常规稻与杂交稻谷的仿生电子鼻分类识别

气味是进行稻谷品种及其品质识别的重要方法之一,作为一种基于仿生嗅觉的机器检测方法,仿生电子鼻在水稻品种的分类识别中具有较好的应用前景。常规稻与杂交稻在食味品质等方面存在一定的差异,为了解应用电子鼻进行常规稻谷与杂交稻谷识别的可行性,采用PEN3电子鼻对同季同地域收获的3种常规稻(中香1号、湘晚13、瑶平香)和3种杂交稻(伍丰优T025、品36、优优122)稻谷样品的气味信息进行了采集和分析。首先通过过载分析(Loadings)法分析了电子鼻检测稻谷气体挥发物时的各传感器贡献率,分别针对基于特征值的提取和稻谷气味检测对电子鼻传感器阵列中的传感器进行了优选,阐明了稻谷气体挥发物检测中应以对硫化物、氮氧化合物、芳香成分和有机硫化物敏感的传感器为主。随后,分别采用主成分分析法(principal component analysis,PCA)、线性判别法(linear discriminant analysis,LDA)和BP神经网络对6种不同稻谷之间、常规稻与杂交稻之间的分类识别进行了研究。结果表明,PCA分析法与LDA分析法在对6种不同稻谷之间的分类以及常规稻与杂交稻之间的分类中均未取得理想的效果,存在部分样本数据点重叠或样本数据点较近的情况,在实际应用中易发生混淆;而BP神经网络在对6种不同稻谷之间的分类中对测试集的识别正确率分别达到了90%,在常规稻与杂交稻之间的分类识别中对测试集的识别正确率达到了96.7%。上述试验验证了电子鼻用于常规稻与杂交稻稻谷分类识别的有效性,为常规稻与杂交稻的快速、无损分类识别提供了一种新的方法。     

基于电子鼻的三疣梭子蟹鲜度评价方法研究

为建立三疣梭子蟹鲜度的快速评价方法,采用电子鼻获取不同贮藏时间三疣梭子蟹肌肉的气味信息,通过主成分分析(PCA)、线性判别分析(LDA),并结合p H值、TVB-N含量和菌落总数分析三疣梭子蟹蟹肉贮藏不同时间的鲜度变化情况。结果表明,随着贮藏时间的延长,电子鼻传感器的响应强度逐渐增大,PCA和LDA均能有效区分不同贮藏时间的蟹肉,且LDA在以均值体现分类信息方面区分效果更好。基于电子鼻传感器响应值与p H、TVB-N含量和细菌菌落总数的偏最小二乘回归模型(PLSR)的相对分析误差(RPD)分别为2.73、2.50、3.06,说明PLSR分析方法适于对p H值、TVB-N含量和细菌菌落总数进行定量预测;该方法的校正决定系数、预测决定系数均大于0.85,表明电子鼻传感器响应值与p H值、TVB-N含量、细菌菌落总数的相关性较好。本研究为利用电子鼻评价水产品鲜度及保鲜技术效果提供了技术手段及科学依据。     

基于电子鼻的花生有害霉菌种类识别及侵染程度定量检测

针对花生霉变传统分析方法操作繁琐、时效性差等不足,该研究拟利用电子鼻气体传感技术建立起花生有害霉菌污染的快速检测方法。辐射灭菌花生籽粒分别接种5种谷物中常见有害霉菌(黄曲霉3.17、黄曲霉3.395 0、寄生曲霉3.395、寄生曲霉3.012 4和赭曲霉3.648 6),并于26℃、80%相对湿度条件下储藏9 d至严重霉变。利用电子鼻气体传感器获取不同储藏时期(0、3、6、9 d)花生样品的整体挥发性气味信息。最后,结合多元统计分析方法对电子鼻传感器响应信号进行特征提取,建立了花生中有害霉菌污染程度的定性定量分析模型。结果显示,主成分分析法(principal component analysis,PCA)可成功区分不同霉菌侵染程度的花生样品,线性判别分析(linear discriminant analysis,LDA)模型对样品不同储藏天数判别的准确率均达到或接近100%。花生中菌落总数的偏最小二乘回归分析(partial least squares regression,PLSR)模型的预测决定系数和预测相对均方根误差分别达到0.814 5和0.244 0 lg(CFU/g)。结果表明,应用电子鼻技术快速检测储藏期间花生霉变状况具有一定可行性,可为利用气味信息实现粮食霉菌污染的在线监测提供理论参考。     

QCM气敏传感器阵列的制备及其对鸡蛋货架期的检测

为实现鸡蛋货架期的无损检测,该文提出了基于石英晶体微天平(quartz crystal microbalance,QCM)传感器阵列的检测方法。采用浸涂法制备了4个QCM气敏传感器,分别修饰有碳纳米管、石墨烯、氧化铜以及聚苯胺敏感材料薄膜;优化传感器的敏感材料层数后,分别选择4层碳纳米管、4层石墨烯、5层氧化铜和5层聚苯胺修饰的传感器构成QCM传感器阵列,其灵敏度分别为2.05、1.37、2.31与1.70 Hz/(mg/kg),长期稳定性均高于85%,4个传感器表现出良好的重复性、回复性以及动态响应特性。进一步将所制备的QCM传感器组成阵列应用于鸡蛋货架期的检测中,采用主成分分析法(principal component analysis,PCA)、线性判别分析法(linear discriminant analysis,LDA)对不同货架期的鸡蛋样品进行区分,LDA法能够有效区分不同货架期的鸡蛋样品,区分效果优于PCA;采用偏最小二乘回归法(partial least squares regression,PLSR)建立鸡蛋货架期的回归模型,能够很好预测鸡蛋样品的货架期(R~2=0.954 7,RMSE=1.666 1 d)。结果表明,所制备的QCM传感器阵列能够实现不同货架期鸡蛋的区分和预测,研究结果为鸡蛋货架期的无损检测提供参考。     

典型掺假蜂蜜的电子鼻信息变化特征及判别能力

为建立蜂蜜掺假快速检测方法,该文利用电子鼻并结合主成分分析（principal component analysis,PCA）数据处理方法研究了掺入10%、20%、30%、40%、50%、60%、70%油菜蜜和大米糖浆的掺假蜂蜜的电子鼻信息变化特征,并以掺假蜂蜜的电子鼻信息变化特征为指导,结合判别因子分析（linear discriminant analysis,LDA）模式识别算法研究了电子鼻对掺假蜂蜜的定性识别分析能力。结果表明,掺假蜂蜜的电子鼻信息呈现线性变化,并且电子鼻对掺假蜂蜜有较强的敏感力。LDA模式识别算法可以将纯蜂蜜样品与掺假蜂蜜样品很好的区分开,LDA掺假判别模型正确识别率为94.7%,该技术可以为蜂蜜掺假鉴别提供技术支撑。     

基于多种变量分析方法鉴别食醋种类电子鼻信号特征筛选

为了提高6种食醋的电子鼻鉴别能力,该文提出了一种基于多变量分析的食醋电子鼻信号多特征表征策略。初选不同的特征表征电子鼻信号,构建电子鼻信号的初始特征矩阵。采取载荷分析进行电子鼻传感器阵列优化,优选了12个气敏传感器的响应数据进行后续分析。为消除各传感器响应信号之间的相关性,对优选阵列的特征矩阵进行主成分分析(principal component analysis,PCA),并利用WilksΛ统计量选择鉴别能力最优的主成分子阵。在选择最优主成分子阵的基础上,以生成主成分的每一个原始特征变量为对象,计算每一个原始特征变量在主成分子阵中的贡献系数绝对值之和,且根据系数绝对值之和从大到小排序;同时,根据不同和值的指定,形成了不同容量的原始特征变量集。最后,借助于Fisher判别分析(Fisher discriminant analysis,FDA)探索了不同容量原始特征变量集的鉴别结果,确定了最佳的原始特征变量集。结果表明,特征选择前后传感器信号的表征特征发生了明显变化,最终采用48个特征参量实现了对食醋电子鼻信号的有效表征。在48个特征参量表征条件下,同时运用FDA和BP神经网络(back propagation neural network,BPNN)对6种食醋进行了鉴别分析,训练集的鉴别正确率分别在93%和98%以上,测试集的鉴别正确率也分别达到了90%和93%以上。另外,利用巴氏距离进一步揭示了样品间的可分离程度及FDA与BPNN结果的可信性。研究结果可为电子鼻信号多特征表征提供了一种新思路。     

基于电子鼻的六堡茶“陈香”香味识别模型建立

文章采用电子鼻对“有陈香”和“陈香不显”的两类六堡茶进行香气特征响应信号提取,以干茶、茶汤和茶底的电子鼻响应值作为香气识别模型建立的特征值,用PCA和LDA进行识别分类,并以累计贡献率最高的茶汤Loadings结果进行不同传感器贡献率的分析。结果表明PCA区分样品的累计贡献率干茶、茶汤、茶底分别达到99.29%、99.33%和94.66%,LDA区分样品的总贡献率干茶、茶汤、茶底分别为87.09%、97.50%和91.72%,LDA整体区分效果优于PCA;传感器Loadings分析结果表明:W1S (甲基类)、W2S (醇酮类)、W5S (氮氧化合物)及硫化物传感器W1W、W2W在区分样本有无陈香中起主要作用。利用PCA和LDA建立的两种模型分析方法都能将“有陈香”和“陈香不显”的六堡茶样本区分开,用随机选取的39个预测集样品分别进行识别模型的验证,干茶、茶汤、茶底的LDA识别模型对未知样本的识别准确率分别为84.62%、92.31%、82.05%,说明利用电子鼻建立判断六堡茶是否有陈香的识别模型是可行的。     

电喷雾萃取及电离质谱法分析大豆水提液快速鉴别种子活力

为快速评价大豆种子活力,该文以人工加速老化后的大豆种子为原料,采用电喷雾萃取电离质谱（extractive electrospray ionization-mass spectrometry,EESI-MS）直接检测不同活力大豆种子水提液,获得其正离子模式下指纹图谱,结合主成分分析（principal component analysis,PCA）、聚类分析（cluster analysis,CA）和判别分析（discriminant analysis, DA）,建立鉴别大豆种子活力的方法。结果表明,在正离子模式下,电喷雾萃取电离质谱结合多变量分析方法可以有效鉴别不同活力大豆种子。主成分分析提取了前3个主成分因子,累计贡献率达到94.80%,聚类分析和判别分析的正确率都为100%,对外部验证样本进行判别分析,正确率为95%。电喷雾萃取电离质谱能快速鉴别不同活力大豆种子,为种子活力检测提供了一种快速、准确、高效的新方法。     

利用近红外光谱与PCA-SVM识别热损伤番茄种子

为了研究近红外光谱技术用于热损伤种子快速无损识别的可行性,该文以120粒番茄种子为研究对象,其中60粒番茄种子通过高温加热处理的方式成为热损伤种子组,其他60粒番茄种子为正常种子组,利用实验室自主搭建的近红外光谱检测系统获取单粒番茄种子在980~1 700 nm范围内的光谱,分别采用偏最小二乘判别法(partial least squares discriminant analysis,PLS-DA)和支持向量机(support vector machines,SVM)建立了番茄种子热损伤的定性分析模型。试验结果表明:2种判别模型的验证集总正确率均大于96%,均可用于热损伤种子的判别。其中,基于主成分分析(principal component analysis,PCA)预处理的光谱数据构建的支持向量机模型的判别效果最好,其校正集和验证集的判别正确率均为100%,更适用于种子热损伤识别。因此,应用近红外光谱技术可快速无损识别热损伤番茄种子,为种子检验提供了一种新的方法。     

电子鼻在牦牛肉和牛肉猪肉识别中的应用

为了探索电子鼻对肉类掺假识别的可行性,利用电子鼻对牦牛肉、牛肉和猪肉样品进行了分析。通过对所获得的数据进行主成分分析（principal component analysis,PCA）、判别因子分析（discriminant factor analysis,DFA）和偏最小二乘回归分析（partial least-squares analysis,PLS）。结果表明：几种肉类在电子鼻传感器上有不同的特征性响应图谱,电子鼻能够有效识别猪、牛肉;同时电子鼻能够识别不同部位的牦牛肉和普通牛肉;但不能识别不同部位的猪肉。在牛肉馅中掺入不同比例的猪肉馅时,电子鼻也能进行识别。采用偏最小二乘回归分析对数据进行处理,电子鼻响应信号和猪肉馅掺入比例之间有很好的相关性（决定系数R2为0.9762）,PLS模型预测误差在1.27%～7.00%之间。试验证明电子鼻可用于肉类的识别。     

用于山核桃陈化时间检测的电子鼻传感器阵列优化

为更好地进行山核桃陈化时间检测,论文拟通过传感器阵列优化来有效提高电子鼻对其区分预测能力。该文依据响应曲线保留响应明显的传感器,并在提取传感器特征值构成初始特征矩阵的基础上,结合均值分析、变异系数分析、聚类分析、相关性分析和多重共线性分析进行逐步优化以获取最终优化传感器阵列。对优化前后的数据采用主成分分析法(principal component analysis,PCA)和偏最小二乘回归(partial least squares regression,PLSR)进行样品区分和预测能力的对比。结果表明:通过优化,经不同人工陈化时间(0、5、10、15d)处理的山核桃能有效区分开,且在PCA得分图中更为聚集;优化后的陈化时间回归模型(R2=0.933 4)较优化前(R2=0.888 7)具有更好的预测能力。说明所给出的阵列优化方法有效可行,为电子鼻针对性检测提供了一种思路。     

基于味觉传感器阵列的玉米汁饮料分类辨识

为了快速辨识不同口味的玉米汁饮料,确保同一种饮料质量的均一性,构建了包含12个传感器的味觉传感器阵列。使用代表酸、甜、苦、咸、鲜的呈味物质检测味觉传感器阵列对5种基本味觉辨识的能力。使用主成分分析和概率神经网络考察了该阵列对基本味觉的辨识效果,该阵列对基本味觉表现出良好的辨识能力。将该阵列应用于玉米汁饮料的分类辨识中,区分来自不同品牌的9种玉米汁。系统聚类分析表明了同一种玉米汁样本的味觉特征非常接近,可聚合为一类。通过主成分分析法实现数据降维,提取前3个主成分作为概率神经网络的输入神经元。试验结果表明:该味觉传感器阵列对不同种玉米汁饮料具有较好的辨识能力,辨识的正确率为95.06%。     

基于DFI-RSE电子鼻传感器阵列优化的葡萄酒SO2检测

酿造过程中SO2的监控是葡萄酒产业信息化和葡萄酒品质保障的关键。针对传统SO2测定方法操作复杂、耗费时间长等问题,该研究提出基于电子鼻技术建立葡萄酒中SO2检测方法。为提高电子鼻检测性能,提出一种基于动态特征重要度-递归传感器消除（Dynamic Feature Importance-Recursive Sensor Elimination,DFI-RSE）的气体传感器阵列优化算法。将最大信息系数（Maximum Information Coefficient,MIC）作为度量变量间关系的标准,定义DFI选择兼顾高有效性与低冗余性的特征构成特征子集。进一步计算特征子集中的传感器重要度,结合RSE移除重要度较低的传感器,获得最优阵列组合。采用偏最小二乘回归（Partial Least Squares Regression,PLSR）、多层感知器（Multi-Layer Perceptron,MLP）、支持向量回归（Support Vector Regression,SVR）和贝叶斯岭回归（Bayesian Ridge Regression,BRR）对DFI-RSE优化前后阵列的检测能力进行比较。结果表明,针对间隔40 mg/L、0～200 mg/L范围内不同SO2添加量的葡萄酒样品,优化后阵列的传感器数量由原来的16个降低为8个,特征数量减少了59%,4种回归模型的决定系数均高于0.98,其中MLP模型检测效果最佳,均方根误差为7.73 mg/L,优于原始阵列且节省了运行时间。所建立的基于电子鼻的葡萄酒SO2添加量检测和相应的阵列构建与优化方法为葡萄酒酿造过程中SO2的有效监控技术研究提供参考。     

基于多特征融合的电子鼻鉴别玉米霉变程度

为了提高电子鼻检测玉米霉变程度的正确率,该文探究了电子鼻信号不同特征组合的表征对霉变玉米鉴别结果的影响。首先,运用电子鼻对霉变玉米的5组样本训练集与测试集进行测试,获得测试信号。其次,分别提取测试信号的积分值(integral value,INV)、平均微分值(average differential value,ADV)、相对稳态平均值(relative steady-state average value,RSAV)作为特征值,5组训练集与测试集均分别采用3种单一的特征值或其组合特征值来表征。然后,运用Fisher判别分析(fisher discriminant analysis,FDA)分别对5组训练集进行判别分析,并用对应的测试集进行检验。FDA分析结果指出,电子鼻测试信息分别在单一特征和2个特征组合表征下,不同霉变程度玉米是不能有效分开的,但在2个特征组合表征下的鉴别正确率比单一特征有所提高;当用3个特征组合来表征测试信息时,FDA鉴别能力得到提高,鉴别正确率在96%以上。另外,借助于WilksΛ统计量考察了电子鼻中每个传感器测试信号表征的差异性,对3个特征组合的表征情况进行了表征变量筛选。FDA分析结果显示,筛选前后的鉴别结果非常相近,最低鉴别正确率均在96%以上,这说明不同传感器需要不同的特征表征,以体现其差异性,由此也减少了计算的复杂性。研究结果表明,用多特征融合模式可更有效地表征电子鼻对霉变玉米的响应信息,有利于提高霉变玉米的鉴别正确率。同时,该研究成果也不失一般性,为电子鼻信号表征提供了一种新思路。     

采用高光谱图像深度特征检测水稻种子活力等级

为实现水稻种子活力的准确检测,该文研究了一种基于高光谱图像技术结合深度学习的高精度检测方法。采用人工加速老化的方式得到老化0,1,2和3 d的1 200个水稻种子样本,使用高光谱成像设备获取不同老化天数样本的高光谱图像,并从单个样本区域提取其光谱信息。随后对1200个样本进行发芽试验,根据发芽试验结果将所有样本划分为高活力、低活力和无活力3个等级。采用小波阈值去噪(Wavelet Threshold Denoising,WTD)结合一阶导数(First/1~(st) Derivative,FD)的方法(WTD-FD)对原始光谱进行预处理,使用主成分分析(Principal Component Analysis,PCA)和堆叠自动编码器(Stacked Auto-Encoder,SAE)分别从预处理光谱中提取特征变量。分别基于PCA和SAE特征变量构建支持向量机(Support Vector Machine,SVM)模型,并根据模型准确率确定较佳模型,最后使用灰狼优化算法(Grey Wolf Optimizer,GWO)对选择的模型进行参数优化。结果显示WTD-FD对原始光谱的预处理是有效的,使用从预处理光谱中提取的SAE非线性深层特征相比于PCA线性特征更具有代表性,基于其建立的SAE-SVM模型的准确率达到96.47%。SAE-SVM模型经过GWO优化之后,模型准确率提高到98.75%。研究结果表明,高光谱图像技术结合深度学习方法对水稻种子活力等级准确检测具有指导意义。     

基于激光传感器的播种参数监测方法

目前玉米播种参数监测多采用红外光电监测的方式,易受灰尘和落种碰撞影响,且传感器安装在导种管的上部,双粒重叠种子在上部无法分开进而导致传感器计为单粒种子,计数准确率下降。针对以上问题,该研究提出一种基于激光传感器的播种参数监测方法。该方法以激光传感器为信号捕获源,采用单片机为主控制器,将传感器安装在导种管底端,实现对播种量、合格率、漏播率、重播率等参数的实时监控。抗灰尘模拟试验表明:采用激光监测的方法传感器能够在灰尘较大的工作条件下正常工作。在穿透透明物体的状态下播种数量监测平均相对误差不大于1.15%,合格率、漏播率、重播率监测平均绝对误差低于0.5个百分点。安装在导种管底端的激光传感器对从排种口排出的双粒重叠种子监测的准确率达到95.4%,而安装在导种管上部的红外传感器监测准确率低于7.0%。结果表明采用激光监测的方法具有可靠的工作性能,满足实际播种参数监测的需要。     

马齿形玉米种子尖端激光定向与胚面识别装置研制

为了实现玉米种子的尖端定向与胚面识别,该文以现有尖端定向装置输出的马齿型玉米种子为对象,基于激光开关和测距原理,提出了一种尖端定向与胚面识别方法:依据马齿形玉米种子尖端窄大头宽的轮廓特征,利用激光开关传感器等部件对玉米种子的尖端朝向进行识别,并将大头朝前的玉米种子进行剔除;依据马齿形玉米种子胚面上有胚沟而反面较为平整的表面特征,利用激光测距传感器等部件对尖端朝前的玉米种子进行胚面识别。设计并搭建了玉米种子尖端定向与胚面识别装置,配合现有的尖端定向装置进行试验,结果表明:尖端定向与胚面识别装置的尖端定向成功率达到99.1%,相比现有的尖端定向装置提升了9.5个百分点,胚面识别准确率为96.4%。该方法基本可以实现玉米种子的尖端定向,同时保证胚面识别准确率达到较高水准。该文提出的玉米种子尖端定向与胚面识别方法可为后续玉米种子的自动化定向包装提供参考。     

基于变距光电传感器的小麦精播施肥一体机监测系统设计

为实现小麦精播施肥过程的实时监测,确保播种作业质量,该文设计了一种基于变距光电传感器的小麦精播施肥一体机监测系统。该监测系统以STM32单片机硬件系统为下位机,通过反射式光电传感器和旋转编码器分别获取种肥流动与种肥轴转动信息,判断精播机运行状态,并通过Modbus通讯协议将信息传输至MCGS触摸屏上位机人机交互界面实时显示。下位机排种监测电路仿真测试结果表明,放大电路对种管光电传感器检测距离的改变值为4~7 mm;上下位机通讯测试结果表明,数据传输内容准确率为100%;监测系统样机试验测试结果表明,故障报警准确率≥92.5%,种肥缺失、堵塞、泄漏响应时间分别≤0.2、≤0.3、≤0.3 s。该监测系统实现了对小麦精播施肥机作业的实时高精度监测,有助于提高小麦精播机作业质量。     

基于空载数据的鉴别食醋电子鼻信号漂移校正方法

由于传感器老化,环境温度等因素,电子鼻信号的漂移是不可避免的,且严重降低电子鼻的长期稳健检测能力。为了实现电子鼻对6种食醋样品的长期稳健检测,该文提出了一种基于空载数据的小波包分解系数的漂移递归校正方法。通过小波包对电子鼻空载数据的分解,给出空载阈值函数(no-load threshold function,NLTF),然后将NLTF转换为适合样本数据的样本阈值函数(samplethresholdfunction,STF)。在获得的STF基础上,构建样本检测数据小波包分解系数的校正函数。借助于所构建的样本测试数据的校正函数,对6种食醋样品的电子鼻数据进行漂移校正。同时,运用"样本测量时间窗口(sample measurement time window,SMTW)"的概念,实现电子鼻数据的递归校正,进而建立了可实现长期稳健检测的递归鉴别模型。针对6种食醋样品,进行了为期16个月的间歇式测试。当SMTW选为4个月的测试样本及每次递推前移1个月样本数据时,建立的基于递归校正的Fisher判别分析(Fisher discriminant analysis,FDA)模型可完全实现6种食醋样品的长期稳健鉴别,正确鉴别率达到100%,使紧随SMTW后1个月内的测试样本能得到准确鉴别。该校正方法能够有效的去除漂移并且实现了电子鼻的长期稳健检测。