电子鼻检测玉米象不同虫态的技术研究

唐培安 侯晓燕 孔德英 吴学友 宋 伟

(南京财经大学食品科学与工程学院/江苏省现代粮食流通与安全协同创新中心/江苏高校粮油质量安全控制及深加工重点实验室1，南京 210023)(重庆出入境检验检疫局2，重庆 400020)

粮食在储藏期间，储粮害虫的危害十分严重。据统计，全世界每年因储藏物害虫造成的粮食、豆类、油料的损失约占总储存量的5%，经济损失约达1.2 ～2.4 亿美元［1～2］。经害虫为害过的粮食，除了数量受到严重损失之外，粮食的品质也受到了不同程度的污染。为了确保粮食的安全储藏，每年国家用于粮食储备方面的补贴费用就达数十亿元。因此对储粮害虫进行检测技术的研究，预测储粮害虫发生为害的具体情况，从而进行针对性的处理措施，不仅能为保障粮食安全储藏提供技术支撑，还能降低储粮成本、减少药剂对粮食的污染［3～4］。

在粮仓中存在着特殊的挥发性物质，一些是来自粮食自身代谢过程中的中间产物或终产物，还有的是来自有害生物(微生物和粮仓昆虫)的新陈代谢活动。这些特殊的挥发性物质可以被电子鼻予以捕捉和识别［5］。电子鼻是人类嗅觉的延伸，是由多个性能彼此重叠的气味传感器和适当的模式分类方法组成的具有识别单一和复杂气味能力的装置［6］。它具有样品无需前处理，不需借助有机溶剂，检测速度快，绿色、安全、环保等优点。目前，该技术在疾病诊断和食品分析及真伪鉴别中已广泛报道［7－13］，并引起粮食储藏科研人员的兴趣，电子鼻技术在谷物的区分［14］、储藏品质［15－16］、储藏年限［17］、霉变［18］等粮食储藏方面的研究已见报道。本研究旨在研究电子鼻检测玉米象不同密度、虫态及其组合的应用，以期为重要储粮害虫监测现代化提供一些有益的探索。

1 材料与方法

1.1 供试虫源

供试玉米象Sitophilus zeamais取自南京财经大学粮食储运国家工程实验室的模拟仓中，经人工饲养数代后用于试验。将玉米象成虫接种于含有40～60 g干净小麦的500 mL玻璃瓶中，其中，玻璃瓶经160℃干热灭菌60 min，产卵7 d后将玉米象成虫筛去，其后代在温度为(30±1)℃、相对湿度为(75±5)%黑暗条件下继续培养，待成虫大量出现后1～2周内，挑取发育健康的成虫作为供试虫源。

1.2 仪器设备

Fox 3000型电子鼻:法国Alpha MOS公司，传感器性能如表1所示;PQX型分段可编程人工气候箱:宁波东南仪器有限公司。

1.3 试验方法

1.3.1 检测参数

电子鼻检测相关参数设置如表2所示。

1.3.2 玉米象密度的判定

挑取玉米象成虫 1、2、3、10、15、20、25、30 只，清除其体表附着饲料粉末，分别置于洁净的20 mL顶空瓶中，设置6个重复，并按照编号排列在电子鼻进样托盘上，静置1 h后，密封顶空瓶，按照1.3.1进样方式和检测参数进行检测。

表1 Fox 3000型电子鼻12根传感器的性能

表2 电子鼻检测相关参数设置

1.3.3 玉米象不同虫态的电子鼻检测

将100头玉米象成虫放入200 g干净无虫的糙米中，放在温度为(30±1)℃、相对湿度为(75±5)%的黑暗条件下产卵24 h后，将玉米象成虫筛出获得带卵糙米。充分混匀后每个顶空瓶中装6 g带卵糙米，用100目的尼龙网将顶空瓶封口，放在温度为(30±1)℃、相对湿度为(75±5)%的黑暗条件下进行培养，按照1.3.1进样方式和检测参数进行检测，设置6个重复，每隔1周检测1次，连续检测8周。

1.3.4 玉米象混合虫态的电子鼻检测

每个20 mL的顶空瓶中放入6 g无虫糙米，然后放入15头玉米象成虫，用100目的尼龙网将顶空瓶封口，放在温度为(30±1)℃、相对湿度为(75±5)%的黑暗条件下进行培养，按照1.3.1进样方式和检测参数进行检测，设置6个重复，每隔1周检测1次，连续检测8周。

1.4 数据处理

采用"SOFT V12.43数据处理软件对数据进行采集、测量和分析，其中以主成分分析(PCA)和判别因子分析(DFA)为最主要方法。

PCA分析是一种多元统计方法，是对传感器多指标的信息进行数据转换和降维，对降维后的特征向量进行线性分类，在PCA分析图上显示主要的二维图。PCA图谱中横、纵坐标分别表示在PCA转换中得到的第一主成分(PC1)和第二主成分(PC2)的贡献率(或权重)，贡献率(或权重)越大，说明主成分可以较好地反映原来多指标的信息。通过PCA分析判定各样品间的差异程度，可用识别指数衡量，识别指数(Differentiation Index，DI)是区分样品的程度表征，分析图中具有有效区分的以绿色显示，一般DI在70以上即为具有较好区分度，表明各组样品间差异较大［19］。

判别因子分析(discriminate factorial analysis，DFA)是在有先验知识的前提下，对原始数据量进行线性变换，使得各类样品能够更好地区分。在主成分分析的基础上通过对样品采集数据进一步做判别因子分析［20］，目的是使各个组间的重心距离最大的同时保证组内差异最小，DFA通过一系列数学变化，在充分保存现有信息的前提下，使同类数据间的差异性尽量缩小，不同类数据间的差异尽量扩大。DFA图的横坐标对应于第一判别因子DF1，纵坐标对应于第二判别因子 DF2［21］。

2 结果与分析

2.1 不同密度的玉米象成虫电子鼻检测

为更好观察和分析电子鼻12根传感器对不同密度的玉米象挥发性物质的变化，根据12根传感器的响应值大小及差异，绘制不同密度的玉米象雷达图谱(图1)。12根传感器对不同密度的玉米象响应值是不同的，其中传感器P10/1、P10/2、P40/1的响应值在0.4～0.8之间，T30/1、T70/2、PA/2的响应值在0.2～0.4之间，其余6根传感器的响应值均低于0.2，说明玉米象成虫的主要挥发物质为烃类、甲烷、氟以及芳香族化合物等。不同密度的玉米象雷达图谱具有相似的形状和变化趋势，说明玉米象所产生的挥发物类型是相同的，但传感器 P10/1、P10/2、P40/1的检测数据存在明显的差异，说明挥发性物质的浓度差异可以被传感器敏感捕捉。此外，图谱显示电子鼻传感器具有很好的稳定性(变异系数＜5%)。

图1 玉米象不同密度的雷达图谱

图2 不同密度的玉米象PCA和DFA分析图

图2是不同密度的玉米象成虫分别采用PCA法和DFA法的分析图。在PCA分析结果中，前2个主成分的贡献率分别为99.31%，0.56%，累积贡献率达99.87%，相同浓度的样本重现性很高，密度低于20头/瓶时，可有效区分。在DFA分析结果中，DF1、DF2的贡献率分别为96.51%，2.72%，累积贡献率为99.23%，当玉米象密度较低时(低于20头/瓶)能有效区分，玉米象密度高于20头/瓶时，挥发物的浓度超出电子鼻的检测范围，不能进行有效区分。

2.2 玉米象不同虫态的电子鼻检测

根据电子鼻12根传感器对玉米象不同虫态的响应值大小及差异，绘制传感器对玉米象不同虫态响应值的柱状图(见图3)。传感器对玉米象不同虫态的响应值是不同的，其中LY型传感器的响应值较低，在 －0.1～0.1之间;传感器 T30/1、T70/2、PA/2的响应值在0.2～0.4之间;传感器 P10/1、P10/2、P40/1的响应值最高，在0.5～0.7之间。从第1周到第8周，玉米象的虫态不同，传感器的响应值也存在差异。

根据玉米象在30℃时的发育速度推断，第1周为初生的卵，第2周为卵期，第3周为低龄幼虫，第4周为高龄幼虫，第5周为蛹期，第6周成虫开始羽化，第7周成虫大量出现，第8周为成虫与卵的混合虫态［22］。

图4为玉米象不同虫态的电子鼻检测PCA和DFA分析图，由PCA分析图可以看出，6次重复数据点较分散，重复间聚集性不好，且不同虫态间交叉重叠现象严重，不能显著区分。在主成分分析的基础上对样品进一步做判别因子分析，由DFA分析图可以看出，6次重复间数据分布较集中，且不同虫态间无交叉重叠现象，DF1的贡献率为88.44%，DF2的贡献率为9.438%，累计贡献率达到97.878%，与PCA分析相比较，经DFA分析后的样本分布更加集中，不同样本间距离变大，能有效区分玉米象的不同虫态。

图3 玉米象不同虫态的电子鼻检测柱状图

图4 从卵开始的为害进程检测的PCA和DFA分析图

表3是经DFA分析后玉米象从卵开始的为害进程检测的气味距离表，组间样品差异的大小可以通过气味距离表查看，若组间距离小，说明其相似性高，若组间距离大，说明其相似性低。从表3可以看出，第1周的样本和其他周的样本间的气味距离较大，气味距离在0.06～0.12之间。第5周之后，各样本之间的气味距离变小，气味距离在0.01～0.04之间，可能是因为第5周已经有少量玉米象成虫出现，因此第5周之后是各虫态混合存在，因此气味距离较小。

表3 从卵开始的为害进程检测的气味距离表

2.3 玉米象混合虫态的电子鼻检测

根据玉米象的发育速度推理，将玉米象成虫投入干净的糙米后，第1周应为玉米象成虫，第2周为成虫与卵的混合虫态，第3周为成虫、低龄幼虫和卵的混合虫态，第4周为成虫、高龄幼虫、低龄幼虫和卵的混合虫态，第5周为成虫、蛹、高龄幼虫、低龄幼虫和卵的混合虫态，第6周至第8周为成虫、蛹、高龄幼虫、低龄幼虫和卵的混合虫态。

图5是玉米象混合虫态电子鼻检测PCA和DFA分析图，由PCA分析图可以看出，从第4周开始，重复间数据点分布分散，且样本件重叠现象严重。由DFA分析图可以看出，重复间数据点集中性好，样本间均无重叠现象，DF1、DF2的贡献率分别为82.432%、13.006%，累计贡献率达 95.438%。因此，与PCA分析比较，DFA分析法能更好的将样本间的检测数据进行聚类和分析，更有效地识别玉米象混合虫态样品。

表4是玉米象混合虫态检测的气味距离表，从表中可以更清楚地观察各个样本在空间的分布。由气味距离表可以看出，两样本间相隔时间越长，气味距离就越大，这从气味距离的定量角度说明随着时间的延长，样本之间的差异性越来越大。

图5 从成虫开始的为害进程检测的PCA和DFA分析图

表4 从成虫开始的为害进程检测的气味距离表

3 结论

本研究选择FOX3000型电子鼻对玉米象不同密度及虫态进行检测，结果表明，该电子鼻传感器不仅对玉米象不同虫态具有不同的响应，而且对同一虫态的不同密度也有显著的响应差异，且重复间变异系数小于5%，因此，可以将该电子鼻用于玉米象密度及虫态的检测识别研究。

采用不同的分析方法对电子鼻检测数据进行分析，结果表明，主成分分析法和判别因子分析法均可对玉米象不同密度进行区分，但是当虫口密度超过20头/瓶时，挥发物的浓度超出电子鼻的检测范围，不能进行有效区分。而在检测玉米象不同虫态时，与主成分分析法相比，判别因子分析法能更好的将玉米象不同虫态的检测数据进行聚类，且各虫态间分布无交叉重叠现象，能更有效的将玉米象的不同虫态进行识别。此外，通过判别因子分析法还可将玉米象混合虫态的不同样本进行有效的区分。通过制作判别因子分析法的气味距离表，能够更形象、直观的显示不同样本的气味距离值。

本研究探索了电子鼻对玉米象这一头号储粮害虫的密度、虫态等进行鉴别检测的可行性，以期为粮堆虫储粮害虫的精确检测提供技术支持。然而在粮堆中还存在化学药剂、粮食陈化等其他挥发性成分，这些成分对电子鼻的检测结果也会有较大的影响，需要对粮堆中其他挥发物质进行综合研究，以消除干扰成分对检测结果的影响，提高电子鼻检测结果的准确性。

［1］白旭光.储粮害虫检测技术评述［J］.粮食储藏，2010，39(1):6－9

［2］王若兰.河南省粮食储藏损失现状及分析［J］.粮食科技与经济，2009，34(3):38 －40

［3］路静，傅洪亮.储粮害虫检测和分类识别技术的研究［J］.粮食储藏，2014，43(1):6 －9

［4］甄彤，董志杰，郭嘉，等.基于声音的储粮害虫检测系统设计［J］.河南工业大学学报:自然科学版，2012，33(5):79－82

［5］周显青，崔丽静，林家永，等.电子鼻用于粮食储藏的研究进展［J］.粮油食品科技，2010，18(5):63－66

［6］Gardner JW.A brief history of electronic noses［J］.Sensors and Actuators B:Chemical，1994，18(1 －3):210 －211

［7］Drake M A，Gerard P D，Kleinhenz J P，et al.Application of an electronic nose to correlate with descriptive sensory analysis of aged Cheddar cheese［J］.LWT － Food Science and Technology，2003，36(1):13 －20

［8］Vestergaard JS，Martens M，Turkki P.Application of an electronic nose system for prediction of sensory quality changes of a meat product(pizza topping)during storage［J］.LWT －Food Science and Technology，2007，40(6):1095 －1101

［9］Gomez A H，Wang J，Hu G X，et al.Monitoring storage shelf life of tomato using electronic nose technique［J］.Journal of Food Engineering，2008，85(4):625 －631

［10］Kateb B，Ryan M A，Homer M L，et al.Sniffing out cancer using the JPL electronic nose:A pilot study of a novel approach to detection and differentiation of brain cancer［J］.Neuroimage，2009，47(Supplement 2):T5 －9

［11］Peris M，Escuder－ Gilabert L.A 21st century technique for food control:Electronic noses［J］.Analytica Chimica Acta，2009，638(1):1 －15

［12］Torri L，Sinelli N，Limbo S.Shelf life evaluation of fresh －cut pineapple by using an electronic nose ［J］.Postharvest Biology and Technology，2010，56(3):239 －245

［13］海铮，王俊.基于电子鼻山茶油芝麻油掺假的检测研究［J］.中国粮油学报，2006，21(3):192 －197

［14］Zheng X Z，Lan Y B，Zhu J M，et al.Rapid identification of rice samples using an electronic nose［J］.Journal of Bionic Engineering，2009，6(3):290 －297

［15］宋伟，刘璐，支永海，等.电子鼻判别不同储藏条件下糙米品质的研究［J］.食品科学，2010，31(24):360 －365

［16］宋伟，谢同平，张美玲，等.应用电子鼻判别不同储藏条件下粳稻谷品质的研究［J］.中国粮油学报，2012，27(5):92－96

［17］庞林江，王俊，路兴花.电子鼻判别小麦陈化年限的检测方法研究［J］.传感技术学报，2007，20(8):1717 －1722

［18］宋伟，谢同平，张美玲，等.应用电子鼻技术对粳稻谷中霉菌定量分析［J］.粮食储藏，2011，40(6):34 －38

［19］李艳双，曾珍香，张闽，等.主成分分析法在多指标综合评价方法中的应用［J］.河北工业大学学报，1999，28(1):94－97

［20］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

［21］张晓敏，朱丽敏，张捷，等.采用电子鼻评价肉制品中的香精质量［J］.农业工程学报，2008，24(9):175 －178

［22］黄建国.米象、玉米象生物学的研究［J］.郑州粮食学院学报，1982(1):1－10.