电子舌研究现状及提高准确率的方法

丁思奇

（广东博智林机器人有限公司，广东 佛山 528312）

0 引言

食品风味在食品品质中占有重要地位。目前市面上存在的电子舌价格昂贵，尚不能广泛应用于厨房中。此外还可将电子舌应用在整体品质差异检验、原产地保护、真伪辨识、等级评定、样品感官属性以及理化指标的快速反演等领域。为了提高准确率、复现率和普适性，研究者们对于这一领域进行了广泛的研究。任西营等人在有关食品风味分析技术[1]研究中提出的复合技术联用（如气相色谱－吸闻－质谱、电子鼻－气相色谱－质谱、电子鼻－电子舌等）的技术基础是数据级别的融合，尚做不到传感器级别的融合。而这种融合的基础就是单一传感器的准确度和普适性。因此需要对这一关键技术进行分析。

1 电子舌研究现状

利用Web of Science科研数据平台并使用关键词“electronic tongue”进行检索，可以得出，世界排名前十位的电子舌的研究机构，如图1所示：

图1 电子舌的主要研究机构

排名第一的研究机构是圣彼得堡大学，第二名是浙江大学。

目前市场上已经商业化的电子舌产品以及主要原理如表1中所示：

表1 电子舌的商业化产品

2 关键技术分析

2.1 电子舌表面修饰技术和复活方法

为了提高传感器本身的灵敏度和响应度，多种表面修饰技术和复活技术已经被提出，比如表面涂敷、复活技术[2]、3D打印修饰表面[3]等等。

2.2 数据扩展和分析技术

电子舌在研发的过程中往往需要学习鉴别大量经过准备的样本，进行标定后，才能做到对味道的准确识别。这个过程往往非常耗时。首先要准备样品。其次要做传感器标定，比如先进行多种单一溶液的传感器识别，再进行混合成分的溶液的识别。为了增加味觉传感器的普适性，需要提高模型的鲁棒性，提高检测的准确性和实时性等等。而这些都往往需要大量的学习成本和时间。为了减少这种学习成本，笔者提出基于激光诱导击穿光谱（LIBS）技术的电子舌[4]并建议将LIBS技术在工业领域中的成功推广经验引入到电子舌的检测技术中来。笔者提出了一种基于激光诱导击穿光谱技术识别味道的方法，该方法包括：控制电子舌向外发射激光，以使激光经过电子舌中的透镜聚焦到待识别食物上；控制电子舌采集由激光在待识别食物上产生的等离子光，生成待识别食物的光谱图；根据待识别食物的光谱图，获取待识别食物的味觉雷达图；其中，味觉雷达图中包括待识别食物所具备的味道和味道的浓度值。这个基于激光诱导击穿光谱识别味道的电子舌，无需多个传感器，可降低测量成本；通过味觉雷达图获取待识别食物所具备的味道和味道的浓度值，无需进行专家库对比，使用方便、客观度较高；通过测量光谱实现味道识别，实时性好；激光经过透镜聚焦到待识别食物上，可实现无接触式测量，对样品形态无要求。在应用激光诱导击穿光谱LIBS技术时会遇到这样的难题：学习样本数量不够，当被检测样本的检测数据超出了学习范围后，检测准确度将下降。而采集大量数据将耗费很多时间。为了解决这个问题，学术界提出了一种对学习样本进行扩展的方法[5]。同样，味觉传感器在提升准确率时也遇到了这个学习样本有限的问题。那么如何提高这种传感器的准确率呢？一个方面是提高传感器自己的灵敏度。例如使用二维材料修饰传感器表面等等。另一方面就是提高学习样本。目前人工智能是在向人的判断结果学习。主要的方法是利用专家库对传感器的判断结果进行判断。受到参考文献的启发，笔者提出了一种能够提高味觉传感器准确率的方法。它的原理是：使用基于标签扩散改进k-NN的半监督学习方法进行味道识别。半监督流程如图2所示。然后根据检测的真正率和真负率进行K值优化。根据准确率进行K值优化。由此可以提高味觉传感器的检测的准确率。通过引入这种半监督的学习方法进行学习后。理论上传感器的准确率将有很大的提升。

图2 用于提高电子舌准确度和普适性的半监督流程方法

最近有学者提出使用一种被称为边界平衡的生成式对抗网络方法（BEGAN）的数据扩展方法[6]。这种方法将自动编码器作为鉴别器，并使用从Wasserstein距离导出的参数损失匹配其损失分布。与典型的生成式对抗网络方法（GAN）技术相比，神经网络的训练过程更加容易，神经网络结构更简单。将BEGAN方法与合成光谱联合使用可创建分集偏最小二乘（CDPLS）的一致性算法，用来在每次迭代中补充虚拟样本。效果比较显著。后续可以考虑采用这种方法研究生成带有属性的光谱数据，用来提高电子舌的准确性。

2.3 决策方法

深度强化学习（DRL）自提出以来，研究人员已在理论和应用方面均取得了显著的成果。尤其是谷歌DeepMind团队基于深度强化学习DRL研发的AlphaGo，将深度强化学习DRL成推上新的热点和高度，成为人工智能历史上一个新的里程碑。因此，深度强化学习DRL非常值得研究。深度强化学习DRL将深度学习DL的感知能力和强化学习RL的决策能力相结合，可以直接根据输入的信息进行控制，是一种更接近人类思维方式的人工智能方法。但是这种方法仍然存在很多挑战。比如平衡探索性和开发性，评估学习效果，提高数据有效性等等方面。对于能否将这种灵活和扩展性强的方法应用到电子舌中来，需要进一步进行探索[7]。

3 结束语

本文阐述了电子舌的研究进展，并对关键技术进行了分析，包括传感器表面修饰技术、复活技术、数据分析技术、决策技术等等。并阐述了能够提高味觉传感器在应用中的检测准确率的方法。此方法从理论上分析具有推广的可行性。受限于经费原因，这个实验目前无法开展，有待后续得到经费支持后继续展开研究。随着深度学习和强化学习的发展，可以预见，深度强化学习作为一种不需要人类标签数据的方法，将会在电子舌等新型传感器的研发中起到更多的关键作用。