基于SVM核機器學習的三文魚新鮮度檢測系統

李鑫星 董保平 楊銘松 張國祥 張小栓 成建紅

(1.中國農業大學食品質量與安全北京實驗室， 北京 100083； 2.山東省煙臺市森林資源監測管理站， 煙臺 264000； 3.中國農業大學煙臺研究院， 煙臺 264670)

0 引言

三文魚作為優質刺身原料之一，因其鮮美的肉質和極佳的口感深受消費者青睞。其冷藏保鮮方法(0～4℃)是將三文魚的溫度降低到冰點卻又不使其凍結產生冰晶，能夠較好地保持其品質[1]。受運輸條件、銷售或采購后貯藏環境的限制，水產品冷藏溫度常不能控制在0～4℃之間，導致其新鮮度下降很快，極易發生變質腐敗[2-3]。近年來，學者們對三文魚品質的研究僅停留在生物、理化指標分析和保鮮方法對比方面[4-6]，并未提出合理有效的三文魚品質智能檢測方法。電子鼻是一種現代仿生技術，可以通過對氣味進行分析達到種類區分、新鮮度判定和品質預測等目的，在農產品、食品領域得到廣泛應用[7-11]。傳統的電子鼻模式識別方法對簡單、線性的問題具有較好的解決效果，但當研究對象類別增多、復雜性增大，尤其是對不同冷藏溫度的三文魚新鮮度識別這種既涉及溫度識別又涉及新鮮度判定的問題，傳統的模式識別方法不能滿足要求[12]。

模式識別方法的建立是電子鼻研究的重要內容，相較于傳統的線性模式識別方法，如Fisher 判別分析法(Fisher discriminant analysis，FDA)[13]、主成分分析法(Principal component analysis，PCA)[14]，核方法可以通過核函數解決低維線性不可分問題，保障更快速的學習和更高效率的研究，為模式識別提供重要的解算思路[15-16]。引入了核方法的機器學習稱作核機器學習。模式識別中，核機器學習模型由兩部分組成，一部分是核函數，另一部分是通用的線性學習機[17]。在眾多學習機中，支持向量機(Support vector machine，SVM)是目前應用最廣泛的一種，非常適合高維度和小樣本數據量訓練。近年來支持向量機的研究與應用快速發展，以支持向量機為學習機的核方法已成為流行且強大的模式識別工具[18-19]。

本文自主設計用于三文魚氣味指紋采集與辨識的電子鼻系統，選擇支持向量機作為電子鼻模式識別的工具。考慮到三文魚冷藏保鮮的溫度要求與實際情況，設計0、4、6℃冷藏下的三文魚氣味檢測實驗，結合實驗數據，對不同溫度冷藏的三文魚新鮮度隨冷藏時間的變化進行評價。以實驗所得傳感器陣列響應特征量和冷藏溫度作為模式識別的輸入量，對三文魚冷藏時間進行預測，為判別三文魚新鮮度提供依據。并討論核機器模型建立時需要調整的幾個核函數及其參數，以便構建適用于該電子鼻系統預測三文魚新鮮度的最佳核機器模型。

1 檢測系統與實驗

1.1 檢測系統設計

檢測系統主要由密閉檢測氣室、半導體氣體傳感器陣列、數據采集模塊、模式識別模塊和顯示界面等組成。多個半導體氣敏傳感器固定于密閉氣室內，對氣室內氣體濃度進行實時監測并通過信號調理電路向單片機傳輸電壓信號。STC12C5A60S2單片機自帶A/D轉換功能，將模擬信號轉換為能夠表征氣體濃度的數字信號，經串口上傳到上位機，數字信號在上位機經過數據預處理后進行模式識別，識別結果在顯示界面輸出。其中，模式識別方法采用核機器學習模型。

1.1.1傳感器陣列

金屬氧化物半導體式傳感器靈敏度高，但是存在交叉敏感、選擇性差等缺點，即單一傳感器可能對待測環境中多種氣體敏感。研究表明[6]，三文魚在冷藏過程中產生的揮發性成分，除了所占比例比較大的醛類、醇類、烴類外，還有脂類、酸類、胺類、酮類和其他氣體等，且這些氣體的揮發量變化在三文魚由新鮮到腐敗的冷藏過程中會呈現一定的規律。根據半導體傳感器特點及三文魚冷藏過程中揮發性氣體變化，選擇6種不同敏感特性的傳感器組成傳感器陣列，分別為煒盛電子科技有限公司生產的MQ136、MQ137、MQ138和費加羅電子有限公司生產的TGS2612、TGS822、TGS2600。傳感器型號與敏感特性如表1所示。

表1 傳感器型號與敏感特性Tab.1 Sensor model and sensitive characteristics

1.1.2檢測氣室設計

為了將環境因素、測量殘留氣體影響降到最低，需對檢測氣室及氣路進行設計。密閉氣室設計要求：檢測氣室應具有嚴格的氣密性，且便于氣體清洗；氣室體積過大或過小會影響三文魚樣本揮發性氣體在氣室內達到平衡、與傳感器充分接觸的時間，檢測氣室體積應適中；傳感器正常工作時，敏感元件部位溫度高達200～300℃，傳感器敏感元件外加有濾網防護罩，用手觸摸濾網防護罩外側有微燙感，溫度為幾十攝氏度，檢測氣室材料應選擇耐熱、無揮發性氣味且不會與三文魚揮發性氣體產生反應的材料。

檢測氣室由高9 cm、直徑15 cm的圓柱狀可微波加熱的聚丙烯保鮮盒改裝，由鋁箔膠密封而成，聚丙烯材料無毒、無味，具有較高的耐熱性，連續使用溫度可達110～120℃，與絕大多數化學藥品不發生化學反應。檢測氣室開有進氣口和出氣口，可對檢測氣室進行洗氣，進氣口連接活性炭空氣凈化器對吸入空氣進行過濾，出氣口連接真空泵將氣室內廢氣抽出并排到室外。傳感器陣列敏感氣體除氨氣外密度均大于空氣，將 6個傳感器呈圓形集中排列于氣室底部，待測三文魚樣本則置于檢測氣室頂部中央的三文魚樣本槽內。樣本槽選用不銹鋼大孔濾網，可由保鮮膜密封且更換方便。結構如圖1所示。

圖1 電子鼻檢測氣室Fig.1 Detection chamber of electronic nose1.樣本槽 2.出氣口 3.單片機 4.傳感器陣列 5.進氣口

圖2 電子鼻軟件運行流程圖Fig.2 Electronic nose software running process

1.1.3軟件設計

檢測系統軟件運行流程圖如圖2所示。

系統的軟件設計包含串口數據采集模塊和模式識別模塊兩個核心模塊，在MyEclipse 9.0 M1平臺基于Java語言開發。串口數據采集模塊采用開源的RXTX串口通信API對接下位機，實現實時采集串口數據的功能，并將采集到的數據按照一定的特征量提取規則進行數據預處理，獲取樣本的特征值。模式識別模塊采用開源的LibSVM for JAVA API庫開發并構建出適用于三文魚新鮮度檢測的核機器學習模型，最終實現利用串口數據采集模塊提取的特征值對三文魚新鮮度進行智能識別。

1.1.4顯示界面

人機交互通過顯示界面來完成，系統運行前需要人工輸入三文魚冷藏溫度，系統運行結束后在顯示界面輸出結果，顯示界面如圖3所示。

圖3 電子鼻系統顯示界面Fig.3 Electronic nose system display interface

1.2 實驗材料與方法

1.2.1實驗材料

實驗用三文魚購自煙臺市東方海洋鮭魚養殖基地。將鮮活的三文魚處死、去刺去皮后放入加冰袋的泡沫箱內密封，在24 h內運回中國農業大學食品質量與安全北京實驗室，到達實驗室時，冰袋微化。將三文魚切成30 mm×30 mm的片狀樣本，每個樣本約30 g分別放入保鮮袋內，并隨機分成A、B、C 3組，分別放入0、4、6℃的恒溫箱中冷藏。制樣當天起，每過24 h分別從A、B、C 3組剩余樣本中隨機取用3個樣本進行檢測。

文獻[20]對不同低溫下冷藏的三文魚品質進行研究，得出-2、0、4℃下冷藏的三文魚貨架期分別為13、10、8 d；文獻[21]對0℃冷藏的三文魚新鮮度進行綜合評價，得出0℃冷藏的三文魚片貨架期終點為15 d左右；文獻[22]對0、4、8℃下冷藏的三文魚分別進行了12、8、5 d的品質變化研究；結合本研究每天的實驗結果，本實驗對A、B、C 3組樣本分別連續檢測了14、9、8 d。

1.2.2實驗方法

三文魚電子鼻檢測實驗在溫度26℃、相對濕度30%、空氣質量良好的實驗室環境內進行，電子鼻廢氣出氣口通往室外。每天實驗前，對傳感器進行20 min預熱使傳感器進入正常的工作狀態。檢測樣本前首先往檢測氣室內通入潔凈的空氣進行洗氣，待5 min后傳感器基線趨于穩定，即可進行樣本氣味檢測：將待測三文魚樣本放入檢測氣室頂部開孔內的樣本槽內，迅速用保鮮膜密封，開始氣味信息采集，采集頻率設置為1 Hz。連續采集6 min后結束采樣。檢測結束后，取出三文魚樣本和樣本槽；對氣室進行洗氣使傳感器恢復到初始的基線穩定狀態，進入下一個樣本的氣味采樣。

通過實驗，獲取三文魚在3個溫度冷藏過程中氣味指紋變化情況，共得到91組數據(4℃和6℃最后一天檢測分別只得到兩組數據)。采取簡單隨機抽樣的方法，從每3組平行實驗數據中抽取1組，共抽取31組數據作為測試集，剩余60組作為訓練集對核機器學習模型進行訓練。

2 核機器學習模型的建立

2.1 特征量提取

圖4 傳感器陣列對三文魚揮發性氣味電壓響應曲線Fig.4 Response curves of sensor array to voltage of volatile odor of salmon

根據前期預實驗，建立傳感器陣列對三文魚揮發性氣味隨時間變化的電壓響應曲線圖，如圖4所示。各曲線與坐標軸縱軸的交點為相應傳感器的基線值U0(即傳感器在純凈空氣中的穩定電壓)，每個傳感器對應不同的基線值，隨著時間的積累，揮發性氣體不斷擴散至完全充滿檢測氣室，傳感器陣列電壓響應值也不斷增大最終趨于穩定，放入三文魚樣本300 s時，全部傳感器響應值已基本趨于穩定。為了盡量減小傳感器信號波動造成誤差以及實驗環境的干擾，傳感器特征量選為[23]

(1)

式中U——傳感器特征量

Un——傳感器在第n秒的電壓

則可得到對應于傳感器陣列的6個特征量。

三文魚新鮮度隨冷藏時間延長而變得越來越低，在不同溫度下冷藏的三文魚新鮮度及氣味種類、濃度變化速度也存在明顯差異。要通過辨識冷藏時間來對三文魚新鮮度進行判斷，冷藏溫度是一個重要的依據。本文以冷藏溫度作為1個特征量與傳感器陣列響應特征量共同組成包含7個特征量的特征矩陣，對三文魚樣本冷藏時間進行模式識別，最終為三文魚新鮮度判斷提供依據。

2.2 核函數與核參數選取

核函數及其核參數的選取一直是核機器學習研究中的重點和難點問題，也是構建出良好核機器模型的關鍵[24]。針對不同問題的復雜性，需在實際實驗中不斷比較和調整，找到適用于解決特定問題的最佳核函數及核參數，以構建適用于特定問題的具有良好性能的核機器學習模型。目前，在核機器學習研究中可供選擇的核函數有很多種，不同核函數還有其對應的不確定參數，基于LibSVM庫選擇了以下幾種常用核函數：

(1)線性核函數

K(x,y)=xTy

(2)

式中x、y——同一特征空間的兩個向量

線性核函數主要用于線性可分的問題，對于線性核函數而言，其參數少、速度快，無特定參數需要設置。

(2)徑向基核函數(或稱高斯核函數、RBF核函數)在SVM研究中較常用的形式為

K(x,y)=exp(-γ‖x-y‖2) (γ>0)

(3)

(3)Sigmoid核函數

K(x,y)=tanh(γxTy+c) (γ>0；c≥0)

(4)

(4)多項式核函數

K(x,y)=(γxTy+c)q(q∈N；c≥0)

(5)

其中核參數的選擇采用試湊法[25]，具體操作為：首先為核機器學習模型中核函數需要確定的核參數設初始值并進行模型訓練與測試，然后根據精度要求及測試結果對核參數值進行重復調整、訓練與測試，直到得到理想的精度為止。本研究以核參數的默認值作為初始值，經過反復調整與測試后，從較好的結果中選擇最優的值作為核參數值。

2.3 模型建立與實驗結果

針對三文魚新鮮度辨識問題，采用有監督學習方法分別對不同核函數、不同參數情況下的模型進行訓練，并對不同情況下的SVM模型進行仿真測試以判斷其辨識效果。最終實驗結果如表2～4所示。其中，懲罰因子C=0，平均偏差為所有測試數據中仿真結果與期望輸出結果偏差的平均值，最大偏差為所有測試數據中仿真結果與期望輸出結果偏差的最大值，無偏差預測正確率為仿真結果與期望輸出結果完全一致的組數占測試數據總組數的百分比，允許偏差1 d預測正確率為仿真結果與期望輸出結果最多偏差1 d的組數占測試數據總組數的百分比。

表2 高斯核函數實驗結果Tab.2 RBF function experiment results

表3 Sigmoid核函數實驗結果Tab.3 Sigmoid function experiment results

從表2～4可以看出，對于三文魚新鮮度辨識問題來說，采用高斯核函數的核機器和采用Sigmoid核函數的核機器仿真效果相對較差，即使改變其核參數值，仿真效果也沒有明顯提高；采用多項式核函數的SVM核機器學習模型具有更好的仿真效果，當核函數選用多項式核函數K(x,y)=(γxTy+c)q(q∈N；c≥0)，核參數q取3，γ取15，c取0時，平均偏差和最大偏差最小，無偏差預測正確率和偏差1 d預測正確率最高。即最終確定的最佳SVM核機器模型的核函數為多項式核函數，核參數q取3，γ取15，c取0。

表4 多項式核函數實驗結果Tab.4 Polynomial function experiment results

3 結果與分析

3.1 三文魚新鮮度評價

圖5 三文魚樣本氣味檢測傳感器響應特征曲線Fig.5 Sensor response characteristic curves by detection of salmon samples odor

三文魚由新鮮到腐敗的變化過程中，散發出揮發性氣味，且隨著貯藏時間的延長氣味濃度和種類都會發生很大變化，因此氣味是判定三文魚新鮮度的重要依據。圖5a為0℃冷藏組三文魚樣本檢測所得傳感器響應特征曲線。冷藏第4天，傳感器S2和S3響應特征值出現了明顯的上升，傳感器S1、S5和S6出現小幅度的上升，在冷藏第9天時，此5個傳感器響應特征值均突然下降，之后繼續回歸原來的上升趨勢，在第12天時，5個傳感器響應特征值出現了更大幅度的上升。傳感器S4在整個冷藏過程中變化并不明顯，從冷藏第12天開始出現較小幅度的上升趨勢。 圖5b為4℃冷藏組三文魚樣本檢測所得傳感器響應特征曲線。傳感器S1、S2和S3響應特征值在冷藏前3 d均呈現不同幅度的上升趨勢，在第4天時有較小幅度的下降，之后回歸上升趨勢，在第7天上升趨勢有所變緩，第8天呈現更大幅度的上升。傳感器S5和S6在前4 d響應特征值變化并不明顯，第5天出現明顯的上升趨勢，在冷藏第8天呈現更大幅度的上升。傳感器S4響應特征值在整個冷藏過程中變化并不明顯，從冷藏第5天開始出現較小幅度的上升趨勢。圖5c為6℃冷藏組三文魚樣本檢測所得傳感器響應特征曲線。傳感器S1、S5和S6響應特征值變化趨勢基本相同，在第4天時出現大幅度的持續上升趨勢，在冷藏第7天時，傳感器響應特征值均突然下降，之后回歸原來的上升趨勢。傳感器S1和S2響應特征值在第2天有較小幅度的減小，第3天時回升，之后保持同傳感器S1、S5和S6相同的變化趨勢。傳感器S4響應特征值變化幅度相對不大，但也基本保持與傳感器S1、S5和S6相同的變化趨勢。

圖6 傳感器響應特征值PCA分析結果Fig.6 PCA analysis results of sensor response characteristic

綜合以上分析，判斷第4、9、12天是0℃冷藏的三文魚揮發性氣味變化的拐點；第4、5、8天是4℃冷藏三文魚揮發性氣味變化的拐點；第2、3、7天為6℃冷藏三文魚揮發性氣味發生變化的拐點。3組不同冷藏溫度的傳感器響應特征值變化幅度及變化時間拐點存在差異，但整體上升趨勢基本一致，說明冰鮮三文魚新鮮度隨冷藏時間的增加變得越來越差，變化受冷藏溫度影響且有一定的規律性。基于傳感器特征曲線對三文魚新鮮度的分析與結論與文獻[6,20-22]對三文魚品質的研究基本一致，說明所選傳感器陣列響應特征曲線能夠在一定程度上體現三文魚新鮮度變化規律。從同一圖中可以看出，同一冷藏時間，不同傳感器體現不同的響應特征值，同一傳感器對不同的冷藏時間響應特征值存在差異；對比圖5a～5c，不同冷藏溫度、相同傳感器對相同冷藏時間三文魚樣本響應值也是存在差異的，表明不同冷藏時間的三文魚樣本可以利用傳感器響應信號及冷藏溫度得到區分。

3.2 PCA分析

為了將建立的核機器識別模型與傳統的線性識別方法進行辨識效果對比，對采集的0、4、6℃的三文魚氣味傳感器響應特征值數據分別進行PCA分析，如圖6a～6c所示，圖例中TnDm表示n冷藏溫度下第m天；對0、4、6℃的數據總集進行PCA分析，如圖6d所示。4組PCA分析均強制提取第1、2個主成分，任意組第1、2個主成分累計貢獻率達97%以上，能夠代表原始數據的大部分信息。

圖6a中，不同冷藏時間的三文魚樣本傳感器響應特征數據點之間交叉重疊嚴重。結合圖5a，0℃冷藏的三文魚氣味變化比較緩慢，雖然相近冷藏時間的三文魚樣本傳感器響應特征值存在較小差異，但采用PCA分析對此種較小差異辨識能力較差。圖6b中，相鄰冷藏時間的樣本傳感器響應特征數據點之間交叉現象比較頻繁，仍然存在第1天和第4天數據點交叉的現象，PCA分析對4℃下不同冷藏時間的三文魚傳感器響應特征數據有一些辨識能力，但辨識效果不理想。圖6c中，存在個別相鄰冷藏時間的樣本傳感器響應特征數據點交叉現象，但在降低識別精度要求，允許偏差1 d時，基本上能夠對6℃不同冷藏時間的傳感器響應特征值進行辨識。圖6d中引入溫度變量，對3個冷藏溫度的傳感器響應特征值數據總集進行PCA分析，不同冷藏溫度的樣本點區域之間距離較大，0℃和4℃溫度區域內不同冷藏時間的樣本點之間交叉重疊嚴重，6℃溫度區域內也存在一些樣本點交叉現象。這說明當引入了溫度變量后，PCA分析過分地對溫度進行區分，而對傳感器響應特征值的辨識能力減弱。

3.3 核機器學習模型的辨識結果分析

對通過核機器學習模型試驗所建立的最佳核機器學習模型辨識效果進行分析，如表5所示。3個溫度中訓練集和測試集無偏差預測正確率都存在很大差異，但允許偏差1 d預測正確率均保持一致。核機器學習模型對0℃冷藏的訓練集和測試集三文魚樣本冷藏時間無偏差預測正確率相對于4℃和6℃偏低，這與0℃冷藏的三文魚新鮮度下降緩慢有關；當允許偏差1 d時，訓練集和測試集預測正確率均為92.86%，因溫度0℃下相鄰2 d三文魚品質差異較小，所以預測誤差1 d在可接受范圍內。對4℃和6℃測試集的無偏差預測正確率分別為88.89%和75%；允許偏差1 d預測正確率均達到100%，說明此模型對4℃和6℃的三文魚樣本具有一定的無偏差預測能力，能夠識別2 d內的三文魚氣味。

綜上分析，對于PCA分析而言，當單獨只對同一個溫度集的三文魚傳感器陣列響應特征值進行PCA識別時，PCA分析方法無法辨識0℃冷藏的三文魚冷藏時間，對4℃和6℃冷藏溫度下的三文魚冷藏時間有一些辨識能力；但當同時對3個溫度總集進行PCA分析時，此方法對0 、4 、6℃冷藏溫度下的三文魚樣本冷藏時間均無法識別。而核機器學習模型可同時對3個溫度總集進行分析，能夠對不同溫度冷藏的三文魚樣本通過傳感器響應特征值進行冷藏時間的識別，對三文魚新鮮度具有一定的辨識能力。這說明相比于傳統的線性模式識別方法PCA，采用核機器學習模型對三文魚樣本氣味傳感器響應特征值進行辨識具有明顯優勢，且當引入溫度變量時具有較好的泛化能力。

表5 核機器學習模型辨識效果分析結果Tab.5 Identification result analysis of kernel-based machine learning

4 結論

(1)設計了一種用于三文魚氣味指紋采集與新鮮度辨識的電子鼻系統，系統主要由密閉檢測氣室、半導體氣體傳感器陣列、數據采集模塊、模式識別模塊和顯示界面等組成。針對研究對象，以傳感器陣列為基礎、STC12C5A60S2單片機為核心，進行下位機電路元件集成；在MyEclipse 9.0 M1平臺基于Java語言開發上位機軟件系統，串口數據采集模塊采用開源的RXTX串口通信API對接下位機，采用開源的LibSVM for JAVA API庫開發并構建出適用于三文魚新鮮度檢測的核機器學習模型。此系統可以實現從傳感器陣列采集三文魚樣本氣味到上位機識別三文魚新鮮度的智能檢測與辨識。

(2)對電子鼻模式識別部分進行重點研究，選擇核機器學習方法作為模式識別方法，核機器學習模型以SVM作為學習機。基于所設計電子鼻系統氣味數據采集部分設計實驗，采集0、4、6℃溫度下冷藏三文魚樣本的氣味數據，對不同核函數及核參數的核機器學習模型進行訓練，通過試湊法對核函數及核參數進行反復測試與調整，最終確定了適用于此電子鼻系統識別三文魚新鮮度的最佳核機器學習模型：核函數選用多項式核函數，核參數q取3，γ取15，c取0。

(3)對所得模型的識別結果進行分析，此模型對0℃的測試集三文魚樣本冷藏時間允許偏差1 d預測正確率為92.86%，4℃無偏差預測正確率為88.89%、允許偏差1 d預測正確率100%，6℃無偏差預測正確率為75.00%、允許偏差1 d預測正確率100%。說明此模型對不同冷藏溫度下的三文魚新鮮度具有一定的辨識能力，可以為區分三文魚新鮮度提供參考。

(4)將此模型識別結果與PCA分析結果進行對比，PCA分析對單個溫度集4℃和6℃冷藏的三文魚新鮮度有一定的辨識能力，但對3個溫度總集進行分析時效果較差，說明本研究所得模型對不同冷藏溫度下的三文魚新鮮度辨識具有明顯優勢。