香梨脆度的力声同步检测

张金阁，周 婷，王 鹏，吴 杰,2

香梨脆度的力声同步检测

张金阁1，周 婷1，王 鹏1，吴 杰1,2※

（1. 石河子大学机械电气工程学院，石河子 832000；2. 绿洲特色经济作物生产机械化教育部工程研究中心，石河子 832003）

为了实现香梨脆度接近触听感官的准确评价，该研究采用质构仪和声音包络检波器（Acoustic Envelop Detector，AED）相结合同步采集香梨穿刺的力声信号，然后用峰值法从力声曲线中分别提取15个力学参数和6个声学参数，在对各参数自相关分析的基础上，选取12个力学参数和4个声学参数应用人工神经网络（Artificial Neural Network，ANN）和支持向量机（Support Vector Machine，SVM）两种算法分别基于力学参数、声学参数和力声参数融合构建不同香梨果肉脆度分类模型，并比较各模型分类性能。研究结果表明，无论SVM模型还是ANN模型，力声学参数融合所构建的模型比单独使用任一种参数所构建的模型能更准确进行香梨脆度分类，ANN模型采用三层隐藏层每层14个隐藏节点结构，脆度分类准确率较高，为96.1%；采用二次核函数构建SVM模型的分类准确率较高，为93.8%。两种分类模型对不同脆度香梨具有基本相同的分类能力，均可满足对不同脆度香梨准确分类的要求，可为香梨及其他湿脆性果蔬脆度分类检测提供参考。

机器学习；模型；库尔勒香梨；脆度；力声测量

0 引 言

库尔勒香梨是新疆特色梨果，其“酥脆”品质是香梨产业对外宣传的亮点[1]。随着香梨种植面积不断扩大，产地、水土、温度、光照等方面不同导致香梨品质产生较大差异[2]，而脆度差异是当前消费者主要反映的品质差异。在库尔勒香梨标准里，只对硬度、可溶性固形物品质进行检测[3-5]，脆度不能简单等同于硬度，它是人在咀嚼果肉过程中产生的力和声行为的触听综合感知[6]，既难以明确语义表述，又难以准确测量，因此需要对香梨果肉脆度进行准确检测研究，这对实现更接近消费者口感的香梨内部品质检测具有重要意义。

到目前为止，脆度主要是依靠感官评估专家或训练有素的感官评价员进行感官测试[7-9]，在这种评价过程中，感官测试人员易疲劳且效率低下。为了克服感官测试的这些缺点，国内外有学者探索采用仪器测试并评价食品脆度，有研究采用穿刺的力学测试方法模拟门齿咬食物的过程测量果蔬类食品的脆度[10]，也有研究采用压电传感器与力学测量探头结合采集穿刺破裂产生的信号，对柿子[11]、包菜[12]、苹果[13]和葡萄[14]脆度检测，但这一检测方法的压电传感器是以接触式采集声学信号，难以实现力声信号同步测量，并且测量结果易受到探头类型和穿刺速度的影响[15]。近年来，质构仪实现了与非接触方式的声音包络检波器（Acoustic Envelop Detector，AED）力声同步测量，已有研究用于如薯片[16-17]、葡萄[18]、苹果[19-21]等脆度测量，这为本研究准确检测香梨果肉脆度提供了重要参考。

机器学习广泛用于果蔬品质分类检测，在各种算法中，支持向量机（Support Vector Machine，SVM）方法和人工神经网络（Artificial Neural Network，ANN）在解决脆度分类检测有较强适用性[16]，其中SVM选择合适的核函数构造模型可以取得很好分类效果，对小样本和高维数据情况下的分类问题都适用，还可以解决分类时的非线性问题；ANN构造合适的网络拓扑结构，在解决分类问题时具有较强的鲁棒性和容错能力[22]。

因此，本研究采用质构仪结合声音包络检波器（AED）同步采集香梨果肉破碎力声信号并提取特征参数，然后采用SVM和ANN两种算法基于不同力声学参数分别构建模型，以实现对不同脆度的香梨准确分类。

1 材料与方法

1.1 试验材料

库尔勒香梨（以下简称香梨）试样于2019年9月采自新疆库尔勒沙依东园艺场（41.725°N，86.174°E），剔除畸形、损伤、病害果及突顶果，香梨基本物性参数见表1。采后在−2～0 ℃及相对湿度85%～95%环境冷藏，待测试样需在室温（25±1）℃条件回温24 h。

表1 库尔勒香梨试样的基本物性参数

挑选出250个香梨贮藏在温度为（26±2）℃，相对湿度20%的条件下，贮藏时间分别为0，10，20，30和40 d。试样制样方法如图1所示，将梗端和萼端切除保留中间，采用直径15 mm的取样器从香梨赤道部位提取果肉柱样，避免接近果皮和果仁，然后采用一自制切样装置切取10 mm高度柱样，确保上下两切面平齐。每个香梨取4～6个测试柱样。分别提取梗端和萼端的果肉进行含水率和可溶性固形物含量的测量。

1.2 香梨果肉可溶性固形物含量与含水率测定

采用PR-101型手持式糖度计（日本ATAGO公司）测量香梨果肉的可溶性固形物含量，采用电热鼓风干燥机（上海一恒科学仪器有限公司，功率1 550 W）对香梨果肉干燥24 h，电子天平（上海卓精电子科技有限公司，精确度0.000 1 g）对干燥前后的香梨果肉称量，然后计算确定香梨果肉含水率。

1.3 力声同步测试

为了获得香梨破碎时的力学和声学两种信息，使用配有声音包络检波器（AED）的TA.XTplus质构仪（英国Stable Micro System公司）对香梨试样进行力声同步穿刺测试（如图2所示）。测试时，采4 mm圆柱探头穿刺果肉，为了避免电机惯性的影响，穿刺前和穿刺中速度均为2 mm/s，穿刺后速度为10 mm/s，穿刺深度为8 mm，初始触发力为0.049 N，用50 kg压力传感器记录力学信号，数据采样频率为500 Hz。

声学信号采集的AED由4188型麦克风（丹麦B&K公司）、2671型前置放大器（丹麦 B&K公司）和信号调理系统（英国 Stable Micro System公司）组成，频响范围为3 125～12 000 Hz。为了便于声学信号采集，麦克风水平放置，距圆柱探头轴线2 cm处且位于香梨试样中高位置。采用4231型声音校准器（丹麦B&K公司）对麦克风进行两次校准，第一次将声音校准器设置为114 dB下校准，第二次在94 dB下进行校准。AED的包络增益设为2，以增加系统对声音采集的灵敏度，声学信号与力学信号的采集频率保持一致。声学信号的采集和力学信号的采集均由Exponent软件（英国 Stable Micro System公司）同时进行采集，质构仪中的力传感器进行采集力学信号时，同时麦克风开始对试样破碎的声学信号进行采集。

1.4 力学和声学特征参数的提取

力学及声学的变形曲线如图3所示。采用Texture Exponent Exceed软件（英国Stable Micro System公司），参考文献[9,20,23-24]，从力学曲线中提取15个参数（图4a所示），从声学曲线中提取6个参数（图4b所示），具体见表2。

表2 力学和声学特征参数

2 数据处理与分析

2.1 自相关分析

总共提取16个力学参数和5个声学参数，对力学和声学特征参数进行自相关分析，观察各参数之间是否具有较高的线性相关性，判断是否有较多冗余信息。

2.2 机器学习算法

总共有1 189个数据可供分类算法训练和测试，在进行机器学习算法之前，为了避免数据受度量单位影响，采用Min-max标准化法对所有数据进行标准化处理。采用支持向量机和人工神经网络两种常用算法分别构建香梨果肉脆度分类模型，构建过程如图5所示。

对于SVM模型，采用一对一的方法构建，包含10个子模型。预研究可知，模型采用二次核函数可得到稳定可靠和较高准确率的模型，采用10折交叉验证的方法对SVM优化[25-26]。采用70%的样本进行训练，30%的样本进行测试。

对于ANN模型，预研究可知隐藏层14个节点结构的ANN模型准确率较高。模型激活函数采用双曲正切S型传递函数，输出层采用指数传递函数。为了能够增加模型稳定性，提高运算速度和精度，最大迭代次数设为1 000次，目标误差设为0.000 001。训练采用量化连接梯度训练函数，前馈计算使用70%的样本进行反向传播训练，15%的样本进行验证，15%的样本进行测试。

3 结果与分析

3.1 可溶性固形物含量和含水率随香梨贮藏时间的变化

常温贮藏时，香梨会从青熟向后熟发展。如图6所示，香梨果肉可溶性固形物和含水率随贮藏时间分别逐渐增大和减小。香梨果肉含水率减少，细胞膨压随之降低，致使细胞对细胞壁压力降低。香梨可溶性固形物含量增大，则是因为在多聚半乳糖醛酸酶与纤维素酶共同参与下，使香梨果肉薄壁细胞中胶层的果胶物质和纤维素逐渐水解[27]，果肉细胞壁中不溶于水的原果胶转变成可溶性果胶。正是在香梨含水率减小和可溶性固形物含量增大的双重作用下，导致香梨果肉随着贮藏期增加出现脆度明显下降，因此香梨含水率和可溶性固形物成为表征香梨脆度变化的重要理化指标。

3.2 香梨果肉穿刺力声变形曲线分析

图7为不同贮藏期香梨果肉典型的穿刺力学和声学曲线，反映了5种不同脆度香梨果肉在外力作用下的多重断裂行为。可以看出，大多数力峰产生都伴随着声峰出现，但声峰数量远多于力峰数量。当果肉组织受力较小时，果肉组织不发生破裂，但从图中力变形曲线初始的弹性区域内可以看出，仍有一定数量的声峰产生，这是由少量细胞破裂释放细胞内液产生声波所致。当施加在组织上的外力进一步增大时，使更多细胞破裂参与裂纹扩展，导致较多的果肉组织破裂，因而伴随更多声峰出现的同时产生力峰[28]。对于果肉组织破裂产生的力峰，被食用者牙齿感知，反映了果肉的食用脆度力学感知；对于果肉组织破裂时所产生的声波序列，被食用者耳朵感知并描述为“嘎吱声”，反映了果肉的脆度听学感知。

根据5种不同贮藏时间的香梨果肉力声曲线可以看出，贮存初始的香梨为青熟香梨，脆度较大，此时力峰数较多，力峰尖细且力峰值最大，幅度变化显著，各声峰值和力谷也相对较大；此时的力功、平均力、最大力、第一个力降、平均力降、最终力、力线性距离、平均声压级、第一次断裂声压级和声功均较大。随着贮藏时间的增加，香梨果肉脆度逐渐下降，此时各力峰值、力谷、力功、平均力、最大力、第一个力降、平均力降、最终力、力线性距离和声峰值均减小，峰值变化幅度减小，力曲线开始逐渐变得平缓，声曲线幅值从0～10 d下降，在20 d出现上升随后到40 d呈现逐渐下降趋势。值得注意的是，在20 d香梨果肉的声学曲线有较明显差异，其声峰值较大，声峰密集且较多，这可能是由于此期间香梨成熟较快，细胞膨压下降，细胞壁强度下降，从而导致受力时引起更多细胞破裂造成的，这在Cortellino等[29]关于货架期莴苣破碎力声同步测试研究结果也有类似现象发现。当香梨贮藏40 d，在其果肉穿刺力声曲线中，力峰值、力谷、声峰值、力功、平均力、最大力、第一个力降、平均力降、最终力、力线性距离及声峰数显著下降，力峰数降至最少，曲线趋于平坦，峰值变化幅度明显减小，此时期的香梨果肉口感较软，酥脆度大大下降。

3.3 力声参数的自相关性分析

图8为表示不同贮藏期香梨的力学和声学参数相关性的矩阵散点图，散点图中的散点呈线性集中分布，表明两特征参数相关性较高。在力学参数中，杨氏模量与低应变刚度、平均力与力功、力差与力比之间的散点呈线性分布特征，因此相关性较高；在声学参数中，平均声压级与声峰数、声线性距离与声功之间的散点分布也呈线性分布而具有较高相关性。其余参数之间的散点分布状态较杂乱无规律，因此相关性不高。此外，散点图中有5种不同颜色的点，代表5个不同贮藏时期香梨的同一力声参数，如果不同颜色清晰可见，同一颜色点的数据点集中说明这些参数值在不同贮藏期的香梨之间分布差异较大。

图中对角线上为各参数的分布直方图，反映了5个贮藏期香梨力声特征参数的分布区间。可以看出，在不同贮藏期香梨的力学和声学参数中，力学参数中的杨氏模量、低应变刚度、高应变刚度、平均力、力功、力线性距离以及声学参数中的声峰数、平均声压级的分布重叠性较低，变化趋势显著，表明这些参数在不同贮藏期香梨之间有较大差异。与这些特征参数对应的散点图中也可以看出，代表5个不同贮藏期香梨力声参数的5种颜色点可以明显区分。除此之外，其余各参数的5条直方图曲线重叠性高，所对应的散点图中不同颜色点重合度也较大，说明这些参数值在不同贮藏期香梨中变化较小。

为进一步了解参数之间的相关性，力声参数相关性计算结果见图9所示的相关系数矩阵。

可以看出，相关性矩阵图在右下角和左上角分别形成两块颜色较深的正方形区域，恰好对应声学参数和力学参数，力学参数之间、声学参数之间都有较显著的正或负相关性，这在声学参数中尤为显著。在力学参数中，杨氏模量与低应变刚度、平均力与力功、力差与力比之间都呈高度相关（||>0.9）；声学参数中，平均声压级与声峰数、声功与声线性距离之间的相关系数分别为0.96、0.97，也都具有强相关性。比较而言，力学参数和声学参数之间的相关性并不显著，只有力学参数的力峰数、力线性距离与声功的相关系数分别为0.46、0.43，呈低度相关（0.3<||<0.5）。综上所述，考虑到21个力声参数中有5对参数有较强线性相关性，存在信息冗余，因此本研究取5对参数中易于提取的杨氏模量、平均力、力差、平均声压级，与其他11个互相关性低的参数共同构建香梨脆度分类模型。

3.4 机器学习模型

3.4.1 基于ANN模型香梨脆度分类结果

采用上述确定的12个力学和4个声参数，应用三层隐含层结构且每层14个隐藏层节点数的网络结构分别基于力学参数、声学参数和力-声参数融合构建ANN模型，对不同脆度香梨分类结果如图10。采用力学参数时（图10a和图10b所示），ANN测试集模型对0和40 d脆度有较大差异时的香梨分类准确率较高，分别为61.0%和69.0%，但是对贮藏10、20和30 d脆度差异较小的香梨分类准确率都低于50%，导致ANN模型训练集和测试集对香梨总体分类准确率都很低，分别只有53.8%和53.9%，这说明力学参数构建的ANN模型对脆度差异较小的香梨分类能力很低。

当采用声学参数构建ANN模型时（图10c和图10d所示），模型测试集中对10、20和30 d有较小脆度差异香梨的分类准确率提高明显，分别高达93.2%、89.7%和86.6%，模型训练集和测试集的总体分类准确率分别都提高至83.0%和83.7%，这表明声学参数构建的ANN模型较力学参数模型具有较强的脆度分类能力。

当采用力学和声学两种参数融合构建的ANN模型时（图10e和图10f所示），对每一种脆度的香梨分类准确率均在85%以上，其中对0、10、30和40 d的分类准确率在90%以上，训练集和测试集的总体分类准确率分别达93.2%和96.1%，显然力学参数和声学参数结合，有力提升了ANN模型对香梨脆度的分类能力。

3.4.2 基于SVM模型的香梨脆度分类结果

采用力学参数，声学参数和力-声参数融合构建二次核函数SVM分类模型，对不同脆度香梨分类结果如图11所示。由图11a可以看出，当采用力学参数构建SVM模型时，与ANN模型类似，测试集对贮藏10、20和30 d具有较小脆度差异香梨的分类准确率均低于40%，模型测试集和训练集总体分类准确率分别为56.0%和53.3%；采用声学参数构建模型时，较力学参数构建的SVM模型，也提升了香梨脆度分类准确率，测试和训练集总体分类准确率分别为81.2%和81.3%（图11c和图11d）。当力-声参数融合构建SVM模型时，测试集和训练集总体分类准确率分别提高至92.0%和93.8%（图11e和图11f），这进一步表明，力声参数融合构建的模型对香梨脆度分类的能力要优于力学或声学单一类型参数构建的模型。

3.4.3 两种模型的学习曲线对比

图12为三层隐含层结构且每层14个隐藏层节点数的ANN网络模型和二次核函数SVM模型的学习曲线，训练样本变化每组5个样本开始，以步长5增加样本，每个模型训练和预测3次，分类准确率以平均值加标准差表示，虚线部分为采用多项式幂函数拟合预测分类准确率随着样本数增加的增长趋势。

从两种网络模型学习曲线可以看出，当每种脆度香梨样本数为10时，模型在测试集的分类准确率都较低，当每组样本增加至50时，分类准确率都快速提高，增至90%左右，当组样本至少为100时模型分类准确率均超过90%，因此在满足每组样本数超过100时所训练模型可以满足分类要求。当组样本继续增加时，模型分类准确率持续缓慢增加，增至200后， ANN模型和SVM模型的分类准确率分别趋于97%和96%，达到稳定而不再变化。

4 结 论

1）从香梨果肉穿刺同步采集的力声响应曲线中提取的15个力学参数和6个声学参数中，只有杨氏模量与低应变刚度、平均力与力功、力差与力比、平均声压级与声峰数、声线性距离与声功5对参数具有较强线性相关性，未出现太多的冗余信息。

2）基于筛选后的12个力学参数、4个声学参数构建的ANN模型和SVM模型中，力-声参数融合构建的模型对不同脆度香梨分类准确率较高，其次是声学参数构建的模型，较低是力学参数构建的分类模型。

3）对于力-声参数融合构建的ANN模型，采用三层隐藏层每层14个节点，其模型具有较高分类准确率，为96.1%；对于力-声参数融合构建的SVM模型，采用二次核函数构建的模型具有较高分类准确率，为93.8%。ANN模型和SVM模型不断学习训练，分类能力基本接近一致，分别趋于97%和96%。该研究对研究湿脆性果蔬脆度提供一种新方法，从力学和声学两种信号考虑，从果蔬破碎时产生的力学和声学信号中提取特征参数，采用人工神经网络和支持向量机根据提取的特征参数构建脆度评估模型，可以对不同脆度的果蔬做出准确评估。

[1] 刘玮. 库尔勒香梨研究进展[J]. 安徽农学通报，2009，15(11)：163-164.

Liu Wei. Progress on research of Korla pear[J]. Anhui Agricultural Science Bulletin, 2009, 15(11): 163-164. (in Chinese with English abstract)

[2] 井春芝. 库尔勒香梨产业发展现状、存在的问题及建议[J]. 新疆林业，2018(3)：25-27.

Jing Chunzhi. Korla fragrant pear industry development status, existing problems and suggestions[J]. Xinjiang Forestry, 2018(3): 25-27. (in Chinese with English abstract)

[3] 王志鹏，吴杰，赵正强，等. 基于声振响应法的香梨硬度无损检测[J]. 农业工程学报，2016，32(4)：277-283.

Wang Zhipeng, Wu Jie, Zhao Zhengqiang, et al. Non-destructive detection of Korla pear stiffness based on acoustic vibration measurement[J]. Transactions of the ChineseSociety of Agricultural Engineering (Transactions of the CSAE), 2016, 32(4): 277-283. (in Chinese with English abstract)

[4] 赵正强，吴杰，王志鹏，等. 香梨振动模态分析及硬度评估指标构建[J]. 农业工程学报，2015，31(23)：277-284.

Zhao Zhengqiang, Wu Jie, Wang Zhipeng, et al. Vibration modal analysis of Korla pear and establishment of stiffness evaluation index[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2015, 31(23): 277-284. (in Chinese with English abstract)

[5] 中华人民共和国农业部. 库尔勒香梨：NY/T 585-2002[S]. 北京：中国标准出版社，2002.

[6] Tunick M H , Onwulata C I , Thomas A E , et al. Critical evaluation of crispy and crunchy textures: A review[J]. International Journal of Food Properties, 2013, 16(4): 949-963.

[7] Gregersen S B, Povey M J W, Kidmose U, et al. Identification of important mechanical and acoustic parameters for the sensory quality of cocoa butter alternatives[J]. Food Research International, 2015, 76(3): 637-644.

[8] 孙钟雷，李宇，陈毅，等. 榨菜脆性的感官评定和仪器分析[J]. 食品科技，2014，39(8)：272-276.

Sun Zhonglei, Li Yu, Chen Yi, et al. Sensory evaluation and instrumental analysis of crispness of pickled mustard tuber[J]. Food Science and Technology, 2014, 39(8): 272-276. (in Chinese with English abstract)

[9] Cortellino G, Piazza L, Spinelli L, et al. Influence of maturity degree, modified atmosphere and anti-browning dipping on texture changes kinetics of fresh-cut apples[J]. Postharvest Biology and Technology, 2017, 124: 137-146.

[10] Roudaut G, DacremontC,Vallès PàmiesB, et al. Crispness: A critical review on sensory and material science approaches[J]. Trends in Food Science and Technology, 2002, 13(6/7): 217-227.

[11] Taniwaki M, Hanada T, Sakurai N. Postharvest quality evaluation of “Fuyu” and “Taishuu” persimmons using a nondestructive vibrational method and an acoustic vibration technique[J]. Postharvest Biology and Technology, 2009, 51(1): 80-85.

[12] Taniwaki M, Sakurai N. Texture measurement of cabbages using an acoustical vibration method[J]. Postharvest Biology and Technology, 2008, 49(2): 176-181.

[13] Zdunek A, Cybulska J, Konopacka D, et al. Evaluation of apple texture with contact acoustic emission detector: A study on performance of calibration models[J]. Journal of Food Engineering, 2011, 106(1): 80-87.

[14] Shin-ichiro Iwatani, Hiroshi Yakushiji, Nobuhito Mitani, et al. Evaluation of grape flesh texture by an acoustic vibration method[J]. Postharvest Biology and Technology, 2011, 62(3): 305-309.

[15] Aboonajmi M, Jahangiri M, Hassan-Beygi S R. A Review on application of acoustic analysis in quality evaluation of agro-food products[J]. Journal of Food Processing and Preservation, 2015, 39(6): 3175-3188.

[16] Sanahuja S, Fédou M, Briesen H. Classification of puffed snacks freshness based on crispiness-related mechanical and acoustical properties[J]. Journal of Food Engineering, 2018, 226: 53-64.

[17] Kwak H S, Chang Y H, Lee Y. Estimation of crispness and consumer acceptance of fried potato chips by mechanical and acoustic measurements[J]. International Journal of Food Science and Technology, 2015, 50(2): 500-506.

[18] GiacosS, ZeppaG, BaianoA. Assessment of sensory firmness and crunchiness of table grapes by acoustic and mechanical properties[J]. Australian Journal of Grape and Wine Research, 2015, 21(2): 213-225.

[19] Davide Ballabio, Viviana Consonni, Fabrizio Costa. Relationships between apple texture and rheological parameters by means of multivariate analysis[J]. Chemometrics and Intelligent Laboratory Systems, 2012, 111(1): 28-33.

[20] Piazza L, Giovenzana V. Instrumental acoustic-mechanical measures of crispness in apples[J]. Food Research International, 2015, 69: 209-215.

[21] Chang H Y, Vickers Z M, Tong C B S. The use of a combination of instrumental methods to assess change in sensory crispness during storage of a “Honeycrisp” apple breeding family[J]. Journal of Texture Studies, 2018, 49(2): 228-239.

[22] 李媛媛，常庆瑞，刘秀英，等. 基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算[J]. 农业工程学报，2016，32(16)：135-142.

Li Yuanyuan, Chang Qingrui, Liu Xiuying, et al. Estimation of maize leaf SPAD value based on hyperspectrum and BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(16): 135-142. (in Chinese with English abstract)

[23] 余丽娟，吴杰，马宏强，等. 香梨果肉穿刺力响应谱的峰值法分析及脆度评价[J]. 石河子大学学报：自然科学版，2019，37(1)：87-92.

Yu Lijuan, Wu Jie, Ma Hongqiang, et al. Crispness evaluation of Korla pear flesh in puncture by peak analysis of force response spectrum[J]. Journal of Shihezi University: Natural Science, 2019, 37(1): 87-92. (in Chinese with English abstract)

[24] Blonska A, Marzec A, Blaszczyk A. Instrumental evaluation of acoustic and mechanical texture properties of short dough biscuits with different content of fat and inulin[J]. Journal of Texture Studies, 2014, 45(3):226-234.

[25] Domingos P. A few useful things to know about machine learning[J]. Communications of the ACM, 2012, 55(10): 78-87.

[26] Saidi L, Ben Ali J, Fnaiech F. Application of higher order spectral features and support vector machines for bearing faults classification[J]. Isa Transactions, 2015, 54: 193-206.

[27] 雷虹，高忠诚，秦智伟. 盐渍幼瓜的脆度研究[J]. 中国调味品，2002(11)：19-22.

Lei Hong, Gao Zhongcheng, Qin Zhiwei. The crisp study of the young salting melon[J]. China Condiment, 2002(11): 19-22. (in Chinese with English abstract)

[28] Kilcast D. Measuring consumer perceptions of texture: An overview[J]. Texture in Food, 2004,2: 3-32.

[29] Cortellino G, Gobbi S, Rizzolo A. Shelf life of fresh-cut lamb’s lettuce (L.) monitored by electronic nose and relationship with chlorophyll a fluorescence and mechanical-acoustic test[J]. Postharvest Biology and Technology, 2018, 136: 178-186.

Simultaneous mechanical-acoustic measurement of the crispness of Korla pears

Zhang Jinge1, Zhou Ting1, Wang Peng1, Wu Jie1,2※

(1.,,832000,; 2.,832003,)

Korla pear, a native fruit, is famous for its crispy and sweet taste. There is a large difference in the internal quality of pears, due to the changes in soil, water, and light intensity of the ever-increasing planting area for Korla pear.At present, only firmness and soluble solid content are used as indicators for the internal quality evaluation in the pear grading standard. Nevertheless, the indicator “crispness” is not equivalent to the firmness of the fruit. The crispness reflects the tactile and auditory comprehensive perception of force and sound behavior generated in the process of chewing pear flesh. Since it is difficult to measure and explain through clear semantics, the crispness has not been taken as the standard of internal quality evaluation and classification. A sensory testing is widely accepted to evaluate the crispness, providing by experts or trained panelists, but sensory testers are prone to fatigue and low efficiency. Therefore, it is necessary to investigate an approach to accurately detect the crispness of pears to the taste of consumers. In this study, a total of 250 pears were stored at (26±2) ℃ and 20% relative humidity (RH), where the storage time was 0, 10, 20, 30 and 40 d. A texture analyzer combined with an acoustic envelope detector was used to simultaneously collect the signals of force and sound, where 4-6 cylindrical samples were tested in each pear. 15 mechanical parameters and 6 acoustic parameters were extracted from force and sound signals using the peak, particularly on the parameters autocorrelation. The results showed that there was a highly strong correlation with relatively little redundancy in 5 pairs of parameters, including the acoustic power and sound linear distance, the average level of sound pressure and sound peak number, Young ' s modulus and low strain stiffness, average force and work, force difference and force ratio. All the mechanical and acoustic parameters can be directly used to construct the classification model without dimensionality reduction. The artificial neural network (ANN) and support vector machine (SVM) were used to classify the crispness of Korla pears. Three types of parameter datasets were fed to train the ANN and SVM models: mechanical and acoustic parameters, as well as the combination of mechanical and acoustic parameters. A comparison of ANN models showed that the model using a three-layer hidden structure (14 nodes in each layer) achieved the highest classification accuracy. In the SVM with different kernel functions, the model with the quadratic kernel function displayed the best classification performance. A combination of mechanical and acoustic parameters was more applicable to detect the crispness of pear flesh than only mechanical or acoustic parameters. In learning curve, the classification accuracy of the SVM and ANN models achieved 96.1% and 93.8%, respectively. Therefore, the models can meet the requirements of accurate classification for pears with different crispness. This finding can provide practical guidance to evaluate the crispness of pear flesh during harvest, processing, and storage.

machine learning; models; Korla pear; crispness; mechanical-acoustic measure

张金阁，周婷，王鹏，等. 香梨脆度的力声同步检测[J]. 农业工程学报，2021，37(1)：290-298.doi：10.11975/j.issn.1002-6819.2021.01.034 http://www.tcsae.org

Zhang Jinge, Zhou Ting, Wang Peng, et al. Simultaneous mechanical-acoustic measurement of the crispness of Korla pears[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(1): 290-298. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.01.034 http://www.tcsae.org

2020-09-08

2020-10-27

国家自然科学基金地区科学基金项目（31860466）

张金阁，研究方向为农产品品质检测。Email：752903659@qq.com

吴杰，教授，博士生导师，研究方向为农产品品质安全与检测研究。Email：wjshz@126.com

10.11975/j.issn.1002-6819.2021.01.034

S661.2

A

1002-6819(2021)-01-0290-09