便携式智能电子鼻系统及其葡萄货架期评价研究*

2017-05-24黄灿钦章铁飞

传感技术学报 2017年5期

关键词：电子鼻货架嵌入式

傅均,黄灿钦,章铁飞

(浙江工商大学计算机与信息工程学院,杭州 310018)

便携式智能电子鼻系统及其葡萄货架期评价研究*

傅均*,黄灿钦,章铁飞

(浙江工商大学计算机与信息工程学院,杭州 310018)

电子鼻的小型化和智能化是其走向大众市场的重要环节。设计了一种基于ARM9和嵌入式Linux操作系统的便携式智能电子鼻系统,通过自制的嵌入式Qt应用软件,实现在线自动检测、智能识别及其可视化。为了验证系统功能,将其用于葡萄货架期评价,对6个平行样品组进行10天测量,利用软件内置的主成分分析和多重判别分析等方法进行分析识别,最后用留一法交叉验证分别得到83.3%和80.6%的平均识别率。该系统结构灵活、功能通用、操作简便,可满足不同场景的现场气味检测需求。

电子鼻;嵌入式系统;主成分分析;多重判别分析;货架期

与现代分析仪器和嗅辨员相比,电子鼻因其快速、简单、客观和廉价等优点备受重视。经过三十多年研究积累,众多商用电子鼻系统[1-2]开始涌现,并在环境、食品和医疗等领域得到广泛的探索性应用。尽管如此,电子鼻要走出实验室真正进入生产生活,还有许多问题亟待解决,例如广谱稳定的气敏元件,鲁棒通用的模式识别算法,以及低功耗、小型化、自动化等技术问题。

电子鼻的小型化受技术、成本和功能等因素相互牵制,平衡结果是其通用性的降低。目前实验研究使用的便携式电子鼻原型或产品[3-7]大都采用低端单片机,用于数据采集,而分析功能简单,通常需要借助计算机完成模式识别,体积较大,限制了其应用场合。而嵌入式技术的发展允许电子鼻仪器内嵌操作系统,从而解决了复杂计算及结果可视化等问题,实现了不同程度的小型化。

Perera等[8]在低功耗GEODE处理器和GNU/Linux操作系统上实现了一种C/S结构的便携式电子鼻ipNose,通过电话线或以太网等方式接受远端主机的操作命令,上传数据,机载软件采用基于最大期望算法的混合高斯模型。白福铭等[9]设计了一种基于ARM9和WinCE操作系统的电子鼻,采集的数据传入计算机端的BP神经网络进行训练和识别,并测试了不同品牌纯牛奶和不同生产日期干酪的识别。张延军等[10]设计了一种基于ARM7和μC/OS-II操作系统的电子鼻,数据传入计算机端先完成BP神经网络训练,再将网络模型植回嵌入式系统用于识别,并测试了猪肉贮藏过程中的品质变化。李江勇等[11]设计了一种基于ARM9和嵌入式Linux操作系统的电子鼻用于数据采集,再利用计算机端MATLAB软件分析数据实现3种气味识别。这些系统都采用了高端处理器和操作系统来实现更复杂的功能,但仍需依赖计算机完成模式识别。

我们前期构建了基于MSP430等单片机的电子鼻系统,并通过计算机端的Delphi软件实现控制和数据采集,以配合仿生嗅觉神经网络的研究及应用[12-13]。在此基础上,我们改进和设计了一种基于ARM9和嵌入式Linux操作系统的便携式智能电子鼻系统,嵌入式软件内置了雷达图分析、主成分分析和多重线性分析等方法,并通过对葡萄货架期的评价识别来验证系统的有效性。

图1 嵌入式智能电子鼻系统

1 嵌入式电子鼻的硬件结构

嵌入式智能电子鼻系统主要包括气敏传感阵列、气室及流控装置、数据采集电路、智能识别系统及人机界面等五部分,结构框图和原型实物图如图1(a)和图1(b)所示,其中计算机部分只用于系统调试和高级分析,并非必需,整机尺寸为20 cm×18 cm×14 cm。系统采用MSP430和ARM9双芯片结构,前者用于实时数据采集和控制,负责气敏传感器加热控制、气味响应信号获取、采样泵和排废泵的定时控制等;后者负责模式识别和显示,包括对前者的控制、数据预处理、响应曲线显示、模式识别及其可视化等,从而解除了普通电子鼻系统对计算机的依赖,满足了现场检测中便携式、智能化和低成本要求。

系统可用8种金属氧化物半导体(MOS型)气敏传感器构建阵列。所有传感器及其接口电路集成于PCB板,固定在气室两侧,并可以根据需要自由更换。被分析气味通过采样泵进入气室,静止反应一段时间后,同时开启采样泵和排废泵,用清洁空气清洗气室,让气敏传感器响应回复基线。传感信号经过调理后,由MSP430的片内外设8通道12位ADC采样,并由UART直接发送ARM9处理。ARM9控制触摸屏和USB鼠标实现人机交互,通过嵌入式应用软件完成所有操作、识别和显示。系统也可以通过串口与计算机连接,以上传数据进行进一步分析。

2 嵌入式电子鼻的智能设计

2.1 嵌入式应用软件及其功能

电子鼻系统的嵌入式应用软件是基于Qt C++框架(4.6.3版本)自主开发,并运行于ARM9的嵌入式Linux操作系统(2.6.32版本),主界面如图2所示,包括控制板和显示区两部分,可以通过触摸屏、USB鼠标或内置虚拟键盘进行人机交互,完成在线数据采集、智能识别及相关结果显示。

图2 电子鼻系统的嵌入式应用软件主界面

数据采集模块包括手动模式和全自动模式,前者通过一系列按键逐步控制双泵的开闭、采集的启停,自由掌握时间,用于陌生场景的试验性采集;后者通过MSP430预设程序一键式全自动完成前述过程,用于既定场景的工作性采集,以减少劳动强度、精确进气量,从而减少了人为误差。采集过程中的传感阵列响应将在显示区实时显示,数据/图像等可保存以备后用。

智能识别模块包括模式类别标签的自定义输入、训练样本所属模式类别标记、模式识别算法选择以及计算结果的显示、导出与回读等。用户可以针对当前应用场景自定义添加模式类别标签(包括预设的未知类别X在内最多可达14类),每次样本数据采集结束后,可选择上述类别标签进行标记,之后可以选择雷达图、PCA或MDA等多种方法对当前样本和已知样本一起分析,分析结果将在显示区显示。如果当前样本是标记为X的测试样本,则将弹出对话框告知识别结果,识别正确的样本经用户确认后可转化为已知样本,否则该样本数据丢弃。这种模式类别的自定义添加扩大了应用软件的通用性,而识别过程中的“再学习”累积了更多训练样本,增强了应用软件的智能化。计算结果能以文件形式导出与回读,以“知识库”的形式保存或加载到应用软件,以备相同应用场景的重用。

得益于Qt优良的跨平台特性,上述软件另有X11版本可运行于计算机端的Ubuntu等操作系统。为了分辨率和可读性,本文中程序运行结果均来自X11版本软件的截图,它与ARM版本软件的结果是实质等效的。

2.2 模式识别及智能决策

模式识别是电子鼻智能化的核心,一般电子鼻系统由计算机完成这些处理,通过一些专用软件(如STPS,Winmuster)或者通用软件(如MATLAB)应用或设计某些经典的或新颖的算法实现气味识别[12-21]。在嵌入式电子鼻系统中,我们编制了雷达图分析(Radar Chart)、主成分分析PCA(Principal Component Analysis)、多重判别分析MDA(Multiple Discriminant Analysis)等3种轻量级方法,以满足硬件速度限制和可视化分析要求。

(1)

对于PCA算法,通过最小化平方误差准则函数J(ei)来求解ei,由这组正交基构成最优投影矩阵W。

(2)

可以证明ei可取自样本协方差矩阵前k个较大特征值所对应的特征向量(d≥k)。

本文嵌入式软件中PCA算法流程如下:

③采用Jacobi法计算C的特征值λi和特征向量ei;

④选出最大的k个特征值所对应的特征向量,构造d×k的投影矩阵W;

⑤通过Y=WTX将样本矩阵投影到上述k维子空间Ψ,取k=2作二维PCA散点图。

(3)

本文嵌入式软件中MDA算法流程如下:

①计算总类内散布矩阵

③计算总类间散布矩阵

⑤由前c-1个较大特征值对应的特征向量构造d×(c-1)的投影矩阵W;

⑥通过Y=WTX将样本矩阵投影到上述c-1维子空间Ψ,取c=3作二维MDA散点图

因为在特征提取时已经对某个样本进行了类别标记,可以求出这些模式类别在PCA或MDA投影空间Ψ中的模式中心,故可以在投影空间中计算未知样本yx与这些模式中心yωi的欧氏距离D(式(4))来判定类别归属。

(4)

3 葡萄货架期评价应用

利用电子鼻监测水果采后贮藏期间的气味变化,可对水果货架期及其新鲜度品质进行预测评估[14-20]。葡萄香气成分主要来自萜烯类化合物、降异戊二烯衍生物、芳香族化合物、挥发性脂肪族化合物、含硫化合物和吡嗪类化合物[22],而在劣变过程中主要产生乙酸乙酯、乙醇、二氧化碳和水汽[23]。本文选择葡萄货架期评价来验证前述电子鼻系统的有效性。

3.1 材料与试验

实验采用巨峰葡萄(Kyoho,VitisVinifera×VitisLabrusca),采摘后在约1cm果柄处剪下果粒,并选择色泽、硬度和大小一致且无表面损伤的果粒装入500mL广口瓶,每瓶8粒共6瓶构成平行样品组A～F。盖紧橡胶塞,静置于阴凉通风处待用。在封瓶后的第1、2、4、6、8、10天固定时间用前述电子鼻系统按组依次检测:每次先对背景空气测量5s,然后通过留置在橡胶塞上的长短穿刺针采集葡萄挥发气体,反应测量2.5min后排废,同时清洗气室直至传感器响应回复基线,再进行下一组检测。

本实验的电子鼻系统采用Figaro公司的TGS8xx系列气敏传感器,其型号和标称检测目标气体如表1所示。

表1 葡萄货架期评价实验中所用气敏传感器一览表

3.2 传感信号分析

图3 雷达图上葡萄挥发气体的指纹图谱

利用式(1)对每个样本进行特征提取,同时给定类别标签。本实验用D1、D2、D4、D6、D8、D10表示第1、2、4、6、8、10天货架期样本(以下简记为D1～D10),这些标签名称初始在控制板自定义输入,之后可以通过下拉框选择。图3是雷达图上的葡萄挥发气体指纹图谱,从极坐标0度开始逆时针8个方向轴代表S1～S8传感器。由图3可以看出,S2传感器对葡萄挥发气体的反应很小,可以视作冗余;其他传感器对不同货架期葡萄挥发气体都有响应,其中又以S5方向的变化最大。图3(a)为第8天所有6个平行样品组的雷达图,图中每条指纹图谱的重现性很好,表明这些数据样本的类内差异较小;图3(b)为A组和B组样品在D1～D10货架期的雷达图,可见不同货架期的指纹图谱在形状和幅度上不同,表明这些数据样本存在较大的类间差异。从而说明所选的气敏传感器除了S2冗余外都适用于葡萄货架期评价,也说明式(1)的差分法特征提取是合适的。

3.3 PCA和MDA方法分析葡萄货架期

图4和图5分别是A～F 6个平行样品组在D1～D10不同货架期的二维PCA和MDA散点图,图中以颜色和字母区分不同货架期,含义在上方图例中标识,并随着模式类别增多会自动扩展到两排。图右上角列出最大前3个贡献率(四舍五入保留到0.1%),其中最大前3个主成分贡献率为86.7%、8.4%和2.7%,最大前3个判别函数贡献率为89.5%、8.7%和1.8%,可见前两个累计贡献率均超过了95%,说明采用二维散点图足以展示这些样本的分布情况。

图4 6组葡萄样品在D1～D10不同货架期的二维PCA散点图

从两图中看,总体上同一货架期的6组样品分布比较集中,不同货架期的样品则有一定距离,这与雷达图上观察到的情形一致。但是也有个别样本偏离自己的样本中心,例如在图4中有一个D4样本进入D2样本区,有一个D10样本更接近D8样本区。另外值得注意的是,随着货架天数增加,从D1到D10样本在PCA和MDA散点图上的分布具有一定的方向性,这个规律在其他电子鼻货架期评价中也有报道[15-18]。

图5 6组葡萄样品在D1～D10不同货架期的二维MDA散点图

在雷达图、PCA和MDA散点图上,第10天D10样本比较分散,而在原始响应曲线图中幅度较前几天有突然增大。检查葡萄样品发现,果柄大都转黑脱落,果粒变软,部分果粒有液体渗出,表明葡萄已有较大劣变。

图6 采用留一法考察PCA对E组葡萄样品D8货架期的识别结果

为了考察PCA和MDA方法对葡萄货架期的正确识别率,本文采用留一法LOO(Leave-One-Out)进行交叉验证测试,即轮流用A～F平行组中的5组作为训练集,剩下1组为测试集,每次从该组读入一个D1～D10样本文件(即离线模式,而在线模式中可直接操作采集到的数据),特征提取后用X标签标记,在下拉框中选择PCA或MDA方法后点击Analyze按键,软件弹出对话框告知识别结果,如图6是PCA方法对E组样品D8货架期的识别结果。用户认为识别正确可选择Yes按键,则该测试样本将进入训练集,这些训练集可以通过SaveInfo和ReadInfo按键保存和读回,以殷实智能电子鼻系统的“知识库”。

表2是采用留一法考察PCA和MDA对6个平行样品组D1～D10货架期的正确识别数和平均识别率,例如A组作为测试集时用PCA方法对该组所有6个D1～D10样本均识别正确,而A～F组轮流做测试集后计算PCA的平均识别率为83.3%,同理MDA的平均识别率为80.6%。

表2 采用留一法考察PCA和MDA对6组葡萄样品货架期的正确识别

4 结语

本文设计了一种基于ARM9和嵌入式Linux操作系统的便携式智能电子鼻系统,通过基于Qt C++框架开发的嵌入式应用软件,可以实现对流控装置的自动或手动控制、传感阵列数据采集、在线或离线智能识别及相关结果的可视化。该系统的嵌入式软硬件设计注重通用性和可扩展性,为其在不同场景的应用带来便利。软件内置雷达图、PCA和MDA等多种分析方法,有利于多角度解析样本数据,得到可靠的识别结果。通过对巨峰葡萄6个平行样品组10天货架期的数据采集,使用软件的PCA和MDA方法进行分析识别,在留一法交叉验证中分别得到83.3%和80.6%的平均识别率,从而验证了系统的有效性。

电子鼻走向大众市场,成为标准的通用的检测仪器,尚需解决相当多的技术和工程问题,比如气敏传感器的长期漂移与可重复性、环境温湿度与气压等的影响、模式识别算法的通用性等等,而小型化和便携化还需要解决硬件计算能力、功耗、操作简便与可视化等问题。我们相信随着各项技术的发展,这些瓶颈会逐渐突破,机器嗅觉将像当今的机器视觉那样蓬勃发展,大放异彩。

[1] Rock F,Barsan N,Weimar U. Electronic Nose:Current Status and Future Trends[J]. Chemical Reviews,2008,108(2):705-725.

[2] Chiu S,Tang K. Towards a Chemiresistive Sensor-Integrated Electronic Nose:A Review[J]. Sensors,2013,13:14214-14247.

[3] Arshak K,Lyons G M,Cunniffe C,et al. A Review of Digital Data Acquisition Hardware and Software for a Portable Electronic nose[J]. Sensor Review,2003,23(4):332-344.

[4] Botre B A,Gharpure D C,Shaligram A D. Embedded Electronic Nose and Supporting Software Tool for Its Parameter Optimization[J]. Sensors and Actuators B:Chemical,2010,146:453-459.

[5] Haddi Z,Amari A,Alami H,et al. A Portable Electronic Nose System for the Identification of Cannabis-Based Drugs[J]. Sensors and Actuators B:Chemical,2011,155:456-463.

[6] LamTPon B D,Han Y J,Khalilian A,et al. Development of a Portable Electronic Nose for Detection of Pests And Plant Damage[J]. Computers and Electronics in Agriculture,2014,108:87-94.

[7] Kiani S,Minaei S,Ghasemi-Varnamkhasti M. A Portable Electronic Nose as an Expert System for Aroma-Based Classification of Saffron[J]. Chemometrics and Intelligent Laboratory Systems,2016,156:148-156.

[8] Perera A,Sundic T,Pardo A,et al. A Portable Electronic Nose Based on Embedded PC Technology and GNU/Linux:Hardware,Software and Applications[J]. IEEE Sensors Journal,2002,2(3):235-246.

[9] 白福铭,黄品文,郑丽敏,等. 基于ARM9的电子鼻系统设计与应用[J]. 农业机械学报,2009,40:138-142.

[10] 张延军,刘敬彪,蔡强,等. 基于嵌入式系统的电子鼻研究与实现[J]. 电子器件,2010,33(4):466-470.

[11] 李江勇,骆德汉,陈益民,等. 基于ARM9-Linux的嵌入式电子鼻系统的实现[J]. 计算机技术与发展,2012,22(11):209-211,215.

[12] Fu J,Li G,Qin Y,et al. A Pattern Recognition Method for Electronic Noses Based on an Olfactory Neural Network[J]. Sensors and Actuators B:Chemical,2007,125(2):489-497.

[13] 傅均,邢建国. 嗅觉神经网络在电子鼻识别多品牌绿茶中的应用研究[J]. 传感技术学报,2012,25(3):313-318.

[14] Gomez A H,Wang J,Hu G,et al. Discrimination of Storage Shelf-Life for Mandarin by Electronic Nose Technique[J]. LWT,2007,40:681-689.

[15] 江琳琳,潘磊庆,屠康,等. 基于电子鼻对水蜜桃货架期评价的研究[J]. 食品科学,2010,31(12):229-232.

[16] Torri L,Sinelli N,Limbo S. Shelf Life Evaluation of Fresh-Cut Pineapple by Using an Electronic Nose[J]. Postharvest Biology and Technology,2010,56:239-245.

[17] 惠国华,吴玉玲,陈裕泉. 基于电子鼻的香蕉储存时间鉴别方法研究[J]. 传感技术学报,2012,25(5):566-570.

[18] 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.

[19] 朱娜,毛淑波,潘磊庆,等. 电子鼻对草莓采后贮藏早期霉菌感染的检测[J]. 农业工程学报,2013,29(5):266-273.

[20] Sanaeifar A,Mohtasebi S S,Ghasemi-Varnamkhasti M,et al. Application of MOS Based Electronic Nose for the Prediction of Banana Quality Properties[J]. Measurement,2016,82:105-114.

[21] 周宇,孟庆浩,亓培锋,等. 基于单类支持向量机的电子鼻在白酒真假识别中的应用[J]. 传感技术学报,2015,28(12):1741-1746.

[22] 温可睿,黄敬寒,潘秋红,等. 葡萄香气物质及其影响因素的研究进展[J]. 果树学报,2012,29(3):454-460.

[23] 王文重,董大明,郑文刚,等. 葡萄劣变过程中挥发性物质的FTIR光谱分析[J]. 化学学报,2013,71:234-238.

傅均(1980-),男,博士,副教授,硕士生导师。1999～2009年在浙江大学本科和直攻博学习,2009年至今在浙江工商大学任教。主要研究方向为医学电子与信息技术,人工嗅觉及其传感技术、模式识别,物联网技术,junfu@zjgsu.edu.cn;

A Portable Intelligent Electronic Nose System and Its Application in Grape Shelf Life Evaluation*

FU Jun*,HUANG Canqin,ZHANG Tiefei

(School of Computer Science and Information Engineering,Zhejiang Gongshang University,Hangzhou 310018,China)

Miniaturization and intellectualization of electronic nose system are extremely important for its real routine use. A portable intelligent electronic nose system based on ARM9 microprocessor and embedded Linux operating system is proposed. An embedded program was developed using Qt C++ framework for on-line automatic odor detection,pattern recognition and result visualization. The system was used in grape shelf life evaluation for validation. Data was collected from six parallel grouTP in ten days and analyzed by principal component analysis and multiple discriminant analysis method embedded in the software. The results of leave-one-out cross validation show that two methods get 83.3% and 80.6% of average correct recognition rate respectively. The system could be applied in variety of in-field odor detection situation because of its alterable structure,versatile function and convenient operation.

electronic nose;embedded system;principal component analysis;multiple discriminant analysis;shelf life