電子舌研究現狀及提高準確率的方法

丁思奇

（廣東博智林機器人有限公司，廣東 佛山 528312）

0 引言

食品風味在食品品質中占有重要地位。目前市面上存在的電子舌價格昂貴，尚不能廣泛應用于廚房中。此外還可將電子舌應用在整體品質差異檢驗、原產地保護、真偽辨識、等級評定、樣品感官屬性以及理化指標的快速反演等領域。為了提高準確率、復現率和普適性，研究者們對于這一領域進行了廣泛的研究。任西營等人在有關食品風味分析技術[1]研究中提出的復合技術聯用（如氣相色譜－吸聞－質譜、電子鼻－氣相色譜－質譜、電子鼻－電子舌等）的技術基礎是數據級別的融合，尚做不到傳感器級別的融合。而這種融合的基礎就是單一傳感器的準確度和普適性。因此需要對這一關鍵技術進行分析。

1 電子舌研究現狀

利用Web of Science科研數據平臺并使用關鍵詞“electronic tongue”進行檢索，可以得出，世界排名前十位的電子舌的研究機構，如圖1所示：

圖1 電子舌的主要研究機構

排名第一的研究機構是圣彼得堡大學，第二名是浙江大學。

目前市場上已經商業化的電子舌產品以及主要原理如表1中所示：

表1 電子舌的商業化產品

2 關鍵技術分析

2.1 電子舌表面修飾技術和復活方法

為了提高傳感器本身的靈敏度和響應度，多種表面修飾技術和復活技術已經被提出，比如表面涂敷、復活技術[2]、3D打印修飾表面[3]等等。

2.2 數據擴展和分析技術

電子舌在研發的過程中往往需要學習鑒別大量經過準備的樣本，進行標定后，才能做到對味道的準確識別。這個過程往往非常耗時。首先要準備樣品。其次要做傳感器標定，比如先進行多種單一溶液的傳感器識別，再進行混合成分的溶液的識別。為了增加味覺傳感器的普適性，需要提高模型的魯棒性，提高檢測的準確性和實時性等等。而這些都往往需要大量的學習成本和時間。為了減少這種學習成本，筆者提出基于激光誘導擊穿光譜（LIBS）技術的電子舌[4]并建議將LIBS技術在工業領域中的成功推廣經驗引入到電子舌的檢測技術中來。筆者提出了一種基于激光誘導擊穿光譜技術識別味道的方法，該方法包括：控制電子舌向外發射激光，以使激光經過電子舌中的透鏡聚焦到待識別食物上；控制電子舌采集由激光在待識別食物上產生的等離子光，生成待識別食物的光譜圖；根據待識別食物的光譜圖，獲取待識別食物的味覺雷達圖；其中，味覺雷達圖中包括待識別食物所具備的味道和味道的濃度值。這個基于激光誘導擊穿光譜識別味道的電子舌，無需多個傳感器，可降低測量成本；通過味覺雷達圖獲取待識別食物所具備的味道和味道的濃度值，無需進行專家庫對比，使用方便、客觀度較高；通過測量光譜實現味道識別，實時性好；激光經過透鏡聚焦到待識別食物上，可實現無接觸式測量，對樣品形態無要求。在應用激光誘導擊穿光譜LIBS技術時會遇到這樣的難題：學習樣本數量不夠，當被檢測樣本的檢測數據超出了學習范圍后，檢測準確度將下降。而采集大量數據將耗費很多時間。為了解決這個問題，學術界提出了一種對學習樣本進行擴展的方法[5]。同樣，味覺傳感器在提升準確率時也遇到了這個學習樣本有限的問題。那么如何提高這種傳感器的準確率呢？一個方面是提高傳感器自己的靈敏度。例如使用二維材料修飾傳感器表面等等。另一方面就是提高學習樣本。目前人工智能是在向人的判斷結果學習。主要的方法是利用專家庫對傳感器的判斷結果進行判斷。受到參考文獻的啟發，筆者提出了一種能夠提高味覺傳感器準確率的方法。它的原理是：使用基于標簽擴散改進k-NN的半監督學習方法進行味道識別。半監督流程如圖2所示。然后根據檢測的真正率和真負率進行K值優化。根據準確率進行K值優化。由此可以提高味覺傳感器的檢測的準確率。通過引入這種半監督的學習方法進行學習后。理論上傳感器的準確率將有很大的提升。

圖2 用于提高電子舌準確度和普適性的半監督流程方法

最近有學者提出使用一種被稱為邊界平衡的生成式對抗網絡方法（BEGAN）的數據擴展方法[6]。這種方法將自動編碼器作為鑒別器，并使用從Wasserstein距離導出的參數損失匹配其損失分布。與典型的生成式對抗網絡方法（GAN）技術相比，神經網絡的訓練過程更加容易，神經網絡結構更簡單。將BEGAN方法與合成光譜聯合使用可創建分集偏最小二乘（CDPLS）的一致性算法，用來在每次迭代中補充虛擬樣本。效果比較顯著。后續可以考慮采用這種方法研究生成帶有屬性的光譜數據，用來提高電子舌的準確性。

2.3 決策方法

深度強化學習（DRL）自提出以來，研究人員已在理論和應用方面均取得了顯著的成果。尤其是谷歌DeepMind團隊基于深度強化學習DRL研發的AlphaGo，將深度強化學習DRL成推上新的熱點和高度，成為人工智能歷史上一個新的里程碑。因此，深度強化學習DRL非常值得研究。深度強化學習DRL將深度學習DL的感知能力和強化學習RL的決策能力相結合，可以直接根據輸入的信息進行控制，是一種更接近人類思維方式的人工智能方法。但是這種方法仍然存在很多挑戰。比如平衡探索性和開發性，評估學習效果，提高數據有效性等等方面。對于能否將這種靈活和擴展性強的方法應用到電子舌中來，需要進一步進行探索[7]。

3 結束語

本文闡述了電子舌的研究進展，并對關鍵技術進行了分析，包括傳感器表面修飾技術、復活技術、數據分析技術、決策技術等等。并闡述了能夠提高味覺傳感器在應用中的檢測準確率的方法。此方法從理論上分析具有推廣的可行性。受限于經費原因，這個實驗目前無法開展，有待后續得到經費支持后繼續展開研究。隨著深度學習和強化學習的發展，可以預見，深度強化學習作為一種不需要人類標簽數據的方法，將會在電子舌等新型傳感器的研發中起到更多的關鍵作用。