基于流速调制的电子鼻系统开发及其在黄酒酒龄分类中的应用

钱曙，邢建国，王雨，程辉

(浙江工商大学 计算机与信息工程学院，浙江 杭州，310018)

黄酒是世界上最古老的酒类之一，源于中国，与啤酒、葡萄酒并称世界三大古酒。黄酒以大米、黍米、粟为原料，含有人体必需的多种氨基酸[1]，其中包括有数种未知氨基酸。黄酒中的检测方法主要有人为感官品评和理化指标检测。前者主要凭借人的主观感官感受来判断，而这种判断往往只是初步的口味是否纯正的判断，无法做到对其中化学物质的定量检测，并且受外界干扰和人为因素影响；后者是通过仪器判断，方法主要有气相色谱[2-3]、高效液相色谱[4-6]等，这些方法虽然准确率较高，但是往往检测时间长并且成本也比较高。

随着传感器技术的发展和各种分类算法的不断演进完善，目前已经应用于饮料[7]、酒[8-11]等食品的检测。电子鼻的分类大多使用传感器阵列的稳态值作为特征值和PCA、SVM、BPNN等分类算法[12-14]。由于受传感器数量自身物理特性限制，金属氧化物型气敏传感器与气体反应至稳态通常需要几分钟以上，恢复时间也较长[15]，因此检测一次往往需要较长时间，使得电子鼻的应用范围大大受限。

本研究从流速调制的角度设计了一种电子鼻系统，通过改变进气流速，进而调节传感器阵列中气体分子的分布，进而提高识别正确率，缩短检测时间。采用不同进气流速下对应的区间梯度作为特征向量，并且在PCA算法的基础上设计了一种改进的自适应PCA算法(AD-PCA)。将该系统应用于黄酒酒龄分类，对比了AD-PCA、SVM、BPNN几种分类算法，以验证此系统的有效性。

1　材料与方法

1.1　实验材料

本文实验材料为2017年3月份生产的5种不同酒龄的瓶装黄酒(每种黄酒5瓶)(见表1)，采购自当地超市。

自主设计的基于流速调制的电子鼻系统，其硬件模块包括采样阀、气敏传感器阵列、采样气腔、流量计、流速控制阀、气泵、STM32F407微控制器、计算机和连接导管；其软件模块包括采样控制模块和数据处理模块。硬件结构框图如图1所示。

样品气体或洁净的空气由采样阀进入气腔，采样阀的作用是控制实验的进行和排废，若采样阀中通过的是样品气体则进行的是正常实验环节；若采样阀中通过的是洁净的空气则进行的是一次实验结束后的排废环节。气体通过采样阀后进入气腔，气腔内均匀分布有传感器阵列，传感器阵列由10个MOS型气敏传感器组成，气体通过气腔经过流量计(用来直观的显示出当前流速)再经由流速控制阀以某一进气流速通过，本研究根据实验实际情况设计了100、200、300、400 mL/min四种进气流速，流速控制阀根据程序指令自动切换进气流速。气腔采集到的样品数据值由采样控制模块传输到数据处理模块，通过STM32F407微控制器的UART-to-USB发送到计算机端进行数据处理和分析。

表1　黄酒种类Table 1　Kinds of Chinese yellow wine

图1　硬件结构示意图Fig.1　Figure of hardware structure

电子鼻系统采用的气敏传感器型号如表2：

表2　所用气敏传感器列表Table 2　List of sensors

1.2　AD-PCA算法分析

在模式识别和模式分类中，常用的分类算法如PCA和SVM通常采用达到稳态的数据(如平均值，最大值)进行降维分类，稳态数据需要传感器信号稳定之后才能得到，而传感器信号要达到稳定一般需要较长时间，实验完成后的排废时间也很长，两次测量时间间隔长，使得检测速度慢，检测周期长。为了提高检测速度，缩短检测周期，提出了一种改进的自适应PCA算法进行分类来验证实验结果，即使用不同流速下对应的区间梯度作为特征向量。

组成的特征向量为：

2　结果与分析

2.1　实验过程

实验过程中分别取每种酒龄的黄酒100 mL置于250 mL锥形瓶中，传感器预热1 h。样品检测前，先抽取60 s洁净空气，排出气腔和导管内的废气，待传感器稳定输出后，依次以100、200、300、400 mL/min的进气流速进行测试，每种流速的测试时间为10 s，之后由采样控制模块控制流速控制阀自动切换到下一进气流速，总的检测时间为40 s，一组检测结束后，以最大进气流速通入洁净空气进行2.5 min的排废，每个样本检测25次。

2.2　数据分析

本研究提出的一种改进的自适应的PCA算法(AD-PCA)，使用不同流速对应的区间梯度作为特征向量，图2为传感器对三年陈黄酒一次采样的原始数据，从图中可以看出各传感器对样品气体的响应值曲线和响应值变化情况，进气流速从小到大依次进行切换，在图中可以看出，随着时间的推移，采样点的增加，流速的每一次切换，曲线均有明显的斜率上的变化，传感器与气体刚开始反应时，响应值数据变化较慢，流速切换后反应明显加快，响应值变化幅度明显变大。

2.3　AD-PCA算法分析

图3是5种黄酒经过AD-PCA算法处理后在不同流速下的三维散点图，从图中可以看到不同酒龄的黄酒分布的集中区域不同，不同流速下对应不同酒龄的黄酒的分布情况不同，100 mL/min流速下，无法区分酒龄分布，200 mL/min时，六年陈黄酒已经区分开来，300 mL/min流速下，三年陈，六年陈和八年陈的黄酒已经可以区分出来，最后400 mL/min流速下，各年份黄酒均区分出来。随着流速的增大，不同酒龄黄酒的集中分布越显著。相同种类黄酒分布比较集中，不同种类的黄酒分布则有一定距离。

图2　三年陈黄酒传感器响应值图Fig.2　Response value of 3 years Chinese yellow wine

图3　四种流速下的AD-PCA三维散点图Fig.3　Scatter plot of AD-PCA under four kinds flow rates

AD-PCA的分类正确率如图4所示，可以看出，随着流速的增大，4种不同流速下的分类正确率均有提高，最终在400 mL/min流速下达到最高。

2.4　SVM算法分析

图5是SVM分类算法得到的分类图，总的样本数为125个，每种黄酒的样本总数为25个，将其中的15个作为训练集，剩下的10个作为测试集。训练集总数为75个，编号1～75；测试集总数为50个，编号为1～50。其中1～10为三年陈，11～20为五年陈，21～30为六年陈，31～40为八年陈，41～50为十年陈。

图4　不同流速下AD-PCA分类正确率Fig.4　Correct classification rate of AD-PCA underdifferent flow rates

从图5中可以看出，50个测试集数据中有4个分类错误，对应不同酒龄黄酒的正确率为：五年陈、六年陈、十年陈黄酒的分类正确率为100%；三年陈、八年陈黄酒的分类正确率为80%，平均分类正确率为92%。

图5　SVM分类图Fig.5　Classification graph of SVM

2.5　BPNN算法分析

BP神经网络构建根据系统输入输出特点确定BP神经网络的结构，由于样本气体输入信号有40维(即4种流速下传感器阵列中10个传感器的响应值，共40维)，待分类信号共有5类(即5种不同酒龄黄酒)，所以神经网络的结构为40-41-5，即输入层有40个节点，隐含层有41个节点(40维输入信号和1维分类信号)，输出层有5个节点。

从原始数据中提取125个样本数据，其中100个作为训练样本，剩下的25个作为预测样本。图6为测试集样本的预测类别与实际类别的对比图，得到的5种酒龄的黄酒分类正确率均为100%，可见使用BPNN算法能够准确的分类出黄酒酒龄。平均分类正确率为100%。一方面该结果也验证了AD-PCA中采用平均值作为特征向量得到的结果是比较准确的，另一方面也可能是因为数据样本数较少，使得正确率结果较高。

图6　预测分类和实际分类对比图Fig.6　Comparison of forecast classification andactual classification

表3是3种算法的分类正确率表。采用AD-PCA算法，三年陈和六年陈黄酒最大分类正确率为100%，五年陈，八年陈和十年陈黄酒分别为88%，84%，96%，平均正确率为93.6%。采用SVM算法，五年陈，六年陈和十年陈正确率为100%，三年陈和八年陈为80%，平均正确率为92%。采用BPNN算法，三年陈，五年陈，六年陈，八年陈和十年陈正确率均为100%，平均正确率为100%。

表3　三种算法的分类正确率表Table 3　The correct classification rates of AD-PCA SVM and BPNN

3　结论

自主设计了一种基于流速调制的电子鼻系统，通过改变进气流速来最大程度扩大传感器对不同成分和不同浓度气体的响应范围。使用改进的自适应主成分分析算法(AD-PCA)、支持向量机算法(SVM)、误差反向传播神经网络算法(BPNN)进行分类识别。用黄酒酒龄分类验证该电子鼻系统，AD-PCA得到93.6%的平均分类正确率，SVM得到92%的平均分类正确率，BPNN得到100%的平均分类正确率，证明本系统可以有效缩短检测时间，提高分类正确率，做到快速分类。

[1]陈佩仁,陈江萍,王林秋,等.黄酒产业发展的前世今生和未来浅析[J].酿酒,2015,42(4)：111-114.

[2]严冬霞,高红波. 静态顶空—气相色谱法分析不同年份黄酒中主要香气成分[J]. 酿酒科技,2011(7):114-117,120.

[3]胡健,池国红,吴苗叶,等. 利用风味物质鉴别黄酒产地[J]. 酿酒科技,2009(6):17-19.

[4]江伟,兰玉倩,黄毅,等. 固相微萃取与气相色谱—质谱联用法对不同酒龄黄酒的微量风味分析与应用[J]. 食品与发酵工业,2011,37(2):144-150.

[5]鲍忠定,孙培龙,许荣年. 动态顶空进样GC/MS法测定不同酒龄绍兴酒的挥发性醛类化合物[J]. 酿酒科技,2007(1):97-98.

[6]诸葛庆,李博斌,郑云峰,等. 反相高效液相色谱法测定黄酒中的β-苯乙醇[J]. 食品科学,2009,30(14):175-177.

[7]杨智, 王楠, NIAMAT U, 等. 电子鼻对红枣乳酸发酵饮料的品质分析[J]. 西北农业学报, 2015, 24(11): 149-156.

[8]杨利军,汤旭祥,张千金,等. 基于智能电子鼻系统对不同品牌啤酒区分[J]. 食品科学, 2011,32(22):184-187.

[9]徐晚秀, 李臻峰, 张振, 等. 基于电子鼻的中国白酒酒龄检测[J]. 食品与发酵工业, 2016, 42(2): 144-149.

[10]张振, 李臻锋, 宋飞虎, 等. 电子鼻结合化学计量法用于检测黄酒酒龄[J]. 食品与机械, 2015(3): 57-61.

[11]缪璐, 何善廉, 莫佳琳, 等. 电子鼻技术在朗姆酒分类及原酒识别中的应用研究[J]. 中国酿造, 2015, 34(8): 106-110.

[12]SHI Z,YU T,ZHAO Q,et al.Comparison of algorithms for an electronic nose in identifying liquors[J]. Journal of Bionic Engineering,2008,5(3):253-257.

[13]FANY,XUE Y,LI Z, et al. Analyzing the flavor compounds in Chinese traditional fermented shrimp pastes by HS-SPME-GC/MS and electronic nose[J]. Journal of Oceanic University of China,2017,16(2):311-318.

[14]TANG X W, HE H J, GENG L H, et al. Evaluation of maturity and flavor of melons usingan electronic nose[J]. Agricultura l Science & Technology, 2011, 12(3): 447-450.

[15]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):1 741-1 746.