于慧春 熊作周 殷 勇

基于電子鼻的水稻品種鑒別研究

于慧春 熊作周 殷 勇

(河南科技大學食品與生物工程學院，洛陽 471003)

為了實現(xiàn)水稻品種的快速鑒別，避免水稻品種混雜，利用電子鼻對來自同一產(chǎn)地不同水稻品種進行測試，獲取有效信息。對獲取的信息提取平均微分值和面積斜率比兩種特征。采用主成分分析、Fisher判別分析及BP神經(jīng)網(wǎng)絡3種模式識別方法進行水稻品種的判別，并對3種識別方法的結果進行比較分析。結果表明:不同種類的水稻品種可以被區(qū)分開來，但BP神經(jīng)網(wǎng)絡分類效果最好，F(xiàn)isher判別分析效果次之，PCA分類效果最差。因此，結合合適的特征提取方法及模式識別方法，有可能實現(xiàn)一種基于電子鼻技術的對不同水稻品種鑒別的簡單、有效的方法。

電子鼻 水稻 品種鑒定 模式識別

至今糧食問題一直以來都是一個非常突出的問題。這一問題不僅表現(xiàn)在質(zhì)量安全上，而且在品種問題上也顯得非常突出。尤其占據(jù)著我國糧食產(chǎn)量40%的水稻隨著近些年來的不斷發(fā)展，品種數(shù)量日益劇增，一方面促進了我國經(jīng)濟的發(fā)展，另一方面水稻品種之間不同程度的混雜、雷同、侵權等現(xiàn)象日趨嚴重。這樣不但降低了糧食流通效率，而且損害了國家和農(nóng)民的利益，因此對水稻品種進行鑒別歸類顯得十分必要［1］。從而不僅能夠促進糧食流通，還能夠維護國家和農(nóng)民的經(jīng)濟利益，同時對水稻品種進行科學鑒別、分類，還為水稻的育種、篩選、維持純種提供了便利。傳統(tǒng)的水稻品種鑒別方法只能依靠感官評定、化學分析和生物鑒定，這些方法存在主觀性強、測試周期長、準確率不高等缺點，因此尋求一種快速、高效、準確的方法對其進行鑒別歸類非常有必要［2－3］。

電子鼻是19世紀末興起的一門快速無損檢測技術，主要用來區(qū)分和辨別復合氣體氣味，它在食品、化工等方面應用比較廣泛［4－5］。目前，在農(nóng)產(chǎn)品檢測方面應用主要表現(xiàn)在蔬菜農(nóng)藥殘留檢測、牛奶品質(zhì)檢測，肉類品質(zhì)檢測、酒類真?zhèn)舞b別以及水果成熟度檢測等方面［6］。近年來，不少國內(nèi)外學者對電子鼻技術在谷物檢測方面的應用越來越感興趣，并且也有不少相關研究報道，但是這些研究都主要是對其霉變情況及病蟲害情況進行了研究［1，7－8］，如王俊等［6］采用電子鼻技術對產(chǎn)生褐飛虱病害的谷物進行檢測，并采用LDA和BP神經(jīng)網(wǎng)絡等方法進行判別分析，結果較滿意，表明電子鼻技術用于谷物病蟲害檢測是可行的;采用Cyranose－320電子鼻對4種不同處理后的大米樣本進行區(qū)分，通過交叉驗證試驗確定最優(yōu)參數(shù)組合，采用PCA和CDA進行模式分類，通過逐步的判別分析，PCA和CDA可以將不同處理的4種大米樣品分開［9－11］;皺小波等［12］通過研究建立了判別谷物霉變的電子鼻系統(tǒng)，結果對小麥霉變識別的正確率達到100%。另外，沈陽農(nóng)業(yè)大學的蔣德云［13］、浙江大學的張紅梅［14］等也在這些方面進行過研究，取得了一定的成果。國外，Olsson J等［15］用電子鼻對經(jīng)過赭曲霉毒素和脫氧雪腐鐮刀菌處理過的大麥谷物進行電子鼻檢測，基于PCA與PLS的模式分類方法，對于不同量處理的大麥谷物均能區(qū)分開來。這些研究表明電子鼻技術用于谷物品質(zhì)檢測具有很大應用前景。

但關于電子鼻技術在水稻品種鑒定方面的研究國外鮮見報道。因此本研究采用自制電子鼻對4種不同的水稻品種進行研究，結合目前較常用的特征提取方法及PCA、FDA和BP神經(jīng)網(wǎng)絡方法加以判別分析，對電子鼻技術在這一方面的應用進行探討，希望能夠?qū)で笠环N快速、高效的水稻品種鑒定方法。

1 材料與方法

1．1 試驗材料

所選4種水稻來自河南信陽商城，其品種名分別為豐兩優(yōu)4號、岡優(yōu)527、金優(yōu)527和雜交838。

1．2 試驗儀器

在試驗過程中，采用的電子鼻系統(tǒng)系屬實驗室自行研發(fā)，它包括氣敏傳感器陣列、測量箱、數(shù)據(jù)采集裝置和計算機4大部分，如圖1所示。其傳感器陣列主要由 TGS813、TGS842、TGS800、TGS822、TGS824、TGS812、TGS821、TGS830、TGS832、TGS826、TGS831、TGS880、TGS825這13只傳感器構成，除此之外，系統(tǒng)外部還配置了溫、濕度傳感器，用來監(jiān)測環(huán)境溫濕度的變化，從而有利于對由于環(huán)境條件變化而產(chǎn)生的信號漂移進行補償。

圖1 測試裝置構成圖

1．3 試驗方法

檢測時，每次用表面皿取10 g水稻樣品置于測量箱內(nèi)檢測。經(jīng)過反復的預試驗，設定了以下試驗參數(shù)，空載測試點數(shù)為50個點，樣品采樣點個數(shù)為3 000個點，恢復點數(shù)為300個點，采樣間隔為1 s。圖2給出了傳感器陣列對一個樣本的動態(tài)響應曲線，每條曲線表示其中一個傳感器對樣品的動態(tài)響應結果。

圖2 傳感器陣列響應曲線

1．4 去基準

由于樣品信號采集過程中環(huán)境溫、濕度對其影響較大，因此需要對測得的信號進行去基準處理，本試驗采用樣品響應值減去空載響應值。

2 特征提取

對傳感器信號進行特征提取的方法很多，較為常用的特征提取方法有最大值法、平均微分值法、積分值法、方差、面積斜率比值法、小波能量法等［7］。對于不同的測試樣本，針對其響應信號，所選擇的特征值應盡量包含該樣本的較多特征信息。通過對各種特征提取方法的比較，這里選用平均微分值法和面積斜率比值法作為樣本特征的提取方法。平均微分值法能夠比較全面地反映傳感器動態(tài)響應過程的整體信息，面積斜率比值法不僅綜合了平均微分值法和積分值法的特點，而且還能削弱溫度對結果的影響。

2．1 平均微分值法

該方法的實現(xiàn)需要以下3個過程:①對被測對象進行動態(tài)測量，采集并記錄每個傳感器的動態(tài)響應過程的響應值;②擬合每個傳感器的響應值，得各個傳感器的動態(tài)響應曲線;③提取每個傳感器的平均微分值(Kave)作為傳感器的最終測量結果。平均微分值的具體計算方法如下:

式中:N為樣本測試點個數(shù)(此次試驗為3 000個);xi為一個測試樣本響應值中的第i個測試值;Δt表示相鄰兩個測試點之間的時間間隔(本試驗為1 s);Kave為一個樣品響應曲線的平均微分值。

2．2 面積斜率比值法

選取一個傳感器響應曲線的起始點和信號采集終止點，并分別記為點M(j1，y1)、N(j2，y2)。M、N兩點連線的斜率記為K，則斜率

同時響應曲線與直線MN圍成陰影圖形的面積記為S，如圖3所示。這樣就可以得到響應曲線特征為:

圖3 面積斜率比值法示意圖

3 陣列優(yōu)化

為了獲取測試過程中的有效信息，提高鑒別結果的準確性，需要消除初始陣列中產(chǎn)生的冗余信息。這里將每一個傳感器看成一個變量，通過因子載荷分析和主成分分析獲取每個傳感器的因子載荷分布圖，如圖4所示，可以看出有些傳感器的因子載荷分布較近，如傳感器2、3、9、13等，這說明這些傳感器所采集的信號比較相似，進而可以考慮去掉采集過程中信息較為相似的幾個傳感器，保留其中一個即可，最終實現(xiàn)傳感器陣列的優(yōu)化。試驗過程中對兩種特征提取方法下的陣列進行優(yōu)化，其優(yōu)化陣列有所不同，這表明動態(tài)響應信號包含了較為豐富的信息。

圖4 各傳感器因子載荷分布圖

4 結果及分析

4．1 PCA分析

采用平均微分值法和面積斜率比值法作為特征提取方法，運用PCA對優(yōu)化后傳感器響應結果進行判別分析，結果如圖5和圖6所示。兩種特征提取方法下的PCA分類結果中，樣本之間均存在少量重疊部分，主要是豐兩優(yōu)4號與雜交838重疊較多難以區(qū)分，產(chǎn)生這種結果的原因可能是二者在理化性質(zhì)上有些相似，從而導致了二者在散發(fā)的氣味上比較接近。同時從分類結果中同一樣品間的聚散程度來看，采用平均微分值法提取的特征值，其PCA分類中岡優(yōu)527與金優(yōu)527基本沒有重疊，分類效果相對于面積斜率比值法較好些。

圖5 平均微分值法PCA分類效果圖

圖6 面積斜率比值法PCA分類效果圖

4．2 FDA分析

對樣本測試結果進行Fisher判別分析，結果如圖7和圖8所示。采用平均微分值法進行特征提取后，經(jīng)過FDA分析，4種樣品能夠被完全區(qū)分開來;而采用面積斜率比值法作為特征提取方式下的FDA雖能將4種樣品區(qū)分開來，但是豐兩優(yōu)4號和岡優(yōu)527有少許重疊。同時在采用相同的特征值時，F(xiàn)DA的分類判別效果優(yōu)于PCA。

另一方面，從FDA和PCA兩種識別方法的判別結果也可看出，平均微分值法所提取的特征值其判別能力優(yōu)于面積斜率比值法提取的特征值，這說明平均微分值法對不同水稻響應信號提取的特征值比面積斜率比值法提取特征值包含的分類信息要豐富。

4．3 BP分析

BP是模式識別中的一種非線性分類方法，通?？梢酝ㄟ^修正它的學習率和附加動量項的方法來改進網(wǎng)絡的性能，從而在氣體分析中獲取較好的分類效果。

試驗過程中采用隱含層為一層的BP神經(jīng)網(wǎng)絡，輸入層節(jié)點數(shù)為15個，經(jīng)過反復試驗，設定隱含層節(jié)點數(shù)為10個，輸出層節(jié)點數(shù)為4個(樣品有4類)，誤差值設為0．001，在分類過程中理想的輸出分別為(0，0)、(0，1)、(1，0)、(1，1)這4種類型，它們分別代表豐兩優(yōu)4號、岡優(yōu)527、金優(yōu)527以及雜交838，學習率和附加動量項分別為0．05和0．95。每種樣品選取30組中的前25組作為訓練樣本，其余則為測試樣本。BP網(wǎng)絡輸出結果如表一所示。從表1中可知4種樣品測試正確率均為100%，能夠很好的被區(qū)分開來。

表1 BP神經(jīng)網(wǎng)絡分析結果

5 結論

試驗中選取平均微分值法和面積斜率比值法作為樣本特征提取方法，結合PCA、FDA以及BP神經(jīng)網(wǎng)絡對樣本進行鑒別分類。研究結果顯示，采用適宜的特征提取方法及模式識別方法，電子鼻能夠?qū)?種同一產(chǎn)地的不同水稻品種完全區(qū)分開來，表明電子鼻技術用于不同水稻品種的鑒別分類是具有潛在可行性的。

同時從分類效果也可看出，平均微分值法提取的特征值優(yōu)于面積斜率比值法提取的特征值;FDA和BP神經(jīng)網(wǎng)絡對樣本的分類效果明顯優(yōu)于PCA。這說明針對不同的分析對象，為了提高鑒別結果的準確性，必須尋找較為合適的陣列優(yōu)化方法、特征提取方法以及模式識別方法來實現(xiàn)。

本研究探索了電子鼻對來自同一地區(qū)不同水稻品種鑒別的可行性，由于水稻氣味會受到地域、處理流程、品種等多方面因素的影響，所以對來自不同地域的品種，其電子鼻鑒別結果的準確性也會受到較大影響，需要對環(huán)境因素造成的影響進行消除或補償。因此，還需要進行不斷的深入研究。

［1］張小超，胡小安，張銀橋，等．谷物品質(zhì)快速自動檢測方法的研究［C］．中國農(nóng)業(yè)工程學會2007年學術年會論文集，2007

［2］程本義，施勇峰，沈偉峰，等．水稻品種DNA指紋檢測技術體系及其應用［J］．雜交水稻，2008，23(1):54－59

［3］Gardner JW，Bartlett PN．Electronic nose:Principles and Applications［M］．London:Oxford University Press，1999:1－4，185－207

［4］于勇，王俊，周鳴．電子鼻技術的研究進展及其在農(nóng)產(chǎn)品加工中的應用［J］．浙江大學學報，2003，29(5):579－584

［5］Gardner JW，Bartlett N．A brief history of electronic nose［J］．Sensors and Actuators B，1994，18(1):211－220

［6］王俊，胡桂仙，于勇，等．電子鼻與電子舌在食品檢測中的應用研究進展［J］．農(nóng)業(yè)工程學報，2004，2(3):292－294

［7］Bo Zhou，Jun Wang．Use of electronic nose technology for identifying rice infestation by Nilaparvata lugens［J］．Sensors and Actuators B:Chemical，2011，160:15－21

［8］偉利國，張小超，趙博，等．電子鼻技術及其在小麥活性檢測中的應用［J］．農(nóng)機化研究，2010，6(6):150－152

［9］Xian－zhe Zheng，Yu－bin Lan，Jian－min Zhu，et al．Rapid Identification of Rice Samples Using an Electronic Nose［J］．Journal of Bionic Engineering，2009(6):290－297

［10］Borjesson T，Ekl?vT，Jonsson A，et al．Electronic nose for odor classification of grains［J］．Cereal Chem，1996，73:457－461

［11］Haugen J－E，Kvaal K．Electronic nose and artificial neural network［J］．Meat Science，1998，49:273－286

［12］鄒小波，趙杰文．電子鼻快速檢測谷物霉變的研究［J］．農(nóng)業(yè)工程學報，2004，4(20):121－124

［13］蔣德云．電子鼻在檢測儲糧害蟲中的應用研究［D］．沈陽:沈陽農(nóng)業(yè)大學，2006:36－65

［14］張紅梅．基于氣體傳感器陣列的幾種農(nóng)產(chǎn)品品質(zhì)檢測研究［D］．杭州:浙江大學，2007:89－108

［15］Olsson J，B?rjesson 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，2002，72，203－214．

The Identification of Rice Varieties Based on Electronic Nose

Yu Huichun Xiong Zuozhou Yin Yong
(Institute of Food and Bioengineering，Henan University of Science and Technology，Luoyang 471003)

In order to identify rapidly and avoid hybrids of different rice varieties，electronic nose is used to test rice varieties from different areas and obtain valid information．There are two types of features for obtained information to extract average differential value and area ratio of the slope．The different rice varieties are distinguished by principal component analysis(PCA)，F(xiàn)isher discriminant analysis(FDA)and BPneural network，and the results of the three identification methods are compared and analyzed．The results show that:different rice varieties can be distinguished，however，the discriminant result of BP neural network is the best，F(xiàn)isher discriminant analysis follows and PCA analysis is the worst．Therefore，it can be an effective way to distinguish the different rice varieties by the electronic nose when the proper methods of feature extraction and pattern recognition are taken．

electronic nose，rice，variety identification，pattern recognition

TP212

A

1003－0174(2012)06－0105－05

2011－10－11

于慧春，女，1977年出生，副教授，博士，農(nóng)產(chǎn)品、食品品質(zhì)快速無損檢測技術研究