电子鼻判别不同储藏条件下糙米品质的研究

宋 伟，刘 璐，支永海，陈 瑞

(1.南京财经大学食品科学与工程学院，江苏 南京 210003；2.南京雨润食品有限公司，江苏 南京 210041)

电子鼻判别不同储藏条件下糙米品质的研究

宋 伟1，刘 璐1，支永海2，陈 瑞1

(1.南京财经大学食品科学与工程学院，江苏 南京 210003；2.南京雨润食品有限公司，江苏 南京 210041)

采用德国Airsense公司生产的PEN3型电子鼻系统对不同储藏条件下的糙米进行分析检测。通过对传感器响应值进行PCA、LDA方法的分析，发现PCA和LDA均能准确判别出不同水分含量的糙米；PCA、LDA方法均可判别不同温度储藏的糙米样品，LDA方法呈现出良好的集中性和单向趋势；LDA可以很好的区分不同氧气体积分数储藏的糙米样品，并根据氧气体积分数的不同呈现出明显的规律，但总贡献率要低于PCA方法。另外，通过方差分析发现不同储藏条件对电子鼻响应值的影响大小有所差异，顺序为水分条件＞温度＞氧气体积分数，水分和温度存在交互作用。另外，采用Loadings分析方法可以得知传感器W5C、W1S在检测中起到的作用最大，可以对电子鼻的传感器进行优化与选择，根据不同的具体条件选择适当的传感器阵列组合。

糙米储藏条件；电子鼻；线性判别法；主成分分析法

稻谷是我国的主要储藏粮种之一，但按目前传统储藏条件储藏稻谷，需占较大仓容，增加运输费用，以糙米形式储藏和周转可弥补稻谷储藏的缺陷[1]。但在储藏过程中，糙米相对于稻谷更易发生虫害、霉变等问题。我国现行的粮油储藏品质判定规则中检验项目较多，耗费较多的人力、物力。近年来，利用电子鼻对粮食储藏品质进行快速分析检测技术取得了较多的成果[2-9]，电子鼻技术由气敏传感器阵列、信号处理系统和模式识别系统等三大部分组成，通过识别不同被测样品产生气味的差异可对其进行正确的鉴别分类。

目前，电子鼻技术在粮食储藏领域研究大多是应用于粮食储藏年限、霉变的快速检验，但对于不同储藏条件下糙米品质变化检测研究则未见报道。本研究通过电子鼻技术对不同水分糙米在不同温度、氧气体积分数条件下储藏6个月后进行分析检测，并结合Loadings分析对传感器贡献率进行分析，为电子鼻的传感器优选提供依据。

1 材料与方法

1.1 材料与仪器

糙米(2009年11月生产) 南京远望富硒有限公司；PEN3型电子鼻 德国Airsense公司。

1.2 方法

糙米样品的水分调节采用密闭增湿的方法，通过测定糙米原样水分含量来确定所需喷洒去离子水的量，密闭2周后检测水分含量的变化情况。水分分别调节为13.5%、14.5%、15.5%、16.5%，分装在经过氮气调节、氧气体积分数为2%、21%的密封广口瓶中，所有样品放置于温度为15、20、25、30℃的人工气候箱储藏，储藏180d后用电子鼻检测样品挥发性物质的变化，每个样品重复3次。样品编号及储藏条件见表1。

表1 样品储藏条件Table 1 Storage conditions of brown rice samples

PEN3型便携式电子鼻系统包括W1 C、W3C、W5C、W1S、W2S、W3S、W5S、W6S、W1W、W2W 10个不同的金属氧化物半导体传感器。取30g糙米样品放入烧杯中，用保鲜膜密封，通过针头将样品挥发性气体吸到电子鼻的传感器通道里，然后将尾气排除出外，再进行第二轮顶空采样。采样时间为30s，清洗时间60s，采样间隔时间1s，自动调零时间10s，每次测量后向传感器阵列中通入空气使传感器复原，即传感器回到未与样品挥发性物质反应时的值，然后进行下一次测试。实验采用PEN3自带WinMuster数据处理软件对数据进行采集、测量和分析。

2 结果与分析

2.1 电子鼻传感器响应值变化

图1A、1B分别为2号样品和22号样品检测过程中，电子鼻10个传感器响应值(相对电阻率G/G0)变化曲线，每条曲线代表着一个传感器，曲线上的点代表着糙米的挥发性物质通过传感器通道时，相对电阻率G/G0随储藏时间的变化情况。随着传感器表面挥发性气味的富集，在15s内10个传感器电阻率均出现峰值，并趋于平缓最终达到一个相对稳定的状态。本实验采用响应值处于稳定状态下25～27s的响应值进行分析。由图2可以看出，不同储藏条件下的糙米样品，特征雷达图面积存在明显不同。

图1 样品传感器响应值变化曲线Fig.1 Response values of sample 2 and 22 using different sensors

图2 样品特征雷达图Fig.2 Characteristic radar plot of sample 4, 12, 6 and 11

2.2 主成分分析(PCA)

主成分分析是将多个指标化为较少的几个综合指标的一种统计方法。通过PCA分析将所提取的传感器多指标的信息进行数据转换和降维，并对降维后的特征向量进行线性分类，最后在PCA分析的散点图上显示主要的两维散点图。PCA对原来具有信息重叠的多个指标进行线形组合，这样使得这些综合指标间即互不相关，又能反映原来多指标的信息[10-11]。

2.2.1 不同水分储藏糙米品质分析

图3 不同水分储藏糙米的PCA图Fig.3 PCA score plot of brown rice samples stored at the conditions with different moisture

水分是影响糙米储藏品质变化的主要原因之一，不同水分的糙米保质效果不同。低水分糙米在常规条件下储藏，呼吸强度小，霉菌不易繁殖，品质劣变慢；而高水分糙米在常规条件下储藏，呼吸旺盛，酶活力高，营养物质消耗多，霉菌繁殖快，品质劣变快[12]。气味变化是粮食理化品质变化的外在表现。图3为水分13.5%、14.5%、15.5%、16.5%，温度15℃，氧气体积分数21%条件下储藏6个月糙米的PCA图，由图3可知，第一主成分(PC1)和第二主成分(PC2)的贡献率分别是96.86%和2.31%，总贡献率为99.17%。两主成分几乎可以包含样品所有的信息，可以用来代表糙米样品的整体信息。由图3可见，采用PCA分析方法可以很好区分4种糙米样品，不同样品位于不同区域中。水分含量越高的样品组区域距离13.5%水分组越远。由此可见，不同水分条件下储藏的糙米产生的挥发性气味不同。

2.2.2 不同温度储藏糙米品质分析

糙米储藏品质受储藏温度的影响，温度高品质变化快[13]，图4为温度15、20、25、30℃，水分13.5%，氧气体积分数21%条件下储藏6个月糙米的PCA图。第一主成分(PC1)和第二主成分(PC2)的贡献率分别是90.60%和8.29%，总贡献率为98.89%，可以用来代表所有糙米样品的信息。由图4可知，不同温度储藏样品均可分开，温度15℃样品与其他样品很容易区分，样品4、8数据分布比较接近，说明传感器对15℃样品与其他样品响应差别较大，对20、30℃条件下储藏的样品响应差别相对较小。原因是20～35℃储藏条件为霉菌最适生长温度，霉菌的生长繁殖不断分解糙米中的营养物质，粮食在霉变的过程中产生霉味、哈败味、酸味是导致糙米储藏期间气味变化的主要原因之一。

图4 不同温度储藏糙米的PCA图Fig.4 PCA score plot of brown rice samples stored at different temperatures

2.2.3 低氧储藏糙米品质分析

糙米气调贮藏能有效地防止霉菌等有害生物的生长繁殖，抑制其生理生化反应，使糙米处于休眠状态，对保持品质、延缓陈化劣变有良好的作用[14]，图5为氧气体积分数2%和氧气体积分数21%条件下储藏糙米的PCA图，第一主成分(PC1)和第二主成分(PC2)的贡献率分别是94.33%和4.94%，总贡献率为99.37%。水分13.5%、温度20℃、氧气体积分数2%和氧气体积分数21%条件下储藏的糙米样品两个区域产生重叠，不能很好区分。在准低温(20℃)条件下，低水分储藏糙米相对于高水分储藏品质变化较慢，充氮储藏可抑制糙米生理生化反应，但在低水分组充氮储藏影响作用相对较小。用PCA方法区分效果不佳。

图5 低氧储藏糙米的PCA图Fig.5 PCA score plot of brown rice samples stored at low oxygen conditions

2.3 线性判别函数分析(线性判别法，LDA)

判别分析是判别样品所属类型的一种分析方法，是在己知研究对象分成若干类并已取得各类的一批己知样品观测数据的基础上根据某些准则建立判别函数，再将要进行分类的样本的相应指标代入判别函数，然后对未知样品类型的样品进行判别分类[15]。线性判别分析主要采用原理为：将K组(类)m维数据投影到某一方向，使得组与组之间的投影尽可能分开。这主要通过借用方差分析的思想来达到这一目的[16]。对于满足类内样本点接近、类间样本点疏远的性质，可以通过统计量：类间离差平方和与类内离差平方和的比值来表现[17]。比值越大说明类内与类间差异越大，分类效果越好。LDA用类似于PCA的方法以二维或三维空间形式表示出来，运用分类数据的信息对分类集的结果进行优化。与PCA相比，LDA方法主要不同之处在于它利用先前赋予分类信息进行计算。LDA能够注意同一类别内的分布以及它们之间相互距离，因此能够从所有数据那里收集信息，提高了分类精度[18]。

2.3.1 不同水分储藏糙米品质分析

图6为不同水分储藏糙米的LDA图，由图6分析可知，判别式LD1和判别式LD2的贡献率分别为96.91%和2.84%，两判别式的总贡献率为99.75%。图6中体现出不同样品清晰的位于不同区域，2号样品与26号样品中心距离最远，其次是18号样品与10号样品。由此可见，水分差距越大的样品之间距离越远，反之则越近。储藏水分越高，粮食本身呼吸作用越强，同时微生物、害虫生长繁殖加快，糙米理化品质变化越明显，产生的挥发性气味有所不同。

图6 不同水分储藏糙米的LDA图Fig.6 LDA score plot of brown rice samples stored at the conditions with different moisture

2.3.2 不同温度储藏糙米品质分析

图7为不同温度储藏糙米的 LDA图，由图7分析可知，判别式LD1和判别式LD2的贡献率分别为87.73%和6.72%，两判别式的总贡献率为94.45%。LDA可以明显辨别出不同温度的样品，15℃的低温储藏2号样品与和30℃的样品8距离最远，其次是6号样品(25℃)和4号样品(20℃)。表明在低温(15℃)条件下储藏产生的挥发性物质与其他温度组有明显差别。采用LDA方法可以区分不同温度储藏的糙米，可见不同温度储藏糙米气味上存在差异。周显青等[19]指出稻谷在前3年储藏中，稻谷中小极性、低沸点挥发性物质所占比例随着储藏时间的增加而逐渐减少，在陈稻中主要是较强极性、高沸点的挥发性物质。而极性较强的高沸点组分受储藏条件的影响较大，高沸点组分(戊醛、己醛等挥发性羰基化合物)正是陈米臭的主要成分。好的储藏条件能延缓高沸点组分含量的增加，从而使稻谷保持着良好的风味。以上分析可知，不同温度条件下储藏糙米产生的挥发性气味有所不同，LDA方法可对不同温度储藏的糙米进行区分。

图7 不同温度储藏糙米的LDA图Fig.7 LDA score plot of brown rice samples stored at different temperatures

2.3.3 不同氧气体积分数储藏糙米品质分析

图8是不同氧气体积分数储藏糙米的LDA分析图，判别式LD1和判别式LD2的贡献率分别为63.97%和16.67%，两判别式的总贡献率为80.64%。由图8分析可知，不同氧气体积分数糙米样品分组明确，根据LD2可知氧气体积分数2%的不同水分样品区域均位于氧气体积分数21%条件储藏样品的上端。LDA可以明显区分不同氧气体积分数样品。

图8 不同氧气体积分数储藏糙米的LDA图Fig.8 LDA score plot of brown rice samples stored at different oxygen conditions

2.4 不同储藏条件对电子鼻响应值的影响

样品与传感器反应15s内，各传感器响应值峰值均出现，继而响应值趋于稳定。提取25～27s各传感器响应值数据，计算平均值后对不同水分条件(A)、不同温度(B)以及不同氧气体积分数(C)下储藏的糙米样品传感器响应值进行方差分析，结果表明水分对各传感器响应值影响极显著(P＜0.01)；温度对大多数传感器响应值影响极显著(P＜0.01)，对W5S影响显著(P＜0.05)；氧气体积分数对W1C、W5S影响极显著(P＜0.01)，对W3C、W1S影响显著(P＜0.05)，对其他传感器无显著影响。

比较不同条件下传感器F值发现，水分条件对各传感器影响最大，其次为温度，最后为氧气体积分数，水分和温度存在交互作用，氧气体积分数与温度、水分交互作用不明显。

2.5 Loadings分析

采用WinMuster数据处理软件中Loadings分析对传感器贡献率进行分析，该方法有助于识别传感器响应在识别模式中的重要性[20]。Loadings分析法与PCA是相关的，它们都基于同一种算法，本实验中这种算法主要是对传感器进行研究。观察传感器在坐标轴上的响应，其位置距离(0,0)点越远，即负载参数值越大，说明传感器在评价样品品质中起到的作用越大。如果某个传感器在模式识别中负载参数近乎零，该传感器的识别能力可以忽略不计；如果响应值较高，该传感器就是识别传感器[21]。图9为糙米样品Loadings传感器贡献率分析图，由图9可见，W5S、W1S对模式识别影响较大，对识别区分不同储藏条件下的糙米样品的贡献率最大，这说明传感器W5S、W1S在检测中起到的作用最大，而W6S、W2W距离坐标原点(0,0)最近，则贡献率较低。W1C、W3C、W5C具有相似的负载因子。由此可见，不同的传感器对样品响应值不同，一些传感器对样品响应值较大，另外一些响应值则接近。在今后的研究当中，可以对电子鼻的传感器进行优化与选择，根据不同的具体条件选择适当的传感器阵列组合，从而达到更好的检测效果。

表2 电子鼻传感器响应值方差分析结果Table 2 Variance analysis of response values determined by electronic nose

图9 Loadings传感器贡献率分析图Fig.9 Loadings analysis for the contribution rates using different sensors

3 结 论

电子鼻10个传感器对不同储藏条件下糙米样品的响应值变化曲线和特征雷达图存在明显不同，利用电子鼻系统可对不同储藏条件下的糙米样品进行无损检测。采用电子鼻系统中的LDA(线性判别法)和PCA(主成分分析法)均能准确判别出不同水分含量的糙米样品。PCA、LDA方法均可判别出不同温度条件下储藏的糙米样品，且LDA方法呈现的集中性和单向趋势优于PCA方法。LDA可以很好的区分出不同氧气体积分数条件下储藏的糙米样品，并根据氧气体积分数的不同呈现出明显的规律，但总贡献率要低于PCA方法。不同储藏条件对电子鼻响应值的影响大小有所差异，顺序为水分条件＞温度＞氧气体积分数，水分和温度存在交互作用，氧气体积分数与温度、水分交互作用不明显。利用Loadings分析可得知，W5S、W1S对模式识别影响较大，对识别区分不同储藏条件下的糙米样品的贡献率最大，而W6S、W2W贡献率较低。W1C、W3C、W5C具有相似的负载因子。

[1] 王玉凤, 孙培玲, 夏吉庆. 糙米保鲜储藏技术试验研究[J]. 中国粮油学报, 2009(5): 95-98.

[2] 张红梅, 王俊. 电子鼻传感器阵列优化及其在小麦储藏年限检测中的应用[J]. 农业工程学报, 2006(12): 164-167.

[3] 伟利国, 张小超, 胡小安. 电子鼻技术及其在小麦霉变检测中的应用[J]. 农机化研究, 2009(11): 191-193.

[4] 庞林江, 王俊, 路兴花. 电子鼻判别小麦陈化年限的检测方法研究[J]. 传感技术学报, 2007(8): 1717-1721

[5] 蒋德云, 孔晓玲, 李宝筏, 等. 电子鼻在储粮害虫检测中的应用研究[J]. 安徽农业大学学报, 2005, 32(2): 254-257.

[7] 张红梅, 何玉静. 电子鼻技术在粮食质量检测中的应用[J]. 农机化研究, 2009(3): 180-182.

[8] ABRAMSON D, HULASARE R, WHITE N D G, et al. Mycotoxin formation in hulless barley during granary storage at 15% and 19%moisture content[J]. Journal of Stored Products Research, 1999, 35(3):297-305.

[9] JONSSON A, WINQUIST F, SCHN?RER J, et al. Electronic nose for microbial quality classification of grains[J]. International Journal of Food Microbiology, 1997, 35(2): 187-193.

[10] DUTTA R, KASHWAN K R, BHUYAN M, et al. Electronic nose based tea quality standardization[J]. Neural Networks, 2003, 16(5/6): 847-853.

[11] LABRECHE S, BAZZO S, CADE S, et al. Shelf life determination by electronic nose: application to milk[J]. Sensors and Actuators B: Chemical,2005, 106(1): 199-206.

[12] 潘巨忠, 曹鹏, 薛旭初, 等. 不同含水量大米储藏效果研究[J]. 烟台大学学报: 自然科学与工程版, 2006(1): 36-40.

[13] 程建华, 张蓉建, 晏书明, 等. 糙米在不同储藏条件下的品质变化研究[J]. 粮食储藏, 2003(3): 42-46.

[14] 高权河, 吕季璋. 气调储藏方式对大米品质的影响研究[J]. 郑州粮食学院学报, 1993(2): 86-92.

[15] 黄燕, 吴平. SAS统计分析及应用[M]. 北京: 机械工业出版社, 2006:315.

[16] 张红梅. 基于气体传感器阵列的几种农产品品质检测研究[D]. 杭州:浙江大学, 2007.

[17] GOSCHNICK J, KORONCZI I, FRIETSCH M, et al. Water pollution recognition with the electronic nose KAMINA[J]. Sensors and Actuators B: Chemical, 2005, 106(1): 182-186.

[18] 袁志发, 周静芋. 多元统计分析[M]. 北京: 科学出版社, 2002, 216-220.

[19] 周显青, 张玉荣, 赵秋红, 等. 稻谷新陈度的研究(四): 稻谷储藏过程中挥发性物质的变化及其与新陈度的关系[J]. 粮食与饲料工业, 2005(2): 1-3.

[20] GOMEZ A H, WANG Jun, HU Guixian, et al. Electronic nose technique potential monitoring mandarin maturity[J]. Sensors and Actuators B:Chemical, 2006, 113(1): 347-353.

[21] 胡桂仙, 王俊, 海铮, 等. 不同储藏时间柑橘电子鼻检测研究[J]. 浙江农业学报, 2006, 18(6): 458-461.

Discriminating the Quality of Brown Rice Stored at Different Conditions by Electronic Nose

SONG Wei1，LIU Lu1，ZHI Yong-hai2，CHEN Rui1
(1. School of Food Science and Technology, Nanjing University of Finance and Economics, Nanjing 210003, China；2. Nanjing Yurun Food Group Co. Ltd., Nanjing 210041, China)

Brown rice stored at different conditions was analyzed by using an electronic nose (PEN3) from Airsense Company in Germany. Response values of PEN3 were subjected to principal component analysis (PCA) and linear discrimination analysis(LDA). Results indicated that electronic nose could identify brown rice samples stored at different temperatures and moisture by PCA and LDA methods. In addition, brown rice samples stored in different temperatures and O2 concentrations also could be well distinguished using LDA method, but the total contribution rate of LDA was lower than that of PCA. The water content and temperature had more significant effect on the response values of electronic nose than oxygen concentration. A crossinteraction was also observed between water content and temperature. The Loadings analysis proved that sensors W5C and W1S in the electronic nose PEN3 have an important impact during the detection, which could provide the guidance to optimize and screen matrix arrangement for better performance of electronic nose.

brown rice storage conditions；electronic nose；linear discrimination analysis (LDA)；principal component analysis (PCA)

TS207.3

A

1002-6630(2010)24-0360-06

2010-07-18

“十一五”国家科技支撑计划项目(2006BAD08B03-3)

宋伟(1957—)，男，教授，本科，主要从事粮油储藏技术研究。E-mail：songwei@njue.edu.cn