近红外光谱和电子鼻技术是近年来发展起来的2 种快速、无损操作方便的分析技术。国内外研究者运用近红外光谱技术对苹果内部病害研究，大多采用近红外透射技术，很少利用近红外漫反射技术。近红外漫反射光是光源发射出来，进入样品内部经过多次反射、折射、衍射及吸收后返回样品表面的光，其负载了样品的结构和组成信息。
西北农林科技大学食品科学与工程学院的袁鸿飞、胡馨木、杨军林等人以“秦冠”苹果为试材，分别利用FT-NIR和电子鼻技术对每个样本进行信息采集，探讨不同光谱预处理方法对Fisher判别模型性能的影响；电子鼻分别结合Fisher判别、多层感知器（MLP）神经网络、径向基函数（RBF）神经网络3 种方法建立判别模型，并对未知样本进行验证，为FT-NIR和电子鼻技术判别水心病苹果提供参考。
1、FT-NIR对苹果水心病的判别结果分析
健康苹果和水心病苹果的FT-NIR图
在12 000～4 000 cm－1波数范围内，健康果和水心病果的FT-NIR曲线形状非常相似，并出现部分交叉重叠，故很难从光谱图上直观区分健康果和水心病果。由于外部环境、样本背景、仪器设备等因素的干扰，FT-NIR会出现噪声、基线漂移和光散射等现象，为了尽可能消除干扰因素对判别模型性能的影响，分别采用矢量归一化、最小-最大归一化（MMN）、9 点平滑、多元散射校正（MSC）和一阶导数（9 点平滑）5 种方法对原始光谱进行预处理。
主成分提取结果
除一阶导数预处理的累计贡献率为96%，其他光谱预处理后提取的前20 个主成分的累计贡献率均在99%以上。考虑到健康果和水心病果的光谱差别较小，若选取的主成分数过少，则可能会造成较大的判别误差。所以为了获得较高的正确判别率，选取前20 个主成分作为建立Fisher判别函数的自变量。
基于主成分分析的Fisher判别函数结果
经一阶导数（9 点平滑）预处理建立的Fisher判别函数的正确判别率最高，达到100%；经MMN预处理所建判别函数的正确判别率最低，为92.3%；经矢量归一化、9 点平滑和MSC预处理所建判别函数正确判别率均低于100%。
2、电子鼻对苹果水心病的判别结果分析
Fisher判别函数的建立与验证结果
为检验所建判别函数对未知样本的判别效果，将68 个样本的验证集，代入上述Fisher判别方程，计算W0和W1的结果，并比较二者的数值大小，如果W0大于W1，则被判为组0（健康果），如果W0小于W1，则被判为组1（水心病果）。电子鼻结合Fisher判别函数对建模集和验证集的总体正确判别率分别为90%、89.7%，说明了电子鼻技术结合Fisher判别应用苹果水心病判别的可行性。
MLP神经网络判别结果
所建立的MLP神经网络模型对健康果和水心病果的正确判别率较高，其中训练集和测试集的总体判别准确率分别为90.1%和89.5%，说明电子鼻结合MLP神经网络模型能够较好地识别水心病苹果。
RBF神经网络判别结果
电子鼻结合RBF神经网络模型对训练集和测试集的总体正确判别率分别为86.5%、85.7%，低于Fisher判别函数和MLP神经网络的正确判别率，并且训练集中水心病苹果的正确判别率仅为81.6%，说明电子鼻结合RBF神经网络对苹果水心病的检测有待进一步研究。
结 论
FT-NIR原始光谱经一阶导数（9 点平滑）预处理后结合主成分所建立的Fisher判别函数，对未知样本的正确判别率达100%。由此可知，模型有着较好的预测准确率，验证了FT-NIR技术应用于苹果水心病检测的可行性。但考虑到地域、品种、年份等局限因素，为进一步提高模型在实际应用中的推广能力，建议对不同产地、品种和年份的水心病果进行判别研究。比较了电子鼻分别结合3 种化学计量学的方法对未知样本的正确判别率，其中，Fisher判别和MLP神经网络的判别结果较好，均在89%以上，验证了电子鼻技术结合化学计量学应用于苹果水心病检测的可行性。考虑到FT-NIR和电子鼻2 种仪器在实际应用中的检测效率和经济条件因素，以及对苹果水心病的识别效果，认为FT-NIR技术可以更好地对苹果水心病进行无损检测。
