自制電子鼻檢測霉變大米

李 超，周 博

（1.江蘇大學機械工程學院，江蘇鎮江 212000；2.鹽城工學院機械工程學院，江蘇鹽城 224000）

中國是種植水稻最豐富的國家之一，超過半數的人口以大米為主食[1]，大米是水稻經多道工序加工的成品，并含有蛋白質、脂類、碳水化合物等營養成分，是天然的微生物培養基。儲糧大米中常見微生物有細菌、霉菌、酵母菌等，由于霉菌代謝活動所需要的水分和溫度遠低于其它微生物，所以大米最易受霉菌侵蝕，尤其是南方高溫高濕地區。當滿足霉菌生存的溫濕度條件時，大米就會發生霉變。霉變大米會產生抗菌素、真菌毒素、有機化合物等次級代謝產物，其中黃曲霉、寄生曲霉等常見標準菌株會產生對人危害極大的黃曲霉毒素。一般情況下，大米霉變伴隨著復雜的氣味變化，其揮發物成分是微生物作用產生的羥基類、醛基類、硫化物等化合物[2]。大米在不同霉變程度下，微生物揮發的氣體成分在種類和濃度上也會發生相應的變化，大米變質過程中會產生霉味、酸敗味、酒味等氣味[3]，這使得通過氣味變化快速鑒別大米受霉菌污染成為可能。

傳統谷物品質檢測方法主要依靠人工感官評審，該評定方法因誤差較大已被淘汰。目前應用廣泛的新型谷物霉變檢測方法主要有近紅外光譜技術[4]、機器視覺法[5]、高光譜成像技術[6]、電子鼻技術[7]等。近紅外光譜技術因其譜帶復雜易導致數據整理時產生誤差，對最終結果有影響。機器視覺法主要依靠攝像頭拍照識別，但大米初期霉變外觀并無較大變化，所以并不適用。高光譜成像技術采用圖像采集來反饋數據，能清楚的反映出農產品缺陷，但對于大米霉變檢測不夠準確和穩定。電子鼻作為一種新型氣味檢測器，由多種氣敏傳感器組成陣列，單一傳感器對特定氣味產生高響應，對其他氣味不敏感，整個傳感器陣列對不同氣體產生不同的響應圖案，根據響應圖案可以識別多種氣味。國內外已有多項研究證實電子鼻在檢測和識別微生物方面的有效性，如沈飛等[8]成功驗證電子鼻技術對糙米中黃曲霉毒素快速檢測的可行性；Gu 等[9]利用電子鼻結合BPNN 為早期檢測曲霉菌提供可行性，眾多研究表明電子鼻可以作為谷物霉變檢測的有效手段。

電子鼻技術是一種檢測揮發性氣體的新型技術，具有檢測速度快、響應迅速、重復性好和無損檢測等特點，在食品檢測行業[10?11]已有廣泛應用，如水果[12?14]、乳制品[15]、肉制品[16]、谷物[17?19]、酒類[20?22]等的品質檢測。目前許多學者已經借助電子鼻技術進行谷物品質的檢測，郭玉寶[23]利用電子鼻技術探尋大米陳化劣變程度指標，發現電子鼻對大米6 個月內氣味變化可以明顯區分，證明電子鼻可以用于大米品質鑒定。胡志全等[24]利用電子鼻對不同基因型大米揮發性物質進行檢測，發現電子鼻應用于鑒別大米新陳和基因型的差異是可行的。熊作周[25]利用電子鼻系統鑒定多種稻米品種，并且陣列優化后分類準確性高。通過上述研究發現，電子鼻在大米研究中的應用主要集中在對于品種鑒別、風味品質鑒定等方面，對于大米霉變的相關研究較少。張紅梅等[26]用電子鼻結合主成分分析法成功區分6 個霉變程度的大米，證明電子鼻用于霉變大米的檢測是可行的。本文研究目的主要是研制一套滿足大米霉變在線檢測電子鼻系統，采用不同的模式識別方法分析，并通過BP 神經網絡建立霉變大米預測模型，實現對摻入不同比例霉米的大米樣品的分類識別，為解決大米霉變診斷問題提供新的方法。

1 材料與方法

1.1 材料處理

大米 品種為“道好牌”公正大米，將培養好的霉菌孢子液分別接種經輻照滅菌處理后的10 份大米樣品，每份100 g，然后將混有菌液的大米放入30 ℃、95% RH 恒溫恒濕箱培養3 d 供后續使用。分別設立四組對照組a、b、c、d，a 組為正常無霉變大米，b 組、c 組、d 組分別為摻入質量10%、20%、30%霉變大米的樣品。每組大米共計1000 g，每隔2 d 進行一次測試。進行電子鼻檢測時，樣品稱量過程采用同一規格的燒杯，結合樂琪精密電子秤的“去皮”稱量，避免稱量過程存在誤差。每組取20 個樣本，每一個樣本（50 g）置干燥潔凈的200 mL 小燒杯中，并用聚乙烯保鮮膜密封60 min（產生頂空的時間），以達到氣體平衡。靜置后分別檢測每組樣本，每組樣本測試完成全部放回貼有標簽的2 L 大燒杯中，并繼續用保鮮膜密封，供后續測試。為避免污染，每次燒杯用完采用無菌水沖洗，放入烘箱（105oC)烘干待用。測試時間為60 s，傳感器清洗時間為180 s。每2 d 測試1 次，分別測試第1、3、5、7 d 的不同比例霉變大米。

1.2 電子鼻裝置

該研究采用自主研制的電子鼻系統，系統主要包括傳感器陣列、NI 數據采集卡、檢測氣室及電源部分組成，電子鼻系統示意圖如圖1 所示。

圖1 中傳感器陣列由8 個金屬氧化物傳感器組成，分別為5 個費加羅半導體傳感器和3 個北科電子MQ 系列傳感器，各個傳感器信息如表1 所示。所用采集卡為NI 數據采集卡USB6009，有8 路模擬輸入通道和2 路模擬輸出通道，負責將8 個氣敏傳感器采集到的模擬信號轉化為數字信號發送到PC 機LabVIEW 平臺。氣室容量為1000 mL，所用氣泵為佑誠至信機電的VN-C6，可抽取0.2 L/min 的氣體，電源為君利來學生電源，支持2～16 V 直流穩壓電源輸出。

圖1 電子鼻系統示意圖Fig.1 Schematic diagram of electronic nose system

表1 傳感器特點和檢測范圍Table 1 Characteristics and detection range of sensors

本系統是以LabVIEW 為基礎開發檢測平臺，實現數據的采集、數據的保存等功能。數據采集通道依次對應采集卡NI USB-6009 的8 個模擬通道AI0～7，每個通道1 s 采集1 個數據，可選擇和關閉任意傳感器信號采集，按下開始測試即可將數字信號顯示在波形圖上，按下停止測試即可停止采集，按下保存按鈕即可保存為Excel 表格數據（如測試60 s 則記錄8×60 數據矩陣），電子鼻系統前面板如圖2 所示。圖中為8 個傳感器未接入氣體時的波形圖。

圖2 電子鼻數據采集平臺前面板Fig.2 Electronic nose data acquisition platform front panel

1.3 菌落總數測定方法

菌落總數檢驗采用平板菌落計數法，并采用菌落形成單位（Colony Forming Units，CFU）計算菌落數。將黃曲霉3.17、寄生曲霉3.3950、赭曲霉3.6486分別接種于馬鈴薯葡萄糖瓊脂（potato dextrose agar，PDA）培養基，并置于恒溫培養箱中（28oC、85%RH）,14 d 后用無菌水沖洗PDA 培養基表面，制成濃度為105CFU/mL 的霉菌孢子懸浮液。檢驗標準參照GB/T 4789.15-2016《食品微生物學檢驗》菌落總數測定方法進行。

1.4 分析方法

本研究中采用主成分分析法（Principal Component Analysis，PCA）、線性判別分析法（Linear Discriminant Analysis，LDA）和反向傳播神經網絡（Back Propagation Neural Network，BPNN）對電子鼻數據進行分析處理。

PCA 是一種無監督模式識別技術[27]，它是將多指標轉化為少數幾個能代表數據整體信息的綜合指標，既能使多維數據降維，又能提取出最有價值的信息，從而客觀的分析出樣品之間的差異。本文采用Matlab?2018a 軟件先對樣本數據進行標準化處理，然后利用“Princomp”函數進行PCA 分析。

LDA 是一種有監督學習的降維技術，在模式識別領域有廣泛的應用，和PCA 不同的是LDA 數據集的每個樣本都是有類別輸出的。本文采用IBM SPSS Statistics 25 軟件的判別分析法對PCA 降維后的電子鼻數據進行分析，并按組平均值求得組質心。

BPNN 是一個用于模式分類的多層前饋網絡，可實現從輸入到輸出的任意非線性映射。感知器網絡結構依次為輸入層、隱含層和輸出層，樣本從輸入層穿過，通過所有隱含層逐層處理后傳向輸出層。如果當前輸出不等于期望輸出，則進入反向傳播過程，誤差信號經過正向傳播的通路反向傳回，通過依次調整每個隱含層神經元連接權系統得到期望輸出。在建模過程中，輸入和輸出之間的數學方程無需定義，使得BPNN 操作非常方便[28]。本文所建立的BPNN模型包括三層，隱含層節點數從7 個開始增加15 個，對每個節點的BPNN 進行3 次訓練，從9 個不同結構的神經網絡中選擇訓練集準確率最高的一個來評價網絡分類性能，采用非線性最小二乘算法Levenberg-Marquardt 算法，算法公式如式（1）：

Axygen DNA提取試劑盒購于上海必橫生物技術有限公司；rTaq酶，dNTP Mixture，10×PCR Buffer，瓊脂糖（大連TaKaRa技術有限公司）；TAE、PBS緩沖液購于上海雙螺旋生物科技有限公司。

式中：e 為網絡誤差值；xk為k 次迭代各層之間的連接權值或者閾值；Jk為網絡誤差函數對權值和閾值一階倒數雅克比矩陣；μ 為常數系數變量[29]。經過多次測試最終采用輸入層8 個、隱含層12 個、輸出層1 個的BPNN 模型，按照以下參數進行訓練：訓練誤差為1e-3，最大訓練次數2000，學習率0.01，最小梯度要求1e-10。

2 結果與分析

2.1 霉變時間及菌落總數

大米感染霉菌之后，霉菌在繁殖過程中不斷消耗大米中的營養物質，并代謝產生醛、醇、酮、酸等小分子揮發性物質[30]，導致大米霉變的優勢菌屬主要有黃曲霉、赭曲霉、寄生曲霉、黑曲霉、變幻青霉等，其中最常見的是黃曲霉（含量最多且毒性最大）、赭曲霉、寄生曲霉，實驗用的霉變大米主要受這3 種霉菌侵染，霉米中菌落總數變化如圖3 所示。由圖3可知，3 種霉菌隨時間遞增變化趨勢基本類似，0～3 d 時霉菌計數指標呈緩慢上升態勢，此時大米表現為“出汗”現象，色澤灰暗，散發輕微的霉味；3～5 d 時菌落總數開始加速升高，此時霉變大米呈現黃綠色，散發糠酸味、霉味、酒味等；5～7 d 時霉菌霉菌增長率達到最大，此時霉變大米成團結塊，散發腐敗味。7 d后霉變大米嚴重發霉，米粒變形、大面積結塊，此時大米失去使用價值。

圖3 霉菌感染大米樣品菌落總數變化趨勢Fig.3 Change trend of total bacterial colony of mildew infected rice samples

2.2 電子鼻指紋圖譜分析

傳感器每秒采集1 個響應值，一共采集70 s。如圖4 所示，強度為檢測樣品氣體與潔凈空氣的電阻比，每個傳感器對特定氣味有不同的響應曲線，隨著傳感器不斷吸附樣品揮發物的氣體，響應曲線呈上升態勢，當傳感器表面完全吸附氣體后（達到飽和狀態），此時響應曲線達到平穩狀態，選取8 個傳感器60 s 后的穩態數據平均值作為特征值進行后續分析處理。

圖4 摻入30%霉變大米的響應曲線Fig.4 Response curve of rice mixed with 30% moldy rice

2.3 大米霉變PCA、LDA 分析

分別對第1、3、5 和7 d 采集到的大米樣品數據進行PCA 和LDA 分析。第1 d 霉變大米分析結果如圖5 所示。由圖5 可知，PCA 前兩個主成分（PC1、PC2）和LDA 的前兩個判別因子（LD1、LD2）貢獻率之和分別為86.8%、99.0%，表明信息丟失量較少，其結果可以代表電子鼻響應信號對大米揮發物的區分情況。PCA 對于不同霉變程度的大米樣品不能區分，霉變大米樣品點發散程度大且樣本存在部分重疊；LDA 不同霉變程度大米能很好地區分。

圖5 第1 d 大米樣品PCA、LDA 分析結果Fig.5 PCA and LDA analysis results of rice samples on the 1th day

第3 d 霉變大米分析結果如圖6 所示，由圖可知，PCA 前兩個主成分和LDA 的前兩個判別因子貢獻率之和分別為89.0%、98.7%，其結果可以代表電子鼻響應信號對大米揮發物的區分情況。PCA 對于正常大米、10%霉米樣品的點能很好地區分，20%霉米和30%霉米樣品的點發散程度大且有重疊，區分有一定誤差；LDA 不同霉變程度大米的點相對集中且能完美區分開來。

圖6 第3 d 大米樣品PCA、LDA 分析結果Fig.6 PCA and LDA analysis results of rice samples on the 3th day

第5 d 霉變大米分析結果如圖7 所示，由圖可知，PCA 前兩個主成分和LDA 的前兩個判別因子貢獻率之和分別為92.9%、97.2%，其結果可以代表電子鼻響應信號對大米揮發物的區分情況。PCA 和LDA 都能區分不同比例的霉變大米，LDA 各個簇的集中性更好。

圖7 第5 d 大米樣品PCA、LDA 分析結果Fig.7 PCA and LDA analysis results of rice samples on the 5th day

第7 d 霉變大米分析結果如圖8 所示，由圖可知，PCA 前兩個主成分和LDA 的前兩個判別因子貢獻率之和分別為88.3%、94.0%，其結果可以代表電子鼻響應信號對大米揮發物的區分情況。PCA、LDA都能很好的區分不同比例的霉變大米，PCA 各個簇的集中性更好。

圖8 第7 d 大米樣品PCA、LDA 分析結果Fig.8 PCA and LDA analysis results of rice samples on the 7th day

綜合4 d 結果來看，第1 d 霉變大米樣品的PCA分類結果誤差較大，主要原因是霉菌培養時間短，摻入正常大米中的霉米比重較小，所以導致霉米釋放的揮發物成分差異不大；從第3 d 開始，霉菌開始加速繁殖，第3 和5 d 霉變大米比例越大樣品點越發散，這可能與霉菌的不同生長狀況有關，比例大的霉米不同霉菌間的相互作用強烈，揮發性物質繁多，從外觀表現來看10%霉米發霉速度明顯慢于其余兩組霉米；到了第7 d，樣品點反而集中性較好，可能是該階段霉菌已經大量繁殖，揮發物氣味有所相似的緣故。第1、3、5 d PCA 結果霉變程度均有從右往左遞增趨勢，但到了第7 d 遞增趨勢轉變，這可能是因為大米霉變晚期氣味產生了復雜的變化所致。

2.4 BP 神經網絡預測霉變程度

本研究采用BP 神經網絡來建立霉變大米定量預測模型。電子鼻系統采集數據后，由于數據量過大，采用PCA 降維后的數據進行BP 神經網絡分析。為了縮小數據范圍差別，對數據采用式（2）進行[0-1]區間歸一化預處理。

式中：y 為歸一化后的結果；x 為傳感器某一時刻的瞬態響應值；xmax、xmin分別為一個周期內傳感器最大、最小響應值。

為保證建立的模型具有良好的泛化能力，盡量使訓練集與測試集樣本有近似的分布規律。最終建模時不考慮時間因素（由于第1 d 樣本誤差較大考慮去除），將第3、5、7 d（每天80 個樣本）采集到的樣品數據統一建立預測模型，所有電子鼻數據處理后總共240 個樣本，分別劃分為訓練集（160 個樣品）和測試集（80 個樣品），模型的精度通過決定系數R2（the coefficient of determination）和均方根誤差（MSE）來評價。

BP 神經網絡模型預測霉變大米比例結果如圖9所示，由圖可知，正常大米和10%霉米預測結果準確性較高。分別將訓練集、測試集數據輸入模型，最終得到如下結果：模型的決定系數R2為0.9495，訓練集和測試集的MSE 分別為3.36×10?2、9.42×10?2。訓練集數據預測值和真實值的相關性為0.99076，平均相對誤差為3.56%，最大相對誤差為13.5%；測試集數據預測值和真實值的相關性為0.95346，平均相對誤差為4.18%，最大相對誤差為18.82%。綜上所述，訓練集和測試集的預測值與真實值擬合效果較好，所建立的模型對大米霉變程度表現出較好的預測能力。

圖9 BP 神經網絡訓練結果Fig.9 BP neural network training results

為測試模型預測準確性，在模型超參數不變的條件下，重復3 次隨機劃分訓練集、測試集進行訓練，BP 算法識別結果如表2 所示（括號中的數字為誤判數），由表2 結果可知，正常大米樣本可以正確預測，訓練集和測試集識別率均為100%，10%霉米預測準確性達到95%，可能原因是霉菌含量低，大米始終對微生物有著較強的抵抗性，霉菌繁殖受到新環境的制約，揮發性物質相似。而20%霉米、30%霉米誤判錯誤率較高，可能原因是因為大米受霉菌侵染揮發物成分變化復雜，不同霉菌生長代謝所產生的揮發物氣味變化可能存在相互干擾，這一點在Capuano Rosamaria 等[31]研究中已得到證實，菌株之間的差異會隨著培養時間的變化而發生變化。

表2 BP 神經網絡分類識別結果Table 2 Classification and recognition results of BP neural network

3 結論

該研究用自行設計的電子鼻系統檢測霉變大米，針對不同時間的4 組大米進行分類，所有結果顯示正常大米的PCA、LDA 均與霉變大米差異明顯，不同比例霉米PCA 得分圖結果具有沿第一主成分變化的規律，但不同比例霉米在PCA 得分圖上區分有一定誤差，LDA 分類效果更好且能做到完全區分。BPNN 測試集結果對于大米霉變程度預測準確性不高，但是建立的模型對于正常大米與霉變大米分類準確率為100%，輕微霉變大米（10%）也與正常大米差異明顯，說明利用電子鼻結合BPNN 建立的模型是能發現早期大米發霉現象的。結果表明，電子鼻系統可以作為檢測大米是否發霉及霉變程度預測的有效手段，這為快速無損檢測霉變大米提供了一種新途徑。