基于电学特征的苹果水心病无损检测.pdf

第 34卷 第 5期 农 业 工 程 学 报 V ol.34 N o.5 2018年 3月 Transactions of the Chinese Society of Agricultural Engineering Mar. 2018 129 基于电学特征的苹果水心病无损检测王若琳 1 ，王 栋 1 ，任小林 2 ，马惠玲 1※（1. 西北农林科技大学生命科学院，杨凌 712100；2. 西北农林科技大学园艺学院，杨凌 712100） 摘 要为了探寻快速而准确的苹果水心病无损检测新方法，该文以‘秦冠’水心病疑似病果和好果作为试材，逐果采 集 11个电学指标在 100 Hz3.98 MHz间 13个频率点的特征值，然后切开并统计真实发病情况。利用主成分分析结合不 同分类模型进行好果与病果判别分析，结果选取方差累积贡献率大于 90的主成分 15个，Fisher判别、多层感知器人工 神经网络（multi-layer perceptron，MLP）对好果和病果的判断正确率均随着主成分数的增加而增大，并分别在主成分数 量达到前 13、10时趋于稳定水平 93.3、95.4。径向基人工神经网络（radical basis function，RBF）结合 15个主成分 判别的正确率 75.1。水心病引起介电损耗系数 D、复阻抗相角 deg、串联等效电容 Cs和并联等效电容 Cp及相对介电常 数（ ε） 、损耗因子（ ε“）共 6个参数在低频区（10010 000 Hz）的观测值高于好果，是电学法能够对水心病果和好果进 行‘识别’的原因。同时发现，利用低频率下（10025 100 Hz）损耗因子（ ε“）值结合 MLP或 RBF人工神经网络模型 对水心病果和好果识别正确率均能达到 100，是一种简便而高效的苹果水心病无损检测方法，可为今后进一步研发苹果 果实水心病在线无损检测仪器提供理论与技术依据。 关键词病害；无损检测；神经网络；苹果水心病；电学特征 doi10.11975/j.issn.1002-6819.2018.05.017 中图分类号S661.1 文献标志码 A 文章编号 1002- 68192018- 05- 0129- 08 王若琳，王 栋，任小林，马惠玲. 基于电学特征的苹果水心病无损检测[J]. 农业工程学报，2018，345129-136. doi10.11975/j.issn.1002- 6819.2018.05.017 http//www.tcsae.org Wang Ruolin, Wang Dong, Ren Xiaolin, Ma Huiling. Nondestructive detection of apple watercore disease based on electric features[J]. Transactions of the Chinese Society of Agricultural Engineering Transactions of the CSAE, 2018, 345 129-136. in Chinese with English abstract doi10.11975/j.issn.1002- 6819.2018.05.017 http//www.tcsae.org 0 引 言苹果水心病又称糖化病、蜜果病，是一种常见的果 实病害，在大部分苹果产区均有不同程度的发生 [1] 。水心 病果与好果相比，含钙率低，果实养分转换失衡，硬度 增加，发病组织由于山梨糖醇的大量积累而导致明显的 变甜 [2] ，并略微带些酒味 [3] 。水心病发病严重时会表现于 表皮，发病较轻时仅内部组织呈现不规则水渍状，外观 难以识别。轻微发病的水心病果在贮藏过程中可能会自 我修复而症状消失，病情严重的苹果则会发生果心褐变 甚至果肉腐烂，失去商品价值 [4] 。目前生产中的水心病检 测通常凭人工经验，正确率较低。 国内外学者对苹果水心病的无损检测进行了一定的 研究，主要通过彩色像素 [5] 、动态热成像技术 [6] 、密度法 和透光强度 [7-8] 、近红外光谱 [9] 、高光谱成像技术 [10] 等方 法进行监测。这些方法有的识别正确率较低，有的造价 成本高，没有得到广泛应用。寻找新的、准确而可行的 方法是生产实践所急需的。 收稿日期2017-09-19 修订日期2018-01-25 基金项目陕省农业科技创新与攻关项目（2015NY023）；农业部现代苹果 产业技术体系项目（CARS- 28） 作者简介王若琳，女，河北衡水人，主要从事果实采后生理学研究。 E ※通信作者马惠玲，女，新疆五家渠人，博士，博士生导师，主要从事果 实采后生理与技术研究。Emailma_ 从微观层面分析，果实的内部组织中存在大量带电 粒子，由此能够形成生物电场 [11] 。果实在成熟、损伤和 病变变质过程中发生的化学反应会伴随物质能量的转 化，造成果实内部各化学物质所带电荷数量及分布发生 变化，从而影响生物电场的分布和强度，因此果实的内 部品质可以影响果实宏观电学特征，这使得以电学特征 表征内部品质成为可能。前人在电学法对果实理化品质 无损检测方面进行了大量工作，在果实内部病害检测方 面仅限于李芳等对苹果霉心病的研究，利用生物阻抗特 征选取支持向量机和人工神经网络模型，建立了快速“识 别”方法，正确率达到 94 [12] 。这一结果提示了利用电 学特征“识别”苹果水心病的可能性。 本文采用‘秦冠’水心病疑似病果和好果为试材， 测定电学参数和理化品质，通过主成分分析结合 Fisher 判别和人工神经网络分析，建立苹果水心病的电学法检 测模型，以期为苹果水心病快速无损在线检测仪器的开 发提供理论依据。 1 材料与方法 1.1 试验材料及预处理 1） ‘秦冠’好果和水心病疑似病果于 2015年 10月 中旬采于陕西省白水县果园，采收和选取横径 7.58.0 cm 的无病害果实作为预设好果。同时，在有经验的果农指 导下采摘和选取同样大小的水心病疑似病果。 2）将上述果实运回实验室，室温 20 ℃散发田间热 农业信息与电气技术 农业工程学报（http//www.tcsae.org） 2018年 130 24 h，挑选大小一致的预设好果 200个，疑似病果 300个， 备用。 1.2 果实电学参数测定 如图 1 所示，果实电学参数的测定采用日本日置 3532-50 LCR型测试仪（测试频率为 42 Hz5 MHz，实 测频率为 100 Hz3.98 MHz。测试夹具为仪器自带的 9140-4型终端测试夹具）、平行板电极（正方形铜制，电 极为平行板电极，极板边长为 6 cm且间距可调）、屏蔽 箱和计算机组成，测试条件温度为（201）℃，夹持 压力恒定为 3.5 N，施加电压恒为 1 V [13] 。 1. 计算机；2. 屏蔽箱；3. 平行板电极；4. 样品；5. 测试探头；6. LCR测 试仪 1. Computer; 2. Shielding box; 3.Parallel iron plates; 4. Sample; 5. Clip test probe; 6. LCR tester 图1 苹果电学参数测定装置 Fig.1 Electrical parameter measuring device of apple 对好果与疑似病果逐一编号，逐果采集电学特征值。 测定好果 200个，疑似病果 300个。将果实如图 1放置， 选取 100 Hz3.98 MHz之间对数值呈均匀分布的 13个 频率点，分别读取各果的复阻抗（Z）、介电损耗系数（D） 、 串联等效电感（Ls） 、电导（G）、复阻抗相角（deg） 、串 联等效电容（Cs）、并联等效电感（Lp）、并联等效电阻 （Rp）、并联等效电容（Cp）、串联等效电阻（Rs） 、电纳 （B） ，共 11个电学参数值。每个果实的测定值均取沿其 赤道 2个垂直方向重复测定 2次的平均值。利用直接测 定的参数计算相对介电常数 ε以及损耗因子 ε“ [14] 。 电学参数检测完成后，如图 2a所示，对疑似病果逐 果沿纵轴 1/4、1/2、3/4处横切，观察记录发病情况，出 现如图 2c2e症状的记为水心病；相应地，好果也进行 每 1/4处横切检验，各切面达到图 2b所示健康程度的确 认为好果。最终选定得到确认的病果和好果各 100个， 将各个果实的编号与其电学特征值相对应，构建分别含 有 100个好果与 100个水心病果的电学参数数据库。 1.3 理化品质测定 1）密度此项测定在果实切开之前进行。质量-体积 法测定密度，g/cm 3 。 果实切开后，检验真实发病情况的同时测定其他理 化品质 2）硬度在切分后的中部靠近顶部的切块上沿苹果 果实赤道线分别取 3点削去果皮，利用果蔬硬度计（GY-3 型，意大利）进行测定， 3点平均值记录为各果的硬度值， kg/cm 2 。 3）可溶性固形物取果顶侧从上往下第 2部分切块 测定。沿果块周长等分 3点削去果皮，取果肉榨出汁液， 利用手持折光仪（WY032T 型，西安信恒检测仪器有限 公司）测定其折光率， 3点均值为各果可溶性固形物含量 （TSS）。 4）可滴定酸继续取果肉果汁 10 mL，用指示剂滴 定法 [15] 测定果实中的可滴定酸含量，以相当于苹果酸 （换算系数为 0.067）的量表示，。 图2 苹果横切位置及有无水心病症状剖面图 Fig.2 Cross-cut position and cross section picture of non or watercore disease apple 1.4 数据分析 1.4.1 主成分分析 主成分分析（principal component analysis，PCA）， 是一种通过正交变换将 1组可能存在相关性的变量转换 为 1组线性不相关的变量从而代表所有变量的统计方法。 转换后的这组变量叫主成分 [16] 。对测定的苹果在 13个频 率下的 11个电学参数值进行主成分分析，选取方差累积 贡献率达到 90以上稳定水平的主成分，并确定其数量。 主成分选定后，首先将好果和病果的数据分别折分 成建模集和验证集，二者比例为建模分析的常规比例 7∶ 3 [17] ，逐一进行 Fisher判别和人工神经网络分析。 1.4.2 数据处理与差异性分析 利用 Excel2010对数据作图；利用 SPSS20.0中的数 据分析软件进行 Fisher判别分析和人工神经网络分析， 并对理化品质测定值进行 t检验，最小显著极差法（least significant ranges，LSR）判断样本间差异性，P0.05为 显著，P0.01为极显著。 2 结果与分析 2.1 不同电学参数对水心病果和好果的响应 图 3a和 3b显示，介电损耗系数 D和复阻抗相角 deg 均随电激频率（f）的增加呈现先下降后上升的趋势。因 为电激信号弱时电流只经过细胞间隙, 频率越大，电流越 小，损耗变小 [18] 。当电激信号增强至一定程度时，电流 除了通过细胞间隙外，还会穿透细胞膜而同时通过细胞 内部 [19] ，阻力增大，电损增大，表现为 deg和 D增大 [20] 。 10025 100 Hz的低频区水心病果 deg和 D的取值高于 好果，高频区趋于一致。这是由于水心病使膜透性增大 [1] ， 间隙电解质增多，电流增大，损耗随之增大表现为 D和 第 5期 王若琳等基于电学特征的苹果水心病无损检测 131 deg大于好果。D与 lgf对好果的拟合方程为 D 0.028 4 lgf 2－ 0.248 4 lgf 0.643 4，R 2 0.962 8；对病果的拟合 方程为 D 0.054 6 lgf 2－ 0.5328 lgf 1.4267， R 2 0.974 2。 deg与 lgf对好果的拟合方程为 deg 1.3622 lgf 2－ 11.629 lgf － 59.225，R 2 0.948 9；对病果的拟合方程为 deg 2.318 3 lgf 2－ 22.487 lgf － 27.269，R 2 0.993 4。图 3c和 3d中串联等效电容 Cs和并联等效电容 Cp随电激频率f 的增加呈现线性下降趋势。在 10010 000 Hz的低频区 病果特征值高于好果，在高频区域则趋于一致。电容随 电流增大而增大 [18] ，水心病果膜透性增大，细胞间隙电 流增强，因而 Cs和 Cp均增大。 lgCs与 lgf对好果的拟合 方程为 lgCs －0.084 1 lgf － 9.776 5，R 2 0.890 3 ；对病 果的拟合方程为 lgCs －0.158 7 lgf－ 9.344 6， R 0.831 3。 lgCp与lgf对好果的拟合方程为 lgCp－0.067 3 lgf－9.880 6， R 2 0.967 3；对病果的拟合方程为 lgCp －0.105 3 lgf－ 9.653 5，R 0.976 4。 图3 苹果水心病果和好果电学参数随频率的变化 Fig.3 Changes of dielectric parameters with frequency for watercore disease and sound apple 水心病果和好果的电导 G、电纳 B随频率增大而上 升，以 G为例其变化趋势如图 3e所示；串联等效电阻 Rs、并联等效电阻 Rp、串联等效电感 Ls、并联等效电感 Lp、复阻抗 Z随频率增大而下降，以 Rs为例其变化趋势 如图 3f所示。其中部分参数特征值在好果和病果间仅存 在低频区的不可区分的微小差异，至前 67个频率观测 点，即 1025.1 kHz后差异消失，如图 3e中的 lgG随 lgf 的变化曲线，预示这 7个参数对区分水心病果和好果的 作用较小。 图 3g显示，以 Cp为变量计算得到的相对介电常数 （ε）随着电激频率的增加而降低。 ε与 lgf对好果的拟合 方程为 ε －3.351 lgf 36.361，R 2 0.945 2；对病果的拟 合方程为 ε －6.404 4 lgf 54.029，R 2 0.903 4。以 ε为变 量计算 [14] 得到的参数-损耗因子ε“随着频率的增加取 值先快速下降，后趋于平稳。在频率为 10010 000 Hz区 域 2个指标的病果取值明显高于好果。 ε“与 lgf（100≤f≤ 10 000）对好果的拟合方程为 ε“ －1.977 7 lgf 10.718， R 2 0.810 9；对病果的拟合方程为 ε“ －8.544 3 lgf 39.604，R 2 0.786 6。水心病果的 ε和 ε“随频率的变化速 率更快，对频率变化响应更灵敏。 2.2 电学参数主成分提取 对测定苹果 13个频率下的共 143个电学参数值进行 主成分分析，同时对上述分析选定的好果和病果差异较 大的 6个参数的低频区（10010 000 Hz）6个频率点共 36个特征值进行分析，结果如图 4。前者提取出主成分 15个，方差累积贡献率共达到 94.15；后者分析选出主 成分 7个，方差累积贡献率共达到 90.40。 2.3 Fisher判别分析对水心病果的识别 由图 5可见，采用 2组电学参数进行 Fisher判别水 心病果和好果时，建模集和验证集的识别正确率均随在 主成分数由 1增加到 2而迅速提高至 50以上，以后随 着主成分数增大进一步增加。以 143个特征值组判别时， 识别正确率在主成分达到 13后趋于平稳，可作为主成分 提取的最小值。利用提取的 13个主成分进行建模，结果 如表 1所示建模集中好果识别率 95.7，水心病果识别 率 92.8，平均 94.3；验证集中好果识别率 90.0，水 心病果识别率 96.7，平均 93.3。Fisher线性判别函数 公式如下所示 11234 5678 91 01 1 12 13 21234 5678 9 1.816 1.097 0.154 1.402 0.476 0.037 0.416 0.120 0.775 0.281 0.055 0.619 0.862 1.824 1 1.829 1.131 0.156 1.416 0.481 0.037 0.420 0.121 0.783 0.284 YXXXX XXXX XXX XX YXXXX XXXX X ＝－ － － ＋ ＋ －＋－＋ －＋－ －－ ＝＋＋－－ ＋－＋－ ＋ （） 10 11 12 13 0.055 0.625 0.780 2.046 2 XX XX              －＋ －－ （）式中 Y 1 、Y 2 分别代表好果、水心病果的判别函数； X 1 X 13 农业工程学报（http//www.tcsae.org） 2018年 132 分别代表 13个主成分。 图4 2组不同数量电学参数值的主成分方差累计贡献率 Fig.4 Cumulative contribution rate of variance of principal components under two groups of electrical characteristic value number 图5 主成分个数对 Fisher判别水心病识别正确率的影响 Fig.5 Effect of principal component number on identification accuracy of watercore disease by Fishers discrimination 表1 Fisher判别的苹果水心病识别结果 Table 1 Results of apple watercore recognition based on Fisher discrimination 好果 Sound apple 水心病果 Watercore disease apple 组别 Group 数据集 Data set 样品数 误判数 正确 别率/ 样品 数 误判数 正确判 别率/ 平均判别 正确率 Average discrimin- ation accuracy/ 建模集 70 3 95.7 70 5 92.8 94.3 143个 特征值 验证集 30 3 90.0 30 1 96.7 93.3 建模集 70 5 92.9 70 6 91.4 92.1 36个 特征值 验证集 30 3 90.0 30 2 93.3 91.7 利用 36个特征值组判别时，建模集和验证集的识别 正确率在主成分增加到 7时达到最大。因此，提取其前 7 个主成分进行建模，判别结果如表 1建模集好果识别率 92.9，水心病果识别率 91.4，平均 92.1；验证集中 好果识别率 90.0，水心病果识别率 93.3，平均 91.7。 该组特征值建模集和验证集对果实的平均识别正确率分 别仅低于 143个特征值组 2.2，1.6。说明选出的 36 个特征值的差异对水心病果和好果的电学法区分发挥了 绝对优势的作用，是电学法能够‘识别’水心病的主要 原因。 2.4 多层感知器（multi-layer perceptron，MLP）神 经网络对水心病果的识别 利用 MLP神经网络模型对 143个特征值组的 15个 主成分进行建模分析。由表 2可知，当隐藏层数为 1或 2、 输入层和输出层激活函数不同时，建模集以及验证集的 识别正确率有所不同，总体上建模集正确率均高达 98 以上，验证集识别正确率均在 87以上，其中隐藏层数 为 2、输入层激活函数为双曲正切、输出层函数为双曲正 切时识别正确率最高，选为优化运算模型。利用 36个特 征值组的 7个主成分进行同样方法的分析，得到建模集 正确率均达 89以上，验证集正确率 81.5以上，整体上 低于 143个特征值组。计算优化模型对 143个特征值组 主成分从 1增加为 15时果实识别正确率，如图 6所示， 主成分个数增加至 10时识别正确率趋于平稳，故提取前 10个主成分结合优化模型对果实进行 MLP神经网络模型 分析。 表2 不同隐藏层数和激活函数下 MLP神经网络 混合样品预测模型分析结果 Table 2 Analysis results of MLP neural network prediction model under different hidden layers and activation functions 建模集识别率 Discriminant accuracy of modeling set/ 验证集识别率 Discriminant accuracy of validation set/ 隐藏 层数 Hidden layers 输入层 函数 Function for layer 输出层 函数 Func- tion for output layer 143个特征 值组 36个特征 值组 143个特征 值组 36个特征 值组 Identity100 94.1 87.7 89.2 Softmax100 94.8 89.2 86.2 Tanh 100 95.6 90.8 89.2 双曲正切 Tanh Sigmoid100 97.8 92.3 92.6 Identity99.3 96.3 90.8 90.8 Softmax100 92.6 89.2 89.2 Tanh 100 91.1 86.2 86.2 1 Sigmoid Sigmoid100 96.3 89.2 90.8 Identity100 97.0 89.2 90.8 Softmax100 95.6 87.7 86.2 Tanh 100 98.5 95.4 93.8 双曲正切 Tanh Sigmoid100 97.8 89.2 92.3 Identity98.5 90.4 89.2 83.0 Softmax100 91.9 89.2 86.2 Tanh 99.3 89.6 87.7 81.5 2 Sigmoid Sigmoid100 93.3 89.2 87.7 通过筛选出优化运算模型与识别正确率趋于平稳时 的主成分个数进行 MLP神经网络模型分析，结果如表 3， 平均识别正确率为 95.4，其中在好果上为 96.9，在水 心病果上为 93.9。相应地对 36个特征值组主成分从 1 增加为 7时果实识别正确率一直在提高，最高达到好果 上 96.9，水心病果上 90.9，平均识别正确率 93.9， 仅较 143个特征值组的平均识别正确率低 1.5，再次显 第 5期 王若琳等基于电学特征的苹果水心病无损检测 133 示了 36个特征值的差异在水心病‘识别’中的优势作用。 图6 主成分个数对 MLP神经网络判别 水心病识别正确率的影响 Fig.6 Effect of principal component number on identification accuracy of watercore disease by MLP neural network 表3 MLP神经网络优化模型对苹果水心病识别结果 Table 3 Results of apple watercore recognition based on MLP neural network optimal model 好果 Sound apple 水心病果 Watercore apple 组别 Group 数据集 Data set 样品数 误判数 正确判 别率/ 样品数 误判数 正确判 别率/ 平均 判别 正确率 Average discrimin ation accuracy/ 建模集 68 0 100 67 0 100 100 143个特 征值 验证集 32 1 96.9 33 2 93.9 95.4 建模集 68 0 100 67 2 97.0 98.5 36个特 征值 验证集 32 1 96.9 33 3 90.9 93.9 2.5 径向基神经网络（radical basis function，RBF） 对水心病果的识别 利用 RBF神经网络模型对 143个特征值组的 15个主 成分进行建模分析，结果如表 4所示，建模集中好果识 别率 70.6，水心病果识别率 92.5，平均 81.6；验证 集中好果识别率 53.1，水心病果识别率 97.0，平均 75.1。这种方法对好果的识别正确率都明显低于病果， 也低于 MLP神经网络的分析结果。可见， RBF不适于好 果、病果识别这样的分类分析。因为径向基函数一般来 说是高斯函数作为激活函数，神经元输入空间很小，当分 类类别过少即神经元过少时，数据不充分结果就会较差。 2.6 利用损耗因子 ε″进行水心病的判别分析 利用 100个好果实和 100个水心病果实 13个频率下 的损耗因子 ε“进行 Fisher 判别分析和人工神经网络分 析，各频率下的识别正确率如表 5所示，发现利用 Fisher 判别分析在频率为 100631 Hz和 3 98025 100 Hz区 域，MLP和 RBF神经网络在频率为 10025 100 Hz区 域，对水心病好果以及病果的验证集识别正确率均能够 达 到 100。 ε“被选为简单而准确的水心病与好果识别 特征参数。 表4 RBF神经网络模型对水心病的识别结果 Table 4 Results of apple watercore recognition based on RBF neural network model 数据集 Data set 样品类别 Category of sample 各类样品总数 Total number of samples 正确判别数 Number of correct discrimination 正确判别率 Discriminant accuracy/ 好果 Sound apple68 48 70.6 水心病苹果 Watercore apple 67 62 92.5 建模集 Modeling 合计 Total 135 110 81.6 好果 Sound apple32 17 53.1 水心病苹果 Watercore apple 33 32 97.0 验证集 Validation 合计 Total 65 49 75.1 表5 不同频率下损耗因子结合不同数学模型对 水心病果的正确识别率 Table 5 Recognition rate of watercore fruit by using loss factor in different frequencies combined with different mathematic models 数据集 Data set 频率 Frequency/Hz Fisher判别分析 Fisher discriminant MLP神经 网络模型 MLP neural network model RBF神经 网络模型 RBF neural network model 100 100 100 100 251 100 100 100 631 100 100 100 1580 98.5 100 100 3980 100 100 100 10000 100 100 100 25100 100 100 100 63100 98.5 99.3 99.3 158 000 95 98.6 97.9 398 000 83.5 96.3 94.8 1 000 000 68.5 90.3 90.5 2 510 000 61.5 85.2 86.6 建模集 Modeling 3 980 000 55.5 65.6 71.8 100 100 100 100 251 98.3 100 100 631 95 100 100 1 580 95 100 100 3 980 100 100 100 10 000 100 100 100 25 100 100 100 100 63 100 95 98.3 95 158 000 91 96.8 96.4 398 000 75 95.5 97 1 000 000 65 88.9 90.5 2 510 000 58.5 77.6 82.4 验证集 Validation 3 980 000 53.3 53.6 75.9 2.7 水心病果和好果的理化特征 切开检验后的‘秦冠’水心病果和好果的理化品质 测定结果如表 6所示，其水心病果的密度、硬度、可溶 性固形物含量显著大于好果（P0.05），可能与前文所述 部分电学参数特征值增大有关。病果的可滴定酸含量虽 然明显小于好果，但由于其数量级低于可溶性糖约 10倍， 故作为电解质对电学参数观测值的影响可能被可溶性固 形物的影响所掩盖而未得以表现。 农业工程学报（http//www.tcsae.org） 2018年 134 表6 水心病果和好果的理化指标 Table 6 Physicochemical profiles of watercore and sound apple 类别 Type 密度 Density/ kg.m －3 硬度 Firmness/ kg.cm －2 可溶性固形物 soluble solid content/ 可滴定酸 titratable acid content/ 好果 Sound apple 0.840.02a 6.681.00a 12.901.21a 0.200.02b 病果 Watercore apple 0.890.07b 7.700.67b 14.001.01b 0.160.03a LSD0.05 0.01 0.32 0.96 0.02 注观测值为平均值标准差，同列中不同字母表示差异显著（P0.05）。 Note The observed values were mean standard deviation, with different letters in the same column showed significant difference P0.05. 3 讨 论 本研究所采用的‘秦冠’疑似水心病果，经切开检 验发病率为 40.047.0，经电学参数采集、主成分分 析结合各种分类模型的运用，检验正确率达到 93.3 100，证实依赖人工经验对水心病进行识别挑选是不完 全准确的，电学法检测可靠性增加 1倍以上。水心病的 发生部位是随机的，理论上讲要使电学仪‘探知’病症 的存在就应该测定多个方向。本文统一采取每个果只测 2 个方向的方法，便获得了识别正确率 93.3以上的结果， 说明电学法检测水心病的灵敏度高，以便捷的方法取代 繁琐的取值，有利于实际应用。同时也说明，水心病的 发生引起电学参数的整果性改变，而不是局部性，使电 学这种可穿透果肉组织的方法得以‘探知’病症的存在。 水心病果的发病部位呈现明显的水渍化症状，并且 较无症状部位变甜和硬度变大，针对不可明显辨认的水 心病果其大部分组织无症状表现的实际情况，病部的糖 度和硬度值不具有全果代表性。本文采取如方法中所述 的统一取样部位的方法，切到什么组织是什么组织，得 到的样品虽然全部是无水渍化的组织，测定结果却反映 出，水心病果的理化品质与好果具有多项差异，与前人 的结果一致 [2] ，说明随机取样的方法是可行的。水心病果 多个电学参数的特征值较好果也发生改变，体现出理化 品质对电学参数的影响是多对多的关系，解释了反映水 心病发生的是 1组而不是 1个电学参数的原因。这一现 象再次证明了电学法检测苹果内部病害的灵敏性。 至今为止，前人对苹果及其水心病果对多种电学参 数频率变化的响应规律未见系统报道。本文得出‘秦冠’ 水心病果在低频区的介电损耗系数 D、复阻抗相角 deg、 串联等效电容 Cs和并联等效电容 Cp值明显高于好果， 是水心病果基本电学特性的新发现，也是电学法区分水 心病果与好果的理论基础。好果与水心病果的相对介电 常数ε 的特征值均随电激频率增大而减小，这与前人在苹 果 [13] 、葡萄 [21] 上的测定结果一致，符合频率越大、果实 组织内的极性分子形成的偶极子极化越滞后、 ε 越小的规 律 [18] 。根据换算公式 [14] ，ε ″Dε DCpd/ε 0 S（D为 介电损耗系数，Cp 是并联等效电容，d 为电极距离，S 为电极面积，ε 0 是真空介电系数 8.854 210 F/ m（近似 值） ），ε ″是含损耗系数（D）和并联等效电容 Cp乘积的 线性函数，故可有效放大好果与病果 Cp和 D的差异，成 为区分 2种果实更加灵敏的参数。 密度与硬度是一对同步变化的指标 [22] ，生物组织密 度增大，电流通过细胞间隙阻力增大，理论上电阻、导 电性应该受到影响。苹果霉心病果较好果密度下降，复 阻抗 Z减小 [12] ；红巴梨成熟过程中硬度下降，电阻、电 抗随之减小 [23] 。本研究虽然测出水心病果较好果硬度增 大，可是电导、电阻却未改变，与前面其他文献的结果 不一致；水心病果可溶性固形物含量增大，与库尔勒香 梨上得到的结果一致 [24] 。可溶性固形物作为电解质本应 促进电导、降低电阻，可是密度增大提高电阻，二者相 反的作用平衡之下可能抵消对电阻、电导的影响，使水 心病果的电导、等效电阻未与好果表现差异。再次显示 出理化特性与电学参数特征值变化的多对多的因果关 系。王瑞庆等 [23] 找出红巴梨在 1 MHz下的阻抗 Z、电感 L 与其硬度相关关系显著，安慧珍等 [27] 得出， ‘富士’苹果 的 Rs和 Z值分别可用来预测其硬度和可滴定酸含量， ‘秦 冠’苹果则不行。李琳等 [25] 确定了并联电感 Lp与‘秦美’ 猕猴桃抗坏血酸含量的线性相关性，其他文献的研究却 未报道。说明果实硬度、可溶性固形物、可滴定酸等单 项理化品质与电学参数的相关性总是随种类、甚至品种 不同而改变，使得以电学参数表征单项理化品质的规律 往往不具有普遍性，限制了其无损检测仪器的开发。病 害的电学法无损检测则具有一定的优势，因为每种生理 或侵染性病害通过对理化指标的影响各自会引起不同类 别的电学参数发生变化，