基于透射光譜的蘋果霉心病多因子無損檢測

蘇 東，張海輝，陳克濤，胡 瑾，張佐經(jīng)，雷 雨

（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）

基于透射光譜的蘋果霉心病多因子無損檢測

蘇 東，張海輝*，陳克濤，胡 瑾，張佐經(jīng)，雷 雨

（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）

針對目前蘋果霉心病難以檢測的問題，提出一種基于透射光譜的蘋果霉心病多因子無損檢測方法，通過融合多波段透射光譜與蘋果直徑，構(gòu)建蘋果霉心病判別模型，實現(xiàn)了蘋果霉心病無損檢測。搭建光譜測試范圍在200～1 025 nm的透射光譜采集平臺，實驗獲取232 個蘋果量本的透射光譜數(shù)據(jù)，采用游標(biāo)卡尺獲得蘋果直徑數(shù)據(jù)。采用雜散光校正，非線性校正對蘋果透射原始光譜進(jìn)行預(yù)處理，選取與霉心病發(fā)病相關(guān)的12 個波段透射光強(qiáng)值，結(jié)合蘋果的直徑進(jìn)行主成分分析，將分析的結(jié)果作為自變量，建立蘋果霉心病Fisher判別模型。經(jīng)過異校驗驗證，模型總體識別率為93.1%，而僅采用透射光譜構(gòu)建的模型識別率為91.37%。結(jié)果表明，基于透射光譜與直徑結(jié)合的多因子檢測方法可實現(xiàn)蘋果霉心病的準(zhǔn)確判定，為蘋果霉心病的快速、無損檢測提供可行思路。

蘋果霉心??；定波段；透射光譜；無損檢測；主成分分析；Fisher判別

蘇東， 張海輝， 陳克濤， 等. 基于透射光譜的蘋果霉心病多因子無損檢測［J］. 食品科學(xué)， 2016， 37（8）: 207-211.

SU Dong， ZHANG Haihui， CHEN Ketao， et al. Multiple-factor nondestructive detection of moldy core in apples based on transmission spectra［J］. Food Science， 2016， 37（8）: 207-211. （in Chinese with English abstract） DOI:10.7506/spkx1002-6630-201608037. http://www.spkx.net.cn

蘋果是世界四大水果之一，中國是蘋果生產(chǎn)大國，2012年，中國蘋果種植面積222.15萬 hm2，產(chǎn)量3 849.1萬 t，蘋果種植面積和產(chǎn)量均占世界的45%以上［1］。但我國蘋果產(chǎn)業(yè)整體存在優(yōu)質(zhì)果率低和精品果少等問題，出口率僅有3%左右［2］。我國蘋果無法占領(lǐng)國內(nèi)高端市場或國外市場的主要原因之一是缺乏對霉心病等內(nèi)部缺陷的判別方法［3］。蘋果霉心病又稱心腐病，是危害蘋果內(nèi)部品質(zhì)的主要病害之一，其與20多種真菌有關(guān)，具有影響生育和免疫系統(tǒng)，嚴(yán)重時致癌等危害［4］。近年來蘋果霉心病的發(fā)病率普遍較高，一般發(fā)病率為21%左右，尤其是套袋紅富士，其發(fā)病率高達(dá)43.5%～79.5%［5］。因此，霉心病檢測已成為蘋果產(chǎn)業(yè)發(fā)展亟待解決的重大問題［6-7］。

相關(guān)研究采用低頻磁共振、生物阻抗特性和機(jī)器視覺等方法檢測蘋果霉心?。?-10］，可不同程度實現(xiàn)病果判別，但存在分析過程繁瑣、耗時、準(zhǔn)確率低、技術(shù)條件復(fù)雜和需要破壞量品等缺點。近年來，基于CT成像［11-12］和光譜［13-17］的無損檢測技術(shù)在農(nóng)產(chǎn)品內(nèi)部品質(zhì)研究中得到應(yīng)用，并出現(xiàn)了針對蘋果霉心病的光譜快速檢測研究。Li Shunfeng等［18-20］采用近紅外漫反射光譜技術(shù)獲得蘋果光譜數(shù)據(jù)，主成分分析（principal component analysis，PCA）提取后的主成分作為自變量，對蘋果霉心病進(jìn)行了判別研究。以上研究未考慮由于霉心病發(fā)生在果心及其附近，近表面光譜漫反射的檢測方式難以準(zhǔn)確反映果心及深層果肉的特征信息［21］，漫反射光譜檢測方法不適應(yīng)于蘋果品心室周圍品質(zhì)檢測。Shenderey等［22］用可見-近紅外小型光譜儀在線檢測蘋果的霉心病，用偏最小二乘回歸所選擇的波段建立典型判別模型，該模型對蘋果霉心病的預(yù)測精度較高。但是該建模選取的是全波段范圍的數(shù)據(jù)且分析過程復(fù)雜。此外未考慮到光程對于光檢測的影響，檢測模型的先進(jìn)性和準(zhǔn)確率仍有待提高。

針對上述問題，本實驗提出一種基于透射光譜的蘋果霉心病檢測方法，考慮透射光強(qiáng)度受蘋果內(nèi)部光程影響以及光程與直徑直接相關(guān)的特點，將直徑作為參數(shù)與透射光譜強(qiáng)度關(guān)聯(lián)，利用PCA和Fisher判別建立特定波長透射光強(qiáng)值和直徑等組合條件下的蘋果霉心病判別模型，以期提高蘋果霉心病檢測的準(zhǔn)確率。

1　材料與方法

1.1材料

蘋果品種為‘紅富士’，量本于2014年10月14日采摘于陜西省洛川縣李家坳村，隨機(jī)選擇一個果園，以隨機(jī)抽量的方式采摘一批蘋果，選擇其中無缺陷、無損傷或污染物的232 個蘋果進(jìn)行實驗。采用標(biāo)簽對量本逐個編號，實驗過程保持室內(nèi)溫度為18～22 ℃，相對濕度為30%～40%。

1.2儀器與設(shè)備

為了獲取蘋果量品的透射光譜，本實驗設(shè)計并開發(fā)了透射光譜采集的專用平臺，主要由計算機(jī)、光譜儀、檢測暗室、支架、光源等組成，其結(jié)構(gòu)如圖1所示。

圖1　透射光譜采集平臺Fig.1 Transmission spectrum acquisition platform

其中，光譜儀采用美國海洋光學(xué)公司生產(chǎn)的USB2000+，其接收光譜范圍是200～1 025 nm，光譜分辨率約為0.43 nm。檢測暗室為60 cm×40 cm×100 cm長方形箱體，載物支架高60 cm，在40 cm處安裝光源，光源由4 個50 W鹵素?zé)舫蓤A形陣列，直對著安裝在載物臺下面位置的光纖探針，每個鹵素?zé)襞菥喾胖锰O果載物臺的中心距離為12 cm。在支架20 cm處安裝載物臺，在載物臺上面放置雙層遮光海綿，確保只有透過蘋果的光能夠進(jìn)入光譜檢測系統(tǒng)。

1.3方法

1.3.1光譜數(shù)據(jù)采集及預(yù)處理

采用透射光譜采集平臺對每個蘋果量本進(jìn)行測量，將蘋果果梗的一面垂直于載物臺放置，蘋果位于光源正下方。每個量本從垂直于蘋果莖軸每隔120°的3 個方向進(jìn)行光譜采集，每個方向采集5 次［22］。分別采用去除暗噪聲、非線性校正和雜散光校正3 種方法對光譜數(shù)據(jù)進(jìn)行預(yù)處理。并對3 個方向的光譜曲線數(shù)據(jù)求平均值。

1.3.2直徑數(shù)據(jù)采集及預(yù)處理

采用電子游標(biāo)卡尺（分辨率為0.01 cm）分別從采集光譜信息相同的3 個位置采集直徑d1、d2和d3，并求取平均值獲得新的直徑d。

1.3.3病害信息采集

圖2　健康蘋果與霉心病蘋果沿莖軸處切開后圖像對比Fig.2 Normal and moldy core of apples

采集完蘋果的光譜、直徑信息后，將蘋果沿莖軸處切開以判定是否為霉心病果。圖2為健康果和病果切開后的對比圖。用Matlab軟件分別計算蘋果發(fā)病面積和蘋果整體的面積，用二者之比來定義蘋果霉心病的感染率。1.3.4 判別模型構(gòu)建

按3∶1的比例，采用隨機(jī)量本生成法將232 個蘋果量本劃分為建模集和檢驗集。建模集中共有量本174 個（健康蘋果120 個，霉心病蘋果54 個）；檢驗集中共有量本58 個（健康蘋果42 個，霉心病蘋果16 個）。在實際檢測過程中將健康蘋果量本記為“1”，霉心病蘋果量本記為“0”。首先對所采集的透射光譜與直徑數(shù)據(jù)進(jìn)行歸一化，其次采用PCA法對數(shù)據(jù)降維，繼而進(jìn)行Fisher判別分析，建立霉心病判別模型。

2　結(jié)果與分析

2.1光譜及直徑數(shù)據(jù)采集結(jié)果

圖3　典型健康蘋果與霉心病蘋果的原始光譜Fig.3 Typical original spectra of normal and moldy core apple samples

分別選取健康蘋果和感染率分別為15.05%和37.74%的霉心病蘋果在200～1 025 nm波長范圍的原始光譜曲線，如圖3所示。典型的健康蘋果與霉心病蘋果的光譜曲線存在較明顯差異，在680～735 nm附近差異最大，健康蘋果在此波段光譜曲線明顯偏高，光譜曲線在710 nm附近有透過峰，而霉心病果光譜曲線在該波長區(qū)間會隨著發(fā)病程度的升高而降低。這是由于內(nèi)部霉心對蘋果組織結(jié)構(gòu)產(chǎn)生了一定程度影響所引起的。選擇與蘋果霉心病相關(guān)性最大的680～735 nm波段、每隔近似5 nm波長所對應(yīng)的光強(qiáng)數(shù)據(jù)以及蘋果平均直徑d，共13 維數(shù)據(jù)進(jìn)行實驗數(shù)據(jù)分析。

2.2數(shù)據(jù)歸一化

在對實驗數(shù)據(jù)進(jìn)行分析處理之前先進(jìn)行歸一化。Z-score歸一化是給原始數(shù)據(jù)的均值和標(biāo)準(zhǔn)差進(jìn)行數(shù)據(jù)的標(biāo)準(zhǔn)化［23］。使各指標(biāo)處于同一數(shù)量級，從而進(jìn)行綜合對比評價。經(jīng)過處理的數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)分布，即均值為0，標(biāo)準(zhǔn)差為1，轉(zhuǎn)化函數(shù)如公式（1）所示。

式中：x為所采集的13 維原始量本直徑或光強(qiáng)數(shù)據(jù)；μ為所有量本數(shù)據(jù)的均值；σ為所有量本數(shù)據(jù)的標(biāo)準(zhǔn)差；X為歸一化后的量本數(shù)據(jù)。

2.3PCA

PCA［24］是一種數(shù)據(jù)壓縮和特征信息提取技術(shù)。利用該方法對數(shù)據(jù)進(jìn)行處理，可有效地消除高維數(shù)據(jù)組之間的相關(guān)性并降低數(shù)據(jù)維數(shù)，同時簡化數(shù)據(jù)結(jié)構(gòu)。在簡化過程中以將多個相關(guān)變量盡可能少的信息損失為基本原則。

計算經(jīng)過歸一化后的各變量之間的協(xié)方差矩陣R和R對應(yīng)的特征值λi（i=1，2，3，…，p）。并使其按大小順序排列λ1≥λ2≥…≥λP≥0，然后分別求出對應(yīng)于特征值λi的特征向量ei（i=1，2，…，p）。第K個主成分YK的方差貢獻(xiàn)率如公式（2）所示。

若取m（m＜p）個主成分，主成分Y1、Y2…，Ym的累積貢獻(xiàn)率C如公式（3）所示。

對建模集中的174 個量本所提取的光譜和直徑數(shù)據(jù)歸一化量本集經(jīng)過PCA，可得出各主成分的特征值、貢獻(xiàn)量以及累計貢獻(xiàn)量如表1所示。

主成分可以用原始數(shù)據(jù)矩陣X（經(jīng)過歸一化后的174個量本的13 維光強(qiáng)數(shù)據(jù)和直徑數(shù)據(jù)所組成的原始數(shù)據(jù)矩陣）的P（p=13）個變量X1、X2…，XP作線性組合Y=aX，如公式（4）所示。

表1　方差分解PCA提取分析表Table 1 Eigenvalues and variance contribution ratios of principal components

選取累計貢獻(xiàn)率超過90%的前4 個主成分進(jìn)行提取，對于特征值λ1=9.666、λ2=1.087、λ3=0.93、λ4=0.411求出其特征向量e1、e2、e3、e4，繼而計算主成分Y1與各波段所對應(yīng)的光強(qiáng)值與直徑的相關(guān)系數(shù)a11～a413所組成的矩陣如表2所示。

表2　主成分得分系數(shù)矩陣Table 2 Principal component score coefficient matrix

將表2中的主成分與各光譜強(qiáng)度數(shù)據(jù)和直徑數(shù)據(jù)之間的相關(guān)系數(shù)代入式（4）中的a11～a413，進(jìn)而得出一組新的數(shù)據(jù)集，如公式（5）所示，用于后續(xù)模型的建立。

2.4Fisher判別分析

Fisher判別分析基本思想是將k組p維數(shù)據(jù)投影到某個方向，使數(shù)據(jù)的投影組與組之間盡可能分開。該方法利用一元方差分析的思想建立線性判別函數(shù)，其判別函數(shù)中各變量按照類內(nèi)方差盡量小類間發(fā)差盡量大的準(zhǔn)則來確定其系數(shù)，然后依據(jù)判別函數(shù)來預(yù)測待判量本的分類［25］。設(shè)有m 個總體G1、G2…，Gm（i=1，2…，m）相應(yīng)的均值向量為u（1）、u（2）…，u（m），協(xié)方差矩陣為V（1）、V（2）…，V（m）從總體Gi中抽取容量為ni的量本：

則：

式中：Si是Gi中ni個量本（=1，2，…，ni）的量本離差陣，則組間差可轉(zhuǎn)化為：

對式（11）求偏微分，并使之為0。

可由上式得到W-1B的最大特征值和特征向量u，從而求出判別函數(shù)。

通過對由PCA得到的公式（4）中的4 個主成分——Y1、Y2、Y3和Y4，進(jìn)行Fisher判別分析，可得由光譜、直徑數(shù)據(jù)建立的蘋果霉心病判別模型Z：

為了對比光譜與直徑結(jié)合建模與純光譜建模的差別，僅對光譜數(shù)據(jù)進(jìn)行分析所建立的判別模型Z1：

2.5模型驗證

為檢驗所建立的判別函數(shù)對外部未知量本的判別效果，將58 個量品的檢驗集代入上述判別模型中。判別函數(shù)對檢驗集判別結(jié)果如表3所示。表中結(jié)果顯示僅采用透射光譜數(shù)據(jù)構(gòu)建霉心病判別函數(shù)時，其正確判別率較低，為91.37%；經(jīng)光譜、直徑組合所建立的判別函數(shù)的正確率為93.1%，均高于李順峰等［20］基于漫反射光譜的病害判別正確率87.8%和Shenderey等［22］基于近紅外透射光譜的蘋果病害判別正確率90.4%。因此，將透射光譜、直徑數(shù)據(jù)融合建立的霉心病判別模型可有效提高判別精度。

表3　不同因子的判別模型對應(yīng)的判別結(jié)果Table 3 Results obtained from discriminant models based on different factors

3　結(jié) 論

本實驗建立了一種基于透射光譜的多因子蘋果霉心病檢測判別模型，為蘋果霉心病的快速無損檢測提供理論依據(jù)，具體結(jié)論如下：本實驗根據(jù)內(nèi)部病害難以通過表層反射進(jìn)行特征提取的特點，提出了采用透射光譜進(jìn)行蘋果內(nèi)部病害檢測的方法，在此過程中采用PCA降低了數(shù)據(jù)處理的維數(shù)。針對蘋果吸收光強(qiáng)隨光程動態(tài)變化的特點，將蘋果直徑融入到蘋果霉心病檢測判別模型中，驗證結(jié)果表明基于所選光譜變量結(jié)合蘋果直徑信息建立的判別模型正確率可達(dá)93.1%，明顯高于僅采用光譜變量的正確判別率91.37%。目前主要考慮了光譜與直徑組合對霉心病判別的影響，而將蘋果色澤、品種、貯藏溫度等其他因素維持在基本穩(wěn)定區(qū)間，事實上這些因素的不同組合會影響判別模型。因此在實際應(yīng)用中，可進(jìn)一步擴(kuò)展影響參數(shù)，實驗分析不同因素組合、不同存儲階段的判別參數(shù)，綜合分析形成完整的蘋果霉心病判別模型，以此實現(xiàn)蘋果霉心病的精確判別。

本方法可擴(kuò)展應(yīng)用于不同農(nóng)產(chǎn)品內(nèi)部病害快速檢測模型的研究，對加快果品品質(zhì)分級水平，提高果品采后管理技術(shù)水平，降低采后病害發(fā)生均有重要意義。

［1］ 國家統(tǒng)計局. 2013年年度統(tǒng)計數(shù)據(jù): 農(nóng)業(yè)［DB/OL］. （2014-01-12）［2014-11-07］. http://www.stats.gov.cn/tjsj/ndsj/2013/indexch.htm.

［2］ 聯(lián)合國糧農(nóng)組織. 統(tǒng)計資料: 數(shù)據(jù)庫［DB/OL］. （2015-01-08） ［2015-06-18］. http://www.fao.org/statistics/databases/en/2014/indexch.htm.

［3］ 張鵬， 李江闊， 陳紹慧. 蘋果品質(zhì)近紅外光譜無損檢測技術(shù)研究進(jìn)展［J］. 保鮮與加工， 2013， 13（3）: 1-7. DOI:10.3969/ j.issn.1009-6221.2013.03.001.

［4］ GAO Lingling， ZHANG Qiang， SUN Xinyao， et al. Etiology of moldy core， core browning， and core rot of Fuji apple in China［J］. Plant Disease， 2013， 97（4）: 510-516. DOI:10.1094/pdis-01-12-0024-re.

［5］ 林楓. 防治蘋果斑點落葉病、霉心病的高效藥劑: 多氧清［J］. 煙臺果樹， 2004（2）: 49.

［6］ 劉會香. 蘋果霉心病的研究現(xiàn)狀及展望［J］. 水土保持研究， 2001，8（3）: 91-92.

［7］ 李保華， 王彩霞， 董向麗， 等. 我國蘋果主要病害研究進(jìn)展與病害防治中的問題［J］. 植物保護(hù)， 2013， 39（5）: 46-54.

［8］ CHAYAPRASERT W， STROSHINE R. Rapid sensing of internal browning in whole apples using a low-cost， low-field proton magnetic resonance sensor［J］. Postharvest Biology and Technology， 2005， 36（3）: 291-300. DOI:10.1016/j.postharvbio.2005.02.006.

［9］ 李芳， 蔡騁， 馬惠玲， 等. 基于生物阻抗特性分析的蘋果霉心病無損檢測［J］. 食品科學(xué)， 2013， 34（18）: 197-202. DOI:10.7506/spkx1002-6630-201318040.

［10］ 楊亮亮. 基于機(jī)器視覺和X射線的蘋果霉心病檢測方法研究［D］. 楊凌: 西北農(nóng)林科技大學(xué)， 2009.

［11］ 黃滔滔， 孫騰， 張京平. 基于CT圖像的蘋果內(nèi)部品質(zhì)無損檢測［J］. 浙江大學(xué)學(xué)報（農(nóng)業(yè)與生命科學(xué)版）， 2013， 39（1）: 92-97. DOI:10.3785/ j.issn.1008-9209.2011.12.071.

［12］ LAMMERTYN J， DRESSELAER T， van HECKE P. MRI and X-ray CT study of spatial distribution of core breakdown in ‘Conference' pears［J］. Magnetic Resonance Imaging， 2003， 21（7）: 805-815. DOI:10.1016/S0730-725X（03）00105-X.

［13］ 王加華， 韓東海. 基于遺傳算法的蘋果糖度近紅外光譜分析［J］.光譜學(xué)與光譜分析， 2008， 28（10）: 2308-2311. DOI:10.3964/j.is sn.1000-0593（2008）10-2308-04.

［14］ 吳方龍， 沈黃通， 吳晨凱， 等. 基于近紅外漫反射光譜無損檢測梨可溶性固形物的光強(qiáng)影響探究［J］. 光譜學(xué)與光譜分析， 2013， 33（10）: 2671-2674. DOI:10.3964/j.issn.1000-0593（2013）10-2671-04.

［15］ RAVERS S， BERTELSEN M G， KUCHERYAVSKIY S V. Predicting apple （cv. Elshof） postharvest dry matter and soluble solids content with near infrared spectroscopy［J］. Journal of the Science of Food and Agriculture， 2014， 94（5）: 955-962. DOI:10.1002/jsfa.6343.

［16］ BERTONE E， VENTURELLO A， LEARDI R， et al. Prediction of the optimum harvest time of ‘Scarlet' apples using DR-UV-Vis and NIR spectroscopy［J］. Postharvest Biology and Technology， 2012， 69: 15-23. DOI:10.1016/j.postharvbio.2012.02.009.

［17］ TRONG N N D， ERKINBAEV C， TSUTA M， et al. Spatially resolved diffuse reflectance in the visible and near-infrared wavelength range for non-destructive quality assessment of ‘Braeburn' apples［J］. Postharvest Biology and Technology， 2014， 91: 39-48. DOI:10.1016/ j.postharvbio.2013.12.004.

［18］ LI Shunfeng， ZHANG Lihua， LIU Xinhua. Effects of mouldy core and core rot on physiological and biochemical responses of apple fruit［J］. Journal of the Science of Food and Agriculture， 2011， 91（14）: 2674-2678. DOI:10.1002/jsfa.4511.

［19］ 李順峰. 蘋果霉心病果肉生理及其近紅外無損檢測研究［D］. 楊凌:西北農(nóng)林科技大學(xué)， 2012.

［20］ 李順峰， 張麗華， 劉興華. 基于主成分分析的蘋果霉心病近紅外漫反射光譜判別［J］. 農(nóng)業(yè)機(jī)械學(xué)報， 2011， 42（10）: 158-161.

［21］ FU Xiaping， YING Yibin， LU Huishan， et al. Comparison of diffuse reflectance and transmission mode of visible-near infrared spectroscopy for detecting brown heart of pear［J］. Journal of Food Engineering，2007， 83（3）: 317-323. DOI:10.1016/j.jfoodeng.2007.02.041.

［22］ SHENDEREY C， SHMULEVICH T， ALCHANATIS V， et al. NIRS detection of moldy core in apples［J］. Food and Bioprocess Technology，2010， 3（1）: 79-86. DOI:10.1007/s11947-009-0256-1.

［23］ 魯金濤， 李夕兵， 宮鳳強(qiáng)， 等. 基于主成分分析與Fisher判別分析法的礦井突水水源識別方法［J］. 中國安全科學(xué)學(xué)報， 2012， 22（7）: 109-115. DOI:10.3969/j.issn.1003-3033.2012.07.018.

［24］ 范金城， 梅長林. 數(shù)據(jù)分析［M］. 北京: 科學(xué)出版社， 2002: 141-154.

［25］ 王學(xué)民. 應(yīng)用多元分析［M］. 上海: 上海財經(jīng)大學(xué)出版社， 2009: 175-211.

Multiple-Factor Nondestructive Detection of Moldy Core in Apples Based on Transmission Spectra

SU Dong， ZHANG Haihui*， CHEN Ketao， HU Jin， ZHANG Zuojing， LEI Yu
（College of Mechanical and Electronic Engineering， Northwest A&F University， Yangling 712100， China）

Currently， the detection of moldy core in apples is still a problem. This study aimed to develop a method for multiple-factor nondestructive detection of moldy core in apples based on transmission spectra. We built a discriminant model which enables nondestructive detection of moldy core in apples based on both multiple-band transmission spectrum and apple diameter. A spectrum acquisition platform was constructed to acquire the transmission spectra （200-1 025 nm） of 232 apples. and their diameters were measured with a vernier caliper. Stray light correction and nonlinearity correction were used to preprocess the original spectra. Based on the collected transmission spectra， transmitted intensity in 12 wavebands which were the most relevant to moldy core of apples， were selected and combined. The diameter data were analyzed by principal component analysis （PCA）. The Fisher discriminate model was developed using the PCA results as independent variables and verified. The overall accuracy rate was 93.1%， while that of the spectral model was 91.37%. In conclusion， the multiple-factor modeling based on transmission intensity and diameter permits accurate detection of moldy core in apples. This research can provide feasible ideas for rapid， non-destructive detection of moldy core in apples.

moldy core in apples； specific waveband； transmission spectrum； nondestructive detection； principal component analysis （PCA）； Fisher discriminant analysis

10.7506/spkx1002-6630-201608037

S123；S661.1

A

1002-6630（2016）08-0207-05

10.7506/spkx1002-6630-201608037. http://www.spkx.net.cn

2015-07-16

陜西省科技統(tǒng)籌創(chuàng)新工程計劃項目（2014KTCL02-15）；陜西省果業(yè)發(fā)展項目

蘇東（1990—），男，碩士研究生，研究方向為農(nóng)業(yè)物聯(lián)網(wǎng)、智能化檢測技術(shù)。E-mail：sudong@nwsuaf.edu.cn

張海輝（1977—），男，教授，博士，研究方向為農(nóng)業(yè)物聯(lián)網(wǎng)、精細(xì)農(nóng)業(yè)。E-mail：zhanghh@nwsuaf.edu.cn

引文格式：