基于電子鼻的果園荔枝成熟階段監測-德國AIRSENSE電子鼻

閱讀：1993發布時間：2019-12-31

樣品：試驗采用的不同成熟階段荔枝樣本信息如表1 所示，所用荔枝均采摘于廣東省廣州市華南農業大學校內果園，品種為“水林”。在荔枝掛果約25 d 時，對荔枝果實進行采樣，采樣周期為7 d，共采樣6 次到荔枝果實成熟（6 個成熟階段分別標記為s1、s2、s3、s4、s5 和s6。），每次取樣20 顆無損傷荔枝果實。

儀器：PEN3 型便攜式仿生電子鼻系統（AirSense Inc, Germany）

檢測指標：果園荔枝成熟階段監測

實驗過程：電子鼻的采樣參數設置為：采樣時間間隔為1 s，傳感器自動清洗時間為70 s，傳感器歸零時間為10 s，分析采樣時間為80 s，進樣準備時間為5 s，進樣流量為300 mL/min。試驗共獲得荔枝不同成熟階段的電子鼻采樣數據120 個（6 個成熟階段×每次采集20 個樣本=120 個）。

實驗結果：為了無損快速監測荔枝成熟階段，該文提出了一種基于電子鼻技術的果園荔枝成熟階段監測方法，采用PEN3電子鼻獲取掛果約25 d 到果實成熟過程中6 個成熟階段荔枝樣本的仿生嗅覺信息并同步獲取了各成熟階段荔枝的3 項物理特征（果實直徑、果實質量與果實可溶性固形物含量）。根據不同成熟階段荔枝物理特征變化可知，荔枝果實直徑與果實質量2 項物理指標在掛果約32 d～39 d，以及53 d～60 d 增長較快，可溶性固形物含量在掛果約32 d 前無法測量，53 d～60 d 階段增長速度較慢。提取各樣本電子鼻采樣數據75 s 時刻的各傳感器響應值作為特征值后，采用載荷分析（loadings）進行傳感器陣列優化，優選了傳感器R2、R4、R6、R7、R8、R9 和R10 的響應數據進行后續分析。將優化后的傳感器響應數據進行歸一化處理。采用線性判別分析（linear discriminant analysis，LDA）進一步提取特征信息，降低數據中包含的冗余信息。LDA 對荔枝成熟階段的分類識別效果不佳。為進一步探究電子鼻監測果園荔枝成熟階段的可行性，采用模糊C 均值聚類分析（fuzzy C means clustering，FCM）、k 近鄰函數分析（k nearest neighbor，KNN）和概率神經網絡（probabilistic neural network，PNN）進行模式識別。研究結果表明，FCM 對果園荔枝成熟階段識別的正確率為89.17%。采用KNN 與PNN 建立識別模型后，KNN 與PNN 識別模型對訓練集的回判正確率均為100%，對測試集的識別率均為96.67%，具有較好的分類識別效果。