面向肉类新鲜度检测的可视化机器嗅觉系统的设计

　　摘要：为了实现对肉类新鲜度的评价，提出一种基于LabVIEW和气体传感器阵列的可视化机器嗅觉系统。该系统采用6种金属氧化物气体传感器组成阵列，由传感器阵列和密封气室、电磁阀和微型气泵等构成气体采集装置，通过气体采集装置、信号调理电路和数据采集卡实现对信号的采集。利用LabVIEW开发上位机软件，完成对数据的预处理、特征选择和特征提取等环节的可视化，最终实现对肉类新鲜度的无损检测。试验结果表明，基于可视化机器嗅觉系统可以有效区分不同存储条件下的猪肉新鲜度，且系统各传感器的变化规律与理化指标判断结果一致，表明该系统具有可行性和适用性。

　　关键词 气体传感器阵列；新鲜度；机器嗅觉；LabVIEW

　　随着人们对物质生活要求的逐渐提高，食品的质量和安全成为大众在日常生活中关注的重要问题。试验证明长时间储藏时，由于肉类食品自身酶的分解或各种微生物的污染，会使肉体发生变质，从而慢慢地挥发出具有腐败特征的气体，如含硫产物、氨气、胺、硫产物、醇类等混合气体，从而新鲜度等级不断下降，如若食用品质较差甚至腐败的肉类，其后果很严重。

　　传统的肉类食品品质检测方法一般分为感官检测、化学检测、物理检测和微生物检测等。感官检测主要是专业人员通过观察肉类表面的颜色、肌肉组织、纹理等要素给出评定，结果不易量化，存在片面性和主观性；化学检测周期较长且步骤繁琐，很难在现场快速检测，更为重要的是对样品具有破坏性；物理检测运用气质联用技术得到精确的数据，但检测周期长且无法显示整体信息；微生物检测常采用的方法是测定细菌总数和大肠菌群近似数，是以肉类中的微生物数量来说明污染状况及其腐败变质程度的，该方法执行简便，但耗时较长，因此在部分场所环境下并不适用。

　　随着计算机技术的发展，机器嗅觉系统已在食品、医药和农业等行业得到了广泛应用。试验设计了一种基于气体传感器阵列和LabVIEW的机器嗅觉系统，该系统通过采集肉体变质过程中挥发性气体实现对肉类产品新鲜度的检测，可以实现检测的无损化、精准化、无接触化、智能化等多元化目的。

　　试验设计的机器嗅觉系统硬件主要包括气体采样系统、信号调理和采集系统，其中气体采样系统是机器嗅觉硬件系统中重要的组成部分，其目的是收集样品的挥发性气体并传送到传感器阵列中，采样过程的好坏直接影响传感器响应的信号。

　　目前机器嗅觉使用的气体采样方法主要有微量注射法、静态顶空法和动态顶空法。由于静态顶空法分析效果好，且减小人为的操作误差，因此试验选了此方法采集肉类挥发性物质，设计的气体采样系统如图1所示。

　　从图1可知：该系统包括密封气室、与气体接触反应的金属半导体气敏传感器阵列、固定传感器阵列的电路板、气体流通的管道、切换采样气体与零气通道的三通电磁阀、抽取气体的真空气泵、滤除固体微颗粒的过滤器、用于气路和气室入出口转换的软管接头以及气室内部用于强化密封性能的密封圈。若将两进一出三通电磁阀上电，待测肉品挥发出的特征气味在真空气泵的带动下，通过聚四氟乙烯材质的软管通道进入密闭气室内，特征气味通过与密闭气室内部嵌的传感器阵列反应获得响应值。超过采样时间后，将电磁阀断电，即为接通洗气通道，洁净空气进入气室内，这时传感器开始进入解吸附过程，气室出口处连接的另一真空气泵上电工作，将残余的样本气体快速抽出，直至传感器阵列的响应曲线恢复到起初的基准值。

　　气体传感器阵列是气体采集系统的重要组成部分，选择合适的传感器，可以提高检测系统的性能。以猪肉为例，猪肉在储藏过程中散发出的气体成分包含硫化氢、硫醇、硫醚、氨气、甲烷和二氧化碳等腐败气体，因此试验选取了6个气敏传感器MQ135、MQ136、MQ138、TGS822、TGS826和TGS832，可以测量出氨气、硫化物、酮类、醇类、脂类和醛类等挥发性气体。而且将所有的传感器放置在同一横截面，这样能够保证每个传感器感受到的气体浓度大小差异不会太大，排列格局也可以保证每个传感器周围的气体流速相同。

　　为了提高机器嗅觉系统下限，可对微弱的检测信号进行放大。对于所采集的信号容易受到环境噪声的干扰，同时采用滤波进行杂波消除，提高采集信号的精确度。该设计采用LM324运算放大器将检测信号进行放大和滤波，其电路如图2所示。

　　图2中外接电阻R1和R3的阻值共同决定了放大器电压放大倍数，具体放大倍数如式（1）所示。

　　
式中：C2——滤波电容，可滤除环境中的一些噪声。

图2　信号调理的电路图

　　信号采集主要通过数据采集卡模块实现，试验选用的是美国NI公司生产的型号为NI ELVIS的数据采集卡，其有AI0-AI7八路模拟电压采集口对传感器经过信号调理电路处理后的电压进行采集。

　　机器嗅觉系统的上位机采用LabVIEW语言编写，根据系统的需求编写了登录模块、数据采集模块、数据预处理模块和数据分析模块这4个子模块。

　　登录模块设有用户名和密码，便于用户对软件进行管理，同时也能够保障用户的信息安全，其Lab-VIEW设计的程序结构图如图3所示。

图3　登录界面程序设计图

　　信号采集模块主要是设置数据采集卡中的参数，包括输入通道、输入接线端配置、工作方式和采集时间等，LabVIEW编写的程序如图4所示。通过图4的设计程序，实时采集六路传感器的响应值，且每路响应值对应一个波形，同时这些数据以列的形式保存到Excel表格中。

图4　信号采集模块程序设计图

　　该模块是对采集的信号进行预处理，由于试验过程中采集到的是传感器阵列瞬态特性，这些数据在应用前需要进行相应的预处理，其中有均值滤波、基线处理及异常数据的剔除等，其设计的LabVIEW程序分别如图5～图7所示。

图5　均值滤波程序设计图

　　由于硬件电路的干扰，传感器采集信号时不可避免会存在一些扰动，故试验通过均值滤波算法来减少这些波动，具体如图5所示。基线处理算法可以有效补偿传感器的漂移、消除噪声信号。但是最小的电压信号并不一定会出现在起始位置，试验采用差分法来实现基线处理。由图6可知，先将每一行的数据索引出来，再索引出其最小值，用原来的数组与最小值做差，即得到基线处理后的新数组。在进行特征选择或特征提取前，还需要剔除异常的数据，这一过程也直接影响后续分类的精度。图7采用的剔除异常数据方法是3σ准则，该准则简单实用。

　　2.4  数据分析模块

　　数据分析模块是实现样本新鲜度分类的最终环节，主要包括特征选择和特征提取。特征选择是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，该环节是特征提取准确性和稳定性的关键。特征提取是将多维样本特征值通过数学变换的方法映射到低维空间，常见的有线性与非线性降维分析法。特征选择环节试验采用Wrapper方法，编写的程序如图8所示。

图8　特征选择程序设计图

　　图8设计的特征选择包含传感器的稳态值和瞬时值两方面特征，其中稳态值反映样本气味的浓度信息，瞬时值是从传感器响应曲线与时间变量相关的信息选择，这种特征选择方法可以有效避免样本特征信息丢失。

　　特征提取的方法有很多，常用的传统线性降维分析法有主成分分析法（PCA）和线性判别分析法（LDA）。由于采集数据使用的是金属氧化物半导体传感器，那么所获取的信息在一定程度上是非线性的，在PCA的基础上添加非线性的核函数即核主成分分析法（KPCA），利用它进行对比分析。

　　2.4.1　基于LabVIEW的PCA算法实现流程

　　PCA利用组合特征的方法处理多维数组，从而实现降维。设X1，X2，X3，…，X6为6个传感器的原始变量，F1，F2，…，Fm为m个主成分所对应的因子，其中Var (F1)的值越大，表示因子F1中包含相对较多的信息量，因此称F1为第一主成分。具体如公式（2）所示。

　　式（2）中Fi与Fj两两互不相关，且任意两个因子之间协方差为0，F1，F2，…，Fm按照次序分别为原变量所构成的线性组合的第1、第2、…、第m个主成分，具体运算步骤如下所示：

　　①计算原始变量的协方差矩阵S：

　　②求协方差矩阵S的特征值λ和所对应的单位化、正交化的特征向量。

　　③选择主成分。通过方差累计贡献率G(m)来选择对应的主成分，如公式（4）所示。

　　根据上述流程编写LabVIEW程序如图9所示。

图9　PCA算法程序设计图

　　2.4.2  基于LabVIEW的KPCA算法实现流程

　　KPCA的基本思想是基于核函数原理将输入空间投影到高维特征空间，然后在高维特征空间中对映射数据做主成分分析，相对于主成分分析而言，核主成分分析引入了非线性特性的核函数，从而大大的增强了非线性数据的处理能力，它能够充分利用待处理对象的非线性特征。假设原始数据空间是m×n的数据，其中m是样本个数，n为传感器个数，KPCA的运算流程如下。

　　① 首先选定KPCA中所用到的高斯径向基核函数且令σ=1，核矩阵K的计算公式如（5）所示。
       

　　② 对核矩阵K进行归一化：
       

　　③计算核矩阵K的特征值λ1，…，λn及每个特征值所对应的特征向量V1，…，Vn，将特征值进行降序排列得到λ1＞…＞λn，调整相应特征值所对应的特征向量V1，…，Vn，得到核矩阵K在特征向量上的投影：
       

　　根据上述流程编写LabVIEW程序如图10所示。

图10　KPCA算法程序设计图

　　3  试验与结果分析

　　以第2章构建的机器嗅觉系统为基础，以猪肉为试验对象，对不同存储天数的样品进行气味检测试验，并以国际唯一肉品理化指标（挥发性盐基氮）为参照标准，对实现猪肉新鲜度等级评判，具体试验详情如下。

　　3.1  挥发性盐基氮（TVB-N）测试试验

　　从常熟市金仓集贸市场购买刚屠宰猪肉，快速运至实验室，在洁净的工作台上处理后，一部分储藏在4℃的冰箱中，另一部分放置在22℃左右的室温下，每天各取出适量平行样本用于TVB-N检测。首先每种猪肉设置5个平行样本，每个平行样本为3g，试验参照GB 2707—2005国标，按半微量定氮法测定TVB-N，试验结果以百克肉中含有多少毫克氮计量，图11是不同储藏条件下每天所得数据的平均值绘制的变化趋势图。

　　根据国标GB 2707—2005可知，4℃储藏条件下猪肉样本中TVB-N的含量均小于15mg/100g，故属于一级新鲜。22℃储藏条件下猪肉样本中TVB-N的含量在储存过程的前1.5d的时间段里，猪肉样本中TVB-N的含量小于15mg/100g，这表明在储存过程的前1.5d的时间段里，猪肉样本属于一级新鲜。在1.5～2d的时间段里，样本中的TVB-N的含量介于15mg/100g和20mg/100g之间，属于二级新鲜肉。因此随着时间增加，猪肉样品中TVB-N的含量也在不断地增加，猪肉中的成分也发生变化，直至腐败变质而失去营养价值和食用价值。

图11　不同储藏条件下猪肉的TVB-N值

　　将上述两种猪肉各分成4个平行样本，首先将冰箱中的猪肉取出，放于室温下进行回温2h，本身未放置于冰箱中的则不需要回温。打开机器嗅觉系统的电源，对传感器阵列预热30min。在此过程中将样本放置在25mL的烧杯中，用锡箔纸将容器口密封住，顶空40min。预热后将采样针头深入烧杯内，由真空气泵将烧杯内顶空的气体抽入气室内，与传感器阵列充分接触，采集气体时间为180s，传感器阵列发生响应，响应信号经过数据采集卡上传到上位机进行数据处理，当达到采样时间后，真空气泵切换洗气通道，对此次样试验时残留的气体进行洗气120s，之后对下个样品进行采样，如此循环。两种不同储藏条件下的传感器响应曲线图如图12所示。

　　从图12可以看出，随着储存天数的增加，各个传感器响应信号不断变大，这与TVB-N的变化趋势相一致。

图12　不同储藏条件下传感器响应曲线图

　　利用机器嗅觉系统对不同储藏条件和存放放时间的猪肉的气味特征进行检测，试验采用PCA和KPCA两种不同算法对传感器阵列数据进行主成分分析，到的分类结构分别如图13和图14所示。由图13（a）可以看出，4℃条件下前两天猪肉气味的变化不大，从第3天开始，随着猪肉存放时间的推移，猪肉的每天散发出的气体有明显的变化。但在4℃条件下，4d内猪肉都是一级新鲜的，但PCA算法可将4℃条件下猪肉样本每天的新鲜度区分出来。

　　由图13（b）可知，在22℃条件下，放置1d的猪肉样本是一级新鲜的；第2和第3天的猪肉样本是二级新鲜的。这与理化指标的分类略有0.5 d的偏差。可能由于传感器的一些非线性特性，或者由于进行气体采集时的理化指标试验和机器嗅觉系统采集试验中系统误差和偶然误差的存在。

图13　基于PCA的不同储藏条件下样品分类图

　　由图14（a）可以看出，4℃的气体分类图与采用PCA进行分类的结果是一致的5d内的猪肉样本都是一级新鲜的，第1天和第2天略有重叠，也能从图上看出从第2天开始，猪肉样本虽然新鲜，但每天的新鲜度略有变化。22℃条件下，KPCA算法与PCA算法的分类是一致的，且分类效果比PCA算法更好一些。

　　其中，猪肉样本在第一天是一级新鲜的，第二天和第三天时的猪肉样本是二级新鲜的。由图14可知，在不同温度的条件下，存储相同天数的猪肉腐败过程是不同的。通过算法对储存过程中猪肉散发的气体进行分析，可方便、准确地了解存储过程中的新鲜程度，说明试验提出的机器嗅觉系统检测不同新鲜度的猪肉方案是可行的。并且基于KPCA相对于PCA所提取的特征分类更有利用于后续预测模型的建立，更能满足高精度的要求。对于两种特征提取算法中大部分预测错误的样本集中在对于22℃储藏条件下，第1.5天的响应特征值被分到二级新鲜，说明相邻两个类别间的样本信息有一定的近邻或交叉，这与猪肉检测存在关联，因此在今后的研究中，对于微弱信号的检测还需进一步研究。

　　以肉类TVB-N值作为新鲜度的标准，利用机器嗅觉原理，将多传感器获取的响应值通过数据预处理和数据分析等软件处理流程得到了不同存储条件下不同存储天数的猪肉新鲜度的判别。通过与TVB-N值的对照比较发现，该文提出的基于KPCA算法的分类效果要优于PCA算法，说明非线性特征提取方法相对于线性特征提取方法来说，虽然也不能将每天的样本数据分开，但却体现出较为明显的分类信息，证实了该系统可以有效检测不同存储条件下的猪肉新鲜度，为指导肉类新鲜度无损快速检验提供了依据。