基于介電頻譜技術的甜瓜品種無損檢測

王轉衛，趙春江，商 亮，孔繁榮，翁小鳳

?

基于介電頻譜技術的甜瓜品種無損檢測

王轉衛1，趙春江2※，商 亮1，孔繁榮1，翁小鳳1

（1. 西北農林科技大學機械與電子工程學院，楊凌 712100； 2. 國家農業信息化工程技術研究中心，北京 100097）

研究應用介電頻譜技術實現對甜瓜的無損、快速及準確分類。以陜西楊凌某4家大棚外形相似的“紅閻良”、“新早蜜”、“208”及“瑪瑙”等4類成熟甜瓜為研究對象，采用矢量網絡分析儀測量共246個樣品在20 MHz～4 500 MHz的介電頻譜。用Kennard-Stone 方法劃分校正集與驗證集，分別建立支持向量機（support vector machine，SVM）和極限學習機（extreme learning machine，ELM）種類判別模型，并比較全頻譜（full frequencies，FF）、連續投影算法（successive projection algorithm，SPA）和主成分分析（principal component analysis，PCA）等不同預處理方法對模型精度的影響。結果表明：1）所建6個判別模型驗證集總正確率均大于96%，均可用于甜瓜種類的判別。2）對比3種預處理方法，FF完好地保留了樣品的原始信息，2種判別模型的驗證集總正確率都達到了100%，但由于存在干擾信息導致模型穩定性不好；PCA方法選擇能代表原譜信息99.99%的前10個主成分信息用來建模，能有效簡化模型，但驗證集每個模型均有誤判，兩種判別模型總正確率分別為96.72%及98.36%；SPA從202個變量中提取17個特征變量參與建模，驗證模型整體穩定性較其他兩種好，總正確率分別達到96.72%和100%。3）綜合考慮判別模型的驗證集總正確率及模型穩定性，SPA-ELM模型判別效果最好，驗證集總正確率達到100%，更適用于基于介電頻譜的甜瓜種類判別。因此，基于甜瓜的介電頻譜，通過支持向量機和極限學習機方法可以成功區分甜瓜種類，為甜瓜的無損檢測及分類研究提供了一種新方法。

介電特性；支持向量機；模型；甜瓜；極限學習機；分類

0 引 言

甜瓜（）是葫蘆科中品種最豐富的物種之一，包含許多的變異類型，果實性狀與品質變化比較大。根據胡建斌等[1]對于中國甜瓜種質資源形態性狀遺傳多樣性分析，中國不同地區甜瓜種質類型及果實性狀差異明顯。實際上同一地區、不同品種之間品質上也會存在明顯差異。甜瓜作為陜西省的一大特色水果，品種較多，品質各有不同，因此分類研究對于甜瓜的種植、培育及指導消費者選購都有重要意義。

目前國內外對于甜瓜的研究多集中在甜瓜病毒和甜瓜含糖量等領域，如 Nagata等[2]對黃化病毒的研究，Verzera等[3]對甜瓜果實甜度的快速定量測定，Dull等[4-7]利用光譜手段研究甜瓜糖度，姚永波[8]利用LCR測試儀無損檢測甜瓜的糖度，而對于甜瓜的分類研究較少。文獻顯示Stepansky等[9]曾采用計算機視覺技術研究甜瓜的分類方法，但這種方法效率較低，而且主要是從外觀來實現分類，而實際中外觀相似的甜瓜品質差異也可能會很大。因此，利用現代檢測技術，結合甜瓜內部品質對其進行分類研究很有必要。由于農產品的生理變化會反映在其介電參數上，所以通過檢測介電參數可以用來判斷農產品的品質變化情況?；诮K端開路同軸探頭技術的介電頻譜檢測方法被廣泛應用于測量液體或含濕量比較高的半固體材料的介電特性[10]，因此可用于對甜瓜種類的識別檢測。

國外早在20世紀70年代就已經開始利用水果介電特性對其品質進行快速測試，目前美國、歐洲等發達國家在這方面的研究已非常深入。如Soltani等[11]研究了香蕉的介電特性，并成功預測了香蕉的成熟度。國內學者基于介電特性在果品的無損檢測及分類方面也有一些研究[12-15]，郭文川等[16]將介電特性應用于番茄、蘋果等的品種識別研究，對番茄的品種識別率達到了81%，對紅富士和紅星蘋果的識別率達到了91%。谷靜思[17]利用介電特性結合人工神經網絡能準確識別桃和油桃的品種。

隨著人工神經網絡技術的發展，誤差反向傳播網絡、徑向基網絡、支持向量機、極限學習機等機器學習模型以其學習能力強，預測精度高，建模效果穩定等優點被廣泛應用于譜數據的分析中[18-20]。本研究以成熟甜瓜為研究對象，采集20～4 500 MHz頻率間甜瓜的介電頻譜，結合支持向量機及極限學習機建模方法，研究甜瓜種類判別問題，以期為甜瓜的品質無損檢測與分類研究提供參考。

1 材料與方法

1.1 試驗樣品

本研究用試驗樣品于試驗前1 d分別采摘自陜西楊凌某4家農戶大棚瓜地，品種分別為種植量較大的“紅閻良”、“新早蜜”、“208”及“瑪瑙”。采摘時綜合考慮陽面、陰面及是否貼地等對果實品質的影響。中熟型厚皮甜瓜開花后一般35 d左右即可上市，本研究用試驗樣品是開花后40 d的成熟甜瓜。4類樣品（分別簡稱為v1，v2，v3及v4）數量分別為91，80，41和34個，樣品總數246個。所有樣品外形相似（類球形）、大小相近（500 g左右）、無損傷且表皮顏色均勻。采摘后的樣品存放在室溫(24±2)℃實驗室，測試前將樣品擦凈晾干并編號。

1.2 儀器及數據處理軟件

E5071C型矢量網絡分析儀、85070E末端開路同軸探頭及85070C軟件（Agilent Technologies，馬來西亞），Matlab（R2011a，Math Works，馬薩諸塞州，美國），Unscrambler v10.2（CAMO，奧斯陸，挪威）等。

1.3 測試步驟

圖1所示為甜瓜介電特性測量系統示意圖。首先預熱E5071C型矢量網絡分析儀，然后按步驟校準儀器并設定測量范圍[21]。校準完成即可測量甜瓜樣品的介電特性。本研究是在甜瓜樣品赤道位置附近相隔大約90°均勻選取4個測量點，將樣品橫放在小型支架上，提升支架使樣品測量點表皮與垂直向下的探頭緊密接觸，順序測量4個測點的介電頻譜數據，以4點處的平均值作為該甜瓜樣品的最終測量結果。

本研究中，每個甜瓜樣品的總變量數為202個，其中'（相對介電常數）對應的101個值為該樣品的前101個變量，''（介質損耗因數）對應的101個值為該樣品的后101個變量。

1.4 數據分析及處理方法

1.4.1 樣品集劃分方法

本研究采用經典的Kennard-Stone（KS）方法進行樣品集的劃分。該方法基于樣品介電譜差異選擇轉換集樣品的劃分方法，劃分結果是將介電譜差異較大的樣品選入校正集，將其余相近樣品歸入驗證集，保證代表性強的樣品全部劃入校正集，進而最大程度地使校正集樣品分布均勻。KS 方法被普遍應用在譜數據的定性分析領域[22-23]。

1.4.2 介電譜預處理方法

本研究中預處理方法選擇主成分分析（principal component analysis, PCA）和連續投影算法（successive projection algorithm, SPA），并與不做預處理的全頻譜（full frequencies，FF）信息下的判別模型做對比研究。PCA是一種面向模式分類的數據降維方法，是在保證盡可能多地反映原始信息的基礎上，用較少的一些主成分代替原來較多的分析元素，從而達到簡化模型的目的，目前已被廣泛應用到譜數據壓縮、圖像處理等領域。SPA是一種前向循環的變量選擇方法，能降低模型復雜度，有效消除各變量間的線性相關影響，使優選變量更具有代表性[24-26]。

1.4.3 建模方法

本研究選取兩種建模方法，分別為支持向量機（support vector machine, SVM）和極限學習機（extreme learning machine, ELM）。SVM作為一種非線性網絡校正方法，可以有效提高建模效率，較好解決小樣本、非線性問題。ELM方法具有學習速度快、泛化性能好等特點，在模式識別和非線性擬合等方面具有明顯優勢[27-31]。

2 結果與分析

2.1 甜瓜的介電特性

圖2所示為4種甜瓜在不同頻率下的介電特性變化曲線，可以看出所有甜瓜樣品的介電參數隨頻率變化規律類似。其中，相對介電常數' 均隨頻率增大而減?。ㄒ妶D2a），且在低頻段減小迅速，在200 MHz以后減小明顯緩慢；介質損耗因數'' 隨頻率的增大先減小，而在1 000 MHz以后稍有增大（圖2b）。另外，從圖2中可以看出，不同品種甜瓜間介電參數存在種類差異，特別是在低頻段，大部分品種間差異明顯，因此，基于甜瓜介電特性可以對其進行分類研究。但圖2a顯示，v1、v3的' 曲線重疊較嚴重；圖2b顯示，高頻段所有甜瓜的''曲線重疊較嚴重，所以僅通過介電參數頻率曲線難以實現種類的完全識別，還需借助合適的數學分析方法來解決，本研究在介電譜數據基礎上，通過合理的樣本劃分，并結合不同的數據預處理方法及建模方法來提高總體識別率。

2.2 校正集與驗證集的劃分

樣品集的有效合理劃分對于模型的建立至關重要，也將直接影響模型的適用性與預測精度。如果可以在樣品集中選取具有代表性的樣品作為校正集，則會使模型的預測效果及穩定性大幅提升。為此，本研究基于Matlab軟件平臺，根據4類數量分別為91，80，41和34的甜瓜樣品原始介電頻譜，采用KS方法將樣品按照大約3:1的比例劃分為校正集與驗證集。劃分結果見表1。

2.3 PCA預處理

應用Matlab 2011a中的princomp()函數對樣品的原始介電譜進行主成分分析，所得前10個主成分的累積貢獻率見表2。從表2中可以看出：前6個主成分的累積貢獻率已達到99.926%，即前6個主成分所攜帶的信息量已反映了原始頻譜99.9%以上的信息，但若選取過少的主成分可能會丟失少部分有效信息，影響最終建模效果。因此，為保證更少損失原始介電譜的有效信息，并使數據處理效率較高且模型運算相對簡單，本研究選取累積貢獻率達到99.99%以上的前10個主成分用于后續種類識別模型的建立。

表1 Kennard-Stone樣品集劃分結果

表2 前10個主成分的累積貢獻率

2.4 SPA預處理

應用SPA對甜瓜介電頻譜進行特征頻率選取。SPA方法提取的特征頻率數目取決于校正集的交叉驗證均方根誤差（root mean square error，RMSE）值，RMSE隨特征變量數的增加而不斷減小，以其不再顯著減小時的變量數作為最佳特征變量數。本研究中設定特征頻率數范圍為3～30，RMSE變化曲線如圖3所示，當頻率個數大于17時，RMSE不再顯著減小，據此優選出17個特征頻率變量。所選特征頻率及對應的介電參數見表3。

表3 SPA選取的17個特征頻率

2.5 支持向量機及極限學習機訓練參數選擇

選取逼近速度快，效率高的徑向基核函數用于支持向量機建模[32]。用十折交叉驗證方法確定SVM的懲罰因子（）和松弛變量（）。首先將參數、的范圍設為2×10-8～2×108，利用網格搜索法進一步確定精細范圍為2×10-4～2×104，最終確定和的取值。本研究中ELM網絡的激活函數選定sig函數，隱層節點數根據多次重復試驗確定。初始權值隨機確定，一般可以通過增加重復建模次數來提高模型的穩定性[33]。

經全頻譜（full frequencies，FF）、PCA與SPA預處理后分別建立的SVM、ELM種類判別模型的各參數選取結果見表4。

表4 SVM及ELM模型參數

2.6 甜瓜種類識別效果比較分析

通過KS法劃分校正集與驗證集，在FF、PCA和SPA預處理后，應用SVM及ELM方法分別設計甜瓜種類判別模型，對品種1~4（v1~v4）的判別結果如表5所示。結果顯示，6種判別模型的驗證集總正確率最小為96.72%，最大達到100%，總正確率大于96%，說明這6種模型均可用于此4種甜瓜的種類判別。其中對v2的判別正確率最高，沒有誤判，這與圖2中v2品種介電參數相對較大的結果相一致；其他3種均有不同數目的誤判現象。由于驗證集介電參數范圍相對比較集中，導致大部分模型校正集誤判數大于驗證集誤判數。在后續研究中，可以進一步驗證并完善模型。

表5 SVM和ELM的甜瓜種類判別結果

從表5中可看出，在6種判別模型中，FF-SVM，FF-ELM及SPA-ELM 3種模型的總驗證正確率均達到100%，其中SPA-ELM校正模型最穩定，只對一個品種有誤判，說明此模型更適合用于甜瓜種類的判別。

對比3種不同預處理方法，FF完好地保留了樣品的全部信息，驗證總正確率最高，但因為存在噪聲干擾、數據重疊等問題，導致模型整體穩定性不是最好；PCA方法從原始數據中篩選出前10個主要成分信息作為輸入變量，能有效簡化模型，但每個模型對驗證集都有誤判，所以總正確率不高；SPA方法從原始數據中提取出17個主要特征變量參與建模，驗證結果整體比較穩定，總正確率較高。對比SVM和ELM 2種建模方法，都是將問題被動映射到高維空間做分類，但SVM核函數決定了唯一的映射方式，而ELM映射方式很多，且ELM的訓練速度更快，所以ELM模型整體效果更好。

3 結 論

本研究基于介電頻譜無損檢測技術，對“紅閻良”、“新早蜜”、“208”及“瑪瑙”等4種成熟甜瓜樣品分別建立了支持向量機（support vector machine, SVM）和極限學習機（extreme learning machine, ELM）2種分類判別模型，并分別比較了全頻譜（full frequencies，FF）、主成分分析（principal component analysis, PCA）和連續投影算法（successive projection algorithm, SPA）等3種不同數據預處理方法對簡化模型、提高模型準確度及穩定性的影響。結論如下：

1）所建模型驗證集總正確率均大于96%，表明基于介電頻譜技術對成熟甜瓜進行無損分類研究方法可行。由于不同種類甜瓜即使外形相似，也會存在內部品質方面的差異，體現在糖度、含水率、硬度等指標的不同，而這些品質指標的差異又反映在不同頻率點處的介電參數不同上，即介電譜有差異。所以基于介電譜數據可以實現對不同種類甜瓜的無損、準確識別。

2）對比全頻譜FF、PCA降維及SPA提取特征變量等3種方法所建模型，結果表明均可用于甜瓜分類研究的數據預處理。其中，FF方法總驗證正確率達到100%，但模型較復雜；PCA方法總驗證正確率分別達到96.72%和98.36%，總正確率不是最高；SPA方法總驗證正確率分別達到96.72%和100%，且校正模型相比較最穩定，更適用于介電頻譜的預處理工作。

3）與其他模型相比，SPA-ELM分類效果最好，總驗證正確率達到100%，且只對一個品種有誤判，說明SPA-ELM模型更適合用于介電頻譜下甜瓜的分類研究。

4）將介電頻譜無損檢測技術與SVM算法、ELM人工神經網絡方法相結合，成功地應用于成熟甜瓜的分類研究中，說明介電頻譜無損判別甜瓜種類方法可行，分類準確度較高，為甜瓜的無損檢測及分類、分級提供了一種新方法，并為介電頻譜在果品內部品質檢測及分類研究方面的應用提供了新的理論基礎。

[1] 胡建斌，馬雙武，簡在海，等. 中國甜瓜種質資源形態性狀遺傳多樣性分析[J]. 植物遺傳資源學報，2013，14(4)：612－619.

Hu Jianbin, Ma Shuangwu, Jian Zaihai, et al. Analysis of genetic diversity of Chinese melon (L.) germplasm resources based on morphological characters[J]. Journal of Plant Genetic resources, 2013, 14(4): 612－219. (in Chinese with English abstract)

[2] Nagata T, Dutra L S, Oliveira P A, et al. Analysis of the triple gene block sequence in an important melon pathogen, melon yellowing-associated virus[J]. Journal of General Plant Pathology, 2010, 76(4): 268－272.

[3] Verzera A, Dima G, Tripodi G, et al. Fast quantitative determination of aroma volatile constituents in melon fruits by headspace-dolid-phase microextraction and gas chromatography-mass spectrometry[J]. Food Analytical Methods, 2011, 4(2): 141－149.

[4] Dull G G, Birth G S, Smittle D A, et al. Near infrared analysis of soluble solids in intact cantaloupe[J]. Journal of Food Science, 2006, 54(2): 393－395.

[5] Dull G G, Birth G S, Leffler R G. Exiting energy distribution in honeydew melon irradiated with a near infrared beam[J]. Journal of Food Quality, 1989, 12(12): 377－381.

[6] Dull G G, Leffler R G, Birth G S. Near-infrared spectrophotometry for measurement of soluble solids in intact honeydew melons[J]. Hortscience A Publication of the American Society for Horticultural Science, 1990, 25(9): 1132－1136.

[7] Dull G G, Leffler R G, Birth G S, et al. Instrument for nondestructive measurement of soluble solids in honeydew melons[J]. Transaction of the ASAE, 1990, 35(2): 735－737.

[8] 姚永波. 基于介電特性的甜瓜糖度無損檢測[D]. 烏魯木齊: 新疆大學，2012.

Yao Yongbo. Nondestructive Inspection of Melon's Sugar Content Based on Dielectric Properties[D]. Urumchi: Xinjiang University, 2012. (in Chinese with English abstract)

[9] Stepansky A, Kovalski I, Perl-Treves R. Intraspecific classification of melons (Cucumis melo L.) in view of their phenotypic and molecular variation[J]. Plant Systematics and Evolution, 1999, 217(3): 313－332.

[10] 郭文川，朱新華. 國外農產品及食品介電特性測量技術及應用[J]. 農業工程學報，2009，25(2)：308－312.

Guo Wenchuan, Zhu Xinhua. Foreign dielectric property measurement techniques and their applications in agricultural products and food materials[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(2): 308－312. (in Chinese with English abstract)

[11] Soltani M, Alimardani R, Omid M. Evaluating banana ripening status from measuring dielectric properties[J]. Journal of Food Engineering, 2011, 105(4): 625－631.

[12] 胥芳，計時鳴，張立彬，等. 水果電特性的無損檢測在水果分選中的應用[J]. 農業機械學報，2002，33(2)：53－56.

Xu Fang, Ji Shiming, Zhang Libin, et al. Nondestructive inspection of dielectric property of fruit and its application in classifying fruit quality[J]. Transactions of the Chinese Society for Agricultural Machinery, 2002, 33(2): 53－56. (in Chinese with English abstract)

[13] 陳克克. 水果介電特性及其與品質關系的研究[D]. 楊凌：西北農林科技大學，2009.

Chen Keke. Study on Dielectric Properties of Fruits and Their Relationships With Qualities[D]. Yangling：Northwest A&F University, 2009. (in Chinese with English abstract)

[14] 劉文超，廖宇蘭，崔萬春，等. 基于介電特性的水果無損檢測技術的應用分析[J]. 食品研究與開發，2011，32(6)：90－93.

Liu Wenchao, Liao Yulan, Cui Wanchun, et al. The applicated analysis of nondestructive determination in fruit based on dielectric properties[J]. Food Research and Development, 2011, 32(6): 90－93. (in Chinese with English abstract)

[15] 黃良妹，李曉龍，馬惠玲. 紅富士果實內部品質的電學法無損檢測[J]. 食品研究與開發，2013，12(5)：74－79.

Huang Liangmei, Li Xiaolong, Ma Huiling. Non-destructive detection with electric basis on internal qualities of Fuji apple fruit[J]. Food research and development, 2013, 12(5): 74－79. (in Chinese with English abstract)

[16] 郭文川，郭康權，朱新華. 介電特性在番茄和蘋果品種識別中的應用[J]. 農業機械學報，2006，37(8)：130－132.

Guo Wenchuan, Guo Kangquan, Zhu Xinhua. Application of dielectric properties in identifying species of tomatoes and apples[J]. Transactions of the Chinese Society for Agricultural Machinery, 2006, 37(8): 130－132. (in Chinese with English abstract)

[17] 谷靜思. 基于介電頻譜/近紅外光譜技術檢測采后桃和油桃的品質及品種[D]. 楊凌：西北農林科技大學，2014.

Gu Jingsi. Identifying Qualities and Varieties of Postharvest Peaches and Nectarines by Using Dielectric Spectra/ Near-Infrared Spectra Technology[D]. Yangling：Northwest A&F University, 2014. (in Chinese with English abstract)

[18] Yao Y, Wang C, Liu H, et al. Biomass compositional analysis using sparse partial least squares regression and near infrared spectrum technique[J]. Spectroscopy and Spectral Analysis, 2015, 35(7): 1864－1869.

[19] Zhao M, Downey G, O’Donnell C P. Exploration of microwave dielectric and near infrared spectroscopy with multivariate data analysis for fat content determination in ground beef[J]. Food Control, 2016, 3(10): 3414－3418.

[20] Hertrampf A, Sousa R M, Menezes J C, et al. Semi-quantitative prediction of a multiple API solid dosage form with a combination of vibrational spectroscopy methods[J]. Journal of Pharmaceutical and Biomedical Analysis, 2016, 124(5): 246－253.

[21] 郭文川，商亮，王銘海，等. 基于介電頻譜的采后蘋果可溶性固形物含量無損檢測[J]. 農業機械學報，2013,44（9）：132－137.

Guo Wenchuan, Shang Liang, Wang Minghai, et al. Soluble solids content detection of postharvest apples based on frequency spectrum of dielectric parameters[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(9): 132－137. (in Chinesewith English abstract)

[22] 王銘海. 獼猴桃、桃和梨品質特性的近紅外光譜無損檢測模型優化研究[D]. 楊凌：西北農林科技大學，2013.

Wang Minghai. Study on Optimal Model for Nondestructive Detection of Kiwifruit, Peach and Pear Quality Characteristic by NIR Spectroscopy[D]. Yangling: Northwest A&F University, 2013, (in Chinese with English abstract)

[23] 劉偉，趙眾，袁洪福，等. 光譜多元分析校正集和驗證集樣本分布優選方法研究[J]. 光譜學與光譜分析，2014，34(4)：947－951.

Liu Wei, Zhao Zhong, Yuan Hongfu, et al. An optimal selection method of samples of calibration set and validation set for spectral multivariate analysis[J]. Spectroscopy and Spectral Analysis, 2014, 34(4): 947－951. (in Chinese with English abstract)

[24] 劉韜，田洪祥，郭文勇. 主成分分析在某型柴油機光譜數據分析中的應用[J]. 光譜學與光譜分析，2010，30(3)：779－782.

Liu Tao, Tian Hongxiang, Guo Wenyong. Application of PCA to diesel engine oil spectrometric analysis[J]. Spectroscopy and Spectral Analysis, 2010, 30(3): 779－782. (in Chinese with English abstract)

[25] 洪涯，洪添勝，代芬，等. 連續投影算法在砂糖橘總酸無損檢測中的應用[J]. 農業工程學報，2010，26(增刊2)：380－384.

Hong Ya, Hong Tiansheng, Dai Fen, et al. Successive projections algorithm for variable selection in nondestructive measurement of citrus total acidity[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(Supp.2): 380－384. (in Chinese with English abstract)

[26] 郭文川，林碧瑩. 牛奶含水率介電譜結合化學計量學檢測方法[J]. 農業機械學報，2016,47（9）：249－254.

Guo Wenchuan，Lin Biying. Detecting moisture content of cow’s milk using dielectric spectra and chemometrics[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(9): 249－254. (in Chinesewith English abstract)

[27] 商亮. 基于介電譜無損檢測蘋果品質及種類[D]. 楊凌：西北農林科技大學，2015.

Shang Liang. Nondestructive Detection of Apples' Quality and Varieties by Dielectric Spectra[D]. Yangling：Northwest A&F University, 2015. (in Chinese with English abstract)

[28] Huang G, Zhu Q, Siew C K. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006, 70(1/2/3): 489－501.

[29] Huang G, Zhou H, Ding X, et al. Extreme learning machine for regression and multiclass classification[J]. IEEE Transactions on Systems, Man and Cybernetics. Part B, Cybernetics: A Publication of the IEEE Systems, Man and Cybernetics Society, 2012, 42(2): 513－529.

[30] Deng C, Huang G, Xu J, et al. Extreme learning machines: new trends and applications[J]. Science China (Information Sciences), 2015, 58(2): 1－16.

[31] 章鳴嬛，陳瑛，沈瑛，等. 人工神經網絡和支持向量機性能比較及其在DMD疾病識別中的應用[J]. 上海理工大學學報，2016，38(4)：346－351.

Zhang Minghuan, Chen Ying, Shen Ying, et al. Comparative study on the performances of ANN and SVM and their application in the identification of DMD disease[J]. J. University of Shanghai for Science and Technology, 2016, 38(4): 346－351. (in Chinese with English abstract)

[32] 商亮，谷靜思，郭文川. 基于介電特性及ANN的油桃糖度無損檢測方法[J]. 農業工程學報，2013，29(17)：257－264.

Shang Liang, Gu Jingsi, Guo Wenchuan. Non-destructively detecting sugar content of nectarines based on dielectric properties and ANN[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(17): 257－264. (in Chinese with English abstract)

[33] 孟田源，王轉衛，遲茜，等. 基于高光譜成像技術生長發育后期蘋果糖度的無損檢測[J]. 西北農林科技大學學報：自然科學版，2016, 44(6)：228－234.

Meng Tianyuan, Wang Zhuanwei, Chi Qian, et al. Non-destructive prediction of soluble solids content in apples at late development period based on hyperspectral imaging[J]. Journal of Northwest A&F University: Natural Science Edition, 2016, 44(6): 228－234. (in Chinese with English abstract)

Nondestructive testing of muskmelons varieties based on dielectric spectrum technology

Wang Zhuanwei1, Zhao Chunjiang2※, Shang Liang1, Kong Fanrong1, Weng Xiaofeng1

(1.,,712100,;2.,100097,)

To classify muskmelons quickly and accurately based on dielectric spectroscopy, dielectric properties of 4 kinds of melons (a total of 246) were measured with network analyzer over the frequency range from 20 to 4 500 MHz. The samples were selected from 4 different greenhouses in Yangling, Shaanxi Province, which had similar shape and size, and had no injury and disease. All samples were divided into calibration set and validation set with a ratio of about 3:1 based on Kennard-Stone method. Methods of support vector machine (SVM) and extreme learning machine (ELM) were applied to establish discriminative models of muskmelons. We chose 2 different variable selecting methods as pre-processing methods before modeling. One method was principal component analysis (PCA) for data dimension reduction, and the other was successive projections algorithm (SPA) for characteristic variables selecting. The model validating effects after the processing of PCA and SPA were used to compare with that with no pre-processing; besides, directly modeling with full frequencies (FF) spectra data was also adopted. The results were shown as below: 1) All discriminative models under FF, PCA and SPA methods could be used for classifying muskmelons. The total correct rate of each validation set reached over 96%, and the ELM modeling method was better than SVM method as a whole. 2) The models based on the FF method retained all original information of the frequency spectra data, so it had the highest validation correct rate, up to 100%. But its stability and reliability were not good enough because of the existing interference information. Under the PCA method, the accumulating contribution rate of the former 10 principal components extracted from all variables approached to 99.99%, which well reflected original information while simplifying the model in some degree and improved performance of models, however, the results were not very stable and the total correct rate of 2 models was much lower than others, up to 96.72% and 98.36% respectively. Seventeen characteristic variables were selected by the SPA from all 202 variables for modeling, which not only simplified the model and improved its performance, but also had the higher accuracy. Therefore, the SPA method was more suitable for the variables selecting based on dielectric spectrum. 3) In all models, SPA-ELM had the minimum misjudgments and the highest total correct rate, which was more suitable for classifying muskmelons according to dielectric frequency spectra. Therefore, it’s feasible to classify muskmelons based on dielectric spectrum by the modeling methods of SVM and ELM. It also shows that the dielectric spectrum technology can be used to do more research on muskmelon classification and grading, and provides the new theory and methods for future research about nondestructive detection of muskmelons.

dielectric properties; support vector machine; models; muskmelon; extreme learning machine; classification

10.11975/j.issn.1002-6819.2017.09.038

O657

A

1002-6819(2017)-09-0290-06

2016-12-19

2017-01-17

國家科技支撐計劃（2015BAD19B03）和陜西省農業科技攻關項目（2016NY170）聯合資助

王轉衛，女，陜西富平人，講師，主要從事農產品無損檢測技術與應用研究。楊凌西北農林科技大學機械與電子工程學院，712100。Email：wzw630@126.com

趙春江，男，研究員，博士，主要從事農業信息技術與精準農業技術體系研究。北京國家農業信息化工程技術研究中心，100097。Email：zhaocj@nercita.org.cn

王轉衛，趙春江，商 亮，孔繁榮，翁小鳳. 基于介電頻譜技術的甜瓜品種無損檢測[J]. 農業工程學報，2017，33(9)：290－295. doi：10.11975/j.issn.1002-6819.2017.09.038 http://www.tcsae.org

Wang Zhuanwei, Zhao Chunjiang, Shang Liang, Kong Fanrong, Weng Xiaofeng. Nondestructive testing of muskmelons varieties based on dielectric spectrum technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(9): 290－295. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.09.038 http://www.tcsae.org