茶葉貯藏時間電子鼻檢測方法

蚌埠學院電子與電氣工程系 鮑俊宏 薛大為

茶葉貯藏時間電子鼻檢測方法

蚌埠學院電子與電氣工程系 鮑俊宏 薛大為

利用電子鼻對4個不同貯藏時間黃山毛峰茶干茶葉進行了檢測。首先根據傳感器陣列響應曲線選擇了原始特征變量，再通過PCA提取出主特征變量，最后以主特征變量作為輸入建立了茶葉貯藏時間的BPNN預測模型。實驗結果表明電子鼻用于檢測茶葉貯藏時間是可行的。

茶葉；貯藏時間；電子鼻；BPNN

茶葉的貯藏時間對茶葉的品質會產生重要的影響，一般來講對于非發酵茶隨著茶葉貯藏時間的增長其品質也會隨之降低[1]。目前用于判斷茶葉貯藏時間長短的方法還大都采用人的感官進行評價，但感官評價法[2]存在程序繁瑣、主觀性強、準確度低等缺陷。人們一直以來在不斷尋求一種更加簡便、快速、準確的檢測茶葉貯藏時間的方法。因此，本研究將采用電子鼻對茶葉貯藏時間檢測。首先根據電子鼻傳感器陣列響應變化趨勢選擇相應的特征變量，再通過主成分分析法（PCA）提取出主變量，最后以主變量最為輸入建立茶葉貯藏時間的神經網絡預測模型，并進行實驗驗證方法的有效性。

1 電子鼻

本研究中采用德國的PEN2型便攜式電子鼻，該電子鼻的傳感器陣列由10個半導體金屬氧化物傳感器組成，傳感器響應為其接觸揮發性氣味時的電導率與經過干凈空氣吸附處理后的電導率的比值。傳感器典型響應曲線如圖1所示。

圖1 傳感器典型響應曲線

2 主成分分析法與BP神經網絡

主成分分析法（PCA）是常用的常用數學統計分析方法，可用少數幾個互不相關的綜合變量來描述多個變量，且綜合變量保留了原多變量包含的主要信息，通過PCA可以達到降維的目的。

BP神經網絡（BPNN）[3-4]是模式識別中常用的非線性處理方法，具有結構簡單、設計方便、泛化能力強等優點。BPNN通過訓練樣本進行學習，學習過程中依據網絡輸出的期望值與實際輸出值之間的誤差來調整連接權值和閾值，直到網絡誤差達到設定的精度或設定的最大學習次數，則學習結束。BPNN常用的學習算法為帶動量因子的δ學習算法[5]。

3 茶葉貯藏時間預測模型建立

3.1 原始特征變量的確定

本研究以黃山毛峰茶為檢測對象，從茶廠訂購了市場價格為300元一斤的黃山毛峰新產干茶葉并保存在5℃的冰箱中。每隔90天利用電子鼻對茶葉檢測一次，連續檢測270天，即0 天、90天、180天、270天。每次檢測重復試驗40次，一共得到160組原始數據樣本，其中120組作為訓練樣本，40組最為測試樣本。

根據電子鼻傳感器陣列響應曲線特點，選擇響應的最大值、穩態值作為原始特征變量。因為傳感器響應在50s之后基本沒有變化即趨于穩定，因此選擇傳感器第55s時的響應值作為穩態值。由傳感器陣列特征變量構成的特征向量可表示為：

3.2 PCA分析

原始特征向量為20維數，維數很大，并且各變量之間往往存在一定的相干性，如果以原始特征變量作為輸入建立神經網絡預測模型，不但學習時間較長且精度較低。因此，先進行PCA分析提取出主特征變量，再以住特征量作為神經網絡的輸入建立預測模型。

PCA分析結果如表1所示。可以看出前4個主成分的貢獻率已經超過了90%，可以對原始特征變量進行有效的描述。

表1 不同貯藏時間下茶葉前4個主成分分析結果

3.3 BPNN設計

研究中采用3層結構的神經網絡。輸入層節點數為主變量個數為4個，輸出為貯藏時間節點數為1個。中間層節點通過反復試驗比較最終確定為10個。因此，BPNN的最終結構為4-10-1。

4 實驗分析

為了檢驗所建立的茶葉貯藏時間預測模型的性能，利用檢測樣本對其進行了實驗。實驗結果分析如表2所示。

表2 預測模型的實驗結果分析

5 結論

以黃山毛峰茶為檢測對象，利用電子鼻對4個不同貯藏時間的干茶葉進行檢測，并建立的茶葉貯藏時間預測模型。通過實驗分析，最大預測誤差為38.5天，預測誤差超過10天的最大比率為20%。說明電子鼻可用于對茶葉貯藏時間進行檢測。

[1]楊春蘭,薛大為,鮑俊宏.黃山毛峰茶貯藏時間電子鼻檢測方法研究[J].浙江農業學報,2016,28(4):676-681.

[2]趙菁.綠茶特征香氣成分及與品質的關系研究[D].杭州:浙江大學,2002.

[3]苑津莎,尚海昆.基于主成分分析和概率神經網絡的變壓器局部放電模式識別[J].電力自動化設備,2013,33(6):141-146.

[4]王茜荷,黃志文,劉凱 等.基于主成分分析和人工神經網絡的激光誘導擊穿光譜塑料分類識別方法研究[J]光譜學與光譜分析,2012,32(12):3179-3182.

[5]楊俊.電子鼻識別中的預處理與模糊神經網絡算法[D].大連:大連理工大學,2007.

鮑俊宏（1994—），男，電氣工程及其自動化專業本科生。

薛大為（1978—），男，副教授，主要從事儀器儀表與智能檢測、模式識別等方面的研究。

國家級大學生創新訓練計劃項目(201511305023)。