欢迎您访问葡藤匠心网！
关注微信公众号：葡藤匠心、葡萄酒学报
获取更多信息
IF=9.8！基于机器学习的三种鲜食葡萄（巨峰、阳光玫瑰和亚历山大麝香）风味分析与预测研究
发布时间：
2026-02-22
来源：
FoodAI
导读
香气是决定鲜食葡萄品质的关键因素，适宜的采收时机至关重要。本研究结合感官评价与仪器分析，系统探究了巨峰、阳光玫瑰和亚历山大麝香葡萄在六个成熟阶段的香气特征变化，并识别了区分成熟阶段的关键挥发性有机物标志物。进一步，研究将电子鼻数据与机器学习算法结合，实现了对葡萄风味的快速分类与预测，为葡萄香气品质的快速评估提供了新的技术思路。
研究背景
鲜食葡萄与酿酒葡萄用途不同，其香气直接影响消费者的接受度和偏好。葡萄的生长遵循复杂的双S型模式，挥发性有机化合物在果实发育过程中逐渐积累，采收时的成熟度对最终果实品质具有决定性影响。目前，风味研究主要依赖气相色谱-质谱联用、电子鼻和感官评价等方法。机器学习作为一种数据驱动的学习手段，在食品风味调控与预测中展现出巨大潜力。然而，现有研究多集中于酿酒葡萄及其副产品，对鲜食葡萄香气系统分析，尤其是结合机器学习进行快速分类的研究相对有限。因此，本研究旨在通过多分析手段联用，建立一种更高效、全面的鲜食葡萄香气评估框架。
研究亮点
- 系统揭示了三种鲜食葡萄在成熟过程中香气特征的品种特异性演变规律。
- 识别了用于区分不同葡萄品种及其成熟阶段的关键挥发性有机物生物标志物。
- 成功将电子鼻技术与机器学习算法结合，实现了对葡萄品种的快速、准确分类。
- 研究发现支持向量机模型在分类任务中表现最优，为葡萄品质分级提供了高效工具。
方法与关键结果
研究选取巨峰、阳光玫瑰和亚历山大麝香葡萄，在幼果期至成熟期等六个阶段采样。通过定量描述性感官分析评估了花香、青草香、果香、香脂香和甜香五种属性。利用气相色谱-飞行时间质谱分析了挥发性有机物组成，并通过正交偏最小二乘判别分析筛选关键差异化合物。同时，采用电子鼻采集数据，并结合逻辑回归、支持向量机和神经网络等机器学习算法构建分类模型。关键结果显示，随着成熟度增加，巨峰和亚历山大麝香葡萄的香气从青草香和花香向果香和甜香转变，而阳光玫瑰葡萄的甜香、果香、青草香和花香则持续增强。研究识别了区分成熟阶段的生物标志物，如巨峰葡萄中的糠醛、橙花醛和(Z)-2-己烯-1-醇，阳光玫瑰葡萄中的(Z)-3-己烯-1-醇、(E)-2-己烯醛和芳樟醇，以及亚历山大麝香葡萄中的糠醛、3-甲基丁醛和橙花叔醇。机器学习模型基于电子鼻数据能有效分类葡萄品种，其中支持向量机模型取得了最高的分类准确率。
研究结论
本研究明确了三种鲜食葡萄在成熟过程中香气演变的品种特异性规律，并成功鉴定出可用于区分品种和成熟阶段的关键挥发性标志物。在方法学上，研究证实了电子鼻结合机器学习，特别是支持向量机模型，能够实现对葡萄品种的快速、准确鉴别。这一技术路径为鲜食葡萄的成熟度评估、品种鉴别和香气品质控制提供了高效的理论基础和技术支持，有望应用于葡萄采后品质的快速分级与市场监控。
图文赏析
图1 三种葡萄（巨峰、阳光玫瑰、亚历山大麝香）在六个成熟阶段的外观及基于定量描述性分析的香气轮廓，以及基于感官评价结果的主成分分析。
图2 基于三种葡萄挥发性有机物的正交偏最小二乘判别分析得分图。
图3 基于三种葡萄挥发性有机物的层次聚类热图。
图4 三种葡萄电子鼻数据的线性判别分析及电子鼻响应与挥发性有机物浓度的皮尔逊相关性分析热图。
图5 基于三种机器学习算法的电子鼻数据特征选择、混淆矩阵及ROC曲线。
表1 逻辑回归、支持向量机和神经网络模型对三种葡萄的分类准确率、精确率、召回率和F1分数。
原文链接
Chai J, Zhang Y, Liu J, et al. The flavor analysis of three table grapes (Shine Muscat, Kyoho, and Muscat of Alexandria) and their flavor prediction based on machine learning. Food Chem. 2026;504:147859.
推荐下载
