基于水培生菜力學特征的成熟度分類方法

蔣易宇，王 碩，張麗娜，譚 彧

基于水培生菜力學特征的成熟度分類方法

蔣易宇，王 碩，張麗娜，譚 彧※

（中國農業大學工學院，北京 100083）

為了能準確識別生菜的成熟度，實現生菜適時采收，避免因采收期不當而造成品質下降等問題，該研究提出用穿刺試驗力學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特征，得到葉片力學特征與葉片成熟特性指標的相關性。為了對水培生菜未成熟株、成熟株、過成熟株進行準確分類，設計雙閾值深度遍歷算法，確定分類準確率最高的葉片類型和區域；采用6種機器學習算法以該區域所有的力學特征為輸入，以成熟度3種分類為輸出進行訓練。試驗結果表明，生菜葉片力學特征與成熟度特性指標緊密相關，生菜中葉葉莖區域分類準確率最高，可優化集成分類機器學習算法準確率最高為94.3%。研究結果提供了一種應用力學特征解決水培生菜成熟度檢測與分類的新方法。

蔬菜；機器學習；水培生菜；成熟度；穿刺試驗；力學特征

0 引 言

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

傳統判斷果蔬采摘時期的方法主要是菜農依據果蔬的外觀、質量和市場需要等進行判斷。該方法主觀性太強，目前國內外學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，Faster R-CNN模型對番茄采摘的成熟度進行有效檢測；IBBA等[4]研究結果證明了頻譜技術與水果阻抗變化具有強相關性，采用電阻抗譜擬合出水果的成熟度；潘文娟[5]研究結果驗證了生菜不同成熟度的采收對其品質的影響，并研究了化學計量法與高光譜圖像技術結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）和聲學穿刺測試監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生改變。近年來，有學者證明生菜理化性質與其外在力學特性具有相關性[7-8]，而力學特征檢測手段成本低、效率高，可作為葉菜成熟度重要指標[9]。應用力學特征檢測果蔬質地變化時，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]的研究給出了力學特征檢測結果以力-位移-時間三維圖表示，通過力-位移關系曲線可以得到斷裂力、斷裂功等；通過力-時間關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穿刺試驗，其結果表明初始硬度、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。PAMIES等[17]的研究證明了力學頻率特性與可壓裂性和脆度等感官屬性之間的相關性。然而現階段生菜力學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特征的影響[18]，針對水培生菜力學特征與成熟度的定量、定性研究未見相關文獻。

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中外葉進行試驗研究，提取時域、頻域的力學特征。分析力學特征與成熟度特性指標，如地上鮮質量、葉綠素含量和含水率等的相關性，研究多變量機器學習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、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、中、外3個葉片須保證其大小、顏色、形狀、葉齡和所取葉片節點位置盡量一致，如圖2所示。

圖1 生菜培養環境

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 測量指標與方法

1.2.1 生菜力學特征指標測量

采用萬能試驗機（universal testing machine，UTM，深圳MTS系統有限公司E43型）檢測生菜力學特征，如圖4a所示。將每一株生菜內葉、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雜的自然系統，力學試驗撕裂的強度與靜脈的方向也有關[19]。在測試過程中，首先將樣品A放置在夾具內，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中標注的1、2點，葉肉部位選取圖4 b中標注的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參數。樣品葉莖部分的力學參數是1、2點力學參數的均值，樣品葉肉部分的力學參數是3、4點力學參數的均值。

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）稱量并記錄數據。

葉片含水率（WC）：葉片水分的測定方法參照國家標準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G-250染料法測定。

1.2.3 數據處理

本文共進行3次生菜培養并進行試驗研究，對力學特征數據采用MATLAB2020b（Mathworks，Natick，MA，USA）統計軟件進行力學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）分析力學特征與成熟度特性指標之間的相關性和顯著性水平。

2 統計分析

2.1 力學特征參數

ROUDAUT等[15]研究表明生菜力學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、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 力學時域特征的提取和預處理

主要的力學時域特征指標及說明如表1所示[20]。

表1 時域特征參數

根據表1和力-位移曲線計算力學特征參數，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（sr）為峰總數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的比值，見式（4）。

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

圖5為試驗所得的標準力-位移曲線和非標準曲線。在試驗條件理想時，試驗結果如圖5a所示的標準力-位移曲線，并計算力學特征參數。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波動，使試驗條件不理想，試驗結果為非標準的力-位移曲線，如圖5b所示。因此，為了提高力學特征提取的準確性，在力學特征提取前，對非標準的力-位移曲線進行預處理。首先提取原信號最大值與每一點的一階導數、二階導數，當曲線出現一階導數等于零且二階導數為正時，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 力學頻域特征的提取和預處理

力-時間關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[22]。本文主峰峰值為幅值最大值，主頻率為主峰峰值對應的頻率，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特征指標曲線圖

2.2 其他特征參數

隨著生菜生長時間增加，生菜葉綠素含量和地上鮮質量相應地發生變化，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，含水率和地上鮮質量是收獲時間節點的一個重要的決定因素，因此可以很好地監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內的生菜繪制各指標繪制變化曲線，生菜內外葉含水率總體呈現先上升后下降的趨勢，其中內中外葉的含水率對比結果為中葉>外葉>內葉。生菜生長趨勢一般呈現s型，前期平緩，隨后進入快速生長期，最后鮮質量趨于平穩，這與圖7b所示的生菜地上鮮質量變化一致。

葉綠素生菜外葉和內葉的SPAD值呈現下降趨勢，該過程伴隨著蔬菜變黃或失去綠色，通常被認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定。未成熟期葉片SPAD值表現為中葉>外葉，未成熟時內葉葉片太小無法測量其SPAD值，成熟期表現為外葉>中葉>內葉，過成熟期表現為中葉>內葉≈外葉。

2.3 相關性分析

為研究力學特征與生菜其他特征參數的關系，本文采用相關性分析的方法，相關性系數一般用表示，其值介于?1與1之間[26]。并對該數據樣本進行顯著性檢驗，排除數據間的相關性是偶然因素導致的[27]。

注：橫坐標軸時間為分栽后的天數。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。

針對力學特征和SPAD值、地上鮮質量、含水率這幾個變量進行相關性分析，以中葉力學參數為例，計算各指標之間的Pearson相關系數（）和顯著性水平（）（圖8）。

注：SPADO為外葉SPAD值，SPADI內葉SPAD值，LWCO為外葉含水率，LWCI為內葉含水率。以下為中葉力學特征參數：Eps為葉莖斷裂斜率，Nsrs為葉莖空間破裂數，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，Fpm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，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）等力學特征，與生菜地上鮮質量顯著相關（>0.65，<0.001）；葉莖平均穿刺力（ms）與地上鮮質量和中葉SPAD值（SPADM）均有一定的顯著相關性（>0.65，<0.001）；葉莖斷裂力與中葉葉片SPAD值具有顯著相關關系（>0.65，<0.001），葉莖斷裂力、葉莖斷裂功、葉莖斷裂總功，與葉片SPAD值具有顯著低相關關系（0.41>>0.20，<0.005）；中葉含水率（WCM）與葉片各部位的力學特征、地上鮮質量、SPAD值不相關（<0.20，>0.005），這與某些論文結論一致，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特征能較好地表征生菜生長過程中地上鮮質量、SPAD值等內在指標，這些均為成熟度特性指標[29]。

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

在3個節點各選取5株幼苗，測量其可溶性糖和可溶性蛋白含量，結果如表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，與力學特征判斷的成熟節點一致。

表2 不同節點的化學參數

試驗表明力學特征與地上鮮質量、SPAD值存在一定相關性。生菜的力學特征能很好地與傳統判斷成熟度的標準相吻合，同時與可溶性糖和可溶性蛋白變化規律相吻合，因此可以采用力學特征表征生菜成熟度。

2.4 數據分類算法

本文根據數據集的特點構造各類分類器，分類的目的是根據數據集的特點構造一個分類函數或分類模型（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域的單力學特征進行分類，以分類準確率最高為目標，設計雙閾值深度遍歷算法，每一力學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)表示求滿足括號內條件的樣本個數的函數。

式中為總準確率；T為第類正確樣本數（=1，2，3）；N為第類樣本數；ij為第類的個樣本力學特征值（=1，2，……第類的樣本總數）；min為該力學特征的最小特征值；max為該力學特征的最大特征值；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，該搜索算法在1>2和1≥2的2種情況，以設定的步長快速尋找閾值分類線。

2.4.2 機器學習算法

機器學習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，在預測分類方面均有使用，其中以決策樹和集成學習應用最為廣泛。

決策樹以輸入的數據為樹的根，選取數據的特征屬性為節點即決策點，將數據集劃分為不同子集，直到子集數據的類型相同，此時到達葉節點，該過程結束。

集成學習通過構建并結合多個學習器來完成學習任務。集成學習的一般結構：先產生一組“個體學習器”，再用某種策略將其結合。個體學習器通常由一個現有的學習算法從訓練數據產生，例如：決策樹算法、神經網絡算法等，此時集成中只包含同種類型的個體學習器，也可包含不同類型的個體學習器。集成學習通過將多個學習器進行結合，通?？色@得比單一學習器顯著優越的泛化性能。

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

并行式集成學習方法最著名的代表是Bagging。本次生菜力學特征分類，采用3個分別含53個訓練樣本的采樣集，然后基于每個采樣集訓練出一個基學習器，再將這些基學習器進行結合，這就是Bagging的基本流程，也是構造生菜力學分類模型的方法。在對預測輸出進行結合時，Bagging 通常對分類任務使用簡單投票法。

2.4.3 分類模型評價指標

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

1-分數作為綜合指標，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-分數、AUC 為主要評價指標，準確率、精確率、召回率為輔助評價指標，實現模型分類效果的評價。

3 結果與分析

3.1 雙閾值深度遍歷算法分類結果

隨著成熟度變化，生菜力學特征也發生了變化。設計試驗，提取各類力學指標區分未成熟、成熟、過成熟3個時間節點的生菜。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特征參數采用雙閾值深度算法進行分類，得到分類結果如圖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確率83.3%，成熟和過成熟的分類準確率是73.5%，總的分級準確率為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胞，植物細胞壁中木質素增加，具有增厚和木質化的細胞壁，生產系統中鈣的充足可用性，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致細胞壁結構的分解，最終導致果實組織的質地變化[34-35]。因此，雖然力學特征均與果蔬成熟度相關，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為外中內葉各力學特征基于雙閾值深度遍歷算法的準確率，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，其在各指標中均不存在明顯差異，所以未在表中進行標注。葉莖部位全部力學特征總體準確率為：中葉>內葉>外葉。內葉和中葉葉莖部位各特征的分類效果明顯優于葉肉部位，這是因為葉肉部位質地柔軟，葉莖部位質地更為堅挺出現誤差較小。其中，穿刺斷裂力、穿刺斷裂功、穿刺斷裂總功在3類菜中區分度最大，3類生菜其他的力學指標不適合表征其成熟度的變化。穿刺斜率表示材料的彈性，力學穿刺試驗被證明與食品的感官質地有相關性，其脆度、斷裂斜率對未成熟、成熟、過成熟生菜區分度不高。

表3 生菜各力學特征分類誤差

注：E為斷裂斜率，N·mm-1；sr為空間破裂數，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.

基于某一個力學特征，采用單一的閾值分割難以取得較高的分類結果，對比不同時期、不同葉片、不同部位的分類準確度和2次實驗數據的分類誤差?？傮w來說中葉葉莖部位各力學特征分類效果最好。但是分類準確率只達到了75.5%，考慮到上述對單一特征信息分類往往不夠充分，所以采用機器學習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 多維機器學習算法分類結果

生菜一個特征表示一維空間，多維特征表示多維空間，使用有監督的機器學習分類器對數據進行分類訓練。首先，導入數據可得多維中葉特征點分布。然后，針對所提取的11個力學特征，依次采用可優化的樸素貝葉斯，支持向量機，邏輯回歸和隨機森林等算法進行分類訓練。為評價機器學習模型的分類效果選取了準確率、精確率、召回率、1-分數和AUC作為評價指標。得到的分類效果如表4所示。

表4 生菜各機器學習算法分類結果

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

表5 可優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，再培養一批生菜生長相同天數，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，每個節點選擇6株生菜。將提取的各力學特征導入可優化集成分類算法得到最后的分類結果如下表6所示，分類準確率為91.7%，表明本文所提出的力學特征分級模型有效。

表6 分類模型有效性檢驗結果

4 結 論

本文基于力學檢測生菜成熟度的方法，提取了水培生菜時域和頻域力學特征，驗證了力學特征與生菜成熟度的相關性，并設計了生菜成熟度分類算法，得到了有效分類的葉片區域和分類結果。主要結論如下：

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特征，與生菜地上鮮質量顯著相關（>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（>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確率，并選擇分類效果最好的葉片區域。對比多種機器學習算法，其中可優化集成算法分類效果最好，集成方法為Bagging，其訓練學習器為決策樹。針對未成熟、成熟、過成熟3類生菜的分類效果達到了94.3%的準確率。

3）將同等條件下重新培養的一批生菜的力學特征參數導入模型，預測準確率為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。

[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質量研究[D]. 合肥：合肥工業大學，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，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. 數字信號處理[M]. 北京：北京理工大學出版社，2019.

[22] 李佳，呂程序，苑嚴偉，等. 快速傅里葉變換結合SVM算法識別地表玉米秸稈覆蓋率[J]. 農業工程學報，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的影響[J]. 新疆農業科學，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. 應用皮爾遜相關系數算法查找異常電能表用戶[J]. 電力需求側管理，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量反演方法[J]. 農業工程學報，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預測[J]. 農業工程學報，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. 機器學習[M]. 北京：清華大學出版社，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] 鄧利珍. HHAIB處理對杏果實干燥特性和品質的影響規律與機理研究[D]. 北京：中國農業大學，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. 基于機器學習的中西太平洋黃鰭金槍魚漁場預報模型[J]. 農業工程學報，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. 基于水培生菜力學特征的成熟度分類方法[J]. 農業工程學報，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

國家重點研發計劃項目（2016YFD0700302）

蔣易宇，博士研究生，研究方向為機電一體化、農業信息與電子工程。Email：1049366505@qq.com

譚彧，教授，博士生導師，研究方向為機電一體化、農業信息與電子工程。Email：tanyu@cau.edu.cn