劉雪茹，李 欣，殷 勇，于慧春，袁云霞，李孟麗

（河南科技大學(xué)食品與生物工程學(xué)院，河南 洛陽(yáng) 471023）

黃瓜是世界范圍內(nèi)普遍栽培的重要蔬菜作物，以其豐富的營(yíng)養(yǎng)、獨(dú)特的風(fēng)味和多樣的食用方式而深受人們喜愛，在人們的日常生活中占據(jù)重要的地位[1]。但其生長(zhǎng)周期短，采摘后不易貯藏，常溫下果皮會(huì)逐漸變黃，果肉發(fā)白變糠，迅速軟爛腐敗，呈現(xiàn)出不同性狀的侵染性病害特征，造成食用品質(zhì)大幅下降[2]。黃瓜腐敗伴隨的各種理化反應(yīng)與微生物增殖密切相關(guān)，微生物量成為影響黃瓜品質(zhì)的重要因素。因此，以微生物分析為基礎(chǔ)，融合計(jì)算機(jī)信息技術(shù)及統(tǒng)計(jì)學(xué)分析[3]，通過研究黃瓜表面微生物在不同貯藏條件下的特征信息，可實(shí)現(xiàn)對(duì)微生物含量的快速檢測(cè)，以數(shù)據(jù)驅(qū)動(dòng)實(shí)現(xiàn)應(yīng)急響應(yīng)，探尋建立黃瓜腐敗變質(zhì)的監(jiān)控方法，有助于黃瓜后期的貯藏管理及后續(xù)的加工處理工作[4]。

熒光光譜技術(shù)是近年來發(fā)展起來的新型分析檢測(cè)技術(shù)，可用于控制食品品質(zhì)、鑒別食品真?zhèn)?、分析食品種類、追溯食品來源、檢測(cè)藥物殘留等，在食品安全領(lǐng)域有著廣闊的運(yùn)用前景[5]。前期研究結(jié)果表明，三維熒光光譜雖然可獲取豐富的樣本信息，但存在噪聲、干擾變量等冗余信息，增加了檢測(cè)模型建立的難度[6]。因此，如何對(duì)全譜數(shù)據(jù)進(jìn)行分解、選擇特征變量信息，成為熒光信息穩(wěn)健分析的前提。

色氨酸、酪氨酸和苯丙氨酸是微生物體內(nèi)的主要熒光物質(zhì)，其含有的飽和共軛環(huán)狀結(jié)構(gòu)能發(fā)出天然熒光[7-10]。對(duì)細(xì)菌菌株的研究均表明色氨酸、酪氨酸和苯丙氨酸具有獨(dú)特的雙峰熒光特征[11-14]，但是由于它們的發(fā)射光譜相互重疊而不能直接測(cè)定[15]，且苯丙氨酸的熒光強(qiáng)度極弱[16]。因此，在貯藏過程中，擬采用三維熒光光譜儀對(duì)黃瓜表面微生物樣本信息進(jìn)行采集，根據(jù)核心一致診斷（core consistency diagnosis，CORCONDIA）法確定組件數(shù)，通過交替三線性分解（alternating trilinear decomposition，ATLD）算法將光譜分解為不同組件，以微生物主要內(nèi)源熒光物質(zhì)類色氨酸為基礎(chǔ)選擇其中有效組件，通過區(qū)域積分法獲得相應(yīng)區(qū)域積分值，并通過多元逐步回歸構(gòu)建微生物數(shù)量與各區(qū)域積分值的函數(shù)表達(dá)式，進(jìn)而構(gòu)建了微生物數(shù)量變化情況的監(jiān)控模型，為實(shí)現(xiàn)黃瓜貯藏過程中品質(zhì)變化的快速監(jiān)控及腐敗預(yù)判提供依據(jù)。

1 材料與方法

1.1 材料

于2019年12月2日從河南省洛陽(yáng)市大張超市購(gòu)買同一批次黃瓜500 kg，品種為‘博新201’，新鮮程度較一致。

1.2 儀器與設(shè)備

Cary Eclipse型熒光光譜儀美國(guó)安捷倫公司；H1650-W型醫(yī)用離心機(jī)湖南湘儀實(shí)驗(yàn)室儀器開發(fā)有限公司；DNP-9022型電熱恒溫培養(yǎng)箱上海精宏實(shí)驗(yàn)設(shè)備有限公司；XW-80A型漩渦混合器海門市其林貝爾儀器制造有限公司。

1.3 方法

1.3.1 黃瓜的貯藏與處理

由于黃瓜在實(shí)際運(yùn)輸、貯藏和銷售過程中多處于常溫環(huán)境，同時(shí)考慮到貯藏時(shí)間僅影響腐敗進(jìn)程，因此為縮短貯藏實(shí)驗(yàn)時(shí)間，將黃瓜分層架藏于常溫貯藏庫(kù)中。溫濕度記錄儀顯示貯藏室基本維持在溫度（15±1）℃、相對(duì)濕度（65±1）%條件下，無較大波動(dòng)。每天隨機(jī)選取5 根黃瓜進(jìn)行三維熒光信息檢測(cè)和微生物平板培養(yǎng)計(jì)數(shù)。為確保實(shí)驗(yàn)覆蓋整個(gè)黃瓜貯藏進(jìn)程，共采集了15 d的貯藏?cái)?shù)據(jù)以用于研究分析。

1.3.2 熒光信息采集

每天從貯藏庫(kù)的不同貨架層隨機(jī)選取5 根黃瓜作為檢測(cè)樣本，將塑料模具固定于黃瓜頭部，露出10 cm2表皮面積進(jìn)行采樣（黃瓜腐敗多從頭部開始）。用無菌離心管盛裝3 mL質(zhì)量分?jǐn)?shù)0.9%的滅菌生理鹽水，將無塵布棉簽浸潤(rùn)生理鹽水后，以45°傾斜于黃瓜表面，平穩(wěn)緩慢地擦拭取樣。收集取樣后的棉簽頭置于離心管中，用振蕩器混勻1 min后獲得微生物原液。為避免菌液濃度過高導(dǎo)致檢測(cè)器飽和[14]，用生理鹽水將原液稀釋5 倍，制成處理組待測(cè)菌懸液，并重復(fù)上述步驟，用未采樣棉簽頭制作空白對(duì)照。

將待測(cè)樣品注入微量石英比色皿，放入熒光光譜儀樣品池掃描獲取三維熒光數(shù)據(jù)，激發(fā)波長(zhǎng)為200～400 nm，發(fā)射波長(zhǎng)為260～550 nm，采樣波長(zhǎng)間隔為5.00 nm，電壓為800 V，掃描速率為1 200 nm/min。

1.3.3 樣本表面微生物的培養(yǎng)和計(jì)數(shù)

為保持微生物培養(yǎng)與熒光信息采集的一致性，將用于熒光信息采集的待測(cè)菌懸液稀釋到覆蓋適合計(jì)數(shù)范圍的濃度，平行涂布3 個(gè)平板。倒置于37 ℃恒溫箱，培養(yǎng)24 h后進(jìn)行菌落計(jì)數(shù)，并根據(jù)稀釋倍數(shù)和采樣面積換算出黃瓜表面單位面積微生物菌落數(shù)，參考GB 4789.2—2016《食品安全國(guó)家標(biāo)準(zhǔn) 食品微生物學(xué)檢驗(yàn) 菌落總數(shù)測(cè)定》[17]，結(jié)果用CFU/cm2表示，采用SPSS軟件對(duì)數(shù)據(jù)進(jìn)行單因素方差分析。

1.4 數(shù)據(jù)處理

1.4.1 樣本熒光數(shù)據(jù)預(yù)處理

對(duì)初始三維熒光數(shù)據(jù)進(jìn)行預(yù)處理，采用基于Delaunary的三次多項(xiàng)式插值方法，以鄰近區(qū)域的數(shù)據(jù)為基準(zhǔn)進(jìn)行三維插值，以消除光譜中瑞利散射的影響。然后對(duì)三維光譜數(shù)據(jù)進(jìn)行Savitzky-Golay（SG）多項(xiàng)式曲面平滑降噪處理[18]。

1.4.2 CORCONDIA法確定組件數(shù)

為分離復(fù)雜化合物中的光譜重疊、量化整個(gè)體系中主要物質(zhì)的濃度，采用CORCONDIA法確定合適的因子數(shù)。CORCONDIA法由Bro等[19]提出，通過計(jì)算平行因子模型中的超對(duì)角矩陣與最小二乘擬合陣之間的相似程度（即核心一致值）來估計(jì)組件數(shù)。公式（1）為核心一致性函數(shù)表達(dá)式。

式中：i、j、k分別代表三維熒光矩陣對(duì)應(yīng)的第i個(gè)激發(fā)波長(zhǎng)、第j個(gè)發(fā)射波長(zhǎng)和第k個(gè)混合物樣本；gijk為用Tucker3模型得到的核心矩陣的元素；tijk為三維熒光矩陣的單位超對(duì)角矩陣元素；N是模型中組件的數(shù)量。

當(dāng)N小于或等于正確組件數(shù)時(shí)，函數(shù)值接近于100%，模型符合三線性；當(dāng)N大于正確組件數(shù)時(shí)，函數(shù)值接近于零甚至為負(fù)數(shù)，則該模型偏離三線性。按照CORCONDIA分析原理，當(dāng)取某組件數(shù)時(shí)，若函數(shù)值小于60%，那么該組件數(shù)減一即為體系的最佳組件數(shù)[20]。

1.4.3 ATLD算法分解三維數(shù)據(jù)

ATLD算法[21]是一種具有迭代特點(diǎn)的二階張量校正方法，具有快速收斂性和對(duì)估計(jì)組件數(shù)量不敏感的優(yōu)點(diǎn)。利用交替最小二乘原理，借助基于奇異值分解的廣義逆計(jì)算方法[22]，通過交替最小化目標(biāo)函數(shù)，實(shí)現(xiàn)三維數(shù)據(jù)分解。

1.4.3.1 三線性成分模型

假設(shè)伴隨黃瓜貯藏進(jìn)程的測(cè)試樣本數(shù)為K，激發(fā)波長(zhǎng)數(shù)為I，發(fā)射波長(zhǎng)數(shù)為J，將其收集到三維響應(yīng)矩陣XIJK中。若該立體矩陣XIJK滿足式（2）中三線性成分模型，則可被唯一分解為3 個(gè)基礎(chǔ)矩陣（相對(duì)激發(fā)強(qiáng)度光譜陣A、相對(duì)發(fā)射強(qiáng)度光譜陣B、樣本相對(duì)濃度陣C）和三維殘差矩陣E。

式中：ain是相對(duì)激發(fā)強(qiáng)度光譜陣A（I×N）的元素；bjn是相對(duì)發(fā)射強(qiáng)度光譜陣B（J×N）的元素；ckn是貯藏過程樣本相對(duì)濃度陣C（K×N）的元素；eijk是三維殘差數(shù)陣E（I×J×K）元素；xijk是三維響應(yīng)數(shù)陣XIJK（I×J×K）中的元素；N為對(duì)體系做出貢獻(xiàn)的總組件數(shù)，包括主要感興趣物質(zhì)、溶液背景（生理鹽水和黃瓜表面雜質(zhì)）和儀器噪聲的干擾[23]。

1.4.3.2 ATLD算法

三線性成分模型可分別沿著激發(fā)光譜通道i，發(fā)射光譜通道j和樣本數(shù)k分解為3 個(gè)切片矩陣Xi..、X.j.和X..k，因此三線性成分模型可以表示為以下3 個(gè)等價(jià)方程（式（3）～（5））[24]。

式中：a（i）、b（j）、c（k）分別是相對(duì)激發(fā)強(qiáng)度光譜陣A的第i行向量、相對(duì)發(fā)射強(qiáng)度光譜陣B的第j行向量、相對(duì)濃度陣C的第k行向量；diag（.）表示對(duì)括號(hào)中方陣取對(duì)角元素。

上述3 個(gè)向量可由交替最小化損失函數(shù)（即殘差矩陣元素的平方總和）得出[25]，其函數(shù)表達(dá)式如式（6）所示。

在迭代過程中不斷更新矩陣A、B和C，當(dāng)損失函數(shù)σ收斂到預(yù)設(shè)值ε時(shí)，最終分解完成。收斂準(zhǔn)則為式（7）。

式中：ε取10-6；m為迭代次數(shù)。

1.4.4 熒光區(qū)域積分

由ATLD算法可獲得與微生物內(nèi)源熒光信息相關(guān)的組件，將其重新構(gòu)成單獨(dú)的三維熒光光譜矩陣。采用優(yōu)化的自適應(yīng)Simpson積分算法[26]，根據(jù)不同的激發(fā)和發(fā)射波長(zhǎng)，劃分為內(nèi)源熒光團(tuán)形成的積分區(qū)間D，進(jìn)行二重積分?jǐn)?shù)值計(jì)算，求出熒光區(qū)域i的體積積分值Фi（式（8）），同時(shí)將各區(qū)域熒光積分進(jìn)行標(biāo)準(zhǔn)化處理（式（9））[27]，保證精度的同時(shí)提高計(jì)算效率。

式中：Фi為熒光區(qū)域i的積分體積/（au·nm2）；Фi,n為標(biāo)準(zhǔn)化區(qū)域積分值；x為激發(fā)波長(zhǎng)/nm；y為發(fā)射波長(zhǎng)/nm；f（x,y）為激發(fā)-發(fā)射波長(zhǎng)對(duì)應(yīng)的熒光強(qiáng)度（au）；D為內(nèi)源熒光團(tuán)積分區(qū)間，其中a≤x≤b為激發(fā)波長(zhǎng)范圍；c≤y≤d為發(fā)射波長(zhǎng)范圍；MFi為該區(qū)域所占面積與總區(qū)域面積比值的倒數(shù)。

1.4.5 逐步回歸模型的構(gòu)建

將各區(qū)域熒光標(biāo)準(zhǔn)積分值作為自變量X，黃瓜表面微生物計(jì)數(shù)結(jié)果作為因變量Y，進(jìn)行逐步回歸分析[28]。此外采用二元四次逐步回歸，并考慮各因素之間的交叉項(xiàng)，逐個(gè)剔除了不顯著因素，選出最佳回歸方程，構(gòu)建黃瓜表面微生物數(shù)量回歸檢測(cè)模型。評(píng)價(jià)方程的變量對(duì)Y解釋能力的指標(biāo)為決定系數(shù)R2，其范圍為[0，1]，越接近1，說明模型對(duì)數(shù)據(jù)的擬合越好。

2 結(jié)果與分析

2.1 樣本表面微生物的計(jì)數(shù)結(jié)果

伴隨貯藏時(shí)間不斷調(diào)整黃瓜表面菌液的稀釋倍數(shù)，表1為微生物平板培養(yǎng)的計(jì)數(shù)結(jié)果。圖1A為貯藏過程中微生物的變化曲線，可以更加直觀地反映其變化規(guī)律。

表 1 貯藏過程中微生物培養(yǎng)計(jì)數(shù)結(jié)果Table 1 Microbial counts on cucumber during storage

圖 1 黃瓜貯藏過程中表面單位面積平均微生物菌落數(shù)（A）、表觀狀態(tài)（B）及對(duì)應(yīng)微生物的培養(yǎng)狀態(tài)（C）Fig. 1 Average microbial count (A), appearance (B) and colony morphology (C) on cucumber samples during storage

由圖1可知，在貯藏期間黃瓜表面菌落數(shù)呈現(xiàn)“S”型曲線增長(zhǎng)，但由于不能保證黃瓜隨機(jī)取樣的絕對(duì)均勻性，導(dǎo)致品質(zhì)接近期間微生物菌落數(shù)略有波動(dòng)，但整體呈現(xiàn)明顯上升趨勢(shì)。貯藏前6 d，黃瓜表面微生物數(shù)量增長(zhǎng)緩慢，僅為初始菌落數(shù)的9.1 倍，黃瓜表皮色澤青翠，頂花帶刺，切面新鮮；從第7天開始，微生物數(shù)量大幅度增加，達(dá)初始菌落數(shù)的77.52 倍，黃瓜表面色澤墨綠，瓜刺部分脫落，頂花萎蔫，切面較新鮮，個(gè)別黃瓜由于搬運(yùn)過程中擦傷開始出現(xiàn)腐??；至第12天，微生物數(shù)量達(dá)初始的184.65 倍，瓜色褪綠，瓜刺完全脫落，切面變白，貯藏架各層均出現(xiàn)不同程度腐敗。

根據(jù)黃瓜表面微生物培養(yǎng)計(jì)數(shù)結(jié)果和感官變化的綜合評(píng)價(jià)，判斷這批黃瓜在第7天開始腐敗。結(jié)果表明，貯藏過程中黃瓜品質(zhì)變化與微生物數(shù)量及其波動(dòng)幅度具有一定關(guān)聯(lián)，微生物增殖是造成黃瓜腐敗的主要因素，微生物數(shù)量越多，黃瓜越接近腐敗。因此，微生物數(shù)量預(yù)測(cè)是實(shí)現(xiàn)黃瓜貯藏過程中腐敗進(jìn)程監(jiān)控和采取處理措施的重要依據(jù)。

2.2 熒光數(shù)據(jù)預(yù)處理結(jié)果

圖 2 數(shù)據(jù)預(yù)處理前（A）、后（B）的三維熒光光譜圖Fig. 2 Comparison of 3D fluorescence spectral data before (A) and after (B) preprocessing

圖2A為黃瓜表面微生物懸液的原始三維熒光圖譜，圖2B為去除瑞利散射并經(jīng)SG平滑處理后的三維熒光圖譜。通過對(duì)比發(fā)現(xiàn)，原始三維熒光光譜存在一定噪聲信號(hào)，且光譜中的特征峰受到二級(jí)瑞利散射的嚴(yán)重干擾。在去除了瑞利散射，且經(jīng)過SG平滑處理后有效減少了原始光譜存在的噪聲干擾，使微生物懸液的特征峰更加明顯清晰，為后續(xù)進(jìn)一步的分析工作奠定了良好基礎(chǔ)。

2.3 組件數(shù)確定

在對(duì)黃瓜表面微生物菌懸液中主要熒光物質(zhì)進(jìn)行判別之前需要選擇正確的組件數(shù)，因此，首先采用CORCONDIA法對(duì)預(yù)處理之后的三維熒光數(shù)據(jù)進(jìn)行組件數(shù)估計(jì)。圖3為取組件數(shù)為1～7時(shí)對(duì)應(yīng)的核心一致值。由核心一致診斷可知，隨組件數(shù)的增加，核心一致值逐漸降低。當(dāng)組件數(shù)取1～2時(shí)，核心一致值較高，接近于100%；當(dāng)組件數(shù)取3～4時(shí)，核心一致值略有下降，但始終大于80%；而當(dāng)組件數(shù)取5時(shí)，核心一致值從較高水平驟降低至40%左右，遠(yuǎn)小于60%。因此，從圖3結(jié)果可以判斷出微生物菌懸液樣品的最佳組件數(shù)為4。

圖 3 CORCONDIA法確定組件數(shù)Fig. 3 Number of components determined by core consistency diagnosis

2.4 微生物信息判別

圖 4 ATLD算法獲得的各組件相對(duì)激發(fā)強(qiáng)度光譜圖（A）、相對(duì)發(fā)射強(qiáng)度光譜圖（B）和相對(duì)濃度圖（C）Fig. 4 Relative excitation intensity spectra (A), relative emission intensity spectra (B), and relative concentration (C) of each component obtained by ATLD algorithm

采用ATLD算法按組件數(shù)4對(duì)三維熒光矩陣進(jìn)行分解，得到各個(gè)組件的相對(duì)激發(fā)強(qiáng)度光譜圖、相對(duì)發(fā)射強(qiáng)度光譜圖和貯藏過程各組件的相對(duì)濃度。由圖4A可知，組件1和組件3均在特定激發(fā)波長(zhǎng)范圍內(nèi)具有明顯雙峰結(jié)構(gòu)，且略有交疊；由圖4B可知，組件1和組件3在特定發(fā)射波長(zhǎng)范圍處具有熒光單峰；比較圖4C中各組件相對(duì)濃度，發(fā)現(xiàn)組件1所代表的物質(zhì)具有較高熒光量子產(chǎn)率，且伴隨貯藏進(jìn)程有較大波動(dòng)。

表 2 組件熒光峰范圍及其對(duì)應(yīng)種類Table 2 Wavelength ranges and types of component fluorescence peaks

分析光譜數(shù)據(jù)發(fā)現(xiàn)，如表2所示，組件1的兩個(gè)熒光峰分別位于激發(fā)/發(fā)射波長(zhǎng)即λEx/λEm＝225 nm/342 nm和λEx/λEm＝275 nm/342 nm附近，與類色氨酸的低激發(fā)熒光峰（λEx＝220～230 nm/λEm＝320～350 nm）和高激發(fā)熒光峰（λEx＝270～280 nm/λEm＝320～350 nm）的位置相符，且相對(duì)濃度較高，這表明該組件代表類色氨酸；組件2雖然沒有明顯的熒光峰，但富含一定的信息量，結(jié)構(gòu)復(fù)雜，與黃瓜表面附帶的土壤腐殖質(zhì)、農(nóng)藥殘留和可溶性微生物代謝產(chǎn)物等構(gòu)成的復(fù)雜溶液背景熒光有關(guān)；組件3的兩個(gè)熒光峰分別位于λEx/λEm＝220 nm/290 nm和λEx/λEm＝260 nm/290 nm附近，分別與類酪氨酸低激發(fā)類熒光峰（λEx＝220～230 nm/λEm＝300～310 nm）和高激發(fā)類熒光峰（λEx＝270～280 nm/λEm＝300～310 nm）的波長(zhǎng)位置接近，表明組件3代表類酪氨酸；組件4無明顯熒光峰，且含有負(fù)值，在貯藏過程中相對(duì)濃度無較大波動(dòng)，信息含量低，視為儀器噪聲。由于組件1與類色氨酸的指紋圖譜對(duì)應(yīng)精準(zhǔn)，相對(duì)濃度高，信息含量大且受其他成分信號(hào)干擾影響小，后續(xù)著重對(duì)組件1的熒光光譜進(jìn)行分析處理。

2.5 微生物信息表征

為進(jìn)一步細(xì)化光譜信息，充分刻畫各組件中特征峰的變化情況，采用熒光區(qū)域積分計(jì)算方法，參考表2中類色氨酸的熒光峰范圍，對(duì)分離出的組件1（圖5）中低激發(fā)類色氨酸區(qū)域I和高激發(fā)類色氨酸區(qū)域II進(jìn)行積分計(jì)算，獲得積分結(jié)果見圖6。

由標(biāo)準(zhǔn)化區(qū)域積分值發(fā)現(xiàn)，用于表征微生物信息的類色氨酸的熒光總量伴隨黃瓜貯藏進(jìn)程不斷增加，其中低激發(fā)類色氨酸的標(biāo)準(zhǔn)區(qū)域積分值遠(yuǎn)大于高激發(fā)類色氨酸，且兩者具有相似的變化趨勢(shì)。

圖 5 組件1的特征三維熒光光譜圖Fig. 5 Characteristic 3D fluorescence spectra of component 1

圖 6 類色氨酸的區(qū)域積分值Fig. 6 Regional integral values of tryptophan-like fluorescence

2.6 微生物數(shù)量監(jiān)控模型構(gòu)建結(jié)果

為建立微生物內(nèi)源熒光信息與微生物數(shù)量之間的關(guān)系，從黃瓜貯藏過程采集的15 d測(cè)試樣本（共18 個(gè)）中隨機(jī)選取17 個(gè)樣本，以微生物計(jì)數(shù)結(jié)果作為因變量Y（微生物數(shù)量范圍為5 000～1 182 000 CFU/cm2），對(duì)應(yīng)組件1特征光譜中的高激發(fā)類色氨酸標(biāo)準(zhǔn)區(qū)域積分值X1和低激發(fā)類色氨酸標(biāo)準(zhǔn)區(qū)域積分值X2作為自變量，采用二元四次逐步回歸方法建立微生物數(shù)量監(jiān)控模型（ 為預(yù)測(cè)值），剩余1 個(gè)樣本進(jìn)行模型檢驗(yàn)。式（10）為所構(gòu)建的回歸方程。

結(jié)果表明，在顯著水平α＝0.05下，R2＝98.309 8%、F＝58.166 1＞F1-0.05＝3.74、P＝2.741 9×10-6＜0.05、均方根誤差＝69 218.5，檢測(cè)誤差較小且決定系數(shù)較高。校驗(yàn)樣本的預(yù)測(cè)結(jié)果為779 828 CFU/cm2，而該樣本代表的實(shí)際微生物菌落數(shù)為788 000 CFU/cm2，相對(duì)誤差為1.037 1%。因此，該結(jié)果可有效證明：根據(jù)構(gòu)建的二元四次逐步回歸模型可預(yù)測(cè)出黃瓜表面單位面積腐敗微生物數(shù)量，實(shí)現(xiàn)復(fù)雜體系中微生物的定量分析。

結(jié)合黃瓜在不同貯藏階段表面微生物數(shù)量的變化特點(diǎn)，發(fā)現(xiàn)在貯藏第7天黃瓜開始出現(xiàn)小批量腐敗，至第12天黃瓜大規(guī)模腐敗變質(zhì)，均伴有以熒光信息為載體的微生物數(shù)量的激增。因此，根據(jù)三維熒光光譜分析技術(shù)，通過建立微生物數(shù)量變化的監(jiān)控模型，對(duì)黃瓜貯藏過程微生物的數(shù)量和增值情況進(jìn)行實(shí)時(shí)監(jiān)控，可為貯藏過程中黃瓜品質(zhì)變化的快速監(jiān)控及腐敗預(yù)判提供參考的依據(jù)。

3 結(jié) 論

本實(shí)驗(yàn)將三維熒光光譜檢測(cè)技術(shù)應(yīng)用于黃瓜表面微生物數(shù)量的快速檢測(cè)，采集貯藏過程中黃瓜表面微生物懸液的熒光數(shù)據(jù)，在預(yù)處理的基礎(chǔ)上，采用CORCONDIA法估計(jì)其組件數(shù)為4；運(yùn)用ATLD算法提取4 個(gè)組件的特征光譜，判別其中與微生物信息相關(guān)的組件，并結(jié)合熒光區(qū)域積分法進(jìn)一步對(duì)感興趣區(qū)域進(jìn)行定量分析；同時(shí)，運(yùn)用二元四次逐步回歸方法建立區(qū)域積分值與微生物數(shù)量的監(jiān)控模型。結(jié)果表明，ATLD算法分離出的組件1和組件3具有明顯雙峰結(jié)構(gòu)，其特征峰位置符合類色氨酸和類酪氨酸特定熒光峰范圍，是微生物主要內(nèi)源熒光團(tuán)。因組件3所代表的類酪氨酸熒光強(qiáng)度低且變化不明顯，故針對(duì)代表類色氨酸的組件1采用熒光區(qū)域積分法計(jì)算其高激發(fā)類色氨酸和低激發(fā)類色氨酸區(qū)域的標(biāo)準(zhǔn)熒光區(qū)域積分值，并構(gòu)建有效的微生物數(shù)量監(jiān)控模型。本研究結(jié)果表明，采用ATLD算法對(duì)復(fù)雜溶液中微生物相關(guān)目標(biāo)物質(zhì)進(jìn)行定性和定量分析是十分有利的，能夠有效利用三維熒光數(shù)據(jù)的豐富信息，避免了化學(xué)分離和微生物培養(yǎng)計(jì)數(shù)過程中耗時(shí)、耗材、操作繁瑣的問題。有助于實(shí)現(xiàn)黃瓜貯藏過程中品質(zhì)變化的快速監(jiān)控，并為預(yù)判黃瓜腐敗提供了依據(jù)。