基于电子鼻传感器阵列优化的甜玉米种子活力检测

针对甜玉米种子活力传统检测方法操作繁琐、重复性差等不足,该研究利用电子鼻技术建立甜玉米种子活力快速检测方法。利用电子鼻获取不同活力甜玉米种子的气味信息,再结合主成分分析(PCA,principal component analysis)、线性判别分析(LDA,linear discriminant analysis)、载荷分析(loadings)和支持向量机(SVM,support vector machine)对气味信息进行提取分析,建立甜玉米种子活力的定性定量分析模型。结果显示:PCA和LDA分析均无法区分不同活力的甜玉米种子,而SVM的鉴别效果较好。全传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为97.10%和96.67%,建模时间为30.75 s,回归预测模型训练集和预测集决定系数R~2分别为0.993和0.913,均方差误差分别为2.23%和8.50%。经Loadings分析将10个传感器阵列优化为6个。优化后传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为98.55%和96.67%,建模时间为21.81 s,回归预测模型训练集和预测集决定系数R~2分别为0.982和0.984,均方差误差分别为3.80%和3.01%。结果表明:基于SVM的电子鼻技术可以实现对不同活力甜玉米种子的高效判别和预测,将传感器阵列优化为6个,判别和预测效果均有所提升。该研究为电子鼻技术应用于甜玉米种子活力检测提供理论依据。     

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。     

基于电子鼻的果园荔枝成熟阶段监测

为了无损快速监测荔枝成熟阶段,该文提出了一种基于电子鼻技术的果园荔枝成熟阶段监测方法,采用PEN3电子鼻获取挂果约25 d到果实成熟过程中6个成熟阶段荔枝样本的仿生嗅觉信息并同步获取了各成熟阶段荔枝的3项物理特征(果实直径、果实质量与果实可溶性固形物含量)。根据不同成熟阶段荔枝物理特征变化可知,荔枝果实直径与果实质量2项物理指标在挂果约32 d~39 d,以及53 d~60 d增长较快,可溶性固形物含量在挂果约32 d前无法测量,53 d~60 d阶段增长速度较慢。提取各样本电子鼻采样数据75 s时刻的各传感器响应值作为特征值后,采用载荷分析(loadings)进行传感器阵列优化,优选了传感器R2、R4、R6、R7、R8、R9和R10的响应数据进行后续分析。将优化后的传感器响应数据进行归一化处理。采用线性判别分析(linear discriminant analysis,LDA)进一步提取特征信息,降低数据中包含的冗余信息。LDA对荔枝成熟阶段的分类识别效果不佳。为进一步探究电子鼻监测果园荔枝成熟阶段的可行性,采用模糊C均值聚类分析(fuzzy C means clustering,FCM)、k最近邻函数分析(k nearest neighbor,KNN)和概率神经网络(probabilistic neural network,PNN)进行模式识别。研究结果表明,FCM对果园荔枝成熟阶段识别的正确率为89.17%。采用KNN与PNN建立识别模型后,KNN与PNN识别模型对训练集的回判正确率均为100%,对测试集的识别率均为96.67%,具有较好的分类识别效果。试验证明了采用电子鼻进行果园荔枝成熟度监测的可行性,为果园水果品质的实时监测提供参考。     

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。     

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。     

基于电子鼻和分光测色仪技术的茶树叶片氮营养诊断

【目的】利用电子鼻和分光测色仪建立一套快速检测茶树叶片氮含量的无损伤检测方法。【方法】供试样品为茶树顶芽向下第3~4片无损伤叶片。在预实验中优化了气体收集瓶体积、顶空预热温度和顶空时间等参数。采用电子鼻自带Winmuster软件将经过优化后的传感器响应特征值进行主成分分析(principal component analysis,PCA)、线性判别法分析(linear discriminant analysis,LDA)和负荷加载分析(loadings analysis,LA),筛选出灵敏性最好的传感器。同时用分光色差仪对茶树叶片色度值进行测定。样品的测量部位是叶肉区,每组20次重复。色度值主要包括L (表示黑白或者亮暗)、a (表示红绿)、b (表示黄蓝)值。采用Origin 8.0软件对测色仪L、a、b值分别进行一元线性回归分析。利用SPSS 16.0软件采用LSD法进行单因素方差分析(one-way Anova),并进行t检验。对分光测色仪中色差指标进行筛选,以获得相关系数最高的参数。采用凯氏定氮法测定茶叶总氮含量。正式试验第二步是以不同氮含量下的电子鼻和分光测色检测数据为基础,分别建立气味、颜色、气味结合颜色的3种氮含量预测模型,并进行比较分析。【结果】通过预备试验,建立了气体收集器体积为50 mL、顶空预热温度为30℃、顶空时间为30 min的电子鼻检测体系。正式试验第一步确定了以对氮氧化合物灵敏(S2),对甲烷灵敏(S6),对无机硫化物灵敏(S7),对醇类、醛类、酮类物质灵敏(S8),对有机硫化物灵敏(S9)的传感器为主要传感器。根据L、a、b表色系统,b值与叶片缺氮程度呈线性相关。正式试验第二步利用气味、颜色、气味结合颜色建立的3个氮含量预测模型都具有可行性,其中气味结合颜色建立的预测模型准确率最高,达到90%。【结论】用气味结合颜色的预测模型预测茶树叶片氮含量准确度较高,可在实际工作中进行运用。     

基于电子鼻的番茄成熟度及贮藏时间评价的研究

该文探讨了采用电子鼻系统对不同成熟度的番茄进行评价和对不同成熟度番茄在贮藏期间气味变化的电子鼻检测进行了研究。在按颜色进行成熟度区分时,从主成分分析(PCA)和线性判别式分析(LDA)中可以得到,电子鼻可以较好地区分半熟期和成熟期、完熟期的番茄,但成熟期、完熟期的番茄有部分区域发生重叠。按坚实度指标对番茄成熟度进行重新评价后,分析显示电子鼻可以区分坚实度的差异,当采用PCA方法分析时,电子鼻可以100%地区分不同成熟度的番茄。对不同成熟度番茄在贮藏期间电子鼻检测的研究表明:成熟期的番茄在贮藏1～6d、7～11d、14～17d之间可以较好地进行区分;完熟期的番茄采用LDA法在1～5d、6～11d、14～17d之间可以较好地进行区分。     

电子鼻检测鸡蛋货架期新鲜度变化

该文旨在通过气味检测鸡蛋的新鲜度。利用德国AIRSENSE公司PEN3型电子鼻对鸡蛋在20℃,70%相对湿度条件下罗曼鸡蛋货架期的气味进行了无损检测。通过测定哈夫单位,建立了不同货架期气味与鸡蛋哈夫单位等级的对应关系。首先,分析并对比了第0天与第36天的完整鸡蛋与蛋液所产生气体的变化情况,确定氨氧化物、烷烃和醇类等是鸡蛋贮藏中产生的恶化气体。其次,结合电子鼻,利用主成分分析、线性判别等多元统计方法进行数据分析,对不同货架期、不同等级的鸡蛋进行归类区分,发现线性判别（LDA）效果优于主成分分析法（PCA）。结合载荷分析,确认了检测鸡蛋新鲜度的主要传感器S1、S2、S3、S5、S6、S8。初步证明了气体传感器和模式识别方法在电子鼻区分鸡蛋货架期新鲜度的可行性,为建立利用气体传感器监控鸡蛋新鲜度的方法提供实验基础和理论依据。     

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。     

电子鼻传感器阵列优化及其在小麦储藏年限检测中的应用

采用德国Airsense公司的PEN2电子鼻系统对5个陈化年限的小麦进行了检测。对传感器信号进行方差分析和Loading分析去掉差异不显著的传感器。最后选择传感器1、2、8、9、10的响应信号进行模式识别。对优化后的传感器阵列进行主成分分析得到结果显示5个年份的小麦被很好地区分，各个类的集中性也比较强。从BP网络分析结果可以看出network1(优化后传感器阵列数据的BP网络)的预测准确率高于network2(优化前传感器阵列数据的BP网络)，可以更好地区分5个年份的小麦。说明对传感器进行优化去掉一些响应不显著的传感器信号并不影响模式识别结果，反而提高了电子鼻的识别性能。     

山核桃氧化过程中品质指标变化的电子鼻快速检测

为了研究山核桃氧化过程中的品质变化规律,试验采用电子鼻获取不同氧化阶段的山核桃的挥发性氧化产物信息,运用主成分分析(principal component analysis,PCA)、线性判别分析(linear discriminant analysis,LDA)、聚类分析(cluster analysis,CA)及理化指标分析区分不同氧化阶段的山核桃样品品质变化,并通过主成分回归法(principle component regression,PCR)建立过氧化值、酸价、茴香胺值、总过氧化值的预测模型。结果表明:随着氧化时间的延长,过氧化值、酸价、茴香胺值、总过氧化值等指标显著(P0.05)增加,电子鼻传感器的响应强度逐渐增大。通过PCA、CA、LDA及理化指标分析均能较好地区分不同氧化阶段的山核桃的氧化程度。采用主成分回归法(PCR)建立过氧化值、酸价、茴香胺值、总过氧化值等理化指标的预测模型,决定系数(R2)分别为0.968、0.975、0.985、0.980。结果证明不同氧化阶段的山核桃的过氧化值,酸价,茴香胺值和总过氧化值的PCR模型验证的相对误差小于16%,预测效果较好。研究结果为山核桃氧化过程中的快速检测提供技术参考。     

基于Hilbert-Huang变换的生物触电电流检测模型

为了检测触电时刻剩余电流中生物体触电支路电流信号的难题,应用Hilbert-Huang变换方法,确定了生物触电时剩余电流的固有模态函数中相关系数最大的IMF分量的局部幅值达34.02 m A,且与原信号相关性系数达到0.99,同时剩余电流与触电电流暂态过程频谱特性具有相似变化规律。以此为基础,应用生物电流信号高频IMF分量幅值的突变特征,作为触电故障时刻确定判据,建立生物触电故障时刻判定方法,实际数据的仿真处理正确率为94.17%;筛选剩余电流分解的相关性较高的有限个数的低频固有模态IMF分量,应用逐步多元线性回归方法,提出基于剩余电流固有模态分量的生物触电支路电流幅值检测方法,仿真试验结果的平均相对误差值5.46%,具有良好的适应性和实用性,为研发基于生物体触电电流而动作的剩余电流保护装置提供参考。     

基于电子鼻信号判别番茄苗机械损伤程度

番茄苗产生的挥发物易受到病害、虫害、损伤等多种因素影响。该文利用电子鼻系统测试机械损伤番茄苗挥发性物质的变化,通过主成分分析、线性判别分析对4种不同处理机械损伤的番茄苗进行分析,结果表明主成分分析各处理样本间均有重叠,区分效果不理想,线性判别分析各处理样本基本可以分开;用逐步判别分析和BP神经网络对各处理样本进行判别,测试集的准确率分别达到84.4%和93.8%以上,神经网络模型的预测结果更好。该研究可为番茄苗机械损伤快速在线监测提供参考。     

电子鼻检测辐照肉鸭产品的挥发性风味物质

为了研究辐照肉鸭产品的“辐照味”问题,通过挥发性风味物质区分辐照肉鸭产品,对烤鸭、盐水鸭2种肉鸭产品进行不同剂量的辐照处理后,采用电子鼻检测产品中挥发性风味物质的变化,并对产品中挥发性风味物质的主要类别进行分析。结果表明,辐照处理后2种肉鸭产品中的挥发性风味物质的响应值都发生了变化,但辐照前后主要的挥发性风味物质的类别都是氨类和芳香型化合物、硫化氢、芳香化合物和有机硫化物。Loading、LDA、PCA分析结果表明,LDA分析能够有效区分经不同剂量辐照处理的烤鸭和盐水鸭。本研究结果为促进辐照技术在鸭肉产品中的应用提供了理论依据。     

电子鼻技术在棉花早期棉铃虫虫害检测中的应用

为了更好地获取棉花虫害信息,该文使用电子鼻和气质联用技术对受到不同数量棉铃虫早期危害的棉花进行检测。基于气质联用技术获得了棉花挥发物的成分和含量,基于电子鼻响应曲线提取了稳定值、面积值、平均微分值、小波能量值和多项式拟合曲线参数值5种特征值,筛选出3种较优单特征:稳定值、平均微分值和面积值,之后基于多特征分别使用多层感知神经网络、径向基函数神经网络和极限学习机3种神经网络方法进行分类分析。最后采用支持向量机回归分别基于3种较优单特征及多特征对危害棉花的棉铃虫数量进行回归预测。结果表明:多特征的分类效果优于单特征,基于多特征“稳定值和平均微分值”和极限学习机分类效果最好,训练集和测试集的分类正确率均达到100%。多特征的预测能力优于单特征,基于多特征“面积值和平均微分值”的回归模型预测效果最佳,训练集回归模型的决定系数(R^2)和均方根误差(RMSE)分别为0.9940和0.0860,测试集回归模型的R^2和RMSE分别为0.9230和0.3709,电子鼻对棉花早期棉铃虫虫害具有较好的区分和预测能力,电子鼻在棉花早期棉铃虫虫害中的检测具有一定的应用潜力。     

基于机器视觉和BP神经网络的超级杂交稻穴播量检测

为了保证秧盘上每穴超级稻种子数量一致,实现精密播种作业,需对播种性能进行准确检测,但超级杂交稻播种到秧盘中,多粒种子存在粘连、重叠、交叉等情况,传统的面积、分割算法对上述情况播种量检测精度低,因此需提高上述情况种子播种量检测精度。考虑到种子连通区域的形状特征反映种子数量,该文提出一种基于机器视觉和BP神经网络超级杂交稻穴播量检测技术。针对超级稻颜色特征,采用RGB图像中红色R和蓝色B分量组成的2×R-B分量图和固定阈值法获取二值图像;投影法定位秧盘目标检测区域和秧穴;提取连通区域10个形状特征参数,包括面积、周长、形状因子、7个不变矩,建立BP神经网络超级稻数量检测模型,检测连通区域为碎米/杂质、1、2、3、4和5粒以上6种情况;试验结果表明,6种情况的检测正确率分别为96.6%、99.8%、97.2%、92.5%、86.0%、94.3%,平均正确率为94.4%,每幅图像平均处理时间0.823s,满足精密育秧播种流水线在线检测要求;研究结果为实现精密恒量播种作业提供参考。     

基于近红外光谱技术的大米品种快速鉴别方法

为探索大米无损检测技术,提出了一种基于可见-近红外光谱技术快速、无损鉴别大米品种的新方法。首先采用主成分分析法对大米品种进行聚类,然后利用小波变换技术提取光谱特征信息,把光谱特征信息作为人工神经网络的输入建立品种识别模型,对大米品种进行鉴别。从每种大米60个样本共计180个样本中随机抽取150个样本（每种50个样本）用来建立神经网络模型,剩下的30个大米样本用于预测。品种识别准确率达到100%。说明所提出的方法具有很好的分类和鉴别作用,为大米的品种鉴别提供了一种新方法。