基于氣體傳感器陣列的Tent-SSA-BP 蘋果鮮度預測模型

楊偉震 王偉

摘要：為了能夠準確預測蘋果的鮮度等級、有效降低蘋果的儲藏風險、避免經濟損失，基于一種氣體傳感器陣列和無線傳輸模塊的電子鼻系統，采集蘋果散發的氣味信息。在實驗室現有的蘋果鮮度識別系統的研究基礎上，以室內條件下儲存的富士蘋果為研究對象，建立基于混沌序列（Tent）改進的麻雀搜索算法（SSA）優化反向傳播（BP）神經網絡的預測模型，通過預測蘋果揮發的氣味信息完成對蘋果鮮度的預測。結果表明，基于氣體傳感器陣列的Tent-SSA-BP 預測模型的決定系數為0.942 03，均方誤差為0.000 4，準確性總體高于BP 神經網絡預測模型的0.800 57，且具有更高的預測穩定性。該預測模型解決了當前基于傳統動力學模型的預測準確率低、檢測效率低、且對蘋果造成破壞的問題；同時相較于紅外光譜等其他預測手段，該模型具有更低的經濟成本，且具有操作簡便、移動便攜等優點。綜上所述，通過對蘋果揮發的氣味信息進行預測以實現對蘋果鮮度的預測，具有操作簡便、成本低、結果可靠的特點，避免了預測鮮度的過程中對蘋果造成破壞，實現了無損檢測。

關鍵詞：蘋果鮮度；預測算法；氣味識別；傳感器陣列

中圖分類號：TP212 文獻標識碼：A 文章編號：1002?2481（2023）03?0333?07

我國的蘋果生產量和出口量均居當今世界第1 位，實現對蘋果新鮮度的預測可以降低儲藏風險[1]，減少損失，保證蘋果的上市質量。所以，準確、快速、無損地檢測其新鮮度并且預測蘋果的保質期顯得尤為重要[2]。

目前，蘋果的鮮度預測多以動力學預測模型和近紅外光譜檢測方法為主，傳統的動力學預測模型往往耗時長、檢測效率低下，需破壞蘋果樣本以獲取蘋果的特征指標；而近紅外光譜檢測方法成本高、數據量大，檢測條件苛刻，并不適宜大規模投入使用。近年來，隨著深度學習和智能感官的發展，電子鼻技術已逐漸應用于蘋果等各類果蔬的新鮮度和成熟度監測中。最早由意大利的學者NATALE[3]用氣味識別準確檢測了有缺陷的蘋果。國內黎新榮[4]以蘋果為試驗對象，利用pen3 電子鼻系統獲取不同貯藏時間蘋果的氣味特征值，結果利用線性判別分析可以準確地區分不同貯藏時間的蘋果。浙江大學的陳遠濤[5]利用自制的電子鼻系統結合多種深度學習算法實現了對不同儲存條件下多種食品新鮮度的預測分類。馮蕾[6]應用電子鼻結合低場核磁共振對黃瓜、櫻桃與番茄的新鮮度進行了研究，通過監測它們的風味特征及水分狀態的變化規律，完成其保鮮期的預測，但是低場核磁共振成本高、檢測條件復雜，不適宜大規模推廣使用。南京農業大學的陳少霞[7]利用電子鼻和近紅外光譜結合技術實現了對娃娃菜的新鮮度預測，該種檢測方法操作復雜，且近紅外光譜技術所需數據量過大。馬慧玲等[8]利用蘋果的理化性質，結合生成式對抗網絡優化后的BP 神經網絡模型建立了蘋果的貨架期預測模型，與傳統動力學預測模型相比，預測準確率具有明顯提高。但該模型過于繁瑣，檢測過程中對蘋果造成了破壞。在此之前，課題組前期相關研究也具有一定的工作基礎，郭志慧[9]利用氣味識別技術結合了模糊感官算法對蘋果的品質進行了測定。

劉云剛[10]利用優化后的BP 神經網絡建立蘋果的氣味信息和蘋果鮮度之間的關系，用蘋果散發的氣體特征識別蘋果的鮮度，識別準確率高達98%。以上研究絕大部分采用了氣味識別技術結合其他檢測手段輔助完成對果蔬的鮮度分類或者預測，利用蘋果的氣味信息直接完成對蘋果的保鮮期預測的研究還相對較少。目前，中北大學現代檢測與信息處理研究室已開展的研究均是基于蘋果的氣味信息實現蘋果的鮮度檢測和分類，尚未對蘋果未來的鮮度變化做出預測和得出結論。

本研究根據蘋果所揮發的酯類、醛類等多種氣體成分，結合已有的乙烯、乙醇、氧氣和二氧化碳組成的傳感器陣列[10]可以用來準確地表征蘋果新鮮度且準確率較高。通過自主設計的氣味識別系統檢測蘋果在儲存過程中釋放的氣體濃度，以ZigBee技術作為信息傳輸手段，利用加入Tent 的SSA[7]優化BP 神經網絡完成對蘋果氣味特征的預測，建立蘋果鮮度預測的Tent-SSA-BP 模型，最終實現快速、無損預測[11]蘋果的鮮度。

1材料和方法

1.1 試驗材料

蘋果自采摘后進行呼吸作用，消耗氧氣的同時產生乙醇和二氧化碳，且乙烯與蘋果的成熟度緊密相關，故選用乙醇、乙烯、氧氣、二氧化碳4 種氣體建立蘋果鮮度模型。選用同一市場同一時間購買的果形規整、表面光潔、大小均勻的富士蘋果若干，于室內20 ℃條件下儲存，每隔24 h 對每個樣本的揮發氣體取樣一次，記錄蘋果由新鮮至腐爛過程中的氣體濃度變化。

1.2 氣味識別系統設計

整個氣味采集系統有2 個ZigBee 節點構成，整體設計框圖如圖1 所示，其中，采集節點連接傳感器后置于儲存蘋果的容器內，另一節點連接上位機傳回數據并通過上位機進行處理[12-15]。

采集節點包括氣體傳感器陣列、控制電路和ZigBee 收發模塊，傳感器陣列將蘋果散發的氣味信息轉化為電信號。整個采集系統的控制芯片采用Msp430F449，該芯片功能強大，可完成初步的數據處理任務。ZigBee無線傳輸模塊采用CC2530-F256，內嵌8051 處理器，支持ZigBee2007Ztack 協議棧。

1.3 氣體傳感器陣列的設計

該研究主要針對蘋果的鮮度，根據蘋果自采摘后進行的生理作用所涉及到的氣體種類（包含與呼吸作用相關的氧氣、二氧化碳，與蘋果的成熟度緊密相關的乙烯以及與香氣相關的乙醇等揮發性有機氣體），按照這些氣體的種類和特性的不同，傳感器陣列選用實際環境下最優傳感器組合，以確保氣體濃度采集的準確性。選擇的傳感器種類選擇及性能指標如表1 所示，可有效改善氣體傳感器的交叉敏感特性，提高試驗中蘋果氣味的識別精度[16]。

1.4 氣味采集

利用氣味識別系統對新鮮、次新鮮和腐爛3 種不同鮮度的蘋果進行檢測分析。將蘋果和充分預熱后的氣體傳感器模塊放入800 mL 的密閉容器中，每次放入一個蘋果樣品，對蘋果散發的氣體進行檢測，室溫20 ℃，相對濕度50%。對每個蘋果樣本每間隔24 h 測定一次，均取每次測量趨于穩定的濃度值作為蘋果鮮度的電壓特征指標換算為濃度單位后并進行預測。

1.5 模式識別算法

采用加入Tent 的麻雀搜索算法優化BP 神經網絡模型，可以有效提高預測蘋果鮮度的準確率。

1.5.1 SSA 麻雀搜索算法 麻雀搜索算法是近幾年應用較多的尋優算法，在算法設計中，將種群個體區分為發現者、跟隨者和警戒者，每個個體對應1 個解。通過對三者不斷地位置更新，達到尋優的目的。與其他尋優算法相比，SSA 的結果簡單、易于實現，控制參數較少，局部搜索能力較強[17-19]。

此外，為避免麻雀算法陷入局部最優的情況，引入Tent 混沌序列對麻雀算法進行進一步優化，以提升其整體尋優性能和開拓性能。

1.5.2 BP 神經網絡 BP 神經網絡是一種多層網絡結構，整個系統通過有監督的學習方式來完成建立預測模型的過程，即在訓練時，將總的樣本集分為訓練集和測試集，其中，訓練集用于預測模型的建立，測試集用于驗證已建立的預測模型。

利用不同新鮮度、不同成熟度階段的蘋果散發的氣體濃度等特征的不同，對蘋果散發的氣體特征進行預測，從而建立蘋果的鮮度預測模型，將訓練后得到的最優模型進行保存，這樣在輸入一組新的氣味特征數據時，根據傳感器響應曲線提取特征值，通過預測模型就可以得到對蘋果新鮮度的預測。其優化后附加Tent 的SSA-BP 神經網絡預測模型流程圖如圖2 所示。

2結果與分析

2.1 氣味信息及處理

對蘋果樣本進行氣味特征采集，其檢測到的氣味特征變化曲線如圖3 所示。

由圖3 可知，不同鮮度蘋果的氣味特征具有不同濃度的變化曲線，傳感器陣列中的乙烯、乙醇和二氧化碳濃度隨時間的變化而增加且趨于穩定，蘋果鮮度的不同，其濃度變化的速率不同；而傳感器陣列中的氧氣傳感器采集到的濃度數據則隨著時間逐漸降低而后趨于穩定，這是因為密閉空間內，蘋果細胞的呼吸作用消耗掉了氧氣用于維持生理活動。此外，氣體傳感器陣列采集到的蘋果原始氣味濃度數據具有較大的噪聲，這是由于傳感器本身和外部電磁干擾等因素，造成部分傳感器采集的數據噪聲過大，需要將采集的數據進行濾波、平滑處理等操作。

圖4 明確展示了傳感器陣列采集的數據在經過濾波后的濃度變化曲線，使得不同鮮度的蘋果在密閉空間內的氣味特征變化更加直觀明顯。3 類不同鮮度的蘋果中，新鮮蘋果的氣味特征變化速率最慢，次新鮮蘋果次之，腐爛蘋果最快。在乙烯、乙醇和二氧化碳中的最終穩定值新鮮蘋果均為最小，腐爛蘋果均為最高；氧氣濃度的最終穩定值則表現為新鮮蘋果最高，次新鮮次之，腐爛蘋果最低。

記錄每個蘋果樣品從新鮮到次新鮮再到腐爛的濃度變化，提取特征值等處理后得到氣體濃度的變化過程如圖5 所示。

由圖5 可知，乙烯、乙醇和二氧化碳均表現為濃度隨天數而持續增加，但是不同鮮度的時期具有不同的濃度變化范圍；氧氣濃度則表現為先上升后下降，這主要與蘋果在儲藏過程中的呼吸速率和呼吸類型有關。

2.2 模型分析

根據濃度變化曲線可知，不同鮮度蘋果揮發的氣體濃度具有明顯的差異，在對單種氣體的濃度變化的預測中，根據輸入輸出的數據特點來確定神經網絡預測模型的結構。利用蘋果前5 d 的濃度變化來預測第6 天的濃度值，建立預測模型，即神經網絡的輸入信號為5 維，輸出為1 維，根據Kolmogorov定理，并且通過多次試驗得出最佳隱含層數為11，所以，神經網絡的結構為5-11-1。

在室內條件下，即室溫20 ℃，相對濕度50%，蘋果由新鮮到出現腐爛的時間在40 d 左右，通過檢測蘋果在40 d 內的濃度變化，利用這些濃度數據訓練并測試預測模型。從中隨機選擇100 組數據作為訓練數據訓練網絡，20 組數據作為測試數據測試網絡。優化前后的神經網絡預測模型訓練的誤差對比如圖6 所示。

由圖6 可知，其誤差在優化前后分別為0.002 0和0.000 4，為更加直觀地評價模型的穩定性和可靠性，采用決定系數作為預測模型的評價指標。首先根據式（1）、（2）計算得到殘差平方和和總平方和，其中SSres 為殘差平方和，SStot 表示總平方和，yi 表示真實數據，-y表示平均值，f i 表示預測數據；然后根據式（3）計算決定系數，最后得到優化前決定系數為0.800 57，優化后的決定系數為0.942 03，說明優化后的模型預測穩定性優于優化前。試驗也證明，經過優化后的預測模型，預測誤差更小，性能更好更穩定。

2.3 預測結果

表2 為優化前后的BP 神經網絡模型對某個蘋果樣本的未來一周乙烯濃度特征變化所做出的預測值與實測值之間的對比，以及2 類預測值與實測值之間的誤差對比。由表2 可知，利用加入混沌序列后的麻雀搜索算法優化后的BP 神經網絡模型預測的結果與實測值更為接近，誤差更小。

再分別對乙烯、乙醇、氧氣和二氧化碳進行預測，得出優化后的預測模型更加穩定，且誤差總體較小，預測結果更加準確。之后根據預測后的濃度值結合實驗室現有的研究成果所建立的蘋果鮮度氣味識別系統模型[10]，總體實現對蘋果鮮度的預測，以建立起基于氣體傳感器陣列的蘋果鮮度預測的完整系統。其中對某個蘋果的鮮度進行預測的部分最終結果如表3 所示，對20 組蘋果的鮮度預測的結果中，對第6 天的鮮度預測準確率最高，為100%；對蘋果第30 天的測準確率為80%。

3結論與討論

蘋果的新鮮度變化不僅會影響其價格和美觀，還會影響果農甚至是國家的經濟效益。本研究提出的基于電子鼻系統和Tent-SSA-BP 的蘋果鮮度預測模型，將深度學習算法和智能感官結合后成功地應用于蘋果鮮度預測中。試驗結果表明，選用的4 種氣體傳感器所組成的傳感器陣列對蘋果揮發的氣體具有針對性，其能夠有效地提取蘋果的氣味信息，從而進一步利用優化后的神經網絡預測模型對蘋果的鮮度進行分析預測。優化后的模型具有全局搜索尋優能力強、預測準確度高、穩定性好等特點；但是每個蘋果在800 mL 容器內揮發的氣體在10 min 左右達到穩定，檢測效率較低，在后續的研究中將以優化傳感器陣列、改善特征值提取以及改善算法等方面為切入點，在保證現有準確率的前提下提高檢測效率，并進一步提高準確率。結合現有基于SFLA 優化的BP 神經網絡蘋果鮮度氣味識別系統[10]，最終形成了一套完整的基于氣體傳感器的可用于預測蘋果保鮮期的新鮮度無損預測系統，其能夠準確預測蘋果在未來30 d 左右的鮮度。與傳統的預測蘋果鮮度的動力學模型和近紅外光譜技術相比，具有成本低、數據量小、檢測方便、無損的優點[20]。

下一步將繼續研究蘋果在其他儲存條件下的鮮度預測方法和模型，如冷藏條件下蘋果的保鮮期、運輸過程中蘋果的保鮮期變化等，并進一步研究提出適用于多種儲存條件下完整的鮮度預測模型。此外，本研究提出的基于電子鼻系統和Tent-SSA-BP 的蘋果鮮度預測模型，只針對不同鮮度的富士蘋果進行了鮮度預測，未驗證其他品種的蘋果以及其他種類的果蔬。在電子鼻的整體設計上，可以嘗試將算法程序燒錄進單片機內，配合協調器節點接入顯示屏，對數據處理結果進行實時顯示，使之脫離上位機形成一個更加簡便的預測系統。后續針對傳感器陣列可繼續擴大傳感器種類，設計一套針對其他種類果蔬、得到較為廣泛應用的鮮度預測系統，實現對多種果蔬品質的預測，以求實現商品化。

本研究以室內條件下儲存的富士蘋果為研究對象，通過自制的基于氣體傳感器陣列的氣味識別系統，利用Tent-SSA-BP 神經網絡預測模型，建立了可用于蘋果濃度預測分析的系統模型，其誤差在優化后減小到0.000 4，決定系數達到了0.94 以上，Tent-SSA-BP 模型預測值與優化前的BP 模型預測值相比誤差更小，更能表征蘋果儲存一段時間之后揮發的氣體的濃度變化，將其作為鮮度分類的數據更為可靠。

參考文獻：

［1］ 顧瑞潔. 基于深度學習的電子鼻氣體識別技術研究[D]. 武漢：

華中科技大學，2021.

GU R J. Research on technologies of gas recognition by electronic

nose based on deep learning[D]. Wuhan：Huazhong University

of Science and Technology，2021.

［2］ 胡位歆. 新鮮水果貨架期預測模型的構建[D]. 杭州：浙江大

學，2016.

HU W X. Studies on building shelf-life predictive model of fresh

fruits[D]. Hangzhou：Zhejiang University，2016.

［3］ NATALE C D，MACAGNANO A，MARTINELLI E，et al.

The evaluation of quality of post-harvest oranges and apples by

means of an electronic nose[J]. Sensors and Actuators B：Chemical，

2001，78（1/2/3）：26-31.

［4］ 黎新榮. 電子鼻在沃柑貯藏時間識別中的應用[J]. 南方農業學

報，2018，49（9）：1827-1832.

LI X R. Application of electronic nose in identification for storage

time of Orah[J]. Journal of Southern Agriculture，2018，49

（9）：1827-1832.

［5］ 陳遠濤，熊憶舟，薛瑩瑩，等. 基于深度學習的電子鼻食品新鮮

度檢測與識別技術研究[J]. 傳感技術學報，2021，34（8）：1131-

1138.

CHEN Y T，XIONG Y Z，XUE Y Y，et al. Research on electronic

nose food freshness detection and recognition technology

based on deep learning[J]. Chinese Journal of Sensors and Actuators，

2021，34（8）：1131-1138.

［6］ 馮蕾. 基于電子鼻及低場核磁共振的黃瓜與櫻桃番茄新鮮度

智能檢測研究[D]. 無錫：江南大學，2019.

FENG L. Research on freshness intelligent recognition of cucumbers

and cherry tomatoes based on electronic nose and lowfield

nuclear magnetic resonance[D]. Wuxi：Jiangnan University，

2019.

［7］ 陳少霞. 基于電子鼻和近紅外光譜技術無損檢測娃娃菜新鮮

度的研究[D]. 南京：南京農業大學，2020.

CHEN S X. Research on nondestructive detection of baby cabbage

freshness based on electronic nose and near infrared spectroscopy[

D]. Nanjing：Nanjing Agricultural University，2020.

［8］ 馬惠玲，曹夢柯，王棟，等. 蘋果貨架期GAN-BP-ANN 預測模

型研究[J]. 農業機械學報，2021，52（11）：367-375.

MA H L，CAO M K，WANG D，et al. Study on shelf-life prediction

of apple with GAN-BP-ANN model[J]. Transactions of

the Chinese Society for Agricultural Machinery，2021，52（11）：

367-375.

［9］ 郭志慧. 基于氣味識別的蘋果鮮度特征檢測技術研究[D]. 太

原：中北大學，2019.

GUO Z H. Study on detection technology of apple freshness

characteristics based on smell recognition[D]. Taiyuan：North

University of China，2019.

［10］ 劉云剛，王偉. 基于SFLA 優化的BP 神經網絡蘋果鮮度氣味

識別系統[J]. 傳感器與微系統，2020，39（8）：96-99，106.

LIU Y G，WANG W. Apple fresh odor recognition system

based on SFLA optimized BP neural network[J]. Transducer

and Microsystem Technologies，2020，39（8）：96-99，106.

［11］ BREZMES J，LLOBET E，VILANOVA X，et al. Fruit ripeness

monitoring using an Electronic Nose[J]. Sensors and Actuators

B：Chemical，2000，69（3）：223-229.

［12］ XING M K，SUN K，LIU Q，et al. Development of novel electronic

nose applied for strawberry freshness detection during

storage[J]. International Journal of Food Engineering，2018，14

（7/8）：1022-1026.

［13］ 閆轉紅，王偉. 基于氣體傳感器陣列的蘋果甜度識別技術研

究[J]. 國外電子測量技術，2021，40（10）：71-76.

YAN Z H，WANG W. Research on apple sweetness recognition

technology based on gas sensor array[J]. Foreign Electronic

Measurement Technology，2021，40（10）：71-76.

［14］ 喻璐. 基于傳感器陣列的氣體檢測與分析系統設計[D]. 長

沙：長沙理工大學，2021.

YU L. Design of gas detection and analysis system based on

sensor array[D]. Changsha：Changsha University of Science

and Technology，2021.

［15］ 徐靜，趙秀潔，孫柯，等. 基于電子鼻和乙醇傳感器判別草莓

新鮮度的研究[J]. 食品與機械，2016，32（5）：117-121.

XU J，ZHAO X J，SUN K，et al. Determination on freshness of

strawberry based on electronic nose and ethanol sensor[J].

Food & Machinery，2016，32（5）：117-121.

［16］ WANG W，YANG W Z，LIU Y G，et al. A research of neural

network optimization technology for apple freshness recognition

based on gas sensor array[J]. Scientific Programming，

2022，2022：1-11.

［17］ 黃敬宇. 融合t 分布和Tent 混沌映射的麻雀搜索算法研究

[D]. 蘭州：蘭州大學，2021.

HUANG J Y. Research on sparrow search algorithm based on

fusion of t distribution and Tent chaotic mapping[D]. Lanzhou：

Lanzhou University，2021.

［18］ 許亮，張紫葉，陳曦，等. 基于改進麻雀搜索算法優化BP 神經

網絡的氣動光學成像偏移預測[J]. 光電子·激光，2021，32

（6）：653-658.

XU L，ZHANG Z Y，CHEN X，et al. Improved sparrow

search algorithm based BP neural networks for aero-optical imaging

deviation prediction[J]. Journal of Optoelectronics·Laser，

2021，32（6）：653-658.

［19］ 吳丁杰，周慶興，溫立書. 基于Logistic 混沌映射的改進麻雀

算法[J]. 高師理科學刊，2021，41（6）：10-15.

WU D J，ZHOU Q X，WEN L S. Improved sparrow algorithm

based on Logistic chaos mapping[J]. Journal of Science of

Teachers College and University，2021，41（6）：10-15.

［20］ BLEIBAUM R N，STONE H，TAN T，et al. Comparison of

sensory and consumer results with electronic nose and tongue

sensors for apple juices[J]. Food Quality and Preference，2019，

13（6）：409-422.