李 超，周 博

（1.江蘇大學(xué)機(jī)械工程學(xué)院，江蘇鎮(zhèn)江 212000；2.鹽城工學(xué)院機(jī)械工程學(xué)院，江蘇鹽城 224000）

中國是種植水稻最豐富的國家之一，超過半數(shù)的人口以大米為主食[1]，大米是水稻經(jīng)多道工序加工的成品，并含有蛋白質(zhì)、脂類、碳水化合物等營養(yǎng)成分，是天然的微生物培養(yǎng)基。儲(chǔ)糧大米中常見微生物有細(xì)菌、霉菌、酵母菌等，由于霉菌代謝活動(dòng)所需要的水分和溫度遠(yuǎn)低于其它微生物，所以大米最易受霉菌侵蝕，尤其是南方高溫高濕地區(qū)。當(dāng)滿足霉菌生存的溫濕度條件時(shí)，大米就會(huì)發(fā)生霉變。霉變大米會(huì)產(chǎn)生抗菌素、真菌毒素、有機(jī)化合物等次級代謝產(chǎn)物，其中黃曲霉、寄生曲霉等常見標(biāo)準(zhǔn)菌株會(huì)產(chǎn)生對人危害極大的黃曲霉毒素。一般情況下，大米霉變伴隨著復(fù)雜的氣味變化，其揮發(fā)物成分是微生物作用產(chǎn)生的羥基類、醛基類、硫化物等化合物[2]。大米在不同霉變程度下，微生物揮發(fā)的氣體成分在種類和濃度上也會(huì)發(fā)生相應(yīng)的變化，大米變質(zhì)過程中會(huì)產(chǎn)生霉味、酸敗味、酒味等氣味[3]，這使得通過氣味變化快速鑒別大米受霉菌污染成為可能。

傳統(tǒng)谷物品質(zhì)檢測方法主要依靠人工感官評審，該評定方法因誤差較大已被淘汰。目前應(yīng)用廣泛的新型谷物霉變檢測方法主要有近紅外光譜技術(shù)[4]、機(jī)器視覺法[5]、高光譜成像技術(shù)[6]、電子鼻技術(shù)[7]等。近紅外光譜技術(shù)因其譜帶復(fù)雜易導(dǎo)致數(shù)據(jù)整理時(shí)產(chǎn)生誤差，對最終結(jié)果有影響。機(jī)器視覺法主要依靠攝像頭拍照識(shí)別，但大米初期霉變外觀并無較大變化，所以并不適用。高光譜成像技術(shù)采用圖像采集來反饋數(shù)據(jù)，能清楚的反映出農(nóng)產(chǎn)品缺陷，但對于大米霉變檢測不夠準(zhǔn)確和穩(wěn)定。電子鼻作為一種新型氣味檢測器，由多種氣敏傳感器組成陣列，單一傳感器對特定氣味產(chǎn)生高響應(yīng)，對其他氣味不敏感，整個(gè)傳感器陣列對不同氣體產(chǎn)生不同的響應(yīng)圖案，根據(jù)響應(yīng)圖案可以識(shí)別多種氣味。國內(nèi)外已有多項(xiàng)研究證實(shí)電子鼻在檢測和識(shí)別微生物方面的有效性，如沈飛等[8]成功驗(yàn)證電子鼻技術(shù)對糙米中黃曲霉毒素快速檢測的可行性；Gu 等[9]利用電子鼻結(jié)合BPNN 為早期檢測曲霉菌提供可行性，眾多研究表明電子鼻可以作為谷物霉變檢測的有效手段。

電子鼻技術(shù)是一種檢測揮發(fā)性氣體的新型技術(shù)，具有檢測速度快、響應(yīng)迅速、重復(fù)性好和無損檢測等特點(diǎn)，在食品檢測行業(yè)[10?11]已有廣泛應(yīng)用，如水果[12?14]、乳制品[15]、肉制品[16]、谷物[17?19]、酒類[20?22]等的品質(zhì)檢測。目前許多學(xué)者已經(jīng)借助電子鼻技術(shù)進(jìn)行谷物品質(zhì)的檢測，郭玉寶[23]利用電子鼻技術(shù)探尋大米陳化劣變程度指標(biāo)，發(fā)現(xiàn)電子鼻對大米6 個(gè)月內(nèi)氣味變化可以明顯區(qū)分，證明電子鼻可以用于大米品質(zhì)鑒定。胡志全等[24]利用電子鼻對不同基因型大米揮發(fā)性物質(zhì)進(jìn)行檢測，發(fā)現(xiàn)電子鼻應(yīng)用于鑒別大米新陳和基因型的差異是可行的。熊作周[25]利用電子鼻系統(tǒng)鑒定多種稻米品種，并且陣列優(yōu)化后分類準(zhǔn)確性高。通過上述研究發(fā)現(xiàn)，電子鼻在大米研究中的應(yīng)用主要集中在對于品種鑒別、風(fēng)味品質(zhì)鑒定等方面，對于大米霉變的相關(guān)研究較少。張紅梅等[26]用電子鼻結(jié)合主成分分析法成功區(qū)分6 個(gè)霉變程度的大米，證明電子鼻用于霉變大米的檢測是可行的。本文研究目的主要是研制一套滿足大米霉變在線檢測電子鼻系統(tǒng)，采用不同的模式識(shí)別方法分析，并通過BP 神經(jīng)網(wǎng)絡(luò)建立霉變大米預(yù)測模型，實(shí)現(xiàn)對摻入不同比例霉米的大米樣品的分類識(shí)別，為解決大米霉變診斷問題提供新的方法。

1 材料與方法

1.1 材料處理

大米 品種為“道好牌”公正大米，將培養(yǎng)好的霉菌孢子液分別接種經(jīng)輻照滅菌處理后的10 份大米樣品，每份100 g，然后將混有菌液的大米放入30 ℃、95% RH 恒溫恒濕箱培養(yǎng)3 d 供后續(xù)使用。分別設(shè)立四組對照組a、b、c、d，a 組為正常無霉變大米，b 組、c 組、d 組分別為摻入質(zhì)量10%、20%、30%霉變大米的樣品。每組大米共計(jì)1000 g，每隔2 d 進(jìn)行一次測試。進(jìn)行電子鼻檢測時(shí)，樣品稱量過程采用同一規(guī)格的燒杯，結(jié)合樂琪精密電子秤的“去皮”稱量，避免稱量過程存在誤差。每組取20 個(gè)樣本，每一個(gè)樣本（50 g）置干燥潔凈的200 mL 小燒杯中，并用聚乙烯保鮮膜密封60 min（產(chǎn)生頂空的時(shí)間），以達(dá)到氣體平衡。靜置后分別檢測每組樣本，每組樣本測試完成全部放回貼有標(biāo)簽的2 L 大燒杯中，并繼續(xù)用保鮮膜密封，供后續(xù)測試。為避免污染，每次燒杯用完采用無菌水沖洗，放入烘箱（105oC)烘干待用。測試時(shí)間為60 s，傳感器清洗時(shí)間為180 s。每2 d 測試1 次，分別測試第1、3、5、7 d 的不同比例霉變大米。

1.2 電子鼻裝置

該研究采用自主研制的電子鼻系統(tǒng)，系統(tǒng)主要包括傳感器陣列、NI 數(shù)據(jù)采集卡、檢測氣室及電源部分組成，電子鼻系統(tǒng)示意圖如圖1 所示。

圖1 中傳感器陣列由8 個(gè)金屬氧化物傳感器組成，分別為5 個(gè)費(fèi)加羅半導(dǎo)體傳感器和3 個(gè)北科電子MQ 系列傳感器，各個(gè)傳感器信息如表1 所示。所用采集卡為NI 數(shù)據(jù)采集卡USB6009，有8 路模擬輸入通道和2 路模擬輸出通道，負(fù)責(zé)將8 個(gè)氣敏傳感器采集到的模擬信號(hào)轉(zhuǎn)化為數(shù)字信號(hào)發(fā)送到PC 機(jī)LabVIEW 平臺(tái)。氣室容量為1000 mL，所用氣泵為佑誠至信機(jī)電的VN-C6，可抽取0.2 L/min 的氣體，電源為君利來學(xué)生電源，支持2～16 V 直流穩(wěn)壓電源輸出。

圖1 電子鼻系統(tǒng)示意圖Fig.1 Schematic diagram of electronic nose system

表1 傳感器特點(diǎn)和檢測范圍Table 1 Characteristics and detection range of sensors

本系統(tǒng)是以LabVIEW 為基礎(chǔ)開發(fā)檢測平臺(tái)，實(shí)現(xiàn)數(shù)據(jù)的采集、數(shù)據(jù)的保存等功能。數(shù)據(jù)采集通道依次對應(yīng)采集卡NI USB-6009 的8 個(gè)模擬通道AI0～7，每個(gè)通道1 s 采集1 個(gè)數(shù)據(jù)，可選擇和關(guān)閉任意傳感器信號(hào)采集，按下開始測試即可將數(shù)字信號(hào)顯示在波形圖上，按下停止測試即可停止采集，按下保存按鈕即可保存為Excel 表格數(shù)據(jù)（如測試60 s 則記錄8×60 數(shù)據(jù)矩陣），電子鼻系統(tǒng)前面板如圖2 所示。圖中為8 個(gè)傳感器未接入氣體時(shí)的波形圖。

圖2 電子鼻數(shù)據(jù)采集平臺(tái)前面板Fig.2 Electronic nose data acquisition platform front panel

1.3 菌落總數(shù)測定方法

菌落總數(shù)檢驗(yàn)采用平板菌落計(jì)數(shù)法，并采用菌落形成單位（Colony Forming Units，CFU）計(jì)算菌落數(shù)。將黃曲霉3.17、寄生曲霉3.3950、赭曲霉3.6486分別接種于馬鈴薯葡萄糖瓊脂（potato dextrose agar，PDA）培養(yǎng)基，并置于恒溫培養(yǎng)箱中（28oC、85%RH）,14 d 后用無菌水沖洗PDA 培養(yǎng)基表面，制成濃度為105CFU/mL 的霉菌孢子懸浮液。檢驗(yàn)標(biāo)準(zhǔn)參照GB/T 4789.15-2016《食品微生物學(xué)檢驗(yàn)》菌落總數(shù)測定方法進(jìn)行。

1.4 分析方法

本研究中采用主成分分析法（Principal Component Analysis，PCA）、線性判別分析法（Linear Discriminant Analysis，LDA）和反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）對電子鼻數(shù)據(jù)進(jìn)行分析處理。

PCA 是一種無監(jiān)督模式識(shí)別技術(shù)[27]，它是將多指標(biāo)轉(zhuǎn)化為少數(shù)幾個(gè)能代表數(shù)據(jù)整體信息的綜合指標(biāo)，既能使多維數(shù)據(jù)降維，又能提取出最有價(jià)值的信息，從而客觀的分析出樣品之間的差異。本文采用Matlab?2018a 軟件先對樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，然后利用“Princomp”函數(shù)進(jìn)行PCA 分析。

LDA 是一種有監(jiān)督學(xué)習(xí)的降維技術(shù)，在模式識(shí)別領(lǐng)域有廣泛的應(yīng)用，和PCA 不同的是LDA 數(shù)據(jù)集的每個(gè)樣本都是有類別輸出的。本文采用IBM SPSS Statistics 25 軟件的判別分析法對PCA 降維后的電子鼻數(shù)據(jù)進(jìn)行分析，并按組平均值求得組質(zhì)心。

BPNN 是一個(gè)用于模式分類的多層前饋網(wǎng)絡(luò)，可實(shí)現(xiàn)從輸入到輸出的任意非線性映射。感知器網(wǎng)絡(luò)結(jié)構(gòu)依次為輸入層、隱含層和輸出層，樣本從輸入層穿過，通過所有隱含層逐層處理后傳向輸出層。如果當(dāng)前輸出不等于期望輸出，則進(jìn)入反向傳播過程，誤差信號(hào)經(jīng)過正向傳播的通路反向傳回，通過依次調(diào)整每個(gè)隱含層神經(jīng)元連接權(quán)系統(tǒng)得到期望輸出。在建模過程中，輸入和輸出之間的數(shù)學(xué)方程無需定義，使得BPNN 操作非常方便[28]。本文所建立的BPNN模型包括三層，隱含層節(jié)點(diǎn)數(shù)從7 個(gè)開始增加15 個(gè)，對每個(gè)節(jié)點(diǎn)的BPNN 進(jìn)行3 次訓(xùn)練，從9 個(gè)不同結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)中選擇訓(xùn)練集準(zhǔn)確率最高的一個(gè)來評價(jià)網(wǎng)絡(luò)分類性能，采用非線性最小二乘算法Levenberg-Marquardt 算法，算法公式如式（1）：

Axygen DNA提取試劑盒購于上海必橫生物技術(shù)有限公司；rTaq酶，dNTP Mixture，10×PCR Buffer，瓊脂糖（大連TaKaRa技術(shù)有限公司）；TAE、PBS緩沖液購于上海雙螺旋生物科技有限公司。

式中：e 為網(wǎng)絡(luò)誤差值；xk為k 次迭代各層之間的連接權(quán)值或者閾值；Jk為網(wǎng)絡(luò)誤差函數(shù)對權(quán)值和閾值一階倒數(shù)雅克比矩陣；μ 為常數(shù)系數(shù)變量[29]。經(jīng)過多次測試最終采用輸入層8 個(gè)、隱含層12 個(gè)、輸出層1 個(gè)的BPNN 模型，按照以下參數(shù)進(jìn)行訓(xùn)練：訓(xùn)練誤差為1e-3，最大訓(xùn)練次數(shù)2000，學(xué)習(xí)率0.01，最小梯度要求1e-10。

2 結(jié)果與分析

2.1 霉變時(shí)間及菌落總數(shù)

大米感染霉菌之后，霉菌在繁殖過程中不斷消耗大米中的營養(yǎng)物質(zhì)，并代謝產(chǎn)生醛、醇、酮、酸等小分子揮發(fā)性物質(zhì)[30]，導(dǎo)致大米霉變的優(yōu)勢菌屬主要有黃曲霉、赭曲霉、寄生曲霉、黑曲霉、變幻青霉等，其中最常見的是黃曲霉（含量最多且毒性最大）、赭曲霉、寄生曲霉，實(shí)驗(yàn)用的霉變大米主要受這3 種霉菌侵染，霉米中菌落總數(shù)變化如圖3 所示。由圖3可知，3 種霉菌隨時(shí)間遞增變化趨勢基本類似，0～3 d 時(shí)霉菌計(jì)數(shù)指標(biāo)呈緩慢上升態(tài)勢，此時(shí)大米表現(xiàn)為“出汗”現(xiàn)象，色澤灰暗，散發(fā)輕微的霉味；3～5 d 時(shí)菌落總數(shù)開始加速升高，此時(shí)霉變大米呈現(xiàn)黃綠色，散發(fā)糠酸味、霉味、酒味等；5～7 d 時(shí)霉菌霉菌增長率達(dá)到最大，此時(shí)霉變大米成團(tuán)結(jié)塊，散發(fā)腐敗味。7 d后霉變大米嚴(yán)重發(fā)霉，米粒變形、大面積結(jié)塊，此時(shí)大米失去使用價(jià)值。

圖3 霉菌感染大米樣品菌落總數(shù)變化趨勢Fig.3 Change trend of total bacterial colony of mildew infected rice samples

2.2 電子鼻指紋圖譜分析

傳感器每秒采集1 個(gè)響應(yīng)值，一共采集70 s。如圖4 所示，強(qiáng)度為檢測樣品氣體與潔凈空氣的電阻比，每個(gè)傳感器對特定氣味有不同的響應(yīng)曲線，隨著傳感器不斷吸附樣品揮發(fā)物的氣體，響應(yīng)曲線呈上升態(tài)勢，當(dāng)傳感器表面完全吸附氣體后（達(dá)到飽和狀態(tài)），此時(shí)響應(yīng)曲線達(dá)到平穩(wěn)狀態(tài)，選取8 個(gè)傳感器60 s 后的穩(wěn)態(tài)數(shù)據(jù)平均值作為特征值進(jìn)行后續(xù)分析處理。

圖4 摻入30%霉變大米的響應(yīng)曲線Fig.4 Response curve of rice mixed with 30% moldy rice

2.3 大米霉變PCA、LDA 分析

分別對第1、3、5 和7 d 采集到的大米樣品數(shù)據(jù)進(jìn)行PCA 和LDA 分析。第1 d 霉變大米分析結(jié)果如圖5 所示。由圖5 可知，PCA 前兩個(gè)主成分（PC1、PC2）和LDA 的前兩個(gè)判別因子（LD1、LD2）貢獻(xiàn)率之和分別為86.8%、99.0%，表明信息丟失量較少，其結(jié)果可以代表電子鼻響應(yīng)信號(hào)對大米揮發(fā)物的區(qū)分情況。PCA 對于不同霉變程度的大米樣品不能區(qū)分，霉變大米樣品點(diǎn)發(fā)散程度大且樣本存在部分重疊；LDA 不同霉變程度大米能很好地區(qū)分。

圖5 第1 d 大米樣品PCA、LDA 分析結(jié)果Fig.5 PCA and LDA analysis results of rice samples on the 1th day

第3 d 霉變大米分析結(jié)果如圖6 所示，由圖可知，PCA 前兩個(gè)主成分和LDA 的前兩個(gè)判別因子貢獻(xiàn)率之和分別為89.0%、98.7%，其結(jié)果可以代表電子鼻響應(yīng)信號(hào)對大米揮發(fā)物的區(qū)分情況。PCA 對于正常大米、10%霉米樣品的點(diǎn)能很好地區(qū)分，20%霉米和30%霉米樣品的點(diǎn)發(fā)散程度大且有重疊，區(qū)分有一定誤差；LDA 不同霉變程度大米的點(diǎn)相對集中且能完美區(qū)分開來。

圖6 第3 d 大米樣品PCA、LDA 分析結(jié)果Fig.6 PCA and LDA analysis results of rice samples on the 3th day

第5 d 霉變大米分析結(jié)果如圖7 所示，由圖可知，PCA 前兩個(gè)主成分和LDA 的前兩個(gè)判別因子貢獻(xiàn)率之和分別為92.9%、97.2%，其結(jié)果可以代表電子鼻響應(yīng)信號(hào)對大米揮發(fā)物的區(qū)分情況。PCA 和LDA 都能區(qū)分不同比例的霉變大米，LDA 各個(gè)簇的集中性更好。

圖7 第5 d 大米樣品PCA、LDA 分析結(jié)果Fig.7 PCA and LDA analysis results of rice samples on the 5th day

第7 d 霉變大米分析結(jié)果如圖8 所示，由圖可知，PCA 前兩個(gè)主成分和LDA 的前兩個(gè)判別因子貢獻(xiàn)率之和分別為88.3%、94.0%，其結(jié)果可以代表電子鼻響應(yīng)信號(hào)對大米揮發(fā)物的區(qū)分情況。PCA、LDA都能很好的區(qū)分不同比例的霉變大米，PCA 各個(gè)簇的集中性更好。

圖8 第7 d 大米樣品PCA、LDA 分析結(jié)果Fig.8 PCA and LDA analysis results of rice samples on the 7th day

綜合4 d 結(jié)果來看，第1 d 霉變大米樣品的PCA分類結(jié)果誤差較大，主要原因是霉菌培養(yǎng)時(shí)間短，摻入正常大米中的霉米比重較小，所以導(dǎo)致霉米釋放的揮發(fā)物成分差異不大；從第3 d 開始，霉菌開始加速繁殖，第3 和5 d 霉變大米比例越大樣品點(diǎn)越發(fā)散，這可能與霉菌的不同生長狀況有關(guān)，比例大的霉米不同霉菌間的相互作用強(qiáng)烈，揮發(fā)性物質(zhì)繁多，從外觀表現(xiàn)來看10%霉米發(fā)霉速度明顯慢于其余兩組霉米；到了第7 d，樣品點(diǎn)反而集中性較好，可能是該階段霉菌已經(jīng)大量繁殖，揮發(fā)物氣味有所相似的緣故。第1、3、5 d PCA 結(jié)果霉變程度均有從右往左遞增趨勢，但到了第7 d 遞增趨勢轉(zhuǎn)變，這可能是因?yàn)榇竺酌棺兺砥跉馕懂a(chǎn)生了復(fù)雜的變化所致。

2.4 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測霉變程度

本研究采用BP 神經(jīng)網(wǎng)絡(luò)來建立霉變大米定量預(yù)測模型。電子鼻系統(tǒng)采集數(shù)據(jù)后，由于數(shù)據(jù)量過大，采用PCA 降維后的數(shù)據(jù)進(jìn)行BP 神經(jīng)網(wǎng)絡(luò)分析。為了縮小數(shù)據(jù)范圍差別，對數(shù)據(jù)采用式（2）進(jìn)行[0-1]區(qū)間歸一化預(yù)處理。

式中：y 為歸一化后的結(jié)果；x 為傳感器某一時(shí)刻的瞬態(tài)響應(yīng)值；xmax、xmin分別為一個(gè)周期內(nèi)傳感器最大、最小響應(yīng)值。

為保證建立的模型具有良好的泛化能力，盡量使訓(xùn)練集與測試集樣本有近似的分布規(guī)律。最終建模時(shí)不考慮時(shí)間因素（由于第1 d 樣本誤差較大考慮去除），將第3、5、7 d（每天80 個(gè)樣本）采集到的樣品數(shù)據(jù)統(tǒng)一建立預(yù)測模型，所有電子鼻數(shù)據(jù)處理后總共240 個(gè)樣本，分別劃分為訓(xùn)練集（160 個(gè)樣品）和測試集（80 個(gè)樣品），模型的精度通過決定系數(shù)R2（the coefficient of determination）和均方根誤差（MSE）來評價(jià)。

BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測霉變大米比例結(jié)果如圖9所示，由圖可知，正常大米和10%霉米預(yù)測結(jié)果準(zhǔn)確性較高。分別將訓(xùn)練集、測試集數(shù)據(jù)輸入模型，最終得到如下結(jié)果：模型的決定系數(shù)R2為0.9495，訓(xùn)練集和測試集的MSE 分別為3.36×10?2、9.42×10?2。訓(xùn)練集數(shù)據(jù)預(yù)測值和真實(shí)值的相關(guān)性為0.99076，平均相對誤差為3.56%，最大相對誤差為13.5%；測試集數(shù)據(jù)預(yù)測值和真實(shí)值的相關(guān)性為0.95346，平均相對誤差為4.18%，最大相對誤差為18.82%。綜上所述，訓(xùn)練集和測試集的預(yù)測值與真實(shí)值擬合效果較好，所建立的模型對大米霉變程度表現(xiàn)出較好的預(yù)測能力。

圖9 BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.9 BP neural network training results

為測試模型預(yù)測準(zhǔn)確性，在模型超參數(shù)不變的條件下，重復(fù)3 次隨機(jī)劃分訓(xùn)練集、測試集進(jìn)行訓(xùn)練，BP 算法識(shí)別結(jié)果如表2 所示（括號(hào)中的數(shù)字為誤判數(shù)），由表2 結(jié)果可知，正常大米樣本可以正確預(yù)測，訓(xùn)練集和測試集識(shí)別率均為100%，10%霉米預(yù)測準(zhǔn)確性達(dá)到95%，可能原因是霉菌含量低，大米始終對微生物有著較強(qiáng)的抵抗性，霉菌繁殖受到新環(huán)境的制約，揮發(fā)性物質(zhì)相似。而20%霉米、30%霉米誤判錯(cuò)誤率較高，可能原因是因?yàn)榇竺资苊咕秩緭]發(fā)物成分變化復(fù)雜，不同霉菌生長代謝所產(chǎn)生的揮發(fā)物氣味變化可能存在相互干擾，這一點(diǎn)在Capuano Rosamaria 等[31]研究中已得到證實(shí)，菌株之間的差異會(huì)隨著培養(yǎng)時(shí)間的變化而發(fā)生變化。

表2 BP 神經(jīng)網(wǎng)絡(luò)分類識(shí)別結(jié)果Table 2 Classification and recognition results of BP neural network

3 結(jié)論

該研究用自行設(shè)計(jì)的電子鼻系統(tǒng)檢測霉變大米，針對不同時(shí)間的4 組大米進(jìn)行分類，所有結(jié)果顯示正常大米的PCA、LDA 均與霉變大米差異明顯，不同比例霉米PCA 得分圖結(jié)果具有沿第一主成分變化的規(guī)律，但不同比例霉米在PCA 得分圖上區(qū)分有一定誤差，LDA 分類效果更好且能做到完全區(qū)分。BPNN 測試集結(jié)果對于大米霉變程度預(yù)測準(zhǔn)確性不高，但是建立的模型對于正常大米與霉變大米分類準(zhǔn)確率為100%，輕微霉變大米（10%）也與正常大米差異明顯，說明利用電子鼻結(jié)合BPNN 建立的模型是能發(fā)現(xiàn)早期大米發(fā)霉現(xiàn)象的。結(jié)果表明，電子鼻系統(tǒng)可以作為檢測大米是否發(fā)霉及霉變程度預(yù)測的有效手段，這為快速無損檢測霉變大米提供了一種新途徑。