袁鸿飞，胡馨木，杨军林，任亚梅,*，马惠玲，任小林

苹果水心病俗称“冰糖心”，是一种生理病害。一般发生在果心附近，呈水渍状，不易从外观分辨，较健康果中其山梨醇和蔗糖含量均显著升高[1]。但严重的水心病导致果实贮藏寿命降低和内部褐变，影响苹果品质[2]。因此，亟需一种快速、无损、可靠的检测方法对其进行鉴别，以期增加苹果的附加值，为在实际生产中的应用提供技术参考和支撑。

目前，苹果水心病的无损检测技术主要有人工智能分类器[3]、自行研制的水心病检测仪器[4]、近红外高光谱成像[5]、核磁共振[6-8]、热成像技术[9]、可见-近红外能量光谱技术[10]。但这些技术存在耗时长、检测费用昂贵、识别的正确率低、技术条件复杂等缺点。

近红外光谱和电子鼻技术是近年来发展起来的2 种快速、无损操作方便的分析技术。国内外研究者运用近红外光谱技术对苹果内部病害研究[11-21]，大多采用近红外透射技术，很少利用近红外漫反射技术。近红外漫反射光是光源发射出来，进入样品内部经过多次反射、折射、衍射及吸收后返回样品表面的光，其负载了样品的结构和组成信息。电子鼻技术主要对苹果成熟度[22]、贮藏时间[23]、品种[24-25]、货架期[26]等方面进行研究；其中，李琦等[27]利用电子鼻对好、碰伤、坏（褐斑、腐烂）苹果的分类正确率达83.33%以上；邹小波等[28]研制了一套适合苹果气味检测的电子鼻系统，对好、坏（外伤、烂疤）苹果的正确判别率可达96.4%。以上研究结果表明近红外光谱和电子鼻技术检测苹果内部病害具有可行性，但傅里叶变换近红外光谱技术（Fourier transform near infrared spectroscopy，FT-NIR）和电子鼻技术对苹果水心病的鉴别研究鲜见报道。

本实验以“秦冠”苹果为试材，分别利用FT-NIR和电子鼻技术对每个样本进行信息采集，探讨不同光谱预处理方法对Fisher判别模型性能的影响；电子鼻分别结合Fisher判别、多层感知器（multilayer perceptron，MLP）神经网络、径向基函数（radial basis function，RBF）神经网络3 种方法建立判别模型，并对未知样本进行验证，为FT-NIR和电子鼻技术判别水心病苹果提供参考。

1 材料与方法

1.1 材料

“秦冠”苹果（277 个）于2015年10月14日采自陕西省白水县尧禾镇农家果园。选摘成熟度一致、大小均匀、无机械损伤的疑似水心病果（据有经验的果农对果实判断）和健康果，当天运回实验室，放入（0±1）℃、相对湿度85%～90%的冷库中。实验前，将苹果从冷库中取出，于室温（25±1）℃放置24 h，依次编号。

1.2 仪器与设备

MPA型FT-NIR仪 德国Bruker Optics公司；PEN3便携型电子鼻 德国Airsense公司。

1.3 方法

1.3.1 FT-NIR采集

于每个苹果的赤道处标记等距离的3 个光谱采集点，取平均光谱为样本的近红外光谱[29]。仪器测定参数设置：固体光纤探头，分辨率8 cm-1，扫描次数64，扫描范围12 000～4 000 cm-1。

1.3.2 电子鼻信号采集

将苹果置于1 L的玻璃烧杯中，用聚乙烯保鲜膜（厚度为0.03 mm）密封烧杯口3 层，于（25±1）℃静置1 h[30]，使其顶部空间的挥发物达到平衡状态，再将电子鼻的进样针透过保鲜膜插入烧杯中，顶空取样检测。电子鼻测定的参数设置：样品测定时间60 s，清洗时间300 s，内部空气流量300 mL/min，进样流量300 mL/min。测定时，电子鼻响应值逐渐增大，第50秒后趋于平缓，因此采用第59秒时的响应值进行数据分析。

PEN3电子鼻包含S1（W1C，芳香苯类）、S2（W5S，氨氧化物）、S3（W3C，氨类）、S4（W6S，氢气）、S5（W5C，烷烃）、S6（W1S，甲烷）、S7（W1W，硫化氢）、S8（W2S，乙醇）、S9（W2W，有机硫化物）和S10（W3S，芳香烷烃）10 个金属氧化物传感器阵列。

FT-NIR和电子鼻信号采集完毕的苹果，全部沿果实赤道处横向切开，判断并记录该编号果实是健康果还是水心病果。

1.4 数据处理

将OPUS 5.5软件预处理的FT-NIR信号导入到Excel中，用SPSS 20.0软件进行主成分分析和Fisher判别；将Winmuster软件测得的电子鼻信号，在SPSS 20.0软件中进行Fisher判别、MLP及RBF分析。

2 结果与分析

2.1 FT-NIR对苹果水心病的判别结果分析

2.1.1 健康苹果和水心病苹果的FT-NIR图

由图1可见，在12 000～4 000 cm-1波数范围内，健康果和水心病果的FT-NIR曲线形状非常相似，并出现部分交叉重叠，故很难从光谱图上直观区分健康果和水心病果。由于外部环境、样本背景、仪器设备等因素的干扰，FT-NIR会出现噪声、基线漂移和光散射等现象，为了尽可能消除干扰因素对判别模型性能的影响，分别采用矢量归一化、最小-最大归一化（minmax normalization，MMN）、9 点平滑、多元散射校正（multiplicative scatter correction，MSC）和一阶导数（9 点平滑）5 种方法对原始光谱进行预处理。

图1 健康苹果和水心病苹果的FT-NIRFig. 1 FT-NIR spectra of healthy and watercore apples

图2 不同光谱预处理方法提取的前20 个主成分的累计贡献率Fig. 2 Cumulative variance plot of the first 20 principal components extracted by different spectrum preprocessing methods

由图2可见，除一阶导数预处理的累计贡献率为96%，其他光谱预处理后提取的前20 个主成分的累计贡献率均在99%以上。考虑到健康果和水心病果的光谱差别较小，若选取的主成分数过少，则可能会造成较大的判别误差。所以为了获得较高的正确判别率，选取前20 个主成分作为建立Fisher判别函数的自变量。

2.1.3 基于主成分分析的Fisher判别函数结果

以数字0和1分别代表健康果和水心病果，分别从健康果和水心病果中随机选取39 个和29 个苹果作为验证集，其余209 个苹果作为建模集。取经不同光谱预处理后提取的前20 个主成分作为自变量，利用SPSS 20.0软件进行Fisher判别分析。不同光谱预处理方法结合主成分分析建立的Fisher函数判别结果见表1。

表1 不同光谱预处理方法结合主成分分析建立的Fisher函数判别结果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，经一阶导数（9 点平滑）预处理建立的Fisher判别函数的正确判别率最高，达到100%；经MMN预处理所建判别函数的正确判别率最低，为92.3%；经矢量归一化、9 点平滑和MSC预处理所建判别函数正确判别率均低于100%。

经一阶导数（9 点平滑）预处理结合主成分分析所建Fisher判别方程：

健康苹果：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

水心病苹果：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个主成分（i=1，2，…，20）。

为检验所建判别函数对未知样本的判别效果，将68 个未参与建模的样本，即验证集，代入上述Fisher判别方程，计算Y0和Y1的结果，并比较二者的数值大小，如果Y0大于Y1，则被判为组0（健康果），如果Y0小于Y1，则被判为组1（水心病果）。一阶导数预处理结合主成分建立Fisher判别函数对验证集的判别结果见表2。由表2可知，一阶导数（9 点平滑）结合主成分分析所建Fisher判别函数对验证集的正确判别率为100%，说明了主成分分析结合Fisher判别应用于健康苹果和水心病苹果判别是可行的。这是由于原始光谱数据经一阶导数预处理后，提高了光谱数据的信噪比，同时Fisher判别使水心病果和健康果数据集之间的方差尽可能大，更好地区分二者，增强了校正模型的稳健性和预测能力。

表2 一阶导数结合主成分分析所建Fisher判别函数对验证集的判别结果Table 2 Discrimination accuracy rates for test set samples of Fisher function established by PCA after first derivative preprocessing

2.2 电子鼻对苹果水心病的判别结果分析

2.2.1 Fisher判别函数的建立与验证结果

以数字0和1分别代表健康果和水心病果，从样本中随机选取120 个健康果和89 个水心病果作为建模集，剩余的68 个样本作为验证集。将第59秒时电子鼻10 个传感器的响应值作为Fisher判别模型的因变量输入。经SPSS 20.0软件计算，建立Fisher判别函数进行分析，建模集和验证集的判别结果见表3。

Fisher判别方程：

健康苹果：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

水心病苹果：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个金属氧化物传感器（i=1，2，…，10）。

为检验所建判别函数对未知样本的判别效果，将68 个样本的验证集，代入上述Fisher判别方程，计算W0和W1的结果，并比较二者的数值大小，如果W0大于W1，则被判为组0（健康果），如果W0小于W1，则被判为组1（水心病果）。由表3可知，电子鼻结合Fisher判别函数对建模集和验证集的总体正确判别率分别为90%、89.7%，说明了电子鼻技术结合Fisher判别应用苹果水心病判别的可行性。

表3 Fisher判别函数对健康苹果和水心病苹果的判别结果Table 3 Discrimination accuracy rates of Fisher discriminant function for healthy and watercore apples in training and test sets

2.2.2 MLP神经网络判别结果

表4 MLP神经网络模型对健康苹果和水心病苹果的判别结果Table 4 Discrimination accuracy rates of MLP neural network model for healthy and watercore apples

建立3 层MLP神经网络模型，隐藏层层数为1，训练集与测试集的相对数量为7∶3。模型的输入层为电子鼻第59秒时的10 个传感器响应值，即模型的输入层单位数为10。输出层的节点数为2，代表健康果和水心病果。经SPSS 20.0软件计算，优化算法选择调整的共轭梯度，模型的其他参数设置为：隐藏层单位数为7，隐藏层的激活函数为双曲正切函数，输出层的激活函数分为Softmax。

根据上述MLP神经网络模型参数的设定，对训练集和测试集的判别结果见表4。所建立的MLP神经网络模型对健康果和水心病果的正确判别率较高，其中训练集和测试集的总体判别准确率分别为90.1%和89.5%，说明电子鼻结合MLP神经网络模型能够较好地识别水心病苹果。

2.2.3 RBF神经网络判别结果

建立3 层RBF神经网络模型。训练集与测试集的相对数量为7∶3。以电子鼻第59秒时的10 个传感器响应值作为输入层，因此，模型的输入层单位数为10。输出层的节点数为2，代表健康果和水心病果。经SPSS 20.0软件计算，模型的其他参数设置为：隐藏层的单位数为9，隐藏层的激活函数为Softmax，输出层的激活函数为恒等函数。

表5 RBF神经网络模型对健康苹果和水心病苹果的判别结果Table 5 Discrimination accuracy rates of RBF neural network model for healthy and watercore apples

由表5可知，电子鼻结合RBF神经网络模型对训练集和测试集的总体正确判别率分别为86.5%、85.7%，低于Fisher判别函数和MLP神经网络的正确判别率，并且训练集中水心病苹果的正确判别率仅为81.6%，说明电子鼻结合RBF神经网络对苹果水心病的检测有待进一步研究。

3 结 论

FT-NIR原始光谱经一阶导数（9 点平滑）预处理后结合主成分所建立的Fisher判别函数，对未知样本的正确判别率达100%。由此可知，模型有着较好的预测准确率，验证了FT-NIR技术应用于苹果水心病检测的可行性。但考虑到地域、品种、年份等局限因素，为进一步提高模型在实际应用中的推广能力，建议对不同产地、品种和年份的水心病果进行判别研究。

比较了电子鼻分别结合3 种化学计量学的方法对未知样本的正确判别率，其中，Fisher判别和MLP神经网络的判别结果较好，均在89%以上，验证了电子鼻技术结合化学计量学应用于苹果水心病检测的可行性。

考虑到FT-NIR和电子鼻2 种仪器在实际应用中的检测效率和经济条件因素，以及对苹果水心病的识别效果，认为FT-NIR技术可以更好地对苹果水心病进行无损检测。