番茄种子中发芽率检测检测方案(感官智能分析)

第27卷 第12期2011年 12月农业工程学报Transactions of the CSAEVo1.2727No.12Dec. 2011132 第12期程绍明等：基于电子鼻的番茄种子发芽率检测133 基于电子鼻的番茄种子发芽率检测 程绍明1，王俊1*，，马杨珲²，王永维，，韦真博 (1浙江大学生物系统工程与食品科学学院，杭州310058；；2浙江科技学院信息学院，杭州310023) 摘 要：防止种子掺假、以次充好，为快速无损检测高发芽率的种子，该文将不发芽的浙杂809番茄种子以不同比例掺入到发芽率为92.6%的番茄种子中，得到种子的发芽率分别为90%， 80%， 70%，60%，50%和0等6种比例，并利用电子鼻对其进行分析。结果表明：利用电子鼻可以很好的区分出番茄种子发芽率为90%、80%、50%~70%、和不发芽的4种情况；当种子发芽率为70%、60%、50%时， 其图形信息部分重叠，利用电子鼻较难区分开。在主成分分析和线性判别分析的基础上，利用 BP神经网络和支持向量机对上述情况进行分类识别，结果表明：两种识别模式的训练集的正确率分别为 93.6%和97.4%，预测集的正确率分别为65.2%和72.7%，相对于BP 神经网络模式识别，支持向量机预测系统的误差较小，具有很好的预测性能。 关键词：神经网络，无损检测，主成分分析，番茄种子，电子鼻，支持向量机 doi： 10.3969/j.issn.1002-6819.2011.12.025 中图分类号： S603.8， TP212.3 文献标志码：A 文章编号：1002-6819(2011)-12-0132-04 程绍明，王 俊，马杨珲，等.基于电子鼻的番茄种子发芽率检测[J].农业工程学报，2011，27(12)：132-135. Cheng Shaoming， Wang Jun， Ma Yanghui， et al. Detection of germination rate of tomato seeds by electronic nose[J]. Transactionsof the CSAE， 2011， 27(12)： 132-135. (in Chinese with English abstract) 弓 言 种子发芽率是衡量种子播种质量较重要的指标之一。发芽性能和寿命主要决定于遗传特性、种子形态结构和生理活性，但储存环境条件对棉种发芽力影响较大。研究表明，贮藏条件如温度、包装材料、水分、包装密闭情况等对番茄种子的发芽率和活力影响显著[1-3]。国内外仅限以理论推算，认为可存活50~70a，甚至100a以上，但至今没有实践依据4。快速测定种子发芽率的方法有很多，，目前主要有感观法、染色法、电导率法和吸胀状态法等。另外，中国国标(GB/T 3543.41995)中也规定了番茄种子的发芽率试验6。但这些方法是在实验室中，需借助相关的仪器设备、试剂等才能完成，因而所花费时间较长。本文以番茄种子为试验材料，借助电子鼻区分不同发芽率的番茄种子，为快速、无损检测番茄种子发芽率提供新方法。 材料和方法 1.1 试验材料 本次试验用的2009年番茄种子(浙杂809)购买于浙江省农业科学研究院。 ( 收稿日期：2011-01-04 修订日期：2011-09-16 ) ( 基金项目：国国自然科学基金项目(30071246)；浙江省自然科学基金项目 (Z5100155) ) ( 作者简介：程绍明(1974一)，男，浙江开化人，讲师，从事农产品检测。 ) ( 杭州 浙江大学生物系统工程与食品科学学院，310058。 ) ( Email： chengshaoming@zju.edu.cn ) ( ※通信作者：王 俊(1965一)，男，教授，博士生导师，研究方向之一为农产品品质检测。杭州浙江大学生物系统工程与食品科学学院，310058。 Email： jwang@zju.edu.cn ) 采用德国 Airsense 公司生产的电子鼻系统(PEN2)。PEN2 电子鼻包含10个金属氧化物传感器阵列，各个传感器的名称及性能描述见表1。仪器组成主要包括：传感器通道、采样通道、计算机。反应信号为传感器接触到样品挥发物后的电导率G 与传感器在经过标准活性碳过滤气体的电导率Go的比值。该电子鼻具有自动调整、自动校准及系统自动富集的能能，这有效的保证了电子鼻测量数据的稳定性和精确度。 表1 PEN2 电子鼻的各传感器性能特点 Table 1 Sensor main applications in electronic nose 传感器序号 性能描述 各项成分体积分数/ (mLm) S1 芳香成分 甲苯，10 S2 灵敏度大，对氨氧化合物很灵敏 NO2， 1 S3 氨水，对芳香成分灵敏 苯， 10 S4 主要对氢气有选择性 H2， 100 S5 烷烃，芳香成分 丙烷， 1 S6 对甲烷灵敏 CH4， 100 S7 对硫化物灵敏 H2S， 1 S8 对乙醇灵敏 CO， 100 S9 芳香成分，对有机硫化物灵敏 HS， 1 S10 对烷烃灵敏 CH4， 10 1.3 订试验方法 根据中国国标 GB/T 3543.4—1995《农作物种子检验规程发芽试验》中的规定进行浙杂809番茄种子的发芽率试验，得到2009年浙杂809番茄种子的发芽率为92.6%。 将番茄种子分成2部分，一部分放入烘箱中以80℃ 的高温持续烘6h，以确保该部分番茄种子不能发芽；然后将其以一定比例掺杂到发芽率为92.6%的番茄种子中，得到发芽率为 90%、80%、70%、60%、50%和不发芽的6种发芽率种子。据文献表明样品密封1h 后其顶部空间的挥发物将达到平衡状态门。本试验条件为样品质量取5g， 放置于50 mL 的烧杯中密封，样品静置1h后开始采样，得到电子鼻对番茄种子的响应曲线如图1所示。图中横轴为采样时间，纵轴为信号值，其中G是传感器接触到样品气体后的电导率、Go是传感器在经过活性炭过滤气体清洗后的电导率。从图中可以看出，电子鼻的检测从55s左右开始趋于稳定，因此本文取60 s处的信号作为分析的时间点。 注： S1~S10为10个传感器序号 图1 传感器对番茄种子的响应曲线 Fig.1 Response curves of sensor to tomato seeds 2.4 数据分析方法 2.4.1 主成分分析(PCA) 主成分分析 (principal component analysis， PCA) 是将多个指标化为较少的几个综合指标的一种统计方法。通过主成分分析，可以讨论各变量对分类作用的大小和性状变异的方向。降维后的综合指标之间互不相关，却能反映原来多指标的信息18-9]。指标的贡献率越大，说明主要成分可以较好地反映原来多指标的信息。 2.4.2 线性判别分析(LDA) 线性判别分析 (linear discriminant analysis， LDA) 是一种常规的模式识别和样品分类方法。LDA分析时，利用了所有传感器的信号以提高分类的准确性1。LDA分析更加注重样品在空间中的分布状态及彼此之间的距离分析，将样品信号数据通过运算法则投影到某一方向，使得组与组之间的投影尽可能分开。 2.4.3 BP神经网络分析(BPNN) BP神经网络(back-propagation neural networks，BPNN)有一个输入层、一个输出层和一个或多个隐含层，同层神经元间无关联，异层神经元间向前连接。由于神经网络具有通过学习逼近任意非线性映射的能力，特别适合于因果关系复杂的非确性推理、判断、识别和分类等问题111-12] 2.4.4 支持向量机分析(SVM) 支持向量机 (support vector machine， SVM) 是在统计学习理论基础上发展起来的一种新的机器学习方法。目前，支持向量机已应用于模式分类、回归分析、函数估古等领域[13-14]。 数据处理软件采用 SAS 和 MATLAB。 3结果与分析 3.1 主成分分析番茄种子发芽率 图2是6种不同发芽率番茄种子的主成分二维得分图，其第一和第二主成分贡献率分别为71.62%和11.18%，累计贡献率达 82.7%。从图2可看出，不同发芽率的番茄种子图形有部分相互重叠，表明利用主成分二维得分图较难区分发芽率较为接近的番茄种子。图3是6种不同发芽率番茄种子的主成分三维得分图，第一、第二和第三主成分贡献率分别为71.62%、11.18%和9.18%，累计贡献率达91.88%。从图3可看出主成分三维得分图能很好的区分不同发芽率的番茄种子，这表明利用三维得分图能较好的区分不同发芽率的番茄种子。图3也表明当番茄种子发芽率为50%和0时的图形有重叠，这表明当番茄种子掺杂高达一定量后，电子鼻检测到的信号与无发芽率的番茄种子电子鼻检测到的信号比较相近。 图26种不同发芽率番茄种子的主成分分析二维得分图 Fig.222-D PCA scores for different germinations rate of tomato seeds 图3 6种不同发芽率番茄种子的主成分分析三维得分图 Fig.3 3-D PCA scores for different germinations rate oftomato seeds 3.2 线性判别分析番茄种子发芽率 图4是利用线性判别分析(LDA)降维后得到的二维得分图，第一和第二判别因子的贡献率分别为92.07%和3.92%，累计贡献率达95.99%，保留了样本绝大部分的信息。从图4可看出，利用线性判别分析可以很好将发芽率为90%、80%、70%~50%、0%的种子相互区分开，但是发芽率为70%、60%和50%的种子图形有部分重叠。利用电子技术较难区分发芽率为70%、60%和50%的种子。从图2和图4可以看出， LDA 方法的累计贡献率比 PCA方法的累计贡献率要高，而且利用 LDA 方法得到的数据区域集中性要明显优优 PCA 方法的结果，这表明利用 LDA方法处理番茄种子发芽率的效果好于利用PCA 方法。 图46种不同发芽率番茄种子的线性判别分析二维得分图 Fig.4 2-D LDA scores for different germinations rate oftomato seeds 3.3 基于 MATLAB 的 BP神经网络和支持向量机的番茄种子发芽率分类识别 3. 3.1 BP神经网络分析番茄种子发芽率 利用电子鼻对番茄种子样本响应信号60s的数据进行分析，以10个传感器响应数据作为输入进行 BP 神经网络分析。将6发芽率的番茄种子子144个样品分为训练集和预测集，其中78个番茄种子样本作为训练集(每组13个样本)，66个样本作为预测集(每组11个样本)。由于输入采用10个传感器响应数据，则神经网络模型的输入层为10，6组不同处理番茄种子样本作为输出，输出层选择为1。设定目标误差为0.01，网络学习速率为0.01，训练迭代次数为1000 次。表2是神经网络模型在选取不同隐含层神经元数时，达到设定误差网络循环的 表2不同隐含层神经元数的确定 Table 2 Training result of network with different neuron numberin hidden layer 隐含层神经尤数 循环次数 训练集正确率/%预测集正确率/% 8 19 94.9 53 10 23 85.9 50 15 32 91.1 54.5 18 12 93.6 65.2 91.1 62.1 25 19 88.46 60.6 30 17 82.1 56.1 次数及训练集和预测集的正确率。从表2中可以看出，隐含层神经元数为18时，训练集和预测集的正确率相对较高，循环次数最少，所以隐含层神经元数选择18，网络的结构采用10-18-1。 表4是采用10-18-1结构的BP神经网络的判别结果，训练集的综合正确率为 93.6%，测试集的综合正确率为65.2%。 3.3.2支持向量机分析番茄种子发芽率 支持向量机种类繁多，按照不同的标准，可分为不同的类型。采用不同的内积函数将导致不同的支持向量机算法，目前研究的内积函数形式主要有三类，即多项式核函数、径向基核函数和 Sigmiod 核函数，它们都与已有的方法有对应的关系。在其他参数相同的情况下，通过改变支持向量机的核函数类型，得到不同的效果，见表3。 表3不同核函数的判别效果 不同核函数 训练集正确率/% 预测集正确率/% 多项式核函数 97.44 60.61 径向基核函数 97.44 72.73 Sigmiod 核函数 94.87 65.15 通过表3可得出支持向量机的核函数为径向基核函数时训练集和预测集的预测效果最好。利用径向基核函数对电子鼻原始数据进行支持向量机分析结果见表4，训练集和测试集的综合正确率分别为97.4%和72.7%。 表4BP神经网络和支持向量机的识别效果 Table 4 Discrimination effection of tomato seeds by BPNN andSVM 识别模式 训练集 预测集 样品数量 正确率/% 样品数量 正确率/% BP神经网络 78 93.6 66 65.2 支持向量机 78 97.4 66 72.7 4：结论 1)用电子鼻对不同发芽率的番茄种子进行测试，采用主成分分析和线性判别分析表明利用电子鼻系统能快速的区分出番茄种子发芽率为90%、80%、50%~70%和0%的4种情况；当番茄种子发芽率为70%、60%和50%时，其图形信息部分重叠，利用电子鼻较难将这3种情况区分开。因此根据不同发芽率种子的图形信息，可以利用电子鼻系统来快速区分番茄种子中的掺假情况。 2)利用 BP神经网络和支持向量机对不同发芽率的番茄种子进行识别，结果表明2种识别模式的训练集的正确率分别为93.6%和97.4%，预测集的正确率分别为65.2%和72.7%；利用支持向量机模式效果相对 BP 神经网络来说精度更高。 ( [参 考 文 献] ) ( 1] 张晓洁，隋洁，王丽华，等.包装材料对贮藏期间不同类 型棉种活力的影响[J].山东农业科学，2008(2)：103-105. ) ( Zhang X i aojie， Sui J ie， W ang Lihua， et al. E ff ects o f packaging m aterials on vigor of d i fferent t ypes o f cottonseeds during s torage[J]. Shandong Agricultural S ciences，2008(2)：103-105. (i n Chinese with English abstract) ) ( [2] 周大云，杨伟华，许红霞，等.棉种贮藏过程中温度对发芽率和休眠的影响[J].棉花 学 报，2009，21(5)：405-409. Zhou D ayun， Y ang Weihua， X u Hongxia， et al. E f fects o f temperature on germination and dormancy of cotton seeds[J]. Cotton Science， 2009 ， 21(5)：405-409. (in Chinese withEnglish abstract) ) ( [3] 盖颜欣，王艳芝，季志强，等.玉米种子水分变化及烘干 对发芽率的影响[J].中 国 种业，2010(5)：33-34. ) ( [4] 张生梅.贮藏年限对种子发芽率的影响[].长江蔬菜， 2010(4) ： 39-41.Zhang Shengmei. Effect of storage period on seed germinationpercentage[J]. Journal o f Changjiang Vegeables， 2010(4)： 39-41. (in Chinese with English abstract) ) ( [5] 石亚萍，蔡静平.种子发芽率快速测定方法的研究进展[J]. 中国种业， 2 0 08(2)： 1 3-14. ) ( 《农作物种子检验规程发芽试验》 GB/T 3543.4一1995. ) ( 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[.传感技术学报，2007，20(8)：1717-1722. Pang Linjiang， Wang J u n， Lu Xinghua. Discriminationof different storage time of the wheat by electronicnose[J]. Chinese J ournal o f S ensors and Actuators，2007， 20(8)：1717-1722. (in Chinese with English abstract) ) ( [8] H uichun Yu， J u n W a ng， Hong Xiao， et al. Quality gradeidentification of green tea using the eigenvalues o f PCAbased on the E -nose signals[J]. Sensors and A ctuators B ，2009，140(2)：378-382. ) ( [9] Labreche S ， B a zzo S， Ca d e S， e t al. Shelf life d e terminationby electronic nose： applicatio n to milk[J]. Sensors andActuators B， 2005 ， 106(1)：199-206. ) ( [10] Goschnick J， K o ronczi I， F r ietsch M， et al. Water pollutionrecognition w ith the electionic nose k a mina[J]. Se n sors andActuators B， 2005， 106(1)：182一186. ) ( [11]高艳萍，周敏，姜凤娇.基于 BP网络养殖水体氨氮预测模型及实现[J].农机化研究，2008(7)：48-50. Gao Yanping， Zhou Min， Jiang Fengjiao. Prediction m odel based on n eural n etwork for NH*-N and r e alization[J]. Journal of Agricultural Mechanization R esearch， 2008(7)： 48-50. (in Chinese with English abstract) ) ( [12]郑丽敏，田立军，朱虹，等.基于 MATLAB 的 BP神经网络在猪等级评定中的应用研究[J].计算机应用研究， 2008，25(6)： 1 642-1644.Zheng Limin， Tian Lijun， Zhu Hong， et al. S tudy on porkgrade evaluation of BP neural network based on MATLAB[J].Application Research of Computers， 2008 ， 25(6)：1642-1644. ( in Chinese with English abstract) ) ( [13 ] - 马银晓，姚敏.支持向量机在植物分类中的应用[.科技通报，2007，23(3)：404-407. Ma Yinxiao， Yao Min. A pplication of SVM i n plant classification[J]. Bulletin of Science and T echnology， 2007， 23(3)：404-407. (in Chinese with En g lish abstract) ) ( [14]陈铁冰，邢媛媛，谭也平.基于 MATLAB 的支持向量机 结构可靠度分析方法[.华中科技大学学报，2009，26(1)： 60一63. Chen Tiebing， Xing Y uanyuan， Tan Yeping. Structuralreliability analysis using supporte d vector machine a ndmatlab[J]. Journal of HUST.(urban science edition)， 2009，26(1)：60-63. (in Chinese with English abstract) ) Detection of germination rate of tomato seeds by electronic nose Cheng Shaoming'，Wang Jun1※， Ma Yanghui’， Wang Yongweil， Wei Zhenbo (1. College of Bio-systems Engineering and Food Science， Zhejiang University， Hangzhou 310058， China； 2. College of Information， Zhejiang University of Science and Technology， Hangzhou 310023， China) Abstract： In order to find out a fast nondestructive examination method for germination rate of tomato seeds， differentsamples of tomato seeds with six kinds of germination rates were analyzed by electronic nose， and which were classifiedthrough principal component analysis (PCA) and linear discrimination analysis (LDA). The result shows that theelectronic nose could distinguish the tomato seeds with germination rate of 90%， 80%，50%-70%and un-germinationseeds. However， samples with germination rate of 50%-70% were overlapped. Based on PCA and LDA， BP neuralnetwork (BPNN) and support vector machine (SVM) were introduced in the classification. The results showed that therecognition rates for germination rate of tomato seeds by the two methods reached to 93.6% and 97.4% respectively withtraining set， and 65.2% and 72.7% respectively with forecast set. Compared to BPNN， SVM method has less predictingerrors， which has better forecasting performance. Key words： neural networks， nondestructive examination， principal component analysis， tomato seeds， electronic nose，SVM 数据 基于电子鼻的番茄种子发芽率检测《农业工程学报》 程绍明1, 王俊1 ，马杨珲2， 王永维1， 韦真博11浙江大学生物系统工程与食品科学学院，杭州310058： 2浙江科技学院信息学院，杭州310023 摘要：防止种子掺假、以次充好，为快速无损检测高发芽率的种子，该文将不发芽的浙杂809番茄种子以不同比例掺入到发芽率为92.6％的番茄种子中，得到种子的发芽率分别为90％，80％，70％，60％，50％和0等6种比例，并利用电子鼻对其进行分析。结果表明：利用电子鼻可以很好的区分出番茄种子发芽率为90％、80％、50％～70％、和不发芽的4种情况；当种子发芽率为70％、60％、50％时，其图形信息部分重叠， 利用电子鼻较难区分开。在主成分分析和线性判别分析的基础上，利用BP神经网络和支持向量机对上述情况进行分类识别，结果表明：两种识别模式的训练集的正确率分别为93.6％ 和97.4％，预测集的正确率分别为65.2％和72.7％，相对于BP神经网络模式识别，支持向量机预测系统的误差较小，具有很好的预测性能。关键词：神经网络;无损检测;主成分分析;番茄种子;电子鼻;支持向量机