电子鼻对低温贮藏猕猴桃品质的预测

宋小青，任亚梅*，张艳宜，李 莹，彭国勇，马 婷

（西北农林科技大学食品科学与工程学院，陕西 杨凌 712100）

摘 要：为了探索电子鼻技术快速检测猕猴桃品质的方法，以“秦美”猕猴桃为试材，利用电子鼻技术对低温贮藏猕猴桃的芳香成分进行检测，采用多元线性回归（multiple linear regression，MLR）、偏最小二乘法（partial least-squares regressions，PLS）、BP（back-propagation）网络3 种分析方法建立评价低温贮藏期猕猴桃的可溶性固形物含量、pH值和硬度的数学模型。结果表明：在贮藏0～45 d，S1、S2、S3、S4、S7、S8、S9和S10传感器响应值变化显著（P＜0.05），即芳香苯类、氮氧化物、氨类、氢气、硫化氢、乙醇、有机硫化物、芳香烷烃这几类化合物在猕猴桃低温贮藏期变化显著。同时线性判别分析比主成分分析能更好地区分不同贮藏期的猕猴桃。MLR、PLS和BP网络3 种分析方法都能很好地预测低温贮藏猕猴桃的品质，但相比之下，BP网络的分析精度更高。应用电子鼻技术预测猕猴桃的品质是可行的。

关键词：猕猴桃；电子鼻；可溶性固形物；硬度；pH值

Prediction of Kiwifruit Quality during Cold Storage by Electronic Nose

SONG Xiao-qing, REN Ya-mei*, ZHANG Yan-yi, LI Ying, PENG Guo-yong, MA Ting

(College of Food Science and Engineering, Northwest A & F University, Yangling 712100, China)

Abstract: In order to explore the applicability of electronic nose technique for rapid and non-destructive evaluation of kiwifruit quality, the volatile compounds of “Qinmei” kiwifruit during cold storage were studied by electronic nose. Multiple linear regression (MLR), partial least-squares regression (PLS) and back-propagation (BP) network were applied to predict the firmness, soluble solid content (SSC) and pH of kiwifruit based on the signal of electronic nose. The results showed that the response values of sensors S1, S2, S3, S4, S7, S8, S9 and S10 were relatively high and changed significantly during 45 days of storage (P ＜ 0.05). In addition, aromatic benzene, nitrogen oxide, ammonia, hydrogen, hydrogen sulfide, ethanol, organic sulphur compounds and aromatic alkane also exhibited a significant change during cold storage. Linear discriminant analysis was able to better distinguish among different storage periods of kiwifruit than principal component analysis. PLS, MLR and BP network were able to predict the firmness, soluble solid content and pH of kiwifruit during cold storage. However, BP network led to more precise predictions than PLS and MLR. The results indicate that it is possible to use this non-destructive technique for measuring quality characteristics of kiwifruit, and electronic nose technique provides a method for rapid and non-destructive evaluation of kiwifruit quality.

Key words: kiwifruit; electronic nose; solid soluble content; firmness; pH

中图分类号：TS255 文献标志码：A 文章编号：1002-6630（2014）20-0230-06

doi:10.7506/spkx1002-6630-201420046

近年来，随着国际市场的全球化，人们对水果品质要求也越来越高，而贮藏水果质量的好坏决定了市场分布和消费者的喜好程度，所以对贮藏期的水果品质进行检测及控制就显得相当重要。目前水果品质检测技术的研究得到了不断发展，但它们绝大多数采用的是有损检测。

电子鼻技术是一种集分析、识别、检测复杂挥发性成分功能于一体的新型仪器，具有检测速度快、操作简单、灵敏度高、重现性好等特点[1]。近年来，电子鼻无损检测技术在水果检测中得到了探索与利用。电子鼻对水果无损检测的研究主要集中在电子鼻对柑橘、桃、苹果、梨等水果贮藏和货架品质的检测[2-10]、最佳收获期的预测[11]、水果成熟度的检测[12-15]以及对水果中滋生的微生物的种类和含量的检测[16-17]等方面。Saevels等[11]研究了利用电子鼻来预测苹果的最佳收获期，Saevel等[18]还研究了利用电子鼻和气谱-质谱相结合来检测贮藏期的苹果质量。Brezmes等[19]发现电子鼻能很好地区分不同成熟度的桃和梨，正确率在92%以上。朱娜等[20]发现通过电子鼻的检测及多元统计分析，所建判别模型可以准确区分不同霉菌早期感染的草莓果实。Brezmes等[21]还发现电子鼻传感器的信号与水果的硬度、淀粉含量、酸度品质指标有很好的相关性。但关于电子鼻对猕猴桃品质检测的研究还未见报道。因此本实验以采前经过膨大剂处理的“秦美”猕猴桃为试材，利用电子鼻技术检测猕猴桃在低温贮藏期间芳香成分的变化，采用偏最小二乘（partial least-squares regressions，PLS）法、多元线性回归（multiple linear regression，MLR）和BP网络3种分析方法建立评价猕猴桃可溶性固形物含量（soluble solids content，SSC）、硬度、pH值质量指标的数学模型，以实现对低温贮藏猕猴桃品质的预测。

1 材料与方法

1.1 试材

供试样品为“秦美”猕猴桃，在幼果谢花后10～20 d的细胞分裂期，用1.4%“大果灵”药液喷洒果面。猕猴桃于2012年9月23日采自陕西省杨凌区管理良好的果园，果实SSC为6%～7%。当天运回实验室，选择成熟度一致、大小均匀、无病虫害及机械损伤的果实为试材。将果实用0.03 mm厚聚乙烯袋密封包装放入纸箱中，贮藏于（0±1）℃，相对湿度为85%～90%的冷库中。在贮藏的0、15、30、45 d，将30 个猕猴桃从冷库中取出，在20 ℃的室温放置12 h，用于电子鼻和SSC、硬度、pH值等指标的测定。

1.2 仪器与设备

德国Airsense公司PEN3型便携式电子鼻。它是一种由一组复合化学传感器和识别软件组成的分析仪器，其硬件结构主要包括传感器阵列、采样及清洗通道、数据采集系统及计算机。PEN3电子鼻包含S1（W1C芳香苯类）、S2（W5S 氮氧化物）、S3（W3C氨类）、S4（W6S氢气）、S5（W5C 烷烃）、S6（W1S甲烷）、S7（W1W硫化氢）、S8（W2S 乙醇）、S9（W2W 有机硫化物)）和S10（W3S 芳香烷烃）10 个金属氧化物传感器阵列。SI～S10表示为10 个传感器的响应信号强度。

1.3 方法

1.3.1 电子鼻测定

将猕猴桃放置于500 mL烧杯，用封口膜封口，于（20± 0.5）℃静置30 min后测定电子鼻数据。挥发性气体以300 mL/min流速通过采集管吸到电子鼻的传感器通道里，使传感器响应值发生改变，然后排除。结束一次检测后进行清零和标准化，再进行第2轮顶空采样。多次预备实验确定电子鼻的检测从40 s左右开始趋于稳定，为了保证数据稳定性和准确度，本实验检测时间设定为80 s，特征值提取时间点为60 s，有利于减小选定时间点造成的误差，清洗时间设置为300 s，可以基本使传感器响应恢复到初始状态。

1.3.2 理化品质指标的测定

SSC测定：采用WYT-4型手持糖量仪；硬度测定：采用TA-XTplus型质构分析仪测定。测试选用直径5.0 mm的圆柱探头（p/5），测前速率1.0 mm/s，测试速率1.0 mm/s，测后速率1.0 mm/s，插入深度10.0 mm。测量时在猕猴桃的赤道部位相隔120°选取3 个测量点，取3 个测量点的平均值作为水果的硬度值，单位记为N；pH值测定：PHS-3C精密pH计。

每个果实的SSC、pH值和硬度测定3 次，取其平均值，得到与样本的电子鼻数据相对应的SSC、pH值和硬度数据。

1.4 数据处理

实验结果由SPSS.v 19.0和MATLAB R2010a软件对数据进行主成分分析（principal component analysis，PCA）和线性判别分析（linear discriminant analysis，LDA）所得，并用PLS、MLR和BP网络进行指标预测。从4 个贮藏期的猕猴桃数据中分别随机抽取20 个共80 个猕猴桃作为训练集用于建立模型，剩余的40 组作为测试集用于对所建模型进行测试。以模型的决定系数（R2）、校正均方根误差（root mean square error of calibration，RMSEC）和预测均方根误差（root mean square error of prediction，RMSEP）作为评价模型性能的指标。R2越高，RMSEC和RMSEP越小，模型效果越好。RMSEC和RMSEP定义如下：

（1）

式中：

和yi分别为校正集和预测集中第i个样品的预测值和测量值。

2 结果与分析

2.1 猕猴桃在低温贮藏过程中品质指标的变化

不同小写字母表示差异显著（P＜0.05）。下同。

图 1 猕猴桃贮藏期间SSC（A）、硬度（B）和pH值（C）的变化

Fig.1 Changes in SSC, firmness and pH of kiwifruit during cold storage

由图1A可见，猕猴桃果实在贮藏的0～45 d，SSC增加比较缓慢，从8.2%增加到12.3%，增加了50%。由图1B可见，随着贮藏时间的延长，硬度逐渐降低，从37.97 N下降到6.80 N，下降了82.10%。猕猴桃在贮藏0～30 d，硬度显著下降；在贮藏30～45 d，硬度下降缓慢。由图1C可见，在整个贮藏过程中，pH值增加显著，从3.10增加到3.59，增加了15.81%。

2.2 电子鼻对猕猴桃芳香特征的响应

S1.芳香苯类；S2.氮氧化物；S3.氨类；S4.氢气；S5.烷烃；S6.甲烷；S7.硫化氢；S8.乙醇；S9.有机硫化物；S10.芳香烷烃；同一个传感器中带有相同字母表示差异不显著（P＜0.05）。下同。

图 2 电子鼻传感器对猕猴桃芳香物的响应图

Fig.2 Response curves of sensor arrays for kiwifruit aroma

对每批30 个猕猴桃进行电子鼻检测，获得电子鼻10 个传感器的响应图（图2）。图中每一条曲线代表着一个传感器，曲线上的点代表着猕猴桃的芳香成分通过传感器通道时，相对电阻率（G/G0）随检测时间的变化情况。由图2可见，电阻比刚开始时较低，随着挥发物在传感器表面富集，传感器电阻比不断增大，最后趋于平缓，达到一个稳定的状态。另外，传感器S2（氮氧化物）、S7（硫化氢）、S9（有机硫化物）较其他传感器有更高的相对电阻率值。通过电子鼻传感器对猕猴桃芳香特征的响应试验，可得出电子鼻对猕猴桃的芳香气味有明显的响应，并且每一个传感器对猕猴桃的响应各不相同，表明利用电子鼻PEN3系统预测猕猴桃低温贮藏期的品质是有可能的。

2.3 猕猴桃在低温贮藏过程中传感器响应值的变化

图 3 猕猴桃在低温贮藏过程中传感器响应值变化的分析图

Fig.3 Change in sensor array responses to kiwifruit during cold storage

电子鼻传感器对低温贮藏猕猴桃芳香气味响应值的变化如图3所示。可见，在贮藏0～45 d，传感器S1、S2、S3、S4、S7、S8、S9、S10响应值变化均显著（P＜0.05），即芳香苯类、氮氧化物、氨类、氢气、硫化氢、乙醇、有机硫化物、芳香烷烃这几类化合物在猕猴桃低温贮藏期变化显著。据报道，猕猴桃果实的特征香气成分主要有苯甲酸甲酯、苯甲酸乙酯、2-己烯醇等[22]，传感器S1（芳香苯类）、S8（乙醇）在整个贮藏过程中响应值变化显著，这与猕猴桃的特征香气成分一致。在贮藏45 d，传感器S2、S4、S7、S10的响应值显著高于其他贮藏时间（P＜0.05），说明该阶段氮氧化物、氢气、硫化氢、芳香烷烃的含量较丰富，此阶段大部分醇类和醛类物质的增加会严重破坏猕猴桃香气的整体感官质量，影响猕猴桃的鲜食品质[23]。由图3可见，传感器响应值的变化不规律，这与猕猴桃品质的变化趋势不一致，但前人[24-26]研究表明电子鼻传感器的信号与水果的硬度、SSC、酸度品质指标有很好的相关性，因此利用电子鼻预测低温贮藏猕猴桃的品质是有可能的。

2.4 猕猴桃在低温贮藏过程中的PCA和LDA分析

选择响应值变化显著的传感器S1、S2、S3、S4、S7、S8、S9和S10进行LDA和PCA分析，结果如图4所示。从图4A可见，4 个贮藏期的猕猴桃分布比较集中，第0、30、45天区域有部分重叠，不同贮藏时间的猕猴桃没能完全区分开，说明PCA不能很好地预测不同贮藏时间的猕猴桃。由图4B可见，判别式LD1和判别式LD2的贡献率分别为61.80%和30.10%，总贡献率为91.90%，能很好地区分不同贮藏时间的猕猴桃。第0、15、30天沿着LD1的正方向依次出现，第45天则沿着LD2正方向和LD1的逆方向出现，完全不同于其他贮藏时间，说明贮藏第45天猕猴桃的芳香成分与其他贮藏时间的不一样，这与图3的结果相一致。图4B可见，猕猴桃的芳香速率变化呈波浪形。从第0～15天速率变化较大，但从第15～30天的过程中速率变化（距离）明显变小，而从第30～45天的速率变化又加快，这种变化可能与猕猴桃的呼吸强度有关。由此可得出，LDA比PCA能更好地区分不同贮藏时间的猕猴桃。

图 4 贮藏期猕猴桃电子鼻检测的PCA（A）和LDA（B）分析图

Fig.4 PCA (A) and LDA (B) plots of kiwifruit during cold storage by electronic nose

2.5 PLS方法

将10 个传感器对猕猴桃60 s的响应信号作为自变量，糖度、硬度、pH值作为因变量。从4 个贮藏期的猕猴桃数据中分别随机抽取20 组数据共80 组作为训练集用于建立模型，剩余的40 组作为测试集用于对所建模型进行测试。

建立的传感器信号与猕猴桃品质指标之间的回归模型如下：

SSC＝8.53×S1＋1.05×S2＋3.47×S3－2.08×S4－2.02×S5－0.15×S6＋0.61×S7＋4.91×S8－3.01×S9－0.24×S10－2.40 （2）

方程（2）的R2＝0.94，RMSEC＝0.36。

硬度＝103.07＋37.92×S1－2.21×S2－3.82×S3－50.25×S4－46.06×S5－3.60×S6＋0.59×S7＋1.97×S8－0.71×S9－14.52×S10 （3）

方程（3）的R2＝0.88，RMSEC＝2.18。

pH＝3.63＋0.54×S1＋0.03×S2－0.16×S3＋0.26×S4－0.41×S5－0.02×S6＋0.09×S7＋0.30×S8－0.54×S9－0.26×S10 （4）

方程（4）的R2＝0.88，RMSEC＝0.06。

为检验模型的可靠性，分别利用已建立的猕猴桃SSC、pH值和硬度的PLS数学模型对未知样品进行预测。表1为PLS方法对猕猴桃SSC、硬度、pH值质量参数的预测结果。表明采用PLS校正方法建立的模型具有较高的预测精度，其中对SSC的预测值与测量值的R2为0.88，RMSEP为0.62；对pH值的预测值与测量值的R2为0.85，RMSEP为0.08；对硬度的预测值与测量值的R2为0.87，RMSEP为2.58。测试集中预测值和测量值之间的拟和结果如图5所示。可知，测试集样品中SSC、硬度和pH值的预测值与测量值有很高的相关性。由此得出，PLS能很好地预测低温贮藏猕猴桃的品质。

表 1 基于电子鼻信号的PLS方法对猕猴桃质量参数的预测结果

Table 1 Results of prediction for kiwifruit quality indices based on the electronic nose signal by PLS

图 5 PLS模型对测试集样品的SSC（A）、硬度（B）和pH值（C）的预测值与测量值的拟和图

Fig.5 Correlation between measured and predicted values from PLS model for SSC (A), firmness (B) and pH (C) in test set

2.6 MLR方法

将10 个传感器对猕猴桃的响应信号作为自变量，猕猴桃的SSC、pH值、硬度分别作为因变量。电子鼻系统所测的120 组数据，80 组用于建立回归模型，40 组用于对所建模型进行预测。用逐步回归方法得到预测模型，在逐步回归过程中，如果自变量的显著水平大于0.0l，剔除该变量，即所引入模型中的变量要在0.01水平下显著。

传感器信号与猕猴桃SSC之间的回归模型如下：

SSC＝－2.12＋0.55S2＋8.48S5－10.71S6＋0.39S7＋16.55S8－2.72S9 （5）

方程（5）的显著性检验F值=341.50，显著性水平
P＜10－4，决定系数R2＝0.96，RMSEC＝0.28，DW＝2.27，各回归系数的偏相关系数的显著性水平均小于0.05，说明该模型有效。

传感器信号与猕猴桃硬度之间的多元线性逐步回归模型如下：

硬度＝87.35－49.81S4＋159.14S1－183.87S3 （6）

方程（6）的显著性检验F值=263.60，显著性水平
P＜10－4，决定系数R2＝0.91，RMSEC＝1.86，DW＝1.99，各回归系数的偏相关系数的显著性水平均小于0.05，说明该模型有效。

传感器信号与猕猴桃pH值之间的多元线性逐步回归模型如下：

pH＝3.79＋0.11S7＋0.22S8－0.63S9 （7）

方程（7）的显著性检验F＝196.45，显著性水平P＜10－4，决定系数R2＝0.89，RMSEC＝0.06，DW＝1.84，各回归系数的偏相关系数的显著性水平均小于0.05，说明该模型有效。

表 2 基于电子鼻信号的MLR方法对猕猴桃质量参数的预测结果

Table 2 Results of prediction for kiwifruit quality indices based on the electronic nose signal by MLR

图 6 MLR模型对测试集样品的SSC（A）、硬度（B）和pH值（C）的预测值与测量值的拟和图

Fig.6 Correlation between measured and predicted values from MLR model for SSC (A), firmness (B) and pH (C) in test set

MLR对猕猴桃品质的预测结果如表2所示。可见，测试集中SSC、硬度和pH值的预测值和测量值之间的R2分别为0.92、0.90、0.86，RMSEP分别为0.51、2.38、0.08。测试集中预测值和测量值之间的拟和结果如图6所示。可见，测试集样品中SSC、硬度和pH值的预测值与测量值有很高的相关性。总之采用MLR方法所建模型对猕猴桃品质参数具有很高的预测能力。

2.7 ANN方法

表 3 基于电子鼻信号的ANN方法对猕猴桃质量参数的预测结果

Table 3 Results of prediction for kiwifruit quality indices based on the electronic nose signal by ANN

将10 个传感器对猕猴桃的响应信号作为输入层，猕猴桃的SSC、pH值、硬度分别作为输出层。电子鼻系统所测的120 组数据，80 组作为训练集，40 组作为测试集。采用BP神经网络来进行测试。在网络学习的过程中，隐含层和输出层采用tan-sigmoid传输函数，BP算法的训练函数为trainglm。训练集和测试集代人BP网络进行模拟，硬度、SSC和pH值的预测值和测量值的关系如表3所示。训练集中SSC、硬度、pH值的预测值和测量值之间的R2分别为0.98、0.97、095，相应的RMSEC分别为0.22、1.16、0.04。测试集中SSC、硬度、pH值预测值和测量值之间的R2分别为0.93、0.90、0.90，相应的RMSEP分别为0.48、2.15、0.08。测试集中预测值和测量值之间的拟和结果如图7所示。可见，测试集样品的SSC、硬度和pH值的预测值与测量值的相关性较高。由此可见，BP网络对猕猴桃质量参数的预测精度较高。

以上分析可见，PLS、MLR和BP网络均能很好地预测猕猴桃的品质。通过比较训练集和测试集的预测值和测量值之间的R2和相应的RMSE值，可看出BP网络的分析精度高于MLR模型，MLR的预测能力优于PLS，这一结果与已有研究[24-25]的结果一致。同时，PLS、MLR、BP网络对SSC的预测结果优于对硬度和pH值的预测结果。BP网络对SSC、硬度、pH值所建立的预测模型的R2分别为0.93、0.90、0.90，这一结果优于于慧春等[26]通过BP网络模型预测桃子品质的结果。

图 7 BP模型对测试集样品的SSC（A）、硬度（B）和pH值（C）的预测值与测量值的拟和图

Fig.7 Correlation between measured and predicted values from BP model for SSC (A), firmness (B) and pH (C) in test set

3 结 论

利用电子鼻技术快速无损检测低温贮藏猕猴桃芳香气味的变化，建立评价猕猴桃的硬度、pH值和SSC指标的数学模型。结论如下：

猕猴桃在贮藏0～45 d，S1（芳香苯类）、S2（氮氧化物）、S3（氨类）、S4（氢气）、S7（硫化氢）、S8（乙醇）、S9（有机硫化物）、S10（芳香烷烃）传感器响应值变化显著。猕猴桃在贮藏45d，氮氧化物、氢气、硫化氢、芳香烷烃含量较丰富，显著高于其他贮藏时间（P＜0.05）。LDA比PCA分析方法能更好地识别不同贮藏时间的猕猴桃。采用PLS建立评价猕猴桃SSC、硬度、pH值的数学模型，其中测试集模型的R2分别为0.88、0.86、0.85，相应的RMSEP为0.62、2.58、0.08；采用MLR建立猕猴桃SSC、硬度、pH值与电子鼻信号之间关系的模型，其中测试集模型的R2分别为0.92、0.88、0.86，相应的RMSEP为0.51、2.38、0.08；BP网络的测试集SSC、硬度、pH值的预测值和测试值的R2为0.93、0.90、0.90，相应的RMSEP分别为0.48、2.15、0.08。可见BP网络预测能力高于MLR方法，MLR的分析精度优于PLS。利用定量分析方法建立水果质量指标与电子鼻信号之间的数学模型，并用于水果质量的预测是可行的。

参考文献：

[1] 陈利梅, 李德茂, 马淑凤. 不同生产日期山楂罐头的电子鼻检测研究[J]. 安徽农业科学, 2010, 38(9): 4792-4822.

[2] 惠国华, 吴玉玲, 陈裕泉. 基于电子鼻的香蕉储存时间鉴别方法研究[J]. 传感技术学报, 2012, 25(5): 566-569.

[3] 纪淑娟, 张丽萍, 卜庆状, 等. 基于电子鼻技术对冷藏后南果梨货架期间气味的变化分析[J]. 食品科学, 2012, 33(7): 123-126.

[4] RIZZOLO A, BIANCHI G, VANOLI M, et al. Electronic nose to detect volatile compound profile and quality changes in ‘spring Belle’ peach (Prunus persica L.) during cold storage in relation to fruit optical properties measured by time-resolved reflectance spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2013, 61(8): 1671-1685.

[5] ZHANG H, WANG J, YE S, et al. Application of electronic nose and statistical analysis to predict quality indices of peach[J]. Food Bioprocess Technology, 2009, 5(1): 65-72.

[6] 江琳琳, 潘磊庆, 屠康, 等. 基于电子鼻对水蜜桃货架期评价的研究[J]. 食品科学, 2010, 31(12): 229-232.

[7] 张晓华, 张东星, 刘远方, 等. 电子鼻对苹果货架期质量的评价[J]. 食品与发酵工业, 2007, 33(6): 20-23.

[8] 张丽萍. 基于电子鼻技术对冷藏后南果梨货架期间气味的变化分析[J]. 食品科学, 2012, 33(7): 123-126.

[9] 胡桂仙, 王俊, 海铮, 等. 不同储藏时间柑橘电子鼻检测研究[J]. 浙江农业学报, 2006, 18(6): 458-461.

[10] 高利萍, 王俊, 崔绍庆. 不同成熟度草莓鲜榨果汁的电子鼻和电子舌检测[J]. 浙江大学学报: 农业与生命科学版, 2012, 38(6): 715-724.

[11] SAEVELS S, LAMMERTYN J, BERNA A Z, et a1. Electronic nose as a non-destructive tool to evaluate the optimal harvest date of apples[J]. Postharvest Biology and Technology, 2003, 30(1): 3-14.

[12] GOMEZ A H, WANG J, HU G X, et a1. Electronic nose technique potential monitoring mandarin maturity[J]. Sensors and Actuators B, 2006, 113(1): 347-353.

[13] PATHANGE L P, MALLIKARJUNAN P, MARINI R P, et a1. Non-destructive evaluation of apple maturity using an electronic nose system[J]. Journal of Food Engineering, 2006, 77(4): 1018-1023.

[14] 胡桂仙, GOMEZ A H, 王俊, 等. 电子鼻无损检测柑橘成熟度的实验研究[J]. 食品与发酵工业, 2005, 31(8): 57-61.

[15] 周亦斌, 王俊. 基于电子鼻的番茄成熟度及贮藏时间评价的研究[J]. 农业工程学报, 2005, 21(4): 113-117.

[16] GOBBI E, FALASCONI M, CONCINA I, et al. Electronic nose and Alicyclobacillus spp. spoilage of fruit juices: an emerging diagnostic tool[J]. Food Control, 2010, 21(10): 1374-1382.

[17] KARLSHØJ K, NIELSEN P V, LARSEN T O. Prediction of Penicillium expansum spoilage and patulin concentration in apples used for apple juice production by electronic nose analysis[J]. Journal of Agricultural and Food Chemistry, 2007, 55(11): 4289-4298.

[18] SAEVELS S, LAMMERTYN J, BERNA A Z, et a1. An electronic nose and a mass spectrometry-based electronic nose for assessing apple quality during shelf life[J]. Postharvest Biology and Technology, 2004, 31(1): 9-19.

[19] BREZMES J, LLOBET E, VILANOVA X, et a1. Fruit ripeness monitoring using an electronic nose[J]. Sensors and Actuators B, 2000, 69(3): 223-229.

[20] 朱娜, 毛淑波, 潘磊庆, 等. 电子鼻对草莓采后贮藏早期霉菌感染的检测[J]. 农业工程学报, 2013, 29(5): 266-273.

[21] BREZMES J, LLOBET E, VILANOVA X, et al. Correlation between electronic nose signals and fruit quality indicators on shelf-life measurements with pinklady apples[J]. Sensors and Actuators B, 2001, 80(1): 41-50.

[22] YOUNG H, PATERSON V J. The effects of harvest maturity, ripeness and storage on kiwifruit aroma[J]. Journal of the Science of Food and Agriculture, 1985, 36(5): 352-358.

[23] 李德英. 1-MCP对猕猴桃冷藏过程中采后生理及香气的影响[D]. 西安: 陕西师范大学, 2008.

[24] ZHANG H, CHANG M, WANG J, et al. Evaluation of peach quality indices using an electronic nose by MLR, QPST and BP network e[J]. Sensor Actuators B, 2008, 134(1): 332-338.

[25] ZHANG H, WANG J, YE S. Predictions of acidity, soluble solids and firmness of pear using electronic nose technique[J]. Journal of Food Engineering, 2008, 86(3): 370-378.

[26] 于慧春, 张红梅, 李欣. 基于电子鼻技术桃子内部品质无损评定方法的研究[J]. 食品科技, 2009, 34(7): 226-231.