CN105044298B - 一种基于机器嗅觉的蟹类新鲜度等级检测方法 - Google Patents

Abstract

本发明提供公开了一种基于机器嗅觉的蟹类新鲜度等级检测方法，针对不同储存时期的蟹类样本分别进行气味信息的采集和TVB‑N的检测，对获取的气味信息进行预处理，该过程包括均值滤波、基线处理和异常数据的剔除，然后选择能够有效表征气味信息的特征，针对多维特征，采用非线性降维的拉普拉斯特征映射算法实现维数的约减，可视化分析的结果与TVB‑N检测结果是相对应的，由此建立蟹类新鲜度等级预测模型，将可视化结果的分类信息作为预测模型的输出，提取到的有效特征作为输入，用未知样本测试训练好的模型，得出最终的蟹类新鲜度等级结果。本发明采用一种新兴的机器嗅觉技术来检测蟹类的新鲜度等级，它具有样本处理简单、检测速度快、无损等优点，为水产品市场和人们的日常生活有着巨大的应用价值。

Description

一种基于机器嗅觉的蟹类新鲜度等级检测方法

技术领域

本发明提供了一种基于机器嗅觉的蟹类新鲜度等级检测方法，涉及检测方法技术领域。

背景技术

近些年来，各类食品安全事件日益凸显和曝光，我国作为水产品生产和消费的大国，更将水产品的安全问题放在极为重要的位置。对于蟹类水产品来说，新鲜度是消费者在购买时考量的最大因素，并且螃蟹在垂死或已死的状态下，由于自身酶的分解和各种细菌的滋生，会使肉体发生变质从而引起酸臭性发酵，慢慢地挥发出如含氮产物、胺、氨气、醇类、含硫产物等具有腐败性特征的气体，有时甚至产生组胺等有毒物质，在高温蒸煮下无法破坏这种毒素，如食用而引起食物中毒，后果将不堪设想。传统的蟹类品质检测方法主要分为感官检测和理化检测，而感官检测受到主观性的影响，理化检测操作比较复杂、检测时间比较长以及具有破坏性。

当前对于水产品新鲜度等级检测方法的介绍已有不少专利提及，但尚未发现针对蟹类新鲜度等级检测方法的说明，由于蟹类处于活体检测状态下，相对于传统的鱼虾等水产品来说，在储存过程中气味信息变化较为微弱，那么针对常见的模式识别算法，包括主成分分析、线性判别分析等，它们无法提取这种微弱的变化信息，降低了检测的精度。

发明内容

1、本发明的目的。

本发明提供一种基于机器嗅觉的蟹类新鲜度等级检测方法，利用机器嗅觉系统对蟹类的气味信息进行无损检测，获取到多维的特征数据，以理化指标挥发性盐基氮作为参照标准，最终对新鲜度等级进行分类，解决了在蟹类检测均处在活体状态下，面对微弱信号的检测难以提取有效表征气味信息的特征的难题。

2、本发明所采用的技术方案。：

基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于它包括以下几个步骤：

(1)、针对不同储藏时间的大闸蟹样本，采用机器嗅觉系统进行气味信息的采集；同时，测定每个样本的挥发性盐基氮含量，依据挥发性盐基氮含量对各个大闸蟹样本的新鲜度等级进行划分，作为新鲜度等级的参照标准；

(2)、对所述的步骤(1)中所采集到的气味信息进行相应的预处理，滤除空气噪声和硬件本身引起的干扰，增强采集数据中的有用信号，提高信噪比；另一方面补偿传感器的漂移，使获得的采样数据重复性较高；

(3)、对所述的步骤(2)中所获得的气味信息接着进行特征选择和特征提取，从瞬时信息和稳态信息两方面来选择最有效表征气味信息的特征，另外，采用非线性降维的拉普拉斯特征映射算法对多维数据矩阵进行降维处理，从而提取到反映原来变量信息的综合特征；

(4)、采用BP神经网络建立对大闸蟹新鲜度等级的预测模型，将所述的步骤(3)所提取的综合特征作为模型的输入，根据所述的步骤(3)降维后的可视化结果以及所述步骤(1)对样本新鲜度等级的划分，得到储存天数的分类信息，将其作为模型的输出，将训练好的模型用来预测未知样本的新鲜度等级。

所述的步骤(1)中机器嗅觉系统是7个金属半导体气敏传感器以静态顶空法对气味进行采样。

所述的步骤(1)中按照水产行业标准GB/T5009.44规定的方法测定每个样本的挥发性盐基氮含量；根据水产行业标准SC3113-2002中对甲壳类水产品的规定，对各个大闸蟹样本的新鲜度等级进行划分。

所述的步骤(2)中对采集到的气味信息进行相应的预处理，包括均值滤波、基线处理和异常数据剔除。

所述的步骤(2)中均值滤波的具体步骤为：

用每一个采样点邻域范围内的平均值来代替该点原来的数值，其算子如下所示：

$g\left(i\right)=\frac{f(i-N)+f(i-N+1)+f(i-N+2)+...+f\left(i\right)+...+f(i+N)}{2N+1}$

式中，g(i)为第i个采样点滤波后的数值，f(i)为第i个采样点原始的数值，N为采样点邻域的一半。

所述的步骤(2)中基线处理的具体步骤为：

前一个样本在采样阶段开始前将传感器洗气到基准值x(0)，经过采样阶段后，在下一样本开始采样前基准值为x′(0)，那么它们的差值△x即为传感器的漂移，这样就会造成稳态值及整个瞬态曲线值的变化，采用差分的基线处理方法如下所示：

y_s(t)＝(x_s(t)+δ_A)-(x_s(0)+δ_A)＝x_s(t)-x_s(0)

式中，y_s(t)为经过基线处理过的数据值，x_s(t)为未处理的响应数据，由此可以看出加性噪声δ_A就在相减中消除掉；同时，每次采样的数据曲线都可以看成是从零点出发，这样补偿了传感器的漂移。

所述的步骤(2)异常数据剔除等操作的具体步骤为：

实验操作过程中引入的粗大误差和传感器的暂时中毒会造成异常数据的出现，采用3σ准则对获得的诸多样本中的异常数据进行剔除，3σ准则如下所示：

$\begin{array}{cc}\left|x_d-\stackrel{\‾}{x}\right|>3\mathrm{\σ}& d=1,2,...,n\end{array}$

式中，x_d为第d个数据，为n个数据的均值，σ为n个数据的标准差；当样本量较大时，这时σ相对偏小，那么对于数据的剔除就更为严格和准确。

所述的步骤(3)中选择表征气味信息的特征中的瞬时信息为二次多项式拟合响应曲线所得到的常数项、一次项系数和二次项系数3个特征值，稳态信息为稳态响应值。

所述的步骤(3)中特征提取所用到的拉普拉斯特征映射算法的具体步骤为：首先使用邻近算法构造近邻图，每个样本点x_i(i＝1,2,..,n)与其邻域Γ(i)内的k(预先设定的值)个点连上边，在近邻图中顶点代表数据，边代表数据间的相关关系；接着计算权值矩阵W_ij，采用热核函数来确定数据间的权值大小，如下所示：

$W_{ij}=\left\{\begin{array}{cc}\exp (-||x_i-x_j|{|}^2/2*{\mathrm{\σ}}^2)& j\∈\mathrm{\Γ}\left(i\right)\\ 0& otherwise\end{array}\right.$

最后，通过计算拉普拉斯算子的广义特征向量来构造特征映射。

所述的步骤(4)中储存天数的分类信息为：即前三天数据为一类、第四天到第五天为一类、第六天到第九天为一类，步骤(4)所述的模型的输入为拉普拉斯特征映射算法所提取的两维信息。

所述步骤(1)中的大闸蟹样本为同属于一个品种以及同一种状态下的蟹类产品。

3、发明所产生的效果。

(1)本发明通过特征选择和分类结果结合起来的方式选择特征参数，通过瞬时信息和稳态信息两方面从复杂的多维数据中来选择最有效的特征，反应气味的浓度信息；

(2)通过非线性拉普拉斯特征映射算法能够敏感的辨识出微弱的气味变化，提取气味信息中线性特征和非线性特征的多维特征进行降维处理，从而形成可视化结果，提高了对于蟹类新鲜度等级检测的精确度和检测速度。

(3)用BP神经网络建立大闸蟹新鲜度等级的预测模型，用拉普拉斯特征映射所提取的多维传感器的特征数据作为BP神经网络输入层的节点，将样本数据所对应的分类类别作为输出层节点，具有检测速度快、识别效果好、无损等优点。

综上所述，本发明通过以上几个步骤能够快速精确地检测蟹类的新鲜度，有效辨识蟹类新鲜度等级，应用范围广，适合产业化。

附图说明

图1本发明检测方法流程图；

图2本发明实例中响应信号图；

图3本发明实例中可视化分析对比图；

图4本发明实例中挥发性盐基氮结果图；

图5本发明实例中预测分类图。

具体实施方式

下面结合附图对本发明做进一步的阐述，以下的具体实施方式便于更好的理解本发明，但并不限定本发明。

以阳澄湖大闸蟹的新鲜度等级检测为例，采用本发明提出的一种基于机器嗅觉的蟹类新鲜度等级检测方法，其具体的检测流程图如图1所示，具体的步骤流程如下：

(1)针对不同储存时期的大闸蟹样本，将其放置在温度4℃左右的冰箱中，每天采用机器嗅觉系统采集8个平行样本的气味信息，气味检测持续到第9天，每个样本的采样时间为100s，具体的气味响应曲线如图2所示，可以看出针对7个不同的传感器所组成的传感器阵列，它们的响应曲线不尽相同，但都是随着采样时间的变化而逐渐增大，为后续的分类提供必要的信息，同时也将按照水产行业标准GB/T5009.44规定的方法测定每个样本的挥发性盐基氮值，将其作为大闸蟹新鲜度等级的参照标准，对各个样本的新鲜度等级进行划分，即甲壳类的水产品挥发性盐基氮(mgN/100g)≤15为一级鲜度，≤25为二级鲜度，>25为不新鲜。

(2)面对气味采集所获得的如此复杂的多维数据，需要进行一系列的预处理，包括均值滤波、基线处理和异常数据剔除等操作，气味响应信息通过预加工后，需要从原始的特征空间中寻求到最有效的特征来表示气味信息，这就是接下来的特征选择，它将直接影响后续建立的分类器模型的准确性和稳定性，因此本发明将特征选择和分类器结果结合起来选择特征参数，瞬时信息为二次多项式拟合响应曲线所得到的常数项、一次项系数和二次项系数3个特征值，稳态信息为稳态响应值，他们分别是与时间变量相关的信息以及能够反映气味的浓度信息。

(3)然后对多维特征进行降维处理，得到可视化结果，如图3所示。传统的线性降维结果如图3(a)、3(b)所示，可以看出，无论是主成分分析还是线性判别分析，相邻两天的数据不能完全的分开，其中存在部分的交叉数据，这主要与蟹类处于活体检测有关，相邻的两天气味变化不大。在线性降维的基础上添加非线性的核函数，构成了非线性降维的核主成分分析，其结果如图3(c)所示。本发明采用另一种非线性降维的拉普拉斯特征映射算法，其结果如图3(d)所示，横轴坐标分别为投影到两维平面上的矢量方向，从3(c)、3(d)可以看出，相邻两天的数据还是存在一定的交叉，但是可以看出9天的数据可以分为3类，分别是第一天到第三天的数据、第四天到第五天的数据和第六天到第九天的数据，从新鲜度的角度考虑，可以将这种分类形式转化为中华绒螯蟹新鲜、次新鲜和不新鲜三类，这个结果与挥发性盐基氮的结果是一致的，如图4所示。但是从类间距最大、类内距最小的角度来考虑，可以看出图3(d)的效果优于图3(c)的效果，所以采用拉普拉斯特征映射更能提取到有效的分类信息。

(4)用BP神经网络建立大闸蟹新鲜度等级的预测模型，用拉普拉斯特征映射所提取的多维传感器的特征数据作为BP神经网络输入层的节点，将样本数据所对应的分类类别作为输出层节点，对于网络内部参数的设置要结合实际的预测结果，根据网络性能选择一个隐含层即可，那么BP神经网络即为三层网络，将隐含层节点数设为20，隐含层传递函数为tansig，输出层传递函数为logsig，训练函数为trainlm，学习率定为0.2。从数据集中随机选取72个样本用于训练模型，训练完成后取另外的20个样本用于验证该模型，结果如图5所示。从图中可以看出总共有三种类别标签，圆圈为真实的类别，星点为预测的类别，两者重合则预测正确，否则预测错误，那么图5中的20个样本全部预测正确。

Claims (9)

1.一种基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于它包括以下几个步骤：

(1)、针对不同储藏时间的大闸蟹样本，采用机器嗅觉系统进行气味信息的采集；同时，测定每个样本的挥发性盐基氮含量，依据挥发性盐基氮含量对各个大闸蟹样本的新鲜度等级进行划分，作为新鲜度等级的参照标准；

(2)、对所述的步骤(1)中所采集到的气味信息进行相应的预处理，滤除干扰，提高信噪比，另一方面补偿传感器的漂移；

(3)、对所述的步骤(2)中所获得的气味信息接着进行特征选择和特征提取，从瞬时信息和稳态信息两方面来选择最有效表征气味信息的特征，选择表征气味信息的特征中的瞬时信息为二次多项式拟合响应曲线所得到的常数项、一次项系数和二次项系数3个特征值，稳态信息为稳态响应值；另外，采用非线性降维的拉普拉斯特征映射算法对多维数据矩阵进行降维处理，提取到反映原来变量信息的综合特征；

(4)、采用BP神经网络建立对大闸蟹新鲜度等级的预测模型，将所述的步骤(3)所提取的综合特征作为模型的输入，根据所述的步骤(3)降维后的可视化结果以及所述步骤(1)对样本新鲜度等级的划分，得到储存天数的分类信息，将其作为模型的输出，将训练好的模型用来预测未知样本的新鲜度等级。

2.根据权利要求1所述的基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于所述的步骤(1)中机器嗅觉系统是7个金属半导体气敏传感器以静态顶空法对气味进行采样。

3.根据权利要求1所述的基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于，所述的步骤(1)中按照水产行业标准GB/T5009.44规定的方法测定每个样本的挥发性盐基氮含量；根据水产行业标准SC3113-2002中对甲壳类水产品的规定，对各个大闸蟹样本的新鲜度等级进行划分。

4.根据权利要求1所述的基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于所述的步骤(2)中对采集到的气味信息进行相应的预处理，包括均值滤波、基线处理和异常数据剔除。

5.根据权利要求4所述的基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于所述的步骤(2)中均值滤波的具体步骤为：

用每一个采样点邻域范围内的平均值来代替该点原来的数值，其算子如下所示：

$g\left(i\right)=\frac{f(i-N)+f(i-N+1)+f(i-N+2)+...+f\left(i\right)+...+f(i+N)}{2N+1}$

式中，g(i)为第i个采样点滤波后的数值，f(i)为第i个采样点原始的数值，N为采样点邻域的一半。

6.根据权利要求4所述的基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于所述的步骤(2)中基线处理的具体步骤为：

前一个样本在采样阶段开始前将传感器洗气到基准值x(0)，经过采样阶段后，在下一样本开始采样前基准值为x′(0)，那么它们的差值Δx即为传感器的漂移，这样就会造成稳态值及整个瞬态曲线值的变化，采用差分的基线处理方法如下所示：

y_s(t)＝(x_s(t)+δ_A)-(x_s(0)+δ_A)＝x_s(t)-x_s(0)

式中，y_s(t)为经过基线处理过的数据值，x_s(t)为未处理的响应数据，由此可以看出加性噪声δ_A就在相减中消除掉；同时，每次采样的数据曲线都可以看成是从零点出发，这样补偿了传感器的漂移。

7.根据权利要求4所述的基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于所述的步骤(2)异常数据剔除等操作的具体步骤为：

实验操作过程中引入的粗大误差和传感器的暂时中毒会造成异常数据的出现，采用3σ准则对获得的诸多样本中的异常数据进行剔除，3σ准则如下所示：

$|x_d-\stackrel{\‾}{x}|>3\mathrm{\σ},d=1,2,...,n$

式中，x_d为第d个数据，为n个数据的均值，σ为n个数据的标准差；当样本量较大时，这时σ相对偏小，那么对于数据的剔除就更为严格和准确。

8.根据权利要求1所述的基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于，所述的步骤(3)中特征提取所用到的拉普拉斯特征映射算法的具体步骤为：首先使用邻近算法构造近邻图，每个样本点x_i(i＝1,2,..,n)与其邻域Γ(i)内的k,k为预先设定的值个点连上边，在近邻图中顶点代表数据，边代表数据间的相关关系；接着计算权值矩阵W_ij，采用热核函数来确定数据间的权值大小，如下所示：

$W_{ij}=\left\{\begin{array}{cc}\exp (-||x_i-x_j|{|}^2/2*{\mathrm{\σ}}^2)& j\∈\mathrm{\Γ}\left(i\right)\\ 0& otherwise\end{array}\right.$

最后，通过计算拉普拉斯算子的广义特征向量来构造特征映射。

9.根据权利要求1所述的基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于所述的步骤(4)中储存天数的分类信息为：即前三天数据为一类、第四天到第五天为一类、第六天到第九天为一类，步骤(4)所述的模型的输入为拉普拉斯特征映射算法所提取的两维信息。