CN114577854A - 一种基于电子鼻的柑橘黄龙病检测方法 - Google Patents
一种基于电子鼻的柑橘黄龙病检测方法 Download PDFInfo
- Publication number
- CN114577854A CN114577854A CN202210182287.9A CN202210182287A CN114577854A CN 114577854 A CN114577854 A CN 114577854A CN 202210182287 A CN202210182287 A CN 202210182287A CN 114577854 A CN114577854 A CN 114577854A
- Authority
- CN
- China
- Prior art keywords
- electronic nose
- citrus
- gas
- huanglongbing
- sample
- 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.)
- Pending
Links
- 241000207199 Citrus Species 0.000 title claims abstract description 54
- 235000020971 citrus fruits Nutrition 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 241001478315 Candidatus Liberibacter asiaticus Species 0.000 title claims abstract description 17
- 201000010099 disease Diseases 0.000 claims abstract description 64
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000003909 pattern recognition Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 230000004044 response Effects 0.000 claims abstract description 16
- 238000007789 sealing Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 14
- 239000003755 preservative agent Substances 0.000 claims description 7
- 230000002335 preservative effect Effects 0.000 claims description 7
- 238000010790 dilution Methods 0.000 claims description 3
- 239000012895 dilution Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 210000001331 nose Anatomy 0.000 claims 16
- 206010048259 Zinc deficiency Diseases 0.000 abstract description 26
- 239000007789 gas Substances 0.000 description 72
- 238000005457 optimization Methods 0.000 description 8
- 241000196324 Embryophyta Species 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 208000024891 symptom Diseases 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 241001466030 Psylloidea Species 0.000 description 4
- 125000003118 aryl group Chemical group 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000012855 volatile organic compound Substances 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 2
- 150000001335 aliphatic alkanes Chemical class 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- LLLILZLFKGJCCV-UHFFFAOYSA-M n-methyl-n-[(1-methylpyridin-1-ium-4-yl)methylideneamino]aniline;methyl sulfate Chemical compound COS([O-])(=O)=O.C=1C=CC=CC=1N(C)\N=C\C1=CC=[N+](C)C=C1 LLLILZLFKGJCCV-UHFFFAOYSA-M 0.000 description 2
- 238000003752 polymerase chain reaction Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 150000003568 thioethers Chemical class 0.000 description 2
- 229910052725 zinc Inorganic materials 0.000 description 2
- 239000011701 zinc Substances 0.000 description 2
- 101001051799 Aedes aegypti Molybdenum cofactor sulfurase 3 Proteins 0.000 description 1
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- 101100054292 Arabidopsis thaliana ABCG36 gene Proteins 0.000 description 1
- 101100351526 Arabidopsis thaliana PEN3 gene Proteins 0.000 description 1
- 235000009103 Canarium album Nutrition 0.000 description 1
- 244000012254 Canarium album Species 0.000 description 1
- 241000222120 Candida <Saccharomycetales> Species 0.000 description 1
- 240000002319 Citrus sinensis Species 0.000 description 1
- 235000005976 Citrus sinensis Nutrition 0.000 description 1
- 241000675108 Citrus tangerina Species 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 101710116852 Molybdenum cofactor sulfurase 1 Proteins 0.000 description 1
- 101710116850 Molybdenum cofactor sulfurase 2 Proteins 0.000 description 1
- 240000001260 Tropaeolum majus Species 0.000 description 1
- 235000004424 Tropaeolum majus Nutrition 0.000 description 1
- 235000011114 ammonium hydroxide Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Electrochemistry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供了一种基于电子鼻的柑橘黄龙病检测方法，包括：通过集气装置收集不同病害种类柑橘叶片顶空挥发物；清洗电子鼻密封腔室；采集集气装置中的顶空挥发物，并将顶空挥发物注入至电子鼻中；使用极值法对电子鼻中各个传感器的响应曲线进行特征提取；将提取的特征作为原始数据，选用线性判别分析算法建立模式识别模型；步骤六：重复前四个步骤提取待测样本的特征数据，将待测样本的特征输入步骤五建立的模式识别模型，预测柑橘叶片是否感染黄龙病。本发明解决了目前黄龙病检测领域缺锌和缺锌型黄龙病无法准确检测的难题，实现了使用电子鼻对柑橘不同胁迫(黄龙病、缺锌、缺锌型黄龙病)的准确区分，具有实际应用价值。
Description
技术领域
本发明涉及植物病害的检测领域，尤其涉及一种基于电子鼻的柑橘黄龙病检测方法。
背景技术
柑橘黄龙病因其传染性强、破坏力大，对柑橘生产具有毁灭性打击。柑橘植株在感染黄龙病后，会产生特异性的挥发性有机化合物，吸引木虱吸食，再经由木虱传播至整片果园，传染性极强。该病害使柑橘植株表现出叶片斑驳、树势衰弱、红鼻子果或青果不转色等，植株一旦感染黄龙病，轻者严重影响果实品质，失去食用价值，重者造成柑橘植株死亡。在我国，黄龙病几乎遍布整个柑橘产区，严重制约我国柑橘产业的发展。到目前为止，尚未有有效的治疗手段。
为最大限度降低黄龙病对柑橘产业带来的影响，目前针对柑橘黄龙病采取以防为主的控制策略，即通过各种检测手段对柑橘植株进行早期筛查，在发现染病植株后立即清除。由于柑橘黄龙病的强传染性，所以尽早发现病株并及时清除，可以减少损失，抑制黄龙病的传播，对提高柑橘品质、增加柑橘产量具有重要意义。目前最可靠的黄龙病检测方法是PCR检测法，该方法能定量检测与柑橘黄龙病相关的念珠菌种，对黄龙病检测最为有效，但该方法需在实验室完成，价格昂贵、周期长、操作繁琐，难以在实际生产中应用。由于柑橘黄龙病会存在几个月至几年不等的潜伏期，潜伏期内叶片无任何症状，所以其他如肉眼观察法、基于图谱技术的检测方法等依赖于叶片典型症状的检测方法均无法达到较好的检测效果。
因此，急需一种不依赖于叶片症状、操作简便的柑橘黄龙病检测方法。
发明内容
针对现有技术中存在不足，本发明提供了一种基于电子鼻的柑橘黄龙病检测方法，实现了使用电子鼻对柑橘不同胁迫(黄龙病、缺锌、缺锌型黄龙病)的准确区分。
本发明是通过以下技术手段实现上述技术目的的。
一种基于电子鼻的柑橘黄龙病检测方法，包括：
步骤一：利用集气装置收集不同病害种类柑橘叶片顶空挥发物；
步骤二：清洗电子鼻密封腔室；
步骤三：采集集气装置中的顶空挥发物，并将顶空挥发物注入至电子鼻中；
步骤四：对电子鼻中各个传感器的响应曲线进行特征提取；
步骤五：根据步骤四提取的特征数据作为原始数据，选用合适的模式识别算法建立模式识别模型；
步骤六：重复步骤一至步骤四提取待测样本的特征数据，将待测样本的特征数据输入步骤五建立的模式识别模型，预测柑橘叶片是否感染黄龙病。
进一步地，所述集气装置包括固定容积的烧杯和密封保鲜膜。
进一步地，所述步骤一具体为：将所述烧杯置于恒温环境，将洗净后的固定质量的待测样本剪成大小为5mm×5mm大小的正方形置于所述烧杯中，使用所述密封保鲜膜密封集气。
进一步地，所述步骤一种的集气温度为40℃，集气时间为20min，样本量为0.2g，集气空间为200ml。
进一步地，所述步骤二具体为：通过电子鼻系统内的气体过滤器和空气泵向电子鼻系统内泵入新鲜空气，并通过流量计监控泵入电子鼻系统内的气体的流速，空气流量为600ml/min，清洗时间为180s。
进一步地，所述步骤三中，将顶空挥发物注入至电子鼻的过程中，空气流量为300ml/min，采集时间为300s，采样频率为1个/s，腔内气体稀释速率为7.7ml/min。
进一步地，所述步骤四中采用极值法对电子鼻中各个传感器的响应曲线进行特征提取。
进一步地，所述步骤五中，采用线性判别分析(LDA)算法建立模式识别模型。
本发明的有益效果：
本发明利用柑橘黄龙病侵染会导致植株产生特异性挥发性有机化合物吸引木虱吸食这一特点，提出基于电子鼻的柑橘黄龙病检测方法，通过优化集气过程参数、优化特征提取方式及模式识别算法，实现柑橘黄龙病的检测，解决了目前黄龙病检测领域缺锌和缺锌型黄龙病无法准确检测的难题，实现了使用电子鼻对柑橘不同胁迫(黄龙病、缺锌、缺锌型黄龙病)的准确区分，具有实际应用价值。
附图说明
图1为本发明实施例的一种基于电子鼻的柑橘黄龙病检测方法的流程示意图；
图2为本发明实施例的原始电子鼻响应信号；
图3为本发明实施例的最佳集气过程参数确定实验的结果图：(a)集气温度参数优化结果图、(b)集气时间参数优化结果图、(c)样本量参数优化结果图、(d)集气空间参数优化结果图；
图4为本发明实施例的最终分类效果图。
附图标记：
1.烧杯，2.待测样本，3.密封保鲜膜，4.电子鼻系统，5.气体过滤器，6.空气泵，7.流量计，8.传感器。
具体实施方式
为了使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受于下面公开的具体实施的限制。
实施例1
本发明所有实施例的叶片样本均于2021年11月在江西省赣州市柑桔科学研究所获取，样本种类为赣南脐橙，样本类型包括健康样本、黄龙病样本、缺锌样本和缺锌型黄龙病样本，本实施例叶片样本数量及种类为：健康40个、黄龙病40个、缺锌40个和缺锌型黄龙病16个，所有样本均经过专业人士鉴定。
本实施例中应用的是德国AIRSENSE公司的PEN3型电子鼻为检测仪器，该电子鼻系统4包含10个金属氧化物传感器，其型号与对应的特性如表1所示：
| 序号 | 传感器型号 | 传感器特性 |
| MOS 1 | W1C | 对芳香成分敏感 |
| MOS 2 | W5S | 对氮氧化合物敏感 |
| MOS 3 | W3C | 对氨水、芳香成分敏感 |
| MOS 4 | W6S | 对氢气有选择性 |
| MOS 5 | W5S | 对烷烃、芳香成分敏感 |
| MOS 6 | W1S | 对甲烷敏感 |
| MOS 7 | W1W | 对硫化物敏感 |
| MOS 8 | W2S | 对乙醇敏感 |
| MOS 9 | W2W | 对芳香成分、有机硫化物敏感 |
| MOS 10 | W3S | 对烷烃敏感 |
下面结合附图具体描述根据本发明实施例的一种基于电子鼻的柑橘黄龙病检测方法，包括以下步骤：
步骤一：利用集气装置收集不同病害种类柑橘叶片顶空挥发物；
本实施例中的集气装置由固定容积的烧杯1和密封保鲜膜3组成，首先将固定容积的烧杯1置于恒温环境，然后将洗净后的固定质量的待测样本2剪成大小为5mm×5mm大小的正方形置于固定容积的烧杯1中，使用密封保鲜膜3密封集气。集气过程选择较优的集气温度、较优的集气时间、较优的样本量和较优的集气空间进行集气操作；集气温度是集气过程中烧杯1所处的环境温度；集气时间是集气过程中待测样本2被置于烧杯1中至被注入电子鼻系统4的时间；样本量是集气过程中待测样本2的质量；集气空间是用于集气的烧杯1的容积；本实施例中的集气过程参数为：集气温度：40℃、集气时间：20min、样本量：0.2g和集气空间：200ml。
步骤二：清洗电子鼻密封腔室，具体如下：
通过电子鼻内的气体过滤器5和空气泵6泵入新鲜空气，通过流量计7监控泵入电子鼻系统4内的气体的流速，清洗过程工作条件为：空气流量：600ml/min、清洗时间：180s。
步骤三：采集集气装置中的顶空挥发物，并将顶空挥发物注入至电子鼻中，具体如下：
通过气体过滤器5和空气泵6向烧杯1中泵入新鲜空气，烧杯1中富集的顶空挥发物被洁净空气挤压至电子鼻系统4内，通过流量计7监控泵入电子鼻系统4内的气体的流速，采集过程工作条件为：空气流量：300ml/min、采集时间：300s、采样频率：1个/s、腔内气体稀释速率：7.7ml/min；电子鼻系统4中的传感器8与挥发物发生反应，产生响应信号如图2所示。
步骤四：选用极值法对电子鼻中各个传感器的响应曲线进行特征提取；
极值法提取特征是选择电子鼻内的每个传感器响应值的极大值或极小值作为特征值。
步骤五：根据步骤四提取的特征数据作为原始数据，采用线性判别分析(LDA)算法建立模式识别模型；
步骤六：重复步骤一、步骤二、步骤三、步骤四提取待测样本的特征数据，将待测样本的特征输入步骤五建立的模式识别模型，预测柑橘叶片是否感染黄龙病。
线性判别分析结果图如图4所示，混淆矩阵如表2所示，模型的总体准确率为98.75％；如表3所示，本发明实施例的一种基于电子鼻的柑橘黄龙病检测方法对于缺锌和缺锌型黄龙病的区分，获得了97.50％的总体准确率，是该领域的一项重大突破；本发明的目标是实现各种类黄龙病的准确检测，因此将黄龙病和缺锌型黄龙病归为黄龙病一类，将健康和缺锌归为非黄龙病一类，对数据进行统计，针对黄龙病感染状态的混淆矩阵如表4所示，实验结果表明采用本发明的方法针对多种类黄龙病可获得98.75％的识别准确率。
表2针对所有类别样本的混淆矩阵
表3针对缺锌和缺锌型黄龙病的混淆矩阵
表4针对黄龙病感染状态的混淆矩阵
实验案例1
为了确定最佳的特征提取方式和模式识别算法的组合，实施了如下实验案例1。
本实验案例1叶片样本数量及种类为：健康25个、黄龙病25个，均于2021年11月采自江西省赣州市柑桔科学研究所。
本实验案例1具体如下：
步骤S1：同实施例1步骤一；
步骤S2：同实施例1步骤二；
步骤S3：分别对步骤S2获得的响应信号选用稳定值法、极值法、平均值法、二次项分段拟合法对电子鼻各个传感器响应曲线进行特征提取；
稳定值法提取特征是选择电子鼻内的每个传感器响应值的最后一秒稳定值作为特征值；
极值法提取特征是选择电子鼻内的每个传感器响应值的极大值或极小值作为特征值；
平均值法提取特征是选择电子鼻内的每个传感器响应值的平均值作为特征值；
二次项分段拟合法使用公式(1)和(2)进行提取特征，公式如下：
Y1＝A1x2+B1x+C1(0≤x≤T1) (1)
Y2＝A2x2+B2x+C2(T1＜x≤300) (2)
其中，Y1和Y2为传感器响应值，x为检测时间，T1为极值坐标；将电子鼻内的每个传感器的响应曲线根据极值点进行分段，分别进行二次项拟合，提取拟合函数参数A1,A2,B1,B2,C1,C2作为特征值；
步骤S4：根据步骤S3取得的特征值作为原始数据，分别采用支持向量机(SVM)、随机森林算法(RF)、逻辑回归分类器(LR)、线性判别分析(LDA)、CART决策树算法5种模式识别算法对上述数据进行分类识别，以区分效果为依据选择最佳的特征值和模式识别算法组合；
不同模式识别算法对于4种特征提取方式的分类效果如表5所示，按照特征提取方式对数据进行统计，将同一特征提取方式下的5种模式识别算法获得的准确率取平均值，结果如表6所示，确定最佳的特征值提取方法为：极值法。
按照模式识别算法对数据进行统计，将同一模式识别算法下的4种特征提取方式获得的准确率取平均值，结果如表7所示，最佳的模式识别算法为：线性判别分析(LDA)。
表5不同模式识别算法对于4种特征提取方式的分类效果
表6不同特征提取方式的分类准确率
表7不同模式识别算法的分类准确率
实验案例2
为了确定最佳集气过程参数，包括集气温度、集气时间、样本量和集气空间，实施了如下实验案例2。
本实验案例2叶片样本数量及种类为：健康72个、黄龙病72个，均于2021年11月采自江西省赣州市柑桔科学研究所；
本实验案例2具体如下：
步骤A1：通过集气装置收集不同病害种类柑橘叶片顶空挥发物，具体为：
(1)集气温度参数优化
将200ml烧杯1置于恒温箱中，调节恒温箱温度，根据集气温度分成3组：20℃、40℃和60℃，每组实验6个样本，取健康和黄龙病叶片样本，每个烧杯1中放0.2g样本，密封集气10min后进行电子鼻检测。对以上6组共36个样本根据集气温度和样本类别进行编号：20℃-Health、20℃-HLB、40℃-Health、40℃-HLB、60℃-Health、60℃-HLB。
(2)集气时间参数优化
将200ml烧杯1置于恒温箱中，恒温箱设置为上述(1)中确定的较优的集气温度，根据集气时间分成3组：10min、20min和30min，每组实验6个样本，取健康和黄龙病叶片样本，每个烧杯中放0.2g样本，密封集气达到实验设置的时间后进行电子鼻检测。对以上6组共36个样本根据集气时间和样本类别进行编号：10min-Health、10min-HLB、20min-Health、20min-HLB、30min-Health、30min-HLB。
(3)样本量参数优化
将200ml烧杯1置于恒温箱中，恒温箱设置为上述(1)中确定的较优的集气温度，根据样本量分成3组：0.1g、0.2g和0.3g，每组实验6个样本，取健康和黄龙病叶片样本，每个烧杯中放入实验设置的量的样本，密封集气达到上述(2)中确定的较优的集气时间后进行电子鼻检测。对以上6组共36个样本根据样本量和样本类别进行编号：0.1g-Health、0.1g-HLB、0.2g-Health、0.2g-HLB、0.3g-Health、0.3g-HLB。
(4)集气空间参数优化
根据集气空间分为3组：100ml、200ml和300ml，每组实验6个样本，实验设置的固定容积的烧杯置于恒温箱中，恒温箱设置为上述(1)中确定的较优的集气温度，取健康和黄龙病叶片样本，每个烧杯中放入上述(3)中确定的较优的样本量的样本，密封集气达到上述(2)中确定的较优的集气时间后进行电子鼻检测。对以上6组共36个样本根据集气空间和样本类别进行编号：100ml-Health、100ml-HLB、200ml-Health、200ml-HLB、300ml-Health、300ml-HLB。
步骤A2：同实施例1步骤二；
步骤A3：同实施例1步骤三；
步骤A4：同实施例1步骤四；
步骤A5：同实施例1步骤五。
实验结果如图3所示，确定最佳的集气过程参数为：集气温度：40℃、集气时间：20min、样本量：0.2g和集气空间：200ml。
与现有技术相比，本发明利用柑橘黄龙病侵染会导致植株产生特异性挥发性有机化合物吸引木虱吸食这一特点，提出基于电子鼻的柑橘黄龙病检测方法，通过实验，确定了最佳的集气过程参数，包括：集气温度、集气时间、样本量和集气空间；通过支持向量机(SVM)、随机森林算法(RF)、逻辑回归分类器(LR)、线性判别分析(LDA)、CART决策树算法5种模式识别算法比较了稳定值法、极值法、平均值法、二次项分段拟合法4种特征提取方法的分类效果，确定了最优的特征提取方法和模式识别算法的组合，并以此建立了最佳的模式识别模型。在实际应用中，黄龙病后期会导致植株缺锌(缺锌型黄龙病)，缺锌症状往往伴随黄龙病症状出现，且极易与缺锌症状混杂造成误判，本发明提出的方法解决了目前黄龙病检测领域缺锌和缺锌型黄龙病无法准确检测的难题，实现了使用电子鼻对柑橘不同胁迫(黄龙病、缺锌、缺锌型黄龙病)的准确区分，具有实际应用价值。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于电子鼻的柑橘黄龙病检测方法，其特征在于，包括：
步骤一：利用集气装置收集不同病害种类柑橘叶片顶空挥发物；
步骤二：清洗电子鼻密封腔室；
步骤三：采集集气装置中的顶空挥发物，并将顶空挥发物注入至电子鼻中；
步骤四：对电子鼻中各个传感器的响应曲线进行特征提取；
步骤五：根据步骤四提取的特征数据作为原始数据，选用合适的模式识别算法建立模式识别模型；
步骤六：重复步骤一至步骤四提取待测样本的特征数据，将待测样本的特征数据输入步骤五建立的模式识别模型，预测柑橘叶片是否感染黄龙病。
2.根据权利要求1所述的基于电子鼻的柑橘黄龙病检测方法，其特征在于，所述集气装置包括固定容积的烧杯和密封保鲜膜。
3.根据权利要求2所述的基于电子鼻的柑橘黄龙病检测方法，其特征在于，所述步骤一具体为：将所述烧杯置于恒温环境，将洗净后的固定质量的待测样本剪成大小为5mm×5mm大小的正方形置于所述烧杯中，使用所述密封保鲜膜密封集气。
4.根据权利要求1所述的基于电子鼻的柑橘黄龙病检测方法，其特征在于，所述步骤一种的集气温度为40℃，集气时间为20min，样本量为0.2g，集气空间为200ml。
5.根据权利要求1所述的基于电子鼻的柑橘黄龙病检测方法，其特征在于，所述步骤二具体为：通过电子鼻系统内的气体过滤器和空气泵向电子鼻系统内泵入新鲜空气，并通过流量计监控泵入电子鼻系统内的气体的流速，空气流量为600ml/min，清洗时间为180s。
6.根据权利要求1所述的基于电子鼻的柑橘黄龙病检测方法，其特征在于，所述步骤三中，将顶空挥发物注入至电子鼻的过程中，空气流量为300ml/min，采集时间为300s，采样频率为1个/s，腔内气体稀释速率为7.7ml/min。
7.根据权利要求1所述的基于电子鼻的柑橘黄龙病检测方法，其特征在于，所述步骤四中采用极值法对电子鼻中各个传感器的响应曲线进行特征提取。
8.根据权利要求1所述的基于电子鼻的柑橘黄龙病检测方法，其特征在于，所述步骤五中，采用线性判别分析算法建立模式识别模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210182287.9A CN114577854A (zh) | 2022-02-25 | 2022-02-25 | 一种基于电子鼻的柑橘黄龙病检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210182287.9A CN114577854A (zh) | 2022-02-25 | 2022-02-25 | 一种基于电子鼻的柑橘黄龙病检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114577854A true CN114577854A (zh) | 2022-06-03 |
Family
ID=81770397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210182287.9A Pending CN114577854A (zh) | 2022-02-25 | 2022-02-25 | 一种基于电子鼻的柑橘黄龙病检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114577854A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115453045A (zh) * | 2022-07-29 | 2022-12-09 | 华南农业大学 | 一种菠萝黑心病无损检测模型及无损检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102279213A (zh) * | 2011-07-20 | 2011-12-14 | 浙江大学 | 一种利用挥发物快速诊断农作物病害的方法 |
| CN102353701A (zh) * | 2011-07-20 | 2012-02-15 | 浙江大学 | 一种利用挥发物的农作物虫害诊断方法 |
| CN102914564A (zh) * | 2012-08-27 | 2013-02-06 | 南京理工大学常熟研究院有限公司 | 一种水稻稻粒黑粉病菌检测方法 |
| CN104237318A (zh) * | 2014-09-18 | 2014-12-24 | 吉林大学 | 一种利用电子鼻检测根茎类植物根部病虫害的方法 |
| CN104849321A (zh) * | 2015-05-06 | 2015-08-19 | 浙江大学 | 一种基于嗅觉指纹图谱快速检测柑橘品质的方法 |
| CN105044161A (zh) * | 2015-07-03 | 2015-11-11 | 宁波大学 | 利用电子鼻鉴别泥蚶中呋喃西林与呋喃唑酮的方法 |
| CN109632892A (zh) * | 2019-01-11 | 2019-04-16 | 浙江大学 | 基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用 |
| CN110244003A (zh) * | 2019-06-17 | 2019-09-17 | 宁夏职业技术学院（宁夏广播电视大学） | 一种利用电子鼻判别秦艽等级的方法 |
-
2022
- 2022-02-25 CN CN202210182287.9A patent/CN114577854A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102279213A (zh) * | 2011-07-20 | 2011-12-14 | 浙江大学 | 一种利用挥发物快速诊断农作物病害的方法 |
| CN102353701A (zh) * | 2011-07-20 | 2012-02-15 | 浙江大学 | 一种利用挥发物的农作物虫害诊断方法 |
| CN102914564A (zh) * | 2012-08-27 | 2013-02-06 | 南京理工大学常熟研究院有限公司 | 一种水稻稻粒黑粉病菌检测方法 |
| CN104237318A (zh) * | 2014-09-18 | 2014-12-24 | 吉林大学 | 一种利用电子鼻检测根茎类植物根部病虫害的方法 |
| CN104849321A (zh) * | 2015-05-06 | 2015-08-19 | 浙江大学 | 一种基于嗅觉指纹图谱快速检测柑橘品质的方法 |
| CN105044161A (zh) * | 2015-07-03 | 2015-11-11 | 宁波大学 | 利用电子鼻鉴别泥蚶中呋喃西林与呋喃唑酮的方法 |
| CN109632892A (zh) * | 2019-01-11 | 2019-04-16 | 浙江大学 | 基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用 |
| CN110244003A (zh) * | 2019-06-17 | 2019-09-17 | 宁夏职业技术学院（宁夏广播电视大学） | 一种利用电子鼻判别秦艽等级的方法 |
Non-Patent Citations (6)
| Title |
|---|
| 代雨婷 等: "电子鼻技术在棉花早期棉铃虫虫害检测中的应用", 农业工程学报, vol. 36, no. 3, 8 February 2020 (2020-02-08), pages 313 - 320 * |
| 朱娜 等: "电子鼻对草莓采后贮藏早期霉菌感染的检测", 农业工程学报, vol. 29, no. 5, 1 March 2013 (2013-03-01), pages 266 - 273 * |
| 杨玉枝 等: "健康和感染黄龙病沙糖桔嫩梢挥发性成分的分析", 环境昆虫学报, vol. 37, no. 2, 25 March 2015 (2015-03-25), pages 328 - 333 * |
| 程绍明 等: ""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》, vol. 27, no. 1, 15 January 2014 (2014-01-15), pages 1 - 5 * |
| 程绍明 等: "基于电子鼻技术的番茄苗早疫病病害快速检测研究", 科技通报, vol. 29, no. 7, 15 July 2013 (2013-07-15), pages 68 - 77 * |
| 蒋雪松 等: "电子鼻在食品微生物污染快速检测中的应用", 食品工业科技, vol. 38, no. 6, 15 March 2017 (2017-03-15), pages 376 - 380 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115453045A (zh) * | 2022-07-29 | 2022-12-09 | 华南农业大学 | 一种菠萝黑心病无损检测模型及无损检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104849321B (zh) | 一种基于嗅觉指纹图谱快速检测柑橘品质的方法 | |
| CN102879436A (zh) | 一种利用电子鼻检测河鲫鱼新鲜度的方法 | |
| CN102879432A (zh) | 一种利用电子鼻检测罗非鱼新鲜度的方法 | |
| US12050179B2 (en) | Method for extracting raman characteristic peaks employing improved principal component analysis | |
| CN108195895B (zh) | 基于电子鼻和分光测色仪的茶树叶片氮含量快速检测方法 | |
| CN103389323B (zh) | 一种快速无损评定名贵药材年限的方法 | |
| CN105223240A (zh) | 一种利用电子鼻检测蟹新鲜度的方法 | |
| CN110646500B (zh) | 一种吐鲁番葡萄干原产地溯源体系 | |
| CN103674638A (zh) | 一种利用味觉指纹图谱快速鉴别宁夏枸杞生产年份的方法 | |
| EP1008952A2 (en) | System and method for identifying the geographic origin of a fresh commodity | |
| CN112525869A (zh) | 一种农药残留的分段式检测方法 | |
| CN114577854A (zh) | 一种基于电子鼻的柑橘黄龙病检测方法 | |
| CN105738581B (zh) | 一种基于电子鼻的不同新鲜度山核桃的快速鉴别方法 | |
| CN111024802B (zh) | 基于铅Pb稳定同位素的刺参产地溯源模型构建及鉴别方法 | |
| CN116611000A (zh) | 基于机器学习的大闸蟹养殖环境智能监测系统 | |
| CN103743705A (zh) | 一种假高粱及其近似物种的快速检测方法 | |
| CN103512921A (zh) | 一种基于智能电子鼻系统的梨新鲜度分析装置及方法 | |
| Chen et al. | Quality detection and variety classification of pecan seeds using hyperspectral imaging technology combined with machine learning | |
| CN104914225A (zh) | 一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法 | |
| US7130834B2 (en) | Identification system and method for determining the geographic origin of a fresh commodity | |
| CN102914564A (zh) | 一种水稻稻粒黑粉病菌检测方法 | |
| CN104897738A (zh) | 一种基于嗅觉指纹信息快速检测超高压果汁品质的方法 | |
| CN102282932A (zh) | 一种蔬菜种子发芽率快速检测的方法 | |
| CN113313150A (zh) | 一种基于pca及随机森林的电子舌检测方法及系统 | |
| Anticuando et al. | Electronic Nose and Deep Learning Approach in Identifying Ripe Lycopersicum esculentum L. TomatoFruit |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |