基于电子鼻技术的黄山毛峰茶品质检测方法

薛大为，杨春兰

(蚌埠学院 机械与电子工程系，安徽 蚌埠 233030)

黄山毛峰茶有着悠久的历史，是中国的名茶之一，因产于安徽黄山地区而得名。当前，对于黄山毛峰茶品质的评定，主要还是采用感官评定法。然而，感官评定法评价结果受主观因素影响较大，评价具有不确定性[1]，因此很多研究者都致力于研究更加客观的评定方法来取代或辅助感官评定法。茶叶香气是影响茶叶品质的重要因素，会随茶叶品质的不同而产生相应变化。茶叶香气是由多种挥发性物质共同作用而形成，构成复杂，很难通过单一或少数几个传感器进行检测[2]。电子鼻技术的出现使得从较全面的角度对香气信息进行检测成为可能。

电子鼻是一种仿生物嗅觉功能的人工嗅觉系统，在气味识别方面具有独特的优势，近年来，在食品、化工、饮料等工业得到广泛应用[3-6]。电子鼻主要包括气敏传感器构成的传感器阵列和模式识别软件两个部分。模式识别是电子鼻的核心技术，常用的方法有主成分分析法、人工神经网络及线性判别法等。人工神经网络由于具有较强的非线性映射映射能力，在电子鼻技术中越来越受到广大研究者的关注。本文采用电子鼻对4种不同品质等级的黄山毛峰茶香气进行检测，根据传感器阵列响应选择合适的特征变量，通过神经网络建立黄山毛峰茶品质等级预测模型，实现对茶叶等级的客观判别。

1 材料与方法

1.1 试验材料

采用德国Airsense公司生产的PEN2型电子鼻，该电子鼻包含10个金属氧化物气敏传感器组成的传感器阵列和数据分析软件。电子鼻响应信号为传感器阵列接触挥发性气体后的电导率G与经过标准净化装置处理后的电导率G0的比值，即G/G0。

1.2 试验方法

试验选择R70，R100，R300，R600(数字代表茶叶的价格元/斤)4种不同品质等级的黄山毛峰干茶叶，每个等级各取35个样本，共140个样本，每个样本为50 g。将样本分别置于250 ml烧杯中密封，1 h之后进行电子鼻检测。

2 特征变量选择

特征变量就是能够反映不同品质等级茶叶特征的量。电子鼻的10个传感器对每个品质等级茶叶香气作出响应，随茶叶等级的不同，响应信号曲线发生相应变化。通过分析响应曲线的变化特点及趋势，选择各传感器响应的最大值和稳态值作为表征茶叶品质的特征变量，因此每种品质的茶叶可以表示成如下20维的特征向量：

X=(x1，x2，........，x20)，

(1)

其中x1，........，x10分别为第1～10个传感器响应最大值；x11，........，x20分别为第1～10个传感器响应稳态值。特征向量是后续模式识别神经网络的输入因子，应用中为了保证网络收敛的快速性，对特征向量进行如下归一化处理：

(2)

(3)

3 茶叶品质检测神经网络模型

3.1 BP神经网络及学习算法

BP(Back Propagation)神经网络最为典型的神经网络模型之一，具有结构简单、适应性强以及较好的非线性逼近能力等特点[7，8]，是基于导师学习的前馈神经网络，特别适合于模式分类识别。鉴于此，本文采用BP神经网络对黄山毛峰茶的品质进行判别。

BP神经网络由输入层，1个或多个隐含层和输出层组成，前层的输出作为后层的输入，各层内部神经元之间没有连接[9]。单隐含层的三层BP神经网络的模型如图1所示。

图1 三层BP神经网络的模型

BP神经网络的学习过程分为两个阶段，即信号的前向传递阶段和误差的反向传递阶段。学习过程中，把训练样本输入网络，得到网络输出，当输出值没有达到预期值时，通过误差反向传递不断修正网络的连接权值和阈值，学习过程直到网络输出达到预期值或网络学习次数(训练次数)达到设定的最大学习次数结束。BP学习算法中最常用是δ算法，但该算法存在收敛速度慢、容易陷入局部最小等缺点[10-11]。在实际应用中，常采用改进的附加动量项的δ学习算法，学习算法过程如下:

Step1：初始化网络的连接权值、阈值、误差精度及最大学习次数。

Step2：按照式(1)-(4)计算隐含层、输出层的输入与输出。

(4)

oj(m)=fnetj(m)，

(5)

(6)

ok(m)=fnetk(m)。

(7)

上式中，i，j，k分别为输入层、隐含层和输出层的神经元；ωij表示神经元i到神经元j的连接权值；netj为神经元j的输入，bj为神经元j阈值，oj为神经元j输出；f(·)为转换函数。

Step3：按照式(8)-(13)修正连接权值和阈值(阈值可看作输入为-1的连接权)。

ωjk(m+1)=ωjk(m)+Δωjk(m+1)，

(8)

=-μδk(m)oj(m)+λΔωjk(m)，

(9)

δk(m)=-(dk(m)-ok(m))f′(netk(m))，

(10)

ωij(m+1)=ωij(m)+Δωij(m+1)，

(11)

=-μδj(m)oi(m)+λΔωij(m)，

(12)

(13)

上式中，Δω为连接权值的修正量，0<μ<1为学习率， 0<λ<1为动量因子；e为误差函数，表示为：

(14)

其中dk(m)为第m个样本的期望输出，ok(m)为第m个样本的实际输出，q为输出层神经元数。

Step4：计算全局误差E:

(15)

其中l为输入样本数。

Step5：当误差达到设定的精度或学习次数达到设定的最大学习次数，学习结束。否则，返回Step2，进行下一轮学习。

3.2 神经网络结构设计

理论上，3层BP神经网络可以实现任意n维到m维的映射[12]。本文采用只有1个隐含层的3层BP网络。输入层神经元的个数由茶叶特征向量维数决定，本文设置为20。输出层神经元数与待识别的茶叶等级的数目相对应，本文设置为4。为了确定最佳的隐含层神经元数，在网络参数设置保存不变的情况下，通过选择不同个数的隐含层神经元进行反复试验，当到达误差精度0.01时所需要的学习次数如表1所示。由表1的结果可以看出，当隐含层包含12个神经元时收敛速度最快，因此，BP神经网络设计为20-12-4的结构。对于学习率μ和动量因子λ经过多次试验比较，最终确定当μ取0.08，λ取0.5时，BP网络具有较好的预测性能。隐含层和输出层的均转换函数都采用Sigmoid函数：

(16)

4 试验结果与分析

将140个茶叶样本分成两部分，其中112个样本(每个等级28个)作为训练集，28个样本(每个等级7个)作为测试集。设BP网络的输出Y=(y1，y2，y3，y4)，则4种品质等级R70，R100，R300，R600的茶叶对应的期望输出分别为(0，0，0，1)，(0，0，1，0)，(0，1，0，0)，(1，0，0，0)。如果网络预测输出满足如下条件：

(17)

则判定为等级R70茶叶，否则判定无效。所有等级判别都依照此规则。

BP神经网络的训练曲线如图2所示。由图2可知，网络经过2 950次训练后，达到0.01的误差精度。

图2 BP神经网络的训练曲线

对所有4个等级的140个样本都用BP神经网络预测模型进行等级判别，评判结果如表2所示。可以看出，对于112个训练样本，网络全部判别正确，识别率100%。对于28个预测样本，由于R70与R100等级相近，特征差异不明显，有2个R70样本误判为R100，1个R100样本误判为R70，识别率为89.3%。

5 结论

本文提出了一种利用电子鼻技术检测黄山毛峰茶品质的新方法。对4种不同等级茶叶样本，首先通过分析电子鼻传感器阵列对不同品质的茶叶气味的响应曲线的变化特点，选择能够代表不同品质茶叶的特征变量，然后使用这些变量作为BP神经网络的输入，建立黄山毛峰茶品质等级的BP神经网络预测模型。BP学习算法采用了改进的附加动量项的δ学习算法。实验结果表明，设计的预测模型具有很强的预测能力，证明了电子鼻应用于黄山毛峰茶品质检测的有效性。当然，当茶叶等级相近时，提出的BP神经网络模型还还存在一定的判别误差。在今后的研究中，如何选择有效的茶叶品质描述特征和设计更有效的BP网络结构将是研究的重点。

表2 BP网络判别结果

[参 考 文 献]

[1] 于慧春，王俊.电子鼻技术在茶叶品质检测中的应 用研究[J].传感技术学报，2008，21(5):748-752．

[2] 赵菁. 绿茶特征香气成分及与品质的关系研究[D].杭州:浙江大学，2002．

[3] 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．

[4] 贾洪峰，邓红，梁爱华.电子鼻在芝麻油掺芝麻油香精识别中的应用[J].中国粮油学报，2013，28(8):83-86．

[5] 邹小波，赵杰文.电子鼻在饮料识别中的应用研究[J].农业工程学报，2002，(18)3∶146-149．

[6] 胡志全，王海洋，刘友明.电子鼻识别大米挥发性物质的应用性研究[J].中国粮油学报，2013，28(7):93-98．

[7] 唐万梅.BP神经网络网络结构优化问题的研究[J].系统工程理论与实践，2005，25(10):95-100．

[8] 龙训建， 钱鞠， 梁川.基于主成分分析的BP神经网络及其在需水预测中的应用[J].成都理工大学学报：自然科学版，2010，37(2):206-210．

[9] 史丽萍，龚海霞，李震，等.基于BP神经网络的电池SOC估算[J].电源技术，2013， 37(9):1539-1541．

[10] 刘彬，项前，杨建国，等.基于遗传神经网络的纱线质量预测[J].东华大学学报 ：自然科学版，2013，39(8):504-508．

[11] 李 松， 刘力军，解永乐.遗传算法优化BP神经网络的短时交通流混沌预测[J].控制与决策，2011，26(10):1581-1585．

[12] 王鹤，基于遗传神经网络的电子鼻系统研究[D].武汉:华中科技大学，2007．