基于气体传感器阵列的Tent-SSA-BP 苹果鲜度预测模型

杨伟震 王伟

摘要：为了能够准确预测苹果的鲜度等级、有效降低苹果的储藏风险、避免经济损失，基于一种气体传感器阵列和无线传输模块的电子鼻系统，采集苹果散发的气味信息。在实验室现有的苹果鲜度识别系统的研究基础上，以室内条件下储存的富士苹果为研究对象，建立基于混沌序列（Tent）改进的麻雀搜索算法（SSA）优化反向传播（BP）神经网络的预测模型，通过预测苹果挥发的气味信息完成对苹果鲜度的预测。结果表明，基于气体传感器阵列的Tent-SSA-BP 预测模型的决定系数为0.942 03，均方误差为0.000 4，准确性总体高于BP 神经网络预测模型的0.800 57，且具有更高的预测稳定性。该预测模型解决了当前基于传统动力学模型的预测准确率低、检测效率低、且对苹果造成破坏的问题；同时相较于红外光谱等其他预测手段，该模型具有更低的经济成本，且具有操作简便、移动便携等优点。综上所述，通过对苹果挥发的气味信息进行预测以实现对苹果鲜度的预测，具有操作简便、成本低、结果可靠的特点，避免了预测鲜度的过程中对苹果造成破坏，实现了无损检测。

關键词：苹果鲜度；预测算法；气味识别；传感器阵列

中图分类号：TP212 文献标识码：A 文章编号：1002?2481（2023）03?0333?07

我国的苹果生产量和出口量均居当今世界第1 位，实现对苹果新鲜度的预测可以降低储藏风险[1]，减少损失，保证苹果的上市质量。所以，准确、快速、无损地检测其新鲜度并且预测苹果的保质期显得尤为重要[2]。

目前，苹果的鲜度预测多以动力学预测模型和近红外光谱检测方法为主，传统的动力学预测模型往往耗时长、检测效率低下，需破坏苹果样本以获取苹果的特征指标；而近红外光谱检测方法成本高、数据量大，检测条件苛刻，并不适宜大规模投入使用。近年来，随着深度学习和智能感官的发展，电子鼻技术已逐渐应用于苹果等各类果蔬的新鲜度和成熟度监测中。最早由意大利的学者NATALE[3]用气味识别准确检测了有缺陷的苹果。国内黎新荣[4]以苹果为试验对象，利用pen3 电子鼻系统获取不同贮藏时间苹果的气味特征值，结果利用线性判别分析可以准确地区分不同贮藏时间的苹果。浙江大学的陈远涛[5]利用自制的电子鼻系统结合多种深度学习算法实现了对不同储存条件下多种食品新鲜度的预测分类。冯蕾[6]应用电子鼻结合低场核磁共振对黄瓜、樱桃与番茄的新鲜度进行了研究，通过监测它们的风味特征及水分状态的变化规律，完成其保鲜期的预测，但是低场核磁共振成本高、检测条件复杂，不适宜大规模推广使用。南京农业大学的陈少霞[7]利用电子鼻和近红外光谱结合技术实现了对娃娃菜的新鲜度预测，该种检测方法操作复杂，且近红外光谱技术所需数据量过大。马慧玲等[8]利用苹果的理化性质，结合生成式对抗网络优化后的BP 神经网络模型建立了苹果的货架期预测模型，与传统动力学预测模型相比，预测准确率具有明显提高。但该模型过于繁琐，检测过程中对苹果造成了破坏。在此之前，课题组前期相关研究也具有一定的工作基础，郭志慧[9]利用气味识别技术结合了模糊感官算法对苹果的品质进行了测定。

刘云刚[10]利用优化后的BP 神经网络建立苹果的气味信息和苹果鲜度之间的关系，用苹果散发的气体特征识别苹果的鲜度，识别准确率高达98%。以上研究绝大部分采用了气味识别技术结合其他检测手段辅助完成对果蔬的鲜度分类或者预测，利用苹果的气味信息直接完成对苹果的保鲜期预测的研究还相对较少。目前，中北大学现代检测与信息处理研究室已开展的研究均是基于苹果的气味信息实现苹果的鲜度检测和分类，尚未对苹果未来的鲜度变化做出预测和得出结论。

本研究根据苹果所挥发的酯类、醛类等多种气体成分，结合已有的乙烯、乙醇、氧气和二氧化碳组成的传感器阵列[10]可以用来准确地表征苹果新鲜度且准确率较高。通过自主设计的气味识别系统检测苹果在储存过程中释放的气体浓度，以ZigBee技术作为信息传输手段，利用加入Tent 的SSA[7]优化BP 神经网络完成对苹果气味特征的预测，建立苹果鲜度预测的Tent-SSA-BP 模型，最终实现快速、无损预测[11]苹果的鲜度。

1材料和方法

1.1 试验材料

苹果自采摘后进行呼吸作用，消耗氧气的同时产生乙醇和二氧化碳，且乙烯与苹果的成熟度紧密相关，故选用乙醇、乙烯、氧气、二氧化碳4 种气体建立苹果鲜度模型。选用同一市场同一时间购买的果形规整、表面光洁、大小均匀的富士苹果若干，于室内20 ℃条件下储存，每隔24 h 对每个样本的挥发气体取样一次，记录苹果由新鲜至腐烂过程中的气体浓度变化。

1.2 气味识别系统设计

整个气味采集系统有2 个ZigBee 节点构成，整体设计框图如图1 所示，其中，采集节点连接传感器后置于储存苹果的容器内，另一节点连接上位机传回数据并通过上位机进行处理[12-15]。

采集节点包括气体传感器阵列、控制电路和ZigBee 收发模块，传感器阵列将苹果散发的气味信息转化为电信号。整个采集系统的控制芯片采用Msp430F449，该芯片功能强大，可完成初步的数据处理任务。ZigBee无线传输模块采用CC2530-F256，内嵌8051 处理器，支持ZigBee2007Ztack 协议栈。

1.3 气体传感器阵列的设计

该研究主要针对苹果的鲜度，根据苹果自采摘后进行的生理作用所涉及到的气体种类（包含与呼吸作用相关的氧气、二氧化碳，与苹果的成熟度紧密相关的乙烯以及与香气相关的乙醇等挥发性有机气体），按照这些气体的种类和特性的不同，传感器阵列选用实际环境下最优传感器组合，以确保气体浓度采集的准确性。选择的传感器种类选择及性能指标如表1 所示，可有效改善气体传感器的交叉敏感特性，提高试验中苹果气味的识别精度[16]。

1.4 气味采集

利用气味识别系统对新鲜、次新鲜和腐烂3 种不同鲜度的苹果进行检测分析。将苹果和充分预热后的气体传感器模块放入800 mL 的密闭容器中，每次放入一个苹果样品，对苹果散发的气体进行检测，室温20 ℃，相对湿度50%。对每个苹果样本每间隔24 h 测定一次，均取每次测量趋于稳定的浓度值作为苹果鲜度的电压特征指标换算为浓度单位后并进行预测。

1.5 模式识别算法

采用加入Tent 的麻雀搜索算法优化BP 神经网络模型，可以有效提高预测苹果鲜度的准确率。

1.5.1 SSA 麻雀搜索算法 麻雀搜索算法是近几年应用较多的寻优算法，在算法设计中，将种群个体区分为发现者、跟随者和警戒者，每个个体对应1 个解。通过对三者不断地位置更新，达到寻优的目的。与其他寻优算法相比，SSA 的结果简单、易于实现，控制参数较少，局部搜索能力较强[17-19]。

此外，为避免麻雀算法陷入局部最优的情况，引入Tent 混沌序列对麻雀算法进行进一步优化，以提升其整体寻优性能和开拓性能。

1.5.2 BP 神经网络 BP 神经网络是一种多层网络结构，整个系统通过有监督的学习方式来完成建立预测模型的过程，即在训练时，将总的样本集分为训练集和測试集，其中，训练集用于预测模型的建立，测试集用于验证已建立的预测模型。

利用不同新鲜度、不同成熟度阶段的苹果散发的气体浓度等特征的不同，对苹果散发的气体特征进行预测，从而建立苹果的鲜度预测模型，将训练后得到的最优模型进行保存，这样在输入一组新的气味特征数据时，根据传感器响应曲线提取特征值，通过预测模型就可以得到对苹果新鲜度的预测。其优化后附加Tent 的SSA-BP 神经网络预测模型流程图如图2 所示。

2结果与分析

2.1 气味信息及处理

对苹果样本进行气味特征采集，其检测到的气味特征变化曲线如图3 所示。

由图3 可知，不同鲜度苹果的气味特征具有不同浓度的变化曲线，传感器阵列中的乙烯、乙醇和二氧化碳浓度随时间的变化而增加且趋于稳定，苹果鲜度的不同，其浓度变化的速率不同；而传感器阵列中的氧气传感器采集到的浓度数据则随着时间逐渐降低而后趋于稳定，这是因为密闭空间内，苹果细胞的呼吸作用消耗掉了氧气用于维持生理活动。此外，气体传感器阵列采集到的苹果原始气味浓度数据具有较大的噪声，这是由于传感器本身和外部电磁干扰等因素，造成部分传感器采集的数据噪声过大，需要将采集的数据进行滤波、平滑处理等操作。

图4 明确展示了传感器阵列采集的数据在经过滤波后的浓度变化曲线，使得不同鲜度的苹果在密闭空间内的气味特征变化更加直观明显。3 类不同鲜度的苹果中，新鲜苹果的气味特征变化速率最慢，次新鲜苹果次之，腐烂苹果最快。在乙烯、乙醇和二氧化碳中的最终稳定值新鲜苹果均为最小，腐烂苹果均为最高；氧气浓度的最终稳定值则表现为新鲜苹果最高，次新鲜次之，腐烂苹果最低。

记录每个苹果样品从新鲜到次新鲜再到腐烂的浓度变化，提取特征值等处理后得到气体浓度的变化过程如图5 所示。

由图5 可知，乙烯、乙醇和二氧化碳均表现为浓度随天数而持续增加，但是不同鲜度的时期具有不同的浓度变化范围；氧气浓度则表现为先上升后下降，这主要与苹果在储藏过程中的呼吸速率和呼吸类型有关。

2.2 模型分析

根据浓度变化曲线可知，不同鲜度苹果挥发的气体浓度具有明显的差异，在对单种气体的浓度变化的预测中，根据输入输出的数据特点来确定神经网络预测模型的结构。利用苹果前5 d 的浓度变化来预测第6 天的浓度值，建立预测模型，即神经网络的输入信号为5 维，输出为1 维，根据Kolmogorov定理，并且通过多次试验得出最佳隐含层数为11，所以，神经网络的结构为5-11-1。

在室内条件下，即室温20 ℃，相对湿度50%，苹果由新鲜到出现腐烂的时间在40 d 左右，通过检测苹果在40 d 内的浓度变化，利用这些浓度数据训练并测试预测模型。从中随机选择100 组数据作为训练数据训练网络，20 组数据作为测试数据测试网络。优化前后的神经网络预测模型训练的误差对比如图6 所示。

由图6 可知，其误差在优化前后分别为0.002 0和0.000 4，为更加直观地评价模型的稳定性和可靠性，采用决定系数作为预测模型的评价指标。首先根据式（1）、（2）计算得到残差平方和和总平方和，其中SSres 为残差平方和，SStot 表示总平方和，yi 表示真实数据，-y表示平均值，f i 表示预测数据；然后根据式（3）计算决定系数，最后得到优化前决定系数为0.800 57，优化后的决定系数为0.942 03，说明优化后的模型预测稳定性优于优化前。试验也证明，经过优化后的预测模型，预测误差更小，性能更好更稳定。

2.3 预测结果

表2 为优化前后的BP 神经网络模型对某个苹果样本的未来一周乙烯浓度特征变化所做出的预测值与实测值之间的对比，以及2 类预测值与实测值之间的误差对比。由表2 可知，利用加入混沌序列后的麻雀搜索算法优化后的BP 神经网络模型预测的结果与实测值更为接近，误差更小。

再分别对乙烯、乙醇、氧气和二氧化碳进行预测，得出优化后的预测模型更加稳定，且误差总体较小，预测结果更加准确。之后根据预测后的浓度值结合实验室现有的研究成果所建立的苹果鲜度气味识别系统模型[10]，总体实现对苹果鲜度的预测，以建立起基于气体传感器阵列的苹果鲜度预测的完整系统。其中对某个苹果的鲜度进行预测的部分最终结果如表3 所示，对20 组苹果的鲜度预测的结果中，对第6 天的鲜度预测准确率最高，为100%；对苹果第30 天的测准确率为80%。

3结论与讨论

苹果的新鲜度变化不仅会影响其价格和美观，还会影响果农甚至是国家的经济效益。本研究提出的基于电子鼻系统和Tent-SSA-BP 的苹果鲜度预测模型，将深度学习算法和智能感官结合后成功地应用于苹果鲜度预测中。试验结果表明，选用的4 种气体传感器所组成的传感器阵列对苹果挥发的气体具有针对性，其能够有效地提取苹果的气味信息，从而进一步利用优化后的神经网络预测模型对苹果的鲜度进行分析预测。优化后的模型具有全局搜索寻优能力强、预测准确度高、稳定性好等特点；但是每个苹果在800 mL 容器内挥发的气体在10 min 左右达到稳定，检测效率较低，在后续的研究中将以优化传感器阵列、改善特征值提取以及改善算法等方面为切入点，在保证现有准确率的前提下提高检测效率，并进一步提高准确率。结合现有基于SFLA 优化的BP 神经网络苹果鲜度气味识别系统[10]，最终形成了一套完整的基于气体传感器的可用于预测苹果保鲜期的新鲜度无损预测系统，其能够准确预测苹果在未来30 d 左右的鲜度。与传统的预测苹果鲜度的动力学模型和近红外光谱技术相比，具有成本低、数据量小、检测方便、无损的优点[20]。

下一步将继续研究苹果在其他储存条件下的鲜度预测方法和模型，如冷藏条件下苹果的保鲜期、运输过程中苹果的保鮮期变化等，并进一步研究提出适用于多种储存条件下完整的鲜度预测模型。此外，本研究提出的基于电子鼻系统和Tent-SSA-BP 的苹果鲜度预测模型，只针对不同鲜度的富士苹果进行了鲜度预测，未验证其他品种的苹果以及其他种类的果蔬。在电子鼻的整体设计上，可以尝试将算法程序烧录进单片机内，配合协调器节点接入显示屏，对数据处理结果进行实时显示，使之脱离上位机形成一个更加简便的预测系统。后续针对传感器阵列可继续扩大传感器种类，设计一套针对其他种类果蔬、得到较为广泛应用的鲜度预测系统，实现对多种果蔬品质的预测，以求实现商品化。

本研究以室内条件下储存的富士苹果为研究对象，通过自制的基于气体传感器阵列的气味识别系统，利用Tent-SSA-BP 神经网络预测模型，建立了可用于苹果浓度预测分析的系统模型，其误差在优化后减小到0.000 4，决定系数达到了0.94 以上，Tent-SSA-BP 模型预测值与优化前的BP 模型预测值相比误差更小，更能表征苹果储存一段时间之后挥发的气体的浓度变化，将其作为鲜度分类的数据更为可靠。

参考文献：

［1］ 顾瑞洁. 基于深度学习的电子鼻气体识别技术研究[D]. 武汉：

华中科技大学，2021.

GU R J. Research on technologies of gas recognition by electronic

nose based on deep learning[D]. Wuhan：Huazhong University

of Science and Technology，2021.

［2］ 胡位歆. 新鲜水果货架期预测模型的构建[D]. 杭州：浙江大

学，2016.

HU W X. Studies on building shelf-life predictive model of fresh

fruits[D]. Hangzhou：Zhejiang University，2016.

［3］ NATALE C D，MACAGNANO A，MARTINELLI E，et al.

The evaluation of quality of post-harvest oranges and apples by

means of an electronic nose[J]. Sensors and Actuators B：Chemical，

2001，78（1/2/3）：26-31.

［4］ 黎新荣. 电子鼻在沃柑贮藏时间识别中的应用[J]. 南方农业学

报，2018，49（9）：1827-1832.

LI X R. Application of electronic nose in identification for storage

time of Orah[J]. Journal of Southern Agriculture，2018，49

（9）：1827-1832.

［5］ 陈远涛，熊忆舟，薛莹莹，等. 基于深度学习的电子鼻食品新鲜

度检测与识别技术研究[J]. 传感技术学报，2021，34（8）：1131-

1138.

CHEN Y T，XIONG Y Z，XUE Y Y，et al. Research on electronic

nose food freshness detection and recognition technology

based on deep learning[J]. Chinese Journal of Sensors and Actuators，

2021，34（8）：1131-1138.

［6］ 冯蕾. 基于电子鼻及低场核磁共振的黄瓜与樱桃番茄新鲜度

智能检测研究[D]. 无锡：江南大学，2019.

FENG L. Research on freshness intelligent recognition of cucumbers

and cherry tomatoes based on electronic nose and lowfield

nuclear magnetic resonance[D]. Wuxi：Jiangnan University，

2019.

［7］ 陈少霞. 基于电子鼻和近红外光谱技术无损检测娃娃菜新鲜

度的研究[D]. 南京：南京农业大学，2020.

CHEN S X. Research on nondestructive detection of baby cabbage

freshness based on electronic nose and near infrared spectroscopy[

D]. Nanjing：Nanjing Agricultural University，2020.

［8］ 马惠玲，曹梦柯，王栋，等. 苹果货架期GAN-BP-ANN 预测模

型研究[J]. 农业机械学报，2021，52（11）：367-375.

MA H L，CAO M K，WANG D，et al. Study on shelf-life prediction

of apple with GAN-BP-ANN model[J]. Transactions of

the Chinese Society for Agricultural Machinery，2021，52（11）：

367-375.

［9］ 郭志慧. 基于气味识别的苹果鲜度特征检测技术研究[D]. 太

原：中北大学，2019.

GUO Z H. Study on detection technology of apple freshness

characteristics based on smell recognition[D]. Taiyuan：North

University of China，2019.

［10］ 刘云刚，王伟. 基于SFLA 优化的BP 神经网络苹果鲜度气味

识别系统[J]. 传感器与微系统，2020，39（8）：96-99，106.

LIU Y G，WANG W. Apple fresh odor recognition system

based on SFLA optimized BP neural network[J]. Transducer

and Microsystem Technologies，2020，39（8）：96-99，106.

［11］ BREZMES J，LLOBET E，VILANOVA X，et al. Fruit ripeness

monitoring using an Electronic Nose[J]. Sensors and Actuators

B：Chemical，2000，69（3）：223-229.

［12］ XING M K，SUN K，LIU Q，et al. Development of novel electronic

nose applied for strawberry freshness detection during

storage[J]. International Journal of Food Engineering，2018，14

（7/8）：1022-1026.

［13］ 闫转红，王伟. 基于气体传感器阵列的苹果甜度识别技术研

究[J]. 国外电子测量技术，2021，40（10）：71-76.

YAN Z H，WANG W. Research on apple sweetness recognition

technology based on gas sensor array[J]. Foreign Electronic

Measurement Technology，2021，40（10）：71-76.

［14］ 喻璐. 基于傳感器阵列的气体检测与分析系统设计[D]. 长

沙：长沙理工大学，2021.

YU L. Design of gas detection and analysis system based on

sensor array[D]. Changsha：Changsha University of Science

and Technology，2021.

［15］ 徐静，赵秀洁，孙柯，等. 基于电子鼻和乙醇传感器判别草莓

新鲜度的研究[J]. 食品与机械，2016，32（5）：117-121.

XU J，ZHAO X J，SUN K，et al. Determination on freshness of

strawberry based on electronic nose and ethanol sensor[J].

Food & Machinery，2016，32（5）：117-121.

［16］ WANG W，YANG W Z，LIU Y G，et al. A research of neural

network optimization technology for apple freshness recognition

based on gas sensor array[J]. Scientific Programming，

2022，2022：1-11.

［17］ 黄敬宇. 融合t 分布和Tent 混沌映射的麻雀搜索算法研究

[D]. 兰州：兰州大学，2021.

HUANG J Y. Research on sparrow search algorithm based on

fusion of t distribution and Tent chaotic mapping[D]. Lanzhou：

Lanzhou University，2021.

［18］ 许亮，张紫叶，陈曦，等. 基于改进麻雀搜索算法优化BP 神经

网络的气动光学成像偏移预测[J]. 光电子·激光，2021，32

（6）：653-658.

XU L，ZHANG Z Y，CHEN X，et al. Improved sparrow

search algorithm based BP neural networks for aero-optical imaging

deviation prediction[J]. Journal of Optoelectronics·Laser，

2021，32（6）：653-658.

［19］ 吴丁杰，周庆兴，温立书. 基于Logistic 混沌映射的改进麻雀

算法[J]. 高师理科学刊，2021，41（6）：10-15.

WU D J，ZHOU Q X，WEN L S. Improved sparrow algorithm

based on Logistic chaos mapping[J]. Journal of Science of

Teachers College and University，2021，41（6）：10-15.

［20］ BLEIBAUM R N，STONE H，TAN T，et al. Comparison of

sensory and consumer results with electronic nose and tongue

sensors for apple juices[J]. Food Quality and Preference，2019，

13（6）：409-422.