CN112213302A - 一种啤酒定性判别方法 - Google Patents

一种啤酒定性判别方法 Download PDF

Info

Publication number
CN112213302A
CN112213302A CN202011057675.1A CN202011057675A CN112213302A CN 112213302 A CN112213302 A CN 112213302A CN 202011057675 A CN202011057675 A CN 202011057675A CN 112213302 A CN112213302 A CN 112213302A
Authority
CN
China
Prior art keywords
beer
olfactory
sensor array
iii
delta
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
Application number
CN202011057675.1A
Other languages
English (en)
Inventor
董建军
邹小波
尹花
黄晓玮
杨梅
翟晓东
胡淑敏
杨朝霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsingtao Brewery Co Ltd
Original Assignee
Tsingtao Brewery Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsingtao Brewery Co Ltd filed Critical Tsingtao Brewery Co Ltd
Priority to CN202011057675.1A priority Critical patent/CN112213302A/zh
Publication of CN112213302A publication Critical patent/CN112213302A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
    • G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
    • G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
    • G01N21/783—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour for analysing gases
    • 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
    • G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
    • 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
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
    • G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
    • G01N2021/775—Indicator and selective membrane
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Food Science & Technology (AREA)
  • Evolutionary Biology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Immunology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Computing Systems (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Plasma & Fusion (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By The Use Of Chemical Reactions (AREA)

Abstract

本发明提出一种啤酒定性判别方法，属于啤酒快速无损检测技术领域，能够解决传统品质评价方法存在的检测结果不准确、步骤繁琐、检测设备昂贵等问题。该技术方案包括：(1)图像信息采集：采用嗅觉可视化传感器阵列检测啤酒样品，并采集其与啤酒样品中挥发性成分反应前后的图像信息；(2)图像信息提取与计算：利用分析软件提取图像信息中每个传感器区域的R、G、B值的均值，并代入传感器响应信号计算公式中求出每个传感器的ΔR、ΔG和ΔB；(3)数据预处理：利用主成分分析对步骤；(2)所得数据进行预处理；(4)将预处理数据输入不同的判别分析模型中，以实现啤酒定性判别。本发明能够应用于啤酒快速无损检测方面。

Description

一种啤酒定性判别方法
技术领域
本发明属于啤酒快速无损检测技术领域，尤其涉及一种啤酒定性判别方法。
背景技术
啤酒品质评价方法主要包括人工感官评定法和理化检测法，其中人工感官评定法是一种最直接的评价方法，但该方法易受到嗅觉疲劳等因素的影响，难以快速、客观、准确的评价啤酒品质，而理化检测法又进一步包括气相色谱-质谱法和高效液相色谱法等，这些方法虽然能准确测定啤酒中的各项成分，但分析过程耗时且步骤较为繁琐。
目前，因电子鼻系统具有快速、无损检测等特点，所以能够实现食物气味成分的检测，而且其在酒类品质检测领域中的研究已有报道，但该系统仍存在价格昂贵等缺陷。因此，如何开发出一种操作简便、快速准确、且成本低廉的啤酒品质评价方法，对于实现啤酒定性判别而言具有重要意义。
发明内容
本发明针对传统啤酒品质评价方法的局限性，以及传统评价及检测方法的缺陷与不足，本发明提出一种啤酒定性判别方法，该方法是基于嗅觉可视化传感器阵列，结合化学计量学方法来实现啤酒定性判别的，具有操作简便、快速准确、成本低廉等特点。
为了达到上述目的，本发明采用的技术方案为：
一种啤酒定性判别方法，所述方法是基于嗅觉可视化传感器阵列，结合化学计量学方法来实现啤酒定性判别的，所述嗅觉可视化传感器阵列是通过将卟啉类化合物、酸碱指示剂和聚四氟乙烯薄膜复合制备得到的。
作为优选，所述方法按照如下步骤进行：
图像信息采集：采用所述嗅觉可视化传感器阵列检测啤酒样品，并获取嗅觉可视化传感器阵列与啤酒样品中挥发性成分反应前后的图像信息；
图像信息提取与计算：利用分析软件提取反应前后所述图像信息中每个传感器区域的R、G、B值的均值，并将其代入传感器响应信号计算公式(I)-(III)中，求出反应前后每个传感器的ΔR、ΔG和ΔB；
数据预处理：将嗅觉可视化传感器阵列中每个传感器的ΔR、ΔG和ΔB作为相关性变量，并采用主成分分析将所述相关性变量转换为线性不相关变量；
啤酒定性判别：将所述线性不相关变量输入不同的判别分析模型中，实现啤酒定性判别。
作为优选，所述嗅觉可视化传感器阵列是4×4、4×5、5×5或5×6的传感器阵列。
作为优选，所述卟啉类化合物具体选自5,10,15,20-四苯基卟啉、2,3,9,10,16,17,23,24-八(辛氧基)-29H,31H-酞菁、2,3,7,8,8,12,13,17,18-八乙基-21H,23H-卟吩氯化锰(III)、5,10,15,20-四苯基卟啉锌、5,10,15,20-四苯基-21H,23H-卟吩铜、5,10,15,20-四苯基-21H,23H-卟吩钴(II)、5,10,15,20-四(五氟苯基)-卟啉氯化铁(III)、5,10,15,20-四苯基-21H,23H-卟啉氯化铁(III)、5,10,15,20-四苯基-21H,23H-卟啉氯化锰(III)或5,10,15,20-四(4-甲氧苯基)-21H,23H-卟啉氯化铁(III)中的任意一种或多种的组合。
作为优选，所述酸碱指示剂具体选自中性红、亚甲基蓝、溴酚蓝、溴甲酚绿、溴甲酚紫、甲基红、百里酚蓝、甲基紫、水晶紫、乙基紫、孔雀石绿、甲基绿、甲酚红、刚果红、甲基橙、间苯二酚蓝、茜素红、氯酚红或茜素黄中的任意一种或多种的组合。
作为优选，采用所述嗅觉可视化传感器阵列检测所述啤酒样品的具体操作为：将嗅觉可视化传感器阵列与啤酒样品挥发性成分反应10～15min，且每个样本进行多次平行检测。
作为优选，所述多次平行检测具体是指不少于10次，所述分析软件为Matlab分析软件。
作为优选，所述传感器响应信号计算公式(I)-(III)具体为：
ΔR＝|Ra-Rb| (I)；
ΔG＝|Ga-Gb| (II)；
ΔB＝|Ba-Bb| (III)；
式(I)-(III)中，ΔR、ΔG和ΔB分别为反应前后每个传感器R、G、B均值差值的绝对值，Ra、Ga和Ba分别为反应前的每个传感器R、G、B均值，Rb、Gb和Bb分别为反应后的每个传感器R、G、B均值。
作为优选，所述啤酒定性判别步骤具体是指：以线性不相关变量作为模型的输入变量，以每个样品对应的类别作为模型的输出变量。
作为优选，所述判别分析模型包括KNN模型和LDA模型。
与现有技术相比，本发明的优点和积极效果在于：
本发明提出一种啤酒定性判别方法，该方法是基于嗅觉可视化传感器阵列，结合化学计量学方法来实现啤酒定性判别，能够快速、准确的实现啤酒定性判别，既可以克服传统理化分析及人工感官品评的局限性，还能克服传统检测仪器设备成本高的局限性。
附图说明
图1为本发明实施例所提供的嗅觉可视化传感器阵列与不同啤酒反应前后的颜色差值图像；
图2为本发明实施例所提供嗅觉可视化传感器阵列前三个主成分投影图；
图3为本发明实施例所提供的不同种类啤酒的KNN模型的(a)校正集和(b)预测集结果示意图；
图4为本发明实施例所提供的不同种类啤酒的LDA模型结果图；
图5为本发明实施例所提供的嗅觉可视化传感器阵列示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
本发明实施例提供了一种啤酒定性判别方法，所述方法是基于嗅觉可视化传感器阵列，结合化学计量学方法来实现啤酒定性判别的，所述嗅觉可视化传感器阵列是通过将卟啉类化合物、酸碱指示剂和聚四氟乙烯薄膜复合制备得到的。
在上述技术方案中，嗅觉可视化传感器阵列的工作原理为：嗅觉可视化传感器与待测分子之间可以通过范德华力、氢键等作用力，以及金属键、极性键等较强化学反应产生信号，相比于GC-MS和HPLC，该嗅觉可视化传感器阵列具有检测速度快、成本低等优势，因此，基于该传感器阵列的工作原理，由于啤酒中含有各种酯、高级醇、醛、有机酸和硫化物等挥发性化合物，而不同啤酒挥发性成分具有一定的差异，因此这些挥发性物质可作为其特异性识别分子。
进一步的，该嗅觉可视化传感器阵列具体采用了多种具有较强响应信号的色敏材料制成的，为了提高本发明所述判别方法的精确度，也对色敏材料的选择标准进行了限定，具体为：1)该物质必须能与大多数的气体分子产生化学反应，且这种反应的能量要大于物理吸附的范德华力；2)该物质还应具有显色基团，与气体分子反应时能呈现颜色的变化。
基于上述选择标准，本发明选出了几种卟啉类化合物和酸碱指示剂作为本发明所述嗅觉可视化传感器阵列的色敏材料。其中，卟啉类化合物具体选自5,10,15,20-四苯基卟啉、2,3,9,10,16,17,23,24-八(辛氧基)-29H,31H-酞菁、2,3,7,8,8,12,13,17,18-八乙基-21H,23H-卟吩氯化锰(III)、5,10,15,20-四苯基卟啉锌、5,10,15,20-四苯基-21H,23H-卟吩铜、5,10,15,20-四苯基-21H,23H-卟吩钴(II)、5,10,15,20-四(五氟苯基)-卟啉氯化铁(III)、5,10,15,20-四苯基-21H,23H-卟啉氯化铁(III)、5,10,15,20-四苯基-21H,23H-卟啉氯化锰(III)或5,10,15,20-四(4-甲氧苯基)-21H,23H-卟啉氯化铁(III)中的任意一种或多种的组合；
酸碱指示剂具体选自中性红、亚甲基蓝、溴酚蓝、溴甲酚绿、溴甲酚紫、甲基红、百里酚蓝、甲基紫、水晶紫、乙基紫、孔雀石绿、甲基绿、甲酚红、刚果红、甲基橙、间苯二酚蓝、茜素红、氯酚红或茜素黄中的任意一种或多种的组合。可以理解的是，本发明所选的卟啉类化合物和酸碱指示剂并不仅仅局限于上述几种类型，在实际操作过程中依据实际所需选择适宜的卟啉类化合物和酸碱指示剂作为色敏材料都是可行的。
更进一步的，结合上述方法及标准选出的色敏材料制备得到了4×4的嗅觉可视化传感器阵列，其具体方法如下：
(1)将聚四氟乙烯薄膜裁剪成3cm×3cm的正方形基底材料备用；
(2)卟啉类化合物溶解于氯苯中，酸碱指示剂溶解于无水乙醇中，两种溶液的浓度均为0.05mol/L，超声50min后，置于阴凉黑暗处保存备用；
(3)使用100mm×0.3mm(长×直径)的毛细管作为微量取样器，金属卟啉溶液以及酸碱指示剂溶液逐一点样在聚四氟乙烯薄膜上，形成4×4的传感器阵列，制作完成的传感器阵列置于通风橱中自然风干，风干完成后迅速置于黑暗的充满氮气的密封环境中保存。
在一优选实施例中，所述方法按照如下步骤进行：
S1、图像信息采集：采用所述嗅觉可视化传感器阵列检测啤酒样品，并获取嗅觉可视化传感器阵列与啤酒样品中挥发性成分反应前后的图像信息；
在S1步骤中，提到的啤酒样品中挥发性成分主要包括各种酯、高级醇、醛、有机酸和硫化物等挥发性化合物，因不同类型的啤酒中挥发性成分有所不同，所以本发明并未对挥发性成分进行具体限定。
S2、图像信息提取与计算：利用分析软件提取反应前后所述图像信息中每个传感器区域的R、G、B值的均值，并将其代入传感器响应信号计算公式(I)-(III)中，求出反应前后每个传感器的ΔR、ΔG和ΔB；
在S2步骤中，提到的每个传感器区域的R、G、B值具体是指在该传感器阵列上每个传感器区域都有R、G、B三个颜色分量，其中R是指红(red)，G是指绿(green)，B是指蓝(blue)，通过将反应前后所述图像信息中每个传感器区域的R、G、B值的均值代入传感器响应信号公式，就能够得出不同类型啤酒的传感器响应特征。
S3、数据预处理：将嗅觉可视化传感器阵列中每个传感器的ΔR、ΔG和ΔB作为相关性变量，并采用主成分分析将所述相关性变量转换为线性不相关变量；
在S3步骤中，本发明提供的嗅觉可视化传感器阵列以4×4为例进行具体说明，因每个嗅觉可视化传感器阵列有16个传感色素点，而每个色素点拥有ΔR、ΔG和ΔB这3个颜色变量，因此每个嗅觉可视化阵列的变量个数为48，利用主成分分析将上述可能存在相关性的变量转换为线性不相关的变量，在对变量进行降维的同时，也尽可能多地保留了原始变量特征。
S4、啤酒定性判别：将所述线性不相关变量输入不同的判别分析模型中，实现啤酒定性判别。
在S4步骤中提到的判别分析模型包括KNN模型和LDA模型。其中，KNN模型是通过对距离度量函数计算出待测样本x与每个预测样本集数据的距离，并对计算出的距离进行排序。如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN模型以主成分分析的分向量(即线性不相关变量)作为输入向量，每个样品对应的类别作为输出向量，采用不同的主成分数和K值对模型进行优化，优化结果的优劣以校正集的最高识别率作为判断依据。例如按照2：1的比例将120个啤酒样品随机分为校正集组(80个)和预测集组(40个)。选取了前10个主成分数和9个参数K值用来对KNN模型进行同步优化。
LDA模型则与PCA类似，LDA也是一种降维方法，其基本思想为将多维数据投影到低维空间，将不同组的数据尽可能分开，使得新的组有最大的组间距离和最小的组内距离，LDA同样以主成分分析的分向量(即线性不相关变量)作为模型的输入变量，每个样品对应的类别作为输出变量。
在一优选实施例中，所述嗅觉可视化传感器阵列是4×4、4×5、5×5或5×6的传感器阵列，可以理解的是，本发明所涉及的嗅觉可视化传感器阵列的类型并不仅局限于上述几种类型，在实际检测过程中可根据实际检测需求制备相应的阵列类型都是可行的。
在一优选实施例中，采用所述嗅觉可视化传感器阵列检测所述啤酒样品的具体操作为：将嗅觉可视化传感器阵列与啤酒样品挥发性成分反应10～15min，且每个样本进行多次平行检测。
在一优选实施例中，所述多次平行检测具体是指不少于10次，所述分析软件为Matlab分析软件。
在一优选实施例中，所述传感器响应信号计算公式(I)-(III)具体为：
ΔR＝|Ra-Rb| (I)；
ΔG＝|Ga-Gb| (II)；
ΔB＝|Ba-Bb| (III)；
式(I)-(III)中，ΔR、ΔG和ΔB分别为反应前后每个传感器R、G、B均值差值的绝对值，Ra、Ga和Ba分别为反应前的每个传感器R、G、B均值，Rb、Gb和Bb分别为反应后的每个传感器R、G、B均值。
在一优选实施例中，所述啤酒定性判别步骤具体是指：以线性不相关变量作为模型的输入变量，以每个样品对应的类别作为模型的输出变量。
为了更清楚详细地介绍本发明实施例所提供的一种啤酒定性判别方法，下面将结合具体实施例进行描述。
对比例1
本对比例提供了一种电子舌对啤酒的区分识别方法，具体方法如下：
(1)采用电子舌对不同品牌啤酒的混合样品进行识别检测，得到检测数据；
(2)对上述检测数据进行主成分分析、判别因子分析和偏最小二乘回归分析，以识别混合样品中的不同啤酒品牌。
实施例1
本实施例提供了一种啤酒定性判别方法，具体内容如下：
1.1啤酒样品选择：由青岛啤酒有限公司提供的8种不同类型的啤酒样品，分别为纯生、1903、奥古特、白啤、黑啤、皮尔森、IPA和Strong，所使用的啤酒均产自同一批次，收集到的样本置于4℃的冰箱中密封冷藏保存，其度数、苦味质和色度参数等如下表所示：
表1 8种不同类型的青岛啤酒样品参数统计
Figure BDA0002711303250000081
1.2嗅觉可视化传感器阵列
本实施例选用4×4的传感器阵列进行相关实验；
1.3啤酒定性判别方法，其具体步骤如下：
(1)图像信息采集：采用嗅觉可视化传感器阵列对上述8个不同类型的啤酒样品进行15次平行测试，并获取嗅觉可视化传感器阵列与啤酒样品中挥发性成分反应前后的图像信息，传感器与不同啤酒反应前后的颜色差值图像如图1所示；
(2)图像信息提取与计算：通过Matlab2018软件提取传感器阵列上每个传感器区域的R、G、B值的平均值，并将其代入传感器响应信号计算公式(I)-(III)中，求出反应前后每个传感器的ΔR、ΔG和ΔB，其中，计算公式(I)-(III)如下所示：
ΔR＝|Ra-Rb| (I)；
ΔG＝|Ga-Gb| (II)；
ΔB＝|Ba-Bb| (III)；
式(I)-(III)中，ΔR、ΔG和ΔB分别为反应前后每个传感器R、G、B均值差值的绝对值，Ra、Ga和Ba分别为反应前的每个传感器R、G、B均值，Rb、Gb和Bb分别为反应后的每个传感器R、G、B均值；
(3)数据预处理：将嗅觉可视化传感器阵列中每个传感器的ΔR、ΔG和ΔB作为相关性变量，并采用主成分分析中的正交变换将所述相关性变量转换为线性不相关变量；
(4)啤酒定性判别：将所述线性不相关变量分别输入KNN模型和LDA模型判别分析模型中，实现啤酒定性判别(具体是以线性不相关变量作为模型的输入变量，以每个样品对应的类别作为模型的输出变量)。
1.4结果与分析：
图1为嗅觉可视化传感器阵列与不同啤酒反应前后的颜色差值图像，从该图中可以看出不同色素与不同的啤酒样品反应后呈现出不同程度的颜色变化。其中，Strong啤酒的传感器阵列颜色变化值与其他7种呈现出明显的不同，这与其质量指标含量均最高的特征一致。
图2为嗅觉可视化传感器阵列前三个主成分投影图，每个嗅觉可视化传感器阵列有16个传感色素点，而每个色素点拥有ΔR、ΔG和ΔB这3个颜色变量，因此每个嗅觉可视化阵列的变量个数为48。PCA通过正交变换对可能存在相关性的变量转换为线性不相关的变量，在对变量进行降维的同时，也尽可能多地保留了原始变量特征，从该图中可以发现8种不同种类的啤酒大体上能被清晰地区分开。前3个主成分方差贡献率的之和为66.60％。但是奥古特、纯生和1903啤酒在图中的离散程度相对于其他样品较低。可能是因为这三种啤酒均为Lager啤酒，只是在配方、酵母和制作工艺上略有差别。此外，IPA和黑啤的点阵与其他点阵分隔明显较远。可能是由于IPA由于采用了特种麦芽和特种酵母从而比其他啤酒具有更佳浓郁的酒花香气；而黑啤中添加了黑麦芽和焦香麦芽等，其风味较其他啤酒有着明显的不同。
图3为不同种类啤酒的KNN模型的(a)校正集和(b)预测集结果，KNN模型通过对距离度量函数计算出待测样本x与每个预测样本集数据的距离，并对计算出的距离进行排序。如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN模型以主成分分析的分向量作为输入向量，每个样品对应的类别作为输出向量，采用不同的主成分数和K值对模型进行优化，优化结果的优劣以校正集的最高识别率作为判断依据。按照2：1的比例将120个啤酒样品随机分为校正集组(80个)和预测集组(40个)。选取了前10个主成分数和9个参数K值用来对KNN模型进行同步优化，结果如图4所示。当参数K为7，主成分数为10时，校正集的识别率达到了92.5％，预测集的识别率达到了87.5％。
图4为不同种类啤酒的LDA模型结果图，与PCA类似，LDA也是一种降维方法。其基本思想为将多维数据投影到低维空间，将不同组的数据尽可能分开，使得新的组有最大的组间距离和最小的组内距离[24]。LDA同样以主成分分析的分向量作为模型的输入变量，每个样品对应的类别作为输出变量。如图4所示，当主成分因子从1逐渐上升时，校正集和预测集模型的识别率逐渐上升；而当主成分数超过3时校正集和预测集的识别率有所下降。当主成分数为3时，预测集和校正集的识别率都达到最高，均为100％。出现这一情况的原因可能是当主成分数较小时，数据量不足以对样本做最为精确的分类；当主成分数超过3并逐渐增加时，出现了冗余信息，因此识别率降低。因此，主成分数为3时，能够取得最佳预测效果。
由此可见，KNN模型和LDA模型都能够对不同的青岛啤酒进行定性区分。其中LDA模型所选用的主成分数比KNN少，而识别率更高。
实施例2
本实施例提供了一种嗅觉可视化传感器阵列的制备方法，其实验材料及具体方法如下：
实验材料：选取了具有较强响应信号的9种卟啉类化合物以及7种酸碱指示剂，制备成4×4的嗅觉可视化传感器阵列。16种色敏材料如表2所示：
表2嗅觉可视化传感器材料的编号及其名称
Figure BDA0002711303250000111
Figure BDA0002711303250000121
嗅觉可视化传感器阵列制备方法如下：
(1)将聚四氟乙烯薄膜裁剪成3cm×3cm的正方形基底材料备用。
(2)卟啉以及卟啉类化合物溶解于氯苯中，酸碱指示剂溶解于无水乙醇中。两种溶液的浓度均为0.05mol/L，超声50min后，置于阴凉黑暗处保存备用。
(3)使用100mm×0.3mm(长×直径)的毛细管作为微量取样器。将金属卟啉溶液以及酸碱指示剂溶液逐一点样在聚四氟乙烯薄膜上，形成4×4的传感器阵列，制作完成的传感器阵列置于通风橱中自然风干，风干完成后迅速置于黑暗的充满氮气的密封环境中保存。制作的嗅觉可视化传感器阵列如图5所示。
将上述实施例与对比例比对后发现，采用电子舌对啤酒进行定性区分的方法，具有灵敏度高等优点，但由于该检测设备价格昂贵，使得其在食品等领域的普及受限，而本发明所涉及的检测方法基于嗅觉可视化传感器阵列，结合化学计量学方法来实现啤酒定性判别，能够快速、准确的实现啤酒定性判别，既可以克服传统理化分析及人工感官品评的局限性，还能克服传统检测仪器设备成本高的局限性，在食品检测等领域具有广阔的应用前景。

Claims (10)

1.一种啤酒定性判别方法，其特征在于，所述方法是基于嗅觉可视化传感器阵列，结合化学计量学方法来实现啤酒定性判别的，所述嗅觉可视化传感器阵列是通过将卟啉类化合物、酸碱指示剂和聚四氟乙烯薄膜复合制备得到的。
2.根据权利要求1所述的啤酒定性判别方法，其特征在于，所述方法按照如下步骤进行：
图像信息采集：采用所述嗅觉可视化传感器阵列检测啤酒样品，并获取嗅觉可视化传感器阵列与啤酒样品中挥发性成分反应前后的图像信息；
图像信息提取与计算：利用分析软件提取反应前后所述图像信息中每个传感器区域的R、G、B值的均值，并将其代入传感器响应信号计算公式(I)-(III)中，求出反应前后每个传感器的ΔR、ΔG和ΔB；
数据预处理：将嗅觉可视化传感器阵列中每个传感器的ΔR、ΔG和ΔB作为相关性变量，并采用主成分分析将所述相关性变量转换为线性不相关变量；
啤酒定性判别：将所述线性不相关变量输入不同的判别分析模型中，实现啤酒定性判别。
3.根据权利要求2所述的啤酒定性判别方法，其特征在于，所述嗅觉可视化传感器阵列是4×4、4×5、5×5或5×6的传感器阵列。
4.根据权利要求1所述的啤酒定性判别方法，其特征在于，所述卟啉类化合物具体选自5,10,15,20-四苯基卟啉、2,3,9,10,16,17,23,24-八(辛氧基)-29H,31H-酞菁、2,3,7,8,8,12,13,17,18-八乙基-21H,23H-卟吩氯化锰(III)、5,10,15,20-四苯基卟啉锌、5,10,15,20-四苯基-21H,23H-卟吩铜、5,10,15,20-四苯基-21H,23H-卟吩钴(II)、5,10,15,20-四(五氟苯基)-卟啉氯化铁(III)、5,10,15,20-四苯基-21H,23H-卟啉氯化铁(III)、5,10,15,20-四苯基-21H,23H-卟啉氯化锰(III)或5,10,15,20-四(4-甲氧苯基)-21H,23H-卟啉氯化铁(III)中的任意一种或多种的组合。
5.根据权利要求1所述的啤酒定性判别方法，其特征在于，所述酸碱指示剂具体选自中性红、亚甲基蓝、溴酚蓝、溴甲酚绿、溴甲酚紫、甲基红和百里酚蓝、甲基紫、水晶紫、乙基紫、孔雀石绿、甲基绿、甲酚红、刚果红、甲基橙、间苯二酚蓝、茜素红、氯酚红或茜素黄中的任意一种或多种的组合。
6.根据权利要求2所述的啤酒定性判别方法，其特征在于，采用所述嗅觉可视化传感器阵列检测啤酒样品的具体操作为：将嗅觉可视化传感器阵列与啤酒样品挥发性成分反应10～15min，且每个样本进行多次平行检测。
7.根据权利要求6所述的啤酒定性判别方法，其特征在于，所述多次平行检测具体是指不少于10次，所述分析软件为Matlab分析软件。
8.根据权利要求2所述的啤酒定性判别方法，其特征在于，所述传感器响应信号计算公式(I)-(III)具体为：
ΔR＝|Ra-Rb| (I)；
ΔG＝|Ga-Gb| (II)；
ΔB＝|Ba-Bb| (III)；
式(I)-(III)中，ΔR、ΔG和ΔB分别为反应前后每个传感器R、G、B均值差值的绝对值，Ra、Ga和Ba分别为反应前的每个传感器R、G、B均值，Rb、Gb和Bb分别为反应后的每个传感器R、G、B均值。
9.根据权利要求2所述的啤酒定性判别方法，其特征在于，所述啤酒定性判别步骤具体是指：以线性不相关变量作为模型的输入变量，以每个样品对应的类别作为模型的输出变量。
10.根据权利要求9所述的啤酒定性判别方法，其特征在于，所述判别分析模型包括KNN模型和LDA模型。
CN202011057675.1A 2020-09-30 2020-09-30 一种啤酒定性判别方法 Pending CN112213302A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011057675.1A CN112213302A (zh) 2020-09-30 2020-09-30 一种啤酒定性判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011057675.1A CN112213302A (zh) 2020-09-30 2020-09-30 一种啤酒定性判别方法

Publications (1)

Publication Number Publication Date
CN112213302A true CN112213302A (zh) 2021-01-12

Family

ID=74051546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011057675.1A Pending CN112213302A (zh) 2020-09-30 2020-09-30 一种啤酒定性判别方法

Country Status (1)

Country Link
CN (1) CN112213302A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113484309A (zh) * 2021-06-28 2021-10-08 安徽农业大学 一种高光谱耦合纳米化比色传感器监测红茶发酵程度的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101936912A (zh) * 2010-08-25 2011-01-05 江苏大学 一种基于嗅觉可视化检测鱼新鲜度的方法及装置
CN102967597A (zh) * 2012-09-26 2013-03-13 江苏大学 一种基于嗅觉成像传感技术的黄酒酒龄鉴别方法和鉴别系统
CN109406500A (zh) * 2018-09-30 2019-03-01 江苏大学 一种基于嗅觉可视化阵列的腊肠快速分级方法
CN110702815A (zh) * 2019-10-29 2020-01-17 江苏大学 一种面粉储存品质的嗅觉传感检测方法
US20200200724A1 (en) * 2017-08-30 2020-06-25 Guangdong University Of Technology Method for detecting and identifying toxic and harmful gases based on machine olfaction

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101936912A (zh) * 2010-08-25 2011-01-05 江苏大学 一种基于嗅觉可视化检测鱼新鲜度的方法及装置
CN102967597A (zh) * 2012-09-26 2013-03-13 江苏大学 一种基于嗅觉成像传感技术的黄酒酒龄鉴别方法和鉴别系统
US20200200724A1 (en) * 2017-08-30 2020-06-25 Guangdong University Of Technology Method for detecting and identifying toxic and harmful gases based on machine olfaction
CN109406500A (zh) * 2018-09-30 2019-03-01 江苏大学 一种基于嗅觉可视化阵列的腊肠快速分级方法
CN110702815A (zh) * 2019-10-29 2020-01-17 江苏大学 一种面粉储存品质的嗅觉传感检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
侯长军等: "基于液体阵列味觉仿生传感器鉴别白酒香型的新方法", 《高等学校化学学报》 *
霍丹群等: "基于可视化传感阵列的葡萄酒产地鉴别方法", 《分析试验室》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113484309A (zh) * 2021-06-28 2021-10-08 安徽农业大学 一种高光谱耦合纳米化比色传感器监测红茶发酵程度的方法

Similar Documents

Publication Publication Date Title
CN103134850B (zh) 一种基于特征香气的茶叶品质快速检测方法
CN109406500A (zh) 一种基于嗅觉可视化阵列的腊肠快速分级方法
CN110702815A (zh) 一种面粉储存品质的嗅觉传感检测方法
CN102967597A (zh) 一种基于嗅觉成像传感技术的黄酒酒龄鉴别方法和鉴别系统
Baumes et al. Fluorimetric detection and discrimination of α-amino acids based on tricyclic basic dyes and cucurbiturils supramolecular assembly
CN109781918B (zh) 一种不同企业生产的黄酒的气相离子迁移谱鉴别方法
CN103645182A (zh) 一种采用电子舌系统鉴定白酒香型的方法
Yang et al. Rapid discrimination of beer based on quantitative aroma determination using colorimetric sensor array
Li et al. New application of old methods: Development of colorimetric sensor array based on Tollen’s reagent for the discrimination of aldehydes based on Tollen’s reagent
CN112730399A (zh) 基于纳米材料-有机染料比色传感阵列快速检测白酒的方法
Wang et al. pH indicator-based sensor array in combination with hyperspectral imaging for intelligent evaluation of withering degree during processing of black tea
Lin et al. Quantitative analysis of volatile organic compound using novel chemoselective response dye based on Vis-NIRS coupled Si-PLS
CN112213303A (zh) 一种啤酒关键品质指标的快速检测方法
CN106018392A (zh) 一种新型的食醋醋龄快速检测方法
CN112213302A (zh) 一种啤酒定性判别方法
CN114384064B (zh) 一种基于印迹MOFs探针高灵敏快速检测农残的方法
CN113324987B (zh) 一种检测芝麻油掺假的方法
CN106083645A (zh) 一种铁离子荧光探针化合物及其制备方法和应用
CN112730643B (zh) 基于可视化融合技术表征腐乳风味的方法及装置
CN110793929A (zh) 一种基于多酶抑制的农药残留检测和区分方法
Wu et al. A novel organic acids-targeted colorimetric sensor array for the rapid discrimination of origins of Baijiu with three main aroma types
CN116678874A (zh) 一种定量监测红茶发酵特征挥发性化合物的方法
US20240230542A1 (en) Method for highly-sensitive and rapid detection of pesticide residue based on imprinted metal-organic framework probe
CN114878563A (zh) 基于4-氨基安替吡啉、芳香酚和铜离子的有机小分子、白酒鉴别方法及比色阵列传感器
CN110186901A (zh) 快速检测有色酒的酒精度的方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210112

RJ01 Rejection of invention patent application after publication