楊春蘭，薛大為

(蚌埠學(xué)院電子與電氣工程系，安徽 蚌埠 233030)

基于電子鼻技術(shù)的茶葉貯藏時(shí)間檢測(cè)方法

楊春蘭，薛大為

(蚌埠學(xué)院電子與電氣工程系，安徽 蚌埠 233030)

主要探索茶葉貯藏時(shí)間的檢測(cè)方法.以黃山毛峰茶為研究對(duì)象，利用電子鼻對(duì)7個(gè)不同貯藏時(shí)間下的干茶葉進(jìn)行檢測(cè).根據(jù)電子鼻傳感器陣列響應(yīng)特點(diǎn)選取了特征變量，以特征變量為自變量，以茶葉貯藏時(shí)間為因變量，建立了茶葉貯藏時(shí)間的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型.通過(guò)測(cè)試樣本對(duì)模型進(jìn)行實(shí)驗(yàn)分析，結(jié)果表明:該模型對(duì)于7個(gè)不同貯藏時(shí)間茶葉樣本最大預(yù)測(cè)誤差為42.1天；預(yù)測(cè)誤差超過(guò)10天的最大樣本數(shù)為5個(gè)，占總樣本數(shù)的7.14%.驗(yàn)證了所建立的茶葉貯藏時(shí)間BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的可行性.

茶葉；電子鼻；貯藏時(shí)間；BP神經(jīng)網(wǎng)絡(luò)

茶葉的品質(zhì)不僅與茶葉的等級(jí)有關(guān)，也與茶葉的的貯藏時(shí)間有關(guān).一般情況下，茶葉的等級(jí)越高其品質(zhì)也越好，對(duì)于同一等級(jí)的茶葉隨著貯藏時(shí)間的增長(zhǎng)其品質(zhì)會(huì)逐漸降低.當(dāng)前，對(duì)于茶葉品質(zhì)的評(píng)價(jià)通常采用兩種方法，即感官評(píng)價(jià)法和理化檢測(cè)法[1].感官評(píng)價(jià)法對(duì)于評(píng)價(jià)人員的要求較高，且容易收到主觀因素的影響，評(píng)價(jià)結(jié)果客觀性較差.理化檢測(cè)法采用試驗(yàn)的方法測(cè)定理化指標(biāo)，評(píng)價(jià)結(jié)果準(zhǔn)確，但操作程序復(fù)雜且費(fèi)時(shí).因此，探索一種更加簡(jiǎn)便、快速、準(zhǔn)確的茶葉品質(zhì)檢測(cè)方法有著重要意義.

茶葉會(huì)散發(fā)出揮發(fā)性香氣，不同品質(zhì)的干茶葉其產(chǎn)生的香氣也不同.可見，香氣中蘊(yùn)含著與茶葉品質(zhì)相關(guān)的信息，可作為評(píng)價(jià)茶葉品質(zhì)的重要依據(jù).但茶葉產(chǎn)生的香氣是由上百種揮發(fā)性物質(zhì)共同作用形成的一種綜合狀態(tài)的反映，構(gòu)成復(fù)雜，依靠少量幾個(gè)傳感器很難對(duì)其進(jìn)行有效的檢測(cè).電子鼻作為一種仿生物嗅覺功能的儀器，可以對(duì)揮發(fā)性氣體反映的綜合狀態(tài)進(jìn)行檢測(cè)，為從香氣檢測(cè)茶葉品質(zhì)提供了可能.

近年來(lái)，電子鼻在水果[2-3]、肉類[4-5]等食品品質(zhì)檢測(cè)領(lǐng)域已經(jīng)有了廣泛的應(yīng)用.根據(jù)文獻(xiàn)，電子鼻在茶葉品質(zhì)檢測(cè)方面也有一定的報(bào)道[6-7]，但大都是對(duì)于不同等級(jí)茶葉的品質(zhì)檢測(cè)，而對(duì)于不同貯藏時(shí)間茶葉品質(zhì)檢測(cè)的報(bào)道很少.本研究擬以黃山毛峰茶為研究對(duì)象，利用電子鼻對(duì)不同貯藏時(shí)間的干茶葉進(jìn)行檢測(cè)，探索茶葉貯藏時(shí)間的預(yù)測(cè)方法.首先，根據(jù)電子鼻傳感器陣列響應(yīng)選擇特征變量，再以特征變量作為自變量，以茶葉貯藏時(shí)間作為因變量，建立黃山毛峰茶貯藏時(shí)間的BP(Back propagation)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型.

1 電子鼻

研究中使用德國(guó)Airsense公司生產(chǎn)的PEN2型便攜式電子鼻.該電子鼻主要由傳感器陣列、數(shù)據(jù)采集及處理軟件、解吸附裝置等部分組成.傳感器陣列包含10個(gè)半導(dǎo)體金屬氧化物傳感器，其特性如表1所示.傳感器響應(yīng)為接觸揮發(fā)性物時(shí)的電導(dǎo)率G與經(jīng)過(guò)解吸附裝置處理之后電導(dǎo)率G0的比值，即G/G0.傳感器響應(yīng)典型曲線如圖1所示.

表1 各傳感器特性Table 1 The properties of the sensors

圖1 傳感器典型響應(yīng)曲線Fig.1 Typical response curve ofsensors

2 BP神經(jīng)網(wǎng)絡(luò)及學(xué)習(xí)算法

模式識(shí)別方法是電子鼻系統(tǒng)中重要的組成部分. BP神經(jīng)網(wǎng)絡(luò)[8-9]具有非線性逼近能力強(qiáng)、結(jié)構(gòu)簡(jiǎn)單、設(shè)計(jì)方便、泛化能力強(qiáng)等優(yōu)點(diǎn)，是模式識(shí)別中常用的方法之一.本研究中電子鼻傳感器陣列響應(yīng)與茶葉貯藏時(shí)間之間是一種復(fù)雜的非線性關(guān)系，因此選用BP神經(jīng)網(wǎng)絡(luò)作為模式識(shí)別方法.

BP神經(jīng)網(wǎng)絡(luò)由輸入層、中間層和輸出層組成，其中中間層可以有多個(gè).BP神經(jīng)網(wǎng)結(jié)構(gòu)如圖2所示.

圖2 3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of three-layer BP neural network

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程[10-11]，就是利用訓(xùn)練樣本的預(yù)測(cè)值與期望值之間的誤差，通過(guò)誤差反向傳播不斷修正網(wǎng)絡(luò)的連接權(quán)和閾值，直到網(wǎng)絡(luò)誤差達(dá)到預(yù)設(shè)的精度或訓(xùn)練次數(shù)達(dá)到設(shè)定值，則學(xué)習(xí)結(jié)束.具體學(xué)習(xí)算法如下:

式中，i，j，k分別為輸入層、中間層和輸出層的節(jié)點(diǎn)；neti為節(jié)點(diǎn)i的輸入，oi為節(jié)點(diǎn)i的輸出；ωij為節(jié)點(diǎn)i和節(jié)點(diǎn)j間連接權(quán)；Δω為連接權(quán)的修正值，0＜μ＜1為學(xué)習(xí)率，0＜λ＜1為動(dòng)量因子；f()為激勵(lì)函數(shù)；為激勵(lì)函數(shù)一階導(dǎo)數(shù)；e為誤差函數(shù)，

式中，dk(m)為第m個(gè)訓(xùn)練樣本的期望輸出值，ok(m)為第m個(gè)訓(xùn)練樣本的實(shí)際輸出值，h為輸出層節(jié)點(diǎn)數(shù).

3 茶葉貯藏時(shí)間BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的建立

3.1 茶葉樣本

從茶廠訂購(gòu)市場(chǎng)售價(jià)為500元/斤的黃山毛峰新茶的干茶葉，并貯藏于5°C的冰柜中.利用電子鼻對(duì)茶葉每隔60天檢測(cè)一次，連續(xù)檢測(cè)360天，即0天、60天、120天、180天、240天、300天、360天.每次檢測(cè)重復(fù)試驗(yàn)30次，共有210個(gè)數(shù)據(jù)樣本.將數(shù)據(jù)樣本分成2部分，其中140個(gè)樣本(每個(gè)貯藏時(shí)間20個(gè))作為訓(xùn)練樣本，70個(gè)樣本(每個(gè)貯藏時(shí)間10個(gè))作為測(cè)試樣本.

3.2 特征變量選擇

通過(guò)電子鼻對(duì)不同貯藏時(shí)間黃山毛峰茶檢測(cè)，對(duì)于不同貯藏時(shí)間的黃山毛峰傳感器陣列10個(gè)傳感器在45s之后都基本趨向于穩(wěn)態(tài)，且傳感器陣列的穩(wěn)態(tài)響應(yīng)值存在差異.根據(jù)這一特點(diǎn)，選擇傳感器陣列10個(gè)傳感器在第50s時(shí)響應(yīng)值(即，穩(wěn)態(tài)值)為特征變量，用于茶葉貯藏時(shí)間BP神經(jīng)網(wǎng)絡(luò)模型的建立.由特征變量組成的特征向量可表示為:

其中，x1，……，x10分別為傳感器S1-S10在第50s時(shí)響應(yīng)值.

3.3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

研究中采用有單中間層的3層BP神經(jīng)網(wǎng)絡(luò)，能夠滿足設(shè)計(jì)需要.BP神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)的個(gè)數(shù)由輸入變量個(gè)數(shù)決定，輸出節(jié)點(diǎn)個(gè)數(shù)有輸出變量的個(gè)數(shù)決定. BP神經(jīng)網(wǎng)絡(luò)輸入量為10個(gè)特征變量，輸出量為茶葉貯藏時(shí)間.因此，BP神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)為10個(gè)，輸出節(jié)點(diǎn)數(shù)為1個(gè).中間層激勵(lì)函數(shù)選擇tansig函數(shù)，

輸出層激勵(lì)函數(shù)選擇purelin函數(shù)，

經(jīng)過(guò)多次對(duì)比試驗(yàn)，當(dāng)學(xué)習(xí)率μ取0.07，動(dòng)量因子λ取0.5時(shí)性能最佳.對(duì)于中間層節(jié)點(diǎn)數(shù)的選擇，首先根據(jù)經(jīng)驗(yàn)確定大致取值范圍在5ˉ14之間，然后通過(guò)試驗(yàn)的方法進(jìn)行比較以確定最佳的點(diǎn)數(shù).具體試驗(yàn)方法為，設(shè)定目標(biāo)誤差為0.01，利用訓(xùn)練樣本對(duì)不同中間層節(jié)點(diǎn)數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以達(dá)到設(shè)定誤差所需訓(xùn)練次數(shù)最少者為最優(yōu).不同中間層節(jié)點(diǎn)數(shù)訓(xùn)練結(jié)果如表2所示.由此可得最佳BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu)為10ˉ12ˉ1，其訓(xùn)練曲線如圖3所示.

表2 不同中間層節(jié)點(diǎn)數(shù)訓(xùn)練結(jié)果Table 2 Training results of the network with different nodes in middle layer

圖3 最佳BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練曲線Fig.3 Training curve of the best BP neural network

4 實(shí)驗(yàn)分析

為了檢驗(yàn)茶葉貯藏時(shí)間BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的有效性，利用測(cè)試樣本對(duì)預(yù)測(cè)模型進(jìn)行實(shí)驗(yàn)分析.根據(jù)實(shí)驗(yàn)結(jié)果，對(duì)于7個(gè)不同貯藏時(shí)間茶葉檢測(cè)的最大預(yù)測(cè)誤差為42.1天，預(yù)測(cè)誤差超過(guò)10天的樣本最大比率為7.14%.實(shí)驗(yàn)結(jié)果分析如表3所示.茶葉不同貯藏時(shí)間平均預(yù)測(cè)結(jié)果如圖4所示.

表3 實(shí)驗(yàn)結(jié)果分析Table 3 Experimental results analysis

圖4 茶葉不同貯藏時(shí)間預(yù)測(cè)平均值Fig.4 Predicted averages of different storage time

5 結(jié)論

本研究利用電子鼻對(duì)7個(gè)不同貯藏時(shí)間下的黃山毛峰茶進(jìn)行檢測(cè).根據(jù)電子鼻傳感器陣列響應(yīng)曲線變化特點(diǎn)，選取了相應(yīng)的特征變量.以特征變量為自變量，以茶葉貯藏時(shí)間為因變量，建立了黃山毛峰茶貯藏時(shí)間的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型.通過(guò)實(shí)驗(yàn)結(jié)果分析，該模型對(duì)于不同貯藏時(shí)間黃山毛峰茶的最大預(yù)測(cè)誤差小于60天，預(yù)測(cè)誤差超過(guò)10天的比率小于10%.表明建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型可用于檢測(cè)黃山毛峰茶的貯藏時(shí)間，該方法對(duì)于其他種類的茶葉貯藏時(shí)間檢測(cè)也具有一定的借鑒意義.同時(shí)，根據(jù)實(shí)驗(yàn)結(jié)果該預(yù)測(cè)模型仍然存在一定的誤差，后續(xù)的研究中將進(jìn)一步改進(jìn)方法，提高模型的預(yù)測(cè)精度.

[1]于慧春，王俊.電子鼻技術(shù)在茶葉品質(zhì)檢測(cè)中的應(yīng)用研究[J].傳感技術(shù)學(xué)報(bào)，2008，21(5):748-752.

[2]尹芳緣，曾小燕，徐薇薇，等.基于電子鼻的芒果儲(chǔ)存時(shí)間預(yù)測(cè)方法研究[J].傳感技術(shù)學(xué)報(bào)，2012，25(9):1199-1203.

[3]李瑩，任亞梅，張爽，等.基于電子鼻的蘋果低溫貯藏時(shí)間及品質(zhì)預(yù)測(cè)[J].西北農(nóng)林科技大學(xué)(自然科學(xué)版)，2015，43(5):1-9.

[4]洪雪珍，韋真博，海錚，等.基于電子鼻和神經(jīng)網(wǎng)絡(luò)的牛肉新鮮度的檢測(cè)[J].現(xiàn)代食品科技，2014，30(4):279-285.

[5]洪雪珍，王俊，周博，等.豬肉儲(chǔ)藏時(shí)間的電子鼻區(qū)分方法[J].浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版)，2010，36(5):568-572.

[6]陳哲，趙杰文.基于電子鼻技術(shù)的碧螺春茶葉品質(zhì)等級(jí)檢測(cè)研究[J].農(nóng)機(jī)化研究，2012，34(11):133-137.

[7]于慧春，王俊.電子鼻技術(shù)在茶葉品質(zhì)檢測(cè)中的應(yīng)用研究[J].傳感技術(shù)學(xué)報(bào)，2008，21(5):748-752.

[8]唐萬(wàn)梅.BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化問題的研究[J].系統(tǒng)工程理論與實(shí)踐，2005，25(10):95-100.

[9]李松，劉力軍，解永樂.遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流混沌預(yù)測(cè)[J].控制與決策，2011，26(10):1581-1585.

[10]陳建宏，劉浪，周智勇，等.基于主成分分析與神經(jīng)網(wǎng)絡(luò)的采礦方法優(yōu)選[J].中南大學(xué)學(xué)報(bào)(自然科學(xué)版)，2010，41(5):1967-1972.

[11]張漫，李婷，季宇寒，等.基于BP神經(jīng)網(wǎng)絡(luò)算法的溫室番茄CO2增施策略優(yōu)化[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(8):239-245.

(責(zé)任編輯:張陽(yáng)，付強(qiáng)，李建忠，羅敏；英文編輯:周序林)

Detection method for storage time of tea based on electronic nose technology

YANG Chun-lan，XUE Da-wei
(Department of Electronic and Electrical Engineering，Bengbu University，Bengbu 233030，P.R.C.)

Explored in this paper is a method to detect storage time of tea.The detection for dry HuangShanMaoFeng tea under 7 different storage times was made.Characteristic variables were chosen according to response of electronic nose sensors.Then，the storage time prediction model was built by using characteristic variables as independent variables and storage time as dependent variable.The experimental analysis showed that the maximum prediction errors for tea under 7 different storage times were 42.1 days；the maximum sample size with prediction errors exceeding 10 days were 5 samples，7.14%of total samples.The feasibility of the prediction model for storage time of tea was verified.

tea；electronic nose；storage time；BP neural network

TP212.6；TS272.7

A

2095-4271(2016)05-0558-05

10.11920/xnmdzk.2016.05.015

2016-05-23

楊春蘭(1980—)，女，漢族，講師，碩士，研究方向:儀器儀表與智能檢測(cè)，食品品質(zhì)檢測(cè)，等.

薛大為(1978—)，男，副教授，碩士，研究方向:儀器儀表與智能檢測(cè)，模式識(shí)別，等.

安徽省高等學(xué)校省級(jí)自然科學(xué)研究項(xiàng)目(KJ2013Z195)；安徽省高等學(xué)校優(yōu)秀青年人才基金項(xiàng)目(2012SQRL218)