香梨脆度的力聲同步檢測

張金閣，周 婷，王 鵬，吳 杰,2

香梨脆度的力聲同步檢測

張金閣1，周 婷1，王 鵬1，吳 杰1,2※

（1. 石河子大學機械電氣工程學院，石河子 832000；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）

為了實現(xiàn)香梨脆度接近觸聽感官的準確評價，該研究采用質(zhì)構儀和聲音包絡檢波器（Acoustic Envelop Detector，AED）相結合同步采集香梨穿刺的力聲信號，然后用峰值法從力聲曲線中分別提取15個力學參數(shù)和6個聲學參數(shù)，在對各參數(shù)自相關分析的基礎上，選取12個力學參數(shù)和4個聲學參數(shù)應用人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）和支持向量機（Support Vector Machine，SVM）兩種算法分別基于力學參數(shù)、聲學參數(shù)和力聲參數(shù)融合構建不同香梨果肉脆度分類模型，并比較各模型分類性能。研究結果表明，無論SVM模型還是ANN模型，力聲學參數(shù)融合所構建的模型比單獨使用任一種參數(shù)所構建的模型能更準確進行香梨脆度分類，ANN模型采用三層隱藏層每層14個隱藏節(jié)點結構，脆度分類準確率較高，為96.1%；采用二次核函數(shù)構建SVM模型的分類準確率較高，為93.8%。兩種分類模型對不同脆度香梨具有基本相同的分類能力，均可滿足對不同脆度香梨準確分類的要求，可為香梨及其他濕脆性果蔬脆度分類檢測提供參考。

機器學習；模型；庫爾勒香梨；脆度；力聲測量

0 引 言

庫爾勒香梨是新疆特色梨果，其“酥脆”品質(zhì)是香梨產(chǎn)業(yè)對外宣傳的亮點[1]。隨著香梨種植面積不斷擴大，產(chǎn)地、水土、溫度、光照等方面不同導致香梨品質(zhì)產(chǎn)生較大差異[2]，而脆度差異是當前消費者主要反映的品質(zhì)差異。在庫爾勒香梨標準里，只對硬度、可溶性固形物品質(zhì)進行檢測[3-5]，脆度不能簡單等同于硬度，它是人在咀嚼果肉過程中產(chǎn)生的力和聲行為的觸聽綜合感知[6]，既難以明確語義表述，又難以準確測量，因此需要對香梨果肉脆度進行準確檢測研究，這對實現(xiàn)更接近消費者口感的香梨內(nèi)部品質(zhì)檢測具有重要意義。

到目前為止，脆度主要是依靠感官評估專家或訓練有素的感官評價員進行感官測試[7-9]，在這種評價過程中，感官測試人員易疲勞且效率低下。為了克服感官測試的這些缺點，國內(nèi)外有學者探索采用儀器測試并評價食品脆度，有研究采用穿刺的力學測試方法模擬門齒咬食物的過程測量果蔬類食品的脆度[10]，也有研究采用壓電傳感器與力學測量探頭結合采集穿刺破裂產(chǎn)生的信號，對柿子[11]、包菜[12]、蘋果[13]和葡萄[14]脆度檢測，但這一檢測方法的壓電傳感器是以接觸式采集聲學信號，難以實現(xiàn)力聲信號同步測量，并且測量結果易受到探頭類型和穿刺速度的影響[15]。近年來，質(zhì)構儀實現(xiàn)了與非接觸方式的聲音包絡檢波器（Acoustic Envelop Detector，AED）力聲同步測量，已有研究用于如薯片[16-17]、葡萄[18]、蘋果[19-21]等脆度測量，這為本研究準確檢測香梨果肉脆度提供了重要參考。

機器學習廣泛用于果蔬品質(zhì)分類檢測，在各種算法中，支持向量機（Support Vector Machine，SVM）方法和人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）在解決脆度分類檢測有較強適用性[16]，其中SVM選擇合適的核函數(shù)構造模型可以取得很好分類效果，對小樣本和高維數(shù)據(jù)情況下的分類問題都適用，還可以解決分類時的非線性問題；ANN構造合適的網(wǎng)絡拓撲結構，在解決分類問題時具有較強的魯棒性和容錯能力[22]。

因此，本研究采用質(zhì)構儀結合聲音包絡檢波器（AED）同步采集香梨果肉破碎力聲信號并提取特征參數(shù)，然后采用SVM和ANN兩種算法基于不同力聲學參數(shù)分別構建模型，以實現(xiàn)對不同脆度的香梨準確分類。

1 材料與方法

1.1 試驗材料

庫爾勒香梨（以下簡稱香梨）試樣于2019年9月采自新疆庫爾勒沙依東園藝場（41.725°N，86.174°E），剔除畸形、損傷、病害果及突頂果，香梨基本物性參數(shù)見表1。采后在?2～0 ℃及相對濕度85%～95%環(huán)境冷藏，待測試樣需在室溫（25±1）℃條件回溫24 h。

表1 庫爾勒香梨試樣的基本物性參數(shù)

挑選出250個香梨貯藏在溫度為（26±2）℃，相對濕度20%的條件下，貯藏時間分別為0，10，20，30和40 d。試樣制樣方法如圖1所示，將梗端和萼端切除保留中間，采用直徑15 mm的取樣器從香梨赤道部位提取果肉柱樣，避免接近果皮和果仁，然后采用一自制切樣裝置切取10 mm高度柱樣，確保上下兩切面平齊。每個香梨取4～6個測試柱樣。分別提取梗端和萼端的果肉進行含水率和可溶性固形物含量的測量。

1.2 香梨果肉可溶性固形物含量與含水率測定

采用PR-101型手持式糖度計（日本ATAGO公司）測量香梨果肉的可溶性固形物含量，采用電熱鼓風干燥機（上海一恒科學儀器有限公司，功率1 550 W）對香梨果肉干燥24 h，電子天平（上海卓精電子科技有限公司，精確度0.000 1 g）對干燥前后的香梨果肉稱量，然后計算確定香梨果肉含水率。

1.3 力聲同步測試

為了獲得香梨破碎時的力學和聲學兩種信息，使用配有聲音包絡檢波器（AED）的TA.XTplus質(zhì)構儀（英國Stable Micro System公司）對香梨試樣進行力聲同步穿刺測試（如圖2所示）。測試時，采4 mm圓柱探頭穿刺果肉，為了避免電機慣性的影響，穿刺前和穿刺中速度均為2 mm/s，穿刺后速度為10 mm/s，穿刺深度為8 mm，初始觸發(fā)力為0.049 N，用50 kg壓力傳感器記錄力學信號，數(shù)據(jù)采樣頻率為500 Hz。

聲學信號采集的AED由4188型麥克風（丹麥B&K公司）、2671型前置放大器（丹麥 B&K公司）和信號調(diào)理系統(tǒng)（英國 Stable Micro System公司）組成，頻響范圍為3 125～12 000 Hz。為了便于聲學信號采集，麥克風水平放置，距圓柱探頭軸線2 cm處且位于香梨試樣中高位置。采用4231型聲音校準器（丹麥B&K公司）對麥克風進行兩次校準，第一次將聲音校準器設置為114 dB下校準，第二次在94 dB下進行校準。AED的包絡增益設為2，以增加系統(tǒng)對聲音采集的靈敏度，聲學信號與力學信號的采集頻率保持一致。聲學信號的采集和力學信號的采集均由Exponent軟件（英國 Stable Micro System公司）同時進行采集，質(zhì)構儀中的力傳感器進行采集力學信號時，同時麥克風開始對試樣破碎的聲學信號進行采集。

1.4 力學和聲學特征參數(shù)的提取

力學及聲學的變形曲線如圖3所示。采用Texture Exponent Exceed軟件（英國Stable Micro System公司），參考文獻[9,20,23-24]，從力學曲線中提取15個參數(shù)（圖4a所示），從聲學曲線中提取6個參數(shù)（圖4b所示），具體見表2。

表2 力學和聲學特征參數(shù)

2 數(shù)據(jù)處理與分析

2.1 自相關分析

總共提取16個力學參數(shù)和5個聲學參數(shù)，對力學和聲學特征參數(shù)進行自相關分析，觀察各參數(shù)之間是否具有較高的線性相關性，判斷是否有較多冗余信息。

2.2 機器學習算法

總共有1 189個數(shù)據(jù)可供分類算法訓練和測試，在進行機器學習算法之前，為了避免數(shù)據(jù)受度量單位影響，采用Min-max標準化法對所有數(shù)據(jù)進行標準化處理。采用支持向量機和人工神經(jīng)網(wǎng)絡兩種常用算法分別構建香梨果肉脆度分類模型，構建過程如圖5所示。

對于SVM模型，采用一對一的方法構建，包含10個子模型。預研究可知，模型采用二次核函數(shù)可得到穩(wěn)定可靠和較高準確率的模型，采用10折交叉驗證的方法對SVM優(yōu)化[25-26]。采用70%的樣本進行訓練，30%的樣本進行測試。

對于ANN模型，預研究可知隱藏層14個節(jié)點結構的ANN模型準確率較高。模型激活函數(shù)采用雙曲正切S型傳遞函數(shù)，輸出層采用指數(shù)傳遞函數(shù)。為了能夠增加模型穩(wěn)定性，提高運算速度和精度，最大迭代次數(shù)設為1 000次，目標誤差設為0.000 001。訓練采用量化連接梯度訓練函數(shù)，前饋計算使用70%的樣本進行反向傳播訓練，15%的樣本進行驗證，15%的樣本進行測試。

3 結果與分析

3.1 可溶性固形物含量和含水率隨香梨貯藏時間的變化

常溫貯藏時，香梨會從青熟向后熟發(fā)展。如圖6所示，香梨果肉可溶性固形物和含水率隨貯藏時間分別逐漸增大和減小。香梨果肉含水率減少，細胞膨壓隨之降低，致使細胞對細胞壁壓力降低。香梨可溶性固形物含量增大，則是因為在多聚半乳糖醛酸酶與纖維素酶共同參與下，使香梨果肉薄壁細胞中膠層的果膠物質(zhì)和纖維素逐漸水解[27]，果肉細胞壁中不溶于水的原果膠轉變成可溶性果膠。正是在香梨含水率減小和可溶性固形物含量增大的雙重作用下，導致香梨果肉隨著貯藏期增加出現(xiàn)脆度明顯下降，因此香梨含水率和可溶性固形物成為表征香梨脆度變化的重要理化指標。

3.2 香梨果肉穿刺力聲變形曲線分析

圖7為不同貯藏期香梨果肉典型的穿刺力學和聲學曲線，反映了5種不同脆度香梨果肉在外力作用下的多重斷裂行為?？梢钥闯?，大多數(shù)力峰產(chǎn)生都伴隨著聲峰出現(xiàn)，但聲峰數(shù)量遠多于力峰數(shù)量。當果肉組織受力較小時，果肉組織不發(fā)生破裂，但從圖中力變形曲線初始的彈性區(qū)域內(nèi)可以看出，仍有一定數(shù)量的聲峰產(chǎn)生，這是由少量細胞破裂釋放細胞內(nèi)液產(chǎn)生聲波所致。當施加在組織上的外力進一步增大時，使更多細胞破裂參與裂紋擴展，導致較多的果肉組織破裂，因而伴隨更多聲峰出現(xiàn)的同時產(chǎn)生力峰[28]。對于果肉組織破裂產(chǎn)生的力峰，被食用者牙齒感知，反映了果肉的食用脆度力學感知；對于果肉組織破裂時所產(chǎn)生的聲波序列，被食用者耳朵感知并描述為“嘎吱聲”，反映了果肉的脆度聽學感知。

根據(jù)5種不同貯藏時間的香梨果肉力聲曲線可以看出，貯存初始的香梨為青熟香梨，脆度較大，此時力峰數(shù)較多，力峰尖細且力峰值最大，幅度變化顯著，各聲峰值和力谷也相對較大；此時的力功、平均力、最大力、第一個力降、平均力降、最終力、力線性距離、平均聲壓級、第一次斷裂聲壓級和聲功均較大。隨著貯藏時間的增加，香梨果肉脆度逐漸下降，此時各力峰值、力谷、力功、平均力、最大力、第一個力降、平均力降、最終力、力線性距離和聲峰值均減小，峰值變化幅度減小，力曲線開始逐漸變得平緩，聲曲線幅值從0～10 d下降，在20 d出現(xiàn)上升隨后到40 d呈現(xiàn)逐漸下降趨勢。值得注意的是，在20 d香梨果肉的聲學曲線有較明顯差異，其聲峰值較大，聲峰密集且較多，這可能是由于此期間香梨成熟較快，細胞膨壓下降，細胞壁強度下降，從而導致受力時引起更多細胞破裂造成的，這在Cortellino等[29]關于貨架期萵苣破碎力聲同步測試研究結果也有類似現(xiàn)象發(fā)現(xiàn)。當香梨貯藏40 d，在其果肉穿刺力聲曲線中，力峰值、力谷、聲峰值、力功、平均力、最大力、第一個力降、平均力降、最終力、力線性距離及聲峰數(shù)顯著下降，力峰數(shù)降至最少，曲線趨于平坦，峰值變化幅度明顯減小，此時期的香梨果肉口感較軟，酥脆度大大下降。

3.3 力聲參數(shù)的自相關性分析

圖8為表示不同貯藏期香梨的力學和聲學參數(shù)相關性的矩陣散點圖，散點圖中的散點呈線性集中分布，表明兩特征參數(shù)相關性較高。在力學參數(shù)中，楊氏模量與低應變剛度、平均力與力功、力差與力比之間的散點呈線性分布特征，因此相關性較高；在聲學參數(shù)中，平均聲壓級與聲峰數(shù)、聲線性距離與聲功之間的散點分布也呈線性分布而具有較高相關性。其余參數(shù)之間的散點分布狀態(tài)較雜亂無規(guī)律，因此相關性不高。此外，散點圖中有5種不同顏色的點，代表5個不同貯藏時期香梨的同一力聲參數(shù)，如果不同顏色清晰可見，同一顏色點的數(shù)據(jù)點集中說明這些參數(shù)值在不同貯藏期的香梨之間分布差異較大。

圖中對角線上為各參數(shù)的分布直方圖，反映了5個貯藏期香梨力聲特征參數(shù)的分布區(qū)間?？梢钥闯?，在不同貯藏期香梨的力學和聲學參數(shù)中，力學參數(shù)中的楊氏模量、低應變剛度、高應變剛度、平均力、力功、力線性距離以及聲學參數(shù)中的聲峰數(shù)、平均聲壓級的分布重疊性較低，變化趨勢顯著，表明這些參數(shù)在不同貯藏期香梨之間有較大差異。與這些特征參數(shù)對應的散點圖中也可以看出，代表5個不同貯藏期香梨力聲參數(shù)的5種顏色點可以明顯區(qū)分。除此之外，其余各參數(shù)的5條直方圖曲線重疊性高，所對應的散點圖中不同顏色點重合度也較大，說明這些參數(shù)值在不同貯藏期香梨中變化較小。

為進一步了解參數(shù)之間的相關性，力聲參數(shù)相關性計算結果見圖9所示的相關系數(shù)矩陣。

可以看出，相關性矩陣圖在右下角和左上角分別形成兩塊顏色較深的正方形區(qū)域，恰好對應聲學參數(shù)和力學參數(shù)，力學參數(shù)之間、聲學參數(shù)之間都有較顯著的正或負相關性，這在聲學參數(shù)中尤為顯著。在力學參數(shù)中，楊氏模量與低應變剛度、平均力與力功、力差與力比之間都呈高度相關（||>0.9）；聲學參數(shù)中，平均聲壓級與聲峰數(shù)、聲功與聲線性距離之間的相關系數(shù)分別為0.96、0.97，也都具有強相關性。比較而言，力學參數(shù)和聲學參數(shù)之間的相關性并不顯著，只有力學參數(shù)的力峰數(shù)、力線性距離與聲功的相關系數(shù)分別為0.46、0.43，呈低度相關（0.3<||<0.5）。綜上所述，考慮到21個力聲參數(shù)中有5對參數(shù)有較強線性相關性，存在信息冗余，因此本研究取5對參數(shù)中易于提取的楊氏模量、平均力、力差、平均聲壓級，與其他11個互相關性低的參數(shù)共同構建香梨脆度分類模型。

3.4 機器學習模型

3.4.1 基于ANN模型香梨脆度分類結果

采用上述確定的12個力學和4個聲參數(shù)，應用三層隱含層結構且每層14個隱藏層節(jié)點數(shù)的網(wǎng)絡結構分別基于力學參數(shù)、聲學參數(shù)和力-聲參數(shù)融合構建ANN模型，對不同脆度香梨分類結果如圖10。采用力學參數(shù)時（圖10a和圖10b所示），ANN測試集模型對0和40 d脆度有較大差異時的香梨分類準確率較高，分別為61.0%和69.0%，但是對貯藏10、20和30 d脆度差異較小的香梨分類準確率都低于50%，導致ANN模型訓練集和測試集對香梨總體分類準確率都很低，分別只有53.8%和53.9%，這說明力學參數(shù)構建的ANN模型對脆度差異較小的香梨分類能力很低。

當采用聲學參數(shù)構建ANN模型時（圖10c和圖10d所示），模型測試集中對10、20和30 d有較小脆度差異香梨的分類準確率提高明顯，分別高達93.2%、89.7%和86.6%，模型訓練集和測試集的總體分類準確率分別都提高至83.0%和83.7%，這表明聲學參數(shù)構建的ANN模型較力學參數(shù)模型具有較強的脆度分類能力。

當采用力學和聲學兩種參數(shù)融合構建的ANN模型時（圖10e和圖10f所示），對每一種脆度的香梨分類準確率均在85%以上，其中對0、10、30和40 d的分類準確率在90%以上，訓練集和測試集的總體分類準確率分別達93.2%和96.1%，顯然力學參數(shù)和聲學參數(shù)結合，有力提升了ANN模型對香梨脆度的分類能力。

3.4.2 基于SVM模型的香梨脆度分類結果

采用力學參數(shù)，聲學參數(shù)和力-聲參數(shù)融合構建二次核函數(shù)SVM分類模型，對不同脆度香梨分類結果如圖11所示。由圖11a可以看出，當采用力學參數(shù)構建SVM模型時，與ANN模型類似，測試集對貯藏10、20和30 d具有較小脆度差異香梨的分類準確率均低于40%，模型測試集和訓練集總體分類準確率分別為56.0%和53.3%；采用聲學參數(shù)構建模型時，較力學參數(shù)構建的SVM模型，也提升了香梨脆度分類準確率，測試和訓練集總體分類準確率分別為81.2%和81.3%（圖11c和圖11d）。當力-聲參數(shù)融合構建SVM模型時，測試集和訓練集總體分類準確率分別提高至92.0%和93.8%（圖11e和圖11f），這進一步表明，力聲參數(shù)融合構建的模型對香梨脆度分類的能力要優(yōu)于力學或聲學單一類型參數(shù)構建的模型。

3.4.3 兩種模型的學習曲線對比

圖12為三層隱含層結構且每層14個隱藏層節(jié)點數(shù)的ANN網(wǎng)絡模型和二次核函數(shù)SVM模型的學習曲線，訓練樣本變化每組5個樣本開始，以步長5增加樣本，每個模型訓練和預測3次，分類準確率以平均值加標準差表示，虛線部分為采用多項式冪函數(shù)擬合預測分類準確率隨著樣本數(shù)增加的增長趨勢。

從兩種網(wǎng)絡模型學習曲線可以看出，當每種脆度香梨樣本數(shù)為10時，模型在測試集的分類準確率都較低，當每組樣本增加至50時，分類準確率都快速提高，增至90%左右，當組樣本至少為100時模型分類準確率均超過90%，因此在滿足每組樣本數(shù)超過100時所訓練模型可以滿足分類要求。當組樣本繼續(xù)增加時，模型分類準確率持續(xù)緩慢增加，增至200后， ANN模型和SVM模型的分類準確率分別趨于97%和96%，達到穩(wěn)定而不再變化。

4 結 論

1）從香梨果肉穿刺同步采集的力聲響應曲線中提取的15個力學參數(shù)和6個聲學參數(shù)中，只有楊氏模量與低應變剛度、平均力與力功、力差與力比、平均聲壓級與聲峰數(shù)、聲線性距離與聲功5對參數(shù)具有較強線性相關性，未出現(xiàn)太多的冗余信息。

2）基于篩選后的12個力學參數(shù)、4個聲學參數(shù)構建的ANN模型和SVM模型中，力-聲參數(shù)融合構建的模型對不同脆度香梨分類準確率較高，其次是聲學參數(shù)構建的模型，較低是力學參數(shù)構建的分類模型。

3）對于力-聲參數(shù)融合構建的ANN模型，采用三層隱藏層每層14個節(jié)點，其模型具有較高分類準確率，為96.1%；對于力-聲參數(shù)融合構建的SVM模型，采用二次核函數(shù)構建的模型具有較高分類準確率，為93.8%。ANN模型和SVM模型不斷學習訓練，分類能力基本接近一致，分別趨于97%和96%。該研究對研究濕脆性果蔬脆度提供一種新方法，從力學和聲學兩種信號考慮，從果蔬破碎時產(chǎn)生的力學和聲學信號中提取特征參數(shù)，采用人工神經(jīng)網(wǎng)絡和支持向量機根據(jù)提取的特征參數(shù)構建脆度評估模型，可以對不同脆度的果蔬做出準確評估。

[1] 劉瑋. 庫爾勒香梨研究進展[J]. 安徽農(nóng)學通報，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. 庫爾勒香梨產(chǎn)業(yè)發(fā)展現(xiàn)狀、存在的問題及建議[J]. 新疆林業(yè)，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] 王志鵬，吳杰，趙正強，等. 基于聲振響應法的香梨硬度無損檢測[J]. 農(nóng)業(yè)工程學報，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] 趙正強，吳杰，王志鵬，等. 香梨振動模態(tài)分析及硬度評估指標構建[J]. 農(nóng)業(yè)工程學報，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] 中華人民共和國農(nóng)業(yè)部. 庫爾勒香梨：NY/T 585-2002[S]. 北京：中國標準出版社，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] 孫鐘雷，李宇，陳毅，等. 榨菜脆性的感官評定和儀器分析[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，常慶瑞，劉秀英，等. 基于高光譜和BP神經(jīng)網(wǎng)絡的玉米葉片SPAD值遙感估算[J]. 農(nóng)業(yè)工程學報，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] 余麗娟，吳杰，馬宏強，等. 香梨果肉穿刺力響應譜的峰值法分析及脆度評價[J]. 石河子大學學報：自然科學版，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，高忠誠，秦智偉. 鹽漬幼瓜的脆度研究[J]. 中國調(diào)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

張金閣，周婷，王鵬，等. 香梨脆度的力聲同步檢測[J]. 農(nóng)業(yè)工程學報，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

國家自然科學基金地區(qū)科學基金項目（31860466）

張金閣，研究方向為農(nóng)產(chǎn)品品質(zhì)檢測。Email：752903659@qq.com

吳杰，教授，博士生導師，研究方向為農(nóng)產(chǎn)品品質(zhì)安全與檢測研究。Email：wjshz@126.com

10.11975/j.issn.1002-6819.2021.01.034

S661.2

A

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