基于水培生菜力學(xué)特征的成熟度分類方法

蔣易宇，王 碩，張麗娜，譚 彧

基于水培生菜力學(xué)特征的成熟度分類方法

蔣易宇，王 碩，張麗娜，譚 彧※

（中國農(nóng)業(yè)大學(xué)工學(xué)院，北京 100083）

為了能準(zhǔn)確識別生菜的成熟度，實現(xiàn)生菜適時采收，避免因采收期不當(dāng)而造成品質(zhì)下降等問題，該研究提出用穿刺試驗力學(xué)特征表征水培生菜成熟度的方法，提取同一顆生菜不同葉片的不同部位時域和頻域的力學(xué)特征，得到葉片力學(xué)特征與葉片成熟特性指標(biāo)的相關(guān)性。為了對水培生菜未成熟株、成熟株、過成熟株進行準(zhǔn)確分類，設(shè)計雙閾值深度遍歷算法，確定分類準(zhǔn)確率最高的葉片類型和區(qū)域；采用6種機器學(xué)習(xí)算法以該區(qū)域所有的力學(xué)特征為輸入，以成熟度3種分類為輸出進行訓(xùn)練。試驗結(jié)果表明，生菜葉片力學(xué)特征與成熟度特性指標(biāo)緊密相關(guān)，生菜中葉葉莖區(qū)域分類準(zhǔn)確率最高，可優(yōu)化集成分類機器學(xué)習(xí)算法準(zhǔn)確率最高為94.3%。研究結(jié)果提供了一種應(yīng)用力學(xué)特征解決水培生菜成熟度檢測與分類的新方法。

蔬菜；機器學(xué)習(xí)；水培生菜；成熟度；穿刺試驗；力學(xué)特征

0 引 言

生菜成熟度不同，其口感和品質(zhì)等差異也較大。為了能在合適的成熟階段采收生菜，避免生菜品質(zhì)下降，對生菜成熟度的準(zhǔn)確識別則變得越來越重要[1-2]。

傳統(tǒng)判斷果蔬采摘時期的方法主要是菜農(nóng)依據(jù)果蔬的外觀、質(zhì)量和市場需要等進行判斷。該方法主觀性太強，目前國內(nèi)外學(xué)者針對果蔬的成熟度進行了一系列的研究，WANG[3]研究了在枝條遮擋、果實重疊和光照影響的情況下，F(xiàn)aster R-CNN模型對番茄采摘的成熟度進行有效檢測；IBBA等[4]研究結(jié)果證明了頻譜技術(shù)與水果阻抗變化具有強相關(guān)性，采用電阻抗譜擬合出水果的成熟度；潘文娟[5]研究結(jié)果驗證了生菜不同成熟度的采收對其品質(zhì)的影響，并研究了化學(xué)計量法與高光譜圖像技術(shù)結(jié)合方法判別生菜成熟度。CORTELLINO等[6]研究是通過機械（硬度，穿刺所需功的面積等）和聲學(xué)穿刺測試監(jiān)測食纈草由于衰老引起的紋理變化。

隨著生菜成熟度的變化，其理化特性也會隨之發(fā)生改變。近年來，有學(xué)者證明生菜理化性質(zhì)與其外在力學(xué)特性具有相關(guān)性[7-8]，而力學(xué)特征檢測手段成本低、效率高，可作為葉菜成熟度重要指標(biāo)[9]。應(yīng)用力學(xué)特征檢測果蔬質(zhì)地變化時，主要采用2種作用力：壓縮力和穿刺力[10]。其中穿刺力模擬了咀嚼時門牙的沖擊[11-14]，從而被廣泛使用。ROUDAUT[15]的研究給出了力學(xué)特征檢測結(jié)果以力-位移-時間三維圖表示，通過力-位移關(guān)系曲線可以得到斷裂力、斷裂功等；通過力-時間關(guān)系曲線進行傅里葉變換成為頻率特性。SIRISOMBOON等[16]的研究對3個不同成熟階段的新鮮番茄采用力學(xué)穿刺試驗，其結(jié)果表明初始硬度、平均硬度、表觀彈性模量、斷裂力、韌性和斷裂點變形對成熟期判別有關(guān)。PAMIES等[17]的研究證明了力學(xué)頻率特性與可壓裂性和脆度等感官屬性之間的相關(guān)性。然而現(xiàn)階段生菜力學(xué)特征檢測主要集中在生菜收獲損傷分析和貯藏時間對生菜力學(xué)特征的影響[18]，針對水培生菜力學(xué)特征與成熟度的定量、定性研究未見相關(guān)文獻。

本文以水培生菜為研究對象，采用穿刺力方法對未成熟、成熟、過成熟水培生菜的內(nèi)中外葉進行試驗研究，提取時域、頻域的力學(xué)特征。分析力學(xué)特征與成熟度特性指標(biāo)，如地上鮮質(zhì)量、葉綠素含量和含水率等的相關(guān)性，研究多變量機器學(xué)習(xí)算法對生菜的成熟度進行分類。

1 材料與方法

1.1 材 料

選取未成熟株（35 d葉齡）、成熟株（45 d葉齡）和過成熟株（55 d葉齡）各20株，每一株分別取內(nèi)、中、外3個葉片，試驗中共計采集180個葉片樣品。在挑選葉片樣品時，每一株生菜選取的內(nèi)、中、外3個葉片須保證其大小、顏色、形狀、葉齡和所取葉片節(jié)點位置盡量一致，如圖2所示。

圖1 生菜培養(yǎng)環(huán)境

圖2 生菜葉片樣本

生菜生長時間大約為40～50 d，因此除選取3個時間節(jié)點的整株之外，還選取生長40、42、44、46、48、50 d的生菜整株，試驗樣品如圖3所示。

圖3 生菜成熟期整株樣本

Fig 3. Whole plant sample of lettuce at maturity

1.2 測量指標(biāo)與方法

1.2.1 生菜力學(xué)特征指標(biāo)測量

采用萬能試驗機（universal testing machine，UTM，深圳MTS系統(tǒng)有限公司E43型）檢測生菜力學(xué)特征，如圖4a所示。將每一株生菜內(nèi)葉、中葉、外葉切割成4 cm×4 cm正方形樣品如圖4b，樣品平放在上下夾具中如圖4 a所示。

生菜葉片是一個極其復(fù)雜的自然系統(tǒng)，力學(xué)試驗撕裂的強度與靜脈的方向也有關(guān)[19]。在測試過程中，首先將樣品A放置在夾具內(nèi)，每個樣品選取葉肉和葉莖兩部位做穿刺試驗，葉莖部位選取圖4b中標(biāo)注的1、2點，葉肉部位選取圖4 b中標(biāo)注的3、4點。使用直徑為2 mm、錐角為35°的鋼針，垂直指向樣品，以2 mm/s速度刺穿4個測試點[14-15]。當(dāng)鋼針穿透生菜葉片后，以相同的速度縮回原始位置，得到插入直至斷裂的力-位移曲線。通過該曲線，計算所有樣品的斷裂力、斷裂能和剛度等力學(xué)參數(shù)。樣品葉莖部分的力學(xué)參數(shù)是1、2點力學(xué)參數(shù)的均值，樣品葉肉部分的力學(xué)參數(shù)是3、4點力學(xué)參數(shù)的均值。

注：A為生菜葉片的取樣位置，1、2、3、4分別為穿刺測試點。

1.2.2 生菜其他成熟度特性指標(biāo)測量

葉綠素含量：采用便攜式葉綠素儀（SPAD-502，美能達公司，日本）測量生菜葉片的活體葉綠素相對含量即SPAD（soil and plant analyzer development）值，測量過程中避開葉脈，每個葉片測量5次取平均值。

地上鮮質(zhì)量（G）：將生菜從根部剪切，用精度0.001g的電子天平（PTT-A1000，上海寶恒）稱量并記錄數(shù)據(jù)。

葉片含水率（WC）：葉片水分的測定方法參照國家標(biāo)準(zhǔn)GB/T 10362–2008（干法）。

可溶性糖含量：通過蒽酮比色法測定。

可溶性蛋白含量：考馬斯亮藍(lán)G-250染料法測定。

1.2.3 數(shù)據(jù)處理

本文共進行3次生菜培養(yǎng)并進行試驗研究，對力學(xué)特征數(shù)據(jù)采用MATLAB2020b（Mathworks，Natick，MA，USA）統(tǒng)計軟件進行力學(xué)特征分析提取與分類算法研究；采用OriginLab Pro 2021軟件（美國馬薩諸塞州北安普頓）分析力學(xué)特征與成熟度特性指標(biāo)之間的相關(guān)性和顯著性水平。

2 統(tǒng)計分析

2.1 力學(xué)特征參數(shù)

ROUDAUT等[15]研究表明生菜力學(xué)特征包括時域和頻域特征，其中時域特征包括斷裂力、斷裂形變量、斷裂斜率、斷裂功、斷裂總功、空間破裂數(shù)、平均穿刺力、脆度等；頻域特征包括力-時間曲線傅里葉變換之后提取的主峰幅值、頻寬、主頻率等。

2.1.1 力學(xué)時域特征的提取和預(yù)處理

主要的力學(xué)時域特征指標(biāo)及說明如表1所示[20]。

表1 時域特征參數(shù)

根據(jù)表1和力-位移曲線計算力學(xué)特征參數(shù)，其中斷裂斜率（E）為斷裂力與斷裂形變量的比值，計算見式（1）。

空間破裂數(shù)（sr）為峰總數(shù)與穿刺距離的比率見式（2）。

平均穿刺力（F）計算式見式（3）。

脆度（W）為平均穿刺力與空間破裂數(shù)的比值，見式（4）。

式中0是峰的總數(shù)；是穿透距離，mm；是力-變形曲線下的積分面積[21]，N×mm。

圖5為試驗所得的標(biāo)準(zhǔn)力-位移曲線和非標(biāo)準(zhǔn)曲線。在試驗條件理想時，試驗結(jié)果如圖5a所示的標(biāo)準(zhǔn)力-位移曲線，并計算力學(xué)特征參數(shù)。由于葉肉部位柔軟且遮擋起伏較大，穿刺試驗鋼針與葉片存在虛接觸，施加的力在小范圍內(nèi)波動，使試驗條件不理想，試驗結(jié)果為非標(biāo)準(zhǔn)的力-位移曲線，如圖5b所示。因此，為了提高力學(xué)特征提取的準(zhǔn)確性，在力學(xué)特征提取前，對非標(biāo)準(zhǔn)的力-位移曲線進行預(yù)處理。首先提取原信號最大值與每一點的一階導(dǎo)數(shù)、二階導(dǎo)數(shù)，當(dāng)曲線出現(xiàn)一階導(dǎo)數(shù)等于零且二階導(dǎo)數(shù)為正時，通常為原信號先下降后上升的極小值點。篩選出上升到最高峰的極小值點，且該點需滿足小于最大值的一半。該點與起始點間曲線為如圖5b所示斷裂前曲線。

圖5 力-位移曲線

2.1.2 力學(xué)頻域特征的提取和預(yù)處理

力-時間關(guān)系曲線通過傅里葉方法提取頻率特性[22]。因此采用離散傅里葉級數(shù)見式（5）。

式中0/2為直流分量，b為第個交流分量的幅值，為頻率，φ為第個交流分量的相位，為第幾個交流分量，表示時間。時域上的單個信號可以被拆分為頻域上多個頻域信號的疊加。

圖6a為試驗所得的力-時間曲線，采用快速傅里葉變換（inverse fast Fourier transform, IFFT），獲取頻域特性曲線，如圖6b所示，并獲取頻寬（）、幅值（）、主頻率特征參數(shù)[22]。本文主峰峰值為幅值最大值，主頻率為主峰峰值對應(yīng)的頻率，頻寬為信道能通過的最高頻率與最低頻率的差值。

圖6 傅里葉變化前后生菜葉片力學(xué)特征指標(biāo)曲線圖

2.2 其他特征參數(shù)

隨著生菜生長時間增加，生菜葉綠素含量和地上鮮質(zhì)量相應(yīng)地發(fā)生變化，葉綠素在不同的成熟階段在生菜葉片中的濃度梯度分布不同，含水率和地上鮮質(zhì)量是收獲時間節(jié)點的一個重要的決定因素，因此可以很好地監(jiān)控綠色蔬菜的成熟度變化[23-25]。

如圖7所示，選擇生長時間38～52 d內(nèi)的生菜繪制各指標(biāo)繪制變化曲線，生菜內(nèi)外葉含水率總體呈現(xiàn)先上升后下降的趨勢，其中內(nèi)中外葉的含水率對比結(jié)果為中葉>外葉>內(nèi)葉。生菜生長趨勢一般呈現(xiàn)s型，前期平緩，隨后進入快速生長期，最后鮮質(zhì)量趨于平穩(wěn)，這與圖7b所示的生菜地上鮮質(zhì)量變化一致。

葉綠素生菜外葉和內(nèi)葉的SPAD值呈現(xiàn)下降趨勢，該過程伴隨著蔬菜變黃或失去綠色，通常被認(rèn)為是葉綠素降解的過程。中葉SPAD值有一定下降但總體相對穩(wěn)定。未成熟期葉片SPAD值表現(xiàn)為中葉>外葉，未成熟時內(nèi)葉葉片太小無法測量其SPAD值，成熟期表現(xiàn)為外葉>中葉>內(nèi)葉，過成熟期表現(xiàn)為中葉>內(nèi)葉≈外葉。

2.3 相關(guān)性分析

為研究力學(xué)特征與生菜其他特征參數(shù)的關(guān)系，本文采用相關(guān)性分析的方法，相關(guān)性系數(shù)一般用表示，其值介于?1與1之間[26]。并對該數(shù)據(jù)樣本進行顯著性檢驗，排除數(shù)據(jù)間的相關(guān)性是偶然因素導(dǎo)致的[27]。

注：橫坐標(biāo)軸時間為分栽后的天數(shù)。小于40 d為未成熟株，40～50 d為成熟株，大于50 d為過成熟株。

針對力學(xué)特征和SPAD值、地上鮮質(zhì)量、含水率這幾個變量進行相關(guān)性分析，以中葉力學(xué)參數(shù)為例，計算各指標(biāo)之間的Pearson相關(guān)系數(shù)（）和顯著性水平（）（圖8）。

注：SPADO為外葉SPAD值，SPADI內(nèi)葉SPAD值，LWCO為外葉含水率，LWCI為內(nèi)葉含水率。以下為中葉力學(xué)特征參數(shù)：Eps為葉莖斷裂斜率，Nsrs為葉莖空間破裂數(shù)，Wccs為葉莖脆度，Ars為葉莖主峰面積，Cs為葉莖幅值，Bs為葉莖頻寬，F(xiàn)pm為葉肉斷裂斜率，Dpm為葉肉斷裂形變量，Epm為葉肉斷裂斜率，Wpm為葉肉斷裂功，Wtm為葉肉斷裂總功，Nsrm為葉肉空間破裂數(shù)，Wccm為葉肉脆度，Arm為葉肉主峰面積，Cs為葉肉幅值，Bm為葉肉頻寬。

如圖8所示，葉莖斷裂力（ps）、葉莖斷裂功（ps）、葉莖斷裂總功（ts）等力學(xué)特征，與生菜地上鮮質(zhì)量顯著相關(guān)（>0.65，<0.001）；葉莖平均穿刺力（ms）與地上鮮質(zhì)量和中葉SPAD值（SPADM）均有一定的顯著相關(guān)性（>0.65，<0.001）；葉莖斷裂力與中葉葉片SPAD值具有顯著相關(guān)關(guān)系（>0.65，<0.001），葉莖斷裂力、葉莖斷裂功、葉莖斷裂總功，與葉片SPAD值具有顯著低相關(guān)關(guān)系（0.41>>0.20，<0.005）；中葉含水率（WCM）與葉片各部位的力學(xué)特征、地上鮮質(zhì)量、SPAD值不相關(guān)（<0.20，>0.005），這與某些論文結(jié)論一致，例如油菜豆莢主莖不同的水分含量對抗剪切性沒有顯著影響[28]。該圖表明中葉葉莖部位的力學(xué)特征能較好地表征生菜生長過程中地上鮮質(zhì)量、SPAD值等內(nèi)在指標(biāo)，這些均為成熟度特性指標(biāo)[29]。

除此之外，圖8還能看出，斷裂力與其他力學(xué)參數(shù)密切相關(guān)，表明其可以作為力學(xué)特征的代表參數(shù)[30]。葉莖部位力學(xué)特征與葉肉部位力學(xué)特征之間無顯著相關(guān)關(guān)系，測量葉莖部位和葉肉部位的穿刺力學(xué)特征表明相同成熟度變化的生菜的力學(xué)特性呈現(xiàn)完全不同的狀態(tài)，結(jié)果表現(xiàn)為葉肉的軟化和葉莖的硬度增加。

在3個節(jié)點各選取5株幼苗，測量其可溶性糖和可溶性蛋白含量，結(jié)果如表2所示。由表2可知，未成熟、成熟、過成熟時可溶性糖和可溶性蛋白呈現(xiàn)先增加后減少的變化趨勢，可溶性糖和可溶性蛋白兩者間的變化趨勢基本一致，與力學(xué)特征判斷的成熟節(jié)點一致。

表2 不同節(jié)點的化學(xué)參數(shù)

試驗表明力學(xué)特征與地上鮮質(zhì)量、SPAD值存在一定相關(guān)性。生菜的力學(xué)特征能很好地與傳統(tǒng)判斷成熟度的標(biāo)準(zhǔn)相吻合，同時與可溶性糖和可溶性蛋白變化規(guī)律相吻合，因此可以采用力學(xué)特征表征生菜成熟度。

2.4 數(shù)據(jù)分類算法

本文根據(jù)數(shù)據(jù)集的特點構(gòu)造各類分類器，分類的目的是根據(jù)數(shù)據(jù)集的特點構(gòu)造一個分類函數(shù)或分類模型（常稱作分類器），該模型能把未知類別的樣本映射到給定類別中。

2.4.1 雙閾值深度遍歷算法

對生菜不同成熟度的單葉片單區(qū)域的單力學(xué)特征進行分類，以分類準(zhǔn)確率最高為目標(biāo)，設(shè)計雙閾值深度遍歷算法，每一力學(xué)特征的閾值都采用該算法確定，算法如式（6）～（8）所示，式中countif(x)表示求滿足括號內(nèi)條件的樣本個數(shù)的函數(shù)。

式中為總準(zhǔn)確率；T為第類正確樣本數(shù)（=1，2，3）；N為第類樣本數(shù)；ij為第類的個樣本力學(xué)特征值（=1，2，……第類的樣本總數(shù)）；min為該力學(xué)特征的最小特征值；max為該力學(xué)特征的最大特征值；1為分類成熟和未成熟的閾值；2為分類成熟和過成熟的閾值。

為減少編碼復(fù)雜度，采用深度遍歷算法提取閾值[31]，最終快速搜索所有特征的分類閾值。在特征范圍（min，max）內(nèi)，該搜索算法在1>2和1≥2的2種情況，以設(shè)定的步長快速尋找閾值分類線。

2.4.2 機器學(xué)習(xí)算法

機器學(xué)習(xí)算法包括樸素貝葉斯、決策樹、支持向量機、邏輯回歸和隨機森林等算法，在預(yù)測分類方面均有使用，其中以決策樹和集成學(xué)習(xí)應(yīng)用最為廣泛。

決策樹以輸入的數(shù)據(jù)為樹的根，選取數(shù)據(jù)的特征屬性為節(jié)點即決策點，將數(shù)據(jù)集劃分為不同子集，直到子集數(shù)據(jù)的類型相同，此時到達葉節(jié)點，該過程結(jié)束。

集成學(xué)習(xí)通過構(gòu)建并結(jié)合多個學(xué)習(xí)器來完成學(xué)習(xí)任務(wù)。集成學(xué)習(xí)的一般結(jié)構(gòu)：先產(chǎn)生一組“個體學(xué)習(xí)器”，再用某種策略將其結(jié)合。個體學(xué)習(xí)器通常由一個現(xiàn)有的學(xué)習(xí)算法從訓(xùn)練數(shù)據(jù)產(chǎn)生，例如：決策樹算法、神經(jīng)網(wǎng)絡(luò)算法等，此時集成中只包含同種類型的個體學(xué)習(xí)器，也可包含不同類型的個體學(xué)習(xí)器。集成學(xué)習(xí)通過將多個學(xué)習(xí)器進行結(jié)合，通?？色@得比單一學(xué)習(xí)器顯著優(yōu)越的泛化性能。

根據(jù)個體學(xué)習(xí)器的生成方式，目前的集成學(xué)習(xí)方法大致可分為兩大類：個體學(xué)習(xí)器間存在強依賴關(guān)系、串行生成的序列化方法，以及個體學(xué)習(xí)器間不存在強依賴關(guān)系、可同時生成的并行化方法[32]。

并行式集成學(xué)習(xí)方法最著名的代表是Bagging。本次生菜力學(xué)特征分類，采用3個分別含53個訓(xùn)練樣本的采樣集，然后基于每個采樣集訓(xùn)練出一個基學(xué)習(xí)器，再將這些基學(xué)習(xí)器進行結(jié)合，這就是Bagging的基本流程，也是構(gòu)造生菜力學(xué)分類模型的方法。在對預(yù)測輸出進行結(jié)合時，Bagging 通常對分類任務(wù)使用簡單投票法。

2.4.3 分類模型評價指標(biāo)

生菜成熟度分類的混淆矩陣，能清晰反映出真實類別與預(yù)測結(jié)果兩者的一致性。為了評價三分類模型的分類效果，選取準(zhǔn)確率、精確率、召回率、1-分?jǐn)?shù)和AUC（area under curve）值作為評價指標(biāo)，評估模型的整體性能。

1-分?jǐn)?shù)作為綜合指標(biāo)，可以反映模型的總體分類效果，AUC則反映了模型的泛化能力，因此以1-分?jǐn)?shù)、AUC 為主要評價指標(biāo)，準(zhǔn)確率、精確率、召回率為輔助評價指標(biāo)，實現(xiàn)模型分類效果的評價。

3 結(jié)果與分析

3.1 雙閾值深度遍歷算法分類結(jié)果

隨著成熟度變化，生菜力學(xué)特征也發(fā)生了變化。設(shè)計試驗，提取各類力學(xué)指標(biāo)區(qū)分未成熟、成熟、過成熟3個時間節(jié)點的生菜。為保證分類算法的效果，未成熟、成熟、過成熟樣本個數(shù)幾乎相同，其中未成熟生菜19顆，占總樣本35.8%，成熟生菜和過成熟生菜均為16顆，分別占總樣本的32.1%。提取3類蔬菜的斷裂力力學(xué)特征參數(shù)采用雙閾值深度算法進行分類，得到分類結(jié)果如圖9所示。

注：生菜編號：未成熟，1～19；成熟，20～36；過成熟，37～53。

圖9可知，以中葉葉莖斷裂力為例，葉莖部位穿刺斷裂力對于未成熟和成熟的分類準(zhǔn)確率83.3%，成熟和過成熟的分類準(zhǔn)確率是73.5%，總的分級準(zhǔn)確率為75.4%，穿刺斷裂力分割閾值分別為0.98和1.38 N。生菜斷裂力在未成熟、成熟、過成熟3種情況均為上升趨勢，而斷裂力主要表征生菜硬度，這是由于生菜在生長過程中，生菜組織通常有更高比例的細(xì)胞，植物細(xì)胞壁中木質(zhì)素增加，具有增厚和木質(zhì)化的細(xì)胞壁，生產(chǎn)系統(tǒng)中鈣的充足可用性，可以幫助保持生菜的硬度[33]，這與本次論文中過成熟生菜硬度仍然保持上升一致。生菜相比水果更不易軟化，以杏果為例，杏果軟化的原因為：果膠多糖的溶解和解聚導(dǎo)致細(xì)胞壁結(jié)構(gòu)的分解，最終導(dǎo)致果實組織的質(zhì)地變化[34-35]。因此，雖然力學(xué)特征均與果蔬成熟度相關(guān)，但其具體的判別方案需按照各類果蔬的生長變化而定。

表3為外中內(nèi)葉各力學(xué)特征基于雙閾值深度遍歷算法的準(zhǔn)確率，其中包括2次試驗分類誤差和差異顯著性。將2次試驗樣本導(dǎo)入origin中進行差異顯著性分析，由于2次試驗樣本一致性較好，其在各指標(biāo)中均不存在明顯差異，所以未在表中進行標(biāo)注。葉莖部位全部力學(xué)特征總體準(zhǔn)確率為：中葉>內(nèi)葉>外葉。內(nèi)葉和中葉葉莖部位各特征的分類效果明顯優(yōu)于葉肉部位，這是因為葉肉部位質(zhì)地柔軟，葉莖部位質(zhì)地更為堅挺出現(xiàn)誤差較小。其中，穿刺斷裂力、穿刺斷裂功、穿刺斷裂總功在3類菜中區(qū)分度最大，3類生菜其他的力學(xué)指標(biāo)不適合表征其成熟度的變化。穿刺斜率表示材料的彈性，力學(xué)穿刺試驗被證明與食品的感官質(zhì)地有相關(guān)性，其脆度、斷裂斜率對未成熟、成熟、過成熟生菜區(qū)分度不高。

表3 生菜各力學(xué)特征分類誤差

注：E為斷裂斜率，N·mm-1；sr為空間破裂數(shù)，mm-1；F為平均穿刺力，N；Wc為脆度，N×mm；為幅值，N；為頻寬，Hz。

Note:Eis fracture slope, N·mm-1;sris spatial fracture number, mm-1;Fis average puncture force, N;Wcis brittleness, N×mm;is amplitude, N;is bandwidth, Hz.

基于某一個力學(xué)特征，采用單一的閾值分割難以取得較高的分類結(jié)果，對比不同時期、不同葉片、不同部位的分類準(zhǔn)確度和2次實驗數(shù)據(jù)的分類誤差?？傮w來說中葉葉莖部位各力學(xué)特征分類效果最好。但是分類準(zhǔn)確率只達到了75.5%，考慮到上述對單一特征信息分類往往不夠充分，所以采用機器學(xué)習(xí)分類方法融合多種信息以提升分類精度和泛化性能[36]。

3.2 多維機器學(xué)習(xí)算法分類結(jié)果

生菜一個特征表示一維空間，多維特征表示多維空間，使用有監(jiān)督的機器學(xué)習(xí)分類器對數(shù)據(jù)進行分類訓(xùn)練。首先，導(dǎo)入數(shù)據(jù)可得多維中葉特征點分布。然后，針對所提取的11個力學(xué)特征，依次采用可優(yōu)化的樸素貝葉斯，支持向量機，邏輯回歸和隨機森林等算法進行分類訓(xùn)練。為評價機器學(xué)習(xí)模型的分類效果選取了準(zhǔn)確率、精確率、召回率、1-分?jǐn)?shù)和AUC作為評價指標(biāo)。得到的分類效果如表4所示。

表4 生菜各機器學(xué)習(xí)算法分類結(jié)果

由表4可知，采用可優(yōu)化集成算法時，模型5項指標(biāo)均為最高，分類效果最好，其訓(xùn)練學(xué)習(xí)器為決策樹，集成方法為Bagging，模型的分類結(jié)果如表5所示。在19個未成熟樣本均預(yù)測準(zhǔn)確，在17個成熟樣本中有1個被模型預(yù)測為成熟、1個預(yù)測為過成熟，在17個過成熟樣本中有1個被預(yù)測為成熟，3個時間節(jié)點的生菜整體分類準(zhǔn)確率為94.3%，53個樣本中僅有3個被分錯。多維機器學(xué)習(xí)模型結(jié)合更多力學(xué)特征，相較于單維特征分類結(jié)果更好。

表5 可優(yōu)化集合模型混淆矩陣

3.3 分類算法有效性檢驗

本文在同等條件下，再培養(yǎng)一批生菜生長相同天數(shù)，并采用同樣的方法進行樣本制備和測量，驗證其分類模型的有效性，每個節(jié)點選擇6株生菜。將提取的各力學(xué)特征導(dǎo)入可優(yōu)化集成分類算法得到最后的分類結(jié)果如下表6所示，分類準(zhǔn)確率為91.7%，表明本文所提出的力學(xué)特征分級模型有效。

表6 分類模型有效性檢驗結(jié)果

4 結(jié) 論

本文基于力學(xué)檢測生菜成熟度的方法，提取了水培生菜時域和頻域力學(xué)特征，驗證了力學(xué)特征與生菜成熟度的相關(guān)性，并設(shè)計了生菜成熟度分類算法，得到了有效分類的葉片區(qū)域和分類結(jié)果。主要結(jié)論如下：

1）中葉葉莖部位葉莖斷裂力、葉莖斷裂功、葉莖斷裂總功等力學(xué)特征，與生菜地上鮮質(zhì)量顯著相關(guān)（>0.65，<0.001）；中葉葉莖斷裂力與中葉葉片活體葉綠素相對含量具有顯著相關(guān)（>0.65，<0.001），中葉葉莖部位葉莖斷裂力、葉莖斷裂功、葉莖斷裂總功，與中葉葉片活體葉綠素相對含量具有顯著低相關(guān)性（0.41>>0.20，<0.005）。

2）針對葉莖和葉肉部位單個特征進行雙閾值深度搜索進行分類，得到不同葉片各部位各特征的分類準(zhǔn)確率，并選擇分類效果最好的葉片區(qū)域。對比多種機器學(xué)習(xí)算法，其中可優(yōu)化集成算法分類效果最好，集成方法為Bagging，其訓(xùn)練學(xué)習(xí)器為決策樹。針對未成熟、成熟、過成熟3類生菜的分類效果達到了94.3%的準(zhǔn)確率。

3）將同等條件下重新培養(yǎng)的一批生菜的力學(xué)特征參數(shù)導(dǎo)入模型，預(yù)測準(zhǔn)確率為91.7%，表明該模型有效。

該項研究為生菜成熟度檢測提供新思路，未來可用于確定成熟生菜最佳采收時間，提高生菜的采收品質(zhì)。

[1] LEI C, ENGESETH N J. Comparison of growth characteristics, functional qualities, and texture of hydroponically grown and soil-grown lettuce[J]. LWT- Food Science and Technology, 2021, 150(2): 111931.

[2] TANIWAKI M, HANADA T, SAKURAI N. Device for acoustic measurement of food texture using a piezoelectric sensor[J]. Food Research International, 2006, 39(10): 1099-1105.

[3] WANG Z, LING Y M, WANG X L, et al. An improved Faster R-CNN model for multi-object tomato maturity detection in complex scenarios [J]. Ecological Informatics, 2022, 72: 101886.

[4] IBBA P, Falco A, ABERA B D, et al. Bio-impedance and circuit parameters: An analysis for tracking fruit ripening[J]. Postharvest Biology and Technology, 159: 110978-110978.

[5] 潘文娟. 生菜成熟度識別及采后品質(zhì)質(zhì)量研究[D]. 合肥：合肥工業(yè)大學(xué)，2015.

PAN Wenjuan. Studies on Proper Harvest Maturity Control and Postharvest Quality Keeping of Fresh Lettuce[D]. Hefei: Hefei University of Technology, 2015. (in Chinese with English abstract)

[6] 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.

[7] LEI C L, ENGESETH N J. Comparison of growth characteristics, functional qualities, and texture of hydroponically grown and soil-grown lettuce[J]. LWT- Food Science and Technology, 2021, 150(2): 111931.

[8] LIU Z, LI Z, YUE T, et al. Differences in the cell morphology and microfracture behaviour of tomato fruit (L.) tissues during ripening[J]. Postharvest Biology and Technology, 2020, 164: 111182.

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

[10] ZHANG Z Z, QIN J Q, DI C C, et al. An introductory review of mechanical reliability testing[J]. Applied Mechanics and Materials, 2014, 541/542:1414-1418.

[11] TANIWAKI M, TAKAHASHI M, SAKURAI N, et al. Effects of harvest time and low temperature storage on the texture of cabbage leaves[J]. Postharvest Biology and Technology, 2009, 54(2): 106-110.

[12] Golla S P ，Kumar R R，Veerapandian C，et al. Meta analysis on color, total flavonoids, antioxidants, frictional, mechanical, and cutting force of moringa pods[J]. Postharvest Biology and Technology, 2022, 45(10): 2-19.

[13] NAKAMOTO H, NAGAHATA Y, KOBAYASHI F. A magnetic food texture sensor and comparison of the measurement data of chicken nuggets[J]. Sensor, 2021, 21(10): 3310.

[14] SHI Y, CAI M, ZHOU L, et al. Measurement of mechanical properties of naked cell membranes using atomic force microscope puncture test[J]. Talanta, 2020, 210: 120637.

[15] ROUDAUT G, DACREMONT C, PAMIES B V, et al. Crispness: A critical review on sensory and material science approaches[J]. Trends in Food Science& Technology, 2002, 13(6/7): 217-227.

[16] SIRISOMBOON P, TANAKA M, KOJIMA T. Evaluation of tomato textural mechanical properties[J]. Journal of Food Engineering, 2012, 111(4): 618-624.

[17] PAMIES B V, ROUDAUT G, DACREMONT C, et al. Understanding the texture of low moisture cereal products: Mechanical and sensory measurements of crispness[J]. Journal of the Science of Food and Agriculture, 2000, 80(11): 1679-1685.

[18] FIROUZ M S, ALIMARDANI R, MOBLI H, et al. Effect of modified atmosphere packaging on the mechanical properties of lettuce during shelf life in cold storage[J]. Information Processing in Agriculture, 2021, 8(4): 485-493.

[19] TOOLE G A, PARKER M L, SMITH A C, et al. Mechanical properties of lettuce[J]. Journal of Materials Science, 2000, 35(14): 3553-3559.

[20] 張金閣. 香梨果肉脆度的力聲同步法檢測研究[D]. 石河子：石河子大學(xué)，2021.

ZHANG Jinge. Study on the Detection of the Crispness of Korla Pear Pulp by Mechanical-Acoustic Synchronization[D]. Shihezi: Shihezi University, 2021. (in Chinese with English abstract)

[21] 鄧小玲，徐梅宣，刁寅亮. 數(shù)字信號處理[M]. 北京：北京理工大學(xué)出版社，2019.

[22] 李佳，呂程序，苑嚴(yán)偉，等. 快速傅里葉變換結(jié)合SVM算法識別地表玉米秸稈覆蓋率[J]. 農(nóng)業(yè)工程學(xué)報，2019，35(20)：194-201.

LI Jia, LV Chengxu, YUAN Yanwei, et al. Automatic recognition of corn straw coverage based on fast Fourier transform and SVM[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 194-201. (in Chinese with English abstract)

[23] TOIVONEN P, BRUMMELL D A. Biochemical bases of appearance and texture changes in fresh-cut fruit and vegetables[J]. Postharvest Biology & Technology, 2008, 48(1): 1-14.

[24] GIL M I, TUDELA J A, MARTINEZ-SANCHEZ A. Harvest maturity indicators of leafy vegetables[J]. Stewart Postharvest Review, 2012, 8(1): 1-9.

[25] 王建友，劉鳳蘭，韓宏偉，等.不同采摘期對庫爾勒香梨果實品質(zhì)的影響[J]. 新疆農(nóng)業(yè)科學(xué)，2015，52(5)：848-851.

WANG Jianyou, LIU Fenglan, HAN Hongwei, et al. Study on the best harvest time of Xinjiang Korla pear[J]. Xinjiang Agricultural Sciences, 2015, 52(5): 848-851. (in Chinese with English abstract)

[26] 王涓，吳旭鳴，王愛鳳. 應(yīng)用皮爾遜相關(guān)系數(shù)算法查找異常電能表用戶[J]. 電力需求側(cè)管理，2014，16(2)：52-54.

WANG Juan, WU Xuming, WANG Aifeng. The application of pearson correlation coefficient algorithmin in searching for the users with abnormal watt?hour meters[J]. Power Demand Side Management, 2014, 16(2): 52-54. (in Chinese with English abstract)

[27] 張通，金秀，饒元，等. 基于無人機多光譜的大豆旗葉光合作用量子產(chǎn)量反演方法[J]. 農(nóng)業(yè)工程學(xué)報，2022，38(13)：150-157.

ZHANG Tong, JIN Xiu, RAO Yuan, et al. Inversing photosynthesis quantum yield of the soybean flag leaf using a UAV-carrying multispectral camera[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(13): 150-157. (in Chinese with English abstract)

[28] ZHAN G, ZONG W, MA L, et al. Biomechanical properties of ready-to-harvest rapeseed plants: Measurement and analysis[J]. Information Processing in Agriculture, 2022, 4(2): 2214-3173.

[29] BARG M, AGUERO M V, YOMMI A, et al. Evolution of plant water status indices during butterhead lettuce growth and its impact on post-storage quality[J]. Journal of the Science of Food and Agriculture, 2009, 89(3): 422-429.

[30] QIAO M, XU Y, XIA G, et al. Determination of hardness for maize kernels based on hyperspectral imaging[J]. Food Chemistry, 2021, 366(2): 130559.

[31] 張建偉，江琦，劉軒然，等. 基于PSO-SVM算法的梯級泵站管道振動響應(yīng)預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(11)：75-81.

ZHANG Jianwei, JIANG Qi, LIU Xuanran, et al. Prediction of vibration response for pipeline of cascade pumping station based on PSO-SVM algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(11): 75-81. (in Chinese with English abstract)

[32] 周志華. 機器學(xué)習(xí)[M]. 北京：清華大學(xué)出版社，2016.

[33] YOSOFF S F, MOHAMED M T M, PARVEZ A, et al. Production system and harvesting stage influence on nitrate content and quality of butterhead lettuce[J]. Bragantia, 2015, 74(3): 322-330.

[34] 鄧?yán)? HHAIB處理對杏果實干燥特性和品質(zhì)的影響規(guī)律與機理研究[D]. 北京：中國農(nóng)業(yè)大學(xué)，2020.

DENG Lizhen. Effect of High-Humidity Hot Air Impingement Blanching on Drying Characteristics and Quality Attributes of Apricot and its Mechanism[D]. Beijing: China Agricultural University, 2020. (in Chinese with English abstract)

[35] PAN H, WANG L, WANG R, et al. Modifications of cell wall pectin in chilling-injured ‘Friar’ plum fruit subjected to intermediate storage temperatures[J]. Food Chemistry, 2018, 242: 538-547.

[36] 張聰，周為峰，唐峰華，等. 基于機器學(xué)習(xí)的中西太平洋黃鰭金槍魚漁場預(yù)報模型[J]. 農(nóng)業(yè)工程學(xué)報，2022，38(15)：330-338.

ZHANG Cong, ZHOU Weifeng, TANG Fenghua, et al. Forecasting models for yellowfin tuna fishing ground in the central and western Pacific based on machine learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(15): 330-338. (in Chinese with English abstract)

Maturity classification using mechanical characteristics of hydroponic lettuce

JIANG Yiyu, WANG Shuo, ZHANG Lina, TAN Yu※

(100083,)

Accurate identification of lettuce maturity is one of the most important steps during vegetable production. The better quality of lettuce can depend mainly on the picking time in the period of suitable maturity. Among them, the harvested lettuce texture is one of the important bases to determine lettuce maturity in this case. Fortunately, the mechanical characteristics can also be an optimal way to evaluate and detect the lettuce texture after harvesting. It is very necessary to clarify the relationship between the lettuce maturity and harvested texture. In this study, a novel classification was proposed to characterize the maturity of vegetables, according to the mechanical characteristics of hydroponic lettuce under the puncture test. Three categories were also classified by the immature, mature, and over-mature plants. Firstly, a systematic extraction was performed on the mechanical characteristics of the stem and mesophyll in the inner, middle, and outer leaves of immature, mature, and over mature plants in the time and frequency domain. The correlation analysis was made between the leaf mechanical characteristics and chlorophyll content, and the above-ground fresh weight. Some indicators were then calculated to accurately characterize the leaf maturity characteristics. A consistency analysis was also implemented between the mechanical characteristics and the changes of soluble sugar or soluble protein. Secondly, a dual-threshold depth traversal was designed to classify the individual characteristics of a single leaf and single region. The classification thresholds of immature and mature were obtained for the mature and over-mature mechanical characteristics. An optimal selection was performed on the blade type and region with the highest classification accuracy. All the mechanical features of the region were then trained using various machine learnings. The test results showed that the mechanical characteristics of the leaves were significantly correlated with the above-ground fresh quality of lettuce. There was a significantly low correlation with the Soil Plant Analysis Development (SPAD) value of the middle leaves, indicating the better consistence with the change law of soluble sugar and soluble protein. It infers that the mechanical characteristics of leaves can be expected to characterize the maturity of lettuce. The overall accuracy rate of the mechanical features in the single threshold classification was ranked in the descending order of: middle leaf > inner leaf > outer leaf. More importantly, the classification effect of each feature in the stem part was outstandingly better than that of the mesophyll part. Among them, the highest classification accuracy was 75.5% in the fracture force of the middle leaf stem. Specifically, the classification thresholds of fracture force were 0.98, and 1.38 N, respectively, for the immature and mature, while the mature and overripe plants. An optimal ensemble was achieved to better classify all the mechanical characteristics of the stem and mesophyll in the middle leaves. Correspondingly, the integration method was the Bagging, and the training learner was a decision tree. The accuracy rate was more than 94.3% for the three types of lettuce. A series of experiments were carried out to verify under the same conditions. Another batch of lettuce was planted in this case. The integrated model was also optimized using machine learning after training. The prediction accuracy rate was obtained by 91.7%, indicating the better validity of the improved model. Consequently, the mechanical characteristics can be expected to serve as a new tool for the rapid identification and accurate classification of vegetable maturity. An optimal harvest texture of mature lettuce was also determined to improve the harvest quality of lettuce.

vegetables; machine learning; hydroponic lettuce; maturity; puncture test; mechanical characteristics

10.11975/j.issn.1002-6819.202210063

S147.2

A

1002-6819(2023)-01-0179-09

蔣易宇，王碩，張麗娜，等. 基于水培生菜力學(xué)特征的成熟度分類方法[J]. 農(nóng)業(yè)工程學(xué)報，2023，39(1)：179-187.doi：10.11975/j.issn.1002-6819.202210063 http://www.tcsae.org

JIANG Yiyu, WANG Shuo, ZHANG Lina, et al. Maturity classification using mechanical characteristics of hydroponic lettuce[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(1): 179-187. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.202210063 http://www.tcsae.org

2022-10-10

2022-12-30

國家重點研發(fā)計劃項目（2016YFD0700302）

蔣易宇，博士研究生，研究方向為機電一體化、農(nóng)業(yè)信息與電子工程。Email：1049366505@qq.com

譚彧，教授，博士生導(dǎo)師，研究方向為機電一體化、農(nóng)業(yè)信息與電子工程。Email：tanyu@cau.edu.cn