李敏 高兆銀 蘇增建 朱迎迎 弓德強 張正科 鄭淑英 胡美姣

摘 要 以芒果品種‘貴妃為試材，利用光譜儀測定L、a、b值，同時測定果實的硬度及糖酸度，采用偏最小二乘法（PLS）建立基于顏色值的可溶性固形物（SSC）、硬度及可滴定酸（TA）的品質預測模型。預測模型的建模相關系數R可溶性固形物含量、硬度及可滴定酸含量分別為0.962 2、0.946 4和0.959 2；均方誤差分別為0.658 1%、0.992 7 kg/cm2及0.827 5 g/L。預測集擬合方程的相關系數分別為0.965 6、0.949 0和0.925 7；均方誤差分別為0.626 7%、1.159 0 kg/cm2和0.999 2 g/L。結果表明：芒果預測模型的預測準確度，可溶性固形物高于硬度和可滴定酸，基于‘貴妃芒果采后品質的果肉顏色值快速檢測可行。

關鍵詞 ‘貴妃芒果；Lab顏色值；采后品質；快速檢測

中圖分類號S667.7 文獻標識碼 A

Quality Evaluation of Mango by Fresh

Colorimetric Measurements

LI Min1， GAO Zhaoyin1， SU Zengjian2， ZHU Yingying2， GONG Deqiang1，

ZHANG Zhengke3， ZHENG Shuying1， HU Meijiao1 *

1 Environment and Plant Protection Research Institute， CATAS， Haikou， Hainan 571101， China

2 College of Environment and Plant Protection， Hainan Univerity， Haikou， Hainan 570228， China

3 College of Food Science and Technology， Hainan University， Haikou， Hainan 570228， China

Abstract The establishment of mango quality prediction model was tested based on soluble solids content（SSC）， firmness and titratable acid（TA）of Guifei mango， color value by color spectrometer， combined with the partial least squares（PLS）method. The model set correlation coefficient R about SSC， firmness and TA prediction model structured by PLS was 0.962 2， 0.946 4 and 0.959 2 respectively； Root mean square error of the model set was 0.658 1%， 0.992 7 kg/cm2 and 0.827 5 g/L， respectively. The prediction set correlation coefficient R about SSC， firmness and the TA prediction model was 0.965 6， 0.949 0 and 0.925 7， respectively；The root mean square error of the prediction set was 0.626 7%， 1.159 0 kg/cm2 and 0.999 2 g/L， respectively. The SSC prediction model of Guifei mango prediction accuracy was slightly better than the firmness and titratable acid model. The rapid detection on mango postharvest quality such as SSC， firmness and TA by fresh color value was feasible， and it would provide a scientific basis for fast judging the quality of mango.

Key words ‘Guifeimango； lab color value； postharvest quality； rapid detection

doi 10.3969/j.issn.1000-2561.2017.01.029

果實顏色是農產品重要的品質特征之一，顏色、長勢及營養(yǎng)狀況之間存在密切相關性[1-2]。Lab顏色模型是以數值化方式描述人類視覺感應的一種顏色系統(tǒng)。其優(yōu)勢在于不僅表現了色域的寬闊，同時表現了色彩的均勻性[3]。目前，利用顏色信息進行農產品質量檢測、病蟲害識別等相關研究越來越多。

芒果（Mangifera Indica Linn.）是重要的熱帶水果，素有熱帶果王之美譽。其果實顏色由葉綠素和類胡蘿卜素等含量決定。果皮顏色多樣，成熟時呈現綠、紅、黃等多種色澤[4]。Namb[5]利用果皮Lab顏色值將2個印度芒果品種‘Alphonso和‘Banganapalli的成熟度進程定性劃分為5個階段。Fukuda[6]開展基于芒果果皮顏色的品質無損傷檢測研究結果發(fā)現，套袋果實果皮顏色變化均勻，可以利用建立的預測模型較為精確地估測果實可溶性固形物（SSC）、硬度和維生素C（Vc）含量，而果皮顏色變化劇烈的品種預測模型精確性降低。說明芒果果皮顏色的不均勻性在一定程度上限制了利用果皮顏色進行品質的無損傷檢測。

果實的損傷性品質檢測耗時耗力，但結果準確。雖然近年來無損傷檢測技術發(fā)展迅速，而目前仍不能成熟應用，不能取代損傷性品質檢測技術。芒果果肉顏色相對較一致，不同品種隨著發(fā)育及成熟，果肉的葉綠素含量降低，總類胡蘿卜素含量均勻增加至完熟時達最高，果肉均由白、綠色變?yōu)槌?、黃色[7-8]。鑒于果肉顏色均勻性的特點和顏色測定簡單方便的特性，利用果肉顏色值預測其它品質參數的快速檢測技術研究具有可能和必要性。果肉顏色變化與可溶性固形物等指標之間的關系究竟如何，基于芒果果肉顏色值的重要品質參數的快速檢測技術是否能夠實現，迄今未有詳細的研究報道。本文擬以海南主栽芒果品種‘貴妃為對象，在貯藏期間開展芒果果肉Lab顏色參數與果實硬度、可溶性固形物、可滴定酸等重要品質參數間的關系研究，建立基于果肉顏色參數的品質參數檢測技術。以期為芒果顏色與品質關系研究提供理論依據，為芒果品質的快速檢測和監(jiān)測技術研發(fā)提供技術支撐。

1 材料與方法

1.1 材料

‘貴妃芒果采自三亞果園。采后6 h內運回實驗室，挑選成熟度8～9成，大小一致，無機械傷及病蟲害的果實約180個，置于（25±1）℃貯藏。

1.2 方法

1.2.1 處理 在第0、2、4、6、8、10天取樣，每次隨機選取果實30個，共180個果實。每個果實測定顏色參數、硬度、可溶性固形物及可滴定酸。

1.2.2 項目測定 （1）品質參數測定[9]。每個果實切去約1 mm厚果皮，赤道處2個對稱點取樣測定以下參數：硬度采用GY-3硬度計測定；可溶性固形物使用MASTER-M手持折光儀測定；可滴定酸采用滴定法測定。

（2）果肉顏色測定。上述果實切去約1 cm果肉組織，采用顏色光譜儀（NOLTA/QE 65000），對赤道處2個對稱點果肉分別進行顏色值測定，記錄L（明度值），a（紅綠色度值，正值代表紅色度，負值代表綠色度），b（黃藍色度值，正值代表黃色度，負值代表藍色度）。

1.2.3 品質檢測模型建立方法及評價 剔除異常果后，150個果被分為建模集和預測集，其中120個作為建模樣品集，以顏色值a，b為自變量，芒果可溶性固形物（SSC）、硬度、可滴定酸（TA）為因變量，采用偏最小二乘法（PLS）建立芒果SSC、硬度和TA預測模型，并利用剩余30個樣本作為預測樣品集，用于評價模型的預測能力和穩(wěn)定性。

模型采用外部驗證法對其性能進行評價，即由相關系數（R）、建模均方均根誤差（RMSEM）和預測均方根誤差（RMSEP）進行評價。R越大，RMSEC和RMSEP越小，模型的預測能力越強。

1.3 數據處理

采用軟件Excel 2003、SPSS 19.0及Minilab 17.0進行數據處理和模型構建。

2 結果與分析

2.1 芒果后熟過程中的生理生化變化

‘貴妃芒果果肉顏色在后熟過程中持續(xù)改變（圖1-A～C）。L值均為正值，且隨著后熟進程表現出下降趨勢，由貯藏0 d的77.8逐漸降至貯藏10 d的67.3，表明果肉初時顏色較明亮，后亮度逐漸轉暗。a值初始值為-9.1，在后熟過程中逐漸升高，由負值變?yōu)橘A藏10 d的7.8，表明果肉顏色由淺綠色逐漸過渡為淺紅色。b值在貯藏期間逐漸增加，貯藏后期緩慢下降，峰值出現在第6天，為62.7。表明果肉表現為黃色，且在后熟過程中，該色度維持黃色水平。

‘貴妃芒果果實硬度和可滴定酸在后熟過程可溶性固形物含量不斷升高，貯藏后期增加趨勢減緩（圖1-D）中不斷降低（圖1-E～F）。

2.2 果肉顏色與品質指標的相關性分析

皮爾遜相關性分析結果表明（表1），a值與3組品質指標的相關性最強，與SSC表現為正相關，相關系數為0.963，與硬度和TA表現為負相關，相關系數分別為-0.947和-0.934。b值表現出與a值相似的趨勢，與SSC也為正相關，與硬度和TA表現為負相關，相關系數分別為0.872，-0.836和-0.759。L值與前二者相反，與SSC表現為負相關，與硬度和TA表現為正相關，相關系數分別為-0.736，0.733和0.725。說明果肉的顏色變化與SSC、硬度和TA的變化有很高的相關性。其中，果肉褪綠（a值變化）和轉黃（b值變化）與品質改善高度相關。

2.3 基于果肉顏色的品質指標預測

2.3.1 基于果肉顏色的溶性固形物含量預測分析

皮爾遜相關性分析結果表明（表1），顏色值a和b與可溶性固形物含量的相關系數高，與顏色值L相關系數較低。以120個果實果肉測得的a值和b值為自變量，采用PLS方法，構建可溶性固形物的預測方程（表2），即y（可溶性固形物/%）=8.94+0.31 a+0.01 b。并用另外的30個果實對預測準確性進行驗證（圖2），結果表明，建模集的擬合方程相關系數高達0.962 2，均方根誤差0.658 1%，而預測集擬合方程的相關系數達到0.965 6，預測均方根誤差為0.626 7%，說明擬合方程的精確度較高，預測模型可以用于可溶性固形物含量的預測分析。

2.3.2 基于果肉顏色的硬度預測分析 同樣采用2.3.1的方法構建基于顏色a值和b值的果實硬度預測模型，并對預測模型的精確性進行驗證。結果表明，預測方程為y（硬度kg/cm2）=2.87-0.44 a+0.01 b。建模集的擬合方程相關系數0.964 6，均方根誤差0.992 7 kg/cm2，而預測集擬合方程的相關系數達到0.949 0，預測均方根誤差為1.159 0 kg/cm2（圖3，表2）。擬合方程的相關系數大于90%，均方根誤差較小，說明預測方程的精確度較高。

2.3.3 基于果肉顏色的可滴定酸含量預測分析

同2.3.1方法構建的基于顏色a值和b值的可滴定酸含量預測方程為：y（可滴定酸g/L）=-0.06-0.52 a+0.08 b。建模集的擬合方程相關系數為0.959 2，均方根誤差0.827 5 g/L，而預測集擬合方程的相關系數達到0.925 7，預測均方根誤差為0.999 2 g/L（圖4，表2）。預測集擬合方程的相關系數大于90%，且均方根誤差相對較小，說明預測方程的精確度較高。

3 討論

本研究結果表明，果肉綠色減弱和黃色增強的顏色變化與可溶性固形物含量變化表現為正相關，與硬度和可滴定酸含量變化表現為負相關，果肉亮度減弱的變化與可溶性固形物含量變化則表現為負相關，與硬度和可滴定酸含量變化呈現正相關。Nambi等[5]研究了‘Alphonso和‘Banganalli2個品種近果核處果肉顏色與品質參數之間的相關性，也得出相似的結論。但通過比較發(fā)現，不同的品種，取樣的部位不同，顏色值與品質參數相關系數高低存在較大差異。這說明果實顏色和品質參數相關性高低取決于品種和顏色測量部位。

可溶性固形物、硬度、可滴定酸及Vc等是水果食用品質的基本參數，本文利用PLS方法建立了基于顏色值的可溶性固形物、硬度、可滴定酸的預測模型，其中可溶性固形物預測模型的精確度最高。硬度、可滴定酸預測精確度次之，更為精確的建模方法有待進一步探討。Fukuda等[6]利用隨機森林算法建立了基于芒果果皮顏色的可溶性固形物、硬度和Vc含量預測模型，預測模型精度表現為顏色均勻變化的套袋品種‘Nam Dokmal優(yōu)于果皮顏色變化劇烈的品種‘Irwin。β-胡蘿卜素是芒果中一種重要的營養(yǎng)成分，也是決定芒果顏色深淺的重要原因[10]。有研究結果表明，芒果中β-胡蘿卜素的含量與芒果Lab顏色值具有較高的相關性，并用PLS方法建立了基于果皮和果肉Lab顏色參數的β-胡蘿卜素含量預測模型，發(fā)現果肉顏色預測模型優(yōu)于果皮顏色預測模型[11]。上述研究結果均表明，基于顏色值進行芒果采后品質指標的預測能夠實現。

參考文獻

[1] Baiano A， Terracone C， Peri G， et al. Application of hyperspectral imaging for prediction of physico-chemical and sensory characteristics of table grapes[J]. Computers and Electronics in Agriculture， 2012， 87（9）： 142-151.

[2] Abdullah M Z， Guan L C， Lim K C， et al. The applications of computer vision system and tomographic radar imaging for assessing physical properties of food[J]. Journal of Food Engineering， 2004， 61（1）： 125-135.

[3] 劉浩學. 均勻顏色空間與色差公式的應用[J]. 北京印刷學院學報， 2003， 11（3）： 3-8.

[4] Gouado I， Schweiger F J， Ejoh R A， et al. Systemic levels of carotenoids from mangoes and papaya consumed in three forms （juice， fresh and dry slice）[J]. European Journal of Clinical Nutrition， 2007， 61（10）： 1 180-1 188.

[5] Nambi V E， Thangavel K， Jesudas D M. Scientific classification of ripening period and development of colour grade chart for Indian mangoes （Mangifera indica L.） using multivariate cluster analysis[J]. Scientia Horticulturae， 2015， 193（7）： 90-98.

[6] Fukuda S， Yasunaga E， Nagle M， et al. Modelling the relationship between peel colour and the quality of fresh mango fruit using Random Forests[J]. Journal of Food Engineering， 2014， 131（2）： 7-17.

[7] Vasquez-caicedo A L， Heller A， Neidhart S， et al. Chromoplast morphology and β-carotene accumulation during postharvest ripening of mango cv. Tommy Atkins[J]. Journal of Agricultural and Food Chemistry， 2006， 54（16）： 5 769-5 776.

[8] Ullah R， Khan S， Bilal M， et al. Non-invasive assessment of mango ripening using fluorescence spectroscopy[J]. Optik-International Journal for Light and Electron Optics， 2016， 127（13）： 5 186-5 189.

[9] 李 敏， 高兆銀， 朱迎迎， 等. 基于電子鼻的 ‘貴妃 芒果糖度酸度無損傷檢測技術應用[J]. 熱帶作物學報， 2016， 37（8）： 1 553-1 557.

[10] Ornelas-paz J D J， Yahia E M， Gardea-bejar A. Identification and quantification of xanthophyll esters， carotenes， and tocopherols in the fruit of seven Mexican mango cultivars by Liquid Chromatography-Atmospheric Pressure Chemical Ionization-Time-of-Flight Mass Spectrometry [LC-（APcI（+））-MS][J]. Journal of Agricultural and Food Chemistry， 2007. 55（16）： 6 628-6 635.

[11] Rungpichayapichet P， Mahayothee B， Khuwijitjaru P， et al. Non-destructive determination of β-carotene content in mango by near-infrared spectroscopy compared with colorimetric measurements[J]. Journal of Food Composition and Analysis， 2015， 38： 32-41.