便携式可见-近红外光谱对芒果采后内部黑变病严重程度的收获期预测与即食期检测

《Journal of the Science of Food and Agriculture》：Prediction at harvest and detection at the ready-to-eat stage of internal black flesh severity in mangoes using portable Vis–NIR spectroscopy

　　

摘要 背景：尽管已有研究表明，可见-近红外（visible–near infrared, Vis–NIR）光谱技术能够在收获时准确预测黑变病发生率并在即食芒果果实中检测该生理失调，但其区分不同严重程度等级的能力尚未确立。研究人员以‘Tommy Atkins’芒果为试材，在采收时（n = 458）以及在9 ± 0.5 °C贮藏后果实达到果肉硬度≤15 N的即食品质时（n = 329）采集了光谱（310–1100 nm）。当果实达到即食成熟度后，沿种子纵向切开果颊，基于肉眼评估中果皮区域呈现可见黑变病症状的面积百分比进行严重程度分级。果实被分为健康（0%）、低度（1–30%）、中度（31–50%）和重度（51–100%）四个等级。光谱数据（402–1100 nm）采用标准正态变量变换（standard normal variate, SNV）和二阶导数（Savitzky–Golay）进行预处理。利用偏最小二乘判别分析（partial least squares discriminant analysis, PLS-DA）、简单逻辑回归（simple logistic）、序列最小优化（sequential minimal optimization, SMO）、多层感知器（multilayer perceptron）和随机森林（random forest）等分类算法，以准确率、F-measure和Kappa系数作为评价指标。 结果：与叶绿素相关的吸光度随严重程度增加而升高，表明受影响的果实比未受影响果实更绿。简单逻辑回归算法在测试数据集上表现最佳，收获期预测准确率为77.4%，即食期检测准确率为81.8%。该模型在极端类别（健康和重度）上表现良好，分类准确率超过80%，而低度和中度严重程度等级则难以有效区分。 结论：Vis–NIR光谱能够在采收时可靠地预测、并在即食阶段区分无症状果实与将发展为重度黑变病的果实，但对于在冷藏期间出现轻度或中度症状的果实，其准确性有限。? 2026 作者。《食品与农业科学杂志》由John Wiley & Sons Ltd代表化学工业学会出版。

便携式可见-近红外光谱对芒果黑变病严重程度的分级预测与检测研究解读

一、研究背景与科学问题

巴西是全球第六大芒果生产国，约90%的产量集中在圣弗朗西斯科河谷地区。然而，该地区面临严重的采后生理失调问题，其中黑变病是最具破坏性的采后病害之一。黑变病表现为中果皮组织从褐色到黑色的深色变色，症状起源于种子附近的果肉组织并向外扩展。该失调仅在长期低温贮藏和运输后发生，采收时从未观察到症状，但并非同一批次中的所有果实都会发病。此前研究表明，黑变病可能是冷害的一种表现形式，‘Haden’、‘Tommy Atkins’、‘Kent’和‘Ataulfo’等品种在7和10 °C下比在更高温度下更易感病，而13 °C下贮藏超过三周的果实发病率也显著升高。然而，该失调的发生机制仍不完全清楚。

由于黑变病症状在外部不可见，通常只有在消费时切开果实才能发现，因此缺乏有效的监测手段导致采后损失巨大。可见-近红外（Vis–NIR）光谱结合机器学习算法已被成功应用于水果内部缺陷的无损检测。此前的研究已证明Vis–NIR光谱能在采收时预测黑变病发生率并在即食期检测该失调，但尚未建立对该失调严重程度阈值的判定能力。因此，本研究的目的是评估Vis–NIR光谱利用采收时或即食期的芒果光谱，将果实按内部黑变病严重程度分为四个等级的能力。实现对黑变病严重程度的采收期预测将为实施针对性采后处理措施提供有力工具，从而在整个冷链中最大限度地减少症状发展；而对不同严重程度等级的区分能力则有助于在采后处理和销售环节做出更精准的决策，进而减少浪费并提高供应链的经济回报。

二、主要关键技术方法

研究人员从巴西巴伊亚州Juazeiro市一个具有高黑变病发生率的商业果园采收‘Tommy Atkins’芒果，选取400个大小、形状和颜色相近且无外部缺陷的果实。光谱采集使用便携式光谱仪（型号F-750 Produce Quality Meter, Felix Instruments, WA, USA），波长范围310–1100 nm，电磁辐射最大穿透深度可达4.85 mm。光谱数据在两个时间点从相同果实上获取：采收时和9 ± 0.5 °C贮藏至果肉硬度≤15 N的即食成熟度后。每个果实两侧各视为独立样本，共获得采收时800条光谱和即食期800条光谱。建模时仅选择呈现不同程度黑变病症状及健康的果侧光谱，最终采收时纳入458条、即食期纳入329条。光谱范围选取402–1100 nm以排除高噪声区域，采用标准正态变量变换（SNV）和Savitzky–Golay二阶导数进行预处理。研究人员评估了多种机器学习算法，包括偏最小二乘判别分析（PLS-DA）、简单逻辑回归（simple logistic）、序列最小优化（SMO）、多层感知器和随机森林。数据集按70%训练集和30%测试集随机划分，训练集采用10折交叉验证。模型性能以准确率、F-measure和Kappa统计量评价。

三、研究结果

光谱特征表征

随着黑变病严重程度的增加，光谱剖面发生变化。采收时差异主要集中在可见光区（600–700 nm），可区分健康果实与最终会发展出黑变病症状的易感果实，但严重程度等级间无明显分离。即食期后在可见光区（600–700 nm）和近红外区（特别是700–800 nm和950–1000 nm范围）均表现出更大的光谱分化。严重程度越高的果实在可见光区和600–700 nm范围的吸光度越高，而在950–1000 nm范围的吸光度低于健康果实。主成分分析（PCA）显示前三个主成分在采收时解释了77.5%的总方差，即食期解释了69.7%，两种情况下均可观察到健康样本与高严重程度样本之间的分离，但各类别间存在大量重叠。

利用采收时和即食期光谱预测黑变病严重程度等级

采收时采集的光谱建立的简单逻辑回归、SMO和多层感知器模型均实现了测试准确率>70%和Kappa>0.5。其中简单逻辑回归表现最优，测试准确率达77.4%，Kappa为0.61。即食期光谱建立的模型中，简单逻辑回归同样表现最佳，准确率提升至81.8%，Kappa达0.69。非线性机器学习算法的表现普遍优于线性PLS-DA模型。

简单逻辑回归模型对不同黑变病严重程度等级的预测与检测性能

简单逻辑回归模型在极端类别（健康和重度）上表现优异，采收时和即食期的分类准确率均超过80%。相比之下，中间类别（低度和中度）存在大量误分类，多数中度样本被归为重度类别，低度样本也难以有效区分。排列重要性分析表明，采收时模型贡献最大的波长为645 nm和1008 nm，即食期模型则为651 nm和696 nm，突出了可见光区（600–700 nm）对模型准确性的重要贡献。进一步分析发现，采收时645 nm或1008 nm处的平均吸光度与黑变病严重程度呈二次关系，而即食期651 nm或696 nm处的吸光度与严重程度的关系更接近线性趋势。尽管模型在区分健康与重度果实方面表现优异（准确率和F-measure均>0.70），但对低度和中度严重程度等级的分类性能未能达到70%的可接受阈值。

四、讨论与结论

研究结果表明，Vis–NIR光谱可作为快速、无损的工具，用于识别采收时对黑变病无易感性（健康）或高易感性（重度症状）的果实。该技术可集成到现有配备Vis–NIR光谱的分选线上，在商业条件下于9 °C发货前剔除易感果实。被归类为易感的果实可选择在高于10 °C的温度下发运，或用1-甲基环丙烯处理以抑制黑变病的发展。此外，该技术还可在到达市场的再包装中心经冷藏后用于识别和剔除严重受害的果实。考虑到零售市场通常接受2%的缺陷发生率，分选操作若能将来货的5%发病率降至1%，即可将不合格批次转变为可销售的合格批次。

结论：Vis–NIR光谱能够在采收时可靠地预测、并在即食阶段区分无症状果实与将发展为重度黑变病（影响51–100%中果皮组织）的果实，但对于在冷藏期间出现轻度或中度症状的果实准确性有限。非线性算法在采收时和果实成熟后的表现均优于线性PLS-DA模型，推荐使用简单逻辑回归算法来区分无症状（健康）果实与在9 °C贮藏或运输过程中将发展为重度黑变病症状的果实。与叶绿素相关的较高吸光度与黑变病严重程度增加相关，表明更严重受害的果实表现出更强的色素相关光谱响应。未来需进一步研究叶绿素含量与黑变病发生率和严重程度之间的关系，若建立一致的相关性，叶绿素含量可能成为果实对黑变病易感性的潜在指标。同时，应评估Vis–NIR光谱模型在不同品种和生长条件下的泛化能力，以确定其在多样化商业条件下的稳健性和可靠性。