苹果霉心病令人**的一点是，无法从果皮外表进行识别，传统检测方法有存在 一定的局限性，故而造成病变苹果无法在流通环节中被拦截下来，通常是在消费者在使用时一口咬下去才发现的，造成的影响颇为深远。
在对于苹果霉心病的防治上，果农们也总结有一套预防措施，比如在花前、果实生长初期、雨前、病害高发期等阶段用药;平衡施肥，用微生物菌肥、生物菌剂等肥料搭配使用;矮化树形、用透气排水性好的纸袋套着等措施，防治霉心病发生。
防治手段有几种，秋冬季修剪清理残枝、病果等，增施有机无机生物复混肥等措施，从产地生产环节降低病变发生的几率。
而通过西北农林科技大学黄铝文教授团队的研究，借助物联网、信息感知等技术，推动了智慧农业农产品加工与检测环节的完善，能在无损外皮的前提下，基于介电特征进行无损检测。以苹果9种频率下的12项介电指标为研究对象，所使用苹果采集自陕西省白水县西北农林科技大学苹果试验站，品种为“富士”，通过人工精心选择挑选一批好果和疑似霉心病果。从中挑选大小相似、颜色相近、表皮无损伤的苹果220个，于室温下储藏。
为避免外界环境所导致的系统误差，采集苹果介电特征数据时首先将苹果置于室内24 h。采集数据时沿果实**横截面测量，以保持苹果与平行电极板间接触面积**，保证所获取介电特征数据可以准确反映苹果内部品质。对每个苹果进行破坏性试验，观察其是否为霉心病果，最终确认霉心病果164个，好果56个。
基于LCR测量仪采集220个苹果的108项介电指标(9个频率下的12项介电指标)作为原始参数，使用数据标准化、主成分分析算法等对数据进行预处理，并利用BP神经网络、支持向量机、随机森林算法构建霉心病果检测模型。
试验结果表明，基于随机森林算法构建的霉心病果检测模型性能**，在150个苹果构建的训练集和70个苹果构建的测试集中分类准确率分别达到96.66%和95.71%。
基于采用BP神经网络构建的霉心病果检测模型效果次之，分类准确率分别可达到94.66%和94.29%;基于使用支持向量机构建的模型检测效果相对较差，分类准确率分别为93.33%和91.43%。试验结果表明，使用随机森林构建的模型可以更**地识别霉心病果和好果。
通过科研人员的研究，对苹果霉心病检测能力有了提升，可为苹果病虫害、品质无损检测等提供参考，希望更多实用的智慧农业技术得到应用与发展。
资讯来源：聚英电子
|
