电子鼻技术在棉花早期棉铃虫虫害检测中的应用

代雨婷，周 博，王 俊

电子鼻技术在棉花早期棉铃虫虫害检测中的应用

代雨婷1，周 博2，王 俊1※

（1. 浙江大学生物系统工程与食品科学学院，杭州 310058；2. 盐城工学院机械工程学院，盐城 224051）

为了更好地获取棉花虫害信息，该文使用电子鼻和气质联用技术对受到不同数量棉铃虫早期危害的棉花进行检测。基于气质联用技术获得了棉花挥发物的成分和含量，基于电子鼻响应曲线提取了稳定值、面积值、平均微分值、小波能量值和多项式拟合曲线参数值5种特征值，筛选出3种较优单特征：稳定值、平均微分值和面积值，之后基于多特征分别使用多层感知神经网络、径向基函数神经网络和极限学习机3种神经网络方法进行分类分析。最后采用支持向量机回归分别基于3种较优单特征及多特征对危害棉花的棉铃虫数量进行回归预测。结果表明：多特征的分类效果优于单特征，基于多特征“稳定值和平均微分值”和极限学习机分类效果最好，训练集和测试集的分类正确率均达到100%。多特征的预测能力优于单特征，基于多特征“面积值和平均微分值”的回归模型预测效果最佳，训练集回归模型的决定系数（2）和均方根误差（RMSE）分别为0.994 0和0.086 0，测试集回归模型的2和RMSE分别为0.923 0和0.370 9，电子鼻对棉花早期棉铃虫虫害具有较好的区分和预测能力，电子鼻在棉花早期棉铃虫虫害中的检测具有一定的应用潜力。

电子鼻；神经网络；预测；棉花；棉铃虫；特征选择

0 引 言

棉铃虫是棉花的三大主要害虫之一[1]，常以幼虫钻蛀蕾铃为害，引起棉铃腐烂或造成僵瓣，给棉花生产造成巨大损失。因此，对其进行检测并及时防治对于提高棉花生产和质量具有重要意义。然而传统方法如声学检测法[2]、图像识别法[3]和光谱成像技术[4]等在复杂的棉田环境中的使用具有局限性。已有大量研究表明，植物在遭受虫害时挥发物会发生变化[5-6]，并且遭受虫害的情况不同，挥发物有所差异[7-8]。因此，可以考虑通过植物挥发物的检测来对棉花的棉铃虫虫害情况进行判断，而电子鼻是一种分析、识别和检测复杂气味和大多数挥发性成分的仪器，具有快速、无损等优点[9]，是实现植物挥发物检测的较佳手段之一。

随着电子鼻技术不断发展和完善，电子鼻在食品[10-11]、农业[12-14]、医药[15-16]、环境[17-18]等方面有不少应用和研究成果。目前，国外已经有一些研究者将电子鼻用于棉花虫害的检测，并且取得了初步性的成果，但是仍然存在对棉花受虫害情况诊断准确率不高的问题[19-21]。特征提取是影响电子鼻识别准确率的关键因素之一，特征提取是基于一组特征参数进行的，为了提高电子鼻的虫害识别准确率，可以对特征参数的提取进行优化[22-24]。本文针对棉花受到不同数量棉铃虫的早期危害进行研究，采用电子鼻和气质联用技术对受虫害棉花进行检测，气质联用技术与电子鼻相结合，可更加可靠地实现对挥发物的检测。为了提高电子鼻识别虫害的准确率，分别采用不同种类的单特征参数和多特征参数进行电子鼻的虫害区分能力和预测能力的研究，探索电子鼻技术在棉花棉铃虫虫害检测中应用的可行性。

1 材料与方法

1.1 材 料

试验材料：本试验所采用的棉花品种为冀棉14号，棉花种于大小24 cm（直径）×19 cm（盆高）的花盆中，普通泥土和营养土比例为1:1[25]，生长于室外自然条件，不施农药，定期浇水，将液体肥（海博氏超浓缩深海全营养促长精华，购于四川海博氏生物科技有限公司）按1:1 000的体积比溶于水，分别于棉花幼苗期、蕾期和花铃期按需施肥，待棉花长出棉铃时用于试验，约为12周。

本试验采用的2龄棉铃虫由河南省济源白云实业有限公司提供，试验前，将棉铃虫置于温度（26±1）℃、相对湿度40%～50%的环境中，使其尽快恢复正常的生长发育。

1.2 仪器设备

本试验采用的电子鼻为PEN3型电子鼻系统（德国Airsense公司），该电子鼻的气体传感器阵列由10个金属氧化物半导体传感器组成，不同传感器对不同类型的挥发物灵敏性不同，具体如表1。本试验使用的气相色谱-质谱联用仪（GC-MS）为安捷伦7890A型号的气相色谱和5975C型号的质谱。

表1 PEN3型电子鼻传感器组成及主要特性

1.3 试验方法

1.3.1 电子鼻检测方法

为了探究电子鼻对受到不同数量棉铃虫危害的棉花的响应，试验组安排如下：对照组（健康棉花）、“一株棉花+1条棉铃虫”、“一株棉花+2条棉铃虫”和“一株棉花+3条棉铃虫”，共4组，每组处理设置20个重复样品，共80盆棉花用于试验。试验前，使棉铃虫饥饿24 h。分别按照试验组安排于8:00将相应数量棉铃虫放置于棉花植株上，之后立即采用保鲜袋（60 cm×40 cm）将棉花植株套住，采用棉线将保鲜袋底部扎住，保证顶空气体稳定，棉花受棉铃虫危害6 h后进行检测，棉铃虫低龄幼虫（2龄）和短时间侵染（6 h）的设置是为了实现早期检测。电子鼻的检测参数为：清洗传感器时间60 s，速率为600 mL/min，检测时间为90 s，速率为400 mL/min。

1.3.2 气相色谱-质谱联用技术检测方法

棉花挥发物的收集：采用吹扫捕集装置收集挥发物，采用保鲜袋完全包裹住棉花植株的花盆和土壤，试验组安排同电子鼻试验，每组处理设置3个重复样品。接虫后将棉花植株放入吹扫捕集装置，待装置收集6 h后，取下吸附柱进行检测。

挥发物检测：取下吸附柱后，使用0.3 mL的二氯甲烷溶液分3次进行淋洗，共0.9 mL，在淋洗后的溶液加入10L体积分数为5×10-3L/L的乙酸辛酯（溶质）二氯甲烷（溶剂）溶液作为内标物，取样针取2L溶液进样检测。

色谱检测条件：采用HP-5MS色谱柱（30 m× 0.25 mm×0.25m），载气为氦气，流速2 mL/min。升温程序：初始温度50 ℃保持2 min，以5 ℃/min的速率升温至180 ℃，保持0.1 min，然后以10 ℃/min的速率升温至250 ℃，保持20 min。质谱条件：离子化方式为电子轰击式电离（EI），电子能量为70 eV，四极杆温度为150 ℃，离子源温度为230 ℃，接口温度为280 ℃，质量范围为30～50 amu。

1.4 数据分析

电子鼻数据分析：从电子鼻传感器曲线中提取5种特征值：稳定值（85 s响应值）、面积值、平均微分值、小波能量值和多项式拟合曲线参数值，采用主成分分析（principle component analysis，PCA）对5种特征值进行初步分析，再分别基于多层感知器神经网络[26]（multi-layer perceptron neural network，MLPNN）、径向基函数神经网络[27]（radial basis function neural network，RBFNN）和极限学习机[28]（extreme learning machine，ELM）对5种特征值的分类效果进行分析，这3种神经网络目前应用广泛且各有特点，MLPNN具有较好的泛化能力和容错能力，RNFNN具有较好的收敛性和较快的学习速度，而ELM相比传统的神经网络可在保证学习精度的情况下具有更快的学习速度，这3种神经网络方法均可用于非线性分类，并且MLPNN和RBFNN均可直接在IBM SPSS Statistic 24.0软件（美国SPSS公司）上运行，方便易操作，因此选取这3种神经网络方法用于本试验的结果分析。筛选出稳定值、面积值和平均微分值3种较优特征值，将3种特征进行随机组合，在此基础上再进行分类分析。最后采用支持向量机回归[29]（support vector machine regression，SVR）分别基于3种较优单特征值和多特征值建立危害棉花的棉铃虫数量的回归预测模型，选出较优的回归模型。

挥发物的定性和定量分析：未知化合物的定性主要通过NIST质谱库进行检索，并与发表文献比较，未知化合物使用内标法进行定量，定量计算如公式（1）～（2）所示。

式中0和分别为内标物和未知化合物的质量，g。0和0分别为内标物的体积（L）和密度（g/cm3），均已知，即0可知。为未知挥发物经GC-MS检测后在GC-MS图谱中的峰面积，0为内标物在GC-MS图谱中的峰面积。经检索和计算后得出健康组棉花和各虫害组棉花的挥发物的主要成分和含量，进行比较分析。

2 结果与分析

2.1 受不同数量棉铃虫危害的棉花挥发物变化

经气质联用技术检测发现，健康棉花和受虫害棉花的挥发物共有约40种，包括萜烯类16种，质量占比4.58%～14.21%，芳香族化合物16种，质量占比85.27%～94.61%，烷烃、酸类、酯类和醇类7种，质量占比0.4%～2.6%。表2为主要的代表性挥发物，采用最小显著差数法（least significant difference, LSD）进行多重比较，挥发物含量平均值后的字母代表不同的显著性，字母相同，则为差异不显著（>0.05）[25]。

由表2可得，对照组棉花和受虫害棉花组的挥发物在成分和含量上均存在差异，特别是1,4-二甲基苯和2-甲基萘等芳香族化合物以及-蒎烯、-石竹烯和花侧柏烯等萜烯类化合物存在显著差异，而受不同数量棉铃虫危害的棉花的挥发物在成分组成上差异较小，但在含量上有一定差异，受虫害棉花释放的挥发物总量普遍显著高于对照组健康棉花释放的挥发物总量。并且由表中可以看出，有些化合物仅在健康棉花中出现或仅在受虫害棉花中出现，如2-甲基萘和棕榈酸在受虫害的棉花中是新产生的，-石竹烯在受虫害的棉花中不再产生，推测棉花在受虫害后合成了一些新的化合物用于启动防御机制，以及棉花受虫害后某些化合物减少了合成和释放。总的来看，健康棉花和受虫害棉花的挥发物存在差别，受不同数量棉铃虫危害的棉花挥发物也有一定差异，而电子鼻作为一种基于挥发物检测的技术，在棉花的棉铃虫虫害检测上具有一定潜力。

表2 基于气质联用技术的健康棉花和受虫害棉花的主要挥发物

注：平均值后的相同字母表示差异不显著（>0.05）。

Note: Means followed by the same letter are not significantly different (>0.05).

2.2 传感器响应曲线分析

图1为不同数量棉铃虫危害棉花的电子鼻传感器响应曲线，图1a～图1d分别为健康棉花以及棉花受1条、2条或3条棉铃虫危害的电子鼻传感器响应曲线，横轴为检测时间0～90 s，纵轴为电子鼻的响应值。从图1中可以看出，各棉花样品的电子鼻传感器响应曲线存在差异性。首先，健康棉花与受虫害棉花对于电子鼻传感器的响应不同，对于健康棉花（图1a），传感器S2、S6和S8响应差异较小，且S1、S3和S5响应值变化较小，而对于受虫害棉花（图1b－图1d），传感器S2的响应值明显高于S6和S8，且S1、S3和S5传感器响应值变化较大。由表1可知，S1、S3和S5对芳香族化合物灵敏，根据气质联用仪分析结果，健康棉花和受虫害棉花的芳香族类化合物确实存在差异，主要是1,4-二甲基苯和2-甲基萘等芳香族化合物存在差异，这也说明了电子鼻结果的可靠性。其次，受不同数量棉铃虫危害的棉花的电子鼻传感器响应也存在差异，随着对棉花危害的棉铃虫的数量的增加，传感器S2的响应值也逐渐增大，这与S2传感器的广谱响应性有关，根据气质联用检测结果，棉花受害后挥发物释放总量增加，并且棉铃虫数量增加后，棉花释放总量有所增加（参照总量平均值），这说明电子鼻检测结果和气质联用结果基本保持一致。传感器S1、S3和S5的响应值变化逐渐增加，说明不同数量棉铃虫危害棉花的芳香族类化合物也有所差异，这与上述气质联用仪检测的结果一致。由以上各样品的电子鼻传感器的响应曲线差异分析可以表明，电子鼻在棉铃虫危害棉花的检测上具有可行性。

注：G和G0分别为传感器检测样品气体和洁净空气时的电阻值，S1～S10分别为电子鼻的10个传感器。

2.3 主成分分析

本文从电子鼻的传感器曲线中提取了5种特征值，采用主成分分析方法对5种特征值的区分效果进行初步分析，图2a～图2e分别为基于稳定值、平均微分值、面积值、小波能量值和多项式拟合曲线参数值的分析结果，图中不同的棉花受害组以相应的棉铃虫害虫数进行标示。5种特征值图2a～图2e第一主成分和第二主成分之和分别为83.01%、97.18%、88.58%、88.38%和77.09%，前4种特征值的第一主成分和第二主成分之和都较大，而多项式拟合参数值的两主成分之和较小，说明前4种特征值可以用来代表电子鼻信号对棉花受不同数量虫害的区分情况，而多项式拟合曲线参数值不能很好的代表电子鼻信息。从图2中可以看出，基于稳定值，面积值和小波能量值的区分效果比较相似，健康棉花组和受虫害棉花组可以明显区分，但各棉花受不同数量棉铃虫危害组存在重叠。说明这3种特征值有利于表达健康棉花组和受虫害棉花组的信息差异性，但是不足以表达各棉花受不同数量棉铃虫危害组的信息差异性。基于平均微分值，健康棉花组和各棉花受害组都可以明显区分，说明平均微分值能充分体现各试验组之间的信息差异性。而基于多项式拟合曲线参数值，各试验组均有重叠，说明多项式拟合曲线参数值对各试验组的差异性的表达能力较差，不适用于后续分析。因此，初步分析认为平均微分值、稳定值、面积值和小波能量值适用于后续分析，而多项式拟合曲线参数值对电子鼻信息的代表性较差。

图2 基于5种特征值的棉花受不同数量棉铃虫危害的主成分分析结果图

2.4 受不同数量棉铃虫危害的棉花的分类分析

2.4.1 基于单特征值的分类模型构建

由以上主成分分析结果可以看出，棉花受不同数量虫害组仍不能明显区分。为了对棉花受不同数量棉铃虫危害进行更好的区分，分别基于3种神经网络方法和5种特征值进行分类分析。分析时，将4组棉花样本（共80个样本）分为训练集和测试集，其中每组14个样本作为训练集，6个样本作为测试集，因此56个训练集样本和24个测试集样本用于4分类模型的构建和测试，表3为分类结果。

表3 基于3种神经网络和5种单特征值的棉花受不同数量棉铃虫危害的分类结果

由表3可以看出，从分类方法上来看，在3种神经网络方法中，MLPNN方法下基于各特征值下的训练集和测试集的分类正确率总体最高，训练集的分类正确率均在90%以上，测试集的分类正确率均在85%以上，说明MLPNN方法比较适用于本试验数据集的分类分析。而基于RBFNN方法各特征值下的训练集和测试集的分类正确率总体最低，且各特征值下的测试集的分类正确率均低于70%，因此认为RBFNN方法不适用于本试验的棉花受不同数量棉铃虫危害的分类分析。从各特征值上来看，基于稳定值和平均微分值的平均分类正确率相对高，而基于多项式拟合曲线参数值的平均分类正确率总体最差，基于面积值的的平均分类正确率与基于小波能量值的平均分类正确率较为相当，基于面积值的平均分类正确率稍高于基于小波能量值的分类正确率，这与主成分分析的结果基本一致，也进一步说明稳定值、平均微分值和面积值能够更好地代表电子鼻检测棉花虫害的信息，可以作为今后电子鼻实际应用中采用特征值种类的参考。总体来看，在MLPNN方法下基于各特征值的分类效果总体最好，稳定值、平均微分值和面积值在5种特征值中分类效果相对较好。

2.4.2 基于多特征值的分类模型优化

根据单特征值的分类结果来看，稳定值、平均微分值和面积值的总体分类效果在5种特征值中相对较好，但是仍然需要进行优化。为了更好的表达棉花受虫害的挥发物的电子鼻信号，考虑综合采用稳定值、平均微分值和面积值3种特征值用于分类分析，即将稳定值、平均微分值和面积值3个特征值进行两两组合和3项组合，再进行分类分析。在组合各类特征值前探究了传感器阵列的交叉敏感性对多特征值分类效果的影响，因此进行了传感器阵列优化的预试验，传感器阵列优化方法采用了因子载荷分析和方差分析，结果发现传感器阵列优化前后，基于多特征值的分类效果没有较大提升或者反而下降，原因可能为传感器阵列优化后，有用信息可能也被丢失，造成分类效果提升少或下降。因此本试验中可忽略不同传感器交叉敏感性的影响，考虑直接组合不同类的特征值，不进行传感器阵列的优化，简化试验分析过程。根据表3中的结果，由于基于RBFNN方法的分类表现较差，因此仅将MLPNN方法和ELM方法用于下一步的分类分析，构建分类模型时采用的训练集和测试集的设置同采用单特征值时进行分类分析时的设置相同。表4为基于2种神经网络方法和3种特征值组合对棉花受不同数量棉铃虫危害的分类结果。

由表4可以看出，总体来看，与单特征值相比，基于2种神经网络方法的多特征值的分类正确率均有较大提高。2种神经网络方法中，基于MLPNN方法各多特征值的分类表现仍然优于基于ELM方法的分类表现，训练集的分类正确率均在99%以上，测试集的分类正确率均在90%以上。基于ELM方法，与单特征值相比，各多特征值的测试集的分类正确率有较大提高，均在85%以上。总体来看，分类正确率较高的分别为基于ELM方法及“稳定值+平均微分值”、基于MLPNN方法及“稳定值+平均微分值+面积值”和基于MLPNN方法及“面积值+平均微分值”。因此，可以认为基于多特征值可以提高电子鼻对棉花受不同数量棉铃虫危害的分类效果。虽然将各单特征值组合后，数据集变大，但是电子鼻数据集本就是小样本数据，组合后的数据集采用神经网络方法进行分析仍然能较快的得到分析结果，而且由于组合后的特征综合了电子鼻传感器响应曲线的各类信息，加大了各棉花受不同数量棉铃虫危害组的信息差异性，因此显著提高了电子鼻对棉花受不同数量棉铃虫危害组的分类正确率。由以上分析表明，多特征值更适合用于表达棉花虫害挥发物的电子鼻信号，更适合用于棉花受不同数量棉铃虫危害的分类分析。

表4 基于3种神经网络和多特征值的棉花受不同数量棉铃虫危害的分类结果

2.5 危害棉花的棉龄虫数量的预测模型构建

2.5.1 基于单特征值构建危害棉花的棉铃虫数量的预测模型

根据电子鼻对棉花受不同数量棉铃虫危害的分类结果，证明电子鼻在识别健康棉花和受虫害棉花以及识别不同棉铃虫数量具有可行性。为了对电子鼻在预测危害棉花的棉铃虫数量的可行性进行研究，采用支持向量机回归方法建立电子鼻信号和棉铃虫数量的回归模型。自变量为电子鼻结果特征值，因变量为棉铃虫数量。共有80个棉花样本，每组14个样本作为训练集，6个样本作为测试集。分别采用电子鼻检测结果的稳定值、平均微分值和面积值作为自变量建立回归模型，表5为基于各特征值建立的回归模型的训练集和预测集的预测效果。

使用决定系数2和均方根误差RMSE评价回归模型的优劣，由表5可以看出，基于单特征值的训练集的回归模型预测效果均较好，2分别为0.982 3，0.995 7和0.905 7，且RMSE较小，但是基于各特征值的测试集的回归模型预测效果有限，2分别为0.674 2，0.723 6和0.781 4，且RMSE较大，训练集和测试集的回归模型预测效果差异较大，说明基于单特征值建立的回归预测模型容易出现过拟合问题，回归模型效果预测效果不佳。总体上，基于单特征值建立的回归模型预测效果排序为：面积值>平均微分值>稳定值，推测原因可能为面积值和平均微分值都表达的是电子传感器整条曲线的信息，较为全面，且不易受到极端值的影响，而稳定值采用的是曲线上的某一点的值，易受到极端值的影响，会导致回归模型的预测效果较差。因此认为基于电子鼻检测结果的单特征值对危害棉花的棉铃虫数量进行预测不太理想，仍然需要对回归模型进行优化。

表5 基于支持向量机回归和单特征值建立的回归模型预测棉铃虫数量结果

2.5.2 基于多特征值对危害棉花的棉铃虫数量的预测模型的优化

由于采用电子鼻检测结果的单特征值对棉铃虫数量预测的效果并不理想，尝试采用电子鼻检测结果的多特征值对棉铃虫数量进行预测。采用支持向量机回归建立回归模型时，分别将稳定值、平均微分值和面积值进行两两组合和三项组合作为自变量，棉铃虫数量作为因变量，训练集和测试集的分布与采用单特征值建立回归模型时相同，仍然采用2和RMSE作为回归模型的评价指标，分析模型预测效果。表6为基于多特征值和支持向量机回归建立的回归模型的训练集和测试集的预测效果。

由表6可以看出，基于多特征值建立的测试集的回归模型的预测效果相比各单特征值下建立的测试集的回归模型的预测效果明显提高，2均在0.8以上，且RMSE较小，说明采用多特征值可以提高棉铃虫数量预测的效果。由表6可知基于“面积值+平均微分值”建立的回归模型预测效果最佳，训练集的回归模型的2和RMSE分别为0.994 0、0.086 0，测试集的回归模型的2和RMSE分别为0.923 0和0.370 9，基于其他组合特征值建立的回归模型预测效果均不如“面积值+平均微分值”，比如基于“稳定值+平均微分值+面积值”建立的回归模型的预测效果反而不如“面积值+平均微分值”，可能的原因是稳定值容易将极端值带入数据集中，在加入“面积值+平均微分值”的组合特征后，破坏了原本回归模型的稳定性，降低了原本回归模型的预测效果。而由表5可知，基于单特征值建立的回归模型平均预测效果排序为：面积值>平均微分值>稳定值，根据表6中各特征组合的回归模型预测效果比较，推测单特征值的预测效果越好，用于特征值组合后对组合后特征的预测效果提升越大，单特征值的预测效果越差，用于特征值组合后，对组合后特征预测效果提升越小或者反而会造成预测效果下降。

表6 基于支持向量机回归和多特征值建立的回归模型预测棉铃虫数量结果

3 结 论

本试验采用电子鼻和气质联用技术对受不同数量棉铃虫早期危害的棉花进行检测，对电子鼻传感器与棉花挥发物的响应关系进行了阐述，对如何提高电子鼻对棉花虫害的识别能力进行了研究，分别从电子鼻传感器响应曲线中提取5种特征值：稳定值、面积值、平均微分值、小波能量值和多项式曲线拟合参数值。分别基于多层感知器神经网络、径向基函数神经网络和极限学习机3种神经网络对5种特征值的分类正确率进行了考察，优选出稳定值、面积值和平均微分值。分别对稳定值、面积值和平均微分值3种单特征值和多特征值进行分类和预测能力的研究，结果发现：

1）多特征值的分类能力普遍优于单特征值的分类能力，基于多特征值“稳定值+平均微分值”和极限学习机（ELM）对棉花受不同数量棉铃虫危害的分类能力最佳，训练集和测试集的分类正确率均可达到100%。

2）基于多特征值建立的回归模型的预测效果普遍优于单特征值建立的回归模型预测效果，基于多特征值“面积值+平均微分值”和支持向量机建立的回归模型对危害棉花的棉铃虫数量预测效果最佳，训练集回归模型的2和RMSE分别为0.994 0、0.086 0，测试集回归模型的2和RMSE分别为0.923 0和0.370 9。

结果表明，电子鼻在棉花的早期棉铃虫虫害检测上具有可行性，并且通过特征值优化和特征值组合可以提高电子鼻对受棉铃虫虫害棉花的识别准确率和预测效果，为电子鼻在棉花虫害检测中的应用提供了思路。

[1]曾娟，陆宴辉，简良，等. 中国病虫草害调查诊断与决策支持系统[M]. 北京：中国农业出版社，2017：1－232.

[2]Mankin R W, Hagstrum, D W, Smith M T, et al. Perspective and promise: A century of insect acoustic detection and monitoring[J]American Entomologist, 2011, 57(1): 30－44.

[3]翟治芬，徐哲，周新群，等. 基于朴素贝叶斯分类器的棉花盲椿象危害等级识别[J]. 农业工程学报，2015，31(1)：204－211.

Zhai Zhifen, Xu Zhe, Zhou Xinqun, et al. Recognition of hazard grade for cotton blind stinkbug based on Naive Bayesian classifier[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(1): 204－211. (in Chinese with English abstract)

[4]张军国，韩欢庆，胡春鹤，等. 基于无人机多光谱图像的云南松虫害区域识别方法[J]. 农业机械学报，2018，49(5)：249－255.

Zhang Junguo, Han Huanqing, Hu Chunhe, et al. Identification method of pinus yunnanensis pest area based on UAV multispectral images[J]. Transaction of the Chinese Society for Agricultural Machinery, 2018, 49(5): 249－255. (in Chinese with English abstract)

[5]Anastasaki E, Balayannis G, Papanikolaou N E, et al. Oviposition induced volatiles in tomato plants[J]Phytochemistry Letters, 2015, 13: 262－266.

[6]Erb M, Veyrat N, Robert C A M, et al. Indole is an essential herbivore-induced volatile priming signal in maize[J]Nature Communications, 2015, 6: 1－10.

[7]Silva D B, Weldegergis B T, Van Loon J J A, et al. Qualitative and quantitative differences in herbivore-Induced plant volatile blends from tomato plants Infested by either tuta absoluta or bemisia tabaci[J]Journal of Chemical Ecology, 2017, 43(1): 53－65.

[8]Clavijo McCormick A, Boeckler G A, Köllner T G, et al. The timing of herbivore-induced volatile emission in black poplar () and the influence of herbivore age and identity affect the value of individual volatiles as cues for herbivore enemies[J]BMC Plant Biology, 2014, 14: 1－13.

[9]Hu W W, Wan L T, Jian Y Y, et al. Electronic noses: From advanced materials to sensors aided with data processing[J]Advanced Materials Technologies, 2019, 4: 1－38.

[10]Ramirez H L, Soriano A, Gomez S, et al. Evaluation of the food sniffer electronic nose for assessing the shelf life of fresh pork meat compared to physicochemical measurements of meat quality[J]European Food Research and Technology, 2018, 244(6): 1047－1055.

[11]Kodogiannis V. Application of an electronic nose coupled with fuzzy-wavelet network for the detection of meat spoilage[J]Food and Bioprocess Technology, 2017, 10(4): 730－749.

[12]程绍明，王俊，王永维，等. 基于电子鼻技术的番茄苗早疫病病害快速检测研究[J]. 科技通报，2013，29(7)：68－77.

Chen Shaoming, Wang Jun, Wang Yongwei, et al. Research on distinguishing tomato seedling infected with early blight disease by electronic nose[J]. Bulletin of Science and Technology, 2013, 29(7): 68－77. (in Chinese with English abstract)

[13]Xu S, Zhou Z Y, Li K L, et al. Recognition of the duration and prediction of insect prevalence of stored rough rice infested by the red flour beetle () using an electronic nose[J]. Sensors, 2017, 17(4): 1－9.

[14]林振华，姜水，张红梅，等.基于金属氧化物传感器阵列的小麦霉变程度检测[J].传感技术学报，2018，31(7)：1017－1023.

Lin Zhenhua, Jiang Shui, Zhang Hongmei, et al. Detection of moldy wheat using MOS sensor array in electronic nose[J]. Chinese journal of Sensor and Actuators, 2018, 31(7): 1017－1023. (in Chinese with English abstract)

[15]Schuermans V N E, Li Z Y, Jongen A, et al. Pilot study: Detection of gastric cancer from exhaled air analyzed with an electronic nose in Chinese patients[J]Surgical Innovation, 2018, 25(5): 429－434.

[16]Altomare D F, Porcelli F, Picciariello A, et al. The use of the PEN3 e-nose in the screening of colorectal cancer and polyps[J]Techniques in Coloproctology, 2016, 20(6): 405－409.

[17]Pace C, Khalaf W, Latino M, et al. E-nose development for safety monitoring applications in refinery environment[J]. Procedia Engineering, 2012, 47: 1267－1270.

[18]Blanco-Rodríguez A, Camara V F, Campo F, et al. Development of an electronic nose to characterize odours emitted from different stages in a wastewater treatment plant[J]Water Research, 2018, 134: 92－100.

[19]Henderson W G, Khalilian A, Han Y J, et al. Detecting stink bugs/damage in cotton utilizing a portable electronic nose[J]Computers and Electronics in Agriculture, 2010, 70(1): 157－162.

[20]Degenhardt D C, Greene J K, Khalilian A. Temporal dynamics and electronic nose detection of stink bug-induced volatile emissions from cotton bolls[J]Psyche, 2012, 2012: 1－9.

[21]Lampson B D, Han Y J, Khalilian A, et al. Development of a portable electronic nose for detection of pests and plant damage[J]Computers and Electronics in Agriculture, 2014, 108: 87－94.

[22]Yan J, Guo X Z, Duan S K, et al. Electronic nose feature extraction methods: A review[J]Sensors, 2015, 15(11): 27804－27831.

[23]Sun Y B, Wang J, Cheng S M. Discrimination among tea plants either with different invasive severities or different invasive times using MOS electronic nose combined with a new feature extraction method[J]Computers and Electronics in Agriculture, 2017, 143: 293－301.

[24]Yan J, Tian F C, He Q H, et al. Feature extraction from sensor data for detection of wound pathogen based on electronic nose[J]Sensors and Materials, 2012, 24(2): 57－73.

[25]Magalhães D M, Borges M, Laumann R A, et al. Influence of multiple- and single-species infestations on herbivore- induced cotton volatiles and anthonomus grandis behaviour[J]Journal of Pest Science, 2018, 91(3): 1019－1032.

[26]Rao M R N, Sridhar G R, Madhu K, et al. A clinical decision support system using multi-layer perceptron neural network to predict quality of life in diabetes[J]. Diabetes & Metabolic Syndrome, 2010, 4(1): 57－59.

[27]Yin Y, Zhao Y Z. A feature selection strategy of E-nose data based on PCA coupled with Wilks Λ-statistic for discrimination of vinegar samples[J]. Journal of Food Measurement and Characterization, 2019, 13(3): 2406－2416.

[28]Du D D, Xu M, Wang J, et al. Tracing internal quality and aroma of a red-fleshed kiwifruit during ripening by means of GC-MS and E-nose[J]Rsc Advances, 2019, 9(37): 21164－21174.

[29]Sun Y B, Wang J, Sun L, et al. Evaluation of E-nose data analyses for discrimination of tea plants with different damage types[J]Journal of Plant Diseases and Protection, 2019, 126(1): 29－38.

Application of electronic nose in detection of cotton bollworm infestation at an early stage

Dai Yuting1, Zhou Bo2, Wang Jun1※

(1,,310058,;2.,,224051,)

Cotton bollborm is one of the main pests of cotton. Cotton is under threat of yield loss and poor quality because of the cotton bollworm. However, cotton bolworms tend to hide in the cotton plants so that there are limitations for conventional detection methods, such as acoustic signal method, image recognition method and spectral imaging technology. A lot of researches have shown that volatile organic compounds (VOCs) released by plants will change when they are attacked by pests. So it is possible to get the cotton bollworm damage information by detecting the volatiles. Currently, gas chromatograph-mass spectrometer (GC-MS) can accurately detect the composition and content of volatile matter. However, this method has some disadvantages in practical application, such as time-consuming, high cost and inconvenience. The electronic nose is composed of sensor array, which is an instrument to analyze, identify and detect most of the volatiles. In this study, electronic nose was used to detect the cotton plants infested with cotton bollworm of different amounts at an early stage. The volatile organic compounds (VOCs) in cotton were analyzed by GC-MS. The plant height of cotton used in the study was 50-70 cm, and the boll period was about 12 weeks. Cotton bollworms used in the study were at second-instar. The VOCs emitted by the undamaged and damaged cotton plants detected by GC-MS were different, which indicated that electronic nose had potential in the application of cotton bollworm detection. The curve of electronic nose sensor was obtained for cotton plants infected by different numbers of cotton bollworm. Then five kinds of feature parameters were extracted from the curves of electronic nose sensors : stable value, area value, mean differential value, wavelet energy value and the coefficients of the fitted quadratic polynomial function. Feature parameters were selected based on three kinds of neural network methods: multilayer perceptron neural network (MLPNN), radial basis neural network (RBFNN) and extreme learning machine (ELM). Then stable value, area value and mean differential value were selected because of their better classification performance among the five kinds of feature parameters. Multiple-features were combinations of single-features. The classification analysis was carried out based on multiple-features and three kinds of neural network methods. And support vector machine regression (SVR) models were established based on single-features and multiple-features, respectively. The results showed that the classification performance of multiple-features was better than that of single-features. The classification performance was best based on “stable value and mean differential value” features and ELM. The classification accuracy of training set and test set based on “stable value and mean differential value” features were both 100%. The regression models based on multiple-features were better than that based on single-features. And the regression model was the best based on “area value and mean differential value” features. The coefficient of determination (2) and root mean square error (RMSE) of the regression model based on the training set of “area value and mean differential value” were 0.994 0 and 0.086 0. The2and RMSE of the regression model based on the test set of “area value and mean differential value” were 0.923 0 and 0.370 9. The results show that feature election and multiple-features can improve the classification performance of the electronic nose for infested cotton plants. It can be concluded that electronic nose has strong potential for the application of detection of cotton plants infested with cotton bollworm at an early stage.

electronic nose; neural network; prediction; cotton plants; cotton bollworm; feature election

代雨婷，周 博，王 俊. 电子鼻技术在棉花早期棉铃虫虫害检测中的应用[J]. 农业工程学报，2020，36(3)：313－320.doi：10.11975/j.issn.1002-6819.2020.03.038 http://www.tcsae.org

Dai Yuting, Zhou Bo, Wang Jun. Application of electronic nose in detection of cotton bollworm infestation at an early stage[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(3): 313－320. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.03.038 http://www.tcsae.org

2019-09-26

2020-01-30

国家自然科学基金资助项目（31671583）

代雨婷，主要从事电子鼻在棉花虫害检测中的应用。Email：2994636283@qq.com

王 俊，教授，博士生导师，主要从事电子鼻电子舌技术开发及其智能检测应用。Email：jwang@zju.edu.cn

10.11975/j.issn.1002-6819.2020.03.038

S224.3

A

1002-6819(2020)-03-0313-08