基于声振信号的香梨内部早期褐变判别

张 慧，吴 杰,2

·农产品加工工程·

基于声振信号的香梨内部早期褐变判别

张 慧1，吴 杰1,2※

（1. 石河子大学机械电气工程学院，石河子 832003；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）

香梨内部发生的褐变病害对香梨品质有严重影响，迫切需要对香梨内部早期褐变实现快速准确判别以减少贮藏期损失并提高商品率。该研究基于压电梁式传感器搭建声振无损检测装置系统，从香梨声振响应信号中提取了11个时域特征参数和7个频域特征参数，分别组成时域特征向量、频域特征向量和组合域特征向量（时域和频域参数组合），然后利用补偿距离评估技术评估各特征参数对香梨内部褐变的敏感性，输入敏感性较大的特征参数训练香梨内部褐变-近邻域（-nearest neighbor, KNN）判别模型。通过对模型判别结果的混淆矩阵分析，采用3个时域参数（波形因子、峭度、方根幅值）和1个频域参数（频率方差）构建香梨内部早期褐变KNN模型（近邻数=5）用于判别早期褐变香梨，准确率和1值分别为91.84%和92.59%；对已识别的褐变香梨，采用2个时域参数（波形因子、裕度因子）和1个频域参数（均方频率）构建香梨内部轻度褐变KNN模型（=7）进一步判别其中的轻度褐变香梨，准确率和1值分别为81.82%和83.33%。研究结果可为今后声振法香梨内部褐变实时在线检测和自动化分级技术研发提供参考。

无损检测；果实；香梨；内部褐变；统计特征参数；-近邻域算法；声振法

0 引 言

库尔勒香梨销售时间长，贮藏过程中会发生果心褐变病害。对经销商来说，若能鉴别出处于病害初期的香梨，有助于早期阻止病害发展，避免严重时侵染其他健康果；对于梨果产品加工，若能剔除内部轻微褐变果，有助于完全消除毒素及病菌污染的风险。由于香梨内部褐变具有隐蔽性，目前尚无有效检测手段[1-2]，因此，迫切需要实现香梨早期褐变的快速无损检测以保证香梨商品率。

声振法在果蔬品质无损检测领域具有设备简单、技术成本较低的应用优势，然而，该方法对果蔬内部缺陷检测效果在早期研究报道中还不是很理想。Diezma-Iglesias等[3]利用此技术对完好西瓜和空心西瓜的分类准确率低于80%，对空心、黑心腐烂马铃薯的判别率为81%[4]。近年来，声振检测技术日趋成熟，出现了一种新型压电梁式传感器，具有声阻抗低、频响宽、质轻价廉的优点[5]。Kadowaki等[6]和Nakano等[7]分别利用这种传感器检测内部腐烂梨和裂核桃，总判别准确率均超过95%，这为声振法实现香梨内部褐变无损检测技术提供了新的契机。在声振法检测的研究中，多数学者都采用共振频率识别果蔬内部病害[6-9]，但其变化值低于频率分辨率时，对内部品质差异不大果实的判别能力会稍有不足。Lei等[10]提出，声振响应信号的统计特征参数表征信号全局特性，可综合反映材料固有性质，国内外许多学者利用响应时域和频域中的统计特征参数已有效检测了不同机械设备故障[11-15]，准确率最高可达100%[16]。尽管这种特征参数已成功应用于机器故障诊断领域，但在水果内部病害检测方面还少有报道。值得关注的是，近年来有研究将统计特征参数用于水果成熟度的检测，Abbaszadeh等[17]和Arenga等[18]分别采用时域和频域的统计特征参数实现了西瓜和可可的成熟度判别，准确率均在95%以上。到目前为止，还没有研究利用域信号的统计特征参数来识别果实内部病害，对于香梨内部褐变，这是一种值得探索的研究思路。

对果蔬内部病害进行识别检测是一个分类问题，作为数据挖掘分类技术中最简单也是最常用的方法之一，-近邻域（-nearest neighbor, KNN）算法凭借其易于理解、无需估计参数、分类速度快等优点[19]，在果蔬内部缺陷识别和机器故障诊断中多有应用。Moscetti 等[20]提取图像统计特征参数建立KNN模型，有效判别了橄榄果的内部虫害。Pandya等[21]和Islam等[22]分别基于该算法构建模型用于分类轴承和变压器故障类型，总分类准确率均超过97%。因此本文基于压电梁式传感器开展了香梨内部褐变的声振检测研究，从香梨声振响应的时域和频域信号中分别提取统计特征参数，采用KNN法进行香梨内部早期褐变和轻度褐变判别模型的构建，为今后利用声振法的香梨内部病害在线检测技术研发提供依据。

1 材料与方法

1.1 香梨试样

处于青熟期的香梨于2018年9月在新疆库尔勒同一果园手工采摘（41°45′N，86°5′E），剔除损伤、畸形及病虫害的香梨，随后立即贮藏于−2～0 ℃、相对湿度为85%～95%的商业冷库中以备试验使用。表1为香梨试样的基本物性参数。

表1 香梨试样的物性参数（样本量n=200）

1.2 内部褐变香梨试样的制备

随机选择100个香梨放置在超净工作台上（BHC-1300IIA2，北京阿尔泰实验室设备有限公司），参考Xu等[9,23]制备褐变香梨试样的方法，首先用微量注射器（上海高鸽工业贸易有限责任公司）将浓度为2.0×1010spore/mL的200L链格孢属孢子悬浮液沿香梨梗端注入其果核区内，注射前使用体积分数为75%的酒精对每个试样注射区消毒30 s，以防止病原菌外其他杂菌进入干扰病害发展，然后将注射了致病菌的100个香梨置于温度为28 ℃、相对湿度为90%的恒温恒湿箱（HF-8001，苏州力高检测设备有限公司）中进行内部褐变病害发展。

1.3 香梨内部褐变程度的测定

1.3.1 香梨内部褐变程度的测量方法

参照史振霞等[23-24]的方法，将香梨沿赤道部横向切开，用EOS 750D佳能数码相机（EOS 750D，佳能有限公司）对其横截面拍照，采用图像处理软件PhotoShop分别测量如图1a所示的香梨横截面积2（Pixel）和褐变组织面积1（Pixel）。由于在数码图像中，位图图像的像素大小和总数是固定的，与图像分辨率无关，因此，可用像素的多少代表面积的大小[25]。通过计算香梨内部褐变组织占整个横截面的面积百分比（%）来表示香梨的褐变程度，其计算公式为

Kadowaki等[6]提出，当梨果的褐变组织未超出其种子室区域时，并没有失去商品价值，仍可用于市场销售。香梨种子室如图1b所示，其面积3（Pixel）占香梨整个横截面积2的百分比*（%）由下式计算：

注：1,2和3分别为香梨的内部褐变组织面积、整个横切面面积和种子室面积，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.

图1 香梨沿赤道部横切图

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

1.3.2 香梨内部褐变程度的界定

对香梨种子室面积百分比*进行数据统计，得到其平均值20.07%±1.15%。为了将香梨未失去其商品价值的阈限控制在一个较为严格的判别标准内，本研究将*的最小值18%作为香梨内部褐变程度被消费者接受的临界值。如图2a所示，当褐变面积百分比小于18%时，从香梨果心向四周扩展的褐变组织还未超出其种子室区域，此时属于轻度褐变，未丧失商品价值；当褐变程度继续加重，进一步发展至果肉被轻微侵害，超过18%但低于30%（图2b），此时属于中度褐变；而高于30%（图2c），果肉大片腐烂变褐，严重时甚至可从外观直接观察出病果，此时属于重度褐变。如果能在香梨早期褐变阶段，也就是对处于中度及以下褐变的果实进行有效检测，这有助于及早阻止梨果褐变不会发展至严重程度而侵染其他健康果，能够有效减小香梨在贮藏期不必要的损失；若能对其中的轻度褐变香梨实现进一步检测，则有利于商家及时采取销售策略以保持商品率不下降。

1.4 香梨声振测试与信号分析

1.4.1 香梨声振响应信号的采集

如图3所示声振无损检测系统，振动测试分析软件系统SO Analyzer 4.1（德国m+p国际公司）发出一个2.5 V半波正弦脉冲，经HA-405型电压放大器（台湾品致公司）线性放大为图4所示的80 V脉冲激励A。信号A输出到与香梨试样赤道部接触的激励端传感器上，使香梨产生振动，随后在香梨赤道部另一侧接触的传感器采集到响应信号R。VibPilot振动控制与动态信号采集分析仪采集激励信号A和响应信号R，采集的信号经抗混滤波、截断、采样、A/D模数转换、数字低通滤波后，通过振动测试分析软件系统SO Analyzer 4.1进行处理。为了获得不同病害程度香梨样本，每隔12 h从恒温恒湿箱中随机选取10个褐变香梨进行一次声振试验，同时在恒温环境（28 ℃）中随机选取10个健康香梨用于对照组试验。褐变香梨试样和健康香梨试样各100个，共进行10次测试。

注：括号内的数字表示香梨褐变面积百分比S，%。

图3 香梨声振无损检测系统

1.4.2 香梨声振响应信号的获取

信号采样频率为51 200 Hz，采集持续时间为0.16 s，测试触发条件设置为激励信号A上升沿触发方式，触发电压水平为0.05 V。预先采集量设置为5%，以确保完整的信号采集。为兼顾信号的采集及其处理精度，频率分辨率设置为6.25 Hz。响应信号通过贝塞尔低通滤波器滤波，截止频率为1 600 Hz。图5a所示为软件系统SO Analyzer 4.1处理后的香梨赤道部典型声振响应时域信号。基于快速傅里叶变换（Fast Fourier Transform，FFT）算法选用指数窗函数将其转换为频域信号，获得健康香梨和褐变香梨的典型频谱曲线如图5b所示。为避免压电梁式传感器275 Hz固有频率的干扰，将低于300 Hz的频域信号截断，而频谱中超过900 Hz的频带振幅几乎为0，可忽略其幅值信息。因此，取300~900 Hz范围频带用于进一步分析。

图4 激励信号VA

1.4.3 统计特征参数的计算

不同褐变程度香梨的声振信号时间序列的幅值和分布各异，其频域的谱结构也各不相同，因此本研究采用不同模式识别与分类任务中常用的11个时域统计特征参数和7个频域统计特征参数用于判别香梨内部褐变程度，如表2所示。

表2 时域和频域信号的统计特征参数及相关计算公式

1.4.4 统计特征参数对香梨内部褐变程度的敏感性分析

各特征参数对香梨褐变程度的敏感性不同，可能存在参数与香梨褐变相关性很低的情况，采用基于类内距离和类间距离的补偿距离评估技术（Compensation Distance Evaluation Technology，CDET）进行各特征参数对分类目标的敏感性评估，其算法流程如图6所示，具体计算公式见文献[26]。根据计算所得的敏感性评估因子值λ，就可确定各特征参数对分类目标的敏感性大小，λ值越大，表明某参数对分类目标越为敏感。

图6 补偿距离评估技术算法流程图

1.5 香梨内部褐变KNN判别模型的构建方法

1.5.1 KNN判别模型的构建方法

由于KNN算法中值的选取对模型分类性能影响较大[27]，因此按照图7所示流程构建香梨内部褐变KNN判别模型，以确定最适宜的值和相应的特征参数。为了使不同维度之间的特征在数值上有一定比较性，以加强目标识别方法的通用性和提高判别模型的判别性能，将特征参数输入到模型之前，先对参数进行归一化处理[28]。

注：图中11，7，18分别代表时域、频域、组合域的统计特征参数个数。

针对香梨的不同褐变程度，本研究基于KNN法构建了如图8所示的2个模型，其中香梨内部早期褐变KNN判别模型用于区分香梨正常果和早期褐变果，在识别早期褐变香梨的基础上，采用香梨内部轻度褐变KNN判别模型进一步实现其中轻度褐变香梨的识别。

图8 香梨内部褐变的识别方法流程图

1.5.2 模型性能评价方法

采用混淆矩阵对所构建的判别模型进行性能分析[29]，根据下列各式计算模型的2个性能评价指标，即准确率（Accuracy，%）和调和均值（1，%）：

式中t为正样本被判别为正样本的样本数量；t为负样本被判别为负样本的样本数量；f为负样本被判别为正样本的样本数量；f为正样本被判别为负样本的样本数量。当模型对香梨健康与褐变判别时，健康香梨为正样本，褐变香梨为负样本；当模型对香梨轻度褐变与中度褐变判别时，轻度褐变香梨为正样本，中度褐变香梨为负样本。

2 结果与分析

2.1 不同域特征参数对香梨内部褐变的敏感性比较

图9a为不同域信号特征参数对香梨健康和褐变的敏感性评估结果，敏感性评估因子值λ越大，表明某参数对香梨是否有褐变越为敏感。时域特征向量中11个参数对健康和褐变香梨两种类别的敏感性从大到小的顺序为1,11,6,5,8,3,9,2,4,7和10；频域特征向量中7个参数对这两类别的敏感性从大到小顺序为2,6,7,3,1,4和5；组合域特征向量中18个参数对这两类别的敏感性从大到小顺序为11,2,6,5,7,6,1,3,4,1,5,8,3,9,2,4,10和7。整体来看，对香梨内部早期褐变敏感性较强的时域特征参数有均值1、方根幅值5、峭度6和波形因子11，频域特征参数有频率方差2、均方频率6和均方根频率7。

如图9b所示，根据对香梨轻度褐变和中度褐变两种类别的λ值从大到小的排序方式， 11个时域参数依次为7,11,8,3,9,10,6,2,5,4和1；7个频域参数依次为4,3,7,6,1,5和2；18个组合域参数依次为11,8,6,3,7,3,7,4,1,2,9,5,10,6,2,5,4和1。在对香梨轻度褐变和中度褐变的敏感性评估结果中，时域特征参数峭度因子7、裕度因子8、波形因子11和频域特征参数峰态频率4、6、7的λ值较高，敏感性较强。

注：T1~T11分别表示时域信号的均值、均方根、峰值、短时能量、方根幅值、峭度、峭度因子、裕度因子、脉冲因子、峰值因子和波形因子；F1~F7分别代表频域信号的平均频率、频率方差、频率标准差、峰态频率、重心频率、均方频率和均方根频率，下同。

2.2 基于KNN香梨内部褐变判别模型的构建

由于本研究将褐变面积百分比小于30%的香梨试样标记为褐变香梨样本，最终100个致病香梨中取满足要求的74个褐变香梨用于数据分析。其中，轻度褐变香梨33个，中度褐变香梨41个。在声振测试过程中部分健康香梨出现腐烂变质情况，除去这部分试样，剩下健康香梨89个用于数据分析。在判别模型的构建过程中，70%的数据样本用于训练，剩下的30%用于测试，具体样本数量见表3。

表3 构建KNN判别模型时用于训练和测试的香梨样本数量

如表4所示，输入时域特征参数时，当=4，对香梨褐变最为敏感的前3个参数1、11和6构建KNN判别模型，对香梨健康和褐变的判别准确率达到100%；输入频域特征参数时，当=7，由2、6、7、频率标准差3、平均频率1和峰态频率4这6个频域参数组成特征向量构建的KNN判别模型，判别准确率也达到了100%；在输入组合域特征参数时，当=5，对香梨褐变敏感性较强的3个时域参数11、6、5和1个频域参数2构建的KNN判别模型，对褐变香梨的判别准确率也可达100%。

表4 构建香梨内部褐变KNN判别模型的不同域特征向量及K值

当构建香梨内部轻度褐变KNN判别模型时，在时域特征向量中，输入对香梨轻度褐变最为敏感的前2个参数7和11构建=3的KNN判别模型，对香梨轻度褐变和中度褐变的判别准确率达到了100%；在频域特征向量中，同样只需输入对香梨轻度褐变敏感性最强的前2个参数4和3构建=5的KNN判别模型，判别准确率也可达100%；在组合域特征向量中，则需输入对香梨轻度褐变敏感性较强的2个时域参数11、8和1个频域参数6构建=7的KNN判别模型，此时对轻度褐变香梨的判别准确率达到100%。

2.3 KNN模型的判别性能比较

为了验证所建模型对香梨内部褐变的判别性能，采用测试集样本作为验证样本，对训练所获得的判别褐变香梨和轻度褐变香梨准确率可达100%的共6个KNN模型进行性能比较。

如图10所示，对各判别模型判别性能比较来看，基于组合域特征向量构建的2个KNN模型对早期褐变香梨和轻度褐变香梨的判别准确率分别为91.84%（=5）和81.82%（=7），1值分别为92.59%和83.33%，模型的鲁棒性和泛化能力最强，判别性能最优。在单一域特征向量构建的各判别模型中，基于时域特征向量构建的KNN模型的判别准确率和1值均比频域特征向量构建的判别模型高，但仍然低于组合域特征向量构建的KNN模型，这是因为单一域特征向量涵盖的特征信息较少，且抗干扰能力较差[30]。因此，时域和频域参数的组合特征向量更适合用于构建模型以实现香梨内部早期褐变的准确判别。

图10 香梨内部褐变KNN模型的判别准确率和F1值

Kadowaki等[6]采用声振法也对果心腐烂梨进行了无损检测研究，其报道判别准确率为96.9%，由于该研究未对腐烂程度进行界定，对是否存在较严重腐烂样本判别无法得知，因此本研究所建判别模型的准确率（91.84%）与该研究结果相比，虽然略低，但对今后香梨内部早期褐变声振法无损检测技术开发更具有实际指导意义。此外，在其他无损检测技术对梨果内部病害判别研究中，Herremans等[31]采用X射线计算机断层扫描法和核磁共振技术对水心病苹果进行检测，总准确率分别为89%和79%；Khatiwada等[32]采用可见短波近红外光谱检测苹果的内部褐变，对褐变苹果的判别准确率为90.2%。与之相比，本文应用声振法构建的KNN判别模型在香梨内部早期褐变的检测上也表现出较高的判别能力。

3 结 论

本文以压电梁式传感器为感测元件搭建声振无损检测装置系统开展香梨内部褐变检测研究，计算了香梨声振响应信号时域和频域的统计特征参数，基于KNN法构建2个判别模型实现了香梨内部早期褐变和轻度褐变的较准确判别，结论如下：

1）通过补偿距离评估技术评估时域和频域中的各特征参数对香梨内部褐变的敏感性发现，对香梨内部早期褐变敏感性较强的时域参数为均值、方根幅值、峭度和波形因子，频域参数为频率方差、均方频率和均方根频率；对香梨轻度褐变敏感性较强的时域参数为峭度因子、裕度因子和波形因子，频域参数为峰态频率、均方频率和均方根频率。

2）当近邻数为5，采用参数波形因子、峭度、方根幅值以及频率方差组成特征向量所构建的KNN模型对早期褐变香梨的判别准确率为91.84%，1值为92.59 %。

3）针对早期褐变KNN模型已判别的褐变香梨，当近邻数为7，采用参数波形因子、裕度因子以及均方频率组成特征向量所构建的KNN模型，可以实现进一步判别轻度褐变香梨，其判别准确率和1值分别为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，戴莹，等. 国内外水果真菌毒素的限量及检测方法标准分析[J]. 食品安全质量检测学报，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]曹树谦，张文德，萧龙翔. 振动结构模态分析[M]. 天津：天津大学出版社，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，吴智艳，闫训友，等. 鸭梨褐腐病菌的分离纯化及其致腐性研究[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]曹润，陆娟，李培顺，等. 利用公共图像分析软件实现脑缺血梗塞面积的简易测量[J]. 昆明医科大学学报，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

张慧，吴杰. 基于声振信号的香梨内部早期褐变判别[J]. 农业工程学报，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

国家自然科学基金项目（31560476）

张慧，博士，主要从事农产品内部品质无损检测研究。Email：1067982815@qq.com

吴杰，博士，教授，博士生导师，主要从事农产品品质安全与检测研究。Email：wjshz@126.com

10.11975/j.issn.1002-6819.2020.17.031

TS255.1; TP274+.3

A

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