袁鴻飛，胡馨木，楊軍林，任亞梅,*，馬惠玲，任小林

蘋果水心病俗稱“冰糖心”，是一種生理病害。一般發(fā)生在果心附近，呈水漬狀，不易從外觀分辨，較健康果中其山梨醇和蔗糖含量均顯著升高[1]。但嚴重的水心病導致果實貯藏壽命降低和內部褐變，影響蘋果品質[2]。因此，亟需一種快速、無損、可靠的檢測方法對其進行鑒別，以期增加蘋果的附加值，為在實際生產中的應用提供技術參考和支撐。

目前，蘋果水心病的無損檢測技術主要有人工智能分類器[3]、自行研制的水心病檢測儀器[4]、近紅外高光譜成像[5]、核磁共振[6-8]、熱成像技術[9]、可見-近紅外能量光譜技術[10]。但這些技術存在耗時長、檢測費用昂貴、識別的正確率低、技術條件復雜等缺點。

近紅外光譜和電子鼻技術是近年來發(fā)展起來的2 種快速、無損操作方便的分析技術。國內外研究者運用近紅外光譜技術對蘋果內部病害研究[11-21]，大多采用近紅外透射技術，很少利用近紅外漫反射技術。近紅外漫反射光是光源發(fā)射出來，進入樣品內部經過多次反射、折射、衍射及吸收后返回樣品表面的光，其負載了樣品的結構和組成信息。電子鼻技術主要對蘋果成熟度[22]、貯藏時間[23]、品種[24-25]、貨架期[26]等方面進行研究；其中，李琦等[27]利用電子鼻對好、碰傷、壞（褐斑、腐爛）蘋果的分類正確率達83.33%以上；鄒小波等[28]研制了一套適合蘋果氣味檢測的電子鼻系統(tǒng)，對好、壞（外傷、爛疤）蘋果的正確判別率可達96.4%。以上研究結果表明近紅外光譜和電子鼻技術檢測蘋果內部病害具有可行性，但傅里葉變換近紅外光譜技術（Fourier transform near infrared spectroscopy，FT-NIR）和電子鼻技術對蘋果水心病的鑒別研究鮮見報道。

本實驗以“秦冠”蘋果為試材，分別利用FT-NIR和電子鼻技術對每個樣本進行信息采集，探討不同光譜預處理方法對Fisher判別模型性能的影響；電子鼻分別結合Fisher判別、多層感知器（multilayer perceptron，MLP）神經網絡、徑向基函數（radial basis function，RBF）神經網絡3 種方法建立判別模型，并對未知樣本進行驗證，為FT-NIR和電子鼻技術判別水心病蘋果提供參考。

1 材料與方法

1.1 材料

“秦冠”蘋果（277 個）于2015年10月14日采自陜西省白水縣堯禾鎮(zhèn)農家果園。選摘成熟度一致、大小均勻、無機械損傷的疑似水心病果（據有經驗的果農對果實判斷）和健康果，當天運回實驗室，放入（0±1）℃、相對濕度85%～90%的冷庫中。實驗前，將蘋果從冷庫中取出，于室溫（25±1）℃放置24 h，依次編號。

1.2 儀器與設備

MPA型FT-NIR儀 德國Bruker Optics公司；PEN3便攜型電子鼻 德國Airsense公司。

1.3 方法

1.3.1 FT-NIR采集

于每個蘋果的赤道處標記等距離的3 個光譜采集點，取平均光譜為樣本的近紅外光譜[29]。儀器測定參數設置：固體光纖探頭，分辨率8 cm-1，掃描次數64，掃描范圍12 000～4 000 cm-1。

1.3.2 電子鼻信號采集

將蘋果置于1 L的玻璃燒杯中，用聚乙烯保鮮膜（厚度為0.03 mm）密封燒杯口3 層，于（25±1）℃靜置1 h[30]，使其頂部空間的揮發(fā)物達到平衡狀態(tài)，再將電子鼻的進樣針透過保鮮膜插入燒杯中，頂空取樣檢測。電子鼻測定的參數設置：樣品測定時間60 s，清洗時間300 s，內部空氣流量300 mL/min，進樣流量300 mL/min。測定時，電子鼻響應值逐漸增大，第50秒后趨于平緩，因此采用第59秒時的響應值進行數據分析。

PEN3電子鼻包含S1（W1C，芳香苯類）、S2（W5S，氨氧化物）、S3（W3C，氨類）、S4（W6S，氫氣）、S5（W5C，烷烴）、S6（W1S，甲烷）、S7（W1W，硫化氫）、S8（W2S，乙醇）、S9（W2W，有機硫化物）和S10（W3S，芳香烷烴）10 個金屬氧化物傳感器陣列。

FT-NIR和電子鼻信號采集完畢的蘋果，全部沿果實赤道處橫向切開，判斷并記錄該編號果實是健康果還是水心病果。

1.4 數據處理

將OPUS 5.5軟件預處理的FT-NIR信號導入到Excel中，用SPSS 20.0軟件進行主成分分析和Fisher判別；將Winmuster軟件測得的電子鼻信號，在SPSS 20.0軟件中進行Fisher判別、MLP及RBF分析。

2 結果與分析

2.1 FT-NIR對蘋果水心病的判別結果分析

2.1.1 健康蘋果和水心病蘋果的FT-NIR圖

由圖1可見，在12 000～4 000 cm-1波數范圍內，健康果和水心病果的FT-NIR曲線形狀非常相似，并出現部分交叉重疊，故很難從光譜圖上直觀區(qū)分健康果和水心病果。由于外部環(huán)境、樣本背景、儀器設備等因素的干擾，FT-NIR會出現噪聲、基線漂移和光散射等現象，為了盡可能消除干擾因素對判別模型性能的影響，分別采用矢量歸一化、最小-最大歸一化（minmax normalization，MMN）、9 點平滑、多元散射校正（multiplicative scatter correction，MSC）和一階導數（9 點平滑）5 種方法對原始光譜進行預處理。

圖1 健康蘋果和水心病蘋果的FT-NIRFig. 1 FT-NIR spectra of healthy and watercore apples

圖2 不同光譜預處理方法提取的前20 個主成分的累計貢獻率Fig. 2 Cumulative variance plot of the first 20 principal components extracted by different spectrum preprocessing methods

由圖2可見，除一階導數預處理的累計貢獻率為96%，其他光譜預處理后提取的前20 個主成分的累計貢獻率均在99%以上?？紤]到健康果和水心病果的光譜差別較小，若選取的主成分數過少，則可能會造成較大的判別誤差。所以為了獲得較高的正確判別率，選取前20 個主成分作為建立Fisher判別函數的自變量。

2.1.3 基于主成分分析的Fisher判別函數結果

以數字0和1分別代表健康果和水心病果，分別從健康果和水心病果中隨機選取39 個和29 個蘋果作為驗證集，其余209 個蘋果作為建模集。取經不同光譜預處理后提取的前20 個主成分作為自變量，利用SPSS 20.0軟件進行Fisher判別分析。不同光譜預處理方法結合主成分分析建立的Fisher函數判別結果見表1。

表1 不同光譜預處理方法結合主成分分析建立的Fisher函數判別結果Table 1 Discrimination accuracy rates for training set samples of Fisher function established by combination of different spectral preprocessing methods with PCA

由表1可知，經一階導數（9 點平滑）預處理建立的Fisher判別函數的正確判別率最高，達到100%；經MMN預處理所建判別函數的正確判別率最低，為92.3%；經矢量歸一化、9 點平滑和MSC預處理所建判別函數正確判別率均低于100%。

經一階導數（9 點平滑）預處理結合主成分分析所建Fisher判別方程：

健康蘋果：Y0=-141.599-327.549X1＋8.979X2-32.439X3-21.553X4＋6.054X5＋5.725X6＋1.677X7-1.225X8-6.459X9＋4.088X10＋3.515X11＋1.796X12-2.825X13-3.719X14＋2.435X15-2.749X16-1.458X17-0.695X18-1.597X19＋1.522X20

水心病蘋果：Y1=-260.072＋444.309X1-11.514X2＋44.092X3＋29.267X4-8.114X5-8.003X6-2.122X7＋1.897X8＋8.957X9-5.287X10-4.587X11-2.289X12＋4.003X13＋5.081X14-3.372X15＋3.707X16＋1.821X17＋0.901X18＋2.076X19-2.223X20

式中：Xi表示第i個主成分（i=1，2，…，20）。

為檢驗所建判別函數對未知樣本的判別效果，將68 個未參與建模的樣本，即驗證集，代入上述Fisher判別方程，計算Y0和Y1的結果，并比較二者的數值大小，如果Y0大于Y1，則被判為組0（健康果），如果Y0小于Y1，則被判為組1（水心病果）。一階導數預處理結合主成分建立Fisher判別函數對驗證集的判別結果見表2。由表2可知，一階導數（9 點平滑）結合主成分分析所建Fisher判別函數對驗證集的正確判別率為100%，說明了主成分分析結合Fisher判別應用于健康蘋果和水心病蘋果判別是可行的。這是由于原始光譜數據經一階導數預處理后，提高了光譜數據的信噪比，同時Fisher判別使水心病果和健康果數據集之間的方差盡可能大，更好地區(qū)分二者，增強了校正模型的穩(wěn)健性和預測能力。

表2 一階導數結合主成分分析所建Fisher判別函數對驗證集的判別結果Table 2 Discrimination accuracy rates for test set samples of Fisher function established by PCA after first derivative preprocessing

2.2 電子鼻對蘋果水心病的判別結果分析

2.2.1 Fisher判別函數的建立與驗證結果

以數字0和1分別代表健康果和水心病果，從樣本中隨機選取120 個健康果和89 個水心病果作為建模集，剩余的68 個樣本作為驗證集。將第59秒時電子鼻10 個傳感器的響應值作為Fisher判別模型的因變量輸入。經SPSS 20.0軟件計算，建立Fisher判別函數進行分析，建模集和驗證集的判別結果見表3。

Fisher判別方程：

健康蘋果：W0=-4 127.534-1 639.708S1-6.749S2＋3 133.317S3＋2 494.203S4＋196.139S5＋61.178S6＋14.225S7-94.252S8＋3 436.390S9＋578.447S10

水心病蘋果：W1=-4 181.615-1 755.557S1-6.748S2＋3 182.942S3＋2 554.934S4＋275.291S5＋57.181S6＋14.418S7-92.522S8＋3 445.649S9＋543.819S10

式中：Si表示第i個金屬氧化物傳感器（i=1，2，…，10）。

為檢驗所建判別函數對未知樣本的判別效果，將68 個樣本的驗證集，代入上述Fisher判別方程，計算W0和W1的結果，并比較二者的數值大小，如果W0大于W1，則被判為組0（健康果），如果W0小于W1，則被判為組1（水心病果）。由表3可知，電子鼻結合Fisher判別函數對建模集和驗證集的總體正確判別率分別為90%、89.7%，說明了電子鼻技術結合Fisher判別應用蘋果水心病判別的可行性。

表3 Fisher判別函數對健康蘋果和水心病蘋果的判別結果Table 3 Discrimination accuracy rates of Fisher discriminant function for healthy and watercore apples in training and test sets

2.2.2 MLP神經網絡判別結果

表4 MLP神經網絡模型對健康蘋果和水心病蘋果的判別結果Table 4 Discrimination accuracy rates of MLP neural network model for healthy and watercore apples

建立3 層MLP神經網絡模型，隱藏層層數為1，訓練集與測試集的相對數量為7∶3。模型的輸入層為電子鼻第59秒時的10 個傳感器響應值，即模型的輸入層單位數為10。輸出層的節(jié)點數為2，代表健康果和水心病果。經SPSS 20.0軟件計算，優(yōu)化算法選擇調整的共軛梯度，模型的其他參數設置為：隱藏層單位數為7，隱藏層的激活函數為雙曲正切函數，輸出層的激活函數分為Softmax。

根據上述MLP神經網絡模型參數的設定，對訓練集和測試集的判別結果見表4。所建立的MLP神經網絡模型對健康果和水心病果的正確判別率較高，其中訓練集和測試集的總體判別準確率分別為90.1%和89.5%，說明電子鼻結合MLP神經網絡模型能夠較好地識別水心病蘋果。

2.2.3 RBF神經網絡判別結果

建立3 層RBF神經網絡模型。訓練集與測試集的相對數量為7∶3。以電子鼻第59秒時的10 個傳感器響應值作為輸入層，因此，模型的輸入層單位數為10。輸出層的節(jié)點數為2，代表健康果和水心病果。經SPSS 20.0軟件計算，模型的其他參數設置為：隱藏層的單位數為9，隱藏層的激活函數為Softmax，輸出層的激活函數為恒等函數。

表5 RBF神經網絡模型對健康蘋果和水心病蘋果的判別結果Table 5 Discrimination accuracy rates of RBF neural network model for healthy and watercore apples

由表5可知，電子鼻結合RBF神經網絡模型對訓練集和測試集的總體正確判別率分別為86.5%、85.7%，低于Fisher判別函數和MLP神經網絡的正確判別率，并且訓練集中水心病蘋果的正確判別率僅為81.6%，說明電子鼻結合RBF神經網絡對蘋果水心病的檢測有待進一步研究。

3 結 論

FT-NIR原始光譜經一階導數（9 點平滑）預處理后結合主成分所建立的Fisher判別函數，對未知樣本的正確判別率達100%。由此可知，模型有著較好的預測準確率，驗證了FT-NIR技術應用于蘋果水心病檢測的可行性。但考慮到地域、品種、年份等局限因素，為進一步提高模型在實際應用中的推廣能力，建議對不同產地、品種和年份的水心病果進行判別研究。

比較了電子鼻分別結合3 種化學計量學的方法對未知樣本的正確判別率，其中，Fisher判別和MLP神經網絡的判別結果較好，均在89%以上，驗證了電子鼻技術結合化學計量學應用于蘋果水心病檢測的可行性。

考慮到FT-NIR和電子鼻2 種儀器在實際應用中的檢測效率和經濟條件因素，以及對蘋果水心病的識別效果，認為FT-NIR技術可以更好地對蘋果水心病進行無損檢測。