基于深度學習的電子鼻食品新鮮度檢測與識別技術研究?

陳遠濤熊憶舟薛瑩瑩張 濤于偉杰張鈞煜張 希孫啟永萬 浩王 平?

(1.浙江大學生物傳感器國家專業實驗室，生物醫學工程教育部重點實驗室，生儀學院，浙江 杭州310027；2.浙江省健康智慧廚房系統集成重點實驗室，浙江 寧波315336；3.寧波方太廚具有限公司，浙江 寧波315336)

人們日常飲食中常見的食品大體可分為水果、蔬菜、肉類三大類，隨著儲存時間變長，許多食物的品質會有不同程度的變化，誤食變質的食品會引發嚴重的健康問題。同時，由于實際生活中食品儲存的環境較為復雜，多種不同的食品?；旌蟽Υ?，而不同食品品質的儲存變化過程不盡相同，這也給準確判斷食品新鮮度造成了很大的困難。因此，食品新鮮度的準確檢測評價對人們日常生活具有重要意義。

傳統的食品新鮮度評估方法包括感官評價方法(國際標準化組織感官分析)，物理化學評價方法(電子舌、pH、總揮發性鹽基氮TVB-N)以及微生物分析法(細菌菌落總數)等[1－2]。但這些傳統的食品新鮮度評估方法存在操作比較復雜，消耗時間長以及要求嚴格的實驗室環境等缺點。隨著氣體傳感器和模式識別技術的發展，電子鼻已成為一種快速、無創、精確的食品新鮮度評價方法。常見的三類食品——水果、蔬菜、肉類，由于在成分含量間存在較大差別，在腐敗變質過程中產生變化的物質也有很大差別[3]。Eom等人[4]利用氣體傳感器研究了肉類腐敗過程的氨氣濃度變化與肉類新鮮度的關系。Abbey等人[5]利用設計的電子鼻系統對蔥屬植物中的香氣進行檢測，對蔥屬植物的食物特性做出了評價。徐靜等人[6]使用乙醇傳感器分析了不同新鮮度時草莓的氣味變化，這種分析方法有望替代傳統感官評價方法。除了氣敏元件，模式識別算法也是電子鼻系統中不可或缺的一部分。傳統的電子鼻模式識別算法包括主成分分析[7]、線性判別分析[8]、支持向量機[9－10]和人工神經網絡[11]等。近年來，深度學習的快速發展使得深度學習的相關技術也被一些研究應用到了電子鼻模式識別算法中來。相比于傳統方法，深度學習方法省略了人為提取特征這項費時費力的工作，同時，深度學習方法也有著更快的速度和更高的準確率。Peng P等人[12]提出了一種用于氣體分類的深度卷積神經網絡，該網絡識別準確率高，但由于網絡龐大，參數較多，計算效率欠佳。Zhao X等人[13]使用一維深度卷積神經網絡來提取特征并識別氣體，在二元混合氣體區分任務中可取得較高的準確率。

常見的食品新鮮度檢測電子鼻主要用于對某一種或幾種特定的食品進行單獨檢測識別，但實際生活中，食品儲存條件復雜，多種食品常放置于一起儲存，食品新鮮度的準確檢測存在巨大挑戰。而如何利用深度學習的優勢并提高電子鼻系統的計算效率，是實現新鮮度檢測電子鼻的小型化、集成化以及提高系統實用性的關鍵點。因此本文提出了一種基于深度學習的食品新鮮度檢測識別的電子鼻系統，通過以人為感官評價為標準，利用深度學習算法實現對多種不同儲存情況下食品新鮮度的識別分類，并對系統性能進行初步驗證。

1 材料與方法

1.1 實驗材料

需要標定的目標氣體包括氨氣、硫化氫和乙醇。通過購買一定濃度的標準氣體，再利用氣體配氣儀將標準氣體稀釋到所需要的濃度。本研究選擇的標準氣濃度分別為50×10－6的氨氣和10×10－6的硫化氫氣體以及50×10－6的乙醇氣體。

對于單一食品新鮮度電子鼻的檢測實驗，新鮮的實驗食品是當天從當地的市場購買的經挑選的新鮮食品。每種食品買來后，經過稱重，將食品分開裝入尺寸為200 mm×280 mm的加厚食品透明自封袋中，保證每份食品樣品的重量保持在200 g~250 g之間，將樣本于室溫(20℃)下保存測試。混合食品樣本中的腐敗食品為新鮮食品在室溫下自然腐敗后得到的，且每份腐敗食品重量約100 g左右，混合樣本中的新鮮食品則為當天購買且同樣稱重100 g左右，將混合食品中每種食品裝入食品自封袋中，保證每份混合食品樣本總重量在300 g~350 g之間。

1.2 氣體傳感器

針對不同應用的電子鼻儀器，需要選擇不同類型氣體傳感器以滿足實際需求。本研究選用了具有尺寸小、壽命長、靈敏度高、價格低廉等優點的金屬氧化物半導體(Metal-Oxide Semiconductor，MOS)氣體傳感器用于構建傳感器陣列。由于MOS傳感器的檢測響應結果具有廣譜特性，因此，電子鼻系統中通常含有多個敏感特性的氣敏傳感器，以提高電子鼻系統的選擇性。傳感器陣列傳感器型號和個數選擇時，既要保證傳感器陣列的提供響應信息是比較全面的，同時，也需要保證整體響應信息有一定的冗余[14]。根據前期對食品腐敗相關特征氣體的研究，本研究將氨氣、硫化氫、乙醇三種氣體作為主要檢測目標，在傳感器選型時，為保證傳感器陣列可對所有食品腐敗相關氣體均有響應，且目標氣體均在傳感器檢測范圍內，在綜合考慮傳感器檢測陣列的性能、成本以及尺寸后，本文選擇了對氨氣，硫化氫，乙醇幾類物質敏感的6種傳感器，相應型號分別為:WSP7110、MP－702、TGS2600、TGS2602、TGS2603、TGS2620，表1為傳感器的具體型號及其敏感氣體信息。

表1 傳感器型號及其響應敏感氣體

1.3 電子鼻檢測系統

本文設計了一種低成本、小型化的電子鼻檢測系統，用于檢測不同種類食品的新鮮度。該電子鼻系統主要包括以下三個部分:氣體采樣模塊、傳感器檢測模塊、以及上位機模塊。電子鼻的采樣模塊主要包括檢測和清洗兩條氣路，兩條氣路通過電磁閥的開閉進行切換，通過軟件可控制電磁閥狀態的切換；檢測模塊采集傳感器檢測到的電壓信號，并將信號傳輸到上位機；采集的數據在上位機上進行分析處理，上位機主要對數據進行實時顯示及數據存儲，同時，通過建立的識別模型可對樣本的新鮮度做出評價。所設計的電子鼻長寬高分別為8 cm，6 cm，6 cm，系統體積較小，便于后期集成到相關儀器設備中，提高系統實用性。電子鼻系統的整體系統框圖如圖1所示。

圖1 檢測系統整體框圖

1.4 單一食品實驗方法

1.4.1 單一食品感官評價

在實際生活中，許多食品常單獨儲存，如韭菜、魚類等，同時，部分食品常混合儲存，如不同水果混合存儲，而混合食品的新鮮度與單一食品的狀態密切相關，為此，我們首先對單一食品的檢測與評價方法進行了研究。

對食品新鮮度的人為感官評價主要依據是食品儲存過程中的顏色、氣味、質地、形狀大小等感官特征變化所確定的，常見食品的認為感官評價標準如表2所示。針對本研究實驗涉及的三個類別，共9種代表性食品(葡萄、菠蘿、梨、韭菜、豆角、芹菜、豬肉、雞肉、鯧魚)，根據不同食品的感官特征建立相應的感官評價標準。同時，根據制定的感官評價指標，將食品按新鮮程度分為新鮮、次新鮮和腐敗三個等級。實驗時，選擇五名訓練有素的感官評價員，組成食品新鮮度感官評價小組，通過對每一種食品打分，來判斷每種食品的新鮮度，評價結果將作為電子鼻系統檢測結果的參考。

表2 常見食品人為感官評價標準

1.4.2 電子鼻對食品氣味的檢測

每次進行食品新鮮度電子鼻檢測前，根據事先確定的感官評價標準對食品新鮮度進行評級，并記錄下每次測試的食品新鮮度等級。電子鼻測試前，需要先上電預熱0.5 h，預熱過程中，微型真空泵抽取室內新鮮空氣清洗傳感器，以使MOS傳感器陣列基線達到穩定狀態。傳感器預熱完成后，傳感器響應值穩定在基線狀態，開始對實際食品樣品進行測試。通過氣路的切換，微型真空泵抽取食品自封袋中的食品氣體進入傳感器氣室，傳感器檢測得到的數據經過MCU讀取轉換并進行傳輸，接受數據后的上位機軟件記錄并顯示傳感器的響應曲線和特征值。為了保證MOS氣體傳感器檢測靈敏性，并提高傳感器使用壽命，不宜長時間將傳感器暴露在高濃度目標氣體中。因此，實驗中樣品的檢測周期2 min，檢測過程中的清洗時間也為2 min，檢測時采樣頻率為0.5 Hz，每種食品樣品每次進行3個~4個檢測周期，記錄下每次傳感器陣列響應的特征曲線，檢測結束后系統關閉電磁閥抽取潔凈空氣，清洗傳感器，以準備下一次測試。

1.5 混合食品實驗方法

1.5.1 混合食品樣本處理

進一步，我們對混合食品，及食品樣本中含有多種同類別或不同類別食品時的檢測與評價方法進行了研究。由于實際食品種類復雜、儲存方法多樣，在食品進行混合，本研究對測試樣本條件進行了一定約束，以提高實驗效率，增加實驗可操作性。在進行混合測試實驗時，我們規定混合食品樣本中食品數量不超過3種，且混合食品至多有一種食品腐敗，同時，將混合情況主要分為同類別食品混合以及不同類別食品混合兩種情形。為了提高實驗效率，在實際測試時，我們主要挑選了同類別食品混合、不同類別食品混合共9種混合情況進行測試，混合樣本情況如表3所示，將這些數據與單一食品測試數據用之前開發的算法模型進行訓練測試。在建立模型進行分類時，由于混合食品次新鮮狀態難以定義，本研究將食品新鮮度識別目標是將樣本分為新鮮、蔬菜腐敗、水果腐敗、肉類腐敗4類，即在判斷是否有腐敗食品的情況下進一步判斷腐敗食品所屬的食品類別。

表3 測試混合樣本

1.5.2 電子鼻對混合食品氣味的檢測

對于混合食品新鮮度電子鼻的檢測實驗，新鮮食品樣本當天從當地的市場經挑選購買，經過稱重以后，將不同種類的新鮮食品各100 g裝入食品自封袋中，腐敗食品為新鮮食品腐敗后得到，保證每份食品樣品的重量保持在300 g~350 g之間。樣品檢測流程與單一食品類似，檢測周期2 min，檢測過程中的清洗時間也為2 min，每種食品樣品每次進行3個~4個檢測周期，檢測結束后系統抽取潔凈空氣對傳感器進行清洗，使傳感器恢復至基線，以準備下一次測試。

1.6 數據預處理以及深度學習模型搭建

模式識別算法在電子鼻系統中具有舉足輕重的作用，目前常用的模式識別算法包括判別分析、支持向量機以及人工神經網絡等。其中，線性判別分析(Linear Discriminant Analysis，LDA)是一種有監督的降維分類算法，通過使用統計、模式識別和機器學習方法，找到不同類物體或事件特征的一個線性組合，從而區分它們。支持向量機(Support Vector Machine，SVM)起源于統計學習理論，通過線性和非線性核將向量映射到高維平面中，并在特征空間尋找最佳超平面，使兩個類別中的最近點到該超平面的距離最大化[15]。近年來，以神經網絡為基礎的深度學習技術發展迅速，并在圖像、語音、推薦、自然語言等領域取得了令人矚目的成就。卷積神經網絡(Convolutional Neural Network，CNN)是含有卷積層的一種深度學習神經網絡，它是深度學習在計算機視覺領域取得突破性進展的基石，相較于其他深度神經網絡，CNN需要考量的參數更少。本研究主要采用CNN建立食品新鮮度分類識別模型，另外，分別建立LDA、SVM模型，以與CNN模型進行比較。

由于電子鼻傳感器陣列的時間序列數據原始尺寸(m×n，其中m為傳感器數量，n采樣點數量)不能作為圖像直接送入CNN進行特征提取和計算[16]，因此，需要對電子鼻傳感器數據進行一定處理，使其轉換為便于輸入CNN中的數據尺寸，最大化提升識別準確度。傳感器數據預處理過程包括:

①滑動窗口法劃分樣本:使用寬度為100，滑動步長為60的滑動窗口對原始數據進行劃分，這樣每個樣本可以被劃分為多個子樣本(數據尺寸為6×100)，保存子樣本用于后續處理。劃分子樣本的目的在于增加樣本數量，便于訓練和測試。

②數據歸一化:首先，將每個傳感器響應值的最小值作為基線，各傳感器減去相應基線；然后，將去基線后的數據除以子樣本數據中的最大值，從而對傳感器響應進行歸一化。該步驟主要目的是減小傳感器基線漂移和響應波動對結果造成的影響。

③數據尺寸轉換:將歸一化后的子樣本數據(尺寸為6×100)轉換為尺寸為24×25數據，以便后續CNN網絡識別分析。

利用經過預處理后的樣本數據可進行不同分類識別模型搭建。將數據尺寸轉換前的子樣本數據，共600個特征數據作為輸入向量，輸入到LDA與SVM模型進行訓練。對于SVM模型，在比較和篩選后，選用三次多項式函數作為核函數建立識別模型。本研究中使用的CNN模型由2層卷積層和3層全連接層組成，其中第一層卷積層由64個3×3的卷積核組成，第二層卷積層由128個3×3的卷積核組成，全連接層中使用了dropout，比例為0.5，前4層的激活函數均使用ReLU，最后一層輸出層的激活函數使用Softmax函數，損失函數使用交叉熵。訓練時，網絡參數優化算法使用RMSprop，初始學習率設置為0.000 1，批尺寸設置為32，訓練步長設置為300，圖2為CNN模型構建示意圖。

圖2 卷積神經網絡模型結構圖

2 結果與分析

2.1 傳感器標定

由于在實際食品測試實驗中傳感器的使用環境和出廠標定的環境可能存在差異，為了驗證MOS傳感器陣列的功能及其對目標氣體的響應，使用不同濃度的標準氣體對傳感器陣列進行測試。根據食品腐敗過程中主要產生的特征氣體，本研究選擇乙醇、硫化氫和乙醇標準氣體來對傳感器陣列進行測試。

由于電子鼻包含6種MOS傳感器，不同傳感器之間敏感氣體、檢測范圍不同，且對于部分氣體，傳感器存在交叉響應，根據傳感器數據手冊以及前期實驗結果，使用乙醇氣體對傳感器S1、S2、S3進行測試，用高純度氮氣(>99.9%)將標準乙醇氣體(50×10－6)以5×10－6作為梯度進行稀釋；使用硫化氫氣體對傳感器S3、S4、S5進行測試，用高純度氮氣將標準硫化氫氣體(10×10－6)以1×10－6為梯度進行稀釋；使用氨氣對傳感器S1、S3、S6進行測試，使用高純氮氣將標準氨氣(50×10－6)以5×10－6為梯度進行稀釋。標定實驗時，在每個濃度下進行三次重復測試，以研究傳感器的可重復性。針對不同氣體，相應傳感器的標定結果如圖3所示，圖3(a)、3(b)、3(c)分別表示使用乙醇氣體、硫化氫氣體和氨氣的標定曲線。通過標定結果可以看出，所選擇的傳感器對標定氣體具有良好響應，在測試范圍內標定曲線線性度較高，能區分響應不同濃度的氣體，提供較為全面的響應信息。

圖3 傳感器陣列標定結果

2.2 單一食品新鮮度檢測結果與分析

將從當地市場購買的不同種類食品——水果、蔬菜、肉類各3種，共9種食品，經稱重后放入食品透明自封袋中，食品存放溫度均為室溫(20℃)。在食品自然腐敗過程中，使用電子鼻系統以4 h為間隔，抽取食品袋中的氣體進行檢測；同時，每次檢測前感官評價小組根據之前規定的感官評價標準對食品的新鮮度進行分級:新鮮、次新鮮、腐敗。將傳感器陣列的響應結果與感官評價結果進行比較，同時，取傳感器在同一新鮮度下響應的多次穩定值的平均值作為傳感器在該新鮮度下的響應，以分析不同新鮮度下傳感器響應變化，得到的對比結果如圖4所示。

圖4 單一食品在不同新鮮度下傳感器響應對比圖

根據檢測結果可知，隨著食品變質，傳感器陣列的響應整體呈現上升趨勢，且不同食品腐敗過程中，傳感器陣列響應的變化并不相同，這說明不同食品在變質過程中產生的揮發物質在成分和含量都存在差別。同時，也注意到，大部分食品次新鮮狀態與腐敗狀態傳感器響應較為接近(如菠蘿、葡萄、豆角)，這在一定程度上加大了這兩個新鮮度等級的識別難度，且考慮到在食品混合情況下，次新鮮狀態較難定義，因此，在后續數據分析以及建立識別模型時，將只考慮食品新鮮與腐敗兩種在感官評價以及傳感器響應都區別明顯的狀態。

2.3 基于深度學習的食品新鮮度識別分類與數據分析

將單一食品樣本中的新鮮、腐敗傳感器測試數據以及混合食品實驗的所有原始數據進行分割后，得到共456個子樣本，將每個子樣本以及相應標簽作為輸入數據，用于訓練LDA、SVM、CNN模型。在測試模型識別效果時，對于每個樣本都能得到若干個子樣本的識別結果，在確定原始樣本識別結果時，采用投票機制決定分類結果，即若子樣本中有超過一半的子樣本識別結果與原始樣本實際類別相符，則認為樣本識別正確，反之則認為錯誤，這樣可以有效減小樣本中傳感器響應值波動帶來的誤差。

對于用于測試的20個測試樣本，進行樣本分割，得到共100個子樣本，利用訓練好的LDA、SVM、CNN模型進行預測，得到的子樣本的識別準確率分別為42.00%、84.00%、86.00%；投票后，LDA、SVM、CNN模型的識別準確率分別為45.00%、85.00%、90.00%。不同模型投票前后識別結果的混淆矩陣如圖5所示。

圖5 不同模型投票前后識別結果混淆矩陣

統計后得到各模型對測試樣本的識別準確率如表4所示。由結果可知，投票后，三種不同的識別算法的準確率都得到了提高。同時，在三種不同的算法模型中，LDA投票前后的識別結果最差，這可能與LDA采取線性分類，而在本研究中輸入特征間的線性關系不明顯有關；CNN投票前后的識別結果最好，且投票后的準確率可達90.00%，高于SVM投票后85.00%的準確率，但由于SVM算法對大規模訓練算法難以實施，且分類增多時，SVM的分類精度將會降低，相比之下，CNN算法在大規模樣本、多分類問題中存在明顯優勢，有較強的抗干擾能力、泛化能力。因此，CNN模型在判別不同食品儲存情況下食物狀態更具有優勢，而基于深度學習的食品新鮮度檢測電子鼻系統在實際生活中也可為容易受主觀因素影響的食品感官評價方式提供一定參考。

表4 不同模型預測結果統計表

3 結論

本文提出了一種基于深度學習的食品新鮮度檢測的電子鼻系統，實現了對混合食品中不同種類食品新鮮、腐敗狀態的識別分類。對于測試數據，以人為感官評價結果為參考，利用LDA、SVM以及CNN分別建立模型對樣本進行識別，得到LDA識別準確率為45.00%、SVM識別準確率為85.00%、CNN識別準確率為90.00%。實驗結果表明，CNN識別分類效果最佳，且具有更強的抗干擾能力、泛化能力，在大規模樣本和多分類問題中更具有優勢，而基于CNN的電子鼻系統可以對特定混合食品中的新鮮度進行判斷，為感官評價提供參考。將該食品新鮮度檢測電子鼻進一步小型化、智能化后可集成到冰箱、超市生鮮貨柜等食品儲存設備中，從而實現食品新鮮度的實時準確檢測。

實際檢測時，食品新鮮度檢測的電子鼻常受到環境溫濕度的干擾，同時，由于目前的研究還是針對特定的食品以及部分混合情況進行實驗與分析，在后續的研究中，需建立更加完整的混合食品新鮮度識別數據庫并結合其他檢測手段。此外，用于食品新鮮度檢測的深度學習神經網絡相比于其他識別方法，識別效果比較依賴大量的訓練數據，且其訓練時間較長，可集成性較差。因此，為進一步提高深度學習網絡在食品新鮮度中的實用性，需對深度學習神經網絡進行優化，提高模型的可移植性，同時，也可考慮建立云端分析系統，將電子鼻檢測數據上傳云端進行處理分析。