基于介电特征的苹果霉心病果检测方法

　　摘要：针对苹果霉心病无法有效根据外表进行识别，且传统检测方法具有设备复杂、成本高昂等问题，本研究通过采集苹果介电参数构建苹果霉心病果检测模型，从而实现简单快速的苹果霉心病无损检测。基于LCR测量仪采集220个苹果的108项介电指标(9个频率下的12项介电指标)作为原始参数，使用数据标准化、主成分分析算法等对数据进行预处理，并利用BP神经网络、支持向量机、随机森林算法构建霉心病果检测模型。试验结果表明，基于随机森林算法构建的霉心病果检测模型性能最佳，在150个苹果构建的训练集和70个苹果构建的测试集中分类准确率分别达到96.66%和95.71%;基于采用BP神经网络构建的霉心病果检测模型效果次之，分类准确率分别可达到94.66%和94.2%，;基于使用支持向量机构建的模型检测效果相对较差，分类准确率分别为93.33%和91.43%。试验结果表明，使用随机森林构建的模型可以更有效地识别霉心病果和好果。本研究可为苹果病虫害及苹果品质无损检测等提供参考。

　　关键词：苹果霉心病;介电特征;随机森林;BP神经网络;支持向量机

　　1引言

　　苹果霉心病是一种严重的苹果采后病害，感染霉心病后的苹果会由果实的心室往外扩展，逐渐导致果肉的腐烂[1]，但观察其外表却无法发现明显的病害特征。患有霉心病的苹果含有展青霉素和曲棒霉素等毒素[2]，具有影响人体生育、致癌、致突变等毒理作用，对人体健康产生较大威胁。霉心病发病时主要作用苹果心室，无法有效使用肉眼分辨苹果是否患有霉心病。因此便捷快速地检测苹果是否感染霉心病对于苹果品质检测、苹果的采后管理等具有重要的现实意义。有研究针对苹果内部品质检测尝试使用不同的方法，主要包括近红外光谱[3,4]、计算机视觉[5,6]、核磁共振[7,8]、介电特征[9,10]等。

　　Mc‐Glone等[11]使用石英卤钨灯照射苹果，获取其近红外光谱，并据此构建出苹果褐变在线检测系统，最优模型决定系数可达90%。Shenderey等[12]使用近红外光谱技术，构建苹果霉心病检测模型，试验结果表明霉心病检测成功率达到90.1%，其中霉心病果的识别准确率为88.4%，好果的识别准确率为91.7%。李顺峰等[13]通过采集苹果的近红外漫射光谱，并使用多元散射校正、标准正太变量变换等不同的预处理方法进行处理，之后使用主成分分析算法进行数据降维，从而构建出相应的检测模型，结果表明训练集识别准确率达89.9%，测试集识别准确率达87.8%。

　　王富春等[14]使用基于计算机视觉的方法，设计了苹果霉心病病变程度的检测方法，试验结果表明误检率为8.87%，可以较为有效地测量苹果霉心病变程度。Stroshine[15]使用低频磁共振设备，并安装高速传感器对苹果进行无损检测，判别准确率达到88%以上。张立彬等[16]通过采集苹果的介电特征，并对苹果阻抗、相对介电常数和损耗因数等内部品质与介电特征之间的关系进行了研究，发现可以通过介电特征达到判别苹果内部特征的目的。李芳等[17]使用LCR测量仪采集苹果在100Hz~3.98MHz间的介电参数，并通过稀疏主元分析、支持向量机、人工神经网络等建模方法构建对应的分类器，经过十折交叉验证分析，结果表明对于霉心病果的识别准确率可达94%。

　　相较于其他检测方法，使用介电方式具有检测灵敏性高，设备简单、成本低、易于实现的特点，但在苹果霉心病无损检测领域却较少有人使用介电方式，且已有文献着重于分析苹果霉心病对介电参数的影响，所构建的苹果霉心病检测模型识别准确率也有进一步提高的空间。本研究通过增加霉心病果样本数量，采用与已有研究不同的数据预处理及建模方法，提高霉心病果检测正确率，保证所建模型的准确性和有效性。本研究使用数据标准化、主成分分析算法等进行介电数据预处理，使用BP神经网络、支持向量机和随机森林算法构建苹果霉心病检测模型，以进一步提高苹果霉心病的检测准确率。

　　2材料与方法

　　2.1试验材料

　　本研究以苹果9种频率下的12项介电指标为研究对象，所使用苹果采集自陕西省白水县西北农林科技大学苹果试验站，品种为“富士”，通过人工精心选择挑选一批好果和疑似霉心病果。从中挑选大小相似、颜色相近、表皮无损伤的苹果220个，于室温下储藏。

　　2.2苹果介电参数采集系统

　　为避免外界环境所导致的系统误差，采集苹果介电数据时首先将苹果置于室内24h，待苹果温度与室内温度平衡后将苹果放入屏蔽箱，上下移动平行电极板使苹果紧贴于平行电极板之上，使用LCR测试仪探头夹住平行电极板进行测量，介电参数通过RS-232串行接口传输到电脑上。

　　采集数据时沿果实最大横截面测量，以保持苹果与平行电极板间接触面积最大，保证所获取介电数据可以准确反映苹果内部品质。苹果的理化性质与介电特性在频率为以10为底的对数下相关关系更加明显[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个频率，每个频率下采集12项介电指标。

　　采集数据时，分别为每个苹果进行编号，每项介电指标将其频率作为下标，如Z158表示该苹果在频率为158Hz下所采集的复阻抗，其他介电指标同理可得。同时为避免采集过程中系统性误差对试验效果产生影响，每个苹果分别采集5次数据，最后以5次数据的平均值作为该苹果的介电数据。采集完成电学指标之后，对每个苹果进行破坏性试验，观察其是否为霉心病果，最终确认霉心病果164个，好果56个。划分训练集与测试集时，随机选取110个霉心病果和40个好果作为训练集，剩余的54个霉心病果和16个好果作为测试集进行后续试验。

　　2.3原始数据预处理

　　使用LCR仪采集到介电参数，由于数据格式是以二维表的形式存储，即对于每一个苹果而言，其介电数据都可视为9×12的二维数组，对于所有数据可视为220×9×12的三维矩阵。但是此数据格式不利于进行数据处理，因此需要进行数据扁平化操作。与此同时，所采集的介电参数是在较大范围频率下采集的，数据分布范围不均匀，数据大小有明显差异。不同的介电指标具有不同的量纲和量纲单位，导致采集到的介电指标数据相差较大。

　　为防止试验中大数据对小数据的影响，消除不同指标间的量纲影响，需要对原始数据进行标准化处理。进行数据扁平化处理时，分别将每个苹果的108项指标由9×12的二维矩阵转换为1×108的一维矩阵，同时将所有的苹果数据进行拼接，最终形成220×108的苹果介电数据库。

　　3结果与分析

　　3.1介电数据降维

　　数据采集时通过9个不同的频率采集苹果的12项介电参数，因此对于每个苹果而言，不同频率下的某些介电指标经过标准化后蕴藏的信息量可能会极其相似，导致信息冗余，因此需要使用降维算法消除数据间的信息冗余。将标准化之后的介电数据采用PCA方法降维后，其前30项主成分贡献率。

　　第十主成分之后提供的贡献率已经极其微小，结合具体数值分析，第一主成分(PC1)贡献率达到43.69%，第二主成分(PC2)、第三主成分(PC3)和第四主成分(PC4)的贡献率分别达到了14.19%、10.53%和8.61%，前四个主成分累计贡献率已经达到近80%。但是考虑到如果选取的主成分数量较少，可能会导致后续试验中因为训练数据过少而出现欠拟合现象，因此选取降维后的前14个主成分，其贡献率以及累计贡献率如表2所示。

　　4结论

　　本研究针对霉心病果分类这一具体问题，使用BPNN、SVM和RF三种建模方法，结合数据标准化、主成分分析算法等预处理方法构建出利用苹果9种频率下12项介电指标进行训练的霉心病果分类模型。试验结果表明，使用RF构建的模型分类效果更佳，在测试集中最高分类效果达到96.66%，BPNN所构建模型效果次之，测试集中分类效果达到94.29%，SVM所构建模型分类效果相对其余两种方法效果较差，测试集中分类效果仅为91.43%。本研究构建的苹果霉心病果分类模型可以有效地分辨出霉心病果和好果，有效地将苹果介电参数与苹果霉心病检测结合到一起，可为后续研究奠定基础。

　　食品加工论文投稿刊物：《现代食品科技》是由教育部直属全国重点大学，国家“211工程”和“985工程”重点建设高校——华南理工大学主办的全国知名食品科技类期刊，刊物具体事务依托建有国家级重点学科与广东省重点学科的轻工与食品学院运行。

　　与已有研究相比，本研究中使用了不同的数据预处理及建模方法，所构建的苹果霉心病果检测模型更为有效，霉心病果的识别准确率有了较为明显的提高，但与此同时本研究仅针对“富士”这一种苹果，未对比其他苹果品种的分类准确率，在接下来的研究中可以采集不同品种苹果介电参数，对比不同品种下模型效果，提高模型通用性。

　　参考文献：

　　[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,黄文倩,陈全胜,等.近红外光谱的苹果内部品质在线检测模型优化[J].现代食品科技,2016,32(9):147-153.GUOZ,HUANGW,CHENQ,etal.OptimizationofonlinedetectionmodelforinternalqualityofApplebynearinfraredspectroscopy[J].ModernFoodScienceandTechnology,2016,32(9):147-153.

　　[4]王转卫,迟茜,郭文川,等.基于近红外光谱技术的发育后期苹果内部品质检测[J].农业机械学报,2018,49(5):348-354.WANGZ,CHIQ,GUOW,etal.Internalqualitydetec‐tionofappleinlatedevelopmentstagebasedonnearinfraredspectroscopy[J].TransactionsoftheCSAM,2018,49(5):348-354.

　　作者：李东博1，黄铝文1，2，3*，赵旭博4