基于溫度調(diào)制的電子鼻技術(shù)應(yīng)用研究

楊志蒙，趙永禮，溫舉洪，彭志，銀建新

（201620 上海市 上海工程技術(shù)大學(xué) 機(jī)械與汽車工程學(xué)院）

0 引言

電子鼻檢測是一種模仿生物嗅覺系統(tǒng)的智能識別技術(shù)，主要是通過氣體傳感器陣列與被測樣本揮發(fā)的氣體發(fā)生響應(yīng)以獲取被測樣本信息，具有響應(yīng)快速、靈敏度高、成本低和操作方便等特點(diǎn)。隨著氣體傳感器的發(fā)展，電子鼻技術(shù)被廣泛應(yīng)用于食品質(zhì)量檢測、環(huán)境檢測、疾病診斷和危險氣體識別等領(lǐng)域[1-3]，其中食品質(zhì)量與人們的身體健康密切相關(guān)，因此利用電子鼻技術(shù)對食品方面的研究成為近年來的研究熱點(diǎn)[4-7]。例如，Rubio 等[8]采用adaline 神經(jīng)網(wǎng)絡(luò)有效區(qū)分了水果和蔬菜，但采用的系統(tǒng)需要800 s 的采樣時間；徐賽等[9]通過特征提取和概率神經(jīng)網(wǎng)絡(luò)（PNN）等算法很好地區(qū)分了普洱茶的種類；王超等[10]采用核熵成分分析（KPCA）、線性判別分析（LDA）和支持向量機(jī)（SVM）等協(xié)同降維算法對不同白酒進(jìn)行分類，并實(shí)現(xiàn)了96%的準(zhǔn)確率。上述研究雖然對食品種類有了較好的區(qū)分，但存在采樣時間長、傳感器陣列數(shù)量多、功耗大等缺點(diǎn)。

針對上述研究存在的問題，本文設(shè)計了一種基于溫度調(diào)制的電子鼻系統(tǒng)，通過對氣體傳感器提供不同的加熱溫度達(dá)到傳感器復(fù)用的效果，有效減少了傳感器陣列的數(shù)量，且具有響應(yīng)快速、采樣時間短等優(yōu)點(diǎn)。利用電子鼻溫度調(diào)制系統(tǒng)采集了煙臺、洛川、靈寶和昭通4 個產(chǎn)地的蘋果氣味信息，并采用主成分分析（PCA）處理氣味特征數(shù)據(jù)，利用支持向量機(jī)（SVM）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）機(jī)器學(xué)習(xí)算法對不同產(chǎn)地的蘋果進(jìn)行分類識別，其中基于溫度調(diào)制數(shù)據(jù)的算法識別比單一溫度下的算法識別準(zhǔn)確率更高。

1 電子鼻溫度調(diào)制系統(tǒng)設(shè)計

1.1 系統(tǒng)工作原理

本電子鼻溫度調(diào)制系統(tǒng)主要為半導(dǎo)體氣體傳感器提供加熱電壓，使得氣體傳感器在不同的加熱溫度下進(jìn)行數(shù)據(jù)采集和處理，通過單片機(jī)ADC 模塊采集氣體傳感器響應(yīng)數(shù)據(jù)，并通過串口發(fā)送到PC 端上位機(jī)顯示。圖1 為氣味識別系統(tǒng)工作原理框圖[11]。

圖1 氣味識別系統(tǒng)工作原理Fig.1 Working principle of odor recognition system

1.2 硬件電路設(shè)計

系統(tǒng)溫度調(diào)制電路如圖2 所示，采用STM32F103C8T6 為主控芯片。為達(dá)到調(diào)制不同加熱溫度的目的，采用MCP41010 數(shù)字電位器對輸出的加熱電壓分壓，并設(shè)計功率放大電路使傳感器能夠穩(wěn)定工作[12]。其中，MCP41010 是一個10 k 的數(shù)字電位器，具有256 個離散的滑動調(diào)節(jié)節(jié)點(diǎn)，可通過上位機(jī)軟件調(diào)節(jié)不同的節(jié)點(diǎn)位置改變其阻值。

圖2 溫度調(diào)制電路Fig.2 Temperature modulation circuit

為使傳感器能夠穩(wěn)定工作，采用功率放大電路（OCL）對數(shù)字電位器輸出的功率進(jìn)行放大，晶體管Q1采用NPN 型三極管2N3904，Q2采用PNP 型三極管2N3906，其最大功率P 的計算公式為：

式中：VCC——功率放大電路提供的供電電壓；UCES——三極管飽和壓降；RL——?dú)怏w傳感器加熱電極電阻值。

2 材料與方法

蘋果是世界四大水果之冠，因其爽脆的口感和富含豐富的營養(yǎng)價值而被廣大消費(fèi)者喜愛[13]。我國市場上的蘋果主要來自煙臺、洛川、靈寶和昭通四大產(chǎn)地，風(fēng)味各具特色，而市場上常有非法經(jīng)營者利用其他產(chǎn)地的蘋果冒充四大產(chǎn)地蘋果非法經(jīng)營，破壞了良性市場競爭，因此開發(fā)一種快速簡便識別蘋果產(chǎn)地的方法技術(shù)十分重要。本文實(shí)驗(yàn)中，分別從煙臺、洛川、靈寶和昭通4 個產(chǎn)地購買新鮮成熟的蘋果各50 個。

2.1 主要儀器和設(shè)備

針對成熟蘋果散發(fā)出來的芳香氣體環(huán)境，本電子鼻系統(tǒng)采用3 顆氣體傳感器GS001、GS002 和GS003 組成陣列，各傳感器特性見表1?；跍囟日{(diào)制系統(tǒng)，選擇1.8 V 和1.2 V 兩種加熱電壓，并用STM32F103C8T6 單片機(jī)采集數(shù)據(jù)和處理信息。

表1 氣體傳感器型號及其參數(shù)Tab.1 Gas sensor model and parameters

2.2 試驗(yàn)方法

采用設(shè)計有溫度調(diào)制系統(tǒng)的電子鼻系統(tǒng)電子鼻系統(tǒng)對每個蘋果樣本單獨(dú)進(jìn)行氣味采集，具體實(shí)驗(yàn)步驟如下：

（1）接通電路，加熱電壓調(diào)至1.2 V，將傳感器在室溫（25 ℃）中預(yù)熱30 min 達(dá)到穩(wěn)定狀態(tài)；

（2）將蘋果樣本放入密閉氣室，等待蘋果氣味充滿氣室后，用氣泵抽取20 s 氣室內(nèi)氣體至電子鼻系統(tǒng)；

（3）待傳感器響應(yīng)曲線恢復(fù)到穩(wěn)定狀態(tài)后，保存數(shù)據(jù)，進(jìn)行下一次樣本采集；

（4）重復(fù)步驟（2）、步驟（3），直至采集完1.2 V 加熱電壓下所有蘋果樣本氣味；

（5）加熱電壓調(diào)至1.8 V，重復(fù)步驟（2）、步驟（3），直至采集完1.8 V 加熱電壓下所有蘋果樣本氣味。

2.3 算法理論

2.3.1 主成分分析方法（Principal Component Analysis,PCA）

一種電子鼻常用的無監(jiān)督數(shù)據(jù)降維方法，其提取傳感器多指標(biāo)信息并降低數(shù)據(jù)維度，同時保留原始數(shù)據(jù)中的大部分特性[14]。

2.3.2 支持向量機(jī)（Support Vector Machine,SVM）

一種基于統(tǒng)計學(xué)理論的有監(jiān)督二分類模型，其通過線性和非線性核將變量映射到空間平面，并在特征空間中尋找使得兩種類別距離最大的超平面[15]。

2.3.3 卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）

由多層感知機(jī)演化而來，由于含有卷積層、池化層和全連接等多種結(jié)構(gòu)的深度學(xué)習(xí)方法，使得卷積神經(jīng)網(wǎng)絡(luò)在視覺識別領(lǐng)域取得巨大成功[16]。其中，卷積層是構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)的核心層，包含多個卷積核，卷積核通過從左至右、從上往下滑動的方式依次對輸入的特征信息進(jìn)行提取，卷積層進(jìn)行卷積的公式為：

式中：f（i）——當(dāng)前層卷積的輸出；i——卷積層中卷積第i 個卷積核；a——卷積層的輸入；w——卷積核i 的權(quán)值；b——卷積核的偏置。

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)原始數(shù)據(jù)

本文采集氣味信息的頻率為1 Hz，從蘋果氣味響應(yīng)前10 s 到響應(yīng)恢復(fù)穩(wěn)定狀態(tài)為一個完整樣本數(shù)據(jù)，每個樣本數(shù)據(jù)120 s 左右。圖3 顯示了4個產(chǎn)地蘋果分別在1.8 V 和1.2 V 加熱溫度下傳感器的響應(yīng)數(shù)據(jù)。

圖3 4 種不同產(chǎn)地蘋果響應(yīng)曲線Fig.3 Response curves of apples from four different origins

3.2 數(shù)據(jù)的處理與分析

特征提取對機(jī)器學(xué)習(xí)模型的建立至關(guān)重要。由圖3 可知，不同產(chǎn)地蘋果存在著明顯的響應(yīng)差異，因此提取樣本內(nèi)10～100 s 的樣本特征，采用主成分分析算法對不同加熱溫度下的響應(yīng)數(shù)據(jù)進(jìn)行降維處理，結(jié)果如圖4 所示，圖4（a）表示1.8 V 加熱溫度下樣本數(shù)據(jù)的降維結(jié)果，圖4（b）表示1.2 V加熱溫度下樣本數(shù)據(jù)的降維結(jié)果，圖4（c）表示融合1.8 V、1.2 V 兩種加熱溫度下樣本數(shù)據(jù)的降維結(jié)果?？梢钥闯?，3 種降維情況的前3 個主成分累計貢獻(xiàn)率均已超過95%，能代表原始數(shù)據(jù)的大部分信息，因此選擇前3 個主成分為降維特征。

圖4 不同加熱溫度下的響應(yīng)數(shù)據(jù)降維結(jié)果Fig.4 Dimension reduction results of response data at different heating temperatures

為更好地區(qū)分蘋果的產(chǎn)地，從每個產(chǎn)地的樣本中抽取30 個作為訓(xùn)練樣本，其余20 個作為預(yù)測樣本，本文采用支持向量機(jī)（SVM）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）兩種有監(jiān)督學(xué)習(xí)算法對降維后的數(shù)據(jù)進(jìn)行分類識別。由表2—表7 分析可知，1.8 V 加熱溫度下PCA-SVM 算法分類準(zhǔn)確率為76.25%，PCACNN 算法分類準(zhǔn)確率為78.75%，而1.2 V 加熱溫度下PCA-SVM 算法分類準(zhǔn)確率為76.25%，PCACNN 算法分類準(zhǔn)確率為77.5%。將1.8 V、1.2 V 加熱溫度下3 顆傳感器的數(shù)據(jù)特征融合一起，PCASVM 和PCA-CNN 兩種算法的準(zhǔn)確率更高，分別達(dá)到了80%和85%。

表2 1.8 V 加熱溫度PCA-SVM 分類混淆矩陣Tab.2 Confusion matrix of PCA-SVM at 1.8 V heating temperature

表3 1.8 V 加熱溫度PCA-CNN 分類混淆矩陣Tab.3 Confusion matrix of PCA-CNN at 1.8 V heating temperature

表4 1.2 V 加熱溫度PCA-SVM 分類混淆矩陣Tab.4 Confusion matrix of PCA-SVM at 1.2 V heating temperature

表5 1.2 V 加熱溫度PCA-CNN 分類混淆矩陣Tab.5 Confusion matrix of PCA-CNN at 1.2 V heating temperature

表6 1.8 V、1.2 V 加熱溫度PCA-SVM 分類混淆矩陣Tab.6 Confusion matrix of PCA-SVM at 1.8 V and 1.2 V heating temperature

表7 1.8 V、1.2 V 加熱溫度PCA-CNN 分類混淆矩陣Tab.7 Confusion matrix of PCA-CNN at 1.8 V and 1.2 V heating temperature

4 結(jié)論

本文提出一種基于溫度調(diào)制的電子鼻檢測方法，用于對蘋果產(chǎn)地的快速識別。實(shí)驗(yàn)結(jié)果表明，相對于單一加熱溫度而言，2 種加熱溫度下PCASVM 和PCA-CNN 算法的分類精度更高。這說明通過溫度調(diào)制使得傳感器陣列得以復(fù)用，可以增強(qiáng)數(shù)據(jù)可靠性，也說明PCA-SVM 和PCA-CNN 算法在蘋果產(chǎn)地快速識別方面具備一定潛力。未來將會結(jié)合靜態(tài)溫度和動態(tài)溫度調(diào)制進(jìn)行研究，并用于多種場景識別，以期拓展電子鼻系統(tǒng)更加多樣性的應(yīng)用。