Leave-One-Day-Out Cross-Validation of NIR-PLSR Models for Simultaneous Prediction of Eight Banana Quality Attributes during 12-Day Storage

Bananen zijn een studie in tegenstrijdigheden. Ze arriveren op de markt hard, groen en zetmeelrijk, maar ze bezitten een interne klok die hen drijft om zachter, zoeter en uiteindelijk te rotten. Deze transformatie is niet louter een verandering in uiterlijk; het is een complex biochemisch evenement waarbij opgeslagen zetmeel afbreekt in suikers, celwanden oplossen en de zuurgraad verschuift. Voor boeren en retailers is het essentieel om precies te weten waar een banaan zich op deze tijdlijn bevindt. Als een vrucht te vroeg wordt geplukt, rijpt deze nooit goed; als zij te laat wordt geplukt, bederft zij voordat zij de consument bereikt. Traditioneel is de enige manier om de interne staat van een banaan te kennen het opensnijden, het vlees pletten en het door chemische tests laten lopen. Deze methode vernietigt de vrucht, waardoor het onmogelijk is om dezelfde banaan dag na dag tijdens het rijpen te volgen.

Om dit op te lossen, hebben wetenschappers zich tot licht gewend. Nabij-infrarood spectroscopie is een techniek die onzichtbaar licht gebruikt om in de vrucht te kijken zonder deze aan te raken. Wanneer dit licht een banaan raakt, kaatst het terug in een patroon dat verandert afhankelijk van wat er binnenin zit—hoeveel water aanwezig is, hoeveel suiker er is gevormd en hoe stevig het weefsel blijft. Door deze lichtpatronen te analyseren, hopen onderzoekers een model te bouwen dat de kwaliteit van de vrucht direct en niet-destructief kan voorspellen. Het bouwen van een dergelijk model is echter lastig omdat bananen snel veranderen. Een banaan van gisteren ziet er heel anders uit dan die van morgen, en een model dat getraind is op een mix van dagen, kan leren om de datum te herkennen in plaats van de vrucht zelf.

Een team onderzoekers van de Xi'an Jiaotong Universiteit en het China National Research Center for Food Safety Inspection and Testing zette zich af met een rigoureuze aanpak om dit idee te testen. Ze verzamelden tweeënzeventig bananen en bewaarden deze in een gecontroleerde omgeving met een constante temperatuur en luchtvochtigheid gedurende twaalf dagen. Elke dag maten ze dezelfde vrucht met een nabij-infrarood spectrometer, die de lichtreflectie vastlegt, en vernietigden ze vervolgens onmiddellijk die specifieke vrucht om de werkelijke chemische inhoud te meten. Ze volgden acht verschillende kwaliteiten: drie soorten suiker (fructose, glucose en sucrose), zetmeel, totale oplosbare vaste stoffen (een maat voor zoetheid en opgeloste materie), stevigheid, pH en zuurgraad.

De onderzoekers werden geconfronteerd met een specifieke uitdaging in de manier waarop zij hun voorspellingen testten. In veel studies mengen wetenschappers al hun gegevens en splitsen deze willekeurig op in trainings- en testgroepen. Deze methode geeft vaak te optimistische resultaten omdat het model kan leren van monsters die bijna identiek zijn aan de monsters die het moet voorspellen. Om dit te vermijden, gebruikten het team een methode genaamd 'leave-one-day-out' kruisvalidatie. Stel je een model voor dat getraind is op gegevens van elf dagen opslag en vervolgens wordt gevraagd de kwaliteit van de vrucht op de twaalfde dag te voorspellen, een dag die het nog nooit heeft gezien. Ze herhaalden dit proces door elke van de twaalf dagen om de beurt weg te laten, om te zien of het model werkelijk kon generaliseren naar nieuwe, ongeziene tijdsperioden.

De resultaten onthulden een duidelijke scheiding tussen wat het licht kon zien en wat het niet kon. Het model was opmerkelijk succesvol bij het voorspellen van de attributen die het meest dramatisch veranderen tijdens het rijpen. Het kon de niveaus van glucose en totale oplosbare vaste stoffen accuraat voorspellen, met een prestatie die zo sterk was dat het tussen hoge en lage waarden met grote precisie kon onderscheiden. Het presteerde ook goed voor fructose, zetmeel en de stevigheid van de vrucht. Dit zijn de kwaliteiten die de overgang definiëren van een harde, zetmeelrijke groene banaan naar een zachte, zoete gele banaan. De lichtpatronen legden de enorme verschuiving in suikergehalte en de afbraak van de structuur van de vrucht met hoge betrouwbaarheid vast.

Het model had echter moeite met de subtielere veranderingen. Het kon slechts grove schattingen geven voor sucrose, de specifieke suiker die vaak piekt in het midden van het rijpingsproces, en het slaagde er niet in om de zuurgraad en pH-waarde van de vrucht met enige bruikbare nauwkeurigheid te voorspellen. De onderzoekers kwamen tot de conclusie dat de veranderingen in de zuurgraad simpelweg te klein en te ruizig waren voor de lichtsensoren om te detecteren tegen de achtergrond van de andere eigenschappen van de vrucht. Dit suggereert dat hoewel licht uitstekend is voor het volgen van de grote structurele en suikerveranderingen, het nog niet gevoelig genoeg is om de fijne chemische verschuivingen in de smaak te meten.

Een belangrijke bevinding van de studie was dat de manier waarop de gegevens worden getest belangrijker is dan de technologie zelf. Toen de onderzoekers hun strikte "leave-one-day-out"-methode vergeleken met de standaard willekeurige splitsingsmethode, ontdekten zij dat de willekeurige methode de modellen in de werkelijkheid aanzienlijk te positief beoordeelde. De willekeurige methode liet de modellen beter lijken dan ze in werkelijkheid waren, omdat het model toegang kreeg tot vergelijkbare gegevens van andere dagen. De strikte tijdgebaseerde test liet zien dat hoewel de modellen veelbelovend zijn, ze niet perfect zijn, en dat hun vermogen om de toekomst te voorspellen sterk afhangt van hoe ze worden gevalideerd.

Om de technologie praktischer te maken, onderzocht het team ook of ze de sensoren konden vereenvoudigen. In plaats van het volledige bereik van lichtgolflengten te gebruiken, identificeerden zij specifieke lichtbanden die de belangrijkste informatie bevatten. Zij ontdekten dat door zich alleen te concentreren op deze cruciale golflengten, zij de complexiteit van het systeem met meer dan de helft konden verminderen zonder veel aan voorspellende kracht te verliezen. Dit betekent dat in de toekomst een eenvoudig, goedkoop apparaat dat slechts een paar specifieke kleuren licht gebruikt, potentieel ingezet kan worden om bananen op een lopende band te sorteren, waarbij werknemers precies vertellen welke vruchten klaar zijn om te eten en welke meer tijd nodig hebben, allemaal zonder ook maar één vrucht open te snijden.

De studie concludeert dat hoewel nabij-infrarood licht een krachtig instrument is voor het monitoren van het rijpen van bananen, het geen toverstaf is die elk probleem oplost. Het blinkt uit in het volgen van de grote veranderingen in suiker en textuur, maar heeft beperkingen als het gaat om de zuurgraad. Het onderzoek dient ook als een waarschuwing voor de wetenschappelijke gemeenschap: wanneer je zaken bestudeert die veranderen over de tijd, zoals het rijpen van fruit, kun je niet vertrouwen op willekeurige testmethoden. Je moet je modellen testen tegen de toekomst die ze bedoeld zijn te voorspellen. Door dit te doen, hebben de onderzoekers een realistisch stappenplan geboden voor de ontwikkeling van niet-destructieve hulpmiddelen die kunnen helpen bij het verminderen van voedselverspilling en het waarborgen dat de bananen die wij eten op hun hoogtepunt zijn.