一种苹果霉心病多因子无损检测判别模型及其建立方法
【技术领域】
[0001] 本发明属农业技术领域，特别设及一种苹果霉屯、病多因子无损检测判别模型及其 建立方法。
【背景技术】
[0002] 苹果是世界四大水果之一。中国是苹果生产大国，2012年，中国苹果种植面积 222. 15万公顷，产量3849. 1万吨，苹果种植面积和产量均占世界的45%W上。但我国苹果 产业整体存在优质果率低，精品果少的问题，出口率仅有3%左右。我国苹果无法占领国内 高端市场或国外市场的主要原因之一是缺乏对内部缺陷（如水屯、病、褐变等）果实的检测 判别技术手段。因此，迫切需要通过先进的无损检测技术来提高检测效率，改善苹果品质， 提升我国苹果在国内外市场的竞争力。
[0003] 苹果霉屯、病又称屯、腐病，是危害苹果内部品质的主要病害之一。霉屯、病与20多种 真菌有关，其中包含链格抱、镶刀菌、单端抱、展青霉素等神经毒素，若不慎食用则具有影响 生育、致癌和免疫等不良后果。近年来红富±苹果的发病率普遍较高，一般发病率为21 %左 右，尤其是套袋红富±，其发病率高达43. 5%~79. 5%。苹果霉屯、病发病的主要时期在果 实成熟期和贬藏期。早中熟霉屯、病苹果在成熟采收后大多数外表分辨不出来，但进入市场 或消费者手中果实发病不能食用；晚熟品种进入果库后，在贬藏期能继续扩展和发病，使全 果腐烂，毫无食用价值。其混在好果中流入市场，不仅损害了消费者权益，也会影响果商和 产地的声誉，甚至在国际市场上影响国家的声誉。因此，霉屯、病检测已成为苹果产业发展亟 待解决的重大问题。
[0004] 近年来，基于光谱的检测技术被逐步应用到农产品特性检测的相关研究上，并逐 渐被应用到苹果霉屯、病的相关研究当中。李顺峰等将健康苹果和霉屯、病苹果的近红外光 谱经不同光谱漫反射处理，将主成分分析提取的主成分作为自变量，对苹果霉屯、病进行了 判别研究。由于苹果霉屯、病早期发生在果屯、及其附近，通过近表面光谱漫反射的检测方式 难W准确反映果屯、及深层果肉的特征信息，漫反射光谱检测方法不适应于苹果品屯、室周围 品质检测。Shenderey等用可见-近红外小型光谱仪在线检测苹果的霉屯、病，用偏最小二乘 回归所选择的波段建立典型判别模型，该模型对苹果霉屯、病的预测精度较高。但是该建模 选取的是全波段范围的数据，分析过程复杂。此外未考虑到光程对于光检测的影响，检测模 型的先进性和准确率仍有待提高。
【发明内容】
[0005] 为了克服上述现有技术的缺点，本发明的目的在于提供一种苹果霉屯、病多因子无 损检测判别模型及其建立方法，在考虑多因子相关性的前提下，利用主成分分析和Fisher 判别建立起不同波长、直径组合条件下的苹果霉屯、病的判别模型，W期提高苹果霉屯、病检 测的准确率。
[0006] 为了实现上述目的，本发明采用的技术方案是：
[0007] -种苹果霉屯、病多因子无损检测判别模型，模型公式为：
[0008]Z= 1. 585Yi+0. 298Y2-0. 36Y3+0. 270Y4
[000引 其中；
[0010] 其中Z为最终的判别结果，为主成分数据，Yi、Y,、Ys、Y4分别表示可代表所有数据 的S种主成分的数据，Yi、Y2、Y3、Y4用下列公式求得：
[0011]
[001引其中，aii-a。分别表示主成分Y1与P维变量间的相关系数，api-app分别表示主成 分Yp与P维变量间的相关系数，XP表示归一化后的试验数据，P表示试验数据的维数，当Z < 0,说明苹果存在霉屯、病。
[0013] 本发明还提供了所述苹果霉屯、病多因子无损检测判别模型的建立方法，包括如下 步骤：
[0014] 步骤1，建立样本数据
[0015] 随机选择162个无外观缺陷的苹果，逐一编号，在温湿度恒定的环境下，采集各个 苹果的直径数据、重量数据和透射光强数据，然后沿茎轴处切开苹果，判定是否有霉屯、病， 将直径数据、重量数据透射光强数据W及判断结果共同作为样本数据；
[001引步骤2,数据选取
[0017] 对于透射光强数据所对应的整个光谱曲线，选取与苹果霉屯、病相关性最大的 680nm-735nm波段，每隔巧±0. 4)nm的波长选取一个波长值，一共选取12个，对应12个光 强值；
[001引对于直径数据，对垂直于茎轴和平行于茎轴的两个直径di和cU求平均值，获得直 径数据d;
[0019] 对于苹果的重量数据m，直接由电子天平获得；
[0020] 将上述直径t重量m和12个波长所对应的光强值作为待处理的14维实验数据；
[0021] 步骤3,数据处理
[0022] 首先，对所述14维实验数据进行Z-score归一化，转化函数为：
[0023]
[0024] 其中X为所采集的14维实验数据，y为14维实验数据的均值，0为14维实验数 据的标准差，X为归一化后的实验数据；
[00巧]其次，对归一化后的数据进行主成分分析：
[0026] 选取累计贡献率超过90%的前四个主成分，求出其特征向量6i，62,63,64,并计算 该四个主成分与归一化后的每一维实验数据间相关系数；
[0027] 步骤4,模型建立
[0028] 对步骤3中四个主成分进行Fisher判别分析，得到由光强、直径、重量数据建立的 苹果霉屯、病判别模型
[0029] Z= 1. 585Yi+0. 298Y2-0. 36Y3+0. 270Y4。
[0030] 所述直径数据的采集方法为；使用分辨率为0. 01cm的电子游标卡尺，分别从垂直 于茎轴和平行于茎轴的两个方向采集苹果的近似直径di和d2,得到直径数据；
[0031] 所述重量数据的采集方法为；使用分辨率为0.1 g的电子天平，直接测量苹果的重 量，得到重量数据；
[0032] 所述透射光谱图像数据的采集方法为：使用光纤光谱仪，从每个苹果的从平行于 茎轴的方向开始每隔120度的=个方向进行采集，每个方向采集5次，对光谱数据进行粗大 误差分析和滤除后，平均输出保存，得到透射光谱强度数据。
[0033] 所述步骤3中累计贡献率的计算公式为
其中，Ym表示m个主成分的 方差累计贡献量，P为主成分的个数，P= 14,m<P，Ai表示各主成分所对应的特征值，入i为方程IAE-R| =0的解，R是经过归一化后的各直径、重量与光强数据之间的协方差矩阵， E是单位矩阵。
[0034]所述步骤3中特征向量61，62,63,64为算式（Y-AiE)X= 0的非零解，要求
[00巧]
[0036] 其中e。表示ei的第j个分量；
[0037] 所述四个主成分与每一维实验数据间相关系数的计算方法为：
[00測 由 /7(z,.A.) = ^e^,' =l，2,3,4J=l，2....，;?）计算出各变量Xi，X2，......，X。在各主成分Z 上的主成分载荷矩阵P(Z。Xj.)，再由
计算出主成分Y与各光强 和直径的14维数据X的相关系数aii-a^，其中人i为主成分所对应的特征值。
[0039] 采集待测样品的14维试验数据，利用归一化公式
求得归一化后的数据 Xi、X2、X3、X4、Xs、Xe、X,、Xs、Xg、Xi。、X。、X。、X。、Xi4，并计算得到贡献率超过 90% 的前四个主 成分的结果值Yi、Y2、Ys、Y4,然后将该结果值带入到公式
[0040] Z= 1. 585Yi+0. 298Y2-0. 36Y3+0. 270Y4。
[0041] 如果所得结果Y的值小于0则判定所测苹果为霉屯、病果，如果Y值大于0则判定 所测苹果为健康果。
[0042]与现有技术相比，本发明基于透射光谱，建立了一种多因子无损检测判别模型，采 用相关性分析进行变量选择能够有效的剔除冗余光谱信息，确定与苹果霉屯、病检测最相关 的12个的光谱变量，降低了数据分析维数。经过验证，基于所选光谱变量结合苹果的直径、 重量信息相比于只有光谱变量信息、光谱结合重量信息、光谱结合直径信息建立的判别模 型的正确率较高，可达