陕西地区红富士苹果品质差异及相关性分析_差异性

1、陕西地区红富士苹果品质差异及相关性分析陕西地区红富士苹果品质差异及相关性分析_ _差异性差异性论文导读:研究了陕西陕西地区红富士苹果品质差异及其相关性大小，并探讨了基于 BP 神经网络系统通过单果重和色度值对果实的内在指标进行预测的可行性。结果表明：红富士苹果品质变异系数从小到大依次为亮度（6.2027）、硬度（11.1427）、黄色度（16.0334）、可溶性固形物（17.2885）、可滴定酸（19.7055）、单果重（31.7217）和红色度（49.9306）。果实的单果重与硬度之间呈极显著的负相关；果皮的红色度与可溶性固形物、单果重呈极显著的正相关，但与亮度、黄色度呈极显著的负相关；果实

2、的可溶性固形物与可滴定酸之间呈极显著的正相关。其中果皮红色度与果皮亮度之间的相关系数绝对值最大为（-0.82063）。用单果重和色度值预测果实硬度、可溶性固形物、可滴定酸的误差分别为 5.6%1、8.13%、12.56%富士苹果的果皮红色度可作为了解富士苹果品质的重要指标。富士苹果的品质差异可作为分级贮藏的重要依据。论文关键词：富士苹果，品质，差异性，相关性苹果品质包括外观品质和内在品质。外观品质主要包括果实的大小，色泽等；内在品质包括可溶性固形物、总糖、可滴定酸等，这些成分的含量及比例很大程度上决定了果实品质的优劣。果皮的色泽作为衡量果实品质最重要的指标之一，一直都是生产者和消费者关注的焦点

3、1。CIELAB 表色系统，亦称L*a*b*表色系，L*表示明度，a*表示由红到绿的色度差异性，b*表示由黄到蓝的色度，属于国际照明委员会 1976 年制定的均匀色立体表示系统，以色度学为基础建立。色度学在我国在农业科学领域特别是在果树上的应用极少。在苹果上,色泽也是一项重要品质指标，更是决定果实商品价值的重要因素2。另外根据果皮颜色可以推测果实的成熟度、可溶性固形物含量、病虫害情况等，被广泛的应用于果品的自动化检测中。我国对果皮颜色的研究一般只局限于着色面积或花青素苷多少上。人们对富士苹果的品质指标研究很多，但对色度和其他品质的差异性以及各品质的内在相关性，特别是果皮的色泽与品质的相关性的报

4、道较少龙源期刊。本实验通过对富士苹果主要品质指标的差异性与相关性分析，并探讨了基于 BP 神经网络系统通过单果重和色度值对果实的内在指标进行预测的可行性，以了解陕西地区富士苹果的主要品质状况和差异，以及色度和其他品质指标间的相关性大小，为利用色度对富士苹果进行无损检测，特别是分极贮藏打下理论基础。1 材料与方法1.1 材料与处理供试材料为采自陕西乾县、八年树龄、树势较好的富士苹果(Fuji)。随机抽取三株长势一致且长势较好三棵果树，全部采摘，共 721 个果实，即721 个样本。当天运回实验室差异性，第二天随即测定相关指标。1.2 测定的项目及方法1.2.1 果皮色度：用日本产 CR-400

5、型色差计测定。果皮色度是在果皮的不同部位直接用事先经过校对的色差计测量 L*,a*,b*值，每个苹果测定五次取平均值。其中，L*值表示颜色的亮度（L*=100 为白色;L*=0 为黑色）；a*正值表示红色度,a*负值表示绿色程度；b*正值表示黄色度,b*负值表示蓝色程度3。测量时的室温为 20，光斑直径为 8mm，用白色标准瓷砖行校准。取 5 次测量值的平均值。1.2.2 果实单果重:采用 YP50001 型电子天平称量。1.2.3 果实内在品质的测定：果实硬度采用 FT327 型硬度计测定；可滴定酸用韩国产 GMK-835F水果酸度计测，每个果实阴阳面各测一次取平均值。可溶性固形物用日本产

6、PAL-1 便携式折糖仪.1.3 数据处理：数据用 excel 统计并用 SAS 进行相关性和处理2 结果及分析2.1 富士苹果品质差异情况图 1 富士苹果单果重差异分布图 2 富士苹果硬度差异分布Fig.1The differentdistribution of Fuji Fig.2The differentdistribution of Fujiapple in single-fruit weightapple in firmness图 3 富士苹果可溶性固形物差异分布Fig.3The differentdistribution of Fujiapple in soluble solid图

7、 4 富士苹果可滴定酸差异分布Fig.4The different distribution of Fujiapple in titratable acid图 5 富士苹果亮度（L*值）差异分布 图 6 富士苹果红色度（a*值）差异分布Fig.5The differentdistribution of Fuji Fig.6The differentdistribution of Fujiapple in L*apple in a*从上图可以看出，富士苹果单果重主要集中在 100250g 之间。其中 150200g 的占了 34%，100150g占 24%，200250g 占了 21%。富士苹果

8、的硬度主要集中在 6.08.0kg/cm2之间。其中 6.57.0 kg/cm2的占了 26%，7.07.5 kg/cm2占了 25%，6.06.5kg/cm2的占了 22%。苹果个体间的可溶性固形物个体间差异较大，其中 10.0%11.0%的占 17%，11.0%12.0%的占 16%。12%13%和 13%14%的各占 14%。9.0%10.0%的占 11%。富士苹果的可滴定酸含量主要集中在 0.30%0.40%之间其中 0.30%0.35%的占了 30%，0.35%0.40%的占了 27%龙源期刊。富士苹果的亮度主要集中在 6065 之间占了 49%其次 5560 占了 25%。富士苹果

9、的 a*主要集中在 520 之间。其中 1015 的占了 26%，510 和 1520 大各占23%。反映富士苹果果皮黄色度 b*值主要集中在 1015 之间差异性，占了大49%。其次 2025 之间的占了 43%。由趋势线得知陕西地区富士苹果各个指标的差异分布基本符合正态分布规律。其中 a*值的分布最符合正态分布。2.2 富士苹果品质指标差异统计分析表 1 富士苹果果实品质指标统计分析Table 1 The statistical analysis of quality index in Fujiapple项目(items)L*a*b*单果重single-fruit weight(g)硬度F

10、irmness(kg/cm2)可溶性固形物Soluble solid (%)可滴定酸Titratable acid (%)含量范围(content range)50.85-74.65-7.53-32.61-35.5583.2-444.45.07-12.627.5-19.00.21-0.76S62.00313.845913.23816.609920.30143.2550194.336561.64686.93290.772512.29382.12540.37080.0731C.V. (%)6.202749.930616.033431.721711.142717.288519.7055注： ：平均值

11、，S：标准差，C.V.：变异系数。Note: :averages，S：standard deviation，C.V.:coefficientofvariation.从表一可以看出反映富士苹果色度指标的 L*、a* 、b*的分布范围分别在50.8574.65、-7.5332.60 和 1.0035.55 之间，平均值分别为 62.0031、13.2381、20.3014.从变异系数来看 a*的变异系数最大、其次为 b*，L*的变异系数最小，李秀菊4等认为果皮着红色程度取决于果皮中花青苷的积累量及分布状况。基因型的差异和外部环境条件也影响果皮花青苷的积累。由此可见富士苹果的果皮红色度受多种内在和外

12、在因素影响，较不稳定。富士苹果的单果重硬度、可溶性固形物、可滴定酸的分布范围分别为 83.2444、45.0712、627.519.00、210.76，平均值分别为 194.3365、6.9329、12.2938、0.3708。从变异系数来看硬度的变异系数最小，为 11.1427，其次为可溶性固形物、可滴定酸，单果重最大。说明单果重波动比较大，硬度波动最小。2.3 富士苹果品质之间的相关性统计分析表 2 富士苹果品质指标的相关矩阵Table 2 The correlation matrix of quality index in Fuji appleW（g）F(kg/cm2)S(%)L*a*b

13、*T(%)W（g）1.00000-0.420900.55166-0.305020.48825-0.258750.11822.0001.0001.0001.0001.00010.0015F(kg/cm2)-0.420901.00000-0.236560.25659-0.296450.18164-0.07131.0001.0001.0001.0001.00010.0556S(%)0.55166-0.236561.00000-0.390520.56529-0.144120.46125.0001.0001.0001.0001.0001.0001L*-0.305020.25659-0.390521.00

14、000-0.820630.501190.02895.0001.0001.0001.0001.00010.4376a*0.48825-0.296450.56529-0.820631.00000-0.628780.22708.0001.0001.0001.0001.0001.0001b*-0.258750.18164-0.144120.50119-0.628781.00000-0.04726.0001.0001.0001.0001.00010.2050T(%)0.11822-0.071310.461250.028950.22708-0.047261.000000.00150.0556.00010.

15、4376.00010.2050注： W：单果重，F：果实硬度；S ：可溶性固形物；L：果皮亮度；a：果皮红色度；b:-果皮黄色度；T：可滴定酸。表中数值为相关系数差异性，相关系数下为概率。Note: W：single-fruit weight;S:soluble solid；L*：rind brightness,a*：rind redness; b*:yellowness;T:Titratable acid(%)。Values inthetable are means correlation coefficient，Values bellowedcorrelation coefficient

16、are meansprobability。由表 2 可知，富士苹果品质指标多数项目存在极显著相关，说明果实品质各成分含量间的关系较为密切龙源期刊。其中，果皮的红色度 a*值与果实的可溶性固形物含量 S 之间呈显著的正相关（p0.001 相关系数为0.56529）这与冯国聪5等的研究相一致，说明一般富士苹果越大可溶性固形物含量越高；果皮的红色度 a*与亮度 L*之间呈极显著的负相关（p0.001，相关系数为-0.82063），说明随着花青苷的积累，果皮亮度会降低；果皮的红色度a*与黄色度 b*呈极显著的负相关（p0.001，相关系数为-0.62878），说明随着果皮中花青苷与类胡萝卜素之间也成负

17、相关关关系；果皮的亮度 L*和黄色度b*呈极显著的正相关（p0.001，相关系数为 0.50119）说明在前期苹果着色不太好的时候，亮度和黄色度就较高；果实的可溶性固形物 S 与可滴定酸 T 之间呈显著的正相关。（p0.001，相关系数为 0.46125）说明苹果可溶性固形物含量越高，可滴定酸含量也越高；果实的单果重 W 与果实的硬度 F 呈极显著的负相关（p0.001 差异性，相关系数为-0.42090，说明果实越大则果实硬度越小；单果重 W 与可溶性固形物含量 S 之间呈极显著的正相关（p0.001，相关系数为 0.55166），与侯立群6等在金冠苹果上的研究相一致，这说明苹果越大可溶性固

18、形物也越高；单果重与果皮的红色度 a*呈极显著的正相关（p0.001，相关系数为 0.4882）说明红富士苹果一般越大着色越好。果皮的红色度与单果重、可溶性固形物、可滴定酸呈极显著的正相关，与果实的硬度、黄色度呈极显著的负相关，因此果皮的红色度 a*可做为判定富士苹果品质指标的重要依据。2.4 神经网络系统模型建立了一个三层的人工神经网络结构，三层 BP 网络中，第一层使用的传递函数为 sigmoid，输出层的传递函数为 linear：。网络输入层节点数为 4，输入分别是 W(苹果重) 、L*(色度 L)、 a*(色度a)、 b*(色度 b)，输出层为一个节点。一层隐层，隐层节点个数为 3 个

19、。网络指定参数中学习速率为 0.03（见图八）。对于隐层，有j=1 差异性，2，3，j=1，。以上两式中，变换函数 ,分别是 sigmoid 和linear。BP 神经网络学习的目的就是根据样本数据集来调节权值跟阈值的大小，从而使输出结果接近样本数据的真实值。本实验采用纯梯度法来训练网络。采用均方根误差计算网络输出与真实值的误差，然后根据误差来调节权值跟阈值7。图八 三层前馈网络结构Fig.7 3 layers of feed-forward network共有 721 组数据，每组数据有 7 个属性值（苹果重 W、果实亮度度 L*、果实红色度 a*、果实黄色度 b*、可溶性固形物 S、可滴定

20、酸 T、硬度 F）。试验中采用 70%数据进行训练，30%数据进行测试的方法，训练数据一共 505 组，测试数据为 216 组。表三富士苹果相关品质基于神经网络系统的实验结果Table 3 The result of relevantquality based on artificial neuralnetworksin Fuji apple输入输出均值误差W L* a*b*F664%561%W L* a*b*S964%813%W L* a*b*T1443%1256%注： W：单果重，F：果实硬度；S ：可溶性固形物；L：果皮亮度；a：果皮红色度；b:-果皮黄色度；T：可滴定酸。表中数值为相关

21、系数，相关系数下为概率。Note: W:single-fruit weight; S:soluble solid;L*:rind brightness,a*:rindredness; b*:yellowness; T:Titratableacid(%).Values in thetable aremeans correlation coefficient, Values bellowed correlationcoefficient aremeans probability.实验结果显示，组合 W L* a* b*与 F 的组合均值与误差小于另外两组，真实值与输出值之间的差异最大为 12.25

22、%差异性，泛化能力很好，符合训练要求。实验表明 W L* a* b*与 T 有很强的关联性，可以通过 W L* a* b*达到预测F 的目的。组合 W L* a* b*与 S 的组合均值与误差稍微偏大，真实值与输出值之间的差异最大为 17.77%，在精度要求不高的前提上也可以使用 W L* a* b*来预测 S 龙源期刊。而组合 W L* a* b*与 T 的组合均值和误差过大，真实值与输出值之间的差异最大为 26.99%，泛化能力很差，表示 W、L、a、b 不适合用来预测 T。3 讨论果品理想的风味和质地常与典型的颜色的显现分不开，所以果品的外观颜色可作为果品是否达到理想程度的外观指标8。树

23、体营养积累与着色有关，糖分积累是着色的基础。表现为着色度高的果实可溶性固形物也高，例如着色小于 40%的果实，可溶性固形物含量 11.55%，着色大于 78%的果实，可溶性固形物含量达 14.75%，二者成正比5。CIELAB 表色系统在水果的研究中应用比较广泛。富士苹果的品质色泽指标与内在的品质指标存在着密切尤其是反映果皮红色度的 a*值变异系数较大差异性，而 a*值与富士苹果的很多品质指标有极限著的相关性。因此，要全面提高富士果实品质，应从影响果实品质的主要因素入手，改善富士苹果果皮的着色。由于富士苹果的单果重及红色度变异系数较大，因此在生产上分级贮藏保鲜就成为必要，依据哪些因素进行分级贮

24、藏还需要进一步的实验证明。杨秀坤9等利用遗传神经网络方法与彩色计算机视觉技术相结合的手段建立了一个水果成熟度在线自动判别系统。李小昱10等基于 BP神经网络，用苹果机械特性指标建立的苹果贮藏品质的预测模型，可预测苹果贮藏品质，相对误差在 5以下。薄丽丽11等提出了一种基于遗传算法的 BP 神经网络苹果缺陷识别方法，减少缺陷判别误差，提高算法精度和缺陷检测速度，识别率不低于 89。由于色度和单果重可以在无损的条件下快速测出，因此利用二者甚至只用色度预测苹果的内在品质，在果实的无损检测和预测果实的贮藏寿命方面具有十分重要的意义。参考文献 References1Sun Jian-shen, Ma B

25、ao-kun, Zhang Wen-cai.The study onthecharacters of needed light in the coloration of Fuji AppleJ.Acta Horticulturae Sinica，2000，27（3）:215-213. (in Chinese)由表 2 可知，富士苹果品质指标多数项目存在极显著相关，说明果实品质各成分含量间的关系较为密切龙源期刊。其中，果皮的红色度 a*值与果实的可溶性固形物含量 S 之间呈显著的正相关（p0.001 相关系数为0.56529）这与冯国聪5等的研究相一致，说明一般富士苹果越大可溶性固形物含量越高；

26、果皮的红色度 a*与亮度 L*之间呈极显著的负相关（p0.001，相关系数为-0.82063），说明随着花青苷的积累，果皮亮度会降低；果皮的红色度a*与黄色度 b*呈极显著的负相关（p0.001，相关系数为-0.62878），说明随着果皮中花青苷与类胡萝卜素之间也成负相关关关系；果皮的亮度 L*和黄色度b*呈极显著的正相关（p0.001，相关系数为 0.50119）说明在前期苹果着色不太好的时候，亮度和黄色度就较高；果实的可溶性固形物 S 与可滴定酸 T 之间呈显著的正相关。（p0.001，相关系数为 0.46125）说明苹果可溶性固形物含量越高，可滴定酸含量也越高；果实的单果重 W 与果实的

27、硬度 F 呈极显著的负相关（p0.001 差异性，相关系数为-0.42090，说明果实越大则果实硬度越小；单果重 W 与可溶性固形物含量 S 之间呈极显著的正相关（p0.001，相关系数为 0.55166），与侯立群6等在金冠苹果上的研究相一致，这说明苹果越大可溶性固形物也越高；单果重与果皮的红色度 a*呈极显著的正相关（p0.001，相关系数为 0.4882）说明红富士苹果一般越大着色越好。果皮的红色度与单果重、可溶性固形物、可滴定酸呈极显著的正相关，与果实的硬度、黄色度呈极显著的负相关，因此果皮的红色度 a*可做为判定富士苹果品质指标的重要依据。2.4 神经网络系统模型建立了一个三层的人工

28、神经网络结构，三层 BP 网络中，第一层使用的传递函数为 sigmoid，输出层的传递函数为 linear：。网络输入层节点数为 4，输入分别是 W(苹果重) 、L*(色度 L)、 a*(色度a)、 b*(色度 b)，输出层为一个节点。一层隐层，隐层节点个数为 3 个。网络指定参数中学习速率为 0.03（见图八）。对于隐层，有j=1 差异性，2，3，j=1，。以上两式中，变换函数 ,分别是 sigmoid 和linear。BP 神经网络学习的目的就是根据样本数据集来调节权值跟阈值的大小，从而使输出结果接近样本数据的真实值。本实验采用纯梯度法来训练网络。采用均方根误差计算网络输出与真实值的误差，

29、然后根据误差来调节权值跟阈值7。图八 三层前馈网络结构Fig.7 3 layers of feed-forward network共有 721 组数据，每组数据有 7 个属性值（苹果重 W、果实亮度度 L*、果实红色度 a*、果实黄色度 b*、可溶性固形物 S、可滴定酸 T、硬度 F）。试验中采用 70%数据进行训练，30%数据进行测试的方法，训练数据一共 505 组，测试数据为 216 组。表三富士苹果相关品质基于神经网络系统的实验结果Table 3 The result of relevantquality based on artificial neuralnetworksin Fuji

30、 apple输入输出均值误差W L* a*b*F664%561%W L* a*b*S964%813%W L* a*b*T1443%1256%注： W：单果重，F：果实硬度；S ：可溶性固形物；L：果皮亮度；a：果皮红色度；b:-果皮黄色度；T：可滴定酸。表中数值为相关系数，相关系数下为概率。Note: W:single-fruit weight; S:soluble solid;L*:rind brightness,a*:rindredness; b*:yellowness; T:Titratableacid(%).Values in thetable aremeans correlation coefficient, Values bellowed correlationcoefficient aremeans probability.实验结果显示，组合 W L* a* b*与 F 的组合均值与误差小于另外两组，真实值与输出值之间的差异最大为 12.25%差异性，泛化能力很好，符合训练要求。实验表明 W L* a* b*与 T