電子鼻快速判別玉米霉變技術(shù)研究

崔麗靜 周顯青 林家永 張玉榮

電子鼻快速判別玉米霉變技術(shù)研究

崔麗靜1，2周顯青1林家永2張玉榮1

(河南工業(yè)大學(xué)糧油食品學(xué)院1，鄭州 450052)
(國(guó)家糧食局科學(xué)研究院2，北京 100037)

采用正常玉米樣品40個(gè)，發(fā)霉玉米樣品41個(gè)，建立了電子鼻對(duì)霉變與正常樣品的識(shí)別模型，優(yōu)化了10個(gè)傳感器的組合，并對(duì)32個(gè)未知樣品進(jìn)行判別，其中霉變樣品15個(gè)，正常樣品17個(gè)。結(jié)果表明傳感器優(yōu)化前后主成分分?jǐn)?shù)分別為86．34%和97．54%，優(yōu)化后提高了11．2%。采用Euclid、Malahanobis、Correlation以及DFA四種算法對(duì)檢驗(yàn)集未知樣品進(jìn)行判定，優(yōu)化前總判別率分別為Euclid:68．75%，Malahanobis:75%，Correlation:84．38%，DFA:81．25%;優(yōu)化后總判別率分別為 Euclid:68．75%，Malahanobis:75%，Correlation:90．63%，DFA:87．5%。優(yōu)化后 Correlation和 DFA法的判別率比優(yōu)化前提高，其中 Correlation法達(dá)90．63%。在對(duì)霉變和正常玉米判別時(shí)，霉變樣品的判別率要遠(yuǎn)高于正常樣品的判別率。

電子鼻 玉米 霉變 快速檢測(cè)

玉米是三大主要糧食之一，在我國(guó)種植面積廣、種植量大。我國(guó)也是玉米消費(fèi)的大國(guó)，但是玉米的儲(chǔ)藏存在較多的問(wèn)題，由于玉米籽粒中胚乳較大，營(yíng)養(yǎng)豐富，很容易被微生物所污染，因此屬于較難儲(chǔ)藏的糧食品種。特別是玉米在收獲季節(jié)遇到陰雨天氣，很容易發(fā)生霉變，一些霉菌污染后的玉米甚至?xí)a(chǎn)毒，被人畜食用后導(dǎo)致中毒，近幾年來(lái)食用霉變玉米中毒事件屢見(jiàn)不鮮，造成的經(jīng)濟(jì)損失和浪費(fèi)非常嚴(yán)重。因此監(jiān)測(cè)玉米儲(chǔ)藏過(guò)程中霉變情況具有重要意義。目前來(lái)看，我國(guó)的一些糧食收儲(chǔ)機(jī)構(gòu)和單位對(duì)玉米霉變的檢測(cè)仍存在局限性，主要通過(guò)測(cè)糧溫變化，觀察糧粒顏色，是否出現(xiàn)異味來(lái)進(jìn)行判斷［1］。檢測(cè)技術(shù)發(fā)展滯后，給檢測(cè)工作帶來(lái)很多不便，迫切需要方便快捷的檢測(cè)方法來(lái)解決糧食霉變的問(wèn)題。近年來(lái)電子鼻為一個(gè)新穎的檢測(cè)技術(shù)而躋身于食品檢測(cè)行列，電子鼻在糧食行業(yè)的應(yīng)用已引起糧食科研工作者的重視。玉米被微生物感染后，會(huì)產(chǎn)生一些特殊的氣味，如霉味、甜味、酒味等，這些氣味主要成分是醇類(lèi)、醛類(lèi)以及酮類(lèi)等物質(zhì)。電子鼻可借助這些氣味信息來(lái)進(jìn)行識(shí)別［2］。目前，國(guó)內(nèi)外對(duì)電子鼻在糧食霉變方面的研究有所進(jìn)展，國(guó)外學(xué)者用電子鼻對(duì)真菌污染的玉米進(jìn)行了識(shí)別和檢測(cè)［3－5］，國(guó)內(nèi)報(bào)道了電子鼻對(duì)小麥霉變和儲(chǔ)藏年限檢測(cè)［6－8］。國(guó)內(nèi)對(duì)真菌感染的玉米判別研究甚少，需要深入研究。本試驗(yàn)廣泛采集玉米樣品，采用不同識(shí)別算法，研究電子鼻對(duì)真菌污染玉米進(jìn)行識(shí)別。

1 材料與方法

1．1 玉米樣品

玉米樣品采集來(lái)自我國(guó)玉米主產(chǎn)區(qū)山東、河北、河南，黑龍江以及遼寧5個(gè)省份，共收集品種玉米樣品46個(gè)。

1．2 儀器和設(shè)備

PEN3型便攜式電子鼻系統(tǒng):德國(guó)AIRSENSE公司;DGG－9053A型電熱恒溫鼓風(fēng)干燥箱:上海森信實(shí)驗(yàn)儀器有限公司;DK－S24型電熱恒溫水浴鍋:上海精宏實(shí)驗(yàn)設(shè)備有限公司;SPX智能型恒溫恒濕生化培養(yǎng)箱:寧波海曙賽福實(shí)驗(yàn)儀器廠。

PEN3電子鼻系統(tǒng)是模擬生物的嗅覺(jué)系統(tǒng)，由氣體采集系統(tǒng)、氣敏傳感器陣列以及信號(hào)處理和識(shí)別系統(tǒng)三部分構(gòu)成。其工作原理是通過(guò)控制器將氣味分子采集起來(lái)(圖1和圖2)，并流經(jīng)氣敏傳感器，與傳感器單元表面的活性材料反應(yīng)，傳感器單元將化學(xué)輸入轉(zhuǎn)換成電信號(hào)，由多個(gè)傳感器單元對(duì)氣味的響應(yīng)便構(gòu)成了傳感器陣列對(duì)該氣味的響應(yīng)譜，并顯示在電子鼻所連接的計(jì)算機(jī)屏幕上。不同的氣味有其對(duì)應(yīng)的響應(yīng)譜，通過(guò)這些指紋響應(yīng)譜可達(dá)到區(qū)分和判別的目的。PEN3電子鼻由10支傳感器單元組成的傳感器陣列，每支傳感器單元都有其對(duì)應(yīng)的敏感氣體，PEN3電子鼻的標(biāo)準(zhǔn)傳感器陣列如表1。

表1 電子鼻的標(biāo)準(zhǔn)傳感器陣列

1．3 玉米發(fā)霉試驗(yàn)

玉米籽粒表面攜帶有真菌和孢子，在適宜的條件下孢子就會(huì)萌發(fā)，水分是影響玉米霉變的主要因素，高水分玉米較難儲(chǔ)藏，易發(fā)霉 。本試驗(yàn)利用玉米自身攜帶的真菌進(jìn)行發(fā)霉樣品的制備。具體過(guò)程為:將采集到的不同品種玉米樣品進(jìn)行清理除雜，測(cè)定每個(gè)品種玉米水分，然后將水分調(diào)節(jié)至16%，放置在冰箱內(nèi)平衡48 h，使水分均勻分布。然后放置在恒溫恒濕培養(yǎng)箱內(nèi)培養(yǎng)［3］。培養(yǎng)若干天后檢測(cè)玉米樣的帶菌量，當(dāng)樣品帶菌量＞106cfu/g時(shí)，便認(rèn)為是發(fā)生了霉變。

1．4 電子鼻試驗(yàn)

樣品氣體采集方法:稱(chēng)取玉米樣品25 g于頂空瓶?jī)?nèi)，在30℃下保溫1 h，抽取頂空瓶?jī)?nèi)產(chǎn)生的氣體進(jìn)行電子鼻檢測(cè)(圖2)。

電子鼻試驗(yàn)條件:樣品采集時(shí)間80 s，傳感器清洗時(shí)間為180 s;調(diào)零時(shí)間為10 s;進(jìn)樣準(zhǔn)備時(shí)間為5 s;進(jìn)樣流量為400 mL/min。

1．5 數(shù)據(jù)處理方法

采用SPSS14．0數(shù)據(jù)分析軟件(相關(guān)系數(shù)分析)和PEN3電子鼻自帶軟件進(jìn)行分析。電子鼻數(shù)據(jù)分析圖形均由PEN3電子鼻自帶軟件制成。該軟件可進(jìn)行 PCA(Principal Component Analysis，主成分分析)。模式識(shí)別采用四種方法分別是Euclid(歐式距離)、Malahanobis(馬氏距離)、Correlation(相關(guān)性)和DFA(判別函數(shù)法)。

2 結(jié)果與討論

2．1 電子鼻信號(hào)響應(yīng)曲線

正常玉米與霉變玉米電子鼻測(cè)定信號(hào)如圖3和圖4(以樣品鄭單958信號(hào)圖為例)，橫坐標(biāo)表示電子鼻采樣時(shí)間，總長(zhǎng)為80 s，縱坐標(biāo)表示電子鼻傳感器的信號(hào)響應(yīng)值，圖中曲線代表10支傳感單元對(duì)氣體的響應(yīng)曲線。從圖3和圖4中可直觀反映出正常玉米與霉變玉米電子鼻信號(hào)值存在差異，說(shuō)明用電子鼻進(jìn)行區(qū)分正常與霉變玉米是可能的。

圖3 正常玉米

圖4 霉變玉米

2．2 霉變玉米和正常玉米判別

2．2．1 霉變與正常玉米判別模型建立

采集發(fā)霉樣品(帶菌量＞106cfu/g)41個(gè)和正常樣品40個(gè)來(lái)建立霉變和正常玉米的判別模型。采用PCA分析方法將電子鼻信號(hào)響應(yīng)值產(chǎn)生的原始特征向量進(jìn)行主成分降維分析，經(jīng)過(guò)降維后選取前兩個(gè)主成分對(duì)原始信息進(jìn)行擬合，前兩個(gè)主成分貢獻(xiàn)率分別為88．34%，結(jié)果見(jiàn)圖5。分析結(jié)果顯示，雖然主成分分?jǐn)?shù)大于85%，但是正常和發(fā)霉玉米樣品點(diǎn)存在部分重合，對(duì)正常和霉變玉米的區(qū)分效果不是很好。

圖5 傳感器陣列優(yōu)化前主成分分析結(jié)果

2．2．2 霉變與正常玉米的判別

為檢驗(yàn)所建模型對(duì)樣品的判別效果，選擇霉變樣品15個(gè)，正常樣品17個(gè)，用 Euclid、Malahanobis、Correlation和DFA四種算法進(jìn)行檢測(cè)。判別結(jié)果見(jiàn)表2。從表2中可看出，霉變樣品的判別率前三種算法可達(dá)100%，第四種僅80%，但是對(duì)于正常玉米樣品的判別率則較低，其中第四種算法判別率最高，為82．35%。總體上后兩種判別法判別準(zhǔn)確率較前兩種高。

表2 化前電子鼻判別玉米霉變結(jié)果

2．2．3 傳感器陣列優(yōu)化

從上述的區(qū)分和判別結(jié)果來(lái)看，區(qū)分效果較差，判別率較低，很大原因與傳感單元的選擇有關(guān)。每支傳感器單元對(duì)結(jié)果的貢獻(xiàn)率不同，圖6中數(shù)字是對(duì)應(yīng)的傳感器編號(hào)，橫縱坐標(biāo)分別表示10支傳感單元在第一主成分和第二主成分上的貢獻(xiàn)率的大小，離坐標(biāo)中心點(diǎn)越近，貢獻(xiàn)率就越小。

圖6 傳感器單元的貢獻(xiàn)率

PEN3電子鼻由10支傳感器單元構(gòu)成(表1)，其中有幾支傳感器單元對(duì)同一種氣體均有選擇性，這就意味著這幾支傳感器單元具有相關(guān)性［10－11］，因此需要進(jìn)行優(yōu)化，將一些傳感器單元去掉，來(lái)提高電子鼻的判別率。傳感器單元相關(guān)性分析結(jié)果用相關(guān)系數(shù)Rxy來(lái)表示，其定義如下:

xi表示傳感器單元x對(duì)第i個(gè)樣品的測(cè)量值，yi表示傳感器單元y對(duì)第i個(gè)樣品的測(cè)量值，珋x表示傳感器單元x的樣品平均值;珋y表示傳感器單元y的樣品平均值。10支傳感器單元間相關(guān)系數(shù)見(jiàn)表3。

表3 傳感器單元間相關(guān)系數(shù)

各個(gè)傳感器單元的相關(guān)系數(shù)統(tǒng)計(jì)如表4。

表4 傳感器單元相關(guān)系數(shù)總和

從表4可看出，各傳感器單元間存在著差異，相關(guān)系數(shù)越大的說(shuō)明傳感器單元對(duì)氣體的選擇性越相似。由以上結(jié)果，去掉1、3、5三支傳感器單元，然后進(jìn)行重新分析，結(jié)果得到霉變和新鮮玉米的PCA分析結(jié)果見(jiàn)圖7。從圖7中可看出優(yōu)化后主成分分?jǐn)?shù)為97．54%，已大于85%，說(shuō)明保留前兩個(gè)主成分就可代表原有變量的信息，較優(yōu)化前提高了11．20%。從PCA1和PCA2兩個(gè)主軸上看，霉變和正常玉米樣品可以得到較好的區(qū)分，與圖5相比，圖7明顯比傳感單元優(yōu)化前的區(qū)分效果要好。

圖7 傳感器陣列優(yōu)化后主成分分析散點(diǎn)圖

傳感器單元優(yōu)化后，對(duì)檢驗(yàn)集樣品重新進(jìn)行判別，結(jié)果見(jiàn)表5，判別率分別為E:68．75%，M:75%，K:90．63%，D:87．5%。前兩種算法的判別率沒(méi)有提高，后兩者均有提高，Correlation法判別率達(dá)到90．63%，仍然是Correlation和DFA法的判別率較高。

表5 傳感器單元優(yōu)化后測(cè)試結(jié)果

3 結(jié)論

3．1 在本試驗(yàn)條件下，電子鼻能夠?qū)φ：兔棺冇衩走M(jìn)行區(qū)分。

3．2 對(duì)電子鼻進(jìn)行傳感單元陣列優(yōu)化，去掉1，3，5號(hào)傳感單元之后，從主成分分析散點(diǎn)圖上比較，對(duì)正常與霉變玉米區(qū)分效果更明顯。且優(yōu)化后主成分分?jǐn)?shù)由88．34%提高至97．54%。

3．3 采用四種識(shí)別算法對(duì)檢驗(yàn)集未知樣品進(jìn)行試驗(yàn)，傳感器單元優(yōu)化前后結(jié)果分別為:優(yōu)化前Euclid:68．75%，Malahanobis:75%，Correlation:84．38%，DFA:81．25%;優(yōu)化后 Euclid:68．75%，Malahanobis:75%，Correlation:90．63%，DFA:87．5%。Correlation 和 DFA的判別率在優(yōu)化后有所提高，且比Euclid和Malahanobis的判別率要高。

［1］Magana N，Evans P．Volatiles as an indicator of fungal activity and differentiation between species，and the potential use of electronic nose Tech－nology for early detection of grain spoilage［J］．Journal of Stored Products Research，2000，36:31 －340

［2］Jonsson A，Winquist F，Schnurer J，et al．Electronic nose for microbial quality classification of grains［J］．International Journal of Food Microbiology，1997，35:187 －193

［3］Olsson J，Borjesson T，Lundsted T．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

［4］Matteo Falasconi，Emanuela Gobbi，MAatteo Pardo，et al．Detection of toxigenic strains of Fusarium verticillioides in corn by electronic olfactory system［J］．Sensors and Actuators B:Chemical，2005，108:250 －257

［5］鄒小波，趙杰文．電子鼻快速檢測(cè)谷物霉變的研究［J］．農(nóng)業(yè)工程學(xué)報(bào)，2004，7(20):121 －124

［6］潘天紅，陳山，趙德安．電子鼻技術(shù)在谷物霉變識(shí)別中的應(yīng)用［J］．儀表技術(shù)與傳感器，2005，3:51－52

［7］張紅梅，王俊，葉盛．電子鼻傳感器陣列優(yōu)化與谷物霉變程度的檢測(cè)［J］．傳感技術(shù)學(xué)報(bào)，2007，6(6):1207 －1210

［8］俞詠新，孫曉紅，潘迎捷．應(yīng)用電子鼻檢測(cè)食源性致病菌的研究［J］．化學(xué)通報(bào)，2010，2:154－159

［9］海錚，王?。娮颖切盘?hào)特征提取與傳感器優(yōu)化的研究［J］．傳感技術(shù)學(xué)報(bào)，2006，19(3):607 －610

［10］張紅梅，王?。娮颖莻鞲衅麝嚵袃?yōu)化及其在小麥儲(chǔ)藏年限檢測(cè)中應(yīng)用［J］．農(nóng)業(yè)工程學(xué)報(bào)，2006，22(12):164－167

［11］張覃軼．電子鼻:傳感器陣列、系統(tǒng)及應(yīng)用研究［D］．武漢:華中科技大學(xué)，2005．

Study on Rapid Identification Tech－nology of Moldy Corn by Electronic Nose

Cui Lijing1，2Zhou Xianqing1 Lin jiayong2 Zhang Yurong1
(School of Food Science and Tech－nology Henan University of Tech－nology1，Zhengzhou 450052)
(Science Academy of State Administration of Grain2，Beijing 100037)

40 normal samples and 41 moldy samples were collected to domesticate the electronic nose．10 sensor arrays were optimized，and 32 unknown samples were tested by the electronic nose，including 15 moldy samples and 17 normal ones．The principal component percentages before and after being optimized were86．34%and 97．54%respectively，and the optimized one increased by 11．2%compared with the original one．Four different pattern recognition algorithms were applied to identify the unknown samples．Before the optimization，the total discrimination rates were Euclid:68．75%，Malahanobis:75%，Correlation:84．38%，DFA:81．25%．After optimization，the total discrimination rates were Euclid:68．75%，Malahanobis:75%，Correlation:90．63%，and DFA:87．5%．The discrimination rate of the algorithm correlation and DFA was improved after being optimized，and the correlation reached 90．63%．With regard to the discrimination between moldy and normal corns，the discrimination ratio of moldy sample was far higher than the discrimination rate of normal ones．

electronic nose，corn，moldy，rapid detection

Q51

A

1003－0174(2011)10－0103－05

國(guó)家科技支撐計(jì)劃(2009BADA0B00－5)

2010－11－24

崔麗靜，女，1984年出生，碩士，食品科學(xué)

林家永，男，1960年出生，研究員，糧食品質(zhì)與增值利用