柑橘中品种识别检测方案(感官智能分析)

江西农业大学学报2017，39(5)：1017-1024Acta Agriculturae Universitatis Jiangxiensishttp：//xuebao.jxau.edu.cnDOI：10.13836/j.jjau.2017131 1018第39卷江西农业大学学报 彭珂，骆德汉，夏必亮.基于机器嗅觉的柑橘品种无损检测与识别[J].江西农业大学学报，2017，39(5)：1017-1024. 基于机器嗅觉的柑橘品种无损检测与识别 彭 珂，骆德汉*，夏必亮 (广东工业大学信息工程学院，广东广州510006) 摘要：为了探索一种不依赖人的感官评定而识别柑橘品种的新方法，提出了一种基于机器嗅觉的柑橘品种分类识别方法。使用 PEN3电子鼻对外形相似但品种不同的柑橘水果进行无损气味采集，通过局部切空间排列算法(local tangent space alignment，LTSA)对高维水果气味数据进行降维处理，再运用线性判别分析方法(lineardiscriminant analysis，LDA)对降维后的数据进行判别分析，最终达到对不同品种柑橘水果分类识别的目的。实验结果表明，采用 LTSA+LDA 的方法能够对柑橘品种进行有效识别，对皇帝柑、橙橙和砂糖桔的识别率分别是91.1%、93.3%和91.1%，总体识别率为91.8%，该方法在柑橘品种识别方面具有良好的应用前景。 关键词：机器嗅觉；柑橘；品占识别；无损检测；LTSA+LDA 中图分类分：TP391.4；S666.2 文献标志码：A 文章编号：1000-2286(2017)05-1017-08 Non-destructive Testing and Identification of CitrusVarieties Based on Machine Olfaction PENG Ke，LUO De-han"，XIA Bi-liang (College of Information Engineering，Guangdong University of Technology，Guangzhou 510006，China) Abstract：In order to explore a new method for identifying citrus varieties without relying on human senso-ry assessment， a method for classification and identification of citrus varieties based on machine olfaction wasproposed.PEN3 electronic nose was used to collect the odor of citrus fruits with similar shape but different vari-eties.The method of local tangent space alignment(LTSA) was used to reduce the dimension of high-dimen-sional fruit odor data，then the linear discriminant analysis(LDA) was used to analyze the data after dimensionreduction.Finally， different varieties of citrus fruits were classified and identified. The results show that themethod of LTSA+LDA can effectively identify citrus varieties， the recognition rate of Citrus reticulata Blancocv.Hanggan， Citrus sinensis L.Osbeck and Citrus reticulata Blanco cv.Shiyue Ju are 91.1%，93.3% and 91.1%，respectively，and the overall recognition rate is 91.8%.This method has a good application prospect in citrus va-riety identification. Keywords：machine olfaction；citrus；variety identification；non-destructive testing；LTSA+LDA ( 收稿日期：2017-03-25 修回日期：2017-05-07 ) ( 基金项目：国 家 自然 科 学 基金项 目 ( 61 5 71140)、 广 东省科 技 计划项目 ( 2016B0303030 1 1)、广东 省 教 育 厅仪 器重点培 育项 目(15ZK0130 ) 和 广州市 科 技计 划项 目 (2 01 6 0 7010247)P r oject supp o rted b y th e Nationa l N atur e Sc i e nc e Fou n dation o f Chin a (61571140 )， Scienc e a nd T echnolo g y P ro- j ec t of Gu a ngdong( 20 16B030303011)， Ins t rument K ey C u l t ivation Pr o ject of G u angdon g De p artment of E du c a- tion ( 1 5 ZK013 0 ) a nd the S cie n c e and T echnology Pro j ect of Guangzh o u (2 01607010247) ) ( 作者简介：彭 珂 (1 9 93 一) ，男， 硕 士 生，主要 从事 机器 嗅觉和 智 能信 号处 理研 究 ，peng _ kee@16 3 .com； * 通 信 作者：骆 德 汉 ， 教授，博 士 ， de h a nluo@ gd u t.ed u .cn。 ) 柑橘类水果是我国南方地区产量最大、分布最广的亚热带水果1-2]，这些水果不仅具有补充维生素与微量元素的作用，而且医疗保健作用也相当大。近年来，有关柑橘水果的研究报告相继出现，研究结果都显示，柑橘水果对保护心脏、预防心脑血管疾病及癌症有着一定的功效13.6]。古语云：橘生淮南则为橘，生于淮北则为枳，这说明产地的不同会严重影响橘子的品质。同样，同一产地不同品种的柑橘，其品质也会有较大的差异。然而，在生活中，不同品种的柑橘水果因为外形、气味比较相似很容易被人们混淆，人们只有通过长期的经验积累才能对其进行大致区分，但是由于人的主观性以及时间环境的不同，判别结果也会有较大差异，且在面对某些柑橘杂交品种时，进一步加大了人们的识别难度。所以本文拟从柑橘水果的气味上对它们进行识别分析。 对柑橘水果气味信息的采集主要依靠电子鼻。电子鼻(即Electronic nose)是通过模拟生物的嗅觉器官并通过机器学习来实现鼻子生理功能的一种仪器179]。近年来，随着传感器技术的发展以及人类对嗅觉过程理解的深入，电子鼻技术已得到深人的开发与利用。目前在国内外的研究中，电子鼻被广泛应用于食品、农业、环境监控、医学生物及安全等领域110-16]。 文中选取皇帝柑、脐橙和砂糖桔作为研究对象，其中，皇帝柑为橙与橘的自然杂交品种。它们不仅具有相似的外表和气味，而且还具有一定的“亲缘”关系，选取它们作为研究对象具有一定的代表性。使用PEN3 电子鼻采集的水果气味信息往往具有高维性和非线性，而对这些高维非线性数据的降维处理是对这三种柑橘水果进行分类识别的关键。常用的线性分析方法[主成分分析(PCA)、线性性别分析(LDA)、独成成分分析(ICA)、多维尺度分析(MDS)等]很难发现复杂的非线性数据的内部结构，针对线性维数约简方法的不足，文中采用非线性降维方法一局部切空间排列算法(LTSA)对柑橘水果的气味信息进行分析，并结合线性判别分析方法(LDA)，提出 LTSA 与 LDA相结合的算法对柑橘品种进行无损气味检测与识别分析。首先，利用 LTSA 对高维气味特征进行特征提取与降维，再采用 LDA实现对低维流形空间的模式聚类与分类，最终达到对柑橘水果分类识别的目的，为今后把电子鼻应用于水果分类识别提供了新思路。 材料与方法 1.1 实验材料 本实验选用的皇帝柑、脐橙、砂糖桔样品均同时从广州当地水果市场购买，都为当季新鲜水果。 仪器：电子鼻(PEN3型电子鼻，德国 AIRSENSE公司制造)。 1.2 实验方法 实验环境及 PEN3 电子鼻参数设置如表1所示。 表1 实验环境及 PEN3 电子鼻参数设置 Tab.1 Experimental environment and parameter settings of PEN3 electronic nose 参数 温度/℃ 相对湿度/% 烧杯容量/mL 静置时间/min 采样时间/s 采样间隔/s 进气流量/(mL·s-) 清洗时间/s Relative Beaker Standing Sampling Sampling Air intake Purging Temperature Parameters humidity capacity time time interval flow time 参数值 Value of parameters 22~25 45~50 250 20 120 1 150 120 (1)参数设置：通过空调把实验温度设置在22~25℃，实验室相对湿度设置在45%~50%。首先使PEN3电子鼻与计算机通过数据线进行连接，然后在计算机上运行 PEN3 电子鼻的配套软件(WinMus-ter)，并通过该软件把PEN3 电子鼻的采样时间设置为 120s，采样间隔设置为1s，进气流量设置为150 mL/s，清洗时间设置为120 s。 (2)样品准备：首先把每种柑橘水果(分别为皇帝柑、脐橙、砂糖桔)样品用干净的自来水清洗干净，然后用干净的纸巾擦干水分，再取单个样品完整地置于250 mL的干净玻璃烧杯底部，并用无气味的保鲜薄膜密封烧杯口，最后把该烧杯放在试验台静置20 min，使烧杯中的气体达到顶空状态。 (3)数据采集：通过WinMuster 软件点击开始数据采集，电子鼻则自动进行一次(120s)传感器的清洗，当电子鼻的显示屏上显示采集开始时，使用顶空采集的方式把采集针头插入烧杯中，当完成一次 (120s)采集时得一一个.nos 格式的文件(即一个数据样本)。重复该实验操作5次，得到5个数据样本(即每个样品采集5次得到5个数据样本)，然后更换下一个满足要求的样品。 (4)使步骤(2)和步骤(3)循环10次(每种柑橘水果共有10样样品)，每种柑橘水果则可以得到50(10×5)个数据样本。 (5)以同样的方法可以得到其他柑橘品种的气味数据样本，3种柑橘水果共得到150(3×50)个数据样本 通过以上步骤，每种柑橘水果可得到50个数据样本，随机选择其中的35个数据样本作为训练样本，剩余的15个数据样本作为测试样本。3种柑橘水果共有105(3×35)个训练样本，45(3×15)个测试样本。 12 LTSA+LDA 算法的数学原理 2.1 局部切空间排列 流形学习算法作为一种重要的数据挖掘方法可以从高维原始数据中发现低维隐藏结构从而实现高维数据的维数约简和模式分类，该算法的优点是算法参数少、计算速度快、降维效果好以及能够保存原始数据空间的拓扑结构。局部切空间排列算法17-18](local tangent space alignment，LTSA)是一种基于局部切空间的流形学习算法，用每个样本点的切空间近似构造低维流形的局部几何，然后使用局部切空间排列找出全局低维嵌入坐标。对于给定样本点集{x，x，*，xy}，x.eR"，N=DxS×H×L表示所有训练样本数据点的总数量，其中D表示所有样本的类别数，S表示每种样品训练样本的数量， H表示每个训练样本的采集时间，L表示电子鼻传感器的数量，局部切空间排列算法描述如下： (1)选取邻域。计算样本点x；的近邻点并把包含x；在内的k个近邻点记作X=[x；，…，x]。 (2)局部线性拟合。通过计算右奇异向量以及中心矩阵X， -x.1"的d个最大奇异值以对每个样本点邻域进行局部线性拟合，并使d个最大奇异值构成V矩阵。 (3)局部坐标整合。通过构建置换矩阵车=三S WWs"以进行局部坐标系的排列，其中 W=Ii=-[1/Jk，V][1/Jk，v.]。对矩阵重进行特征分解，选取d个最小非零特征值u，，u，则得到最后的嵌入坐标为Q=[uj，…，ua]. 当子集不是高曲率样本分布时， LTSA 能很好地恢复等距低维空间流形的子集以及“空”流形的低维空间结构。 LTSA 作为一种新型的流形学习算法，可以有效地学习并反映数据集低维流形结构的全局嵌入坐标。LTSA 算法可以用于训练样本集，但是由于没有明确的映射关系所以很难对测试样本进行训练。同时，通过 LTSA算法获得的低维空间也许不是最好的识别空间，因此对测试样本的识别效果也不是很理想。 2.2 线性判别分析 线性判别分析(linear discriminant analysis，LDA)，也叫做 Fisher 19-201线性判别(fisher linear discrimi-nant，FLD)，是一种经典的模式识别算法，该算法的最大优点是使样本在投影后的空间类间距离最大大类内距离最小。 当所有训练样本数据点经过 LTSA 算法处理后，得到的嵌入坐坐Q=[u，，ua]'属于D个模式类集合G，Gz，….，G，，模式ze R"为n维实向量，D为第i类训练样本的个数，各类样本均值m；=-2z，DeGi=1，2，…，D、样本的总体均值向量mn=-2m；，总体类内散布矩阵S=22(z-m；)(z-m；)'，i=1，i=l2，…..，D、类间散布矩阵S，=2(m；-m)(m；-m)。将样本空间投影到投影矩阵W上，得到D-1维i=的特征矢量y=zW"，其中We R"xD-1，yeR" 根据 Fisher 准则J(W)=，选取J(W)达到最大值的向量作为投影方向，即W需满足SW =入S W，若S 非奇异，则W的每一列为S'S的前D-1个较大特征值对应的特征向量，即找出最佳投影方向W。 但是当直接使用 LDA 算法处理高维数据时，可能会存在小样本问题，另外当电子鼻采集的样本特征数据的维数大于总样本数时，会导致类内散布矩阵S奇异，因此 LDA 算法也无法继续运行。所以可以通过降维的方法使S，非奇异以解决小样本问题。 文中采用 LTSA 与 LDA相结合的算法(LTSA+LDA)来进行低维空间流形识别，首先使用非线性流形算法 LTSA 来降低特征数据维数并简化数据和优化特征向量，然后将 LTSA 算法的输出矩阵作为 LDA算法的输俞矩阵并设计一个基于 Fisher准则的线性分类器以完成皇帝柑、脐橙和砂糖桔的分类与识别，所以 LTSA+LDA算法不仅能够有效地处理高维数据样本而且能够避免直接使用LDA 算法时的小样本问题。 3 结果与分析 PEN3 阵列包含10个金属氧化物传感器，每个传感器都具有不同的气敏特性，以 S1 到 S10 命名，传感器响应值被定义为电导率的比值：G/G，其中G是样品气体通过传感器时的电导率，G是经活性炭过滤后的标准气体通过传感器时的电导率121-22。 3.1 传感器响应 三种柑橘水果的 PEN3 电子鼻传感器响应曲线如图1所示。横轴表示采样的时羊(0~120s)，纵轴表示传感器的响应值(G/G)。 PEN3 电子鼻传感器阵列对不同品种的柑橘水果显示了不同的响应曲线，说明不同传感器对同种气味具有交叉敏感性，但是不同传感器对同种气味的响应特性却不尽相同。 图1 三种柑橘的传感器响应曲线图 Fig.1 Response curves of three Citrus 从图1可以看出，三种柑橘的传感器响应曲线在0~20s时刻呈现上升趋势，在20~120s时刻呈现平稳状态。为了减少分析的误差，选取各传感器在稳态时(48~55s时刻)的响应值绘制传感器响应雷达图。 雷达图即通过提取电子鼻每个传感器的响应值构建所选3种柑橘水果的气味指纹图谱，图2表示信号强度不同的柑橘水果(皇帝柑、脐橙和砂糖桔)对电子鼻10个不同传感器的响应值。电子鼻不同传感器对以上3种柑橘的响应值有明显的差异，其中传感器 S2、S6 和S8对以上3种柑橘的响应值最为突出，说明这 S2、S6和S8对柑橘水果气味敏感度高。因此可以利用电子鼻系统对不同柑橘水果建立气味指纹图库，从而实现对不同柑橘品种的分类识别。 从图2可以看出，皇帝柑、脐橙和砂糖桔的S2、S6和 S8的响应值比较突出，而 S1、S3 和S5的响应值比较低，这是因为皇帝柑、脐橙和砂糖桔都属于柑橘水果，所以它们的传感器指纹图谱比较相似，但皇帝柑和砂糖桔S6、S7、S8、S9 和 S10的响应值都较为接近，与脐橙相应的传感器响应值有一定的差异，这说明皇帝柑和砂糖桔的气味更为接近且异于脐橙的气味。所以皇帝柑和砂糖桔的区分难度较大，且都大于与脐橙的区分难度。 图2 三种柑橘的传感器响应雷达图 Fig.22Response radar map of three Citrus 3.2 识别分析 图3所示为为帝柑、脐橙和砂糖桔运用 LTSA+LDA算法的分类结果图，其中横轴代表第一主轴(方差贡献率为99.60%)，纵轴代表第二主轴(方差贡献率为0.40%)。从图3可以看出，皇帝柑、脐橙和砂糖桔3种不同品种的柑橘类内距离较小，类间距离较大，且都可以进行很好的区分。由图2分析可知，皇帝柑和砂糖桔的气味指纹图谱较为相似且与脐橙的气味指纹图谱差异较大(即皇帝柑和砂糖桔这两者的区分难度大，且都大于与脐橙的区分难度)，而从图3可以看出，当运用 LTSA+LDA 算法对气味数据进行处理后，皇帝柑和砂糖桔都分布在图3的左侧，而橙分布在图3 图3 柑橘 LTSA+LDA 分类结果图 FFig.3(Classification results of Citrus by using LTSA+LDA 的右侧，且皇帝柑与砂糖桔的分别距离小于皇帝柑与脐橙以及砂糖桔与脐橙的分布距离，这也说明皇帝柑与砂糖桔的气味更为相似，区分难度更大，但皇帝柑与砂糖桔的分布距离也是足够大，不易混淆。 First spindle(variance：99.29%) First spindle(variance：99.29%) First spindle(variance：97.50%) 图4 回代测试结果图 Fig.4 Results of back substitution test 图4所示为皇帝柑、脐橙和砂糖桔的回代测试结果图，回代测试是指用分类系统对训练样本进行分类识别，即把训练样本当做测试样本。文中的3种柑橘分别有50个数据样本，分别从50个数据样本中随机选取35个数据样本作为训练样本，剩下的15个数据样本作为测试样本。从图4可以看出，皇帝柑、脐橙和砂糖桔的回代测试结果都分别分布在皇帝柑、脐橙和砂糖桔的品种范围内，即可以对皇帝柑、脐橙和砂糖桔进行准确的分类识别，同时也说明运用 LTSA+LDA 算法的分类识别系统对以上3种柑橘训练样本的分类识别是准确有效的。 图5所示为皇帝柑、脐橙和砂糖桔的验证测试结果图，验证测试是指用分类系统对非训练样本的实验对象样本进行分类识别。文中皇帝柑、脐橙和砂糖桔分别选取了15个数据样本作为测试样本。从图5可以看出，在皇帝柑的验证测试结果图中，皇帝柑与砂糖桔的空间分布较近，即皇帝柑与砂糖桔容易混淆，但是皇帝柑的验证测试样本都准确的分布在皇帝柑的分布范围之内，这说明运用 LTSA+LDA算法的分类识别系统能够准确识别皇帝柑；在脐橙的验证测试结果图中，其中一个脐橙验证测试样本准确分布在脐橙的分布范围之内，而另一个则分布在脐橙分布范围的边缘处，但都可以被识别为脐橙；在砂糖桔的验证测试结果图中，其中一个砂糖桔验证测试样本分布在砂糖桔分布范围的边缘处，而另一个则分布在砂糖桔分布范围外，但该砂糖桔验证测试样本的分布位置还是最接近砂糖桔的分布范围，且没有进去其他品种柑橘的分布范围，仍可以被识别为砂糖桔，这说明运用 LTSA+LDA 算法的分类识别系统对以上3种柑橘验证测试样本的分类识别也是准确有效的。 图5 验证测试结果图 Fig.5 Results of validation test 文中使用 PEN3 电子鼻对皇帝柑、脐橙和砂糖桔进行气味采集，但 PEN3 电子鼻具有10个传感器，且每个样本采样时间为120s，则每个数据样本是一个1200×10的矩阵，也可以被视为一个1200维的样本点，所有数据处理都是在 MATLAB V.8.1.0(R2013a)平台上进行。在运用 LTSA+LDA 算法的分类识别系统中，首先得运用 LTSA 算法对高数数据进行降维处理，但在运用 LTSA算法处理高维气味数据时，需要设置两个重要的参数，近邻点个数k和嵌人空间维数d，且k值和d值的选择很关键，会严重影响嵌入结果。如果k值太大，LTSA算法则不能反映局部特征，k值太小，则 LTSA 算法不能在低维空间保持样本点的拓扑结构。如果d值太大，映射结果将包含太多的噪音，d值太小，样本点在低维空间可能会出现重叠现象。图3中的优化参数k值和d值根据经验设置为k=29，d=25，图4中的k值分布设置为k=20，k=21，k=22，d值分别设置为d=11，d=13，d=16，图5中的k值分布设置为k=20，k=21，k=22，d值分别设置为d=11，d=13，d=16。 3.3 识别结果 表2是对150组柑橘样本的识别结果，其中识别率是重复3次实验所得识别率的平均值，结果表明，除个别样本外，利用本文提出的基于 LTSA+LDA 算法的分类识别系统能够对不同品种的柑橘进行准确的分类识别，各柑橘品种的识别率均高达90%以上。其中皇帝柑、脐橙和砂糖桔的回代测试识别率均为100%，即所有的训练样本都能够被准确识别，皇帝柑、脐橙和砂糖桔验证测试识别率分别为91.1%、93.3%和91.1%，即只有极个别测试样本出现了误判。 表2 柑橘样本识别结果 Tab.2 Identification results of Citrus sample 测试种类 Type of test 样本种类 Sample type 识别率/% Recognition rate 回代测试 Back substitution test 皇帝柑 100 脐橙 100 砂糖桔 100 验证测试 Validation test 皇帝柑 91.1 脐橙 93.3 砂糖桔 91.1 4 小结 本文基于机器嗅觉对柑橘品种进行无损检测与识别，提出了一种融合 LTSA 和LDA特性的新算法，即 LTSA+LDA，该算法采用 LTSA 得到反映数据集低维流形结构的全局嵌入坐标，并利用 LDA 算法可使类内距离最小化、类间距离最大化的优势，把数据集映射到最佳的分类识别特征空间。因此，文中所提的算法可以完美地解决高维数据维数约简问题，并可以发现用于区分不同品种柑橘气味数据的隐藏结构。 文中的无损检测与识别即是在不破坏样本完整性的情况下使用电子鼻对样本进行气味检测并识别，与传统的人工识别方式相比，该方法能在保证样本完整性的情况下克服人工识别的主观性和不连续性。从表2可知基于 LTSA+LDA 算法的分类识别系统对各柑橘品种的识别率均高达90%以上，因此基于机器嗅觉的柑橘品种无损检测与识别方法能为水果品种识别提供新思路新方法。 ( 参考文献： ) ( [ 1 ]汪 银.中国柑橘 市场 预警研 究[ D] . 武 汉 ： 华 中农业大 学 ， 20 13. Wa n g X Y . A n stu d y on ear ly -w a rn i ng of Cit r us m a rket in C h i n a[D] . Wu h an：Huazhong A gricu l t ur a l Univer s ity，20 1 3. ) ( [ 2 ] 王馨 若 .中国 柑 橘 出口市场 格局分析与贸易问 题 研究 [ D] . 南 昌 ： 江 西 农 业大学，2 0 14. Wa n g X R . R e se a r c h on Chi n ese C i t r us e x p ort market pattern a naly s i s and t r ad e issue s [D ] . N ancha n g： J ia n gxi A g ricultur a l U n iversity ，2 014. ) ( [ 3 ] 刘 学仁， 张 莹，林 志 群 .橙皮 苷 和 橙 皮素生 物 活 性 的 研 究进展 [J ] . 中国新 药 杂志，2 01 1 ，2 0(4)：3 2 9-333. L i u X R ，Zhan g Y， L in ZQ.Advances in stu d ies on th e bi o logical a ctivi t ie s of hesp e ridin and h e speretin [ J ] . C h inese Jo u rnal of New Drugs，2011，20( 4 ) ： 329-333. ) ( [ 4 ] 王 坚.柑 橘属 常 用 中药 材 陈皮、青皮次 生代谢 产物 之挥发 油成分油究[D ] . 成 都：成都中医药大学 ， 2 01 3. Wang J.S t udy o n the s e cond metabo l it e of ess e nt i al o i l from common Chin e se materia medica as C itri R eti c ulatae Per i c arpi-um and Ci t ri Retic u lat a e Peric a rpium V iride from C itrus L. [D ]. C h e ngdu：Chen g du Univ e rsity of T CM ， 20 1 3 . ) [5]骆杨丽，曲玮，梁敬钰.柑橘属植物化学成分和药理作用研究进展[J].海峡药学，2013，25(7)：1-6. ( L u o Y L ， Q u W， L i a ng J Y.Pr o g r ess on c h emical constituents and b iol o gical act i vities o f the g enus Ci t rus [ J ] . Str a it Ph a rma-ceuti c a l Journal，2013，25(7 )： 1-6. ) ( [ 6 ] 靖丽 ， 周 志钦 .柑橘 果 实生物活 性 物质与糖尿病 防治 研究 进展 [ J] .果 树 学 报 ， 201 1 ，2 8(2)：313-320. Jing L ， Zhou Z Q .Adva n ces in re s ea r c h o n the bioac t ive c o mpo u nds of Citr u s fr u its and their role in dia be tes preve n t i on and treatment [ J ] . Journal of Frui t Scie n ce，20 1 1，28( 2 )： 3 13 - 3 2 0. ) ( [7 ] C a r rasco A ， Saby C， Bernadet P. D iscrimination of Yves Sa i nt La u rent pe r fumes by an elec t ronic no s e[J] . Fl av our and Fra - g ranc e Journal ， 1998， 13 ( 5 ) ： 3 35-3 48 . ) ( [ 8] H ar r is J，Cliffo r d S ， Ar shak K ，e t a l .A r e v i e w o f g as sen s ors em pl oyed in electr o n i c nose appl i cation s [J].S e n so r Review ， 2 004，24( 2 )：181- 1 98. ) ( [ 9 ] 杨如 乃 ，胡志忠 ， 卢健.生物嗅觉神 经 系统 模型 的模 拟 与分析[J] . 生物 医 学 工程 研究 ，200 6 ， 2 5 (3)：1 3 1-136. Y a n g R N ， Hu Z Z，Lu J . T h e sim u latio n and ana l ysis of bi o logical o l factory n eu r al model[J ] .J o urnal of Bi o medical Engi - neering R e search，2006，25( 3 ) ： 131- 1 36. ) ( [1 0] B a ietto M ， Wil s on A D.El e ct ro nic-n o se applicat i ons fo r f ruit id e ntif i ca t ion，ripe n e ss and q u ality gr a d i n g [ J ].Senso r s， 2 015， 15( 1 )：899-931. ) ( [1 1] H u ang L， L iu H，Zhang B，et a l . A ppli c ation of e l ect r onic nos e with mul t ivaria t e ana l ysis an d se n sor se l ect i on for b o tanica lo rigin identif i cati o n and quali t y d e termina t io n of h one y [ J ] .F oo d and Bio p ro ces s T e chnology ， 2015，8(2)： 3 59-370. ) ( [1 2] Ch o Y S ， J ung S C， Oh S.Diagnosis o f b ovine tuber c ulosis u s in g a met a l ox i de-based electronic no s e[ J] .Letter s in Appl i edMic r obiolog y ，2015，60(6) ： 5 13-516. ) ( [1 3] M e ij T G，Lar b i I B ， Schee M P ， e t a l . Ele c t ro nic n o se c a n dis c riminate c ol orectal carcinoma and ad v anced adenomas b y f e - c a l volatil e b i o m arker a n alysis：pr o of of pr i nciple stu d y [J ].Internation a l Jour n al o f Ca nc er，2 0 14，134(5 ) ：1 132-11 3 8 . ) ( [ 14 ] 徐 赛，陆 华忠，周志 艳 ， 等 . 基于 电子 鼻 的果 园荔枝 成 熟 阶段监测[ J ]. 农 业工程 学 报 ， 20 15 ， 31 (18)：240-246. X u S ，L u H Z， Z h o u Z Y，et a l .Electr o nic no s e moni t or i ng matur e stage o f li tc h i in o r chard[J].T r an sa ct i ons o f th e C h ine s eSociety o f A g ricultur a l Engineering，2 0 15，3 1 ( 18 ) ： 2 40-246. ) ( [1 5] O lguin C ， L a g u arda- M iro N，P a scual L ，et a l.An e l ect r onic nos e for th e de t ect io n o f S a rin， Soman a n d T a bun mi m ics a n d in-terfering agent s [ J ].Sensor s a n d A c tuators B Chemi c al，2014 ， 202(1 0 )： 3 1 - 37. ) ( [ 16 ]裴高璞， 史 波 林， 赵 镭， 等. 典 型掺 假蜂 蜜的 电子 鼻信息变 化特征及判别 能 力[ J ].农业 工 程 学 报， 2 01 5 ，31(S1)：3 2 5- 3 31 . P ei G P ， S hi B L ， Z h a o L，et a l. I n f ormation variat i o n feat u re a nd disc r iminant capab il it i es of elect r on i c nos e for t yp i cal a d u l - terat i on honey identifi c ation [ J ] . T rans a ctions of the C h ine s e S oci e ty o f Ag ricultural E ngineering，2015，31( S 1) ： 325 - 331. ) ( [ 17 ] Zhang P ，Qiao H，Zhang B. A n improved l o cal tangent s pa ce al i g n ment method for manifold le a rning [J ] . Patte r n RecognitionL e tte r s，201 1， 32 ( 2 ) ： 1 81-189. ) ( [ 18 ] 李 锋 ，赵洁 ，王家 序，等 .判 别式正交正 性 局部切空间 排列 故障辨识 [ J] .计算 机 集 成 制 造 系 统，201 4 ，2 0 (1)：17 3 -181. L i F ，Z hao J ， Wan g J X ， e t al. F a ult ide n tificati o n for di s cr i minant ort h ogonal line a r l o cal tangent s p ac e a li g n ment[J].Com - puter Integrate d M anuf a cturing Systems，2 0 14，20( 1 )：173-181. ) ( [1 9] Wa ng S，Liu S.P r otein sub-nucl e ar lo c a l ization based on e f fe c tive fus i on representations and d imension reduc t i o n algor i thm LDA[ J ]. I nternational Journal of Mo l ecular S ciences，2015，16 ( 12 )： 30343-30361. ) ( [2 0] Ak ba r M A ， A li A A ， A m ir a A，et a l.A n empirical stu d y for P C A-a n d L DA-base d feature re d uction f or gas i de n tif i cation[J]. IEE E S enso r s Journal，2016，16 ( 14 ) ：5734-5 7 46. ) ( [ 21 ]海铮 ，王 俊 . 电 子鼻 信 号 特 征提取与 传 感 器优化的 研究[J].传 感技 术 学 报 ， 200 6 ，19(3)：606-610. ) ( Hai Z ， Wang J. S t u dies o n si g nal f e a ture e x t r acti o n and sensor optimization o f a n ele c tr o nic no s e [J]. Ch i n e s e Jou r n al of Sen- s ors and Actuators ， 2006，19(3) ：6 06-610. ) ( [2 2] S harma A ， Paliwal K K， I m o to S，e t al. A f e a t ure se l ecti o n m e t ho d us i ng improved r e g ularized l i near d iscriminant a naly s is [ J] . M achine V ision and A p plications，2014，25(3) ： 7 7 5 - 786 . ) 数据 基于机器嗅觉的柑橘品种无损检测与识别《江西农业大学学报》  彭珂  骆德汉  夏必亮广东工业大学 信息工程学院,广东 广州,510006 摘要： 为了探索一种不依赖人的感官评定而识别柑橘品种的新方法,提出了一种基于机器嗅觉的柑橘品种分类识别方法，使用PEN3电子鼻对外形相似但品种不同的柑橘水果进行无损气味采集,通过局部切空间排列算法(local tangent space alignment,LTSA)对高维水果气味数据进行降维处理,再运用线性判别分析方法(linear discriminant analysis,LDA)对降维后的数据进行判别分析,最终达到对不同品种柑橘水果分类识别的目的。实验结果表明,采用LTSA+LDA的方法能够对柑橘品种进行有效识别,对皇帝柑、脐橙和砂糖桔的识别率分别是91.1%、93.3%和91.1%,总体识别率为91.8%,该方法在柑橘品种识别方面具有良好的应用前景。关键词：机器嗅觉  柑橘  品种识别  无损检测  LTSA+LDA