CN105181761B - 一种利用电子鼻快速鉴别茶叶辐照吸收剂量的方法 - Google Patents
一种利用电子鼻快速鉴别茶叶辐照吸收剂量的方法 Download PDFInfo
- Publication number
- CN105181761B CN105181761B CN201510537111.0A CN201510537111A CN105181761B CN 105181761 B CN105181761 B CN 105181761B CN 201510537111 A CN201510537111 A CN 201510537111A CN 105181761 B CN105181761 B CN 105181761B
- Authority
- CN
- China
- Prior art keywords
- tealeaves
- electronic nose
- radiation absorber
- value
- sensor
- 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.)
- Expired - Fee Related
Links
- 239000006100 radiation absorber Substances 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 230000005855 radiation Effects 0.000 claims abstract description 15
- 238000012850 discrimination method Methods 0.000 claims abstract description 12
- 230000002745 absorbent Effects 0.000 claims description 9
- 239000002250 absorbent Substances 0.000 claims description 9
- 238000002405 diagnostic procedure Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 12
- 230000004044 response Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 abstract description 9
- 210000001331 nose Anatomy 0.000 description 65
- 244000269722 Thea sinensis Species 0.000 description 34
- 238000004458 analytical method Methods 0.000 description 26
- 235000006468 Thea sinensis Nutrition 0.000 description 23
- 235000020279 black tea Nutrition 0.000 description 23
- 235000013616 tea Nutrition 0.000 description 20
- 101100054292 Arabidopsis thaliana ABCG36 gene Proteins 0.000 description 13
- 101100351526 Arabidopsis thaliana PEN3 gene Proteins 0.000 description 13
- 239000011449 brick Substances 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000004435 EPR spectroscopy Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 231100000987 absorbed dose Toxicity 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 230000005251 gamma ray Effects 0.000 description 3
- 235000009569 green tea Nutrition 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004817 gas chromatography Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 150000003254 radicals Chemical class 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005251 capillar electrophoresis Methods 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009930 food irradiation Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002000 scavenging effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明公开了鉴别茶叶是否辐照及辐照吸收剂量的方法和一种电子鼻的新用途，鉴别方法包括：采用已知不同剂量辐照处理的茶叶样品；电子鼻检测已知辐照吸收剂量的茶叶样品；绘制电子鼻对茶叶的挥发性物质响应图；确定鉴别取值时间；计算各主成分电子鼻传感器特征值的方差贡献率和对初始分组案例回报判别的正确率，优选有效传感器；计算得出不同辐照剂量的分类函数系数，得到鉴别茶叶样品辐照剂量的分类函数；用电子鼻检测未知茶叶样品，代入分类函数中，得到茶叶的辐照剂量。所述鉴别方法较现有鉴别茶叶的方法具有方法简单，步骤少，快速，鉴别效率高，准确度高等特点，适用于鉴别茶叶辐照与否或茶叶辐照吸收剂量。
Description
技术领域
本发明涉及鉴别辐照食品的方法，特别是涉及电子鼻鉴别辐照茶叶的方法。
背景技术
电子鼻是由性能彼此重叠的多个化学传感器(简称气体传感器阵列)和适当模式识别方法所组成的装置，具有识别简单和复杂气味的能力。它与普通化学分析仪器，如色谱仪、光谱仪、毛细管电泳仪等不同，得到的不是被测样品中某种或某几种成分的定性与定量结果，而是给予样品中挥发成分的整体信息，也称“指纹”数据。这与人和动物的鼻子一样，“闻到”的是目标物的总体气息。电子鼻一般由气敏传感器阵列、信号处理系统和模式识别系统等三大部分组成。首先，气味分子被传感器阵列吸附，产生信号；然后，生成的信号被送到信号处理系统进行处理加工和传输；并由模式识别系统对信号处理的结果作出判断；最终输出结果。越来越多的研究证明，运用电子鼻技术进行气味分析，可以客观、准确、快捷地评价气味，并且具有重复性好的特点，这是人和动物的鼻子所不及的。电子鼻技术在农产品加工中的应用，主要在食品原料、加工工艺选择、产品品质在线监控、食品分类与分级等。
辐照技术应用于茶叶，其主要目的是杀灭茶叶中的有害微生物或者降解茶叶中的农残等有害物质，达到延长茶叶保质期及提高卫生安全性的目的。目前用于辐照茶叶的鉴别方法为电子自旋共振法(electron spin resonance，ESR)，此方法的检验原理是辐照能使含有纤维素食品产生长寿命自由基，通过电子自旋共振(ESR)波谱技术可检测出辐照后纤维素中的自由基，反映在ESR图谱上会出现相距6.05mT±0.05mT的典型不对称信号，由此作为食品辐照与否的判断依据。但是此方法前处理复杂，需要磨碎、过筛、称量、分装等步骤，且需要价格昂贵的ESR波谱仪和专业的技术人员，一般的实验室难以实现。
利用电子鼻技术鉴别辐照茶叶，是基于辐照处理会使茶叶中的一些物质产生变化，这些物质变化细微，无法通过气相色谱或人工区分。但申请人发现，在特定的时间，特定的传感器下，不同辐照吸收剂量的茶叶的电信号数据有显著差异，首先对采集数据的电子鼻进行测定茶叶的实验参数确定，再建立电子鼻不同传感器对不同辐照吸收剂量茶叶的响应图，采用提取主成分分析(PCA)或线性辨别式分析法(LDA)进行特征信号提取，建立判别模型，最后优选马氏距离、欧氏距离、Fisher线性判别等模式识别方法，对不同辐照吸收剂量的茶叶进行定性判别。
发明内容
本发明提供了一种利用电子鼻快速鉴别茶叶辐照吸收剂量的方法，所述鉴别方法具有方法简单，步骤少，鉴别效率高，准确度高等特点，具体鉴别茶叶辐照剂量的方法包括以下步骤：
a，采用已知不同吸收剂量辐照处理茶叶样品；
b，用电子鼻依次检测已知辐照吸收剂量的茶叶样品，电子鼻内置的传感器将气味信号转换为电信号数据；
c，根据电子鼻各传感器获取的电信号数据，绘制电子鼻的各个传感器对茶叶的挥发性物质响应图，提取电信号数据峰值的检测时间作为特征值A；提取电信号数据稳定值的检测时间作为特征值C；提取电信号数据峰值与稳定值的中值的检测时间为特征值B；
d，采用LDA判别法计算在特征值A,B,C的条件下电子鼻传感器电信号数据的总贡献率，总贡献率最高的特征值为鉴别取值时间；
e，在步骤d确定的鉴别取值时间上，计算电子鼻各个传感器电信号数据的方差贡献率，按照各个传感器贡献率权重大小排序，并依次累积结合，以初始分组案例回报判别正确率为依据，确定有效传感器；
f，根据有效传感器在鉴别取值时间获取的不同辐照吸收剂量茶叶的电信号数据，用费歇尔判别法得出不同辐照吸收剂量茶叶的分类函数系数，得到鉴别茶叶样品辐照吸收剂量的分类函数；
g，采用步骤b中电子鼻检测的条件，检测未知茶叶样品，将电子鼻得到的有效传感器在鉴别取值时间的电信号数值代入步骤f的茶叶样品辐照吸收剂量的分类函数中，分类函数计算的最大值为样品所在的辐照吸收剂量类别，即鉴别出茶叶的辐照吸收剂量。
进一步，所述鉴别茶叶辐照吸收剂量的方法还包括采用拉依达准则法，将测定值中与平均值的偏差超过3倍标准差的测定值作为异常值剔除，以增加鉴别的正确率。
其中，上述电子鼻检测茶叶样品的检测方法为：分别取2.0g干燥的茶叶样品，放入电子鼻的顶空样品瓶中；检测条件：样品温度：25±5℃；顶空空间：100～120mL；富集时间：25-30min。每种样品进行12次平行检测。
本发明提供了一种电子鼻的新用途，即可以采用电子鼻鉴别茶叶辐照吸收剂量。
有益效果：
申请人发现，电子鼻的十根金属传感器对不同辐照剂量的茶叶有不同反应，且仅对干燥的茶叶有效，大多数人的鼻子以及气相色谱对不同辐照剂量茶叶的综合气味不能感受到差异，但电子鼻检测在鉴别取值时间的数据能反应出显著差异，在非鉴别取值时间的差异很小，无法准确鉴别。通过本发明的鉴别方法，可以快速确定不同辐照吸收剂量的茶叶的电子鼻电信号的区别之处，并能够快速归类。
本发明的利用电子鼻技术来鉴别辐照茶叶或茶叶辐照剂量的方法对茶叶的处理简单，不需要粉碎、过筛、浸泡、提取等复杂的前处理过程；检测快捷高效，检测时间为4～5min；分别采用不同辐照剂量的红茶、黑茶、绿茶为研究对象，通过绘制电子鼻的各个传感器对茶叶的挥发性物质响应图，确定鉴别的取值时间，经过筛选取值时间，有效传感器，结果表明选择峰值取值时间、4～5根有效传感器，三种辐照茶叶样品是否辐照的鉴别准确率为100％，辐照剂量鉴别正确率大于95.8％。
附图说明
图1：电子鼻十个传感器对祁门红茶的挥发性物质响应图；
图2：特征值A,B,C处的不同辐照吸收剂量的判别分析图；
图3：使用平均联接组间的树状图。
具体实施方式
红茶采用从原产地采购的祁门红茶，黑茶采用茯砖茶，绿茶采用黄山毛峰。
PEN3型便携式电子鼻，购自德国AIRSENSE公司。
PEN3型便携式电子鼻内置10个金属氧化物传感器阵列，具有自动调整、自动校准及系统自动富集功能。
电子天平，型号为CPA223S，买自北京赛多利斯仪器系统有限公司。
辐照吸收剂量：国家农业行业标准NY/T 1206-2006规定，绿茶的最高耐受吸收剂量为5kGy，红茶和黑茶为9kGy。
实施例1
采用PEN3电子鼻鉴别祁门红茶辐照吸收剂量的方法。
1、采用已知不同吸收剂量辐照处理茶叶样品；
采用60Coγ射线辐照处理祁门红茶。辐照的吸收吸收剂量为0kGy、1kGy、5kGy、9kGy。
2、用电子鼻依次检测已知辐照吸收剂量的祁门红茶样品，将气味信号转换为电信号数据；
鉴别方法：分别取2.0g经过不同吸收剂量辐照处理后干燥的祁门红茶样品，放入PEN3型便携式电子鼻的顶空样品瓶中：
检测条件：样品温度：25±5℃；顶空空间：100～120mL；富集时间：25-30min；
电子鼻检测参数：清洗时间设置为120s，信号采集时间90s，每秒取样一次；
每个实验处理组进行12次重复测定。
3、绘制电子鼻对祁门红茶的挥发性物质响应图，获取特征值A,B,C；
本实施例根据PEN3型便携式电子鼻的传感器测定的相对电导率数据绘制PEN3型便携式电子鼻的传感器对祁门红茶挥发性物质响应图，图1列出了在0kGy和9kGy的辐照吸收剂量下，PEN3型便携式电子鼻的传感器对祁门红茶挥发性物质响应图，其中，A为0kGy,B为9kGy。
在0kGy和9kGy的辐照吸收剂量下，选取1-3个相对电导率最高的传感器，本实施例的电子鼻7号传感器W1W、9号传感器W2W及2号传感器W5S的相对电导率最高，三个传感器在15s处具有相对电导率的平均峰值，在90s时，三个传感器的相对电导率呈线性变化，即处于相对电导率的稳定值，在45s时，为相对电导率的峰值与稳定值的中值。
因此，本实施例选择15s为特征值A。在90s时，各传感器的值呈线性变化，为相对电导率的稳定值，本实施例的特征值C为90s，同理，特征值B为45s。
4、电子鼻检测的数据标准化处理，剔除异常值；
采用拉依达准则法，即3δ，将12组测定值中与平均值的偏差超过3倍标准差的测定值作为异常值剔除。本实施例采用SPSS统计软件自动处理，将采集的数据整体化、标准化，具体是通过SPSS软件中“分析”—“描述统计”——“将标准化存为变量Z”，选择相应的变量，将生成新变量，如果标准化Z值超过3或-3，就作为异常值将此数据去掉。
表1祁门红茶电子鼻十个传感器15s特征响应值及标准化Z值
如表1所示，未辐照祁门红茶样品十个传感器的信号值稳定性很好，未出现异常值。
5、采用LDA判别法选择取值时间。LDA判别法(linear discrimination analysis，LDA)是一种常规的模式识别和样品分类方法。LDA注重类别的差异以及各种组之间的距离分析。计算在特征值A,B,C的条件下，采用电子鼻十个传感器电信号数据为依据，LDA判别分析前两个主成分方差总贡献率和原始数据回判正确率最高的特征值为鉴别取值时间；
根据步骤3和步骤4提取的有效特征值A，B，C，即在15s，45s和90s时，计算电子鼻相对电导率数据的LDA判别分析前两个主成分方差总贡献率和对原始数据回判正确率。本实施例采用SPSS统计软件自动处理，具体是分别将采集的电子鼻十根传感器15s，45s和90s时的全部有效数据，通过SPSS软件中“分析”—“降维”——“因子分析”，将主成分按照方差贡献率大小降维排列，计算前两个主成分总方差贡献率，一般总贡献率越高，就越能代表原数据的特征；“分析”—“分类”—“判别”，以辐照剂量为分组变量，电子鼻相对电导率数据为自变量，采用“一起输入自变量”方法，进行判别分析。不同辐照吸收剂量红茶线性判别分析的结果见表2。
表2特征值A、B、C的LDA判别分析结果
同时，申请人根据电信号数据制作了特征值A,B,C处的不同辐照吸收剂量的判别分析图，结果如图2所示，由图2可以看出，不同辐照吸收剂量在特征值ABC处有不同的位置，特征值BC均有部分重叠，即鉴别正确率不高。
从LDA线性判别分析方差贡献率和原始回判正确率确定特征值取值时间。由于15s和45s的原始数据回判正确率均较高，本实施例的取值时间暂选为15s或45s。
6、选择有效传感器；
对15s和45s下十个传感器特征值进行主成分分析，获得各主成分方差贡献率。以主成分累积发差贡献率85％为底限，分别计算十个传感器特征值占前1～3个主成分的权重，结合方差贡献率和权重，将十个传感器按照总体权重进行排序，并分别进行判别分析。
具体方法：以各标准化的传感器特征值为变量，获得相关系数矩阵，再以相关系数矩阵为基础，将主成分按照方差贡献率大小降维排列。本实施例采用SPSS统计软件，“分析”—“降维”——“因子分析”获得如表3、表4和表5所示的结果：
表3特征值选取15s时各主成份累计方差贡献率结果表
表4特征值选取45s时各主成份累计方差贡献率结果表
由表3可以看出，当选择15s的特征值时，前2个主成分所构成的累积方差贡献率为86.558％；由表4可以看出，当选择45s的特征值时，前2个主成分所构成的累积方差贡献率为85.082％；基本综合的反映了原来的特征值信息：都选择前2个主成分，依次为第一主成分PC1、第二主成分PC2，计算各传感器特征值分别占前2个主成分的权重，获得表5所示的结果：
表5选取15s时各传感器特征值占前2个主成分的权重
由表4可以看出，选取15s时传感器特征值所占权重由大到小顺序为1，9，3，6，7，5，8，2，10，4；选取45s时传感器特征值所占权重由大到小顺序为3，1，6，5，9，8，7，2，10，4。
采用SPSS软件的Analyze模块下的判别分析，对15s和45s下十个传感器特征值进行判别分析，具体方法：按照权重大小分别选择传感器特征值为自变量，选用费歇尔(Fisher)判别法和将自变量全部进入判别方程方式，得到如表6和表7初始分组案例回报判别分类结果：
表6选用15s特征值时初始分组案例回报判别分类结果
表7选用45s特征值时初始分组案例回报判别分类结果
由表6和表7可以看出，同样得到89.6％的正确判别率，选择电子鼻15s的特征值只需要1号和9号共2根传感器的数值，而选择电子鼻45s的特征值却需要3、1、6、5、9号共5根传感器的数值，为了减少运算复杂度和时间，使判别公式更简便，所以判别分析时选择15s时的特征值数值。
7、根据有效传感器在鉴别取值时间获取的不同辐照吸收剂量茶叶的电信号数据，用费歇尔判别法得出不同辐照吸收剂量的分类函数系数；
以电子鼻的有效传感器1、9、3、6和7号传感器和15s的特征值A作为自变量，以辐照吸收剂量分类，以46个样品单元为区域单元，采用平方马氏距离(Squared Mahalanobisdistance)测度46个样品单元之间的距离，并用费歇尔(Fisher)判别法，得到不同辐照吸收剂量的分类函数系数，见表8：
表8分类函数系数表
从表8可以得到四个分类函数：
F1＝-71143.088x1+5208.126x9+207886.456x3+17410.336x6-1134.442x7-83892.112
F2＝-70184.069x1+5129.649x9+206099.836x3+17269.371x6-1110.452x7-82774.005
F3＝--69302.297x1+4998.010x9+204461.596x3+17172.055x6-1072.756x7-81760.582
F4＝-68285.714x1+4935.071x9+202821.859x3+17122.987x6-1054.586x7-81009.697
其中，F1的辐照量为.0kGy；F2的辐照量为.1kGy；F3的辐照量为.5kGy；F4的辐照量为.9kGy。
式中的x1、x9、x3、x6和x7分别代表红茶电子鼻1、9、3、6和7号传感器15s时的特征值，将新个案带入四个分类函数，哪个值大，就判为哪一类。下表9显示了对初始案例的分类结果：
表9利用Fisher判别函数对原始案例的回判分类结果
由表9得到，得到的判别函数已对初始分组案例中的95.8％进行了正确分类，其中0、1和5kGy的36个案例都进行了100％的正确分类，12个9kGy初始案例中有2个误判为5kGy。
8、待测样判定：
取待测样祁门红茶，按照步骤2进行电子鼻检测，得到1、9、3、6和7号传感器15s时的特征值分别为0.7516、4.3224、0.8900、2.9683和5.8488，分别带入步骤7中的判别式F1、F2、F3和F4，得到F1＝115211.3、F2＝114842.8、F3＝114423.5、F4＝114167.7，因为F1的值最大，所以待测样属于未辐照红茶样品。
9、聚类分析；
将46个样品单元按照辐照吸收剂量分成4类，采用SPSS统计软件的Analyze模块下系统聚类(Hierarchical Cluster)分析中的组间联接法(Between-groups Linkage)，并采用Person相关性为度量标准，对各辐照吸收剂量类与类之间进行聚类，获得如图3所示的辐照吸收剂量分别为0、1、5和9kGy，4个吸收剂量的辐照红茶聚类树状图。
从图3所示的聚类树状图中可以看出：在距离为6时，样品被分为两类，0kGy和1kGy为一类，5kGy和9kGy为一类；在距离为3时，样品被分为4类，完全分开。证明此方法适用于辐照茶叶的鉴别分析。
申请人选取其他取值时间进行聚类分析，无法将不同辐照吸收剂量的祁门红茶分开。
实施例2
申请人按照实施例1所述的测定和鉴别方法，鉴别茯砖茶是否被辐照，其结果如下：
1、茶叶样品不同吸收剂量辐照处理；
采用60Coγ射线辐照处理茯砖茶，辐照吸收剂量为：0kGy、1kGy、5kGy、9kGy。
2、电子鼻检测；
分别取2.0g经过不同吸收剂量辐照处理后干燥的茯砖茶样品，放入PEN3型便携式电子鼻的顶空样品瓶中，其他同实施例1中的步骤2,。
3、绘制电子鼻对茯砖茶的挥发性物质响应图，按照实施例1的方法，获取特征值A、B、C分别为25s，45s和90s；
4、提取PEN3型便携式电子鼻对茯砖茶的信号特征值，确定鉴别取值时间；
操作方法同实施例1，结果如下：
表10特征值选取不同时间下LDA判别分析结果
由表10可以确定茯砖茶的鉴别取值时间为25s。
5、选择有效传感器；
选择方法同实施例1，结果如表11，表12所示。
表11特征值选取25s时各主成份累计方差贡献率结果表
表12选取25s时各传感器特征值占前2个主成分的权重
由表12可以看出，选取25s时传感器特征值所占权重由大到小顺序为6，8，5，3，1，9，10，7，2，4。
表13选用25s特征值时初始分组案例回报判别分类结果
由表13可以看出，选择电子鼻25s的取值时间只需要6，8，5，3号共4根传感器的电信号数值。
7、根据有效传感器在鉴别取值时间获取的不同辐照吸收剂量茶叶的电信号数据，用费歇尔判别法得出不同辐照吸收剂量的分类函数系数，得到不同辐照吸收剂量茯砖茶的分类函数。
8、使用步骤2的方法得到PEN3型电子鼻6,8,5,3号传感器的数值，代入不同辐照吸收剂量茯砖茶的分类函数，分类函数中，最大值为样品所在的辐照类别。
实施例3
申请人按照实施例1所述的测定和鉴别方法，鉴别黄山毛峰是否被辐照，其结果如下：
1、茶叶样品不同吸收剂量辐照处理；
采用60Coγ射线辐照处理黄山毛峰，处理浓度为：0kGy、1kGy、3kGy、5kGy。
2、电子鼻检测；
分别取2.0g经过不同吸收剂量辐照处理后干燥的黄山毛峰样品，放入PEN3型便携式电子鼻的顶空样品瓶中，其他同实施例1中的步骤2,。
3、绘制电子鼻对黄山毛峰的挥发性物质响应图，按照实施例1的方法，获取特征值A、B、C分别为25s，45s和90s；；
4、提取PEN3型便携式电子鼻对黄山毛峰信号特征值，确定取值时间；
操作方法同实施例1，结果如下：
表14特征值选取不同时间下LDA判别分析结果
由表14可以确定黄山毛峰的鉴别取值时间为25s。
5、选择有效传感器；
选择方法同实施例1，结果如表15，表16所示.
表15特征值选取25s时各主成份累计方差贡献率结果表
表16选取25s时各传感器特征值占前2个主成分的权重
由表16可以看出，选取25s时传感器特征值所占权重由大到小顺序为6，3，1，5，8，2，9，7，10，4。
表17选用25s特征值时初始分组案例回报判别分类结果
由表17可以看出，选择电子鼻25s的鉴别取值时间只需要6，3，1，5，8号共5根传感器的数值。
7、根据有效传感器在鉴别取值时间获取的不同辐照吸收剂量茶叶的电信号数据，用费歇尔判别法得出不同辐照吸收剂量的分类函数系数，得到不同辐照吸收剂量黄山毛峰的分类函数；
8、使用步骤2的方法得到PEN3型电子鼻6，3，1，5，8号传感器的数值，代入不同辐照吸收剂量黄山毛峰的分类函数，分类函数中，最大值为样品所在的辐照类别。
Claims (3)
1.一种鉴别茶叶辐照吸收剂量的方法，其特征在于：所述鉴别方法包括如下步骤：
a，采用已知不同吸收剂量辐照处理茶叶样品；
b，用电子鼻检测已知辐照吸收剂量的茶叶样品，电子鼻内置的传感器将气味信号转换为电信号数据；
c，根据电子鼻各传感器获取的电信号数据，绘制电子鼻的各个传感器对茶叶的挥发性物质响应图，提取电信号数据峰值的检测时间作为特征值A，提取电信号数据稳定值的检测时间作为特征值C，提取电信号数据峰值与稳定值的中值的检测时间为特征值B；
d，采用LDA判别法计算在特征值A,B,C的条件下电子鼻传感器电信号数据的总贡献率，总贡献率最高的特征值为鉴别取值时间；
e，在步骤d确定的鉴别取值时间上，计算电子鼻各个传感器电信号数据的方差贡献率，按照各个传感器贡献率权重大小排序，并依次累积结合，以初始分组案例回报判别正确率为依据，确定有效传感器；
f，根据有效传感器在鉴别取值时间获取的不同辐照吸收剂量茶叶的电信号数据，用费歇尔判别法得出不同辐照吸收剂量茶叶的分类函数系数，得到鉴别茶叶样品辐照吸收剂量的分类函数；
g，采用步骤b中电子鼻检测的条件，检测未知茶叶样品，将电子鼻得到的有效传感器在鉴别取值时间的电信号数值代入步骤f的茶叶样品辐照吸收剂量的分类函数中，分类函数计算的最大值为样品所在的辐照吸收剂量类别，即鉴别出茶叶辐照吸收剂量。
2.根据权利要求1所述的鉴别茶叶辐照吸收 剂量的方法，其特征在于：所述鉴别茶叶辐照剂量的方法还包括采用拉依达准则法，将测定值中与平均值的偏差超过3倍标准差的测定值作为异常值剔除，以增加鉴别的正确率。
3.根据权利要求1所述的鉴别茶叶辐照吸收 剂量的方法，其特征在于：所述电子鼻检测茶叶样品的检测方法为：分别取2.0g干燥的茶叶样品，放入电子鼻的顶空样品瓶中；检测条件：样品温度：25±5℃；顶空空间：100～120mL；富集时间：25～30min，每种样品进行平行检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510537111.0A CN105181761B (zh) | 2015-08-26 | 2015-08-26 | 一种利用电子鼻快速鉴别茶叶辐照吸收剂量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510537111.0A CN105181761B (zh) | 2015-08-26 | 2015-08-26 | 一种利用电子鼻快速鉴别茶叶辐照吸收剂量的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105181761A CN105181761A (zh) | 2015-12-23 |
| CN105181761B true CN105181761B (zh) | 2018-02-16 |
Family
ID=54903988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510537111.0A Expired - Fee Related CN105181761B (zh) | 2015-08-26 | 2015-08-26 | 一种利用电子鼻快速鉴别茶叶辐照吸收剂量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105181761B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096649B (zh) * | 2016-06-08 | 2019-08-06 | 北京科技大学 | 基于核线性判别分析的味觉感应信号差异性特征提取方法 |
| CN106501325A (zh) * | 2016-11-22 | 2017-03-15 | 西华大学 | 一种优化传感数据及模式识别对辐照食品的实时快检方法 |
| CN107064238B (zh) * | 2017-03-31 | 2019-05-24 | 浙江大学 | 一种便携性茶香检测电子鼻系统及其检测方法 |
| CN108195895B (zh) * | 2017-12-26 | 2020-04-24 | 山东农业大学 | 基于电子鼻和分光测色仪的茶树叶片氮含量快速检测方法 |
| CN109002859B (zh) * | 2018-07-25 | 2022-07-05 | 郑州轻工业学院 | 基于主成分分析的传感器阵列特征选择和阵列优化方法 |
| CN112006120B (zh) * | 2020-08-27 | 2022-05-31 | 江南大学 | 基于气味及3d结构光的茶叶锅式杀青系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030079351A (ko) * | 2002-04-03 | 2003-10-10 | 노봉수 | 전자코를 이용하여 방사선 조사된 식용육의 휘발성화합물을 감지하는 방법 |
| CN101487825A (zh) * | 2009-03-03 | 2009-07-22 | 中国农业大学 | 一种识别茶叶种类和/或等级的方法 |
| CN101655471A (zh) * | 2009-09-23 | 2010-02-24 | 南京农业大学 | 一种气体传感器检测鸡蛋新鲜度的方法 |
| CN103499663A (zh) * | 2013-07-30 | 2014-01-08 | 中国标准化研究院 | 一种基于遗传算法的龙井茶品质检测等级模型中传感器的选择方法 |
| CN104132968A (zh) * | 2014-08-15 | 2014-11-05 | 黑龙江八一农垦大学 | 一种大米地理标志的鉴别方法及其应用 |
-
2015
- 2015-08-26 CN CN201510537111.0A patent/CN105181761B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030079351A (ko) * | 2002-04-03 | 2003-10-10 | 노봉수 | 전자코를 이용하여 방사선 조사된 식용육의 휘발성화합물을 감지하는 방법 |
| CN101487825A (zh) * | 2009-03-03 | 2009-07-22 | 中国农业大学 | 一种识别茶叶种类和/或等级的方法 |
| CN101655471A (zh) * | 2009-09-23 | 2010-02-24 | 南京农业大学 | 一种气体传感器检测鸡蛋新鲜度的方法 |
| CN103499663A (zh) * | 2013-07-30 | 2014-01-08 | 中国标准化研究院 | 一种基于遗传算法的龙井茶品质检测等级模型中传感器的选择方法 |
| CN104132968A (zh) * | 2014-08-15 | 2014-11-05 | 黑龙江八一农垦大学 | 一种大米地理标志的鉴别方法及其应用 |
Non-Patent Citations (2)
| Title |
|---|
| 辐照杀菌对绿茶品质的影响;朱佳延 等;《核农学报》;20051231;第19卷(第5期);第363-366页 * |
| 龙井茶叶品质的电子鼻检测方法;于慧春 等;《农业机械学报》;20070731;第38卷(第7期);第103-106页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105181761A (zh) | 2015-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105181761B (zh) | 一种利用电子鼻快速鉴别茶叶辐照吸收剂量的方法 | |
| CN108133313B (zh) | 一种人工智能感官评价食品风味系统及其构建方法 | |
| Yu et al. | Headspace GC/MS and fast GC e-nose combined with chemometric analysis to identify the varieties and geographical origins of ginger (Zingiber officinale Roscoe) | |
| Ouyang et al. | Determination of amino acid nitrogen in soy sauce using near infrared spectroscopy combined with characteristic variables selection and extreme learning machine | |
| CN103134850B (zh) | 一种基于特征香气的茶叶品质快速检测方法 | |
| CN102338780B (zh) | 一种卷烟品牌判别方法 | |
| CN103674884A (zh) | 基于近红外光谱信息的烟叶风格特征的随机森林分类方法 | |
| CN105738340B (zh) | 基于傅利叶拉曼光谱的薰衣草精油品种的快速检测方法 | |
| CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
| CN102778442A (zh) | 一种快速鉴别烟用香液料液种类的方法 | |
| Chen et al. | Discrimination among Panax species using spectral fingerprinting | |
| CN102721716A (zh) | 基于1h-nmr指纹图谱结合多变量分析的食用油质量检验方法 | |
| CN110376153A (zh) | 一种atr-ftir结合rbf神经网络对市售西红花产地溯源的方法 | |
| CN108195895A (zh) | 一种基于电子鼻和分光测色仪的茶树叶片氮含量快速检测方法 | |
| CN105138834A (zh) | 基于近红外光谱波数k均值聚类的烟草化学值定量方法 | |
| CN116008245A (zh) | 桑叶拉曼光谱指纹图谱的建立结合机器学习算法在桑叶属地来源鉴定中的应用 | |
| CN111965167A (zh) | 预测固体废弃物元素组成及热值的方法及装置 | |
| Chen et al. | Correction of moisture interference in laser-induced breakdown spectroscopy detection of coal by combining neural networks and random spectral attenuation | |
| Du et al. | Discrimination of the species and authenticity of Rhizoma Coptidis based on stable isotope and multielement fingerprinting and multivariate statistical analysis | |
| Teye et al. | Nondestructive authentication of cocoa bean cultivars by FT-NIR spectroscopy and multivariate techniques | |
| Ta et al. | Wine component tracing method based on near infrared spectrum fusion machine learning | |
| CN106769927A (zh) | 一种黄芪药材的质量检测方法 | |
| CN102042967A (zh) | 一种基于近红外光谱技术的葡萄糖水溶液快速识别方法 | |
| CN103399092A (zh) | 一种快速评定人参品质的方法 | |
| Chen et al. | Qualitative identification of tea by near infrared spectroscopy based on soft independent modelling of class analogy pattern recognition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180216 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |