摘要：針對蘋果霉心病無法有效根據外表進行識別，且傳統檢測方法具有設備復雜、成本高昂等問題，本研究通過采集蘋果介電參數構建蘋果霉心病果檢測模型，從而實現簡單快速的蘋果霉心病無損檢測�；�于LCR測量儀采集220個蘋果的108項介電指標(9個頻率下的12項介電指標)作為原始參數，使用數據標準化、主成分分析算法等對數據進行預處理，并利用BP神經網絡、支持向量機、隨機森林算法構建霉心病果檢測模型。試驗結果表明，基于隨機森林算法構建的霉心病果檢測模型性能最佳，在150個蘋果構建的訓練集和70個蘋果構建的測試集中分類準確率分別達到96.66%和95.71%;基于采用BP神經網絡構建的霉心病果檢測模型效果次之，分類準確率分別可達到94.66%和94.2%，;基于使用支持向量機構建的模型檢測效果相對較差，分類準確率分別為93.33%和91.43%。試驗結果表明，使用隨機森林構建的模型可以更有效地識別霉心病果和好果。本研究可為蘋果病蟲害及蘋果品質無損檢測等提供參考。

　　關鍵詞：蘋果霉心病;介電特征;隨機森林;BP神經網絡;支持向量機

　　1引言

　　蘋果霉心病是一種嚴重的蘋果采后病害，感染霉心病后的蘋果會由果實的心室往外擴展，逐漸導致果肉的腐爛[1]，但觀察其外表卻無法發現明顯的病害特征�；加忻剐牟〉奶O果含有展青霉素和曲棒霉素等毒素[2]，具有影響人體生育、致癌、致突變等毒理作用，對人體健康產生較大威脅。霉心病發病時主要作用蘋果心室，無法有效使用肉眼分辨蘋果是否患有霉心病。因此便捷快速地檢測蘋果是否感染霉心病對于蘋果品質檢測、蘋果的采后管理等具有重要的現實意義。有研究針對蘋果內部品質檢測嘗試使用不同的方法，主要包括近紅外光譜[3,4]、計算機視覺[5,6]、核磁共振[7,8]、介電特征[9,10]等。

　　Mc‐Glone等[11]使用石英鹵鎢燈照射蘋果，獲取其近紅外光譜，并據此構建出蘋果褐變在線檢測系統，最優模型決定系數可達90%。Shenderey等[12]使用近紅外光譜技術，構建蘋果霉心病檢測模型，試驗結果表明霉心病檢測成功率達到90.1%，其中霉心病果的識別準確率為88.4%，好果的識別準確率為91.7%。李順峰等[13]通過采集蘋果的近紅外漫射光譜，并使用多元散射校正、標準正太變量變換等不同的預處理方法進行處理，之后使用主成分分析算法進行數據降維，從而構建出相應的檢測模型，結果表明訓練集識別準確率達89.9%，測試集識別準確率達87.8%。

　　王富春等[14]使用基于計算機視覺的方法，設計了蘋果霉心病病變程度的檢測方法，試驗結果表明誤檢率為8.87%，可以較為有效地測量蘋果霉心病變程度。Stroshine[15]使用低頻磁共振設備，并安裝高速傳感器對蘋果進行無損檢測，判別準確率達到88%以上。張立彬等[16]通過采集蘋果的介電特征，并對蘋果阻抗、相對介電常數和損耗因數等內部品質與介電特征之間的關系進行了研究，發現可以通過介電特征達到判別蘋果內部特征的目的。李芳等[17]使用LCR測量儀采集蘋果在100Hz~3.98MHz間的介電參數，并通過稀疏主元分析、支持向量機、人工神經網絡等建模方法構建對應的分類器，經過十折交叉驗證分析，結果表明對于霉心病果的識別準確率可達94%。

　　相較于其他檢測方法，使用介電方式具有檢測靈敏性高，設備簡單、成本低、易于實現的特點，但在蘋果霉心病無損檢測領域卻較少有人使用介電方式，且已有文獻著重于分析蘋果霉心病對介電參數的影響，所構建的蘋果霉心病檢測模型識別準確率也有進一步提高的空間。本研究通過增加霉心病果樣本數量，采用與已有研究不同的數據預處理及建模方法，提高霉心病果檢測正確率，保證所建模型的準確性和有效性。本研究使用數據標準化、主成分分析算法等進行介電數據預處理，使用BP神經網絡、支持向量機和隨機森林算法構建蘋果霉心病檢測模型，以進一步提高蘋果霉心病的檢測準確率。

　　2材料與方法

　　2.1試驗材料

　　本研究以蘋果9種頻率下的12項介電指標為研究對象，所使用蘋果采集自陜西省白水縣西北農林科技大學蘋果試驗站，品種為“富士”，通過人工精心選擇挑選一批好果和疑似霉心病果。從中挑選大小相似、顏色相近、表皮無損傷的蘋果220個，于室溫下儲藏。

　　2.2蘋果介電參數采集系統

　　為避免外界環境所導致的系統誤差，采集蘋果介電數據時首先將蘋果置于室內24h，待蘋果溫度與室內溫度平衡后將蘋果放入屏蔽箱，上下移動平行電極板使蘋果緊貼于平行電極板之上，使用LCR測試儀探頭夾住平行電極板進行測量，介電參數通過RS-232串行接口傳輸到電腦上。

　　采集數據時沿果實最大橫截面測量，以保持蘋果與平行電極板間接觸面積最大，保證所獲取介電數據可以準確反映蘋果內部品質。蘋果的理化性質與介電特性在頻率為以10為底的對數下相關關系更加明顯[18,19]，因此本研究使用158Hz，251Hz，398Hz，15,800Hz，25,100Hz，39,800Hz，1,580,000Hz，2,510,000Hz和3,980,000Hz共9個頻率，每個頻率下采集12項介電指標。

　　采集數據時，分別為每個蘋果進行編號，每項介電指標將其頻率作為下標，如Z158表示該蘋果在頻率為158Hz下所采集的復阻抗，其他介電指標同理可得。同時為避免采集過程中系統性誤差對試驗效果產生影響，每個蘋果分別采集5次數據，最后以5次數據的平均值作為該蘋果的介電數據。采集完成電學指標之后，對每個蘋果進行破壞性試驗，觀察其是否為霉心病果，最終確認霉心病果164個，好果56個。劃分訓練集與測試集時，隨機選取110個霉心病果和40個好果作為訓練集，剩余的54個霉心病果和16個好果作為測試集進行后續試驗。

　　2.3原始數據預處理

　　使用LCR儀采集到介電參數，由于數據格式是以二維表的形式存儲，即對于每一個蘋果而言，其介電數據都可視為9×12的二維數組，對于所有數據可視為220×9×12的三維矩陣。但是此數據格式不利于進行數據處理，因此需要進行數據扁平化操作。與此同時，所采集的介電參數是在較大范圍頻率下采集的，數據分布范圍不均勻，數據大小有明顯差異。不同的介電指標具有不同的量綱和量綱單位，導致采集到的介電指標數據相差較大。

　　為防止試驗中大數據對小數據的影響，消除不同指標間的量綱影響，需要對原始數據進行標準化處理。進行數據扁平化處理時，分別將每個蘋果的108項指標由9×12的二維矩陣轉換為1×108的一維矩陣，同時將所有的蘋果數據進行拼接，最終形成220×108的蘋果介電數據庫。

　　3結果與分析

　　3.1介電數據降維

　　數據采集時通過9個不同的頻率采集蘋果的12項介電參數，因此對于每個蘋果而言，不同頻率下的某些介電指標經過標準化后蘊藏的信息量可能會極其相似，導致信息冗余，因此需要使用降維算法消除數據間的信息冗余。將標準化之后的介電數據采用PCA方法降維后，其前30項主成分貢獻率。

　　第十主成分之后提供的貢獻率已經極其微小，結合具體數值分析，第一主成分(PC1)貢獻率達到43.69%，第二主成分(PC2)、第三主成分(PC3)和第四主成分(PC4)的貢獻率分別達到了14.19%、10.53%和8.61%，前四個主成分累計貢獻率已經達到近80%。但是考慮到如果選取的主成分數量較少，可能會導致后續試驗中因為訓練數據過少而出現欠擬合現象，因此選取降維后的前14個主成分，其貢獻率以及累計貢獻率如表2所示。

　　4結論

　　本研究針對霉心病果分類這一具體問題，使用BPNN、SVM和RF三種建模方法，結合數據標準化、主成分分析算法等預處理方法構建出利用蘋果9種頻率下12項介電指標進行訓練的霉心病果分類模型。試驗結果表明，使用RF構建的模型分類效果更佳，在測試集中最高分類效果達到96.66%，BPNN所構建模型效果次之，測試集中分類效果達到94.29%，SVM所構建模型分類效果相對其余兩種方法效果較差，測試集中分類效果僅為91.43%。本研究構建的蘋果霉心病果分類模型可以有效地分辨出霉心病果和好果，有效地將蘋果介電參數與蘋果霉心病檢測結合到一起，可為后續研究奠定基礎。

　　食品加工論文投稿刊物：《現代食品科技》是由教育部直屬全國重點大學，國家“211工程”和“985工程”重點建設高校——華南理工大學主辦的全國知名食品科技類期刊，刊物具體事務依托建有國家級重點學科與廣東省重點學科的輕工與食品學院運行。

　　與已有研究相比，本研究中使用了不同的數據預處理及建模方法，所構建的蘋果霉心病果檢測模型更為有效，霉心病果的識別準確率有了較為明顯的提高，但與此同時本研究僅針對“富士”這一種蘋果，未對比其他蘋果品種的分類準確率，在接下來的研究中可以采集不同品種蘋果介電參數，對比不同品種下模型效果，提高模型通用性。

　　參考文獻：

　　[1]PATRIARCAA.Fungiandmycotoxinproblemsintheappleindustry[J].CurrentOpinioninFoodScience,2019,29:42-47.

　　[2]ZHONGL,CAREREJ,LUZ,etal.Patulininapplesandapple-basedfoodproducts:Theburdensandthemitigationstrategies[J].Toxins,2018,10(11):ID475.

　　[3]郭志明,黃文倩,陳全勝,等.近紅外光譜的蘋果內部品質在線檢測模型優化[J].現代食品科技,2016,32(9):147-153.GUOZ,HUANGW,CHENQ,etal.OptimizationofonlinedetectionmodelforinternalqualityofApplebynearinfraredspectroscopy[J].ModernFoodScienceandTechnology,2016,32(9):147-153.

　　[4]王轉衛,遲茜,郭文川,等.基于近紅外光譜技術的發育后期蘋果內部品質檢測[J].農業機械學報,2018,49(5):348-354.WANGZ,CHIQ,GUOW,etal.Internalqualitydetec‐tionofappleinlatedevelopmentstagebasedonnearinfraredspectroscopy[J].TransactionsoftheCSAM,2018,49(5):348-354.

　　作者：李東博1，黃鋁文1，2，3*，趙旭博4