張仲雄, 劉昊靈, 魏子朝, 浦育歌, 張佐經(jīng), 趙 娟*, 胡 瑾*

1. 西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院, 陜西 楊凌 712100

2. 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室, 陜西 楊凌 712100

3. 陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點實驗室, 陜西 楊凌 712100

引 言

蘋果口感酸甜營養(yǎng)價值高, 具有預(yù)防疾病和提高人體免疫力等多種益處[1], 成為消費者最受青睞的水果之一, 但蘋果在生長和儲藏過程中易發(fā)生病害, 其中霉心病是一種常見的蘋果內(nèi)部果實病害, 會導(dǎo)致蘋果產(chǎn)前生長期落果和產(chǎn)后儲藏期爛果, 給蘋果種植者和管理者帶來巨大的經(jīng)濟(jì)損失。 研究發(fā)現(xiàn)霉心病蘋果中含有對人體有害的多種毒素物質(zhì)[2], 會對消費者健康產(chǎn)生巨大威脅。 由于霉心病蘋果通過外觀難以識別, 存在一定的食品安全隱患, 迫切需要一種蘋果內(nèi)部病害無損檢測技術(shù)以滿足市場檢測需求, 從而保障消費者吃到安全放心的蘋果。

目前已有多種檢測技術(shù)應(yīng)用于蘋果霉心病無損檢測, 其中可見/近紅外光譜技術(shù)相比于X射線[3]、 電子鼻[4]、 振動聲學(xué)[5]等其他無損檢測技術(shù)具有操作簡單、 高效快速、 綠色環(huán)保和成本低等優(yōu)勢, 因此近紅外光譜技術(shù)是諸多蘋果霉心病無損檢測中理論研究最多和實際應(yīng)用最廣泛的技術(shù)[6]。 檢測方式的選擇是開展光譜檢測的關(guān)鍵, 在蘋果霉心病光譜無損檢測方面, 目前主要有漫反射、 漫透射和透射三種檢測方式, 由于不同的研究中基于不同的檢測方式與不同的實驗樣本所得到檢測結(jié)果各不相同, 僅從檢測結(jié)果直接比較, 不具有可比性, 而針對同一批樣本, 不同檢測方式的檢測結(jié)果究竟如何, 目前還未有相關(guān)研究報道。

原始光譜數(shù)據(jù)往往是高維冗余的變量, 如果直接用于建模不僅會導(dǎo)致模型復(fù)雜過高還會影響模型的準(zhǔn)確性和穩(wěn)定性, 因此在光譜數(shù)據(jù)建模前需要采取必要的降維處理, 在去除冗余變量同時保證模型精度。 近年來, 隨著機(jī)器學(xué)習(xí)的快速發(fā)展, 流形學(xué)習(xí)在數(shù)據(jù)降維方面受到高度重視, 越來越多的研究將非線性流行學(xué)習(xí)方法用于解決光譜數(shù)據(jù)降維問題, 其中Lorente等[7]采用三種不同的流行方法減少可見/近紅外反射光譜維度, 并基于降維后的光譜數(shù)據(jù)檢測由真菌引起的柑橘類水果早期腐爛問題。 Wang等[8]將近紅外光譜與流形學(xué)習(xí)方法結(jié)合, 提高了汽油中辛烷值預(yù)測的準(zhǔn)確性。 郭俊先等[9]采用近紅外透射光譜與化學(xué)計量學(xué)方法結(jié)合非線性流形學(xué)習(xí)數(shù)據(jù)降維方法, 實現(xiàn)了新疆冰糖心紅富士水心病的鑒別。 上述研究表明流行學(xué)習(xí)方法在光譜數(shù)據(jù)降維方面具有明顯的優(yōu)勢。

本研究基于可見/近紅外光譜技術(shù), 搭建了蘋果漫反射、 漫透射和透射光譜數(shù)據(jù)采集平臺, 獲取同一批蘋果樣本的漫反射、 漫透射和透射光譜, 利用流形學(xué)習(xí)算法對預(yù)處理后的光譜數(shù)據(jù)進(jìn)行降維處理, 建立了基于LS-SVM算法的蘋果霉心病分類模型, 比較了不同的流行學(xué)習(xí)降維方法對模型的影響, 分析了不同光譜檢測方式的優(yōu)勢與不足, 最后選擇了蘋果霉心病光譜無損檢測中最佳的檢測方式與數(shù)據(jù)降維方法。

1 實驗部分

1.1 材料

富士蘋果樣本于2020年10月從陜西省扶風(fēng)縣某果園采摘, 挑選大小均勻和表面無缺陷的243個蘋果, 裝箱后運至西北農(nóng)林科技大學(xué)農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室。 將蘋果表面擦干凈后統(tǒng)一編號, 未避免環(huán)境溫度對檢測結(jié)果的影響, 在實驗室條件(溫度： 22～25 ℃)下放置12 h后開始實驗。

1.2 不同檢測方式的光譜采集系統(tǒng)搭建

實驗室自主搭建的蘋果漫反射、 漫透射和透射光譜采集系統(tǒng)如圖1(a, b, c)所示。 光譜儀都采用Maya2000 Pro(美國, Ocean Optics公司), 光譜波長范圍200～1 100 nm。 光譜儀一端與不同檢測方式的光纖相連, 另一端通過數(shù)據(jù)線與計算機(jī)連接, 在SpectraSuite軟件中設(shè)定采集參數(shù)和保存光譜數(shù)據(jù)。

圖1 三種不同的光譜采集系統(tǒng)示意圖

蘋果漫反射光譜采集系統(tǒng)如圖1(a)所示, 漫反射光纖采用二分叉光纖, 一端固定在蘋果的果托下方, 另外兩端分別連接光譜儀和漫反射光源。 漫反射光源使用HL-2000型鹵鎢燈(美國, Ocean Optics公司), 光源波長范圍為360～2 400 nm, 在光譜采集軟件中設(shè)置積分時間為10 ms, 平均掃描次數(shù)和滑動平均寬度都為5, 獲取相應(yīng)的光譜數(shù)據(jù), 然后利用式(1)計算得到每個蘋果樣本的反射率R。

(1)

式(1)中,R為反射率,Rr為原始漫反射光譜,Rd為漫反射暗參考光譜,Rw為漫反射亮參考光譜。

蘋果漫透射光譜采集系統(tǒng)如圖1(b)所示, 采用兩個MR16型鹵素?zé)?德國, OSRAM公司), 單個功率50 W光源波長范圍為250～3 000 nm, 位于蘋果上方且安裝方向與水平面成45°。 圖1(c)為蘋果透射光譜采集系統(tǒng), 采用一個MR16型鹵素?zé)? 且安裝在蘋果的正上方。 透射和漫透射光纖一端連接蘋果果托下方的準(zhǔn)直鏡, 另一端連接光譜儀, 在光譜采集軟件中設(shè)置積分時間為100 ms, 平均掃描次數(shù)和滑動平均寬度都為5。

1.3 光譜數(shù)據(jù)采集

為避免外界雜散光對檢測結(jié)果的影響, 所有的光譜數(shù)據(jù)采集過程均在暗室中進(jìn)行。 為保證采集系統(tǒng)穩(wěn)定而獲得可靠的光譜數(shù)據(jù), 采集數(shù)據(jù)前對系統(tǒng)預(yù)熱30 min, 在每個蘋果赤道方向均勻選擇三個光譜采集點, 分別測量每個樣本的漫反射、 漫透射和透射光譜數(shù)據(jù), 將三個點的平均值作為該樣本的光譜數(shù)據(jù)。

1.4 蘋果霉心病信息統(tǒng)計

在獲取每個蘋果樣本的三種光譜數(shù)據(jù)后, 用水果刀沿蘋果莖軸處切開, 根據(jù)果核與果肉部分是否有病害物質(zhì), 將樣本標(biāo)簽分為健康蘋果和霉心病蘋果。 實驗中健康蘋果與不同類型的霉心病蘋果如圖2(a—d)所示, 可以看出健康蘋果果核與果肉正常, 而霉心病蘋果內(nèi)部果核有褐變、 發(fā)霉、 腐爛等癥狀, 發(fā)病嚴(yán)重的樣本從果核逐漸腐爛至果肉部分, 但外觀卻與健康蘋果并無明顯差異, 只有將蘋果切開后觀察內(nèi)部情況才能判斷是否為健康蘋果或霉心病蘋果。 為了方便后續(xù)的建模分析, 采用數(shù)字標(biāo)簽“1”表示健康蘋果, 數(shù)字標(biāo)簽“-1”表示霉心病蘋果。

1.5 光譜預(yù)處理

在光譜數(shù)據(jù)獲取過程中, 由于實驗樣本、 采集環(huán)境、 儀器老化和人為操作等因素影響, 導(dǎo)致采集的原始光譜中除了包含被測樣本的有效信息外, 還包含噪聲等其他干擾信息, 采用一階導(dǎo)數(shù)(first derivative, FD)、 歸一化(normalize, NOR)、 S-G平滑(savitzky-golay, S-G)、 多元散射校正(multiplicative scattev correction, MSC)和標(biāo)準(zhǔn)正態(tài)變量變化(standard normal variate, SNV)進(jìn)行光譜數(shù)據(jù)預(yù)處理, 從而達(dá)到降低噪聲、 提高信噪比和減少其他干擾因素影響的目的[10]。

1.6 樣本平衡處理與劃分

原始的光譜數(shù)據(jù)存在健康蘋果和霉心病蘋果樣本分布不均衡問題, 使模型性能傾向樣本數(shù)量較多的健康蘋果, 導(dǎo)致模型對霉心病蘋果檢測性能較低, 根據(jù)前期研究[11]采用SMOTE方法對原始不平衡光譜數(shù)據(jù)進(jìn)行均衡化處理, 采用KS算法按3∶1分為校正集與測試集, 樣本集具體分布情況如表1所示。

表1 樣本集分布

1.7 光譜數(shù)據(jù)降維

由于原始的光譜數(shù)據(jù)維度較高, 且不同波段的冗余數(shù)據(jù)降低了模型的預(yù)測精度和魯棒性, 因此, 在構(gòu)建光譜分析模型前需要進(jìn)行數(shù)據(jù)降維處理, 進(jìn)一步去除冗余信息、 降低模型復(fù)雜度、 簡化模型結(jié)構(gòu)和提高模型性能。 主成分分析(principal component analysis, PCA)是目前光譜分析中最常用的數(shù)據(jù)降維方法之一, 其降維原理是根據(jù)方差最大理論對原始光譜數(shù)據(jù)的多個變量進(jìn)行線性組合, 得到新的綜合變量代替原始的高維數(shù)據(jù), 從而實現(xiàn)高維光譜數(shù)據(jù)降維[12]。 流行學(xué)習(xí)是將原始高維數(shù)據(jù)中恢復(fù)低維流形結(jié)構(gòu), 計算出相應(yīng)的嵌入映射, 從而實現(xiàn)數(shù)據(jù)的降維處理。 局部線性嵌入(locally linear embedding, LLE)算法可以學(xué)習(xí)數(shù)據(jù)間的局部流行結(jié)構(gòu), 具有計算復(fù)雜度低的優(yōu)勢[13]。 多尺度分析(multidimensional scaling, MDS)算法根據(jù)數(shù)據(jù)集的相似程度, 計算各數(shù)據(jù)點在K維空間中的位置, 高維數(shù)據(jù)轉(zhuǎn)換為低維數(shù)據(jù)后樣本點的相對位置關(guān)系不變。 分布鄰域嵌入(stochastic neighbor embedding, SNE)算法將數(shù)據(jù)間的歐式距離轉(zhuǎn)化為條件概率在低維空間中表示高維數(shù)據(jù)間的相似性。 t分布鄰域嵌入(t-distributed stochastic neighbor embedding, t-SNE)算法是對SNE算法的改進(jìn), 采用t-分布概率代替條件概率, 可以使數(shù)據(jù)在低維空間中均勻分布。

1.8 建模方法

最小二乘支持向量機(jī)(least squares-support vector machine, LS-SVM)算法在處理光譜的定性和定量問題方面具有明顯的優(yōu)勢, 因此文中將LS-SVM算法用于建立蘋果霉心病判別模型。 LS-SVM算法對支持向量機(jī)(support vector machine, SVM)算法的進(jìn)一步改進(jìn), 將不等式約束變?yōu)榈仁郊s束, 通過求解線性方程組來解決復(fù)雜的凸二次優(yōu)化問題, 彌補了SVM算法在少量的訓(xùn)練樣本中存在訓(xùn)練時間長、 訓(xùn)練結(jié)果隨機(jī)等不足, 適合解決小樣本和高維數(shù)據(jù)問題[14], 具體模型用式(2)表示。

(2)

式(2)中,K(x,xi)是核函數(shù),xi是輸入向量,ai是拉格朗日乘子,b是偏差。 常用的核函數(shù)有多項式函數(shù)、 Sigmoid函數(shù)和徑向基函數(shù)等, 其中徑向基函數(shù)可以處理光譜與檢測對象之間的線性和非線性關(guān)系, 因此將徑向基函數(shù)作為核函數(shù), 具體如式(3)所示。

K(xi,xj)=exp(‖xi-xj‖2/2σ2)

(3)

式(3)中,σ2是徑向基核函數(shù)的寬度。

采用準(zhǔn)確率評價模型性能, 準(zhǔn)確率表示模型正確識別的樣本與總樣本的比值, 該值越接近100%說明模型性能越好。

2 結(jié)果與討論

2.1 不同檢測方式

三種不同檢測方式的健康蘋果和霉心病蘋果的平均光譜如圖3所示。 漫反射光譜選取400～1 000 nm作為有效波長, 光譜曲線如圖3(a)所示, 在490 nm之前健康蘋果光譜反射率高于霉心病蘋果, 在490～623 nm之間健康蘋果光譜反射率低于霉心病蘋果, 在623 nm之后健康蘋果和霉心病蘋果光譜反射率比較接近。 漫透射和透射光譜選取550～950 nm作為有效波長, 光譜曲線分別如圖3(b)和(c)所示, 其中, 健康蘋果的光強普遍高于霉心病蘋果, 漫透射的光強高于透射光強。 兩種光譜分別在波長636、 705和808 nm附近有明顯的波峰, 在波長680和748 nm附近有明顯的波谷, 其中705 nm附近波峰最高, 可能是由C—H鍵和O—H鍵的拉伸振動產(chǎn)生波峰[15], 在波長680 nm附近有明顯的吸收峰, 是由于葉綠素的吸收所導(dǎo)致[6]。 三種不同的光譜檢測方式中, 健康蘋果和霉心病蘋果光譜在不同波段處都存在明顯的差異, 這為基于光譜技術(shù)的蘋果霉心病無損檢測提供了理論依據(jù)。

圖3 三種不同檢測方式的平均光譜

2.2 光譜預(yù)處理

對比了五種不同的光譜預(yù)處理方法對三種不同檢測方式的光譜建模結(jié)果的影響, 每種檢測方式中最佳的預(yù)處理方法如表2所示。 在漫反射檢測方式中, 經(jīng)過FD預(yù)處理后模型的性能最優(yōu), 在漫透射檢測方式中, 經(jīng)過SNV和FD預(yù)處理后模型的性能最優(yōu), 在透射檢測方式中, 經(jīng)過S-G平滑預(yù)處理后模型的性能最優(yōu)。 結(jié)果表明由于不同預(yù)處理方法的原理不同, 對模型性能的影響也不同, 因此需要針對實際的光譜數(shù)據(jù)情況, 對比不同預(yù)處理方法, 選擇最佳的預(yù)處理方法。

表2 基于LS-SVM模型的三種檢測方式分類結(jié)果

2.3 光譜降維分析

為比較不同降維方法對不同檢測方式光譜數(shù)據(jù)的降維效果, 將上述研究選擇的最佳預(yù)處理方法用于不同的降維方法中, 具體結(jié)果如表2所示。 可以發(fā)現(xiàn)三種不同的檢測方式中, 除了漫透射檢測方式中基于PCA、 MDS和SNE三種方法預(yù)測集準(zhǔn)確率都為92.86%外, 其他兩種檢測方式中基于SNE降維方法的模型性能最優(yōu)。 表明SNE降維方法適用于蘋果霉心病的多種檢測方式的光譜降維問題, 后續(xù)的建模分析均采用SNE降維方法。

基于SNE算法的不同檢測方式的數(shù)據(jù)集前三維可視化如圖4(a, b, c)所示。 漫反射光譜經(jīng)過降維后, 健康蘋果和霉心病蘋果在空間中的分布較分散, 且有較多的重疊樣本, 漫透射光譜經(jīng)過降維后, 健康蘋果和霉心病蘋果在空間中的分布進(jìn)一步聚集, 重疊樣本相對減少, 而透射光譜經(jīng)過降維后, 健康蘋果和霉心病蘋果在空間中的聚集明顯, 重疊樣本進(jìn)一步減少。 前三維的信息不能將健康蘋果和霉心病蘋果有效分類, 需要更多維度的光譜信息結(jié)合機(jī)器學(xué)習(xí)方法來解決蘋果霉心病光譜分類問題。

圖4 基于SNE算法的不同數(shù)據(jù)集降維可視化圖

2.4 LS-SVM模型參數(shù)

懲罰系數(shù)γ和核函數(shù)參數(shù)σ2是LS-SVM模型的兩個重要參數(shù), 其中γ表示對錯分樣本懲罰的程度, 實現(xiàn)錯分樣本比例與算法復(fù)雜度之間的平衡,σ2表示徑向基核函數(shù)的寬度, 影響數(shù)據(jù)在高維特征空間中分布的復(fù)雜性[16]。 建模前需要對模型的參數(shù)進(jìn)行優(yōu)化選擇, 以確保模型的性能最優(yōu), 懲罰系數(shù)γ和核函數(shù)參數(shù)σ2通過兩步網(wǎng)格搜索法確定, 其中γ和σ2的取值范圍為[1×10-5, 1×105], 三種光譜數(shù)據(jù)集下LS-SVM算法參數(shù)優(yōu)化結(jié)果如圖5所示。 圖中網(wǎng)格點“·”和“×”分別代表第一步和第二步網(wǎng)格搜索的范圍與步長, 曲線代表輪廓誤差。 三種檢測方式光譜基于SNE降維方法的(γ,σ2)最優(yōu)參數(shù)值分別為(332 063.42, 4.25)、 (1.47, 0.43)、 (1.19, 3.76)。

圖5 LS-SVM算法參數(shù)優(yōu)化結(jié)果

2.5 不同檢測方式分類

基于LS-SVM模型的三種檢測方式分類結(jié)果如表2所示。 三種光譜檢測方式中, 透射檢測方式最優(yōu), 其次是漫透射檢測方式, 最低的是漫反射檢測方式。 漫反射檢測方式中最優(yōu)模型的測試集將4個健康蘋果和3個霉心病蘋果誤判, 模型準(zhǔn)確率為90.00%; 漫透射檢測方式中最優(yōu)模型的測試集將3個健康蘋果和2個霉心病蘋果誤判, 模型準(zhǔn)確率為92.86%; 而透射檢測方式中最優(yōu)模型的測試集只將2個霉心病蘋果誤判, 沒有誤判的健康蘋果, 模型準(zhǔn)確率為97.14%。

為了清楚地表示不同檢測光譜方式的誤判樣本, 深入探究不同檢測光譜方式的優(yōu)勢, 用韋恩圖表示誤判的霉心病蘋果和健康蘋果的標(biāo)簽編號。 從圖6(a)中可以看出, 對于誤判的霉心病樣本, 三種檢測方式都將編號107樣本誤判, 透射檢測方式將編號155樣本誤判, 但漫反射和漫透射檢測方式?jīng)]有將該樣本誤判。 同樣, 漫透射檢測方式將編號144樣本誤判, 但透射和漫反射檢測方式?jīng)]有將該樣本誤判。 漫反射檢測方式將編號56和編號87樣本誤判, 但透射和漫透射檢測方式?jīng)]有將這兩個樣本誤判。 對于誤判的健康樣本, 透射檢測方式?jīng)]有誤判的樣本, 其他兩種檢測方式都將編號12和編號110樣本誤判, 另外漫反射檢測方式還將編號102和編號109樣本誤判, 而漫透射檢測方式只將編號121樣本誤判。 結(jié)果表明不同的檢測方式針對不同類型的霉心病樣本具有各自的檢測優(yōu)勢和不足, 后期可以考慮將不同的檢測方式結(jié)合, 以實現(xiàn)不同檢測方式之間的優(yōu)勢互補, 進(jìn)一步提高蘋果霉心病檢測準(zhǔn)確率。

圖6 不同光譜檢測方式誤判樣本韋恩圖

三種檢測方式都將編號107樣本發(fā)生誤判, 從圖7中可以發(fā)現(xiàn), 該樣本是一個發(fā)病程度較輕的霉心病樣本, 由于病害程度較輕的霉心病樣本與健康蘋果果肉組織沒有顯著差異, 導(dǎo)致光譜信息差異較小, 所攜帶的霉心病分類信息相對較弱, 因此這種類型的樣本無論哪種檢測方式都不能正確識別, 需要借助其他的無損檢測方式來解決這類問題。 除了漫反射檢測方式誤判編號56和編號87的樣本發(fā)病程度較高外, 漫透射和透射誤判編號155和編號144的樣本發(fā)病程度相對較低, 說明漫反射檢測方式會將病害程度高的霉心病樣本誤判, 而漫透射與透射檢測方式會將發(fā)病程度較低的霉心病樣本誤判。

圖7 不同光譜檢測方式誤判的霉心病蘋果表型圖

基于同一檢測方式獲取的光譜數(shù)據(jù), 所采用的數(shù)據(jù)降維方法不同, 最終模型結(jié)果也存在一定的差異, 但在不同檢測方式的光譜數(shù)據(jù)中基于SNE流行學(xué)習(xí)降維方法的降維效果普遍都優(yōu)于其他降維方法, 表明該降維方法適合解決蘋果霉心病光譜降維問題。 其次, 可以發(fā)現(xiàn), 并不是所有的流行學(xué)習(xí)降維方法都優(yōu)于傳統(tǒng)的PCA降維方法, 比如在漫反射檢測方式中, 基于MDS和t-SNE的流行學(xué)習(xí)方法的預(yù)測集準(zhǔn)確率僅為85.71%, 而基于PCA降維方法的預(yù)測集準(zhǔn)確率為88.57%, 此外其他兩種檢測方式中也存在該情況。 主成分分析作為一種線性降維方法, 對線性分布的數(shù)據(jù)具有較好的降維效果。 實際的蘋果霉心病光譜無損檢測問題中既包含簡單的線性分類問題, 又存在復(fù)雜的非線性分類問題, 因此降維方法的選擇需要結(jié)合實際的數(shù)據(jù)分布情況來選擇最佳的降維方法。

針對同一批霉心病檢測樣本, 漫反射、 漫透射和透射三種光譜檢測方式都可以實現(xiàn)蘋果霉心病檢測, 但從檢測結(jié)果來看, 透射檢測方式優(yōu)于漫透射檢測方式。 由于蘋果霉心病是一種蘋果內(nèi)部病害, 病菌的侵染是從蘋果果核向周圍組織逐漸擴(kuò)散, 病害組織對光的吸收能力強于健康組織[17]。 透射檢測方式的檢測光源位于蘋果的正上方, 信號接收器位于蘋果的正下方, 檢測光源可以穿過蘋果的果核及周圍組織, 攜帶更多的蘋果霉心病病害信息, 而漫透射檢測方式的檢測光源是從蘋果45°方向進(jìn)入蘋果內(nèi)部, 盡管可以通過蘋果果核位置, 但更多的是與蘋果果肉之間的相互作用信息。 透射和漫透射檢測方式優(yōu)于漫反射檢測方式, 主要是因為漫透射和透射檢測方式的檢測光源能量強, 且光源、 蘋果和信號接收器的位置能使檢測光源經(jīng)過蘋果內(nèi)部, 攜帶了更多的霉心病病害信息。 而漫反射檢測所采用的檢測光源的功率較小, 穿透能力有限, 因此獲取的光譜信息往往只是蘋果表面和淺層信息。 大部分研究采用透射或漫透射檢測方式[18-19]開展蘋果霉心病無損檢測研究。 下一步可以借助蒙特卡洛模擬方法深入探究不同的光譜檢測方式中光子在蘋果組織間相互作用規(guī)律[20], 以便從理論上解釋透射檢測方式優(yōu)于漫透射檢測方式, 漫透射檢測方式優(yōu)于漫反射檢測方式的結(jié)果。

3 結(jié) 論

比較了漫反射、 漫透射和透射三種不同的光譜檢測方式和五種不同的降維方法分別對蘋果霉心病檢測精度的影響。 結(jié)果表明, 光譜檢測方式對蘋果霉心病檢測結(jié)果影響較大, 在不同的光譜檢測方式中, 最佳的光譜檢測方式是透射, 其次是漫透射, 最低的是漫反射。 在不同的光譜數(shù)據(jù)降維方法中, 基于SNE的流行學(xué)習(xí)降維方法在三種光譜數(shù)據(jù)中都具有明顯的優(yōu)勢, 說明該方法更適合解決蘋果霉心病光譜數(shù)據(jù)降維問題。 最終基于透射檢測方式和SNE降維方法構(gòu)建了最優(yōu)的蘋果霉心病判別模型, 其中測試集的總體準(zhǔn)確率為97.14%, 分別高于漫透射檢測方式和漫反檢測方式的4.28%和7.14%。