《Horticulturae》:Mold Detection in Sweet Tamarind During Storage Performed by Near-Infrared Spectroscopy and Chemometrics
Muhammad Zeeshan Ali,
Pimjai Seehanam,
Darunee Naksavi and
Phonkrit Maniwara
编辑推荐:
针对甜罗望子贮藏期霉菌(Aspergillus和Penicillium spp.)难以早期无损检测的行业痛点,本研究采用近红外光谱(NIRS)结合人工神经网络(ANN)技术,对商业常温(25°C,60%相对湿度)下5周贮藏期的600个Sithong甜罗望子进行每周交互式光谱采集(800–2500 nm)。结果显示,ANN模型在第2周性能最优(预测准确率85.00%,灵敏度0.84,特异性0.86,F1-score 0.85),显著优于线性偏最小二乘判别分析(PLS-DA);关键判别波长为938、975–980及1035 nm,对应霉菌感染导致的内部水分重分布与碳水化合物消耗。研究证实周适应性校准可大幅提升检测可靠性,为开发低成本便携式传感器及商业化贮藏霉菌筛查系统提供了机制依据。
在热带水果贸易中,甜罗望子(Tamarindus indica L.)凭借独特的酸甜风味占据重要地位,其中Sithong品种因高甜度、长荚果及优果肉种子比,在中国等市场年进口额达11亿美元。然而,这个“黄金果实”正面临隐形杀手——霉菌的威胁。由Aspergillus(曲霉属)和Penicillium(青霉属)引起的感染,会通过微观表面孔隙侵入荚果内部,在外部症状显现前就导致组织腐烂。更棘手的是,Aspergillus spp.还会产生强致癌物黄曲霉毒素,各国对其限量要求严苛至纳克级。传统检测方法依赖人工随机剖开荚果观察,不仅破坏性大、劳动强度高,更无法覆盖整批货物,让大量带菌果实蒙混过关,既造成经济损失又埋下食品安全隐患。
如何在不破坏果实的前提下,精准捕捉霉菌感染的早期信号?近红外光谱(NIRS)技术或许能给出答案。这种通过分析样品中C–H、O–H、N–H键振动倍频的光谱技术,已在柑橘、板栗等作物的霉菌检测中展现潜力。但对于拥有双层豆荚果皮的甜罗望子,光线穿透难度大,且霉菌感染伴随的水分重分布、碳水化合物消耗等生化变化具有非线性特征,传统线性模型难以捕捉。为此,研究团队开展了一项为期5周的系统性研究,相关成果发表于《Horticulturae》,为甜罗望子贮藏期霉菌无损检测提供了全新解决方案。
研究采用的关键技术方法包括:选取泰国Uttaradit省种植的600个商业成熟期Sithong甜罗望子,在模拟商业常温(25°C,60%相对湿度)的生长室中贮藏5周;使用傅里叶变换近红外光谱仪(FT-NIR)配合交互式探头(interactance probe,光纤间距2–3 mm,入射角90°),在每个荚果的前、中、后部位两侧共6个点采集800–2500 nm光谱,经32次扫描累加后取平均值;每周对荚果进行破坏性解剖,以菌丝生长、内部变色及组织降解为标准分为“完好”(intact)和“发霉”(moldy)两类,并通过病理分析确认主要病原体为Aspergillus sp.和Penicillium sp.;采用标准正态变量变换(SNV)、多元散射校正(MSC)、一阶导数(Savitzky–Golay,9点窗口,1阶多项式)和二阶导数(Savitzky–Golay,9点窗口,2阶多项式)四种方法进行光谱预处理;运用主成分分析(PCA)探索光谱聚类模式与关键波长贡献;分别构建线性偏最小二乘判别分析(PLS-DA)和非线性人工神经网络(ANN,多层感知器架构,1个隐藏层含5–10个神经元,tanh激活函数,二进制分类阈值0.5)分类模型,通过10次重复分层随机抽样划分校准集(约50%)和预测集(约50%)进行验证。
3.1. 贮藏期霉菌发生率与样本分布
每周观察显示,600个荚果的霉菌发生率呈非线性波动:初始阶段(0–2周)较低(每100个荚果中14–16个发霉),中期(2–3周)达到峰值,后期(4周)可用样本数减少至11对。这种非单调模式符合真菌生长的滞后期–指数期–稳定期动力学特征,后期样本减少并非感染率下降,而是严重降解的荚果无法通过肉眼明确分类,为避免模糊标签影响模型训练而被剔除。最终平衡数据集包含170个样本(85个完好,85个发霉),覆盖了商业贮藏中观察到的所有感染严重程度。
3.2. 光谱特征与 temporal 趋势
3.2.1. 霉菌感染相关的光谱特征
平均近红外光谱显示,所有贮藏周次的发霉荚果均表现出更高的光谱吸收强度。三个关键区域最具判别力:938 nm和975–980 nm对应水中O–H伸缩倍频,发霉荚果中吸收增强源于菌丝破坏细胞区室导致的水分局部积累及真菌呼吸产生的代谢水;1035 nm对应碳水化合物(葡萄糖、蔗糖、纤维素)中C–H和O–H振动,吸收变化反映宿主糖分和多糖被Aspergillus spp.和Penicillium spp.消耗;此外,826 nm和839 nm可能与脂质分子的C–H三阶倍频相关。尽管贮藏期间总吸光度因果皮和果肉水分流失逐渐下降,但完好与发霉荚果的光谱差异持续存在,为分类提供了生化基础,该差异在第2周达到最大,第4周因组织退化减弱。
3.2.2. 主成分分析
SNV和MSC预处理后的PCA得分图视觉相似,类别区分不明显,前两个主成分(PC1+PC2)累计解释97%(0周)、93%(1周)、97%(2周)、97%(3周)、93%(4周)、96%(5周)及96%(全周期)的总光谱变异,PC1主要捕获基线偏移,PC2贡献部分类别区分;导数预处理(一阶、二阶)通过消除基线偏移和解析重叠吸收带显著改善类别区分,其中二阶导数在时间簇分辨率上略优于其他方法。每周PCA得分图显示:0周两类样本重叠明显(潜伏期生化差异小);2周沿PC1区分最显著(真菌指数生长期,水分重分布和碳水化合物消耗导致光谱分化);3周簇区分中等但发霉组类内方差增大(感染严重程度多样);4周再次出现显著重叠(严重降解荚果偏离典型霉菌光谱,与晚期衰老完好荚果光谱趋同)。PC1载荷图一致显示826、839、938、949–960、975–980及1035 nm为最具判别力的波长。
3.3. PLS-DA分类性能
PLS-DA作为线性基准模型,全周期最佳预测准确率为原始光谱的60.00%,SNV和MSC最低(50.59%),校准准确率(60.00–75.29%)普遍高于预测值,提示过拟合;导数预处理未能提升预测性能,反而因光谱复杂性增加阻碍线性模型。周分析中,PLS-DA最高预测准确率为0周的85.71%(SNV和MSC),但表现不对称:灵敏度高(0.43–1.00)而特异性低(0.00–1.00,常低于0.60),导致假阳性率高。4周和5周部分预处理方法校准准确率达100%,但预测准确率骤降至36–75%,过拟合明显;全周期模型最优预测准确率仅60%,无法满足质量控制需求。
3.4. 非线性分类结果(ANN)
ANN在所有预处理方法和贮藏周次中均优于PLS-DA,多数周次准确率提升8–20%。性能呈现明显时间模式:初期(0–1周),SNV和MSC预处理表现最佳,0周MSC-ANN预测准确率87.14%、F1-score 0.87;峰值出现在2周,SNV预处理预测准确率85.00%(灵敏度0.84,特异性0.86,F1-score 0.85),混淆矩阵显示预测集中83.75%完好荚果和86.25%发霉荚果被正确分类,灵敏度和特异性均衡;3周性能稳健(SNV预处理预测准确率79.38%);4周后准确率显著下降(71.82–76.36%),假阴性率升至22–33%;全周期模型中,一阶导数预处理达到最高预测准确率63.53%,远低于周模型,表明静态分类器难以适应动态生化变化,全周期假阴性率31–44%凸显周适应性策略的必要性。
3.5. ANN分类结果与性能指标
ANN的灵敏度、特异性和F1-score显示,2周在各预处理方法中表现最优:SNV预处理预测集灵敏度0.84、特异性0.86、F1-score 0.85;0周MSC预处理预测集特异性0.89、灵敏度0.86、F1-score 0.87。2–3周各项指标最高(灵敏度0.84–0.90,特异性0.69–0.86),霉菌生理变化最显著;0周模型特异性高,利于可靠识别完好荚果以减少误拒;4–5周所有指标下降,归因于组织严重降解和生物异质性增加。SNV和MSC在多数周次(尤其预测集)表现最稳定,SNV在2周(F1-score 0.85)和3周(F1-score 0.81)达到最高F1-score;一阶导数对全周期模型有效(灵敏度0.78,特异性0.77),但周间变异性高;二阶导数效果中等(灵敏度0.64,特异性0.58)。
研究结论与讨论部分强调,霉菌检测的可靠性本质上由感染阶段的生物学特性决定,而非单纯建模限制。第2周性能峰值恰好对应Aspergillus和Penicillium从滞后期向指数期过渡的阶段,此时菌丝增殖导致细胞膜完整性破坏、水分局部积累、碳水化合物消耗及代谢水生成,多重生化信号叠加产生最显著的光谱差异。第4周性能下降则源于真菌进入稳定衰退期,组织架构严重受损:严重发霉荚果光谱偏离典型霉菌特征,而晚期衰老的完好荚果因水分流失和化学改变,光谱与发霉荚果趋同,形成固有生物学限制。
ANN优于PLS-DA的核心原因在于霉菌诱导的光谱变化具有非线性特征——至少涉及水分重分布、碳水化合物代谢、脂质修饰和结构细胞壁降解四个同时发生的生化过程,各过程在多个波长范围产生部分重叠的光谱响应,ANN能捕捉光谱特征间的乘法和交互作用关系,而PLS-DA假设光谱空间到类别的线性转换,无法解析此类复杂模式。PLS-DA的不对称性能(高灵敏度、低特异性)源于其对完好光谱基线的微小偏离均判定为“发霉”,虽能准确识别感染荚果,却将自然水分或碳水化合物波动的完好荚果误判为污染,经济上不可行。
预处理策略需匹配感染阶段:SNV和MSC在0–3周最优,因其消除荚果表面缺陷导致的乘性散射效应,揭示感染相关的组成变化;导数预处理在4–5周更有效,因其提升重叠光谱带的解析度,适应组织退化导致的真实光学特性改变。研究提出的周适应性分类架构——根据贮藏天数自动调用对应周校准的ANN模型及最优预处理方法,可将全周期预测准确率提升至77–87%,远高于单一通用模型的57–64%。
此外,6点位光谱平均策略解决了感染空间异质性问题,通过整合荚果前后两侧前、中、后位置的光谱,提供全面的荚果水平评估;交互式测量几何(illumination和collecting光纤邻近布置)克服了厚果皮(2–3 mm)对光线穿透的限制,实现皮下~2–3 mm的组织探测,兼顾透射模式的组成敏感性和反射模式的接触便利性。关键判别波长(938、975–980、1035 nm)位于短波近红外(800–1100 nm),可通过低成本InGaAs光电二极管阵列检测,为开发基于窄带LED阵列或滤光片式便携光谱仪的现场筛查设备奠定了基础。
该研究首次系统评估了NIRS-ANN在甜罗望子全贮藏周期的霉菌检测性能,明确了周适应性校准的必要性和关键判别波长,为商业化贮藏中的霉菌筛查提供了高效、无损的解决方案,也为其他厚皮豆科果实的无损检测提供了方法学参考。未来研究可进一步关联NIR光谱标记与黄曲霉毒素定量水平,验证周适应性框架在不同品种和产区的适用性,并开发靶向关键波长的田间部署原型设备,推动技术落地。