对于瓜果成熟度，通常采用声振信号开展无损检测，但是这些研究多是为了满足在线批量检测要求，装置较为昂贵，与瓜农和消费者使用需求相去甚远。目前智能手机可望实现哈密瓜成熟度便携快速检测，能够同时满足瓜农和消费者的需求。近年来，已经有研究利用手机声信号检测莫瓜成熟度的报道。
鉴于此，石河子大学机械电气工程学院的吕吉光和吴杰*通过对智能手机采集拍打哈密瓜产生的声信号分析处理，提取有效判别成熟度的特征参数，训练成熟度判别分类器及构建糖度检测模型，开发出可判别哈密瓜成熟度的发卓应用。
1 基于SVM哈密瓜成熟度判别分类器的确定
1.1 不同成熟度哈密瓜声信号特征量的差异显着性
使用独立样本t检验进行不同成熟度哈密瓜声信号特征量的差异显着性分析，结果显示，对于未熟瓜与成熟瓜，有3 个声信号特征量AMDF、SSTE3、B不存在显着性差异，不能用于成熟分类器的特征方量；对于适熟瓜与过熟瓜，有4 个声信号特征量STE、E、wc、f不存在显着差异，不能用作适熟分类器的特征方量。
1.2 哈密瓜成熟分类器
考虑到智能手机计算能力有限，因此首先考虑使用单特征量作为特征方量训练哈密瓜成熟度分类器。结果显示，当分别使用SSTE4、ZCR、f这3 个特征量训练成熟分类器判别哈密瓜成熟和未熟时，判别准确率和F1值较低；使用特征量STE、E、SSTE1、SSTE2、wc判别的准确率和F1值较好，均在80%以上，其中有2 个特征量E、SSTE1，准确率和F1值达到90%以上，因此本研究将这2 个特征量组成特征方量训练成熟分类器，但成熟和未熟判别的准确率和F1值提高并不明显，又分别引入STE、SSTE2、wc构成特征方量训练分类器，其中引入STE、SSTE2构成特征方量训练分类器的准确率和F1值提高不大，但引入wc与特征量E、SSTE1共同构成特征方量训练成熟分类器时，准确率和F1值达到了100%。由此表明，这3 个特征量联合训练的成熟分类器判别性能最优，最适宜哈密瓜成熟与未熟判别。
1.3 哈密瓜适熟分类器
结果显示，使用特征量AMDF、SSTE4训练适熟分类器，判别哈密瓜适熟和过熟的准确率和F1值较低；只有2 个特征量SSTE3、ZCR分别训练的适熟分类器，判别准确率和F1值均在80%以上，因此将这2个特征量组成特征方量训练适熟分类器，对哈密瓜适熟和过熟判别的准确率和F1值有所提升，当继续分别引入剩余的3 个特征量SSTE1、SSTE2、B训练适熟分类器时，特征量SSTE2与SSTE3、ZCR组成的特征方量对适熟与过熟瓜判别的准确率和F1值达到了100%，是最适宜作为适熟分类器的特征量。
2 哈密瓜糖度预测模型
经逐步多元回归分析，使用特征量检测哈密瓜糖度结果如图8所示，根据其预测模型，结果显示拟合参数和方程都可信。可溶性固形物预测模型的相关系数为0.909，因此建立的回归方程可用于哈密瓜糖度检测。
3 哈密瓜成熟度判别应用软件开发
基于上述研究结果开发手机APP应用软件，如图9所示。本应用软件提供用户使用反馈功能以不断改善分类模型。
使用该应用软件对适熟瓜25 个、未熟瓜15 个、过熟瓜15 个进行成熟度判别，如图10所示，未熟、适熟和过熟的判别准确率分别为93.3%、96.0%和80.0%，总体判别准确率为90.9%。本研究分类器采用较优的非线性核函数，其判别成熟度的准确率有所提升。此外，使用本应用软件检测28 个适熟瓜的糖度，相对误差在-9.84%～9.90%，也取得了较好的检测结果。
结 论
本研究采用手机录制拍打哈密瓜的声信号，通过对声信号预处理和特征量提取，基于SVM构建了两个不同的成熟度分类器，实现了哈密瓜3 种成熟度判别，并可以对哈密瓜糖度进行定量预测，具体如下：1）采用声信号的wc、E、SSTE1组成特征方量训练成熟分类器，可以较准确判别哈密瓜的未熟和成熟；2）采用声信号的ZCR、SSTE2、SSTE3组成特征方量训练适熟分类器，可以较准确判别哈密瓜的适熟和过熟；3）训练两个分类器的RBF核函数均为非线性核函数，对哈密瓜成熟度判别总体准确率可达90.9%，今后根据用户反馈结果可以进一步改进分类器的判别性能；4）采用wc、E及SSTE1、SSTE2、SSTE3、SSTE4构建的哈密瓜糖度预测模型，可以实现哈密瓜糖度较准确检测。
