第 34卷 第 5期 農 業(yè) 工 程 學 報 V ol.34 N o.5 2018年 3月 Transactions of the Chinese Society of Agricultural Engineering Mar. 2018 129 基于電學特征的蘋果水心病無損檢測王若琳 1 ，王 棟 1 ，任小林 2 ，馬惠玲 1（1. 西北農林科技大學生命科學院，楊凌 712100；2. 西北農林科技大學園藝學院，楊凌 712100） 摘 要：為了探尋快速而準確的蘋果水心病無損檢測新方法，該文以秦冠水心病疑似病果和好果作為試材，逐果采 集 11個電學指標在 100 Hz3.98 MHz間 13個頻率點的特征值，然后切開并統(tǒng)計真實發(fā)病情況。利用主成分分析結合不 同分類模型進行好果與病果判別分析，結果選取方差累積貢獻率大于 90%的主成分 15個，F(xiàn)isher判別、多層感知器人工 神經(jīng)網(wǎng)絡（multi-layer perceptron，MLP）對好果和病果的判斷正確率均隨著主成分數(shù)的增加而增大，并分別在主成分數(shù) 量達到前 13、10時趨于穩(wěn)定水平 93.3%、95.4%。徑向基人工神經(jīng)網(wǎng)絡（radical basis function，RBF）結合 15個主成分 判別的正確率 75.1%。水心病引起介電損耗系數(shù) D、復阻抗相角 deg、串聯(lián)等效電容 Cs和并聯(lián)等效電容 Cp及相對介電常 數(shù)（ '） 、損耗因子（ “）共 6個參數(shù)在低頻區(qū)（10010 000 Hz）的觀測值高于好果，是電學法能夠對水心病果和好果進 行識別的原因。同時發(fā)現(xiàn)，利用低頻率下（10025 100 Hz）損耗因子（ “）值結合 MLP或 RBF人工神經(jīng)網(wǎng)絡模型 對水心病果和好果識別正確率均能達到 100%，是一種簡便而高效的蘋果水心病無損檢測方法，可為今后進一步研發(fā)蘋果 果實水心病在線無損檢測儀器提供理論與技術依據(jù)。 關鍵詞：病害；無損檢測；神經(jīng)網(wǎng)絡；蘋果水心??；電學特征 doi：10.11975/j.issn.1002-6819.2018.05.017 中圖分類號：S661.1 文獻標志碼： A 文章編號： 1002- 6819(2018)- 05- 0129- 08 王若琳，王 棟，任小林，馬惠玲. 基于電學特征的蘋果水心病無損檢測J. 農業(yè)工程學報，2018，34(5)：129-136. doi：10.11975/j.issn.1002- 6819.2018.05.017 http:/www.tcsae.org Wang Ruolin, Wang Dong, Ren Xiaolin, Ma Huiling. Nondestructive detection of apple watercore disease based on electric featuresJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(5): 129-136. (in Chinese with English abstract) doi：10.11975/j.issn.1002- 6819.2018.05.017 http:/www.tcsae.org 0 引 言蘋果水心病又稱糖化病、蜜果病，是一種常見的果 實病害，在大部分蘋果產區(qū)均有不同程度的發(fā)生 1 。水心 病果與好果相比，含鈣率低，果實養(yǎng)分轉換失衡，硬度 增加，發(fā)病組織由于山梨糖醇的大量積累而導致明顯的 變甜 2 ，并略微帶些酒味 3 。水心病發(fā)病嚴重時會表現(xiàn)于 表皮，發(fā)病較輕時僅內部組織呈現(xiàn)不規(guī)則水漬狀，外觀 難以識別。輕微發(fā)病的水心病果在貯藏過程中可能會自 我修復而癥狀消失，病情嚴重的蘋果則會發(fā)生果心褐變 甚至果肉腐爛，失去商品價值 4 。目前生產中的水心病檢 測通常憑人工經(jīng)驗，正確率較低。 國內外學者對蘋果水心病的無損檢測進行了一定的 研究，主要通過彩色像素 5 、動態(tài)熱成像技術 6 、密度法 和透光強度 7-8 、近紅外光譜 9 、高光譜成像技術 10 等方 法進行監(jiān)測。這些方法有的識別正確率較低，有的造價 成本高，沒有得到廣泛應用。尋找新的、準確而可行的 方法是生產實踐所急需的。 收稿日期：2017-09-19 修訂日期：2018-01-25 基金項目：陜省農業(yè)科技創(chuàng)新與攻關項目（2015NY023）；農業(yè)部現(xiàn)代蘋果 產業(yè)技術體系項目（CARS- 28） 作者簡介：王若琳，女，河北衡水人，主要從事果實采后生理學研究。 Email：xnhswrl163.com 通信作者：馬惠玲，女，新疆五家渠人，博士，博士生導師，主要從事果 實采后生理與技術研究。Email：ma_huiling65hotmail.com 從微觀層面分析，果實的內部組織中存在大量帶電 粒子，由此能夠形成生物電場 11 。果實在成熟、損傷和 病變變質過程中發(fā)生的化學反應會伴隨物質能量的轉 化，造成果實內部各化學物質所帶電荷數(shù)量及分布發(fā)生 變化，從而影響生物電場的分布和強度，因此果實的內 部品質可以影響果實宏觀電學特征，這使得以電學特征 表征內部品質成為可能。前人在電學法對果實理化品質 無損檢測方面進行了大量工作，在果實內部病害檢測方 面僅限于李芳等對蘋果霉心病的研究，利用生物阻抗特 征選取支持向量機和人工神經(jīng)網(wǎng)絡模型，建立了快速“識 別”方法，正確率達到 94% 12 。這一結果提示了利用電 學特征“識別”蘋果水心病的可能性。 本文采用秦冠水心病疑似病果和好果為試材， 測定電學參數(shù)和理化品質，通過主成分分析結合 Fisher 判別和人工神經(jīng)網(wǎng)絡分析，建立蘋果水心病的電學法檢 測模型，以期為蘋果水心病快速無損在線檢測儀器的開 發(fā)提供理論依據(jù)。 1 材料與方法 1.1 試驗材料及預處理 1） 秦冠好果和水心病疑似病果：于 2015年 10月 中旬采于陜西省白水縣果園，采收和選取橫徑 7.58.0 cm 的無病害果實作為預設好果。同時，在有經(jīng)驗的果農指 導下采摘和選取同樣大小的水心病疑似病果。 2）將上述果實運回實驗室，室溫 20 散發(fā)田間熱 ·農業(yè)信息與電氣技術· 農業(yè)工程學報（http:/www.tcsae.org） 2018年 130 24 h，挑選大小一致的預設好果 200個，疑似病果 300個， 備用。 1.2 果實電學參數(shù)測定 如圖 1 所示，果實電學參數(shù)的測定采用日本日置 3532-50 LCR型測試儀（測試頻率為 42 Hz5 MHz，實 測頻率為 100 Hz3.98 MHz。測試夾具為儀器自帶的 9140-4型終端測試夾具）、平行板電極（正方形銅制，電 極為平行板電極，極板邊長為 6 cm且間距可調）、屏蔽 箱和計算機組成，測試條件：溫度為（20±1），夾持 壓力恒定為 3.5 N，施加電壓恒為 1 V 13 。 1. 計算機；2. 屏蔽箱；3. 平行板電極；4. 樣品；5. 測試探頭；6. LCR測 試儀 1. Computer; 2. Shielding box; 3.Parallel iron plates; 4. Sample; 5. Clip test probe; 6. LCR tester 圖1 蘋果電學參數(shù)測定裝置 Fig.1 Electrical parameter measuring device of apple 對好果與疑似病果逐一編號，逐果采集電學特征值。 測定好果 200個，疑似病果 300個。將果實如圖 1放置， 選取 100 Hz3.98 MHz之間對數(shù)值呈均勻分布的 13個 頻率點，分別讀取各果的復阻抗（Z）、介電損耗系數(shù)（D） 、 串聯(lián)等效電感（Ls） 、電導（G）、復阻抗相角（deg） 、串 聯(lián)等效電容（Cs）、并聯(lián)等效電感（Lp）、并聯(lián)等效電阻 （Rp）、并聯(lián)等效電容（Cp）、串聯(lián)等效電阻（Rs） 、電納 （B） ，共 11個電學參數(shù)值。每個果實的測定值均取沿其 赤道 2個垂直方向重復測定 2次的平均值。利用直接測 定的參數(shù)計算相對介電常數(shù) '以及損耗因子 “ 14 。 電學參數(shù)檢測完成后，如圖 2a所示，對疑似病果逐 果沿縱軸 1/4、1/2、3/4處橫切，觀察記錄發(fā)病情況，出 現(xiàn)如圖 2c2e癥狀的記為水心??；相應地，好果也進行 每 1/4處橫切檢驗，各切面達到圖 2b所示健康程度的確 認為好果。最終選定得到確認的病果和好果各 100個， 將各個果實的編號與其電學特征值相對應，構建分別含 有 100個好果與 100個水心病果的電學參數(shù)數(shù)據(jù)庫。 1.3 理化品質測定 1）密度：此項測定在果實切開之前進行。質量-體積 法測定密度，g/cm 3 。 果實切開后，檢驗真實發(fā)病情況的同時測定其他理 化品質： 2）硬度：在切分后的中部靠近頂部的切塊上沿蘋果 果實赤道線分別取 3點削去果皮，利用果蔬硬度計（GY-3 型，意大利）進行測定， 3點平均值記錄為各果的硬度值， kg/cm 2 。 3）可溶性固形物：取果頂側從上往下第 2部分切塊 測定。沿果塊周長等分 3點削去果皮，取果肉榨出汁液， 利用手持折光儀（WY032T 型，西安信恒檢測儀器有限 公司）測定其折光率， 3點均值為各果可溶性固形物含量 （TSS）%。 4）可滴定酸：繼續(xù)取果肉果汁 10 mL，用指示劑滴 定法 15 測定果實中的可滴定酸含量%，以相當于蘋果酸 （換算系數(shù)為 0.067）的量表示，%。 圖2 蘋果橫切位置及有無水心病癥狀剖面圖 Fig.2 Cross-cut position and cross section picture of non or watercore disease apple 1.4 數(shù)據(jù)分析 1.4.1 主成分分析 主成分分析（principal component analysis，PCA）， 是一種通過正交變換將 1組可能存在相關性的變量轉換 為 1組線性不相關的變量從而代表所有變量的統(tǒng)計方法。 轉換后的這組變量叫主成分 16 。對測定的蘋果在 13個頻 率下的 11個電學參數(shù)值進行主成分分析，選取方差累積 貢獻率達到 90%以上穩(wěn)定水平的主成分，并確定其數(shù)量。 主成分選定后，首先將好果和病果的數(shù)據(jù)分別折分 成建模集和驗證集，二者比例為建模分析的常規(guī)比例 7 3 17 ，逐一進行 Fisher判別和人工神經(jīng)網(wǎng)絡分析。 1.4.2 數(shù)據(jù)處理與差異性分析 利用 Excel2010對數(shù)據(jù)作圖；利用 SPSS20.0中的數(shù) 據(jù)分析軟件進行 Fisher判別分析和人工神經(jīng)網(wǎng)絡分析， 并對理化品質測定值進行 t檢驗，最小顯著極差法（least significant ranges，LSR）判斷樣本間差異性，P<0.05為 顯著，P<0.01為極顯著。 2 結果與分析 2.1 不同電學參數(shù)對水心病果和好果的響應 圖 3a和 3b顯示，介電損耗系數(shù) D和復阻抗相角 deg 均隨電激頻率（f）的增加呈現(xiàn)先下降后上升的趨勢。因 為電激信號弱時電流只經(jīng)過細胞間隙, 頻率越大，電流越 小，損耗變小 18 。當電激信號增強至一定程度時，電流 除了通過細胞間隙外，還會穿透細胞膜而同時通過細胞 內部 19 ，阻力增大，電損增大，表現(xiàn)為 deg和 D增大 20 。 10025 100 Hz的低頻區(qū)水心病果 deg和 D的取值高于 好果，高頻區(qū)趨于一致。這是由于水心病使膜透性增大 1 ， 間隙電解質增多，電流增大，損耗隨之增大表現(xiàn)為 D和 第 5期 王若琳等：基于電學特征的蘋果水心病無損檢測 131 deg大于好果。D與 lgf對好果的擬合方程為 D = 0.028 4 lgf 2 0.248 4 lgf + 0.643 4，R 2= 0.962 8；對病果的擬合 方程為 D = 0.054 6 lgf 2 0.5328 lgf + 1.4267， R 2= 0.974 2。 deg與 lgf對好果的擬合方程為 deg = 1.3622 lgf 2 11.629 lgf 59.225，R 2= 0.948 9；對病果的擬合方程為 deg = 2.318 3 lgf 2 22.487 lgf 27.269，R 2 = 0.993 4。圖 3c和 3d中串聯(lián)等效電容 Cs和并聯(lián)等效電容 Cp隨電激頻率(f) 的增加呈現(xiàn)線性下降趨勢。在 10010 000 Hz的低頻區(qū) 病果特征值高于好果，在高頻區(qū)域則趨于一致。電容隨 電流增大而增大 18 ，水心病果膜透性增大，細胞間隙電 流增強，因而 Cs和 Cp均增大。 lgCs與 lgf對好果的擬合 方程為 lgCs= 0.084 1 lgf 9.776 5，R 2= 0.890 3 ；對病 果的擬合方程為 lgCs = 0.158 7 lgf 9.344 6， R² = 0.831 3。 lgCp與lgf對好果的擬合方程為 lgCp=0.067 3 lgf9.880 6， R 2= 0.967 3；對病果的擬合方程為 lgCp= 0.105 3 lgf 9.653 5，R² = 0.976 4。 圖3 蘋果水心病果和好果電學參數(shù)隨頻率的變化 Fig.3 Changes of dielectric parameters with frequency for watercore disease and sound apple 水心病果和好果的電導 G、電納 B隨頻率增大而上 升，以 G為例其變化趨勢如圖 3e所示；串聯(lián)等效電阻 Rs、并聯(lián)等效電阻 Rp、串聯(lián)等效電感 Ls、并聯(lián)等效電感 Lp、復阻抗 Z隨頻率增大而下降，以 Rs為例其變化趨勢 如圖 3f所示。其中部分參數(shù)特征值在好果和病果間僅存 在低頻區(qū)的不可區(qū)分的微小差異，至前 67個頻率觀測 點，即 1025.1 kHz后差異消失，如圖 3e中的 lgG隨 lgf 的變化曲線，預示這 7個參數(shù)對區(qū)分水心病果和好果的 作用較小。 圖 3g顯示，以 Cp為變量計算得到的相對介電常數(shù) （'）隨著電激頻率的增加而降低。 '與 lgf對好果的擬合 方程為 ' = 3.351 lgf +36.361，R 2= 0.945 2；對病果的擬 合方程為 '= 6.404 4 lgf +54.029，R 2= 0.903 4。以 '為變 量計算 14 得到的參數(shù)-損耗因子“隨著頻率的增加取 值先快速下降，后趨于平穩(wěn)。在頻率為 10010 000 Hz區(qū) 域 2個指標的病果取值明顯高于好果。 “與 lgf（100f 10 000）對好果的擬合方程為 “= 1.977 7 lgf + 10.718， R 2= 0.810 9；對病果的擬合方程為 “= 8.544 3 lgf + 39.604，R 2= 0.786 6。水心病果的 '和 “隨頻率的變化速 率更快，對頻率變化響應更靈敏。 2.2 電學參數(shù)主成分提取 對測定蘋果 13個頻率下的共 143個電學參數(shù)值進行 主成分分析，同時對上述分析選定的好果和病果差異較 大的 6個參數(shù)的低頻區(qū)（10010 000 Hz）6個頻率點共 36個特征值進行分析，結果如圖 4。前者提取出主成分 15個，方差累積貢獻率共達到 94.15%；后者分析選出主 成分 7個，方差累積貢獻率共達到 90.40%。 2.3 Fisher判別分析對水心病果的識別 由圖 5可見，采用 2組電學參數(shù)進行 Fisher判別水 心病果和好果時，建模集和驗證集的識別正確率均隨在 主成分數(shù)由 1增加到 2而迅速提高至 50%以上，以后隨 著主成分數(shù)增大進一步增加。以 143個特征值組判別時， 識別正確率在主成分達到 13后趨于平穩(wěn)，可作為主成分 提取的最小值。利用提取的 13個主成分進行建模，結果 如表 1所示：建模集中好果識別率 95.7%，水心病果識別 率 92.8%，平均 94.3%；驗證集中好果識別率 90.0%，水 心病果識別率 96.7%，平均 93.3%。Fisher線性判別函數(shù) 公式如下所示： 11234 5678 91 01 1 12 13 21234 5678 9 1.816 1.097 0.154 1.402 0.476 0.037 0.416 0.120 0.775 0.281 0.055 0.619 0.862 1.824 1 1.829 1.131 0.156 1.416 0.481 0.037 0.420 0.121 0.783 0.284 YXXXX XXXX XXX XX YXXXX XXXX X （） 10 11 12 13 0.055 0.625 0.780 2.046 2 XX XX （）式中 Y 1 、Y 2 分別代表好果、水心病果的判別函數(shù)； X 1 X 13 農業(yè)工程學報（http:/www.tcsae.org） 2018年 132 分別代表 13個主成分。 圖4 2組不同數(shù)量電學參數(shù)值的主成分方差累計貢獻率 Fig.4 Cumulative contribution rate of variance of principal components under two groups of electrical characteristic value number 圖5 主成分個數(shù)對 Fisher判別水心病識別正確率的影響 Fig.5 Effect of principal component number on identification accuracy of watercore disease by Fisher's discrimination 表1 Fisher判別的蘋果水心病識別結果 Table 1 Results of apple watercore recognition based on Fisher discrimination 好果 Sound apple 水心病果 Watercore disease apple 組別 Group 數(shù)據(jù)集 Data set 樣品數(shù) 誤判數(shù) 正確 別率/% 樣品 數(shù) 誤判數(shù) 正確判 別率/% 平均判別 正確率 Average discrimin- ation accuracy/% 建模集 70 3 95.7 70 5 92.8 94.3 143個 特征值 驗證集 30 3 90.0 30 1 96.7 93.3 建模集 70 5 92.9 70 6 91.4 92.1 36個 特征值 驗證集 30 3 90.0 30 2 93.3 91.7 利用 36個特征值組判別時，建模集和驗證集的識別 正確率在主成分增加到 7時達到最大。因此，提取其前 7 個主成分進行建模，判別結果如表 1：建模集好果識別率 92.9%，水心病果識別率 91.4%，平均 92.1%；驗證集中 好果識別率 90.0%，水心病果識別率 93.3%，平均 91.7%。 該組特征值建模集和驗證集對果實的平均識別正確率分 別僅低于 143個特征值組 2.2%，1.6%。說明選出的 36 個特征值的差異對水心病果和好果的電學法區(qū)分發(fā)揮了 絕對優(yōu)勢的作用，是電學法能夠識別水心病的主要 原因。 2.4 多層感知器（multi-layer perceptron，MLP）神 經(jīng)網(wǎng)絡對水心病果的識別 利用 MLP神經(jīng)網(wǎng)絡模型對 143個特征值組的 15個 主成分進行建模分析。由表 2可知，當隱藏層數(shù)為 1或 2、 輸入層和輸出層激活函數(shù)不同時，建模集以及驗證集的 識別正確率有所不同，總體上建模集正確率均高達 98% 以上，驗證集識別正確率均在 87%以上，其中隱藏層數(shù) 為 2、輸入層激活函數(shù)為雙曲正切、輸出層函數(shù)為雙曲正 切時識別正確率最高，選為優(yōu)化運算模型。利用 36個特 征值組的 7個主成分進行同樣方法的分析，得到建模集 正確率均達 89%以上，驗證集正確率 81.5%以上，整體上 低于 143個特征值組。計算優(yōu)化模型對 143個特征值組 主成分從 1增加為 15時果實識別正確率，如圖 6所示， 主成分個數(shù)增加至 10時識別正確率趨于平穩(wěn)，故提取前 10個主成分結合優(yōu)化模型對果實進行 MLP神經(jīng)網(wǎng)絡模型 分析。 表2 不同隱藏層數(shù)和激活函數(shù)下 MLP神經(jīng)網(wǎng)絡 混合樣品預測模型分析結果 Table 2 Analysis results of MLP neural network prediction model under different hidden layers and activation functions 建模集識別率 Discriminant accuracy of modeling set/% 驗證集識別率 Discriminant accuracy of validation set/% 隱藏 層數(shù) Hidden layers 輸入層 函數(shù) Function for input layer 輸出層 函數(shù) Func- tion for output layer 143個特征 值組 36個特征 值組 143個特征 值組 36個特征 值組 Identity100 94.1 87.7 89.2 Softmax100 94.8 89.2 86.2 Tanh 100 95.6 90.8 89.2 雙曲正切 Tanh Sigmoid100 97.8 92.3 92.6 Identity99.3 96.3 90.8 90.8 Softmax100 92.6 89.2 89.2 Tanh 100 91.1 86.2 86.2 1 Sigmoid Sigmoid100 96.3 89.2 90.8 Identity100 97.0 89.2 90.8 Softmax100 95.6 87.7 86.2 Tanh 100 98.5 95.4 93.8 雙曲正切 Tanh Sigmoid100 97.8 89.2 92.3 Identity98.5 90.4 89.2 83.0 Softmax100 91.9 89.2 86.2 Tanh 99.3 89.6 87.7 81.5 2 Sigmoid Sigmoid100 93.3 89.2 87.7 通過篩選出優(yōu)化運算模型與識別正確率趨于平穩(wěn)時 的主成分個數(shù)進行 MLP神經(jīng)網(wǎng)絡模型分析，結果如表 3， 平均識別正確率為 95.4%，其中在好果上為 96.9%，在水 心病果上為 93.9%。相應地對 36個特征值組主成分從 1 增加為 7時果實識別正確率一直在提高，最高達到好果 上 96.9%，水心病果上 90.9%，平均識別正確率 93.9%， 僅較 143個特征值組的平均識別正確率低 1.5%，再次顯 第 5期 王若琳等：基于電學特征的蘋果水心病無損檢測 133 示了 36個特征值的差異在水心病識別中的優(yōu)勢作用。 圖6 主成分個數(shù)對 MLP神經(jīng)網(wǎng)絡判別 水心病識別正確率的影響 Fig.6 Effect of principal component number on identification accuracy of watercore disease by MLP neural network 表3 MLP神經(jīng)網(wǎng)絡優(yōu)化模型對蘋果水心病識別結果 Table 3 Results of apple watercore recognition based on MLP neural network optimal model 好果 Sound apple 水心病果 Watercore apple 組別 Group 數(shù)據(jù)集 Data set 樣品數(shù) 誤判數(shù) 正確判 別率/% 樣品數(shù) 誤判數(shù) 正確判 別率/% 平均 判別 正確率 Average discrimin ation accuracy/ % 建模集 68 0 100 67 0 100 100 143個特 征值 驗證集 32 1 96.9 33 2 93.9 95.4 建模集 68 0 100 67 2 97.0 98.5 36個特 征值 驗證集 32 1 96.9 33 3 90.9 93.9 2.5 徑向基神經(jīng)網(wǎng)絡（radical basis function，RBF） 對水心病果的識別 利用 RBF神經(jīng)網(wǎng)絡模型對 143個特征值組的 15個主 成分進行建模分析，結果如表 4所示，建模集中好果識 別率 70.6%，水心病果識別率 92.5%，平均 81.6%；驗證 集中好果識別率 53.1%，水心病果識別率 97.0%，平均 75.1%。這種方法對好果的識別正確率都明顯低于病果， 也低于 MLP神經(jīng)網(wǎng)絡的分析結果?？梢?， RBF不適于好 果、病果識別這樣的分類分析。因為徑向基函數(shù)一般來 說是高斯函數(shù)作為激活函數(shù)，神經(jīng)元輸入空間很小，當分 類類別過少即神經(jīng)元過少時，數(shù)據(jù)不充分結果就會較差。 2.6 利用損耗因子 進行水心病的判別分析 利用 100個好果實和 100個水心病果實 13個頻率下 的損耗因子 “進行 Fisher 判別分析和人工神經(jīng)網(wǎng)絡分 析，各頻率下的識別正確率如表 5所示，發(fā)現(xiàn)利用 Fisher 判別分析在頻率為 100631 Hz和 3 98025 100 Hz區(qū) 域，MLP和 RBF神經(jīng)網(wǎng)絡在頻率為 10025 100 Hz區(qū) 域，對水心病好果以及病果的驗證集識別正確率均能夠 達 到 100%。 “被選為簡單而準確的水心病與好果識別 特征參數(shù)。 表4 RBF神經(jīng)網(wǎng)絡模型對水心病的識別結果 Table 4 Results of apple watercore recognition based on RBF neural network model 數(shù)據(jù)集 Data set 樣品類別 Category of sample 各類樣品總數(shù) Total number of samples 正確判別數(shù) Number of correct discrimination 正確判別率 Discriminant accuracy/% 好果 Sound apple68 48 70.6 水心病蘋果 Watercore apple 67 62 92.5 建模集 Modeling 合計 Total 135 110 81.6 好果 Sound apple32 17 53.1 水心病蘋果 Watercore apple 33 32 97.0 驗證集 Validation 合計 Total 65 49 75.1 表5 不同頻率下?lián)p耗因子結合不同數(shù)學模型對 水心病果的正確識別率 Table 5 Recognition rate of watercore fruit by using loss factor in different frequencies combined with different mathematic models 數(shù)據(jù)集 Data set 頻率 Frequency/Hz Fisher判別分析 Fisher discriminant MLP神經(jīng) 網(wǎng)絡模型 MLP neural network model RBF神經(jīng) 網(wǎng)絡模型 RBF neural network model 100 100 100 100 251 100 100 100 631 100 100 100 1580 98.5 100 100 3980 100 100 100 10000 100 100 100 25100 100 100 100 63100 98.5 99.3 99.3 158 000 95 98.6 97.9 398 000 83.5 96.3 94.8 1 000 000 68.5 90.3 90.5 2 510 000 61.5 85.2 86.6 建模集 Modeling 3 980 000 55.5 65.6 71.8 100 100 100 100 251 98.3 100 100 631 95 100 100 1 580 95 100 100 3 980 100 100 100 10 000 100 100 100 25 100 100 100 100 63 100 95 98.3 95 158 000 91 96.8 96.4 398 000 75 95.5 97 1 000 000 65 88.9 90.5 2 510 000 58.5 77.6 82.4 驗證集 Validation 3 980 000 53.3 53.6 75.9 2.7 水心病果和好果的理化特征 切開檢驗后的秦冠水心病果和好果的理化品質 測定結果如表 6所示，其水心病果的密度、硬度、可溶 性固形物含量顯著大于好果（P<0.05），可能與前文所述 部分電學參數(shù)特征值增大有關。病果的可滴定酸含量雖 然明顯小于好果，但由于其數(shù)量級低于可溶性糖約 10倍， 故作為電解質對電學參數(shù)觀測值的影響可能被可溶性固 形物的影響所掩蓋而未得以表現(xiàn)。 農業(yè)工程學報（http:/www.tcsae.org） 2018年 134 表6 水心病果和好果的理化指標 Table 6 Physicochemical profiles of watercore and sound apple 類別 Type 密度 Density/ (kg.m 3 ) 硬度 Firmness/ (kg.cm 2 ) 可溶性固形物 soluble solid content/% 可滴定酸 titratable acid content/% 好果 Sound apple 0.84±0.02a 6.68±1.00a 12.90±1.21a 0.20±0.02b 病果 Watercore apple 0.89±0.07b 7.70±0.67b 14.00±1.01b 0.16±0.03a LSD0.05 0.01 0.32 0.96 0.02 注：觀測值為平均值±標準差，同列中不同字母表示差異顯著（P<0.05）。 Note: The observed values were mean ± standard deviation, with different letters in the same column showed significant difference (P<0.05). 3 討 論 本研究所采用的秦冠疑似水心病果，經(jīng)切開檢 驗發(fā)病率為 40.0%47.0%，經(jīng)電學參數(shù)采集、主成分分 析結合各種分類模型的運用，檢驗正確率達到 93.3% 100%，證實依賴人工經(jīng)驗對水心病進行識別挑選是不完 全準確的，電學法檢測可靠性增加 1倍以上。水心病的 發(fā)生部位是隨機的，理論上講要使電學儀探知病癥 的存在就應該測定多個方向。本文統(tǒng)一采取每個果只測 2 個方向的方法，便獲得了識別正確率 93.3%以上的結果， 說明電學法檢測水心病的靈敏度高，以便捷的方法取代 繁瑣的取值，有利于實際應用。同時也說明，水心病的 發(fā)生引起電學參數(shù)的整果性改變，而不是局部性，使電 學這種可穿透果肉組織的方法得以探知病癥的存在。 水心病果的發(fā)病部位呈現(xiàn)明顯的水漬化癥狀，并且 較無癥狀部位變甜和硬度變大，針對不可明顯辨認的水 心病果其大部分組織無癥狀表現(xiàn)的實際情況，病部的糖 度和硬度值不具有全果代表性。本文采取如方法中所述 的統(tǒng)一取樣部位的方法，切到什么組織是什么組織，得 到的樣品雖然全部是無水漬化的組織，測定結果卻反映 出，水心病果的理化品質與好果具有多項差異，與前人 的結果一致 2 ，說明隨機取樣的方法是可行的。水心病果 多個電學參數(shù)的特征值較好果也發(fā)生改變，體現(xiàn)出理化 品質對電學參數(shù)的影響是多對多的關系，解釋了反映水 心病發(fā)生的是 1組而不是 1個電學參數(shù)的原因。這一現(xiàn) 象再次證明了電學法檢測蘋果內部病害的靈敏性。 至今為止，前人對蘋果及其水心病果對多種電學參 數(shù)頻率變化的響應規(guī)律未見系統(tǒng)報道。本文得出秦冠 水心病果在低頻區(qū)的介電損耗系數(shù) D、復阻抗相角 deg、 串聯(lián)等效電容 Cs和并聯(lián)等效電容 Cp值明顯高于好果， 是水心病果基本電學特性的新發(fā)現(xiàn)，也是電學法區(qū)分水 心病果與好果的理論基礎。好果與水心病果的相對介電 常數(shù) '的特征值均隨電激頻率增大而減小，這與前人在蘋 果 13 、葡萄 21 上的測定結果一致，符合頻率越大、果實 組織內的極性分子形成的偶極子極化越滯后、 '越小的規(guī) 律 18 。根據(jù)換算公式 14 ， =D× '=D×Cp×d/ 0 ×S=（D為 介電損耗系數(shù)，Cp 是并聯(lián)等效電容，d 為電極距離，S 為電極面積， 0 是真空介電系數(shù)= 8.854 2×10 F/ m（近似 值） ）， 是含損耗系數(shù)（D）和并聯(lián)等效電容 Cp乘積的 線性函數(shù)，故可有效放大好果與病果 Cp和 D的差異，成 為區(qū)分 2種果實更加靈敏的參數(shù)。 密度與硬度是一對同步變化的指標 22 ，生物組織密 度增大，電流通過細胞間隙阻力增大，理論上電阻、導 電性應該受到影響。蘋果霉心病果較好果密度下降，復 阻抗 Z減小 12 ；紅巴梨成熟過程中硬度下降，電阻、電 抗隨之減小 23 。本研究雖然測出水心病果較好果硬度增 大，可是電導、電阻卻未改變，與前面其他文獻的結果 不一致；水心病果可溶性固形物含量增大，與庫爾勒香 梨上得到的結果一致 24 ?？扇苄怨绦挝镒鳛殡娊赓|本應 促進電導、降低電阻，可是密度增大提高電阻，二者相 反的作用平衡之下可能抵消對電阻、電導的影響，使水 心病果的電導、等效電阻未與好果表現(xiàn)差異。再次顯示 出理化特性與電學參數(shù)特征值變化的多對多的因果關 系。王瑞慶等 23 找出紅巴梨在 1 MHz下的阻抗 Z、電感 L 與其硬度相關關系顯著，安慧珍等 27 得出， 富士蘋果 的 Rs和 Z值分別可用來預測其硬度和可滴定酸含量， 秦 冠蘋果則不行。李琳等 25 確定了并聯(lián)電感 Lp與秦美 獼猴桃抗壞血酸含量的線性相關性，其他文獻的研究卻 未報道。說明果實硬度、可溶性固形物、可滴定酸等單 項理化品質與電學參數(shù)的相關性總是隨種類、甚至品種 不同而改變，使得以電學參數(shù)表征單項理化品質的規(guī)律 往往不具有普遍性，限制了其無損檢測儀器的開發(fā)。病 害的電學法無損檢測則具有一定的優(yōu)勢，因為每種生理 或侵染性病害通過對理化指標的影響各自會引起不同類 別的電學參數(shù)發(fā)生變化，