CN105628878B - 一种基于电子鼻的茶树机械损伤程度的预测方法 - Google Patents
一种基于电子鼻的茶树机械损伤程度的预测方法 Download PDFInfo
- Publication number
- CN105628878B CN105628878B CN201610016439.2A CN201610016439A CN105628878B CN 105628878 B CN105628878 B CN 105628878B CN 201610016439 A CN201610016439 A CN 201610016439A CN 105628878 B CN105628878 B CN 105628878B
- Authority
- CN
- China
- Prior art keywords
- tea tree
- electronic nose
- sensor
- characteristic value
- mechanical damage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 235000009024 Ceanothus sanguineus Nutrition 0.000 title claims abstract description 75
- 240000003553 Leptospermum scoparium Species 0.000 title claims abstract description 75
- 235000015459 Lycium barbarum Nutrition 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000004044 response Effects 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 22
- 241001122767 Theaceae Species 0.000 claims description 10
- 238000007789 sealing Methods 0.000 claims description 10
- 239000004809 Teflon Substances 0.000 claims description 7
- 229920006362 Teflon® Polymers 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 241000196324 Embryophyta Species 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 239000000428 dust Substances 0.000 claims description 4
- 238000002592 echocardiography Methods 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 238000010238 partial least squares regression Methods 0.000 claims description 4
- 230000002000 scavenging effect Effects 0.000 claims description 4
- 230000006641 stabilisation Effects 0.000 claims description 4
- 238000011105 stabilization Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 239000011521 glass Substances 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012850 discrimination method Methods 0.000 abstract description 2
- 238000003909 pattern recognition Methods 0.000 abstract 1
- 210000001331 nose Anatomy 0.000 description 38
- 239000003205 fragrance Substances 0.000 description 4
- 239000004615 ingredient Substances 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 102100028260 Gamma-secretase subunit PEN-2 Human genes 0.000 description 2
- 101000579663 Homo sapiens Gamma-secretase subunit PEN-2 Proteins 0.000 description 2
- DATAGRPVKZEWHA-YFKPBYRVSA-N N(5)-ethyl-L-glutamine Chemical compound CCNC(=O)CC[C@H]([NH3+])C([O-])=O DATAGRPVKZEWHA-YFKPBYRVSA-N 0.000 description 2
- 150000001335 aliphatic alkanes Chemical class 0.000 description 2
- 230000003712 anti-aging effect Effects 0.000 description 2
- 230000001093 anti-cancer Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- 235000011114 ammonium hydroxide Nutrition 0.000 description 1
- 230000002155 anti-virotic effect Effects 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 235000006708 antioxidants Nutrition 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229940126214 compound 3 Drugs 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000002218 hypoglycaemic effect Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 150000002898 organic sulfur compounds Chemical class 0.000 description 1
- 150000008442 polyphenolic compounds Chemical class 0.000 description 1
- 235000013824 polyphenols Nutrition 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 150000003254 radicals Chemical class 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 235000014214 soft drink Nutrition 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229940026510 theanine Drugs 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Wood Science & Technology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Botany (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Sampling And Sample Adjustment (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明公开了一种基于电子鼻的茶树机械损伤程度的预测方法。挑选无损伤的茶树作为检测对象，对其进行不同程度的机械损伤后，放入电子鼻样品顶空装置中静置一段时间后使用电子鼻检测，另外使用无损伤的茶树作为对照组，根据逐步判别分析对电子鼻传感器阵列进行优化，使用稳定值法、小波分析法和二次项拟合法分别对优选出来得到传感器响应信号进行特征提取，并以两种不同的模式识别算法选出最优特征提取方法，最后采用偏最小二乘回归算法建立该特征值与茶树机械损伤程度之间的定量预测模型。本发明提供了一种快速预测茶树机械损伤程度的鉴别方法，对茶树样本无损害，操作简单，并具有良好的预测效果，具有较高的推广利用价值。
Description
技术领域
本发明涉及一种快速检测农作物损伤检测的方法，特别涉及一种基于电子鼻的茶树机械损伤程度的预测方法。
背景技术
据统计，如今我国的茶叶年消费量已高达66万吨左右，人均饮茶0.45公斤/年。茶对中国的社会历史文化和现实生活都产生了重要影响。从世界范围看，茶已成为全球性的天然饮料。并以其天然和健康的声誉风靡全球，其消费总量位居除水以外的所有软饮料之首。
另外，茶中含有多种有益物质，具有完备的医疗保健功效。如茶多酚，具有抗氧化、清除自由基、抗癌、杀菌抗病毒、抗衰老、美容、调节血压、抗辐射、降血脂、降血糖、增强免疫等功能；茶氨酸，具有增强记忆、消除疲劳、放松和镇静神经、抗癌、提高免疫力、抗衰老、抗辐射、降血脂、调节血压等功效。
在茶叶的生产过程中，茶树的质量(健康状态)对茶叶的品质和产量起着至关重要的影响。在茶叶修剪以及采摘等过程中均会对茶叶造成机械损伤，每年因茶树机械损伤，茶叶的产量和品质造成巨大损失。因此，对茶树机械损伤的检测具有较高的意义，而电子鼻作为一种无损且快速的检测方法，在植株品质检测中具有广阔应用前景。
发明内容
本发明的目的在于提供一种基于电子鼻的茶树机械损伤程度的鉴别方法，该方法能较准确快速的鉴别出茶树所受机械损伤的程度，并且对茶树无损伤。
本发明解决上述技术问题所采用的技术方案是：一种基于电子鼻的茶树机械损伤程度的预测方法，该方法检测过程在电子鼻样品顶空收集装置中实现，该装置包括空气泵、活性炭管、流量计、特氟隆管、密封板、支架台、茶树、玻璃罩；其中，所述空气泵、活性炭管、流量计和玻璃罩通过特氟隆管依次连接；密封板设置在支架台和玻璃罩之间；茶树的根部在密封板的下方，茶树的枝叶在玻璃罩之内；
电子鼻样品顶空收集装置的工作条件为：通过流量计将空气流量控制在1000ml/min到1400ml/min之间，该装置工作的时间控制在5min-8min之间，使玻璃罩内的气体均为经活性炭管净化后的空气；
该方法具体包括以下步骤：
(1)、将茶树叶片洗净，去除灰尘，并挑选健康无损伤的茶树作为检测对象；选取9组待测茶树样品，每组待测茶树样品中包含n株茶树，其中，n为大于等于10的自然数；对8组待测茶树样品进行不同程度的针刺处理，分别是15针、30针，45针、60针、75针、90针、105针、120针，最后一组健康无损伤的茶树作为对照组；将茶树放入电子鼻样品顶空收集装置中，并且保证电子鼻样品顶空收集装置内茶树的叶片为20-25片，然后在室温下放置30min-40min，使电子鼻样品顶空收集装置内挥发物浓度达到稳定；
(2)、抽取电子鼻样品顶空收集装置内的挥发物，注入电子鼻系统中，设置检测时间为60s-90s、清洗时间为60s-80s和气流速度为200ml/min-400ml/min；电子鼻系统中的传感器与挥发物发生反应，产生响应信号；
(3)、选用各个传感器响应信号的稳定值作为原始数据，使用逐步判别法对传感器组合进行优化；得到优化后的传感器组合后，使用稳定值法、小波分析法和二次项拟合法对传感器响应曲线进行特征提取；
所述稳定值法提取特征是选择每根传感器响应信号稳定值作为特征值；
所述小波分析法提取特征是选择时频窗口小、正交性和规则性好的Coiflet小波coif5作为小波基，根据对比重构效果和原始信号数值误差值变化，选取5层分解尺度，将分解后得到的第5层低频近似系数E5作为特征值；
所述二次项拟合法提取特征是使用二次项y＝At2+Bt+C，其中，y为传感器响应信号值，t为检测时间；通过最小二乘法对响应曲线进行拟合，将拟合后获得的参数A,B,C作为特征值；
(4)、根据上述3种特征提取算法取得的特征值作为原始数据，采用多层感知机神经网络对上述3种特征提取方法获得的特征值进行比较，选取区分正确率最高的特征提取算法，并将该算法得到的特征值作为预测模型的训练值；采用偏最小二乘回归模型建立区分正确率最高的特征提取算法得到的特征值与茶树受机械损伤之间的定量预测模型；
表达式为：Y＝a1×X11+a2×X12+……+an×Xij+b；其中Y为机械损伤程度，n表示提取出来的总特征值的个数，Xij为第i个传感器的第j个特征值，其中i为筛选出来的传感器的序号，j为每个传感器提取出来的特征值个数，系数a1、a2、an、b均为常数；
(5)、按照步骤1和2检测未知机械损伤程度的茶树，取得电子鼻的响应曲线，使用步骤3对电子鼻传感器筛选，并对筛选出来的传感器组合使用步骤4得到的区分正确率最高的特征提取算法获得特征值，最后代入步骤4的定量预测模型中，预测茶树机械损伤程度。
本发明具有的有益效果是：利用电子鼻对茶树所受的不同程度的机械损伤进行预测，通过筛选优化电子鼻传感器阵列以及对比三种特征提取算法，极大简化原始数据，并建立简化后数据与茶树机械损伤程度之间的偏最小二乘回归模型，实现对茶树机械损伤程度的快速、准确的定量预测，为茶树，甚至是植物机械损伤检测及程度预测提供了一种新方法。
附图说明
图1是电子鼻样品顶空收集装置；
图2是电子鼻检测茶树机械损伤时传感器响应信号。
图1中：空气泵1、活性炭管2、流量计3、特氟隆管4、密封板5、支架台6、茶树7、玻璃罩8。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本发明采用一种基于电子鼻的茶树机械损伤程度的预测方法，该方法在如图1所示的电子鼻样品顶空收集装置中实现，该装置包括空气泵1、活性炭管2、流量计3、特氟隆管4、密封板5、支架台6、茶树7、玻璃罩8；其中，所述空气泵1、活性炭管2、流量计3和玻璃罩8通过特氟隆管4依次连接；密封板5设置在支架台6和玻璃罩8之间；茶树7的根部在密封板5的下方，茶树7的枝叶在玻璃罩8之内，茶树7挥发出来的气味填充在玻璃罩8之内，玻璃罩8容积为5L，空气泵1向玻璃罩8内泵空气，使玻璃罩8内填充经活性炭管2净化后的空气。
电子鼻样品顶空收集装置的工作条件为：通过流量计3将空气流量控制在1000ml/min到1400ml/min之间，该装置工作的时间控制在5min-8min之间，使玻璃罩8内的气体均为经活性炭管2净化后的空气。该方法具体步骤包括：
1、将茶树叶片洗净，去除灰尘，并挑选健康无损伤的茶树作为检测对象。选取9组待测茶树样品，每组待测茶树样品中包含n株茶树，其中，n大于等于10的自然数；对8组待测茶树样品进行不同程度的针刺处理，分别是15针、30针，45针、60针、75针、90针、105针、120针，另外选取一组健康无损伤的茶树作为对照组；将茶树放入电子鼻样品顶空收集装置中，并且保证电子鼻样品顶空收集装置内茶树的叶片为20-25片，然后在室温下放置30min-40min，使电子鼻样品顶空收集装置内挥发物浓度达到稳定；
2、对电子鼻样品顶空收集装置内的挥发物使用电子鼻进行检测，抽取电子鼻样品顶空收集装置内的挥发物，注入电子鼻系统中，设置检测时间为60s-90s、清洗时间为60s-80s和气流速度为200ml/min-400ml/min；电子鼻系统中的传感器与挥发物发生反应，产生响应信号，将不同检测时间点获得的响应信号连接起来可得到样本的响应曲线，即电子鼻输出结果；
3、一个电子鼻系统由多根传感器组成，其输出结果便由其响应值组成，选用各个传感器响应信号的稳定值作为原始数据，使用逐步判别法对传感器组合进行优化；得到优化后的传感器组合后，使用稳定值法、小波分析法和二次项拟合法对传感器响应曲线进行特征提取；
所述稳定值法提取特征是选择每根传感器响应信号稳定值作为特征值；
所述小波分析法提取特征是选择时频窗口小、正交性和规则性好的Coiflet小波coif5作为小波基，根据对比重构效果和原始信号数值误差值变化，选取5层分解尺度，将分解后得到的第5层低频近似系数E5作为特征值；
所述二次项拟合法提取特征是使用二次项y＝At2+Bt+C，其中，y为传感器响应信号值，t为检测时间；通过最小二乘法对响应曲线进行拟合，将拟合后获得的参数A,B,C作为特征值；
4、根据上述3种特征提取算法取得的特征值作为原始数据，采用多层感知机神经网络对上述3种特征提取方法获得的特征值进行比较，选取区分正确率最高的特征提取算法，并将该算法得到的特征值作为预测模型的训练值；采用偏最小二乘回归模型建立区分正确率最高的特征提取算法得到的特征值与茶树受机械损伤之间的定量预测模型；
表达式为：Y＝a1×X11+a2×X12+……+an×Xij+b；其中Y为机械损伤程度，n表示提取出来的总特征值的个数，Xij为筛选出来的传感器的特征值，具体表示第i个传感器的第j个特征值，其中i为筛选出来的传感器的序号，j为每个传感器提取出来的特征值个数，若是稳定值法和小波分析法，则j取值为1，若是二项式拟合法，则j取值为1到3，系数a1、a2、an、b均为常数；
5、按照步骤1和2检测未知机械损伤程度的茶树，取得电子鼻的响应曲线，使用步骤3对电子鼻传感器筛选，并对筛选出来的传感器组合使用步骤4得到的区分正确率最高的特征提取算法获得特征值，最后代入步骤4的定量预测模型中，预测茶树机械损伤程度。
实施例：
本发明适用于茶树、番茄、水稻等农作物机械损伤的检测，主要适用于电子鼻检测并对其结果数据处理。以下的实施例便于更好的理解本发明，但并不限定本发明。一种基于电子鼻的茶树机械损伤程度的预测方法，它的步骤如下：
以二年生龙井43茶树作为实验对象，挑选健康无损伤的茶树，并将茶树叶片洗净，去除灰尘，选取4组待测茶树样本组，进行不同程度的针刺处理，作为不同程度机械损伤的指标，分别是30针，60针和90针，另外使用健康无损伤的茶树作为对照组，将茶树放入电子鼻样品顶空收集装置中，并且保证装置内茶树的叶片为20-25片，然后在室温下(25摄氏度)放置40min使该顶空装置内挥发物浓度达到稳定，每个处理组做16次重复；抽取电子鼻样品顶空收集装置内的挥发物，注入电子鼻系统中，对挥发物使用电子鼻进行检测，设置检测时间为70s、清洗时间为60s和气流速度为200ml/min；结束一个样本检测后需对电子鼻传感器进行清洗，然后检测第二个样本。
本案例中应用的是德国AIRSENSE公司的PEN2型电子鼻为检测仪器，该电子鼻系统由10个金属氧化物传感器，其型号与相应特性如表1所示：
表1 PEN2型电子鼻各传感器的响应特征
| 序号 | 名称 | 性能特点 |
| 1 | S1 | 对芳香成分敏感 |
| 2 | S2 | 对氨氧化合物很敏感 |
| 3 | S3 | 对氨水、芳香成分敏感 |
| 4 | S4 | 对氢气有选择性 |
| 5 | S5 | 对烷烃、芳香成分敏感 |
| 6 | S6 | 对甲烷敏感 |
| 7 | S7 | 对硫化物敏感 |
| 8 | S8 | 对乙醇敏感 |
| 9 | S9 | 对芳香成分、有机硫化物敏感 |
| 10 | S10 | 对烷烃敏感 |
获得电子鼻的输出结果后，使用逐步判别法对传感器进行筛选优化，优化后的传感器由四根传感器组成：S4，S7，S8和S9；再以优化后的传感器组合响应值作为原始数据对其进行特征提取。
观测响应曲线，发现均在60秒之后趋于稳定，因此以响应曲线65秒时的数值作为第一种特征提取方法稳定值法的特征值。
小波分析法提取特征值是选择时频窗口小，正交性和规则性好的Coiflet小波coif5作为小波基，根据对比重构效果和原始信号数值误差值变化，选取5层分解尺度，将分解后得到的第5层的低频近似系数E5作为特征值。
二次项拟合法提取特征值是使用二次项y＝At2+Bt+C通过最小二乘法对响应曲线进行拟合，将拟合后获得的参数A,B,C作为特征值。
获得了上述三种方法处理后的特征值后，多层感知器神经网络对其进行比较处理，结果如下表2所示。
表2三种特征提取算法比较
| 训练集 | 测试集 | |
| 稳定值法 | 80.0％ | 85.0％ |
| 小波分析法 | 87.5％ | 70.0％ |
| 二次项拟合法 | 87.5％ | 95.0％ |
由表2可以看出，二次项拟合法提取特征值无论是在训练集的分类正确率还是测试集分类正确率均优于其它两种方法，因此，选用二次项拟合法所提取出来的特征值进行后续回归建模。
以二次项拟合法提取的特征值为自变量，茶树机械损伤程度为因变量进行偏最小二乘回归建模，其相关系数R达到0.90，说明具有较好的预测效果，其表达式为：
Y＝2872233×X41+76219×X42+2560×X43-854958×X71-14593×X72-134×X73+2480560×X81+12714×X82-2119×X83-1304996×X91-9080×X92+1617×X93-11
式中Y为害虫机械损伤程度，Xij代表第i个传感器的第j个参数，如X41代表S4传感器第1个参数。
Claims (1)
1.一种基于电子鼻的茶树机械损伤程度的预测方法，该方法检测过程在电子鼻样品顶空收集装置中实现，该装置包括空气泵(1)、活性炭管(2)、流量计(3)、特氟隆管(4)、密封板(5)、支架台(6)、茶树(7)、玻璃罩(8)；其中，所述空气泵(1)、活性炭管(2)、流量计(3)和玻璃罩(8)通过特氟隆管(4)依次连接；密封板(5)设置在支架台(6)和玻璃罩(8)之间；茶树(7)的根部在密封板(5)的下方，茶树(7)的枝叶在玻璃罩(8)之内；
电子鼻样品顶空收集装置的工作条件为：通过流量计(3)将空气流量控制在1000ml/min到1400ml/min之间，该装置工作的时间控制在5min-8min之间，使玻璃罩(8)内的气体均为经活性炭管(2)净化后的空气；
其特征在于，该方法具体包括以下步骤：
(1)、将茶树叶片洗净，去除灰尘，并挑选健康无损伤的茶树作为检测对象；选取9组待测茶树样品，每组待测茶树样品中包含n株茶树，其中，n为大于等于10的自然数；对8组待测茶树样品进行不同程度的针刺处理，分别是15针、30针，45针、60针、75针、90针、105针、120针，最后一组健康无损伤的茶树作为对照组；将茶树放入电子鼻样品顶空收集装置中，并且保证电子鼻样品顶空收集装置内茶树的叶片为20-25片，然后在室温下放置30min-40min，使电子鼻样品顶空收集装置内挥发物浓度达到稳定；
(2)、抽取电子鼻样品顶空收集装置内的挥发物，注入电子鼻系统中，设置检测时间为60s-90s、清洗时间为60s-80s和气流速度为200ml/min-400ml/min；电子鼻系统中的传感器与挥发物发生反应，产生响应信号；
(3)、选用各个传感器响应信号的稳定值作为原始数据，使用逐步判别法对传感器组合进行优化；得到优化后的传感器组合后，使用稳定值法、小波分析法和二次项拟合法对传感器响应曲线进行特征提取；
所述稳定值法提取特征是选择每根传感器响应信号稳定值作为特征值；
所述小波分析法提取特征是选择时频窗口小、正交性和规则性好的Coiflet小波coif5作为小波基，根据对比重构效果和原始信号数值误差值变化，选取5层分解尺度，将分解后得到的第5层低频近似系数E5作为特征值；
所述二次项拟合法提取特征是使用二次项y＝At2+Bt+C，其中，y为传感器响应信号值，t为检测时间；通过最小二乘法对响应曲线进行拟合，将拟合后获得的参数A,B,C作为特征值；
(4)、根据上述3种特征提取算法取得的特征值作为原始数据，采用多层感知机神经网络对上述3种特征提取方法获得的特征值进行比较，选取区分正确率最高的特征提取算法，并将该算法得到的特征值作为预测模型的训练值；采用偏最小二乘回归模型建立区分正确率最高的特征提取算法得到的特征值与茶树受机械损伤之间的定量预测模型；
表达式为：Y＝a1×X11+a2×X12+……+an×Xij+b；其中Y为机械损伤程度，n表示提取出来的总特征值的个数，Xij为第i个传感器的第j个特征值，其中i为筛选出来的传感器的序号，j为每个传感器提取出来的特征值个数，系数a1、a2、an、b均为常数；
(5)、按照步骤1和2检测未知机械损伤程度的茶树，取得电子鼻的响应曲线，使用步骤3对电子鼻传感器筛选，并对筛选出来的传感器组合使用步骤4得到的区分正确率最高的特征提取算法获得特征值，最后代入步骤4的定量预测模型中，预测茶树机械损伤程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610016439.2A CN105628878B (zh) | 2016-01-11 | 2016-01-11 | 一种基于电子鼻的茶树机械损伤程度的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610016439.2A CN105628878B (zh) | 2016-01-11 | 2016-01-11 | 一种基于电子鼻的茶树机械损伤程度的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105628878A CN105628878A (zh) | 2016-06-01 |
| CN105628878B true CN105628878B (zh) | 2017-08-04 |
Family
ID=56044012
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610016439.2A Expired - Fee Related CN105628878B (zh) | 2016-01-11 | 2016-01-11 | 一种基于电子鼻的茶树机械损伤程度的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105628878B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109632001B (zh) * | 2018-12-29 | 2020-05-12 | 浙江大学 | 一种物流运输过程中草莓机械伤害的监测方法 |
| CN112006120B (zh) * | 2020-08-27 | 2022-05-31 | 江南大学 | 基于气味及3d结构光的茶叶锅式杀青系统 |
-
2016
- 2016-01-11 CN CN201610016439.2A patent/CN105628878B/zh not_active Expired - Fee Related
Non-Patent Citations (2)
| Title |
|---|
| 基于电子鼻信号判别番茄苗机械损伤程度;程绍明 等;《农业工程学报》;20120831;第28卷(第15期);第102-103页第1.2、1.3、1.4节，图1 * |
| 电子鼻对草莓采后贮藏早期霉菌感染的检测;朱娜 等;《农业工程学报》;20130331;第29卷(第5期);第267页第1.3.1节，第268-270页第2.4.1节、2.4.3节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105628878A (zh) | 2016-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ahmadi et al. | Early detection of Ganoderma basal stem rot of oil palms using artificial neural network spectral analysis | |
| Halperin et al. | High‐throughput physiological phenotyping and screening system for the characterization of plant–environment interactions | |
| CN105572305B (zh) | 一种基于电子鼻的快速预测茶树受害虫入侵程度的方法 | |
| Lynch et al. | New roots for agriculture: exploiting the root phenome | |
| Ackerly et al. | Leaf size, sapling allometry, and Corner's rules: phylogeny and correlated evolution in maples (Acer) | |
| Rojas-Aréchiga et al. | Seed size and photoblastism in species belonging to tribe Cacteae (Cactaceae) | |
| CN102279213B (zh) | 一种利用挥发物快速诊断农作物病害的方法 | |
| CN102353701B (zh) | 一种利用挥发物的农作物虫害诊断方法 | |
| Kızıl et al. | Lettuce (Lactuca sativa L.) yield prediction under water stress using artificial neural network (ANN) model and vegetation indices. | |
| CN105181678B (zh) | 基于激光诱导击穿光谱的水稻品种鉴别方法 | |
| CN102654495B (zh) | 一种番荔枝成熟度的电子鼻检测方法 | |
| CN104849321B (zh) | 一种基于嗅觉指纹图谱快速检测柑橘品质的方法 | |
| CN102692488A (zh) | 基于电子鼻技术的金华火腿分级与鉴别方法 | |
| CN105628878B (zh) | 一种基于电子鼻的茶树机械损伤程度的预测方法 | |
| Ahmad et al. | Morphological and physiological criteria for drought tolerance at seedling stage in wheat. | |
| Žibrat et al. | Pipeline for imaging, extraction, pre-processing, and processing of time-series hyperspectral data for discriminating drought stress origin in tomatoes | |
| Gray et al. | Does geographic origin dictate ecological strategies in Acacia senegal (L.) Willd.? Evidence from carbon and nitrogen stable isotopes | |
| Gholizadeh et al. | Modeling the final fruit yield of coriander (Coriandrum sativum L.) using multiple linear regression and artificial neural network models | |
| CN105548490B (zh) | 一种基于电子鼻的快速预测茶树受害虫取食时间的方法 | |
| CN102944584A (zh) | 一种气味传感器对草莓常见病害早期检测的方法 | |
| CN105866223B (zh) | 一种基于电子舌检测信息的武夷岩茶滋味等级判别方法 | |
| Diniz et al. | Phylogenetic signatures in reflected foliar spectra of regenerating plants in Neotropical forest gaps | |
| CN109632892A (zh) | 基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用 | |
| Faccion et al. | Intra-and interspecific variations on plant functional traits along a successional gradient in a Brazilian tropical dry forest | |
| Rezende et al. | Establishment of specific DRIS standards for mango cultivars Tommy Atkins, Kent and Keitt compared to generic standards in the Sub-Middle São Francisco Valley |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170804 |