基于氣體傳感器陣列的Tent-SSA-BP 蘋(píng)果鮮度預(yù)測(cè)模型

楊偉震 王偉

摘要：為了能夠準(zhǔn)確預(yù)測(cè)蘋(píng)果的鮮度等級(jí)、有效降低蘋(píng)果的儲(chǔ)藏風(fēng)險(xiǎn)、避免經(jīng)濟(jì)損失，基于一種氣體傳感器陣列和無(wú)線傳輸模塊的電子鼻系統(tǒng)，采集蘋(píng)果散發(fā)的氣味信息。在實(shí)驗(yàn)室現(xiàn)有的蘋(píng)果鮮度識(shí)別系統(tǒng)的研究基礎(chǔ)上，以室內(nèi)條件下儲(chǔ)存的富士蘋(píng)果為研究對(duì)象，建立基于混沌序列（Tent）改進(jìn)的麻雀搜索算法（SSA）優(yōu)化反向傳播（BP）神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，通過(guò)預(yù)測(cè)蘋(píng)果揮發(fā)的氣味信息完成對(duì)蘋(píng)果鮮度的預(yù)測(cè)。結(jié)果表明，基于氣體傳感器陣列的Tent-SSA-BP 預(yù)測(cè)模型的決定系數(shù)為0.942 03，均方誤差為0.000 4，準(zhǔn)確性總體高于BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的0.800 57，且具有更高的預(yù)測(cè)穩(wěn)定性。該預(yù)測(cè)模型解決了當(dāng)前基于傳統(tǒng)動(dòng)力學(xué)模型的預(yù)測(cè)準(zhǔn)確率低、檢測(cè)效率低、且對(duì)蘋(píng)果造成破壞的問(wèn)題；同時(shí)相較于紅外光譜等其他預(yù)測(cè)手段，該模型具有更低的經(jīng)濟(jì)成本，且具有操作簡(jiǎn)便、移動(dòng)便攜等優(yōu)點(diǎn)。綜上所述，通過(guò)對(duì)蘋(píng)果揮發(fā)的氣味信息進(jìn)行預(yù)測(cè)以實(shí)現(xiàn)對(duì)蘋(píng)果鮮度的預(yù)測(cè)，具有操作簡(jiǎn)便、成本低、結(jié)果可靠的特點(diǎn)，避免了預(yù)測(cè)鮮度的過(guò)程中對(duì)蘋(píng)果造成破壞，實(shí)現(xiàn)了無(wú)損檢測(cè)。

關(guān)鍵詞：蘋(píng)果鮮度；預(yù)測(cè)算法；氣味識(shí)別；傳感器陣列

中圖分類(lèi)號(hào)：TP212 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1002?2481（2023）03?0333?07

我國(guó)的蘋(píng)果生產(chǎn)量和出口量均居當(dāng)今世界第1 位，實(shí)現(xiàn)對(duì)蘋(píng)果新鮮度的預(yù)測(cè)可以降低儲(chǔ)藏風(fēng)險(xiǎn)[1]，減少損失，保證蘋(píng)果的上市質(zhì)量。所以，準(zhǔn)確、快速、無(wú)損地檢測(cè)其新鮮度并且預(yù)測(cè)蘋(píng)果的保質(zhì)期顯得尤為重要[2]。

目前，蘋(píng)果的鮮度預(yù)測(cè)多以動(dòng)力學(xué)預(yù)測(cè)模型和近紅外光譜檢測(cè)方法為主，傳統(tǒng)的動(dòng)力學(xué)預(yù)測(cè)模型往往耗時(shí)長(zhǎng)、檢測(cè)效率低下，需破壞蘋(píng)果樣本以獲取蘋(píng)果的特征指標(biāo)；而近紅外光譜檢測(cè)方法成本高、數(shù)據(jù)量大，檢測(cè)條件苛刻，并不適宜大規(guī)模投入使用。近年來(lái)，隨著深度學(xué)習(xí)和智能感官的發(fā)展，電子鼻技術(shù)已逐漸應(yīng)用于蘋(píng)果等各類(lèi)果蔬的新鮮度和成熟度監(jiān)測(cè)中。最早由意大利的學(xué)者NATALE[3]用氣味識(shí)別準(zhǔn)確檢測(cè)了有缺陷的蘋(píng)果。國(guó)內(nèi)黎新榮[4]以蘋(píng)果為試驗(yàn)對(duì)象，利用pen3 電子鼻系統(tǒng)獲取不同貯藏時(shí)間蘋(píng)果的氣味特征值，結(jié)果利用線性判別分析可以準(zhǔn)確地區(qū)分不同貯藏時(shí)間的蘋(píng)果。浙江大學(xué)的陳遠(yuǎn)濤[5]利用自制的電子鼻系統(tǒng)結(jié)合多種深度學(xué)習(xí)算法實(shí)現(xiàn)了對(duì)不同儲(chǔ)存條件下多種食品新鮮度的預(yù)測(cè)分類(lèi)。馮蕾[6]應(yīng)用電子鼻結(jié)合低場(chǎng)核磁共振對(duì)黃瓜、櫻桃與番茄的新鮮度進(jìn)行了研究，通過(guò)監(jiān)測(cè)它們的風(fēng)味特征及水分狀態(tài)的變化規(guī)律，完成其保鮮期的預(yù)測(cè)，但是低場(chǎng)核磁共振成本高、檢測(cè)條件復(fù)雜，不適宜大規(guī)模推廣使用。南京農(nóng)業(yè)大學(xué)的陳少霞[7]利用電子鼻和近紅外光譜結(jié)合技術(shù)實(shí)現(xiàn)了對(duì)娃娃菜的新鮮度預(yù)測(cè)，該種檢測(cè)方法操作復(fù)雜，且近紅外光譜技術(shù)所需數(shù)據(jù)量過(guò)大。馬慧玲等[8]利用蘋(píng)果的理化性質(zhì)，結(jié)合生成式對(duì)抗網(wǎng)絡(luò)優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)模型建立了蘋(píng)果的貨架期預(yù)測(cè)模型，與傳統(tǒng)動(dòng)力學(xué)預(yù)測(cè)模型相比，預(yù)測(cè)準(zhǔn)確率具有明顯提高。但該模型過(guò)于繁瑣，檢測(cè)過(guò)程中對(duì)蘋(píng)果造成了破壞。在此之前，課題組前期相關(guān)研究也具有一定的工作基礎(chǔ)，郭志慧[9]利用氣味識(shí)別技術(shù)結(jié)合了模糊感官算法對(duì)蘋(píng)果的品質(zhì)進(jìn)行了測(cè)定。

劉云剛[10]利用優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)建立蘋(píng)果的氣味信息和蘋(píng)果鮮度之間的關(guān)系，用蘋(píng)果散發(fā)的氣體特征識(shí)別蘋(píng)果的鮮度，識(shí)別準(zhǔn)確率高達(dá)98%。以上研究絕大部分采用了氣味識(shí)別技術(shù)結(jié)合其他檢測(cè)手段輔助完成對(duì)果蔬的鮮度分類(lèi)或者預(yù)測(cè)，利用蘋(píng)果的氣味信息直接完成對(duì)蘋(píng)果的保鮮期預(yù)測(cè)的研究還相對(duì)較少。目前，中北大學(xué)現(xiàn)代檢測(cè)與信息處理研究室已開(kāi)展的研究均是基于蘋(píng)果的氣味信息實(shí)現(xiàn)蘋(píng)果的鮮度檢測(cè)和分類(lèi)，尚未對(duì)蘋(píng)果未來(lái)的鮮度變化做出預(yù)測(cè)和得出結(jié)論。

本研究根據(jù)蘋(píng)果所揮發(fā)的酯類(lèi)、醛類(lèi)等多種氣體成分，結(jié)合已有的乙烯、乙醇、氧氣和二氧化碳組成的傳感器陣列[10]可以用來(lái)準(zhǔn)確地表征蘋(píng)果新鮮度且準(zhǔn)確率較高。通過(guò)自主設(shè)計(jì)的氣味識(shí)別系統(tǒng)檢測(cè)蘋(píng)果在儲(chǔ)存過(guò)程中釋放的氣體濃度，以ZigBee技術(shù)作為信息傳輸手段，利用加入Tent 的SSA[7]優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)完成對(duì)蘋(píng)果氣味特征的預(yù)測(cè)，建立蘋(píng)果鮮度預(yù)測(cè)的Tent-SSA-BP 模型，最終實(shí)現(xiàn)快速、無(wú)損預(yù)測(cè)[11]蘋(píng)果的鮮度。

1材料和方法

1.1 試驗(yàn)材料

蘋(píng)果自采摘后進(jìn)行呼吸作用，消耗氧氣的同時(shí)產(chǎn)生乙醇和二氧化碳，且乙烯與蘋(píng)果的成熟度緊密相關(guān)，故選用乙醇、乙烯、氧氣、二氧化碳4 種氣體建立蘋(píng)果鮮度模型。選用同一市場(chǎng)同一時(shí)間購(gòu)買(mǎi)的果形規(guī)整、表面光潔、大小均勻的富士蘋(píng)果若干，于室內(nèi)20 ℃條件下儲(chǔ)存，每隔24 h 對(duì)每個(gè)樣本的揮發(fā)氣體取樣一次，記錄蘋(píng)果由新鮮至腐爛過(guò)程中的氣體濃度變化。

1.2 氣味識(shí)別系統(tǒng)設(shè)計(jì)

整個(gè)氣味采集系統(tǒng)有2 個(gè)ZigBee 節(jié)點(diǎn)構(gòu)成，整體設(shè)計(jì)框圖如圖1 所示，其中，采集節(jié)點(diǎn)連接傳感器后置于儲(chǔ)存蘋(píng)果的容器內(nèi)，另一節(jié)點(diǎn)連接上位機(jī)傳回?cái)?shù)據(jù)并通過(guò)上位機(jī)進(jìn)行處理[12-15]。

采集節(jié)點(diǎn)包括氣體傳感器陣列、控制電路和ZigBee 收發(fā)模塊，傳感器陣列將蘋(píng)果散發(fā)的氣味信息轉(zhuǎn)化為電信號(hào)。整個(gè)采集系統(tǒng)的控制芯片采用Msp430F449，該芯片功能強(qiáng)大，可完成初步的數(shù)據(jù)處理任務(wù)。ZigBee無(wú)線傳輸模塊采用CC2530-F256，內(nèi)嵌8051 處理器，支持ZigBee2007Ztack 協(xié)議棧。

1.3 氣體傳感器陣列的設(shè)計(jì)

該研究主要針對(duì)蘋(píng)果的鮮度，根據(jù)蘋(píng)果自采摘后進(jìn)行的生理作用所涉及到的氣體種類(lèi)（包含與呼吸作用相關(guān)的氧氣、二氧化碳，與蘋(píng)果的成熟度緊密相關(guān)的乙烯以及與香氣相關(guān)的乙醇等揮發(fā)性有機(jī)氣體），按照這些氣體的種類(lèi)和特性的不同，傳感器陣列選用實(shí)際環(huán)境下最優(yōu)傳感器組合，以確保氣體濃度采集的準(zhǔn)確性。選擇的傳感器種類(lèi)選擇及性能指標(biāo)如表1 所示，可有效改善氣體傳感器的交叉敏感特性，提高試驗(yàn)中蘋(píng)果氣味的識(shí)別精度[16]。

1.4 氣味采集

利用氣味識(shí)別系統(tǒng)對(duì)新鮮、次新鮮和腐爛3 種不同鮮度的蘋(píng)果進(jìn)行檢測(cè)分析。將蘋(píng)果和充分預(yù)熱后的氣體傳感器模塊放入800 mL 的密閉容器中，每次放入一個(gè)蘋(píng)果樣品，對(duì)蘋(píng)果散發(fā)的氣體進(jìn)行檢測(cè)，室溫20 ℃，相對(duì)濕度50%。對(duì)每個(gè)蘋(píng)果樣本每間隔24 h 測(cè)定一次，均取每次測(cè)量趨于穩(wěn)定的濃度值作為蘋(píng)果鮮度的電壓特征指標(biāo)換算為濃度單位后并進(jìn)行預(yù)測(cè)。

1.5 模式識(shí)別算法

采用加入Tent 的麻雀搜索算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)模型，可以有效提高預(yù)測(cè)蘋(píng)果鮮度的準(zhǔn)確率。

1.5.1 SSA 麻雀搜索算法 麻雀搜索算法是近幾年應(yīng)用較多的尋優(yōu)算法，在算法設(shè)計(jì)中，將種群個(gè)體區(qū)分為發(fā)現(xiàn)者、跟隨者和警戒者，每個(gè)個(gè)體對(duì)應(yīng)1 個(gè)解。通過(guò)對(duì)三者不斷地位置更新，達(dá)到尋優(yōu)的目的。與其他尋優(yōu)算法相比，SSA 的結(jié)果簡(jiǎn)單、易于實(shí)現(xiàn)，控制參數(shù)較少，局部搜索能力較強(qiáng)[17-19]。

此外，為避免麻雀算法陷入局部最優(yōu)的情況，引入Tent 混沌序列對(duì)麻雀算法進(jìn)行進(jìn)一步優(yōu)化，以提升其整體尋優(yōu)性能和開(kāi)拓性能。

1.5.2 BP 神經(jīng)網(wǎng)絡(luò) BP 神經(jīng)網(wǎng)絡(luò)是一種多層網(wǎng)絡(luò)結(jié)構(gòu)，整個(gè)系統(tǒng)通過(guò)有監(jiān)督的學(xué)習(xí)方式來(lái)完成建立預(yù)測(cè)模型的過(guò)程，即在訓(xùn)練時(shí)，將總的樣本集分為訓(xùn)練集和測(cè)試集，其中，訓(xùn)練集用于預(yù)測(cè)模型的建立，測(cè)試集用于驗(yàn)證已建立的預(yù)測(cè)模型。

利用不同新鮮度、不同成熟度階段的蘋(píng)果散發(fā)的氣體濃度等特征的不同，對(duì)蘋(píng)果散發(fā)的氣體特征進(jìn)行預(yù)測(cè)，從而建立蘋(píng)果的鮮度預(yù)測(cè)模型，將訓(xùn)練后得到的最優(yōu)模型進(jìn)行保存，這樣在輸入一組新的氣味特征數(shù)據(jù)時(shí)，根據(jù)傳感器響應(yīng)曲線提取特征值，通過(guò)預(yù)測(cè)模型就可以得到對(duì)蘋(píng)果新鮮度的預(yù)測(cè)。其優(yōu)化后附加Tent 的SSA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型流程圖如圖2 所示。

2結(jié)果與分析

2.1 氣味信息及處理

對(duì)蘋(píng)果樣本進(jìn)行氣味特征采集，其檢測(cè)到的氣味特征變化曲線如圖3 所示。

由圖3 可知，不同鮮度蘋(píng)果的氣味特征具有不同濃度的變化曲線，傳感器陣列中的乙烯、乙醇和二氧化碳濃度隨時(shí)間的變化而增加且趨于穩(wěn)定，蘋(píng)果鮮度的不同，其濃度變化的速率不同；而傳感器陣列中的氧氣傳感器采集到的濃度數(shù)據(jù)則隨著時(shí)間逐漸降低而后趨于穩(wěn)定，這是因?yàn)槊荛]空間內(nèi)，蘋(píng)果細(xì)胞的呼吸作用消耗掉了氧氣用于維持生理活動(dòng)。此外，氣體傳感器陣列采集到的蘋(píng)果原始?xì)馕稘舛葦?shù)據(jù)具有較大的噪聲，這是由于傳感器本身和外部電磁干擾等因素，造成部分傳感器采集的數(shù)據(jù)噪聲過(guò)大，需要將采集的數(shù)據(jù)進(jìn)行濾波、平滑處理等操作。

圖4 明確展示了傳感器陣列采集的數(shù)據(jù)在經(jīng)過(guò)濾波后的濃度變化曲線，使得不同鮮度的蘋(píng)果在密閉空間內(nèi)的氣味特征變化更加直觀明顯。3 類(lèi)不同鮮度的蘋(píng)果中，新鮮蘋(píng)果的氣味特征變化速率最慢，次新鮮蘋(píng)果次之，腐爛蘋(píng)果最快。在乙烯、乙醇和二氧化碳中的最終穩(wěn)定值新鮮蘋(píng)果均為最小，腐爛蘋(píng)果均為最高；氧氣濃度的最終穩(wěn)定值則表現(xiàn)為新鮮蘋(píng)果最高，次新鮮次之，腐爛蘋(píng)果最低。

記錄每個(gè)蘋(píng)果樣品從新鮮到次新鮮再到腐爛的濃度變化，提取特征值等處理后得到氣體濃度的變化過(guò)程如圖5 所示。

由圖5 可知，乙烯、乙醇和二氧化碳均表現(xiàn)為濃度隨天數(shù)而持續(xù)增加，但是不同鮮度的時(shí)期具有不同的濃度變化范圍；氧氣濃度則表現(xiàn)為先上升后下降，這主要與蘋(píng)果在儲(chǔ)藏過(guò)程中的呼吸速率和呼吸類(lèi)型有關(guān)。

2.2 模型分析

根據(jù)濃度變化曲線可知，不同鮮度蘋(píng)果揮發(fā)的氣體濃度具有明顯的差異，在對(duì)單種氣體的濃度變化的預(yù)測(cè)中，根據(jù)輸入輸出的數(shù)據(jù)特點(diǎn)來(lái)確定神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的結(jié)構(gòu)。利用蘋(píng)果前5 d 的濃度變化來(lái)預(yù)測(cè)第6 天的濃度值，建立預(yù)測(cè)模型，即神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)為5 維，輸出為1 維，根據(jù)Kolmogorov定理，并且通過(guò)多次試驗(yàn)得出最佳隱含層數(shù)為11，所以，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為5-11-1。

在室內(nèi)條件下，即室溫20 ℃，相對(duì)濕度50%，蘋(píng)果由新鮮到出現(xiàn)腐爛的時(shí)間在40 d 左右，通過(guò)檢測(cè)蘋(píng)果在40 d 內(nèi)的濃度變化，利用這些濃度數(shù)據(jù)訓(xùn)練并測(cè)試預(yù)測(cè)模型。從中隨機(jī)選擇100 組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，20 組數(shù)據(jù)作為測(cè)試數(shù)據(jù)測(cè)試網(wǎng)絡(luò)。優(yōu)化前后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型訓(xùn)練的誤差對(duì)比如圖6 所示。

由圖6 可知，其誤差在優(yōu)化前后分別為0.002 0和0.000 4，為更加直觀地評(píng)價(jià)模型的穩(wěn)定性和可靠性，采用決定系數(shù)作為預(yù)測(cè)模型的評(píng)價(jià)指標(biāo)。首先根據(jù)式（1）、（2）計(jì)算得到殘差平方和和總平方和，其中SSres 為殘差平方和，SStot 表示總平方和，yi 表示真實(shí)數(shù)據(jù)，-y表示平均值，f i 表示預(yù)測(cè)數(shù)據(jù)；然后根據(jù)式（3）計(jì)算決定系數(shù)，最后得到優(yōu)化前決定系數(shù)為0.800 57，優(yōu)化后的決定系數(shù)為0.942 03，說(shuō)明優(yōu)化后的模型預(yù)測(cè)穩(wěn)定性?xún)?yōu)于優(yōu)化前。試驗(yàn)也證明，經(jīng)過(guò)優(yōu)化后的預(yù)測(cè)模型，預(yù)測(cè)誤差更小，性能更好更穩(wěn)定。

2.3 預(yù)測(cè)結(jié)果

表2 為優(yōu)化前后的BP 神經(jīng)網(wǎng)絡(luò)模型對(duì)某個(gè)蘋(píng)果樣本的未來(lái)一周乙烯濃度特征變化所做出的預(yù)測(cè)值與實(shí)測(cè)值之間的對(duì)比，以及2 類(lèi)預(yù)測(cè)值與實(shí)測(cè)值之間的誤差對(duì)比。由表2 可知，利用加入混沌序列后的麻雀搜索算法優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的結(jié)果與實(shí)測(cè)值更為接近，誤差更小。

再分別對(duì)乙烯、乙醇、氧氣和二氧化碳進(jìn)行預(yù)測(cè)，得出優(yōu)化后的預(yù)測(cè)模型更加穩(wěn)定，且誤差總體較小，預(yù)測(cè)結(jié)果更加準(zhǔn)確。之后根據(jù)預(yù)測(cè)后的濃度值結(jié)合實(shí)驗(yàn)室現(xiàn)有的研究成果所建立的蘋(píng)果鮮度氣味識(shí)別系統(tǒng)模型[10]，總體實(shí)現(xiàn)對(duì)蘋(píng)果鮮度的預(yù)測(cè)，以建立起基于氣體傳感器陣列的蘋(píng)果鮮度預(yù)測(cè)的完整系統(tǒng)。其中對(duì)某個(gè)蘋(píng)果的鮮度進(jìn)行預(yù)測(cè)的部分最終結(jié)果如表3 所示，對(duì)20 組蘋(píng)果的鮮度預(yù)測(cè)的結(jié)果中，對(duì)第6 天的鮮度預(yù)測(cè)準(zhǔn)確率最高，為100%；對(duì)蘋(píng)果第30 天的測(cè)準(zhǔn)確率為80%。

3結(jié)論與討論

蘋(píng)果的新鮮度變化不僅會(huì)影響其價(jià)格和美觀，還會(huì)影響果農(nóng)甚至是國(guó)家的經(jīng)濟(jì)效益。本研究提出的基于電子鼻系統(tǒng)和Tent-SSA-BP 的蘋(píng)果鮮度預(yù)測(cè)模型，將深度學(xué)習(xí)算法和智能感官結(jié)合后成功地應(yīng)用于蘋(píng)果鮮度預(yù)測(cè)中。試驗(yàn)結(jié)果表明，選用的4 種氣體傳感器所組成的傳感器陣列對(duì)蘋(píng)果揮發(fā)的氣體具有針對(duì)性，其能夠有效地提取蘋(píng)果的氣味信息，從而進(jìn)一步利用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)蘋(píng)果的鮮度進(jìn)行分析預(yù)測(cè)。優(yōu)化后的模型具有全局搜索尋優(yōu)能力強(qiáng)、預(yù)測(cè)準(zhǔn)確度高、穩(wěn)定性好等特點(diǎn)；但是每個(gè)蘋(píng)果在800 mL 容器內(nèi)揮發(fā)的氣體在10 min 左右達(dá)到穩(wěn)定，檢測(cè)效率較低，在后續(xù)的研究中將以?xún)?yōu)化傳感器陣列、改善特征值提取以及改善算法等方面為切入點(diǎn)，在保證現(xiàn)有準(zhǔn)確率的前提下提高檢測(cè)效率，并進(jìn)一步提高準(zhǔn)確率。結(jié)合現(xiàn)有基于SFLA 優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)蘋(píng)果鮮度氣味識(shí)別系統(tǒng)[10]，最終形成了一套完整的基于氣體傳感器的可用于預(yù)測(cè)蘋(píng)果保鮮期的新鮮度無(wú)損預(yù)測(cè)系統(tǒng)，其能夠準(zhǔn)確預(yù)測(cè)蘋(píng)果在未來(lái)30 d 左右的鮮度。與傳統(tǒng)的預(yù)測(cè)蘋(píng)果鮮度的動(dòng)力學(xué)模型和近紅外光譜技術(shù)相比，具有成本低、數(shù)據(jù)量小、檢測(cè)方便、無(wú)損的優(yōu)點(diǎn)[20]。

下一步將繼續(xù)研究蘋(píng)果在其他儲(chǔ)存條件下的鮮度預(yù)測(cè)方法和模型，如冷藏條件下蘋(píng)果的保鮮期、運(yùn)輸過(guò)程中蘋(píng)果的保鮮期變化等，并進(jìn)一步研究提出適用于多種儲(chǔ)存條件下完整的鮮度預(yù)測(cè)模型。此外，本研究提出的基于電子鼻系統(tǒng)和Tent-SSA-BP 的蘋(píng)果鮮度預(yù)測(cè)模型，只針對(duì)不同鮮度的富士蘋(píng)果進(jìn)行了鮮度預(yù)測(cè)，未驗(yàn)證其他品種的蘋(píng)果以及其他種類(lèi)的果蔬。在電子鼻的整體設(shè)計(jì)上，可以嘗試將算法程序燒錄進(jìn)單片機(jī)內(nèi)，配合協(xié)調(diào)器節(jié)點(diǎn)接入顯示屏，對(duì)數(shù)據(jù)處理結(jié)果進(jìn)行實(shí)時(shí)顯示，使之脫離上位機(jī)形成一個(gè)更加簡(jiǎn)便的預(yù)測(cè)系統(tǒng)。后續(xù)針對(duì)傳感器陣列可繼續(xù)擴(kuò)大傳感器種類(lèi)，設(shè)計(jì)一套針對(duì)其他種類(lèi)果蔬、得到較為廣泛應(yīng)用的鮮度預(yù)測(cè)系統(tǒng)，實(shí)現(xiàn)對(duì)多種果蔬品質(zhì)的預(yù)測(cè)，以求實(shí)現(xiàn)商品化。

本研究以室內(nèi)條件下儲(chǔ)存的富士蘋(píng)果為研究對(duì)象，通過(guò)自制的基于氣體傳感器陣列的氣味識(shí)別系統(tǒng)，利用Tent-SSA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，建立了可用于蘋(píng)果濃度預(yù)測(cè)分析的系統(tǒng)模型，其誤差在優(yōu)化后減小到0.000 4，決定系數(shù)達(dá)到了0.94 以上，Tent-SSA-BP 模型預(yù)測(cè)值與優(yōu)化前的BP 模型預(yù)測(cè)值相比誤差更小，更能表征蘋(píng)果儲(chǔ)存一段時(shí)間之后揮發(fā)的氣體的濃度變化，將其作為鮮度分類(lèi)的數(shù)據(jù)更為可靠。

參考文獻(xiàn)：

［1］ 顧瑞潔. 基于深度學(xué)習(xí)的電子鼻氣體識(shí)別技術(shù)研究[D]. 武漢：

華中科技大學(xué)，2021.

GU R J. Research on technologies of gas recognition by electronic

nose based on deep learning[D]. Wuhan：Huazhong University

of Science and Technology，2021.

［2］ 胡位歆. 新鮮水果貨架期預(yù)測(cè)模型的構(gòu)建[D]. 杭州：浙江大

學(xué)，2016.

HU W X. Studies on building shelf-life predictive model of fresh

fruits[D]. Hangzhou：Zhejiang University，2016.

［3］ NATALE C D，MACAGNANO A，MARTINELLI E，et al.

The evaluation of quality of post-harvest oranges and apples by

means of an electronic nose[J]. Sensors and Actuators B：Chemical，

2001，78（1/2/3）：26-31.

［4］ 黎新榮. 電子鼻在沃柑貯藏時(shí)間識(shí)別中的應(yīng)用[J]. 南方農(nóng)業(yè)學(xué)

報(bào)，2018，49（9）：1827-1832.

LI X R. Application of electronic nose in identification for storage

time of Orah[J]. Journal of Southern Agriculture，2018，49

（9）：1827-1832.

［5］ 陳遠(yuǎn)濤，熊憶舟，薛瑩瑩，等. 基于深度學(xué)習(xí)的電子鼻食品新鮮

度檢測(cè)與識(shí)別技術(shù)研究[J]. 傳感技術(shù)學(xué)報(bào)，2021，34（8）：1131-

1138.

CHEN Y T，XIONG Y Z，XUE Y Y，et al. Research on electronic

nose food freshness detection and recognition technology

based on deep learning[J]. Chinese Journal of Sensors and Actuators，

2021，34（8）：1131-1138.

［6］ 馮蕾. 基于電子鼻及低場(chǎng)核磁共振的黃瓜與櫻桃番茄新鮮度

智能檢測(cè)研究[D]. 無(wú)錫：江南大學(xué)，2019.

FENG L. Research on freshness intelligent recognition of cucumbers

and cherry tomatoes based on electronic nose and lowfield

nuclear magnetic resonance[D]. Wuxi：Jiangnan University，

2019.

［7］ 陳少霞. 基于電子鼻和近紅外光譜技術(shù)無(wú)損檢測(cè)娃娃菜新鮮

度的研究[D]. 南京：南京農(nóng)業(yè)大學(xué)，2020.

CHEN S X. Research on nondestructive detection of baby cabbage

freshness based on electronic nose and near infrared spectroscopy[

D]. Nanjing：Nanjing Agricultural University，2020.

［8］ 馬惠玲，曹夢(mèng)柯，王棟，等. 蘋(píng)果貨架期GAN-BP-ANN 預(yù)測(cè)模

型研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（11）：367-375.

MA H L，CAO M K，WANG D，et al. Study on shelf-life prediction

of apple with GAN-BP-ANN model[J]. Transactions of

the Chinese Society for Agricultural Machinery，2021，52（11）：

367-375.

［9］ 郭志慧. 基于氣味識(shí)別的蘋(píng)果鮮度特征檢測(cè)技術(shù)研究[D]. 太

原：中北大學(xué)，2019.

GUO Z H. Study on detection technology of apple freshness

characteristics based on smell recognition[D]. Taiyuan：North

University of China，2019.

［10］ 劉云剛，王偉. 基于SFLA 優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)蘋(píng)果鮮度氣味

識(shí)別系統(tǒng)[J]. 傳感器與微系統(tǒng)，2020，39（8）：96-99，106.

LIU Y G，WANG W. Apple fresh odor recognition system

based on SFLA optimized BP neural network[J]. Transducer

and Microsystem Technologies，2020，39（8）：96-99，106.

［11］ BREZMES J，LLOBET E，VILANOVA X，et al. Fruit ripeness

monitoring using an Electronic Nose[J]. Sensors and Actuators

B：Chemical，2000，69（3）：223-229.

［12］ XING M K，SUN K，LIU Q，et al. Development of novel electronic

nose applied for strawberry freshness detection during

storage[J]. International Journal of Food Engineering，2018，14

（7/8）：1022-1026.

［13］ 閆轉(zhuǎn)紅，王偉. 基于氣體傳感器陣列的蘋(píng)果甜度識(shí)別技術(shù)研

究[J]. 國(guó)外電子測(cè)量技術(shù)，2021，40（10）：71-76.

YAN Z H，WANG W. Research on apple sweetness recognition

technology based on gas sensor array[J]. Foreign Electronic

Measurement Technology，2021，40（10）：71-76.

［14］ 喻璐. 基于傳感器陣列的氣體檢測(cè)與分析系統(tǒng)設(shè)計(jì)[D]. 長(zhǎng)

沙：長(zhǎng)沙理工大學(xué)，2021.

YU L. Design of gas detection and analysis system based on

sensor array[D]. Changsha：Changsha University of Science

and Technology，2021.

［15］ 徐靜，趙秀潔，孫柯，等. 基于電子鼻和乙醇傳感器判別草莓

新鮮度的研究[J]. 食品與機(jī)械，2016，32（5）：117-121.

XU J，ZHAO X J，SUN K，et al. Determination on freshness of

strawberry based on electronic nose and ethanol sensor[J].

Food & Machinery，2016，32（5）：117-121.

［16］ WANG W，YANG W Z，LIU Y G，et al. A research of neural

network optimization technology for apple freshness recognition

based on gas sensor array[J]. Scientific Programming，

2022，2022：1-11.

［17］ 黃敬宇. 融合t 分布和Tent 混沌映射的麻雀搜索算法研究

[D]. 蘭州：蘭州大學(xué)，2021.

HUANG J Y. Research on sparrow search algorithm based on

fusion of t distribution and Tent chaotic mapping[D]. Lanzhou：

Lanzhou University，2021.

［18］ 許亮，張紫葉，陳曦，等. 基于改進(jìn)麻雀搜索算法優(yōu)化BP 神經(jīng)

網(wǎng)絡(luò)的氣動(dòng)光學(xué)成像偏移預(yù)測(cè)[J]. 光電子·激光，2021，32

（6）：653-658.

XU L，ZHANG Z Y，CHEN X，et al. Improved sparrow

search algorithm based BP neural networks for aero-optical imaging

deviation prediction[J]. Journal of Optoelectronics·Laser，

2021，32（6）：653-658.

［19］ 吳丁杰，周慶興，溫立書(shū). 基于Logistic 混沌映射的改進(jìn)麻雀

算法[J]. 高師理科學(xué)刊，2021，41（6）：10-15.

WU D J，ZHOU Q X，WEN L S. Improved sparrow algorithm

based on Logistic chaos mapping[J]. Journal of Science of

Teachers College and University，2021，41（6）：10-15.

［20］ BLEIBAUM R N，STONE H，TAN T，et al. Comparison of

sensory and consumer results with electronic nose and tongue

sensors for apple juices[J]. Food Quality and Preference，2019，

13（6）：409-422.