Valutazione della qualità non distruttiva e classificazione della maturità delle nespole basata sull'imaging iperspettrale

Aug 10, 2023

Rapporti scientifici volume 13, numero articolo: 13189 (2023) Citare questo articolo

140 accessi

Dettagli sulle metriche

Il metodo tradizionale per valutare la qualità e la maturità delle nespole presenta svantaggi come il campionamento distruttivo e richiede molto tempo. In questo studio, la tecnologia di imaging iperspettrale è stata utilizzata per prevedere e visualizzare in modo non distruttivo il colore, la consistenza e il contenuto di solidi solubili (SSC) delle nespole e per discriminare la maturità. Confrontando le prestazioni dei diversi metodi di selezione delle variabili delle caratteristiche e dei modelli di calibrazione, i risultati hanno indicato che i modelli di regressione lineare multipla (MLR) combinati con l'algoritmo di riponderazione adattiva competitiva (CARS) hanno prodotto le migliori prestazioni di previsione per la qualità del nespolo. In particolare, sono stati ottenuti modelli CARS-MLR con prestazioni di previsione ottimali per il colore (R2P = 0,96, RMSEP = 0,45, RPD = 5,38), fermezza (R2P = 0,87, RMSEP = 0,23, RPD = 2,81) e SSC (R2P = 0,84 , RMSEP = 0,51, RPD = 2,54). Successivamente, sono state ottenute mappe di distribuzione del colore, della consistenza e dell'SSC delle nespole sulla base dei modelli CARS-MLR ottimali combinati con la tecnologia dello pseudo-colore. Infine, confrontando diversi modelli di classificazione per la maturità del nespolo, il modello di analisi della discriminazione parziale dei minimi quadrati ha dimostrato le prestazioni migliori, con accuratezze di classificazione del 98,19% e del 97,99% rispettivamente per i set di calibrazione e di previsione. Questo studio ha dimostrato che la tecnica di imaging iperspettrale è promettente per la valutazione della qualità del nespolo e la classificazione della maturità.

Il nespolo (Eriobotrya japonica Lindl.) è un albero da frutto sempreverde della famiglia delle Rosaceae e il suo frutto viene utilizzato come medicinale e alimento a duplice scopo e viene coltivato in Cina da più di 2000 anni1. Viene utilizzato per pulire la faringe, inumidire i polmoni, alleviare la tosse e abbassare il catarro2. Il modello di maturazione delle nespole è simile a quello dei frutti Climaterici. Se raccolto molto presto avrà polpa dura e sapore insipido. Poiché le nespole hanno un metabolismo fisiologico post-raccolta attivo, sono suscettibili alla perdita di acqua e sostanze nutritive e marciscono se raccolte tardi3,4. La qualità del frutto ha un impatto diretto sul suo valore commerciale. Colore, consistenza e contenuto di solidi solubili (SSC) sono caratteristiche importanti delle nespole e sono parametri chiave per valutarne il gusto e la maturità5. Pertanto, il rilevamento delle nespole post-raccolta è fondamentale.

Tuttavia, i metodi di determinazione tradizionali presentano lo svantaggio del campionamento distruttivo e non sono adatti per il rilevamento online. Negli ultimi anni, le tecniche di imaging iperspettrale (HSI), che combinano informazioni di immagini bidimensionali con informazioni spettrali unidimensionali, sono state ampiamente utilizzate per valutare la qualità e la maturità dei frutti. L'HSI è stato utilizzato per determinare molteplici indicatori (SSC, consistenza, ecc.) di frutta, tra cui prugne6, ciliegie7, pere8, pesche9 e meloni10. Sono stati condotti studi approfonditi per prevedere la qualità e la maturazione dei frutti. Wei et al.11 hanno utilizzato l'HSI per classificare la maturazione e prevedere la consistenza dei cachi. Munera et al.12 hanno utilizzato l'indice di qualità interna e maturità per valutare gli attributi fisico-chimici interni e la percezione sensoriale delle nettarine "Big Top" e "Magique". Il rapporto tra i solidi solubili totali (TSS) e l'acidità titolabile (TA) è stato utilizzato come indice di maturazione dell'ananas per analizzare gli effetti della spettroscopia nel vicino infrarosso a lunghezza d'onda corta di trasmittanza e dell'imaging iperspettrale nel vicino infrarosso di riflettanza sulla previsione della maturazione dell'ananas utilizzando il metodo stessa procedura e modello, rispettivamente13. Benelli et al.14 hanno studiato il potenziale dell'utilizzo dell'HSI direttamente sul campo attraverso misurazioni prossimali in condizioni di luce naturale per prevedere il momento della raccolta dell'uva rossa 'Sangiovese'. Hanno diviso i campioni di uva in due classi in base al valore di riferimento della SSC e hanno stabilito modelli rispettivamente per prevedere la SSC e riconoscere gli stadi di maturazione. Zhang et al.15 hanno combinato l'HSI con la Support Vector Machine (SVM) per valutare la maturazione delle fragole. I risultati hanno indicato che il modello SVM ha ottenuto i risultati migliori, con una precisione di classificazione superiore all’85%.