猪肉中储藏时间检测方案(感官智能分析)

智能文字提取功能测试中

传感技术学报CHINESE JOURNAL OF SENSORS AND ACTUATORSVol.23 No.10Oct. 2010第23卷第10期2010年10月 第10期洪雪珍，王俊：基于逐步判别分析和 BP神经网络的电子鼻猪肉储藏时间预测1377 23 Discrimination of Different Storage Time of Pork by Electronic Nose HONG Xuezhen， WANG Jun (Department of Biosystems Engineering， Zhejiang University， Hangzhou 310029， China) Abstract： In this study， a rapid detection method based on electronic nose for pork freshness was developed. Anelectronic nose( E-nose， PEN 2) was employed to classify pork groups with different storage time(0~7 d)， 42 sam-ples were tested everyday. The mass of each sample was 10 g， and the headspace-generated time was 5 min. The60 data from the response of the E-nose was extracted for further analysis. After employing the Linear DiscriminantAnalysis( LDA) ， samples could be well classified according to their storage time. Stepwise Linear Discriminant A-nalysis( Step-LDA) and Back Propagation Neural Network( BPNN) were also employed to predict the storage time ofthe samples. The result showed that Step-LDA got 100% training accuracy with 97.92% prediction accuracy， andBPNN got 94. 17% training accuracy with 93.75% prediction accuracy.This study implied that electronic nosemethod could be expected to more wildly used on pork freshness detection. Key words： electronic nose； detection； Stepwise Linear Discriminant Analysis( Step-LDA)； BPNN； porkEEACC：7230.] doi： 10.3969/j.issn. 1004-1699.2010.10.002 基于逐步判别分析和BP神经网络的电子鼻猪肉储藏时间预测 洪雪珍，王 俊 ( 浙江大学生物系统工程系，杭州310029) 摘 要：旨在探讨一种快速检测猪肉储藏时间的电子鼻方法。本研究采用德国Airsense 公司的PEN 2 型便携式电子鼻对不同储藏时间(0~7d)的猪肉样品进行检测，每天检测42个样品，每个样品质量为10 g，密封时间为5 min。提取第60 s数据进行线性判别分析，结果显示电子鼻能较好的区分不同储藏天数的猪肉样品。同时用逐步判别分析和 BP神经网络对猪肉储藏时间进行预测，训练集的准确率，前者为100%，后者为94.17%，而预测集的准确率，前者为97.92%，后者为93.75%。研究表明电子鼻技术有望在猪肉新鲜度快速检测上得到广泛的应用。 关键词：电子鼻；检测；逐步判别分析；BP神经网络；猪肉 中图分类号： TS251；TP212 文献标识码：A 文章编号：1004-1699(2010)10-1376-05 过去十年，我国肉制品的消费量不断增加。然而，肉品在生产，加工，运输，储藏过程中，都极易受到污染和微生物感染：2001年法国报道了肉品受李氏杆菌污染的事故；2006在从亚洲运往欧洲、美国和加拿大的贝类产品中检出氯霉素。消费这些被污染腐败的肉产品会对我们的健康造成极大的威胁。目前对肉品的常规检测方法有很多，如基于肉品的质地、组织结构、颜色、气味和粘度的感官评测；检测挥发性盐基氮的实验方法；检测微生物含量的琼脂培养皿法；基于显微镜，ATP 生物发光和电位差等的方 ( 项目来源：国家自然科学基金资助(30571076) ) 法3-。但这些方法都存在一些问题，如操作繁琐，耗时耗力，指标单一，不够客观8-9，难以满足日常生活中对肉类新鲜度进行及时检测的需求。电子鼻技术的兴起，为这个问题的解决带来了希望010-151 猪肉的成分主要有水、蛋白质、脂肪和少量的碳水化合物。在猪肉的贮藏过程中，由于酶和细菌的作用，这些成分会发生分解变化，产生气味。其中，蛋白质先分解为腐败的胺类，进一步分解为氨、硫化氢、乙硫醇等；脂肪分解为脂肪酸类，进一步分解为醛类和醛酸类臭气；碳水化合物分解为醇类、酮类、 醛类和羧酸类气体。这些气味随着猪肉的新鲜度的降低，变得越来越浓烈。当用一组对这些化学物质敏感的传感器共同检测猪肉时，便可以给出挥发性气体的完整气味信息，类似于人类的鼻子。电子鼻就是这样一种包含各种传感器的仪器。 电子鼻也称人工嗅觉，它是一种由具有部分选择性的化学传感器阵列和适当的模式识别系统组成的，能够识别简单或复杂气味的仪器。一个典型的电子鼻系统一般由气敏传感器阵列，信号处理子系统和模式识别子系统等3大部分组成16-17.工作时，气敏传感器模仿生物的嗅细胞，对气体进行吸附，解吸附和反应，其识别机理是在阵列中的每个传感器包含不同感应物质，因此对被测气体有不同程度的灵敏度，从而整个传感器阵列对不同气体产生不同的信号，最终通过模式识别实现气体组分分析。 目前，国内外研究基于电子鼻的猪肉储藏时间检测尚不多，而利用神经网络对猪肉储藏时间进行预测研究更是少之。本文运用电子鼻对不同储藏天数的猪肉样品进行检测。运用线性判别分析观察电子鼻对不同储藏天数猪肉样品的区分效果，同时用SAS 软件中的逐步判别分析和BP神经网络进行模式识别，观察电子鼻预测猪肉储藏天数的能力。 实验材料与方法 1.1 实验材料和仪器 本实验所用材料均为瘦猪肉，于附近农贸市场购得，并都当场绞碎，放入无菌袋中立即送到实验室，除了当天实验所需分量外，其余储存在实验室冰箱中冷藏，温度为5℃。 实验采用德国 Airsense 公司的 PEN 2型便携式电子鼻，它是一种由一组复合化学传感器和识别软件组成的分析仪器，主要包括以下几个硬件部分：传感器阵列，采样及清洗通道，数据采集系统及计算机。系统组成框架如图1所示，样品气体通过一个内置泵以400 mL/min的速率从进口处被吸附到传感器通道中经过传感器阵列后由出口排出。基准气体( Zero Gas)是经过活性炭过滤后的清洁空气，以600 mL/min 的速率通过另一泵泵入，其中以400 mL/min 的速率流经传感器阵列，对传感器阵列进行清洗，使传感器的响应信号恢复为零；同时，以200 mL/min 的速率流经样品气体通道，使样品气体通道经过清洗，避免残余气体在下一次的取样过程中产生影响。表1为其传感器阵列中，10个传感器的属性介绍。从表1可以看到，该传感器阵列对猪肉腐败过程中产生的气味都有一定程度敏感性。本次实验，电子鼻获取的数 据为传感器的电导率G与基准气体通过时传感器的电导率G 的比值，利用系统自带的软件 WinMus-ter对数据进行采集和 LDA分析。 图1 电子鼻基本装置流程图 表1 PEN2 的传感器阵列及其性能 阵列序号 传感器名称 性能特点 W1C 对芳香成分灵敏 2 W5S 对氮氧化合物很灵敏 3 W3C 对氨水、芳香成分灵敏 4 W6S 对氢气有选择性 5 W5C 对烷烃、芳香成分灵敏 6 W1S 对甲烷灵敏 7 W1W 对硫化物灵敏 8 W2S 对乙醇灵敏 9 W2W 对芳香成分、有机硫化物灵敏 10 W3S 对烷烃灵敏 1.2 实验方法 由于猪肉样品的质量与密封时间会影响挥发性气体的浓度，从而直接影响了电子鼻检测的准确性和效果18，本实验室已于2009年5月进行了一次预实验确定较佳样品质量和密封时间，通过多因素方差分析( Multi-Factors Analysis of Vari-ance， M-ANOVA)和单因素方差分析(One-wayANOVA)得出用电子鼻测测猪肉的较佳实验参数为500 mL烧杯、样品质量10 g、密封时间5 min。本实验采用以上参数进行实验，检测分别储藏0~7 d的猪肉样品。每天检测42个样品，分别放在42 个500 mL烧杯中，每个烧杯放10g。采用静态顶空采样系统，用保鲜膜将其密封静置5 min，然后用针头刺入保鲜膜，吸收顶空气体进行反应。电子鼻软件每秒钟采样一次，自动记录一次数据。每采样一次都要进行样品通道的冲洗。当天未实验的猪肉样品于5℃冰箱中冷藏，实验室温为20±1℃。实验方案如下表2所示。 表2 实验方案 储藏天数/d 每份质量/g 密封时间/min 样品数 0 10 5 42 1 10 5 42 2 10 5 42 3 10 5 42 4 10 5 42 5 10 5 42 6 10 5 42 7 10 5 42 1.3 数据处理 用线性判别分析( Linear Discriminant Analysis，LDA)观察电子鼻区分储藏0~7d猪肉样品的效果，同时利用逐步判别分析( Stepwise Linear Discrim-inant Analysis， Step-LDA)和 BP神经网络(BackPropagation Neural Network，BPNN)对猪肉的储藏天数进行预测。 线性判别分析(LDA)是一种常用的分类方法，由原始变量经线性组合构造出判别函数，能够最大限度地区分不同的样本集，在降低数据空间维数的同时，最大限度地减少信息丢失。 逐步判别分析(Step-LDA) 与逐步回归的基本思想相似，都采用有进有出的算法，即每一步都进行检验，把一个最重要的变量选入判别式，同时也考虑较早进入判别式的某些变量，如果其重要性随着其后一些变量的选入而变化，已失去原有的重要性时，应把它及时地从判别式中剔除出去，使判别式中仅仅保留重要的变量。 BP神经网络( BPNN)可以看成是输入与输出集合之间的一种非线性映射，而实现这种非线性映射关系并不需要知道所要研究系统的内部结构，只需通过对有限多个样本的学习来达到对所研究系统内部结构的模拟。 BPNN以其优良的非线性逼近性能，已受到越来越多领域的关注。一般 BP模型的建立包括三层：输入层，输出层和隐含层. 2 结果与讨论 2.1 清洗时间和检测时间的确定 图2为一个典型的电子鼻响应曲线，横轴为时间，纵轴为传感器的电导率G与基准气体通过时传感器的电导率G。的比值，即G/Go。如图所示，从第55s开始，电子鼻数据基本趋于平稳，为了保证实验数据准确度，同时节约实验时间，本实验采样时间设 置为60s，冲洗时间为50 s，并提取第60s的数据进行本论文后续分析。 图2 电子鼻信号响应曲线 2.2线性判别分析(LDA) 对储藏0~7d共336个猪肉样品数据进行LDA分析，如图3所示，其总贡献率为76.96%，其中第一主成分61.21%，第二成分15.75%。由图可知，经过 LDA分析后，除了储藏2d的数据与储藏3d的数据部分重合外，第0~7d数据都能较好区分。而且储藏1~3d的数据相对集中，这可能是因为鲜肉贮藏于0~5℃时，微生物生长受到抑制，一般3~5d之后微生物缓慢生长，因此肉品还比较新鲜，尚未发生腐败，气味没明显变化。而第0d样品区分较开，这可能是因为第0d样品是买来直接测量，未在冰箱中储藏过，水汽含量有所不同，因此即使最后实验时都是静置到室温，电子鼻数据仍然与冷藏猪肉有差异，这也与日常生活中，冷藏过的肉品口感不同的现象相符合。 图3 储藏第0d到第6d的猪肉LDA分析结果 2.3 逐步判别分析(Step-LDA) 将0~8d猪肉样品共336份样本数据分成两类，其中240份样本数据作为训练集，另外96 份样本数据作为预测集。每一天的训练集样本数为30个，预测集样本数为12个，共30×8d=240个训练集样本，12×8=96个预测集样本，每个样本包含10个传感器数据(MOS1~MOS10)。用SAS 软件编程实现逐步判别分析。 Group 为8组(即0~7) ，Test为240个样本的传感器数据，即一个240×10 的矩阵， sample为预测集96个样本的传感器数据，即一个96×10的 矩阵。表3，4为 Step-LDA的分析结果，训练集的240个样本都被正确得分到了所属的组，预测集的96个样本中，除了2个属于储藏两天组的样本被分到了储藏三天组，其余都分类正确。训练集准确率为100%，预测集准确率为97.92%，效果较佳。 表3 原始数据训练集的 Step-LDA结果 天数 样本 识别结果 个体 整体 数 0 2 3 4 5 6 7 识别率 识别率 0 30 30 100% 30 30 100% 2 30 30 100% 3 30 30 100% 4 30 30 100% 100% 5 30 30 100% 6 30 30 100% 7 30 30 100% 表4 原始数据预测集的 Step-LDA 结果 天数 样本 识别结果 个体 整体 数 0 1 2 3 4 5 6 7 识别率 识别率 0 12 12 100% 12 12 100% 2 12 102 83.33% 3 12 12 100% 4 12 12 100% 97.92% 5 12 12 100% 6 12 12 100% 7 12 12 100% 2.4 BP神经网络结果 与逐步判别分析一样，将0~8d猪肉样品共336份样本数据分成两类，其中240份样本数据作为训练集，每天30个，共8组，另外96份样本数据作为预测集，每天12个，共8组。输入层节点数为10(即10个传感器的数值)，输出层节点数为8个，代表相应的8组Y值，如10000000代表储藏0天组的Y值，01000000代表储藏1d组的￥值，00100000代表储藏2d组的Y值，依此类推，直到00000001代表储藏7d组的Y值。通过不断对隐含层数及其节点数的修改，避免训练不够及训练过度两种情况，最终构建了一个4层BP神经网络模型10-7-7-8，结果如下表5，6所示。从表5可知，训练集中，储藏2d组有10个样品被错误得分到了储藏3d组，识别率为66.67%，储藏3d组中有2个样品被错误分到了储藏 4d组，识别率为93.33%，储藏5d组中有2个样品被错误分到了储藏6d组，识别率为93.33%。训练集的整体识别率为94.17%。从表6可知，预测集中，储藏2d的数据，有6个被错误分到储藏3d组，识别率仅为50%，但其余组别都分类正确，整体识别率为93.75%，效果也较佳。 表5 原始数据训练集的BP结果 天数 样本 识别结果 个体 整体 数 0 11 2 33456'7 识别率 识别率 0 30 30 100% 1 30 30 100% 2 30 2010 66.67% 3 30 282 93.33% 4 30 30 100% 94.17% 5 30 2832 93.33% 6 30 30 100% 7 30 30 100% 表6 原始数据预测集的BP结果 天数 样本 识别结果 个体 整体 数 0 1 2 3 4 5 67 识别率 识别率 12 12 100% 12 12 100% 12 6 50% 12 12 100% 12 12 100% 93.75% 12 12 100% 6 12 12 100% 12 12 100% 应用三种方法后发现，出错的都在于储藏2d和3d的数据不能很好区分开，这可能是因为新鲜猪肉贮藏于0~5℃时，微生物生长受到抑制，一般3~5d之后微生物缓慢生长，因此肉品还比较新鲜，尚未发生腐败，气味没明显变化，电子鼻提取的数据相差不明显。此外，逐步判别分析的效果优于BP神经网络，这可能是由两者模型算法不同引起。BP神经网络的隐含层数及其节点数需要人为设置，针对每一批数据，不存在已知的确定最好的 BP结构，需要进行大量尝试找到相对较好的 BP模型，因此同批数据使用不同模型，结果存在不确定性，而且隐含层和节点设置不当，容易造成过度训练和训练不足。而逐步判别分析的结果比较稳定，在每一步检验中，对已失去原有重要性的因素，能及时将之从 判别式中剔除，更有利于分类和预测建模。 3 结论 (1) 采用德国 Airsense 公司的 PEN2型便携式电子鼻，对储藏0~7d的猪肉样品进行电子鼻新鲜度进行检测，利用线性判别分析(LDA)研究样品区分效果，结果发现，除了储藏2d和3d的数据有部分重合外，其余都能很好区分开。 (2)用逐步判别分析和 BP神经网络对猪肉储藏时间进行预测，训练集的准确率，前者为100%，后者为94.17%，而预测集的准确率，前者为97.92%，后者为93.75%。逐步判别分析的效果优于BP神经网络。本研究表明电子鼻技术有望在猪肉新鲜度快速检测上得到广泛的应用。 ( 参考文献： ) ( [1] Gram L ， R a vn L， Ra s ch M， e t al. Food Spoilage-Interactions Be - tween F ood Spoilage Bacteria [J ] . In t ernational Jo u rnal of F oo d Microbiology， 2002， 78 ( 1-2 ) ：79-97. ) ( 2] Zhang Z， Tong J ， Chen D H， t al . Electronic Nose with An Ai r Sensor M atrix for Detecting Beef Freshness []. J ournal of B ionic Engineering， 2008， 5(1 ) ： 67- 7 3 ) ( 3] Ellis DI， B r oadhurst D ， Ke l l D B ， et a l. Ra p id and Quantitative Detection o f the M icrobial S poilage o f Meat b y F o urier Tr a nsformInfrared Spectroscopy and Machine Learning . Applied and En-vironmental Microbiolog y ， 200 2 ， 68(6)：2822-2828. ) ( [4] Shirsat N， Brunton N P ， L yng J G ， et a l. T exture， C olour andSensory Evaluation of A C onventionally and O hmically C ooked Meat Emulsion B atter [J]. J ournal of The Science o f Food A nd Agriculture， 2004，84(14)：1861-1870. ) ( [5] M alle P， V anelle A M， Petit A . Total V o latile B asic N i trogen Rates In Salt-Wate r Fis h Muscl e [. Recueil D E M e decine V e t- erinaire ， 1989， 165(4)： 395-402. ) ( [6] Seymour I J， Cole M B， C oote P J. A Substrate-Mediated Assay of ) 洪雪珍(1987-)，女，在读博士生，2005年9月至2009年7月，本科就读于浙江大学生工食品学院生物系统工程专业，毕业后保送为该专业09级直博生主要研究方向为基于电子鼻电子舌等的食品品质智能质检测， rabbithxz2002@ yahoo. com. cn； ( Bacterial Proton Efflux/Influx to Predict The Degree o f Spoilage of Beef M ince S tored at C hill Temper a tures [ . Jo u rnal of Ap p lica-tion Bacteriol，1994，76 ： 608-615. ) ( Champiat D ， N Ma t as， B M o n f o rt， et al. App l i cations of B io - chemiluminescence t o HACCP [J] . L uminescence，2001， 16：193-198. ) ( [8] 侯瑞锋，黄岚，王忠义，等.肉品新鲜度检测方法[].现代科 学仪器，2005，5：76-80. ) ( [] 庄玉亭，赵月兰.肉品新鲜度检测方法[.河北科技大学学 报，1999，20(2)：63-65，71. ) ( [1 0 ]柴春祥，杜利农，范建伟，等. .F 电子鼻检测猪肉新鲜度的研 究叨.食品科学，2008，29(9)：444-447. ) ( [11] 柴春祥，陈庆森，刘勤生.鸡肉新鲜度电子鼻评价特征值的确定.食品与发酵工业，2007，33(11)：5-8. ) ( [12] Zhe Z hang， J i n Tong， D o ng hui-chen， et al. E lectronic Nose with an Air Senso r Matr i x f or Detecting Beef Freshne s s .吉林大学 仿生工程学报：英文版，2008，5(1)：67-73. ) ( [13] 黄小燕，赵向阳，方智勇..电子鼻在气体检测中的应用研 究叨.传感 器 与微系统，2008，27(6)：47-49，52. ) ( [14] Balasubramanian S ， Panigrahi S， L o g ue C M ， et al. Neu r al Net - w orks-Integrated M e tal Oxide-Based Arti f icial Olfactory System for Meat S poilage Identificatio n [J]. Food Engineering， 2009， 91(1)：91-98. ) ( [15] B lixt Y ， B orch E. U s ing An Electronic N n ose fo r Determining the Spoilage of Vacuum P ackaged B eef [ J]. Food Microbiology，1999，46： 1 23-134. ) ( [16] G a rdner J W ， Ba r tlett P N . A B r i ef Hi s tory of E l ectronic N ose [. S e nsors a nd A ctuators B， 1994， l8(19) ： 211-220. ) ( [17] 于勇，王俊，周鸣.电子鼻技术的研究进展及其在农产品加工中的应用[J].浙江大学学报：农业与生命科学版，2003， 29(5)：579-584. ) ( [18] Olsson J， Borjesson T， L u ndstedt T ， et al. D etection and Quanti-fication o f Ochratoxin A and D eoxynivalenol in Barley Grains b y GC-MS and Electronic Nose [. In t ernational Journal of Food Mi- crobiology， 2002，72 ： 203 - 214. ) ( [19] 周光宏. . 畜产品加工学[M].北京：中国农业出版社， 2002：73. ) ( 王 俊(1965-)，男，教授、博士生导师，入选教育部新世纪优秀人才支持计划和浙江省“151人才工程(重点和第r层次) ” 。先后主持国家高技术研究发展计划(863计划)1项、国家自然科学基金项目5项、高校博士学科点基金2项、浙江省科技厅重大招标项目2项、其它省部级项目10余项。已获国家发 ) 明专利15项。在国家级学报和境外学术刊物上已发表100余篇论文，其中SCI收录60 余篇。发表的 SCI 收录论文中被引用300余次。主要研究方向为电子鼻电子舌技术的农产品品质检测。