茶叶贮藏时间电子鼻检测方法

蚌埠学院电子与电气工程系 鲍俊宏 薛大为

茶叶贮藏时间电子鼻检测方法

蚌埠学院电子与电气工程系 鲍俊宏 薛大为

利用电子鼻对4个不同贮藏时间黄山毛峰茶干茶叶进行了检测。首先根据传感器阵列响应曲线选择了原始特征变量，再通过PCA提取出主特征变量，最后以主特征变量作为输入建立了茶叶贮藏时间的BPNN预测模型。实验结果表明电子鼻用于检测茶叶贮藏时间是可行的。

茶叶；贮藏时间；电子鼻；BPNN

茶叶的贮藏时间对茶叶的品质会产生重要的影响，一般来讲对于非发酵茶随着茶叶贮藏时间的增长其品质也会随之降低[1]。目前用于判断茶叶贮藏时间长短的方法还大都采用人的感官进行评价，但感官评价法[2]存在程序繁琐、主观性强、准确度低等缺陷。人们一直以来在不断寻求一种更加简便、快速、准确的检测茶叶贮藏时间的方法。因此，本研究将采用电子鼻对茶叶贮藏时间检测。首先根据电子鼻传感器阵列响应变化趋势选择相应的特征变量，再通过主成分分析法（PCA）提取出主变量，最后以主变量最为输入建立茶叶贮藏时间的神经网络预测模型，并进行实验验证方法的有效性。

1 电子鼻

本研究中采用德国的PEN2型便携式电子鼻，该电子鼻的传感器阵列由10个半导体金属氧化物传感器组成，传感器响应为其接触挥发性气味时的电导率与经过干净空气吸附处理后的电导率的比值。传感器典型响应曲线如图1所示。

图1 传感器典型响应曲线

2 主成分分析法与BP神经网络

主成分分析法（PCA）是常用的常用数学统计分析方法，可用少数几个互不相关的综合变量来描述多个变量，且综合变量保留了原多变量包含的主要信息，通过PCA可以达到降维的目的。

BP神经网络（BPNN）[3-4]是模式识别中常用的非线性处理方法，具有结构简单、设计方便、泛化能力强等优点。BPNN通过训练样本进行学习，学习过程中依据网络输出的期望值与实际输出值之间的误差来调整连接权值和阈值，直到网络误差达到设定的精度或设定的最大学习次数，则学习结束。BPNN常用的学习算法为带动量因子的δ学习算法[5]。

3 茶叶贮藏时间预测模型建立

3.1 原始特征变量的确定

本研究以黄山毛峰茶为检测对象，从茶厂订购了市场价格为300元一斤的黄山毛峰新产干茶叶并保存在5℃的冰箱中。每隔90天利用电子鼻对茶叶检测一次，连续检测270天，即0 天、90天、180天、270天。每次检测重复试验40次，一共得到160组原始数据样本，其中120组作为训练样本，40组最为测试样本。

根据电子鼻传感器阵列响应曲线特点，选择响应的最大值、稳态值作为原始特征变量。因为传感器响应在50s之后基本没有变化即趋于稳定，因此选择传感器第55s时的响应值作为稳态值。由传感器阵列特征变量构成的特征向量可表示为：

3.2 PCA分析

原始特征向量为20维数，维数很大，并且各变量之间往往存在一定的相干性，如果以原始特征变量作为输入建立神经网络预测模型，不但学习时间较长且精度较低。因此，先进行PCA分析提取出主特征变量，再以住特征量作为神经网络的输入建立预测模型。

PCA分析结果如表1所示。可以看出前4个主成分的贡献率已经超过了90%，可以对原始特征变量进行有效的描述。

表1 不同贮藏时间下茶叶前4个主成分分析结果

3.3 BPNN设计

研究中采用3层结构的神经网络。输入层节点数为主变量个数为4个，输出为贮藏时间节点数为1个。中间层节点通过反复试验比较最终确定为10个。因此，BPNN的最终结构为4-10-1。

4 实验分析

为了检验所建立的茶叶贮藏时间预测模型的性能，利用检测样本对其进行了实验。实验结果分析如表2所示。

表2 预测模型的实验结果分析

5 结论

以黄山毛峰茶为检测对象，利用电子鼻对4个不同贮藏时间的干茶叶进行检测，并建立的茶叶贮藏时间预测模型。通过实验分析，最大预测误差为38.5天，预测误差超过10天的最大比率为20%。说明电子鼻可用于对茶叶贮藏时间进行检测。

[1]杨春兰,薛大为,鲍俊宏.黄山毛峰茶贮藏时间电子鼻检测方法研究[J].浙江农业学报,2016,28(4):676-681.

[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]苑津莎,尚海昆.基于主成分分析和概率神经网络的变压器局部放电模式识别[J].电力自动化设备,2013,33(6):141-146.

[4]王茜荷,黄志文,刘凯 等.基于主成分分析和人工神经网络的激光诱导击穿光谱塑料分类识别方法研究[J]光谱学与光谱分析,2012,32(12):3179-3182.

[5]杨俊.电子鼻识别中的预处理与模糊神经网络算法[D].大连:大连理工大学,2007.

鲍俊宏（1994—），男，电气工程及其自动化专业本科生。

薛大为（1978—），男，副教授，主要从事仪器仪表与智能检测、模式识别等方面的研究。

国家级大学生创新训练计划项目(201511305023)。