電子鼻檢測農(nóng)作物病蟲害的研究進(jìn)展

周博 嵇云 蔡國華 王俊 曾勇

摘要：農(nóng)作物在生長和儲(chǔ)藏過程中會(huì)受到多種病蟲侵害，由于病蟲危害情況復(fù)雜多變、檢測難度大、準(zhǔn)確度低，現(xiàn)代檢測技術(shù)還不能有效地解決病蟲害診斷難題。電子鼻可以快速、高效、實(shí)時(shí)地識(shí)別復(fù)雜氣味，在揮發(fā)物檢測方面具有其他儀器無法比擬的優(yōu)勢，隨著技術(shù)的不斷成熟，電子鼻的應(yīng)用研究已深入農(nóng)作物病蟲害檢測領(lǐng)域，這突出反映了電子鼻技術(shù)實(shí)際應(yīng)用的發(fā)展趨勢。但是，電子鼻在農(nóng)作物病蟲害實(shí)時(shí)檢測中也遇到許多困難，通過對電子鼻檢測農(nóng)作物病蟲害的優(yōu)勢及存在問題進(jìn)行分析，闡明電子鼻技術(shù)應(yīng)用研究的發(fā)展方向。

關(guān)鍵詞：電子鼻;農(nóng)作物;病蟲害;實(shí)時(shí)檢測

中圖分類號(hào)：S126

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2019）15-0143-05

農(nóng)作物是人類重要的生活資料，是人們賴以生存的主要食物來源，在生長和儲(chǔ)藏過程中容易受到病蟲危害，據(jù)聯(lián)合國糧農(nóng)組織（FAO）估計(jì)，全世界每年因病蟲草害損失的糧食約占糧食總產(chǎn)量的1/3，其中因病害造成的損失約10%，因蟲害損失約14%。農(nóng)作物病蟲害除造成產(chǎn)量損失外，還可以直接造成農(nóng)產(chǎn)品品質(zhì)下降，使農(nóng)產(chǎn)品腐爛、霉變等，營養(yǎng)、口感也會(huì)變異，甚至產(chǎn)生對人體有毒、有害的物質(zhì)。減少農(nóng)作物病蟲危害首先要做到對病蟲害進(jìn)行有效的監(jiān)測和預(yù)警，有針對性地采取科學(xué)合理的防控方案。但是，農(nóng)作物病蟲害的種類眾多，不同種類、不同生育期的農(nóng)作物病蟲害發(fā)生種類與為害程度也不相同，具有隱蔽性、不可預(yù)見性、突發(fā)性和災(zāi)害性等特點(diǎn)。另外病蟲害的發(fā)生、發(fā)展與氣候因素、地理因素和作物品種之間有著密切的關(guān)系，它同時(shí)受到多種因素的影響，具有不確定、模糊、隨機(jī)性等特征，是一個(gè)復(fù)雜的非線性系統(tǒng)，因此農(nóng)作物病蟲害檢測一直被認(rèn)為是農(nóng)業(yè)研究領(lǐng)域的難點(diǎn)和熱點(diǎn)。

傳統(tǒng)的農(nóng)作物病蟲害檢測主要依靠人工觀察，這種方法的可靠性取決于觀察者的經(jīng)驗(yàn)，主觀性強(qiáng)、準(zhǔn)確性差，難以滿足實(shí)時(shí)檢測的需要。近年來國內(nèi)外學(xué)者已將圖像識(shí)別、近紅外光譜、雷達(dá)和遙感等現(xiàn)代技術(shù)引入農(nóng)作物病蟲害檢測領(lǐng)域，這些現(xiàn)代檢測技術(shù)在某些方面對農(nóng)作物病蟲害能起到有效檢測作用，但也存在一些局限。例如，王志彬等采用圖像識(shí)別技術(shù)對黃瓜葉部病害種類進(jìn)行了有效識(shí)別[1]，但是圖像識(shí)別法適合靜態(tài)樣本的檢測，而田間所采集動(dòng)態(tài)圖像的處理和分析較為復(fù)雜，如何快速地從農(nóng)作物群體圖像中提取有效圖像特征并進(jìn)行矯正，是尚未解決的難題[2]。近紅外光譜法具有無損傷、可靠和快速等特點(diǎn)，李震等研制了基于光譜技術(shù)的柑橘全爪螨蟲害快速檢測儀，并通過試驗(yàn)檢驗(yàn)了儀器的使用效果[3]，但是近紅外光譜受環(huán)境影響大，對樣本濕度比較敏感，檢測精度低[4]。雷達(dá)法適合大范圍遷飛害蟲的檢測，但檢測成本過高[5];遙感方法適用于大面積的農(nóng)情調(diào)查工作，但受天氣條件影響較大，檢測精度不高[6]?？偟膩碚f，由于農(nóng)作物病蟲害影響因素眾多，現(xiàn)有的機(jī)器檢測技術(shù)還不能有效地解決病蟲害診斷難題，農(nóng)作物病蟲害診斷技術(shù)尚需進(jìn)行深入研究。

電子鼻是一種模擬生物嗅覺工作原理的新穎仿生檢測儀器，與傳統(tǒng)化學(xué)分析方法相比，電子鼻技術(shù)不需要復(fù)雜的樣本前處理過程，具有在線檢測速度快、靈敏度高、操作簡單、費(fèi)用少等優(yōu)點(diǎn)，在農(nóng)業(yè)、食品、醫(yī)療、環(huán)境等行業(yè)均有著廣闊的應(yīng)用前景，各發(fā)達(dá)國家都把電子鼻列為跨世紀(jì)的關(guān)鍵技術(shù)，并給予特別的重視和支持[7]。隨著傳感器技術(shù)和模式識(shí)別算法的進(jìn)步，電子鼻技術(shù)日益成熟，其應(yīng)用研究已經(jīng)深入到農(nóng)作物病蟲害檢測領(lǐng)域。農(nóng)作物揮發(fā)物含有農(nóng)作物的指紋信息，采用電子鼻對農(nóng)作物揮發(fā)物進(jìn)行檢測可以間接地實(shí)現(xiàn)對農(nóng)作物病蟲害的診斷。本文首先從作物果實(shí)和田間農(nóng)作物2個(gè)方面對國內(nèi)外電子鼻技術(shù)在農(nóng)作物病蟲害領(lǐng)域的應(yīng)用研究進(jìn)行綜述;然后從揮發(fā)物信息采集技術(shù)、模式識(shí)別算法、電子鼻與氣相色 譜- 質(zhì)譜聯(lián)用（GC-MS）技術(shù)3個(gè)方面詳述農(nóng)作物揮發(fā)物檢測的電子鼻技術(shù)，并分析電子鼻技術(shù)在作物病蟲害研究領(lǐng)域的現(xiàn)存問題;最后，結(jié)合農(nóng)作物病蟲害檢測闡明電子鼻技術(shù)應(yīng)用研究未來的發(fā)展方向。

1 電子鼻在農(nóng)作物病蟲害檢測中的應(yīng)用

1.1 作物果實(shí)病蟲害檢測

作物果實(shí)與田間農(nóng)作物相比在樣品準(zhǔn)備、試驗(yàn)條件控制、試驗(yàn)操作等方面都較為簡單易行，且檢測結(jié)果更準(zhǔn)確，因此電子鼻最初的農(nóng)作物檢測對象都是作物果實(shí)。農(nóng)作物果實(shí)在儲(chǔ)藏過程中，會(huì)釋放出自身新陳代謝的中間產(chǎn)物或終產(chǎn)物，同時(shí)也容易受到病蟲的侵害產(chǎn)生特殊的揮發(fā)物，這些揮發(fā)性物質(zhì)反映的樣本指紋信息可以被電子鼻檢測和識(shí)別。谷物檢測是電子鼻在農(nóng)作物方面最早的應(yīng)用，美國學(xué)者1993年就使用電化學(xué)氣體傳感器陣列結(jié)合模式識(shí)別方法對小麥樣品質(zhì)量進(jìn)行分類[8]。作物果實(shí)病蟲害最早的研究對象也是谷物，1997年Jonsson等使用電子鼻對燕麥、黑麥和大麥樣品進(jìn)行分類并預(yù)測發(fā)霉的程度[9]。我國對電子鼻的研究相對滯后，2004年鄒小波等研制出一套能快速檢測谷物是否霉變的電子鼻裝置[10]。目前，電子鼻在谷物、土豆、花生、洋蔥、蘋果、芒果、草莓等病蟲害檢測方面都有成功的應(yīng)用，表1列舉了與電子鼻檢測作物果實(shí)病蟲害密切相關(guān)的部分文獻(xiàn)。

從國內(nèi)外電子鼻在農(nóng)作物果實(shí)中的應(yīng)用研究來看，谷物方面的研究最多，時(shí)間跨度與電子鼻在農(nóng)作物檢測領(lǐng)域的應(yīng)用高度吻合。國內(nèi)外在2017年均有相關(guān)的研究報(bào)道，Baskar等使用含有6個(gè)傳感器的自制電子鼻檢測了稻谷在不同溫度和不同濕度儲(chǔ)藏時(shí)變質(zhì)的情況[18]。于慧春等用電子鼻對不同霉變程度玉米樣品進(jìn)行檢測，并用理化分析方法分別測定霉變玉米中的玉米赤霉烯酮、黃曲霉毒素含量，采用BP神經(jīng)網(wǎng)絡(luò)建立不同霉變程度下玉米赤霉烯酮、黃曲霉毒素含量的預(yù)測模型[23]。研究采用的電子鼻設(shè)備有自制和商業(yè)兩大類，自制的電子鼻通常采用商業(yè)氣體傳感器組成傳感器陣列，傳感器數(shù)量在6～32個(gè)范圍內(nèi)，文獻(xiàn)[9-12，18-21，23，25]均使用日本Figaro傳感器構(gòu)建電子鼻。商業(yè)電子鼻主要有德國AIRSENSE公司的PEN2、PEN3，法國Alpha Mos公司的Fox3000、Fox4000等。從使用的電子鼻可以看出，早期研究更多地采用自制的電子鼻，而近期的研究使用商業(yè)電子鼻較多。這反映出早期研究主要集中在電子鼻技術(shù)的理論基礎(chǔ)方面，后期研究更注重電子鼻技術(shù)的實(shí)際應(yīng)用，研究對象從谷物向馬鈴薯、花生、洋蔥、蘋果、芒果、草莓等其他農(nóng)作物延伸。

從研究的具體內(nèi)容來看，作物果實(shí)隨著儲(chǔ)藏條件、儲(chǔ)藏時(shí)間的變化其品質(zhì)會(huì)發(fā)生改變，品質(zhì)下降往往同致病菌作用相關(guān)，因此病害通常與儲(chǔ)藏時(shí)間、貨架期、品質(zhì)等密切相關(guān)，且相關(guān)文獻(xiàn)較多。Jonsson等對不同儲(chǔ)藏時(shí)間的谷物霉變程度進(jìn)行了研究[9，14，20-21];Raigar等對儲(chǔ)藏的花生腐敗進(jìn)行了分類和預(yù)測[26];Zakaria等用電子鼻、聲傳感設(shè)備檢測芒果儲(chǔ)藏期病害[29]。有的研究直接針對病原菌進(jìn)行檢測，但僅采用電子鼻技術(shù)不能獲得揮發(fā)性物質(zhì)的成分信息，無法做到定量分析，因此通常采用電子鼻與GC-MS技術(shù)結(jié)合分析，既能獲得揮發(fā)物整體信息也能測定各組分的濃度。沈飛等利用電子鼻與GC-MS技術(shù)對6種谷物中常見霉菌在不同生長階段的特征揮發(fā)性氣味物質(zhì)進(jìn)行了檢測分析，對黃曲霉類、寄生曲霉類和青霉類樣品的整體判別正確率分別達(dá)到100.0%、100.0%和974%[27]。相對病害而言蟲害研究較少，蟲害研究基本集中在谷物方面，Ridgway等研究了小麥?zhǔn)茯x和甲蟲的危害情況[12，14];Zhou等對感染米象、紅粉甲蟲的稻谷進(jìn)行了研究[15]。上述研究通常是基于電子鼻傳感器響應(yīng)與害蟲數(shù)量的關(guān)系對谷物蟲害情況進(jìn)行預(yù)測，也有直接針對玉米象蟲態(tài)進(jìn)行研究的報(bào)道[17，34]。

1.2 田間農(nóng)作物病蟲害檢測

植物揮發(fā)物信號(hào)是植物間進(jìn)行信息交流的“語言”，生物和非生物因素均可誘導(dǎo)產(chǎn)生植物揮發(fā)物，特別是植食性昆蟲和病原菌危害可以誘導(dǎo)植物產(chǎn)生特異性揮發(fā)物，植物揮發(fā)物已經(jīng)成為當(dāng)前研究的熱點(diǎn)。但是對采集的植物揮發(fā)物的研究一直采用GC-MS技術(shù)，由于GC-MS儀器體積大、移動(dòng)性差，加上樣品分析耗時(shí)較長，不可能消除植物晝夜生長周期的影響，無法實(shí)現(xiàn)田間植物揮發(fā)物實(shí)時(shí)監(jiān)測。電子鼻的發(fā)展彌補(bǔ)了GC-MS的不足，與GC-MS不同，電子鼻得到的不是被測樣品中某種或某幾種成分的定性與定量結(jié)果，而是樣品中揮發(fā)性成分的整體信息。農(nóng)作物田間病蟲害的電子鼻檢測研究基于病蟲脅迫誘導(dǎo)植物產(chǎn)生特異性揮發(fā)物的原理，由于田間環(huán)境復(fù)雜多變，病蟲害影響因素眾多且產(chǎn)生機(jī)制不明確，相關(guān)研究起步較晚，到2008年才出現(xiàn)電子鼻檢測農(nóng)作物病蟲害的報(bào)道，表2是電子鼻田間農(nóng)作物病蟲害檢測相關(guān)文獻(xiàn)。

目前電子鼻在田間作物病蟲害檢測方面的研究還處于試驗(yàn)階段，研究成果均出自國內(nèi)外高校、科研機(jī)構(gòu)，表2中文獻(xiàn)的研究內(nèi)容多數(shù)是驗(yàn)證電子鼻檢測田間作物病蟲害的可能性。英國蘭卡斯特大學(xué)Laothawornkitkul等分別于2008年和2012年研究了電子鼻檢測黃瓜、辣椒、番茄3種植物受到的蟲害、病害情況的可能性[35-36]。意大利波羅尼亞大學(xué)Cellini等于2010年使用電子鼻和GC-MS技術(shù)研究了2種葡萄藤受損傷的情況，采用線性判別分析方法區(qū)分健康和病菌侵害葡萄藤的準(zhǔn)確率為83.3%[37];2016年采用氣相色譜-質(zhì)譜和質(zhì)子識(shí)別飛行時(shí)間質(zhì)譜鑒別遭受火疫病、花腐病危害的蘋果苗揮發(fā)性化合物，并對比2個(gè)商業(yè)電子鼻檢測結(jié)果，表明電子鼻可以用于植物早期病害的檢疫[38];2017年對電子鼻在植物病害的診斷進(jìn)行了綜述[39]。美國克萊姆森大學(xué)Degenhardt等于2010年采用Cyranose 320電子鼻對棉花害蟲和受害棉花進(jìn)行檢測，其中受蟲害樣品與電子鼻的響應(yīng)信號(hào)相關(guān)性為0.95[40];2012年研究表明，電子鼻區(qū)分受蟲害損失2 d后的棉鈴與健康棉鈴的準(zhǔn)確率在80%～90%之間[41];2014年報(bào)道了用于植物蟲害檢測的4代電子鼻（PAD）開發(fā)過程[42]。馬來西亞Perlis大學(xué)的Markom等在2009年利用商業(yè)電子鼻與人工智能融合檢測由靈芝菌引起的棕櫚樹基礎(chǔ)莖腐病害[43];2011年開發(fā)了用于植物病害檢測的金屬氧化物傳感器電子鼻[44]。Zhou等于2011年采用電子鼻和GC-MS技術(shù)檢測了褐飛虱蟲害誘導(dǎo)的水稻揮發(fā)物，表明電子鼻技術(shù)可以診斷田間水稻蟲害[45];2012年對受到褐飛虱危害、二化螟危害和機(jī)械損傷的水稻樣本進(jìn)行了研究，采用BP神經(jīng)網(wǎng)絡(luò)和學(xué)習(xí)失量量化模型對各水稻處理樣本進(jìn)行預(yù)測，2種模型都取得了較好的預(yù)測結(jié)果[46];2014年采用不同特征參數(shù)提取方法對感染早疫病病害的番茄苗進(jìn)行了區(qū)分研究[47]。美國德州農(nóng)工大學(xué)Lan等于2008年針對農(nóng)作物害蟲進(jìn)行了檢測，采用Cyranose 320電子鼻分類調(diào)查棉花盲椿象[49];2011年采用電子鼻識(shí)別棉鈴蟲信息素及鑒別不同時(shí)間、濃度的信息素[50];2014年與華南農(nóng)業(yè)大學(xué)Xu等合作區(qū)分了不同數(shù)量和不同蟲齡的水稻褐飛虱害蟲[51]。國內(nèi)田間農(nóng)作物病蟲害發(fā)表的文獻(xiàn)較少，2009年蔡曉明等使用電子鼻研究機(jī)械損傷茶樹綠葉氣味物質(zhì)的釋放規(guī)律，并對茶尺蠖取食誘導(dǎo)的茶樹揮發(fā)物與GC-MS技術(shù)進(jìn)行同步比對分析[53];2010年潘洪生等應(yīng)用電子鼻構(gòu)建棉花植株常見揮發(fā)性化合物特征譜庫，建立棉鈴蟲幼蟲危害棉花植株的指紋圖譜[52]。

2 電子鼻技術(shù)在農(nóng)作物揮發(fā)物檢測中的應(yīng)用

2.1 揮發(fā)物信息采集技術(shù)

為了將揮發(fā)物引入電子鼻檢測系統(tǒng)可以使用多種采樣技術(shù)，如靜態(tài)頂空技術(shù)、動(dòng)態(tài)頂空技術(shù)、吹掃和捕集、固相微萃取法、吸附萃取法等。目前使用電子鼻檢測農(nóng)作物病蟲害過程中，農(nóng)作物揮發(fā)物的采集方法主要有2種：吸附劑萃取法和頂空法。其中，吸附劑萃取法是利用吸附劑吸附氣體中的揮發(fā)物成分，然后經(jīng)過高溫解吸附再由電子鼻檢測，該方法檢測精度較高，但是檢測過程增加了中間環(huán)節(jié)不適合于快速檢測。頂空法操作簡單，使用較多，如棉盲蝽害蟲揮發(fā)性氣味的采集，水稻蟲害誘導(dǎo)揮發(fā)物的采樣，但是由于頂空法采集的揮發(fā)性化合物濃度相應(yīng)較低，因此具有低靈敏度的缺點(diǎn)。為了提高農(nóng)作物檢測準(zhǔn)確度必須使用采樣袋對揮發(fā)物進(jìn)行預(yù)濃縮，但是多數(shù)的研究是采用簡易的采樣袋進(jìn)行揮發(fā)物采集，溫度、頂空時(shí)間是采樣時(shí)必須優(yōu)化的主要參數(shù)。所以，電子鼻揮發(fā)物信息的實(shí)時(shí)、快速提取是農(nóng)作物病蟲害檢測尚未很好解決的難題。

2.2 模式識(shí)別算法

建立基于電子鼻揮發(fā)物信息的病蟲害檢測模型必須通過適當(dāng)?shù)哪Ｊ阶R(shí)別算法，其中PCA、LDA、DFA、CA、ANN、PLS、MLR、SDA、SVM、ANN、GABPNN、Fuzzy logic等已經(jīng)被用于建立農(nóng)作物病蟲害的診斷模型。PCA、LDA、DFA、CA方法是電子鼻檢測中最常用的模式識(shí)別分類方法，這類分析方法可以對多維電子鼻傳感器信息進(jìn)行降維處理，提取樣品分類的有效信息并且可以做到可視化，同時(shí)經(jīng)上述方法優(yōu)化的電子鼻信息也可作為神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等的輸入數(shù)據(jù)對樣品進(jìn)行預(yù)測，提高預(yù)測的準(zhǔn)確性。Lan等采用PCA對捕捉的棉盲椿象進(jìn)行分類[49];Zhou等采用PCA、LDA、SDA和BP神經(jīng)網(wǎng)絡(luò)診斷了水稻褐飛虱蟲害情況[46]。PLS、MLR、SDA是回歸方法，可以建立電子鼻傳感器信號(hào)與被測樣品指標(biāo)之間的量化關(guān)系，但量化模型的建立必須對多維傳感器信號(hào)進(jìn)行特征提取，消除傳感器冗余信息。而ANN、SVM、GABPNN屬于非線性模式識(shí)別方法，可以對非線性樣本數(shù)據(jù)進(jìn)行預(yù)測，但是由于受到環(huán)境、樣品特性、受害機(jī)制不明等多種因素影響，農(nóng)作物病蟲害預(yù)測的準(zhǔn)確性有待提高。為了處理電子鼻農(nóng)作物病蟲害信息中的不確定、模糊、隨機(jī)、非線性數(shù)據(jù)，已有研究采用隨機(jī)共振信噪比克服電子鼻傳感器漂移造成的干擾，也有研究采用模糊邏輯算法判別不同傳感器信號(hào)的貢獻(xiàn)率[20，26]。

2.3 電子鼻與GC-MS技術(shù)

僅使用電子鼻傳感器數(shù)據(jù)只能對樣品進(jìn)行定性的分析，若要研究電子鼻診斷農(nóng)作物病蟲害的機(jī)制，需結(jié)合揮發(fā)性化合物具體成分標(biāo)準(zhǔn)的分析方法，很多研究采用電子鼻與 GC-MS技術(shù)結(jié)合的方法，這既彌補(bǔ)了GC-MS無法判斷所檢測出的化合物對樣品整體貢獻(xiàn)的不足，也能避免電子鼻檢測揮發(fā)物成分定量分析不準(zhǔn)確的缺點(diǎn)，使揮發(fā)物中復(fù)雜組成成分的濃度得到系統(tǒng)的、高精度的測定。Blasioli等使用電子鼻和GC-MS技術(shù)研究了2種葡萄受損傷的情況[37];Zhou等分析了電子鼻和GC-MS技術(shù)檢測褐飛虱蟲害誘導(dǎo)水稻揮發(fā)物的關(guān)聯(lián)機(jī)制[45-46];蔡曉明等使用電子鼻研究機(jī)械損傷茶樹綠葉氣味物質(zhì)的釋放規(guī)律，并對茶尺蠖取食誘導(dǎo)的茶樹揮發(fā)物與 GC-MS同步比對分析[53]。

3 電子鼻應(yīng)用研究未來發(fā)展方向

3.1 電子鼻儀器的發(fā)展方向

從農(nóng)作物病蟲害領(lǐng)域的應(yīng)用逐漸可以看出，電子鼻的應(yīng)用逐漸向監(jiān)測難度大、不確定性高的復(fù)雜領(lǐng)域發(fā)展，與這種發(fā)展趨勢相適應(yīng)電子鼻裝備趨向于便攜式、集成化、智能化、小型化。從已有的研究來看，現(xiàn)在的應(yīng)用研究更多地使用商業(yè)的電子鼻，這主要由于開發(fā)的電子鼻受到傳感器精度、適用性、開發(fā)成本等影響不能推廣應(yīng)用，而商業(yè)電子鼻傳感器精度高、重復(fù)性好、有成熟的數(shù)據(jù)處理軟件，對不同揮發(fā)性氣體的綜合評價(jià)已能滿足基本的需要，因此便攜式、小型化、商業(yè)化的電子鼻是今后的主要發(fā)展方向?，F(xiàn)在對電子鼻的氣體采樣系統(tǒng)、氣敏傳感器陣列、信號(hào)處理系統(tǒng)、模式識(shí)別4個(gè)組成部分又有更高的要求。對于氣體采樣系統(tǒng)更趨于簡化，多數(shù)情況下電子鼻不配備專門的采樣裝置，僅采用高精度的氣泵將揮發(fā)性氣體引入傳感器陣列室;對于氣敏傳感器陣列要求提高傳感器陣列的精度、選擇性和穩(wěn)定性，目前新的傳感器如生物傳感器、納米傳感器已用于電子鼻的研制[54];信號(hào)處理方面主要是對信號(hào)特征提取方法的研究，特別是多傳感器信息融合的特征提取;針對模式識(shí)別的研究主要是通過不同的模式識(shí)別算法對電子鼻數(shù)據(jù)進(jìn)行分析，提高測試樣品檢測的精度和準(zhǔn)確性。今后的研究應(yīng)該更注重對樣品檢測規(guī)則的建立，即檢測對象影響因素的分析以及檢測機(jī)制的確定，而具體的建模方法可以直接使用商業(yè)的數(shù)據(jù)處理軟件。

3.2 多種現(xiàn)代技術(shù)融合應(yīng)用

電子鼻的應(yīng)用研究已經(jīng)進(jìn)入復(fù)雜領(lǐng)域，如農(nóng)作物病蟲害檢測，由于病蟲害具有不可預(yù)見性、突發(fā)性和災(zāi)害性等特點(diǎn)，加上環(huán)境復(fù)雜多變，單一的現(xiàn)代檢測技術(shù)只能獲得病蟲害的部分信息，要提高電子鼻的檢測精度及效率，須要采用多種技術(shù)相結(jié)合的組合式檢測方法，從多個(gè)角度獲取樣品的相關(guān)信息，相互進(jìn)行實(shí)證檢驗(yàn)。電子鼻已經(jīng)與一些現(xiàn)代分析儀器結(jié)合使用，如GC-MS、質(zhì)子轉(zhuǎn)移反應(yīng)-飛行時(shí)間質(zhì)譜儀，這些儀器與電子鼻聯(lián)合使用對相同樣品的揮發(fā)物進(jìn)行分析，能提供檢測樣品揮發(fā)物成分定量信息，可以更準(zhǔn)確地對樣品進(jìn)行預(yù)測。電子鼻還可以和檢測原理不同的其他分析儀器結(jié)合使用，如機(jī)器視覺、近紅外光譜、電子舌、遙感等，這些方法可以獲得檢測對象另外的特性信息，未來電子鼻的研究，會(huì)趨向于多種分析儀器結(jié)合的方式。但是，多分析儀器結(jié)合應(yīng)該充分考慮檢測對象的特性，必須是能提高檢測對象特性信息貢獻(xiàn)率的方法，否則會(huì)導(dǎo)致數(shù)據(jù)冗余，降低檢測精度。此外，對于融合信息的數(shù)據(jù)處理需要合適的模式識(shí)別方法，不同種類數(shù)據(jù)的特征提取、建模以及模型的穩(wěn)定性、適應(yīng)性是今后的研究方向。

4 結(jié)語

電子鼻在農(nóng)作物病蟲害領(lǐng)域的成功應(yīng)用說明其技術(shù)在復(fù)雜領(lǐng)域具有很大的應(yīng)用前景，但是復(fù)雜環(huán)境下有效信息的實(shí)時(shí)、快速提取，傳感器數(shù)據(jù)的漂移和冗余，模型的精度以及穩(wěn)定性、適應(yīng)性等一直是電子鼻研究中亟待解決的難題。隨著其應(yīng)用的拓展，高精度、重復(fù)性好、便攜式、小型化、商業(yè)化的電子鼻是今后的主要發(fā)展方向，其應(yīng)用必會(huì)趨向于多種現(xiàn)代分析儀器結(jié)合的方式。

參考文獻(xiàn)：

[1]王志彬，王開義，王書鋒，等. 基于動(dòng)態(tài)集成的黃瓜葉部病害識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（9）：46-52.

[2]周志艷，羅錫文，張 揚(yáng)，等. 農(nóng)作物蟲害的機(jī)器檢測與監(jiān)測技術(shù)研究進(jìn)展[J]. 昆蟲學(xué)報(bào)，2010，53（1）：98-109.

[3]李 震，洪添勝，王 建，等. 柑橘全爪螨蟲害快速檢測儀的研制與試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（14）：49-56.

[4]朱麗偉，馬文廣，胡 晉，等. 近紅外光譜技術(shù)檢測種子質(zhì)量的應(yīng)用研究進(jìn)展[J]. 光譜學(xué)與光譜分析，2015，35（2）：346-349.

[5]Dean T J，Drake V A. Monitoring insect migration with radar：the ventral-aspect polarization pattern and its potential for target identification[J]. Int J Remote Sens，2005，26（18）：3957-3974.

[6]盧 輝，韓建國，張錄達(dá). 高光譜遙感模型對亞洲小車蝗危害程度研究[J]. 光譜學(xué)與光譜分析，2009，29（3）：745-748.

[7]王 俊，崔紹慶，陳新偉，等. 電子鼻傳感技術(shù)與應(yīng)用研究進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（11）：160-167.

[8]Stetter J R，F(xiàn)indlay M W，Schroeder K M，et al. Quality classification of grain using a sensor array and pattern recognition[J]. Analytica Chimica Acta，1993，284（1）：1-11.

[9]Jonsson A，Winquist F，Schnürer J，et al. Electronic nose for microbial quality classification of grains[J]. International Journal of Food Microbiology，1997，35（2）：187-193.

[10]鄒小波，趙杰文. 電子鼻快速檢測谷物霉變的研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2004，20（4）：121-124.

[11]Brjesson T，Johnsson L . Detection of common bunt infestation in wheat with an electronic nose and a human panel.[J]. Journal of Plant Diseases & Protection，1998，105（3）：306-313.

[12]Ridgway C，Chambers J，Portero-Larragueta E，et al. Detection of mite infestation in wheat by electronic nose with transient flow sampling[J]. Journal of the Science of Food and Agriculture，1999，79（15）：2067-2074.

[13]Olsson J，Borjesson T，Lundstedt T，et al. Detection and quantification of ochratoxin A and deoxynivalenol in barley grains by GC-MS and electronic nose[J]. International Journal of Food Microbiology，2002，72（3）：203-214.

[14]Zhang H M，Wang J . Detection of age and insect damage incurred by wheat，with an electronic nose[J]. Journal of Stored Products Research，2007，43（4）：489-495.

[15]Zhou B，Wang J . Detection of insect infestations in paddy field using an electronic nose[J]. International Journal of Agriculture and Biology，2011，13（5）：707-712.

[16]Lippolis V，Pascale M，Cervellieri S，et al. Screening of deoxynivalenol contamination in durum wheat by MOS-based electronic nose and identification of the relevant pattern of volatile compounds[J]. Food Control，2014，37：263-271.

[17]Sai X，Zhou Z Y，Keliang L，et al. Recognition of the duration and prediction of insect prevalence of stored rough rice infested by the red flour beetle （Tribolium castaneum Herbst） using an electronic nose[J]. Sensors，2017，17（4）：688.

[18]Baskar C，Nesakumar N，Rayappan J B B，et al. A framework for analysing E-nose data based on fuzzy set multiple linear regression：paddy quality assessment[J]. Sensors & Actuators A Physical，2017，267：200-209.

[19]張紅梅，王 俊，葉 盛，等. 電子鼻傳感器陣列優(yōu)化與谷物霉變程度的檢測[J]. 傳感技術(shù)學(xué)報(bào)，2007，20（6）：1207-1210.

[20]惠國華，倪 彧. 基于信噪比分析技術(shù)的谷物霉變快速檢測方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27（3）：336-340.

[21]尹芳緣，黃 潔，王敏敏，等. 用電子鼻區(qū)分霉變燕麥及其傳感器陣列優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29（20）：263-269.

[22]沈 飛，吳啟芳，魏穎琪，等. 谷物霉菌揮發(fā)性物質(zhì)的電子鼻與GC-MS檢測研究[J]. 中國糧油學(xué)報(bào)，2016，31（7）：148-152.

[23]于慧春，彭盼盼，殷 勇，等. 電子鼻融合BP神經(jīng)網(wǎng)絡(luò)預(yù)測玉米赤霉烯酮和黃曲霉毒素B1含量模型研究[J]. 中國糧油學(xué)報(bào)，2017，32（5）：117-121.

[24]Massimo F R，Daciana I，John P C. Early identification of potato storage disease using an array of metal-oxide based gas sensors[J]. Postharvest Biology and Technology，2016，116：50-58.

[25]Chang Z Y，Lv J H，Qi H Y，et al. Bacterial infection potato tuber soft rot disease detection based on electronic nose[J]. Open Life Sci，2017，12（1）：379-385.

[26]Raigar R K，Upadhyay R，Mishra H N . Storage quality assessment of shelled peanuts using non-destructive electronic nose combined with fuzzy logic approach[J]. Postharvest Biology and Technology，2017，132：43-50.

[27]沈 飛，劉 鵬，蔣雪松，等. 基于電子鼻的花生有害霉菌種類識(shí)別及侵染程度定量檢測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（24）：297-302.

[28]Karlshoj K，Nielsen P V，Larsen T O. Prediction of Penicillium expansum spoilage and patulin concentration in apples used for apple juice production by electronic nose analysis[J]. J Agric Food Chem，2007，55（11）：4289-4298.

[29]Zakaria A，Shakaff A Y M，Masnan M J，et al. Improved maturity and ripeness classifications of Magnifera indica cv. Harumanis mangoes through sensor fusion of an electronic nose and acoustic sensor[J]. Sensors-Basel，2012，12（5）：6023-6048.

[30]李 敏，胡美姣，張正科，等. 電子鼻在芒果采后病原菌種類判別中的應(yīng)用研究[J]. 熱帶作物學(xué)報(bào)，2014，35（12）：2455-2458.

[31]Pan L Q，Zhang W，Zhu N，et al. Early detection and classification of pathogenic fungal disease in post-harvest strawberry fruit by electronic nose and gas chromatography-mass spectrometry[J]. Food Research International，2014，62：162-168.

[32]朱 娜，毛淑波，潘磊慶，等. 電子鼻對草莓采后貯藏早期霉菌感染的檢測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29（5）：266-273.

[33]Li C Y，Schmidt N E，Gitaitis R. Detection of onion postharvest diseases by analyses of headspace volatiles using a gas sensor array and GC-MS[J]. Lwt-Food Sci Technol，2011，44（4）：1019-1025.

[34]唐培安，侯曉燕，孔德英，等. 電子鼻檢測玉米象不同蟲態(tài)的技術(shù)研究[J]. 中國糧油學(xué)報(bào)，2015（12）：87-91.

[35]Laothawornkitkul J，Moore J P，Taylor J E，et al. Discrimination of plant volatile signatures by an electronic nose：a potential technology for plant pest and disease monitoring[J]. Environmental Science & Technology，2008，42（22）：8433-8439.

[36]Ghaffari R，Laothawornkitkul J，Iliescu D，et al. Plant pest and disease diagnosis using electronic nose and support vector machine approach[J]. Journal of Plant Diseases and Protection，2012，119（5/6）：200-207.

[37]Blasioli S，Biondi E，Braschi I，et al. Electronic nose as an innovative tool for the diagnosis of grapevine crown gall[J]. Analytica Chimica Acta，2010，672（1/2）：20-24.

[38]Cellini A，Biondi E，Blasioli S，et al. Early detection of bacterial diseases in apple plants by analysis of volatile organic compounds profiles and use of electronic nose[J]. Annals of Applied Biology，2016，168（3）：409-420.

[39]Cellini A，Blasioli S，Biondi E，et al. Potential applications and limitations of electronic nose devices for plant disease diagnosis[J]. Sensors，2017，17（11）：2596.

[40]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.

[41]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：A Journal of Entomology，2012（2）：340-345.

[42]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.

[43]Markom M A，Shakaff A Y M，Adom A H，et al. Intelligent electronic nose system for basal stem rot disease detection[J]. Computers and Electronics in Agriculture，2009，66（2）：140-146.

[44]Abdullah A H，Adom A H，Shakaff A Y M，et al. Electronic nose system for ganoderma detection[J]. Sensor Lett，2011，9（1）：353-358.

[45]Zhou B，Wang J. Use of electronic nose technology for identifying rice infestation by Nilaparvata lugens[J]. Sensor Actuat B-Chem，2011，160（1）：15-21.

[46]Zhou B，Wang J. Discrimination of different types damage of rice plants by electronic nose[J]. Biosyst Eng，2011，109（4）：250-257.

[47]葉 盛，王 俊. 水稻蟲害信息快速檢測方法實(shí)驗(yàn)研究——基于電子鼻系統(tǒng)[J]. 農(nóng)機(jī)化研究，2010，32（6）：146-149.

[48]程紹明，王 俊，王永維，等. 基于電子鼻技術(shù)的不同特征參數(shù)對番茄苗早疫病病害區(qū)分效果影響的研究[J]. 傳感技術(shù)學(xué)報(bào)，2014，27（1）：1-5.

[49]Lan Y B，Zheng X Z，Westbrook J K，et al. Identification of stink bugs using an electronic nose[J]. Journal of Bionic Engineering，2008，5（S1）：172-180.

[50]Suh P C，Ding N，Lan Y . Using an electronic nose to rapidly assess grandlure content in boll weevil pheromone lures[J]. Journal of Bionic Engineering，2011，8（4）：449-454.

[51]Xu S，Zhou Z Y，Lu H Z，et al. Estimation of the age and amount of brown rice plant hoppers based on bionic electronic nose use[J]. Sensors，2014，14（10）：18114-18130.

[52]潘洪生，趙秋劍，趙奎軍，等. 電子鼻zNoseTM構(gòu)建棉花揮發(fā)物指紋圖譜及被害棉花揮發(fā)物釋放節(jié)律分析[J]. 應(yīng)用與環(huán)境生物學(xué)報(bào)，2010，16（4）：468-473.

[53]蔡曉明，孫曉玲，董文霞，等. 應(yīng)用zNoseTM分析被害茶樹的揮發(fā)物[J]. 生態(tài)學(xué)報(bào)，2009，29（1）：169-177.

[54]莊柳靜，高克強(qiáng). 仿生嗅覺和味覺傳感技術(shù)的研究進(jìn)展[J]. 中國科學(xué)院院刊，2017，32（12）：1313-1321.潘曉曦，關(guān)一鳴，李美佳，等. 人參內(nèi)生細(xì)菌GS-1的分離鑒定及對灰霉病菌的拮抗作用[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（15）：148-150.