基于水培生菜力学特征的成熟度分类方法

蒋易宇，王 硕，张丽娜，谭 彧

基于水培生菜力学特征的成熟度分类方法

蒋易宇，王 硕，张丽娜，谭 彧※

（中国农业大学工学院，北京 100083）

为了能准确识别生菜的成熟度，实现生菜适时采收，避免因采收期不当而造成品质下降等问题，该研究提出用穿刺试验力学特征表征水培生菜成熟度的方法，提取同一颗生菜不同叶片的不同部位时域和频域的力学特征，得到叶片力学特征与叶片成熟特性指标的相关性。为了对水培生菜未成熟株、成熟株、过成熟株进行准确分类，设计双阈值深度遍历算法，确定分类准确率最高的叶片类型和区域；采用6种机器学习算法以该区域所有的力学特征为输入，以成熟度3种分类为输出进行训练。试验结果表明，生菜叶片力学特征与成熟度特性指标紧密相关，生菜中叶叶茎区域分类准确率最高，可优化集成分类机器学习算法准确率最高为94.3%。研究结果提供了一种应用力学特征解决水培生菜成熟度检测与分类的新方法。

蔬菜；机器学习；水培生菜；成熟度；穿刺试验；力学特征

0 引 言

生菜成熟度不同，其口感和品质等差异也较大。为了能在合适的成熟阶段采收生菜，避免生菜品质下降，对生菜成熟度的准确识别则变得越来越重要[1-2]。

传统判断果蔬采摘时期的方法主要是菜农依据果蔬的外观、质量和市场需要等进行判断。该方法主观性太强，目前国内外学者针对果蔬的成熟度进行了一系列的研究，WANG[3]研究了在枝条遮挡、果实重叠和光照影响的情况下，Faster R-CNN模型对番茄采摘的成熟度进行有效检测；IBBA等[4]研究结果证明了频谱技术与水果阻抗变化具有强相关性，采用电阻抗谱拟合出水果的成熟度；潘文娟[5]研究结果验证了生菜不同成熟度的采收对其品质的影响，并研究了化学计量法与高光谱图像技术结合方法判别生菜成熟度。CORTELLINO等[6]研究是通过机械（硬度，穿刺所需功的面积等）和声学穿刺测试监测食缬草由于衰老引起的纹理变化。

随着生菜成熟度的变化，其理化特性也会随之发生改变。近年来，有学者证明生菜理化性质与其外在力学特性具有相关性[7-8]，而力学特征检测手段成本低、效率高，可作为叶菜成熟度重要指标[9]。应用力学特征检测果蔬质地变化时，主要采用2种作用力：压缩力和穿刺力[10]。其中穿刺力模拟了咀嚼时门牙的冲击[11-14]，从而被广泛使用。ROUDAUT[15]的研究给出了力学特征检测结果以力-位移-时间三维图表示，通过力-位移关系曲线可以得到断裂力、断裂功等；通过力-时间关系曲线进行傅里叶变换成为频率特性。SIRISOMBOON等[16]的研究对3个不同成熟阶段的新鲜番茄采用力学穿刺试验，其结果表明初始硬度、平均硬度、表观弹性模量、断裂力、韧性和断裂点变形对成熟期判别有关。PAMIES等[17]的研究证明了力学频率特性与可压裂性和脆度等感官属性之间的相关性。然而现阶段生菜力学特征检测主要集中在生菜收获损伤分析和贮藏时间对生菜力学特征的影响[18]，针对水培生菜力学特征与成熟度的定量、定性研究未见相关文献。

本文以水培生菜为研究对象，采用穿刺力方法对未成熟、成熟、过成熟水培生菜的内中外叶进行试验研究，提取时域、频域的力学特征。分析力学特征与成熟度特性指标，如地上鲜质量、叶绿素含量和含水率等的相关性，研究多变量机器学习算法对生菜的成熟度进行分类。

1 材料与方法

1.1 材 料

选取未成熟株（35 d叶龄）、成熟株（45 d叶龄）和过成熟株（55 d叶龄）各20株，每一株分别取内、中、外3个叶片，试验中共计采集180个叶片样品。在挑选叶片样品时，每一株生菜选取的内、中、外3个叶片须保证其大小、颜色、形状、叶龄和所取叶片节点位置尽量一致，如图2所示。

图1 生菜培养环境

图2 生菜叶片样本

生菜生长时间大约为40～50 d，因此除选取3个时间节点的整株之外，还选取生长40、42、44、46、48、50 d的生菜整株，试验样品如图3所示。

图3 生菜成熟期整株样本

Fig 3. Whole plant sample of lettuce at maturity

1.2 测量指标与方法

1.2.1 生菜力学特征指标测量

采用万能试验机（universal testing machine，UTM，深圳MTS系统有限公司E43型）检测生菜力学特征，如图4a所示。将每一株生菜内叶、中叶、外叶切割成4 cm×4 cm正方形样品如图4b，样品平放在上下夹具中如图4 a所示。

生菜叶片是一个极其复杂的自然系统，力学试验撕裂的强度与静脉的方向也有关[19]。在测试过程中，首先将样品A放置在夹具内，每个样品选取叶肉和叶茎两部位做穿刺试验，叶茎部位选取图4b中标注的1、2点，叶肉部位选取图4 b中标注的3、4点。使用直径为2 mm、锥角为35°的钢针，垂直指向样品，以2 mm/s速度刺穿4个测试点[14-15]。当钢针穿透生菜叶片后，以相同的速度缩回原始位置，得到插入直至断裂的力-位移曲线。通过该曲线，计算所有样品的断裂力、断裂能和刚度等力学参数。样品叶茎部分的力学参数是1、2点力学参数的均值，样品叶肉部分的力学参数是3、4点力学参数的均值。

注：A为生菜叶片的取样位置，1、2、3、4分别为穿刺测试点。

1.2.2 生菜其他成熟度特性指标测量

叶绿素含量：采用便携式叶绿素仪（SPAD-502，美能达公司，日本）测量生菜叶片的活体叶绿素相对含量即SPAD（soil and plant analyzer development）值，测量过程中避开叶脉，每个叶片测量5次取平均值。

地上鲜质量（G）：将生菜从根部剪切，用精度0.001g的电子天平（PTT-A1000，上海宝恒）称量并记录数据。

叶片含水率（WC）：叶片水分的测定方法参照国家标准GB/T 10362–2008（干法）。

可溶性糖含量：通过蒽酮比色法测定。

可溶性蛋白含量：考马斯亮蓝G-250染料法测定。

1.2.3 数据处理

本文共进行3次生菜培养并进行试验研究，对力学特征数据采用MATLAB2020b（Mathworks，Natick，MA，USA）统计软件进行力学特征分析提取与分类算法研究；采用OriginLab Pro 2021软件（美国马萨诸塞州北安普顿）分析力学特征与成熟度特性指标之间的相关性和显著性水平。

2 统计分析

2.1 力学特征参数

ROUDAUT等[15]研究表明生菜力学特征包括时域和频域特征，其中时域特征包括断裂力、断裂形变量、断裂斜率、断裂功、断裂总功、空间破裂数、平均穿刺力、脆度等；频域特征包括力-时间曲线傅里叶变换之后提取的主峰幅值、频宽、主频率等。

2.1.1 力学时域特征的提取和预处理

主要的力学时域特征指标及说明如表1所示[20]。

表1 时域特征参数

根据表1和力-位移曲线计算力学特征参数，其中断裂斜率（E）为断裂力与断裂形变量的比值，计算见式（1）。

空间破裂数（sr）为峰总数与穿刺距离的比率见式（2）。

平均穿刺力（F）计算式见式（3）。

脆度（W）为平均穿刺力与空间破裂数的比值，见式（4）。

式中0是峰的总数；是穿透距离，mm；是力-变形曲线下的积分面积[21]，N×mm。

图5为试验所得的标准力-位移曲线和非标准曲线。在试验条件理想时，试验结果如图5a所示的标准力-位移曲线，并计算力学特征参数。由于叶肉部位柔软且遮挡起伏较大，穿刺试验钢针与叶片存在虚接触，施加的力在小范围内波动，使试验条件不理想，试验结果为非标准的力-位移曲线，如图5b所示。因此，为了提高力学特征提取的准确性，在力学特征提取前，对非标准的力-位移曲线进行预处理。首先提取原信号最大值与每一点的一阶导数、二阶导数，当曲线出现一阶导数等于零且二阶导数为正时，通常为原信号先下降后上升的极小值点。筛选出上升到最高峰的极小值点，且该点需满足小于最大值的一半。该点与起始点间曲线为如图5b所示断裂前曲线。

图5 力-位移曲线

2.1.2 力学频域特征的提取和预处理

力-时间关系曲线通过傅里叶方法提取频率特性[22]。因此采用离散傅里叶级数见式（5）。

式中0/2为直流分量，b为第个交流分量的幅值，为频率，φ为第个交流分量的相位，为第几个交流分量，表示时间。时域上的单个信号可以被拆分为频域上多个频域信号的叠加。

图6a为试验所得的力-时间曲线，采用快速傅里叶变换（inverse fast Fourier transform, IFFT），获取频域特性曲线，如图6b所示，并获取频宽（）、幅值（）、主频率特征参数[22]。本文主峰峰值为幅值最大值，主频率为主峰峰值对应的频率，频宽为信道能通过的最高频率与最低频率的差值。

图6 傅里叶变化前后生菜叶片力学特征指标曲线图

2.2 其他特征参数

随着生菜生长时间增加，生菜叶绿素含量和地上鲜质量相应地发生变化，叶绿素在不同的成熟阶段在生菜叶片中的浓度梯度分布不同，含水率和地上鲜质量是收获时间节点的一个重要的决定因素，因此可以很好地监控绿色蔬菜的成熟度变化[23-25]。

如图7所示，选择生长时间38～52 d内的生菜绘制各指标绘制变化曲线，生菜内外叶含水率总体呈现先上升后下降的趋势，其中内中外叶的含水率对比结果为中叶>外叶>内叶。生菜生长趋势一般呈现s型，前期平缓，随后进入快速生长期，最后鲜质量趋于平稳，这与图7b所示的生菜地上鲜质量变化一致。

叶绿素生菜外叶和内叶的SPAD值呈现下降趋势，该过程伴随着蔬菜变黄或失去绿色，通常被认为是叶绿素降解的过程。中叶SPAD值有一定下降但总体相对稳定。未成熟期叶片SPAD值表现为中叶>外叶，未成熟时内叶叶片太小无法测量其SPAD值，成熟期表现为外叶>中叶>内叶，过成熟期表现为中叶>内叶≈外叶。

2.3 相关性分析

为研究力学特征与生菜其他特征参数的关系，本文采用相关性分析的方法，相关性系数一般用表示，其值介于−1与1之间[26]。并对该数据样本进行显著性检验，排除数据间的相关性是偶然因素导致的[27]。

注：横坐标轴时间为分栽后的天数。小于40 d为未成熟株，40～50 d为成熟株，大于50 d为过成熟株。

针对力学特征和SPAD值、地上鲜质量、含水率这几个变量进行相关性分析，以中叶力学参数为例，计算各指标之间的Pearson相关系数（）和显著性水平（）（图8）。

注：SPADO为外叶SPAD值，SPADI内叶SPAD值，LWCO为外叶含水率，LWCI为内叶含水率。以下为中叶力学特征参数：Eps为叶茎断裂斜率，Nsrs为叶茎空间破裂数，Wccs为叶茎脆度，Ars为叶茎主峰面积，Cs为叶茎幅值，Bs为叶茎频宽，Fpm为叶肉断裂斜率，Dpm为叶肉断裂形变量，Epm为叶肉断裂斜率，Wpm为叶肉断裂功，Wtm为叶肉断裂总功，Nsrm为叶肉空间破裂数，Wccm为叶肉脆度，Arm为叶肉主峰面积，Cs为叶肉幅值，Bm为叶肉频宽。

如图8所示，叶茎断裂力（ps）、叶茎断裂功（ps）、叶茎断裂总功（ts）等力学特征，与生菜地上鲜质量显著相关（>0.65，<0.001）；叶茎平均穿刺力（ms）与地上鲜质量和中叶SPAD值（SPADM）均有一定的显著相关性（>0.65，<0.001）；叶茎断裂力与中叶叶片SPAD值具有显著相关关系（>0.65，<0.001），叶茎断裂力、叶茎断裂功、叶茎断裂总功，与叶片SPAD值具有显著低相关关系（0.41>>0.20，<0.005）；中叶含水率（WCM）与叶片各部位的力学特征、地上鲜质量、SPAD值不相关（<0.20，>0.005），这与某些论文结论一致，例如油菜豆荚主茎不同的水分含量对抗剪切性没有显着影响[28]。该图表明中叶叶茎部位的力学特征能较好地表征生菜生长过程中地上鲜质量、SPAD值等内在指标，这些均为成熟度特性指标[29]。

除此之外，图8还能看出，断裂力与其他力学参数密切相关，表明其可以作为力学特征的代表参数[30]。叶茎部位力学特征与叶肉部位力学特征之间无显著相关关系，测量叶茎部位和叶肉部位的穿刺力学特征表明相同成熟度变化的生菜的力学特性呈现完全不同的状态，结果表现为叶肉的软化和叶茎的硬度增加。

在3个节点各选取5株幼苗，测量其可溶性糖和可溶性蛋白含量，结果如表2所示。由表2可知，未成熟、成熟、过成熟时可溶性糖和可溶性蛋白呈现先增加后减少的变化趋势，可溶性糖和可溶性蛋白两者间的变化趋势基本一致，与力学特征判断的成熟节点一致。

表2 不同节点的化学参数

试验表明力学特征与地上鲜质量、SPAD值存在一定相关性。生菜的力学特征能很好地与传统判断成熟度的标准相吻合，同时与可溶性糖和可溶性蛋白变化规律相吻合，因此可以采用力学特征表征生菜成熟度。

2.4 数据分类算法

本文根据数据集的特点构造各类分类器，分类的目的是根据数据集的特点构造一个分类函数或分类模型（常称作分类器），该模型能把未知类别的样本映射到给定类别中。

2.4.1 双阈值深度遍历算法

对生菜不同成熟度的单叶片单区域的单力学特征进行分类，以分类准确率最高为目标，设计双阈值深度遍历算法，每一力学特征的阈值都采用该算法确定，算法如式（6）～（8）所示，式中countif(x)表示求满足括号内条件的样本个数的函数。

式中为总准确率；T为第类正确样本数（=1，2，3）；N为第类样本数；ij为第类的个样本力学特征值（=1，2，……第类的样本总数）；min为该力学特征的最小特征值；max为该力学特征的最大特征值；1为分类成熟和未成熟的阈值；2为分类成熟和过成熟的阈值。

为减少编码复杂度，采用深度遍历算法提取阈值[31]，最终快速搜索所有特征的分类阈值。在特征范围（min，max）内，该搜索算法在1>2和1≥2的2种情况，以设定的步长快速寻找阈值分类线。

2.4.2 机器学习算法

机器学习算法包括朴素贝叶斯、决策树、支持向量机、逻辑回归和随机森林等算法，在预测分类方面均有使用，其中以决策树和集成学习应用最为广泛。

决策树以输入的数据为树的根，选取数据的特征属性为节点即决策点，将数据集划分为不同子集，直到子集数据的类型相同，此时到达叶节点，该过程结束。

集成学习通过构建并结合多个学习器来完成学习任务。集成学习的一般结构：先产生一组“个体学习器”，再用某种策略将其结合。个体学习器通常由一个现有的学习算法从训练数据产生，例如：决策树算法、神经网络算法等，此时集成中只包含同种类型的个体学习器，也可包含不同类型的个体学习器。集成学习通过将多个学习器进行结合，通常可获得比单一学习器显著优越的泛化性能。

根据个体学习器的生成方式，目前的集成学习方法大致可分为两大类：个体学习器间存在强依赖关系、串行生成的序列化方法，以及个体学习器间不存在强依赖关系、可同时生成的并行化方法[32]。

并行式集成学习方法最著名的代表是Bagging。本次生菜力学特征分类，采用3个分别含53个训练样本的采样集，然后基于每个采样集训练出一个基学习器，再将这些基学习器进行结合，这就是Bagging的基本流程，也是构造生菜力学分类模型的方法。在对预测输出进行结合时，Bagging 通常对分类任务使用简单投票法。

2.4.3 分类模型评价指标

生菜成熟度分类的混淆矩阵，能清晰反映出真实类别与预测结果两者的一致性。为了评价三分类模型的分类效果，选取准确率、精确率、召回率、1-分数和AUC（area under curve）值作为评价指标，评估模型的整体性能。

1-分数作为综合指标，可以反映模型的总体分类效果，AUC则反映了模型的泛化能力，因此以1-分数、AUC 为主要评价指标，准确率、精确率、召回率为辅助评价指标，实现模型分类效果的评价。

3 结果与分析

3.1 双阈值深度遍历算法分类结果

随着成熟度变化，生菜力学特征也发生了变化。设计试验，提取各类力学指标区分未成熟、成熟、过成熟3个时间节点的生菜。为保证分类算法的效果，未成熟、成熟、过成熟样本个数几乎相同，其中未成熟生菜19颗，占总样本35.8%，成熟生菜和过成熟生菜均为16颗，分别占总样本的32.1%。提取3类蔬菜的断裂力力学特征参数采用双阈值深度算法进行分类，得到分类结果如图9所示。

注：生菜编号：未成熟，1～19；成熟，20～36；过成熟，37～53。

图9可知，以中叶叶茎断裂力为例，叶茎部位穿刺断裂力对于未成熟和成熟的分类准确率83.3%，成熟和过成熟的分类准确率是73.5%，总的分级准确率为75.4%，穿刺断裂力分割阈值分别为0.98和1.38 N。生菜断裂力在未成熟、成熟、过成熟3种情况均为上升趋势，而断裂力主要表征生菜硬度，这是由于生菜在生长过程中，生菜组织通常有更高比例的细胞，植物细胞壁中木质素增加，具有增厚和木质化的细胞壁，生产系统中钙的充足可用性，可以帮助保持生菜的硬度[33]，这与本次论文中过成熟生菜硬度仍然保持上升一致。生菜相比水果更不易软化，以杏果为例，杏果软化的原因为：果胶多糖的溶解和解聚导致细胞壁结构的分解，最终导致果实组织的质地变化[34-35]。因此，虽然力学特征均与果蔬成熟度相关，但其具体的判别方案需按照各类果蔬的生长变化而定。

表3为外中内叶各力学特征基于双阈值深度遍历算法的准确率，其中包括2次试验分类误差和差异显著性。将2次试验样本导入origin中进行差异显著性分析，由于2次试验样本一致性较好，其在各指标中均不存在明显差异，所以未在表中进行标注。叶茎部位全部力学特征总体准确率为：中叶>内叶>外叶。内叶和中叶叶茎部位各特征的分类效果明显优于叶肉部位，这是因为叶肉部位质地柔软，叶茎部位质地更为坚挺出现误差较小。其中，穿刺断裂力、穿刺断裂功、穿刺断裂总功在3类菜中区分度最大，3类生菜其他的力学指标不适合表征其成熟度的变化。穿刺斜率表示材料的弹性，力学穿刺试验被证明与食品的感官质地有相关性，其脆度、断裂斜率对未成熟、成熟、过成熟生菜区分度不高。

表3 生菜各力学特征分类误差

注：E为断裂斜率，N·mm-1；sr为空间破裂数，mm-1；F为平均穿刺力，N；Wc为脆度，N×mm；为幅值，N；为频宽，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.

基于某一个力学特征，采用单一的阈值分割难以取得较高的分类结果，对比不同时期、不同叶片、不同部位的分类准确度和2次实验数据的分类误差。总体来说中叶叶茎部位各力学特征分类效果最好。但是分类准确率只达到了75.5%，考虑到上述对单一特征信息分类往往不够充分，所以采用机器学习分类方法融合多种信息以提升分类精度和泛化性能[36]。

3.2 多维机器学习算法分类结果

生菜一个特征表示一维空间，多维特征表示多维空间，使用有监督的机器学习分类器对数据进行分类训练。首先，导入数据可得多维中叶特征点分布。然后，针对所提取的11个力学特征，依次采用可优化的朴素贝叶斯，支持向量机，逻辑回归和随机森林等算法进行分类训练。为评价机器学习模型的分类效果选取了准确率、精确率、召回率、1-分数和AUC作为评价指标。得到的分类效果如表4所示。

表4 生菜各机器学习算法分类结果

由表4可知，采用可优化集成算法时，模型5项指标均为最高，分类效果最好，其训练学习器为决策树，集成方法为Bagging，模型的分类结果如表5所示。在19个未成熟样本均预测准确，在17个成熟样本中有1个被模型预测为成熟、1个预测为过成熟，在17个过成熟样本中有1个被预测为成熟，3个时间节点的生菜整体分类准确率为94.3%，53个样本中仅有3个被分错。多维机器学习模型结合更多力学特征，相较于单维特征分类结果更好。

表5 可优化集合模型混淆矩阵

3.3 分类算法有效性检验

本文在同等条件下，再培养一批生菜生长相同天数，并采用同样的方法进行样本制备和测量，验证其分类模型的有效性，每个节点选择6株生菜。将提取的各力学特征导入可优化集成分类算法得到最后的分类结果如下表6所示，分类准确率为91.7%，表明本文所提出的力学特征分级模型有效。

表6 分类模型有效性检验结果

4 结 论

本文基于力学检测生菜成熟度的方法，提取了水培生菜时域和频域力学特征，验证了力学特征与生菜成熟度的相关性，并设计了生菜成熟度分类算法，得到了有效分类的叶片区域和分类结果。主要结论如下：

1）中叶叶茎部位叶茎断裂力、叶茎断裂功、叶茎断裂总功等力学特征，与生菜地上鲜质量显著相关（>0.65，<0.001）；中叶叶茎断裂力与中叶叶片活体叶绿素相对含量具有显著相关（>0.65，<0.001），中叶叶茎部位叶茎断裂力、叶茎断裂功、叶茎断裂总功，与中叶叶片活体叶绿素相对含量具有显著低相关性（0.41>>0.20，<0.005）。

2）针对叶茎和叶肉部位单个特征进行双阈值深度搜索进行分类，得到不同叶片各部位各特征的分类准确率，并选择分类效果最好的叶片区域。对比多种机器学习算法，其中可优化集成算法分类效果最好，集成方法为Bagging，其训练学习器为决策树。针对未成熟、成熟、过成熟3类生菜的分类效果达到了94.3%的准确率。

3）将同等条件下重新培养的一批生菜的力学特征参数导入模型，预测准确率为91.7%，表明该模型有效。

该项研究为生菜成熟度检测提供新思路，未来可用于确定成熟生菜最佳采收时间，提高生菜的采收品质。

[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. 生菜成熟度识别及采后品质质量研究[D]. 合肥：合肥工业大学，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] 张金阁. 香梨果肉脆度的力声同步法检测研究[D]. 石河子：石河子大学，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] 邓小玲，徐梅宣，刁寅亮. 数字信号处理[M]. 北京：北京理工大学出版社，2019.

[22] 李佳，吕程序，苑严伟，等. 快速傅里叶变换结合SVM算法识别地表玉米秸秆覆盖率[J]. 农业工程学报，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，刘凤兰，韩宏伟，等.不同采摘期对库尔勒香梨果实品质的影响[J]. 新疆农业科学，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，吴旭鸣，王爱凤. 应用皮尔逊相关系数算法查找异常电能表用户[J]. 电力需求侧管理，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] 张通，金秀，饶元，等. 基于无人机多光谱的大豆旗叶光合作用量子产量反演方法[J]. 农业工程学报，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] 张建伟，江琦，刘轩然，等. 基于PSO-SVM算法的梯级泵站管道振动响应预测[J]. 农业工程学报，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] 周志华. 机器学习[M]. 北京：清华大学出版社，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] 邓利珍. HHAIB处理对杏果实干燥特性和品质的影响规律与机理研究[D]. 北京：中国农业大学，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] 张聪，周为峰，唐峰华，等. 基于机器学习的中西太平洋黄鳍金枪鱼渔场预报模型[J]. 农业工程学报，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

蒋易宇，王硕，张丽娜，等. 基于水培生菜力学特征的成熟度分类方法[J]. 农业工程学报，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

国家重点研发计划项目（2016YFD0700302）

蒋易宇，博士研究生，研究方向为机电一体化、农业信息与电子工程。Email：1049366505@qq.com

谭彧，教授，博士生导师，研究方向为机电一体化、农业信息与电子工程。Email：tanyu@cau.edu.cn