基于聲振信號對稱極坐標(biāo)圖像的蘋果霉心病早期檢測

趙 康，查志華，李 賀，吳 杰,2,3

基于聲振信號對稱極坐標(biāo)圖像的蘋果霉心病早期檢測

趙 康1，查志華1，李 賀1，吳 杰1,2,3※

（1. 石河子大學(xué)機械電氣工程學(xué)院，石河子 832003；2. 農(nóng)業(yè)農(nóng)村部西北農(nóng)業(yè)裝備重點實驗室，石河子 832003；3. 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）

為實現(xiàn)蘋果早期霉心病較高精度的檢測，該研究采用對稱極坐標(biāo)法（Symmetrized Dot Pattern，SDP）將蘋果聲振信號變換為雪花圖，然后采用AlexNet、VGG16和ResNet50卷積神經(jīng)網(wǎng)絡(luò)以遷移學(xué)習(xí)方式深度挖掘SDP雪花圖像的特征信息，將其輸入到支持向量機（Support Vector Machine，SVM）分類器，對霉心程度≤7%的蘋果進行檢測。研究結(jié)果表明，當(dāng)時間間隔系數(shù)為25和角度放大因子為50°時，健康果與早期霉心果聲振信號的SDP圖形狀特征差異最大，在此條件下獲取的SDP圖經(jīng)卷積神經(jīng)網(wǎng)絡(luò)AlexNet、VGG16和ResNet50提取特征并構(gòu)建了不同核函數(shù)的SVM霉心果檢測模型，在各類SVM模型中，ResNet50-SVM-gaus（高斯核）模型用相對較少的訓(xùn)練時間和參數(shù)量可取得訓(xùn)練集霉心果較高分類準(zhǔn)確率，經(jīng)超參數(shù)優(yōu)化訓(xùn)練該模型對健康果和早期霉心果測試集不平衡樣本（10∶1）的總體分類準(zhǔn)確率達(dá)到96.97%，平均查準(zhǔn)率、平均查全率、平均加權(quán)調(diào)和均值、Kappa系數(shù)和馬修斯相關(guān)系數(shù)值分別為80.19%、90.36%、86.21%，82.54%和82.68%，該模型不僅對多數(shù)類的健康果保持較高分類準(zhǔn)確率，而且對少數(shù)類的早期霉心果也具有較高判別能力。研究結(jié)果為聲振法應(yīng)用于果蔬內(nèi)部病害的早期在線檢測系統(tǒng)研發(fā)提供了技術(shù)支撐。

無損檢測；支持向量機；蘋果霉心病；早期檢測；聲振法；對稱極坐標(biāo)法；卷積神經(jīng)網(wǎng)絡(luò)

0 引 言

蘋果霉心病是由真菌感染引起的一種嚴(yán)重影響果實品質(zhì)的常見內(nèi)部病害[1]，霉變始于果核心室，早期霉變難以發(fā)現(xiàn)，易混入貯藏、銷售等環(huán)節(jié)，隱蔽的霉變悄然發(fā)展至果皮時，會侵染大量健康果，使果商和水果保鮮企業(yè)遭受重大損失。尤其是，當(dāng)病害果混入蘋果深加工環(huán)節(jié)中，富集毒素的霉變組織會使蘋果果汁、果醬、罐頭等深加工食品中霉菌毒素積累超標(biāo)（世界衛(wèi)生組織WHO規(guī)定其最高濃度為50g/L）[2]，造成潛在食品安全隱患。因此，迫切需要找到一種實現(xiàn)蘋果霉心病早期準(zhǔn)確無損檢測的方法。

國內(nèi)外諸多學(xué)者已嘗試采用X射線成像法[3]、核磁共振成像法[4]、生物電阻抗法[5]、近紅外透射光譜法[6-7]、聲振法進行果蔬內(nèi)部病害的檢測[8-9]，取得一定研究進展，但大多并未關(guān)注早期病害判別。Lu等[10]在最近發(fā)表的文獻(xiàn)綜述中明確指出，果蔬內(nèi)部病害的早期檢測仍是一項亟待解決的難題。張慧等[11]基于聲振法對內(nèi)部早期褐變香梨進行判別，通過時域和頻域特征參數(shù)組合構(gòu)建的-近鄰域（-nearest neighbor, KNN）模型對病害程度低于30%的內(nèi)部早期褐變香梨取得了91.84%的分類準(zhǔn)確率，但對病害程度低于18%的褐變香梨分類準(zhǔn)確率依然偏低（81.82%）。因此，有必要從聲振響應(yīng)信號中進一步深入挖掘敏感于早期病害的信息，以提高聲振法對果蔬早期內(nèi)部病害的判別精度。

對稱極坐標(biāo)（Symmetrized Dot Pattern，SDP）分析法是一種將信號處理與圖像分析相結(jié)合的新技術(shù)[12]，能將振動信號的離散數(shù)據(jù)根據(jù)其時間序列集合在規(guī)定區(qū)域生成雪花圖，不同信號之間的細(xì)微差異可以通過雪花瓣形狀直觀反映。近年來，SDP分析法已在機械零件故障診斷研究領(lǐng)域取得了很好的分類效果[13-16]，這為聲振信號用于果蔬內(nèi)部病害的無損檢測提供了一種新途徑[17]。

傳統(tǒng)基于SDP圖像識別機械故障的方法是提取SDP圖像的紋理、幾何形狀等淺層特征輸入到分類算法中進行故障識別，但特征提取過程需要人工干預(yù)和足夠的專家經(jīng)驗支持，所提取的淺層特征存在普適性差、抗干擾能力弱等問題[18]。與傳統(tǒng)特征提取方法相比，深度卷積神經(jīng)網(wǎng)絡(luò)通過引入權(quán)值共享和局部連接等機制，使其能夠通過卷積和池化運算逐層自動提取圖像的深層次特征信息，可以克服傳統(tǒng)特征提取方法的不足[19]。目前卷積神經(jīng)網(wǎng)絡(luò)作為特征提取器已被應(yīng)用于圖像特征信息深度挖掘。趙燕鋒等[20]將特征提取器CNN全連接層提取出來的時頻圖像特征輸入到SVM分類器進行管道故障檢測，測試集驗證所建模型在復(fù)雜工況下對管道堵塞的識別準(zhǔn)確率達(dá)96%以上。胡曉依等[21]將CNN特征提取與SVM分類識別融為一體構(gòu)建了CNN-SVM模型，實現(xiàn)了不同軸承故障類型100%的識別準(zhǔn)確率。Zhu[22]等研究證實，CNN深層特征提取與SVM分類識別結(jié)合構(gòu)建的CNN-SVM模型，相較于獨立的CNN模型對胡蘿卜外觀品質(zhì)分類效果更好?；谶@些研究，本文采用SDP法將采集的健康果與霉心果聲振響應(yīng)信號轉(zhuǎn)換為可視化雪花圖像，采用卷積神經(jīng)網(wǎng)絡(luò)深度挖掘雪花圖像特征，構(gòu)建蘋果早期霉心病CNN-SVM判別模型，以期為聲振法應(yīng)用于蘋果霉心病早期在線檢測系統(tǒng)研發(fā)提供理論參考。

1 材料與方法

1.1 早期霉心病蘋果試樣的制備

試驗用紅富士蘋果于2019年11月28日采自新疆阿克蘇市紅旗坡農(nóng)場（80.31°E，41.25°N），從中挑選無病蟲害和機械損傷的蘋果760個，清潔洗凈后貯藏于溫度為-2～0 ℃、相對濕度（Relative Humidity，RH）為85%～95%的果品保鮮庫中（西安冰欣冷氣工程有限公司）以備試驗使用。試驗前，將挑選的所有蘋果從保鮮庫中取出，置于室溫（25 ℃）下24 h后逐一編號，隨機選取300個用于早期霉心蘋果試樣制備，剩余460個作為對照組。

參考Li等[23]霉心病蘋果試樣的制備方法，依據(jù)柯赫氏法則從自然發(fā)病的蘋果霉心果核處切下3處病變組織于馬鈴薯葡萄糖瓊脂培養(yǎng)基上培養(yǎng)。采用劃線法轉(zhuǎn)接純化5次，并經(jīng)菌株形態(tài)學(xué)鑒定（北京北納創(chuàng)聯(lián)生物技術(shù)研究院）為鏈格孢屬菌后，向其培養(yǎng)皿中倒入適量質(zhì)量分?jǐn)?shù)0.05%吐溫80的無菌水，攪拌均勻后用紗布過濾至小燒杯中，后吸取適量過濾后的菌液于血球計數(shù)板上進行計數(shù)，最終將其調(diào)為孢子濃度為1.8×106個/mL的菌懸液備用。

蘋果用體積分?jǐn)?shù)75%酒精棉球擦拭后放置在超凈工作臺上（HCB-1600H，青島海爾生物醫(yī)療股份有限公司），然后采用創(chuàng)傷接種法將50L復(fù)合菌懸液通過微量注射器（北京友誠嘉業(yè)生物科技有限公司）從蘋果花萼處注入其果核心室，隨后將接種菌懸液的蘋果和對照組健康果分別置于兩個相同的SPX智能生化培養(yǎng)箱（寧波江南儀器廠）中恒溫恒濕（25 ℃，90% RH）培養(yǎng)5 d，隨即進行聲振測試。

1.2 蘋果聲振響應(yīng)信號采集

蘋果聲振測試采用如圖1所示的聲振無損檢測系統(tǒng)，該系統(tǒng)主要由兩個Q220-A4-303YB型壓電梁式加速度計（PIEZO系統(tǒng)公司，美國）、HA-405型電壓放大器（品致公司，中國臺灣）、振動控制與動態(tài)信號、采集分析儀及其配套的SO Analyzer 4.2軟件（m+p公司，德國）等組成。當(dāng)進行聲振信號采集時，將蘋果樣本水平放置于檢測托臺上，參考Zhang等[24]錄制2.5 V半正弦波激勵信號E經(jīng)電壓放大器線性放大為80 V的脈沖激勵信號A后，輸送至激勵端壓電梁式傳感器使其變形激振蘋果赤道部，蘋果振動響應(yīng)信號R由動態(tài)信號采集分析儀采集并經(jīng)貝塞爾低通濾波器濾波、截斷、采樣、A/D模數(shù)轉(zhuǎn)換、數(shù)字低通濾波及加窗處理后，由m+p振動測試分析軟件SO Analyzer 4.2進行分析處理后獲得蘋果赤道部聲振響應(yīng)信號。

1.3 蘋果霉心病變程度的測定

蘋果聲振測試完成后，將制備的蘋果試樣沿赤道部橫向切開，用Canon-EOS 750D數(shù)碼相機對其橫切面拍照以用于蘋果試樣霉心程度的測定，具體測定流程如圖2所示。采用Matlab 2018b圖像處理工具箱提取蘋果彩色圖像中的RGB三通道分量，然后采用迭代閾值分割法進行B通道圖像分割[25]，并通過8連通區(qū)域標(biāo)記算法提取B通道圖像中的蘋果霉心區(qū)域，將蘋果霉心區(qū)域面積占蘋果橫切面面積的百分比定義為蘋果霉心病的病害程度[26]。

1.4 聲振響應(yīng)信號對稱極坐標(biāo)變換

圖3 蘋果聲振響應(yīng)信號對稱極坐標(biāo)變換原理

Fig.3 Principle of symmetrized dot pattern transformation of the vibro-acoustic response signal of apples

1.5 蘋果早期霉心CNN-SVM檢測模型的構(gòu)建方法

由于本研究聲振時域信號圖像數(shù)據(jù)集規(guī)模較小，采用適于小規(guī)模數(shù)據(jù)集分類問題的3種經(jīng)典深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet、VGG16和ResNet50在大型圖像數(shù)據(jù)集ImageNet上進行網(wǎng)絡(luò)權(quán)重參數(shù)的遷移學(xué)習(xí)，分別深度挖掘雪花圖像特征。蘋果早期霉心檢測模型的構(gòu)建流程如圖4所示，首先將蘋果聲振時域信號SDP變換的雪花圖數(shù)據(jù)集輸入到預(yù)訓(xùn)練的AlexNet、VGG16和ResNet50神經(jīng)網(wǎng)絡(luò)進行深度特征學(xué)習(xí)和提取，然后從超參數(shù)尋優(yōu)后的3種遷移學(xué)習(xí)網(wǎng)絡(luò)中提取全連接層特征向量，分別輸入到具有不同核函數(shù)（線性核、多項式核和高斯核）的SVM分類器進行早期霉心果的判別。網(wǎng)絡(luò)訓(xùn)練和測試所用的計算機配置為：Windows 10 64位操作系統(tǒng)，Intel (R) Core (TM) i7-10875H CPU @ 3.20 GHz處理器、32 G內(nèi)存；Nvidia1070Ti，8 G顯存；Matlab 2018b軟件。

1.6 CNN-SVM模型分類性能評價指標(biāo)

實際情況下健康果數(shù)量要遠(yuǎn)遠(yuǎn)多于霉心果，為了滿足不平衡數(shù)據(jù)集分類性能評價，本研究在混淆矩陣分析的基礎(chǔ)上，采用準(zhǔn)確率（Accuracy）和譚章祿等[28]提出的3種改進的評價指標(biāo)，即平均查準(zhǔn)率（Stable Precision，SP）、平均查全率（Stable Recall，SR）、平均加權(quán)調(diào)和均值（Stable F1-score，SF）以及Kappa系數(shù)（Kappa coefficient，KC）、馬修斯相關(guān)系數(shù)（Matthews Correlation Coefficient，MCC）5種指標(biāo)，對所構(gòu)建的CNN-SVM模型進行泛化性能評價，計算公式如式（3）～式（10）所示：

其中

第類樣本的查全率；表示所有樣本分類查全率的宏平均；F表示第類樣本的分類1-score值；表示所有樣本分類1-score值的宏平均。

注：N為樣本數(shù)；Conv3-64×2表示卷積核大小為3×3、核數(shù)量為64的2層卷積層；Max-pooling3表示最大池化核為3×3的池化層；FC1-2表示1×1×2個神經(jīng)元的全連接層，依次類推；xi為第i個輸入特征向量；y為輸入特征向量x的分類類別；K(xn, x)表示高斯徑向基核函數(shù)。

2 結(jié)果與分析

2.1 蘋果霉心病程度的測定結(jié)果

為了將霉心蘋果的早期病害程度臨界值控制在一個較為嚴(yán)格的判別標(biāo)準(zhǔn)內(nèi)，通過對霉心果果核心室面積百分比進行數(shù)據(jù)統(tǒng)計，得到其介于7.13%～15.57%之間，均值為8.75%±1.22%，為此本研究將7%定為蘋果早期霉心病害程度的閾值。選取符合條件的早期霉心蘋果試樣共計298個（2個中度霉心果被移除），其病害程度區(qū)間為1.2%～6.9%，平均值為3.2%，標(biāo)準(zhǔn)差為1.05%。

圖5所示為早期霉心蘋果試樣，由于霉心程度低于7%的病害區(qū)域主要集中于果核心室內(nèi)，基本未感染蘋果果肉，仍具有商品價值，特別是當(dāng)在霉心程度低于2%時，霉心果與健康果相比，幾乎沒有明顯差異，這使得從聲振響應(yīng)時域或頻域譜中獲取敏感特征信息具有挑戰(zhàn)性。

2.2 聲振信號SDP變換的適宜參數(shù)確定

2.3 蘋果早期霉心病檢測模型的訓(xùn)練

2.3.1 不同CNN-SVM模型對早期霉心果判別的結(jié)果

采用Kennard-Stone算法隨機選取560個蘋果（健康果280個；早期霉心果280個）作為訓(xùn)練集，剩余198個蘋果（健康果180個；早期霉心果18個）作為測試集。

參照龍滿生等[29]遷移學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置規(guī)則，在相同學(xué)習(xí)率（0.01）和訓(xùn)練輪數(shù)（10）下，以遷移學(xué)習(xí)網(wǎng)絡(luò)AlexNet、VGG16和ResNet50為特征提取器，分別構(gòu)建了3種核函數(shù)的SVM分類器，對蘋果早期霉心病判別的訓(xùn)練結(jié)果如表1所示。AlexNet-SVM檢測模型訓(xùn)練時間最短，參數(shù)量最少，AlexNet-SVM-poly（多項式核）檢測模型對健康果和早期霉心果分類準(zhǔn)確率為88.93%；與之相比，VGG16-SVM檢測模型參數(shù)量最多，訓(xùn)練時間最長，最佳檢測模型VGG16-SVM-gaus（高斯核）取得的分類準(zhǔn)確率為90.36%，較AlexNet-SVM-poly模型提高了1.43個百分點；ResNet50網(wǎng)絡(luò)的訓(xùn)練時間和參數(shù)量恰好介于前兩類模型之間，其中ResNet50-SVM-gaus（高斯核）檢測模型對早期霉心果的分類準(zhǔn)確率最高，達(dá)到了91.38%。因此，本研究選擇訓(xùn)練精度較高的ResNet50-SVM-gaus檢測模型對健康果和早期霉心果進行判別。

圖7 健康蘋果和輕度霉心蘋果的典型聲振響應(yīng)信號及對應(yīng)的SDP圖像

2.3.2 ResNet50-SVM-gaus模型訓(xùn)練參數(shù)優(yōu)化

對模型訓(xùn)練時的學(xué)習(xí)率、訓(xùn)練輪數(shù)進行參數(shù)優(yōu)化，使ResNet50-SVM-gaus檢測模型對早期霉心果的分類能力進一步提升。由圖8結(jié)果可知，在同一訓(xùn)練輪數(shù)下，適當(dāng)降低遷移學(xué)習(xí)網(wǎng)絡(luò)的學(xué)習(xí)率，更容易捕獲到網(wǎng)絡(luò)最優(yōu)解，可取得較高訓(xùn)練準(zhǔn)確率。但學(xué)習(xí)率降至0.000 01時，由于網(wǎng)絡(luò)收斂速度變緩，目標(biāo)函數(shù)難以在合適時間內(nèi)收斂到局部最小值而使訓(xùn)練結(jié)果無法快速接近最優(yōu)解，訓(xùn)練準(zhǔn)確率反而下降。因此，ResNet50-SVM-gaus模型適宜的學(xué)習(xí)率為0.000 1，此條件下該模型在訓(xùn)練前期訓(xùn)練輪數(shù)增加（訓(xùn)練輪數(shù)≤10）使訓(xùn)練準(zhǔn)確率快速提高，在隨后22輪迭代尋優(yōu)中訓(xùn)練準(zhǔn)確率緩慢提升，訓(xùn)練輪數(shù)增加至32時，該模型的判別準(zhǔn)確率提升至99.63%并趨于穩(wěn)定，較超參數(shù)優(yōu)化前提高了8.25個百分點。

表1 蘋果早期霉心病不同CNN-SVM的檢測模型的訓(xùn)練結(jié)果

2.4 蘋果早期霉心病檢測模型的分類性能評價

為了驗證訓(xùn)練優(yōu)化后的ResNet50-SVM-gaus檢測模型對早期霉心蘋果的分類性能，將隨機挑選的180個健康果和18個早期霉心果構(gòu)成的不平衡樣本SDP圖測試集作為輸入，基于混淆矩陣對ResNet50-SVM-gaus模型的分類性能進行評價分析，由表2可知，ResNet50-SVM-gaus檢測模型對健康果的判別準(zhǔn)確率為97.78%，對早期霉心果的判別準(zhǔn)確率為88.89%，對健康果和早期霉心果的總體判別準(zhǔn)確率可達(dá)96.97%。該模型的平均查準(zhǔn)率SP和平均查全率SR分別為80.19%和90.36%，由于蘋果深加工企業(yè)對霉心果誤判率的容忍度遠(yuǎn)低于健康果[30]，這意味著在模型分類性能評價指標(biāo)中，平均查全率比平均查準(zhǔn)率更應(yīng)值得關(guān)注，較高的平均查全率說明ResNet50-SVM-gaus早期檢測模型對輕度霉心果具有較高的判別能力和泛化能力。此外，由于樣本多數(shù)的健康果和樣本少數(shù)的早期霉心果在現(xiàn)實情況下的不平衡分布，樣本少數(shù)類對總體準(zhǔn)確率的影響較小，即使分類算法將全部樣本判別為多數(shù)類，仍然可以獲得較高的分類準(zhǔn)確率，可見僅使用準(zhǔn)確率作為評價指標(biāo)，難以準(zhǔn)確反映出分類器在不平衡數(shù)據(jù)集上的分類性能[31]。而平均加權(quán)調(diào)和均值SF、Kappa系數(shù)和馬修斯相關(guān)系數(shù)MCC是能夠懲罰模型“偏向性”的綜合評價指標(biāo)，能夠比較全面地描述分類器的性能。本文所建ResNet50-SVM-gaus模型的SF值、Kappa系數(shù)和MCC值分別為86.21%、82.54%和82.68%，這表明ResNet50-SVM-gaus模型分類性能較好，不僅對多數(shù)類健康果保持較高分類準(zhǔn)確率，也對少數(shù)類早期霉心果具有較高判別能力。

表2 ResNet50-SVM-gaus模型對霉心果早期檢測混淆矩陣

現(xiàn)有研究對梨果核心部病害的檢測精度可達(dá)95%以上[23,32-34]，然而這些研究僅解決了病害有無的判別，未聚焦于果實內(nèi)部病害的早期檢測。目前對果蔬內(nèi)部病害早期檢測的研究較少。Shenderey等[35]采用近紅外光譜法對霉心程度低于10%的病害蘋果分類準(zhǔn)確率為85.7%。Zhang等[36]采用聲振法提取聲振信號時域和頻域統(tǒng)計特征構(gòu)建的SVM分類器對低于18%早期褐變香梨判別準(zhǔn)確率為86.4%。在此基礎(chǔ)上，本文基于聲振信號SDP圖像深度特征構(gòu)建的ResNet50-SVM分類模型，對霉心蘋果（霉心程度低于7%）的分類準(zhǔn)確率可達(dá)88.89%，這表明本研究方法在霉心蘋果的早期檢測上是有潛力的。

3 結(jié) 論

本文針對蘋果聲振信號SDP圖像，通過遷移學(xué)習(xí)3種深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet、VGG16和ResNet50提取圖像特征構(gòu)建蘋果早期霉心病的SVM檢測模型，研究結(jié)論如下：

2）以3種深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet、VGG16和ResNet50分別提取的SDP圖像特征為輸入基于不同核函數(shù)所構(gòu)建的蘋果早期霉心病各種SVM檢測模型，ResNet50-SVM-gaus（高斯核）判別模型在學(xué)習(xí)率為0.000 1和訓(xùn)練輪數(shù)為32時可以用相對較少訓(xùn)練時間和參數(shù)量使早期霉心果（霉心程度≤7%）訓(xùn)練集的分類準(zhǔn)確率達(dá)到99.63%。

3）針對健康果和早期霉心果不平衡測試集樣本（10∶1），ResNet50-SVM-gaus檢測模型總體判別準(zhǔn)確率可達(dá)96.97%，平均查準(zhǔn)率、平均查全率、平均加權(quán)調(diào)和均值、Kappa系數(shù)和馬修斯相關(guān)系數(shù)值分別為80.19%、90.36%、86.21%、82.54%和82.68%，可見基于聲振信號對稱極坐標(biāo)圖像的霉心蘋果早期檢測是可行的，為后續(xù)輕度霉心蘋果在線檢測系統(tǒng)的研發(fā)提供了技術(shù)依據(jù)。

[1] Tian X, Wang Q Y, Huang W Q, et al. Online detection of apples with moldy core using the Vis/NIR full-transmittance spectra[J]. Postharvest Biology and Technology, 2020, 168: 111269.

[2] Patriarca A. Fungi and mycotoxin problems in the apple industry[J]. Current Opinion in Food Science, 2019, 29: 42-47.

[3] 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.

[4] 張建鋒，何勇，龔向陽，等. 基于核磁共振成像技術(shù)的香梨褐變檢測[J]. 農(nóng)業(yè)機械學(xué)報，2013，44(12)：169-173.

Zhang Jianfeng, He Yong, Gong Xiangyang, et al. Browning detection of fragrant pear using magnetic resonance Imaging[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(12): 169-173. (in Chinese with English abstract)

[5] 李芳，蔡騁，馬惠玲，等. 基于生物阻抗特性分析的蘋果霉心病無損檢測[J]. 食品科學(xué)，2013，34(18)：197-202.

Li Fang, Cai Cheng, Ma Huiling, et al. Nondestructive detection of apple mouldy core based on bioimpedance properties[J]. Journal of Food Science, 2013, 34(18): 197-202. (in Chinese with English abstract)

[6] Tian S J, Zhang J H, Zhao J, et al. Effective modification through transmission Vis/NIR spectra affected by fruit size to improve the prediction of moldy apple core[J]. Infrared Physics & Technology, 2019, 100: 117-124.

[7] 丁繼剛，韓東海，李永玉，等. 基于可見/近紅外漫透射光譜的馬鈴薯黑心病及淀粉含量同時在線無損檢測[J]. 光譜學(xué)與光譜分析，2020，40(6)：1909-1915.

Ding Jigang, Han Donghai, Li Yongyu, et al. Simultaneous non-destructive on-line detection of potato black-heart disease and starch content based on visible/near infrared diffuse transmission spectroscopy[J]. Spectroscopy and Spectral Analysis, 2020, 40(6): 1909-1915. (in Chinese with English abstract)

[8] 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.

[9] Nakano R, Akimoto H, Fukuda F, et al. Nondestructive detection of split pit in peaches using an acoustic vibration method[J]. Journal of the Japanese Society for Horticultural Science, 2018, 87(2): 281-287.

[10] Lu Y, Lu R F. Non-destructive defect detection of apples by spectroscopic and imaging technologies: A review[J]. Transactions of the ASABE, 2017, 60(5): 1765-1790.

[11] 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.

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)

[12] 朱霄珣，羅學(xué)智，葉行飛，等. 基于深度特征學(xué)習(xí)的汽輪機轉(zhuǎn)子狀態(tài)識別方法[J]. 中國電機工程學(xué)報，2021，41(2)：432-442.

Zhu Xiaoxun, Luo Xuezhi, Ye Xingfei, et al. State recognition method of turbine rotor based on depth feature learning[J]. Proceedings of The Chinese Society for Electrical Engineering, 2021, 41(2): 432-442. (in Chinese with English abstract)

[13] 樊紅衛(wèi)，邵偲潔，張旭輝，等. 一種對稱極坐標(biāo)圖像模糊C均值聚類的電主軸失衡故障診斷方法[J]. 西安交通大學(xué)學(xué)報，2019，53(12)：57-62, 86.

Fan Hongwei, Shao Sijie, Zhang Xuhui, et al. A diagnosis method for unbalance fault of motorized spindles using symmetrical polar image and clustering of fuzzy C-Means[J]. Journal of Xi’An Jiaotong University, 2019, 53(12): 57-62, 86. (in Chinese with English abstract)

[14] Xu X G, Qi M X, Liu H X. Real-time stall detection of centrifugal fan based on symmetrized dot pattern analysis and image matching[J]. Measurement, 2019, 146: 437-446.

[15] Zhu X X, Hou D N, Zhou P, et al. Rotor fault diagnosis using a convolutional neural network with symmetrized dot pattern images[J]. Measurement, 2019, 138: 526-535.

[16] Gu Y K, Zeng L, Qiu G Q. Bearing fault diagnosis with varying conditions using angular domain resampling technology, SDP and DCNN[J]. Measurement, 2020, 156: 107616.

[17] Li H, Wang W, Huang P, et al. Fault diagnosis of rolling bearing using symmetrized dot pattern and density based clustering[J]. Measurement, 2020, 15: 107293.

[18] 劉慧力，賈洪雷，王剛，等. 基于深度學(xué)習(xí)與圖像處理的玉米莖稈識別方法與試驗[J]. 農(nóng)業(yè)機械學(xué)報，2020，51(4)：207-215.

Liu Huili, Jia Honglei, Wang Gang, et al. Method and experiment of maize (L. ) stems recognition based on deep learning and image processing[J]. Transactions of the chinese society for agricultural machinery, 2020, 51(4): 207-215. (in Chinese with English abstract)

[19] Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.

[20] 趙燕鋒，馮早，朱雪峰，等. 復(fù)雜工況下基于時頻圖像和CNN-SVM的管道堵塞識別研究[J]. 電子測量與儀器學(xué)報，2021，35(2)：161-170.

Zhao Yanfeng, Feng Zao, Zhu Xuefeng, et al. Research on blocking recognition of drainage pipeline under complicated conditions based on time frequency image and CNN-SVM[J]. Journal of Electronic Measurement and Instrumentation, 2021, 35(2): 161-170. (in Chinese with English abstract)

[21] 胡曉依，荊云建，宋志坤，等. 基于CNN-SVM的深度卷積神經(jīng)網(wǎng)絡(luò)軸承故障識別研究[J]. 振動與沖擊，2019，38(18)：173-178.

Hu Xiaoyi, Jing Yunjian, Song Zhikun, et al. Bearing fault identification by using deep convolution neural networks based on CNN-SVM[J]. Journal of Vibration and Shock, 2019, 38(18): 173-178. (in Chinese with English abstract)

[22] Zhu H F, Yang L H, Fei J W, et al. Recognition of carrot appearance quality based on deep feature and support vector machine[J]. Computers and Electronics in Agriculture, 2021, 186: 106185.

[23] Li L, Peng Y K, Li Y Y, et al. Rapid and low-cost detection of moldy apple core based on an optical sensor system[J]. Postharvest Biology and Technology, 2020, 168: 111276.

[24] Zhang H, Wu J, Zhao Z Q, et al. Nondestructive firmness measurement of differently shaped pears with a dual-frequency index based on acoustic vibration[J]. Postharvest Biology and Technology, 2018, 138: 11–18.

[25] Guo Z M, Wang M M, Agyekum A A, et al. Quantitative detection of apple watercore and soluble solids content by near infrared transmittance spectroscopy[J]. Journal of Food Engineering, 2020, 279: 109955.

[26] 周兆永，何東健，張海輝，等. 基于深度信念網(wǎng)絡(luò)的蘋果霉心病病害程度無損檢測[J]. 食品科學(xué)，2017，38(14)：297-303.

Zhou Zhaoyong, He Dongjian, Zhang Haihui, et al. Non-destructive detection of moldy core in apple fruit based on deep belief network[J]. Food Science, 2017, 38(14): 297-303. (in Chinese with English abstract)

[27] Wang H, Xu J, Yan R, et al. A new intelligent bearing fault diagnosis method using SDP representation and SE-CNN[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 69: 2377-2389.

[28] 譚章祿，陳孝慈. 改進的分類器分類性能評價指標(biāo)研究[J]. 統(tǒng)計與信息論壇，2020，35(9)：3-8.

Tan Zhanglu, Chen Xiaoci. Study on improved classifier’s performance evaluation indicators[J]. Statistic & Information Forum, 2020, 35(9): 3-8. (in Chinese with English abstract)

[29] 龍滿生，歐陽春娟，劉歡，等. 基于卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)的油茶病害圖像識別[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(18)：194-201.

Long Mansheng, Ouyang Chunjuan, Liu Huan, et al. Image recognition ofdiseases based on convolutional neural network & transfer learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(18): 194-201. (in Chinese with English abstract)

[30] Tian X, Wang Q Y, Huang, W Q, et al. Online detection of apples with moldy core using the Vis/NIR full-transmittance spectra[J]. Postharvest Biology and Technology, 2020, 168: 111269.

[31] 李艷霞，柴毅，胡友強，等. 不平衡數(shù)據(jù)分類方法綜述[J]. 控制與決策，2019，34(4)：673-688.

Li Yanxia, Chai Yi, Hu Youqiang, et al. Review of imbalanced data classification methods[J]. Control and Decision, 2019, 34(4): 673-688. (in Chinese with English abstract)

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

[33] Zhou Z Y, Lei Y, Su D, et al. Detection of moldy core in appl-es and its symptom types using transmittance spectroscopy[J]. International Journal of Agricultural and Biological Engineering, 2016, 9(6), 148-155.

[34] Looverbosch T V D, Bhuiyan M H R, Verboven P, et al. Nondestructive internal quality inspection of pear fruit by X-ray CT using machine learning[J]. Food Control, 2020. 113: 107170.

[35] Shenderey C, Shmulevich I, Alchanatis V, et al. NIRS detection of moldy core in apples[J]. Food Bioprocess Technology, 2010, 3: 79-86.

[36] Zhang H, Zha Z H, Kulasiri D, et al. Detection of early core browning in pears based on statistical features in vibro-acoustic signals[J]. Food and Bioprocess Technology, 2021, 14: 887-897.

Early detection of moldy apple core using symmetrized dot pattern images of vibro-acoustic signals

Zhao Kang1, Zha Zhihua1, Li He1, Wu Jie1,2,3※

(1.,,832003,; 2.,,832003,; 3.,,832003,)

nondestructive examination; support vector machine; moldy apple core; early detection; vibro-acoustic method; symmetrized dot pattern; convolution neural network

趙康，查志華，李賀，等. 基于聲振信號對稱極坐標(biāo)圖像的蘋果霉心病早期檢測[J]. 農(nóng)業(yè)工程學(xué)報，2021，37(18)：290-298.doi：10.11975/j.issn.1002-6819.2021.18.033 http://www.tcsae.org

Zhao Kang, Zha Zhihua, Li He, et al. Early detection of moldy apple core using symmetrized dot pattern images of vibro-acoustic signals[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(18): 290-298. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.18.033 http://www.tcsae.org

2021-05-15

2021-07-26

國家自然科學(xué)基金項目（31560476）；新疆維吾爾族自治區(qū)研究生科研創(chuàng)新項目（XJ2020G080）

趙康，博士生，研究方向為農(nóng)產(chǎn)品品質(zhì)智能化檢測。Email：kang0213z@163.com

吳杰，博士，教授，博士生導(dǎo)師，研究方向為農(nóng)產(chǎn)品品質(zhì)安全智能化檢測技術(shù)與裝備。Email：wjie_mac@shzu.edu.cn

10.11975/j.issn.1002-6819.2021.18.033

S661.1；TP391.4

A

1002-6819(2021)-18-0290-09