠟涂層組：全程僅有極小面積感染，48 小時(shí)接觸病菌后霉菌擴(kuò)散被有效阻斷，防護(hù)效果突出；

圖3.橙子病害進(jìn)展的多光譜成像研究。圖像對(duì)比了空白陰性對(duì)照組、傳統(tǒng)抑霉唑 + 果蠟處理組、1%殼聚糖+果蠟處理組等并經(jīng)接觸接種意大利假單胞菌FR的果實(shí)。1%殼聚糖+蠟涂層在接觸接種后有效保護(hù)了橙子免受感染。不同時(shí)間點(diǎn)的橙子圖像以原始（sRGB）和轉(zhuǎn)換（nCDA）格式呈現(xiàn)。果實(shí)儲(chǔ)存于12.5°C、相對(duì)濕度約95%的環(huán)境中。色標(biāo)表示轉(zhuǎn)換后的像素值范圍：健康果皮為藍(lán)色（-2），感染果皮為紅色(2)；比例尺=20毫米。每個(gè)橙子下方標(biāo)注了感染面積（單位：mm2）及感染組織百分比。dpci：接觸接種后天數(shù)；2 dpci：第一次接觸接種源后48小時(shí)；nCDA：非經(jīng)典判別分析；sRGB：標(biāo)準(zhǔn)紅、綠、藍(lán)色彩空間。

⑤Determination of physicochemical properties and bioactive compounds of dried apples by FTIR spectroscopy and multispectral imaging

采用傅里葉變換紅外光譜法與多光譜成像技術(shù)測(cè)定蘋(píng)果干的理化性質(zhì)及生物活性化合物

摘要：

本研究采用多光譜成像（紫外 - 近紅外光譜）、傅里葉變換紅外光譜（FTIR）結(jié)合化學(xué)計(jì)量學(xué)分析，探究膨化干燥對(duì)蘋(píng)果片理化特性與微觀(guān)結(jié)構(gòu)的影響。膨化干燥會(huì)顯著改變蘋(píng)果片品質(zhì)：亮度L*值由75.00降至43.62，水分含量由10.34%降至7.41%；紅度a*值由5.41上升至12.32，酸度由0.37%提升至0.49%，硬度由422.06大幅升高至2967.06。盡管干燥后質(zhì)地硬度提升，總酚含量卻從 3650.03mgGAE/kg下降至3307.28 mgGAE/kg，說(shuō)明加工過(guò)程中存在營(yíng)養(yǎng)物質(zhì)損耗。傅里葉變換紅外光譜分析證實(shí)，樣品中碳水化合物與脂質(zhì)發(fā)生結(jié)構(gòu)改變；總酚含量下降也印證酚類(lèi)物質(zhì)受熱降解。主成分分析（PCA）可清晰區(qū)分對(duì)照組與膨化干燥處理樣品，第一主成分可解釋98.5%的總體變異。基于紅外光譜數(shù)據(jù)構(gòu)建偏最小二乘回歸（PLS）模型，能夠精準(zhǔn)預(yù)測(cè)樣品亮度、紅度與硬度指標(biāo)。多光譜成像結(jié)果直觀(guān)體現(xiàn)樣品顏色與質(zhì)地的顯著差異：膨化干燥后蘋(píng)果片亮度降低，表面不均勻性顯著上升；對(duì)紫外-近紅外光譜開(kāi)展主成分分析可實(shí)現(xiàn)不同組別樣品有效分離，進(jìn)一步證明干燥造成果肉組分發(fā)生改變。上述結(jié)果表明，多光譜成像可作為無(wú)損檢測(cè)手段，用于實(shí)時(shí)監(jiān)測(cè)干燥加工引發(fā)的果蔬內(nèi)部組分與品質(zhì)變化。

圖三.對(duì)照組與膨化干燥（PD）蘋(píng)果切片的平均紫外 NIR 光譜

平均光譜曲線(xiàn)（圖3）顯示，對(duì)照組與膨化干燥（PD）蘋(píng)果樣品在紫外-近紅外波段的平均光譜強(qiáng)度存在明顯差異，該差異源于膨化干燥處理引發(fā)的樣品理化性質(zhì)改變。在紫外-可見(jiàn)光區(qū)間（360–700 nm），對(duì)照組樣品平均光譜強(qiáng)度高于膨化干燥樣品。原因可能是膨化干燥過(guò)程使多酚、各類(lèi)色素等紫外-可見(jiàn)光區(qū)特征吸光物質(zhì)發(fā)生降解或結(jié)構(gòu)轉(zhuǎn)化；這類(lèi)物質(zhì)對(duì)干燥過(guò)程中的高溫與機(jī)械作用力十分敏感。在過(guò)渡波段（650–750 nm），兩組樣品光譜強(qiáng)度差值較小，說(shuō)明此波段對(duì)應(yīng)的物質(zhì)結(jié)構(gòu)與化學(xué)組分變化程度微弱。近紅外區(qū)間（750–960 nm）內(nèi)，膨化干燥樣品平均光譜強(qiáng)度略高于對(duì)照組。近紅外波段信號(hào)通常對(duì)應(yīng)O–H、C–H、N–H 化學(xué)鍵的合頻吸收峰；該波段反射率上升與干燥失水、微觀(guān)結(jié)構(gòu)改變，以及膨化處理造成的碳水化合物、蛋白質(zhì)組分變化相關(guān)。膨化干燥形成多孔結(jié)構(gòu)會(huì)增強(qiáng)光散射效應(yīng)，這也是膨化干燥樣品光譜強(qiáng)度更高的重要原因（參考文獻(xiàn) 42）。

圖4.對(duì)照組(a)與膨化干燥蘋(píng)果切片(b)的多光譜圖像

多光譜成像結(jié)果（圖 4）直觀(guān)展現(xiàn)了對(duì)照組與膨化干燥蘋(píng)果片在色澤、表面質(zhì)地方面的顯著區(qū)別，直觀(guān)佐證干燥處理造成的組分與微觀(guān)結(jié)構(gòu)變化可通過(guò)外觀(guān)特征體現(xiàn)。

圖5. (a) 對(duì)照組與膨化干燥蘋(píng)果樣品紫外 - 近紅外光譜主成分分析得分圖；(b) 基于 Videometer 光譜數(shù)據(jù)建立紅度值a*實(shí)測(cè)值-預(yù)測(cè)值偏最小二乘回歸擬合圖

紫外-近紅外光譜數(shù)據(jù)的主成分分析得分圖（圖 5）進(jìn)一步證明兩組樣品可全區(qū)分，說(shuō)明膨化干燥引發(fā)了蘋(píng)果內(nèi)部顯著的結(jié)構(gòu)與組分變化。與色澤相關(guān)波段對(duì)應(yīng)的高載荷系數(shù)表明樣品色素體系發(fā)生明顯改變，該現(xiàn)象大概率由美拉德反應(yīng)與焦糖化反應(yīng)共同導(dǎo)致。

參考文獻(xiàn)：

[1] Guidetti, Riccardo , et al. "Daily Freshness Decay of Minimally Processed Apples using Vis/NIR Multispectral Imaging: Preliminary Tests." #i{Chemical Engineering Transactions} 44(2015).

[2] Liu, Changhong , et al. "Application of Multispectral Imaging to Determine Quality Attributes and Ripeness Stage in Strawberry Fruit." #i{Plos One} 9(2014).

[3] Jing, Wang , et al. "Convolutional Neural Networks of Whole Jujube Fruits Prediction Model Based on Multi-Spectral Imaging Method." #i{Chinese Journal of Electronics} 32.3(2023):655-662.

[4] Piancatelli, Simone , et al. "Chitosan inhibits the growth of Penicillium digitatum and Penicillium italicum and protects oranges from green and blue mold during postharvest." #i{Postharvest Biology and Technology} (2026):232.

[5] Baltacolu, Cem , et al. "Determination of physicochemical properties and bioactive compounds of dried apples by FTIR spectroscopy and multispectral imaging." #i{Scientific Reports}.