摘 要：為了無損快速監(jiān)測(cè)荔枝成熟階段，該文提出了一種基于電子鼻技術(shù)的果園荔枝成熟階段監(jiān)測(cè)方法，采用 PEN3電子鼻獲取掛果約 25 d 到果實(shí)成熟過程中 6 個(gè)成熟階段荔枝樣本的仿生嗅覺信息并同步獲取了各成熟階段荔枝的 3 項(xiàng)物理特征（果實(shí)直徑、果實(shí)質(zhì)量與果實(shí)可溶性固形物含量） 。根據(jù)不同成熟階段荔枝物理特征變化可知，荔枝果實(shí)直徑與果實(shí)質(zhì)量 2 項(xiàng)物理指標(biāo)在掛果約 32 d ～ 39 d， 以及 53 d ～ 60 d增長(zhǎng)較快， 可溶性固形物含量在掛果約32 d 前無法測(cè)量， 53 d ～60 d 階段增長(zhǎng)速度較慢。 提取各樣本電子鼻采樣數(shù)據(jù) 75 s 時(shí)刻的各傳感器響應(yīng)值作為特征值后， 采用載荷分析 （loadings）進(jìn)行傳感器陣列優(yōu)化，優(yōu)選了傳感器 R2、R4、R6、R7、R8、R9 和 R10 的響應(yīng)數(shù)據(jù)進(jìn)行后續(xù)分析。將優(yōu)化后的傳感器響應(yīng)數(shù)據(jù)進(jìn)行歸一化處理。采用線性判別分析（linear discriminant analysis，LDA）進(jìn)一步提取特征信息，降低數(shù)據(jù)中包含的冗余信息。LDA 對(duì)荔枝成熟階段的分類識(shí)別效果不佳。為進(jìn)一步探究電子鼻監(jiān)測(cè)果園荔枝成熟階段的可行性，采用模糊 C 均值聚類分析（fuzzy C means clustering，F(xiàn)CM） 、k 近鄰函數(shù)分析（k nearest neighbor，KNN）和概率神經(jīng)網(wǎng)絡(luò)（probabilistic neural network，PNN）進(jìn)行模式識(shí)別。研究結(jié)果表明，F(xiàn)CM 對(duì)果園荔枝成熟階段識(shí)別的正確率為 89.17%。采用 KNN 與 PNN 建立識(shí)別模型后，KNN 與 PNN 識(shí)別模型對(duì)訓(xùn)練集的回判正確率均為 *，對(duì)測(cè)試集的識(shí)別率均96.67%，具有較好的分類識(shí)別效果。試驗(yàn)證明了采用電子鼻進(jìn)行果園荔枝成熟度監(jiān)測(cè)的可行性，為果園水果品質(zhì)的實(shí)時(shí)監(jiān)測(cè)提供參考。