番茄苗中早疫病病害区分效果影响检测方案(感官智能分析)

传感技术学报CHINESE JOURNAL OF SENSORS AND ACTUATORSVol.27 No.1Jan.2014第27卷 第1期2014年1月 传 感技 术 学 报www.chinatransducers. com第27卷2 Research on Distinguishing Tomato Seedling Infected with Early BlightDisease Using Different Characteristic Parameters by Electronic Nose* CHENG Shaoming'，WANG Jun'*，WANG Yongwei ，MA Yanghui (1. College of Bio-systems Engineering and Food Science，Zhejiang University，Hangzhou 310029，China； 2. College of Information，Zhejiang University of Science and Technology，Hangzhou 310023，China) Abstract：In order to improve the calculation efficiency， we should minimize the number of features and try not to loseuseful information for classification under the premise of the original features. This paper use the maximum value，average value of all data，maximum curvature of response curve and the intact integral value of response curve as thefeature parameters for distinguishing infection early blight disease of tomato seedlings.The results show that the distin-guished effect using average value of all data and the intact integral value of response curve as the feature parametersis the best，and that using maximum value is better. The worse is using maximum curvature of response curve. Key words：characteristic parameter；tomato seedling；early blight disease；electronic nose EEACC：7230J doi：10.3969/j.issn. 1004-1699.2014.01.001 基于电子鼻技术的不同特征参数对番茄苗早疫病病害区分效果影响的研究* 程绍明，王 俊*，王永维，马杨珲² (1.浙江大学生物系统工程与食品科学学院，杭州310029；2.浙江科技学院信息学院，杭州310023) 摘 要：电子鼻检测的原始特征的数据量很大，一般在进行降低维数的处理前需要对原始特征进行合理的选择。选用最大值(Max)、全段数据平均值(Mean)、响应曲线最大曲率(kx)、响应曲线的全段积分值(IV)作为4种不同特征参数对感染早疫病病害的番茄苗进行区分效果研究，结果表明在进行 PCA 和 LDA区分时，利用全段数据平均值和响应曲线的全段积分值作为特征参数的效果较好，其次为最大值方法，最差的是响应曲线最大曲率方法；利用BP神经网络(BPNN)和遗传算法BP神经网络(GABPNN)两种识别模式进行预测时，利用全段数据平均值和响应曲线的全段积分值作为特征参数的训练集和预测集的正确率较好，其次为最大值方法，预测结果最差的是响应曲线最大曲率方法。 关键词：特征参数；番茄苗；早疫病；电子鼻 中图分类号：TP242.64 文献标识码：A 文章编号：1004-1699(2014)01-0001-05 电子鼻是通过气体传感器和模式识别技术的结合，模拟生物嗅觉系统来进行气体检测和识别的仪器。它主要由传感器阵列和自动化模式识别系统所组成。与普通的化学分析仪器不同，电子鼻系统检测到的不是被测样品中某种或某几种成分的定性与定量结果，而是给予样品中挥发性成分的整体信息。由于电子鼻系统检测具有方便、快速、无损等特点，目前电子鼻在食品质量控制1-10)、环境境测"-13、作物病虫害检测114-15]、、人体疾病检测116-17等方面有不少成功的应用。 电子鼻检测的原始特征的数据很大，为提高计 算效率，在尽可能保持较多原有信息的前提下，对原始特征进行合理的选择，然后对选取的特征进行降低维数的处理。在电子鼻响应信号的模式识别中，特征选择的方法采用以下几种：(1)基于原始曲线的基本特征选择方法，在原始响应曲线上选择稳定值、最大值，平均值、特定时间间隔的响应值；(2)特定时间间隔的曲线包围面积；(3)采用适当的模型拟合原始响应曲线，以模型参数为抽取特征等。 本论文利用最大值(Max)、全段数据平均值(Mean)、响应曲线最大曲率(.x)、响应曲线的全段积分值(IV)等作为特征参数，研究番茄苗早疫病 ( 项目来源：国家 自 然 科学基 金 项目(300 7 12 46，31 3 70555)；浙 江 省自然科 学基金项 目 (Z 5 10 0155) ) ( 收稿日期：2013-10- 1 8 修改日期：2013-1 2 - 1 6 ) 病害区分效果，找出合适的特征数据，实现对番茄苗早疫病不同病害程度较好的分类结果。 1 试验材料和方法 1.1 实验材料 将浙杂809番茄种子播在塑料盆钵(中8 cm×12cm)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 cm~30 cm 时用于实验。 1.2 实验装置 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，整个系统由空气过滤器、活性碳、特氟隆管、出气口、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。工作时，被采气体通过出气口4，特氟隆管3，活性炭2及空气过滤器1进入到电子鼻。 图1 静态顶空采样系统示意图 1.2.2电子鼻 实验采用的电子鼻系统是德国 AIRSENSE 公司的便携式电子鼻 PEN2 (Portable Electronic Nose)。该系统主要由传感器阵列、采样通道、内置泵、控制单元和计算机等部分组成。表1是 PEN2 电子鼻系统中各个传感器性能指标。 表1 PEN2 电子鼻的各传感器性能特点 传感器 各项成分含 序号 性能描述 量/×10 S1 芳香成分 甲苯，10 S2 灵敏度大，对氮氧化合物很灵敏 NO，，1 S3 氨水，对芳香成分灵敏 苯，10 S4 主要对氢气有选择性 H，，100 S5 烷烃，芳香成分 丙烷，1 S6 对甲烷灵敏 CH，100 S7 对硫化物灵敏 H，S，1 S8 对乙醇灵敏 CO，100 S9 芳香成分，对有机硫化物灵敏 H，S，1 S10 对烷烃灵敏 CH，10 1.3 试验方法 1.3.1 番茄苗样本处理 将准备好的番茄苗进行早疫病病菌接种，按照 每株番茄苗接种病菌的叶片数量不同将番茄苗分成4个处理，即每株番茄苗接种1个叶片、2个叶片、4个叶片和未进行接种作为对照组，分别记为 zby1、zby2、zby4 和 control；每个处理作16个重复。接种后，将番茄苗放置于温度35℃、湿度90%的环境中培养24 h，以使病菌快速入侵番茄苗叶片。 1.3.2 电子鼻测试 在进行电子鼻实验前，四组番茄苗分别置于顶空采样装置中，顶空产生时间为30 min 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 运行时间/s 泵流速/(mL·min) 基线校准时间 300 600 采样时间 65 200 清洗时间 50 600 数据记录 1次/s 1.4数据分析方法 图2为电子鼻各传感器对感染早疫病病害番茄苗所产生挥发物的响应曲线。10条曲线代表10个传感器的响应，其中，横坐标为采样时间，纵坐标为阵列的响应信号(G/G，是传感器接触到样品挥发物后的电阻R与传感器在经过洁净空气时的电阻R，的比值)。 图2电子鼻传感器对番茄苗挥发物的响应特性 图3是在传感器响应曲线上分别取最大值、全段数据平均值、响应曲线最大曲率、响应曲线的全段积分值等作为特征参数的示意图。 图3 电子鼻响应信号曲线特征选择时的示意图 (d)Ⅳ 图4 不同特征参数区分不同程度病害的 PCA 图 2 结果和讨论 2.1 主成分分析 对4组不同处理番茄苗样本(每株番茄苗接种1个叶片、2个叶片、4个叶片和未进行接种作为对照组分别记为 zyb1、zyb2、zyb4 和 control)分别禾用最大值(Max)、平均值(Mean)、最大斜率值(kmax)和全段积分值(IV)作为特征参数进行主成分分析，图4是番茄苗接种早疫病病菌的取不同特征参数的主成分分析分析图。从结果可知，最大值和最大斜率值作为特种参数时的第1主成分分析值(横坐标PC1)与第2主成分的分析值(纵坐标PC2)之和小于85%，平均值和全段积分值作为特征参数时的第1主成分的分析值与第2主成分的分析值之和在85%以上。 从图4可看出，利用全段平均值和全段积分值作为早疫病病害番茄苗的特征征数时，PCA分析图区分效果较好，对照组、2叶片和4叶片基本可以区分开，但对照组和1叶片有部分重叠；利用最大值时的区分效果次之(图4a)，1叶片和4叶片、2叶片和对照组可以很好的区分开，但1叶片和对照组、2叶片和1叶片及4叶片有部分重叠；利用响应曲线的最大斜率值的区分效果最差(图4c)，4种处理很难区分。 2.2 线性判别分析 对四组不同处理番茄苗样本分别利用最大值(Max)、平均值(Mean)、最大斜率值(max)和全段积 分值(ⅣV)作为特征参数进行线性判别分析，图5是番茄苗接种早疫病病菌的取不同特征参数的 LDA分析图。从结果可知，第1主成分的分析值(横坐标LD1)与第2主成分的分析值(纵坐标LD2)之和已达85%以上，表明 LDA 第1主成分、第2主成分的结果可以代表电子鼻响应信号对番茄苗挥发物的区分情况。 从图5可知，利用全段平均值和全段积分值作为早疫病病害番茄苗的特征参数时，LDA分析图区分效果较好；这可能与利用全段平均值和全段积分值作为特种参数时所综合的是早疫病病害番茄苗挥发物的全部信息，而不是某一刻的早疫病病害番茄苗挥发物的信息有关。利用最大值时的区分效果次之(图5(a))，1叶片和对组组及2叶片有部分重叠；利用响应曲线的最大斜率值的区分效果最差(图5(c))，对照组和4叶片基本能区分开，但其他处理间都有重叠现象。 2.3 神经网络模型分析 将不同病害的番茄苗分别每组随机抽取10个样本作为训练集(共40个样本)，用于对番茄苗病害程度的训练，剩余每组6个样本(共24个样本)作为预测集。分别用最大值(Max)、段段数据平均值(Mean)、立曲曲线最大曲率(kmax)、响应曲线的全段积分值(I))作为特征参数进行建模，分别采用 BP神经网络 BPNN( Back Propagation Neural Networks)和遗传算法 BP神经网络 GABPNN ( Genetic AlgorithmBack Propagation Neural Networks)两种识别模式对进 (d)Ⅳ 图5 不同特征参数区分不同程度病害的 LDA 图 行实验数据进行识别。 研究中，以10个传感器响应数据作为输入，番茄苗样本作为输出，输出层选择为1。通过反复测试来调整隐含层神经元数来优化网络结构，得到较好网络结构为10(输入)-20(隐含)-1(输出)，设定目标误差为0.001，网络学习速率为0.01，训练迭代次数为1000次。模型的实现是采用 MATLAB 语言编程，调用遗传算法工具箱实现。遗传算法的参数设置：种群规模为50，遗传代数设定为100，交叉概率为0.9，变异概率为0.09，适应度目标选择为 BP神经网络模型设定的目标误差0.001。 表3是选用不同特征参数时利用 BP 神经网络(BPNN)和遗传算法 BP神经网络(GABPNN)两种识别模式的预测结果。 表3 各特征选择方法预测模型的结果 特征选择· BPNN GABPNN 训练集 预测集 训练集 预测集 方法 正确率/% 正确率/% 正确率/% 正确率/% Max 92.5 58.3 92.5 66.7 Mean 100 87.5 100 91.7 kpx 80 54.2 80 54. 2 IV 100 87.5 00 95.8 从表3可知，全段数据平均值和响应曲线的全段积分值作为特征参数时的训练集和预测集的正确率较好，其次为最大值方法，预测结果最差的是响应曲线最大曲率方法，造成这种分析结果可能是由于实验 用的电子鼻对样本的测试响应信号比较平稳，对于一个样本响应曲线最大曲率方法提取的特征点会在响应曲线的不同时刻，这相比于稳定状态的分析效果要差，而全段数据平均值和全段积分值方法可以提取电子鼻信号的稳定信息所以预测结果较好。 对比 BP神经网络和 GABP 神经网络两种模型结果，GABP 神经网络分析的预测正确率均要高于BP 神经网络，说明经过遗传算法优化后的BP 神经网络模型的预测结果要好于 BP 神经网络。这是由于遗传算法的局部搜索能力较差，仅仅用遗传算法训练网络比较费时，并且在进化到一定代数后，搜索效率会变得很低，此后适应度值基本没什么变化。因此以遗传算法得到的最好学习结果为基础，再进人BP 学习过程，这样不仅能发挥 BP神经网络强大的非线性映射能力，而且使BP 神经网络具有更快的收敛性和更强的学习能力，从而使遗传算法 BP神经网络模型的预测结果更好。 3 结论 (1)利用4种不同特征参数进行早疫病病害番茄苗的 PCA 和LDA，结果表明采用全段平均值和全段积分值作为特征参数时的区分效果较好，最大值作为特征参数时的区分效果次之，响应曲线的最大斜率值作为特征参数时的区分效果最差。 (2)利用 BP 神经网络和经过遗传算法优化后的BP神经网络2中模式识别进行预测，结果表明利用经过遗传算法优化后的 BP 神经网络的预测结 果均好于BP神经网络的预测结果。 (3)不论哪种识别模式，利用全段数据平均值和响应曲线的全段积分值作为特征参数时的训练集和预测集的正确率最高，其次利用最大值作为特征参数，预测结果最差的是利用响应曲线最大曲率作为特征参数。 ( 参考文献： ) ( [ 1 ] Pang L J， Wan g J， Y u H C ，e t a l . Dis c ri mi n a ti o n o f St o ra g e Ag e f o r Whea t by E - N ose [J] . Tr ansac t i o n s o f th e AS A BE， 2 0 0 8，5 1 ： 1 7 07 -1 71 2 . ) ( [ 2 ] C h eng S M ， Wan g Y W ， W a n g J， e t al. D e te cti on o f E g g she l l Cr ac kU s i ng E l e c tro ni c N o s e[ J]. T r a nsa ct ion s o f t he ASABE， 2 0 10 ，5 3 ： 7 89 -7 94. ) ( [3] 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 ，2 0 0 7(7 )：1 03-1 0 6. ) ( [ 4 ] Z h ang H M ， W a n g J. D e te c ti o n o f A g e a nd I ns e c t Da mage I nc u rredby W h e at w it h an E l e ct r oni c N os e[J]. J o u rn a l o f S t ore d P r o d u ct s Re s e a r c h， 2 007 ，4 3 ：4 89- 49 5. ) ( [ 5 ] G o mez A H ， W a n g J ， H u G X， e t a l. D i s cr i mi n at io n o f S t o r a ge S he l f-L i f e fo r M a nda r i n by E l e ctr oni c No s e T ech n iqu e[ J ] . L W T - F ood S c i ence a nd T e c hn o lo gy ，2007 ，4 0 ：681 -6 89 . ) ( [ 6 ] Wa n g Y W ， W an g J ， Zh ou B， e t a l. Mon i to ri ng St o r age T i me an dQ u ality A ttri b ut e of Eg g B a s e d o n E le ct r o ni c No s e [ J] . A n alyt i caC h im i c a A c t a， 20 0 9 ， 650 ( 2 ) ： 1 8 3-1 88. ) ( [7] 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[J ] .食品与发酵工 业 ，200 7(1 1 ) ：5-8. ) ( 程绍明( 1 974 - )，男， 博士 ，讲师，浙 江大学，主要研究方向为 农 产品 品 质检 测， ch e n g s h aoming@ z j u. e du. c n； ) ( [ 8 ] 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 [ J ] . 农 业 工程 学报 ， 2005， 21(5) ：113 - 1 16. ) ( [ 9 ] 程 绍明 ， 马杨珲，周 博 ，等 . 基于电子鼻的 番 茄 种子 不同储藏 时 间的鉴别研 究 [ J ]. 传 感 技 术学报，2011，2 4( 7) ： 941 -9 44 . ) ( [ 1 0] 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 )：1 71 7-1 7 2 2. ) ( [1 1] S oh n J H， H u d son N ， G a l l a gh e r E ， et a l . I mp l e m enta t i o n o f a nEle ct ro nic N os e f o r C o nti nuous O d ou r Mo n it or in g in a Po ult r y S h ed [ J] . S e nsors and Ac tu a to rs B ：C hemic a l， 2 008，13 3： 60-6 9 . ) ( [12 ] D eVi t o ， Ma s sera E， Pi g a M， et a l . On Fie l d Cal i b r at io n o f a nE l ectr o ni c N ose f o r Ben z ene E s t imati o n i n a n U r b a n P o l lu tio nM on i torin g Sc e n ario [ J ] . S e ns o r s a nd A ctu a t o rs B ： C he m ica l， 2 008 ，1 29： 75 0 -75 7 . ) ( [1 3 ] La u r a C，S el ena S ，Pa o lo C， et al . M a s simi l i an o G . El e c tro nic N o s ef o r th e C o ntinuous Mo n i to ring o f O dou r s from a W as te w T re a tment P l a n t a t S pe c i f ic R ece pt o r s： Focus on T r a i ni ng Me t hdo s [ J] . Se ns o r s a n d A c t u ato r s B ： Che mi c a l ，2008，1 31 ： 53 -62. ) ( [ 1 4 ] 程绍明，王俊， 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，201 2 ，2 8(1 5 ) ： 1 02 -106. ) ( [ 1 5 ]程绍明，王俊，马杨珲， 等 .基于电 子 鼻系统的 番 茄 苗不 同种 类损 伤的区分效果研 究 [J].传感技术学报 ， 2012 ，25( 9 ) ： 118 4-11 88. ) ( [16 ] D u mmer J， S t o rer M， S w an n ey M， et al . A n a l ys i s o f B i o ge n i cV ola t i l e Or g a nic Co mpo u nds i n Human H e al t h a n d Dise ase [J ] .T re n ds i n A n al y t i ca l C hemi s t r y ， 2011， 3 0( 7 ) ： 9 60-9 67 . ) ( [ 1 7] Be r n ab e i M ， Pen n azza G ， S an t on ico M ， e t a l . A P r e li m i n ary Studyo n t he P oss i b il i t y t o Di a g nos e U r i nar y T r ac t Can ce r s by anE l e ct r o ni c Nos e [ J ]. S e ns o rs a n d A c t ua to rs B： Ch emi cal ， 20 08， 1 3 1：1 - 4 . ) 王 俊(1965-)，男，浙江大学教授、博士生导师。人选教育部新世纪优秀人才支持计划和浙江省“151人才工程(重点和第一层次)”。先后主持国家高技术研究发展计划(863计划)1项、国家自然科学基金项目5项、高校博士学科点基金2项、浙江省科技厅重大招标项目2项、其他省部级项目10余项。 已获国家发明专利15项。在国家级学报和境外学术刊物上已发表100余篇论文，其中 SCI 收录60余篇。发表的SCI 收录论文中被引用 300余次。研究方向之一为电子鼻电子舌技术的农产品品质检测，jwang@ zju. edu.cn。 基于电子鼻技术的不同特征参数对番茄苗早疫病病害区分效果影响的研究《传感技术学报》 程绍明  王俊  王永维  马杨珲浙江大学生物系统工程与食品科学学院,杭州,310029浙江科技学院信息学院,杭州,310023 摘要： 电子鼻检测的原始特征的数据量很大，一般在进行降低维数的处理前需要对原始特征进行合理的选择。选用最大值( Max)、全段数据平均值( Mean)、响应曲线最大曲率( kmax )、响应曲线的全段积分值( IV)作为4种不同特征参数对感染早疫病病害的番茄苗进行区分效果研究，结果表明在进行PCA和LDA区分时，利用全段数据平均值和响应曲线的全段积分值作为特征参数的效果较好，其次为最大值方法，最差的是响应曲线最大曲率方法；利用BP神经网络( BPNN)和遗传算法BP神经网络( GABPNN)两种识别模式进行预测时，利用全段数据平均值和响应曲线的全段积分值作为特征参数的训练集和预测集的正确率较好，其次为最大值方法，预测结果最差的是响应曲线最大曲率方法。关键词：特征参数  番茄苗  早疫病  电子鼻