周 博，代雨婷，李 超，王 俊

花齡期棉花蟲害的電子鼻檢測

周 博1，代雨婷2，李 超1，王 俊2※

（1. 鹽城工學(xué)院機(jī)械工程學(xué)院，鹽城 224051；2. 浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院，杭州 310029）

棉花害蟲具有隱蔽性、遷飛性和突發(fā)性特點，并且影響因素眾多，棉花蟲害準(zhǔn)確地診斷是農(nóng)業(yè)領(lǐng)域的難點問題。該研究以受到棉鈴蟲侵害的花鈴期棉花為研究對象，采用電子鼻對不同處理的棉花揮發(fā)物進(jìn)行檢測。研究表明，主成分分析（Principal Component Analysis, PCA）和聚類分析結(jié)果顯示健康棉花釋放的揮發(fā)物具有明顯的晝夜節(jié)律性，健康棉花與蟲害棉花差異性顯著。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial Basis Function Neural Network, RBFNN）對8個不同時間的4組蟲害棉花處理進(jìn)行分析，測試集判別總的正確率為73.4%，健康棉花對照組測試集判別正確率100%，誤判樣本出現(xiàn)在3個蟲害處理之間。當(dāng)不考慮時間因素建立蟲害棉花統(tǒng)一的預(yù)測模型，RBFNN模型對健康棉花對照組的預(yù)測正確率均達(dá)到了100%，分析結(jié)果可以作為花鈴期棉花是否遭受棉鈴蟲侵害的依據(jù)，說明電子鼻可以作為棉花蟲害發(fā)生的有效監(jiān)測手段，在農(nóng)作物蟲害監(jiān)測領(lǐng)域具有潛在的應(yīng)用價值。

電子鼻；神經(jīng)網(wǎng)絡(luò)；預(yù)測；棉花；棉鈴蟲；模式識別

0 引 言

棉花是中國最重要的經(jīng)濟(jì)作物之一，其產(chǎn)量和消費(fèi)量居世界首位。但是蟲害對棉花生產(chǎn)造成巨大危害，據(jù)統(tǒng)計中國棉花每年因蟲害造成的產(chǎn)量損失達(dá)15%～20%，嚴(yán)重危害年份可達(dá)50%。蟲害快速準(zhǔn)確地診斷是制定正確防范措施、減少農(nóng)藥用量、降低蟲害發(fā)生率、保證農(nóng)業(yè)增產(chǎn)的重要前提。在棉花蟲害的防治體系中，蟲害診斷至今為薄弱環(huán)節(jié)，傳統(tǒng)的蟲害診斷主要依靠經(jīng)驗來確定棉花的害蟲種類和受害程度，由于農(nóng)民個體素質(zhì)的差異以及人為主觀因素的影響，診斷結(jié)果往往不準(zhǔn)確，從而延誤了害蟲的除治，導(dǎo)致棉花減產(chǎn)嚴(yán)重[1]。所以，需要對新的棉花蟲害診斷技術(shù)進(jìn)行研究。

近年來國內(nèi)外學(xué)者采用聲特征技術(shù)[2]、雷達(dá)技術(shù)[3]、圖像識別技術(shù)[4]、近紅外光譜技術(shù)[5]和遙感技術(shù)[6]等現(xiàn)代機(jī)器檢測技術(shù)對農(nóng)作物蟲害進(jìn)行了研究，但是由于農(nóng)作物生長條件復(fù)雜，蟲害的發(fā)生、發(fā)展與氣候因素、地理因素和農(nóng)作物品種之間有著密切的關(guān)系，其同時受到多種因素的影響，具有不確定、模糊、隨機(jī)性特征，是一個復(fù)雜的非線性系統(tǒng)，所以農(nóng)作物蟲害的診斷至今仍是農(nóng)作物監(jiān)測領(lǐng)域的難點問題。而棉花害蟲種類眾多，并且為害特點是大多蛀食蕾、花、鈴，具有很大的隱蔽性、遷飛性和突發(fā)性，所以相對其他農(nóng)作物來說棉花蟲害的檢測也更為困難。

電子鼻是一種新穎的仿生物嗅覺檢測儀器，由于其檢測不需要復(fù)雜的樣本前處理過程，與傳統(tǒng)化學(xué)分析方法相比電子鼻具有分析成本低、響應(yīng)時間快、適用于現(xiàn)場實時檢測等優(yōu)點[7]。目前已出現(xiàn)有關(guān)電子鼻檢測農(nóng)作物蟲害的報道，Laothawornkitkul等[8]使用主成分分析（Principal Component Analysis, PCA）、線性判別分析（Linear Discriminant Analysis, LDA）對受病蟲害的黃瓜、辣椒、番茄苗進(jìn)行了區(qū)分；Lan等[9]采用PCA對撲捉的棉盲椿象進(jìn)行分類。為了提高電子鼻檢測的準(zhǔn)確率，多種神經(jīng)網(wǎng)絡(luò)模型被用于病蟲害的研究，Zhou等[10]采用反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network, BPNN）診斷水稻褐飛虱蟲害情況；Ghaffari等[11]采用支持向量機(jī)（Support Vector Machine, SVM）配合徑向基函數(shù)（Radial Basis Function, RBF）對健康和受到蟲害的黃瓜、辣椒、番茄苗進(jìn)行區(qū)分，準(zhǔn)確率達(dá)到90%以上；程紹明等[12]采用遺傳算法（Genetic Algorithm, GA）和BPNN對對感染早疫病病害的番茄苗進(jìn)行了預(yù)測。電子鼻檢測可以獲得農(nóng)作物蟲害不同類別的定性結(jié)果，但是農(nóng)作物揮發(fā)物的定量信息通常采用氣相色譜質(zhì)譜法（Gas Chromatography-Mass Spectrometry, GC-MS）來檢測，代雨婷等[13]采用GC-MS檢測了棉花蟲害揮發(fā)物，棉花揮發(fā)物主要包括芳香族化合物、萜烯類、烷烴、酸類、酯類和醇類，健康棉花和受蟲害棉花組的1,4-二甲基苯和2-甲基萘等芳香族化合物以及-蒎烯、-石竹烯和花側(cè)柏烯等萜烯類化合物存在顯著差異，GC-MS結(jié)果能夠印證電子鼻檢測結(jié)果。以上研究表明電子鼻可以通過檢測農(nóng)作物揮發(fā)物，獲得蟲害綜合信息，結(jié)合適當(dāng)?shù)哪Ｊ阶R別算法在農(nóng)作物蟲害診斷方面具有很大的應(yīng)用前景。

本研究采用電子鼻檢測蟲害誘導(dǎo)棉花產(chǎn)生的特異性揮發(fā)物（Herbivore-Induced Plant Volatiles, HIPVs），采用PCA、聚類分析、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial Basis Function Neural Network, RBFNN）對電子鼻傳感器響應(yīng)數(shù)據(jù)進(jìn)行處理，研究電子鼻檢測花齡期棉花蟲害的可行性，為解決農(nóng)作物田間蟲害診斷難題提供理論和技術(shù)支持。

1 材料與方法

1.1 試驗材料

試驗棉花：棉花種子由浙江大學(xué)農(nóng)學(xué)院提供，棉花品種為冀棉14號，種子經(jīng)過人工精心粒選，于5月上旬播種，播種前要曬種3~4 d，種子播于裝有泥土和營養(yǎng)土質(zhì)量比為1∶1的花盆中24 cm（直徑）×19 cm（盆高）每盆一株，棉花栽培于室外自然條件，定期進(jìn)行水、肥管理，與7月中旬進(jìn)行打頂處理，打頂后的株高控制在65～72 cm，棉花種植約12周至棉花長出棉鈴時用于試驗。

試驗昆蟲：棉花蟲害試驗昆蟲采用3齡的棉鈴蟲，棉鈴蟲成蟲購于淘寶科云生物。棉鈴蟲在試驗前正常飼養(yǎng)，飼養(yǎng)條件始終保持在溫度（27±1）℃，濕度為80%～90%，光周期為14 h/10 h（光照/黑暗），適當(dāng)光強(qiáng)。飼養(yǎng)環(huán)境要經(jīng)常通風(fēng)，以保持空氣新鮮、清潔，同時對溫度、濕度的變化保持密切關(guān)注，并及時調(diào)整，使其有利于棉鈴蟲的正常生長、發(fā)育和繁殖。在進(jìn)行蟲害試驗時，各項操作都應(yīng)無菌進(jìn)行，棉鈴蟲用具都經(jīng)過滅菌或消毒后再使用，在無菌條件下接蟲，避免對試驗準(zhǔn)確度產(chǎn)生影響。

1.2 棉花揮發(fā)物的電子鼻檢測

研究棉花生長期受到蟲害后揮發(fā)物的變化，首先要了解棉花自然生長釋放揮發(fā)物的變化規(guī)律，所以試驗考慮時間和害蟲數(shù)量2個變化因素對棉花揮發(fā)物的影響，試驗時間持續(xù)48 h，害蟲數(shù)量按每盆棉花苗接棉鈴蟲0、1、2、3條來設(shè)計。

根據(jù)害蟲數(shù)量不同將棉花樣本分為4個試驗處理，按每盆棉花苗接蟲0、1、2、3條數(shù)目不同標(biāo)記為0-P、1-P、2-P、3-P，其中0-P是健康棉花作為對照組。挑選高度、長勢一致的花鈴期棉花苗用于試驗，每組試驗處理20盆，共80盆，試驗條件保持溫度為（28±3）℃、濕度為60%～80%的環(huán)境下進(jìn)行。害蟲選擇3齡棉鈴蟲120條，饑餓24 h，將棉鈴蟲用工具按照蟲數(shù)放至棉花的棉鈴處，之后采用紗網(wǎng)將其罩住，在電子鼻試驗前將花盆用保鮮袋套住，保鮮袋底部扎緊。電子鼻棉花揮發(fā)物檢測采用靜態(tài)頂空法，在每次電子鼻檢測時間節(jié)點前約30 min將棉花苗用保鮮袋罩住并靜置到電子鼻檢測，電子鼻在試驗前應(yīng)該提前1 h預(yù)熱。正式試驗于8：00開始，健康棉花0-P進(jìn)行電子鼻試驗，每盆棉花苗測試一次，記為0 h。同時對1-P、2-P、3-P進(jìn)行接蟲處理，待棉鈴蟲取食6 h進(jìn)行電子鼻檢測試驗，其后每間隔6 h進(jìn)行重復(fù)試驗，持續(xù)48 h總計進(jìn)行8次重復(fù)試驗，分別記為6、12、18、24、30、36、42和48 h。

電子鼻是德國AIRSENSE公司的PEN3便攜式電子鼻。電子鼻傳感器響應(yīng)信號是傳感器接觸到棉花揮發(fā)物后的電導(dǎo)率與傳感器經(jīng)過標(biāo)準(zhǔn)活性碳過濾氣體的電導(dǎo)率的比值，電子鼻揮發(fā)物響應(yīng)是一組無量綱數(shù)據(jù)。棉花揮發(fā)物檢測時根據(jù)響應(yīng)曲線達(dá)到穩(wěn)定的時間確定采樣時間設(shè)置為90 s，清洗時間設(shè)置為60 s，采用清潔氮?dú)庾鳛榍逑礆怏w。

1.3 模式識別

1.3.1主成分分析（PCA）和區(qū)分度分析

PCA是電子鼻研究中最常用的數(shù)據(jù)處理方法，通過PCA可以提取電子鼻多維數(shù)據(jù)最有價值的信息，找出數(shù)據(jù)變化的主方向和次方向，并能通過圖像直觀反映數(shù)據(jù)的變化趨勢。本研究采用AIRSENSE電子鼻配套的軟件進(jìn)行PCA分析，同時導(dǎo)出經(jīng)PCA分析得到各處理的數(shù)據(jù)區(qū)分度值。

1.3.2 聚類分析

以電子鼻不同時間棉花蟲害樣本數(shù)據(jù)出發(fā)，自動進(jìn)行分類?，F(xiàn)在的統(tǒng)計聚類分析方法有很多，包括系統(tǒng)聚類、-均值聚類、動態(tài)聚類法、有序樣品聚類、模糊聚類等。本研究采用SPSS軟件的系統(tǒng)聚類法對不同蟲害數(shù)量棉花處理（0-P、1-P、2-P、3-P）進(jìn)行聚類，對不同蟲害數(shù)量棉花處理電子鼻響應(yīng)信號進(jìn)行PCA分析，提取前5個主成分的平均值作為聚類分析數(shù)據(jù)。

1.3.3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）

RBFNN的拓?fù)浣Y(jié)構(gòu)是一種3層前向網(wǎng)絡(luò)，包括輸入層、隱層、輸出層。其具有自學(xué)習(xí)、自組織、自適應(yīng)功能，對非線性連續(xù)函數(shù)具有一致逼近性，具有最佳逼近及克服局部極小值問題的性能，學(xué)習(xí)速度快，可以并行高速地處理數(shù)據(jù)。本研究采用MATLAB2016b軟件對不同蟲害數(shù)量棉花處理進(jìn)行RBFNN分析，采用電子鼻傳感器響應(yīng)信號85 s 的穩(wěn)定值作為RBFNN的輸入，以4組不同蟲害數(shù)量作為輸出，則輸入層單元數(shù)為10，輸出層單元數(shù)為4，核函數(shù)為高斯函數(shù)，徑向基層的分布密度采用默認(rèn)值1。

2 結(jié)果和討論

2.1 蟲害棉花處理的電子鼻信號主成分分析（PCA）

由于棉花生長過程中釋放的揮發(fā)物會隨著晝夜節(jié)律而發(fā)生變化，所以對4組不同害蟲數(shù)量棉花樣本進(jìn)行持續(xù)48 h的電子鼻檢測，每次檢測間隔6 h，4組不同蟲害處理棉花樣本電子鼻檢測的主成分分析如圖1所示。

圖1a為未遭受蟲害的健康棉花，是與蟲害棉花處理的對照組，其中第一主成分的分析值為82.7%，第二主成分的分析值為15.3%，二者之和已達(dá)85%以上，表明PCA第一主成分、第二主成分的結(jié)果可以代表電子鼻響應(yīng)信號對棉花揮發(fā)物的區(qū)分情況。由圖1a可知，在持續(xù)48 h的8個不同檢測時間段的棉花樣本均有重疊的現(xiàn)象，在整個48 h時間段棉花樣本在二維PCA圖中分布并沒有規(guī)律明顯的變化趨勢，但可以觀察出24和48 h的棉花樣本重疊嚴(yán)重，6和30 h的棉花樣本重疊嚴(yán)重，18和42 h的棉花樣本重疊嚴(yán)重。表1為健康棉花0-P處理對9個不同檢測時間的區(qū)分度值，其中區(qū)分度值代表2個不同分類間的差異性，值越小代表2個分類間的差異性越小，反之值越大代表2個分類間的相似性越小差異性越大。由表1可知，0與24、48 h的區(qū)分度值很小，6與30 h的區(qū)分度值很小，18與12、42 h的區(qū)分度值很小。24和48 h棉花樣本的PCA分析顯示嚴(yán)重重疊并且區(qū)分度值很小，說明24和48 h棉花樣品釋放的揮發(fā)物相近，同時也可以看出6和30 h的揮發(fā)物相近，18和42 h的揮發(fā)物相近。

健康棉花對照組的PCA和區(qū)分度分析結(jié)果表明，在持續(xù)48 h電子鼻檢測時間內(nèi)每天的同一時段健康棉花釋放的揮發(fā)物很相近，說明健康棉花釋放的揮發(fā)物具有明顯的節(jié)律性。目前有研究表明植物可以通過合成次生代謝化合物與周圍環(huán)境進(jìn)行相互作用，這些化合物具有較小的分子量、較高的蒸汽壓，能夠自由的穿過細(xì)胞膜釋放到大氣或者土壤中[14]。植物揮發(fā)物的釋放并不是連續(xù)的過程，而是遵循一個與明暗循環(huán)有關(guān)的生理周期[15]。但是多年來，對采集的植物揮發(fā)性化合物進(jìn)行分析一直采用GC-MS，由于GC-MS儀器移動性差，樣品分析耗時較長，無法實現(xiàn)田間植物揮發(fā)物實時監(jiān)測，本研究采用電子鼻對棉花揮發(fā)物進(jìn)行快速檢測，采用適當(dāng)?shù)臄?shù)據(jù)處理方法可以得到與許多植物揮發(fā)物方面研究者相似的結(jié)論。

圖1b、1c、1d分別是蟲害棉花1-P、2-P和3-P處理的8個不同時間的PCA圖，1-P處理的第一和第二主成分的分析值為88.31%和7.52%，2-P處理的第一和第二主成分的分析值為76.43%和14.99%，3-P處理的第一和第二主成分的分析值為86.1%和9.69%，3個蟲害處理的前2個主成分值之和均在91%以上，說明PCA分析結(jié)果可以代表電子鼻響應(yīng)信號對蟲害棉花揮發(fā)物的區(qū)分情況。從蟲害棉花樣本的分布來看，在持續(xù)48 h的8個不同檢測時間段的蟲害棉花樣本均出現(xiàn)大量重疊，但大致可以看出蟲害棉花樣本具有沿第一和第二主成分變化的規(guī)律，對比圖1a的健康棉花對照組，3個蟲害棉花處理的分布規(guī)律明顯與健康棉花對照組不同，這可能是由于蟲害導(dǎo)致棉花產(chǎn)生特異性揮發(fā)物在分類中起主要作用。表2是蟲害棉花1-P處理的8個不同檢測時間的區(qū)分度值對照表，由于3個蟲害棉花處理類似，所以僅以1-P蟲害棉花處理的區(qū)分度值進(jìn)行分析。從表2中可以看出每個檢測時間必然與其中一個相鄰的檢測時間區(qū)分度值很小，如6和12 h的區(qū)分度值為0.04，18和12 h的區(qū)分度值為0.13，24和30 h的區(qū)分度值為0.19，36和42 h的區(qū)分度值為0.35，42和48 h的區(qū)分度值為0.04。這表明棉花受到蟲害以后揮發(fā)物的釋放是一個持續(xù)的過程，但也存在相鄰的檢測時間區(qū)分度值變大的情況，如30和36 h的區(qū)分度值為0.80，這種情況或許可以從以前學(xué)者植物蟲害的研究成果來解釋，植物遭受蟲害后會產(chǎn)生特異性揮發(fā)物，但是揮發(fā)物的持續(xù)釋放也有一個晝夜循環(huán)節(jié)律，所以從PCA的結(jié)果來看，其分布規(guī)律和區(qū)分度值既表現(xiàn)出連續(xù)性特征又表現(xiàn)出間續(xù)的差異性特征。

植物蟲害許多的研究結(jié)果都表明，當(dāng)植物受到害蟲為害時，植物的營養(yǎng)器官釋放大量的揮發(fā)物進(jìn)行防御，其種類和數(shù)量比取食前顯著增多。Pare等[16]于1997年研究發(fā)現(xiàn)棉花揮發(fā)物主要由葉片所釋放，棉花受棉鈴蟲幼蟲輕度危害后，地上部分揮發(fā)物的釋放速率明顯增加，且與健康的棉花差異顯著。蟲害誘導(dǎo)釋放的植物揮發(fā)物受多種因素的影響，與害蟲齡期，害蟲口器類型，害蟲活動時間等有關(guān)，并且揮發(fā)物的釋放機(jī)理非常復(fù)雜，但可以發(fā)現(xiàn)蟲害誘導(dǎo)的植物揮發(fā)物具有明顯的白天釋放量高而晚上釋放量低的晝夜釋放節(jié)律性，大多數(shù)植物被害蟲為害后白天釋放的揮發(fā)物高于晚間釋放的揮發(fā)物，比如棉花、楊樹[17-18]。而且蟲害誘導(dǎo)植物揮發(fā)物的釋放滯后于害蟲的取食，這是因為參與蟲害誘導(dǎo)揮發(fā)物合成的基因需要害蟲取食誘導(dǎo)才能表達(dá)[19-20]。由于蟲害誘導(dǎo)棉花產(chǎn)生的揮發(fā)物機(jī)理非常復(fù)雜，使用棉花蟲害電子鼻檢測數(shù)據(jù)的PCA結(jié)果只能近似的反映蟲害對棉花揮發(fā)物釋放的影響，所以需要對棉花蟲害電子鼻數(shù)據(jù)進(jìn)行進(jìn)一步分析。

2.2 蟲害棉花處理的聚類分析

由于不同時間4組棉花樣本的PCA結(jié)果只能部分反映棉花揮發(fā)物變化的規(guī)律，蟲害使棉花產(chǎn)生特異性揮發(fā)物僅從PCA結(jié)果還不能完全解釋清楚，所以在未知分類的情況下對4組不同測試時間棉花進(jìn)行聚類分析，圖2為4組蟲害試驗棉花6、12、18、24、30、36、42、48 h的聚類分析圖，其結(jié)果顯示采用系統(tǒng)聚類法不同時間的4組棉花最終均分成2類，其中健康棉花對照組（0-P）分為一類，而蟲害棉花1-P、2-P和3-P處理分為一類，聚類結(jié)果表明健康棉花與蟲害棉花差異性明顯，可以進(jìn)一步解釋蟲害對棉花產(chǎn)生特異性揮發(fā)物的影響，當(dāng)棉花被害蟲取食后，揮發(fā)物的組成成分發(fā)生明顯變化，并且釋放量大量增加，與健康棉花的揮發(fā)物差異性顯著[21]。

圖2 4組蟲害棉花處理不同時間的聚類分析

2.3 受害程度的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）預(yù)測

由于棉花釋放的揮發(fā)物具有晝夜節(jié)律性，所以先對4組棉花樣本在8個不同檢測時間分別進(jìn)行RBFNN分析，1個檢測時間的每組處理樣本為20個，在每組處理中隨機(jī)選取12個棉花樣本的電子鼻檢測響應(yīng)信號的穩(wěn)定值作為訓(xùn)練用，其余8個棉花樣本作預(yù)測檢驗用。這樣在每個檢測時間訓(xùn)練集有48個棉花樣本，測試集有32個棉花樣本。

不同檢測時間4組棉花的訓(xùn)練集回判和測試集判別的結(jié)果見表3，棉花4個蟲害試驗處理訓(xùn)練集回判正確率分別為100%、94.8%、81.3%和88.5%，訓(xùn)練集回判有少數(shù)樣本誤判，這可能由于栽培的棉花樣本影響因素眾多具有個體差異，而6、12、18、24、30、36、42和48 h測試集判別正確率分別為68.8%、56.3%、68.8%、84.4%、87.5%、71.9%、78.1%和78.1%，測試集判別總的正確率為73.4%。對不同檢測時間4組棉花樣本測試集進(jìn)行統(tǒng)計，0-P對照組測試集判別正確率100%，1-P處理測試集判別正確率84.4%，2-P處理測試集判別正確率37.5%，3-P處理測試集判別正確率71.9%，其中2-P處理測試集出現(xiàn)很多誤判，表明2-P處理揮發(fā)物與其他2個蟲害處理相近。0-P對照組沒有出現(xiàn)誤判表明健康棉花與蟲害棉花揮發(fā)物有明顯的區(qū)別。

從4組棉花樣本在8個不同檢測時間的RBFNN分析結(jié)果可以看出，健康棉花樣本可以正確的預(yù)測，訓(xùn)練集和測試集的正確率均為100%，不同數(shù)量蟲害棉花樣本預(yù)測的準(zhǔn)確率較低，這個結(jié)果與Henderson等[22]于2010年使用電子鼻對棉花蟲害的檢測結(jié)果相似，采用主成分分析對于有無椿象為害的棉花進(jìn)行區(qū)分可以獲得優(yōu)良的效果，但是對于椿象類別的區(qū)分則無法取得滿意的結(jié)果。這種結(jié)果可以從蟲害誘導(dǎo)棉花產(chǎn)生特異性揮發(fā)物來合理解釋，蟲害造成健康棉花與受害棉花釋放的揮發(fā)物成分、數(shù)量均存在很大差異，所以健康棉花樣本可以準(zhǔn)確預(yù)測，但是棉花樣本存在個體差異性，害蟲取食棉花在侵害時間和程度上存在不確定性，所以造成蟲害棉花樣本預(yù)測的準(zhǔn)確率不高。

表3 不同時間4組蟲害棉花處理的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)判別

注：0-P代表健康棉花對照組，1-P、2-P和3-P分別代表接棉鈴蟲1、2和3條的蟲害棉花處理。

Note: 0-P means healthy cotton as a control treatment. 1-P, 2-P, and 3-P treatments mean the infested cotton treatments that inoculated with 1, 2, and 3 bollworm larvae, respectively.

為了使電子鼻棉花蟲害檢測更具有實際應(yīng)用意義，對不同時間的蟲害棉花需要建立統(tǒng)一的預(yù)測模型，建模時不考慮時間因素把蟲害棉花分成4組，這樣每組處理的樣本為160個4組共計640個，在每組處理中隨機(jī)選取96個棉花樣本的電子鼻檢測響應(yīng)信號的穩(wěn)定值作為訓(xùn)練用、另64個棉花樣本作預(yù)測檢驗用。同樣采用RBFNN進(jìn)行分析，當(dāng)同時對4組棉花樣本進(jìn)行建模，訓(xùn)練集的回判正確率僅有66.1%，說明建立的模型不穩(wěn)定，0-P處理測試集判別正確率100%，1-P處理測試集判別正確率79.7%，2-P處理測試集判別正確率32.8%，3-P處理測試集判別正確率20.3%，除了0-P對照組判別的正確率較高其余各處理均有較多誤判，表明該模型只能對健康棉花與受到蟲害棉花進(jìn)行很好的預(yù)測。

結(jié)合表3中2-P處理測試集判別正確率很低，考慮在統(tǒng)一模型建立過程中去除2-P蟲害處理，這樣3組處理共計480個，在每組處理中隨機(jī)選取96個棉花樣本的電子鼻檢測響應(yīng)信號的穩(wěn)定值作為訓(xùn)練用、另64個棉花樣本作預(yù)測檢驗用。對3組棉花樣本進(jìn)行建模，訓(xùn)練集的回判的正確率為87.8%，0-P處理測試集判別正確率100%，1-P處理測試集判別正確率78.1%，3-P處理測試集判別正確率82.8%，表明去除2-P蟲害處理模型的穩(wěn)定性有了很大的提高，不僅能對健康棉花進(jìn)行準(zhǔn)確的預(yù)測，受到蟲害棉花預(yù)測的準(zhǔn)確性也很大的提高了。這可能是由于相對于蟲害對棉花揮發(fā)物的影響蟲害數(shù)量對棉花揮發(fā)物的影響較小，導(dǎo)致遭受蟲害棉花處理誤判較多，同時從另一方面也可以看出模型可以作為棉花是否遭受蟲害的預(yù)測。

從不考慮時間因素的4組棉花樣本的RBFNN分析結(jié)果可以看出，雖然健康棉花和蟲害棉花釋放的揮發(fā)物均存在節(jié)律性，棉花揮發(fā)物的成分和含量會隨著時間的變化而發(fā)生改變，但是2種RBFNN模型（全部蟲害試驗處理、去除2-P蟲害處理）對健康棉花樣本預(yù)測的正確率達(dá)到100%。對于不同數(shù)量蟲害棉花的預(yù)測，由全部蟲害試驗處理建立的RBFNN模型預(yù)測的正確率低，由去除2-P蟲害處理模型可以對蟲害棉花樣本進(jìn)行較準(zhǔn)確的預(yù)測，這種結(jié)果說明晝夜時間更替、是否遭受蟲害、蟲害數(shù)量都可以造成棉花釋放揮發(fā)物的變化，其中是否遭受蟲害在棉花揮發(fā)物變化中起到主要因素，這是健康棉花樣本能夠準(zhǔn)確預(yù)測的原因。蟲害數(shù)量多少一般反映植物危害情況，植物危害越嚴(yán)重，揮發(fā)物的揮發(fā)量越大，并且揮發(fā)物的成分也會發(fā)生改變[19]，但是由于棉花樣本的個體差異性以及害蟲取食的不確定性，本研究中每盆棉花苗按不同處理接蟲1、2和3條并不能很好的反映棉花的實際危害程度，造成蟲害棉花樣本預(yù)測的準(zhǔn)確度低。

3 結(jié) 論

1）對蟲害處理棉花處理電子鼻信號進(jìn)行主成分分析（Principal Component Analysis, PCA），健康棉花對照組的PCA和區(qū)分度值的結(jié)果表明，健康棉花釋放的揮發(fā)物具有明顯的節(jié)律性。蟲害棉花處理的分布規(guī)律明顯與健康棉花處理不同，具有沿第一和第二主成分變化的規(guī)律，蟲害誘導(dǎo)棉花的特異性揮發(fā)物釋放是持續(xù)的，同時也有具有晝夜循環(huán)節(jié)律性，且與健康的棉花差異顯著。

2）針對8個不同時間的4組棉花進(jìn)行系統(tǒng)聚類，所有結(jié)果顯示健康棉花對照組分為一類，而3組蟲害棉花處理分為一類，健康棉花與蟲害棉花可以明顯區(qū)分。

3）對8個不同時間的4組棉花進(jìn)行徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial Basis Function Neural Network, RBFNN）分析，測試集判別總的正確率為73.4%，健康棉花對照組測試集判別正確率100%，誤判樣本出現(xiàn)在3個蟲害棉花處理之間。

4）當(dāng)建模時不考慮時間因素，對全部4組棉花樣本進(jìn)行RBFNN建模分析，訓(xùn)練集的回判正確率僅有66.1%，說明建立的模型不穩(wěn)定。當(dāng)僅對0-P、1-P和3-P處理進(jìn)行RBFNN建模分析，訓(xùn)練集的回判正確率為87.8%，測試集預(yù)測結(jié)果顯示模型可以對健康棉花進(jìn)行準(zhǔn)確的預(yù)測，蟲害棉花處理預(yù)測的準(zhǔn)確性也很大的提高。

綜合上述分析，電子鼻檢測分析結(jié)果雖然對蟲害程度的預(yù)測還不完全準(zhǔn)確，但是建立的模型對健康棉花對照組的預(yù)測正確率均達(dá)到了100%，分析結(jié)果可以作為花鈴期棉花是否遭受棉鈴蟲侵害的依據(jù)，說明電子鼻可以作為棉花蟲害發(fā)生的有效監(jiān)測手段，在農(nóng)作物蟲害監(jiān)測領(lǐng)域具有很好實際的應(yīng)用價值。

[1] 翟治芬，徐哲，周新群，等. 基于樸素貝葉斯分類器的棉花盲椿象危害等級識別[J]. 農(nóng)業(yè)工程學(xué)報，2015，31(1)：204-211.

Zhai Zhifen, Xu Zhe,Zhou Xinqun, et al. Recognition of hazard grade for cotton blind stinkbug based on Naive Bayesian classifier[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(1): 204-211. (in Chinese with English abstract)

[2] Njoroge A W, Mankin R W, Smith B, et al. Effects of hypoxia on acoustic activity of two stored-product pests, adult emergence, and grain quality[J]. Journal of Economic Entomology, 2019, 112(4): 1989-1996.

[3] Dean T J, Drake V A. Monitoring insect migration with radar: the ventral-aspect polarization pattern and its potential for target identification[J]. International Journal of Remote Sensing, 2005, 26(18): 3957-3974.

[4] Boissard P, Martin V, Moisan S. A cognitive vision approach to early pest detection in greenhouse crops[J]. Computers and Electronics in Agriculture, 2008, 62(2): 81-93.

[5] Brushwood D E, Han Y J. Possible NIRS screening tool for entomological sugars on raw cotton[J]. Journal of Cotton Science, 2000, 4(2): 137-140.

[6] 盧輝，韓建國，張錄達(dá)，等. 高光譜遙感模型對亞洲小車蝗危害程度研究[J]. 光譜學(xué)與光譜分析，2009，29(3)：745-748.

Lu Hui, Han Jianguo, Zhang Luda. Study on hyper-spectral remote sensing models for monitoring damage of(Orthoptera: Acrididae)[J]. Spectroscopy & Spectral Analysis, 2009, 29(3): 745-748. (in Chinese with English abstract)

[7] 李強(qiáng)，谷宇，王南飛，等. 電子鼻研究進(jìn)展及在中國白酒檢測的應(yīng)用[J]. 工程科學(xué)學(xué)報，2017，39(4)；475-486.

Li Qiang, Gu Yu, Wang Nanfei, et al. Review of electronic-nose technologies and application for Chinese liquor identification[J]. Chinese Journal of Engineering, 2017, 39(4): 475-486. (in Chinese with English abstract)

[8] Laothawornkitkul J, Moore J P, Taylor J E, et al. Discrimination of plant volatile signatures by an electronic nose: A potential technology for plant pest and disease monitoring[J]. Environmental Science & Technology, 2008, 42(22): 8433-8439.

[9] Lan Yubin, Zheng Xianzhe, Westbrook J K, et al. Identification of stink bugs using an electronic nose[J]. Journal of Bionic Engineering, 2008, 5(Supp.): 172-180.

[10] Zhou Bo, Wang Jun. Use of electronic nose technology for identifying rice infestation by[J]. Sensors and Actuators B-Chemical, 2011, 160(1): 15-21.

[11] Ghaffari R, Laothawornkitkul J, Iliescu D, et al. Plant pest and disease diagnosis using electronic nose and support vector machine approach[J]. Journal of Plant Diseases and Protection, 2012, 119(5/6): 200-207.

[12] 程紹明，王俊，王永維，等. 基于電子鼻技術(shù)的不同特征參數(shù)對番茄苗早疫病病害區(qū)分效果影響的研究[J]. 傳感技術(shù)學(xué)報，2014，27(1)：1-5.

Chen Shaoming, Wang Jun, Wang Yongwei, et al. Research on distinguishing tomato seedling infected with early blight disease using different characteristic parameters by electronic nose[J]. Chinese Journal of Sensors and Actuators, 2014, 27(1): 1-5. (in Chinese with English abstract)

[13] 代雨婷，周博，王俊. 電子鼻技術(shù)在棉花早期棉鈴蟲蟲害檢測中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報，2020，36(3)：313-320.

Dai Yuting, Zhou Bo, Wang Jun. Application of electronic nose in detection of cotton bollworm infestation at an early stage[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(3): 313-320. (in Chinese with English abstract)

[14] Dudareva N, Klempien A, Muhlemann J K, et al. Biosynthesis, function and metabolic engineering of plant volatile organic compounds[J]. New Phytologist, 2013, 198(1): 16-32.

[15] De Moraes C M, Lewis W J, Pare P W, et al. Herbivore-infested plants selectively attract parasitoids[J]. Nature, 1998, 393: 570-573.

[16] Pare P W, Tumlinson J H. De novo biosynthesis of volatiles induced by insect herbivory in cotton plants[J]. Plant Physiology, 1997, 114(4): 1161-1167.

[17] Loughrin J H, Manukian A, Heath R R, et al. Volatiles emitted by different cotton varieties damaged by feeding beet armyworm larvae[J]. Journal of Chemical Ecology, 1995, 21(8): 1217-1227.

[18] McCormick A C, Boeckler G A, Kollner T G, et al. The timing of herbivore-induced volatile emission in black poplar () and the influence of herbivore age and identity affect the value of individual volatiles as cues for herbivore enemies[J]. BMC Plant Biology, 2014, 14(1): 304-316.

[19] Degenhardt D C, Greene J K. Influence of pyrethroid pesticide formulation on volatile emissions from cotton,L. leaves[J]. Journal of Agricultural and Urban Entomology, 2012, 28(1): 8-15.

[20] Turlings T C J, Erb M. Tritrophic interactions mediated by herbivore-induced plant volatiles: Mechanisms, ecological relevance, and application potential[J]. Annual Review of Entomology, 2018, 63(1): 433-452.

[21] R?se U S R, Tumlinson J H. Volatiles released from cotton plants in response tofeeding damage on cotton flower buds[J]. Planta, 2004, 218(5): 824-832.

[22] Henderson W G, Khalilian A, Han Y J, et al. Detecting stink bugs/damage in cotton utilizing a portable electronic nose[J]. Computers and Electronics in Agriculture, 2010, 70(1): 157-162.

Electronic nose for detection of cotton pests at the flowering stage

Zhou Bo1, Dai Yuting2, Li Chao1, Wang Jun2※

(1.,,224051,;2.310029,)

The cotton pests have the characteristics of concealment, migration, and sudden burst, and there are many influencing factors involved. The accurate diagnosis of cotton pests is a difficult problem in the agricultural field. Previous studies have demonstrated that cotton plants produce blends of volatile compounds in response to herbivores serve as cues for parasitic and predatory insects. Therefore, it is possible to obtain information about cotton pests by detecting volatile compounds in cotton. In this study, an electronic nose was used to detect the volatiles emitted by cotton plants damaged by cotton bollworm at the flowering period. The cotton samples were divided into four infested cotton treatments. According to the number of pests in each pot of cotton seedlings, the treatments inoculated with 0, 1, 2, and 3 bollworm larvae were marked as 0-P, 1-P, 2-P, and 3-P, respectively. The 0-P was healthy cotton as a control treatment. The cotton bollworm feeding lasted 48 h. During this period, the electronic nose detection tests were performed every 6 h, and a total of 8 repeated tests were performed. Appropriate pattern recognition techniques were applied to construct reliable algorithms for interpreting the acquired signal in cotton. Principal Component Analysis (PCA), discriminant function analysis, cluster analysis, and Radial Basis Function Neural Network (RBFNN) were applied to evaluate the data. The results of PCA and discrimination values of the healthy cotton treatment showed that the volatiles released by healthy cotton had obvious circadian rhythm. For the three infested cotton treatments, whereas the distribution patterns of cotton samples were different from that of the healthy cotton treatment. The three infested cotton treatments had regular distribution trends that cotton samples changed along the direction of the first and second principal components. Cluster analysis results showed that the four cotton treatments were all finally divided into two categories, the healthy cotton treatment, and the three infested cotton treatments. All these results suggested that there was a significant difference between healthy and damaged cotton samples. Then RBFNN was used to analyze four treatments of cotton samples at 8 different times. The results showed that the total correct rate of the test sets was 73.4%, the correct rate of the healthy cotton treatment was 100%, and the misjudgment samples appeared among the three infested cotton treatments. Moreover, two unified consecutive prediction models were established regardless of the time factor. The RBFNN model was established by using four treatments of cotton samples. The correct rate of the training sets was 66.1%, and the correct rates of the test sets were 100 %, 79.7 %, 32.8 %, and 20.3 % for the 0-P, 1-P, 2-P, and 3-P treatments, respectively. In another RBFNN model based on 0-P, 1-P, and 3-P treatments, the correct rate of the training sets was 87.8%, and the correct rates of the test sets were 100 %, 78.1%, and 82.8% for the 0-P, 1-P, and 3-P treatments, respectively. Comparing the results of the two RBFNN models, the prediction accuracy of the second model had been greatly improved. At the same time, it was also found that the prediction accuracy of all RBFNN models for healthy cotton treatment reached 100%. Therefore, the electronic nose could be used as an effective monitoring method for the occurrence of cotton bollworm in the cotton plants. It should have a potential application for crop pest monitoring in the field.

electronic nose; neural network; prediction; cotton; cotton bollworm; pattern recognition

周博，代雨婷，李超，等. 花齡期棉花蟲害的電子鼻檢測[J]. 農(nóng)業(yè)工程學(xué)報，2020，36(21)：194-200.doi：10.11975/j.issn.1002-6819.2020.21.023 http://www.tcsae.org

Zhou Bo, Dai Yuting, Li Chao, et al. Electronic nose for detection of cotton pests at the flowering stage[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(21): 194-200. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.21.023 http://www.tcsae.org

2020-05-06

2020-08-18

國家自然科學(xué)基金資助項目（31671583）

周博，博士，副教授，主要從事電子鼻技術(shù)在農(nóng)業(yè)檢測中的應(yīng)用研究。Email：zjzhobo@163.com

王俊，博士，教授，主要從事電子鼻、電子舌技術(shù)開發(fā)及其智能檢測應(yīng)用研究。Email：jwang@zju.edu.cn

10.11975/j.issn.1002-6819.2020.21.023

S224.3

A

1002-6819(2020)-21-0194-07