荔枝中成熟阶段监测检测方案(感官智能分析)

智能文字提取功能测试中

农业工程学报Transactions of the Chinese Society of Agricultural Engineering第31卷 第18期2015年 9月Vol.31 No.18Sep. 2015240 第18期徐 赛等：基于电子鼻的果园荔枝成熟阶段监测241 基于电子鼻的果园荔枝成熟阶段监测 徐 赛，，陆华忠，周志艳，，吕恩利※，杨 径 (1. 华南农业大学南方农业机械与装备关键技术教育部重点实验室，广州510642；2.华南农业大学工程学院，广州510642) 摘 要：为了无损快速监测荔枝成熟阶段，该文提出了一种基于电子鼻技术的果园荔枝成熟阶段监测方法，采用 PEN3电子鼻获取挂果约25d到果实成熟过程中6个成熟阶段荔枝样本的仿生嗅觉信息并同步获取了各成熟阶段荔枝的3项物理特征(果实直径、果实质量与果实可溶性固形物含量)。根据不同成熟阶段荔枝物理特征变化可知，荔枝果实直径与果实质量2项物理指标在挂果约 32d~39d，以及53d~60d增长较快，可溶性固形物含量在挂果约32d前无法测量，53d~60d阶段增长速度较慢。提取各样本电子鼻采样数据75 s 时刻的各传感器响应值作为特征值后，采用载荷分析(loadings)进行传感器阵列优化，优选了传感器R2、R4、R6、R7、R8、R9和R10的响应数据进行后续分析。将优化后的传感器响应数据进行归一化处理。采用线性判别分析 (linear discriminant analysis， LDA)进一步提取特征信息，降低数据中包含的冗余信息。LDA 对荔枝成熟阶段的分类识别效果不佳。为进一步探究电子鼻监测果园荔枝成熟阶段的可行性，采用模糊C均值聚类分析 (fuzzy C means clustering， FCM)、k最近邻函数分析 (k nearest neighbor， KNN)和概率神经网络(probabilistic neural network， PNN) 进行模式识别。研究结果表明， FCM 对果园荔枝成熟阶段识别的正确率为89.17%。采用 KNN与 PNN 建立识别模型后， KNN 与 PNN 识别模型对训练集的回判正确率均为100%，对测试集的识别率均为96.67%， 具有较好的分类识别效果。试验证明了采用电子鼻进行果园荔枝成熟度监测的可行性，为果园水果品质的实时 监测提供参考。 关键词：无损检测；水果；模型；；电电子鼻；成熟阶段；模糊C均值聚类；k最近邻；神经网络 doi： 10.11975/j.issn.1002-6819.2015.18.033 中图分类号：S24；S163*.3 文献标志码：A 文章编号：1002-6819(2015)-18-0240-07 徐 赛，陆华忠，周志艳，吕恩利，杨 径.基于电子鼻的果园荔枝成熟阶段监测[J].农业工程学报，2015，31(18)：240一246. doi：10.11975/j.issn.1002-6819.2015.18.033 http：//www.tcsae.org Xu Sai， Lu Huazhong， Zhou Zhiyan， Lu Enli， Yang Jing. Electronic nose monitoring mature stage of litchi in orchard[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE)， 2015，31(18)： 240-246. (inChinese with English abstract) doi： 10.11975/j.issn.1002-6819.2015.18.033 http：//www.tcsae.org 0 引 言 中国是荔枝的主产国，其种植面积与产量均居世界第一。张荣等研究报道，荔枝的成熟过程共会经历3次生理落果，掉落的果实通常为受到病虫害的果实，及时清理地面落果有助于降低果园病虫害的发生率2。吴燕珠等研究表明，在不同成熟阶段，荔枝发生的病虫害类型通常有所差异，需要喷施不同的药剂进行防治③。此外，黄锡琨等研究发现，在适宜的成熟度对荔枝进行采摘，有助于获得最佳风味的荔枝，并且能够提高荔枝采后的耐贮运能力4。因此，准确地对荔枝成熟阶段进行监测，能为荔枝果园的管理提供科学的指导，具有重要意义， ( 收稿日期 ： 20 15-06-23 修订日期：20 1 5-08-08 ) ( 基金项目 ：现 代 农 业产业技术体系建设专项资金 (CAR S-33-1 3 ) ；广东省高等学校优秀青年教师培养计划(Y9 2014025 )；广州市珠江科技新星专项 ) ( (2 014J2200070 ) ) ( 作者简介 ： 徐赛，男，湖南衡阳人 ， 博士生 ， 主 要从事 农 产品冷链物流技 术 与装备研究。 广 州 广东广州华南农业大学工程学院，51 0642。 ) ( E m ail： 294504658 @q q.com ) ( ※通信作者：吕恩利 ， 男，山东陵县 人， 副教授，博士，主要从事农产品冷链物流技术与装 备 研究。广州H 广东 广州华南农业大学工程学院，510 642。 Email： txzzlu@ sin a.cn ) 目前未见相关研究报道。 目前荔枝主要的品质检测方法为感官评定法和理化指标识别法。感官评定法费时费力，且易受到主观因素的干扰。理化指标检测法是一种直观有效的方法，但该方法费时费力，对检测人员的要求较高，无法满足实际检测的需要。关于荔枝品质检测的机器识别方法尚未见报道。因此，有必要探究荔枝品质快速无损的机器检测方法。 电子鼻检测是一种模拟生物嗅觉系统的仿生检测手段，主要是通过其内置的气敏传感器阵列与被测样本的气体挥发物发生瞬时响应获取样本信息。电子鼻系统操作简单，检测速度较快，在食品17-8]、医疗19-10]、环境111-12]等领域已有一定的研究，且电子鼻便携化I13]、远程可控14]等发展趋势符合果园荔枝品质监测的需求，具有广泛的应用前景。目前，电子鼻在水果成熟度检测上已有一定的研究，如：苹果15-16]、芒果[17-18]、柿子I19、香蕉l201、番茄21]、柑橘122]、草莓1231等。但已有的研究均处于对水果采后贮藏过程中成熟度变化的识别，或对已成熟果实不同成熟度的分类识别，对果园果实成熟阶段基于时间序列的监测研究还未见报道。 本文研究了电子鼻在果园荔枝成熟阶段监测上应用 的可行性。首先，对不同成熟阶段果园荔枝的物理特征(直径、质量与可溶性固形物含量)变化进行了对比。其次，在获取不同成熟阶段荔枝样本的电子鼻响应数据后，采用载荷分析 (loadings)、归一化处理和线性判别分析(linear discriminant analysis， LDA) 进行数据的预处理。最后，采用模糊C-均值聚类 (fuzzy c means clustering，FCM)、k-最近邻函数 (k nearest neighbor， KNN) 和概率神经网络(probabilistic neural network， PNN)分析了电子鼻对果园荔枝成熟阶段的识别效果，为果园水果品质的实时监测提供参考。 1材料与方法 1.1试验材料 试验采用的不同成熟阶段荔枝样本信息如表1所示，所用荔枝均采摘于广东省广州市华南农业大学校内果园，品种为“水林”。在荔枝挂果约25 d时，对荔枝果实进行采样，采样周期为7d，共采样6次到荔枝果实成熟(6个成熟阶段分别标记为 s1、s2、s3、s4、s5和s6。)，每次取样20颗无损伤荔枝果实。取果后，立即送回实验室进行电子鼻采样。 Table 1 Litchi information for sampling in different mature stages 编号 采样日期(2015年) 果实挂果时长 样本数 果实直径 果实质量 可溶性固形物质量分数 Number Sampling data in 2015 Time after fruited/d Sample number Fruit’s size/mm Fruit’s weight/g Soluble solid content/% sl 04-25 April 25 25 20 10.81±1.02 1±0.2 s2 05-02 May 2 32 20 16.21±0.8 2.66±0.34 — s3 05-09 May 9 39 20 22.96±2.15 7.17±1.25 8.37±1.20 s4 05-16 May 16 46 20 26.01±1.26 9.97±0.84 9.10±0.59 s5 05-23 May 23 53 20 27.92±2.25 12.30±3.45 12.65±1.30 s6 05-30 May 30 60 20 33.14±2.42 20.83±3.63 12.98±1.72 注：-代表果肉尚未完全形成，无法进行可溶性固形物测量。 电子鼻采样后，对该成熟阶段荔枝样本的果实直径与果实质量进行测量。其中，果实直径的测量方法为：采用游标卡尺测量荔枝果实“赤道”位置的最大直径，每个荔枝样本测量3次，取平均值作为该荔枝果实的直径。果实质量的测量方法为：采用精度为0.01的电子天平 (jy600， 中国上海浦春计量仪器有限公司)测量每颗荔枝果实的质量，每个荔枝样本测量3次，取平均值作为该荔枝果实的质量。试验采用数字折射计(PR-32a，日本爱拓中国分公司)测量每颗荔枝样本的可溶性固形物含量。剥除荔枝果皮后对果肉进行挤压取汁，搅拌均匀后进行检测，每次测量重复3次，以20个荔枝果实可溶性固形物含量的平均值士标准差作为该成熟阶段的可溶性固形物含量。 由表1可知，在荔枝成熟过程中，其果实直径与果实质量2项物理指标在成熟阶在 s2 至s3， 以及 s5 至 s6增长较大，说明荔枝在挂果约32~39d以及53~60d这两段时间里生长速度较快。荔枝挂果约32d(s2)之前，果肉尚未完全形成，无法满足可溶性固形物含量测量的要求。荔枝可溶性固形物含量在挂果约53d(s5)~60d(s6)阶段变化不大，相对其他成熟阶段增长速度较慢。 1.2 试验仪器及采样方法 试验采用 PEN3 型便携式仿生电子鼻系统(AirSenseInc， Germany) 进行不同成熟阶段荔枝的仿生嗅觉信息采样。该电子鼻主要由采样及清洗通道、传感器阵列以及模式识别子系统构成。其中传感器阵列包含10个对不同类别气体挥发物敏感的金属氧化物气敏传感器，使得整个电子鼻系统能够识别不同的气味。各传感器的主要性 能分别为124]：传感器W1C(R1)对芳香成分敏感，传感器W5S(R2)对氮氧化合物敏感，传感器 W3C(R3)对氨水和芳香成分敏感，传感器 W6S(R4)对氢气敏感，传感器 W5C(R5)对烷烃芳香成分敏感，传感器 W1S(R6)对甲烷敏感，传感器W1W (R7)对硫化物敏感，传感器 W2S(R8) 对乙醇敏感，传感器 W2W (R9)对芳香成分和有机硫化物敏感，传感器 W3S (R10)对烷烃敏感。 电子鼻采样前，每个荔枝样本均放置于200 mL 玻璃烧杯中，用双层塑料膜密封，并在室内环境静置1h。待杯内气体挥发物平衡后，采用电子鼻系统进行顶空气体采样。烧杯使用前，均用超声波清洗仪洗净，并放置阴凉、无异味的室内环境晾干。 电子鼻的采样参数设置为：采样时间间隔为1s， 传感器自动清洗时间为70 s， 传感器归零时间为 10s， 分析采样时间为80s， 进样准备时间为5s，进样流量为300 mL/min。 试验共获得荔枝不同成熟阶段的电子鼻采样数据120个(6个成熟阶段x每次采集20个样本=120个)。 1.3 电子鼻特征值的提取 PEN3电子鼻是以 G/G作为传感器响应输出，其中G 为传感器与被测样本气体挥发物接触时的响应值， G为传感器与零气接触时的响应值，其中零气为经标准活性炭过滤后的环境空气。 电子鼻对成熟阶段 s5 的荔枝样本采样结果如图1所示。电子鼻采样前，各传感器的初始响应值均为1。随着电子鼻开始进样，荔枝气体挥发物开始在气敏传感器上 富集，各传感器响应值发生变化，呈逐渐上升的趋势，并在53s 附近达到最大值。随后传感器响应值略有减小，70 s后趋于稳定状态。为提取电子鼻各传感器特征值，本试验选取传感器稳定状态的值作为后续分析的特征值，即选取 75s 时刻的各传感器响应值。 注： R1~R10分别为电子鼻10个金属氧物物传感器的编号，G为传感器与被测样本气体挥发物接触时的响应值， Go为传感器与零气接触时的响应值。Note： R1-R10 are the number of 10 metal oxide sensors of electronic nose， G isthe response value when sensors contact to sample volatiles， Go is the responsevalue when sensors contact to zero gas. 图1 电子鼻对成熟阶段 s5 的某荔枝样本检测结果 Fig.l Electronic nose for single litchi sampling in mature stage of s5 1.4 数据处理方法 1.4.1 载荷分析 载荷是主成分与相应的原始变量之间的相关系数，用于反映因子和变量间的密切程度。位点坐标表示分别在主成分上的比例大小，相关系数越大，位点坐标在主成分上的比例就越大，位点坐标对应变量的代表性越强25。 1.4.2 归一化处理 归一化处理的目的是使数据集中各数据向量具有相同的长度，一般为单位长度。该方法能够有效地去除噪声干扰导致的电子鼻传感器获取数据集的方差126]。其计算公式为1271： 式中：xx代表第i个传感器第k个样本值， yu为归一化后的第i个传感器第k个样本值， n 为样本总数(本试验为120个)。 1.4.3 线性判别分析 线性判别分析(LDA)是一种运用降维进行模式识别的线性识别方法。LDA分析法能从所有传感器中收集数据信息，每一个类别通过一个特殊的向量化变换得到，使得样本内凝聚而样本间疏远281。 1.4.4 模糊c均值聚类 模糊c均值聚类是一种无监督识别方法，其算法主要通过目标函数 Jm 极小化的必要条件之间的 Pickard 迭代来实现，根据样本之间的相似性进行自然地分类。其中m为目标函数Jm的加权指数，其值决定了目标函数的不同。要达到较好的 FCM 识别效果就要选择适合的目标函数Jm， 即选取最佳m 值2。 1.4.5 k最近邻算法 k-最近邻算法(KNN)是根据考察待识别样本的k个最近邻样本，在这k个最近邻样本中哪一类样本最多，该考察样本就属于哪一类301，为避免近邻数相等，k通常采用奇数。 1.4.6 概率神经网络 概率神经网络由输入层、隐含层、求和层和输出层组成。输入层，作用函数为线性函数，用于接收来自训练样本的值，将数据转化为输入信号传递给隐含层，神经元个数与输入长度相等。隐含层与输入层之间通过权值W；相连，其传递函数为 g(z；)=exp((z-1)/a²)，其中z；为该层第i个神经元的输入，， o为均方差。求和层神经元数目与欲分的模式数目相同，具有线性求和功能。输出层具有判决功能，其神经元输出为离散值1和-1(或0)，分别代表输入模式的类别3. 2 数据预处理 2.1 传感器阵列的选优 对传感器阵列进行优化可减少后续分析中数据所包含的冗余信息，从而达到数据优化的目的。在采用电子鼻对荔枝气体挥发物进行采样与分析时，部分传感器在分类识别过程中发挥的作用相似，通常保留其中1至2个即可。此外，并不是所有的电子鼻传感器都对荔枝气体挥发物敏感，部分传感器在识别荔枝气体挥发物时发挥作用较小，甚至不发挥作用，在实际分类识别中，可优先考虑去除该部分传感器。 试验对荔枝6个成熟阶段(s1~s6)，共120个荔枝样本的电子鼻采样数据进行了载荷 Loadings 分析，分析结果如图2所示。 注： R1~R10分别为传感器阵列中的10个金属氧化物传感器的编号。Note： R1-R10 are the number of 10 metal-oxide sensors in the sensor array. 图2 荔枝气味的载荷分析 Fig.2Loadings for litchi’s volatile 传感器在第1主成分的贡献率接近于100%，在第2主成分的贡献率接近于0。其中，传感器R7、R4和R6在识别荔枝气味时发挥的作用较大，其余传感器发挥的作用较小。传感器R1、R3、R5、R9和R10 的 Loadings分析数据点距离较近，说明这几个传感器在对荔枝气味进行识别时发挥的作用比较相似。其他传感器之间的距离较远。为去除传感器阵列中的冗余信息，本文选择保留2个对荔 枝气味进行识别时发挥作用相对较大，且 Loadings 数据点不重叠的2个传感器 R9 和R10， 即保留传感器R2、R4、R6、R7、R8、R9和R10进行后续数据分析。 2.3 线性判别分析 试验采用归一化处理对传感器选优后的荔枝不同成熟阶段电子鼻采样数据进行进一步降噪，随后，进行 LDA分析。图3是采用 LDA 对荔枝成熟阶段的分类识别结果。第1线性判别因子(LD1)的贡献率为 63.16%，第2线性判别因子(LD2)的贡献率为26.47%，第1、2线性判别因子的累积贡献率为 89.63%。成熟阶段 s2 和s3荔枝样本数据点有少量重叠，无法进行识别。成熟阶段 s5 和s6的样本数据点虽然无重叠现象，但距离较近，实际分类中易发生混淆。其余成熟阶段均距离较远，可以被区分开来。因此，采用 LDA对荔枝成熟阶段识别的分类效果不佳。 注： sl~s6分别为荔枝成熟过程中6个成熟阶段的编号。 Note： s1-s6 are the number of 6 different litchi mature stages. 图3 荔枝成熟阶段的线性判别分析 Fig.3 LDA for mature stage detection of litchi 研究表明1321，采用LDA分析提取出的线性判别因子(linear discriminant factor， LD)矩阵作为分类识别的特征值，可进一步减少分析数据中的冗余信息，从而取得更好的分类识别效果。本试验 LDA 分析得到的前7个线性判别因子累积贡献率如图4所示。前4个判别因子的累积贡献率达到99.9%，接近100%，几乎包含所 LD中的样本信息。因此，后续分析采用 LD1 至LD4对应的线性判别因子矩阵作分类识别的特征值。 图4 前7个线性判别因子的分别累积贡献率 Fig.4 Accumulate contribution rate of 7 LDs， respectively 3 结果与分析 3. 模糊C-均值聚类分析 试验采用 FCM 探究电子鼻监测荔枝成熟阶段的可行 性。共6个成熟阶段(s1、s2、s3、s4、s5和s6)，每个成熟阶段检测20个荔枝样本。FCM是一种无监督学习的模式识别方法，进行识别时，无需训练样本即可自动聚类。其中，加权值m(目标函数 Jm 的加权指数)对识别结果影响较大，需要选择最佳m 值。经反复分析，加权指数m取3时得到的 FCM分类识别效果较佳，分类结果如表2所示。FCM 对荔枝成熟阶段的分类识别正确率为89.17%。其中成熟阶段 s2 与成熟阶段 s3 在分类识别过程中区分效果较差， s5 与 s6无法被完全区分开来，实际分类中易造成混淆。FCM分类识别结果初步证明了电子鼻在荔枝成熟度监测上应用的可行性。 表2模糊 C-均值聚类分析对荔枝成熟阶段的识别结果 Table 2Fuzzy C means clustering analysis for litchi’s maturestage detection 成熟阶段 Mature stage 总计正确率 s1 s2 s3 s4 s5 s6 Total accuracy/% 正确率 Accuracy/% 100 60 80 100 95 100 89.17 3.2 k-最近邻算法分析 为进一步探究电子鼻对荔枝成熟阶段识别的效果，试验采用 KNN 对荔枝成熟阶段的荔枝进行分类识别。试验共包含6个荔枝成熟阶段，每个成熟阶段采样20个荔枝样本。从各成熟阶段中随机选择15个荔枝样本作为训练集，剩下5个荔枝样本作为测试集。因此，试验得到训练集样本数为90个，测试集样本数为30个。在进行KNN分析时，近邻样本数k的选择对分类识别效果的影响较大。经过反复分析，设置k的个数为5。建立 KNN分类识别模型后，模型对训练集样本的回判正确率为100%，对测试集识别的正确率为96.67%，具有较好的分类识别效果。分类结果如表3所示。 表3 KNN分析对荔枝成熟阶段测试集的识别结果 Table 3 KNN analysis for litchi’s mature stagedetection of test set 成熟阶段 Mature stage 总计正确率 SI s2 s3 s4 s5 s6 Total accuracy/% 正确率 Accuracy/% 100 100 80 100 100 100 96.67 3.3 概率神经网络分析 采用 PNN 对成熟阶段的荔枝进行分类识别时，共包含6个荔枝成熟阶段，每个成熟阶段采样20个荔枝样本。从各成熟阶段中随机选择15个荔枝样本作为训练集，剩下5个荔枝样本作为测试集。得到训练集样本数为 90个，测试集样本数为30个。本研究采用 Matlab 软件执行“newpnn”函数命令来实现 PNN 模型的构建。其中，Spread值的大小对模型的判别结果具有一定影响。 Spread 表示PNN的扩散速度，默认值为0.1，如果其值趋近于0，则网络相当于最邻分类器，其值越大，越接近线性函数。为了对概率神经网络模型进行优化，试验设定 Spread 的优化范围为1×102、2×102、3×10、4×10、5×10、6×10、7×10、8×10、9×10、1×10。本试验选择训练集的识别率最高，同时测试集的识别率也最高时的 PNN 识别模 型为较佳模型。因此，试验选择 Spread=1x10时所得到的PNN模型作为测试集荔枝成熟阶段识别模型。PNN对果园荔枝成熟阶段测试集的分类识别结果如表4所示。该 PNN 模型对训练集样本的回判正确率为100%，对测试集的识别正确率为96.67%，具有较好的分类识别效果。 表4 PNN分析对荔枝成熟阶段测试集的识别结果 Table 4 PNN analysis for litchi’s mature stagedetection of text set 成熟阶段 Mature stage 总计正确率 s1 s2 s3 s4 s5 s6 Total accuracy/% 正确率 Accuracy/% 100 100 80 100 100 100 96.67 3.4 讨 论 试验采用电子鼻对果园荔枝不同成熟阶段进行识别，结果证明了电子鼻监测果园荔枝成熟阶段是可行的。 KNN 和 PNN对果园荔枝成熟阶段的识别效果较好。采用 FCM、KNN和PNN 3种模式识别方法对经过预处理后的果园荔枝不同成熟阶段电子鼻采样数据进行模式识别的正确率分别为89.17%， 96.67%和 96.67%。因此KNN 与 PNN2种非线性的模式识别方法，相对线性识别方法FCM， 更适合解决果园荔枝成熟阶段识别这类非线性识别问题。 综合试验得到的 LDA、FCM、KNN 和PNN 分类识别结果可知，在对果园荔枝成熟阶段的识别中， s2 和s32个成熟阶段的分类效果较差，2种线性识别方法(LDA和FCM)与2种非线性识别方法(KNN 和 PNN) 均无法完全将其区分开来。s5和s6其次，2种线性识别方法(LDA 和FCM) 的分类效果较差，但采用非线性识别方法(KNN和PNN)可以较好地进行识别。由表1可知，荔枝在成熟阶段 s2~s3以及 s5~s6正处于迅速生长阶段，果实的质量和直径都迅速增加，其他成熟阶段相对这2个阶段生长速度较慢，而荔枝可溶性固形物含量在成熟阶段 s5~s6相对其他成熟阶段增长较慢。据陈蔚辉等133]研究报道，果实成熟是能量、营养物质、各种转熟酶及成熟衰老激素-乙烯等积累的过程。由此可以推测，荔枝果实内部物质成分的积累速度与果实大小及体积的增长速度是呈反比的。果实体积增长越快，内部物质成分积累越慢，使得气体挥发物变化越小。反之，内部物质成分积累越快，气体挥发物变化越大，电子鼻的分类识别效果越好。 因此，下一步研究工作可对荔枝不同成熟阶段的气体挥发物成分变化采用气相色谱-质谱联用仪 (gaschromatography-mass spectrometer， GC-MS)与电子鼻进行对比研究，进而筛选出较少数量针对荔枝成熟阶段监测的气敏传感器，开发果园荔枝成熟度监测的专用电子鼻系统。使电子鼻在果园水果监测的应用上实用化且低成本化。 4 结 论 1)根据不同成熟阶段荔枝物理特征变化可知，在荔枝成熟过程中，其果实直径与果实质量2项物理指标在 挂果约30~39d以及53~60d增长较快。 2)采用电子鼻对果园挂果约20d到果实成熟期间内的6个成熟阶段进行采样。在获取不同成熟阶段果园荔枝的电子鼻信息后，进行了数据的预处理。选择各传感器稳定值(75s时刻的传感器响应值)作为后数据析值。采用载荷分析(Loadings) 进行传感器阵列的选优，选优了R2、R4、R6、R7、R8、R9和R10传感器的数据进行后续分析。采用归一化处理对选优后的果园荔枝不同成熟阶段电子鼻数据进行降噪，将降噪后的数据进行线性判别分析(linear discriminant analysis， LDA)， 提取第1、2、3和4线性判别因子对应的判别因子矩阵作为特征值，以达到进一步去除冗余信息的目的，且LDA 对不同果园荔枝成熟阶段的识别效果不佳。 3)研究采用了模糊C-均值聚类 (fuzzy C meansclustering，FCM)、k-最近邻函数分析(k nearest neighbor，KNN)和概率神经网络( probabilistic neural network，PNN)对果园荔枝成熟阶段的电子鼻数据进行模式识别。FCM对果园荔枝成熟阶段识别的正确率为89.17%。采用 KNN和 PNN对果园荔枝成熟阶段进行识别时， KNN 与 PNN识别模型对训练集的回判正确率均为100%，对测试集的识别率均为 96.76%，具有较好的分类识别效果。 ( [参 考 文 献] ) ( [1] 庄 丽娟 . 中 国荔 枝出口 贸易现状 与发展对 策 [ J ].中 国热 带 农业，2 0 10(1)：47-50. ) ( [21 张 荣， 邓 振 权，刘 爱 媛 ，等. 荔枝叶 面 ， 花 穗 和 果实上真菌 消长动态 [].华 南 农 业 大学 学 报， 2 012，33(2)：1 5 9一 162.Zhang R ong， Deng Z h enquan， Li u Ai y u an ， et al . Dynamicchanges of fungi on t h e l e aves， f l ower clusters and fr u its i n litchi[J] . Journa l of South Ch i na A g r icultural Un i v e rsity，2012，33 ( 2)：1 5 9一1 62 .(in Chin e se with English abstract) ) ( [3] 吴 燕 珠，陈 荣章 . 闽 南 荔枝病 虫 害的防治 难点 及解 决办 法 [ J].柑桔与亚 热带 果树 信 息，2 0 03，19(10)：41- 4 2. ) ( [ 4 ] 黄锡琨，宋 春华 ， 李雪 岑 .荔 枝 果实 采 收 成熟 度 的探讨 [J]. 中国 南 方 果 树，1 99 6 ，25(2)：3 8 . ) ( [5] 曹 颖 .鲜食 荔枝品 质评 价 研 究[ D ]. 金华：浙江 师范 大学 ， 2013.C a o Y ing. R e search on Qu a lity of Fres h Lit c hi[D]. Jin h ua：Zhejiang Normal Un i versity， 2 013. (in C h inese with En glish abstract) ) [6] 杨松夏，吕恩利，陆华忠，等.不同保鲜运输方式对荔枝 果实品质的影响[J].农业工程学报，2014，30(10)：225一 ( 232. Yang S ongxia， Lu E n li， L u H u a zhong， et al . Ef f e c t ofdifferent fresh-keeping transportatio n modes o n q uality oflitchi fruit[ J ] . Transactio n s o f th e Chines e Societ y of A gricultural Engineering (Transactions of th e CSAE ) ， 2014， 3 0(10)：225-232. (i n Chinese with English a b stract) ) ( [7] Hartyáni P iroska， D almadi I s tván， Knorr Dietrich . El e ctronicnose investigation of A licyclobacillus a cidoterrestris inoculatedapple and orange juice t r eated b y h i gh hydrostatic pressure[J].Food C o ntrol， 2013 ， 32(1)：262 一 2 6 9. ) ( [8] F alasconi M ， Co n cina I ， G obbi E ， e t a l . E lectronic nose formicrobiological qu a lit y contro l of food p roducts[J /O L ] .Internationa l Journal of E l e c trochemistry， 2 0 1 1-12-01.http： / /ww w . h indawi . com/j o urnals/ i jelc / 2012 / 715763/ . ) ( [9] M ontuschi P aolo， M ores N adia， T rove A n drea， e t a l. Theelectronic nose in respiratory m edicine[J]. Respiration， 2013，85(1)：72-84 . ) ( [10 ] S ibila Oriol， G arcia-Bellmunt L a ia， Giner Jo r di， e t a l .Identificati o n o f airway bacterial colonization by anelectronic nose i n c hronic obstructive pulmonary di s ease[J].Respiratory medicine， 2014， 108 (1 1) ： 1608一 16 14. ) ( [11 ] 路 鹏 ， 吴 世 新 ， 戴 志锋，等.基于电 子鼻和 GIS 的大 型生 活垃 圾 堆 肥厂恶臭 污 染源测定[ ]. 农 业 工 程 学报 ， 2014，30(17) ： 235 - 242.L u P eng， Wu S h i xin， Da i Zh i feng， et al . Determination ofodour emission at compost plant b ased on electronic nose andGIS[ J ]. Transactions of the C h inese S ociety o f A g riculturalE n gineering ( Transactions of the C S A E )， 2 0 14， 3 0 (17)： ) 235-242.(in Chinese with English abstract) ( [12] W ilson A l phus D a n. R e view of e l ectronic-nose t echnologiesand a lgorithms to detect hazardous ch emicals in t h eenv i ronment[J]. Procedi a Technology，2012(1)：4 53-4 63. ) ( [13 ] 李宇 骁，张顺 平 . 基于 S TC89C516RD+单片机 的手持 式电子 鼻的 设计[ J ].电 子技 术 设 计与 应 用， 201 1(12)： 34 - 37. L i Yuxiao， Zhang S hunping. Development o f a hand-heldelectronic nose base d on STC89C 5 16RD+MC U [J] . Ele c tronicsDesign & A pplication， 2011(12)： 34 -37 . ( in C hinese withEnglish abstract) ) ( [14 ] 陈新伟 ，王 俊 ，沈睿 谦.基于 GPRS的远程 检测 无 线 电 子鼻系统[ J].农 业 机械 学 报，201 5 ，46( 4 )：238-245. C h en Xinwei， Wang Ju n ， S h en Ru i qian. Wireless e l ectronicnose b ased o n G PRS an d it s a p p lic a tion o n m a ngos[J].Transaction s of t he Ch i nses Society f o r Agricultural M achinery，2015 ， 46(4)： 238 - 245.(in C hinese with Englishabstract) ) ( [15 ] P athange L akshmi P ， Mallikarjunan Parameswarakumar， M arini Richard P ， e t a l . N on-destructive evaluation of applematurity u sing an electronic nose s y stem[J]. J o urnal o f F o odEngineering ， 2006， 77(4)：1 0 18一102 3. ) ( [16 ] Yo u ng H， Ro s siter K， Wa n g M， e t a l . Ch a r a cterization ofRoyal Gala a pple a roma using e lectronic nose technolog y potential maturity i ndicator[J]. Journal of Agricultural andFood Chemistry， 199 9 ，47(12)：517 3- 5177. ) ( [17] Zakaria Ammar， Shakaff A li Yeon Md， Masnan Maz Jamilah，et a l. I mproved m a turity and ri p e ness cla s sifications ofmagnifera i ndica c v. h arumanis m a ngoes th r ough sen s orfusion of an e lectronic nose a nd a coustic s ensor[J]. Sensors，2012， 1 2(5)：6023 - 6048. ) ( [18] Lebrun Marc， Plotto Anne， G oodner Kevin.1， e1 al. Discrimination of m a ngo fru i t ma t urity by v ol a tiles using theelectronic nose a nd gas chromatography[J]. Pos t harvestBiology and Technology，2008，48(1)： 1 22一 13 1 . ) ( [ 1 9] Li J ， Zhang P， X ue Y ， e t a l. Discrimination of Maturity andStorage L i fe for ‘Mopan’ P ersimmon b y Ele c tronic N oseTechnique[ C ]/ / Luo ， Z ， Zhang， Q. T he 5t h InternationalSymposium on Persimmon. Wuhan， C h i n a： A c ta H o rticulturae， ) ( 2013：385 一3 90. ) ( [20] Sanaeifar Alireza ， Mohtasebi Seyed Saeid， Gh a s emi-V a rnamkhasti M ahdi， et a l. Development and A p plication ofa N ew L o w C o s t El e ctronic Nose for the R ipenessMonitoring of Banana u sing C omputational T echniques(PC A， L DA， SIMCA， a nd SV M )[ J ]. Czech J. Food Sci.，2014， 3 2(6) ： 538一548. ) ( [2 1]周亦 斌 ，王 俊.基于 电子鼻 的 番 茄成 熟 度及 贮 藏时间评价的研 究[ ].农业工 程 学报 ， 2 0 0 5 ，21( 4 )：1 1 3-117. Zhou Yibin， W ang Jun. E v aluation of maturity a nd shelf lifeof tomato u sing a nd electronic n ose[J]. Transactions of theC h inese S ociety o f Agricultural E n gineering ( Transactions o fthe C S AE) ， 2 005，2 1 (4 ) ：1 1 3-1 17. (in Chi n ese with English abstract) ) ( [22] 胡 桂仙 ，王 俊 ， 王小骊.电子鼻无损检 测柑橘成 熟度的 实 验研究[ J].食品与 发 酵工 业，2 006，31 ( 8)：57一61. Hu Guixian， Wang J un， W ang X i aoli. A r esearch onmonitoring the orange m a turity w i th th e electronic n o se[J].Food and F e r mentation I n duatries， 2 006， 3 1(8)： 5 7- 61 . (inC h inese w i t h English abstract) ) ( [23] 高 利萍，王 俊 ， 崔绍 庆. 不同 成 熟度 草 莓鲜榨 果 汁 的 电子鼻和电 子 舌 检测[ J] .浙 江 大 学学 报， 20 12，38( 6 )： 715- 724. G a o L iping， Wa n g J u n， Cu i Shaoqing. E v al uation o f f reshjuice of strawberries at different degrees of ripeness u singelectronic nose and electronic tongue[J]. Journal of ZhejiangU n iversit y ( Agricultur e an d Lif e Sciences ) ， 2012，38(6)：715 一 724. (in Chinese w i t h E nglish abstract) ) ( [24 ]潘磊 庆 ，唐琳 ， 詹歌 ， 等. 电 子 鼻 对 芝麻油 掺假的 检 测 [ J] . 食品科 学，20 10，31 ( 20)：318-3 21 . Pan Leiqing， T ang L i n ， Z han G e ， et a l . D et ection ofadulter a tion in sesame o il u sing e lectronic n ose[J]. FoodScience， 2010， 31(20)： 318 -32 1. ( in C hinese w ith E nglishabstract) ) ( [2 5 ] 刘 明，潘磊庆 ，屠康，等 . 电子 鼻 检测鸡蛋货架期新鲜度变 化[J]. 农 业工 程学报， 20 1 0，26(4)： 31 7 -321. Liu Ming， Pan Le i qing， T u K a ng， e t a l . D etermination of eggfreshness during shelf l ife with e lectronic n o se[J].Transactions of the C h inese S ociety o f A griculturalEngineering ( Transactions of t h e CSA E ) ， 2010，26 (4 ) ： 317 -3 21 . ( in C h inese with E n glish abstract) ) ( [26] 唐 向阳 ，张 勇， 丁 锐，等.电子 鼻 技术的发 展及展 望 [J ].机 电一 体 化，20 0 6，12 ( 4)：1 1 -1 5 . Tang X iangyang， Z hang Y o ng， D i ng Ru i ， et al. R e centdevelopment a n d application p r ospects o f electronic n ose[J].Mechatronics， 2006， 1 2 (4)： 11 - 15 . (i n Chi n ese wi t h English abstract) ) ( [27 ] 许国根 ，贾 瑛 . 模式识别 与 智能 计算的 m a t l ab 实 现 [ M ]. 北京 ： 北京 航空 航天大学 出 版社， 2012. ) ( [28] Sahoolizadeh A H ossein， H eidari B Z argham， Dehghani CH a mid. A new f a ce recognition m ethod using PCA ， LDA a n dneural n etwork[J]. I nternational J ournal o f Computer Sc i enceand Engineering， 2008，2(4)：218-223. ) ( [2 9 ] 高新 波 ，裴继 红 ， 谢 维信 . 模糊 c-均 值 聚 类 算 法中加 权指 数 m的 研 究[ J ].电子学报 ， 20 0 0(4)：80- 8 3. ) ( G a o Xinbo， P e i Jihong， Xie W e ixin. A s y u dy of we i ghtingexponent m i n a f u zzy c - means algorithm[J]. Ac t a Elec t ronicaSinica， 2000， 2 8(4 ) ： 8 0- 83 .(in Chi n ese with English abstract) ) ( [ 3 0] M artin Y olanda Go n zalez， Oliveros M C o ncepcion Ce r rato， Pavon Jose Lu i s P e rez， e t al. E l ectronic nose b ased on m e tal oxideSsemiconductor rsensors sand pattern r ecognitiontechniques： c haracterisation o f v e geta b le oi l s[J] . A n a lyticaChimica A cta， 2001， 449(1)：69一 8 0. ) ( [31]吴 少雄 . 小 波包 概率 神 经网络 控 制 图在 线 检测 和 分 析 系 统[] .农业机械学报， 2 008，39(11)：2 1 1- 2 15. ) ( [32] Melisek J án Mazanec Martin， P a vlovicová M i los O r avecJarmila . Suppor t vect o r machine s ， P C A and L DA i n facerecognition[J]. Journal of Electrical engineering， 2008， 5 9 (4)：203 - 2 09. ) ( [3 3]陈蔚 辉， 候 喜林.采收 成熟 度 对番 荔 枝 果实 耐藏 性的 影响[ J] . 园艺 学进 展 ， 19 98(2)：270-2 7 3. Chen Yuhui， H o u Xi l in. E f f e ct o f different harvest maturityon s torage q uality a nd l i fe o f annona squamose fru i ts[J]. A dvances i n H orticulture， 1998(2) ： 207-273. (in C hinesewith E n glish abstract) ) Electronic nose monitoring mature stage of litchi in orchard Xu Sai， Lu Huazhong， Zhou Zhiyan， Lu Enli， Yang Jing (1.Key Laboratory of Key Technology on Agricultural Machine and Equipment， Ministry ofEducation， South China Agricultural University，Guangzhou 510642， China； 2. College ofEngineering， South China Agricultural University， Guangzhou， 510642， China) Abstract： Mature stage monitoring can provide significant scientific instruction for the management of litchi orchard.However， nowadays， any research based on mature stage monitoring in orchard has not been reported yet. Given that this paperproposed a monitoring method of litchi orchard mature stage based on electronic nose. We used electronic nose (PEN3) tosample litchis which were in 6 different mature stages (s1， s2， s3， s4，s5 and s6) from about 25 days after it fruited to maturity，and measured 3 physical characteristics of litchi fruits (fruits’size， fruits’weight and fruits’soluble solid content). Accordingto the changes of litchi’s physical characteristics in different mature stages， the 2 physical indices (fruit size and weight) oflitchi from the 30" to the 39h day and from the 53" to the 60" day after it fruited were increasing comparatively faster thanother stages. That was to say， the litchi fruit normally grew fast in the 2 periods. In addition， the soluble solid content of litchigrew slowly from the 53" to 60" day after it fruited and could not be tested before the 32 day after it fruited. After extractingeach sensor’s response value in stable time (75 s)， we used loading analysis (Loadings) for sensors optimization， and keptsensors (R2， R4， R6， R7， R8， R9 and R10) for the next analysis. Loadings results also showed that R7， R4 and R6 werecomparatively more sensitive than other sensors when identifying the volatile of litchi， which provided a reference for the nextresearch when exploring especial instrument for litchi quality detection based on bionic olfaction mechanism. Then， unitaryprocessing was used for the noise reduction ofthe sensor’s response value. At last， we used linear discriminant analysis (LDA)for further extraction of feature information to decrease the redundant information. In addition， LDA could not detect themature stage of litchi in orchard effectively. LDA classification results showed that the sample points in s2 and s3 wereoverlapped by each other， which had poor classification effect. The sample points in s5 and s6 were not overlapped by eachother， but the distance between them was close， which may easily cause the confusion in practical monitoring of fruit maturestage. For further research the feasibility of electronic nose application for litchi mature stage monitoring in orchard， fuzzycmeans clustering (FCM) method， k-nearest neighbor (KNN) method and probabilistic neural network (PNN) method were usedfor pattern recognition. The experimental results showed that the accuracy of FCM for litchi mature stage monitoring inorchard was 89.17%. The classification effects of s2 and s3 were undesirable， and the mature stages s5 could not be absolutelydistinguished from s6. After building up KNN and PNN detection model， their accuracies of training set were all 100%， andtheir accuracies of test set were both 96.67%， which had good effect for litchi mature stage monitoring in orchard. Bycomparing electronic nose analysis results with physical characteristics changes， we could infer that the accumulation speed oflitchi’s inner compositions had inverse correlation with the size growing speed of litchi fruit. That meant when the size of litchifruit grew faster， the accumulation speed of litchi’s inner compositions was slower. Otherwise， the accumulation speed oflitchi’s inner compositions was faster， and the classification effect was better. This research proves the feasibility of usingelectronic nose for litchi mature stage monitoring in orchard， and provides the reference for fruit quality and situationmonitoring in orchard in the future. Key words： nondestructive examination； fruits； models； electronic nose； mature stage； fuzzy C-means； k-nearest neighbor；probabilistic neural network 样品：试验采用的不同成熟阶段荔枝样本信息如表1 所示，所用荔枝均采摘于广东省广州市华南农业大学校内果园，品种为“水林”。在荔枝挂果约25 d 时，对荔枝果实进行采样，采样周期为7 d，共采样6 次到荔枝果实成熟（6 个成熟阶段分别标记为s1、s2、s3、s4、s5 和s6。），每次取样20 颗无损伤荔枝果实。仪器：PEN3 型便携式仿生电子鼻系统（AirSense Inc, Germany）检测指标：果园荔枝成熟阶段监测实验过程：电子鼻的采样参数设置为：采样时间间隔为1 s，传感器自动清洗时间为70 s，传感器归零时间为10 s，分析采样时间为80 s，进样准备时间为5 s，进样流量为300 mL/min。试验共获得荔枝不同成熟阶段的电子鼻采样数据120 个（6 个成熟阶段×每次采集20 个样本=120 个）。实验结果：为了无损快速监测荔枝成熟阶段，该文提出了一种基于电子鼻技术的果园荔枝成熟阶段监测方法，采用PEN3电子鼻获取挂果约25 d 到果实成熟过程中6 个成熟阶段荔枝样本的仿生嗅觉信息并同步获取了各成熟阶段荔枝的3 项物理特征（果实直径、果实质量与果实可溶性固形物含量）。根据不同成熟阶段荔枝物理特征变化可知，荔枝果实直径与果实质量2 项物理指标在挂果约32 d～39 d，以及53 d～60 d 增长较快，可溶性固形物含量在挂果约32 d 前无法测量，53 d～60 d 阶段增长速度较慢。提取各样本电子鼻采样数据75 s 时刻的各传感器响应值作为特征值后，采用载荷分析（loadings）进行传感器阵列优化，优选了传感器R2、R4、R6、R7、R8、R9 和R10 的响应数据进行后续分析。将优化后的传感器响应数据进行归一化处理。采用线性判别分析（linear discriminant analysis，LDA）进一步提取特征信息，降低数据中包含的冗余信息。LDA 对荔枝成熟阶段的分类识别效果不佳。为进一步探究电子鼻监测果园荔枝成熟阶段的可行性，采用模糊C 均值聚类分析（fuzzy C means clustering，FCM）、k 最近邻函数分析（k nearest neighbor，KNN）和概率神经网络（probabilistic neural network，PNN）进行模式识别。研究结果表明，FCM 对果园荔枝成熟阶段识别的正确率为89.17%。采用KNN 与PNN 建立识别模型后，KNN 与PNN 识别模型对训练集的回判正确率均为一百%，对测试集的识别率均为96.67%，具有较好的分类识别效果。研究意义：试验证明了采用电子鼻进行果园荔枝成熟度监测的可行性，为果园水果品质的实时监测提供参考。