论文部分内容阅读
植物在受到损伤和害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，进而对虫害情况进行诊断．本研究采用电子鼻和气相色谱一质谱(GC-MS)方法对不同处理的水稻样本进行了检测，应用数据归一化、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，研究水稻虫害诱导的挥发物与电子鼻响应信号的关系，建立了虫害检测模型，验证了使用电子鼻技术对水稻虫害检测的可行性。得到的主要结论如下：
(1)水稻机械损伤的研究
水稻损伤会引起电子鼻传感器信号的变化，说明水稻受到机械损伤后其释放出的挥发物发生了改变。用逐步判别分析和BP神经网络对四组水稻样本进行了分析，对测试集的预测准确率分别为70％和75％，神经网络模型的预测结果更好一些。表明用电子鼻可以对水稻机械损伤进行判别．
(2)不同时间褐飞虱虫害的研究
使用电子鼻和顶空采样装置对不同受害程度的水稻在受害后不同的时间进行了研究。采用主成分分析方法可以观察出水稻受害程度变化的规律，线性判别分析法可以区分出受到虫害与没有受到虫害的水稻样本。使用逐步判别分析对虫害程度进行判别，训练集交叉验证的正确率在85％以上，测试集预测的正确率在70％以上；使用BP神经网络对虫害数量进行预测，预测值和实际值的决定系数R2在0.75以上，说明利用电子鼻技术对水稻虫害检测是可行的。
(3)不同时间虫害统一的模型
水稻虫害诱导产生的挥发物随着时间的变化而改变，对不同时间点水稻虫害样本的电子鼻响应信号原始数据进行主成分分析，四组受害程度不同样本全部重叠在一起根本无法区分。采用对每个时间点的电子鼻原始数据分别归一化后进行提取，用归一化的数据进行主成分分析，各组样本的分布变得有规律性。采用BP神经网络和GABP神经网络进行模式识别分析，原始样本数据的预测值和实际值的决定系数很低，归一化后数据的决定系数有了很大的改善；对不同特征选择方法的预测结果，响应曲线的全段积分值(IV)的预测值和实际值的决定系数最高为0.763。对比BP神经网络和GABP神经网络两种模型的结果，GABP神经网络分析的决定系数均要高于BP神经网络，迭代次数要少于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。
(4)不同种类损伤的研究
通过电子鼻响应信号的对比图，四个不同处理的水稻样本电子鼻的响应信号是不同的。从PCA结果来看，四种处理水稻样本大致可以分成受二化螟危害(SP)、受褐飞虱危害(BP)、受机械损伤(MP)和正常处理(CP)的水稻样本三部分，机械损伤和正常处理的水稻样本产生了重叠。采用聚类分析方法得到与PCA相类似的结果，不同处理水稻样本可以用聚类分析方法进行区分。采用BP神经网络(BPNN)和学习失量量化(LVQ)两种神经网络模型对四种不同处理水稻样本的进行预测，两种模型都能对样本进行很好的区分，但LVQ模型的区分效果更好一些。可以建立电子鼻信号与水稻虫害之间的关系，说明使用电子鼻响应信号进行预测水稻损伤是可行。
(5)电子鼻响应与水稻挥发物成分关系
通过气质联用仪( GC-MS)对萃取的水稻挥发物进行检测，对不同程度褐飞虱虫害水稻样本共检测出23类化合物，其中正常水稻组检测出8类，而5虫组、10虫组检测出的挥发物分别有15、16类，40虫组检测出的挥发物种类最多有23类；各处理间挥发物总量也随着虫害程度的增加而增大，40虫组检测出的挥发物含量最大；以各传感器的响应为自变量，水稻挥发物成分含量为响应函数，用逐步线性回归方法建立电子鼻响应信号与挥发物成分的回归模型，结果显示电子鼻信号与挥发物成分的相关性很高，可以用电子鼻信号来模拟挥发物成分的含量。对不同种类损伤水稻样本共检测出27类化合物，其中健康水稻组检测出10类，而机械损伤检测出18类，褐飞虱虫害检测出23类，二化螟虫害检测出的挥发物种类最多有27类；用线性回归方法建立单一挥发物成分与电子鼻信号的线性模型，结果显示也可以用多个挥发物成分来模拟电子鼻响应信号。