路玉鳳 閆娟 茅健 楊慧斌 馬麗

摘 ?要：隨著市場(chǎng)對(duì)果蔬需求量增加，冷鏈物流日益發(fā)展，在存儲(chǔ)中對(duì)果蔬的品質(zhì)提出了更高的要求。因此，應(yīng)用無損檢測(cè)技術(shù)對(duì)果蔬進(jìn)行品質(zhì)檢測(cè)是非常必要的。文章采用電子鼻傳感器對(duì)果蔬氣味的識(shí)別與圖像傳感器對(duì)果蔬外觀品質(zhì)的判別相結(jié)合的方法對(duì)果蔬新鮮度進(jìn)行判別。在數(shù)據(jù)采集過程中，基線漂移對(duì)數(shù)據(jù)分析存在影響，文章采用基于CAM-ES算法從長(zhǎng)期漂移的角度將數(shù)據(jù)按時(shí)間窗進(jìn)行自適應(yīng)線性補(bǔ)償消除基線漂移，其次采用Adam算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)自適應(yīng)實(shí)時(shí)在線學(xué)習(xí)，進(jìn)行在線漂移補(bǔ)償，實(shí)現(xiàn)對(duì)漂移的實(shí)時(shí)在線學(xué)習(xí)和修正。

關(guān)鍵詞：電子鼻傳感器;圖像分析;品質(zhì)檢測(cè);算法結(jié)合

中圖分類號(hào)：F304.3 ? ?文獻(xiàn)標(biāo)識(shí)碼：A

Abstract： With the increase in market demand for fruits and vegetables， cold chain logistics is developing day by day， and higher requirements are placed on the quality of fruits and vegetables in storage. Therefore， it is very necessary to use non-destructive testing technology to inspect the quality of fruits and vegetables. In this paper， the electronic nose sensor is used to identify the odor of fruits and vegetables and the image sensor is used to determine the appearance quality of fruits and vegetables. In the process of data acquisition， baseline drift has an impact on data analysis. This paper uses the CAM-ES algorithm to perform adaptive linear compensation based on the time window from the perspective of long-term drift to eliminate baseline drift. Secondly， the Adam algorithm is used to optimize the BP neural network to achieve adaptive real-time online learning， online drift compensation， real-time online learning and correction of drift.

Key words： electronic nose sensor; image analysis; quality detection; algorithm combination

0 ?引 ?言

隨著生活水平的提高，冷鏈物流日益受到青睞。果蔬的存儲(chǔ)及配送是冷鏈物流中的關(guān)鍵環(huán)節(jié)，并且人們對(duì)果蔬的品質(zhì)及安全問題也越來越重視。因此，對(duì)果蔬品質(zhì)的檢測(cè)就顯得尤為重要。在傳統(tǒng)檢測(cè)中大多采用化學(xué)儀器分析，在實(shí)驗(yàn)中需要對(duì)被測(cè)物體進(jìn)行前處理，且實(shí)驗(yàn)過程漫長(zhǎng)，并且不能保證被檢測(cè)食品的完整性;其次實(shí)驗(yàn)本身對(duì)場(chǎng)地和環(huán)境有一定要求，所以，迫切需要一種快速無損檢測(cè)技術(shù)解決傳統(tǒng)檢測(cè)中的問題。

無損檢測(cè)（NDT）技術(shù)是在不破壞被測(cè)物的前提下，采用聲、光、電等各種物理方法對(duì)材料進(jìn)行檢測(cè)和分析的一種技術(shù)。它是一種不同于傳統(tǒng)檢測(cè)方法的新技術(shù)，在工農(nóng)業(yè)中的應(yīng)用已經(jīng)得到了廣泛的研究。近年來，傳感器作為獲取信息的“感官”的研究得到了迅速發(fā)展。在農(nóng)產(chǎn)品的無損檢測(cè)中，傳感器技術(shù)越來越被更多人使用。

氣體傳感器已在各個(gè)領(lǐng)域廣泛應(yīng)用，傳感器通過獲取的氣體信息對(duì)氣體進(jìn)行分類以及預(yù)測(cè)氣體濃度來達(dá)到檢測(cè)果蔬品質(zhì)的目的，果蔬在存儲(chǔ)過程中經(jīng)歷新鮮、次新鮮、腐壞變質(zhì)三個(gè)階段，每個(gè)階段產(chǎn)生的氣體及濃度由電子鼻傳感器檢測(cè)，通過算法分析研究獲取的數(shù)據(jù)判斷被檢測(cè)果蔬品質(zhì)的優(yōu)劣。在食品檢測(cè)[1]、農(nóng)產(chǎn)品農(nóng)藥殘留[2]、環(huán)境監(jiān)測(cè)[3]領(lǐng)域都應(yīng)用電子鼻傳感器檢測(cè)。在果蔬倉(cāng)庫(kù)氣體監(jiān)測(cè)中，氣體傳感器處于長(zhǎng)時(shí)間運(yùn)行狀態(tài)，傳感器在運(yùn)行過程中會(huì)出現(xiàn)漂移現(xiàn)象，傳感器漂移會(huì)對(duì)氣體識(shí)別或濃度分析產(chǎn)生影響，降低數(shù)據(jù)分析研究的精確度，從而影響果蔬新鮮度品質(zhì)的判斷。圖像傳感器可輔助檢測(cè)果蔬品質(zhì)，將獲取的圖像信息轉(zhuǎn)換為數(shù)字信息讀取并識(shí)別，對(duì)其進(jìn)行圖像分析得到相應(yīng)結(jié)果。唐義華[4]利用圖像傳感器對(duì)紅提顏色進(jìn)行檢測(cè)，通過分析研究對(duì)其進(jìn)行新鮮度分級(jí)，準(zhǔn)確率在95%以上。Blasec J[5]等開發(fā)了機(jī)器視覺在線判別系統(tǒng)對(duì)蘋果、柑橘的大小、形狀、顏色及外部缺陷進(jìn)行檢測(cè)。馮甲一[6]利用圖像傳感器系統(tǒng)及算法對(duì)葉類蔬菜新鮮度識(shí)別并分級(jí)。

1 ?技術(shù)概述

1.1 ?電子鼻傳感器技術(shù)

電子鼻檢測(cè)系統(tǒng)主要有三部分：信號(hào)處理系統(tǒng)、傳感器陣列、模式識(shí)別。傳感器陣列是系統(tǒng)的核心，陣列中的各個(gè)傳感器對(duì)氣體的敏感特性不同，由于果蔬在存儲(chǔ)過程中不同時(shí)間段的特征氣體及濃度有所不同，傳感器陣列通過檢測(cè)氣體獲取相關(guān)特征氣體及氣體濃度來初步判斷果蔬的新鮮度。圖1為電子鼻傳感器檢測(cè)流程圖，傳感器陣列中的傳感器型號(hào)及其敏感性氣體見表1。

所選用MOS氣體傳感器檢測(cè)氣體濃度最低可達(dá)1～10ppm，可檢測(cè)到果蔬腐壞變質(zhì)過程中產(chǎn)生的特征氣體，且采用傳感器陣列可提高果蔬新鮮度的識(shí)別效果及分級(jí)精確度。

1.2 ?計(jì)算機(jī)視覺檢測(cè)技術(shù)

計(jì)算機(jī)視覺檢測(cè)系統(tǒng)由兩部分構(gòu)成：圖像采集裝置，用來獲取真實(shí)圖像信息;圖像分析軟件，對(duì)原始圖像進(jìn)行預(yù)處理及分析，預(yù)處理主要是去噪及增強(qiáng)畫質(zhì)，分析則是要對(duì)圖像提取特征參數(shù)分析處理。計(jì)算機(jī)將采集的圖像數(shù)據(jù)進(jìn)行處理，顏色提取選用La*b*顏色模型并用Matlab相關(guān)圖像提取算法進(jìn)行處理。圖2為視覺傳感器檢測(cè)流程圖。

1.3 ?整體設(shè)計(jì)方案

本文采用電子鼻傳感器對(duì)果蔬氣味的識(shí)別與圖像傳感器對(duì)果蔬外觀品質(zhì)的判別相結(jié)合的方法，在數(shù)據(jù)采集過程中，基線漂移對(duì)數(shù)據(jù)分析存在影響，本文采用基于CAM-ES算法從長(zhǎng)期漂移的角度將數(shù)據(jù)按時(shí)間窗進(jìn)行自適應(yīng)線性補(bǔ)償消除基線漂移，其次采用Adam算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)自適應(yīng)實(shí)時(shí)在線學(xué)習(xí)，進(jìn)行在線漂移補(bǔ)償，實(shí)現(xiàn)對(duì)漂移的實(shí)時(shí)在線學(xué)習(xí)和修正?？傮w設(shè)計(jì)思路如圖3所示。

2 ?數(shù)據(jù)信息處理

2.1 ?自適應(yīng)線性補(bǔ)償算法

電子鼻系統(tǒng)在長(zhǎng)時(shí)間運(yùn)行中不可避免會(huì)產(chǎn)生漂移現(xiàn)象。短期漂移的信號(hào)會(huì)隨著環(huán)境因素恢復(fù)而恢復(fù)，信號(hào)波動(dòng)和溫度、濕度等可以用數(shù)學(xué)函數(shù)關(guān)系表達(dá)，可以用神經(jīng)網(wǎng)絡(luò)等方法來消除短期漂移。長(zhǎng)期漂移在傳感器長(zhǎng)時(shí)間運(yùn)行中隨時(shí)間變化，其響應(yīng)模式隨機(jī)波動(dòng)，難以找到合適準(zhǔn)確的函數(shù)關(guān)系表達(dá)。本文采用Adam算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)消除短期漂移，從長(zhǎng)期漂移的角度采用基于CAM-ES算法將數(shù)據(jù)按時(shí)間窗進(jìn)行自適應(yīng)線性補(bǔ)償消除基線漂移，實(shí)現(xiàn)自適應(yīng)實(shí)時(shí)在線學(xué)習(xí)，進(jìn)行在線漂移補(bǔ)償，實(shí)現(xiàn)對(duì)漂移的實(shí)時(shí)在線學(xué)習(xí)和修正。

Sigmoid函數(shù)是BP神經(jīng)網(wǎng)絡(luò)常用激活函數(shù)，但與Relu函數(shù)比較，Sigmoid函數(shù)會(huì)出現(xiàn)梯度消失，需要利用梯度下降法來優(yōu)化。學(xué)習(xí)率η決定了梯度下降法中權(quán)重更新速度，而η是一個(gè)定值，η太大不易收斂，η太小則訓(xùn)練緩慢。

Relu函數(shù)在反向傳播時(shí)不會(huì)出現(xiàn)梯度消失，學(xué)習(xí)效果比Sigmoid 函數(shù)好，且計(jì)算簡(jiǎn)單有利于縮短網(wǎng)絡(luò)訓(xùn)練時(shí)間。Adam算法基于梯度下降法，但它的優(yōu)勢(shì)在于迭代參數(shù)步長(zhǎng)范圍可確定，不會(huì)由于梯度過大導(dǎo)致學(xué)習(xí)步長(zhǎng)過大。Adam算法用λ1和λ2分別計(jì)算梯度均值和梯度平方均值可實(shí)現(xiàn)學(xué)習(xí)率動(dòng)態(tài)調(diào)節(jié)，提高網(wǎng)絡(luò)訓(xùn)練速度及準(zhǔn)確率。

將激勵(lì)函數(shù)與優(yōu)化算法組合，如表2所示，當(dāng)使用梯度下降法或Adam算法優(yōu)化BP網(wǎng)絡(luò)時(shí)，ReLu函數(shù)準(zhǔn)確率都優(yōu)于Sigmoid函數(shù)：當(dāng)使用Sigmoid激勵(lì)函數(shù)或者ReLU激勵(lì)函數(shù)時(shí)，Adam算法要優(yōu)于梯度下降法;選擇ReLU作為激活函數(shù)，同時(shí)使用Adam算法優(yōu)化氣體識(shí)別網(wǎng)絡(luò)對(duì)于網(wǎng)絡(luò)訓(xùn)練及準(zhǔn)確率都具有良好的效果，且優(yōu)勢(shì)明顯。

傳感器長(zhǎng)期漂移隨時(shí)間引起的變化是非線性的，因此，假設(shè)漂移在短時(shí)間內(nèi)的變化是線性的[7]，將較短時(shí)間段定義為一個(gè)時(shí)間窗，將傳感器長(zhǎng)期漂移的樣本根據(jù)運(yùn)行時(shí)間分為多個(gè)時(shí)間窗，通過線性模型對(duì)每個(gè)時(shí)間窗中的樣本進(jìn)行漂移補(bǔ)償。

2.2 ?圖像數(shù)據(jù)處理

利用計(jì)算機(jī)視覺圖像傳感技術(shù)判斷果蔬新鮮度，為進(jìn)一步提高判別準(zhǔn)確率，利用計(jì)算機(jī)視覺圖像傳感技術(shù)與電子鼻傳感器系統(tǒng)綜合判斷的方法對(duì)果蔬品質(zhì)進(jìn)行識(shí)別。本文以桔子為例，選取合適的顏色提取模型對(duì)圖像信息進(jìn)行處理。RGB模型中三個(gè)分量相關(guān)性較高，圖像顏色數(shù)據(jù)處理困難。HSV模型是一種直觀的顏色模型，廣泛應(yīng)用于圖像編輯。La*b*模型是一種均勻的彩色模型，顏色模型與采集設(shè)備無關(guān)，包含RGB全部信息，表現(xiàn)色彩多且分布均勻。通過對(duì)比HSV模型、La*b*模型、RGB模型等顏色模型，選用La*b*模型提取被檢測(cè)圖像的特征參數(shù)。在圖像采集過程中會(huì)受到噪聲的干擾，造成圖像分析結(jié)果不精確，通過調(diào)用Matlab相關(guān)函數(shù)對(duì)圖像進(jìn)行去噪處理。

3 ?仿真驗(yàn)證

對(duì)算法進(jìn)行驗(yàn)證，所用數(shù)據(jù)必須滿足時(shí)間跨度大且數(shù)據(jù)樣本連續(xù)。使用兩個(gè)數(shù)據(jù)集來對(duì)優(yōu)化算法進(jìn)行驗(yàn)證分析。將數(shù)據(jù)集1按時(shí)間順序分別放入8個(gè)窗中，將數(shù)據(jù)集2按時(shí)間順序分別放入12個(gè)窗中，設(shè)置窗寬為7天。將數(shù)據(jù)集1按照?qǐng)D4流程進(jìn)行校正，計(jì)算出各個(gè)窗內(nèi)樣本校正前的平均絕對(duì)誤差及校正后的平均絕對(duì)誤差，AMRE=，n為樣本數(shù)，y為預(yù)測(cè)網(wǎng)絡(luò)輸出，y為訓(xùn)練目標(biāo)值。

對(duì)圖像進(jìn)行分割處理之后，對(duì)圖像進(jìn)行預(yù)處理，以桔子為例，對(duì)原始圖像進(jìn)行灰度處理及中值濾波處理，目的是為了去噪及增強(qiáng)畫質(zhì)，進(jìn)而獲取RGB圖像，最后得到La*b*檢測(cè)結(jié)果。圖像信息通過濾波消除圖像噪聲點(diǎn)，再利用開運(yùn)算進(jìn)一步對(duì)圖像進(jìn)行處理，此時(shí)提取有效組織圖像數(shù)據(jù)[9]，提取圖像的La*b*特征信息并與桔子狀態(tài)比較得出相關(guān)性，如表3所示，隨著桔子狀態(tài)的變化，三個(gè)特征值也發(fā)生不同程度的變化，且特征值與檢測(cè)時(shí)間有一定的線性相關(guān)性，可輔助判別果蔬新鮮度。

通過算法改進(jìn)消除電子鼻氣味檢測(cè)過程中產(chǎn)生的基線漂移，并與計(jì)算機(jī)視覺圖像分析結(jié)合，將電子鼻檢測(cè)到的氣味信息與提取的圖像信息特征值進(jìn)行融合，并利用LDA進(jìn)行線性分析[8]，見圖8和圖9。對(duì)12組被檢測(cè)樣品進(jìn)行判別實(shí)驗(yàn)，見表4，基于電子鼻傳感器技術(shù)的新鮮度判別準(zhǔn)確率為83.3%，基于圖像傳感器技術(shù)的桔子新鮮度判別準(zhǔn)確率為75%，而將電子鼻傳感器氣味檢測(cè)與圖像傳感器外觀檢測(cè)技術(shù)結(jié)合判別準(zhǔn)確率提高到了91.6%。

4 ?結(jié) ?論

本文在果蔬檢測(cè)中采用無損檢測(cè)技術(shù)，但在電子鼻傳感器運(yùn)行過程中會(huì)產(chǎn)生基線漂移的現(xiàn)象，本文采用Adam算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)消除短期漂移，從長(zhǎng)期漂移的角度采用基于CAM-ES算法將數(shù)據(jù)按時(shí)間窗進(jìn)行自適應(yīng)線性補(bǔ)償消除基線漂移，實(shí)現(xiàn)自適應(yīng)實(shí)時(shí)在線學(xué)習(xí)，進(jìn)行在線漂移補(bǔ)償，實(shí)現(xiàn)對(duì)漂移的實(shí)時(shí)在線學(xué)習(xí)和修正，最后通過與圖像傳感器技術(shù)的融合，達(dá)到提高檢測(cè)精確度的目的。

參考文獻(xiàn)：

[1] 張謙益，包李林，熊巍林，等. 電子鼻在兩種類型濃香菜籽油識(shí)別中的應(yīng)用[J]. 中國(guó)油脂，2018，43（10）：144-146.

[2] 黃星奕，孫兆燕，田瀟瑜，等. 基于電子鼻技術(shù)的馬鈴薯真菌性腐爛病早期檢測(cè)[J]. 食品工業(yè)科技，2018，39（24）：97-101.

[3] 張嘉琪，冀大選，李杰一，等. 基于LabVIEW平臺(tái)的電子鼻系統(tǒng)設(shè)計(jì)[J]. 傳感器與微系統(tǒng)，2015，34（5）：92-94.

[4] 唐義華. 紅提品質(zhì)無損檢測(cè)技術(shù)研究[D]. 武漢：華中農(nóng)業(yè)大學(xué)（碩士學(xué)位論文），2016.

[5] ?Blaseo J， Aleixos N. Machine vision system for automatic quality grading of fruit[J]. Automation and Emerging Technologies， 2003（4）：415-423.

[6] 馮甲一. 基于計(jì)算機(jī)視覺技術(shù)的葉類蔬菜新鮮度檢測(cè)分級(jí)研究[D]. 南京：南京農(nóng)業(yè)大學(xué)（碩士學(xué)位論文），2012.

[7] ?DiCarlo S， F alasconi， E Sanchez， et al. Increasing pattern recogition accuracy far chemical sensing by evolutionary based drift compensation[J]. Pattam Recognition etters， 2011，32（13）：1594-1603.

[8] 陳棟琳. 電子鼻/舌系統(tǒng)設(shè)計(jì)及氣味信息融合技術(shù)應(yīng)用[D]. 吉林：東北電力大學(xué)（碩士學(xué)位論文），2015.

[9] 王風(fēng)云，封文杰，鄭紀(jì)業(yè)，等. 基于機(jī)器視覺的雙孢蘑菇在線自動(dòng)分級(jí)系統(tǒng)設(shè)計(jì)與試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34（7）：256-263.

收稿日期：2020-10-10

作者簡(jiǎn)介：路玉鳳（1993-），女，山東泰安人，上海工程技術(shù)大學(xué)機(jī)械與汽車工程學(xué)院碩士研究生，研究方向：冷鏈物流倉(cāng)儲(chǔ)、機(jī)械制造及其自動(dòng)化;閆 ?娟（1978-），女，甘肅靜寧人，上海工程技術(shù)大學(xué)機(jī)械與汽車工程學(xué)院，高級(jí)實(shí)驗(yàn)師，碩士生導(dǎo)師，研究方向：智能控制算法研究、機(jī)械自動(dòng)化;茅 ??。?972-），男，江蘇南通人，上海工程技術(shù)大學(xué)機(jī)械與汽車工程學(xué)院，教授，碩士生導(dǎo)師，研究方向：精密檢測(cè)與控制、裝備自動(dòng)化、智能機(jī)器人、冷鏈;楊慧斌（1983-），男，上海人，上海工程技術(shù)大學(xué)機(jī)械與汽車工程學(xué)院，實(shí)驗(yàn)師，研究方向：智能控制、機(jī)械自動(dòng)化;馬 ?麗（1997-），女，黑龍江哈爾濱人，上海工程技術(shù)大學(xué)機(jī)械與汽車工程學(xué)院碩士研究生，研究方向：冷鏈倉(cāng)儲(chǔ)及其配送、精密檢測(cè)與控制、機(jī)械制造及其自動(dòng)化。