用于黄酒酒龄快速检测的便携式电子鼻系统研制与试验

王健 ，白云龙，金棋，刘益

1. 绍兴职业技术学院（绍兴 312000）；2. 浙江省光信息检测与显示技术研究重点实验室（金华 321004）

黄酒作为我国特有的酒种，以其香气浓郁、口味醇厚著称[1]。由于黄酒的风味和质量随其年份增加而相应提高，所以黄酒酒龄也便成为评定黄酒品质的重要标志[2]。对黄酒酒龄的鉴别主要依赖人工对酒的色、香、味的感官鉴定，容易受外界干扰，鉴别的准确度无法保证。电子鼻分析法，是通过传感器阵列采集到挥发气体的整体信息，配合特定的分析方法，能够对样品进行检测判别。

电子鼻技术在食品品质检测和酒类检测均有一定应用。徐向丽[3]研制一种用于冷链物流肉类品质的在线检测的电子鼻系统，相较传统电子鼻，其安装在运输车中，采集到的数据能够通过GPRS直接上传到数据平台；周慧敏等[4]通过电子鼻系统对绍兴黄酒的总糖含量预测分析，实现较好的效果；张振等[5]利用电子鼻结合化学计量法实现黄酒酒龄的检测，采用主成分分析法和典型判别分析进行数据分析，区分率可达100%。虽然电子鼻系统具有较强的检测能力，但市场上常见的电子鼻系统通常价格较高、操作复杂，需配套计算机工作，具有较大的体积和功耗[6]，因而难以在生产、运输或贮存等环境下进行实时检测[7]。基于此，提出用于黄酒酒龄快速检测的便携式电子鼻系统制备研究。

1 电子鼻系统硬件设计

电子鼻系统主要由检测气室、传感器阵列、外围电路、信号采集传输模块及云平台等部分组成[8]。其中，检测气室由采样及清洗所需要的气体采样泵、样品气阀、清洗泵、清洗气阀及排气泵等组成[9]；传感器阵列包含8个金属氧化物气体传感器；外围电路包含传感器驱动电路、气泵控制、电磁阀控制电路及电源；信号采集传输模块包括系统的核心处理器、传感器信息采集和调理电路及数据传输所需的数据传输单元（Data Terminal unit，DTU）模块；云平台主要为数据的存储、展示及处理[10]。

1.1 电子鼻系统整体框架

电子鼻系统整体框图如图1所示。系统的采样检测流程为：样品检测前将会打开气室清洗泵和排气泵，稳定通入100 s的洁净空气，让流通的空气通过传感器检测区域，达到清洗气室的目的；打开气体采样泵，将样品气体吸入传感器检测区，并让气体在传感器检测区内停留60 s，保证样品气体能够与传感器阵列充分接触，产生稳定的信号输出；检测完成后，打开清洗泵和排气泵，让洁净空气清洗整个气室，保持180 s后停止，以便下一次测量使用。

图1 电子鼻系统整体框图

1.2 电子鼻核心控制模块设计

根据电子鼻系统设计需求，系统核心控制器主要完成传感器阵列的数据采集，以及进样、清洗和排气等流程所需的气泵控制和电磁阀控制，虽然工作流程较为简单，但是对模数转换（AD）采样要求较高，结合系统实际需求，选用STM32F407VET6作为核心控制器，其主频达168 MHz，82个通用输入与输出（GPIO）口，且具有12位逐次趋近型模数转换器，达19个复用通道，可测量来自16个外部源，同时这些通道的AD转换可在单次、连续、扫描或不连续等采样模式下进行。系统DTU选择有人的USR-G781，该设备是一款集4G路由器和4G DTU功能为一体的无线传输设备，采用工业级高性能处理器、多种防护的硬件接口、安全稳定的虚拟专用网（VPN）通道、低延迟高时效的4G模块，能够为系统提供稳定、可靠、安全的网络通信服务。

1.3 电子鼻传感器阵列设计

研究发现黄酒随着年份的增加，其挥发物含量提升，在感官上就表现为香气更加浓郁，口感更加醇厚。黄酒独特的风味是由酒中醇类、醛类、酸类、酯类及杂环类化合物共同作用形成，并且在陈酿过程中，一系列的物质反应让各种化合物的组分愈加协调，风味得到提升。为提升传感器阵列检测的针对性，选定乳酸乙酯、乙酸乙酯、异戊醇等黄酒风味中含量较高的几种物质作为待测对象，选用8个金属氧化物传感器构成系统的传感器阵列，传感器阵列特性表如表1所示。

表1 传感器阵列特性表

2 电子鼻系统软件设计

系统软件设计主要包括传感器阵列数据采集程序、随机森林分类算法及云平台可视化界面三部分。其中传感器阵列数据采集主要是STM32的程序开发，在Keil5平台进行开发；随机森林算法依托Scikit-learn集成算法来实现；云平台可视化界面主要在阿里云平台实现。

2.1 传感器阵列数据采集程序设计

由于系统内包含8个金属氧化物气体传感器，采集到的气体浓度转换成电信号，通过STM32的AD转换成0~3.3 V的电压值。因为需要同时采集8路ADC，所以将STM32的AD设置为扫描模式，同时开启直接内存访问（Direct Memory Access，DMA）模式，采集到数据直接存入DMA存储器，并通过串口将传感器数据透传给USR-G78X DTU模组，通过4G网络传输到阿里云平台，实现数据展示。DMA的引入能够有效提升数据传输效率，减少CPU占用率，提高数据传输的稳定性。

2.2 随机森林算法实现

随机森林（random forest，RF）是一种有监督学习算法[11]，以实现简单、计算开销小等著称，常应用于分类和回归。它是基于Bagging算法扩展而来的，以决策树作为基学习器，并在训练的节点划分中额外引入属性的随机选择[12]。假设随机森林集成分类器由若干个基础学习器{T(X,θi)}组成，其中i表示基础学习器的个数，θi为随机分布的随机向量。当自变量X给定后，各个基分类器根据投票的方式获取最终的分类结果，经过m轮的迭代训练后，获取分类模型序列。

系统通过上述模型序列搭建分类系统，而系统的分类结果是以投票结果为准，获得投票多的即为最终结果，其中随机森林分类决策结果为：

式中：T(x)为随机森林最终的分类结果，Ti(x)为各个基分类器的预测结果，Y为实际分类目标，f(x)为线性函数。

图2为随机森林原理框图，在算法实际应用中，每个基学习器都给选定的类别进行投票，通过投票结果选定最终分类结果。基于Python 3.7.1、Scikit-learn 0.20.0构建随机森林分类模型。

图2 随机森林算法原理框图

2.3 云平台可视化界面设计

系统云平台可视化界面依托阿里云组态部件开发，主要分为组织列表、实时数据、实时报警、组态展示、历史数据等部分。在组织列表中可以查看设备的在线状态，并可以查询设备下设的传感器种类及数量；在实时数据可以看到传感器当前的采集结果；在实时报警模块中可以看到设备下线提示或者数据异常提示；在组态展示部分不仅能够对实时数据进行列表展示，同时还可以自动绘制数据曲线，并调用算法实现酒龄的判别。

3 结果与分析

3.1 样品制备

试验采用古越龙山与会稽山2种品牌的黄酒，其中古越龙山品牌的有3年陈、5年陈、8年陈及10年陈，会稽山品牌的有3年陈、5年陈、10年陈、12年陈，同时为保证试验的准确性，2种品牌的酒的甜度都选择半干型，具体参数如表2所示。

表2 试验用黄酒参数表

对2种品牌的黄酒分开进行试验，用以测试系统对于多品牌黄酒的适用性。以会稽山品牌黄酒为例，4种不同年份的黄酒样品每种取20组平行样本，每个样本取20 mL，置于洁净干燥的小样瓶中，并用封口膜密封，在室温下静置60 min，使样品瓶顶部积累足够的挥发性物质。在样品检测前将会打开气室清洗泵和排气泵，稳定通入100 s的洁净空气，让流通的空气通过传感器检测区域，达到清洗气室的目的；打开气体采样泵，将样品气体吸入传感器检测区，并让气体在传感器检测区内停留60 s，保证样品气体能够与传感器阵列充分接触，产生稳定的信号输出，STM32控制器同时采集8路传感器的电压信号，并通过DTU上传到云平台进行可视化展示。

3.2 系统检测性能分析

为测试电子鼻系统的检测性能，选取1份5年陈样品，利用系统进行测试。图3为系统对样品的响应曲线图，8种传感器对于样本气体的反应虽有不同，但是响应曲线的趋势基本一致，前15 s内各传感器响应电压值均有所升高，15 s以后趋于稳定。结果表明，传感器稳定后的响应电压值能够明显进行区分，根据电压值从高到低排序依次为氮化物（S3）、可燃气体（S2）、碳氢组分（S8）、烷烃类（S4）、酒精及苯类物质（S5）、硫化物（S6）、氨类气体（S7）、丙烷和丁烷类（S1），8个传感器的检测结果便涵盖了不同年份黄酒的特征信息，通过对不同样品检测结果的特征提取，能够实现不同年份黄酒的有效分类。

图3 传感器阵列对样品气体响应图

3.3 系统酒龄识别结果分析

为验证提出的用于黄酒酒龄快速检测的便携式电子鼻系统的精准性，设置20个不同年份和品牌的黄酒样品，其中训练组15个、测试组5个。系统采集每组样本数据包含8个传感器所测到的60组电压值，选取数据的最大值、最小值、平均微分系数、响应面积和第30秒的瞬态值5个特征构建特征空间。特征空间信息输入随机森林模型中训练，利用训练好的模型对剩下的5个样本进行结果测试，试验结果如表3所示。结果显示，对各类测试样品的平均识别率可达98.5%。年份越久的黄酒由于保存密封性不好的原因，内部的醇类物质会挥发较多，导致年份越久的黄酒识别率越差。同时，由于不同厂家的制造工艺存在差别，古越龙山品牌的黄酒内部各类挥发物质特征信息较弱，导致其识别结果弱于会稽山生产的黄酒。

表3 2种品牌黄酒酒龄识别结果表

4 结论

构建便携式电子鼻检测系统，并结合黄酒陈酿过程中挥发气体的主要构成，选用8种金属氧化物气体传感器搭建电子鼻传感器阵列，利用STM32F407完成传感器数据采集，通过随机森林模型提取出不同酒龄的黄酒所具备的风味特征，实现2种品牌黄酒酒龄的快速检测，平均识别率均达98.5%，同时试验结果表明，系统在酯类、醇类等成分的精细测量方面有待加强。该模型不仅可以进行黄酒酒龄的快速检测，还可以通过调整传感器阵列类型实现其他食品的品质分析，具有广阔的应用前景。