基于声学技术的混合作物分选新方法

《Computers and Electronics in Agriculture》：A new approach in sorting of mixed crops by acoustics

　　

混合作物（mixed crops）的农业栽培（通常为豆科与非豆科作物的混合）在近年来的有机农业（organic farming）和非有机农业中均变得愈发重要。实践中，收获后批次分选常采用光学分选（optical sorting）系统，其工作可靠且快速。然而，光学传感器对环境因素极为敏感且价格相对昂贵，因此这类系统通常仅用于大型农场，在固定且清洁的环境中运行。基于上述原因，光学分选机难以被小型生产者或跨企业使用。在此背景下，本研究旨在探究声学方法（acoustic methods）在收获后分选不同豆类（legumes）和谷物（grain）方面的潜力。在实验室实验中，研究人员研究了两种豆类（豌豆和蚕豆）以及多种谷物（黑麦、小麦、大麦和燕麦）的谷粒撞击声。谷粒以精确设定的高度和时间序列从传送带落下，撞击到一块柔软悬挂的、具有确定几何形状和密度的冲击板上。相应的噪声通过附着在板上的结构声传感器（structure-borne sound sensors）记录。数据在时域（time domain）和频域（frequency range）均进行了分析。来自时间信号的特征和频谱信息被用作多种统计分析（如判别分析（discriminant analysis）、名义统计回归（nominal statistical regression）和自助森林（bootstrap forest））的输入参数。对于验证集，广义R2（generalized R²）达到0.94，误分类率（mis-classification-rate）为0.18。结果表明，大麦、黑麦和小麦的识别率较低，而蚕豆、豌豆和燕麦的检测准确率达100%。最终，针对实践中常用的豆科与谷物混合物的分选，结果表明，对于两种豆科作物与四种谷物的所有可能组合，均可实现100%的完全分离。

**论文解读：基于声学技术的混合作物分选新方法研究**

**研究背景与问题**
在有机农业及整体农业中，促进生物多样性是一项关键目标，而种植混合作物（如豆科与非豆科作物混播）是实现该目标的有效途径之一。混合栽培不仅能增加生物多样性，还能在作物稳定性、杂草抑制及养分、水分、光照平衡方面提供优势。然而，收获后若需将混合批次分离（而非直接用作饲料），则面临成本、效率和加工速度方面的挑战，尤其当分离需在生产者农场直接进行时。目前，大型农场普遍采用光学分选机（optical sorter），其利用高分辨率RGB相机或近红外（NIR）相机检测颜色差异，通过压缩空气喷射剔除不合格谷粒，工作可靠且快速。但光学传感器价格昂贵、对环境因素（如灰尘、湿度、光照、温度）敏感，因此难以在小型农场或跨企业共享场景中推广。此外，现有的声学识别研究主要集中于果实品质评估或异物检测，尚未涉及不同种类收获物的识别与分离。基于此，研究人员提出利用声学测量方法，发挥其成本低、对环境影响鲁棒性强的优势，探索能否实现混合作物组分的高效分离。

**研究内容与意义**
本研究由卡塞尔大学农业与生物系统工程系的研究人员（Hubertus Siebald等）开展，旨在验证基于冲击板振动信号的声学分选方法在区分豆类（豌豆、蚕豆）与谷物（黑麦、小麦、大麦、燕麦）方面的可行性。实验在实验室条件下进行，系统由传送带、冲击板及加速度传感器构成。谷粒以固定间隔从传送带末端自由下落至冲击板，传感器记录振动信号，经时域与频域分析提取特征，并采用判别分析、名义逻辑回归及自助森林等统计方法建模。结果表明，该方法对豆类及燕麦的识别准确率达100%，对混合批次（豆类+谷物）可实现100%分离。该研究首次证明了基于结构声传感器的声学分选技术在实际混合作物分离中的潜力，为低成本、鲁棒性强的农业后处理设备开发提供了新思路。论文发表于《Computers and Electronics in Agriculture》。

**主要关键技术方法**
研究人员使用了以下关键方法（忽略试剂、培养及质粒构建等步骤，无样本队列来源）：
1. **实验装置**：包含可调速度的实验室传送带、以橡胶带悬挂的45°金属冲击板，以及附着于板背面的压电加速度传感器（PCB 353B33），信号由IMC CS-3008-N数据采集系统以100 kHz采样频率记录。
2. **数据采集与预处理**：谷粒（预清洁，去除杂质与碎粒）以至少6秒间隔逐个下落，确保冲击板充分振荡；每个谷粒的4.5秒长信号通过阈值法分割，提取时域特征（最大值、最小值、持续时间、最大梯度、积分）及频域特征（0-10 kHz范围内的4800个频率点频谱，采用Hann窗、峰值保持平均）。
3. **统计分析**：判别分析用于评估特征对作物类型的整体分类能力，主成分分析（PCA）压缩频谱数据至三个主成分；然后采用名义逻辑回归（经典方法）和自助森林（机器学习方法）进行预测建模，数据集按75.4%训练、24.6%验证划分以避免过拟合。

**研究结果**
**3.1 时间信号分析**
通过比较燕麦（轻软）与蚕豆（大硬）的原始加速度信号，发现蚕豆的最大加速度振幅约为燕麦的10倍。衰减曲线（移动平均处理）显示，豆类（豌豆、蚕豆）的最大值和积分显著高于谷物，且燕麦的衰减时间极短，黑麦和小麦的曲线高度相似，大麦则因梯度小而衰减时间较长。

**3.2 频谱分析**
所有作物的频谱在相同频率（如289 Hz、783 Hz、1463 Hz等）处呈现主导峰，但振幅不同。蚕豆和豌豆在较高频率（2100-4097 Hz）的贡献显著，黑麦和小麦主要由前三频率成分描述，燕麦在首频率成分中占比异常高。

**3.3 统计分析**
**3.3.1 判别分析**
基于时域特征和4800个频谱点的判别分析生成典型3D图，显示豆类（蚕豆、豌豆）和燕麦与其他作物明显分离，大麦与黑麦、小麦部分重叠，黑麦与小麦高度重叠。

**3.3.2 名义逻辑回归**
采用主成分分析压缩后的三个主成分及三个时域特征（最大值、最大梯度、积分）进行名义逻辑回归，模型拟合优度R2=0.77，预测剖面图显示各作物存在可清晰区分的参数组合。

**3.3.3 自助森林**
自助森林模型在验证集上达到广义R2=0.94，误分类率0.18。混淆矩阵显示：蚕豆、豌豆、燕麦识别准确率100%；大麦、黑麦、小麦分别为60%、40%、80%。但针对实际混合批次（豆类+谷物），所有组合的分离率均为100%。

**讨论与结论**
讨论部分指出，本研究中模型性能可能低估了群体方差，但结果足够清晰，即使实际方差更大，声学分离的基本可行性依然成立。建议在声学分选系统上游安装标准机械清选设备，并通过传送带进料。分离执行可采用负压细胞盘与电-气动电磁阀组合，实现模块化设计以优化时产量。
**研究结论翻译**：在针对两种豆类（豌豆、蚕豆）和四种谷物（黑麦、小麦、大麦、燕麦）的实验中，通过测量谷粒以一定最小时间间隔单独下落撞击冲击板产生的振动，可以清晰识别豆类及燕麦，并实现它们与其他谷物的区分。黑麦、小麦和大麦之间的分离效果仅为中等。因此，实验表明，基于鲁棒结构声传感器的声学方法能够很好地分离农业实践中常见的混合作物（通常为一种豆类与一种谷物的组合）。所有标准机械清选和预分选设备应安装在声学分选系统上游。这种概念易于在现有系统中集成，且成本低、对环境因素鲁棒性强。