陳遠(yuǎn)濤熊憶舟薛瑩瑩張 濤于偉杰張鈞煜張 希孫啟永萬 浩王 平?

(1.浙江大學(xué)生物傳感器國家專業(yè)實(shí)驗(yàn)室，生物醫(yī)學(xué)工程教育部重點(diǎn)實(shí)驗(yàn)室，生儀學(xué)院，浙江 杭州310027；2.浙江省健康智慧廚房系統(tǒng)集成重點(diǎn)實(shí)驗(yàn)室，浙江 寧波315336；3.寧波方太廚具有限公司，浙江 寧波315336)

人們?nèi)粘ｏ嬍持谐Ｒ姷氖称反篌w可分為水果、蔬菜、肉類三大類，隨著儲(chǔ)存時(shí)間變長，許多食物的品質(zhì)會(huì)有不同程度的變化，誤食變質(zhì)的食品會(huì)引發(fā)嚴(yán)重的健康問題。同時(shí)，由于實(shí)際生活中食品儲(chǔ)存的環(huán)境較為復(fù)雜，多種不同的食品?；旌蟽?chǔ)存，而不同食品品質(zhì)的儲(chǔ)存變化過程不盡相同，這也給準(zhǔn)確判斷食品新鮮度造成了很大的困難。因此，食品新鮮度的準(zhǔn)確檢測評(píng)價(jià)對(duì)人們?nèi)粘Ｉ罹哂兄匾饬x。

傳統(tǒng)的食品新鮮度評(píng)估方法包括感官評(píng)價(jià)方法(國際標(biāo)準(zhǔn)化組織感官分析)，物理化學(xué)評(píng)價(jià)方法(電子舌、pH、總揮發(fā)性鹽基氮TVB-N)以及微生物分析法(細(xì)菌菌落總數(shù))等[1－2]。但這些傳統(tǒng)的食品新鮮度評(píng)估方法存在操作比較復(fù)雜，消耗時(shí)間長以及要求嚴(yán)格的實(shí)驗(yàn)室環(huán)境等缺點(diǎn)。隨著氣體傳感器和模式識(shí)別技術(shù)的發(fā)展，電子鼻已成為一種快速、無創(chuàng)、精確的食品新鮮度評(píng)價(jià)方法。常見的三類食品——水果、蔬菜、肉類，由于在成分含量間存在較大差別，在腐敗變質(zhì)過程中產(chǎn)生變化的物質(zhì)也有很大差別[3]。Eom等人[4]利用氣體傳感器研究了肉類腐敗過程的氨氣濃度變化與肉類新鮮度的關(guān)系。Abbey等人[5]利用設(shè)計(jì)的電子鼻系統(tǒng)對(duì)蔥屬植物中的香氣進(jìn)行檢測，對(duì)蔥屬植物的食物特性做出了評(píng)價(jià)。徐靜等人[6]使用乙醇傳感器分析了不同新鮮度時(shí)草莓的氣味變化，這種分析方法有望替代傳統(tǒng)感官評(píng)價(jià)方法。除了氣敏元件，模式識(shí)別算法也是電子鼻系統(tǒng)中不可或缺的一部分。傳統(tǒng)的電子鼻模式識(shí)別算法包括主成分分析[7]、線性判別分析[8]、支持向量機(jī)[9－10]和人工神經(jīng)網(wǎng)絡(luò)[11]等。近年來，深度學(xué)習(xí)的快速發(fā)展使得深度學(xué)習(xí)的相關(guān)技術(shù)也被一些研究應(yīng)用到了電子鼻模式識(shí)別算法中來。相比于傳統(tǒng)方法，深度學(xué)習(xí)方法省略了人為提取特征這項(xiàng)費(fèi)時(shí)費(fèi)力的工作，同時(shí)，深度學(xué)習(xí)方法也有著更快的速度和更高的準(zhǔn)確率。Peng P等人[12]提出了一種用于氣體分類的深度卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)識(shí)別準(zhǔn)確率高，但由于網(wǎng)絡(luò)龐大，參數(shù)較多，計(jì)算效率欠佳。Zhao X等人[13]使用一維深度卷積神經(jīng)網(wǎng)絡(luò)來提取特征并識(shí)別氣體，在二元混合氣體區(qū)分任務(wù)中可取得較高的準(zhǔn)確率。

常見的食品新鮮度檢測電子鼻主要用于對(duì)某一種或幾種特定的食品進(jìn)行單獨(dú)檢測識(shí)別，但實(shí)際生活中，食品儲(chǔ)存條件復(fù)雜，多種食品常放置于一起儲(chǔ)存，食品新鮮度的準(zhǔn)確檢測存在巨大挑戰(zhàn)。而如何利用深度學(xué)習(xí)的優(yōu)勢并提高電子鼻系統(tǒng)的計(jì)算效率，是實(shí)現(xiàn)新鮮度檢測電子鼻的小型化、集成化以及提高系統(tǒng)實(shí)用性的關(guān)鍵點(diǎn)。因此本文提出了一種基于深度學(xué)習(xí)的食品新鮮度檢測識(shí)別的電子鼻系統(tǒng)，通過以人為感官評(píng)價(jià)為標(biāo)準(zhǔn)，利用深度學(xué)習(xí)算法實(shí)現(xiàn)對(duì)多種不同儲(chǔ)存情況下食品新鮮度的識(shí)別分類，并對(duì)系統(tǒng)性能進(jìn)行初步驗(yàn)證。

1 材料與方法

1.1 實(shí)驗(yàn)材料

需要標(biāo)定的目標(biāo)氣體包括氨氣、硫化氫和乙醇。通過購買一定濃度的標(biāo)準(zhǔn)氣體，再利用氣體配氣儀將標(biāo)準(zhǔn)氣體稀釋到所需要的濃度。本研究選擇的標(biāo)準(zhǔn)氣濃度分別為50×10－6的氨氣和10×10－6的硫化氫氣體以及50×10－6的乙醇?xì)怏w。

對(duì)于單一食品新鮮度電子鼻的檢測實(shí)驗(yàn)，新鮮的實(shí)驗(yàn)食品是當(dāng)天從當(dāng)?shù)氐氖袌鲑徺I的經(jīng)挑選的新鮮食品。每種食品買來后，經(jīng)過稱重，將食品分開裝入尺寸為200 mm×280 mm的加厚食品透明自封袋中，保證每份食品樣品的重量保持在200 g~250 g之間，將樣本于室溫(20℃)下保存測試。混合食品樣本中的腐敗食品為新鮮食品在室溫下自然腐敗后得到的，且每份腐敗食品重量約100 g左右，混合樣本中的新鮮食品則為當(dāng)天購買且同樣稱重100 g左右，將混合食品中每種食品裝入食品自封袋中，保證每份混合食品樣本總重量在300 g~350 g之間。

1.2 氣體傳感器

針對(duì)不同應(yīng)用的電子鼻儀器，需要選擇不同類型氣體傳感器以滿足實(shí)際需求。本研究選用了具有尺寸小、壽命長、靈敏度高、價(jià)格低廉等優(yōu)點(diǎn)的金屬氧化物半導(dǎo)體(Metal-Oxide Semiconductor，MOS)氣體傳感器用于構(gòu)建傳感器陣列。由于MOS傳感器的檢測響應(yīng)結(jié)果具有廣譜特性，因此，電子鼻系統(tǒng)中通常含有多個(gè)敏感特性的氣敏傳感器，以提高電子鼻系統(tǒng)的選擇性。傳感器陣列傳感器型號(hào)和個(gè)數(shù)選擇時(shí)，既要保證傳感器陣列的提供響應(yīng)信息是比較全面的，同時(shí)，也需要保證整體響應(yīng)信息有一定的冗余[14]。根據(jù)前期對(duì)食品腐敗相關(guān)特征氣體的研究，本研究將氨氣、硫化氫、乙醇三種氣體作為主要檢測目標(biāo)，在傳感器選型時(shí)，為保證傳感器陣列可對(duì)所有食品腐敗相關(guān)氣體均有響應(yīng)，且目標(biāo)氣體均在傳感器檢測范圍內(nèi)，在綜合考慮傳感器檢測陣列的性能、成本以及尺寸后，本文選擇了對(duì)氨氣，硫化氫，乙醇幾類物質(zhì)敏感的6種傳感器，相應(yīng)型號(hào)分別為:WSP7110、MP－702、TGS2600、TGS2602、TGS2603、TGS2620，表1為傳感器的具體型號(hào)及其敏感氣體信息。

表1 傳感器型號(hào)及其響應(yīng)敏感氣體

1.3 電子鼻檢測系統(tǒng)

本文設(shè)計(jì)了一種低成本、小型化的電子鼻檢測系統(tǒng)，用于檢測不同種類食品的新鮮度。該電子鼻系統(tǒng)主要包括以下三個(gè)部分:氣體采樣模塊、傳感器檢測模塊、以及上位機(jī)模塊。電子鼻的采樣模塊主要包括檢測和清洗兩條氣路，兩條氣路通過電磁閥的開閉進(jìn)行切換，通過軟件可控制電磁閥狀態(tài)的切換；檢測模塊采集傳感器檢測到的電壓信號(hào)，并將信號(hào)傳輸?shù)缴衔粰C(jī)；采集的數(shù)據(jù)在上位機(jī)上進(jìn)行分析處理，上位機(jī)主要對(duì)數(shù)據(jù)進(jìn)行實(shí)時(shí)顯示及數(shù)據(jù)存儲(chǔ)，同時(shí)，通過建立的識(shí)別模型可對(duì)樣本的新鮮度做出評(píng)價(jià)。所設(shè)計(jì)的電子鼻長寬高分別為8 cm，6 cm，6 cm，系統(tǒng)體積較小，便于后期集成到相關(guān)儀器設(shè)備中，提高系統(tǒng)實(shí)用性。電子鼻系統(tǒng)的整體系統(tǒng)框圖如圖1所示。

圖1 檢測系統(tǒng)整體框圖

1.4 單一食品實(shí)驗(yàn)方法

1.4.1 單一食品感官評(píng)價(jià)

在實(shí)際生活中，許多食品常單獨(dú)儲(chǔ)存，如韭菜、魚類等，同時(shí)，部分食品?；旌蟽?chǔ)存，如不同水果混合存儲(chǔ)，而混合食品的新鮮度與單一食品的狀態(tài)密切相關(guān)，為此，我們首先對(duì)單一食品的檢測與評(píng)價(jià)方法進(jìn)行了研究。

對(duì)食品新鮮度的人為感官評(píng)價(jià)主要依據(jù)是食品儲(chǔ)存過程中的顏色、氣味、質(zhì)地、形狀大小等感官特征變化所確定的，常見食品的認(rèn)為感官評(píng)價(jià)標(biāo)準(zhǔn)如表2所示。針對(duì)本研究實(shí)驗(yàn)涉及的三個(gè)類別，共9種代表性食品(葡萄、菠蘿、梨、韭菜、豆角、芹菜、豬肉、雞肉、鯧魚)，根據(jù)不同食品的感官特征建立相應(yīng)的感官評(píng)價(jià)標(biāo)準(zhǔn)。同時(shí)，根據(jù)制定的感官評(píng)價(jià)指標(biāo)，將食品按新鮮程度分為新鮮、次新鮮和腐敗三個(gè)等級(jí)。實(shí)驗(yàn)時(shí)，選擇五名訓(xùn)練有素的感官評(píng)價(jià)員，組成食品新鮮度感官評(píng)價(jià)小組，通過對(duì)每一種食品打分，來判斷每種食品的新鮮度，評(píng)價(jià)結(jié)果將作為電子鼻系統(tǒng)檢測結(jié)果的參考。

表2 常見食品人為感官評(píng)價(jià)標(biāo)準(zhǔn)

1.4.2 電子鼻對(duì)食品氣味的檢測

每次進(jìn)行食品新鮮度電子鼻檢測前，根據(jù)事先確定的感官評(píng)價(jià)標(biāo)準(zhǔn)對(duì)食品新鮮度進(jìn)行評(píng)級(jí)，并記錄下每次測試的食品新鮮度等級(jí)。電子鼻測試前，需要先上電預(yù)熱0.5 h，預(yù)熱過程中，微型真空泵抽取室內(nèi)新鮮空氣清洗傳感器，以使MOS傳感器陣列基線達(dá)到穩(wěn)定狀態(tài)。傳感器預(yù)熱完成后，傳感器響應(yīng)值穩(wěn)定在基線狀態(tài)，開始對(duì)實(shí)際食品樣品進(jìn)行測試。通過氣路的切換，微型真空泵抽取食品自封袋中的食品氣體進(jìn)入傳感器氣室，傳感器檢測得到的數(shù)據(jù)經(jīng)過MCU讀取轉(zhuǎn)換并進(jìn)行傳輸，接受數(shù)據(jù)后的上位機(jī)軟件記錄并顯示傳感器的響應(yīng)曲線和特征值。為了保證MOS氣體傳感器檢測靈敏性，并提高傳感器使用壽命，不宜長時(shí)間將傳感器暴露在高濃度目標(biāo)氣體中。因此，實(shí)驗(yàn)中樣品的檢測周期2 min，檢測過程中的清洗時(shí)間也為2 min，檢測時(shí)采樣頻率為0.5 Hz，每種食品樣品每次進(jìn)行3個(gè)~4個(gè)檢測周期，記錄下每次傳感器陣列響應(yīng)的特征曲線，檢測結(jié)束后系統(tǒng)關(guān)閉電磁閥抽取潔凈空氣，清洗傳感器，以準(zhǔn)備下一次測試。

1.5 混合食品實(shí)驗(yàn)方法

1.5.1 混合食品樣本處理

進(jìn)一步，我們對(duì)混合食品，及食品樣本中含有多種同類別或不同類別食品時(shí)的檢測與評(píng)價(jià)方法進(jìn)行了研究。由于實(shí)際食品種類復(fù)雜、儲(chǔ)存方法多樣，在食品進(jìn)行混合，本研究對(duì)測試樣本條件進(jìn)行了一定約束，以提高實(shí)驗(yàn)效率，增加實(shí)驗(yàn)可操作性。在進(jìn)行混合測試實(shí)驗(yàn)時(shí)，我們規(guī)定混合食品樣本中食品數(shù)量不超過3種，且混合食品至多有一種食品腐敗，同時(shí)，將混合情況主要分為同類別食品混合以及不同類別食品混合兩種情形。為了提高實(shí)驗(yàn)效率，在實(shí)際測試時(shí)，我們主要挑選了同類別食品混合、不同類別食品混合共9種混合情況進(jìn)行測試，混合樣本情況如表3所示，將這些數(shù)據(jù)與單一食品測試數(shù)據(jù)用之前開發(fā)的算法模型進(jìn)行訓(xùn)練測試。在建立模型進(jìn)行分類時(shí)，由于混合食品次新鮮狀態(tài)難以定義，本研究將食品新鮮度識(shí)別目標(biāo)是將樣本分為新鮮、蔬菜腐敗、水果腐敗、肉類腐敗4類，即在判斷是否有腐敗食品的情況下進(jìn)一步判斷腐敗食品所屬的食品類別。

表3 測試混合樣本

1.5.2 電子鼻對(duì)混合食品氣味的檢測

對(duì)于混合食品新鮮度電子鼻的檢測實(shí)驗(yàn)，新鮮食品樣本當(dāng)天從當(dāng)?shù)氐氖袌鼋?jīng)挑選購買，經(jīng)過稱重以后，將不同種類的新鮮食品各100 g裝入食品自封袋中，腐敗食品為新鮮食品腐敗后得到，保證每份食品樣品的重量保持在300 g~350 g之間。樣品檢測流程與單一食品類似，檢測周期2 min，檢測過程中的清洗時(shí)間也為2 min，每種食品樣品每次進(jìn)行3個(gè)~4個(gè)檢測周期，檢測結(jié)束后系統(tǒng)抽取潔凈空氣對(duì)傳感器進(jìn)行清洗，使傳感器恢復(fù)至基線，以準(zhǔn)備下一次測試。

1.6 數(shù)據(jù)預(yù)處理以及深度學(xué)習(xí)模型搭建

模式識(shí)別算法在電子鼻系統(tǒng)中具有舉足輕重的作用，目前常用的模式識(shí)別算法包括判別分析、支持向量機(jī)以及人工神經(jīng)網(wǎng)絡(luò)等。其中，線性判別分析(Linear Discriminant Analysis，LDA)是一種有監(jiān)督的降維分類算法，通過使用統(tǒng)計(jì)、模式識(shí)別和機(jī)器學(xué)習(xí)方法，找到不同類物體或事件特征的一個(gè)線性組合，從而區(qū)分它們。支持向量機(jī)(Support Vector Machine，SVM)起源于統(tǒng)計(jì)學(xué)習(xí)理論，通過線性和非線性核將向量映射到高維平面中，并在特征空間尋找最佳超平面，使兩個(gè)類別中的最近點(diǎn)到該超平面的距離最大化[15]。近年來，以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的深度學(xué)習(xí)技術(shù)發(fā)展迅速，并在圖像、語音、推薦、自然語言等領(lǐng)域取得了令人矚目的成就。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)是含有卷積層的一種深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，它是深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域取得突破性進(jìn)展的基石，相較于其他深度神經(jīng)網(wǎng)絡(luò)，CNN需要考量的參數(shù)更少。本研究主要采用CNN建立食品新鮮度分類識(shí)別模型，另外，分別建立LDA、SVM模型，以與CNN模型進(jìn)行比較。

由于電子鼻傳感器陣列的時(shí)間序列數(shù)據(jù)原始尺寸(m×n，其中m為傳感器數(shù)量，n采樣點(diǎn)數(shù)量)不能作為圖像直接送入CNN進(jìn)行特征提取和計(jì)算[16]，因此，需要對(duì)電子鼻傳感器數(shù)據(jù)進(jìn)行一定處理，使其轉(zhuǎn)換為便于輸入CNN中的數(shù)據(jù)尺寸，最大化提升識(shí)別準(zhǔn)確度。傳感器數(shù)據(jù)預(yù)處理過程包括:

①滑動(dòng)窗口法劃分樣本:使用寬度為100，滑動(dòng)步長為60的滑動(dòng)窗口對(duì)原始數(shù)據(jù)進(jìn)行劃分，這樣每個(gè)樣本可以被劃分為多個(gè)子樣本(數(shù)據(jù)尺寸為6×100)，保存子樣本用于后續(xù)處理。劃分子樣本的目的在于增加樣本數(shù)量，便于訓(xùn)練和測試。

②數(shù)據(jù)歸一化:首先，將每個(gè)傳感器響應(yīng)值的最小值作為基線，各傳感器減去相應(yīng)基線；然后，將去基線后的數(shù)據(jù)除以子樣本數(shù)據(jù)中的最大值，從而對(duì)傳感器響應(yīng)進(jìn)行歸一化。該步驟主要目的是減小傳感器基線漂移和響應(yīng)波動(dòng)對(duì)結(jié)果造成的影響。

③數(shù)據(jù)尺寸轉(zhuǎn)換:將歸一化后的子樣本數(shù)據(jù)(尺寸為6×100)轉(zhuǎn)換為尺寸為24×25數(shù)據(jù)，以便后續(xù)CNN網(wǎng)絡(luò)識(shí)別分析。

利用經(jīng)過預(yù)處理后的樣本數(shù)據(jù)可進(jìn)行不同分類識(shí)別模型搭建。將數(shù)據(jù)尺寸轉(zhuǎn)換前的子樣本數(shù)據(jù)，共600個(gè)特征數(shù)據(jù)作為輸入向量，輸入到LDA與SVM模型進(jìn)行訓(xùn)練。對(duì)于SVM模型，在比較和篩選后，選用三次多項(xiàng)式函數(shù)作為核函數(shù)建立識(shí)別模型。本研究中使用的CNN模型由2層卷積層和3層全連接層組成，其中第一層卷積層由64個(gè)3×3的卷積核組成，第二層卷積層由128個(gè)3×3的卷積核組成，全連接層中使用了dropout，比例為0.5，前4層的激活函數(shù)均使用ReLU，最后一層輸出層的激活函數(shù)使用Softmax函數(shù)，損失函數(shù)使用交叉熵。訓(xùn)練時(shí)，網(wǎng)絡(luò)參數(shù)優(yōu)化算法使用RMSprop，初始學(xué)習(xí)率設(shè)置為0.000 1，批尺寸設(shè)置為32，訓(xùn)練步長設(shè)置為300，圖2為CNN模型構(gòu)建示意圖。

圖2 卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖

2 結(jié)果與分析

2.1 傳感器標(biāo)定

由于在實(shí)際食品測試實(shí)驗(yàn)中傳感器的使用環(huán)境和出廠標(biāo)定的環(huán)境可能存在差異，為了驗(yàn)證MOS傳感器陣列的功能及其對(duì)目標(biāo)氣體的響應(yīng)，使用不同濃度的標(biāo)準(zhǔn)氣體對(duì)傳感器陣列進(jìn)行測試。根據(jù)食品腐敗過程中主要產(chǎn)生的特征氣體，本研究選擇乙醇、硫化氫和乙醇標(biāo)準(zhǔn)氣體來對(duì)傳感器陣列進(jìn)行測試。

由于電子鼻包含6種MOS傳感器，不同傳感器之間敏感氣體、檢測范圍不同，且對(duì)于部分氣體，傳感器存在交叉響應(yīng)，根據(jù)傳感器數(shù)據(jù)手冊(cè)以及前期實(shí)驗(yàn)結(jié)果，使用乙醇?xì)怏w對(duì)傳感器S1、S2、S3進(jìn)行測試，用高純度氮?dú)?>99.9%)將標(biāo)準(zhǔn)乙醇?xì)怏w(50×10－6)以5×10－6作為梯度進(jìn)行稀釋；使用硫化氫氣體對(duì)傳感器S3、S4、S5進(jìn)行測試，用高純度氮?dú)鈱?biāo)準(zhǔn)硫化氫氣體(10×10－6)以1×10－6為梯度進(jìn)行稀釋；使用氨氣對(duì)傳感器S1、S3、S6進(jìn)行測試，使用高純氮?dú)鈱?biāo)準(zhǔn)氨氣(50×10－6)以5×10－6為梯度進(jìn)行稀釋。標(biāo)定實(shí)驗(yàn)時(shí)，在每個(gè)濃度下進(jìn)行三次重復(fù)測試，以研究傳感器的可重復(fù)性。針對(duì)不同氣體，相應(yīng)傳感器的標(biāo)定結(jié)果如圖3所示，圖3(a)、3(b)、3(c)分別表示使用乙醇?xì)怏w、硫化氫氣體和氨氣的標(biāo)定曲線。通過標(biāo)定結(jié)果可以看出，所選擇的傳感器對(duì)標(biāo)定氣體具有良好響應(yīng)，在測試范圍內(nèi)標(biāo)定曲線線性度較高，能區(qū)分響應(yīng)不同濃度的氣體，提供較為全面的響應(yīng)信息。

圖3 傳感器陣列標(biāo)定結(jié)果

2.2 單一食品新鮮度檢測結(jié)果與分析

將從當(dāng)?shù)厥袌鲑徺I的不同種類食品——水果、蔬菜、肉類各3種，共9種食品，經(jīng)稱重后放入食品透明自封袋中，食品存放溫度均為室溫(20℃)。在食品自然腐敗過程中，使用電子鼻系統(tǒng)以4 h為間隔，抽取食品袋中的氣體進(jìn)行檢測；同時(shí)，每次檢測前感官評(píng)價(jià)小組根據(jù)之前規(guī)定的感官評(píng)價(jià)標(biāo)準(zhǔn)對(duì)食品的新鮮度進(jìn)行分級(jí):新鮮、次新鮮、腐敗。將傳感器陣列的響應(yīng)結(jié)果與感官評(píng)價(jià)結(jié)果進(jìn)行比較，同時(shí)，取傳感器在同一新鮮度下響應(yīng)的多次穩(wěn)定值的平均值作為傳感器在該新鮮度下的響應(yīng)，以分析不同新鮮度下傳感器響應(yīng)變化，得到的對(duì)比結(jié)果如圖4所示。

圖4 單一食品在不同新鮮度下傳感器響應(yīng)對(duì)比圖

根據(jù)檢測結(jié)果可知，隨著食品變質(zhì)，傳感器陣列的響應(yīng)整體呈現(xiàn)上升趨勢，且不同食品腐敗過程中，傳感器陣列響應(yīng)的變化并不相同，這說明不同食品在變質(zhì)過程中產(chǎn)生的揮發(fā)物質(zhì)在成分和含量都存在差別。同時(shí)，也注意到，大部分食品次新鮮狀態(tài)與腐敗狀態(tài)傳感器響應(yīng)較為接近(如菠蘿、葡萄、豆角)，這在一定程度上加大了這兩個(gè)新鮮度等級(jí)的識(shí)別難度，且考慮到在食品混合情況下，次新鮮狀態(tài)較難定義，因此，在后續(xù)數(shù)據(jù)分析以及建立識(shí)別模型時(shí)，將只考慮食品新鮮與腐敗兩種在感官評(píng)價(jià)以及傳感器響應(yīng)都區(qū)別明顯的狀態(tài)。

2.3 基于深度學(xué)習(xí)的食品新鮮度識(shí)別分類與數(shù)據(jù)分析

將單一食品樣本中的新鮮、腐敗傳感器測試數(shù)據(jù)以及混合食品實(shí)驗(yàn)的所有原始數(shù)據(jù)進(jìn)行分割后，得到共456個(gè)子樣本，將每個(gè)子樣本以及相應(yīng)標(biāo)簽作為輸入數(shù)據(jù)，用于訓(xùn)練LDA、SVM、CNN模型。在測試模型識(shí)別效果時(shí)，對(duì)于每個(gè)樣本都能得到若干個(gè)子樣本的識(shí)別結(jié)果，在確定原始樣本識(shí)別結(jié)果時(shí)，采用投票機(jī)制決定分類結(jié)果，即若子樣本中有超過一半的子樣本識(shí)別結(jié)果與原始樣本實(shí)際類別相符，則認(rèn)為樣本識(shí)別正確，反之則認(rèn)為錯(cuò)誤，這樣可以有效減小樣本中傳感器響應(yīng)值波動(dòng)帶來的誤差。

對(duì)于用于測試的20個(gè)測試樣本，進(jìn)行樣本分割，得到共100個(gè)子樣本，利用訓(xùn)練好的LDA、SVM、CNN模型進(jìn)行預(yù)測，得到的子樣本的識(shí)別準(zhǔn)確率分別為42.00%、84.00%、86.00%；投票后，LDA、SVM、CNN模型的識(shí)別準(zhǔn)確率分別為45.00%、85.00%、90.00%。不同模型投票前后識(shí)別結(jié)果的混淆矩陣如圖5所示。

圖5 不同模型投票前后識(shí)別結(jié)果混淆矩陣

統(tǒng)計(jì)后得到各模型對(duì)測試樣本的識(shí)別準(zhǔn)確率如表4所示。由結(jié)果可知，投票后，三種不同的識(shí)別算法的準(zhǔn)確率都得到了提高。同時(shí)，在三種不同的算法模型中，LDA投票前后的識(shí)別結(jié)果最差，這可能與LDA采取線性分類，而在本研究中輸入特征間的線性關(guān)系不明顯有關(guān)；CNN投票前后的識(shí)別結(jié)果最好，且投票后的準(zhǔn)確率可達(dá)90.00%，高于SVM投票后85.00%的準(zhǔn)確率，但由于SVM算法對(duì)大規(guī)模訓(xùn)練算法難以實(shí)施，且分類增多時(shí)，SVM的分類精度將會(huì)降低，相比之下，CNN算法在大規(guī)模樣本、多分類問題中存在明顯優(yōu)勢，有較強(qiáng)的抗干擾能力、泛化能力。因此，CNN模型在判別不同食品儲(chǔ)存情況下食物狀態(tài)更具有優(yōu)勢，而基于深度學(xué)習(xí)的食品新鮮度檢測電子鼻系統(tǒng)在實(shí)際生活中也可為容易受主觀因素影響的食品感官評(píng)價(jià)方式提供一定參考。

表4 不同模型預(yù)測結(jié)果統(tǒng)計(jì)表

3 結(jié)論

本文提出了一種基于深度學(xué)習(xí)的食品新鮮度檢測的電子鼻系統(tǒng)，實(shí)現(xiàn)了對(duì)混合食品中不同種類食品新鮮、腐敗狀態(tài)的識(shí)別分類。對(duì)于測試數(shù)據(jù)，以人為感官評(píng)價(jià)結(jié)果為參考，利用LDA、SVM以及CNN分別建立模型對(duì)樣本進(jìn)行識(shí)別，得到LDA識(shí)別準(zhǔn)確率為45.00%、SVM識(shí)別準(zhǔn)確率為85.00%、CNN識(shí)別準(zhǔn)確率為90.00%。實(shí)驗(yàn)結(jié)果表明，CNN識(shí)別分類效果最佳，且具有更強(qiáng)的抗干擾能力、泛化能力，在大規(guī)模樣本和多分類問題中更具有優(yōu)勢，而基于CNN的電子鼻系統(tǒng)可以對(duì)特定混合食品中的新鮮度進(jìn)行判斷，為感官評(píng)價(jià)提供參考。將該食品新鮮度檢測電子鼻進(jìn)一步小型化、智能化后可集成到冰箱、超市生鮮貨柜等食品儲(chǔ)存設(shè)備中，從而實(shí)現(xiàn)食品新鮮度的實(shí)時(shí)準(zhǔn)確檢測。

實(shí)際檢測時(shí)，食品新鮮度檢測的電子鼻常受到環(huán)境溫濕度的干擾，同時(shí)，由于目前的研究還是針對(duì)特定的食品以及部分混合情況進(jìn)行實(shí)驗(yàn)與分析，在后續(xù)的研究中，需建立更加完整的混合食品新鮮度識(shí)別數(shù)據(jù)庫并結(jié)合其他檢測手段。此外，用于食品新鮮度檢測的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)相比于其他識(shí)別方法，識(shí)別效果比較依賴大量的訓(xùn)練數(shù)據(jù)，且其訓(xùn)練時(shí)間較長，可集成性較差。因此，為進(jìn)一步提高深度學(xué)習(xí)網(wǎng)絡(luò)在食品新鮮度中的實(shí)用性，需對(duì)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，提高模型的可移植性，同時(shí)，也可考慮建立云端分析系統(tǒng)，將電子鼻檢測數(shù)據(jù)上傳云端進(jìn)行處理分析。