МЕТОД ОЦЕНКИ ЗРЕЛОСТИ ЯГОД БЕЗ ИХ РАЗРУШЕНИЯ

При промышленном производстве продукции садоводства необходимы инструментальные средства контроля физических свойств растений и элементов технологических приемов. Одним из важнейших показателей качественной уборки плодов и ягод является их зрелость. Проанализированы основные существующие методы оценки зрелости ягод в Российской Федерации и зарубежных странах. Установлено, что метод импедансной спектроскопии более предпочтителен при реализации портативного устройства для определения спелости ягод в полевых условиях. Проведены исследования по оценке зрелости ягоды черной смородины Алтайская поздняя и облепихи Алтайская. Объем выборки при сборе выбранных сортов ягод составил 1000 шт. для каждого сорта в соответствии с фазами созревания ягод. В качестве информативного параметра выбран коэффициент дисперсии поляризации ткани ягоды, определяемый как отношение модулей электрических импедансов, измеренных на двух частотах. Предложен метод оценки степени спелости ягод, заключающийся в построении и анализе годографа распределения коэффициента по равномерному ряду гармонических частот в диапазоне от 100 до 106 Гц. Результаты исследований показали, что оценка степени спелости ягод возможна через 1–2 нед после начала созревания. Незначительное различие в характере изменения коэффициента дисперсии поляризации ткани ягоды у ягод объясняется спецификой содержания и распада сахаров и кислот в облепихе и смородине. На основе предлагаемого метода оценки зрелости ягод могут быть созданы портативные средства, уменьшающие потери при механизированной уборке и хранении урожая.

1. Короткий И.А. Сибирская ягода. Физикохимические основы технологий низкотемпературного консервирования. – Кемерово, 2007. – 146 с.

2. Франчук Е.П. Товарные качества плодов. – М.: Агропромиздат, 1986. – 269.

3. Приказ Минздрава № 614 от 19.08.2016. – [Электронный ресурс]: URL: https://normativ.kontur.ru/document?moduleId=1&documentId=279426

4. Перспективы роста производства плодово-ягодной продукции (Новосибирская область) – [Электронный ресурс]: URL: http://naukarus.com/perspektivy-rostaproizvodstva-plodovoyagodnoy-produktsiinovosibirskaya-oblast

5. Cédric Baudrit, Nathalie Perrot, Jean Marie Brousset et al. A probabilistic graphical model for describing the grape berry maturity // Computers and Electronics in Agriculture – 2015. – N 118. – P. 124–135.

6. Родиков С.А. Методы и устройства анализа зрелости яблок. – М.: ФИЗМАТЛИТ, 2009. – 216 с.

7. Методическое и аналитическое обеспечение исследований по садоводству. – Краснодар: Изд-во Сев.-Кавк. зон. науч.-исслед. ин-та садоводства и виноградарства, 2010. – 299 с.

8. Figueiredo Neto A., Almeida F.A.C., Olivier N.C. et al. Mechanical behavior of pumpkin fruits subjected to compression during maturation. Pesq. Agropec. Trop. – 2013. – N 43 (3). – P. 223–231.

9. Véronique M. Gomes, Armando M. Fernandes, Arlete Faia et al. Computers and Comparison of different approaches for the prediction of sugar content in new vintages of whole Port wine grape berries using hyperspectral imaging // Electronics in Agriculture. – 2017. – N 140. – P. 244–254.

10. Gomes V., Fernandes A., Martins-Lopes et al. Characterization of neural network generalization in the determination of pH and anthocyanin content of wine grape in new vintages and varieties // Food Chem. – 2017. – N 218. – P. 40–46.

11. Prats-Montalbán J.M., de Juan A., Ferrer A. Multivariate image analysis: Areview with applications // Chemom. Intell. Lab. Syst. – 2011. – Vol. 107. – P. 1–23.

12. González-Caballero V., Pérez-Marin D., Lopez M.-I. et al. Optimization of NIR spectral data management for quality control of grape bunches during on-vine ripening // Sensors. – 2011. – N 11. – P. 6109–6124.

13. Hernández-Hierro J.M., Nogales-Bueno J., Rodriguez-Pulido F.J. et al. Feasibility study on the use of near-infrared hyperspectral imaging for the screening of anthocyanins in intact grapes during ripening // J. Agric. Food Chem. – 2013. – N 61. – P. 9804–9809.

14. Le Moigne M., Dufour E., Bertrand D., Maury C. et al. Front face fl uorescence spectroscopy and visible spectroscopy coupled with chemometrics have the potential to characterise ripening of Cabernet Franc grape // Anal. Chim. Acta. –2008. – N 621. – P. 8–18.

15. De’bska B., Guzowska-Sґwider B. Application of artifi cial neural network in food classifi cation // Anal. Chim. Acta. – 2011. – N 705. – P. 283–291.

16. Fernandes A.M., Franco C., MendesFerreira A., Mendes-Faia A. Brix, pH and anthocyanin content determination in whole Port wine grape berries by hyperspectral imaging and neural networks // Comput. Electron. Agric. – 2015. – N 115. – P. 88–96.

17. Gomes V., Fernandes A., Martins-Lopes P., Pereira L et al. Characterization of neural network generalization in the determination of pH and anthocyanin content of wine grape in new vintages and varieties // Food Chem. – 2017. – N 218. – P. 40–46.

18. Acácio Figueiredo Neto, Nelson Cárdenas Olivier, Erlon Rabelo Cordeiro et al. Determination of mango ripening degree by electrical impedance spectroscopy // Computers and Electronics in Agriculture. – 2017. – N 143. – P. 222–226.

19. Chowdhury A., Bera T.K., Ghoshal D., Chakraborty B. Studying the electrical impedance variations in banana ripening using electrical impedance spectroscopy // Proc. IEEE Adv. Biol. Med. Soc. – 2015. – N 1. – Р. 97–99.

20. Goulao L.F., Oliveira C.M. Cell wall modifi cations during fruit ripening: when a fruit is not the fruit – a Review // Trends Food Sci. Technol. – 2008. – N 19. – P. 4–25.

21. Schwann H.P. Electrical properties of tissue and cell suspensions: mechanisms and models // Proc. IEEE Adv. Biol. Med. Soc. – 2002. – N 1. – P. 70–71.

22. Алейников А.Ф., Габитов Н.М. Формирование системы информационной поддержки задач маркетинга на уровне сельскохозяйственных предприятий. – Новосибирск, 2012. – 254 с.

23. Алейников А.Ф., Пальчикова И.Г., Гляненко В.С., Чугуй Ю.В. Экспресс-метод оценки качества мяса // Сиб. вестн. с.-х. науки. – 2013. – № 6. – С. 71–79.

24. Шенк Х. Теория инженерного эксперимента. – М.: Мир, 1972. – 381 с.

25. ГОСТ 8.207–76. ГСИ. Прямые измерения с многократными наблюдениями. Методы обработки результатов наблюдений. – М.: Изд-во стандартов, 2001. – 7 с.

26. МИ 2083–90 ГСИ. Измерения косвенные. Определение результатов измерений и оценивание их погрешностей. – М.: Изд-во стандартов, 1991. – 7 с.