谷物中霉变程度检测方案(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 ACTUATORS第20卷 第6期2007年6月Vol.20 No.6JUN.2007 传 感 技 术 学 报2007年1208 Optimized of Sensor Array and Detection of Moldy Degreefor Grain by Electronic Nose ZHANG Hongmei，.W Iun"， YE Sheng， YU H ui-chun， TIAN Xiao-jing ( College of Biosystems Engineering and Food Science， Zhejiang University， H angzhou 310029， China) Abstract： An electronic nose sy stem was developed for the evaluation of moldy grain. The system has detected six different moldy degrees of rice. An initial eight sensors was sim plified to six after a PCA(Princrpal component analysis) analysis detected redundancy between of the sensors， Data proces sing and classifrcation performed by PCA analysis show ed no significant performance differences betw een the complete andreduced sensor array. A feedforward artificial neural network with test data predict the aerobic bacterialcount achiev ing average relative error of 1.010 30， max relative error of 3.942 57. Our results show thatElectronic Nose system could predict the moldy rice with a hig h accuracy. Key words： electro nic nose； sensor array； principal component analysis； BP neural network； aerobic bacterral co unt EEACC：7230.J 电子鼻传感器阵列优化与谷物霉变程度的检测* 张红梅，王 俊*，叶 盛，于慧春，田晓静 (浙江大学生物系统工程与食品科学学院，杭州310029) 摘 要：研制i一套适合对谷物霉变进行检测的电子鼻系统，对6个霉变程度的稻谷进行了检测.主成份(PCA)分析结果显示6个霉变程度的稻谷是可以区分的，对前三个主成分的载荷因子进行分析去掉冗余传感器， PCA分析结果显示去掉冗余传感器并不影响分类结果.最后用 BP 神经网络对所得的数据进行模式识别，30组测试样本对霉变菌落总数的预测结果平均相对误差为1.01030，最大相对误差为3.94257.实验结果表明系统对稻谷霉变程度的检测具有很高的分析精度. 关键词：电子鼻；传感器阵列；主成分分析； BP网络；菌落总数 中图分类号：TP212.6 文献标识码：A 文章编号：10041699(2007)06120704 霉变的粮食含有对人、畜有害的霉菌毒素.谷物在发生霉变过程中会产生霉味、腐败味、酸败味或甜味等气味，这些气味的主要成分是由微生物作用产生的羟基类、醛基类、硫化物等化合物.电子鼻(electronic nose) 是一种仪器，由具备部分专一性的气敏传感器构成的阵列和适当的模式识别系统组成，用来识别简单和复杂气味.近年来，电子鼻无损检测技术在谷物的检测中得到了探索与利用.如邹小波和赵杰文研制出一套能快速检测谷物是否霉变的电子鼻装置，.该装置能快速、准确地分析所测谷物散发的气味，，从而判定所测谷物是否霉变.潘 天红等2研制出一套谷物霉变识别电子鼻系统测试装置，该装置能快速准确地判别几种谷物的霉变情况，网络的识别正确率为92.19%.国外-一些学者利用电子鼻分别对燕别[41，小麦[56]，大麦[78]的霉变或异味进行了研究.此外 Paolesse 等人13利用电子鼻来检测真菌对小麦的污染，检测结果令人满意，说明电子鼻有能力检测出早期的真菌污染.目前很多研究者只是对谷物的霉变进行了定性的识别，进行定量识别的研究不多.本文对电子鼻传感器阵列进行优化并将电子鼻技术用于稻谷霉变程度的定量识别. ( 基金项目：国家自然科学基金资助(30571076)；国家教育部新世纪人才支持计划资助(NCET-040544) ) 1 材料和方法 1.1 试验材料 试验分别测试新鲜谷物和霉变程度不同的谷物.霉变谷物经实验室培育而成，将新鲜稻谷放入人工气候箱，温度设定为35℃，湿度为95%，两三天后逐渐发霉.然后隔天测试，共测5次，每次取20个50g的样品，这些子样品分别被盛放在 500 mL烧瓶内，用保鲜膜密封后，置于30℃±1℃的室内，60min 后进行电子鼻顶空取样.分别得到新鲜谷物和霉变程度不同的稻谷20 组和100组数据. 1.2 菌落总数 取每个霉变程度和新鲜稻谷各500 g进行菌落总数的测定.菌落总数：检验方法参照GB/T4789.2一2003《食品卫生微生物学检验--菌落总数测定》方法进行. 1.3 电子鼻 图1为所研制的电子鼻系统的实验装置示意图.传感器阵列采用MQ3(S1)、TGS822(S2)、MQ7(S3)、TGS800(S4)、TGS824(S5)、TGS813(S6)、TGS880(S7)、TGS825(S8)8个传感器组成.MQ-3对乙醇蒸气有很高的灵敏度和良好的选择性；TGS824 对氨气具有高敏感度； TGS825 对硫化氫具有高敏感度； T GS800 主要用于通风设备控制中的烟、汽、油等浓度较低的检测系统的检测； TGS880主要用于食品中易挥发气体和蒸汽的检测； TGS813主要用于各种可燃气体的检测； TGS822主要对氢气、一氧化碳和碳氢化合物敏感；MQ-7适用于一氧化碳检测. 图1 试验装置示意图 A/D采集卡：用于将调理电路输出的模拟电信号转换为计算机可以处理的数字信号.采集卡型号为NI USB-6009，14位8路A/D转换. 1.4 数据处理 主成分分析(PCA)是把多个指标化为少数几个综合指标的一种统计方法.由于 PCA 方法总是尽量多地提取样本空间的信息，所以在寻找方向时总 过程中，将不同的传感器作为变量，那么传感器的选择性越好，即对不同气体敏感度的差别就越大，在选择投影方向时，这些传感器的贡献就越大，反映到主成分上的分量就越大. 反向传播人工神经网络(BP)是在电子鼻领域应用最多的一种算法.该算法功能强大，易于理解，训练简单.BP算法不仅有输入节点、输出节点.还可有1个或多个隐含层节点.对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐含层节点的输出信号传播到输出节点，最后输出结果.节点的作用激励函数通常选取S型函数，如： 式中Ｑ为调整激励函数形式的 Sig moid 参数.该算法的学习过程由正向传播和反向传播组成.在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层.每一层神经元的状态只影响下一层神经元的状态.如果输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小. 2 结果和讨论 2.1 菌落总数检测结果 图2是不同霉变天数的稻谷菌落总数检测结果，从图中可以看出随霉变程度的增加菌落总数一直处于上升趋势. 图2 菌落总数随时间的变化情况 2.2 传感器阵列的响应信号 图3为典型的霉变稻谷检测中8个传感器电阻比的变化响应图.从图3可知，电阻比刚开始较低，随着挥发物在传感器表面富集，传感器电阻比不断地增大，最后趋于平缓，达到一个稳定的状态.8条曲线代表8个传感器的响应.从标号1到8分别为传感器 MQ-3、TGS822、MQ-7、TGS800、TGS824、T GS813、TGS880、TGS825横坐标为采样时间，纵坐标为阵列的响应信号，是传感器接触到样品挥发物后的电阻R与传感器在经过洁净空气时的电阻Ro 的比值.本文用稳态160S 信号进行数据分析. 图3 霉变稻谷挥发物测量中传感器的信号变化(菌落总数： 8lg(cfu)/g) 2.3 PCA 分析与传感器阵列的优化 在进行BP网络识别之前，先进行 PCA分析，验证一下传感器阵列的识别能力.选取8个传感器的稳态值作为特征值，对这8个特征参数进行主成分分析结果如表1所示.前两个主成分的贡献率占总变量的98.61%，这两个主成分几乎代表了所有变量的信息.图4是以前两个主成分的因子得分的稻谷霉变识别图.从PCA分析中可以得到，6个程度的霉变稻谷可以用电子鼻进行区区. w> 图4 不同霉变程度的稻谷的 PCA分析图(8个传感器) 表1 主成分分析各成分的贡献率 主成份编号 特征值 贡献率% 总贡献率% 1 7.38064 92.25800 92.25800 2 0.508 25 6.35311 98.611 11 3 0.07494 0.93671 99.547 82 4 0.020 50 0.25623 99.80404 5 0.01133 0.141 68 99.94573 6 0.00236 0.029 48 99.975 21 7 0.00194 0.024 24 99.999 45 8 0.000 04 0.000 55 100.00000 主成分分析也可以帮助发现输入向量中的冗余信息.在这个传感器阵列中针对稻谷霉变程度的检测，发现了两个冗余传感器.在图5中是保留前三个主成分时传感器的载荷因子图.从图中可以看出，传感器3(MQ-7)和4(TGS800)；6 (TGS813)和7(TGS880)的载荷因子比较接近，说明他们隐含相似的信息.图6是关闭传感器3和6后，剩下的6个传感器对霉变稻谷响应信号的PCA 分析图，从图中可以看出6个不同程度的霉变稻谷可以用电子鼻进行 鼻的识别效果.因此关闭传感器3和6，剩下的6个传感器用于人工神经网络识别. 1.0 mS] mS ●S2 ▲S3 ▲S3 0.5 1S5 0.5 1S DS6 DS S7 88 0.0 0.0 -0.5 -0.5 0.33 0.34 0.35 0.36 0.370.33 0.34 0.35 0.36 0.37 PCI1 PC1 (a) PC上PC2 (b) PC1PC3 (c) PC2 PC3 图5 主成分加载因子图 图6 不同霉变程度的稻谷的 PCA分析图(6个传感器) 2.4 BP网络分析 网络结构的设计：首先需要获得网络的输入和目标样本.试验样品是6个不同霉变程度稻谷，每个样品有20个重复共有120 组，90组作为训练集，30组作为测试集.按稻谷发生霉变时菌落总数检测结果作为网络的输出.根据隐层单元数参考公式9：N=lg2P公式中N是隐层单元数，P为样本数，采用一个具有两个隐含层的BP网络.输入特征向量的分量数即6个传感器的响应，根据Kolmogorov 定理，隐层神经元数目参考值为：2N+1，其中N表示输入特征向量的分量数.所以本文的 BP 网络结构是：输入层有6个神经元，两个隐含层都有13个神经元，最小训练速率取0.9；动态参数取0.6；允许误差取为 0.000 01； Sigmoid 参数取为0.9，该参数调整神经元激励函数形式.最大迭代次数取为2000. 通过对传感器阵列数据的BP网络训练，并用训练集和测试集带入网络进行模拟.30组测试样本对霉变菌落总数的预测结果如表2所示，平均相对误差为1.01030，最大相对误差为3.942 57.实验结 分析精度. 表2 BP网络预测结果与检测结果比较 菌落总数检测 BP网络 相对 菌落总数检测 BP网络 相对 值/lg[(cfu)·g] 预测值 误差 值/lg[(du)·gl 预测值 误差 3.26 3.27381 0.423 61 7.83 7.906270.97407 3.26 3.273340.40920 7.83 7.90627 0.97407 3.26 3.29355 C0.42239 7.83 7.882 39 0.669 09 3.26 3.27308 ：0.40122 7.83 7.99947 2.164 36 3.26 3.27525 0.46779 7.83 7.892 44 1.180 58 6.67 6.80539 22.02983 8.0 7.990160.12300 6.67 6.79292 1.842 87 8.0 8.05697 0.712 12 6.67 6.629480.60749 8，0 7.933320.833 50 6.67 6.677 57 0.11349 8.0 8.06188 0.77351 6.67 6.93297 33.94257 8.0 7.92129 0.983 87 7.79 7.562 49 2.92053 9.0 8.954 89 0.50122 7.79 7.81289 C0.29383 9.0 8.951100.54333 7.79 7.66086 1.65776 9.0 8.96534 0.38511 7.79 7.69487 1.22118 9.0 8.958 45 0.461 66 7.79 7.91634 1.62182 9.0 8.968 140.35400 3 结论 研制了一套适合对谷物霉变进行检测的电子鼻系统，对稻谷的6个霉变程度各20个样本进行了检测；在获得传感器阵列数据的基础上，进行PCA分析，从PCA分析图上可以看出6个霉变程度的稻谷是可以区分的，对保留前三个主成分时传感器的载荷因子进行分析去掉冗余传感器.最后用具有两个隐含层的 BP 神经网络对所得的数据进行模式识别，30组测试样本对霉变菌落总数的预测结果平均相对误差为1.01030，最大相对误差为3.942 57.实验结果表明系统对稻谷霉变程度的检测具有很高的定量分析精度.由于所研制的电子鼻还处于实验室 张红梅(1977-)，女，博士生，主要从事电二子鼻系统的应用与开发，hmzh86022625@ sina. com 阶段，还有许多问题值得进一步研究. ( 参考文献： ) ( [1] 邹小波，赵杰文.电子鼻快速检测谷物霉变的研究[J].农业 工程学报，200 4 ， 12( 4 )： 12 1 -124. ) ( [2] 潘天红，陈山，赵德安.电子鼻技术在谷物霉变识别中的应用 [J] . 仪表技术与传感器，200 5 ，(3)：51-52. ) ( [3] Paolesse R， A l imelli A ， Martinelli E， et al. De t ection of Fur r gal Contaminati o n of Cereal G r ain S am ples b y an Electronic Nose[J]. Se n sors and Act u ators B， (article in pre s s). ) ( [4] Jonsson A ， W i n quist F， Sc h nurer J， et al. Electr onic Nose for Microbial Q uality C las sification of Grains [ J]. InternationalJournal of Food Microbiology， 1977， 35： 1 87193. ) ( [5] Evans P ， Persaud K C， M cNeish A S， et al . Evaluation of a Radial B asis F un ction Neu ral N etw ork f o r the D e termination of Wheat Quality f rom Electronic Nose D a ta [ J]. Sen sors and A ctuator s B， 2000，69 ： 348358. ) ( [6 Abramson D， Hulasare R， Y o rk R K， et al. M y cotoxins， E r gosterol， and Odor Vol atiles in Durum W heat D u ring Granary Storage a t 16% a nd 2 0% Moisture Content [ J] . Journal of Stored Products R esearch ， 2005， 41：6776. ) ( 7 Olss on J， Borjesson T ， Lundstedt T， et a l . V olatiles f or My-cological Quality Grading of B arley Grains： Determinations U- sing Gas Chromatography - M ass S pectrometry an d El e ctr onr ic Nose [J]. International J ournal o f F ood M i crobiology，2000，59： 1 67178. ) ( Olsson J ， B orjesson T ， L u ndstedt T ， et al . D et ection and Quantification of Ochratoxin A and Deoxynivalenol i n Barley Grains by GC-MS and Electronic N o se[J]. In t ernationalJour- nal of Food Microbiology， 2 002， 7 2： 2 03 2 1 4. ) ( [9] 边肇祺，张学工等.模式识别[M].北京：清华大学出版社， 1999. 1 2： 2 56. ) 王 俊(1965)，浙江大学教授、博士生导师.“Sensors and A ctuat ors B”等7本SCI刊物审稿人.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(第一层次)”.主要从事基于电子鼻技术的农产品品质检测.先后主持国家高技术研究发展计划(863计计)1项、 国家自然科学基金项目5项、教育部新世纪优秀人才支持计划1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7项、实用新型专利12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40余篇、EI收录30余篇.发表的SCI收录论文中被引用110余次， jwang@zju. edu. cn 日期：na 修改日期：slectronic Publishing House. All rights resery http：//www.cnki.net 是尽兼國到差别太的数据.器RA析ublishing House. All rights reserved.http：//www.cnki.net