CN111563558B - 一种葡萄酒产地及品牌的快速识别方法 - Google Patents
一种葡萄酒产地及品牌的快速识别方法 Download PDFInfo
- Publication number
- CN111563558B CN111563558B CN202010400408.3A CN202010400408A CN111563558B CN 111563558 B CN111563558 B CN 111563558B CN 202010400408 A CN202010400408 A CN 202010400408A CN 111563558 B CN111563558 B CN 111563558B
- Authority
- CN
- China
- Prior art keywords
- red wine
- brand
- sample
- wine
- olfactory
- 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.)
- Active
Links
- 235000014101 wine Nutrition 0.000 title claims abstract description 53
- 238000004519 manufacturing process Methods 0.000 title claims description 16
- 235000020095 red wine Nutrition 0.000 claims abstract description 63
- 230000000007 visual effect Effects 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 24
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 claims description 19
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 19
- 229910052737 gold Inorganic materials 0.000 claims description 19
- 239000010931 gold Substances 0.000 claims description 19
- 229910052719 titanium Inorganic materials 0.000 claims description 19
- 239000010936 titanium Substances 0.000 claims description 19
- 239000000463 material Substances 0.000 claims description 16
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 claims description 16
- KDLHZDBZIXYQEI-UHFFFAOYSA-N Palladium Chemical compound [Pd] KDLHZDBZIXYQEI-UHFFFAOYSA-N 0.000 claims description 14
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims description 13
- 229910052709 silver Inorganic materials 0.000 claims description 13
- 239000004332 silver Substances 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 claims description 10
- 229910052721 tungsten Inorganic materials 0.000 claims description 10
- 239000010937 tungsten Substances 0.000 claims description 10
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 229910052697 platinum Inorganic materials 0.000 claims description 8
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 7
- 229910052763 palladium Inorganic materials 0.000 claims description 7
- 239000000741 silica gel Substances 0.000 claims description 7
- 229910002027 silica gel Inorganic materials 0.000 claims description 7
- HEDRZPFGACZZDS-UHFFFAOYSA-N Chloroform Chemical compound ClC(Cl)Cl HEDRZPFGACZZDS-UHFFFAOYSA-N 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 239000007793 ph indicator Substances 0.000 claims description 6
- -1 porphyrin compound Chemical class 0.000 claims description 6
- 239000011324 bead Substances 0.000 claims description 5
- 239000000796 flavoring agent Substances 0.000 claims description 5
- 235000019634 flavors Nutrition 0.000 claims description 5
- 229910052751 metal Inorganic materials 0.000 claims description 4
- 239000002184 metal Substances 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000001035 drying Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 229920001296 polysiloxane Polymers 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 8
- 244000269722 Thea sinensis Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 235000013305 food Nutrition 0.000 description 5
- 238000012800 visualization Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 241000208125 Nicotiana Species 0.000 description 3
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 235000009754 Vitis X bourquina Nutrition 0.000 description 2
- 235000012333 Vitis X labruscana Nutrition 0.000 description 2
- 240000006365 Vitis vinifera Species 0.000 description 2
- 235000014787 Vitis vinifera Nutrition 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 235000019615 sensations Nutrition 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- GTZCNONABJSHNM-UHFFFAOYSA-N 5,10,15,20-tetraphenyl-21,23-dihydroporphyrin zinc Chemical compound [Zn].c1cc2nc1c(-c1ccccc1)c1ccc([nH]1)c(-c1ccccc1)c1ccc(n1)c(-c1ccccc1)c1ccc([nH]1)c2-c1ccccc1 GTZCNONABJSHNM-UHFFFAOYSA-N 0.000 description 1
- SBTXZBOBSRZUPE-UHFFFAOYSA-N 5,10,15,20-tetrapyridin-2-yl-21,23-dihydroporphyrin Chemical compound c1cc2nc1c(-c1ccccn1)c1ccc([nH]1)c(-c1ccccn1)c1ccc(n1)c(-c1ccccn1)c1ccc([nH]1)c2-c1ccccn1 SBTXZBOBSRZUPE-UHFFFAOYSA-N 0.000 description 1
- FRPHFZCDPYBUAU-UHFFFAOYSA-N Bromocresolgreen Chemical compound CC1=C(Br)C(O)=C(Br)C=C1C1(C=2C(=C(Br)C(O)=C(Br)C=2)C)C2=CC=CC=C2S(=O)(=O)O1 FRPHFZCDPYBUAU-UHFFFAOYSA-N 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 229910021607 Silver chloride Inorganic materials 0.000 description 1
- RWDBIZPEXPLXDF-UHFFFAOYSA-L [Fe](Cl)Cl.FC1=C(C(=C(C(=C1C1=C2NC(=C1)C=C1C=CC(=N1)C=C1C=CC(N1)=CC=1C=CC(N1)=C2)F)F)F)F Chemical compound [Fe](Cl)Cl.FC1=C(C(=C(C(=C1C1=C2NC(=C1)C=C1C=CC(=N1)C=C1C=CC(N1)=CC=1C=CC(N1)=C2)F)F)F)F RWDBIZPEXPLXDF-UHFFFAOYSA-L 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 229910017052 cobalt Inorganic materials 0.000 description 1
- 239000010941 cobalt Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000008367 deionised water Substances 0.000 description 1
- 229910021641 deionized water Inorganic materials 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003100 immobilizing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- CEQFOVLGLXCDCX-WUKNDPDISA-N methyl red Chemical compound C1=CC(N(C)C)=CC=C1\N=N\C1=CC=CC=C1C(O)=O CEQFOVLGLXCDCX-WUKNDPDISA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 125000005447 octyloxy group Chemical group [H]C([H])([H])C([H])([H])C([H])([H])C([H])([H])C([H])([H])C([H])([H])C([H])([H])C([H])([H])O* 0.000 description 1
- IEQIEDJGQAUEQZ-UHFFFAOYSA-N phthalocyanine Chemical compound N1C(N=C2C3=CC=CC=C3C(N=C3C4=CC=CC=C4C(=N4)N3)=N2)=C(C=CC=C2)C2=C1N=C1C2=CC=CC=C2C4=N1 IEQIEDJGQAUEQZ-UHFFFAOYSA-N 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 150000004032 porphyrins Chemical class 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000003755 preservative agent Substances 0.000 description 1
- 230000002335 preservative effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008786 sensory perception of smell Effects 0.000 description 1
- 230000014860 sensory perception of taste Effects 0.000 description 1
- HKZLPVFGJNLROG-UHFFFAOYSA-M silver monochloride Chemical compound [Cl-].[Ag+] HKZLPVFGJNLROG-UHFFFAOYSA-M 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- YNHJECZULSZAQK-UHFFFAOYSA-N tetraphenylporphyrin Chemical compound C1=CC(C(=C2C=CC(N2)=C(C=2C=CC=CC=2)C=2C=CC(N=2)=C(C=2C=CC=CC=2)C2=CC=C3N2)C=2C=CC=CC=2)=NC1=C3C1=CC=CC=C1 YNHJECZULSZAQK-UHFFFAOYSA-N 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/14—Beverages
- G01N33/146—Beverages containing alcohol
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供了一种葡萄酒产地及品牌的快速识别方法，所述方法包括：1)、针对产地及品牌差异的红葡萄酒样本，制备嗅觉可视化传感器阵列，采集嗅觉可视化传感器与红葡萄酒挥发性成分反应前后颜色变化信息，得到红葡萄样品的气味特征；2)、利用电子舌对红葡萄酒样品进行采样，得到红葡萄酒样品的滋味特征，其中，所述滋味特征包括：产地特征以及品牌特征；3)、根据所述气味特征与滋味特征的组合构建融合特征；4)、将红葡萄酒样品的品牌信息、产地信息作为融合特征的标签，进而得到训练样本集合，利用训练样本集合训练极限学习机模型；5)、使用训练后的极限学习机模型识别出未知红葡萄酒的产地以及品牌信息。应用本发明实施例，提高了检测效率。
Description
技术领域
本发明涉及食品、农产品产地检测技术领域，具体涉及一种葡萄酒产地及品牌的快速识别方法。
背景技术
葡萄酒以其独特的风味和重要的保健功效，在全球范围内广受欢迎。过去几十年，随着生活水平的提高，我国葡萄酒市场发展迅速，人均消费量从1995年的0.8L上升到2016年的1.7L，增加了近112.5％。目前，市场上葡萄酒品牌多样，品种繁多，各档次产品玲琅满目，价格参差不齐，更甚者出现采用人工色素和酒精溶液勾兑的假酒，而且价格虚高。假酒不仅会造成消费者的经济损失、还会直接影响到消费者的身体健康，甚至危及生命安全。因此，进行葡萄酒品质的快速、客观、准确鉴定非常重要。
现有技术中，申请号为201910555462.2的发明专利申请公开了一种极限学习机光谱模型判别恩施玉露茶鲜叶产地的方法，涉及农产品产地识别技术领域。该发明专利的特征在于：首先扫描获得不同产地茶鲜叶样品的近红外光谱，其次对样品光谱进行预处理剔除噪声信息后，再将样品光谱转化为成对的数据点，并将光谱数据均分为20个光谱子区间，应用蚁群算法筛选反映鲜叶产地的光谱信息子区间波段，最后将最佳的光谱信息子区间信息作为输入，建立极限学习机光谱模型，用于茶鲜叶产地的预测。该发明实现了对恩施玉露茶鲜叶产地的快速、准确预测。
现有技术先使用蚁群算法进行变量筛选，再使用极限学习机算法进行学习及预测，即使用了蚁群算法和极限学习机算法的叠加算法实现茶叶的产地识别，模型复杂，运算量较大，进而导致现有技术存在检测效率较低的技术问题。
发明内容
本发明所要解决的技术问题在于如何提高检测效率，并实现成品红葡萄酒产地及品牌的同时预测。
本发明是通过以下技术手段实现解决上述技术问题的：
本发明实施例提供了一种葡萄酒产地及品牌的快速识别方法，所述方法包括：
1)、针对产地及品牌差异的红葡萄酒样本，制备嗅觉可视化传感器阵列，采集嗅觉可视化传感器与红葡萄酒挥发性成分反应前后颜色变化信息，得到红葡萄样品的气味特征；
2)、利用电子舌对产地及品牌差异的红葡萄酒样本进行检测，得到红葡萄酒的滋味特征，其中，所述滋味特征包括：产地特征以及品牌特征；
3)、根据所述气味特征与滋味特征的组合构建融合特征；
4)、将红葡萄酒样品的产地、品牌信息作为融合特征的标签，进而得到训练样本集合，利用训练样本集合训练极限学习机模型；
5)、使用训练后的极限学习机模型识别出未知红葡萄酒样本的产地以及品牌信息。
应用本发明实施例，在嗅觉可视化传感器阵列获得的气味特征以及电子舌获得的滋味特征基础上，构建融合特征，然后直接用极限学习机进行学习与预测，相较于现有技术中使用的蚁群算法和极限学习叠加算法实现茶叶产地的预测，无需使用蚁群算法进行特征分类，而且本发明实施例中融合特征的构建均为简单的向量运算。因此，本发明实施例模型简单，运算量更小，进而提高了检测效率。
可选的，所述采集嗅觉可视化传感器与红葡萄酒挥发性成分反应前后颜色变化信息，包括：
利用pH指示剂及卟啉类化合物作为葡萄酒挥发性成分感知显色剂，并分别溶解在乙醇和氯仿溶液中，制备嗅觉可视化敏感材料溶液；
将嗅觉可视化敏感材料溶液进行点样处理，得到点样阵列；
将红葡萄酒样品置于反应室内，然后将点样阵列置于反应室内进行红葡萄酒气味信息的检测，得到嗅觉可视化传感器与红葡萄酒挥发性成分反应前后颜色变化信息。
可选的，所述将嗅觉可视化敏感材料溶液进行点样处理，得到点样阵列，包括：
制备边长为1cm的七边形框架，并在框架的顶点处设置半径为0.2cm的圆环，将设置圆环后的七边形框架作为点样辅助器；
将点样辅助器固定在反向硅胶板上，然后在圆环中分别点样5μL的嗅觉可视化敏感材料溶液，一种可视化敏感材料对应一个嗅觉可视化传感器的点样；
吹干后得到嗅觉可视化传感器的点样阵列。
可选的，所述反应室为顶部开口的圆柱形；
反应室内容纳有红葡萄酒样品，且反应室的顶部开口被室盖封闭；
所述室盖朝向反应室内的底面上设有相向延伸的卷边；
相向延伸的卷边将反向硅胶板固定在室盖上。
可选的，所述步骤2)中的产地特征的获取过程包括：
在1Hz脉冲频率下，使用金、钨、钛和银电极对红葡萄酒样品进行产地特征采样；
在10Hz脉冲频率下，使用铂、金、钨、和钛电极对红葡萄酒样品进行产地特征采样；
在100Hz脉冲频率下，使用金、钛和银电极对红葡萄酒样品进行产地特征采样。
可选的，所述步骤2)中的品牌特征的获取过程包括：
在1Hz脉冲频率下，使用铂、金、钯、钨、钛和银电极对红葡萄酒样品进行品牌特征采样；
在10Hz脉冲频率下，使用金、钯、钛和银电极对红葡萄酒样品进行品牌特征采样；
在100Hz脉冲频率下，使用金和钛电极对红葡萄酒样品进行品牌特征采样，其中，采样结果中包括：金属电极脉冲电流最高值、最高值拐点、最低值、最低值拐点中的一种或组合。
可选的，所述步骤3)，包括：
采用主成分分析分别对红葡萄酒样品的气味及滋味特征进行降维和去相关处理，分别得到气味特征的主成分数据以及滋味特征的主成分数据；
将气味特征的前8个主成分与滋味特征的前3个主成分得分组合得到融合特征。
可选的，所述步骤4)中极限学习机模型的训练过程包括：
随机产生隐含层与输出层之间的连接权值和隐含层神经元阈值，得到极限学习机模型的连接权重矩阵：
以及神经元阈值矩阵/>
其中，wln为输入层第l个神经元与隐藏层第n个神经元之间的连接权重；bl为隐藏层第l个神经元的阈值；
计算网络输出矩阵T＝[t1,t2,…tQ]m×Q，其中tQ为第q个训练样本对应的输出矩阵；
利用公式，β＝H+T，求解输出层权值，其中，H隐含层输出矩阵为：
将输出矩阵的参数作为训练后的极限学习机的输出层权重。
本发明的优点在于：
应用本发明实施例，在嗅觉可视化传感器阵列获得的气味特征以及电子舌获得的滋味特征基础上，构建融合特征，然后直接用极限学习机进行学习与预测，相较于现有技术中使用的蚁群算法和极限学习叠加算法实现茶叶产地的预测，无需使用蚁群算法进行特征分类，而且本发明实施例中融合特征的构建均为简单的向量运算。因此，本发明实施例模型简单，运算量更小，进而提高了检测效率，且可实现红葡萄酒产地及品牌的同时预测。
附图说明
图1为本发明实施例提供的一种葡萄酒产地及品牌的快速识别方法流程示意图；
图2为本发明实施例提供的一种葡萄酒产地及品牌的快速识别方法中的点样辅助器结构示意图；
图3为本发明实施例提供的一种葡萄酒产地及品牌的快速识别方法中的反应室结构示意图；
图4为本发明实施例提供的一种葡萄酒产地及品牌的快速识别方法的识别结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
图1为本发明实施例提供的一种葡萄酒产地及品牌的快速识别方法流程示意图，如图1所示，方法包括：
S101：针对产地及品牌差异的红葡萄酒样本，制备嗅觉可视化传感器阵列，采集嗅觉可视化传感器与红葡萄酒挥发性成分反应前后颜色变化信息，得到红葡萄样品的气味特征。
示例性的，首先预先制备嗅觉可视化传感器阵列，其过程如下：
第一步：将pH指示剂及卟啉类化合物作为葡萄酒挥发性成分感知显色剂，其中，pH指示剂包括：甲基红，溴甲酚绿；卟啉类化合物包括：5，10，15，20-四(五氟苯基)-21H，23H-卟啉氯化铁，四苯基卟啉锌，meso-四苯基卟啉钴，2，3，9，10，16，17，23，24-八(辛氧基)-29H，31H-酞菁锌，四吡啶基卟啉中的一种或组合。
第二步：分别以乙醇和氯仿作为溶剂溶解pH显色剂及卟啉类化合物，制备浓度为2mg/mL的嗅觉可视化显色剂溶液；
第三步：图2为本发明实施例提供的一种葡萄酒产地及品牌的快速识别方法中的点样辅助器结构示意图。如图2所示，以铁丝为原料，制备边长为1cm的正七边形，并在该七边形的顶点外侧焊接半径为0.2cm的圆圈制备点样辅助器。需要说明的是，本发明实施例中图2仅作为说明使用，并不构成对本发明实施例的限定，在实际应用中，点样辅助器可以为三角形、四边形、五边形、或者点阵形式，且圆圈的直径并不仅限于0.2cm。
第四步：选择C2反向硅胶板为基板，用以固载可视化敏感材料。将C2反向硅胶板加工成边长为5cm的正方向块。将第三步骤中制备好的正七边形点样辅助器固定在C2反向硅胶板的硅胶面上。
然后使用微量移液管移取已制备好的可视化敏感材料溶液各5μL，并通过正七边形各顶点的圆圈点在C2反向硅胶板上，取下点样辅助器，经氮气吹干溶剂后，即可制得用于红葡萄酒挥发性成分检测的点样阵列。可以理解的是，点样阵列中各个点样点处的可视化敏感材料的成分可以不同，也可以在多个点样点处使用相同的可视化敏感材料。
第五步，图3为本发明实施例提供的种葡萄酒产地及品牌的快速识别方法中的反应室的结构示意图。如图3所示，以普通玻璃为材料，反应室主体301为顶部开口的筒状结构；反应室主体301的顶部覆盖室盖302；室盖302上设有两条卷边303；卷边303为L型；卷边303的竖直侧壁垂直于室盖302的朝向反应室主体301的底面上；卷边303的水平侧壁相向延伸，且平行于室盖302；卷边303的水平侧壁卷边303的竖直侧壁垂直；两条卷边303平行设置。反应室主体301为圆柱形，内径为8cm，高为5cm；反应室盖选用PE材料，并以盖中心为中心在内侧设置相距为6cm平行卷边一对，卷边长度为4cm，高为1cm，宽为1cm，使用时，将C2反向硅胶板插入到两个卷边之间，每一个卷边的水平侧壁承载C2反向硅胶板的一个侧边；进而实现扣接固定嗅觉可视化传感器阵列，即点样阵列。
第六步：可以在大型超市购买葡萄品种为赤霞珠，品牌为张裕、长城、以及朋珠，每一个品牌的产地为山东烟台、河北廊坊以及陕西咸阳的成品红葡萄酒共计9种用作试验样本。例如山东烟台、河北廊坊、陕西咸阳生产的张裕牌葡萄酒各12瓶；同一产地，不同品牌(张裕，长城，朋珠)的葡萄酒各12瓶，用于构建葡萄酒品牌的识别模型。
第七步：采用扫描仪作为嗅觉可视化传感器阵列彩色图像获取装备，采集可视化嗅觉传感器阵列与葡萄酒挥发性成分反应前的彩色图像，并提取R，G，B三通道灰度值。扫描仪的精度为400dpi。
针对每一瓶葡萄酒，移取40mL酒样至反应室主题301内，将制备好的嗅觉可视化传感器阵列置入反应室盖302里侧的卷边303内，使得全部嗅觉可视化传感器能够暴露出来，且面向下，即朝酒样一侧，并用保鲜膜将反应室主体301以及室盖302密封包裹，5分钟后，取出嗅觉可视化传感器阵列，用于彩色图像获取。
第八步：采集可视化嗅觉传感器阵列与葡萄酒挥发性成分反应后的彩色图像，并提取各个点样对应的R，G，B三通道灰度值。将反应前后的点样处的彩色图像的R，G，B三通道灰度值作差并取绝对值后，得到酒样的色彩特征。
S102：利用电子舌对红葡萄酒样品进行采样，得到红葡萄酒样品的滋味特征，其中，所述滋味特征包括：产地特征以及品牌特征。
示例性的，可以采用大幅脉冲伏安型电子舌系统采集葡萄酒的滋味信息。该电子舌系统采用标准的三电极系统，即参比电极(Ag/AgCl)，辅助电极(铂)和6根工作电极(铂、金、钯、钨、钛和银)。脉冲频率为1Hz，10Hz和100Hz，初始电压为1V，终止电压为-1V，电压步进为0.2V。该电子舌输出为脉冲电压下，工作电极与辅助电极之间的电流信号。
测量方法：移取酒样15mL至电子舌专用烧杯，传感器经活化、去离子水为清洗后，进行测样。
发明人经过试验，发现用于葡萄酒产地识别的电子舌电极以及脉冲频率的匹配关系为：
1Hz脉冲频率下，金、钨、钛和银；
10Hz脉冲频率下，铂、金、钨、和钛；
100Hz脉冲频率下金、钛和银。
在上述频率以及电极条件下，提取金属电极脉冲电流最高值、最高值拐点、最低值、最低值拐点，将这些值的拼接结果作为红葡萄酒样品的产地特征。
用于葡萄酒品牌识别的电子舌电极以及脉冲频率的匹配关系为：
1Hz脉冲频率下铂、金、钯、钨、钛和银；
10Hz脉冲频率下，金、钯、钛和银；
100Hz脉冲频率下，金和钛。
在上述频率以及电极条件下，提取金属电极脉冲电流最高值、最高值拐点、最低值、最低值拐点，将这些值的拼接结果作为红葡萄酒样品的品牌特征。
将产地特征与品牌特征的拼接结果作为红葡萄酒样品的滋味特征。
S103：将S101步骤中得到的色彩特征与S102步骤中得到的滋味特征的组合结果作为融合特征。
进一步的，在构建融合特征之前，可以采用主成分分析分别对红葡萄酒样品的色彩特征及滋味特征进行降维和去相关处理，分别得到色彩特征的主成分数据以及滋味特征的主成分数据；将色彩特征的前8个主成分与滋味特征的前3个主成分得分组合得到融合特征。
假设第i个样本对应的可视化嗅觉传感器前8个主成得分为Ui＝(u1，u2，u3，…，u8)，对应的电子舌前3个主成分得分为Vi＝(v1，v2，v3)，则融合之后的数据为Zi＝(u1，u2，u3，…，u7，v1，v2，v3)。
需要强调的是，在本发明实施例中，采用主成分分析法对气味特征及滋味特征进行降维和去相关处理的过程为现有技术；而且，特征的拼接顺序并不影响模型的识别结果，因此，本发明实施例在此并不对特征的拼接顺序作出限定。
S104：将红葡萄酒样品的品牌信息、产地信息作为融合特征的标签，进而得到由标记后的融合特征组成的训练样本集合，利用训练样本集合训练极限学习机模型。
示例性的，ELM(Extreme Learning Machine，极限学习机)模型的训练过程分为如下3个步骤：
步骤1：随机产生隐含层与输出层之间的连接权值w和隐含层神经元阈值b：
wln表示输入层第l个神经元与隐含层第n个神经元间的连接权值。
步骤2：选择一个隐含层神经元激活函数g(x)，神经元激活函数可以是sigmoid函数，sin函数以及hardlim函数中的一种。
隐含层神经元激活函数为sigmoid函数，其表达式如下：
步骤3：计算输出层权值β。
若网络输出T为：T＝[t1,t2,…tQ]m×Q
其中，Q为训练样本总量；∑为求和函数；βim为第i个隐含层节点相对于第m个输出层节点的权值；wi＝[wi1,wi2,...,win]，xj＝[x1j,x2j,...,xnj]T；win为第i个隐含层与第n个输入层之间的连接权值；bi为第i个隐含层神经元阈值，M为输出层节点数。
则极限学习机模型可以表示为：
Hβ＝TT，其中，
H为隐含层输出矩阵：
根据ELM的设计原理，β可以通过下式求解：
进而得到，
其中，βjk表示隐含层第j神经元与输出层第k个神经元之间的连接权值。
最终用于多分类的ELM决策方程为：
其中，x表示待判样品，m表示样本类别标签。
经过训练后，本发明实施例中使用的极限学习机模型的结构如下：
3层网络结构，包括1个输入层、1个隐含层和1个输出层。输入层神经元个数为11，隐含层神经元个数为126，输出层神经元个数为3个。
表1为用于葡萄酒产地识别的ELM隐含层与输出层之间的连接权值，如下，
表1
表2为用于葡萄酒品牌识别的ELM隐含层与输出层之间的连接权值，如下，
表2
与传统的神经网络的训练方法相比，ELM随机产生输入层与隐含层的连接权值及隐含层神经元阈值，建模过程中只需设置隐含层神经元个数，模型便可以获得唯一最优解，具有学习速度快，泛化性能好等优点。
S105：使用训练后的极限学习机模型识别出未知红葡萄酒的产地以及品牌信息
为了对本发明实施例的技术效果进行说明，发明人另外再通过电商渠道等其他渠道购买了品牌为张裕、长城、以及朋珠，产地分别为山东烟台、河北廊坊以及陕西咸阳的成品红葡萄酒作为未知红葡萄酒，使用前述步骤训练的极限学习机进行测试。
并使用公式，
计算ELM模型的识别准确率，其中，
R为识别准确率，N1为正确识别的样本量，N2为未知样本总量。
图4为本发明实施例提供的种葡萄酒产地及品牌的快速识别方法的识别结果的示意图，如图4所示，图4中的(A)部分显示，对未知葡萄酒的产地识别的正确率为100％。图4中的(B)部分显示，对未知葡萄酒的品牌识别的正确率为100％。
另外，在葡萄酒的鉴定中，现有常用感官评价进行处理，虽然感官评价可实现食品综合品质的快速、简便评价，但是，存在严重的主观性，结果一致性较差。而且葡萄酒的品质取决于酒体中化学成分的种类、浓度及它们之间复杂的相互作用，因此仅靠单一或多个化学指标的定量分析难以精确评价葡萄酒的综合品质。而电子鼻(嗅觉可视化传感器)、电子舌作为对哺乳动物嗅觉、味觉感知系统的模仿，可克服感官评价主观性强的缺陷，实现食品综合品质的准确评价。然而，由于金属氧化物半导体电极对环境湿度非常敏感，造成传统的电子鼻技术在高水分含量的葡萄酒品质检测中受到检测精确度的限制。嗅觉可视化技术是采用金属卟啉等化学显色剂与待测气体组分反应前后颜色发生变化的这一性质来对食品气味进行定性和定量分析，与传统基于金属氧化物半导体的电子鼻系统相比，嗅觉可视化技术可避免环境湿度对检测结果的影响，且同时具备成本低、制备工艺简单、灵敏度高、抗干扰能力强等优点。发明人经过研究发现，融合电子鼻和电子舌能够获得更加全面的食品品质信息，正确识别率也较单独使用电子鼻或电子舌高。而且大幅脉冲伏安型电子舌具有灵敏度高、简单耐用的优势。因此，本发明实施例融合嗅觉可视化技术和大幅脉冲伏安型电子舌还以实现葡萄酒品质的精确评价。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种葡萄酒产地及品牌的快速识别方法，其特征在于，所述方法包括：
1)、针对产地及品牌差异的红葡萄酒样本，制备嗅觉可视化传感器阵列，采集嗅觉可视化传感器与红葡萄酒挥发性成分反应前后颜色变化信息，得到红葡萄样品的气味特征；
2)、利用电子舌对对产地及品牌差异的红葡萄酒样本进行检测，得到红葡萄酒样品的滋味特征，其中，所述滋味特征包括：产地特征以及品牌特征；
3)、根据所述气味特征与滋味特征的组合构建融合特征；
4)、将红葡萄酒样品的品牌信息、产地信息作为融合特征的标签，进而得到训练样本集合，利用训练样本集合训练极限学习机模型；
5)、使用训练后的极限学习机模型识别出未知红葡萄酒的产地以及品牌信息。
2.根据权利要求1所述的一种葡萄酒产地及品牌的快速识别方法，其特征在于，所述采集嗅觉可视化传感器与红葡萄酒挥发性成分反应前后颜色变化信息，包括：
利用pH指示剂及卟啉类化合物作为葡萄酒挥发性成分感知显色剂，并分别溶解在乙醇和氯仿溶液中，制备嗅觉可视化敏感材料溶液；
将嗅觉可视化敏感材料溶液进行点样处理，得到点样阵列；
将红葡萄酒样品置于反应室内，然后将点样阵列置于反应室内进行红葡萄酒气味检测，得到嗅觉可视化传感器与红葡萄酒挥发性成分反应前后颜色变化信息。
3.根据权利要求2所述的一种葡萄酒产地及品牌的快速识别方法，其特征在于，所述将嗅觉可视化敏感材料溶液进行点样处理，得到点样阵列，包括：
制备边长为1cm的七边形框架，并在框架的顶点处设置半径为0.2cm的圆环，将设置圆环后的七边形框架作为点样辅助器；
将点样辅助器固定在反向硅胶板上，然后在圆环中分别点样5μL的嗅觉可视化敏感材料溶液，一种可视化敏感材料对应一个嗅觉可视化传感器的点样；
吹干后得到嗅觉可视化传感器的点样阵列。
4.根据权利要求3所述的一种葡萄酒产地及品牌的快速识别方法，其特征在于，所述反应室为顶部开口的圆柱形；
反应室内容纳有红葡萄酒样品，且反应室的顶部开口被室盖封闭；
所述室盖朝向反应室内的底面上设有相向延伸的卷边；
相向延伸的卷边将反向硅胶板固定在室盖上。
5.根据权利要求1所述的一种葡萄酒产地及品牌的快速识别方法，其特征在于，所述步骤2)中的产地特征的获取过程包括：
在1Hz脉冲频率下，使用金、钨、钛和银电极对红葡萄酒样品进行产地特征采样；
在10Hz脉冲频率下，使用铂、金、钨、和钛电极对红葡萄酒样品进行产地特征采样；
在100Hz脉冲频率下，使用金、钛和银电极对红葡萄酒样品进行产地特征采样。
6.根据权利要求1所述的一种葡萄酒产地及品牌的快速识别方法，其特征在于，所述步骤2)中的品牌特征的获取过程包括：
在1Hz脉冲频率下，使用铂、金、钯、钨、钛和银电极对红葡萄酒样品进行品牌特征采样；
在10Hz脉冲频率下，使用金、钯、钛和银电极对红葡萄酒样品进行品牌特征采样；
在100Hz脉冲频率下，使用金和钛电极对红葡萄酒样品进行品牌特征采样，其中，采样结果中包括：金属电极脉冲电流最高值、最高值拐点、最低值、最低值拐点中的一种或组合。
7.根据权利要求1所述的一种葡萄酒产地及品牌的快速识别方法，其特征在于，所述步骤3)，包括：
采用主成分分析分别对红葡萄酒样品的气味特征及滋味特征进行降维和去相关处理，分别得到气味特征的主成分数据以及滋味特征的主成分数据；
将气味特征的前8个主成分与滋味特征的前3个主成分得分组合得到融合特征。
8.根据权利要求1所述的一种葡萄酒产地及品牌的快速识别方法，其特征在于，所述步骤4)中极限学习机模型的训练过程包括：
随机产生隐含层与输出层之间的连接权值和隐含层神经元阈值，得到极限学习机模型的连接权重矩阵：
以及神经元阈值矩阵/>
其中，wln为输入层第l个神经元与隐藏层第n个神经元之间的连接权重；bl为隐藏层第l个神经元的阈值；
计算网络输出矩阵T＝[t1,t2,…tQ]m×Q，其中tQ为第q个训练样本对应的输出矩阵；
利用公式，β＝H+T，求解输出层权值，其中，H隐含层输出矩阵为：
将输出矩阵的参数作为训练后的极限学习机的输出层权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010400408.3A CN111563558B (zh) | 2020-05-13 | 2020-05-13 | 一种葡萄酒产地及品牌的快速识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010400408.3A CN111563558B (zh) | 2020-05-13 | 2020-05-13 | 一种葡萄酒产地及品牌的快速识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111563558A CN111563558A (zh) | 2020-08-21 |
| CN111563558B true CN111563558B (zh) | 2023-03-28 |
Family
ID=72074647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010400408.3A Active CN111563558B (zh) | 2020-05-13 | 2020-05-13 | 一种葡萄酒产地及品牌的快速识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111563558B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112730643B (zh) * | 2020-12-07 | 2022-09-16 | 江苏大学 | 基于可视化融合技术表征腐乳风味的方法及装置 |
| CN113361610B (zh) * | 2021-06-10 | 2023-01-31 | 北方民族大学 | 葡萄酒产地智能识别方法及系统 |
| CN114295704B (zh) * | 2021-12-31 | 2023-11-14 | 杭州电子科技大学 | 一种基于特征参数提取的微浓度梯度溶液电化学测定方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8064722B1 (en) * | 2006-03-07 | 2011-11-22 | The United States Of America As Represented By The Secretary Of The Navy | Method and system for analyzing signal-vector data for pattern recognition from first order sensors |
| CN103196954B (zh) * | 2013-04-10 | 2015-08-26 | 江苏大学 | 一种基于嗅觉和味觉传感器信息融合的镇江香醋贮藏时间鉴别方法 |
| CN107389671A (zh) * | 2017-07-05 | 2017-11-24 | 江苏大学 | 一种可视化味觉、嗅觉融合传感器的制作方法 |
| CN108981800B (zh) * | 2018-06-25 | 2023-09-08 | 东北电力大学 | 一种利用神经动力学系统模型进行机器嗅-味联觉效应可视化的方法 |
| CN109781949A (zh) * | 2019-01-15 | 2019-05-21 | 江苏大学 | 一种基于视觉、嗅觉和味觉传感信息融合的茶叶原产地的判别方法 |
| CN110426366A (zh) * | 2019-08-13 | 2019-11-08 | 宿州学院 | 基于可视化嗅觉传感器及近红外的肉类掺假比例检测方法 |
-
2020
- 2020-05-13 CN CN202010400408.3A patent/CN111563558B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111563558A (zh) | 2020-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111563558B (zh) | 一种葡萄酒产地及品牌的快速识别方法 | |
| Legin et al. | Evaluation of Italian wine by the electronic tongue: recognition, quantitative analysis and correlation with human sensory perception | |
| Vlasov et al. | Nonspecific sensor arrays (" electronic tongue") for chemical analysis of liquids (IUPAC Technical Report) | |
| Sliwinska et al. | Food analysis using artificial senses | |
| Askim et al. | Optical sensor arrays for chemical sensing: the optoelectronic nose | |
| Di Natale et al. | Application of metalloporphyrins-based gas and liquid sensor arrays to the analysis of red wine | |
| Smyth et al. | Instrumental methods (spectroscopy, electronic nose, and tongue) as tools to predict taste and aroma in beverages: advantages and limitations | |
| Huang et al. | A novel technique for rapid evaluation of fish freshness using colorimetric sensor array | |
| Wei et al. | Technique potential for classification of honey by electronic tongue | |
| Wei et al. | Tracing floral and geographical origins of honeys by potentiometric and voltammetric electronic tongue | |
| CN101936912A (zh) | 一种基于嗅觉可视化检测鱼新鲜度的方法及装置 | |
| Legin et al. | Electronic tongues: sensors, systems, applications | |
| CN105241821A (zh) | 一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法 | |
| Huang et al. | Non-destructive evaluation of total volatile basic nitrogen (TVB-N) and K-values in fish using colorimetric sensor array | |
| Gutiérrez-Capitán et al. | Classification and characterization of different white grape juices by using a hybrid electronic tongue | |
| Titova et al. | " Electronic tongue" in the food industry | |
| CN110702815A (zh) | 一种面粉储存品质的嗅觉传感检测方法 | |
| US20210255109A1 (en) | Measuring device and pesticides measurement method for agricultural products | |
| Marx et al. | Sensory analysis using electronic tongues | |
| Gupta et al. | E-tongue: a tool for taste evaluation | |
| Yousefi-Nejad et al. | Electronic tongue as innovative instrument for detection of crocin concentration in saffron (Crocus sativus L.) | |
| Legin et al. | Electronic tongues: new analytical perspective for chemical sensors | |
| CN110426366A (zh) | 基于可视化嗅觉传感器及近红外的肉类掺假比例检测方法 | |
| CN109959653B (zh) | 一种基于仿生阵列传感器的植物提取液味觉测定方法 | |
| CN113267464B (zh) | 基于近红外结合比色传感器阵列来检测食用油中多组分重金属的方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |