番茄苗中机械损伤程度检测方案(感官智能分析)

农业工程学报Transactions of the Chinese Society of Agricultural Engineering第28卷 第15期2012年 8月Vol.28 No.15Aug. 2012102 程绍明等：基于电子鼻信号判别番茄苗机械损伤程度第15期103 农业信息与电气技术· 基于电子鼻信号判别番茄苗机械损伤程度 程绍明，王 俊*，王永维，，韦真博 (浙江大学生物系统工程与食品科学学院，杭州310058) 摘 要：番茄苗产生的挥发物易受到病害、虫害、损伤等多种因素影响。该文利用电子鼻系统测试机械损伤番茄苗挥发性物质的变化，通过主成分分析、线性判别分析对4种不同处理机械损伤的番茄苗进行分析，结果表明主成分分析各处理样本间均有重叠，区分效果不理想，线性判别分析各处理样本基本可以分开；用逐步判别分析和BP神经网络对各处理样本进行判别，测试集的准确率分别达到84.4%和93.8%以上，神经网络模型的预测结果更好。该研究可为番茄苗机械损伤快速在线监测提供参考。 关键词：植物，损伤检测，神经网络，电子鼻，番茄苗 doi： 10.3969/j.issn.1002-6819.2012.15.016 中图分类号：TP242.64 文献标志码：A 文章编号：1002-6819(2012)-15-0102-05 程绍明，王三俊，王永维，等.基于电子鼻信号判别番茄苗机械损伤程度[J].农业工程学报，2012，28(15)：102106.Cheng Shaoming， Wang Jun， Wang Yongwei， et al. Discrimination of tomato plant with different levels of mechanical damage byelectronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE)， 2012，28(15)：102一106.(in Chinese with English abstract) 0 引 言 植物在生长过程中经常受到来自环境的各种胁迫，机械损伤通常是植物病虫害危害研究的一部分，机械损伤能导致植物挥发物产生变化。Geervliet等对卷心菜的研究中发现，相对于机械损伤和虫害浸染的卷心菜，健康的卷心菜不易吸引害虫的天敌胡蜂，从而证明了机械损伤与健康植物产生的挥发物是有区别的。Mattiacci等12在利马豆、玉米的研究中发现了同样的现象，并且用化学分析方法分析了它们的挥发物，当植物受机械损伤、虫害浸染后释放出的挥发物都增加了。McAuslane等3在研究棉花时发现，受到不同损伤的棉花(机械损伤、虫害)与健康棉花产生的挥发物是不同的，受损伤的棉花释放出大量的脂氧化合物如：乙烯醇、乙酰、醋酸盐和丁酸盐。Baldwin等4发现杨树和糖槭叶片在人工损伤后能引起临近植株合成抗虫物质。高海波等研究了旱柳在受机械损伤后挥发物的时序性规律，丁二酸二异丁脂和反式罗勒烯在旱柳受到机械伤害后被诱导出。以上研究都证实机械损伤能导致植物产生特异性挥发物发生改变的结论，为基于挥发物来评价休械损伤提供理论依据。 以前，通常是采用萃取技术结合 GC-MS分析对植物挥发物进行鉴定，以辨别是否受机械损伤和损伤程度。 ( 收稿日期：20 1 1-10-27 修订日期：20 1 2-07-04 ) ( 基金项目：国家自然科学基金项目(30071246)；浙江省自然科学基金项目 (Z5100155) ) ( 作者简介： 程 程明(1974一)，男，浙江开化人，讲师，从事农产品检测。 ) ( 杭州 浙江大学生物系统工程与食品科学学院，310058。 ) ( Email： chengshaoming@zju.edu.cn ) ( ※通信作者： 王俊 (1965一 ) ，男，教授，博士生导师，研究方向之 一 为农产品品质检测 。 杭州浙江大学生物系统工程与食品科学学院，310058。 ) ( E mail： jwang@zju.edu.cn ) 这方法需要长时间的挥发物的收集过程，加之这些检测方法过程繁琐、仪器设备昂贵、检验成本高，不能做到随时掌握植物损伤后挥发物变化的情况，不适于田间病虫害检测的实际应用，所以需要一种新的检测手段以快速、准确地检测植物挥发物。 电子鼻是一种新颖的分析、识别和检测复杂气味和大多数挥发性成分的仪器。它是根据仿生学原理，由传感器阵列和自动化模式识别系统所组成。由于电子鼻具有检测方便、快速的特点，目前已在食品质量控制、环境检测、微生物鉴定、植物监测等方面有不少成功的应用16-20]。本论文针对番茄苗的机械损伤进行研究，探讨电子鼻检测番茄苗机械损伤的可能性。 1 试验材料和方法 1.1 试验材料 将浙杂809番茄种子播在塑料盆钵(8 cmx12 cm)中，在塑料温室中进行培育，每盆1株苗，定期浇水施肥，待苗长到35 d，苗高25~30cm时用于试验。 1.2 试验装置 1.2.1 番茄苗挥发物电子鼻检测的采样装置 图1为番茄苗采样系统的示意图，系统由空气过滤器、活性碳、特氟隆管、进气口、玻璃容器(40 cm高×10 cm 直径)、密封板、番茄苗和支架台8个部分组成。 1.2.2 电子鼻 试验采用的电子鼻系统是德国 Airsense 公司的 PEN2便携式电子鼻 (Portable Electronic nose)。系统组成主要包含下面几个部分：传感器阵列、采样通道、内置泵、控制单元和计算机。软件部分主要是 Airsense 公司编制的电子鼻配套软件 WinMaster。该软件主要用来实现电子鼻工作过程的控制及一些基本的数据分析。电子鼻系统 图1 静态顶空采样系统示意图 Fig.l Structure of headspace sampling system 表1 PEN2 电子鼻的各传感器名称及性能特点 Tablel Sensors main properties in electronic nose 传感器序号 性能描述 各项成分体积浓度/ (mLm³) S1 芳香成分 甲苯，10 S2 灵敏度大，对氮氧化合物很灵敏 NO2， 1 S3 氨水，对芳香成分灵敏 苯，10 S4 主要对氢气有选择性 H2， 100 S5 烷烃，芳香成分 丙烷， 1 S6 对甲烷灵敏 CH4， 100 S7 对硫化物灵敏 H2S， 1 S8 对乙醇灵敏 CO， 100 S9 芳香成分，对有机硫化物灵敏 H2S， 1 S10 对烷烃灵敏 CH4，10 1.3试验方法 1.3.1l番茄苗样本针刺处理 对番茄苗样本进行机械损伤，利用3号大头针，使用针刺处理，针刺处理的方法参考Xu等[21]的研究方法。分别选择长势一致的35d苗的番茄苗96盆每盆1株)，将它们分为4组，每组24盆番茄苗用于试验。按不同针刺数对番茄苗进行针刺处理，针刺均匀作用于番茄苗的叶片上，3组番茄苗按刺数量(30、60、90针)不同分别标记为30、60、90 pricks， 另一组未处理的番茄苗为对照组标记为control组。 1.3.2电子鼻测试 在进行电子鼻试验前，4组番茄苗分别置于顶空采样装置中，顶空产生时间为 30 min， 然后进行电子鼻测试。电子鼻测试时的参数设置见表2。 表2电子鼻参数设置 Table 2Parameters setting for sampling 运行时间/s 泵流速/(mLmin) 基线校准时间 300 600 采样时间 65 200 清洗时间 50 600 1.4 数据分析方法 提取电子鼻响应信号60s的数据进行研究，采用主 成分分析和线性判别分析方法对电子鼻响应数据进行降维处理，并用前2个主成分进行二维显示。采用电子鼻响应信号60s的原始数据做为逐步判别分析和BP神经网络的输入对番茄苗样本进行分类。数据处理软件软 SAS和Matlab。 2 结果与分析 2.1 电子鼻传感器对番茄苗挥发物的响应 使用静态顶空采样对番茄苗样本进行电子鼻测试，对比经过针刺处理与未进行针刺处理(对照组)番茄苗样本的电子鼻响应信号。图2是电子鼻10个传感器对不同处理番茄苗样本的的响曲线(a：对照组，b：针刺90次的番茄苗组)。图中横轴为采样时间，纵轴为信号号，其中G是传感器接触到样品气体后的电导率、Go是传感器在经过活性炭过滤气体清洗后的电导率。曲线上的点代表着番茄苗挥发物通过传感器阵列时，电阻率随时间的改变情况，每一条曲线代表着一个传感器的响应曲线。在本次试验中，取第60s的时间点作为模式识别的时间点。 1.35 b.针刺90次的番茄苗 注：G是传感器接触到样品气体后的电导率； Go是传感器在经过活性炭过滤气体清洗后的电导率。 图2 电子鼻10个传感器对番茄苗样本的响应曲线 Fig.2 Response curves of ten sensors to tomato plant samples 从图2可以看出，遭受针刺的番茄苗与没有受到损伤的番茄苗传感器响应曲线是不同的。图2a为没有受到损伤番茄苗的响应信号， G/G 大致在 0.94~1.28之间； 图2b为受到损伤番茄苗的响应信号， G/G 大致在0.91~1.35之间。受到损伤的番茄苗传感器阵列响应信号的变化范围要明显大于未受到损伤的番茄苗，这可能是由于番茄苗受到损伤后产生的挥发性物质增加了，从而增强了电子鼻传感器信号的变化。这表明，利用电子鼻传感器信号来区分番茄苗遭受损伤的程度是可能的。 2.2主成分分析和线性判别分析 对4个不同处理番茄苗样本的电子鼻响应值的的原始数据进行主成分分析(principal component analysis，PCA)，以达到降维的目的。图3是35d苗的不同程度机械损伤的主成分二维得分图。从图3中可知，第一主成分的分析值为49.41%，第二主成分的分析值为24.38%，第一主成分与第二主成分之和为83.71%， 表明 PCA 第一主成分、第二主成分的结果可以代表电子鼻响应信号对4组番茄苗的区分情况。从图3可以看出，正常番茄苗与有损伤的番茄苗能被很好的区分开来。针刺30和针刺60、针刺60和针刺90间有部分重叠，针刺30和针刺90能很好的被区分开。 注：30、60、90 pricks 为3组番茄苗刺数量(30、60、90针； control为未处理的番茄苗对照组，下同。 图34组35d苗样本PCA图 Fig.3 Results of 35 d tomato plants by PCA 利用线性判别分析(linear discriminant analysis，LDA)对不同程度机械损伤的35d苗进行区分，结果见图4.从图4中可知，第一主分量的分析值为64.42%， 图4 4组35d苗样本LDA区分图 Fig.4 Discrimination results of 35 d tomato plants by LDA 第二主分量的分析值为33.48%，第一主成分与第二主成分之和为97.9%，表明LDA 第一主分量、第二主分量的结果可以代表电子鼻响应信号对4组番茄苗的区分情况。从图4可以看出，4组番茄苗基本上能区分开。相对于PCA， LDA对4组不同损伤程度的番茄苗的区分效果明显要好，各组番茄苗都能被区分开。 从图3和图4可看出，正常的番茄苗与有损伤的番茄苗能被很好的区分开来，但不同程度损伤的番茄苗间图形有部分重叠。这表明番茄苗受到针刺损伤后释放出的挥发物发生了变化，进而引起了电子鼻传感器信号的改变，但是在受害程度相近时，挥发物变化不明显，随着损伤程度的加重，变化变得明显，因此用电子鼻信号数据分析可以进行不同程度损伤番茄苗的区分。 2.3逐步判别分析 利用电子鼻对番茄苗样本响应信号60s的数据进行分析，以10个传感器响应数据作为输入进行逐步判别分析 (stepwise discriminant analysis， SDA)。选择64个番茄苗样本作为训练组(每组16个样本)，32个样本作为测试组(每组8个样本)。对电子鼻原始数据的逐步判别分析结果见表3。从分析结果来看，对照组没有样本被误判，而其他针刺组都有多个样本被误判，说明未受损伤的对照组番茄苗样本与受到机械损伤(针刺处理)的番茄苗样本对电子鼻传感器的影响差异显著。 从表3可看出，有1个30 pricks 误判到对照组，有4个90 pricks 误判到 60 pricks 中。这与图3中各损伤的番茄苗图形有部分重叠的结果是一致的，表明番茄苗在受害程度相近，挥发物变化不明显，电子鼻检测到的信号也相近。 表3电子鼻响应数据的不同针刺程度番茄苗逐步判别分析 Table3Discrimination of tomato plants with different degrees ofdamage by SDA using E-nose signals 训练组(针刺数) 测试组(针刺数) 对照 30 60 90 对照 30 60 90 对照 16 8 30 15 la 1a 7 60 16 8 90 16 4a 4 综合正确率 98.4% 84.4% 2.4 BP神经网络分析 利用电子鼻对番茄苗样本响应信号60s的数据进行分析，以10个传感器响应数据作为输入进行 BP 神经网络分析(back-propagation neural networks，BPNN)。选择64个番茄苗样本作为训练(每组16个样本)，32个样本作为测试组(每组8个样本)。由于输入采用10个传感器响应数据，则神经网络模型的输入层为10，4组不同处理番茄苗样本作为输出，输出层选择为1，网络学习速率采用自适应学习速率。隐含层经网络经多次测试确定。表4是神经网络模型在选取不同隐含层神经元数时， 达到设定误差网络循环的次数和相应的训练组及预测组的正确率。从表4中可以看出，隐含层神经元数为30时，训练组和测试组的正确率最好，分别为100%和90.6%，所以隐含层神经元数选择30，网络的结构采用10-30-1。 表4 不同隐含层神经元数的确定 Table 4 Training result of network with different neuron numberin hidden layer 隐含层神经元数 循环次数 训练组正确率% 测试组正确率% 10 17 100 87.5 15 17 89.1 81.3 20 18 93.8 87.5 25 21 96.9 78.1 30 45 100 90.6 32 14 96.9 84.4 35 17 100 75 利用电子鼻10个传感器响应数据作为输入，网络的结构采用10-30-1进行 BP神经网络分析。表5是BP神经网络的隐含层神经元数为30时番茄苗的判别结果。 表5电子鼻响应数据的 BP 神经网络判别 Table 5Discrimination of tomato plants with different degrees ofdamage by BPNN using E-nose signals 训练组(针刺数) 测试组(针刺数) 对照 30 60 90 对照 30 60 90 对照 16 8 30 16 2 6 60 16 8 90 16 8 综合正确率 100% 93.8% 注：a指被误判的样品数 对比BP神经网络和逐步判别分析结果(表3和表5)，BP神经网络模型对番茄苗的训练组和测试组判别的综合准确率分别为100%和93.8%；逐步判别分析模型对番茄苗的训练组和测试集的综合正确率分别为98.4%和84.4%。BP 神经网络模型的预测结果要好一些，这可能主要是由于番茄苗产生的挥发物与机械损伤程度没有一定的线性关系，神经网络模型是非线性模型，而逐步判别分析模型是线性模型。 3 结 论 1)电子鼻能区分机械损伤和未受到机械损伤的番茄苗，说明番茄苗受到机械损伤后其释放出的挥发物发生了改变，从而引起了传感器响应的改变。 2)采用主成分分析(PCA)和线性判别分析(LDA)，不同处理的番茄苗基本上能被区分开。这可能是番茄苗在受害程度较轻时挥发物变化不明显，随着损伤程度的加重，挥发物变化变得明显。相对于PCA分析， LDA的区分效果要好，不同机械损伤的番茄苗基本能够区分开。 3) BP 神经网络模型对不同损伤的番茄苗判别的综合准确率为90.6%以上；逐步判别分析模型对不同损伤的 番茄苗判别的综合正确率为84.4%以上。相对于逐步判别分析的预测结果，BP神经网络模型的预测结果要好一些。 ( [参 考 文 献] ) ( [1] ] Geervliet J B F， Vet L E M， D i cke M. Vo l atiles f r om damaged p l ants a s m a jor cues in long-range host-searchingby the specialist parasitoid Cotesia-rubecula[]. E n tomologia Experimentalis Et Applicata， 1994， 73(3)：289- 2 97. ) ( 21 2] Mattiacc i L， Dicke M， Posthumus M A . I n duction of parasitoid attracting synomone i n brussels-sprouts plants by feeding of pieris-brassica e larvae-role of mechanical damage and herbivore elicitor[J] . Journal of Chemical Ecology， 1994，20(9)：2229-2247. ) ( [3] McAuslane H J ， A l born H T. Sy s temic induction o f allelochemicals in glanded and g landless i sogenic cotton by Spodoptera exigua feeding[J]. Journal of Chemical Ecology， 1998，24(2)：399一416. ) ( [4] Bakdwin I T，F Hakutscgje R， P aschold A， et al. Volatilesignaling i n plant-plant interactions：talking tress in the genomics era[J] . Science， 200 6 ， 311：812一815. ) ( [5] 高海波，沈应柏.旱柳机械损伤后挥发物释放的时序性规 律的研究[].山东林业科技，2007(5)：4 7 -48. ) ( [6] Gomez A H ， Wang J， Hu G X， et al . Discrimination ofstorage s helf-life for mandarin by electronic n o se technique[J].Lwt-Food Science and Technology， 2007，40(4)： 681-689. ) ( [7] Gomez A H， Wang J， P er e ira A G . Man d arin rip e ness monitoring and id quality attribut e evaluatio n using anelectronic nose t echnique[J]. T ransactions of the Asabe， 2007， 50(6)：2137-2142. ) ( [8] Baratto C， F aglia G， P ardo M， e t al. Monitoring plants healthin greenhouse f or space missions[]. Sensors and ActuatorsB-Chemical， 2005，108(1/2)：278-284. ) ( [9] Bastos A C， M a gan N. P ot e ntial of a an ele c tronic nose forthe early detection and d ifferentiation between S t reptomyces in potable water[J].Sensors and Actuators B-Chemical， 2006， 1 1 6(1/2) ： 151- 1 55. ) ( [10 ] E 1vans P， Persaud K C，M c Neish A S， et al. Evaluation of a radial basis function neural network for the determination of wheat q uality from e l ectronic nose d a ta[J]. Se nsors andActuators B-Chemical， 2000，69(3)：348-358. ) ( [11 W ] ang Y W， Wang J， Zhou B， et a l. Monitoring storage t i meand quality a ttribute o f e gg b a sed on el e ctronic no s e[].Analytica Chimica Acta， 2009，650(2)：183-1 8 8. ) ( [121 于慧春，王俊，张红梅，等.龙井茶叶品质的电子鼻检测 方法[J].农业机械学报，200 7 (7)：103一106. Yu Huichun， Wang Jun， Z hang Hongmei， et al. Measurement of the l ongjing t ea q uality by u sing an e l ectronic nose[].Jorunal of Agricultrual Machinery， 2007(7)： 1 03-106. (i n Chinese with E n glish abstract) ) ( [13 ] 蒋德云，孔晓玲，李宝筏，等.电子鼻在储粮害虫检测中的应用研究[].安徽农业大学学报，2005，2：254-257. J iang Deyun， Kong Xiaoling， Li Baofa， et a l . Research a n d applicatio n of electroni c nose f or tesing gstored-grain insects[J]. Journal of Anhui Agricultural University， 2005， 2：254-25 7 . (i n Chinese with En g lish abstract) ) ( [14]邹小波，赵杰文.电子鼻快速检测谷物霉变的研究[].农 业工程 学 报，2004， 20( 4 )： 121-124. Zou Xiaobo， Zhao Jiewen. R a pid i d entification of moldy corn by e lectronic nose[J]. Transactions of the Chinese Society o f Agricultural Engineering (Transactions of the CSAE)， 2 004，20(4)：121- 1 24. (i n C h inese with English abstract) ) ( [15]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，200 5 ，21(5)：1 1 3-116. Zhou Yibin， Wang Jun. Evaluation of maturity and s h elf lifeof tomato suing an electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions o f the C S AE)，2005 ， 21(5)：1 1 3-116. (in Chinese with English abstract) ) ( [16]柴春祥，陈庆森，刘勤生.鸡肉新鲜度电子鼻评价特征值 的确定[].食品与发酵工业，2007(11)：5 - 8. Chai C hunxiang， Chen Qingsen， Liu Qinsheng. Ei g envalue extraction of electronic nose evaluating p o ultry f r eshness[J]. Food a nd F e rmentation I n dustryies， 2007(11)：5-8. (inChinese w i th E n glish abstract) ) ( [17]邹小波，赵杰文.电子鼻在饮料识别中的应用研究[].农 业工程学报，2002， 18 ( 3)：1 4 6-149. Zou Xiaobo， Zhao Jiewen. Electronic nose and it s application in b everage r ecognition[J] . Transactions of the ChineseSociety of Agricultural Engineering (Transactions of the CSAE)， 2002，18(3)：1 4 6一149. (in Chinese wi t h En g lish abstract) ) ( [18]周博，王永维，王俊，等.鸡蛋贮藏时间和新鲜度的电子 鼻检测[].浙江大学学报：工学版 ， 2010 ， 44(5)：863-869. Zhou Bo， Wang Yo n gwei， Wang Jun， et al. El e ctronic nosetechnique p otential m onitoring f o r storage time and quality attribute of egg[]. Journal o f Zhejiang University (EngineeringScience)， 2010， 44(5)： 863-869. (i n Chinese with English abstract) ) ( [19] 洪雪珍， 王 俊，周博， 等 .猪肉储藏时间的电子鼻区分方法[J].浙江大学学报：农业与生命科学版，2010，36(5)： 568一572.Hong Xuezhen， Wang Jun， Zhou Bo， et al. D i scrimination of different storage time of the pork by e l ectroinc nose[J].Journal o f Zhejiang U n iversity： A g ric. a n d Li f e Sc i .， 20 1 0，36(5)：568-572.(in Chinese with English abstract) ) ( [20]庞林江，王俊，路兴花.电子鼻判别小麦陈化年限的检测方法研究[J].传感技术学报，2007 ， 20(8)：1717-1722. Pang L injiang， Wang Jun， Lu X i nghua. Discrimination o f different storage time of t he w heat b y e l ectronic n o se[J]. Chinese Journal of Sensors and Actuators， 2 0 07， 20(8)： 1 7 17-1722. ( i n Chinese with E n glish abstract) ) ( [21] X u T， Z h ou Q， Xia Q， et al. Effects of herbivore-induced ricevolatiles on the host selection behavior of brown planthopper， Nilaparvata lugens[J]. C hinese Science Bulletin， 2 0 02，47(16)： 1355一1360. ) Discrimination of tomato plant with different levels of mechanical damageby electronic nose Cheng Shaoming， Wang Jun※， Wang Yongwei， Wei Zhoubo (College of Bio-systems Engineering and Food Science， Zhejiang University， Hangzhou 310058， China) Abstract： The value of E-nose response signals differed with different levels mechanical (0 pricks， 30 pricks， 60 pricksand 90 pricks) damaged tomato plants， indicating that the emission of volatiles by tomato plants changes in response todifferent degrees of damage. The tomato plants with different levels mechanical damages were classified throughprincipal component analysis (PCA) and linear discrimination analysis (LDA). The result showed that the electronicnose could distinguish different damaged tomato plant by LDA. However， samples by PCA were overlapped. Stepwisediscriminant analysis (SDA) and back-propagation neural network (BPNN) were applied to evaluate the data. Theaverage correction ratios of testing set of SDA and BPNN were 84.4% and 93.8% respectively. The results indicate thatit is possible to classify different degrees of damaged tomato plants using e-nose signals. Key words： plants， damaged detection， neural networks， electronic nose， tomato 基于电子鼻信号判别番茄苗机械损伤程度《农业工程学报》 程绍明，王 俊，王永维，韦真博（浙江大学生物系统工程与食品科学学院，杭州 310058） 摘 要：番茄苗产生的挥发物易受到病害、虫害、损伤等多种因素影响。该文利用电子鼻系统测试机械损伤番茄苗挥发性物质的变化，通过主成分分析、线性判别分析对4 种不同处理机械损伤的番茄苗进行分析，结果表明主成分分析各处理样本间均有重叠，区分效果不理想，线性判别分析各处理样本基本可以分开；用逐步判别分析和BP 神经网络对各处理样本进行判别，测试集的准确率分别达到84.4%和93.8%以上，神经网络模型的预测结果更好。该研究可为番茄苗机械损伤快速在线监测提供参考。关键词：植物，损伤检测，神经网络，电子鼻，番茄苗