| 由表2 可知，富士苹果品质指标多数项目存在极显著相关，说明果实品质各成分含量间的关系较为密切龙源期刊。其中，果皮的红色度a*值与果实的可溶性固形物含量S之间呈显著的正相关（p<0.001相关系数为0.56529）这与冯国聪[5]等的研究相一致，说明一般富士苹果越大可溶性固形物含量越高；果皮的红色度a*与亮度L*之间呈极显著的负相关（p<0.001，相关系数为-0.82063），说明随着花青苷的积累，果皮亮度会降低；果皮的红色度a*与黄色度b*呈极显著的负相关（p<0.001，相关系数为-0.62878），说明随着果皮中花青苷与类胡萝卜素之间也成负相关关关系；果皮的亮度L*和黄色度b*呈极显著的正相关（p<0.001，相关系数为0.50119）说明在前期苹果着色不太好的时候，亮度和黄色度就较高；果实的可溶性固形物S与可滴定酸T之间呈显著的正相关。（p<0.001，相关系数为0.46125）说明苹果可溶性固形物含量越高，可滴定酸含量也越高；果实的单果重W与果实的硬度F呈极显著的负相关（p<0.001差异性，相关系数为-0.42090，说明果实越大则果实硬度越小；单果重W与可溶性固形物含量S之间呈极显著的正相关（p<0.001，相关系数为0.55166），与侯立群[6]等在金冠苹果上的研究相一致，这说明苹果越大可溶性固形物也越高；单果重与果皮的红色度a*呈极显著的正相关（p<0.001，相关系数为0.4882）说明红富士苹果一般越大着色越好。果皮的红色度与单果重、可溶性固形物、可滴定酸呈极显著的正相关，与果实的硬度、黄色度呈极显著的负相关，因此果皮的红色度a*可做为判定富士苹果品质指标的重要依据。
2.4神经网络系统模型
建立了一个三层的人工神经网络结构，三层BP网络中，第一层使用的传递函数为sigmoid  ，输出层的传递函数为linear： 。
网络输入层节点数为4，输入分别是W(苹果重) 、L*(色度L)、 a*(色度a)、 b*(色度b)，输出层为一个节点。一层隐层，隐层节点个数为3个。网络指定参数中学习速率为0.03（见图八）。对于隐层，有 j=1差异性，2，3， j=1，。以上两式中，变换函数 , 分别是sigmoid和linear。BP神经网络学习的目的就是根据样本数据集来调节权值跟阈值的大小，从而使输出结果接近样本数据的真实值。本实验采用纯梯度法来训练网络。采用均方根误差计算网络输出与真实值的误差，然后根据误差来调节权值跟阈值[7]。
图八 三层前馈网络结构
Fig.7 3 layers of feed-forward network
共有721组数据，每组数据有7个属性值（苹果重W、果实亮度度L*、果实红色度a*、果实黄色度b*、可溶性固形物S、可滴定酸T、硬度F）。试验中采用70%数据进行训练，30%数据进行测试的方法，训练数据一共505组，测试数据为216组。
表三富士苹果相关品质基于神经网络系统的实验结果
Table 3 The result of relevantquality based on artificial neural networksin ‘Fuji’ apple
|
输入
|
输出
|
均值
|
误差
|
|
W L* a*b*
|
F
|
6．64%
|
5．61%
|
|
W L* a*b*
|
S
|
9．64%
|
8．13%
|
|
W L* a*b*
|
T
|
14．43%
|
12．56%
|
注： W：单果重，F：果实硬度；S ：可溶性固形物；L：果皮亮度；a：果皮红色度；b:-果皮黄色度；T：可滴定酸。表中数值为相关系数，相关系数下为概率。
Note: W:single-fruit weight; S:soluble solid;L*:rind brightness, a*:rindredness; b*:yellowness; T:Titratableacid(%).Values in the table aremeans correlation coefficient, Values bellowed correlation coefficient aremeans probability.
实验结果显示，组合W L* a* b*与F的组合均值与误差小于另外两组，真实值与输出值之间的差异最大为12.25%差异性，泛化能力很好，符合训练要求。实验表明W L* a* b*与T有很强的关联性，可以通过W L* a* b*达到预测F的目的。组合W L* a* b*与S的组合均值与误差稍微偏大，真实值与输出值之间的差异最大为17.77%，在精度要求不高的前提上也可以使用W L* a* b*来预测S龙源期刊。而组合W L* a* b*与T的组合均值和误差过大，真实值与输出值之间的差异最大为26.99%，泛化能力很差，表示W、L、a、b不适合用来预测T。
3讨论
果品理想的风味和质地常与典型的颜色的显现分不开，所以果品的外观颜色可作为果品是否达到理想程度的外观指标[8]。树体营养积累与着色有关，糖分积累是着色的基础。表现为着色度高的果实可溶性固形物也高，例如着色小于40%的果实，可溶性固形物含量11.55%，着色大于78%的果实，可溶性固形物含量达14.75%，二者成正比[5]。CIELAB表色系统在水果的研究中应用比较广泛。富士苹果的品质色泽指标与内在的品质指标存在着密切尤其是反映果皮红色度的a*值变异系数较大差异性，而a*值与富士苹果的很多品质指标有极限著的相关性。因此，要全面提高富士果实品质，应从影响果实品质的主要因素入手，改善富士苹果果皮的着色。由于富士苹果的单果重及红色度变异系数较大，因此在生产上分级贮藏保鲜就成为必要，依据哪些因素进行分级贮藏还需要进一步的实验证明。杨秀坤[9]等利用遗传神经网络方法与彩色计算机视觉技术相结合的手段建立了一个水果成熟度在线自动判别系统。李小昱[10]等基于BP神经网络，用苹果机械特性指标建立的苹果贮藏品质的预测模型，可预测苹果贮藏品质，相对误差在5％以下。薄丽丽[11]等提出了一种基于遗传算法的BP神经网络苹果缺陷识别方法，减少缺陷判别误差，提高算法精度和缺陷检测速度，识别率不低于89％。由于色度和单果重可以在无损的条件下快速测出，因此利用二者甚至只用色度预测苹果的内在品质，在果实的无损检测和预测果实的贮藏寿命方面具有十分重要的意义。
参考文献References
[1]Sun Jian-shen, Ma Bao-kun, Zhang Wen-cai.The study on thecharacters of needed light in the coloration of ‘Fuji’ Apple [J].Acta Horticulturae Sinica，2000，27（3）:215-213. (in Chinese)
2/2 首页 上一页 1 2 |
