楊志蒙，趙永禮，溫舉洪，彭志，銀建新

（201620 上海市 上海工程技術大學 機械與汽車工程學院）

0 引言

電子鼻檢測是一種模仿生物嗅覺系統(tǒng)的智能識別技術，主要是通過氣體傳感器陣列與被測樣本揮發(fā)的氣體發(fā)生響應以獲取被測樣本信息，具有響應快速、靈敏度高、成本低和操作方便等特點。隨著氣體傳感器的發(fā)展，電子鼻技術被廣泛應用于食品質量檢測、環(huán)境檢測、疾病診斷和危險氣體識別等領域[1-3]，其中食品質量與人們的身體健康密切相關，因此利用電子鼻技術對食品方面的研究成為近年來的研究熱點[4-7]。例如，Rubio 等[8]采用adaline 神經網絡有效區(qū)分了水果和蔬菜，但采用的系統(tǒng)需要800 s 的采樣時間；徐賽等[9]通過特征提取和概率神經網絡（PNN）等算法很好地區(qū)分了普洱茶的種類；王超等[10]采用核熵成分分析（KPCA）、線性判別分析（LDA）和支持向量機（SVM）等協(xié)同降維算法對不同白酒進行分類，并實現(xiàn)了96%的準確率。上述研究雖然對食品種類有了較好的區(qū)分，但存在采樣時間長、傳感器陣列數(shù)量多、功耗大等缺點。

針對上述研究存在的問題，本文設計了一種基于溫度調制的電子鼻系統(tǒng)，通過對氣體傳感器提供不同的加熱溫度達到傳感器復用的效果，有效減少了傳感器陣列的數(shù)量，且具有響應快速、采樣時間短等優(yōu)點。利用電子鼻溫度調制系統(tǒng)采集了煙臺、洛川、靈寶和昭通4 個產地的蘋果氣味信息，并采用主成分分析（PCA）處理氣味特征數(shù)據(jù)，利用支持向量機（SVM）和卷積神經網絡（CNN）機器學習算法對不同產地的蘋果進行分類識別，其中基于溫度調制數(shù)據(jù)的算法識別比單一溫度下的算法識別準確率更高。

1 電子鼻溫度調制系統(tǒng)設計

1.1 系統(tǒng)工作原理

本電子鼻溫度調制系統(tǒng)主要為半導體氣體傳感器提供加熱電壓，使得氣體傳感器在不同的加熱溫度下進行數(shù)據(jù)采集和處理，通過單片機ADC 模塊采集氣體傳感器響應數(shù)據(jù)，并通過串口發(fā)送到PC 端上位機顯示。圖1 為氣味識別系統(tǒng)工作原理框圖[11]。

圖1 氣味識別系統(tǒng)工作原理Fig.1 Working principle of odor recognition system

1.2 硬件電路設計

系統(tǒng)溫度調制電路如圖2 所示，采用STM32F103C8T6 為主控芯片。為達到調制不同加熱溫度的目的，采用MCP41010 數(shù)字電位器對輸出的加熱電壓分壓，并設計功率放大電路使傳感器能夠穩(wěn)定工作[12]。其中，MCP41010 是一個10 k 的數(shù)字電位器，具有256 個離散的滑動調節(jié)節(jié)點，可通過上位機軟件調節(jié)不同的節(jié)點位置改變其阻值。

圖2 溫度調制電路Fig.2 Temperature modulation circuit

為使傳感器能夠穩(wěn)定工作，采用功率放大電路（OCL）對數(shù)字電位器輸出的功率進行放大，晶體管Q1采用NPN 型三極管2N3904，Q2采用PNP 型三極管2N3906，其最大功率P 的計算公式為：

式中：VCC——功率放大電路提供的供電電壓；UCES——三極管飽和壓降；RL——氣體傳感器加熱電極電阻值。

2 材料與方法

蘋果是世界四大水果之冠，因其爽脆的口感和富含豐富的營養(yǎng)價值而被廣大消費者喜愛[13]。我國市場上的蘋果主要來自煙臺、洛川、靈寶和昭通四大產地，風味各具特色，而市場上常有非法經營者利用其他產地的蘋果冒充四大產地蘋果非法經營，破壞了良性市場競爭，因此開發(fā)一種快速簡便識別蘋果產地的方法技術十分重要。本文實驗中，分別從煙臺、洛川、靈寶和昭通4 個產地購買新鮮成熟的蘋果各50 個。

2.1 主要儀器和設備

針對成熟蘋果散發(fā)出來的芳香氣體環(huán)境，本電子鼻系統(tǒng)采用3 顆氣體傳感器GS001、GS002 和GS003 組成陣列，各傳感器特性見表1?；跍囟日{制系統(tǒng)，選擇1.8 V 和1.2 V 兩種加熱電壓，并用STM32F103C8T6 單片機采集數(shù)據(jù)和處理信息。

表1 氣體傳感器型號及其參數(shù)Tab.1 Gas sensor model and parameters

2.2 試驗方法

采用設計有溫度調制系統(tǒng)的電子鼻系統(tǒng)電子鼻系統(tǒng)對每個蘋果樣本單獨進行氣味采集，具體實驗步驟如下：

（1）接通電路，加熱電壓調至1.2 V，將傳感器在室溫（25 ℃）中預熱30 min 達到穩(wěn)定狀態(tài)；

（2）將蘋果樣本放入密閉氣室，等待蘋果氣味充滿氣室后，用氣泵抽取20 s 氣室內氣體至電子鼻系統(tǒng)；

（3）待傳感器響應曲線恢復到穩(wěn)定狀態(tài)后，保存數(shù)據(jù)，進行下一次樣本采集；

（4）重復步驟（2）、步驟（3），直至采集完1.2 V 加熱電壓下所有蘋果樣本氣味；

（5）加熱電壓調至1.8 V，重復步驟（2）、步驟（3），直至采集完1.8 V 加熱電壓下所有蘋果樣本氣味。

2.3 算法理論

2.3.1 主成分分析方法（Principal Component Analysis,PCA）

一種電子鼻常用的無監(jiān)督數(shù)據(jù)降維方法，其提取傳感器多指標信息并降低數(shù)據(jù)維度，同時保留原始數(shù)據(jù)中的大部分特性[14]。

2.3.2 支持向量機（Support Vector Machine,SVM）

一種基于統(tǒng)計學理論的有監(jiān)督二分類模型，其通過線性和非線性核將變量映射到空間平面，并在特征空間中尋找使得兩種類別距離最大的超平面[15]。

2.3.3 卷積神經網絡（Convolutional Neural Networks,CNN）

由多層感知機演化而來，由于含有卷積層、池化層和全連接等多種結構的深度學習方法，使得卷積神經網絡在視覺識別領域取得巨大成功[16]。其中，卷積層是構建卷積神經網絡的核心層，包含多個卷積核，卷積核通過從左至右、從上往下滑動的方式依次對輸入的特征信息進行提取，卷積層進行卷積的公式為：

式中：f（i）——當前層卷積的輸出；i——卷積層中卷積第i 個卷積核；a——卷積層的輸入；w——卷積核i 的權值；b——卷積核的偏置。

3 實驗結果

3.1 實驗原始數(shù)據(jù)

本文采集氣味信息的頻率為1 Hz，從蘋果氣味響應前10 s 到響應恢復穩(wěn)定狀態(tài)為一個完整樣本數(shù)據(jù)，每個樣本數(shù)據(jù)120 s 左右。圖3 顯示了4個產地蘋果分別在1.8 V 和1.2 V 加熱溫度下傳感器的響應數(shù)據(jù)。

圖3 4 種不同產地蘋果響應曲線Fig.3 Response curves of apples from four different origins

3.2 數(shù)據(jù)的處理與分析

特征提取對機器學習模型的建立至關重要。由圖3 可知，不同產地蘋果存在著明顯的響應差異，因此提取樣本內10～100 s 的樣本特征，采用主成分分析算法對不同加熱溫度下的響應數(shù)據(jù)進行降維處理，結果如圖4 所示，圖4（a）表示1.8 V 加熱溫度下樣本數(shù)據(jù)的降維結果，圖4（b）表示1.2 V加熱溫度下樣本數(shù)據(jù)的降維結果，圖4（c）表示融合1.8 V、1.2 V 兩種加熱溫度下樣本數(shù)據(jù)的降維結果?？梢钥闯觯? 種降維情況的前3 個主成分累計貢獻率均已超過95%，能代表原始數(shù)據(jù)的大部分信息，因此選擇前3 個主成分為降維特征。

圖4 不同加熱溫度下的響應數(shù)據(jù)降維結果Fig.4 Dimension reduction results of response data at different heating temperatures

為更好地區(qū)分蘋果的產地，從每個產地的樣本中抽取30 個作為訓練樣本，其余20 個作為預測樣本，本文采用支持向量機（SVM）和卷積神經網絡（CNN）兩種有監(jiān)督學習算法對降維后的數(shù)據(jù)進行分類識別。由表2—表7 分析可知，1.8 V 加熱溫度下PCA-SVM 算法分類準確率為76.25%，PCACNN 算法分類準確率為78.75%，而1.2 V 加熱溫度下PCA-SVM 算法分類準確率為76.25%，PCACNN 算法分類準確率為77.5%。將1.8 V、1.2 V 加熱溫度下3 顆傳感器的數(shù)據(jù)特征融合一起，PCASVM 和PCA-CNN 兩種算法的準確率更高，分別達到了80%和85%。

表2 1.8 V 加熱溫度PCA-SVM 分類混淆矩陣Tab.2 Confusion matrix of PCA-SVM at 1.8 V heating temperature

表3 1.8 V 加熱溫度PCA-CNN 分類混淆矩陣Tab.3 Confusion matrix of PCA-CNN at 1.8 V heating temperature

表4 1.2 V 加熱溫度PCA-SVM 分類混淆矩陣Tab.4 Confusion matrix of PCA-SVM at 1.2 V heating temperature

表5 1.2 V 加熱溫度PCA-CNN 分類混淆矩陣Tab.5 Confusion matrix of PCA-CNN at 1.2 V heating temperature

表6 1.8 V、1.2 V 加熱溫度PCA-SVM 分類混淆矩陣Tab.6 Confusion matrix of PCA-SVM at 1.8 V and 1.2 V heating temperature

表7 1.8 V、1.2 V 加熱溫度PCA-CNN 分類混淆矩陣Tab.7 Confusion matrix of PCA-CNN at 1.8 V and 1.2 V heating temperature

4 結論

本文提出一種基于溫度調制的電子鼻檢測方法，用于對蘋果產地的快速識別。實驗結果表明，相對于單一加熱溫度而言，2 種加熱溫度下PCASVM 和PCA-CNN 算法的分類精度更高。這說明通過溫度調制使得傳感器陣列得以復用，可以增強數(shù)據(jù)可靠性，也說明PCA-SVM 和PCA-CNN 算法在蘋果產地快速識別方面具備一定潛力。未來將會結合靜態(tài)溫度和動態(tài)溫度調制進行研究，并用于多種場景識別，以期拓展電子鼻系統(tǒng)更加多樣性的應用。