基于電子鼻技術(shù)的茶葉貯藏時間檢測方法

楊春蘭，薛大為

(蚌埠學院電子與電氣工程系，安徽 蚌埠 233030)

基于電子鼻技術(shù)的茶葉貯藏時間檢測方法

楊春蘭，薛大為

(蚌埠學院電子與電氣工程系，安徽 蚌埠 233030)

主要探索茶葉貯藏時間的檢測方法.以黃山毛峰茶為研究對象，利用電子鼻對7個不同貯藏時間下的干茶葉進行檢測.根據(jù)電子鼻傳感器陣列響應特點選取了特征變量，以特征變量為自變量，以茶葉貯藏時間為因變量，建立了茶葉貯藏時間的BP神經(jīng)網(wǎng)絡(luò)預測模型.通過測試樣本對模型進行實驗分析，結(jié)果表明:該模型對于7個不同貯藏時間茶葉樣本最大預測誤差為42.1天；預測誤差超過10天的最大樣本數(shù)為5個，占總樣本數(shù)的7.14%.驗證了所建立的茶葉貯藏時間BP神經(jīng)網(wǎng)絡(luò)預測模型的可行性.

茶葉；電子鼻；貯藏時間；BP神經(jīng)網(wǎng)絡(luò)

茶葉的品質(zhì)不僅與茶葉的等級有關(guān)，也與茶葉的的貯藏時間有關(guān).一般情況下，茶葉的等級越高其品質(zhì)也越好，對于同一等級的茶葉隨著貯藏時間的增長其品質(zhì)會逐漸降低.當前，對于茶葉品質(zhì)的評價通常采用兩種方法，即感官評價法和理化檢測法[1].感官評價法對于評價人員的要求較高，且容易收到主觀因素的影響，評價結(jié)果客觀性較差.理化檢測法采用試驗的方法測定理化指標，評價結(jié)果準確，但操作程序復雜且費時.因此，探索一種更加簡便、快速、準確的茶葉品質(zhì)檢測方法有著重要意義.

茶葉會散發(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，香氣中蘊含著與茶葉品質(zhì)相關(guān)的信息，可作為評價茶葉品質(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)成復雜，依靠少量幾個傳感器很難對其進行有效的檢測.電子鼻作為一種仿生物嗅覺功能的儀器，可以對揮發(fā)性氣體反映的綜合狀態(tài)進行檢測，為從香氣檢測茶葉品質(zhì)提供了可能.

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

1 電子鼻

研究中使用德國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個半導體金屬氧化物傳感器，其特性如表1所示.傳感器響應為接觸揮發(fā)性物時的電導率G與經(jīng)過解吸附裝置處理之后電導率G0的比值，即G/G0.傳感器響應典型曲線如圖1所示.

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

圖1 傳感器典型響應曲線Fig.1 Typical response curve ofsensors

2 BP神經(jīng)網(wǎng)絡(luò)及學習算法

模式識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、結(jié)構(gòu)簡單、設(shè)計方便、泛化能力強等優(yōu)點，是模式識別中常用的方法之一.本研究中電子鼻傳感器陣列響應與茶葉貯藏時間之間是一種復雜的非線性關(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.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)的學習過程[10-11]，就是利用訓練樣本的預測值與期望值之間的誤差，通過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)誤差達到預設(shè)的精度或訓練次數(shù)達到設(shè)定值，則學習結(jié)束.具體學習算法如下:

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

式中，dk(m)為第m個訓練樣本的期望輸出值，ok(m)為第m個訓練樣本的實際輸出值，h為輸出層節(jié)點數(shù).

3 茶葉貯藏時間BP神經(jīng)網(wǎng)絡(luò)預測模型的建立

3.1 茶葉樣本

從茶廠訂購市場售價為500元/斤的黃山毛峰新茶的干茶葉，并貯藏于5°C的冰柜中.利用電子鼻對茶葉每隔60天檢測一次，連續(xù)檢測360天，即0天、60天、120天、180天、240天、300天、360天.每次檢測重復試驗30次，共有210個數(shù)據(jù)樣本.將數(shù)據(jù)樣本分成2部分，其中140個樣本(每個貯藏時間20個)作為訓練樣本，70個樣本(每個貯藏時間10個)作為測試樣本.

3.2 特征變量選擇

通過電子鼻對不同貯藏時間黃山毛峰茶檢測，對于不同貯藏時間的黃山毛峰傳感器陣列10個傳感器在45s之后都基本趨向于穩(wěn)態(tài)，且傳感器陣列的穩(wěn)態(tài)響應值存在差異.根據(jù)這一特點，選擇傳感器陣列10個傳感器在第50s時響應值(即，穩(wěn)態(tài)值)為特征變量，用于茶葉貯藏時間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時響應值.

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

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)計需要.BP神經(jīng)網(wǎng)絡(luò)輸入節(jié)點的個數(shù)由輸入變量個數(shù)決定，輸出節(jié)點個數(shù)有輸出變量的個數(shù)決定. BP神經(jīng)網(wǎng)絡(luò)輸入量為10個特征變量，輸出量為茶葉貯藏時間.因此，BP神經(jīng)網(wǎng)絡(luò)輸入節(jié)點數(shù)為10個，輸出節(jié)點數(shù)為1個.中間層激勵函數(shù)選擇tansig函數(shù)，

輸出層激勵函數(shù)選擇purelin函數(shù)，

經(jīng)過多次對比試驗，當學習率μ取0.07，動量因子λ取0.5時性能最佳.對于中間層節(jié)點數(shù)的選擇，首先根據(jù)經(jīng)驗確定大致取值范圍在5ˉ14之間，然后通過試驗的方法進行比較以確定最佳的點數(shù).具體試驗方法為，設(shè)定目標誤差為0.01，利用訓練樣本對不同中間層節(jié)點數(shù)的網(wǎng)絡(luò)進行訓練，以達到設(shè)定誤差所需訓練次數(shù)最少者為最優(yōu).不同中間層節(jié)點數(shù)訓練結(jié)果如表2所示.由此可得最佳BP神經(jīng)網(wǎng)絡(luò)預測模型結(jié)構(gòu)為10ˉ12ˉ1，其訓練曲線如圖3所示.

表2 不同中間層節(jié)點數(shù)訓練結(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)訓練曲線Fig.3 Training curve of the best BP neural network

4 實驗分析

為了檢驗茶葉貯藏時間BP神經(jīng)網(wǎng)絡(luò)預測模型的有效性，利用測試樣本對預測模型進行實驗分析.根據(jù)實驗結(jié)果，對于7個不同貯藏時間茶葉檢測的最大預測誤差為42.1天，預測誤差超過10天的樣本最大比率為7.14%.實驗結(jié)果分析如表3所示.茶葉不同貯藏時間平均預測結(jié)果如圖4所示.

表3 實驗結(jié)果分析Table 3 Experimental results analysis

圖4 茶葉不同貯藏時間預測平均值Fig.4 Predicted averages of different storage time

5 結(jié)論

本研究利用電子鼻對7個不同貯藏時間下的黃山毛峰茶進行檢測.根據(jù)電子鼻傳感器陣列響應曲線變化特點，選取了相應的特征變量.以特征變量為自變量，以茶葉貯藏時間為因變量，建立了黃山毛峰茶貯藏時間的BP神經(jīng)網(wǎng)絡(luò)預測模型.通過實驗結(jié)果分析，該模型對于不同貯藏時間黃山毛峰茶的最大預測誤差小于60天，預測誤差超過10天的比率小于10%.表明建立的BP神經(jīng)網(wǎng)絡(luò)預測模型可用于檢測黃山毛峰茶的貯藏時間，該方法對于其他種類的茶葉貯藏時間檢測也具有一定的借鑒意義.同時，根據(jù)實驗結(jié)果該預測模型仍然存在一定的誤差，后續(xù)的研究中將進一步改進方法，提高模型的預測精度.

[1]于慧春，王俊.電子鼻技術(shù)在茶葉品質(zhì)檢測中的應用研究[J].傳感技術(shù)學報，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存時間預測方法研究[J].傳感技術(shù)學報，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間及品質(zhì)預測[J].西北農(nóng)林科技大學(自然科學版)，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[J].現(xiàn)代食品科技，2014，30(4):279-285.

[5]洪雪珍，王俊，周博，等.豬肉儲藏時間的電子鼻區(qū)分方法[J].浙江大學學報(農(nóng)業(yè)與生命科學版)，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)等級檢測研究[J].農(nóng)機化研究，2012，34(11):133-137.

[7]于慧春，王俊.電子鼻技術(shù)在茶葉品質(zhì)檢測中的應用研究[J].傳感技術(shù)學報，2008，21(5):748-752.

[8]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)的短時交通流混沌預測[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].中南大學學報(自然科學版)，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)機械學報，2015，46(8):239-245.

(責任編輯:張陽，付強，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，食品品質(zhì)檢測，等.

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

安徽省高等學校省級自然科學研究項目(KJ2013Z195)；安徽省高等學校優(yōu)秀青年人才基金項目(2012SQRL218)