货架期是影响果蔬品质和供应安全的重要因素, 快速准确预测果蔬货架期已成为消费者、 生产者和管理者共同关注的问题。 猕猴桃含有多种有机物和氨基酸, 具有丰富的营养价值, 深受广大消费者的喜爱。 但由于猕猴桃表面颜色变化不明显, 人们仅凭感官难以准确判断猕猴桃的货架期和质量等级。 采用高光谱成像结合化学计量学方法对不同储存条件下的保鲜猕猴桃进行了货架期预测。 首先采集了4 ℃和(18±2) ℃下保鲜时间为0, 2, 4天各120个猕猴桃样本在400～1 000 nm的高光谱数据, 测定其硬度值和可溶性固形物含量(SSC), 获取猕猴桃切片高光谱图像。 对猕猴桃平均光谱提取并进行Savitzky-Golay卷积平滑预处理后, 通过光谱数据主成分分析(PCA), 发现不同货架期和储存温度的猕猴桃样本在前2个主成分空间形成一定的聚类, 4 ℃下猕猴桃样本出现少量重叠。 为了减少波长变量, 提高运算速度, 使用载荷系数法(XL)与连续投影算法(SPA)选择特征波长。 其中, 4 ℃猕猴桃样本的XL和SPA特征波长分别7个(481, 501, 547, 665, 723, 839, 912 nm)和10个(406, 428, 520, 617, 665, 682, 723, 818, 878和983 nm); (18±2) ℃猕猴桃样本XL特征波长为508, 545, 665, 672, 720, 839和909 nm, SPA特征波长为575, 622, 731, 756, 779, 800, 828, 865, 920和983 nm。 基于3∶1的光谱数据集划分三个货架期虚拟等级值1, 2和3, 以全光谱数据、 特征波长为输入, 建立非线性最小二乘支持向量机(LS-SVM)预测模型。 结果表明, 对于4 ℃下3种货架期猕猴桃样本, 在全光谱和XL, SPA特征波长上的预测集准确度分别达到92.2%, 92.2%, 91.1%; (18±2) ℃时预测准确度均为100%。 猕猴桃切片图像PCA分析显示, 除PC5中有部分噪声影响外, 其他主成分图像均能完整反映猕猴桃切片信息, PC2图像可以明显呈现出猕猴桃切片在不同货架期的变化程度。 进一步分析猕猴桃硬度和可溶性固形物含量发现, 随着货架期延长, 猕猴桃可溶性固形物含量逐渐增加, (18±2) ℃时二者存在正相关性, 相关系数为0.557 6。 硬度则随货架期延长逐渐减小, 4和(18±2) ℃下硬度值和货架期之间存在负相关性, 相关系数分别为-0.335 6和-0.562 0。 结合猕猴桃光谱信息, 可以发现猕猴桃光谱反射率与其单个理化指标不成线性关系, 而是多个指标的综合反映。 因此, 采用高光谱成像技术可以全面、 准确、 快速的预测猕猴桃货架期, 为猕猴桃的生产、 销售提供技术指导。

水果新鲜度是反映水果是否新鲜、 饱满的重要品质指标, 为了探讨水果不同货架期的预测和判别方法, 以酥梨为研究对象, 利用高光谱成像技术, 结合偏最小二乘判别法(PLS-DA)和偏最小二乘支持向量机(LS-SVM)算法对酥梨货架期进行判别。 由光源、 成像光谱仪、 电控位移平台和计算机等构成的高光谱成像装置采集样品光谱, 装置光源采用额定功率为200 W四个溴钨灯泡成梯形结构设计, 光谱范围为1 000～2 500 nm, 分别率为10 nm。 选取优质酥梨30个, 货架期设置为1, 5和10 d, 对30个样品完成3次光谱图像的采集, 并矫正原始图像。 实验结果表明: 基于图像的酥梨货架期定性分析时, 对不同货架期样品的原始图像进行PCA压缩, 得到三种不同货架期的权重系数数据, PC1图像提取特征波长点为1 280, 1 390, 1 800, 1 880和2 300 nm, 以特征图像的平均灰度值作为自变量且以货架期作为因变量建立定性判别模型, 建模集68个, 预测集22个。 最小二乘支持向量机以RBF为核函数时, 预测集中样品的误判个数为1, 误判率为4.5%。 而当采用lin核函数时, 样品的误判个数为0, 误判率为0。 PLS-DA定性分析时RMSEC为1.24, Rc为0.93。 RMSEP为1, Rp为0.96, 预测集误判率为0。 特征图像对酥梨货架期判别LS-SVM中的lin核函数所建立的模型结果较好, 优于RBF核函数的建模效果, 也优于PLS-DA判别模型。 ENVI软件提取实验样品光谱后建立LS-SVM和PLS-DA判别模型, LS-SVM利用RBF和lin核函数误判率分别为4.5%和0。 与RBF核函数相比, lin核函数所建立的模型预测酥梨货架期的效果更好。 PLS-DA方法主成分因子数为12, RMSEC和RMSEP分别为0.48和0.78, Rc和Rp分别为0.99和0.97, 建模集与预测集的误判率均为零。 LS-SVM中的lin核函数所建立的模型结果较好, 依然优于PLS所建立的检测模型。 酥梨的光谱信息结合LS-SVM可以实现对酥梨货架期的检测和判别。 基于图像建立酥梨的货架期预测模型与光谱相比, 都实现了酥梨货架期的判别, 而特征图像法, 选择区域较少流失部分信息, 计算量小, 建模结果相对略差。 酥梨货架期的高光谱成像检测模型研究为消费者正确评价水果新鲜度提供了理论指导, 也为后期果水果货架期检测仪器的开发提供了技术支持。

保鲜膜能提高果蔬保水性, 隔绝外界细菌侵染, 延长货架期。 为了准确估测覆盖保鲜膜果蔬品质的优劣, 对其货架期进行预测具有重要意义。 应用高光谱技术结合化学计量学方法对同等贮藏条件下覆膜新鲜菠菜叶片的货架期进行了预测。 先采集五个不同贮藏时间下75盘共300片菠菜样本在可见-近红外（Vis-NIR, 380～1 030 nm)与近红外（NIR, 874～1 734 nm)波段的高光谱数据, 然后测定不同贮藏时间下菠菜叶片叶绿素含量。 提取300片覆膜菠菜叶片的平均光谱（200个为建模集, 100个为预测集)后, 对建模集光谱进行主成分分析（principal component analysis, PCA), 发现不同贮藏期内叶片光谱数据在前3个主成分空间有一定的聚类。 根据建模集光谱信息与预先赋予的不同贮藏期虚拟等级分别建立偏最小二乘判别分析（partial least squares discriminant analysis, PLS-DA)模型, 得到预测集样本的贮藏期总的判别准确率分别为83%（Vis-NIR)和81%（NIR)。 表明, 高光谱技术结合化学计量学方法能够实现对新鲜菠菜货架期的分类和预测, 为消费者正确评价覆盖保鲜膜的菠菜品质提供了理论指导, 也为后期果蔬货架期检测仪器的开发提供了技术支持。

针对鲜食葡萄物流过程中的实际模式及通常会使用SO2保鲜剂的情况, 研究了4种温度及定量SO2胁迫条件下, 基于近红外光谱和质构变化的鲜食葡萄货架期预测方法, 结合信息技术设计了基于货架期预测的物流过程安全系统, 以期减少鲜食葡萄物流过程中的损失。 质构变化是鲜食葡萄采后到达货架期终点的重要原因, 研究使用SO2浓度传感器控制电磁阀, 通过SO2自动补偿获得设定SO2浓度, 研究了不同浓度SO2胁迫条件下鲜食葡萄的质构变化规律及温度的影响。 对比了多元散射校正和一阶S-G求导预处理方法对原始光谱的预处理效果, 采用偏最小二乘回归方法建立了基于近红外光谱的鲜食葡萄质构无损检测模型, 模型决定系数为0.93, 均方根误差为1.70, 通过交叉验证, 模型预测准确度为0.81, 均方根误差为2.91。 研究表明, 近红外快速无损检测可结合品质变化建模和信息技术用于提高果蔬采后物流过程安全管理效率。

斑点叉尾鮰鱼皮是加工生产中的副产物, 其胶原含量丰富, 附加值较高。本课题利用酶解法和水提法制备两种鱼皮提取液, 分别处理A、B两组鸡蛋, 于30 ℃下贮存, 经分析, A组酶解物的主要成分三螺旋结构完整, 为胶原蛋白; B组水提物中的主要成分三螺旋结构已破坏, 保留一些β-转角结构和β-折叠结构, 为胶原水解产物。通过定期检测鸡蛋的感官品质、失重率、相对密度、蛋黄指数和哈夫单位等指标判断其保鲜效果, 结果表明, A、B两组保鲜效果显著优于空白组, 且分别延长鸡蛋保质期4周和6周。

酵母菌是引起鲜枣发酵的主要微生物。 以室温(20 ℃)贮藏的鲜枣为研究对象, 应用近红外光谱, 建立了检测鲜枣内酵母菌的动力学模型, 从而预测室温贮藏鲜枣的保鲜期, 以确保鲜枣的品质安全。 通过对近红外光谱预处理方法和特征波数的优选, 分别建立了室温贮藏下鲜枣内酵母菌的近红外光谱定量检测模型和反映其变化规律的动力学模型。 结果表明, 在全光谱范围内, 采用多元散射校正光谱预处理方法, 通过多元线性回归, 建立的鲜枣内酵母菌菌落总数的近红外光谱模型预测效果最好, 其中校正集的相关系数为0.950, 均方根误差为2.560, 预测集的相关系数为0.863, 均方根误差为2.477。 结合鲜枣的近红外光谱, 其零级反应动力学模型可以较好地描述酵母菌的变化情况, 鲜枣光谱吸光度值与贮藏时间的动力学模型为Bt=171.395-124.445x1-109.945x2-32.763x3-7.899x4-1.426x5-4.857x6+0.045t, 其相关系数为0.996, 标准偏差为2.561。 酵母菌安全限量为100 000 cfu·g-1, 当酵母菌菌落总数初始值小于等于10 cfu·g-1时, 预测鲜枣在室温下的贮藏时间为8 d, 也可根据鲜枣中的酵母菌菌落总数初始值的不同实现实时监测鲜枣内部酵母菌菌落总数信息及其安全的贮藏时间。

提出了一种基于近红外漫反射光谱技术的不同产地苹果货架期鉴别方法。从市场上购买山东和陕西的富士苹果各20 个，分别对购买当日和存放1 周(7d)后的样品进行光谱测试，分析表明一周后不同品种样品光谱在1 420nm 和1 630 nm 处吸光度值均有不同程度的增大。通过主成分分析研究了样品产地对不同货架期样品光谱的影响，将总贡献率为97.78%的前15 个特征变量作为输入，建立基于径向神经网络的有监督式近红外光谱不同产地苹果货架期的快速鉴别模型，从四类样品光谱中选择20 个作为预测集。实验结果表明，所建模型对校正集和预测集识别率均为100%，其中18 个预测样品准确率高于93%。本研究为实现不同产地苹果货架期的快速无损检测提供了新方法，具有很好的应用前景及使用价值。