基于傳感器的果蔬品質(zhì)檢測研究

路玉鳳 閆娟 茅健 楊慧斌 馬麗

摘 ?要：隨著市場對果蔬需求量增加，冷鏈物流日益發(fā)展，在存儲中對果蔬的品質(zhì)提出了更高的要求。因此，應用無損檢測技術(shù)對果蔬進行品質(zhì)檢測是非常必要的。文章采用電子鼻傳感器對果蔬氣味的識別與圖像傳感器對果蔬外觀品質(zhì)的判別相結(jié)合的方法對果蔬新鮮度進行判別。在數(shù)據(jù)采集過程中，基線漂移對數(shù)據(jù)分析存在影響，文章采用基于CAM-ES算法從長期漂移的角度將數(shù)據(jù)按時間窗進行自適應線性補償消除基線漂移，其次采用Adam算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，實現(xiàn)自適應實時在線學習，進行在線漂移補償，實現(xiàn)對漂移的實時在線學習和修正。

關(guān)鍵詞：電子鼻傳感器;圖像分析;品質(zhì)檢測;算法結(jié)合

中圖分類號：F304.3 ? ?文獻標識碼：A

Abstract： With the increase in market demand for fruits and vegetables， cold chain logistics is developing day by day， and higher requirements are placed on the quality of fruits and vegetables in storage. Therefore， it is very necessary to use non-destructive testing technology to inspect the quality of fruits and vegetables. In this paper， the electronic nose sensor is used to identify the odor of fruits and vegetables and the image sensor is used to determine the appearance quality of fruits and vegetables. In the process of data acquisition， baseline drift has an impact on data analysis. This paper uses the CAM-ES algorithm to perform adaptive linear compensation based on the time window from the perspective of long-term drift to eliminate baseline drift. Secondly， the Adam algorithm is used to optimize the BP neural network to achieve adaptive real-time online learning， online drift compensation， real-time online learning and correction of drift.

Key words： electronic nose sensor; image analysis; quality detection; algorithm combination

0 ?引 ?言

隨著生活水平的提高，冷鏈物流日益受到青睞。果蔬的存儲及配送是冷鏈物流中的關(guān)鍵環(huán)節(jié)，并且人們對果蔬的品質(zhì)及安全問題也越來越重視。因此，對果蔬品質(zhì)的檢測就顯得尤為重要。在傳統(tǒng)檢測中大多采用化學儀器分析，在實驗中需要對被測物體進行前處理，且實驗過程漫長，并且不能保證被檢測食品的完整性;其次實驗本身對場地和環(huán)境有一定要求，所以，迫切需要一種快速無損檢測技術(shù)解決傳統(tǒng)檢測中的問題。

無損檢測（NDT）技術(shù)是在不破壞被測物的前提下，采用聲、光、電等各種物理方法對材料進行檢測和分析的一種技術(shù)。它是一種不同于傳統(tǒng)檢測方法的新技術(shù)，在工農(nóng)業(yè)中的應用已經(jīng)得到了廣泛的研究。近年來，傳感器作為獲取信息的“感官”的研究得到了迅速發(fā)展。在農(nóng)產(chǎn)品的無損檢測中，傳感器技術(shù)越來越被更多人使用。

氣體傳感器已在各個領(lǐng)域廣泛應用，傳感器通過獲取的氣體信息對氣體進行分類以及預測氣體濃度來達到檢測果蔬品質(zhì)的目的，果蔬在存儲過程中經(jīng)歷新鮮、次新鮮、腐壞變質(zhì)三個階段，每個階段產(chǎn)生的氣體及濃度由電子鼻傳感器檢測，通過算法分析研究獲取的數(shù)據(jù)判斷被檢測果蔬品質(zhì)的優(yōu)劣。在食品檢測[1]、農(nóng)產(chǎn)品農(nóng)藥殘留[2]、環(huán)境監(jiān)測[3]領(lǐng)域都應用電子鼻傳感器檢測。在果蔬倉庫氣體監(jiān)測中，氣體傳感器處于長時間運行狀態(tài)，傳感器在運行過程中會出現(xiàn)漂移現(xiàn)象，傳感器漂移會對氣體識別或濃度分析產(chǎn)生影響，降低數(shù)據(jù)分析研究的精確度，從而影響果蔬新鮮度品質(zhì)的判斷。圖像傳感器可輔助檢測果蔬品質(zhì)，將獲取的圖像信息轉(zhuǎn)換為數(shù)字信息讀取并識別，對其進行圖像分析得到相應結(jié)果。唐義華[4]利用圖像傳感器對紅提顏色進行檢測，通過分析研究對其進行新鮮度分級，準確率在95%以上。Blasec J[5]等開發(fā)了機器視覺在線判別系統(tǒng)對蘋果、柑橘的大小、形狀、顏色及外部缺陷進行檢測。馮甲一[6]利用圖像傳感器系統(tǒng)及算法對葉類蔬菜新鮮度識別并分級。

1 ?技術(shù)概述

1.1 ?電子鼻傳感器技術(shù)

電子鼻檢測系統(tǒng)主要有三部分：信號處理系統(tǒng)、傳感器陣列、模式識別。傳感器陣列是系統(tǒng)的核心，陣列中的各個傳感器對氣體的敏感特性不同，由于果蔬在存儲過程中不同時間段的特征氣體及濃度有所不同，傳感器陣列通過檢測氣體獲取相關(guān)特征氣體及氣體濃度來初步判斷果蔬的新鮮度。圖1為電子鼻傳感器檢測流程圖，傳感器陣列中的傳感器型號及其敏感性氣體見表1。

所選用MOS氣體傳感器檢測氣體濃度最低可達1～10ppm，可檢測到果蔬腐壞變質(zhì)過程中產(chǎn)生的特征氣體，且采用傳感器陣列可提高果蔬新鮮度的識別效果及分級精確度。

1.2 ?計算機視覺檢測技術(shù)

計算機視覺檢測系統(tǒng)由兩部分構(gòu)成：圖像采集裝置，用來獲取真實圖像信息;圖像分析軟件，對原始圖像進行預處理及分析，預處理主要是去噪及增強畫質(zhì)，分析則是要對圖像提取特征參數(shù)分析處理。計算機將采集的圖像數(shù)據(jù)進行處理，顏色提取選用La*b*顏色模型并用Matlab相關(guān)圖像提取算法進行處理。圖2為視覺傳感器檢測流程圖。

1.3 ?整體設(shè)計方案

本文采用電子鼻傳感器對果蔬氣味的識別與圖像傳感器對果蔬外觀品質(zhì)的判別相結(jié)合的方法，在數(shù)據(jù)采集過程中，基線漂移對數(shù)據(jù)分析存在影響，本文采用基于CAM-ES算法從長期漂移的角度將數(shù)據(jù)按時間窗進行自適應線性補償消除基線漂移，其次采用Adam算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，實現(xiàn)自適應實時在線學習，進行在線漂移補償，實現(xiàn)對漂移的實時在線學習和修正?？傮w設(shè)計思路如圖3所示。

2 ?數(shù)據(jù)信息處理

2.1 ?自適應線性補償算法

電子鼻系統(tǒng)在長時間運行中不可避免會產(chǎn)生漂移現(xiàn)象。短期漂移的信號會隨著環(huán)境因素恢復而恢復，信號波動和溫度、濕度等可以用數(shù)學函數(shù)關(guān)系表達，可以用神經(jīng)網(wǎng)絡(luò)等方法來消除短期漂移。長期漂移在傳感器長時間運行中隨時間變化，其響應模式隨機波動，難以找到合適準確的函數(shù)關(guān)系表達。本文采用Adam算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)消除短期漂移，從長期漂移的角度采用基于CAM-ES算法將數(shù)據(jù)按時間窗進行自適應線性補償消除基線漂移，實現(xiàn)自適應實時在線學習，進行在線漂移補償，實現(xiàn)對漂移的實時在線學習和修正。

Sigmoid函數(shù)是BP神經(jīng)網(wǎng)絡(luò)常用激活函數(shù)，但與Relu函數(shù)比較，Sigmoid函數(shù)會出現(xiàn)梯度消失，需要利用梯度下降法來優(yōu)化。學習率η決定了梯度下降法中權(quán)重更新速度，而η是一個定值，η太大不易收斂，η太小則訓練緩慢。

Relu函數(shù)在反向傳播時不會出現(xiàn)梯度消失，學習效果比Sigmoid 函數(shù)好，且計算簡單有利于縮短網(wǎng)絡(luò)訓練時間。Adam算法基于梯度下降法，但它的優(yōu)勢在于迭代參數(shù)步長范圍可確定，不會由于梯度過大導致學習步長過大。Adam算法用λ1和λ2分別計算梯度均值和梯度平方均值可實現(xiàn)學習率動態(tài)調(diào)節(jié)，提高網(wǎng)絡(luò)訓練速度及準確率。

將激勵函數(shù)與優(yōu)化算法組合，如表2所示，當使用梯度下降法或Adam算法優(yōu)化BP網(wǎng)絡(luò)時，ReLu函數(shù)準確率都優(yōu)于Sigmoid函數(shù)：當使用Sigmoid激勵函數(shù)或者ReLU激勵函數(shù)時，Adam算法要優(yōu)于梯度下降法;選擇ReLU作為激活函數(shù)，同時使用Adam算法優(yōu)化氣體識別網(wǎng)絡(luò)對于網(wǎng)絡(luò)訓練及準確率都具有良好的效果，且優(yōu)勢明顯。

傳感器長期漂移隨時間引起的變化是非線性的，因此，假設(shè)漂移在短時間內(nèi)的變化是線性的[7]，將較短時間段定義為一個時間窗，將傳感器長期漂移的樣本根據(jù)運行時間分為多個時間窗，通過線性模型對每個時間窗中的樣本進行漂移補償。

2.2 ?圖像數(shù)據(jù)處理

利用計算機視覺圖像傳感技術(shù)判斷果蔬新鮮度，為進一步提高判別準確率，利用計算機視覺圖像傳感技術(shù)與電子鼻傳感器系統(tǒng)綜合判斷的方法對果蔬品質(zhì)進行識別。本文以桔子為例，選取合適的顏色提取模型對圖像信息進行處理。RGB模型中三個分量相關(guān)性較高，圖像顏色數(shù)據(jù)處理困難。HSV模型是一種直觀的顏色模型，廣泛應用于圖像編輯。La*b*模型是一種均勻的彩色模型，顏色模型與采集設(shè)備無關(guān)，包含RGB全部信息，表現(xiàn)色彩多且分布均勻。通過對比HSV模型、La*b*模型、RGB模型等顏色模型，選用La*b*模型提取被檢測圖像的特征參數(shù)。在圖像采集過程中會受到噪聲的干擾，造成圖像分析結(jié)果不精確，通過調(diào)用Matlab相關(guān)函數(shù)對圖像進行去噪處理。

3 ?仿真驗證

對算法進行驗證，所用數(shù)據(jù)必須滿足時間跨度大且數(shù)據(jù)樣本連續(xù)。使用兩個數(shù)據(jù)集來對優(yōu)化算法進行驗證分析。將數(shù)據(jù)集1按時間順序分別放入8個窗中，將數(shù)據(jù)集2按時間順序分別放入12個窗中，設(shè)置窗寬為7天。將數(shù)據(jù)集1按照圖4流程進行校正，計算出各個窗內(nèi)樣本校正前的平均絕對誤差及校正后的平均絕對誤差，AMRE=，n為樣本數(shù)，y為預測網(wǎng)絡(luò)輸出，y為訓練目標值。

對圖像進行分割處理之后，對圖像進行預處理，以桔子為例，對原始圖像進行灰度處理及中值濾波處理，目的是為了去噪及增強畫質(zhì)，進而獲取RGB圖像，最后得到La*b*檢測結(jié)果。圖像信息通過濾波消除圖像噪聲點，再利用開運算進一步對圖像進行處理，此時提取有效組織圖像數(shù)據(jù)[9]，提取圖像的La*b*特征信息并與桔子狀態(tài)比較得出相關(guān)性，如表3所示，隨著桔子狀態(tài)的變化，三個特征值也發(fā)生不同程度的變化，且特征值與檢測時間有一定的線性相關(guān)性，可輔助判別果蔬新鮮度。

通過算法改進消除電子鼻氣味檢測過程中產(chǎn)生的基線漂移，并與計算機視覺圖像分析結(jié)合，將電子鼻檢測到的氣味信息與提取的圖像信息特征值進行融合，并利用LDA進行線性分析[8]，見圖8和圖9。對12組被檢測樣品進行判別實驗，見表4，基于電子鼻傳感器技術(shù)的新鮮度判別準確率為83.3%，基于圖像傳感器技術(shù)的桔子新鮮度判別準確率為75%，而將電子鼻傳感器氣味檢測與圖像傳感器外觀檢測技術(shù)結(jié)合判別準確率提高到了91.6%。

4 ?結(jié) ?論

本文在果蔬檢測中采用無損檢測技術(shù)，但在電子鼻傳感器運行過程中會產(chǎn)生基線漂移的現(xiàn)象，本文采用Adam算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)消除短期漂移，從長期漂移的角度采用基于CAM-ES算法將數(shù)據(jù)按時間窗進行自適應線性補償消除基線漂移，實現(xiàn)自適應實時在線學習，進行在線漂移補償，實現(xiàn)對漂移的實時在線學習和修正，最后通過與圖像傳感器技術(shù)的融合，達到提高檢測精確度的目的。

參考文獻：

[1] 張謙益，包李林，熊巍林，等. 電子鼻在兩種類型濃香菜籽油識別中的應用[J]. 中國油脂，2018，43（10）：144-146.

[2] 黃星奕，孫兆燕，田瀟瑜，等. 基于電子鼻技術(shù)的馬鈴薯真菌性腐爛病早期檢測[J]. 食品工業(yè)科技，2018，39（24）：97-101.

[3] 張嘉琪，冀大選，李杰一，等. 基于LabVIEW平臺的電子鼻系統(tǒng)設(shè)計[J]. 傳感器與微系統(tǒng)，2015，34（5）：92-94.

[4] 唐義華. 紅提品質(zhì)無損檢測技術(shù)研究[D]. 武漢：華中農(nóng)業(yè)大學（碩士學位論文），2016.

[5] ?Blaseo J， Aleixos N. Machine vision system for automatic quality grading of fruit[J]. Automation and Emerging Technologies， 2003（4）：415-423.

[6] 馮甲一. 基于計算機視覺技術(shù)的葉類蔬菜新鮮度檢測分級研究[D]. 南京：南京農(nóng)業(yè)大學（碩士學位論文），2012.

[7] ?DiCarlo S， F alasconi， E Sanchez， et al. Increasing pattern recogition accuracy far chemical sensing by evolutionary based drift compensation[J]. Pattam Recognition etters， 2011，32（13）：1594-1603.

[8] 陳棟琳. 電子鼻/舌系統(tǒng)設(shè)計及氣味信息融合技術(shù)應用[D]. 吉林：東北電力大學（碩士學位論文），2015.

[9] 王風云，封文杰，鄭紀業(yè)，等. 基于機器視覺的雙孢蘑菇在線自動分級系統(tǒng)設(shè)計與試驗[J]. 農(nóng)業(yè)工程學報，2018，34（7）：256-263.

收稿日期：2020-10-10

作者簡介：路玉鳳（1993-），女，山東泰安人，上海工程技術(shù)大學機械與汽車工程學院碩士研究生，研究方向：冷鏈物流倉儲、機械制造及其自動化;閆 ?娟（1978-），女，甘肅靜寧人，上海工程技術(shù)大學機械與汽車工程學院，高級實驗師，碩士生導師，研究方向：智能控制算法研究、機械自動化;茅 ?健（1972-），男，江蘇南通人，上海工程技術(shù)大學機械與汽車工程學院，教授，碩士生導師，研究方向：精密檢測與控制、裝備自動化、智能機器人、冷鏈;楊慧斌（1983-），男，上海人，上海工程技術(shù)大學機械與汽車工程學院，實驗師，研究方向：智能控制、機械自動化;馬 ?麗（1997-），女，黑龍江哈爾濱人，上海工程技術(shù)大學機械與汽車工程學院碩士研究生，研究方向：冷鏈倉儲及其配送、精密檢測與控制、機械制造及其自動化。