氣體傳感器鑒別花椒產地研究

龐 濤，楊 霄，陳曉燕，陶懷亮，李蒙良

氣體傳感器鑒別花椒產地研究

龐 濤1，楊 霄1，陳曉燕2,3※，陶懷亮1，李蒙良1

（1. 四川農業大學機電學院，雅安 625000； 2. 四川農業大學信息工程學院，雅安 625000；3. 四川農業大學農業信息工程四川省重點實驗室，雅安 625000）

目前花椒產地鑒別基本以感官評定為主，缺乏客觀性，在實施應用時難以做到量化和標準化，難以做出判斷。因此設計研發一種快速鑒別花椒的智能裝置。該裝置以氣體傳感器陣列為核心，能夠獨立對花椒氣味信息進行檢測和鑒別，區分不同產地的同類花椒。利用主成分分析和Wilks Λ統計分析對檢測數據進行處理。提取主成分5個，累積貢獻率為94.41%，其對應Fisher判別模型訓練集平均準確率達到88.6%，驗證集90%，Wilks Λ統計分析最終選取8個變量，其對應判別Fisher模型訓練集平均準確率91.82%，驗證集95%。對Wilks Λ統計所選取變量建立細分類交叉驗證的Fisher判別模型，平均正確率達到97.27%，將模型移植到采集裝置，完成智能花椒品種鑒別裝置。該方法是一種簡便高效的花椒品種鑒別方法，可為今后進一步研究花椒產地、分級提供檢測儀器和理論依據。

傳感器；農作物；氣體監測器；花椒產地鑒別；Fisher判別

0 引 言

花椒是中國的重要經濟作物，中國西部地區如四川、陜西、甘肅、青海等地花椒種植的面積很大，成為重要的經濟作物甚至是地方經濟的支柱產業[1]。市面上花椒品種眾多，外形、色澤、風味各不相同，這也造成了不同品種的花椒價格差異很大，中國約有39種花椒，14個變種[2]，大部分花椒品種仍處于野生狀態，人工栽培的花椒主要分為青花椒和紅花椒，不同產地的花椒質量不同。但隨著花椒深度開發和利用得到越來越多的重視，市場需求快速增長，隨之而來的是市場上以劣充優、以陳冒新、摻假摻雜等現象層出不窮。一方面，消費者開始更多地關心他們所消費的農產品的來源與真實性，另一方面，企業與花椒原產地渴望尋求保護自身品牌的有效方法，因此研究開發出一種簡單、快速、無損的花椒產地鑒別檢測方法，具有重要的現實意義。

現有花椒品種鑒別的常用方法有感官分析技術、氣相色譜法、與氣質聯用技術（GC-MS）等。感官辨識對于專業人員的要求較高，需要長期的經驗，而這些專業人員很難做到將不同地區的花椒完全辨認。而如吳習宇等采用近紅外光譜技術鑒別花椒產地[3]，吳莉莉等采用機器視覺對花椒品種進行鑒別[4]。此外，也有眾多研究發現不同種或不同品系的花椒間化學成分也有較大差異[5]。這一類的非感官的鑒別手段，測試周期較長，運行成本高，在操作上不利于推廣。

氣體傳感器是一種模仿生物嗅覺的氣體檢測系統[6]。而氣體傳感器的核心部件為由多種氣敏傳感器組成的氣敏傳感器陣列，其原理是將多個傳感器感知到的時間或空間上互補或冗余的信息，并在某種準則下進行綜合與分析，以獲得單個或單類傳感器無法獲得的有價值的綜合信息，從而形成對觀測對象客觀的描述[7-9]。鑒于氣體傳感器對待測氣體樣品的信息綜合分析能力，它已經在農業生產[10-12]、生物醫學[13-15]、環境監測[16-18]、食品檢測[19-21]等領域得到了廣泛應用。

本文自行研發設計出一種基于氣體傳感器陣列的花椒信息采集裝置，用于4種花椒氣味信息檢測，依據Wilks Λ統計量對氣體傳感器中的傳感器陣列數據進行優化，剔除冗余信息。將優化數據利用Fisher判別建立分類器，結合花椒信息采集裝置，建立一種快速、簡單、準確且便于推廣的花椒產地鑒別方法，為保證名品花椒、產地優選提出新的方法。

1 材料與方法

1.1 材料選取

試驗花椒分為4個品種，分別是四川漢源紅花椒、陜西韓城紅花椒（大紅袍）、四川漢源青花椒、云南魯甸青花椒（后文簡稱云南青花椒）。4種花椒均取自原產地種植園區，均為干燥花椒果皮。其中漢源青、紅花椒和云南青花椒各取60份，陜西紅花椒取40份，每份均15 g，此220份花椒用作訓練樣本。各類花椒取樣本各20份作為驗證集。

1.2 試驗設備

智能花椒品種鑒別裝置。該裝置系統結構圖如圖1a所示，作為整個設備的設計指導。圖1b為實際設計時的氣室結構設計剖圖，從圖中可以看出，氣室，樣品槽，傳感器陣列，加熱片，離心風機的組裝結構，風機從上端吸收被加熱片加熱的花椒氣體，由下側向四周的傳感器陣列散發，使得各個傳感器均勻接觸到花椒氣體，氣體再由外側返回氣室，達成氣體循環。圖1c為裝置設計的外部結構，從外部只能看到氣室和樣品槽，無法看到氣室內部的具體結構。圖1d為拆下外殼的實物俯視圖，俯視結構中可以看到本裝置在設計時包含了氣體流通通道，可以保證氣體實現循環。圖1e是在1d的基礎上，拆除傳感器陣列的保護外殼，傳感器設置為倒置擺放，陣列通道內為線路連接，只將傳感器探頭露出，保證傳感器傳遞線路不受到花椒氣味的顆粒影響，確保實驗安全進行。圖1f為實物的側放圖，將側面擋板取下，內部為搭建好的控制電路及外圍電路等，擋板可拆卸保證了隨時可以對裝置程序，電路進行修改。

1.樣品槽 2.氣敏傳感器陣列 3.離心風機 4.PTC加熱片 5.隔離殼體 6.液晶顯示屏 7.開關 8.風速調節旋鈕 9.控制芯片（內部）

本裝置所采用的傳感器選型時參照花椒氣體組成成分進行選擇，并對傳感器本身的靈敏性，恢復性，穩定性進行篩選，最終所選的7個傳感器分別為MQ135、MQ5、MQ2、TGS2611、TGS2600、TGS2610和TGS2602。圖2為本文所用氣體傳感器陣列實物圖，表1為傳感器所對應敏感響應特性。該裝置有采集檢測和鑒別種類2種工作模式，檢測到的數據和鑒別結果會在顯示屏上顯示。

圖2 試驗所用傳感器

表1 氣體傳感器響應特性

1.3 信息采集和選擇

首先在采樣前，將顆粒狀活性炭置入樣品槽中，進行清洗，直至傳感器陣列的響應信號穩定，將此時傳感器陣列的響應值作為基準值，清洗時間為10 min。將花椒樣本送入樣品槽，開啟氣味采集工作模式，先對氣味采集裝置進行約60 s的預熱，使傳感器陣列處于正常工作狀態，氣室內的溫度穩定在26℃（±1℃）。進行數據采集，采樣時間約為10 min，每個傳感器分別采集50次數據，每次采樣間隔10 s，取50次采樣數值的平均值（aver），最大值（max），最小值（min）作為一個樣本的記錄值，每組花椒樣本包含21個數據參數，構成完整的數據帶。

1.4 數據分析

1.4.1 主成分分析

主成分分析（principal component analysis, PCA），是一種通過正交變換將一組可能存在相關性的變量轉換為一組線性不相關的變量，從而代表所有變量的統計方法，轉換后的這組變量叫主成分[22]。對測定花椒的21個參數進行主成分分析，選取方差累積貢獻率達到90%以上的穩定水平的主成分，并確定其數量。

1.4.2 Wilks Λ統計分析

Wilks Λ統計量是常用的數據篩選方式，用于檢驗多個母體的判別效果和各個變量的判別能力[23]。其實質是，樣本組內離差平方和與樣本總體離差平方和之比。其比值越小說明樣本貢獻越大。

對2種分析方法選定的成分分別建立Fisher判別分析，選擇最優方式并將最優判別分析移植到鑒別裝置中。

2 結果與分析

2.1 主成分提取與Wilks Λ統計篩選

對220個樣本所測試花椒21個特征參數進行主成分分析，方差累積結果如圖3，主成分分析在第5個以后，累積方差逐增長漸趨于平穩，故提取主成分5個，方差累積貢獻率達到94.41%。

圖3 主成分方差累積貢獻率

Wilks Λ統計分析篩選出8個變量，涉及試驗傳感器6個，如表2所示。

表2 Wilks Λ統計量選擇

2.2 Fisher判別分析

根據篩選的變量PCA和Wilkss Λ統計篩選的變量，分別建立PCA-Fisher判別分析模型與Wilks-Fisher判別分析模型，2種模型均包含3個判別函數，PCA-Fisher判別函數如下：

PF1=1.655×PC1+0.101×PC2?0.247×PC3?

1.362×PC4+0.739×PC5（1）

PF2=0.224×PC1?0.376×PC2+0.073×PC3+

0.619×PC4?0.531×PC5（2）

PF3=0.072×PC1+0.498×PC2+0.308×PC3+

0.519×PC4?0.534×PC5（3）

式中PF1，PF2，PF3表示分類坐標值，PC1～PC5表示5個主成分。

Wilks-Fisher判別函數如下：

WF1=?0.001×1?0.031×2+0.028×3?0.045×4+

0.015×5+0.026×6+0.005×7?0.004×8?5.56（4）

WF2=?0.013×1?0.049×2+0.002×3+0.093×4?

0.048×5+0.066×6?0.001×7+0.036×8?2.417（5）

WF3=?0.002×1?0.008×2?0.024×3?0.074×4?

0.138×5?0.005×6+0.034×7+0.116×8+5.101 （6）

式中WF1，WF2，WF3表示分類坐標值，1～8表示表2中序號1～8的8個篩選變量。將輸入導入2種模型，分別與其對應質心相比較，求得距離最短即為分析結果。分析結果如表3所示。

表3 Fisher判別分類結果

由表3知，Wilks-Fisher判別分析的整體正確率相對較高。其中在PCA-Fisher判別模型中，云南青花椒與漢源紅花椒的識別率明顯較低，這是因為，不同花椒的揮發性成分相對含量不同。文獻[24]中指出，漢源青花椒和漢源紅花椒的揮發性氣體成分含量差異極大，漢源青花椒醇類化合物含量較高，而漢源紅花椒酯類化合物較高，這是導致傳感器在響應2種花椒時數值差異的主要原因，以表2中出現最多參數的傳感器TGS2602為例，圖4a是傳感器TGS2602每組所采集樣本的平均值（aver）折線圖，從中可以明顯得看出4種花椒的響應差異值較為明顯；圖4b是表2中未篩選傳感器TGS2611每組采集樣本的平均值折線圖，可以發現，該傳感器對4種花椒的響應值差異較低，印證了該傳感器所提供信息存在較多冗余，而PCA會提取這一部分的冗余信息，這是導致PCA-Fisher模型識別精度較低的原因，也證明了Wilks統計分析對剔除冗余數據的有效性。圖4 c是4類花椒在Fisher判別分析坐標下的坐標點，從圖中可以看出，陜西紅花椒相對其他3種花椒區分度明顯，云南青花椒和漢源青花椒、漢源紅花椒在一定程度上具有重疊部分，這可能是因為漢源魯甸2地相隔較近，在地理位置，土壤等因素較為接近引起的，這也導致了云南青花椒和漢源紅花椒的判別率相對較低，故僅僅使用Fisher判別分析，并不能完全將產地鑒別，還需要對函數或數據進行優化分類。

2.3 細分類交叉驗證下的Wilks—Fisher判別

對Wilks—Fisher判別模型進行改進，將樣本集進行區分，分別訓練出紅花椒的判別函數和青花椒的判別函數。為降低交互數據的干擾性，對分析案例進行交叉驗證。交叉驗證是在機器學習建立模型和驗證模型參數時常用的辦法。交叉驗證，就是重復的使用數據，把得到的樣本數據進行切分，組合為不同的訓練集和測試集，用訓練集來訓練模型，用測試集來評估模型預測的好壞。在此基礎上可以得到多組不同的訓練集和測試集，某次訓練集中的某樣本在下次可能成為測試集中的樣本，即所謂“交叉”。

圖4 傳感器部分響應及判別坐標

采用S折交叉驗證，根據樣本數量S，將對應訓練集樣本分成S-1份，剩下1份作為測試機，循環S次，直到每個樣本均作為測試集對象進行測試。在判別時，將數據分為青紅花椒進行分別驗證，結果如表4所示。

表4 青紅花椒分類交叉驗證結果

由表4可知，在分類判別時，漢源青花椒的正確率為98.3%，誤判1組，云南青花椒的正確率為93.3%，誤判4組，陜西紅花椒的正確率為100%，漢源紅花椒的正確率為98.3%，誤判1組，平均正確率達到97.27%，所有驗證結果較原模型檢測均有所提高。該驗證結果表明分類交叉驗證的Wilks—Fisher判別模型可以較好地鑒別花椒的產地，將判別函數寫入采集裝置并調試程序，即構成完整的智能花椒品種鑒別系統。

3 結 論

本文采用自制的智能花椒品種鑒別裝置，利用氣體傳感器陣列對花椒數據進行采集，通過主成分分析、WilksΛ統計分析提取有效變量，建立對應的Fisher判別模型。試驗表明，Wilks—Fisher具有更好的結果，訓練集的平均判別正確率達到91.82%，驗證集平均判別正確率達到95%。在細分類交叉驗證的下的該模型判別率達到97.27%。該模型能夠正確地識別4個產地的花椒，其檢測結果較為理想。而將模型函數寫入裝置后，構成智能花椒品種鑒別系統裝置，實現花椒產地的無損智能鑒別。該裝置無需樣品預處理，不需要使用檢測理化值所需的精密儀器，檢測成本較高光譜等精細設備極具優勢，為花椒產地的識別及追溯提供了技術支持，可以有效控制以次充優、假冒偽劣等摻假手段，為名優名品花椒，具有地理標志保護花椒的鑒別提供了簡便快捷的新思路，具有廣闊的應用前景。

[1] 畢君，趙京獻，王春榮，等. 國內外花椒研究概況[J]. 經濟林研究，2002，20(1)：46－49.

[2] Huang Chengjiu, Rutaceae, Dicotyledoneae, Angiospermae. Flora Reipublicae Popularis Sinicae[M]. Beijing: Science Press, 1997.13.

[3] 吳習宇，祝詩平，黃華，等. 近紅外光譜技術鑒別花椒產地[J]. 光譜學與光譜分析，2018(1)：68－72.

Wu Xiyu, Zhu Shiping, Huang Hua, et al. Near infrared spectroscopy for determination of the geographical origin of Huajiao[J].Spectroscopy and Spectral Analysis, 2018(1): 68－72. (in Chinese with English abstract)

[4] 吳莉莉，邢玉清，鄭寶周，等. 機器視覺在花椒品種鑒別中的初步研究[J]. 傳感技術學報，2016，29(1)：136－140.

Wi Lili, Xing Yuqing, Zheng Baozhou, et al. A preliminary study of zanthoxylurn bungeanum maxim varieties discriminating by computer vision[J]. Chinese Journal of Sensors and Actuators, 2016, 29(1): 136－140. (in Chinese with English abstract)

[5] Ito C, Katagiri H, Sato A, et al. Pharm acogno stical Studies on the Sino-Japanes crude drugs “Huajiao” and “Sansho”: Part5.On essential oils and pungent priciples of pericarps of subgen Zanthoxylum plants and commercial samples[J].Natural Medicines, 1997, 51(3): 249.

[6] Chen F Q. Means for rapid detection of toxic gases summary[J]. Autom Instrum, 2014(10): 79.

[7] 韓崇昭，朱洪艷，段戰勝，等. 多源信息融合[M]. 北京：清華大學出版社，2006：15－16.

[8] 王欣. 多傳感器數據融合問題的研究[D]. 吉林：吉林大學，2006：13－15.

[9] Hall D L, Llinas J. Handbook of Multisensor Data Fusion[M]. New York: CRC Press, 2001: 10－13.

[10] 周亦斌，王俊. 基于電子鼻的番茄成熟度及貯藏時間評價的研究[J]. 農業工程學報，2005，21(4)：113－117.

Zhou Yibin, Wang Jun. Evaluation of maturity and shelf life of tomato using an electro nic nose[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(4): 113－117. (in Chinese w ith Eng lish abstr act)

[11] 殷勇，郝銀鳳，于慧春. 基于多特征融合的電子鼻鑒別玉米霉變程度[J]. 農業工程學報，2016，32(12)：254－260.

Yin Yong, Hao Yinfeng, Yu Huichun. Identification method for different moldy degrees of maize using electronic nose coupled with multi-features fusion[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(12): 254－260. (in Chinese with English abstract)

[12] 張婷婷，孫群，楊磊，等. 基于電子鼻傳感器陣列優化的甜玉米種子活力檢測[J]. 農業工程學報，2017，33(21)：275－281.

Zhang Tingting, Sun Qun, Yang Lei, et al. Vigor detection of sweet corn seeds by optimal sensor arraybased on electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(21): 275－281. (in Chinese with English abstract)

[13] 郝燕，王永清，王悅，等. 檢測細胞代謝氣體成分診斷肺癌的方法[J]. 浙江大學學報：工學版，2008，42(2)：294.

[14] Brekelmans M P, Fens N, Brinkman P, et al. Smelling the diagnosis: The electronic nose as diagnostic tool in inflammatory arthri-tis[J]. PLOS One, 2016, 11(3): e0151715.

[15] 張斌，吳哲，何宏建，等. 結合磁共振成像和腦機接口的新型在體生物電子鼻的研究[J]. 中國生物醫學工程學報，2018，37(1)：57－63.

Zhang Bin, Wu Zhe, He Hongjian, et al. Characterization of in vivo bioelectronic nose with combined manganese- enhanced mri and brain-computer interface[J]. Chinese Journal of Biomedical Engineering. 2018, 37(1): 57－63.

[16] 方向生，施漢昌，何苗，等. 氣體傳感器在環境監測中的應用與進展[J]. 環境科學與技術，2011，34(10)：112.

[17] Tian F C, Zhang J, Yang S X, et al. Suppression of strong back-ground interference on E-nose sensors in an open country environ-ment[J]. Sensors, 2016, 16(2): 233.

[18] 俞守華，董紹嫻，區晶瑩. 豬舍有害氣體NH3、H2S的電子鼻定量識別[J]. 農業工程學報，2009，25(7)：153－157.

Yu Shouhua, Dong Shaoxian, Ou Jingying. Quantitative identification of pernicious gases NH3and H2S in piggery using electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(7): 153－157. (in Chinese with English abstract)

[19] 殷勇，趙玉珍，于慧春. 基于多種變量分析方法鑒別食醋種類電子鼻信號特征篩選[J]. 農業工程學報，2018，34(15)：290－297.

Yin Yong, Zhao Yuzhen, Yu Huichun. Feature selection of electronic nose signal for vinegar discrimination based on multivariable analysis [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(15): 290－297. (in Chinese with English abstract)

[20] 沈飛，劉鵬，蔣雪松，等. 基于電子鼻的花生有害霉菌種類識別及侵染程度定量檢測[J]. 農業工程學報，2016，32(24)：297－302.

Shen Fei, Liu Peng, Jiang Xuesong, et al. Recognition of harmful fungal species and quantitative detection of fungal contamination in peanuts based on electronic nose technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 297－302. (in Chinese with English abstract)

[21] 裴高璞，史波林，趙鐳，等.典型摻假蜂蜜的電子鼻信息變化特征及判別能力[J]. 農業工程學報，2015，31(增刊1)：325－331.

Pei Gaopu, Shi Bolin, Zhao Lei, et al. Information variation feature and discriminant capabilities of electronic nose for typical adulteration honey identification[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(Supp.1): 325－331. (in Chinese with English abstract)

[22] 金慧芳，史東梅，陳正發，等. 基于聚類及 PCA 分析的紅壤坡耕地耕層土壤質量評價指標[J]. 農業工程學報，2018，34(7)：155－164.

Jin Huifang, Shi Dongmei, Chen Zhengfa, et al. Evaluation indicators of cultivated layer soil quality for red soil slope farmland based on cluster and PCA analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(7): 155－164. (in Chinese with English abstract)

[23] 高惠璇. 應用多元統計分析[M]. 北京：北京大學出版社，2005：199－205.

[24] 蒲鳳琳，孫偉峰，車振明，等. 水蒸氣蒸餾結合GC-MS法分析比較四川漢源青、紅花椒揮發性香氣成分[J]. 中國調味品，2017，42(1)：23－27.

Pan Fenglin, Sun Weifeng, Che Zhenming, et al. Analysis of volatile aroma components in hanyuan green and redby steam distillation and GC-MS[J]. China Condiment, 2017, 42(1): 23－27. (in Chinese with English abstract)

Identification oforigin based on gas sensor

Pang Tao1, Yang Xiao1, Chen Xiaoyan2,3※, Tao Huailiang1, Li Mengliang1

(1.,,625000,; 2.,625000,;3.,625000,)

At present, the identification of the origin ofis basically based on sensory evaluation, lack of objectivity, and it is difficult to quantify standardize when applying, and is difficult for non-professionals to make judgments. Therefore, in this paper, a smart device to quickly identifywas designed and developed. The device was based on the gas sensor array, including a control module, a temperature module, a data storage module, a fan module, and a display module, it could not only independently detect and identify the odor information of the, but also distinguish the same kind offrom different places. The sensor array contained seven gas sensors, which could respond to irritating gases emitted bysuch as benzene, alkanes, alcohols, and aldehydes. When the temperature was stable at about 26 degrees Celsius, it could effectively collect information on the odor emitted by. Each group ofsamples was collected 50 times, and the average value, the maximum value, and the minimum value were taken as sample recording parameters. In this paper, four kinds ofwere selected as experimental subjects. Two kinds of greenwere from Ludian in Yunnan and Hanyuan in Sichuan. At the same time, the two kinds of redwere from Hancheng in Shaanxi and Hanyuan in Sichuan. A total of 220 samples were collected as training sets, including 40 redin Shaanxi and 60 samples in the remaining three samples. Another 80 samples were taken as the verification set, the number of samples for eachwas 20 in the verification set as well. The detection data were processed using principal component analysis (PCA) and Wilks statistical analysis. Five principal components were extracted, and the cumulative contribution rate was 94.41%. The average accuracy rate of the training model corresponding to the Fisher discriminant model was only 88.6%, and the verification set was 90%. As a comparison, the Wilks statistical analysis finally eliminated 13 variables as well as selected 8 variables, and only TGS2611 sensor acquisition was not used. The average accuracy of the Fisher model training set was 91.82%, and the validation set was 95%. The results of the comparison of the two models indicate that the variables screened by Wilks are more effective in discriminating thefield. Among the four kinds of, the recognition rate of Yunnan greenand Hanyuan redwas relatively lower than the others, and there was a phenomenon that the boundary data overlaps in the discrimination result graph. Then, to solve the problem, a Fisher discriminant model with cross-validation was established for the variables selected by Wilks statistic. In addition, the average accuracy rate reached 97.27%. Finally, the model was transplanted to the collection device to complete the identification device of intelligentvariety. It was a simple and efficient method for identifyingvarieties and could provide a testing instrument and theoretical basis for further research on the origin and classification of.

sensors; crops; gas detectors; identification offield; fisher discriminant

龐 濤，楊 霄，陳曉燕，陶懷亮，李蒙良. 氣體傳感器鑒別花椒產地研究[J]. 農業工程學報，2019，35(18)：267－272.doi：10.11975/j.issn.1002-6819.2019.18.032 http://www.tcsae.org

Pang Tao, Yang Xiao, Chen Xiaoyan, Tao Huailiang, Li Mengliang.Identification oforigin based on gas sensor[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(18): 267－272. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.18.032 http://www.tcsae.org

2019-03-18

2019-04-26

四川省教育廳一般項目（自然科學）立項編號：17ZB0333 基于高光譜圖像技術的蘋果品質無損檢測方法研究

龐 濤，講師，主要從事農業信息檢測。Email：349380993@qq.com

陳曉燕，教授。主要從事農產品無損檢測。Email：chenxy@sicau.edu.cn

10.11975/j.issn.1002-6819.2019.18.032

S-3

A

1002-6819(2019)-18-0267-06