林 顥 宋奔騰 金鴻娟 管彬彬

(江蘇大學(xué)食品與生物工程學(xué)院， 鎮(zhèn)江 212013)

基于嗅覺(jué)可視化與圖像處理的食醋醋齡檢測(cè)

林 顥 宋奔騰 金鴻娟 管彬彬

(江蘇大學(xué)食品與生物工程學(xué)院， 鎮(zhèn)江 212013)

應(yīng)用基于色敏傳感器陣列的嗅覺(jué)可視化系統(tǒng)對(duì)不同醋齡的食醋進(jìn)行鑒別。運(yùn)用系統(tǒng)的圖像處理模塊，比較了不同方法對(duì)目標(biāo)圖像的中心點(diǎn)定位和特征區(qū)域選取的影響。尤其在基于不同顏色空間提取特征值方面，對(duì)比了RGB、HSV、Lab顏色空間，結(jié)果表明Lab的效果最好。利用3種顏色空間中獲得的特征數(shù)據(jù)并結(jié)合主成分分析(PCA)和線性判別分析(LDA)等模式識(shí)別方法，鑒別食醋醋齡，Lab顏色空間下的訓(xùn)練集和預(yù)測(cè)集識(shí)別率均大于90%。

食醋醋齡； 檢測(cè)； 可視化傳感器； 圖像處理

引言

醋齡是消費(fèi)者購(gòu)買(mǎi)食醋時(shí)的一個(gè)重要參考依據(jù)。醋齡的改變伴隨著食醋中風(fēng)味成分及其含量的變化，食醋中的揮發(fā)性物質(zhì)(比如吡嗪、惡唑類(lèi)雜環(huán)類(lèi)化合物)會(huì)隨著時(shí)間的延長(zhǎng)而顯著增加[1-2]。目前對(duì)食醋揮發(fā)性氣味檢測(cè)的研究已發(fā)展成為一個(gè)相對(duì)獨(dú)立的分支領(lǐng)域，各種新技術(shù)和新方法逐漸應(yīng)用于研究之中，嗅覺(jué)可視化技術(shù)便是一種方便、快捷、直觀地表征揮發(fā)性氣體的方法。嗅覺(jué)可視化技術(shù)首先由RAKOW等[3]提出設(shè)想，它利用傳感氣敏材料與待檢測(cè)氣體發(fā)生反應(yīng)，根據(jù)色敏材料反應(yīng)前后的顏色變化對(duì)揮發(fā)性有機(jī)化合物進(jìn)行定性定量分析，并且能把氣味信息以直觀可視的圖像方式表達(dá)出來(lái)。目前，該技術(shù)已經(jīng)用于對(duì)白酒品種、魚(yú)肉新鮮度、食醋發(fā)酵過(guò)程等的研究[4-8]。因此，針對(duì)能夠表征醋齡的氣味活性物質(zhì)而開(kāi)發(fā)相應(yīng)的色敏傳感器，即可利用傳感器與活性物質(zhì)的顏色反應(yīng)區(qū)分不同年限的食醋。

一般地，圖像處理是提取色敏傳感器區(qū)域反應(yīng)前后的RGB特征差值矩陣[9]。盡管圖像處理技術(shù)應(yīng)用的好壞影響著檢測(cè)系統(tǒng)的精確度和穩(wěn)定性，但目前的圖像處理方法依然十分粗糙，相關(guān)研究較少。因此，本文進(jìn)一步對(duì)嗅覺(jué)可視化系統(tǒng)的相關(guān)圖像處理技術(shù)進(jìn)行研究，以提高整個(gè)檢測(cè)系統(tǒng)的性能，并且對(duì)不同醋齡的鎮(zhèn)江香醋進(jìn)行區(qū)分。

1 材料與方法

1.1 試驗(yàn)材料

食醋樣本由江蘇恒順醋業(yè)股份有限公司提供，生產(chǎn)年份分別為2011～2015年、共5種不同醋齡的鎮(zhèn)江香醋，每種醋齡香醋含30個(gè)樣本。

通過(guò)大量前期試驗(yàn)，篩選出4種色敏材料：購(gòu)買(mǎi)于美國(guó)Sigma-Aldrich公司的meso-四(4-甲氧基苯基)卟啉(CH3OTPP)，購(gòu)買(mǎi)于國(guó)藥集團(tuán)化學(xué)試劑有限公司的溴甲酚綠酸堿指示劑，以及由實(shí)驗(yàn)室合成的meso-四(4-氟苯基)卟啉鋅(TPPZnF)和CH3OTPP?；撞牧线x用德國(guó)默克公司生產(chǎn)的反相硅膠板，以保護(hù)材料免受空氣濕度的影響。采用毛細(xì)管手工點(diǎn)樣在疏水的基底材料上，制成2×2的可視化傳感器陣列。制好的傳感器陣列隨即進(jìn)行試驗(yàn)，防止傳感器貯存過(guò)程中可能帶來(lái)的影響。

1.2 試驗(yàn)設(shè)備

本試驗(yàn)采用江蘇大學(xué)自制的嗅覺(jué)可視化系統(tǒng)儀器(圖1)。系統(tǒng)主要由硬件和軟件2部分組成，硬件部分主要包括：用于圖像采集的JAI CV-M9GE 型3CCD相機(jī)，可將光線分成R、G、B三原色，并通過(guò)3塊獨(dú)立的CCD傳感器處理，能確保顏色的真實(shí)性；OPT-RID150型漫反射LED球積分光源，可以均勻反射從底部360°發(fā)射出的光線，使整個(gè)圖像十分均勻；可移動(dòng)的氣體反應(yīng)室以及作為信號(hào)輸出系統(tǒng)的計(jì)算機(jī)。軟件部分由圖像獲取裝置驅(qū)動(dòng)控制程序、圖像處理程序、數(shù)據(jù)庫(kù)等組成。

圖1 嗅覺(jué)可視化檢測(cè)裝置示意圖Fig.1 Diagram of artificial olfaction visualization system1.反應(yīng)室(放置可視化陣列傳感器) 2.漫反射LED積分球光源3.3CCD相機(jī) 4.計(jì)算機(jī)

1.3 數(shù)據(jù)采集

試驗(yàn)數(shù)據(jù)的采集過(guò)程如下：

(1)反應(yīng)前，先將傳感器放于反應(yīng)室，打開(kāi)設(shè)備，并用相機(jī)拍攝硅膠板，得到初始圖像。

(2)用移液管移取10 mL香醋樣本于燒杯中，用橡膠雙面膠固定傳感器陣列硅膠板于保鮮膜上，而保鮮膜密封燒杯口，以使傳感器能暴露在香醋揮發(fā)性氣體環(huán)境中，并于45℃的干燥箱中反應(yīng)。待傳感器與醋揮發(fā)性氣體反應(yīng)18 min達(dá)到平衡后取出陣列傳感器，立即用相機(jī)獲取反應(yīng)后圖像。

(3)通過(guò)圖像處理程序獲得傳感器反應(yīng)前后的特征圖像和數(shù)量為3n的特征變量(n種色敏材料×3個(gè)顏色分量)，本試驗(yàn)則共有12個(gè)特征變量，將它們作為原始數(shù)據(jù)進(jìn)行模式識(shí)別分析。

1.4 色敏傳感器圖像處理方法

1.4.1 顏色反應(yīng)區(qū)域的中心點(diǎn)定位

為便于反應(yīng)前后相對(duì)應(yīng)的顏色反應(yīng)區(qū)域準(zhǔn)確地相減，需要先確定所采集圖像中各目標(biāo)色敏區(qū)域的準(zhǔn)確位置，中心點(diǎn)便是各個(gè)目標(biāo)區(qū)域的標(biāo)識(shí)，同時(shí)中心點(diǎn)的精確度也可能影響下一步提取各目標(biāo)區(qū)域的準(zhǔn)確度。于是分別用最小外接矩形、橢圓擬合和一階矩的方法，求目標(biāo)中心點(diǎn)坐標(biāo)，并對(duì)它們進(jìn)行比較。

圖2 最小外接矩形法示意圖Fig.2 Diagram of method of minimum enclosing rectangle

最小外接矩形法是先找出目標(biāo)圖像的輪廓，然后求出包圍輪廓的外包正矩形，并通過(guò)旋轉(zhuǎn)其主、副軸得到最小外接矩形[10]，然后獲得外接矩形的4個(gè)頂點(diǎn)坐標(biāo)p1～p4，并用這4個(gè)點(diǎn)算出圖形的中心點(diǎn)坐標(biāo)O(x,y)，如圖2所示。

橢圓擬合法則采用最小二乘橢圓擬合算法[11]。該方法的原理是，將橢圓表示為2個(gè)向量相乘的隱式方程，即

f(α,X)=αX=Ax2+Bxy+Cy2+Dx+Ey+F=0

(1)

(2)

最小化來(lái)實(shí)現(xiàn)，這樣就轉(zhuǎn)化為求線性方程組解的問(wèn)題來(lái)求出橢圓方程，進(jìn)而得到橢圓的中心。

一階矩的方法原理是求取二值圖像的重心[12]。因?yàn)閳D像上的點(diǎn)是二維離散的，圖像的p+q階矩可定義為

mp,q=∑∑xpyqf(x,y)

(3)

1.4.2 目標(biāo)圖像特征區(qū)域的選取

由于色敏材料在介質(zhì)中存在分布不均勻的現(xiàn)象，目標(biāo)圖像往往由中心到邊緣會(huì)形成不同層次的顏色。然而哪一層次的顏色更能表現(xiàn)色敏材料與氣味反應(yīng)前后的特征仍然不清楚。本研究選用2種方法：①傳統(tǒng)的中心點(diǎn)定位取圓為感興趣區(qū)域，即以目標(biāo)圖像的中心點(diǎn)為圓心，依據(jù)經(jīng)驗(yàn)選擇一定半徑得到的圓形區(qū)域，如圖3b所示。②漫水填充算法[13]。其目的一是選取中心區(qū)域作為圖像特征提取的區(qū)域，二是選取剔除中心區(qū)域顏色層的外圍區(qū)域?yàn)樘卣鲄^(qū)域，示意圖分別見(jiàn)圖3c和圖3d。漫水填充法是區(qū)域填充法的一種，這種方法可對(duì)顏色或亮度非常相似的區(qū)域進(jìn)行填充。首先需要選取該區(qū)域內(nèi)的一個(gè)點(diǎn)作為種子點(diǎn)，然后通過(guò)一定的顏色判定規(guī)則判定種子點(diǎn)的鄰域像素是否屬于同一區(qū)域，最后用新的像素值取代區(qū)域中各點(diǎn)的原值。其中，顏色判斷規(guī)則一般是在某種顏色空間中，對(duì)各顏色分量人為地設(shè)置閾值，如果一個(gè)點(diǎn)的各顏色分量在閾值之內(nèi)即可判斷此點(diǎn)與種子點(diǎn)相似。得到中心區(qū)域后，只需要將此區(qū)域減去，即可獲得外圍區(qū)域。當(dāng)?shù)玫讲煌卣鲄^(qū)域后，求取顏色反應(yīng)前后區(qū)域的R、G、B值并相減，即得色敏區(qū)域反應(yīng)前后的R、G、B分量的變化。

圖3 特征區(qū)域選取的不同方式Fig.3 Different ways to find characteristic region

1.4.3 不同顏色空間下的特征值提取

目標(biāo)圖像特征的提取一般是在RGB顏色空間模型下進(jìn)行的[14]，而只有極少數(shù)是在HSV和Lab 空間[15-16]，然而并不確定是最適宜本系統(tǒng)模式識(shí)別的模型。HSV顏色空間模型用色調(diào)(Hue)、飽和度(Saturation)、亮度(Value)來(lái)標(biāo)志顏色[17-18]。CIE Lab顏色空間簡(jiǎn)寫(xiě)為L(zhǎng)ab。它有3 個(gè)基本坐標(biāo)L、a、b，其中L代表亮度分量(值域0～100)，a、b代表色度分量(值域均為-120～120)，其中a分量代表顏色由綠色到紅色，b分量代表由藍(lán)色到黃色[19-20]。本研究分別利用RGB、HSV、Lab 3種不同的顏色空間模型在圖像的特征區(qū)域中提取特征值，并將它們均歸一化到0～255之間，以便對(duì)它們進(jìn)行比較。

1.5 模式識(shí)別方法

為了建立判別模型對(duì)不同醋齡食醋進(jìn)行識(shí)別，同時(shí)進(jìn)一步驗(yàn)證3種顏色空間下提取特征值的優(yōu)劣，將3種顏色空間下獲得的特征數(shù)據(jù)均用于模式識(shí)別。本研究分別利用主成分分析(PCA)和線性判別分析(LDA)2種分析方法區(qū)分不同醋齡食醋[21]。由于試驗(yàn)中每種顏色空間下均可得到150個(gè)樣本(5種年份×30樣本)，于是將2/3作為訓(xùn)練集，1/3作為預(yù)測(cè)集。所有數(shù)據(jù)分析都是在 Matlab Version 7.9.0環(huán)境下進(jìn)行。

2 試驗(yàn)結(jié)果與分析

2.1 顏色反應(yīng)區(qū)域的中心點(diǎn)定位

運(yùn)用1.4.1節(jié)所述的各種方法對(duì)如圖4所示的各種圖像求取中心點(diǎn)坐標(biāo)。為便于比較，各圖形并非都是圓形區(qū)域，所得結(jié)果見(jiàn)表1。

圖4 一些不同程度近似圓的圖形Fig.4 Images similar to circle at different degrees

由表1可知，除了2號(hào)和3號(hào)目標(biāo)圖形比其他圖形更加不規(guī)則，而求得的中心點(diǎn)稍有差別外，3種方法所得結(jié)果均非常相近。而由于真正的點(diǎn)樣圖形都與圓相似，所以3種方法均可得到較準(zhǔn)確的中心坐標(biāo)。鑒于算法在同樣滿(mǎn)足要求的前提下，應(yīng)盡量少占內(nèi)存，減小耗時(shí)，而本系統(tǒng)中最小外接矩形法的耗時(shí)是一階矩法的6倍，橢圓擬合法耗時(shí)為一階矩法的近20倍，因此用一階矩的方法求目標(biāo)圖像的中心較為合理。

表1 不同方法獲得的中心坐標(biāo)
Tab.1 Center coordinates calculated by different methods

序號(hào)最小外接矩形法橢圓擬合法一階矩法xyxyxy180.0070.5079.8070.2579.8270.25284.81150.0483.49149.0883.73149.13380.50225.0079.66226.0479.92225.834163.5071.50163.0371.48163.0771.565170.00147.00169.82146.95169.82146.976169.00219.50169.01219.49168.99219.467268.5070.00268.9269.58268.9369.648252.50151.00252.37150.85252.34150.919259.00230.50259.31230.52259.38230.48

2.2 目標(biāo)圖像特征區(qū)域的選取

以色敏材料溴甲酚綠制作傳感器為例，分別與不同醋齡的食醋反應(yīng)，樣本數(shù)各為30，然后用1.4.2節(jié)的方法求取不同特征區(qū)域RGB分量的特征差值，最后各將30個(gè)樣本取平均值。其中，漫水填充算法的連通域取八鄰域，種子點(diǎn)取圖像的中心點(diǎn)(方法見(jiàn)2.1節(jié))，閾值設(shè)定為：[種子點(diǎn)分量值-30, 種子點(diǎn)分量值+30]。另外，為了便于比較，在以圖形的中心點(diǎn)為圓心，以不同的半徑選取圓形特征區(qū)域時(shí)，半徑的取值從略大于中心區(qū)域邊界到略小于圖像最外圍邊界為范圍，以2個(gè)像素遞增。所得各特征值見(jiàn)表2。

表2 基于溴甲酚綠傳感器的不同特征區(qū)域特征值結(jié)果
Tab.2 Eigenvalues extracted from different regions based on Bromocresol green sensor

特征分量年份中心點(diǎn)定位取圓法漫水填充法r=5r=7r=11r=13r=15r=17中心區(qū)域外圍區(qū)域201167.2074.0676.7979.1881.3582.9064.3484.79201267.0674.0576.8479.2381.4283.1164.0184.96ΔR201366.6473.3576.0778.4480.5982.2164.1484.12201472.7179.1781.7084.0686.2787.5070.8389.47201559.1164.8366.9769.0670.9271.8556.9673.78201147.5953.0155.3057.3159.1661.2044.8662.34201247.8253.3355.6757.7459.6561.8944.9863.03ΔG201346.7151.9554.2156.1858.0260.2044.2961.29201451.4256.5658.6960.6262.4064.6049.4765.06201543.3347.9649.8351.7253.4155.0241.2756.322011-21.99-27.61-30.61-32.86-34.63-36.45-17.66-38.572012-21.51-27.23-30.39-32.76-34.62-36.49-17.21-38.96ΔB2013-22.73-28.24-31.21-33.49-35.38-37.13-18.66-39.522014-20.71-25.51-28.19-30.21-31.82-32.70-17.25-35.262015-20.88-25.96-28.83-30.99-32.84-35.04-17.13-37.06

由表2(表中r表示圓的半徑)可知，中心區(qū)域提取的特征差值最小，而去掉中心區(qū)域的外圍區(qū)域特征差值最大，在中心點(diǎn)定位取圓法中隨著半徑增大所得的特征差值逐漸增大，并逐漸趨近外圍區(qū)域的數(shù)值，可見(jiàn)中心區(qū)域的特征值實(shí)際上削弱了整個(gè)色敏區(qū)域的特征。因此選擇剔除中心區(qū)域的外圍區(qū)域?yàn)樘卣鲄^(qū)域更為合理。

2.3 不同顏色空間下的特征值提取

以材料為T(mén)PPZnF制成的傳感器與30份2012年份的食醋反應(yīng)，分別于RGB、HSV、Lab顏色空間下提取相應(yīng)的特征值，并歸一化到區(qū)間[0,255]，圖5是前10個(gè)樣本在不同顏色空間下部分特征分量相對(duì)應(yīng)的特征圖。由圖可見(jiàn)Lab顏色空間下a分量圖像的顏色變化不明顯，說(shuō)明其穩(wěn)定性更高。

圖5 不同顏色模型下分量的特征圖Fig.5 Feature images of some components under different color models

然后用4種色敏材料和30份2012年的食醋反應(yīng)，計(jì)算出不同顏色空間下反應(yīng)前后的特征分量差值的標(biāo)準(zhǔn)差，結(jié)果見(jiàn)表3。由表3可知，在Lab顏色模型下，各種分量特征值的標(biāo)準(zhǔn)差明顯較小，尤其是Δa和Δb的差別基本小于0.7，而其他2種顏色模型各分量的標(biāo)準(zhǔn)差基本在1～4之間，這說(shuō)明在Lab顏色模型下提取的特征值具有更高的穩(wěn)定性。

表3 不同特征分量的標(biāo)準(zhǔn)差
Tab.3 Standard deviation of different characteristic components

分量名CH3OTPP*TPPZnFCH3OTPP**溴甲酚綠ΔR1.8383961.2960141.8336684.231472ΔG1.4777481.6831181.5742922.895183ΔB1.3551671.5678751.1726371.560442ΔH0.4646572.7177970.3497551.610835ΔS1.3327051.6810021.185523.158022ΔV1.8383961.2960141.8336683.112589ΔL1.4134711.3627621.4884752.791019Δa0.2769060.5349990.1796250.642246Δb0.6812240.4119150.5963931.539278

注：表示實(shí)驗(yàn)室合成； ** 表示購(gòu)于美國(guó)Sigma-Aldrich公司。

2.4 模式識(shí)別結(jié)果

2.4.1 3種顏色空間下的主成分分析(PCA)

主成分分析是一種重要的統(tǒng)計(jì)方法，可以將多指標(biāo)問(wèn)題轉(zhuǎn)化為較少的綜合指標(biāo)，將變量重組，得到既互不相關(guān)、又能表示原變量中絕大部分信息的新變量，即主成分(PCs)，利用主成分分析可以從原始數(shù)據(jù)中提供有效的信息，并且主成分圖能直觀地呈現(xiàn)出不同年份食醋的聚類(lèi)趨勢(shì)。

圖6a～6c分別是顏色空間為RGB、HSV、Lab時(shí)的三維主成分散點(diǎn)圖。前3個(gè)主成分的累計(jì)方差貢獻(xiàn)率分別達(dá)到了96.81%(PC1為66.33%，PC2為26.80%，PC3為3.68%)、87.14%(PC1為49.47%，PC2為22.11%，PC3為15.56%)、95.36%(PC1為63.45%，PC2為22.63%，PC3為9.28%)。不同年份食醋的樣本在散點(diǎn)圖中具有一定的聚類(lèi)趨勢(shì)，尤其是在Lab顏色空間下較為明顯，但仍有一些儲(chǔ)藏年限相近的樣本互相重疊，不易分離，其主要原因是儲(chǔ)藏時(shí)間比較近的食醋，由于季節(jié)的因素及其他環(huán)境因素影響，特征差別不是非常顯著，僅通過(guò)PCA難以完全區(qū)分開(kāi)。

2.4.2 3種顏色空間下的線性判別分析(LDA)

LDA模型是通過(guò)尋找一種線性變換，將組間距離與組內(nèi)距離的比值最大化，以獲得最大的類(lèi)別區(qū)分。本研究中，PCs作為潛變量被用來(lái)作為L(zhǎng)DA分類(lèi)器的向量輸入。

圖6 不同顏色空間時(shí)的三維主成分得分圖Fig.6 Diagrams of three dimensional principal component scores in different color spaces

表4分別是顏色空間為RGB、HSV、Lab時(shí)不同醋齡食醋的LDA判別分析識(shí)別結(jié)果。在RGB空間中，當(dāng)主成分?jǐn)?shù)為10時(shí)，模型訓(xùn)練集中有90%的樣本被正確識(shí)別出來(lái)，預(yù)測(cè)集中有86%的樣本被正確識(shí)別出來(lái)。在HSV顏色空間下，當(dāng)主成分?jǐn)?shù)為10時(shí)，訓(xùn)練集中LDA模型的識(shí)別率為89%，預(yù)測(cè)集中LDA模型的識(shí)別率為76%。當(dāng)顏色空間為L(zhǎng)ab，主成分?jǐn)?shù)為9時(shí)，模型的訓(xùn)練集和預(yù)測(cè)集中分別有98%和94%的樣本被識(shí)別出來(lái)。可見(jiàn)，顏色空間為L(zhǎng)ab模型時(shí)，食醋年限的鑒別效果最好。一方面，相較于其他顏色模型Lab 顏色模型擁有最廣的色域，并且彌補(bǔ)了RGB空間中顏色表示與實(shí)際顏色非線性關(guān)系的缺點(diǎn)，因此Lab顏色模型能夠更加真實(shí)地標(biāo)識(shí)顏色，甚至可以反映其他模型丟失的顏色信息。另一方面，由2.4.1節(jié)可知本系統(tǒng)中Lab模型的一致性和聚類(lèi)性較好，能較好地表征不同醋齡食醋氣味特征，模式識(shí)別的效果更好。

表4 不同顏色空間下LDA判別結(jié)果Tab.4 Identification results of LDA model in different color spaces %

3 結(jié)束語(yǔ)

利用嗅覺(jué)可視化系統(tǒng)對(duì)食醋中可揮發(fā)性氣體的表征可對(duì)食醋年限進(jìn)行快速、簡(jiǎn)便、直觀的鑒別。本文對(duì)系統(tǒng)中圖像處理部分的不同中心點(diǎn)定位和特征區(qū)域選取方法進(jìn)行了比較和優(yōu)化，重點(diǎn)是對(duì)不同顏色空間下提取的特征參數(shù)進(jìn)行比較，確定了比較利于檢測(cè)系統(tǒng)進(jìn)行食醋年份識(shí)別的Lab空間，并發(fā)現(xiàn)它的識(shí)別率可達(dá)到90%以上，提高了嗅覺(jué)可視化系統(tǒng)的準(zhǔn)確率。

1 孫宗保. 鎮(zhèn)江香醋揮發(fā)性成分分析及醋齡的識(shí)別研究[D]. 鎮(zhèn)江：江蘇大學(xué)，2014.

2 孫宗保，尹俊玲， 趙杰文，等. 雜環(huán)化合物在鎮(zhèn)江香醋陳釀過(guò)程中的變化[J]. 中國(guó)食品學(xué)報(bào), 2015, 15(6):199-205. SUN Zongbao, YIN Junling, ZHAO Jiewen, et al. The changes of heterocyclic compounds in Zhenjiang aromatic vinegar during ageing[J]. Journal of Chinese Institute of Food Science and Technology, 2015, 15(6):199-205. (in Chinese)

3 RAKOW N A, SUSLICK K S. A colorimetric sensor array for odour visualization[J]. Nature, 2000,406(17): 710-713.

4 鄒小波，趙杰文，殷曉平，等. 嗅覺(jué)可視化技術(shù)在白酒識(shí)別中的應(yīng)用[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009, 40(1): 110-113. ZOU Xiaobo, ZHAO Jiewen, YIN Xiaoping, et al. Chinese liquors identification by olfaction visualization technology[J]. Transactions of the Chinese Society for Agricultural Machinery,2009,40(1):110-113. (in Chinese)

5 QIN H, HUO D, ZHANG L, et al. Colorimetric artificial nose for identification of Chinese liquor with different geographic origins[J]. Food Research International, 2012, 45(1): 45-51.

6 HUANG X Y, XIN J W, ZHAO J W. A novel technique for rapid evaluation of fish freshness using colorimetric sensor array[J]. Journal of Food Engineering, 2011, 105(4): 632-637.

7 趙杰文，黃曉瑋，鄒小波，等. 基于嗅覺(jué)可視化技術(shù)的豬肉新鮮度檢測(cè)[J]. 食品科學(xué)技術(shù)學(xué)報(bào), 2013, 31(1): 9-13. ZHAO Jiewen, HUANG Xiaowei, ZOU Xiaobo, et al. Research on discrimination of dominant spoilage bacteria in pork based on porphyrins and pH indicators gas-sensing material[J]. Journal of Food Science and Technology，2013,31(1): 9-13． (in Chinese)

8 CHEN Q S, LIU A P, ZHAO J W, et al. Monitoring vinegar acetic fermentation using a colorimetric sensor array[J]. Sensors and Actuators B: Chemical, 2013, 183: 608-616.

9 管彬彬，趙杰文，金鴻娟，等. 基于嗅覺(jué)可視技術(shù)的醋醅理化指標(biāo)分析[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015, 46(9): 223-227. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150932&flag=1. DOI：10.6041/j.issn.1000-1298.2015.09.032. Guan Binbin，Zhao Jiewen，Jin Hongjuan，et al. Analysis of physicochemical index of vinegar substrate based on olfactory visualization technique[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2015,46(9):223-227. (in Chinese)

10 BRADSKI G, KAEHLER A. Learning OpenCV[M]. California: O’Reilly Media, Inc., 2008．

11 王萬(wàn)國(guó)，王仕榮，徐正飛，等. 基于邊界的最小二乘橢圓擬合改進(jìn)算法[J]. 計(jì)算機(jī)技術(shù)與發(fā)展，2013,23(4):67-70.

12 GONZALEZ R C, WOODS R E. Digital image processing[M]. 3rd ed. Beijing: Publishing House of Electronics Industry, 2011.

13 陳佳鑫，賈英民. 一種基于漫水填充法的實(shí)時(shí)彩色目標(biāo)識(shí)別方法[J]. 計(jì)算機(jī)仿真, 2012,29(3): 4-9.

14 趙杰文，管彬彬，林顥，等. 基于嗅覺(jué)可視技術(shù)的食醋氣味的表征和區(qū)分[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013, 44(10): 188-192.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20131030&flag=1. DOI：10.6041/j.issn.1000-1298.2013.10.030. ZHAO Jiewen, GUAN Binbin, LIN Hao, et al. Characterization and discrimination of vinegar flavor based on olfaction visualization technology[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2013,44(10):188-192. (in Chinese)

15 CAPEL-CUEVAS S, CUéLLAR M P, DE ORBE-PAYI, et al. Full-range optical pH sensor array based on neural networks[J]. Microchemical Journal, 2011,97(2): 225-233.

17 CHERNOV Vladimir, ALANDER Jarmo, BOCHKO Vladimir. Integer-based accurate conversion between RGB and HSV color spaces[J]. Computers & Electrical Engineering,2015,46: 328-337.

18 張春龍，張楫，張俊雄，等.近色背景中樹(shù)上綠色蘋(píng)果識(shí)別方法[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,45(10):277-281.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20141043&flag=1. DOI：10.6041/j.issn.1000-1298.2014.10.043. ZHANG Chunlong, ZHANG Ji, ZHANG Junxiong, et al. Recognition of green apple in similar backgroud[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2014,45(10):277-281. (in Chinese)

19 李小昱，庫(kù)靜，顏伊蕓，等.基于高光譜成像的綠皮馬鈴薯檢測(cè)方法[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2016,47(3):228-233. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160332&flag=1. DOI: 10.6041/j.issn.1000-1298.2016.03.032. LI Xiaoyu, KU Jing, YAN Yiyun, et al. Detection method of green potato based on hyperspectral imaging[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2016,47(3):228-233. (in Chinese)

21 鄒小波，趙杰文.農(nóng)產(chǎn)品無(wú)損檢測(cè)技術(shù)與數(shù)據(jù)分析方法[M]. 北京：中國(guó)輕工業(yè)出版社，2007.

Age Discrimination of Vinegar Based on Artificial Olfaction Visualization and Image Processing

LIN Hao SONG Benteng JIN Hongjuan GUAN Binbin

(SchoolofFoodandBiologicalEngineering,JiangsuUniversity,Zhenjiang212013,China)

An artificial olfaction system based on visualization sensor array was employed to identify different ages of vinegar. In the image processing module of this system, the influence of different methods on the localization of the target image center was compared, including minimum enclosing rectangle, ellipse fitting and one-order moment. Since the target image was similar to the circle, all of the three methods could obtain center coordinates exactly, except that the last method consumed less time. Moreover, the characteristic region was reselected, which could better represent features of the target image. Usually, feature values are extracted based on the RGB color space. Then, each component and coordinate value in RGB, HSV and Lab color spaces were extracted and used as eigenvalues. The result showed that the data obtained from the Lab space had high stability. In order to identify different ages of vinegar, five different years of vinegar samples from 2011 to 2015 were selected in the experiment. The characteristic data from three kinds of color spaces was analyzed with principal component analysis (PCA) and linear discriminant analysis (LDA). Although the samples of vinegar in different years had a certain clustering tendency, especially in the Lab color space, there were still some samples overlapping each other and difficult to separate by PCA alone. Then this data was used as the input of LDA classifier for discriminate analysis. The recognition accuracy rate in the training set and testing set achieved 98% and 94% respectively in Lab color space, while the detection accuracies were not higher than 90% in other color spaces.

vinegar age; detection; visualization sensor; image processing

10.6041/j.issn.1000-1298.2017.01.036

2016-05-28

2016-07-06

江蘇省自然科學(xué)基金項(xiàng)目(BK2012286)和中國(guó)博士后科學(xué)基金特別項(xiàng)目(2013T60509)

林顥(1983—)，男，副教授，主要從事農(nóng)產(chǎn)品加工和品質(zhì)檢測(cè)研究，E-mail: linhaolt794@163.com

TS202.7; TP242.6+4

A

1000-1298(2017)01-0275-06