基于生物阻抗技术的淡水鱼新鲜度检测方法研究

薛大为, 杨春兰

（蚌埠学院机械与电子工程系, 安徽 蚌埠 233030）

基于生物阻抗技术的淡水鱼新鲜度检测方法研究

薛大为, 杨春兰

（蚌埠学院机械与电子工程系, 安徽 蚌埠 233030）

针对单独以阻抗模值条件或相角条件对淡水鱼新鲜度检测存在判别准确度不高的问题,提出了综合阻抗模值和相角两个条件并结合神经网络对淡水鱼新鲜度进行检测的方法. 以模值和相角作为输入因子, 以TVB-N作为输出因子,建立了淡水鱼新鲜度3层BP神经网络预测模型. 实验结果表明, 该模型对于淡水鱼新鲜度判别准确率达到95%, 相对于单独模值条件或相角条件判别, 准确度显著提高.

淡水鱼; 新鲜度; 阻抗特性; BP神经网络

引言

鱼类随着死亡时间的增长会出现腐败现象, 一旦腐败鱼体中就会产生一些害物质, 如果被人食用会对健康造成危害. 因此, 新鲜度是决定鱼类或鱼肉质量的重要指标之一[1], 对鱼肉新鲜度进行快速、准确的检测具有重要的实际意义. 生物阻抗技术是一种利用阻抗特性来分析生物体组织特征变化信息的技术. 在医学领域利用生物阻抗技术进行人体器官病变的诊断已经得到成功的应用[2-3]. 随着生物阻抗技术发展和研究的深入, 该技术在水果、肉类等农产品加工领域应用越来越受到重视[4-5]. 本文将对利用生物阻抗技术对淡水鱼新鲜度进行检测的方法进行研究.

1 淡水鱼新鲜度与阻抗特性关系

为了研究淡水鱼新鲜度与阻抗特性的关系, 以鲢鱼为研究对象进行了大量的试验(环境温度为5°C). 利用自行设计的虚拟仪器阻抗特性测量系统对不同新鲜度鲢鱼鱼体在不同频率信号作用下鱼体阻抗特性进行了多次测量. 通过试验结果分析, 在不同频率信号作用下, 随着鱼体死亡时间增长新鲜度下降, 鱼体复阻抗的平均模值与平均相角总体都呈现下降趋势[6]. 经过比较发现, 当输入信号频率为1kHZ时, 鲢鱼阻抗特性与新鲜度之间的关系比较显著. 因此, 选择1kHZ信号作用来分析鲢鱼阻抗特性与新鲜度之间的关系. 1kHZ信号作用下鱼体阻抗平均模值和平均相角变化与鱼体死亡时间的关系如图1所示. 可以看出, 鱼体阻抗模值和相角随鱼体死亡时间增长呈非线性变化, 且都与鱼体新鲜度相关.

国家标准规定当鱼肉中化学成分TVB-N(挥发性盐基氮)含量超过20mg/100g时, 则认定鱼体已经腐败变质[1].对鲢鱼的试验测量得出, 当鱼体死亡时间超过120小时, 鱼肉中TVB-N含量将超过20mg/100g, 鱼体腐败. 在死亡120小时, 鱼体复阻抗平均模值为92.16Ω, 鱼体复阻抗平均相角为1.53°. 因此, 以鱼肉中TVB-N含量作为判定新鲜度标准, 可以得出鲢鱼的新鲜度与阻抗特性的以下关系: 在输入信号频率为1kHZ下, 当鱼体阻抗模值>92.16Ω或鱼体阻抗相角>1.53°时鱼体为新鲜, 否则鱼体为腐败.

根据上述结论, 分别单独以阻抗模值条件和相角条件对鱼体新鲜度进行判别实验, 结果存在较大误差, 准确度不高. 针对存在的问题, 本研究将综合阻抗模值和相角两个条件并结合BP神经网络(BP neural network, BPNN)对淡水鱼新鲜度进行检测, 以提高判别的准确度.

图1 鱼体阻抗特性随死亡时间变化曲线(1kHZ)Fig.1 Curve of fish impedance characteristic variety with death time(1kHZ)

2 基于BP神经网络的淡水鱼新鲜度预测模型

2.1 BP神经网络

BP神经网络[7-8]是最典型的神经网络之一, 具有较强的非线性逼近能力, 应用广泛. BP神经网络由输入层、隐含层和输出层组成, 其中隐含层可以有1个或多个. 典型的单隐含层3层BP神经网络结构如图2所示.

BP神经网络学习过程, 就是不断的给网络输入训练样本观测网络输出, 当网络实际输出与期望输出不符时, 调整网络的连接权值和阈值(可看作输入为-1的连接权值), 直到输出达到预期值或学习次数达到设定最大学习次数, 则学习结束. δ算法是BP神经网络最常用的学习算法, 但该算法学习速度较慢且容易陷入局部最小[9-10]. 为了克服存在的缺陷, 必须要对算法进行优化. 本文将采用附加动量项的改进δ学习算法, 具体算法为:

图2 三层BP神经网络结构Fig.2 Structure of three-layer BP neural network

2.2 BP神经网络设计

根据实际设计需要, 决定采用具有单个隐含层的3层网络结构. 以鱼体阻抗模值和相角作为网络输入, 以鱼体中化学成分TVB-N含量作为网络输出. 则, 网络输入节点数对应网络输入因子数, 为2, 网络输出节点数对应网络输出因子数, 为1.

隐含层节点数的选择是网络设计的关键之一, 对网络性能产生重要影响. 而对于隐含层节点数的确定目前还没有比较有效的方法, 最常用的就是试凑法. 先通过经验公式(8)确定隐含层节点数的大致范围, 再选择不同的隐含层节点数进行测试, 设定误差精度为0, 以网络收敛精度最高者对应的隐含层节点数作为最终选择. 确定隐含层节点数的经验公式为:

不同隐含层节点数测试结果如表1所示. 可以看出当隐含层节点数为11时误差最小精度最高. 网络训练误差曲线如图3所示. 因此, BP神经网络的最佳结构为2-11-1.

表1 不同隐含层节点数测试结果Tab.1 Experiment results of network with different hidden layer node number

11 0.004128 14 12 0.004371 16

图3 网络训练误差曲线Fig.3 Training error curve of network

3 实验分析

为了检验BP神经网络模型预测准确度, 选取鲢鱼在不同死亡时间下的123个测量结果作为实验样本, 其中102个作为训练样本, 21个作为测试样本. 为了保证BP神经网络学习速度与建模效率, 对输入数据进行归一化处理[11],

实验同时还分别单独采用模值条件和相角条件对鱼体新鲜度进行检测, 以进行性能比较. 判别结果如表2所示. 从实验结果可以看出, 单独以阻抗模值判别时, 有3个样本产生误判, 判别的准确率为 86%, 单独以相角进行判别时有2个样本产生误判, 判别的准确率为90%而BP神经网络模型只有1个样本产生误判, 判别的准确率达到95%, 准确度有所提高.

表2 判别结果Tab.2 Recognition results

100 120.942 1.802 17.110 新鲜 新鲜 新鲜120 93.758 1.567 19.853 误判新鲜 误判新鲜 误判新鲜120 94.362 1.351 20.166 腐败 误判新鲜 腐败120 95.739 1.542 20.249 腐败 误判新鲜 误判新鲜130 86.132 1.313 21.850 腐败 腐败 腐败130 89.356 1.357 21.037 腐败 腐败 腐败130 86.356 1.302 21.811 腐败 腐败 腐败140 81.012 0.976 22.749 腐败 腐败 腐败140 80.346 1.203 22.851 腐败 腐败 腐败140 79.124 0.911 23.468 腐败 腐败 腐败

4 结论

根据淡水鱼新鲜度与阻抗特性关系, 当单独以模值条件或相角条件进行新鲜度判别时误差较大, 判别准确度不高. 本文提出综合模值和相角两个条件, 并结合神经网络建立淡水鱼新鲜度的BP神经网络预测模型. 实验结果表明, BP神经网络预测模型对淡水鱼新鲜度判别的准确率达到95%, 相比以模值条件判别的86%和以相角条件判别的90%, 判别准确度显著提高. 同时也看出, BP神经网络预测模型在鱼体腐败点附近, 仍然存在判别误差, 该模型还需要进一步优化.

[1] 张军. 基于复阻抗特性和电子鼻的淡水鱼新鲜度快速检测方法的研究[D]. 武汉: 华中农业大学, 2008.

[2] 王超, 章晓丽, 刘俊霞, 等. 基于虚拟仪器的混频生物阻抗测量系统[J]. 北京理工大学学报, 2006, 26(1): 53-56.

[3] 王超, 王化祥. 基于虚参考点的生物阻抗测量方法[J]. 天津大学学报, 2005, 38(4): 352-355.

[4] 丁强, 王忠义, 黄岚, 等. 生物阻抗技术及其在肉品质检测中的应用[J]. 传感器与微系统, 2008, 28(3): 4-7.

[5] 蔡骋, 李晓龙, 马惠玲, 等. 基于生物阻抗特性的苹果新鲜度无损测定[J]. 农业机械学报, 2013, 44(2): 147-152.

[6] 薛大为, 杨春兰. 基于阻抗特性的淡水鱼新鲜度快速检测系统[J]. 广东农业科学, 2013, 40(1): 191-193.

[7] 史丽萍, 龚海霞, 李震, 等. 基于BP神经网络的电池SOC估算[J]. 电源技术, 2013, 37(9): 1539-1541.

[8] 龙训建, 钱鞠, 梁川.基于主成分分析的BP神经网络及其在需水预测中的应用[J]. 成都理工大学学报: 自然科学版, 2010, 37(2): 206-210.

[9] 李松, 刘力军, 解永乐. 遗传算法优化BP神经网络的短时交通流混沌预测[J]. 控制与决策, 2011, 26(10): 1581-1585.

[10] 樊振宇. BP神经网络模型与学习算法[J]. 软件导刊, 2011, 10(7): 66-68.

[11] 唐万梅. BP神经网络网络结构优化问题的研究[J]. 系统工程理论与实践, 2005, 35(10): 95-100.

Study on detection method of freshwater fish freshness based on bioimpedance technology

XUE Da-wei, YANG Chun-lan
(Department of Mechanical and Electronic Engineering, Bengbu College, Bengbu 233030, P.R.C.)

Thinking of that freshwater fish freshness recognition accuracy rate was not high by using modulus of impedance or phase condition alone, the detection method of freshwater fish freshness which synthesized modulus and phase condition and combined neural network was proposed. The 3-layer predicted model of freshwater fish freshness was built by using the modulus and phase as the input factor, the TVB-N as the output factor. The experiment results showed that the recognition accuracy rate of this model was 95%. Relative to the recognition using modulus or phase condition, the accuracy was improved markedly.

freshwater fish; freshness; impedance characteristic; BP neural network

TP216,TS207

A

1003-4271(2014)04-0603-05

10.3969/j.issn.1003-4271.2014.04.26

2014-06-03

薛大为(1978-), 男, 汉族, 安徽宿州人, 讲师, 硕士, 研究方向: 自动控制系统, 检测技术及仪器仪表. E-mail: bbxuedawei@163.com.

安徽省高等学校优秀青年人才基金项目(2012SQRL218).