无花果(Ficus Carica Linn)，桑科榕属，主要生长于温带与热带。无花果果实口感甜糯，含有大量的维生素A、维生素C以及多种微量元素和有机酸^[1]。无花果根茎可入药，具有清热解暑、治疗便秘等功效，具有较高的营养价值^[2]。

便携式近红外光谱仪(MicroNIR)因其检测过程中不损坏样本、不消耗化学试剂、可随身携带等优点而得到广泛应用。其原理是将扫描光谱与样品性质相互关联，建立共同模型，最终通过对模型的矫正来分析被测样品的品质特性^[3-4]。目前，越来越多的学者运用MicroNIR进行科学研究，拓展了其应用领域。例如：运用MicroNIR研究水稻及橄榄油的品质鉴定^[5-7]，运用MicroNIR检测苹果、葡萄等水果的质构特性^[8-9]。

本研究运用遗传算法与UVE算法进行建模。上述两种建模方法在各类研究中均比较常见，但是在果蔬品质鉴别领域应用较少，目前只有在苹果渣多酚提取中运用过遗传算法^[10-11]。在食品领域中，UVE算法的应用要多于遗传算法，如检测成熟梨可溶性固形物含量以及猕猴桃在贮藏过程中的品质变化等^[12-13]。对于无花果质构的检测，多数学者们运用过感官评定与TPA质构仪方法，运用MicroNIR对无花果品质特性的研究还很少，有学者曾运用近红外漫射技术研究过无花果中可溶性固形物的含量^[14]。MicroNIR在无花果质构特性的检测中有着很大的应用潜力。

1 材料与方法 1.1 实验材料

无花果取自山东荣成。样本采集后立即送检，光谱扫描完成后立即用质构仪测定无花果质构。然后在-4 ℃的低温环境下保存，并于当日完成检测。

1.2 实验仪器

近红外光谱仪(MicroNIR^TM 1700，美国JDSU)；手持式糖度计(PAL-1，日本ATAGO)；质构仪(TA.XT plus，英国Stable Micro Systems)；可见光分光光度计(V-1500PCV-1500PC)。

1.3 实验方法

使用Micro NIR近红外光谱仪对无花果进行光谱测定。对无花果赤道附近选择3点进行红外光谱采集，取这3点光谱值的平均值作为原始光谱。采集条件：扫描99%反射白板获得的光谱为参考数据，扫描范围为900~1 700 nm，扫描次数为15次，波长间隔为1，每隔30个样品需要重新扫描白板，重新设置参照。若光谱明显区别与其他样品的近红外光谱，则在相同位置重新取样^[15]。

质构指标的测定：采用TPA质构仪。测试参数设定如下：前测速度：1.00 mm/s；测试速度：5 mm/s；后测速度：5 mm/s；测定距离：10 mm(压缩程度75%)；触发值：5.0 g；数据采集速率：200 pps；停留间隔：3 s；每项测试重复10次，采用p100探头。

糖度的测定：使用手持糖度计测定^[16]。

1.4 数据处理

糖度测定时进行3次平行实验，最后取平均值。近红外光谱扫描范围：900~1 700 nm。采用偏最小二乘法回归(Partial Least Squares Regression, PLSR)建模^[17]。模型的评价选取了PLSR模型的校正集决定系数(R_c²)、矫正均方根误差(RESEC)、验证集决定系数(R_p²)以及验证均方根误差(RESEP)。所有建模及程序的运行均在MATLAB2016a与The Unscrambler X 10.4下进行。

1.5 遗传算法在波长选择上的应用

遗传算法是一种仿生算法，借鉴生物界的自然选择和遗传机制，遵循“适者生存”的法则，将低适应度的波长组合淘汰，高适应度的波长组合优先交叉繁殖，最终筛选出高适应度的波长组合。

1) 染色体编码：在遗传算法进行波段的选择中，染色体应由多个二进制位编码的基因构成，其中编码为1表示该波长被选中，编码为0表示该波长未被选中。假设待选择的波长有m个，则染色体的长度为m。

2) 初始化：随机生成30个个体，每个个体均生成0~1编码的m长度的染色体。以此作为初始样本。

3) 交叉运算：设置高适应度的样本交叉算子为1，低适应度的样本交叉算子为0.2。即高适应度的样本一定发生交叉运算，低适应度的样本有20%的概率发生交叉运算。以此保证每一代样本都向更高的适应度进化。交叉位置为随机生成。

4) 变异运算：设置遗传算法的变异算子为0.1，变异发生仅为染色体某个基因的突变，不包含基因的插入和缺失。从第4代样本开始，将遗传算法的变异算子更改为0.3，以此使遗传算法收敛变慢，避免进入局部最优解，从而获得全局最优解。

5) 适应度函数：将每个样本均建立PLSR模型，PLSR模型的评价指标经变换后作为种群的适应度函数。

将适应度最高的样本作为遗传算法选择的最优波长组合。

2 结果与分析 2.1 无花果质构特性

采用TPA质构仪对成熟无花果的果质构特性进行研究，选取果肉糖度、硬度、弹性、黏聚性和咀嚼性作为研究参数。其中糖度范围为8.3~25.5，均值为16.0；硬度范围为78.4~2 317.0 g，均值为422.2 g；弹性范围为0.34~0.9，均值为0.74；黏聚性范围为0.52~0.82 g*s，均值为0.71 g*s；咀嚼性范围为23.7~969.3，均值为212.2。以TPA质构仪测出的无花果质构特性为参照，再通过遗传算法与UVE算法来预测未经质构检测的成熟无花果的质构特性。TPA质构仪测得成熟无花果质构数据见表 1。

2.2 特征波长的比较

使用MicroNIR对成熟无花果进行光谱测定后，制作出遗传算法与UVE算法的波长分布统计图(图 1、图 2)，通过比较两种方法得出的特征波长范围，来比较两种方法的准确性。

由图 1、图 2可知：两种方法的波长相似性不高，通过遗传算法筛选出的特征波长精确度较高，而UVE算法中有效波段的筛选精确度较低。以糖度为例，遗传算法中成熟无花果糖度可筛选出15个特征波段，而遗传算法只存在2个特征波段。在其他质构特性检测中，UVE方法筛选不出成熟无花果弹性的特征波长。由此可比较出在无花果质构分析方面，遗传算法的准确性要高于UVE算法。因此MicroNIR与遗传算法相结合更加适合无花果品质的检测。

无花果中含有许多的N-H、O-H等官能团，这些含氢的官能团与近红外光频率振动的倍频和合频相一致，因此可以扫描出官能团信息。在1 350~1 400 nm范围内包含H₂O的吸收峰，不论遗传算法还是UVE算法都能扫描出其波长，说明水分对无花果的糖度、硬度、弹性、黏聚性、咀嚼性都有影响^[18]。在此波长区间，还存在着CH₃-键、CH₂-键的二级倍频吸收峰，这是结构中的CH-键伸缩振动和变角振动所产生的吸收峰，说明CH₃-键、CH₂-键对无花果各个品质指标的影响也非常显著。

2.3 遗传算法与UVE算法效果比较

对成熟无花果各项指标独立进行5次遗传算法与UVE算法处理，得到两种方法的波长组合，5次运行结果中选择较优结果作为最佳波长组合。结果如表 2所示。

由表 2可知：经光谱测定后，遗传算法模型的R²普遍高于UVE算法的R²。所以在无花果质构测定中，遗传算法的精确度要优于UVE算法。由于遗传算法中优选出的波段与无花果中的成分相关性较强，自动筛选去除了无关的变量，因此其准确度较高，所以遗传算法筛选的波长对于多项指标均可明显提升PLSR模型的R^2[19]。虽然UVE算法从一定程度上也剔除了一部分无用信息波长变量，但其去除效果比遗传算法弱，所以UVE算法对某些指标的PLSR模型的R²没有提升，甚至有降低^[20]。由表 2可以看出，无论是遗传算法还是UVE算法，在无花果糖度与硬度的测定上有着明显的优势。糖度指标的R²为0.49(遗传算法)与0.51(UVE算法)，高于其他指标，且误差较小。成熟果糖度误差为13%(遗传算法)与14%(UVE算法)。但是在无花果硬度方面，虽然可以得到较高的R²，能达到0.55(遗传算法)与0.62(UVE算法)，但是两种建模方法的硬度误差都较高，这是无花果果实整体硬度的不均匀所造成的。因此硬度数据的参考性要略低于糖度。对于咀嚼性，遗传算法扫描出的光谱数据准确性较高，R_c²较原始光谱提高了11.5%。但UVE算法扫描出的原始光谱数据准确性较差，其R_c²较原始光谱有所降低。由此可知，在无花果品质检验中，遗传算法建模效果优于UVE算法。MicroNIR在无花果糖度检测方面有着较好的效果。

2.4 对未知质构特性成熟无花果的预测

由于遗传算法筛选的成熟果的特征波长准确性较高，在建模预测过程中可用已知波长来预测未知质构特性的成熟无花果，之后再进行PLSR模型的预测。将验证集成熟果各项指标的数据代入遗传算法筛选的成熟果的特征波长，并判断模型的R_P²与误差(RMSEP)较原始光谱的全波长建模是否有提升或降低，从而判断MicroNIR结合遗传算法对相同成熟度果实质构的预测作用。

如表 3所示，运用MicroNIR并结合遗传算法对未知质构特性的成熟无花果进行质构检测得知，与原始光谱相比，验证集成熟无花果的R_P²较高，糖度R_P²达到了0.51，硬度R_P²达到0.57，咀嚼性R_P²达到了0.53。而在误差方面，除了黏聚性，验证集无花果的误差都小于原始光谱的误差。咀嚼性误差降低了23.1%，弹性误差降低了12.5%。但是黏聚性的误差比原始光谱高出33.3%，说明MicroNIR结合遗传算法对成熟无花果的黏聚性检测效果一般。MicroNIR对无花果质构的预测还是存在一定的不稳定性，郭志明等学者曾运用近红外光谱技术检测苹果的糖度，其R_p²可达0.82，而本研究糖度R_p²只有0.51^[21]。近红外光谱结合遗传算法在草莓糖度的研究中，其R_p²可达0.85^[22]。其中原因是：与传统的近红外光谱相比，MicroNIR的光谱信号中含有信号噪音，在光谱建立时会造成基线漂移；其次，MicroNIR近红外光谱没有经过强度化矫正。上述两个原因都会导致检测结果偏低^[18]。因此，可用底噪传感器来替代MicroNIR中的普通传感器，在传感器后配置交流放大器，从而提高设备的信噪比，优化设备的检测效果。

3 结论

通过使用MicroNIR对无花果品质进行检测得知，遗传算法建模的决定系数(R²)普遍高于UVE算法，筛选特征波长时遗传算法的有效波长片段多于UVE算法，准确性较高，并在无花果糖度测定中有着明显的优势。MicroNIR结合遗传算法对相同成熟度的无花果质构预测也有着良好的效果。MicroNIR与遗传算法的结合在无花果品质鉴定方面有很大的实际应用潜力。