基于声振信号对称极坐标图像的苹果霉心病早期检测

赵 康，查志华，李 贺，吴 杰,2,3

基于声振信号对称极坐标图像的苹果霉心病早期检测

赵 康1，查志华1，李 贺1，吴 杰1,2,3※

（1. 石河子大学机械电气工程学院，石河子 832003；2. 农业农村部西北农业装备重点实验室，石河子 832003；3. 绿洲特色经济作物生产机械化教育部工程研究中心，石河子 832003）

为实现苹果早期霉心病较高精度的检测，该研究采用对称极坐标法（Symmetrized Dot Pattern，SDP）将苹果声振信号变换为雪花图，然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息，将其输入到支持向量机（Support Vector Machine，SVM）分类器，对霉心程度≤7%的苹果进行检测。研究结果表明，当时间间隔系数为25和角度放大因子为50°时，健康果与早期霉心果声振信号的SDP图形状特征差异最大，在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型，在各类SVM模型中，ResNet50-SVM-gaus（高斯核）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率，经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%，平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%，82.54%和82.68%，该模型不仅对多数类的健康果保持较高分类准确率，而且对少数类的早期霉心果也具有较高判别能力。研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。

无损检测；支持向量机；苹果霉心病；早期检测；声振法；对称极坐标法；卷积神经网络

0 引 言

苹果霉心病是由真菌感染引起的一种严重影响果实品质的常见内部病害[1]，霉变始于果核心室，早期霉变难以发现，易混入贮藏、销售等环节，隐蔽的霉变悄然发展至果皮时，会侵染大量健康果，使果商和水果保鲜企业遭受重大损失。尤其是，当病害果混入苹果深加工环节中，富集毒素的霉变组织会使苹果果汁、果酱、罐头等深加工食品中霉菌毒素积累超标（世界卫生组织WHO规定其最高浓度为50g/L）[2]，造成潜在食品安全隐患。因此，迫切需要找到一种实现苹果霉心病早期准确无损检测的方法。

国内外诸多学者已尝试采用X射线成像法[3]、核磁共振成像法[4]、生物电阻抗法[5]、近红外透射光谱法[6-7]、声振法进行果蔬内部病害的检测[8-9]，取得一定研究进展，但大多并未关注早期病害判别。Lu等[10]在最近发表的文献综述中明确指出，果蔬内部病害的早期检测仍是一项亟待解决的难题。张慧等[11]基于声振法对内部早期褐变香梨进行判别，通过时域和频域特征参数组合构建的-近邻域（-nearest neighbor, KNN）模型对病害程度低于30%的内部早期褐变香梨取得了91.84%的分类准确率，但对病害程度低于18%的褐变香梨分类准确率依然偏低（81.82%）。因此，有必要从声振响应信号中进一步深入挖掘敏感于早期病害的信息，以提高声振法对果蔬早期内部病害的判别精度。

对称极坐标（Symmetrized Dot Pattern，SDP）分析法是一种将信号处理与图像分析相结合的新技术[12]，能将振动信号的离散数据根据其时间序列集合在规定区域生成雪花图，不同信号之间的细微差异可以通过雪花瓣形状直观反映。近年来，SDP分析法已在机械零件故障诊断研究领域取得了很好的分类效果[13-16]，这为声振信号用于果蔬内部病害的无损检测提供了一种新途径[17]。

传统基于SDP图像识别机械故障的方法是提取SDP图像的纹理、几何形状等浅层特征输入到分类算法中进行故障识别，但特征提取过程需要人工干预和足够的专家经验支持，所提取的浅层特征存在普适性差、抗干扰能力弱等问题[18]。与传统特征提取方法相比，深度卷积神经网络通过引入权值共享和局部连接等机制，使其能够通过卷积和池化运算逐层自动提取图像的深层次特征信息，可以克服传统特征提取方法的不足[19]。目前卷积神经网络作为特征提取器已被应用于图像特征信息深度挖掘。赵燕锋等[20]将特征提取器CNN全连接层提取出来的时频图像特征输入到SVM分类器进行管道故障检测，测试集验证所建模型在复杂工况下对管道堵塞的识别准确率达96%以上。胡晓依等[21]将CNN特征提取与SVM分类识别融为一体构建了CNN-SVM模型，实现了不同轴承故障类型100%的识别准确率。Zhu[22]等研究证实，CNN深层特征提取与SVM分类识别结合构建的CNN-SVM模型，相较于独立的CNN模型对胡萝卜外观品质分类效果更好。基于这些研究，本文采用SDP法将采集的健康果与霉心果声振响应信号转换为可视化雪花图像，采用卷积神经网络深度挖掘雪花图像特征，构建苹果早期霉心病CNN-SVM判别模型，以期为声振法应用于苹果霉心病早期在线检测系统研发提供理论参考。

1 材料与方法

1.1 早期霉心病苹果试样的制备

试验用红富士苹果于2019年11月28日采自新疆阿克苏市红旗坡农场（80.31°E，41.25°N），从中挑选无病虫害和机械损伤的苹果760个，清洁洗净后贮藏于温度为-2～0 ℃、相对湿度（Relative Humidity，RH）为85%～95%的果品保鲜库中（西安冰欣冷气工程有限公司）以备试验使用。试验前，将挑选的所有苹果从保鲜库中取出，置于室温（25 ℃）下24 h后逐一编号，随机选取300个用于早期霉心苹果试样制备，剩余460个作为对照组。

参考Li等[23]霉心病苹果试样的制备方法，依据柯赫氏法则从自然发病的苹果霉心果核处切下3处病变组织于马铃薯葡萄糖琼脂培养基上培养。采用划线法转接纯化5次，并经菌株形态学鉴定（北京北纳创联生物技术研究院）为链格孢属菌后，向其培养皿中倒入适量质量分数0.05%吐温80的无菌水，搅拌均匀后用纱布过滤至小烧杯中，后吸取适量过滤后的菌液于血球计数板上进行计数，最终将其调为孢子浓度为1.8×106个/mL的菌悬液备用。

苹果用体积分数75%酒精棉球擦拭后放置在超净工作台上（HCB-1600H，青岛海尔生物医疗股份有限公司），然后采用创伤接种法将50L复合菌悬液通过微量注射器（北京友诚嘉业生物科技有限公司）从苹果花萼处注入其果核心室，随后将接种菌悬液的苹果和对照组健康果分别置于两个相同的SPX智能生化培养箱（宁波江南仪器厂）中恒温恒湿（25 ℃，90% RH）培养5 d，随即进行声振测试。

1.2 苹果声振响应信号采集

苹果声振测试采用如图1所示的声振无损检测系统，该系统主要由两个Q220-A4-303YB型压电梁式加速度计（PIEZO系统公司，美国）、HA-405型电压放大器（品致公司，中国台湾）、振动控制与动态信号、采集分析仪及其配套的SO Analyzer 4.2软件（m+p公司，德国）等组成。当进行声振信号采集时，将苹果样本水平放置于检测托台上，参考Zhang等[24]录制2.5 V半正弦波激励信号E经电压放大器线性放大为80 V的脉冲激励信号A后，输送至激励端压电梁式传感器使其变形激振苹果赤道部，苹果振动响应信号R由动态信号采集分析仪采集并经贝塞尔低通滤波器滤波、截断、采样、A/D模数转换、数字低通滤波及加窗处理后，由m+p振动测试分析软件SO Analyzer 4.2进行分析处理后获得苹果赤道部声振响应信号。

1.3 苹果霉心病变程度的测定

苹果声振测试完成后，将制备的苹果试样沿赤道部横向切开，用Canon-EOS 750D数码相机对其横切面拍照以用于苹果试样霉心程度的测定，具体测定流程如图2所示。采用Matlab 2018b图像处理工具箱提取苹果彩色图像中的RGB三通道分量，然后采用迭代阈值分割法进行B通道图像分割[25]，并通过8连通区域标记算法提取B通道图像中的苹果霉心区域，将苹果霉心区域面积占苹果横切面面积的百分比定义为苹果霉心病的病害程度[26]。

1.4 声振响应信号对称极坐标变换

图3 苹果声振响应信号对称极坐标变换原理

Fig.3 Principle of symmetrized dot pattern transformation of the vibro-acoustic response signal of apples

1.5 苹果早期霉心CNN-SVM检测模型的构建方法

由于本研究声振时域信号图像数据集规模较小，采用适于小规模数据集分类问题的3种经典深度卷积神经网络AlexNet、VGG16和ResNet50在大型图像数据集ImageNet上进行网络权重参数的迁移学习，分别深度挖掘雪花图像特征。苹果早期霉心检测模型的构建流程如图4所示，首先将苹果声振时域信号SDP变换的雪花图数据集输入到预训练的AlexNet、VGG16和ResNet50神经网络进行深度特征学习和提取，然后从超参数寻优后的3种迁移学习网络中提取全连接层特征向量，分别输入到具有不同核函数（线性核、多项式核和高斯核）的SVM分类器进行早期霉心果的判别。网络训练和测试所用的计算机配置为：Windows 10 64位操作系统，Intel (R) Core (TM) i7-10875H CPU @ 3.20 GHz处理器、32 G内存；Nvidia1070Ti，8 G显存；Matlab 2018b软件。

1.6 CNN-SVM模型分类性能评价指标

实际情况下健康果数量要远远多于霉心果，为了满足不平衡数据集分类性能评价，本研究在混淆矩阵分析的基础上，采用准确率（Accuracy）和谭章禄等[28]提出的3种改进的评价指标，即平均查准率（Stable Precision，SP）、平均查全率（Stable Recall，SR）、平均加权调和均值（Stable F1-score，SF）以及Kappa系数（Kappa coefficient，KC）、马修斯相关系数（Matthews Correlation Coefficient，MCC）5种指标，对所构建的CNN-SVM模型进行泛化性能评价，计算公式如式（3）～式（10）所示：

其中

第类样本的查全率；表示所有样本分类查全率的宏平均；F表示第类样本的分类1-score值；表示所有样本分类1-score值的宏平均。

注：N为样本数；Conv3-64×2表示卷积核大小为3×3、核数量为64的2层卷积层；Max-pooling3表示最大池化核为3×3的池化层；FC1-2表示1×1×2个神经元的全连接层，依次类推；xi为第i个输入特征向量；y为输入特征向量x的分类类别；K(xn, x)表示高斯径向基核函数。

2 结果与分析

2.1 苹果霉心病程度的测定结果

为了将霉心苹果的早期病害程度临界值控制在一个较为严格的判别标准内，通过对霉心果果核心室面积百分比进行数据统计，得到其介于7.13%～15.57%之间，均值为8.75%±1.22%，为此本研究将7%定为苹果早期霉心病害程度的阈值。选取符合条件的早期霉心苹果试样共计298个（2个中度霉心果被移除），其病害程度区间为1.2%～6.9%，平均值为3.2%，标准差为1.05%。

图5所示为早期霉心苹果试样，由于霉心程度低于7%的病害区域主要集中于果核心室内，基本未感染苹果果肉，仍具有商品价值，特别是当在霉心程度低于2%时，霉心果与健康果相比，几乎没有明显差异，这使得从声振响应时域或频域谱中获取敏感特征信息具有挑战性。

2.2 声振信号SDP变换的适宜参数确定

2.3 苹果早期霉心病检测模型的训练

2.3.1 不同CNN-SVM模型对早期霉心果判别的结果

采用Kennard-Stone算法随机选取560个苹果（健康果280个；早期霉心果280个）作为训练集，剩余198个苹果（健康果180个；早期霉心果18个）作为测试集。

参照龙满生等[29]迁移学习卷积神经网络参数设置规则，在相同学习率（0.01）和训练轮数（10）下，以迁移学习网络AlexNet、VGG16和ResNet50为特征提取器，分别构建了3种核函数的SVM分类器，对苹果早期霉心病判别的训练结果如表1所示。AlexNet-SVM检测模型训练时间最短，参数量最少，AlexNet-SVM-poly（多项式核）检测模型对健康果和早期霉心果分类准确率为88.93%；与之相比，VGG16-SVM检测模型参数量最多，训练时间最长，最佳检测模型VGG16-SVM-gaus（高斯核）取得的分类准确率为90.36%，较AlexNet-SVM-poly模型提高了1.43个百分点；ResNet50网络的训练时间和参数量恰好介于前两类模型之间，其中ResNet50-SVM-gaus（高斯核）检测模型对早期霉心果的分类准确率最高，达到了91.38%。因此，本研究选择训练精度较高的ResNet50-SVM-gaus检测模型对健康果和早期霉心果进行判别。

图7 健康苹果和轻度霉心苹果的典型声振响应信号及对应的SDP图像

2.3.2 ResNet50-SVM-gaus模型训练参数优化

对模型训练时的学习率、训练轮数进行参数优化，使ResNet50-SVM-gaus检测模型对早期霉心果的分类能力进一步提升。由图8结果可知，在同一训练轮数下，适当降低迁移学习网络的学习率，更容易捕获到网络最优解，可取得较高训练准确率。但学习率降至0.000 01时，由于网络收敛速度变缓，目标函数难以在合适时间内收敛到局部最小值而使训练结果无法快速接近最优解，训练准确率反而下降。因此，ResNet50-SVM-gaus模型适宜的学习率为0.000 1，此条件下该模型在训练前期训练轮数增加（训练轮数≤10）使训练准确率快速提高，在随后22轮迭代寻优中训练准确率缓慢提升，训练轮数增加至32时，该模型的判别准确率提升至99.63%并趋于稳定，较超参数优化前提高了8.25个百分点。

表1 苹果早期霉心病不同CNN-SVM的检测模型的训练结果

2.4 苹果早期霉心病检测模型的分类性能评价

为了验证训练优化后的ResNet50-SVM-gaus检测模型对早期霉心苹果的分类性能，将随机挑选的180个健康果和18个早期霉心果构成的不平衡样本SDP图测试集作为输入，基于混淆矩阵对ResNet50-SVM-gaus模型的分类性能进行评价分析，由表2可知，ResNet50-SVM-gaus检测模型对健康果的判别准确率为97.78%，对早期霉心果的判别准确率为88.89%，对健康果和早期霉心果的总体判别准确率可达96.97%。该模型的平均查准率SP和平均查全率SR分别为80.19%和90.36%，由于苹果深加工企业对霉心果误判率的容忍度远低于健康果[30]，这意味着在模型分类性能评价指标中，平均查全率比平均查准率更应值得关注，较高的平均查全率说明ResNet50-SVM-gaus早期检测模型对轻度霉心果具有较高的判别能力和泛化能力。此外，由于样本多数的健康果和样本少数的早期霉心果在现实情况下的不平衡分布，样本少数类对总体准确率的影响较小，即使分类算法将全部样本判别为多数类，仍然可以获得较高的分类准确率，可见仅使用准确率作为评价指标，难以准确反映出分类器在不平衡数据集上的分类性能[31]。而平均加权调和均值SF、Kappa系数和马修斯相关系数MCC是能够惩罚模型“偏向性”的综合评价指标，能够比较全面地描述分类器的性能。本文所建ResNet50-SVM-gaus模型的SF值、Kappa系数和MCC值分别为86.21%、82.54%和82.68%，这表明ResNet50-SVM-gaus模型分类性能较好，不仅对多数类健康果保持较高分类准确率，也对少数类早期霉心果具有较高判别能力。

表2 ResNet50-SVM-gaus模型对霉心果早期检测混淆矩阵

现有研究对梨果核心部病害的检测精度可达95%以上[23,32-34]，然而这些研究仅解决了病害有无的判别，未聚焦于果实内部病害的早期检测。目前对果蔬内部病害早期检测的研究较少。Shenderey等[35]采用近红外光谱法对霉心程度低于10%的病害苹果分类准确率为85.7%。Zhang等[36]采用声振法提取声振信号时域和频域统计特征构建的SVM分类器对低于18%早期褐变香梨判别准确率为86.4%。在此基础上，本文基于声振信号SDP图像深度特征构建的ResNet50-SVM分类模型，对霉心苹果（霉心程度低于7%）的分类准确率可达88.89%，这表明本研究方法在霉心苹果的早期检测上是有潜力的。

3 结 论

本文针对苹果声振信号SDP图像，通过迁移学习3种深度卷积神经网络AlexNet、VGG16和ResNet50提取图像特征构建苹果早期霉心病的SVM检测模型，研究结论如下：

2）以3种深度卷积神经网络AlexNet、VGG16和ResNet50分别提取的SDP图像特征为输入基于不同核函数所构建的苹果早期霉心病各种SVM检测模型，ResNet50-SVM-gaus（高斯核）判别模型在学习率为0.000 1和训练轮数为32时可以用相对较少训练时间和参数量使早期霉心果（霉心程度≤7%）训练集的分类准确率达到99.63%。

3）针对健康果和早期霉心果不平衡测试集样本（10∶1），ResNet50-SVM-gaus检测模型总体判别准确率可达96.97%，平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%、82.54%和82.68%，可见基于声振信号对称极坐标图像的霉心苹果早期检测是可行的，为后续轻度霉心苹果在线检测系统的研发提供了技术依据。

[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] 张建锋，何勇，龚向阳，等. 基于核磁共振成像技术的香梨褐变检测[J]. 农业机械学报，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，蔡骋，马惠玲，等. 基于生物阻抗特性分析的苹果霉心病无损检测[J]. 食品科学，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] 丁继刚，韩东海，李永玉，等. 基于可见/近红外漫透射光谱的马铃薯黑心病及淀粉含量同时在线无损检测[J]. 光谱学与光谱分析，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] 张慧，吴杰. 基于声振信号的香梨内部早期褐变判别[J]. 农业工程学报，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，罗学智，叶行飞，等. 基于深度特征学习的汽轮机转子状态识别方法[J]. 中国电机工程学报，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] 樊红卫，邵偲洁，张旭辉，等. 一种对称极坐标图像模糊C均值聚类的电主轴失衡故障诊断方法[J]. 西安交通大学学报，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] 刘慧力，贾洪雷，王刚，等. 基于深度学习与图像处理的玉米茎秆识别方法与试验[J]. 农业机械学报，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] 赵燕锋，冯早，朱雪峰，等. 复杂工况下基于时频图像和CNN-SVM的管道堵塞识别研究[J]. 电子测量与仪器学报，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] 胡晓依，荆云建，宋志坤，等. 基于CNN-SVM的深度卷积神经网络轴承故障识别研究[J]. 振动与冲击，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，何东健，张海辉，等. 基于深度信念网络的苹果霉心病病害程度无损检测[J]. 食品科学，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] 谭章禄，陈孝慈. 改进的分类器分类性能评价指标研究[J]. 统计与信息论坛，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] 龙满生，欧阳春娟，刘欢，等. 基于卷积神经网络与迁移学习的油茶病害图像识别[J]. 农业工程学报，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] 李艳霞，柴毅，胡友强，等. 不平衡数据分类方法综述[J]. 控制与决策，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

赵康，查志华，李贺，等. 基于声振信号对称极坐标图像的苹果霉心病早期检测[J]. 农业工程学报，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

国家自然科学基金项目（31560476）；新疆维吾尔族自治区研究生科研创新项目（XJ2020G080）

赵康，博士生，研究方向为农产品品质智能化检测。Email：kang0213z@163.com

吴杰，博士，教授，博士生导师，研究方向为农产品品质安全智能化检测技术与装备。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