基于金屬氧化物傳感器陣列的小麥霉變程度檢測(cè)*

林振華,姜 水,張紅梅,王 俊*(1.浙江同濟(jì)職業(yè)技術(shù)學(xué)院,杭州 31131;.浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院,杭州 31009)

小麥,在植物學(xué)上屬禾本科稻屬普通栽培稻亞屬中的普通稻亞種,具有高產(chǎn)、穩(wěn)產(chǎn)、適應(yīng)性強(qiáng)、經(jīng)濟(jì)價(jià)值高的特性,是我國(guó)主要的糧食作物之一[1]。2016年的中國(guó)國(guó)家統(tǒng)計(jì)局?jǐn)?shù)據(jù)顯示,小麥種植面積2.4千萬公頃,產(chǎn)量為1.3億噸,分別占我國(guó)糧食總種植面積和總產(chǎn)量的21.3%和20.9%[2]。為了保證國(guó)家糧食的宏觀調(diào)控,必須進(jìn)行一定規(guī)模的糧食儲(chǔ)藏[3]。糧食在儲(chǔ)藏的過程中會(huì)受到自身或環(huán)境因素的影響,從而產(chǎn)生儲(chǔ)藏?fù)p失,其中最主要的損失是糧食霉變[4]。

糧食霉變是由微生物活動(dòng)引起的,其中最主要的一種是霉菌。據(jù)聯(lián)合國(guó)糧農(nóng)組織估計(jì),全世界每年大約有5%～7%的糧食、飼料等農(nóng)產(chǎn)品受霉菌浸染,造成極大的經(jīng)濟(jì)損失。霉菌在活動(dòng)的過程中會(huì)產(chǎn)生大量的新陳代系產(chǎn)物,這些產(chǎn)物對(duì)健康的糧食具有較強(qiáng)的侵染性,因此,快速預(yù)測(cè)糧食霉變是糧食儲(chǔ)藏過程中的重要研究領(lǐng)域[5]。目前,儲(chǔ)糧的霉變程度大多依靠檢測(cè)人員的感官評(píng)定(如嗅覺),但是,傳統(tǒng)的感官評(píng)定方法具有主觀性強(qiáng)、重復(fù)性差等缺點(diǎn),并且人的鼻子對(duì)氣味具有天生的適應(yīng)性,容易出現(xiàn)嗅覺疲勞,從而影響判定結(jié)果。隨著糧食生產(chǎn)和儲(chǔ)藏過程中其他環(huán)節(jié)自動(dòng)化程度的提高,越來越需要一種客觀性高和重復(fù)性好的方法實(shí)現(xiàn)對(duì)糧食的分級(jí)。近些年,有研究采用現(xiàn)代技術(shù)(如近紅外光譜技術(shù)、機(jī)器視覺技術(shù)和電子鼻技術(shù)等)對(duì)糧食產(chǎn)品的外部特征進(jìn)行評(píng)估,從而代替感官評(píng)定來對(duì)糧食品質(zhì)的鑒定[6]。但是,基于近紅外和光學(xué)原理的檢測(cè)方法并不適用于小麥霉變程度的檢測(cè),這是因?yàn)樾←湆儆谛☆w粒糧食,而近紅外技術(shù)要求檢測(cè)樣品具有一定的大小和厚度[7]。另外,雖然霉變嚴(yán)重的小麥能夠使用機(jī)器視覺技術(shù)進(jìn)行檢測(cè),但是在霉變初期小麥外表沒有發(fā)生很大變化,所以采用機(jī)器視覺無法實(shí)現(xiàn)對(duì)小麥霉變的前期檢測(cè)[8-9]。張燕燕等人研究發(fā)現(xiàn),糧食在儲(chǔ)藏過程中由于受到環(huán)境因素和蟲霉現(xiàn)象影響,其產(chǎn)生的揮發(fā)性氣體會(huì)發(fā)生相應(yīng)的改變,因此可以通過對(duì)糧食產(chǎn)品的氣味特征進(jìn)行評(píng)估,以實(shí)現(xiàn)對(duì)糧食內(nèi)部品質(zhì)的快速鑒定[10]。

電子鼻技術(shù)是一種通過模擬生物嗅覺系統(tǒng)來分析揮發(fā)性氣體的技術(shù),具有分析速度快和無損檢測(cè)的特點(diǎn),在食品檢測(cè)領(lǐng)域得到了廣泛應(yīng)用[11],如水果[12-13]、酒類[14]、堅(jiān)果[15]、肉制品[16]、奶制品[17]和糧油制品[18]等的品質(zhì)檢測(cè)。目前,研究學(xué)者開始采用電子鼻技術(shù)對(duì)儲(chǔ)藏和運(yùn)輸過程中的糧食品質(zhì)進(jìn)行檢測(cè)[19]。曹俊等人采用電子鼻對(duì)溫濕度動(dòng)態(tài)變化中的谷物進(jìn)行了檢測(cè),發(fā)現(xiàn)電子鼻能夠?qū)崿F(xiàn)對(duì)不同樣品的區(qū)分[20]。趙丹通過使用電子鼻檢測(cè)不同儲(chǔ)藏時(shí)間的小麥,發(fā)現(xiàn)小麥內(nèi)部品質(zhì)與其揮發(fā)性成分具有較高的相關(guān)性[21]。張藍(lán)月進(jìn)行了揮發(fā)性成分與蟲害程度相關(guān)性分析,發(fā)現(xiàn)無感染的小麥樣品其揮發(fā)性成分與受到感染的樣品存在顯著差異,且能夠使用電子鼻進(jìn)行區(qū)分[22]。通過總結(jié)上述研究可以發(fā)現(xiàn),電子鼻在谷物研究中的應(yīng)用大多集中在對(duì)谷物儲(chǔ)藏時(shí)間和蟲害等方面,對(duì)于谷物(尤其是小麥)霉變的相關(guān)研究較少。而且在小麥霉變的少量研究中,也僅僅對(duì)小麥?zhǔn)欠衩棺冞M(jìn)行定性分析,缺少了對(duì)其霉變程度的定量預(yù)測(cè)。沈飛等人采用氣相色譜質(zhì)譜聯(lián)用法對(duì)谷物在霉變過程中揮發(fā)性成分進(jìn)行了研究,發(fā)現(xiàn)不同霉變程度所揮發(fā)出的醇類、酮類、烯類、醛類和芳香類等成分具有顯著差異[23]。因此,通過檢測(cè)小麥樣品揮發(fā)性成分的變化來識(shí)別霉變小麥和預(yù)測(cè)霉變程度是可行。本研究的主要目的:①研制一套適用于檢測(cè)小麥霉變的電子鼻系統(tǒng)并通過數(shù)理統(tǒng)計(jì)方法優(yōu)化傳感器陣列;②采用不同的模式識(shí)別方法分析電子鼻數(shù)據(jù),實(shí)現(xiàn)對(duì)不同霉變程度和摻入不同含量霉麥的小麥樣品的定性分析;③采用菌落總數(shù)作為霉變程度的指標(biāo),并采用BP神經(jīng)網(wǎng)絡(luò)建立霉變程度的預(yù)測(cè)模型。

1 材料與方法

1.1 材料與方法

研究所用小麥品種為皖麥38(2016年6月收獲,由杭州市東南面粉廠提供)。為加速霉變,將小麥放入溫度為35 ℃,相對(duì)濕度為95%的恒溫恒濕箱進(jìn)行培養(yǎng)。三天后,小麥逐漸發(fā)生霉變,每隔2天取出部分小麥作為不同霉變程度的待測(cè)樣品。分別將第0天、第3天、第5天、第7天、第9天和第11天取出的霉變小麥樣品表達(dá)為霉麥0、霉麥3、霉麥5、霉麥7、霉麥9和霉麥11。霉變程度檢測(cè)實(shí)驗(yàn)完成后,將恒溫恒濕箱內(nèi)剩余的霉麥11以5%、10%、20%、30%、40%和50%的重量百分比混入未處理的小麥,分別表達(dá)為霉麥5%、霉麥10%、霉麥20%、霉麥30%、霉麥40%和霉麥50%。

菌落總數(shù)是判定食品細(xì)菌污染程度的重要指標(biāo),反映出小麥在儲(chǔ)藏過程中的品質(zhì)變化。菌落總數(shù)的檢驗(yàn)參照GB/T 4789.2—2010《食品衛(wèi)生微生物學(xué)檢驗(yàn)-菌落總數(shù)測(cè)定》方法進(jìn)行,取每個(gè)霉變程度的小麥各500 g進(jìn)行測(cè)定。

1.2 電子鼻與傳感器陣列

研究采用檢測(cè)儀器為自主研制的電子鼻系統(tǒng),該系統(tǒng)主要包括傳感器陣列、數(shù)據(jù)采集模塊和外圍電路模塊3個(gè)部分,系統(tǒng)示意圖如圖1所示。

圖1 實(shí)驗(yàn)裝置示意圖

圖1中,傳感器陣列由8個(gè)金屬氧化物傳感器(MOS)組成,各傳感器主要信息如表1所示。數(shù)據(jù)采集模塊為美國(guó)NI公司的數(shù)據(jù)采集卡,主要負(fù)責(zé)將各傳感器采集到的模擬信號(hào)轉(zhuǎn)化為數(shù)字信號(hào)并發(fā)送至計(jì)算機(jī);外圍電路模塊主要包含進(jìn)氣裝置、傳感器氣室和電源等部件。

進(jìn)行電子鼻檢測(cè)時(shí),從不同小麥樣品中分別取出20個(gè)樣本(每個(gè)樣本50 g)放入500 mL燒杯內(nèi),用保鮮膜密封后,靜置于(30±1)℃的室內(nèi),60 min后進(jìn)行電子鼻檢測(cè),檢測(cè)時(shí)間為90 s,清洗時(shí)間為120 s。

表1 傳感器的主要應(yīng)用和檢測(cè)范圍

1.3 分析方法

本研究中采用主成分分析法PCA(Principal Component Analysis)、線性判別分析法LDA(Linear Discriminant Analysis)和反向傳播人工神經(jīng)網(wǎng)絡(luò)BPNN(BP Neural Network)對(duì)電子鼻數(shù)據(jù)進(jìn)行處理。

PCA通過將高維數(shù)據(jù)投影到低維空間完成數(shù)據(jù)降維,采用綜合指標(biāo)代表大量原始指標(biāo)。由于PCA總是盡量多地提取樣本空間的信息,所以在尋找方向時(shí)總是兼顧到差別較大的數(shù)據(jù),從而根據(jù)樣品特征的不同完成對(duì)樣品的分類。如果將不同的傳感器作為變量,那么傳感器的選擇性越好,在選擇投影方向時(shí),這些傳感器的貢獻(xiàn)就越大,反映到主成分上的分量就越大。所以,PCA也可以用來優(yōu)化傳感器[24]。

LDA功能和PCA相似,將高維數(shù)據(jù)向低維空間轉(zhuǎn)化。但是不同的是,LDA利用已賦予的分類信息進(jìn)行計(jì)算,選擇使判別函數(shù)達(dá)到極值的向量作為最佳投影方向,從而使得經(jīng)過處理后的樣本獲得最大類間距和最小類內(nèi)間距[24]。

BPNN是一種在電子鼻數(shù)據(jù)處理中廣泛應(yīng)用的算法,主要包括輸入層、隱藏層和輸出層,每個(gè)層中都包含有一定數(shù)目的神經(jīng)元。該算法的學(xué)習(xí)過程由正向傳播和反向傳播組成。在正向傳播過程中,輸入信息從輸入層經(jīng)隱含層逐層處理,并傳向輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出,則轉(zhuǎn)入反向傳播,將誤差信號(hào)沿原來的連接通道返回,通過修改各層神經(jīng)元的權(quán)值,使得誤差信號(hào)最小[25-26]。

2 結(jié)果與分析

2.1 霉變時(shí)間與菌落總數(shù)

菌落總數(shù)是表征小麥霉變程度的最直接指標(biāo),不同霉變程度小麥樣品中菌落總數(shù)檢測(cè)結(jié)果如圖2所示。分析可知,菌落總數(shù)隨著霉變時(shí)間的增加整體呈上升趨勢(shì),但變化程度在各個(gè)階段并不相同。霉麥0到霉麥5之間菌落總數(shù)的變化程度較小,而菌落總數(shù)在霉麥5和霉麥7之間迅速增加,霉菌在這個(gè)階段迅速繁殖。儲(chǔ)藏時(shí)間超過9天后,測(cè)定的菌落總數(shù)開始趨于平穩(wěn),這是因?yàn)樵谶@個(gè)階段中霉菌數(shù)量在小麥樣品中已經(jīng)開始趨向飽和,而霉麥11的菌落總數(shù)基本上達(dá)到最大。在霉變小麥摻雜比例實(shí)驗(yàn)中,選擇霉麥11作為摻入霉變小麥,能夠保證摻入的霉變小麥具有相同的特性。

圖2 菌落總數(shù)隨霉變時(shí)間的變化

圖3 傳感器陣列對(duì)摻入50%霉變小麥的響應(yīng)曲線

2.2 電子鼻響應(yīng)信號(hào)分析

電子鼻每個(gè)傳感器在檢測(cè)時(shí)每秒產(chǎn)生一個(gè)響應(yīng)值,響應(yīng)值為R/R0,其中R0為傳感器檢測(cè)干燥空氣時(shí)所產(chǎn)生的電阻值,R為傳感器檢測(cè)樣品氣體時(shí)所產(chǎn)生的電阻值。典型的電子鼻響應(yīng)信號(hào)曲線如圖3所示。圖3中每條曲線代表一個(gè)傳感器在檢測(cè)時(shí)間(90 s)內(nèi)所產(chǎn)生的響應(yīng)曲線。隨著樣品氣體吸附在傳感器表面,傳感器輸出電阻值逐漸變大,響應(yīng)曲線呈現(xiàn)上升趨勢(shì)。大約30 s后響應(yīng)曲線變化開始變得平緩,這是因?yàn)閭鞲衅鞅砻嫖降臉悠窔怏w達(dá)到飽和,樣品氣體對(duì)傳感器的影響程度達(dá)到最大,因此統(tǒng)一選擇第60 s的響應(yīng)值作為特征值供后續(xù)研究使用。

2.3 傳感器優(yōu)化

電子鼻傳感器陣列由8個(gè)金屬氧化物傳感器組成,由于每個(gè)傳感器能夠?qū)δ骋活悡]發(fā)性物質(zhì)產(chǎn)生響應(yīng)即具有選擇性,所以有必要對(duì)這8個(gè)傳感器響應(yīng)(60 s時(shí)的響應(yīng)信號(hào))進(jìn)行方差分析,來判斷其對(duì)不同霉變程度的小麥樣品的響應(yīng)是否顯著。

因素A是霉變小麥,6組霉變程度(霉麥0、霉麥3、霉麥5、霉麥7、霉麥9和霉麥11)小麥?zhǔn)?個(gè)處理,每組霉變小麥取20個(gè)樣本即20個(gè)重復(fù);因素B是傳感器響應(yīng)信號(hào),8個(gè)傳感器當(dāng)作8個(gè)處理。方差分析結(jié)果如表2所示。A因素的F值和B因素F值都遠(yuǎn)遠(yuǎn)的大于F0.05,顯著水平為0.000 1遠(yuǎn)小于0.05,說明6組霉變程度的小麥樣本之間的差異極其顯著的;8個(gè)傳感器之間的差異也是極顯著的,即8個(gè)傳感器對(duì)實(shí)驗(yàn)結(jié)果影響是顯著的。

表2 6組霉變程度小麥和8個(gè)傳感器的方差分析結(jié)果

為了考察霉麥0、霉麥3、霉麥5、霉麥7、霉麥9和霉麥11之間和各個(gè)傳感器兩兩之間差異的顯著情況,必須進(jìn)行多重比較。一般來說,只有當(dāng)方差分析表中的顯著水平P值小于等于0.05時(shí)才能進(jìn)一步作多重比較分析。由表2可知P值為0.000 1,所以可以進(jìn)行多重比較分析。因素A多重比較方差分析結(jié)果如表3所示。從表3可以看出6組霉變小麥樣品差異都是顯著的。因素B多重比較方差分析結(jié)果如表4所示。傳感器S3、S4和S6后的字母是相同的,傳感器S5和S7后的字母也是相同的,說明8個(gè)傳感器之間除了S3、S4和S7,S5和S7之間的差異是不顯著的,其他傳感器之間差異都是極顯著的。

表3 因素A多重比較方差分析結(jié)果

表4 因素B多重比較方差分析結(jié)果

圖4 主成分加載因子圖

另外,通過主成分分析的載荷因子圖,如圖4所示,傳感器S3、S4和S7的載荷因子比較接近,說明他們具有相似的隱含信息。因此,針對(duì)小麥霉變程度的檢測(cè),傳感器陣列中存在兩個(gè)冗余傳感器即S3和S4,在后續(xù)的分析中將剔除這兩個(gè)傳感器所產(chǎn)生的數(shù)據(jù)信息。

2.4 PCA和LDA分析區(qū)分霉變程度

對(duì)不同霉變程度的小麥樣品電子鼻檢測(cè)結(jié)果進(jìn)行PCA和LDA分析,分析結(jié)果如圖5所示。由圖5可知,PCA前兩個(gè)主成分和LDA前兩個(gè)判別因子的總貢獻(xiàn)率分別為98.30%和99.68%,幾乎包含了所有信息,并且PCA和LDA兩種方法均能將不同霉變程度的小麥樣品很好地區(qū)分開來。仔細(xì)觀察得分圖兩者得分圖仍存在部分區(qū)別,PCA得分圖中的樣品點(diǎn),且霉變程度呈現(xiàn)從左到右逐漸增大的趨勢(shì),而LDA得分圖中并沒有相似的規(guī)律性;另外,PCA圖中代表相同霉變程度小麥樣品的點(diǎn)相對(duì)于LDA更加集中,單從分類效果上來說,PCA比LDA相對(duì)較優(yōu)。

圖5 不同霉變程度小麥的PCA和LDA分析圖

對(duì)加入不同比例霉變小麥的樣品的電子鼻結(jié)果進(jìn)行PCA和LDA分析,結(jié)果如圖6所示。由圖可知,PCA前兩個(gè)主成分和LDA前兩個(gè)判別因子的總貢獻(xiàn)率分別為99.27%和93.3%,幾乎包含了所有信息,并且圖中各個(gè)代表不同樣品的數(shù)據(jù)點(diǎn)均能很好的相互區(qū)分開來。在PCA得分圖中可以看出,霉麥0和霉麥50%之間的距離很近但還是可以分開的,霉麥20%和霉麥40%距離比較接近,霉麥40%中有一個(gè)樣本被誤判為霉麥30%、霉麥50%和其他類樣品的界限很分明。在LDA得分圖中可以看出,各個(gè)摻入不同比例霉麥的小麥樣品之間能夠很好的相互區(qū)分開來,并且各個(gè)類的集中性較好。PCA和LDA分析結(jié)果表明,兩種方法均能夠很好的區(qū)分不同摻雜比例的小麥樣品,而在得分圖中LDA相對(duì)于PCA具有較好的分類效果。

圖6 摻入不同霉變小麥PCA和LDA分析圖

2.5 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)霉變程度

電子鼻不僅能夠定性區(qū)分不同霉變程度和摻入不同比例霉變小麥的樣品,而且借助合適的建模方法能夠?qū)崿F(xiàn)對(duì)小麥樣品的各項(xiàng)指標(biāo)定量預(yù)測(cè)。本研究采用BP神經(jīng)網(wǎng)絡(luò)分別建立了小麥樣品中菌落總數(shù)和摻入霉變小麥比例的定量預(yù)測(cè)模型。

本文中,所有電子鼻數(shù)據(jù)被隨機(jī)分成訓(xùn)練集(120樣品中設(shè)定90個(gè)為訓(xùn)練樣品)和測(cè)試集(120樣品中設(shè)定30個(gè)為測(cè)試樣品)兩個(gè)數(shù)據(jù)集,其中訓(xùn)練集數(shù)據(jù)用于建立BP神經(jīng)網(wǎng)絡(luò)模型,測(cè)試集數(shù)據(jù)用于測(cè)試所建立模型的預(yù)測(cè)性能。所建立BP神經(jīng)網(wǎng)絡(luò)模型包括4層,分別為輸入層(6個(gè)神經(jīng)元)、兩個(gè)隱藏層(均為13個(gè)神經(jīng)元)和輸出層(1個(gè)神經(jīng)元)。模型訓(xùn)練過程中,輸入層的6個(gè)神經(jīng)元分別代表優(yōu)化后的傳感器陣列的傳感器響應(yīng)值,輸出層的1個(gè)神經(jīng)元代表小麥樣品的菌落總數(shù)或摻入霉變小麥的比例。按照以下參數(shù)進(jìn)行模型訓(xùn)練:最小訓(xùn)練速率為0.9,動(dòng)態(tài)參數(shù)為0.6,允許誤差為0.000 1,Sigmoid參數(shù)為0.9,最大迭代次數(shù)為2 000。最終建立的小麥樣品菌落總數(shù)和摻入霉變小麥比例的預(yù)測(cè)模型結(jié)果如圖7所示。

圖7 BP網(wǎng)絡(luò)預(yù)測(cè)

圖7(a)所示為BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)小麥樣品菌落總數(shù)的結(jié)果。分別將訓(xùn)練集和測(cè)試集數(shù)據(jù)輸入模型,所得預(yù)測(cè)結(jié)果如下:對(duì)于訓(xùn)練集數(shù)據(jù),小麥菌落總數(shù)的預(yù)測(cè)值和測(cè)試值的相關(guān)性為0.96,平均相對(duì)誤差為3.26%,最大相對(duì)誤差10.5%;對(duì)于測(cè)試集數(shù)據(jù),預(yù)測(cè)值和測(cè)試值的相關(guān)性為0.91,平均相對(duì)誤差為3.86%,最大相對(duì)誤差為14.24%。圖7(b)所示為BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)摻入霉變小麥比例的結(jié)果。將摻雜實(shí)驗(yàn)中的訓(xùn)練集和測(cè)試集數(shù)據(jù)輸入模型,得到預(yù)測(cè)結(jié)果如下:對(duì)于訓(xùn)練集,摻入霉變小麥百分比的預(yù)測(cè)值和真實(shí)值的相關(guān)性是0.94,平均相對(duì)誤差是10.57%,最大相對(duì)誤差是25.66%;對(duì)于測(cè)試集數(shù)據(jù),預(yù)測(cè)值和真實(shí)值的相關(guān)性為0.87,平均相對(duì)誤差是11.15%,最大相對(duì)誤差是33.33%。綜上所述,所建立的BP神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)小麥樣品菌落總數(shù)和摻入霉變小麥百分比時(shí)均能獲得較好的預(yù)測(cè)結(jié)果。

3 結(jié)語

本文采用8種氣敏傳感器構(gòu)建了一種電子鼻系統(tǒng),用于霉變小麥的定性與定量分析。在方差分析的基礎(chǔ)上進(jìn)行了傳感器陣列優(yōu)化,優(yōu)化后的傳感器陣列能夠很好的區(qū)分不同霉變程度和摻入不同比例霉變小麥的樣品。對(duì)于定量分析,構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型能夠較好地預(yù)測(cè)霉變小麥樣品中的菌落總數(shù)和摻入霉變小麥的百分比,且兩者的預(yù)測(cè)值與真實(shí)值之間的相關(guān)系數(shù)分別為0.91和0.94。本文提供了一種基于電子鼻技術(shù)檢測(cè)霉變小麥的方法,所構(gòu)建模型不僅能夠?qū)Σ煌棺兂潭鹊男←湗悠愤M(jìn)行定性區(qū)分,同時(shí)能夠?qū)崿F(xiàn)對(duì)小麥樣品的菌落總數(shù)和摻雜比例進(jìn)行定量預(yù)測(cè)。通過本論文研究發(fā)現(xiàn),基于小麥樣品揮發(fā)性的電子鼻系統(tǒng)來識(shí)別霉變小麥和預(yù)測(cè)霉變程度是可行,其方法在糧食儲(chǔ)藏和加工過程中品質(zhì)分析領(lǐng)域具有廣闊的應(yīng)用前景。