基于聲振信號對稱極坐標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. 石河子大學機械電氣工程學院，石河子 832003；2. 農業農村部西北農業裝備重點實驗室，石河子 832003；3. 綠洲特色經濟作物生產機械化教育部工程研究中心，石河子 832003）

為實現蘋果早期霉心病較高精度的檢測，該研究采用對稱極坐標法（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卷積神經網絡以遷移學習方式深度挖掘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。研究結果表明，當時間間隔系數為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圖經卷積神經網絡AlexNet、VGG16和ResNet50提取特征并構建了不同核函數的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練時間和參數量可取得訓練集霉心果較高分類準確率，經超參數優化訓練該模型對健康果和早期霉心果測試集不平衡樣本（10∶1）的總體分類準確率達到96.97%，平均查準率、平均查全率、平均加權調和均值、Kappa系數和馬修斯相關系數值分別為80.19%、90.36%、86.21%，82.54%和82.68%，該模型不僅對多數類的健康果保持較高分類準確率，而且對少數類的早期霉心果也具有較高判別能力。研究結果為聲振法應用于果蔬內部病害的早期在線檢測系統研發提供了技術支撐。

無損檢測；支持向量機；蘋果霉心病；早期檢測；聲振法；對稱極坐標法；卷積神經網絡

0 引 言

蘋果霉心病是由真菌感染引起的一種嚴重影響果實品質的常見內部病害[1]，霉變始于果核心室，早期霉變難以發現，易混入貯藏、銷售等環節，隱蔽的霉變悄然發展至果皮時，會侵染大量健康果，使果商和水果保鮮企業遭受重大損失。尤其是，當病害果混入蘋果深加工環節中，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（世界衛生組織WHO規定其最高濃度為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蘋果霉心病早期準確無損檢測的方法。

國內外諸多學者已嘗試采用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]、聲振法進行果蔬內部病害的檢測[8-9]，取得一定研究進展，但大多并未關注早期病害判別。Lu等[10]在最近發表的文獻綜述中明確指出，果蔬內部病害的早期檢測仍是一項亟待解決的難題。張慧等[11]基于聲振法對內部早期褐變香梨進行判別，通過時域和頻域特征參數組合構建的-近鄰域（-nearest neighbor, KNN）模型對病害程度低于30%的內部早期褐變香梨取得了91.84%的分類準確率，但對病害程度低于18%的褐變香梨分類準確率依然偏低（81.82%）。因此，有必要從聲振響應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部病害的判別精度。

對稱極坐標（Symmetrized Dot Pattern，SDP）分析法是一種將信號處理與圖像分析相結合的新技術[12]，能將振動信號的離散數據根據其時間序列集合在規定區域生成雪花圖，不同信號之間的細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域取得了很好的分類效果[13-16]，這為聲振信號用于果蔬內部病害的無損檢測提供了一種新途徑[17]。

傳統基于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和足夠的專家經驗支持，所提取的淺層特征存在普適性差、抗干擾能力弱等問題[18]。與傳統特征提取方法相比，深度卷積神經網絡通過引入權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，可以克服傳統特征提取方法的不足[19]。目前卷積神經網絡作為特征提取器已被應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雜工況下對管道堵塞的識別準確率達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建了CNN-SVM模型，實現了不同軸承故障類型100%的識別準確率。Zhu[22]等研究證實，CNN深層特征提取與SVM分類識別結合構建的CNN-SVM模型，相較于獨立的CNN模型對胡蘿卜外觀品質分類效果更好。基于這些研究，本文采用SDP法將采集的健康果與霉心果聲振響應信號轉換為可視化雪花圖像，采用卷積神經網絡深度挖掘雪花圖像特征，構建蘋果早期霉心病CNN-SVM判別模型，以期為聲振法應用于蘋果霉心病早期在線檢測系統研發提供理論參考。

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，依據柯赫氏法則從自然發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基上培養。采用劃線法轉接純化5次，并經菌株形態學鑒定（北京北納創聯生物技術研究院）為鏈格孢屬菌后，向其培養皿中倒入適量質量分數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板上進行計數，最終將其調為孢子濃度為1.8×106個/mL的菌懸液備用。

蘋果用體積分數75%酒精棉球擦拭后放置在超凈工作臺上（HCB-1600H，青島海爾生物醫療股份有限公司），然后采用創傷接種法將50L復合菌懸液通過微量注射器（北京友誠嘉業生物科技有限公司）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智能生化培養箱（寧波江南儀器廠）中恒溫恒濕（25 ℃，90% RH）培養5 d，隨即進行聲振測試。

1.2 蘋果聲振響應信號采集

蘋果聲振測試采用如圖1所示的聲振無損檢測系統，該系統主要由兩個Q220-A4-303YB型壓電梁式加速度計（PIEZO系統公司，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，蘋果振動響應信號R由動態信號采集分析儀采集并經貝塞爾低通濾波器濾波、截斷、采樣、A/D模數轉換、數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連通區域標記算法提取B通道圖像中的蘋果霉心區域，將蘋果霉心區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 聲振響應信號對稱極坐標變換

圖3 蘋果聲振響應信號對稱極坐標變換原理

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檢測模型的構建方法

由于本研究聲振時域信號圖像數據集規模較小，采用適于小規模數據集分類問題的3種經典深度卷積神經網絡AlexNet、VGG16和ResNet50在大型圖像數據集ImageNet上進行網絡權重參數的遷移學習，分別深度挖掘雪花圖像特征。蘋果早期霉心檢測模型的構建流程如圖4所示，首先將蘋果聲振時域信號SDP變換的雪花圖數據集輸入到預訓練的AlexNet、VGG16和ResNet50神經網絡進行深度特征學習和提取，然后從超參數尋優后的3種遷移學習網絡中提取全連接層特征向量，分別輸入到具有不同核函數（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。網絡訓練和測試所用的計算機配置為：Windows 10 64位操作系統，Intel (R) Core (TM) i7-10875H CPU @ 3.20 GHz處理器、32 G內存；Nvidia1070Ti，8 G顯存；Matlab 2018b軟件。

1.6 CNN-SVM模型分類性能評價指標

實際情況下健康果數量要遠遠多于霉心果，為了滿足不平衡數據集分類性能評價，本研究在混淆矩陣分析的基礎上，采用準確率（Accuracy）和譚章祿等[28]提出的3種改進的評價指標，即平均查準率（Stable Precision，SP）、平均查全率（Stable Recall，SR）、平均加權調和均值（Stable F1-score，SF）以及Kappa系數（Kappa coefficient，KC）、馬修斯相關系數（Matthews Correlation Coefficient，MCC）5種指標，對所構建的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；Conv3-64×2表示卷積核大小為3×3、核數量為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。

2 結果與分析

2.1 蘋果霉心病程度的測定結果

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格的判別標準內，通過對霉心果果核心室面積百分比進行數據統計，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），其病害程度區間為1.2%～6.9%，平均值為3.2%，標準差為1.05%。

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

2.2 聲振信號SDP變換的適宜參數確定

2.3 蘋果早期霉心病檢測模型的訓練

2.3.1 不同CNN-SVM模型對早期霉心果判別的結果

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]遷移學習卷積神經網絡參數設置規則，在相同學習率（0.01）和訓練輪數（10）下，以遷移學習網絡AlexNet、VGG16和ResNet50為特征提取器，分別構建了3種核函數的SVM分類器，對蘋果早期霉心病判別的訓練結果如表1所示。AlexNet-SVM檢測模型訓練時間最短，參數量最少，AlexNet-SVM-poly（多項式核）檢測模型對健康果和早期霉心果分類準確率為88.93%；與之相比，VGG16-SVM檢測模型參數量最多，訓練時間最長，最佳檢測模型VGG16-SVM-gaus（高斯核）取得的分類準確率為90.36%，較AlexNet-SVM-poly模型提高了1.43個百分點；ResNet50網絡的訓練時間和參數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確率最高，達到了91.38%。因此，本研究選擇訓練精度較高的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信號及對應的SDP圖像

2.3.2 ResNet50-SVM-gaus模型訓練參數優化

對模型訓練時的學習率、訓練輪數進行參數優化，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結果可知，在同一訓練輪數下，適當降低遷移學習網絡的學習率，更容易捕獲到網絡最優解，可取得較高訓練準確率。但學習率降至0.000 01時，由于網絡收斂速度變緩，目標函數難以在合適時間內收斂到局部最小值而使訓練結果無法快速接近最優解，訓練準確率反而下降。因此，ResNet50-SVM-gaus模型適宜的學習率為0.000 1，此條件下該模型在訓練前期訓練輪數增加（訓練輪數≤10）使訓練準確率快速提高，在隨后22輪迭代尋優中訓練準確率緩慢提升，訓練輪數增加至32時，該模型的判別準確率提升至99.63%并趨于穩定，較超參數優化前提高了8.25個百分點。

表1 蘋果早期霉心病不同CNN-SVM的檢測模型的訓練結果

2.4 蘋果早期霉心病檢測模型的分類性能評價

為了驗證訓練優化后的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確率為97.78%，對早期霉心果的判別準確率為88.89%，對健康果和早期霉心果的總體判別準確率可達96.97%。該模型的平均查準率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對霉心果誤判率的容忍度遠低于健康果[30]，這意味著在模型分類性能評價指標中，平均查全率比平均查準率更應值得關注，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，由于樣本多數的健康果和樣本少數的早期霉心果在現實情況下的不平衡分布，樣本少數類對總體準確率的影響較小，即使分類算法將全部樣本判別為多數類，仍然可以獲得較高的分類準確率，可見僅使用準確率作為評價指標，難以準確反映出分類器在不平衡數據集上的分類性能[31]。而平均加權調和均值SF、Kappa系數和馬修斯相關系數MCC是能夠懲罰模型“偏向性”的綜合評價指標，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，不僅對多數類健康果保持較高分類準確率，也對少數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

現有研究對梨果核心部病害的檢測精度可達95%以上[23,32-34]，然而這些研究僅解決了病害有無的判別，未聚焦于果實內部病害的早期檢測。目前對果蔬內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計特征構建的SVM分類器對低于18%早期褐變香梨判別準確率為86.4%。在此基礎上，本文基于聲振信號SDP圖像深度特征構建的ResNet50-SVM分類模型，對霉心蘋果（霉心程度低于7%）的分類準確率可達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 論

本文針對蘋果聲振信號SDP圖像，通過遷移學習3種深度卷積神經網絡AlexNet、VGG16和ResNet50提取圖像特征構建蘋果早期霉心病的SVM檢測模型，研究結論如下：

2）以3種深度卷積神經網絡AlexNet、VGG16和ResNet50分別提取的SDP圖像特征為輸入基于不同核函數所構建的蘋果早期霉心病各種SVM檢測模型，ResNet50-SVM-gaus（高斯核）判別模型在學習率為0.000 1和訓練輪數為32時可以用相對較少訓練時間和參數量使早期霉心果（霉心程度≤7%）訓練集的分類準確率達到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確率可達96.97%，平均查準率、平均查全率、平均加權調和均值、Kappa系數和馬修斯相關系數值分別為80.19%、90.36%、86.21%、82.54%和82.68%，可見基于聲振信號對稱極坐標圖像的霉心蘋果早期檢測是可行的，為后續輕度霉心蘋果在線檢測系統的研發提供了技術依據。

[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的香梨褐變檢測[J]. 農業機械學報，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，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部早期褐變判別[J]. 農業工程學報，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，羅學智，葉行飛，等. 基于深度特征學習的汽輪機轉子狀態識別方法[J]. 中國電機工程學報，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，邵偲潔，張旭輝，等. 一種對稱極坐標圖像模糊C均值聚類的電主軸失衡故障診斷方法[J]. 西安交通大學學報，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. 基于深度學習與圖像處理的玉米莖稈識別方法與試驗[J]. 農業機械學報，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的深度卷積神經網絡軸承故障識別研究[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. 基于深度信念網絡的蘋果霉心病病害程度無損檢測[J]. 食品科學，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研究[J]. 統計與信息論壇，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. 基于卷積神經網絡與遷移學習的油茶病害圖像識別[J]. 農業工程學報，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. 不平衡數據分類方法綜述[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圖像的蘋果霉心病早期檢測[J]. 農業工程學報，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

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

趙康，博士生，研究方向為農產品品質智能化檢測。Email：kang0213z@163.com

吳杰，博士，教授，博士生導師，研究方向為農產品品質安全智能化檢測技術與裝備。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