用于蘋果品質監測的多溫度掃描電子鼻系統*

劉 旭，余 雋，李中洲，魏廣芬，黃正興，朱慧超

（1.大連理工大學 電子信息與電氣工程學部 遼寧省集成電路與生物醫學電子系統重點實驗室，遼寧 大連 116024；2.山東工商學院 信息與電子工程學院，山東 煙臺 264005）

0 引 言

蘋果的新鮮程度與其氣味有著密切聯系，研究表明蘋果存儲過程中產生氣體主要成分有酯類、醇類、乙烯等氣體，蘋果在變質（如出現爛疤、損傷）或腐敗時其散發的乙烯濃度增加，并且可能產生的硫化氫（H2S）、烷烴、氨類等氣體［1，2］。這些氣體大都具有一定的還原性，所以，使用金屬氧化物半導體式傳感器可以探測到貯藏蘋果氣味的變化，進而通過電子鼻技術識別變質蘋果的出現。

Ghasemi-Varnamkhasti M等人采用基于8個金屬氧化物半導體（MOS）傳感器陣列的電子鼻系統，結合主成分分析（principal component analysis，PCA）、線性判別分析（linear discriminant analysis，LDA）和支持向量機（support vector machine，SVM）等模式識別方法，研究草莓的分類問題［3］。另外有學者使用電子鼻測試不同狀態的水果氣味變化，進而預測水果的壓損程度或新鮮程度［4，5］。而具有多傳感器的電子鼻系統，常面臨高功耗、復雜的傳感電路等問題。同時，研究表明，改變單只傳感器的工作溫度等方法能夠產生多維響應信號［6，7］，從而構筑虛擬傳感器陣列以減少實際傳感器數量，進而降低功耗和系統復雜度。

本文開發了一種基于虛實融合微熱板氣體傳感器陣列的便攜式電子鼻。微熱板氣體傳感器陣列中的4 只傳感器均工作在溫度掃描模式下，監測蘋果在貯藏期間的氣體信息。通過溫度掃描測試大幅擴展傳感器信號陣列規模的同時采集了更多樣本信息。對于在不同品質的蘋果氣氛實驗測得數據，提出了高低工作溫度特征值混合的提取樣本方法，然后對提取樣本進行LDA 算法降維和K 最近鄰（Knearest neighbor，KNN）算法分類。最后，分別將本文研究與傳統單一溫度下工作方式以及多溫度非穩態工作的電子鼻進行了對比，討論了方法的可行性和分類效果。

1 測試原理與數據處理

1.1 系統傳感器陣列

傳感器采用課題組內自主研發基于互補金屬氧化物半導體（complementary metal-oxide semiconductor，CMOS）＋MEMS工藝的四陣列微熱板傳感器芯片，如圖1 所示。每只微熱板氣體傳感器由懸空介質薄膜、加熱電極、氣敏電極以及氣敏材料組成［8］。氧化錫（SnO2）和三氧化鎢（WO3）為金屬氧化物氣敏材料研究熱點，且對于還原性氣體有良好響應［9］。所以，1#、2#涂敷了SnO2氣敏材料，3#、4#涂敷了WO3材料。因為懸空結構具有良好的絕熱性能，所以微熱板氣體傳感器僅需十幾毫瓦（mW）的功耗就能達到氣敏材料所需的數百攝氏度（℃）的工作要求［10］。

圖1 傳感器工作原理

如圖1（b）所示，傳感器的加熱電阻和氣敏電阻分別等效為可變加熱電阻Rh和可變氣敏電阻RS。VH和VCC分別為加熱電壓和氣敏測試電壓，采集模塊采集負載電阻RL的電壓值作為輸出，體現了氣敏電阻值RS的實時變化

Vout＝（RL×VCC）／（RL＋RS） （1）

RL為10 MΩ，VCC為3.3 V，測定Rh的I-VH曲線得到在不同加熱電壓值下的Rh大小。計算微熱板傳感器的工作溫度TS如下

式中 電阻溫度系數（temperature coefficient of resistance，TCR）經標定為1.95×10-3／℃，T0為室溫21 ℃，R0為216 Ω。

1.2 測試實驗設置

被測樣品為100 個富士蘋果，包括品質良好和有瑕疵的蘋果各50 個。表皮狀態無缺陷、果徑大于70 mm 的為“品質良好”，如圖2（a）所示；果徑小于55 mm，并且表皮上出現多處果銹的為“有瑕疵”，如圖2（b）所示。“混合蘋果”樣本則是從2 種蘋果樣本中分別隨機抽取合并組成。將電子鼻置于5 L 的密閉玻璃容器內，設置恒溫和多溫度2種電子鼻的工作模式分別進行氣氛采集實驗。

圖2 測試用富士蘋果照片

恒溫條件下微熱板傳感器工作溫度為200 ℃，每個測試周期持續10 min；多溫度工作模式下，設定100，150，200，250，300，350 ℃6個微熱板工作溫度，每個溫度持續10 min，共計1 h為1個測試周期。分別在實驗室空氣氣氛、品質良好的富士蘋果氣氛、有瑕疵富士蘋果氣氛以及混合2 種富士蘋果氣氛下進行數據采集。為了產生穩定的氣體樣本，從待測蘋果樣本中隨機取2個富士蘋果放置于玻璃容器之中，使其氣味在密封容器內自然擴散，等待0.5 h 后氣氛穩定，再進行傳感器測試。1 個周期傳輸數據完成后，將蘋果取出，待玻璃容器敞開放置0.5 h后進行下一次實驗。

1.3 傳感器數據處理

將氣敏電阻RS在反應氣氛中的阻值Rg與在空氣中的阻值Ra之比作為響應值RES，由式（1）得

式中 Voutg為傳感器在反應氣氛中的傳輸電壓值，Vouta為傳感器在空氣氣氛中的傳輸電壓值。并且對響應值RES進行了歸一化，如式（4）

式中 RESmax為所有樣本數據的最大值，RES 為所有樣本數據的最小值，這樣就能得到標準化后的數據RESnew。首先根據其曲線特點進行了特征值點的選取，然后采用LDA算法對特征矩陣進行了降維。最后采用KNN 算法對降維后標準化的數據進行分類，并使用3 折交叉驗證分類的準確率。

1）特征降維

采用LDA 算法［11］將傳感器標準化后的n 維數據RESnew向2 維投影，尋找投影到2 維最佳的投影基向量（ω1，ω2），為了使不同類別的數據的類別中心之間的距離盡可能大，同時同一種類別數據的投影點盡可能接近。定義了Sb為類間散度矩陣，Sw為類內散度矩陣。其定義式如下

式中 Nj（j ＝1，2，3）為第j類樣本的個數，μj為第j類樣本的均值向量，Σj為第j類樣本的協方差。求解目標式最大值問題，如式（7）

進而求解廣義瑞利商的特征值問題，如式（8）

此時的最佳投影向量（ω1，ω2）為SSb的前2 個最大特征值（λ1，λ2）所對應的特征向量構成的矩陣。

2）蘋果狀態分類算法

在KNN算法［12］中，本文采用3 次閔氏距離計算點與點之間的距離，若n維空間有兩點x，y，計算公式如式（9）

最后對于不同的K 值進行了訓練，從而得到最適宜K值條件下的最高準確率。

2 系統的整體架構和算法流程

2.1 電子鼻系統的整體架構

電子鼻系統的整體架構如圖3所示。

圖3 系統整體架構

2.2 系統的軟件與算法流程

系統軟件分為集成在下位機硬件系統上的程序和用于接收和處理數據的上位機電腦軟件算法流程，如圖4所示。

圖4 整體軟件與算法流程

3 實驗結果與分析

3.1 特征值點的選取

系統一個測試周期內所采集到的負載電阻RL的電壓值Vout數據如圖5所示，從100 ℃到350 ℃對傳感器進行溫度掃描。單個溫度對應的600 s 周期內，響應值在前300 s呈現增加或減少趨勢，在后300 s趨于穩定。取每個溫度第300，400，500 s 的響應值作為穩定階段初始、中間和后期3類特征點，對原始曲線的穩定階段進行表征。4只傳感器在6種工作溫度下相當于構成4 ×6 的虛實結合傳感器陣列，每只傳感器又包含3類特征。

圖5 傳感器在不同氛圍下的典型響應曲線

使用軟件對在6種溫度下不同氣氛中的特征樣本進行單因素方差分析，結果表明，200，250，300，350 ℃溫度下不同氣氛的特征樣本差異較大，所以選用了這4 種溫度下的數據進行后續處理。經檢驗的多重比較結果表明，350 ℃的特征樣本品質良好的蘋果和混合蘋果差異不大。為了進一步增大不同氣氛特征樣本的差異，將200 ℃和300 ℃的同種特征點、250 ℃和350 ℃的特征點進行混合。如圖6 為不同氣氛中，混合溫度所提取的歸一化響應值特征樣本，每條曲線為4只傳感器在2個溫度下采集的同種特征點。取10 個測試周期的數據作為訓練集，簡稱為多溫度穩態訓練集。

圖6 4 種溫度的穩態混合特征值樣本

取200，250，300，350 ℃各自第50 s和150 s的響應值以及300～500 s的平均響應值作為初始、中間和穩定3類特征點，對原始線進行表征，進一步驗證取每種溫度所有階段對分類結果的影響，簡稱為多溫度非穩態訓練集。

單因素方差分析的多重比較結果表明在200 ℃工作模式下，4只傳感器對不同品質的蘋果表現的顯著性差異最大。因此，作為對比，只取200 ℃下20個測試周期的數據作為訓練集，簡稱為單一溫度穩態訓練集。

3.2 LDA算法降維

圖7（a）為多溫度穩態訓練集進行LDA降至2 維后的效果，前2個特征LD1 與LD2 包含了98%以上特征值信息。對于4種特征值混合樣本的LDA降維，品質良好的蘋果、有瑕疵的蘋果以及混合蘋果的樣本各自的聚類效果較好。不同品質的蘋果樣本重疊較少，LDA 算法降維的整體效果較好。相較于多溫度穩態訓練集，多溫度非穩態樣本的LDA降維結果如圖7（b）所示。前2 個特征LD1 與LD2包含了98%以上特征值信息，整體上取得了較好的降維效果，有瑕疵的蘋果樣本與其他2 種氣氛下的樣本的類間間距較大，但部分混合蘋果和品質良好的蘋果樣本有混疊。單一溫度穩態訓練集的前2 個特征LD1 與LD2 包含了97%以上特征值信息，降維效果如圖7（c）。不同氣氛的蘋果聚類效果不明顯，有瑕疵的蘋果樣本類內間距較大，不同氣氛的蘋果樣本混疊較多，尤其是品質良好的蘋果樣本與混合蘋果樣本存在大量混疊情況。

圖7 LDA降維結果

由LDA的降維結果可見，在微熱板4 種工作溫度穩定階段混合的特征樣本，相較于多溫度非穩定階段混合特征樣本以及單一溫度的特征樣本進行LDA降維后的效果更優。

3.3 KNN算法分類

將LDA 降至二維過后的樣本進行KNN 算法分類決策。多溫度穩態混合特征樣本、非穩態樣本和單一溫度的穩態樣本的KNN分類混淆矩陣分別如圖8（a）～（c）所示。其中，1、2、3 類分別為品質良好、有瑕疵和混合蘋果樣本。各種氣氛樣本數量為60、總樣本數量為180一致的條件下，使用4種穩態溫度下混合的特征樣本進行分類。結果表明，對于品質良好的蘋果、有瑕疵的蘋果以及混合氛圍中的蘋果的分類準確率都有不同程度的提升，尤其相較于其他2種方法減少了品質良好的蘋果被判定為有瑕疵的蘋果和混合蘋果的數量。

圖8 不同樣本KNN算法分類混淆矩陣

當K值（近鄰樣本數）在1～60 變化時，使用三折交叉驗證KNN算法的準確率如圖9 所示。多溫度穩態的混合特征樣本的最高準確率為98.3%，相較于多溫度非穩態混合特征樣本的90%以及單一穩態溫度的76.13%的最高準確率有了大幅提升，進而驗證了方法的有效性。

圖9 不同溫度樣本準確率隨K值變化

4 結 論

本文設計的集成4 只傳感器陣列的便攜式電子鼻系統，采用了溫度掃描工作模式采集蘋果的氣味信息，使用虛實融合的傳感器陣列增加樣本數量。對在不同品質的蘋果氣氛中用多微熱板工作溫度采集的實驗數據，提出了利用其穩定階段提取特征樣本進行高低溫度混合的特征值提取方法。并對于提取的特征樣本進行了LDA 降維和KNN 算法分類，與常規的單一溫度加熱以及多溫度非穩態的方式相比，最高分類準確率達到了98.3%。并設計了用于人機交互的圖形用戶界面上位機軟件，能夠有效地對于蘋果品質進行監測，對于貯藏品質良好的蘋果中出現有瑕疵的蘋果實現準確“報警”。實現了用于蘋果品質監測的簡單、可視化電子鼻系統設計。