基于生物阻抗技術(shù)的淡水魚新鮮度檢測(cè)方法研究

薛大為, 楊春蘭

（蚌埠學(xué)院機(jī)械與電子工程系, 安徽 蚌埠 233030）

基于生物阻抗技術(shù)的淡水魚新鮮度檢測(cè)方法研究

薛大為, 楊春蘭

（蚌埠學(xué)院機(jī)械與電子工程系, 安徽 蚌埠 233030）

針對(duì)單獨(dú)以阻抗模值條件或相角條件對(duì)淡水魚新鮮度檢測(cè)存在判別準(zhǔn)確度不高的問題,提出了綜合阻抗模值和相角兩個(gè)條件并結(jié)合神經(jīng)網(wǎng)絡(luò)對(duì)淡水魚新鮮度進(jìn)行檢測(cè)的方法. 以模值和相角作為輸入因子, 以TVB-N作為輸出因子,建立了淡水魚新鮮度3層BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型. 實(shí)驗(yàn)結(jié)果表明, 該模型對(duì)于淡水魚新鮮度判別準(zhǔn)確率達(dá)到95%, 相對(duì)于單獨(dú)模值條件或相角條件判別, 準(zhǔn)確度顯著提高.

淡水魚; 新鮮度; 阻抗特性; BP神經(jīng)網(wǎng)絡(luò)

引言

魚類隨著死亡時(shí)間的增長(zhǎng)會(huì)出現(xiàn)腐敗現(xiàn)象, 一旦腐敗魚體中就會(huì)產(chǎn)生一些害物質(zhì), 如果被人食用會(huì)對(duì)健康造成危害. 因此, 新鮮度是決定魚類或魚肉質(zhì)量的重要指標(biāo)之一[1], 對(duì)魚肉新鮮度進(jìn)行快速、準(zhǔn)確的檢測(cè)具有重要的實(shí)際意義. 生物阻抗技術(shù)是一種利用阻抗特性來分析生物體組織特征變化信息的技術(shù). 在醫(yī)學(xué)領(lǐng)域利用生物阻抗技術(shù)進(jìn)行人體器官病變的診斷已經(jīng)得到成功的應(yīng)用[2-3]. 隨著生物阻抗技術(shù)發(fā)展和研究的深入, 該技術(shù)在水果、肉類等農(nóng)產(chǎn)品加工領(lǐng)域應(yīng)用越來越受到重視[4-5]. 本文將對(duì)利用生物阻抗技術(shù)對(duì)淡水魚新鮮度進(jìn)行檢測(cè)的方法進(jìn)行研究.

1 淡水魚新鮮度與阻抗特性關(guān)系

為了研究淡水魚新鮮度與阻抗特性的關(guān)系, 以鰱魚為研究對(duì)象進(jìn)行了大量的試驗(yàn)(環(huán)境溫度為5°C). 利用自行設(shè)計(jì)的虛擬儀器阻抗特性測(cè)量系統(tǒng)對(duì)不同新鮮度鰱魚魚體在不同頻率信號(hào)作用下魚體阻抗特性進(jìn)行了多次測(cè)量. 通過試驗(yàn)結(jié)果分析, 在不同頻率信號(hào)作用下, 隨著魚體死亡時(shí)間增長(zhǎng)新鮮度下降, 魚體復(fù)阻抗的平均模值與平均相角總體都呈現(xiàn)下降趨勢(shì)[6]. 經(jīng)過比較發(fā)現(xiàn), 當(dāng)輸入信號(hào)頻率為1kHZ時(shí), 鰱魚阻抗特性與新鮮度之間的關(guān)系比較顯著. 因此, 選擇1kHZ信號(hào)作用來分析鰱魚阻抗特性與新鮮度之間的關(guān)系. 1kHZ信號(hào)作用下魚體阻抗平均模值和平均相角變化與魚體死亡時(shí)間的關(guān)系如圖1所示. 可以看出, 魚體阻抗模值和相角隨魚體死亡時(shí)間增長(zhǎng)呈非線性變化, 且都與魚體新鮮度相關(guān).

國(guó)家標(biāo)準(zhǔn)規(guī)定當(dāng)魚肉中化學(xué)成分TVB-N(揮發(fā)性鹽基氮)含量超過20mg/100g時(shí), 則認(rèn)定魚體已經(jīng)腐敗變質(zhì)[1].對(duì)鰱魚的試驗(yàn)測(cè)量得出, 當(dāng)魚體死亡時(shí)間超過120小時(shí), 魚肉中TVB-N含量將超過20mg/100g, 魚體腐敗. 在死亡120小時(shí), 魚體復(fù)阻抗平均模值為92.16Ω, 魚體復(fù)阻抗平均相角為1.53°. 因此, 以魚肉中TVB-N含量作為判定新鮮度標(biāo)準(zhǔn), 可以得出鰱魚的新鮮度與阻抗特性的以下關(guān)系: 在輸入信號(hào)頻率為1kHZ下, 當(dāng)魚體阻抗模值>92.16Ω或魚體阻抗相角>1.53°時(shí)魚體為新鮮, 否則魚體為腐敗.

根據(jù)上述結(jié)論, 分別單獨(dú)以阻抗模值條件和相角條件對(duì)魚體新鮮度進(jìn)行判別實(shí)驗(yàn), 結(jié)果存在較大誤差, 準(zhǔn)確度不高. 針對(duì)存在的問題, 本研究將綜合阻抗模值和相角兩個(gè)條件并結(jié)合BP神經(jīng)網(wǎng)絡(luò)(BP neural network, BPNN)對(duì)淡水魚新鮮度進(jìn)行檢測(cè), 以提高判別的準(zhǔn)確度.

圖1 魚體阻抗特性隨死亡時(shí)間變化曲線(1kHZ)Fig.1 Curve of fish impedance characteristic variety with death time(1kHZ)

2 基于BP神經(jīng)網(wǎng)絡(luò)的淡水魚新鮮度預(yù)測(cè)模型

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)[7-8]是最典型的神經(jīng)網(wǎng)絡(luò)之一, 具有較強(qiáng)的非線性逼近能力, 應(yīng)用廣泛. BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成, 其中隱含層可以有1個(gè)或多個(gè). 典型的單隱含層3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程, 就是不斷的給網(wǎng)絡(luò)輸入訓(xùn)練樣本觀測(cè)網(wǎng)絡(luò)輸出, 當(dāng)網(wǎng)絡(luò)實(shí)際輸出與期望輸出不符時(shí), 調(diào)整網(wǎng)絡(luò)的連接權(quán)值和閾值(可看作輸入為-1的連接權(quán)值), 直到輸出達(dá)到預(yù)期值或?qū)W習(xí)次數(shù)達(dá)到設(shè)定最大學(xué)習(xí)次數(shù), 則學(xué)習(xí)結(jié)束. δ算法是BP神經(jīng)網(wǎng)絡(luò)最常用的學(xué)習(xí)算法, 但該算法學(xué)習(xí)速度較慢且容易陷入局部最小[9-10]. 為了克服存在的缺陷, 必須要對(duì)算法進(jìn)行優(yōu)化. 本文將采用附加動(dòng)量項(xiàng)的改進(jìn)δ學(xué)習(xí)算法, 具體算法為:

圖2 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of three-layer BP neural network

2.2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

根據(jù)實(shí)際設(shè)計(jì)需要, 決定采用具有單個(gè)隱含層的3層網(wǎng)絡(luò)結(jié)構(gòu). 以魚體阻抗模值和相角作為網(wǎng)絡(luò)輸入, 以魚體中化學(xué)成分TVB-N含量作為網(wǎng)絡(luò)輸出. 則, 網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)對(duì)應(yīng)網(wǎng)絡(luò)輸入因子數(shù), 為2, 網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)對(duì)應(yīng)網(wǎng)絡(luò)輸出因子數(shù), 為1.

隱含層節(jié)點(diǎn)數(shù)的選擇是網(wǎng)絡(luò)設(shè)計(jì)的關(guān)鍵之一, 對(duì)網(wǎng)絡(luò)性能產(chǎn)生重要影響. 而對(duì)于隱含層節(jié)點(diǎn)數(shù)的確定目前還沒有比較有效的方法, 最常用的就是試湊法. 先通過經(jīng)驗(yàn)公式(8)確定隱含層節(jié)點(diǎn)數(shù)的大致范圍, 再選擇不同的隱含層節(jié)點(diǎn)數(shù)進(jìn)行測(cè)試, 設(shè)定誤差精度為0, 以網(wǎng)絡(luò)收斂精度最高者對(duì)應(yīng)的隱含層節(jié)點(diǎn)數(shù)作為最終選擇. 確定隱含層節(jié)點(diǎn)數(shù)的經(jīng)驗(yàn)公式為:

不同隱含層節(jié)點(diǎn)數(shù)測(cè)試結(jié)果如表1所示. 可以看出當(dāng)隱含層節(jié)點(diǎn)數(shù)為11時(shí)誤差最小精度最高. 網(wǎng)絡(luò)訓(xùn)練誤差曲線如圖3所示. 因此, BP神經(jīng)網(wǎng)絡(luò)的最佳結(jié)構(gòu)為2-11-1.

表1 不同隱含層節(jié)點(diǎn)數(shù)測(cè)試結(jié)果Tab.1 Experiment results of network with different hidden layer node number

11 0.004128 14 12 0.004371 16

圖3 網(wǎng)絡(luò)訓(xùn)練誤差曲線Fig.3 Training error curve of network

3 實(shí)驗(yàn)分析

為了檢驗(yàn)BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)準(zhǔn)確度, 選取鰱魚在不同死亡時(shí)間下的123個(gè)測(cè)量結(jié)果作為實(shí)驗(yàn)樣本, 其中102個(gè)作為訓(xùn)練樣本, 21個(gè)作為測(cè)試樣本. 為了保證BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度與建模效率, 對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理[11],

實(shí)驗(yàn)同時(shí)還分別單獨(dú)采用模值條件和相角條件對(duì)魚體新鮮度進(jìn)行檢測(cè), 以進(jìn)行性能比較. 判別結(jié)果如表2所示. 從實(shí)驗(yàn)結(jié)果可以看出, 單獨(dú)以阻抗模值判別時(shí), 有3個(gè)樣本產(chǎn)生誤判, 判別的準(zhǔn)確率為 86%, 單獨(dú)以相角進(jìn)行判別時(shí)有2個(gè)樣本產(chǎn)生誤判, 判別的準(zhǔn)確率為90%而BP神經(jīng)網(wǎng)絡(luò)模型只有1個(gè)樣本產(chǎn)生誤判, 判別的準(zhǔn)確率達(dá)到95%, 準(zhǔn)確度有所提高.

表2 判別結(jié)果Tab.2 Recognition results

100 120.942 1.802 17.110 新鮮 新鮮 新鮮120 93.758 1.567 19.853 誤判新鮮 誤判新鮮 誤判新鮮120 94.362 1.351 20.166 腐敗 誤判新鮮 腐敗120 95.739 1.542 20.249 腐敗 誤判新鮮 誤判新鮮130 86.132 1.313 21.850 腐敗 腐敗 腐敗130 89.356 1.357 21.037 腐敗 腐敗 腐敗130 86.356 1.302 21.811 腐敗 腐敗 腐敗140 81.012 0.976 22.749 腐敗 腐敗 腐敗140 80.346 1.203 22.851 腐敗 腐敗 腐敗140 79.124 0.911 23.468 腐敗 腐敗 腐敗

4 結(jié)論

根據(jù)淡水魚新鮮度與阻抗特性關(guān)系, 當(dāng)單獨(dú)以模值條件或相角條件進(jìn)行新鮮度判別時(shí)誤差較大, 判別準(zhǔn)確度不高. 本文提出綜合模值和相角兩個(gè)條件, 并結(jié)合神經(jīng)網(wǎng)絡(luò)建立淡水魚新鮮度的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型. 實(shí)驗(yàn)結(jié)果表明, BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)淡水魚新鮮度判別的準(zhǔn)確率達(dá)到95%, 相比以模值條件判別的86%和以相角條件判別的90%, 判別準(zhǔn)確度顯著提高. 同時(shí)也看出, BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在魚體腐敗點(diǎn)附近, 仍然存在判別誤差, 該模型還需要進(jìn)一步優(yōu)化.

[1] 張軍. 基于復(fù)阻抗特性和電子鼻的淡水魚新鮮度快速檢測(cè)方法的研究[D]. 武漢: 華中農(nóng)業(yè)大學(xué), 2008.

[2] 王超, 章曉麗, 劉俊霞, 等. 基于虛擬儀器的混頻生物阻抗測(cè)量系統(tǒng)[J]. 北京理工大學(xué)學(xué)報(bào), 2006, 26(1): 53-56.

[3] 王超, 王化祥. 基于虛參考點(diǎn)的生物阻抗測(cè)量方法[J]. 天津大學(xué)學(xué)報(bào), 2005, 38(4): 352-355.

[4] 丁強(qiáng), 王忠義, 黃嵐, 等. 生物阻抗技術(shù)及其在肉品質(zhì)檢測(cè)中的應(yīng)用[J]. 傳感器與微系統(tǒng), 2008, 28(3): 4-7.

[5] 蔡騁, 李曉龍, 馬惠玲, 等. 基于生物阻抗特性的蘋果新鮮度無損測(cè)定[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2013, 44(2): 147-152.

[6] 薛大為, 楊春蘭. 基于阻抗特性的淡水魚新鮮度快速檢測(cè)系統(tǒng)[J]. 廣東農(nóng)業(yè)科學(xué), 2013, 40(1): 191-193.

[7] 史麗萍, 龔海霞, 李震, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的電池SOC估算[J]. 電源技術(shù), 2013, 37(9): 1539-1541.

[8] 龍訓(xùn)建, 錢鞠, 梁川.基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)及其在需水預(yù)測(cè)中的應(yīng)用[J]. 成都理工大學(xué)學(xué)報(bào): 自然科學(xué)版, 2010, 37(2): 206-210.

[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] 樊振宇. BP神經(jīng)網(wǎng)絡(luò)模型與學(xué)習(xí)算法[J]. 軟件導(dǎo)刊, 2011, 10(7): 66-68.

[11] 唐萬梅. 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, 35(10): 95-100.

Study on detection method of freshwater fish freshness based on bioimpedance technology

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

Thinking of that freshwater fish freshness recognition accuracy rate was not high by using modulus of impedance or phase condition alone, the detection method of freshwater fish freshness which synthesized modulus and phase condition and combined neural network was proposed. The 3-layer predicted model of freshwater fish freshness was built by using the modulus and phase as the input factor, the TVB-N as the output factor. The experiment results showed that the recognition accuracy rate of this model was 95%. Relative to the recognition using modulus or phase condition, the accuracy was improved markedly.

freshwater fish; freshness; impedance characteristic; BP neural network

TP216,TS207

A

1003-4271(2014)04-0603-05

10.3969/j.issn.1003-4271.2014.04.26

2014-06-03

薛大為(1978-), 男, 漢族, 安徽宿州人, 講師, 碩士, 研究方向: 自動(dòng)控制系統(tǒng), 檢測(cè)技術(shù)及儀器儀表. E-mail: bbxuedawei@163.com.

安徽省高等學(xué)校優(yōu)秀青年人才基金項(xiàng)目(2012SQRL218).