摘要 植物种子会产生挥发物,这种挥发物与种子活性相关植物体在受到损伤和病虫的 危害后会产生特异性挥发物,使用电子鼻技术可以检测这种挥发物的变化情况,进而对损 伤情况!病害情况进行诊断本研究采用电子鼻技术对不同发芽率的番茄种子!不同损伤 处理和不同病害处理的番茄苗样本进行了检测,应用数据特征选择与提取!模式识别等方 法对检测的数据进行分析,研究不同发芽率的番茄种子!不同损伤番茄苗和不同病害番茄 苗的挥发物与电子鼻响应信号的关系,建立了各种模型,验证了使用电子鼻技术对不同发 芽率的番茄种子!不同损伤番茄苗和不同病害番茄苗检测的可行性得到的主要结果如下: (1)番茄种子发芽率的检测研究 利用电子鼻系统对不同发芽率(发芽率分别为%!50%!60%!70!80和90%)的番茄 种子进行检测,通过主成分分析!线性判别分析对六种不同发芽率的番茄种子进行研究, 表明采用PcA分析!LDA分析可快速的区分出番茄种子发芽率为0%!70%!80%和90%的四种 情况;当番茄种子发芽率为50%!60%和70%时,其图形信息部分重叠,表明利用电子鼻较 难将这三种情况区分开采用BP神经网络时训练集和预测集准确率分别为93.6%!65.2%; 采用支持向量机时训练集和预测集准确率分别为97.44%!74.73%对比BP神经网络和支持 向量机分析结果,支持向量机的预测结果要好一些 (2)番茄苗机械损伤的检测研究 番茄苗受到机械损伤会引起电子鼻传感器信号的变化,说明番茄苗受到机械损伤后其 释放出的挥发物发生了改变利用电子鼻对不同处理(对照组!30针!60针和90针)的 机械损伤番茄苗进行检测,采用主成分分析!线性判别分析对四种不同处理机械损伤的番 茄苗进行研究,结果表明主成分分析各处理样本间均有重叠,区分效果不理想,线性判别 分析各处理样本基本可以分开,表明使用线性判别分析的效果比主成分分析效果要好用 逐步判别分析和BP神经网络分析对四种不同处理样本进行模式识别,结果表明,采用逐 步判别分析和BP神经网络分析时的测试集的准确率分别为84.4%和90%,BP神经网络模 型相对于逐步判别分析的预测结果更好 (3)番茄苗早疫病和灰霉病病害的检测研究 对35d苗龄的番茄苗进行早疫病!灰霉病病菌接种,按每株接种1叶片!2叶片!4 叶片和对照四个处理进行,然后在高温!高湿环境中培养,使病菌快速入侵叶片将培养浙江人学博卜学位报告摘要 后的番茄苗利用电子鼻和顶空采样装置对感染病害的番茄苗进行了检测利用主成分分析 方法可以观察出番茄苗受害程度变化的规律,但是样本之间有很多重叠现象;线性判别分 析法可以区分出受到病害与没有受到病害的番茄苗样本,不同受害程度的样本只有个别重 叠;表明使用线性判别分析的效果比主成分分析效果要好将四组不同受害程度的番茄苗 每组随机抽取10个样本作为训练集(共40个样本),用于对番茄苗病害程度的训练,剩余 每组6个样本(共24个样本)作为预测集使用逐步判别分析对番茄苗早疫病病害程度进行 识别,番茄苗受到早疫病病害24h后的训练集交叉验证的正确率为100%,预测的平均正 确率为50%番茄苗受到早疫病病害48h后的训练集交叉验证的正确率为97.5%,预测的 平均正确率为66.7%使用BP神经网络分析对早疫病病害程度进行识别,番茄苗受到早 疫病病害24h后的训练集交叉验证的正确率为95%,预测的平均正确率为87.5%番茄苗 受到病害48h后的训练集交叉验证的正确率为92.5%,预测的平均正确率为79.2%使用 逐步判别分析番茄苗灰霉病病害程度进行识别,番茄苗受到灰霉病病害24h后的训练集交 叉验证的正确率为97.5%,预测的平均正确率为70.8%番茄苗受到病害48h后的训练集 交叉验证的正确率为82.5%,预测的平均正确率为62.5%使用BP神经网络分析对灰霉 病病病害程度进行识别,番茄苗受到灰霉病病害24h后的训练集交叉验证的正确率为 92.5%,预测的平均正确率为87.5%番茄苗受到病害48h后的训练集交叉验证的正确率 为82.5%,预测的平均正确率为667% (4)不同特征值对番茄苗病害识别效果的研究 采用不同特征值(最大值!全段数据平均值!相应曲线的全段积分值和响应曲线最大 曲率)作为电子鼻对感染早疫病和灰霉病病害24h和48h的番茄苗样本的响应信号进行 PCA和LDA分析,并采用遗传神经网络与BP神经网络模型进行识别分析对比不同特 征选择方法的预测结果,全段数据平均值(Mean)和响应曲线的全段积分值(Iv)的训 练集和预测集的正确率较好,其次为最大值(Max)方法,预测结果最差的是响应曲线最 大曲率(Kmax)方法将不同病害!不同病害时间的番茄苗分别每组随机抽取10个样本 作为训练集(共40个样本),用于对番茄苗病害程度的训练,剩余每组6个样本(共24个样 本)作为预测集对比BP神经网络和GABP神经网络两种模型结果,GABP神经网络分析 的决定系数均要高于BP神经网络,说明经过遗传算法优化后的BP神经网络模型的预测 结果要好于BP神经网络 (5)不同种类损伤番茄苗的检测研究浙江大学博卜学位报告摘要 通过电子鼻响应信号的对比图,机械损伤!早疫病病害!灰霉病病害和对照组四个不 同处理的番茄苗样本电子鼻的响应信号是不同的采用主成分分析和线性判别分析法对各 处理番茄苗样本的电子鼻数据进行特征提取和降维分析,三维主成分图和线性判别分析图 可以区分不同处理的番茄苗样本采用聚类分析方法得到与PCA相类似的结果,不同处理 番茄苗样本可以用聚类分析方法进行区分选择40个番茄苗样本作为训练(每组10个样 本),24个样本作为测试组(每组6个样本)采用Bp神经网络和支持向量机模型对各番 茄苗处理样本进行预测,两种模型都取得了较好的预测结果,预测平均正确率均为83,3% 说明电子鼻技术可以用于对番茄苗样本的实际检测 综上所述,我们可以得到如下结论: (l)利用电子鼻技术能对不同发芽率的番茄种子进行区分; (2)利用电子鼻技术能识别感染不同病害和不同程度的番茄苗; (3)利用电子鼻能区分不同种类损伤的番茄苗; 关键词:电子鼻;番茄;挥发物;病害;检测浙江大学博卜学位报告口录 AbstraCt PlantsaltertheirProfilesofemittedvolatilesinresPonsetodamageorherbivoreartaek. ThisstudyinvestigatedthePotentialoftheeleetronicnoseteehnologytomonitorsuchehanges, withtheaimtodiagnosePlanthealth.Inthisstudy,eleetronienose(E一nose)wasusedtoanalyse differenttreatmentoftomatoseedsandtomatoPlantsamPles.Severalstatistiealmethodssueh asfeatureextraetionandParternreeognitionwereusedforanalyzingtheexPerimentaldata.We havestudiedtherelationsbetweenE一noseresPonsesignalsanddisease一indueedvolatiles,and develoPedthePattemreeognitionmodels.Theresultsdemonstratedthatit15Plausibletouse E一noseteehnologyasa一nethodformonitoringdamageintomatoeultivationPraetiees.Themain eonelusionswereasfollows: (l)Researehondeteetingtomatoseedswithdifferentgermination Aninvestigationwasmadetoe!aluatetheeaPaeityofaneleetronienosetoelassifythe tomatoseedswithdifferentgermination.ThedatawereProeessedbyPrineiPalComPonent Analysis(PCA)andLinearDiseriminationAnalysis(LDA).Theresultshowsthattheeleetronie noseeandistinguishthetomatoseedswithgerminationPercentageof90%,80%,70%一50%and un一germinationseeds.However,samPleswithgerminationPereentageof50%,60%and70% wereoverlaPPed.Thee一noseeandistinguishthedifferenttimetomatoseedswhiehblendedeaeh atdi价rentProPortionbyusingBPNNandSVM.AbetterPredietedratewasobtainedbySVM tllanBPNN. (2)Reseax#ehondeteetingn飞eehanieal一damage TllevalueofE一noseresPonsesignalsdifferedwithdi价rentlevelsmeehanieal (OPrickS,30PrickS.6OPrickSand90Prieks)damagedtolnatoPlantS,indieatingtl飞attheemissionof volatilesbyto一飞latoPlantsehangesinresPonsetodiftbrentdegreesofdaznage.StePwise diserilllinantanalysis(SDA)andbaek一ProPagationneuralnetwol#k(BPNN)wereaPPliedto evaluatethedata.Theaverageeorreetionratios01一testingsetofSDAandBPNNwere84.4% and90%.Theresultsobtainedindieatethatit15Possibletoelassifydifferentdegreesof dall:agedrieePlantsusinge一nosesignals. (3)Researello:1deteeti,19EarlybliglltdiseaseandGraymolddiseaseinfestationAnE一nose equiPPedwithaheadspaeeSamplingunitwasusedtodiseriminatetomatoPlantsinfestedEarly blightdiseaseatdi价renttixnes.PCAresultedinanevendistributionofthe4different trearmelltswithditTerenrdiseasedensities.LDAwasabletodistinguishbetweenalltreatments. Thediserimiliationrateswereover100%fortrai一11一19datasetsand50%forthetestingsets,as lV浙江人学博卜学位报告口录 determinedusingSDAin24hlater.Thediscriminationrateswereover97.5%fortrainingdata setsand66.7%forthetestingsets,asdeterminedusingSDAin48hIater.Thediserimination rateswereover95%fortrainingdatasetsand87.5%forthetestingsets,asdeterminedusing BPNNin24hlater.Thediseriminationrateswereover92.5%fortrainingdatasetsand79.2% forthetestingsets,asdeterminedusingBPNNin48hlater.Theresultsindieatedthatit15 PossibletoPredictthedifferentdieasedensitiesintomatoPlantusingtheE一nose.The diseriminationrateswereover97.5%fortrainingdatasetsand70.8%forthetestingsets,as determinedusingSDAin24hlater.Thediseriminationrateswereover82.5%fortrainingdata setsand62.5%forthetestingsets,asdeterminedusingSDAin48hlater.Thediserimination rateswereover92.5%fortrainingdatasetsand87.5%forthetestingsets,asdeterminedusing BPNNin24hlater.Thediseriminationrateswereover82.5%fortrainingdatasetsand66.7% forthetestingsets.asdeterminedusingBPNNin48hlater.Theresultsindieatedthatit15 possibleroPredietthedi价rentdiseasedensitiesintomatoPlantusingtheE一nose. (4)Di挽rentcharacteris