基于可见-近红外空间分辨光谱技术的猕猴桃采收时机优化与采后品质管理研究

为解决猕猴桃采收时机判断困难及采后品质管理问题，研究人员开发了一种便携式Vis-NIR SRS系统，通过多通道光纤阵列采集空间分辨漫反射光谱，结合PLS-CARS算法优化模型，成功实现对"翠香"猕猴桃硬度（R2val=0.65）和可溶性固形物（SSC）的现场无损检测，为精准农业和减少食品浪费提供了创新解决方案。

　　

猕猴桃作为深受消费者喜爱的水果，其独特的口感和营养价值使其在全球水果市场占据重要地位。然而，这种水果的采收却面临着一个特殊挑战——与许多可以机械化批量采收的作物不同，猕猴桃需要通过选择性采摘来确保品质。更复杂的是，猕猴桃通常在呼吸跃变前期采收以保证运输和货架期，但完全成熟的果实往往更受本地市场青睐。令人惊讶的是，即使是同一天从同一藤蔓上采摘的猕猴桃，其甜度和软度也存在显著差异，这给农场管理者确定最佳采收时机带来了巨大困难。

传统上，猕猴桃的品质评估主要依赖熟练工人的经验判断，但仅凭外观特征很难准确判断成熟度。实验室环境下虽然已广泛使用可见-近红外（Vis-NIR）光谱技术进行品质评估，但这些设备通常体积庞大、操作复杂，难以应用于田间环境。特别是对果实硬度的评估，一直是现场检测的技术难点。硬度作为影响果实口感和货架期的关键指标，其准确评估对猕猴桃产业具有重要意义。

针对这些挑战，Nagoya大学的研究团队在《Postharvest Biology and Technology》上发表了一项创新研究。他们设计了一套便携式Vis-NIR空间分辨光谱（SRS）系统，通过三个核心模块的集成实现了猕猴桃品质的现场评估：1）36通道光纤阵列以六种径向距离排列，采集两种猕猴桃品种（'翠香'和'瑞玉'）的空间分辨漫反射光谱；2）600-1100 nm波长范围的高光谱成像相机结合卤素照明，显著缩短了光谱数据采集时间；3）采用偏最小二乘（PLS）回归结合竞争性自适应重加权采样（CARS）技术，分别优化了散射增强的硬度预测和散射抑制的SSC定量模型。

研究结果显示，这套系统在'翠香'品种上表现出优异的性能，硬度预测的R²_val达到0.65，RMSE_val为1.23 N；SSC预测的R²_val同样为0.65，RMSE_val为1%。相比之下，'瑞玉'品种的预测精度较低，研究人员认为这可能与其较厚的果皮和更细密的绒毛干扰了光反射测量有关。通过与传统单点NIR方法的对比，证实了SRS技术在硬度预测方面的优势。

这项研究的创新之处在于成功将实验室级的光谱分析技术转化为田间可用的便携式解决方案，特别是解决了果实硬度这一传统难点指标的现场检测问题。研究不仅为猕猴桃的精准采收提供了实用工具，也为其他水果的品质评估开辟了新思路。未来研究可以进一步优化光纤阵列设计，拓展到更多猕猴桃品种，并探索将光传播物理模型与机器学习算法结合的混合分析方法，以提升系统的普适性和准确性。这项技术的推广应用将有助于减少食品浪费，提升水果产业的效益和可持续性。