基于电子鼻的水稻品种鉴别研究

于慧春 熊作周 殷 勇

基于电子鼻的水稻品种鉴别研究

于慧春 熊作周 殷 勇

(河南科技大学食品与生物工程学院，洛阳 471003)

为了实现水稻品种的快速鉴别，避免水稻品种混杂，利用电子鼻对来自同一产地不同水稻品种进行测试，获取有效信息。对获取的信息提取平均微分值和面积斜率比两种特征。采用主成分分析、Fisher判别分析及BP神经网络3种模式识别方法进行水稻品种的判别，并对3种识别方法的结果进行比较分析。结果表明:不同种类的水稻品种可以被区分开来，但BP神经网络分类效果最好，Fisher判别分析效果次之，PCA分类效果最差。因此，结合合适的特征提取方法及模式识别方法，有可能实现一种基于电子鼻技术的对不同水稻品种鉴别的简单、有效的方法。

电子鼻 水稻 品种鉴定 模式识别

至今粮食问题一直以来都是一个非常突出的问题。这一问题不仅表现在质量安全上，而且在品种问题上也显得非常突出。尤其占据着我国粮食产量40%的水稻随着近些年来的不断发展，品种数量日益剧增，一方面促进了我国经济的发展，另一方面水稻品种之间不同程度的混杂、雷同、侵权等现象日趋严重。这样不但降低了粮食流通效率，而且损害了国家和农民的利益，因此对水稻品种进行鉴别归类显得十分必要［1］。从而不仅能够促进粮食流通，还能够维护国家和农民的经济利益，同时对水稻品种进行科学鉴别、分类，还为水稻的育种、筛选、维持纯种提供了便利。传统的水稻品种鉴别方法只能依靠感官评定、化学分析和生物鉴定，这些方法存在主观性强、测试周期长、准确率不高等缺点，因此寻求一种快速、高效、准确的方法对其进行鉴别归类非常有必要［2－3］。

电子鼻是19世纪末兴起的一门快速无损检测技术，主要用来区分和辨别复合气体气味，它在食品、化工等方面应用比较广泛［4－5］。目前，在农产品检测方面应用主要表现在蔬菜农药残留检测、牛奶品质检测，肉类品质检测、酒类真伪鉴别以及水果成熟度检测等方面［6］。近年来，不少国内外学者对电子鼻技术在谷物检测方面的应用越来越感兴趣，并且也有不少相关研究报道，但是这些研究都主要是对其霉变情况及病虫害情况进行了研究［1，7－8］，如王俊等［6］采用电子鼻技术对产生褐飞虱病害的谷物进行检测，并采用LDA和BP神经网络等方法进行判别分析，结果较满意，表明电子鼻技术用于谷物病虫害检测是可行的;采用Cyranose－320电子鼻对4种不同处理后的大米样本进行区分，通过交叉验证试验确定最优参数组合，采用PCA和CDA进行模式分类，通过逐步的判别分析，PCA和CDA可以将不同处理的4种大米样品分开［9－11］;皱小波等［12］通过研究建立了判别谷物霉变的电子鼻系统，结果对小麦霉变识别的正确率达到100%。另外，沈阳农业大学的蒋德云［13］、浙江大学的张红梅［14］等也在这些方面进行过研究，取得了一定的成果。国外，Olsson J等［15］用电子鼻对经过赭曲霉毒素和脱氧雪腐镰刀菌处理过的大麦谷物进行电子鼻检测，基于PCA与PLS的模式分类方法，对于不同量处理的大麦谷物均能区分开来。这些研究表明电子鼻技术用于谷物品质检测具有很大应用前景。

但关于电子鼻技术在水稻品种鉴定方面的研究国外鲜见报道。因此本研究采用自制电子鼻对4种不同的水稻品种进行研究，结合目前较常用的特征提取方法及PCA、FDA和BP神经网络方法加以判别分析，对电子鼻技术在这一方面的应用进行探讨，希望能够寻求一种快速、高效的水稻品种鉴定方法。

1 材料与方法

1．1 试验材料

所选4种水稻来自河南信阳商城，其品种名分别为丰两优4号、冈优527、金优527和杂交838。

1．2 试验仪器

在试验过程中，采用的电子鼻系统系属实验室自行研发，它包括气敏传感器阵列、测量箱、数据采集装置和计算机4大部分，如图1所示。其传感器阵列主要由 TGS813、TGS842、TGS800、TGS822、TGS824、TGS812、TGS821、TGS830、TGS832、TGS826、TGS831、TGS880、TGS825这13只传感器构成，除此之外，系统外部还配置了温、湿度传感器，用来监测环境温湿度的变化，从而有利于对由于环境条件变化而产生的信号漂移进行补偿。

图1 测试装置构成图

1．3 试验方法

检测时，每次用表面皿取10 g水稻样品置于测量箱内检测。经过反复的预试验，设定了以下试验参数，空载测试点数为50个点，样品采样点个数为3 000个点，恢复点数为300个点，采样间隔为1 s。图2给出了传感器阵列对一个样本的动态响应曲线，每条曲线表示其中一个传感器对样品的动态响应结果。

图2 传感器阵列响应曲线

1．4 去基准

由于样品信号采集过程中环境温、湿度对其影响较大，因此需要对测得的信号进行去基准处理，本试验采用样品响应值减去空载响应值。

2 特征提取

对传感器信号进行特征提取的方法很多，较为常用的特征提取方法有最大值法、平均微分值法、积分值法、方差、面积斜率比值法、小波能量法等［7］。对于不同的测试样本，针对其响应信号，所选择的特征值应尽量包含该样本的较多特征信息。通过对各种特征提取方法的比较，这里选用平均微分值法和面积斜率比值法作为样本特征的提取方法。平均微分值法能够比较全面地反映传感器动态响应过程的整体信息，面积斜率比值法不仅综合了平均微分值法和积分值法的特点，而且还能削弱温度对结果的影响。

2．1 平均微分值法

该方法的实现需要以下3个过程:①对被测对象进行动态测量，采集并记录每个传感器的动态响应过程的响应值;②拟合每个传感器的响应值，得各个传感器的动态响应曲线;③提取每个传感器的平均微分值(Kave)作为传感器的最终测量结果。平均微分值的具体计算方法如下:

式中:N为样本测试点个数(此次试验为3 000个);xi为一个测试样本响应值中的第i个测试值;Δt表示相邻两个测试点之间的时间间隔(本试验为1 s);Kave为一个样品响应曲线的平均微分值。

2．2 面积斜率比值法

选取一个传感器响应曲线的起始点和信号采集终止点，并分别记为点M(j1，y1)、N(j2，y2)。M、N两点连线的斜率记为K，则斜率

同时响应曲线与直线MN围成阴影图形的面积记为S，如图3所示。这样就可以得到响应曲线特征为:

图3 面积斜率比值法示意图

3 阵列优化

为了获取测试过程中的有效信息，提高鉴别结果的准确性，需要消除初始阵列中产生的冗余信息。这里将每一个传感器看成一个变量，通过因子载荷分析和主成分分析获取每个传感器的因子载荷分布图，如图4所示，可以看出有些传感器的因子载荷分布较近，如传感器2、3、9、13等，这说明这些传感器所采集的信号比较相似，进而可以考虑去掉采集过程中信息较为相似的几个传感器，保留其中一个即可，最终实现传感器阵列的优化。试验过程中对两种特征提取方法下的阵列进行优化，其优化阵列有所不同，这表明动态响应信号包含了较为丰富的信息。

图4 各传感器因子载荷分布图

4 结果及分析

4．1 PCA分析

采用平均微分值法和面积斜率比值法作为特征提取方法，运用PCA对优化后传感器响应结果进行判别分析，结果如图5和图6所示。两种特征提取方法下的PCA分类结果中，样本之间均存在少量重叠部分，主要是丰两优4号与杂交838重叠较多难以区分，产生这种结果的原因可能是二者在理化性质上有些相似，从而导致了二者在散发的气味上比较接近。同时从分类结果中同一样品间的聚散程度来看，采用平均微分值法提取的特征值，其PCA分类中冈优527与金优527基本没有重叠，分类效果相对于面积斜率比值法较好些。

图5 平均微分值法PCA分类效果图

图6 面积斜率比值法PCA分类效果图

4．2 FDA分析

对样本测试结果进行Fisher判别分析，结果如图7和图8所示。采用平均微分值法进行特征提取后，经过FDA分析，4种样品能够被完全区分开来;而采用面积斜率比值法作为特征提取方式下的FDA虽能将4种样品区分开来，但是丰两优4号和冈优527有少许重叠。同时在采用相同的特征值时，FDA的分类判别效果优于PCA。

另一方面，从FDA和PCA两种识别方法的判别结果也可看出，平均微分值法所提取的特征值其判别能力优于面积斜率比值法提取的特征值，这说明平均微分值法对不同水稻响应信号提取的特征值比面积斜率比值法提取特征值包含的分类信息要丰富。

4．3 BP分析

BP是模式识别中的一种非线性分类方法，通常可以通过修正它的学习率和附加动量项的方法来改进网络的性能，从而在气体分析中获取较好的分类效果。

试验过程中采用隐含层为一层的BP神经网络，输入层节点数为15个，经过反复试验，设定隐含层节点数为10个，输出层节点数为4个(样品有4类)，误差值设为0．001，在分类过程中理想的输出分别为(0，0)、(0，1)、(1，0)、(1，1)这4种类型，它们分别代表丰两优4号、冈优527、金优527以及杂交838，学习率和附加动量项分别为0．05和0．95。每种样品选取30组中的前25组作为训练样本，其余则为测试样本。BP网络输出结果如表一所示。从表1中可知4种样品测试正确率均为100%，能够很好的被区分开来。

表1 BP神经网络分析结果

5 结论

试验中选取平均微分值法和面积斜率比值法作为样本特征提取方法，结合PCA、FDA以及BP神经网络对样本进行鉴别分类。研究结果显示，采用适宜的特征提取方法及模式识别方法，电子鼻能够将4种同一产地的不同水稻品种完全区分开来，表明电子鼻技术用于不同水稻品种的鉴别分类是具有潜在可行性的。

同时从分类效果也可看出，平均微分值法提取的特征值优于面积斜率比值法提取的特征值;FDA和BP神经网络对样本的分类效果明显优于PCA。这说明针对不同的分析对象，为了提高鉴别结果的准确性，必须寻找较为合适的阵列优化方法、特征提取方法以及模式识别方法来实现。

本研究探索了电子鼻对来自同一地区不同水稻品种鉴别的可行性，由于水稻气味会受到地域、处理流程、品种等多方面因素的影响，所以对来自不同地域的品种，其电子鼻鉴别结果的准确性也会受到较大影响，需要对环境因素造成的影响进行消除或补偿。因此，还需要进行不断的深入研究。

［1］张小超，胡小安，张银桥，等．谷物品质快速自动检测方法的研究［C］．中国农业工程学会2007年学术年会论文集，2007

［2］程本义，施勇峰，沈伟峰，等．水稻品种DNA指纹检测技术体系及其应用［J］．杂交水稻，2008，23(1):54－59

［3］Gardner JW，Bartlett PN．Electronic nose:Principles and Applications［M］．London:Oxford University Press，1999:1－4，185－207

［4］于勇，王俊，周鸣．电子鼻技术的研究进展及其在农产品加工中的应用［J］．浙江大学学报，2003，29(5):579－584

［5］Gardner JW，Bartlett N．A brief history of electronic nose［J］．Sensors and Actuators B，1994，18(1):211－220

［6］王俊，胡桂仙，于勇，等．电子鼻与电子舌在食品检测中的应用研究进展［J］．农业工程学报，2004，2(3):292－294

［7］Bo Zhou，Jun Wang．Use of electronic nose technology for identifying rice infestation by Nilaparvata lugens［J］．Sensors and Actuators B:Chemical，2011，160:15－21

［8］伟利国，张小超，赵博，等．电子鼻技术及其在小麦活性检测中的应用［J］．农机化研究，2010，6(6):150－152

［9］Xian－zhe Zheng，Yu－bin Lan，Jian－min Zhu，et al．Rapid Identification of Rice Samples Using an Electronic Nose［J］．Journal of Bionic Engineering，2009(6):290－297

［10］Borjesson T，EklövT，Jonsson A，et al．Electronic nose for odor classification of grains［J］．Cereal Chem，1996，73:457－461

［11］Haugen J－E，Kvaal K．Electronic nose and artificial neural network［J］．Meat Science，1998，49:273－286

［12］邹小波，赵杰文．电子鼻快速检测谷物霉变的研究［J］．农业工程学报，2004，4(20):121－124

［13］蒋德云．电子鼻在检测储粮害虫中的应用研究［D］．沈阳:沈阳农业大学，2006:36－65

［14］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，2007:89－108

［15］Olsson J，Börjesson T，Lundstedt T，et al Detection and quantification of ochratoxin A and deoxynivalenol in barley grains by GC－MS and electronic nose［J］．International Journal of Food Microbiology，2002，72，203－214．

The Identification of Rice Varieties Based on Electronic Nose

Yu Huichun Xiong Zuozhou Yin Yong
(Institute of Food and Bioengineering，Henan University of Science and Technology，Luoyang 471003)

In order to identify rapidly and avoid hybrids of different rice varieties，electronic nose is used to test rice varieties from different areas and obtain valid information．There are two types of features for obtained information to extract average differential value and area ratio of the slope．The different rice varieties are distinguished by principal component analysis(PCA)，Fisher discriminant analysis(FDA)and BPneural network，and the results of the three identification methods are compared and analyzed．The results show that:different rice varieties can be distinguished，however，the discriminant result of BP neural network is the best，Fisher discriminant analysis follows and PCA analysis is the worst．Therefore，it can be an effective way to distinguish the different rice varieties by the electronic nose when the proper methods of feature extraction and pattern recognition are taken．

electronic nose，rice，variety identification，pattern recognition

TP212

A

1003－0174(2012)06－0105－05

2011－10－11

于慧春，女，1977年出生，副教授，博士，农产品、食品品质快速无损检测技术研究