電子鼻檢測農作物病蟲害的研究進展

周博 嵇云 蔡國華 王俊 曾勇

摘要：農作物在生長和儲藏過程中會受到多種病蟲侵害，由于病蟲危害情況復雜多變、檢測難度大、準確度低，現代檢測技術還不能有效地解決病蟲害診斷難題。電子鼻可以快速、高效、實時地識別復雜氣味，在揮發物檢測方面具有其他儀器無法比擬的優勢，隨著技術的不斷成熟，電子鼻的應用研究已深入農作物病蟲害檢測領域，這突出反映了電子鼻技術實際應用的發展趨勢。但是，電子鼻在農作物病蟲害實時檢測中也遇到許多困難，通過對電子鼻檢測農作物病蟲害的優勢及存在問題進行分析，闡明電子鼻技術應用研究的發展方向。

關鍵詞：電子鼻;農作物;病蟲害;實時檢測

中圖分類號：S126

文獻標志碼： A

文章編號：1002-1302（2019）15-0143-05

農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，在生長和儲藏過程中容易受到病蟲危害，據聯合國糧農組織（FAO）估計，全世界每年因病蟲草害損失的糧食約占糧食總產量的1/3，其中因病害造成的損失約10%，因蟲害損失約14%。農作物病蟲害除造成產量損失外，還可以直接造成農產品品質下降，使農產品腐爛、霉變等，營養、口感也會變異，甚至產生對人體有毒、有害的物質。減少農作物病蟲危害首先要做到對病蟲害進行有效的監測和預警，有針對性地采取科學合理的防控方案。但是，農作物病蟲害的種類眾多，不同種類、不同生育期的農作物病蟲害發生種類與為害程度也不相同，具有隱蔽性、不可預見性、突發性和災害性等特點。另外病蟲害的發生、發展與氣候因素、地理因素和作物品種之間有著密切的關系，它同時受到多種因素的影響，具有不確定、模糊、隨機性等特征，是一個復雜的非線性系統，因此農作物病蟲害檢測一直被認為是農業研究領域的難點和熱點。

傳統的農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驗，主觀性強、準確性差，難以滿足實時檢測的需要。近年來國內外學者已將圖像識別、近紅外光譜、雷達和遙感等現代技術引入農作物病蟲害檢測領域，這些現代檢測技術在某些方面對農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別技術對黃瓜葉部病害種類進行了有效識別[1]，但是圖像識別法適合靜態樣本的檢測，而田間所采集動態圖像的處理和分析較為復雜，如何快速地從農作物群體圖像中提取有效圖像特征并進行矯正，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，李震等研制了基于光譜技術的柑橘全爪螨蟲害快速檢測儀，并通過試驗檢驗了儀器的使用效果[3]，但是近紅外光譜受環境影響大，對樣本濕度比較敏感，檢測精度低[4]。雷達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情調查工作，但受天氣條件影響較大，檢測精度不高[6]?？偟膩碚f，由于農作物病蟲害影響因素眾多，現有的機器檢測技術還不能有效地解決病蟲害診斷難題，農作物病蟲害診斷技術尚需進行深入研究。

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，與傳統化學分析方法相比，電子鼻技術不需要復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、費用少等優點，在農業、食品、醫療、環境等行業均有著廣闊的應用前景，各發達國家都把電子鼻列為跨世紀的關鍵技術，并給予特別的重視和支持[7]。隨著傳感器技術和模式識別算法的進步，電子鼻技術日益成熟，其應用研究已經深入到農作物病蟲害檢測領域。農作物揮發物含有農作物的指紋信息，采用電子鼻對農作物揮發物進行檢測可以間接地實現對農作物病蟲害的診斷。本文首先從作物果實和田間農作物2個方面對國內外電子鼻技術在農作物病蟲害領域的應用研究進行綜述;然后從揮發物信息采集技術、模式識別算法、電子鼻與氣相色 譜- 質譜聯用（GC-MS）技術3個方面詳述農作物揮發物檢測的電子鼻技術，并分析電子鼻技術在作物病蟲害研究領域的現存問題;最后，結合農作物病蟲害檢測闡明電子鼻技術應用研究未來的發展方向。

1 電子鼻在農作物病蟲害檢測中的應用

1.1 作物果實病蟲害檢測

作物果實與田間農作物相比在樣品準備、試驗條件控制、試驗操作等方面都較為簡單易行，且檢測結果更準確，因此電子鼻最初的農作物檢測對象都是作物果實。農作物果實在儲藏過程中，會釋放出自身新陳代謝的中間產物或終產物，同時也容易受到病蟲的侵害產生特殊的揮發物，這些揮發性物質反映的樣本指紋信息可以被電子鼻檢測和識別。谷物檢測是電子鼻在農作物方面最早的應用，美國學者1993年就使用電化學氣體傳感器陣列結合模式識別方法對小麥樣品質量進行分類[8]。作物果實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、黑麥和大麥樣品進行分類并預測發霉的程度[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用，表1列舉了與電子鼻檢測作物果實病蟲害密切相關的部分文獻。

從國內外電子鼻在農作物果實中的應用研究來看，谷物方面的研究最多，時間跨度與電子鼻在農作物檢測領域的應用高度吻合。國內外在2017年均有相關的研究報道，Baskar等使用含有6個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藏時變質的情況[18]。于慧春等用電子鼻對不同霉變程度玉米樣品進行檢測，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神經網絡建立不同霉變程度下玉米赤霉烯酮、黃曲霉毒素含量的預測模型[23]。研究采用的電子鼻設備有自制和商業兩大類，自制的電子鼻通常采用商業氣體傳感器組成傳感器陣列，傳感器數量在6～32個范圍內，文獻[9-12，18-21，23，25]均使用日本Figaro傳感器構建電子鼻。商業電子鼻主要有德國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電子鼻較多。這反映出早期研究主要集中在電子鼻技術的理論基礎方面，后期研究更注重電子鼻技術的實際應用，研究對象從谷物向馬鈴薯、花生、洋蔥、蘋果、芒果、草莓等其他農作物延伸。

從研究的具體內容來看，作物果實隨著儲藏條件、儲藏時間的變化其品質會發生改變，品質下降往往同致病菌作用相關，因此病害通常與儲藏時間、貨架期、品質等密切相關，且相關文獻較多。Jonsson等對不同儲藏時間的谷物霉變程度進行了研究[9，14，20-21];Raigar等對儲藏的花生腐敗進行了分類和預測[26];Zakaria等用電子鼻、聲傳感設備檢測芒果儲藏期病害[29]。有的研究直接針對病原菌進行檢測，但僅采用電子鼻技術不能獲得揮發性物質的成分信息，無法做到定量分析，因此通常采用電子鼻與GC-MS技術結合分析，既能獲得揮發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技術對6種谷物中常見霉菌在不同生長階段的特征揮發性氣味物質進行了檢測分析，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等研究了小麥受螨蟲和甲蟲的危害情況[12，14];Zhou等對感染米象、紅粉甲蟲的稻谷進行了研究[15]。上述研究通常是基于電子鼻傳感器響應與害蟲數量的關系對谷物蟲害情況進行預測，也有直接針對玉米象蟲態進行研究的報道[17，34]。

1.2 田間農作物病蟲害檢測

植物揮發物信號是植物間進行信息交流的“語言”，生物和非生物因素均可誘導產生植物揮發物，特別是植食性昆蟲和病原菌危害可以誘導植物產生特異性揮發物，植物揮發物已經成為當前研究的熱點。但是對采集的植物揮發物的研究一直采用GC-MS技術，由于GC-MS儀器體積大、移動性差，加上樣品分析耗時較長，不可能消除植物晝夜生長周期的影響，無法實現田間植物揮發物實時監測。電子鼻的發展彌補了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果，而是樣品中揮發性成分的整體信息。農作物田間病蟲害的電子鼻檢測研究基于病蟲脅迫誘導植物產生特異性揮發物的原理，由于田間環境復雜多變，病蟲害影響因素眾多且產生機制不明確，相關研究起步較晚，到2008年才出現電子鼻檢測農作物病蟲害的報道，表2是電子鼻田間農作物病蟲害檢測相關文獻。

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階段，研究成果均出自國內外高校、科研機構，表2中文獻的研究內容多數是驗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Cellini等于2010年使用電子鼻和GC-MS技術研究了2種葡萄藤受損傷的情況，采用線性判別分析方法區分健康和病菌侵害葡萄藤的準確率為83.3%[37];2016年采用氣相色譜-質譜和質子識別飛行時間質譜鑒別遭受火疫病、花腐病危害的蘋果苗揮發性化合物，并對比2個商業電子鼻檢測結果，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行了綜述[39]。美國克萊姆森大學Degenhardt等于2010年采用Cyranose 320電子鼻對棉花害蟲和受害棉花進行檢測，其中受蟲害樣品與電子鼻的響應信號相關性為0.95[40];2012年研究表明，電子鼻區分受蟲害損失2 d后的棉鈴與健康棉鈴的準確率在80%～90%之間[41];2014年報道了用于植物蟲害檢測的4代電子鼻（PAD）開發過程[42]。馬來西亞Perlis大學的Markom等在2009年利用商業電子鼻與人工智能融合檢測由靈芝菌引起的棕櫚樹基礎莖腐病害[43];2011年開發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技術檢測了褐飛虱蟲害誘導的水稻揮發物，表明電子鼻技術可以診斷田間水稻蟲害[45];2012年對受到褐飛虱危害、二化螟危害和機械損傷的水稻樣本進行了研究，采用BP神經網絡和學習失量量化模型對各水稻處理樣本進行預測，2種模型都取得了較好的預測結果[46];2014年采用不同特征參數提取方法對感染早疫病病害的番茄苗進行了區分研究[47]。美國德州農工大學Lan等于2008年針對農作物害蟲進行了檢測，采用Cyranose 320電子鼻分類調查棉花盲椿象[49];2011年采用電子鼻識別棉鈴蟲信息素及鑒別不同時間、濃度的信息素[50];2014年與華南農業大學Xu等合作區分了不同數量和不同蟲齡的水稻褐飛虱害蟲[51]。國內田間農作物病蟲害發表的文獻較少，2009年蔡曉明等使用電子鼻研究機械損傷茶樹綠葉氣味物質的釋放規律，并對茶尺蠖取食誘導的茶樹揮發物與GC-MS技術進行同步比對分析[53];2010年潘洪生等應用電子鼻構建棉花植株常見揮發性化合物特征譜庫，建立棉鈴蟲幼蟲危害棉花植株的指紋圖譜[52]。

2 電子鼻技術在農作物揮發物檢測中的應用

2.1 揮發物信息采集技術

為了將揮發物引入電子鼻檢測系統可以使用多種采樣技術，如靜態頂空技術、動態頂空技術、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作物病蟲害過程中，農作物揮發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物成分，然后經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節不適合于快速檢測。頂空法操作簡單，使用較多，如棉盲蝽害蟲揮發性氣味的采集，水稻蟲害誘導揮發物的采樣，但是由于頂空法采集的揮發性化合物濃度相應較低，因此具有低靈敏度的缺點。為了提高農作物檢測準確度必須使用采樣袋對揮發物進行預濃縮，但是多數的研究是采用簡易的采樣袋進行揮發物采集，溫度、頂空時間是采樣時必須優化的主要參數。所以，電子鼻揮發物信息的實時、快速提取是農作物病蟲害檢測尚未很好解決的難題。

2.2 模式識別算法

建立基于電子鼻揮發物信息的病蟲害檢測模型必須通過適當的模式識別算法，其中PCA、LDA、DFA、CA、ANN、PLS、MLR、SDA、SVM、ANN、GABPNN、Fuzzy logic等已經被用于建立農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，同時經上述方法優化的電子鼻信息也可作為神經網絡、支持向量機等的輸入數據對樣品進行預測，提高預測的準確性。Lan等采用PCA對捕捉的棉盲椿象進行分類[49];Zhou等采用PCA、LDA、SDA和BP神經網絡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與被測樣品指標之間的量化關系，但量化模型的建立必須對多維傳感器信號進行特征提取，消除傳感器冗余信息。而ANN、SVM、GABPNN屬于非線性模式識別方法，可以對非線性樣本數據進行預測，但是由于受到環境、樣品特性、受害機制不明等多種因素影響，農作物病蟲害預測的準確性有待提高。為了處理電子鼻農作物病蟲害信息中的不確定、模糊、隨機、非線性數據，已有研究采用隨機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的貢獻率[20，26]。

2.3 電子鼻與GC-MS技術

僅使用電子鼻傳感器數據只能對樣品進行定性的分析，若要研究電子鼻診斷農作物病蟲害的機制，需結合揮發性化合物具體成分標準的分析方法，很多研究采用電子鼻與 GC-MS技術結合的方法，這既彌補了GC-MS無法判斷所檢測出的化合物對樣品整體貢獻的不足，也能避免電子鼻檢測揮發物成分定量分析不準確的缺點，使揮發物中復雜組成成分的濃度得到系統的、高精度的測定。Blasioli等使用電子鼻和GC-MS技術研究了2種葡萄受損傷的情況[37];Zhou等分析了電子鼻和GC-MS技術檢測褐飛虱蟲害誘導水稻揮發物的關聯機制[45-46];蔡曉明等使用電子鼻研究機械損傷茶樹綠葉氣味物質的釋放規律，并對茶尺蠖取食誘導的茶樹揮發物與 GC-MS同步比對分析[53]。

3 電子鼻應用研究未來發展方向

3.1 電子鼻儀器的發展方向

從農作物病蟲害領域的應用逐漸可以看出，電子鼻的應用逐漸向監測難度大、不確定性高的復雜領域發展，與這種發展趨勢相適應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，現在的應用研究更多地使用商業的電子鼻，這主要由于開發的電子鼻受到傳感器精度、適用性、開發成本等影響不能推廣應用，而商業電子鼻傳感器精度高、重復性好、有成熟的數據處理軟件，對不同揮發性氣體的綜合評價已能滿足基本的需要，因此便攜式、小型化、商業化的電子鼻是今后的主要發展方向?，F在對電子鼻的氣體采樣系統、氣敏傳感器陣列、信號處理系統、模式識別4個組成部分又有更高的要求。對于氣體采樣系統更趨于簡化，多數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];信號處理方面主要是對信號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;針對模式識別的研究主要是通過不同的模式識別算法對電子鼻數據進行分析，提高測試樣品檢測的精度和準確性。今后的研究應該更注重對樣品檢測規則的建立，即檢測對象影響因素的分析以及檢測機制的確定，而具體的建模方法可以直接使用商業的數據處理軟件。

3.2 多種現代技術融合應用

電子鼻的應用研究已經進入復雜領域，如農作物病蟲害檢測，由于病蟲害具有不可預見性、突發性和災害性等特點，加上環境復雜多變，單一的現代檢測技術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，須要采用多種技術相結合的組合式檢測方法，從多個角度獲取樣品的相關信息，相互進行實證檢驗。電子鼻已經與一些現代分析儀器結合使用，如GC-MS、質子轉移反應-飛行時間質譜儀，這些儀器與電子鼻聯合使用對相同樣品的揮發物進行分析，能提供檢測樣品揮發物成分定量信息，可以更準確地對樣品進行預測。電子鼻還可以和檢測原理不同的其他分析儀器結合使用，如機器視覺、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，會趨向于多種分析儀器結合的方式。但是，多分析儀器結合應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率的方法，否則會導致數據冗余，降低檢測精度。此外，對于融合信息的數據處理需要合適的模式識別方法，不同種類數據的特征提取、建模以及模型的穩定性、適應性是今后的研究方向。

4 結語

電子鼻在農作物病蟲害領域的成功應用說明其技術在復雜領域具有很大的應用前景，但是復雜環境下有效信息的實時、快速提取，傳感器數據的漂移和冗余，模型的精度以及穩定性、適應性等一直是電子鼻研究中亟待解決的難題。隨著其應用的拓展，高精度、重復性好、便攜式、小型化、商業化的電子鼻是今后的主要發展方向，其應用必會趨向于多種現代分析儀器結合的方式。

參考文獻：

[1]王志彬，王開義，王書鋒，等. 基于動態集成的黃瓜葉部病害識別方法[J]. 農業機械學報，2017，48（9）：46-52.

[2]周志艷，羅錫文，張 揚，等. 農作物蟲害的機器檢測與監測技術研究進展[J]. 昆蟲學報，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[J]. 農業工程學報，2014，30（14）：49-56.

[4]朱麗偉，馬文廣，胡 晉，等. 近紅外光譜技術檢測種子質量的應用研究進展[J]. 光譜學與光譜分析，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. 高光譜遙感模型對亞洲小車蝗危害程度研究[J]. 光譜學與光譜分析，2009，29（3）：745-748.

[7]王 俊，崔紹慶，陳新偉，等. 電子鼻傳感技術與應用研究進展[J]. 農業機械學報，2013，44（11）：160-167.

[8]Stetter J R，Findlay 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]. 農業工程學報，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化與谷物霉變程度的檢測[J]. 傳感技術學報，2007，20（6）：1207-1210.

[20]惠國華，倪 彧. 基于信噪比分析技術的谷物霉變快速檢測方法[J]. 農業工程學報，2011，27（3）：336-340.

[21]尹芳緣，黃 潔，王敏敏，等. 用電子鼻區分霉變燕麥及其傳感器陣列優化[J]. 農業工程學報，2013，29（20）：263-269.

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

[23]于慧春，彭盼盼，殷 勇，等. 電子鼻融合BP神經網絡預測玉米赤霉烯酮和黃曲霉毒素B1含量模型研究[J]. 中國糧油學報，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別及侵染程度定量檢測[J]. 農業工程學報，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用研究[J]. 熱帶作物學報，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]. 農業工程學報，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的技術研究[J]. 中國糧油學報，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驗研究——基于電子鼻系統[J]. 農機化研究，2010，32（6）：146-149.

[48]程紹明，王 俊，王永維，等. 基于電子鼻技術的不同特征參數對番茄苗早疫病病害區分效果影響的研究[J]. 傳感技術學報，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構建棉花揮發物指紋圖譜及被害棉花揮發物釋放節律分析[J]. 應用與環境生物學報，2010，16（4）：468-473.

[53]蔡曉明，孫曉玲，董文霞，等. 應用zNoseTM分析被害茶樹的揮發物[J]. 生態學報，2009，29（1）：169-177.

[54]莊柳靜，高克強. 仿生嗅覺和味覺傳感技術的研究進展[J]. 中國科學院院刊，2017，32（12）：1313-1321.潘曉曦，關一鳴，李美佳，等. 人參內生細菌GS-1的分離鑒定及對灰霉病菌的拮抗作用[J]. 江蘇農業科學，2019，47（15）：148-150.