張 慧，吳 杰,2

·農(nóng)產(chǎn)品加工工程·

基于聲振信號的香梨內(nèi)部早期褐變判別

張 慧1，吳 杰1,2※

（1. 石河子大學(xué)機械電氣工程學(xué)院，石河子 832003；2. 綠洲特色經(jīng)濟作物生產(chǎn)機械化教育部工程研究中心，石河子 832003）

香梨內(nèi)部發(fā)生的褐變病害對香梨品質(zhì)有嚴重影響，迫切需要對香梨內(nèi)部早期褐變實現(xiàn)快速準確判別以減少貯藏期損失并提高商品率。該研究基于壓電梁式傳感器搭建聲振無損檢測裝置系統(tǒng)，從香梨聲振響應(yīng)信號中提取了11個時域特征參數(shù)和7個頻域特征參數(shù)，分別組成時域特征向量、頻域特征向量和組合域特征向量（時域和頻域參數(shù)組合），然后利用補償距離評估技術(shù)評估各特征參數(shù)對香梨內(nèi)部褐變的敏感性，輸入敏感性較大的特征參數(shù)訓(xùn)練香梨內(nèi)部褐變-近鄰域（-nearest neighbor, KNN）判別模型。通過對模型判別結(jié)果的混淆矩陣分析，采用3個時域參數(shù)（波形因子、峭度、方根幅值）和1個頻域參數(shù)（頻率方差）構(gòu)建香梨內(nèi)部早期褐變KNN模型（近鄰數(shù)=5）用于判別早期褐變香梨，準確率和1值分別為91.84%和92.59%；對已識別的褐變香梨，采用2個時域參數(shù)（波形因子、裕度因子）和1個頻域參數(shù)（均方頻率）構(gòu)建香梨內(nèi)部輕度褐變KNN模型（=7）進一步判別其中的輕度褐變香梨，準確率和1值分別為81.82%和83.33%。研究結(jié)果可為今后聲振法香梨內(nèi)部褐變實時在線檢測和自動化分級技術(shù)研發(fā)提供參考。

無損檢測；果實；香梨；內(nèi)部褐變；統(tǒng)計特征參數(shù)；-近鄰域算法；聲振法

0 引 言

庫爾勒香梨銷售時間長，貯藏過程中會發(fā)生果心褐變病害。對經(jīng)銷商來說，若能鑒別出處于病害初期的香梨，有助于早期阻止病害發(fā)展，避免嚴重時侵染其他健康果；對于梨果產(chǎn)品加工，若能剔除內(nèi)部輕微褐變果，有助于完全消除毒素及病菌污染的風(fēng)險。由于香梨內(nèi)部褐變具有隱蔽性，目前尚無有效檢測手段[1-2]，因此，迫切需要實現(xiàn)香梨早期褐變的快速無損檢測以保證香梨商品率。

聲振法在果蔬品質(zhì)無損檢測領(lǐng)域具有設(shè)備簡單、技術(shù)成本較低的應(yīng)用優(yōu)勢，然而，該方法對果蔬內(nèi)部缺陷檢測效果在早期研究報道中還不是很理想。Diezma-Iglesias等[3]利用此技術(shù)對完好西瓜和空心西瓜的分類準確率低于80%，對空心、黑心腐爛馬鈴薯的判別率為81%[4]。近年來，聲振檢測技術(shù)日趨成熟，出現(xiàn)了一種新型壓電梁式傳感器，具有聲阻抗低、頻響寬、質(zhì)輕價廉的優(yōu)點[5]。Kadowaki等[6]和Nakano等[7]分別利用這種傳感器檢測內(nèi)部腐爛梨和裂核桃，總判別準確率均超過95%，這為聲振法實現(xiàn)香梨內(nèi)部褐變無損檢測技術(shù)提供了新的契機。在聲振法檢測的研究中，多數(shù)學(xué)者都采用共振頻率識別果蔬內(nèi)部病害[6-9]，但其變化值低于頻率分辨率時，對內(nèi)部品質(zhì)差異不大果實的判別能力會稍有不足。Lei等[10]提出，聲振響應(yīng)信號的統(tǒng)計特征參數(shù)表征信號全局特性，可綜合反映材料固有性質(zhì)，國內(nèi)外許多學(xué)者利用響應(yīng)時域和頻域中的統(tǒng)計特征參數(shù)已有效檢測了不同機械設(shè)備故障[11-15]，準確率最高可達100%[16]。盡管這種特征參數(shù)已成功應(yīng)用于機器故障診斷領(lǐng)域，但在水果內(nèi)部病害檢測方面還少有報道。值得關(guān)注的是，近年來有研究將統(tǒng)計特征參數(shù)用于水果成熟度的檢測，Abbaszadeh等[17]和Arenga等[18]分別采用時域和頻域的統(tǒng)計特征參數(shù)實現(xiàn)了西瓜和可可的成熟度判別，準確率均在95%以上。到目前為止，還沒有研究利用域信號的統(tǒng)計特征參數(shù)來識別果實內(nèi)部病害，對于香梨內(nèi)部褐變，這是一種值得探索的研究思路。

對果蔬內(nèi)部病害進行識別檢測是一個分類問題，作為數(shù)據(jù)挖掘分類技術(shù)中最簡單也是最常用的方法之一，-近鄰域（-nearest neighbor, KNN）算法憑借其易于理解、無需估計參數(shù)、分類速度快等優(yōu)點[19]，在果蔬內(nèi)部缺陷識別和機器故障診斷中多有應(yīng)用。Moscetti 等[20]提取圖像統(tǒng)計特征參數(shù)建立KNN模型，有效判別了橄欖果的內(nèi)部蟲害。Pandya等[21]和Islam等[22]分別基于該算法構(gòu)建模型用于分類軸承和變壓器故障類型，總分類準確率均超過97%。因此本文基于壓電梁式傳感器開展了香梨內(nèi)部褐變的聲振檢測研究，從香梨聲振響應(yīng)的時域和頻域信號中分別提取統(tǒng)計特征參數(shù)，采用KNN法進行香梨內(nèi)部早期褐變和輕度褐變判別模型的構(gòu)建，為今后利用聲振法的香梨內(nèi)部病害在線檢測技術(shù)研發(fā)提供依據(jù)。

1 材料與方法

1.1 香梨試樣

處于青熟期的香梨于2018年9月在新疆庫爾勒同一果園手工采摘（41°45′N，86°5′E），剔除損傷、畸形及病蟲害的香梨，隨后立即貯藏于?2～0 ℃、相對濕度為85%～95%的商業(yè)冷庫中以備試驗使用。表1為香梨試樣的基本物性參數(shù)。

表1 香梨試樣的物性參數(shù)（樣本量n=200）

1.2 內(nèi)部褐變香梨試樣的制備

隨機選擇100個香梨放置在超凈工作臺上（BHC-1300IIA2，北京阿爾泰實驗室設(shè)備有限公司），參考Xu等[9,23]制備褐變香梨試樣的方法，首先用微量注射器（上海高鴿工業(yè)貿(mào)易有限責(zé)任公司）將濃度為2.0×1010spore/mL的200L鏈格孢屬孢子懸浮液沿香梨梗端注入其果核區(qū)內(nèi)，注射前使用體積分數(shù)為75%的酒精對每個試樣注射區(qū)消毒30 s，以防止病原菌外其他雜菌進入干擾病害發(fā)展，然后將注射了致病菌的100個香梨置于溫度為28 ℃、相對濕度為90%的恒溫恒濕箱（HF-8001，蘇州力高檢測設(shè)備有限公司）中進行內(nèi)部褐變病害發(fā)展。

1.3 香梨內(nèi)部褐變程度的測定

1.3.1 香梨內(nèi)部褐變程度的測量方法

參照史振霞等[23-24]的方法，將香梨沿赤道部橫向切開，用EOS 750D佳能數(shù)碼相機（EOS 750D，佳能有限公司）對其橫截面拍照，采用圖像處理軟件PhotoShop分別測量如圖1a所示的香梨橫截面積2（Pixel）和褐變組織面積1（Pixel）。由于在數(shù)碼圖像中，位圖圖像的像素大小和總數(shù)是固定的，與圖像分辨率無關(guān)，因此，可用像素的多少代表面積的大小[25]。通過計算香梨內(nèi)部褐變組織占整個橫截面的面積百分比（%）來表示香梨的褐變程度，其計算公式為

Kadowaki等[6]提出，當(dāng)梨果的褐變組織未超出其種子室區(qū)域時，并沒有失去商品價值，仍可用于市場銷售。香梨種子室如圖1b所示，其面積3（Pixel）占香梨整個橫截面積2的百分比*（%）由下式計算：

注：1,2和3分別為香梨的內(nèi)部褐變組織面積、整個橫切面面積和種子室面積，Pixel。

Note:1,2and3(Pixel) are the area of the browning part, the whole cross-section along the equator and the seed locule of the pear, respectively.

圖1 香梨沿赤道部橫切圖

Fig.1 Diagram of cross-section along the equator of a pear

1.3.2 香梨內(nèi)部褐變程度的界定

對香梨種子室面積百分比*進行數(shù)據(jù)統(tǒng)計，得到其平均值20.07%±1.15%。為了將香梨未失去其商品價值的閾限控制在一個較為嚴格的判別標(biāo)準內(nèi)，本研究將*的最小值18%作為香梨內(nèi)部褐變程度被消費者接受的臨界值。如圖2a所示，當(dāng)褐變面積百分比小于18%時，從香梨果心向四周擴展的褐變組織還未超出其種子室區(qū)域，此時屬于輕度褐變，未喪失商品價值；當(dāng)褐變程度繼續(xù)加重，進一步發(fā)展至果肉被輕微侵害，超過18%但低于30%（圖2b），此時屬于中度褐變；而高于30%（圖2c），果肉大片腐爛變褐，嚴重時甚至可從外觀直接觀察出病果，此時屬于重度褐變。如果能在香梨早期褐變階段，也就是對處于中度及以下褐變的果實進行有效檢測，這有助于及早阻止梨果褐變不會發(fā)展至嚴重程度而侵染其他健康果，能夠有效減小香梨在貯藏期不必要的損失；若能對其中的輕度褐變香梨實現(xiàn)進一步檢測，則有利于商家及時采取銷售策略以保持商品率不下降。

1.4 香梨聲振測試與信號分析

1.4.1 香梨聲振響應(yīng)信號的采集

如圖3所示聲振無損檢測系統(tǒng)，振動測試分析軟件系統(tǒng)SO Analyzer 4.1（德國m+p國際公司）發(fā)出一個2.5 V半波正弦脈沖，經(jīng)HA-405型電壓放大器（臺灣品致公司）線性放大為圖4所示的80 V脈沖激勵A(yù)。信號A輸出到與香梨試樣赤道部接觸的激勵端傳感器上，使香梨產(chǎn)生振動，隨后在香梨赤道部另一側(cè)接觸的傳感器采集到響應(yīng)信號R。VibPilot振動控制與動態(tài)信號采集分析儀采集激勵信號A和響應(yīng)信號R，采集的信號經(jīng)抗混濾波、截斷、采樣、A/D模數(shù)轉(zhuǎn)換、數(shù)字低通濾波后，通過振動測試分析軟件系統(tǒng)SO Analyzer 4.1進行處理。為了獲得不同病害程度香梨樣本，每隔12 h從恒溫恒濕箱中隨機選取10個褐變香梨進行一次聲振試驗，同時在恒溫環(huán)境（28 ℃）中隨機選取10個健康香梨用于對照組試驗。褐變香梨試樣和健康香梨試樣各100個，共進行10次測試。

注：括號內(nèi)的數(shù)字表示香梨褐變面積百分比S，%。

圖3 香梨聲振無損檢測系統(tǒng)

1.4.2 香梨聲振響應(yīng)信號的獲取

信號采樣頻率為51 200 Hz，采集持續(xù)時間為0.16 s，測試觸發(fā)條件設(shè)置為激勵信號A上升沿觸發(fā)方式，觸發(fā)電壓水平為0.05 V。預(yù)先采集量設(shè)置為5%，以確保完整的信號采集。為兼顧信號的采集及其處理精度，頻率分辨率設(shè)置為6.25 Hz。響應(yīng)信號通過貝塞爾低通濾波器濾波，截止頻率為1 600 Hz。圖5a所示為軟件系統(tǒng)SO Analyzer 4.1處理后的香梨赤道部典型聲振響應(yīng)時域信號?；诳焖俑道锶~變換（Fast Fourier Transform，F(xiàn)FT）算法選用指數(shù)窗函數(shù)將其轉(zhuǎn)換為頻域信號，獲得健康香梨和褐變香梨的典型頻譜曲線如圖5b所示。為避免壓電梁式傳感器275 Hz固有頻率的干擾，將低于300 Hz的頻域信號截斷，而頻譜中超過900 Hz的頻帶振幅幾乎為0，可忽略其幅值信息。因此，取300~900 Hz范圍頻帶用于進一步分析。

圖4 激勵信號VA

1.4.3 統(tǒng)計特征參數(shù)的計算

不同褐變程度香梨的聲振信號時間序列的幅值和分布各異，其頻域的譜結(jié)構(gòu)也各不相同，因此本研究采用不同模式識別與分類任務(wù)中常用的11個時域統(tǒng)計特征參數(shù)和7個頻域統(tǒng)計特征參數(shù)用于判別香梨內(nèi)部褐變程度，如表2所示。

表2 時域和頻域信號的統(tǒng)計特征參數(shù)及相關(guān)計算公式

1.4.4 統(tǒng)計特征參數(shù)對香梨內(nèi)部褐變程度的敏感性分析

各特征參數(shù)對香梨褐變程度的敏感性不同，可能存在參數(shù)與香梨褐變相關(guān)性很低的情況，采用基于類內(nèi)距離和類間距離的補償距離評估技術(shù)（Compensation Distance Evaluation Technology，CDET）進行各特征參數(shù)對分類目標(biāo)的敏感性評估，其算法流程如圖6所示，具體計算公式見文獻[26]。根據(jù)計算所得的敏感性評估因子值λ，就可確定各特征參數(shù)對分類目標(biāo)的敏感性大小，λ值越大，表明某參數(shù)對分類目標(biāo)越為敏感。

圖6 補償距離評估技術(shù)算法流程圖

1.5 香梨內(nèi)部褐變KNN判別模型的構(gòu)建方法

1.5.1 KNN判別模型的構(gòu)建方法

由于KNN算法中值的選取對模型分類性能影響較大[27]，因此按照圖7所示流程構(gòu)建香梨內(nèi)部褐變KNN判別模型，以確定最適宜的值和相應(yīng)的特征參數(shù)。為了使不同維度之間的特征在數(shù)值上有一定比較性，以加強目標(biāo)識別方法的通用性和提高判別模型的判別性能，將特征參數(shù)輸入到模型之前，先對參數(shù)進行歸一化處理[28]。

注：圖中11，7，18分別代表時域、頻域、組合域的統(tǒng)計特征參數(shù)個數(shù)。

針對香梨的不同褐變程度，本研究基于KNN法構(gòu)建了如圖8所示的2個模型，其中香梨內(nèi)部早期褐變KNN判別模型用于區(qū)分香梨正常果和早期褐變果，在識別早期褐變香梨的基礎(chǔ)上，采用香梨內(nèi)部輕度褐變KNN判別模型進一步實現(xiàn)其中輕度褐變香梨的識別。

圖8 香梨內(nèi)部褐變的識別方法流程圖

1.5.2 模型性能評價方法

采用混淆矩陣對所構(gòu)建的判別模型進行性能分析[29]，根據(jù)下列各式計算模型的2個性能評價指標(biāo)，即準確率（Accuracy，%）和調(diào)和均值（1，%）：

式中t為正樣本被判別為正樣本的樣本數(shù)量；t為負樣本被判別為負樣本的樣本數(shù)量；f為負樣本被判別為正樣本的樣本數(shù)量；f為正樣本被判別為負樣本的樣本數(shù)量。當(dāng)模型對香梨健康與褐變判別時，健康香梨為正樣本，褐變香梨為負樣本；當(dāng)模型對香梨輕度褐變與中度褐變判別時，輕度褐變香梨為正樣本，中度褐變香梨為負樣本。

2 結(jié)果與分析

2.1 不同域特征參數(shù)對香梨內(nèi)部褐變的敏感性比較

圖9a為不同域信號特征參數(shù)對香梨健康和褐變的敏感性評估結(jié)果，敏感性評估因子值λ越大，表明某參數(shù)對香梨是否有褐變越為敏感。時域特征向量中11個參數(shù)對健康和褐變香梨兩種類別的敏感性從大到小的順序為1,11,6,5,8,3,9,2,4,7和10；頻域特征向量中7個參數(shù)對這兩類別的敏感性從大到小順序為2,6,7,3,1,4和5；組合域特征向量中18個參數(shù)對這兩類別的敏感性從大到小順序為11,2,6,5,7,6,1,3,4,1,5,8,3,9,2,4,10和7。整體來看，對香梨內(nèi)部早期褐變敏感性較強的時域特征參數(shù)有均值1、方根幅值5、峭度6和波形因子11，頻域特征參數(shù)有頻率方差2、均方頻率6和均方根頻率7。

如圖9b所示，根據(jù)對香梨輕度褐變和中度褐變兩種類別的λ值從大到小的排序方式， 11個時域參數(shù)依次為7,11,8,3,9,10,6,2,5,4和1；7個頻域參數(shù)依次為4,3,7,6,1,5和2；18個組合域參數(shù)依次為11,8,6,3,7,3,7,4,1,2,9,5,10,6,2,5,4和1。在對香梨輕度褐變和中度褐變的敏感性評估結(jié)果中，時域特征參數(shù)峭度因子7、裕度因子8、波形因子11和頻域特征參數(shù)峰態(tài)頻率4、6、7的λ值較高，敏感性較強。

注：T1~T11分別表示時域信號的均值、均方根、峰值、短時能量、方根幅值、峭度、峭度因子、裕度因子、脈沖因子、峰值因子和波形因子；F1~F7分別代表頻域信號的平均頻率、頻率方差、頻率標(biāo)準差、峰態(tài)頻率、重心頻率、均方頻率和均方根頻率，下同。

2.2 基于KNN香梨內(nèi)部褐變判別模型的構(gòu)建

由于本研究將褐變面積百分比小于30%的香梨試樣標(biāo)記為褐變香梨樣本，最終100個致病香梨中取滿足要求的74個褐變香梨用于數(shù)據(jù)分析。其中，輕度褐變香梨33個，中度褐變香梨41個。在聲振測試過程中部分健康香梨出現(xiàn)腐爛變質(zhì)情況，除去這部分試樣，剩下健康香梨89個用于數(shù)據(jù)分析。在判別模型的構(gòu)建過程中，70%的數(shù)據(jù)樣本用于訓(xùn)練，剩下的30%用于測試，具體樣本數(shù)量見表3。

表3 構(gòu)建KNN判別模型時用于訓(xùn)練和測試的香梨樣本數(shù)量

如表4所示，輸入時域特征參數(shù)時，當(dāng)=4，對香梨褐變最為敏感的前3個參數(shù)1、11和6構(gòu)建KNN判別模型，對香梨健康和褐變的判別準確率達到100%；輸入頻域特征參數(shù)時，當(dāng)=7，由2、6、7、頻率標(biāo)準差3、平均頻率1和峰態(tài)頻率4這6個頻域參數(shù)組成特征向量構(gòu)建的KNN判別模型，判別準確率也達到了100%；在輸入組合域特征參數(shù)時，當(dāng)=5，對香梨褐變敏感性較強的3個時域參數(shù)11、6、5和1個頻域參數(shù)2構(gòu)建的KNN判別模型，對褐變香梨的判別準確率也可達100%。

表4 構(gòu)建香梨內(nèi)部褐變KNN判別模型的不同域特征向量及K值

當(dāng)構(gòu)建香梨內(nèi)部輕度褐變KNN判別模型時，在時域特征向量中，輸入對香梨輕度褐變最為敏感的前2個參數(shù)7和11構(gòu)建=3的KNN判別模型，對香梨輕度褐變和中度褐變的判別準確率達到了100%；在頻域特征向量中，同樣只需輸入對香梨輕度褐變敏感性最強的前2個參數(shù)4和3構(gòu)建=5的KNN判別模型，判別準確率也可達100%；在組合域特征向量中，則需輸入對香梨輕度褐變敏感性較強的2個時域參數(shù)11、8和1個頻域參數(shù)6構(gòu)建=7的KNN判別模型，此時對輕度褐變香梨的判別準確率達到100%。

2.3 KNN模型的判別性能比較

為了驗證所建模型對香梨內(nèi)部褐變的判別性能，采用測試集樣本作為驗證樣本，對訓(xùn)練所獲得的判別褐變香梨和輕度褐變香梨準確率可達100%的共6個KNN模型進行性能比較。

如圖10所示，對各判別模型判別性能比較來看，基于組合域特征向量構(gòu)建的2個KNN模型對早期褐變香梨和輕度褐變香梨的判別準確率分別為91.84%（=5）和81.82%（=7），1值分別為92.59%和83.33%，模型的魯棒性和泛化能力最強，判別性能最優(yōu)。在單一域特征向量構(gòu)建的各判別模型中，基于時域特征向量構(gòu)建的KNN模型的判別準確率和1值均比頻域特征向量構(gòu)建的判別模型高，但仍然低于組合域特征向量構(gòu)建的KNN模型，這是因為單一域特征向量涵蓋的特征信息較少，且抗干擾能力較差[30]。因此，時域和頻域參數(shù)的組合特征向量更適合用于構(gòu)建模型以實現(xiàn)香梨內(nèi)部早期褐變的準確判別。

圖10 香梨內(nèi)部褐變KNN模型的判別準確率和F1值

Kadowaki等[6]采用聲振法也對果心腐爛梨進行了無損檢測研究，其報道判別準確率為96.9%，由于該研究未對腐爛程度進行界定，對是否存在較嚴重腐爛樣本判別無法得知，因此本研究所建判別模型的準確率（91.84%）與該研究結(jié)果相比，雖然略低，但對今后香梨內(nèi)部早期褐變聲振法無損檢測技術(shù)開發(fā)更具有實際指導(dǎo)意義。此外，在其他無損檢測技術(shù)對梨果內(nèi)部病害判別研究中，Herremans等[31]采用X射線計算機斷層掃描法和核磁共振技術(shù)對水心病蘋果進行檢測，總準確率分別為89%和79%；Khatiwada等[32]采用可見短波近紅外光譜檢測蘋果的內(nèi)部褐變，對褐變蘋果的判別準確率為90.2%。與之相比，本文應(yīng)用聲振法構(gòu)建的KNN判別模型在香梨內(nèi)部早期褐變的檢測上也表現(xiàn)出較高的判別能力。

3 結(jié) 論

本文以壓電梁式傳感器為感測元件搭建聲振無損檢測裝置系統(tǒng)開展香梨內(nèi)部褐變檢測研究，計算了香梨聲振響應(yīng)信號時域和頻域的統(tǒng)計特征參數(shù)，基于KNN法構(gòu)建2個判別模型實現(xiàn)了香梨內(nèi)部早期褐變和輕度褐變的較準確判別，結(jié)論如下：

1）通過補償距離評估技術(shù)評估時域和頻域中的各特征參數(shù)對香梨內(nèi)部褐變的敏感性發(fā)現(xiàn)，對香梨內(nèi)部早期褐變敏感性較強的時域參數(shù)為均值、方根幅值、峭度和波形因子，頻域參數(shù)為頻率方差、均方頻率和均方根頻率；對香梨輕度褐變敏感性較強的時域參數(shù)為峭度因子、裕度因子和波形因子，頻域參數(shù)為峰態(tài)頻率、均方頻率和均方根頻率。

2）當(dāng)近鄰數(shù)為5，采用參數(shù)波形因子、峭度、方根幅值以及頻率方差組成特征向量所構(gòu)建的KNN模型對早期褐變香梨的判別準確率為91.84%，1值為92.59 %。

3）針對早期褐變KNN模型已判別的褐變香梨，當(dāng)近鄰數(shù)為7，采用參數(shù)波形因子、裕度因子以及均方頻率組成特征向量所構(gòu)建的KNN模型，可以實現(xiàn)進一步判別輕度褐變香梨，其判別準確率和1值分別為81.82 %和83.33%。

[1]Koushesh Saba M, Moradi S. Internal browning disorder of eight pear cultivars affected by bioactive constituents and enzyme activity[J]. Food Chemistry, 2016, 205: 257-263.

[2]王蒙，姜楠，戴瑩，等. 國內(nèi)外水果真菌毒素的限量及檢測方法標(biāo)準分析[J]. 食品安全質(zhì)量檢測學(xué)報，2016，7(2)：459-467.

Wang Meng, Jiang Nan, Dai Ying, et al. Maximum residue levels and testing standards of mycotoxins in fruits in China and abroad[J]. Journal of Food Safety and Quality, 2016, 7(2): 459-467. (in Chinese with English abstract)

[3]Diezma-Iglesias B, Ruiz-Altisent M, Barreiro P. Detection of internal quality in seedless watermelon by acoustic impulse response[J]. Biosystems Engineering, 2004, 88(2): 221-230.

[4]Birth G S. A nondestructive technique for detecting internal discolorations in potatoes[J]. American Potato Journal, 1960, 37(2): 53-60.

[5]曹樹謙，張文德，蕭龍翔. 振動結(jié)構(gòu)模態(tài)分析[M]. 天津：天津大學(xué)出版社，2014：69-70.

[6]Kadowaki M, Nagashima S, Akimoto H, et al. Detection of core rot symptom of Japanese pear (Pyrus pyrifolia cv. Kosui) by a nondestructive resonant method[J]. Journal of the Japanese Society for Horticultural Science, 2012, 81(4): 327-331.

[7]Nakano R, Akimoto H, Fukuda F, et al. Nondestructive detection of split pit in peaches using an acoustic vibration method[J]. The Horticulture Journal, 2018, 87(2): 281-287.

[8]Kawai T, Matsumori F, Akimoto H, et al. Nondestructive detection of split-pit peach fruit on trees with an acoustic vibration method[J]. The Horticulture Journal, 2018, 87(4): 499-507.

[9]Xu H B, Wu J, Wang Z P, et al. Discrimination of brownheart of Korla pear using vibration frequency spectrum technique[J]. International Journal of Agricultural and Biological Engineering, 2017, 10(2): 259-266.

[10]Lei Y, He Z, Zi Y. Application of an intelligent classification method to mechanical fault diagnosis[J]. Expert Systems with Applications, 2009, 36(6): 9941-9948.

[11]De Almeida L F, Bizarria J W P, Bizarria F C P, et al. Condition-based monitoring system for rolling element bearing using a generic multi-layer perceptron[J]. Journal of Vibration and Control, 2015, 21(16): 3456-3464.

[12]Dhamande L S, Chaudhari M B. Bearing fault diagnosis based on statistical feature extraction in time and frequency domain and neural network[J]. International Journal of Vehicle Structures and Systems, 2016, 8(4): 229-240.

[13]Li C, Sánchez R V, Zurita G, et al. Fault diagnosis for rotating machinery using vibration measurement deep statistical feature learning[J]. Sensors, 2016, 16(6): 895.

[14]Zhao C, Feng Z. Application of multi-domain sparse features for fault identification of planetary gearbox[J]. Measurement, 2017, 104: 169-179.

[15]Helmi H, Forouzantabar A. Rolling bearing fault detection of electric motor using time domain and frequency domain features extraction and ANFIS[J]. IET Electric Power Applications, 2019, 13(5): 662-669.

[16]Wang Y, Wei S, Zhang S, et al. Comparison of time-domain, frequency-domain and non-linear analysis for distinguishing congestive heart failure patients from normal sinus rhythm subjects[J]. Biomedical Signal Processing and Control, 2018, 42(4): 30-36.

[17]Abbaszadeh R, Rajabipour A, Ying Y, et al. Nondestructive determination of watermelon flesh firmness by frequency response[J]. LWT-Food Science and Technology, 2015, 60(1): 637-640.

[18]Arenga D Z H, Cruz J C D. Ripeness classification of cocoa through acoustic sensing and machine learning[C]//9th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment and Management (HNICEM), Manila, Philippines. IEEE, 2017.

[19]Zhang S, Cheng D, Deng Z, et al. A novel KNN algorithm with data-drivenparameter computation[J]. Pattern Recognition Letters, 2018, 109: 44-54.

[20]Moscetti R, Haff R P, Stella E, et al. Feasibility of NIR spectroscopy to detect olive fruit infested by Bactrocera oleae[J]. Postharvest Biology and Technology, 2015, 99: 58-62.

[21]Pandya D H, Upadhyay S H, Harsha S P. Fault diagnosis of rolling element bearing with intrinsic mode function of acoustic emission data using APF-KNN[J]. Expert Systems with Applications, 2013, 40(10): 4137-4145.

[22]Islam M M, Lee G, Hettiwatte S N. Incipient fault diagnosis in power transformers by clustering and adapted KNN[C]//2016 Australasian Universities Power Engineering Conference (AUPEC), Brisbane, Australia. IEEE, 2016.

[23]史振霞，吳智艷，閆訓(xùn)友，等. 鴨梨褐腐病菌的分離純化及其致腐性研究[J]. 食品科技，2018，43(1)：331-335.

Shi Zhenxia, Wu Zhiyan, Yan Xunyou, et al. The separation, identification and rotten pathogens in corruption of browning Ya-li pears[J]. Food Science and Technology, 2018, 43(1): 331-335. (in Chinese with English abstract)

[24]Wang Z, Liang X, Wu Z, et al. A novel method for measuring anterior segment area of the eye on ultrasound biomicroscopic images using photoshop[J]. PloS One, 2015, 10(3): e0120843.

[25]曹潤，陸娟，李培順，等. 利用公共圖像分析軟件實現(xiàn)腦缺血梗塞面積的簡易測量[J]. 昆明醫(yī)科大學(xué)學(xué)報，2015，36(9)：20-23.

Cao Run, Lu Juan, Li Peishun, et al. A convenient measurement of ischemic infarct size using public image analysis software[J]. Journal of Kunming Medical University, 2015, 36(9): 20-23. (in Chinese with English abstract)

[26]Chen B Y, Li H R, He Y, et al. A hybrid domain degradation feature extraction method for motor bearing based on distance evaluation technique[J]. International Journal of Rotating Machinery, 2017, 22: 1-11.

[27]Wan B, Wu R, Zhang K, et al. A new subtle hand gestures recognition algorithm based on EMG and FSR[C]//IEEE International Conference on Computer Supported Cooperative Work in Design (CSCWD), Wellington, New Zealand. IEEE, 2017.

[28]Liu H M, Li L F, Ma J. Rolling bearing fault diagnosis based on STFT-deep learning and sound signals[J]. Shock and Vibration, 2016, 6: 6127479.

[29]Lashgari M, Maleki A, Amiriparian J. Application of acoustic impulse response in discrimination of apple storage time using neural network[J]. International Food Research Journal, 2017, 24(3): 1075-1080.

[30]Yan X, Jia M. A novel optimized SVM classification algorithm with multi-domain feature and its application to fault diagnosis of rolling bearing[J]. Neurocomputing, 2018, 313: 47-64.

[31]Herremans E, Melado-Herreros A, Defraeye T, et al. Comparison of X-ray CT and MRI of watercore disorder of different apple cultivars[J]. Postharvest Biology and Technology, 2014, 87: 42-50.

[32]Khatiwada B P, Subedi P P, Hayes C, et al. Assessment of internal flesh browning in intact apple using visible-short wave near infrared spectroscopy[J]. Postharvest Biology and Technology, 2016, 120: 103-111.

Detection of early browning in pears using vibro-acoustic signals

Zhang Hui1, Wu Jie1,2※

(1.,,832003; 2.,,832003,)

Core browning in Korla pear (Rehd.) occurs generally during storage at room temperature. The browning disorder can significantly reduce the shelf stability, and thereby to cause considerable economic losses. Moreover, the browning part of pears can be taken in the juicing process, leading to the juice toxins over the safety limit for drinking. Therefore, a reliable and rapid method has been urgently demanding to nondestructively detect internal disorder for high-quality fruits. In this study, an acoustic system using the piezoelectric beam transducers was developed for nondestructively detecting disorder of pears with different internal browning. The obtained response signals were analyzed to extract 11 statistical features in time domain, and seven statistical features in frequency domain. Accordingly, three modes of feature vectors were formed in the time domain, frequency domain, and time-frequency domain. A Compensation Distance Evaluation Technology (CDET) was also used to evaluate the sensitivities of each parameter in feature vectors. Normally, the larger values of sensitivity evaluation factor can imply the higher sensitivities to the browning classes of pears. Based on sensitivity evaluation factors values in the healthy and browning of pears, the descending order of 11 time-domain features were the mean (1), shape factor (11), kurtosis (6), square root amplitude value (5), clearance indicator (8), peak (3), impulse factor (9), root mean square (2), short-time energy (4),kurtosis factor (7), and crest factor (10).The sensitivities of seven frequency-domain features were also ranked in order, the variance (2), mean square (6), root mean square (7), standard deviation (3), mean (1), kurtosis (4), and gravity (5). Combining two types of features, the descending order of all the features was as follows:11,2,6,5,7,6,1,3,4,1,5,8,3,9,2,4,10, and7. In the slight browning and moderate browning of pears, the sensitivities of time-domain features can be ranked in the descending order of7,11,8,3,9,10,6,2,5,4, and1. The obtained order for the frequency-domain features was4,3,7,6,1,5, and2. In the combined time-frequency features, the order was as follows:11,8,6,3,7,3,7,4,1,2,9,5,10,6,2,5,4, and1. Subsequently, a-nearest neighbor (KNN) algorithm was utilized to train the classifier using the firstsensitive features as the inputted data. Therefore, a browning discrimination model was constructed for the moderate disorder, whereas, a slight browning discrimination model for the mild disorder. Both models performed the best, when combining the features from the time-domain and frequency-domain. In the browning discrimination model, a high overall accuracy of 91.84 % was obtained with the specific feature vectors, including three time-domain features (11,6and5), and one frequency-domain feature (2). In slight browning discrimination model, the slight browning of pears can be further identified with an accuracy of 81.82 %. In the case of slight browning, the specific feature vectors were adopted, including two time-domain features (11and8), and one frequency-domain feature (6). In the confusion matrix analysis, the high values of1indicated that two discrimination models can be used to achieve the high robustness and performance, and further to be generalized for the identification of fruits. These findings can provide a sound theoretical basis and strategy for the industrial real-time in-line detection, and automatic grading in the internal browning disorder of pears.

nondestructive determination; fruits; pear; internal browning; statistical feature parameter;-nearest neighbor; vibro-acoustic method

張慧，吳杰. 基于聲振信號的香梨內(nèi)部早期褐變判別[J]. 農(nóng)業(yè)工程學(xué)報，2020，36(17)：264-271.doi：10.11975/j.issn.1002-6819.2020.17.031 http://www.tcsae.org

Zhang Hui, Wu Jie. Detection of early browning in pears using vibro-acoustic signals[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(17): 264-271. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.17.031 http://www.tcsae.org

2020-05-31

2020-07-15

國家自然科學(xué)基金項目（31560476）

張慧，博士，主要從事農(nóng)產(chǎn)品內(nèi)部品質(zhì)無損檢測研究。Email：1067982815@qq.com

吳杰，博士，教授，博士生導(dǎo)師，主要從事農(nóng)產(chǎn)品品質(zhì)安全與檢測研究。Email：wjshz@126.com

10.11975/j.issn.1002-6819.2020.17.031

TS255.1; TP274+.3

A

1002-6819(2020)-17-0164-08