CN103424524A - 番荔枝储存时间的检测方法 - Google Patents

Abstract

本发明公开了一种番荔枝储存时间的检测方法，本发明采用气体传感器和声表面波测量不同储存时间番荔枝样品的响应信号，根据气体传感器阵列响应数据和声表面波检出频率构建番荔枝储存时间第一、第二预测模型，建立番荔枝储存时间综合预测模型，并利用甜橙储存时间综合预测模型对番荔枝样品W的储存时间进行检测。本发明具有快速、无损、准确性好的优点，可根据储存时间对番荔枝的储存、采摘时间进行合理安排，有效防止在运输及储存过程中番荔枝的腐败变质。

Description

番荔枝储存时间的检测方法

技术领域

本发明涉及水果新鲜度检测领域，尤其是涉及一种用于快速、无损检测番荔枝的储存时间，并且检测精确度高的番荔枝储存时间的检测方法。

背景技术

番荔枝(Annona squamosa)原产热带美洲，为番荔枝科落叶小乔木，现广泛分布于世界热带和较温暖的亚热带地区，成熟期恰好在中秋节前后，具有较高的商品价值，价格高达50到100元/kg。但由于番荔枝鲜果极易腐烂，不耐贮运，从而制约其产业化发展。目前，国内番荔枝果实成熟后绝大多数仅限于产地自销，难以远销非产地市场，使其大量积压，出现烂果，更不能出口创汇而造成严重的经济损失。如果远销非产地市场，果实以八成熟，果肉可溶性固形物含量达到10％左右采收为宜，其果实完熟后，食用品质及色、香、味与九成熟的果实较为接近，耐藏性不受影响。低于七成熟的果实，其果肉软熟后的各项营养指标以及风味均较差，影响其食用价值和商品价值。因此，判断番荔枝的储存时间具有重要的意义。储存时间是影响番荔枝果实贮藏寿命和品质的主要因素之一。

人工感官评价方法虽可区分番荔枝在储存过程中的细微变化，但该方法的结果因评价人员个体差异、健康状况等因素影响导致重复性和参考性均较差。

理化检验方法虽可以反应水果样品的新鲜度情况，但是实验操作繁琐、所需时间久、难以满足快速无损检测的需要。

气相色谱法(GC)和气相色谱-质谱联用技术(GC-MS)等仪器分析法，虽可精确分析不同储存期番荔枝样品的挥发气体成分等信息，但该检测方法检测费用昂贵、检测周期长，并且所得气味成分都是样品经分离后的产物。此外，仪器分析通常对操作人员的操作熟练程度有较大的依赖性。

因此，迫切需要一种可以快速无损的判断番荔枝储存时间的新型检测技术。

中国专利授权公开号：CN103163217A，授权公开日2013年6月19日，公开了一种声表面波谐振器串联检测系统及其检测方法，所述检测系统包括谐振检测器，直流电源，数字计数器，数字计数器通过RS232通讯接口与计算机连接，谐振检测器设置于屏蔽箱内，该谐振检测器具有两个探头，两个探头之间用于放置待检测的番荔枝；使用所述检测系统对番荔枝储存期进行检测的方法包括以下步骤：步骤一：放置待测番荔枝于检测系统的两个探头之间；步骤二：对待测番荔枝进行测量，由数字计数器采集谐振检测器的负载频率；步骤三：由计算机读取数字计数器采集的负载频率数据，按计算出番荔枝储存时间。不足之处是，该发明具有检测的准确性差的不足。

发明内容

本发明是为了克服现有技术中的检测方法检测的准确性差的不足，提供了一种用于快速、无损检测番荔枝的储存时间，并且检测精确度高的番荔枝储存时间的检测方法。

为了实现上述目的，本发明采用以下技术方案：

一种番荔枝储存时间的检测方法，包括如下步骤：

(1-1)选择n个刚采摘的番荔枝样品，将番荔枝样品放在冷藏箱内储存，对番荔枝样品进行如下检测：

(1-1-1)设定检测天数为m₁，储存时间的序号为Time₁，Time₁的初始值为1；使用声表面波检测装置检测番荔枝的频率响应，并得到番荔枝储存时间第一预测公式：

所述声表面波检测装置包括计数器，屏蔽箱，设于屏蔽箱内的振荡器和声表面波谐振器；振荡器和声表面波谐振器构成振荡回路，计数器与振荡回路电连接，计数器上设有用于与计算机无线连接的无线发射器，声表面波谐振器上设有两个电极；

步骤a，在n个番荔枝样品中任选1个番荔枝样品，并将番荔枝样品放入屏蔽箱中，使声表面波谐振器的两个电极分别与番荔枝样品的相对侧面相接触；

步骤b，声表面波检测装置工作45至55分钟后，计数器采集振荡回路的频率响应曲线，在频率响应曲线上采集若干个频率值，将各个频率值构成频率信号Input(t)；

计算机中预设有第一随机共振系统模型

其中，V(x)为非线性对称势函数，ξ(t)为高斯白噪声，A是输入信号强度，f₀是调制信号频率，D是噪声强度，t是布朗运动粒子运动时间，x是粒子运动的坐标；

将频率信号Input(t)输入第一随机共振系统模型中，使第一随机共振系统模型发生共振；

计算机利用公式 $\mathrm{SNR}=2\left[\underset{\mathrm{\Δ\ω}\→0}{\lim }\underset{\mathrm{\Ω}-\mathrm{\Δ\ω}}{\overset{\mathrm{\Ω}+\mathrm{\Δ\ω}}{\∫}}S\left(\mathrm{\ω}\right)\mathrm{d\ω}\right]/S_N\left(\mathrm{\Ω}\right)$ 计算输出信噪比SNR；其中，ω是信号频率，Ω为角频率，S(ω)是信号频谱密度，S_N(Ω)是信号频率范围内的噪声强度；

计算机画出第一随机共振系统模型中的输出信噪比曲线，得到信噪比曲线的两个峰值，将两个峰值的差值的绝对值作为信噪比特征值F；并将信噪比特征值F储存在计算机中；

步骤c，当Time₁＜m₁，使Time₁值增加1，将被检测番荔枝样品放回冷藏箱中储存，24小时后，重复步骤a和步骤b；

得到m₁个与Time₁相关联的F，将F和Time₁构成点(F，Time₁)，根据m₁个点(F，Time₁)进行线性拟合，得到番荔枝储存时间第一预测公式：Time₁＝f(F)；

番荔枝储存时间第一预测公式与番荔枝储存时间有关，不同储存时间的第一预测公式不同；

(1-1-2)设定检测天数为m₂，储存时间的序号为Time₂，Time₂的初始值为1；使用气体检测装置检测番荔枝挥发的气味，并得到番荔枝储存时间第二预测公式：

所述气体检测装置包括气室、设于气室内的传感器阵列和模数转换器；所述气室上设有采样探头和清洗探头，采样探头上设有采样气泵，清洗探头上设有清洗气泵；传感器阵列与模数转换器电连接，模数转换器、采样气泵和清洗气泵上均设有用于计算机电连接的数据接口；所述传感器阵列包括若干个气体传感器；

步骤d，计算机控制清洗气泵工作，洁净空气通入气室中对各个气体传感器进行清洗，当各个气体传感器的响应稳定至基线时，关闭清洗气泵；

步骤e，在n个番荔枝样品中任选1个番荔枝样品，将番荔枝样品置入样品瓶中，将样品瓶密封静置30至40分钟，将采样探头和气压平衡器同时插进样品瓶中，计算机控制采样探头采集样品产生的挥发性气体；在采集挥发性气体的同时，气压平衡器将经过活性炭过滤的空气导入样品瓶中，实现气压平衡；

步骤f，挥发性气体与各个传感器接触，各个传感器分别产生模拟响应信号；模数转换器将各个模拟响应信号分别转换为数字响应信号，计算机对数字响应信号取平均，得到传感器阵列数字响应信号I(t)：

计算机中预设有第二随机共振模型

其中，ξ(t)为高斯白噪声，t是布朗运动粒子运动时间，x是粒子运动的坐标，f₀是信号频率，D是噪声强度，a，b和A为常数；

步骤g，将I(t)输入第二随机共振模型中，使第二随机共振系统模型产生随机共振；

计算机利用公式 $\mathrm{SNR}=2\left[\underset{\mathrm{\Δ\ω}\→0}{\lim }\underset{\mathrm{\Ω}-\mathrm{\Δ\ω}}{\overset{\mathrm{\Ω}+\mathrm{\Δ\ω}}{\∫}}S\left(\mathrm{\ω}\right)\mathrm{d\ω}\right]/S_N\left(\mathrm{\Ω}\right)$ 计算输出信噪比SNR；其中，ω是信号频率，Ω为角频率，S(ω)是信号频谱密度，S_N(Ω)是信号频率范围内的噪声强度；

步骤h，计算机画出第二随机共振系统模型的输出信噪比曲线，在信噪比曲线中选取信噪比曲线的信噪比最大值为特征值SNR_max，并将SNR_max储存到计算机中；

步骤i，当Time₂＜m₂，使Time₂值增加1，将被检测番荔枝样品放回冷藏箱中储存，24小时后，重复步骤d至步骤h；

得到m₂个与Time₂相关联的SNR_max，将SNR_max和Time₂构成点(SNR_max，Time₂)，根据m个点(SNR_max，Time₂)进行非线性Boltzmann拟合，得到番荔枝储存时间第二预测公式Time₂＝f(SNR_max)；

番荔枝储存时间第二预测公式与番荔枝储存时间有关，不同储存时间的第二预测公式不同；

(1-2)建立番荔枝储存时间综合预测模型：Time(F，SNR_max)＝P₁×f(F)+P₂×f(SNR_max)，P₁和P₂为待定系数；将两组番荔枝储存时间、与所述储存时间相对应的信噪比特征值F及与所述储存时间相对应的SNR_max代入番荔枝储存时间综合预测模型，从而得到P₁和P₂；

(1-3)检测与所述番荔枝样品相同储存条件下的待检测番荔枝样品W，得到番荔枝样品W的信噪比最大值SNR_max和信噪比特征值F；将SNR_max和频率F代入番荔枝储存时间综合预测模型中，计算番荔枝样品W的储存时间Time_预测。

声表面波(SAW)技术诞生于上世纪七十年代，该方法为制作尺寸小、高灵敏度、高集成度的检测设备提供了基础。目前，已有许多基于声表面波器件的检测应用报道。在食品和生物检测领域也有广泛应用，如牛奶中细菌的检测、细菌生长情况监测、胰腺脂肪酶检测、生物医学分析等。对于声表面波传感检测技术来说，长期研究的焦点集中于声表面波谐振器表面的化学/生物修饰，检测过程中如果出现特异性的反应(如抗原对抗体，受体对配体等特异性作用过程)，此时声表面波通过谐振器压电基底时，波信息(波速等)发生相应变化，从而实现被测物种类/浓度信息表征。

气体传感器检测技术是一种气味指纹检测方法，模拟人的嗅觉系统的过程。以气体为分析对象，通过模拟人的嗅觉系统实时地对特定位置的芳香物质进行捕捉和检测，从而获取特征信号，因此这种气味指纹检测装置被形象地称为电子鼻。由于它独特的功能，在食品、化妆品、石油化工、包装材料、环境监测、临床、化学等领域得到了广泛应用，受到了各方面越来越大的关注。

随机共振技术目前已在检测数据特征值提取领域崭露头角。该理论是由意大利物理学家Benzi于1981年提出的，用以解释地球远古气象冰川期与暖气候期周期交替出现的现象。随机共振具有三要素：非线性系统、弱信号和噪声源。从信号处理角度考虑，随机共振是在非线性信号传输过程中，通过调节噪声的强度或者系统其它参数，使系统输出达到最佳值，实际上也可以认为是输入信号、非线性系统、噪声的协同状态。

一般情况下，在激励噪声的激励下，系统产生随机共振，此时输出信号大于输入信号，因而起到了信号放大的作用。同时，随机共振将部分检测信号中的噪声能量转换到信号中去，因而有效的抑制了检测信号中的噪声量。因此，随机共振系统相当于提高了提高输出信号信噪比的作用，信号、激励噪声和双稳态系统可以看做是一个高效信号处理器。在以上技术基础之上，随机共振系统输出信噪比分析技术可以较好的反应被测样品的本质特征信息。

声表面波检测的频率信号Input(t)中包含内秉噪声，通过随机共振分析，消除信号内秉噪声，使检测结果更稳定，误差更小，准确度更高。

经过随机共振分析后，不同储存时间的番荔枝样品之间区分度更好，检测模型线性拟合精度更高。

随机共振输出信噪比特征信息反映的是被测样品的本质信息，该特征信息不随检测方法或者重复次数的限制而改变，只与样品的性质有关，有利于样品性质的标定，提高检测精度。

随机共振分析方法重现性好，重复100次计算，输出的结果误差比率不超过0.1％。而单纯的声表面波检测的频率信号误差率比随机共振信噪比分析后的误差比率高出数倍。

本发明采用气体传感器和声表面波测量不同储存时间番荔枝样品的响应信号，根据气体传感器阵列响应数据和声表面波检出频率构建番荔枝储存时间第一、第二预测模型，建立番荔枝储存时间综合预测模型，并利用甜橙储存时间综合预测模型对番荔枝样品W的储存时间进行检测。

声表面波检测反映的是果实内部结构信息，而气体检测反映的是果实外部的气味信息，本发明能够准确表征番荔枝储存过程中的变化情况。该方法有利于指导该类水果适时采收，尽量避免提前采收引起的果实营养价值的下降，也可以降低过晚采收引起腐败所带来的损失。

并且，本发明的方法具有快速、无损、准确性好的优点，可根据检测的储存时间对番荔枝的储存、采摘时间进行合理安排，有效防止在运输及储存过程中番荔枝的腐败变质。

作为优选，所述声表面波谐振器的中心频率为433.92MHz。

作为优选，所述n为8至20。

作为优选，所述m₁和m₂均为10至185。

作为优选，所述气体传感器为8个，分别为用于检测硫化物气体的第一传感器，用于检测可燃气体的第二传感器，用于检测氨类气体的第三传感器，用于检测乙醇类气体的第四传感器，用于检测碳氢组分气体的第五传感器，用于检测烷烃类气体的第六传感器，用于检测丙烷和丁烷的第七传感器，用于检测氮化物气体的第八传感器。

作为优选，所述声表面波谐振器包括压电基片、叉指换能器、2个反射栅和设于反射栅两侧的4个增益栅；所述电极与设于叉指换能器上的连接端电连接。

增益栅的设置可以防止声表面波从反射栅的空白位置溢出，可以使声表面波经过反射栅反射回叉指换能器，增强声表面波的强度。增益栅的宽度与反射栅相同，与反射栅的距离为9μm。

作为优选，所述步骤c中，洁净空气通入气室中对各个气体传感器清洗50至65分钟。

作为优选，所述步骤c中，洁净空气以900mL/min至1200mL/min的流速对传感器进行清洗。

因此，本发明具有如下有益效果：(1)快速、无损、准确性好；(2)有效防止在运输及储存过程中番荔枝的腐败变质。

附图说明

图1是本发明的实施例的一种流程图；

图2是本发明的声表面波检测装置的一种原理框图；

图3是本发明的气体检测装置的一种原理框图；

图4是本发明的声表面波谐振器的一种结构示意图；

图5是本发明的第一随机共振系统模型中的输出信噪比曲线；

图6是本发明的信噪比特征值F的拟合曲线；

图7是本发明的信噪比特征值SNR_max的拟合曲线。

图中：计数器1、屏蔽箱2、振荡器3、声表面波谐振器4、压电基片5、叉指换能器6、反射栅7、增益栅8、计算机9、气室10、传感器阵列11、模数转换器12、采样探头13、清洗探头14、采样气泵15、清洗气泵16、番荔枝17、连接端18、无线发射器19。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步的描述。

如图1所示的实施例是一种番荔枝储存时间的检测方法，包括如下步骤：

步骤100，选择14个大小相同的刚采摘的番荔枝样品，将番荔枝样品放在冷藏箱内储存，冷藏箱的冷藏温度为5℃，对番荔枝样品进行如下检测：

步骤101，设定检测天数为m₁=11，储存时间的序号为Time₁，Time₁的初始值为1；使用声表面波检测装置检测番荔枝的频率响应，并得到番荔枝储存时间第一预测公式：

如图2所示，声表面波检测装置包括计数器1，屏蔽箱2，设于屏蔽箱内的振荡器3和声表面波谐振器4；振荡器和声表面波谐振器构成振荡回路，计数器与振荡回路电连接，计数器上设有用于与计算机9无线连接的无线发射器19，声表面波谐振器上设有两个电极；

如图4所示，声表面波谐振器包括压电基片5、叉指换能器6、2个反射栅7和设于反射栅两侧的4个增益栅8；电极分别与叉指换能器的连接端18电连接。

步骤a，在14个番荔枝样品中任选1个番荔枝样品，并将番荔枝样品放入屏蔽箱中，使声表面波谐振器的两个电极分别与番荔枝17样品的相对侧面相接触；

步骤b，声表面波检测装置工作45分钟后，计数器采集振荡回路的频率响应曲线，在频率响应曲线上采集100个等间隔分布的频率值，将各个频率值构成频率信号Input(t)；

计算机中预设有第一随机共振系统模型

其中，V(x)为非线性对称势函数，ξ(t)为高斯白噪声，A是输入信号强度，f₀是调制信号频率，D是噪声强度，t是布朗运动粒子运动时间，x是粒子运动的坐标；

将频率信号Input(t)输入第一随机共振系统模型中，使第一随机共振系统模型发生共振；

计算机利用公式 $\mathrm{SNR}=2\left[\underset{\mathrm{\Δ\ω}\→0}{\lim }\underset{\mathrm{\Ω}-\mathrm{\Δ\ω}}{\overset{\mathrm{\Ω}+\mathrm{\Δ\ω}}{\∫}}S\left(\mathrm{\ω}\right)\mathrm{d\ω}\right]/S_N\left(\mathrm{\Ω}\right)$ 计算输出信噪比SNR；其中，ω是信号频率，Ω为角频率，S(ω)是信号频谱密度，S_N(Ω)是信号频率范围内的噪声强度；

计算机画出第一随机共振系统模型中的输出信噪比曲线，得到信噪比曲线的两个峰值，将两个峰值的差值的绝对值作为信噪比特征值F；并将信噪比特征值F储存在计算机中；

例如，如图5所示的输出信噪比曲线中两个峰值分别为-68dB和-93dB，则信噪比特征值F=|-93+68|=25dB。

步骤c，当Time₁＜11，使Time₁值增加1，将被检测番荔枝样品放回冷藏箱中储存，24小时后，重复步骤a和步骤b；

得到11个与Time₁相关联的F，将F和Time₁构成点(F，Time₁)，根据m₁个点(F，Time₁)进行非线性拟合，得到图6所示的信噪比特征值拟合曲线 $F=3.65276+4.02748\×e^{{\mathrm{Time}}_1/3.01527}$ ，并得到番荔枝储存时间第一预测公式： ${\mathrm{Time}}_1=3.01527\×\ln \frac{F-3.65276}{4.02748};$

步骤102，设定检测天数为m₂=11，储存时间的序号为Time₂，Time₂的初始值为1；使用气体检测装置检测番荔枝挥发的气味，并得到番荔枝储存时间第二预测公式：

如图3所示，气体检测装置包括气室10、设于气室内的传感器阵列11和模数转换器12；气室上设有采样探头13和清洗探头14，采样探头上设有采样气泵15，清洗探头上设有清洗气泵16；传感器阵列与模数转换器电连接，模数转换器、采样气泵和清洗气泵上均设有用于计算机电连接的数据接口；传感器阵列包括8个气体传感器。

8个气体传感器分别为用于检测硫化物气体的第一传感器，用于检测可燃气体的第二传感器，用于检测氨类气体的第三传感器，用于检测乙醇类气体的第四传感器，用于检测碳氢组分气体的第五传感器，用于检测烷烃类气体的第六传感器，用于检测丙烷和丁烷的第七传感器，用于检测氮化物气体的第八传感器。

步骤d，计算机控制清洗气泵工作，洁净空气通入气室中对各个气体传感器进行清洗50分钟，当各个气体传感器的响应稳定至基线时，关闭清洗气泵；

步骤e，在14个番荔枝样品中任选1个番荔枝样品，将番荔枝样品置入样品瓶中，将样品瓶密封静置35分钟，将采样探头和气压平衡器同时插进样品瓶中，计算机控制采样探头采集样品产生的挥发性气体；在采集挥发性气体的同时，气压平衡器将经过活性炭过滤的空气导入样品瓶中，实现气压平衡；

步骤f，挥发性气体与各个传感器接触，各个传感器分别产生模拟响应信号；模数转换器将各个模拟响应信号分别转换为数字响应信号，计算机对数字响应信号取平均，得到传感器阵列数字响应信号I(t)；

计算机中预设有第二随机共振模型

其中，ξ(t)为高斯白噪声，t是布朗运动粒子运动时间，x是粒子运动的坐标，f₀是信号频率，a，b和A为常数，D是噪声强度；

步骤g，将I(t)输入第二随机共振模型中，使第二随机共振系统模型产生随机共振；

计算机利用公式 $\mathrm{SNR}=2\left[\underset{\mathrm{\Δ\ω}\→0}{\lim }\underset{\mathrm{\Ω}-\mathrm{\Δ\ω}}{\overset{\mathrm{\Ω}+\mathrm{\Δ\ω}}{\∫}}S\left(\mathrm{\ω}\right)\mathrm{d\ω}\right]/S_N\left(\mathrm{\Ω}\right)$ 计算输出信噪比SNR；其中，ω是信号频率，Ω为角频率，S(ω)是信号频谱密度，S_N(Ω)是信号频率范围内的噪声强度；

步骤h，计算机画出第二随机共振系统模型的输出信噪比曲线，在信噪比曲线中选取信噪比曲线的信噪比最大值为特征值SNR_max，并将SNR_max储存到计算机中；

步骤i，当Time₂＜11，使Time₂值增加1，将被检测番荔枝样品放回冷藏箱中储存，24小时后，重复步骤d至步骤h；

得到11个与储存时间相关联的SNR_max，将SNR_max和Time₂构成点(SNR_max，Time₂)，根据m个点(SNR_max，Time₂)进行非线性Boltzmann拟合，得到如图7所示的拟合曲线

并得到番荔枝储存时间第二预测公式 ${\mathrm{Time}}_2=1.07593\×\ln \left(\frac{1.87251}{{\mathrm{SNR}}_{\max }+70.05882}\right)+10.23;$

步骤200，建立番荔枝储存时间综合预测模型： $\mathrm{Time}(F,{\mathrm{SNR}}_{\max })=P_1\×3.01527\×\ln \frac{F-3.65276}{4.02748}+P_2\×\{1.07593\×\ln (\frac{1.87251}{{\mathrm{SNR}}_{\max }+70.05882}-1)+10.23\}$ ，P₁和P₂为待定系数；

将Time=1，Time₁=1时的信噪比特征值F=16.3，Time₂=1时的SNR_max=-69.07；以及Time=2，Time₁=2时的信噪比特征值F=17.4，Time₂=2时的SNR_max=-69.54代入番荔枝储存时间综合预测模型，从而得到P₁=-6.22，P₂=2.22；

从而得到番荔枝储存时间综合预测模型：

步骤300，利用步骤a和b以及步骤d至h检测在5℃环境下储存的番荔枝样品W，得到番荔枝样品W的信噪比特征值F=17.9和信噪比最大值SNR_max=-69.86；将SNR_max和频率F代入番荔枝储存时间综合预测模型中，计算番荔枝样品W的储存时间Time_预测=4天。

使用气体检测装置和声表面波检测装置检测在5℃环境下储存的储存时间已知的20个番荔枝样品，得到20个信噪比特征值F和20个信噪比最大值SNR_max，代入式番荔枝储存时间综合预测模型中得到20个储存时间预测值Time_预测，利用公式

分别计算预测误差，并计算预测误差的平均值，得到预测误差平均值为0.94613，表明利用气体检测装置和声表面波检测装置可以更准确的预测番荔枝储存时间。

本发明能够快速无损检测番荔枝果实，声表面波检测反映的是果实内部结构信息，而气体检测反映的是果实外部的气味信息，能够准确表征番荔枝储存过程中的变化情况。该方法有利于指导该类水果适时采收，尽量避免提前采收引起的果实营养价值的下降，也可以降低过晚采收引起腐败所带来的损失。

应理解，本实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (8)

1.一种番荔枝储存时间的检测方法，其特征是，包括如下步骤：

(1-1)选择n个刚采摘的番荔枝样品，将番荔枝样品放在冷藏箱内储存，对番荔枝样品进行如下检测：

(1-1-1)设定检测天数为m₁，储存时间的序号为Time₁，Time₁的初始值为1；使用声表面波检测装置检测番荔枝的频率响应，并得到番荔枝储存时间第一预测公式：

所述声表面波检测装置包括计数器(1)，屏蔽箱(2)，设于屏蔽箱内的振荡器(3)和声表面波谐振器(4)；振荡器和声表面波谐振器构成振荡回路，计数器与振荡回路电连接，计数器上设有用于与计算机(9)无线连接的无线发射器(19)，声表面波谐振器上设有两个电极；

步骤a，在n个番荔枝样品中任选1个番荔枝样品，并将番荔枝样品放入屏蔽箱中，使声表面波谐振器的两个电极分别与番荔枝(17)样品的相对侧面相接触；

步骤b，声表面波检测装置工作45至55分钟后，计数器采集振荡回路的频率响应曲线，在频率响应曲线上采集若干个频率值，将各个频率值构成频率信号Input(t)；

计算机中预设有第一随机共振系统模型

其中，V(x)为非线性对称势函数，ξ(t)为高斯白噪声，A是输入信号强度，f₀是调制信号频率，D是噪声强度，t是布朗运动粒子运动时间，x是粒子运动的坐标；

将频率信号Input(t)输入第一随机共振系统模型中，使第一随机共振系统模型发生共振；

计算机利用公式 $\mathrm{SNR}=2\left[\underset{\mathrm{\Δ\ω}\→0}{\lim }\underset{\mathrm{\Ω}-\mathrm{\Δ\ω}}{\overset{\mathrm{\Ω}+\mathrm{\Δ\ω}}{\∫}}S\left(\mathrm{\ω}\right)\mathrm{d\ω}\right]/S_N\left(\mathrm{\Ω}\right)$ 计算输出信噪比SNR；其中，ω是信号频率，Ω为角频率，S(ω)是信号频谱密度，S_N(Ω)是信号频率范围内的噪声强度；

计算机画出第一随机共振系统模型中的输出信噪比曲线，得到信噪比曲线的两个峰值，将两个峰值的差值的绝对值作为信噪比特征值F；并将信噪比特征值F储存在计算机中；

步骤c，当Time₁＜m₁，使Time₁值增加1，将被检测番荔枝样品放回冷藏箱中储存，24小时后，重复步骤a和步骤b；

得到m₁个与Time₁相关联的F，将F和Time₁构成点(F，Time₁)，根据m₁个点(F，Time₁)进行线性拟合，得到番荔枝储存时间第一预测公式：Time₁＝f(F)；

(1-1-2)设定检测天数为m₂，储存时间的序号为Time₂，Time₂的初始值为1；使用气体检测装置检测番荔枝挥发的气味，并得到番荔枝储存时间第二预测公式：

所述气体检测装置包括气室(10)、设于气室内的传感器阵列(11)和模数转换器(12)；所述气室上设有采样探头(13)和清洗探头(14)，采样探头上设有采样气泵(15)，清洗探头上设有清洗气泵(16)；传感器阵列与模数转换器电连接，模数转换器、采样气泵和清洗气泵上均设有用于计算机电连接的数据接口；所述传感器阵列包括若干个气体传感器；

步骤d，计算机控制清洗气泵工作，洁净空气通入气室中对各个气体传感器进行清洗，当各个气体传感器的响应稳定至基线时，关闭清洗气泵；

步骤e，在n个番荔枝样品中任选1个番荔枝样品，将番荔枝样品置入样品瓶中，将样品瓶密封静置30至40分钟，将采样探头和气压平衡器同时插进样品瓶中，计算机控制采样探头采集样品产生的挥发性气体；在采集挥发性气体的同时，气压平衡器将经过活性炭过滤的空气导入样品瓶中，实现气压平衡；

步骤f，挥发性气体与各个传感器接触，各个传感器分别产生模拟响应信号；模数转换器将各个模拟响应信号分别转换为数字响应信号，计算机对数字响应信号取平均，得到传感器阵列数字响应信号I(t)：

计算机中预设有第二随机共振模型

其中，ξ(t)为高斯白噪声，t是布朗运动粒子运动时间，x是粒子运动的坐标，f₀是信号频率，a，b和A为常数，D是噪声强度；

步骤g，将I(t)输入第二随机共振模型中，使第二随机共振系统模型产生随机共振；

计算机利用公式 $\mathrm{SNR}=2\left[\underset{\mathrm{\Δ\ω}\→0}{\lim }\underset{\mathrm{\Ω}-\mathrm{\Δ\ω}}{\overset{\mathrm{\Ω}+\mathrm{\Δ\ω}}{\∫}}S\left(\mathrm{\ω}\right)\mathrm{d\ω}\right]/S_N\left(\mathrm{\Ω}\right)$ 计算输出信噪比SNR；其中，ω是信号频率，Ω为角频率，S(ω)是信号频谱密度，S_N(Ω)是信号频率范围内的噪声强度；

步骤h，计算机画出第二随机共振系统模型的输出信噪比曲线，在信噪比曲线中选取信噪比曲线的信噪比最大值为特征值SNR_max，并将SNR_max储存到计算机中；

步骤i，当Time₂＜m₂，使Time₂值增加1，将被检测番荔枝样品放回冷藏箱中储存，24小时后，重复步骤d至步骤h；

得到m₂个与Time₂相关联的SNR_max，将SNR_max和Time₂构成点(SNR_max，Time₂)，根据m个点(SNR_max，Time₂)进行非线性Boltzmann拟合，得到番荔枝储存时间第二预测公式Time₂＝f(SNR_max)；

(1-2)建立番荔枝储存时间综合预测模型：Time(F，SNR_max)＝P₁×f(F)+P₂×f(SNR_max)，P₁和P₂为待定系数；将两组番荔枝储存时间、与所述储存时间相对应的信噪比特征值F及与所述储存时间相对应的SNR_max代入番荔枝储存时间综合预测模型，从而得到P₁和P₂；

(1-3)检测与所述番荔枝样品相同储存条件下的待检测番荔枝样品W，得到番荔枝样品W的信噪比最大值SNR_max和信噪比特征值F；将SNR_max和频率F代入番荔枝储存时间综合预测模型中，计算番荔枝样品W的储存时间Time_预测。

2.根据权利要求1所述的番荔枝储存时间的检测方法，其特征是，所述声表面波谐振器的中心频率为433.92MHz。

3.根据权利要求1所述的番荔枝储存时间的检测方法，其特征是，所述n为8至20。

4.根据权利要求1所述的番荔枝储存时间的检测方法，其特征是，所述m₁和m₂均为10至185。

5.根据权利要求1所述的番荔枝储存时间的检测方法，其特征是，所述气体传感器为8个，分别为用于检测硫化物气体的第一传感器，用于检测可燃气体的第二传感器，用于检测氨类气体的第三传感器，用于检测乙醇类气体的第四传感器，用于检测碳氢组分气体的第五传感器，用于检测烷烃类气体的第六传感器，用于检测丙烷和丁烷的第七传感器，用于检测氮化物气体的第八传感器。

6.根据权利要求1所述的一种番荔枝储存时间的检测方法，其特征是，所述声表面波谐振器包括压电基片(5)、叉指换能器(6)、2个反射栅(7)和设于反射栅两侧的4个增益栅(8)；所述电极与设于叉指换能器上的连接端(18)电连接。

7.根据权利要求1或2或3或4或5或6所述的番荔枝储存时间的检测方法，其特征是，所述步骤c中，洁净空气通入气室中对各个气体传感器清洗50至65分钟。

8.根据权利要求1或2或3或4或5或6所述的番荔枝储存时间的检测方法，其特征是，所述步骤c中，洁净空气以900mL/min至1200mL/min的流速对传感器进行清洗。

Images