CN103424431A - 一种大米霉变快速检测装置和方法 - Google Patents
一种大米霉变快速检测装置和方法 Download PDFInfo
- Publication number
- CN103424431A CN103424431A CN2013103325797A CN201310332579A CN103424431A CN 103424431 A CN103424431 A CN 103424431A CN 2013103325797 A CN2013103325797 A CN 2013103325797A CN 201310332579 A CN201310332579 A CN 201310332579A CN 103424431 A CN103424431 A CN 103424431A
- Authority
- CN
- China
- Prior art keywords
- rice
- gas
- air
- signal
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种大米霉变快速检测装置和方法。该装置包括数据采集装置和计算机,数据采集装置包括微处理器、样品室、气室、气敏传感器阵列和第一气泵,样品室与气室之间设有上连通管和下连通管,气室上设有进气口,进气口通过第一进气管路与第一气泵相连,第一进气管路上设有第一电磁阀,上连通管上设有出气口和第二气泵,出气口上设有出气电磁阀,气敏传感器阵列设置在气室中。该方法通过气敏传感器阵列检测大米挥发气体,微处理器对气敏传感器产生的响应信号进行采样,计算机对采样值进行处理,通过非线性随机共振算法和非线性自标定动态分类模型计算出动态分类参数Δ,从而判断大米是否霉变。本发明能够快速准确的检测出大米是否发生霉变。
Description
技术领域
本发明涉及食品检测技术领域,尤其涉及一种大米霉变快速检测装置和方法。
背景技术
食品安全是影响人类健康的重要因素,一直是世界各国相关部门研究的重点。大米中富含蛋白质、碳水化合物、脂肪等成分,具有较高的营养价值。但大米在生产过程中带有黄曲霉、寄生曲霉、镰刀曲霉、青曲霉等多种霉菌,在合适的条件下易引起大米霉变,释放出霉味、腐败味、酸败味等气味,此时具有营养的大米反而变成对人体有毒害的物质。目前,一般通过人工感官判断大米是否霉变,但人的感觉器官易受环境、品评员个体差异以及主观因素的干扰,从而降低了判断的准确性。同时,人工感官也不适合品评有毒害物质。
中国专利公开号CN202442966,公开日2012年9月19日,实用新型的名称为基于嵌入式操作系统的大米品质监测装置,该申请案公开了一种基于嵌入式操作系统的大米品质监测装置,它由大米图像采集箱、数据传输线、图像采集装置、模拟数字转换器、嵌入式微处理器、数字信号输出接口、喷气阀控制器、液晶参数设置显示模块构成。大米图像采集箱与图像采集装置相连接,图像采集装置与模拟数字转换器连接,模拟数字转换器与嵌入式微处理器相连接,嵌入式微处理器与数字信号输出接口相连接,数字信号输出接口与喷气阀控制器相连接,嵌入式微处理器与液晶参数设置显示模块相连接。其不足之处是,该监测装置只能检测出大米是否有破损或异色,而不能检测大米是否霉变。
发明内容
本发明的目的是克服目前一般通过人工感官检测大米是否霉变,检测结果可靠性较差的技术问题,提供了一种大米霉变快速检测装置和方法,其能够快速准确的检测出大米是否发生霉变。
为了解决上述问题,本发明采用以下技术方案予以实现:
本发明的一种大米霉变快速检测装置,包括数据采集装置和计算机,所述数据采集装置包括微处理器、样品室、气室、气敏传感器阵列和第一气泵,所述样品室顶部的出口通过上连通管与气室顶部的入口相连,所述样品室底部的入口通过下连通管与气室底部的出口相连,所述气室上设有进气口,所述进气口通过第一进气管路与第一气泵相连,所述第一进气管路上设有第一电磁阀,所述上连通管上设有出气口和第二气泵,所述出气口上设有出气电磁阀,所述气敏传感器阵列设置在气室中,所述微处理器分别与气敏传感器阵列、第一气泵、第二气泵、第一电磁阀、出气电磁阀和计算机电连接。
在本技术方案中,先将品质合格的大米等分成M份样品,分别存放不同时间,取得存放不同时间的M类大米样品,分别对M类大米样品进行检测,检测方法如下:数据采集装置先通过第一气泵将空气通入气室和样品室,空气从出气口流出,对气室和样品室进行清洗,接着将一份大米样品放入样品室,启动第二气泵工作,大米样品产生的挥发性气体在气室和样品室之间循环流动,循环15分钟后,气敏传感器阵列启动,气敏传感器阵列与大米挥发气体接触产生电信号,微处理器采样气敏传感器阵列产生的电信号并将采样值发送到计算机,计算机对接收到的各个采样值代入非线性随机共振算法中计算出信噪比最大值SNRmax,对该大米样品进行多次检测,将多次检测得到的信噪比特征值SNRmax取平均值,该平均值即该大米样品的阈值Thr,同时检测该大米样品的菌落总数,根据菌落总数是否达到霉变的标准判断该大米样品是否霉变。对M类大米样品分别进行检测,将各类样品的阈值Thr及其霉变状态共同构成阈值库。
接着,对待测大米样品进行检测,得到待测大米样品的信噪比特征值SNRmax,将信噪比特征值SNRmax代入非线性自标定动态分类模型计算出动态分类参数Δ。将Δ与阈值库内各阈值Thr比较,如果则计算机判断被测大米是该阈值所属大米类型(即被测大米的存放时间与该阈值所属大米类型对应的存放时间相同),根据该阈值所属大米类型是否为霉变大米判断被测大米是否霉变;如果则计算机重新进行类型判断。
作为优选,所述样品室内设有样品容器和支撑轴,所述支撑轴倾斜设置在样品室底部,所述样品容器呈半球形,所述样品容器的底部通过轴承套设在支撑轴上,所述样品容器的外侧壁上设有若干个叶片,所述样品容器位于样品室底部入口的正上方。
第二气泵工作带动大米样品产生的挥发性气体在气室和样品室之间循环流动时,气体从样品室底部入口向上吹出,样品容器上的叶片在气体的推动下带动样品容器绕着支撑轴转动,有利于样品容器内的待测大米充分挥发,提高气室内的挥发气体浓度,从而提高检测精度。
作为优选,所述样品容器上设有若干个通气孔。有利于样品容器内的待测大米充分挥发。
作为优选,所述气敏传感器阵列包括八个传感器,分别为用于检测硫化物的第一传感器、用于检测氢气的第二传感器、用于检测氨气的第三传感器、用于检测酒精、甲苯、二甲苯的第四传感器、用于检测碳氢组分气体的第五传感器、用于检测甲烷、丙烷的第六传感器、用于检测丁烷的第七传感器和用于检测氮氧化物的第八传感器。
第一传感器为TGS-825传感器,第二传感器为TGS-821传感器,第三传感器为TGS-826传感器,第四传感器为TGS-822传感器,第五传感器为TGS-842传感器,第六传感器为TGS-813传感器,第七传感器为TGS-2610传感器,第八传感器为TGS-2201传感器。
作为优选,所述气室内设有八个独立气腔,所述独立气腔的入口通过气体管路与上连通管和气室的进气口相连,所述独立气腔的出口通过气体管路与下连通管相连,所述八个传感器分别位于八个独立气腔内。
独立气腔采用聚四氟乙烯材料制成,样品气和清洗气均匀泵入每个传感器的独立气腔,避免多个传感器处于一个气腔而互相干扰,提高检测精度。
本发明的一种大米霉变快速检测方法,包括以下步骤:
S1:微处理器控制第一电磁阀和出气电磁阀打开,控制第一气泵工作10~20分钟,第一气泵将洁净空气通入,对气室和样品室进行清洗,空气从出气口排出;
S2:微处理器控制第一电磁阀和出气电磁阀关闭,工作人员将待测大米样品放入样品室的样品容器中;
S3:微处理器控制第二气泵工作,第二气泵带动待测大米样品产生的挥发性气体在样品室、上连通管、气室和下连通管内循环流动;
S4:第二气泵工作10~20分钟后,微处理器控制气敏传感器阵列工作,气敏传感器阵列与大米挥发气体接触产生电信号,微处理器对气敏传感器阵列产生的电信号进行采样并将采样值发送到计算机;
S5:计算机先对接收到的各个采样值W进行异常数据处理,去除异常的采样值W,接着将各个采样值W代入非线性随机共振算法中计算出信噪比特征值,所述非线性随机共振算法如下:
随机共振系统包含三部分:双稳态系统、输入信号以及噪声源,通常以一个在双稳态势阱中被周期力驱动的过阻尼布朗运动粒子来描述系统特性:
V(x)=0.25ax4-0.5bx2
其中,V(x)为非线性对称势函数,ξ(t)为高斯白噪声,其自相关函数为:E[ξ(t)ξ(0)]=2Dδ(t),A是输入信号强度,D是噪声强度,δ(t)是标准冲激函数,a和b是两个实参数,
信噪比是表征随机共振特性常用的参量,将信噪比定义为:
其中,S(ω)是信号频谱密度,SN(Ω)是信号频率范围内的噪声强度,从随机共振系统输出的信噪比曲线中获取信噪比最大值SNRmax作为信噪比特征值;
S6:将信噪比特征值SNRmax代入非线性自标定动态分类模型计算出动态分类参数Δ,所述非线性状态空间模型包括非线性状态空间模型、残差变量模型和分类标准模型,所述非线性状态空间模型如下:
所述残差变量模型如下:
所述分类标准模型如下:
其中,L平均数据长度,N为最大检测数据长度,Δ为动态分类参数;
气敏传感器阵列包括八个传感器,八个传感器对于大米样品挥发气体均有响应,但响应幅度不同,我们将八个传感器的检测数据输入随机共振系统进行分析,调节噪声强度得到大米霉变检测信号的共振信噪比谱图。随机共振采用噪声调制目标信号产生共振效应,使有用微弱信号得到增强从而易于检测。同时,该方法将传感器阵列对大米样品的响应信号差异转换为输出信噪比谱特征参数的差异,可以克服传感器在使用过程中的基线漂移带来的不利影响,将检测得到的信噪比特征值SNRmax代入非线性自标定动态分类模型计算出动态分类参数Δ,通过Δ与预先设定的阈值库内各阈值Thr比较来判断样品是否霉变。非线性自标定动态分类模型是把待测样品的随机共振输出信噪比特征值进行了优化,目的在于消除测量过程中偶然误差带来的测不准对结果造成的干扰,也就是说可以增加残差的准确度,有利于提高样品预测的准确度。
作为优选,所述步骤S5中对各个采样值W进行异常数据处理包括以下步骤:气敏传感器阵列包括八个传感器,将每个传感器被采样的若干个采样值W分为一组数据,每组数据中的采样值W符合正态分布:W~N(μ,σ2),μ为每组数据中采样值W的均值,σ为每组数据中采样值W的标准差,经推导则有:
P(|W-μ|>3σ)≤2-2Φ(3)=0.003,
将每组数据的均值μ、标准差σ以及各个采样值W代入公式|W-μ|>3σ,将满足公式|W-μ|>3σ的采样值W作为异常数据去除。
每组数据中的任意一个采样值W落在距离均值3倍标准差以外的概率小于0.3%,0.3%概率非常小,因此认为这个采样值W是异常数据可以进行去除。经过异常数据检验和去除的采样值W输入到随机共振系统中进行分析,可以有效提高检测准确度。
作为优选,所述预设的阈值库内各阈值Thr的取得步骤为:预先取得存放不同时间的每类大米样品,执行步骤S1至步骤S5分别对每类大米样品进行检测,得到信噪比特征值SNRmax,对每类大米样品进行多次检测,将该类大米样品多次检测得到的信噪比特征值SNRmax取平均值,该平均值即该类大米样品的阈值Thr,同时检测每类大米样品的菌落总数,根据菌落总数是否达到霉变的标准判断每类大米样品是否霉变,各类样品的阈值Thr及其霉变状态共同构成了阈值库。
作为优选,所述误差门限值K为0.01~0.1。
本发明的实质效果是:(1)能够快速准确的检测出大米的存放时间以及是否发生霉变,避免样品气体对人体健康造成危害。(2)待测大米样品的挥发气体在气室和样品室内循环,使气敏传感器阵列接触的挥发气体浓度变化不大,输出的检测信号较稳定,提高检测精度。(3)该方法先将传感器阵列对霉变大米样品的响应信号差异转换为输出信噪比谱特征参数的差异,可以克服传感器在使用过程中的基线漂移带来的不利影响,通过非线性自标定动态分类模型是把输出信噪比特征值进行了优化,消除测量过程中偶然误差带来的测不准对结果造成的干扰,提高样品预测的准确度。(4)计算机对接收到的各个采样值进行异常数据处理。可以有效去除异常数据,提高检测准确度。
附图说明
图1是本发明的一种结构示意图;
图2是本发明的样品容器的一种结构示意图;
图3是本发明的气室的一种结构示意图;
图4是本发明的一种电路原理连接框图;
图5是本发明的一种检测流程图;
图6是存放不同时间的大米样品检测的随机共振谱图。
图中:1、计算机,2、微处理器,3、样品室,4、气室,5、气敏传感器阵列,6、第一气泵,7、第二气泵,8、样品容器,9、上连通管,10、下连通管,11、进气口,12、第一电磁阀,13、出气电磁阀,14、支撑轴,15、叶片,16、通气孔,17、传感器,18、独立气腔,19、第二电磁阀,20、第三电磁阀,21、气源,22、活性炭。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:本发明的一种大米霉变快速检测装置,如图1、图4所示,包括数据采集装置和计算机1,数据采集装置包括微处理器2、样品室3、气室4、气敏传感器阵列5和第一气泵6,样品室3顶部的出口通过上连通管9与气室4顶部的入口相连,样品室3底部的入口通过下连通管10与气室4底部的出口相连,气室4上设有进气口11,进气口11通过第一进气管路与第一气泵6相连,第一进气管路上设有第一电磁阀12,上连通管9上设有出气口和第二气泵7,出气口上设有出气电磁阀13,样品室3内设有样品容器8和支撑轴14,支撑轴14倾斜设置在样品室3底部,样品容器3呈半球形,样品容器3的底部通过轴承套设在支撑轴14上。
如图2所示,样品容器3的外侧壁上等间距设有10个叶片15,样品容器3上均匀设有108个呈矩形的通气孔16,样品容器3位于样品室3底部入口的正上方。第二气泵7工作带动大米样品产生的挥发性气体在气室4和样品室3之间循环流动时,气体从样品室3底部入口向上吹出,样品容器3上的叶片15在气体的推动下带动样品容器3绕着支撑轴14转动,有利于样品容器3内的待测大米充分挥发,样品容器3上的通气孔16也有利于待测大米充分挥发,提高气室4内的挥发气体浓度,从而提高检测精度。挥发气体在气室4和样品室3之间循环流动,使气敏传感器阵列5接触的挥发气体浓度变化不大,输出的检测信号较稳定,提高检测精度。
如图3所示,气室4内设有八个独立气腔18,独立气腔18的入口通过气体管路与上连通管9和气室4的进气口11相连,独立气腔18的出口通过气体管路与下连通管10相连,气敏传感器阵列5包括八个传感器17,分别为用于检测硫化物的第一传感器、用于检测氢气的第二传感器、用于检测氨气的第三传感器、用于检测酒精、甲苯、二甲苯的第四传感器、用于检测碳氢组分气体的第五传感器、用于检测甲烷、丙烷的第六传感器、用于检测丁烷的第七传感器和用于检测氮氧化物的第八传感器,八个传感器分别位于八个独立气腔18内。
第一传感器为TGS-825传感器,第二传感器为TGS-821传感器,第三传感器为TGS-826传感器,第四传感器为TGS-822传感器,第五传感器为TGS-842传感器,第六传感器为TGS-813传感器,第七传感器为TGS-2610传感器,第八传感器为TGS-2201传感器。独立气腔18采用聚四氟乙烯材料制成,样品气和清洗气均匀泵入每个传感器17的独立气腔18,避免多个传感器处于一个气腔而互相干扰,提高检测精度。
如图4所示,微处理器2分别与计算机1、第一气泵6、第二气泵7、第一电磁阀12、出气电磁阀13和八个传感器17电连接。
本实施例的一种大米霉变快速检测装置还包括充满惰性气体的气源21,进气口11通过第二进气管路与第一气泵6相连,第二进气管路上设有第二电磁阀19,第二进气管路中设置有活性炭22,进气口11通过第三进气管路与气源21相连,第三进气管路上设有第三电磁阀20,第二电磁阀19和第三电磁阀20分别与微处理器2电连接。可将空气、经活性炭过滤的空气和惰性气体作为三种载气分别通入数据采集装置,在每种载气情况下对样品进行检测,最后将检测数据取平均值,从而提高检测数据的精确性。
本发明的一种大米霉变快速检测方法,适用于上述的大米霉变快速检测装置,如图5所示,包括以下步骤:
S1:微处理器2控制第一电磁阀12和出气电磁阀13打开,控制第一气泵6工作15分钟,第一气泵6将洁净空气通入,对气室4和样品室3进行清洗,使各传感器17处于初始状态;
S2:微处理器2控制第一电磁阀12和出气电磁阀13关闭,工作人员将待测大米样品放入样品室3的样品容器8中;
S3:微处理器2控制第二气泵7工作,第二气泵7带动待测大米样品产生的挥发性气体在样品室3、上连通管9、气室4和下连通管10内循环流动;
S4:第二气泵7工作15分钟后,微处理器2控制气敏传感器阵列5工作,气敏传感器阵列5与大米挥发气体接触产生电信号,微处理器2对气敏传感器阵列5产生的电信号进行采样并将采样值发送到计算机1;
S5:计算机1先对接收到的30个采样值W进行异常数据处理,去除异常的采样值W,接着将各个采样值W代入非线性随机共振算法中计算出信噪比特征值,所述非线性随机共振算法如下:
随机共振系统包含三部分:双稳态系统、输入信号以及噪声源,通常以一个在双稳态势阱中被周期力驱动的过阻尼布朗运动粒子来描述系统特性:
V(x)=0.25ax4-0.5bx2
其中,V(x)为非线性对称势函数,ξ(t)为高斯白噪声,其自相关函数为:E[ξ(t)ξ(0)]=2Dδ(t),A是输入信号强度,D是噪声强度,δ(t)是标准冲激函数,a和b是两个实参数,
信噪比是表征随机共振特性常用的参量,将信噪比定义为:
其中,S(ω)是信号频谱密度,SN(Ω)是信号频率范围内的噪声强度,从随机共振系统输出的信噪比曲线中获取信噪比最大值SNRmax作为信噪比特征值;
S6:将信噪比特征值SNRmax代入非线性自标定动态分类模型计算出动态分类参数Δ,所述非线性状态空间模型包括非线性状态空间模型、残差变量模型和分类标准模型,所述非线性状态空间模型如下:
所述残差变量模型如下:
所述分类标准模型如下:
其中,L平均数据长度,N为最大检测数据长度,Δ为动态分类参数;
气敏传感器阵列5包括八个传感器17,八个传感器17对于大米样品挥发气体均有响应,但响应幅度不同,我们将八个传感器17的检测数据输入随机共振系统进行分析,调节噪声强度得到大米检测信号的共振信噪比谱图。随机共振采用噪声调制目标信号产生共振效应,使有用微弱信号得到增强从而易于检测。同时,该方法将传感器阵列5对大米样品的响应信号差异转换为输出信噪比谱特征参数的差异,可以克服传感器在使用过程中的基线漂移带来的不利影响,将检测得到的信噪比特征值SNRmax代入非线性自标定动态分类模型计算出动态分类参数Δ,通过Δ与预先设定的阈值Thr比较来判断样品是否霉变。非线性自标定动态分类模型是把待测样品的随机共振输出信噪比特征值进行了优化,目的在于消除测量过程中偶然误差带来的测不准对结果造成的干扰,也就是说可以增加残差的准确度,有利于提高样品预测的准确度。
由于检测过程中的干扰因素存在,因此需要剔除检测中的检测异常数据点。步骤S5中对各个采样值W进行异常数据处理包括以下步骤:气敏传感器阵列5包括八个传感器17,将每个传感器17被采样的20个采样值W分为一组数据,每组数据中的采样值W符合正态分布:W~N(μ,σ2),μ为每组数据中采样值W的均值,σ为每组数据中采样值W的标准差,经推导则有:
P(|W-μ|>3σ)≤2-2Φ(3)=0.003,
将每组数据的均值μ、标准差σ以及各个采样值W代入公式|W-μ|>3σ,将满足公式|W-μ|>3σ的采样值W作为异常数据去除。接着,将每组数据剩下的采样值W重复上述方法进行第二次异常数据处理。
每组数据中的任意一个采样值W落在距离均值3倍标准差以外的概率小于0.3%,0.3%概率非常小,因此认为这个采样值W是异常数据可以进行去除。经过异常数据检验和去除的采样值W输入到随机共振系统中进行分析,可以有效提高检测准确度。
预设的阈值库内各阈值Thr的取得步骤为:预先取得存放不同时间的每类大米样品,执行步骤S1至步骤S5分别对每类大米样品进行检测,得到信噪比特征值SNRmax,对每类大米样品进行多次检测,将该类大米样品多次检测得到的信噪比特征值SNRmax取平均值,该平均值即该类大米样品的阈值Thr,同时检测每类大米样品的菌落总数,根据菌落总数是否达到霉变的标准判断每类大米样品是否霉变,各类样品的阈值Thr及其霉变状态共同构成了阈值库。
预设的空间模型的理论输出值检测步骤为:将每类大米样品多次测得的信噪比特征值SNRmax分别代入非线性状态空间模型,得到多个空间模型的实际输出值将这些空间模型的实际输出值取平均,该平均值为空间模型的理论输出值
本实施例中将品质合格的大米样品等分成4份,4份大米样品分别存放一天、四天、七天和十天,从而获得四类大米样品。分别对每类大米样品进行检测,计算机输出的共振信噪比谱图如图6所示。从图6中我们可以观察到,第一天对应曲线、第四天对应曲线、第七天对应曲线和第十天对应曲线都在噪声强度92左右处出现特征峰,该特征峰对应的信噪比值即为信噪比特征值SNRmax。对每类大米样品进行多次检测,得到四类大米样品的阈值Thr:存放一天样品为-75.6dB,存放四天样品为-74.5dB,存放七天样品为-73.5dB,存放七天样品为-69dB。根据菌落总数是否达到霉变的标准判断出,存放一天样品没有霉变,其它三个样品都已经霉变。
Claims (9)
1.一种大米霉变快速检测装置,其特征在于:包括数据采集装置和计算机(1),所述数据采集装置包括微处理器(2)、样品室(3)、气室(4)、气敏传感器阵列(5)和第一气泵(6),所述样品室(3)顶部的出口通过上连通管(9)与气室(4)顶部的入口相连,所述样品室(3)底部的入口通过下连通管(10)与气室(4)底部的出口相连,所述气室(4)上设有进气口(11),所述进气口(11)通过第一进气管路与第一气泵(6)相连,所述第一进气管路上设有第一电磁阀(12),所述上连通管(9)上设有出气口和第二气泵(7),所述出气口上设有出气电磁阀(13),所述气敏传感器阵列(5)设置在气室(4)中,所述微处理器(2)分别与气敏传感器阵列(5)、第一气泵(6)、第二气泵(7)、第一电磁阀(12)、出气电磁阀(13)和计算机(1)电连接。
2.根据权利要求1所述的一种大米霉变快速检测装置,其特征在于:所述样品室(3)内设有样品容器(8)和支撑轴(14),所述支撑轴(14)倾斜设置在样品室(3)底部,所述样品容器(8)呈半球形,所述样品容器(8)的底部通过轴承套设在支撑轴(14)上,所述样品容器(8)的外侧壁上设有若干个叶片(15),所述样品容器(8)位于样品室(3)底部入口的正上方。
3.根据权利要求2所述的一种大米霉变快速检测装置,其特征在于:所述样品容器(8)上设有若干个通气孔(16)。
4.根据权利要求1或2或3所述的一种大米霉变快速检测装置,其特征在于:所述气敏传感器阵列(5)包括八个传感器(17),分别为用于检测硫化物的第一传感器、用于检测氢气的第二传感器、用于检测氨气的第三传感器、用于检测酒精、甲苯、二甲苯的第四传感器、用于检测碳氢组分气体的第五传感器、用于检测甲烷、丙烷的第六传感器、用于检测丁烷的第七传感器和用于检测氮氧化物的第八传感器。
5.根据权利要求4所述的一种大米霉变快速检测装置,其特征在于:所述气室(4)内设有八个独立气腔(18),所述独立气腔(18)的入口通过气体管路与上连通管(9)和气室(4)的进气口(11)相连,所述独立气腔(18)的出口通过气体管路与下连通管(10)相连,所述八个传感器(17)分别位于八个独立气腔(18)内。
6.一种大米霉变快速检测方法,适用于如权利要求1-5中任意权利要求所述的一种大米霉变快速检测装置,其特征在于包括以下步骤:
S1:微处理器控制第一电磁阀和出气电磁阀打开,控制第一气泵工作10~20分钟,第一气泵将洁净空气通入,对气室和样品室进行清洗;
S2:微处理器控制第一电磁阀和出气电磁阀关闭,工作人员将待测大米样品放入样品室的样品容器中;
S3:微处理器控制第二气泵工作,第二气泵带动待测大米样品产生的挥发性气体在样品室、上连通管、气室和下连通管内循环流动;
S4:第二气泵工作10~20分钟后,微处理器控制气敏传感器阵列工作,气敏传感器阵列与大米挥发气体接触产生电信号,微处理器对气敏传感器阵列产生的电信号进行采样并将采样值发送到计算机;
S5:计算机先对接收到的各个采样值W进行异常数据处理,去除异常的采样值W,接着将各个采样值W代入非线性随机共振算法中计算出信噪比特征值,所述非线性随机共振算法如下:
随机共振系统包含三部分:双稳态系统、输入信号以及噪声源,通常以一个在双稳态势阱中被周期力驱动的过阻尼布朗运动粒子来描述系统特性:
V(x)=0.25ax4-0.5bx2
其中,V(x)为非线性对称势函数,ξ(t)为高斯白噪声,其自相关函数为:E[ξ(t)ξ(0)]=2Dδ(t),A是输入信号强度,D是噪声强度,δ(t)是标准冲激函数,a和b是两个实参数,
信噪比是表征随机共振特性常用的参量,将信噪比定义为:
其中,S(ω)是信号频谱密度,SN(Ω)是信号频率范围内的噪声强度,从随机共振系统输出的信噪比曲线中获取信噪比最大值SNRmax作为信噪比特征值;
S6:将信噪比特征值SNRmax代入非线性自标定动态分类模型计算出动态分类参数Δ,所述非线性状态空间模型包括非线性状态空间模型、残差变量模型和分类标准模型,所述非线性状态空间模
型如下:
所述残差变量模型如下:
所述分类标准模型如下:
其中,L平均数据长度,N为最大检测数据长度,Δ为动态分类参数;
7.根据权利要求6所述的一种大米霉变快速检测方法,其特征在于,所述步骤S5中对各个采样值W进行异常数据处理包括以下步骤:气敏传感器阵列包括八个传感器,将每个传感器被采样的若干个采样值W分为一组数据,每组数据中的采样值W符合正态分布:W~N(μ,σ2),μ为每组数据中采样值W的均值,σ为每组数据中采样值W的标准差,经推导则有:
P(|W-μ|>3σ)≤2-2Φ(3)=0.003,
将每组数据的均值μ、标准差σ以及各个采样值W代入公式|W-μ|>3σ,将满足公式|W-μ|>3σ的采样值W作为异常数据去除。
8.根据权利要求6所述的一种大米霉变快速检测方法,其特征在于,所述预设的阈值库内各阈值Thr的取得步骤为:预先取得存放不同时间的每类大米样品,执行步骤S1至步骤S5分别对每类大米样品进行检测,得到信噪比特征值SNRmax,对每类大米样品进行多次检测,将该类大米样品多次检测得到的信噪比特征值SNRmax取平均值,该平均值即该类大米样品的阈值Thr,同时检测每类大米样品的菌落总数,根据菌落总数是否达到霉变的标准判断每类大米样品是否霉变,各类样品的阈值Thr及其霉变状态共同构成了阈值库。
9.根据权利要求6或7或8所述的一种大米霉变快速检测方法,其特征在于:所述误差门限值K为0.01~0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103325797A CN103424431A (zh) | 2013-08-01 | 2013-08-01 | 一种大米霉变快速检测装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103325797A CN103424431A (zh) | 2013-08-01 | 2013-08-01 | 一种大米霉变快速检测装置和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103424431A true CN103424431A (zh) | 2013-12-04 |
Family
ID=49649499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013103325797A Pending CN103424431A (zh) | 2013-08-01 | 2013-08-01 | 一种大米霉变快速检测装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103424431A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106645003A (zh) * | 2016-09-30 | 2017-05-10 | 长沙开元仪器股份有限公司 | 一种避免气室污染的红外测硫仪 |
CN108088894A (zh) * | 2016-11-21 | 2018-05-29 | 中国科学院大连化学物理研究所 | 一种快速无损鉴别不同年份陈化粮的装置和方法 |
CN110057973A (zh) * | 2019-04-01 | 2019-07-26 | 浙江工商大学 | 一种实验室用气安全预警系统及方法 |
CN111220689A (zh) * | 2018-11-27 | 2020-06-02 | 中国科学院大连化学物理研究所 | 一种移动式多点采集快速检测粮食霉变程度的方法 |
CN111665333A (zh) * | 2020-07-21 | 2020-09-15 | 浙江农林大学 | 一种白芨品质快速无损检测系统及方法 |
CN111735808A (zh) * | 2020-07-21 | 2020-10-02 | 浙江农林大学 | 一种白芨霉变检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000009716A (ja) * | 1998-06-26 | 2000-01-14 | Sanyo Electric Co Ltd | 牛肉の熟成度測定方法、牛肉の熟成度測定装置および牛肉の熟成度制御装置 |
DE19958014A1 (de) * | 1999-12-02 | 2001-06-07 | Andreas Kraus | Invertierter Betriebsmodus für elektronische Nasen |
CN2666430Y (zh) * | 2003-12-25 | 2004-12-29 | 晨硕实业有限公司 | 气味散发装置 |
CN101893591A (zh) * | 2010-06-24 | 2010-11-24 | 浙江大学 | 用于香蕉品质检测的电子鼻系统 |
-
2013
- 2013-08-01 CN CN2013103325797A patent/CN103424431A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000009716A (ja) * | 1998-06-26 | 2000-01-14 | Sanyo Electric Co Ltd | 牛肉の熟成度測定方法、牛肉の熟成度測定装置および牛肉の熟成度制御装置 |
DE19958014A1 (de) * | 1999-12-02 | 2001-06-07 | Andreas Kraus | Invertierter Betriebsmodus für elektronische Nasen |
CN2666430Y (zh) * | 2003-12-25 | 2004-12-29 | 晨硕实业有限公司 | 气味散发装置 |
CN101893591A (zh) * | 2010-06-24 | 2010-11-24 | 浙江大学 | 用于香蕉品质检测的电子鼻系统 |
Non-Patent Citations (2)
Title |
---|
尹芳缘等: ""基于电子鼻的芒果储存实践预测方法研究"", 《传感技术学报》, vol. 25, no. 9, 30 September 2012 (2012-09-30) * |
邹小波等: ""电子鼻快速检测谷物霉变的研究"", 《农业工程学报》, vol. 20, no. 4, 31 July 2004 (2004-07-31) * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106645003A (zh) * | 2016-09-30 | 2017-05-10 | 长沙开元仪器股份有限公司 | 一种避免气室污染的红外测硫仪 |
CN106645003B (zh) * | 2016-09-30 | 2019-06-07 | 长沙开元仪器股份有限公司 | 一种避免气室污染的红外测硫仪 |
CN108088894A (zh) * | 2016-11-21 | 2018-05-29 | 中国科学院大连化学物理研究所 | 一种快速无损鉴别不同年份陈化粮的装置和方法 |
CN111220689A (zh) * | 2018-11-27 | 2020-06-02 | 中国科学院大连化学物理研究所 | 一种移动式多点采集快速检测粮食霉变程度的方法 |
CN111220689B (zh) * | 2018-11-27 | 2021-09-14 | 中国科学院大连化学物理研究所 | 一种移动式多点采集快速检测粮食霉变程度的方法 |
CN110057973A (zh) * | 2019-04-01 | 2019-07-26 | 浙江工商大学 | 一种实验室用气安全预警系统及方法 |
CN111665333A (zh) * | 2020-07-21 | 2020-09-15 | 浙江农林大学 | 一种白芨品质快速无损检测系统及方法 |
CN111735808A (zh) * | 2020-07-21 | 2020-10-02 | 浙江农林大学 | 一种白芨霉变检测方法 |
CN111735808B (zh) * | 2020-07-21 | 2022-09-23 | 浙江农林大学 | 一种白芨霉变检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103424431A (zh) | 一种大米霉变快速检测装置和方法 | |
CN106324011B (zh) | 一种确定调理水产品低温货架期的鲜度联合检测方法 | |
CN102621192B (zh) | 一种利用电子鼻检测芒果新鲜度的方法 | |
CN106568907B (zh) | 一种基于半监督鉴别投影的大闸蟹新鲜度无损检测方法 | |
CN102353701B (zh) | 一种利用挥发物的农作物虫害诊断方法 | |
CN103412004B (zh) | 一种甜橙储存时间的检测方法 | |
CN107505358B (zh) | 一种基于电特性参数的红茶发酵品质指标的检测方法 | |
CN103412002A (zh) | 一种食醋风味分析装置和方法 | |
CN102876816A (zh) | 基于多传感器信息融合的发酵过程状态监测与控制方法 | |
Jiang et al. | Qualitative and quantitative analysis in solid-state fermentation of protein feed by FT-NIR spectroscopy integrated with multivariate data analysis | |
CN103512921A (zh) | 一种基于智能电子鼻系统的梨新鲜度分析装置及方法 | |
CN105954695A (zh) | 一种基于同步的同质传感器突变参数识别方法与装置 | |
CN103412099B (zh) | 一种木瓜储存时间检测装置和方法 | |
CN104360178A (zh) | 一种逆变器低频噪声测量与故障诊断方法 | |
CN107532978A (zh) | 检测污染位置的装置和方法,以及计算机可读记录介质 | |
CN103412015A (zh) | 一种混合食醋风味分析装置和方法 | |
CN107817784B (zh) | 一种基于并发偏最小二乘的过程故障检测方法 | |
CN104237318B (zh) | 一种利用电子鼻检测根茎类植物根部病虫害的方法 | |
CN103424523B (zh) | 黄豆品质检测方法 | |
CN103512795A (zh) | 一种基于智能电子鼻系统的铁观音饮料品质分析装置及方法 | |
CN103424517A (zh) | 黄酒品质检测装置及检测方法 | |
CN103424430A (zh) | 一种猪饲料风味分析装置和方法 | |
CN103424528A (zh) | 白酒品种检测装置及检测方法 | |
CN105548268A (zh) | 一种基于电子鼻快速预测山核桃加工时间的方法 | |
CN104897660A (zh) | 一种基于成像化气体传感器阵列的发酵过程在线监测的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20160824 |
|
C20 | Patent right or utility model deemed to be abandoned or is abandoned |