基于电子鼻技术的茶叶贮藏时间检测方法

杨春兰，薛大为

(蚌埠学院电子与电气工程系，安徽 蚌埠 233030)

基于电子鼻技术的茶叶贮藏时间检测方法

杨春兰，薛大为

(蚌埠学院电子与电气工程系，安徽 蚌埠 233030)

主要探索茶叶贮藏时间的检测方法.以黄山毛峰茶为研究对象，利用电子鼻对7个不同贮藏时间下的干茶叶进行检测.根据电子鼻传感器阵列响应特点选取了特征变量，以特征变量为自变量，以茶叶贮藏时间为因变量，建立了茶叶贮藏时间的BP神经网络预测模型.通过测试样本对模型进行实验分析，结果表明:该模型对于7个不同贮藏时间茶叶样本最大预测误差为42.1天；预测误差超过10天的最大样本数为5个，占总样本数的7.14%.验证了所建立的茶叶贮藏时间BP神经网络预测模型的可行性.

茶叶；电子鼻；贮藏时间；BP神经网络

茶叶的品质不仅与茶叶的等级有关，也与茶叶的的贮藏时间有关.一般情况下，茶叶的等级越高其品质也越好，对于同一等级的茶叶随着贮藏时间的增长其品质会逐渐降低.当前，对于茶叶品质的评价通常采用两种方法，即感官评价法和理化检测法[1].感官评价法对于评价人员的要求较高，且容易收到主观因素的影响，评价结果客观性较差.理化检测法采用试验的方法测定理化指标，评价结果准确，但操作程序复杂且费时.因此，探索一种更加简便、快速、准确的茶叶品质检测方法有着重要意义.

茶叶会散发出挥发性香气，不同品质的干茶叶其产生的香气也不同.可见，香气中蕴含着与茶叶品质相关的信息，可作为评价茶叶品质的重要依据.但茶叶产生的香气是由上百种挥发性物质共同作用形成的一种综合状态的反映，构成复杂，依靠少量几个传感器很难对其进行有效的检测.电子鼻作为一种仿生物嗅觉功能的仪器，可以对挥发性气体反映的综合状态进行检测，为从香气检测茶叶品质提供了可能.

近年来，电子鼻在水果[2-3]、肉类[4-5]等食品品质检测领域已经有了广泛的应用.根据文献，电子鼻在茶叶品质检测方面也有一定的报道[6-7]，但大都是对于不同等级茶叶的品质检测，而对于不同贮藏时间茶叶品质检测的报道很少.本研究拟以黄山毛峰茶为研究对象，利用电子鼻对不同贮藏时间的干茶叶进行检测，探索茶叶贮藏时间的预测方法.首先，根据电子鼻传感器阵列响应选择特征变量，再以特征变量作为自变量，以茶叶贮藏时间作为因变量，建立黄山毛峰茶贮藏时间的BP(Back propagation)神经网络预测模型.

1 电子鼻

研究中使用德国Airsense公司生产的PEN2型便携式电子鼻.该电子鼻主要由传感器阵列、数据采集及处理软件、解吸附装置等部分组成.传感器阵列包含10个半导体金属氧化物传感器，其特性如表1所示.传感器响应为接触挥发性物时的电导率G与经过解吸附装置处理之后电导率G0的比值，即G/G0.传感器响应典型曲线如图1所示.

表1 各传感器特性Table 1 The properties of the sensors

图1 传感器典型响应曲线Fig.1 Typical response curve ofsensors

2 BP神经网络及学习算法

模式识别方法是电子鼻系统中重要的组成部分. BP神经网络[8-9]具有非线性逼近能力强、结构简单、设计方便、泛化能力强等优点，是模式识别中常用的方法之一.本研究中电子鼻传感器阵列响应与茶叶贮藏时间之间是一种复杂的非线性关系，因此选用BP神经网络作为模式识别方法.

BP神经网络由输入层、中间层和输出层组成，其中中间层可以有多个.BP神经网结构如图2所示.

图2 3层BP神经网络结构Fig.2 Structure of three-layer BP neural network

BP神经网络的学习过程[10-11]，就是利用训练样本的预测值与期望值之间的误差，通过误差反向传播不断修正网络的连接权和阈值，直到网络误差达到预设的精度或训练次数达到设定值，则学习结束.具体学习算法如下:

式中，i，j，k分别为输入层、中间层和输出层的节点；neti为节点i的输入，oi为节点i的输出；ωij为节点i和节点j间连接权；Δω为连接权的修正值，0＜μ＜1为学习率，0＜λ＜1为动量因子；f()为激励函数；为激励函数一阶导数；e为误差函数，

式中，dk(m)为第m个训练样本的期望输出值，ok(m)为第m个训练样本的实际输出值，h为输出层节点数.

3 茶叶贮藏时间BP神经网络预测模型的建立

3.1 茶叶样本

从茶厂订购市场售价为500元/斤的黄山毛峰新茶的干茶叶，并贮藏于5°C的冰柜中.利用电子鼻对茶叶每隔60天检测一次，连续检测360天，即0天、60天、120天、180天、240天、300天、360天.每次检测重复试验30次，共有210个数据样本.将数据样本分成2部分，其中140个样本(每个贮藏时间20个)作为训练样本，70个样本(每个贮藏时间10个)作为测试样本.

3.2 特征变量选择

通过电子鼻对不同贮藏时间黄山毛峰茶检测，对于不同贮藏时间的黄山毛峰传感器阵列10个传感器在45s之后都基本趋向于稳态，且传感器阵列的稳态响应值存在差异.根据这一特点，选择传感器阵列10个传感器在第50s时响应值(即，稳态值)为特征变量，用于茶叶贮藏时间BP神经网络模型的建立.由特征变量组成的特征向量可表示为:

其中，x1，……，x10分别为传感器S1-S10在第50s时响应值.

3.3 BP神经网络结构设计

研究中采用有单中间层的3层BP神经网络，能够满足设计需要.BP神经网络输入节点的个数由输入变量个数决定，输出节点个数有输出变量的个数决定. BP神经网络输入量为10个特征变量，输出量为茶叶贮藏时间.因此，BP神经网络输入节点数为10个，输出节点数为1个.中间层激励函数选择tansig函数，

输出层激励函数选择purelin函数，

经过多次对比试验，当学习率μ取0.07，动量因子λ取0.5时性能最佳.对于中间层节点数的选择，首先根据经验确定大致取值范围在5ˉ14之间，然后通过试验的方法进行比较以确定最佳的点数.具体试验方法为，设定目标误差为0.01，利用训练样本对不同中间层节点数的网络进行训练，以达到设定误差所需训练次数最少者为最优.不同中间层节点数训练结果如表2所示.由此可得最佳BP神经网络预测模型结构为10ˉ12ˉ1，其训练曲线如图3所示.

表2 不同中间层节点数训练结果Table 2 Training results of the network with different nodes in middle layer

图3 最佳BP神经网络训练曲线Fig.3 Training curve of the best BP neural network

4 实验分析

为了检验茶叶贮藏时间BP神经网络预测模型的有效性，利用测试样本对预测模型进行实验分析.根据实验结果，对于7个不同贮藏时间茶叶检测的最大预测误差为42.1天，预测误差超过10天的样本最大比率为7.14%.实验结果分析如表3所示.茶叶不同贮藏时间平均预测结果如图4所示.

表3 实验结果分析Table 3 Experimental results analysis

图4 茶叶不同贮藏时间预测平均值Fig.4 Predicted averages of different storage time

5 结论

本研究利用电子鼻对7个不同贮藏时间下的黄山毛峰茶进行检测.根据电子鼻传感器阵列响应曲线变化特点，选取了相应的特征变量.以特征变量为自变量，以茶叶贮藏时间为因变量，建立了黄山毛峰茶贮藏时间的BP神经网络预测模型.通过实验结果分析，该模型对于不同贮藏时间黄山毛峰茶的最大预测误差小于60天，预测误差超过10天的比率小于10%.表明建立的BP神经网络预测模型可用于检测黄山毛峰茶的贮藏时间，该方法对于其他种类的茶叶贮藏时间检测也具有一定的借鉴意义.同时，根据实验结果该预测模型仍然存在一定的误差，后续的研究中将进一步改进方法，提高模型的预测精度.

[1]于慧春，王俊.电子鼻技术在茶叶品质检测中的应用研究[J].传感技术学报，2008，21(5):748-752.

[2]尹芳缘，曾小燕，徐薇薇，等.基于电子鼻的芒果储存时间预测方法研究[J].传感技术学报，2012，25(9):1199-1203.

[3]李莹，任亚梅，张爽，等.基于电子鼻的苹果低温贮藏时间及品质预测[J].西北农林科技大学(自然科学版)，2015，43(5):1-9.

[4]洪雪珍，韦真博，海铮，等.基于电子鼻和神经网络的牛肉新鲜度的检测[J].现代食品科技，2014，30(4):279-285.

[5]洪雪珍，王俊，周博，等.猪肉储藏时间的电子鼻区分方法[J].浙江大学学报(农业与生命科学版)，2010，36(5):568-572.

[6]陈哲，赵杰文.基于电子鼻技术的碧螺春茶叶品质等级检测研究[J].农机化研究，2012，34(11):133-137.

[7]于慧春，王俊.电子鼻技术在茶叶品质检测中的应用研究[J].传感技术学报，2008，21(5):748-752.

[8]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，2005，25(10):95-100.

[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]陈建宏，刘浪，周智勇，等.基于主成分分析与神经网络的采矿方法优选[J].中南大学学报(自然科学版)，2010，41(5):1967-1972.

[11]张漫，李婷，季宇寒，等.基于BP神经网络算法的温室番茄CO2增施策略优化[J].农业机械学报，2015，46(8):239-245.

(责任编辑:张阳，付强，李建忠，罗敏；英文编辑:周序林)

Detection method for storage time of tea based on electronic nose technology

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

Explored in this paper is a method to detect storage time of tea.The detection for dry HuangShanMaoFeng tea under 7 different storage times was made.Characteristic variables were chosen according to response of electronic nose sensors.Then，the storage time prediction model was built by using characteristic variables as independent variables and storage time as dependent variable.The experimental analysis showed that the maximum prediction errors for tea under 7 different storage times were 42.1 days；the maximum sample size with prediction errors exceeding 10 days were 5 samples，7.14%of total samples.The feasibility of the prediction model for storage time of tea was verified.

tea；electronic nose；storage time；BP neural network

TP212.6；TS272.7

A

2095-4271(2016)05-0558-05

10.11920/xnmdzk.2016.05.015

2016-05-23

杨春兰(1980—)，女，汉族，讲师，硕士，研究方向:仪器仪表与智能检测，食品品质检测，等.

薛大为(1978—)，男，副教授，硕士，研究方向:仪器仪表与智能检测，模式识别，等.

安徽省高等学校省级自然科学研究项目(KJ2013Z195)；安徽省高等学校优秀青年人才基金项目(2012SQRL218)