在交替冷贮和常温贮藏条件下对彩色马铃薯进行快速品质检测：利用吸收和散射特性

《Food Research International》：Rapid quality detection in colored potatoes during alternating cold and ambient storage: Utilizing absorption and scattering properties

土豆在冷至常温复合储存过程中糖分动态变化及光学特性关联研究。采用双积分球系统同步获取吸光系数(μa)和减光系数(μ's)在400-1700nm范围的光学参数，结合Savitzky-Golay预处理与PCA-PLSR模型，建立预测淀粉降解的模型(R2=0.879)，通过SNV预处理与t-SNE-RF模型实现可溶性固形物(R2=0.860)的高精度预测。研究表明：低温储存阶段μa下降与淀粉降解相关，μ's上升反映微结构变化；常温阶段两者呈现品种特异性波动。所构建模型为多品种土豆全周期品质监测提供理论支撑。

　　

肖圆基|王建宇|游杰|张芳|何雪明

南京财经大学食品科学与工程学院/现代粮食流通与安全协同创新中心/粮油质量控制与加工重点实验室，中国南京210023

摘要

马铃薯块茎在冷藏至常温储存过程中的糖分含量动态变化对质量监测工作构成了重大挑战。本研究考察了三种彩色马铃薯品种在联合储存条件（4°C储存28天，随后25°C储存24天）下的质量动态变化。利用双积分球（DIS）系统，测量了400–1700纳米范围内的吸收系数（μ_a）和减少散射系数（μ'_s），系统分析了核心质量指标（水分、淀粉、可溶性固形物含量（SSC）和硬度）的动态变化。采用多种光谱预处理技术、降维方法和机器学习算法构建了动态预测模型。研究结果表明：在低温储存期间，淀粉降解导致μ_a下降，而μ'_s因微观结构变化而上升；在常温储存期间，这两个参数均表现出品种特异性波动。通过针对每个质量指标调整光学参数、光谱范围和算法，开发出了最优预测模型。对于水分，Savitzky-Golay平滑（SGS）结合标准正态变量（SNV）预处理，以及基于μ_a（1100–1670纳米）的主成分分析（PCA）-偏最小二乘回归（PLSR）模型表现最佳，预测决定系数（R^{2p）为0.931，预测均方根误差（RMSEP）为0.447%，相对预测偏差（RPD）为3.819%。对于淀粉，SGS结合乘法散射校正（MSC）预处理和基于μ_a（1100–1670纳米）的竞争自适应重采样（CARS）-反向传播神经网络（BPNN）模型取得了最佳结果（R2p = 0.879，RMSEP = 2.207%，RPD = 2.888）。对于SSC，SGS + SNV预处理结合t分布随机邻域嵌入（t-SNE）-随机森林（RF）模型基于μ_a（1100–1670纳米）提供了准确的预测（R2p = 0.860，RMSEP = 0.124°Brix，RPD = 2.681）。对于硬度，SGS + SNV预处理结合CARS-BPNN模型基于μ'_s（1100–1670纳米）最为有效（R2p = 0.841，RMSEP = 0.271 N，RPD = 2.519）。总之，光学性质（μ_a和μ'_s能够有效反映马铃薯在储存过程中的化学和物理变化。结合化学计量学方法，这些性质使得在交替冷藏和常温储存的复杂动态过程中能够快速、无损地动态检测多品种彩色马铃薯的质量。}

引言

马铃薯（Solanum tuberosum L.）作为世界第四大重要粮食作物，富含碳水化合物、维生素和矿物质（Park & Yoon, 2018）。它是加工产品（如薯片和土豆泥）的关键原料（Li, Fu, & Li, 2024），其质量直接取决于原始块茎的属性。采后储存是一个关键环节，显著影响马铃薯的化学组成、硬度和其他质量指标。其中，冷藏引起的“低温甜化”是一个特别突出的挑战。Farhadi等人（2020）的比较研究表明，在7°C和10–15°C下储存四个月后，马铃薯的淀粉和水分含量均有所下降，且低温储存组的淀粉降解更为明显。同样，Sanchez等人（2020）研究了不同温度下的红薯储存情况，发现5°C和15°C下21天内水分含量持续增加，而在30°C下相对稳定。此外，在所有三种储存温度下，可溶性固形物含量（SSC）均显著增加，且低温储存下的增加幅度更大。在加工前，通常将冷藏马铃薯转移到常温下进行恢复处理，以减轻高还原糖水平导致的褐变反应和风味劣化（Narwojsz et al., 2020）。然而，过度延长的恢复处理可能导致水分损失、质地软化、发芽和变质（Liu, Kawochar, et al., 2023; Stevens et al., 2021）。

光学无损检测技术因其高效性和非侵入性而在农产品质量评估中得到广泛应用。He等人（2023）利用近红外（NIR）高光谱成像技术同时快速评估了红薯的水分、灰分和蛋白质含量，预测的相关系数分别为0.984、0.905和0.935。Kasampalis等人（2021）使用高光谱反射率评估了5°C储存的马铃薯的新鲜度并区分了品种。Shao等人（2020）应用可见光-NIR高光谱成像预测了两种红薯品种的SSC。Wang, Wang, Mujumdar等人（2021）使用高光谱成像预测了马铃薯的淀粉含量并可视化了其分布。He, Wang等人（2022）通过NIR反射光谱技术预测了马铃薯中的还原糖含量。大多数马铃薯质量检测的光学技术仍依赖于反射率和/或透射率属性，其中高光谱成像是主要方法。然而，该技术具有硬件成本高、仪器体积大以及难以有效分析和利用生成的多维数据中的丰富信息等缺点（Sun et al., 2024）。相比之下，可见光-NIR光谱技术结构更简单，适用范围更广，为这类测量需求提供了更灵活的解决方案，同时支持反射率和透射率等多种检测模式（Rahman et al., 2025）。虽然透射光谱技术可以探测内部质量，但其应用受到光源强度要求高和难以穿透较厚产品的限制（Tan et al., 2022）。基于Lambert-Beer定律的反射光谱技术通过化学计量学将光谱测量的表面衰减与化学浓度相关联来建立校准模型（Fodor et al., 2024）。这种方法假设吸收与光衰减以及漫反射衰减与吸收成分浓度之间存在线性关系。然而，高光谱成像和传统NIR光谱技术都存在固有局限性，因为它们测量的是由吸收和散射共同作用产生的复合信号，无法独立解析化学成分和物理结构的贡献（Lu et al., 2020）。这一局限性特别妨碍了对涉及化学和结构同时演变过程的深入理解，例如马铃薯储存。为了进一步探索不同马铃薯品种在复杂储存条件下的质量演变机制，本研究引入了双积分球（DIS）技术。其核心优势在于同步获取总透射和漫反射信号，从而分别量化吸收系数（μ_a）和减少散射系数（μ'_s），并将它们与样品的内部化学组成和微观结构相关联（Fang et al., 2020; Paul et al., 2015）。该方法直接提取样品的内在光学性质，突破了传统光谱技术仅提供经验复合信号的局限，为动态监测复杂系统中的质量变化提供了更具物理解释性的方法。

目前，积分球技术已广泛应用于农产品储存期间的质量监测。具体而言，He等人（2016）基于自动积分球系统研究了室温储存24天的梨的μ_a/μ'_s与SSC/硬度之间的关系。Wei等人（2020）使用自动化积分球系统比较分析了25°C和0°C储存的苹果的μ_a、μ'_s和糖分的演变。他们的发现表明，在这两种条件下，μ_a和μ'_s随储存时间下降，这与SSC的减少相关。Cheng等人（2022）应用单积分球技术比较了四种猕猴桃品种在储存期间的果肉和果皮的光学性质。Hu等人（2024）利用单积分球实现了2–4°C储存的苹果的μ_a/μ'_s与SSC和硬度的动态相关性和预测建模。Xiao等人（2024）使用DIS系统分析了25°C储存期间黄色马铃薯内部质量变化对光学性质的影响。尽管已有大量研究，但目前的研究主要集中在常见水果和蔬菜类别上。尚未系统研究多品种马铃薯在波动储存条件下的光学性质演变模式和关键质量参数的动态监测，特别是在低温储存期间。因此，本研究旨在探讨不同马铃薯品种在联合储存条件下的光学性质和理化性质的动态变化和差异。通过利用DIS技术获取的光学参数（μ_a、μ'_s），我们构建了关键质量指标（淀粉、SSC、水分和硬度）的定量预测模型。这项工作为马铃薯在交替冷藏和常温储存过程中的质量检测提供了理论基础。

样本制备

本研究使用的马铃薯样本来自中国云南世贤生农业科技有限公司。样品包括三个品种：‘‘Heijingang’（HJG，紫色果肉）、‘‘Hongmeiren’（HMR，红色果肉）和‘‘Qingshu No. 9’（QS9，黄色果肉）。从每个品种中选取了60个块茎，要求其成熟度和大小均匀，且无机械损伤、虫害、病害、发芽、绿变和表皮裂纹。选取的块茎在流动水中冲洗后...

储存过程中马铃薯质量的变化

如图2A所示，所有三种马铃薯品种的水分含量在储存过程中均呈下降趋势，这与以往研究结果一致（Farhadi et al., 2020; Xiao et al., 2024）。具体来说，在低温储存阶段（4°C），‘‘HJG’、‘‘HMR’和‘‘QS9’的水分损失分别为第7天到第28天的3.38%、0.98%和1.87%。在随后的常温储存阶段，水分含量分别下降了2.72%、3.14%和3.73%

结论

本研究系统研究了三种彩色马铃薯品种在包括交替冷藏和常温储存阶段的联合储存条件下的质量属性和光学性质的动态变化。使用双积分球系统有效获取了400–1700纳米范围内的μ_a和μ'_s。结果表明，μ_a和μ'_s是敏感的指标，能够密切反映...

CRediT作者贡献声明

肖圆基：撰写——原始草稿、方法学、数据管理。王建宇：可视化、研究。游杰：撰写——原始草稿、方法学、研究、数据管理。张芳：资源获取、正式分析。何雪明：撰写——审稿与编辑、验证、资源管理、项目协调、方法学、资金申请、正式分析、数据管理、概念化。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

作者感谢中国国家自然科学基金（32101618）、江苏省高等教育机构自然科学基金（25KJB550007）、江苏省重点研发计划（BE2023347）以及江苏省高等教育机构优先学术计划发展项目（PAPD）的支持。