用于蘋果品質(zhì)監(jiān)測(cè)的多溫度掃描電子鼻系統(tǒng)*

劉 旭，余 雋，李中洲，魏廣芬，黃正興，朱慧超

（1.大連理工大學(xué) 電子信息與電氣工程學(xué)部 遼寧省集成電路與生物醫(yī)學(xué)電子系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，遼寧 大連 116024；2.山東工商學(xué)院 信息與電子工程學(xué)院，山東 煙臺(tái) 264005）

0 引 言

蘋果的新鮮程度與其氣味有著密切聯(lián)系，研究表明蘋果存儲(chǔ)過程中產(chǎn)生氣體主要成分有酯類、醇類、乙烯等氣體，蘋果在變質(zhì)（如出現(xiàn)爛疤、損傷）或腐敗時(shí)其散發(fā)的乙烯濃度增加，并且可能產(chǎn)生的硫化氫（H2S）、烷烴、氨類等氣體［1，2］。這些氣體大都具有一定的還原性，所以，使用金屬氧化物半導(dǎo)體式傳感器可以探測(cè)到貯藏蘋果氣味的變化，進(jìn)而通過電子鼻技術(shù)識(shí)別變質(zhì)蘋果的出現(xiàn)。

Ghasemi-Varnamkhasti M等人采用基于8個(gè)金屬氧化物半導(dǎo)體（MOS）傳感器陣列的電子鼻系統(tǒng)，結(jié)合主成分分析（principal component analysis，PCA）、線性判別分析（linear discriminant analysis，LDA）和支持向量機(jī)（support vector machine，SVM）等模式識(shí)別方法，研究草莓的分類問題［3］。另外有學(xué)者使用電子鼻測(cè)試不同狀態(tài)的水果氣味變化，進(jìn)而預(yù)測(cè)水果的壓損程度或新鮮程度［4，5］。而具有多傳感器的電子鼻系統(tǒng)，常面臨高功耗、復(fù)雜的傳感電路等問題。同時(shí)，研究表明，改變單只傳感器的工作溫度等方法能夠產(chǎn)生多維響應(yīng)信號(hào)［6，7］，從而構(gòu)筑虛擬傳感器陣列以減少實(shí)際傳感器數(shù)量，進(jìn)而降低功耗和系統(tǒng)復(fù)雜度。

本文開發(fā)了一種基于虛實(shí)融合微熱板氣體傳感器陣列的便攜式電子鼻。微熱板氣體傳感器陣列中的4 只傳感器均工作在溫度掃描模式下，監(jiān)測(cè)蘋果在貯藏期間的氣體信息。通過溫度掃描測(cè)試大幅擴(kuò)展傳感器信號(hào)陣列規(guī)模的同時(shí)采集了更多樣本信息。對(duì)于在不同品質(zhì)的蘋果氣氛實(shí)驗(yàn)測(cè)得數(shù)據(jù)，提出了高低工作溫度特征值混合的提取樣本方法，然后對(duì)提取樣本進(jìn)行LDA 算法降維和K 最近鄰（Knearest neighbor，KNN）算法分類。最后，分別將本文研究與傳統(tǒng)單一溫度下工作方式以及多溫度非穩(wěn)態(tài)工作的電子鼻進(jìn)行了對(duì)比，討論了方法的可行性和分類效果。

1 測(cè)試原理與數(shù)據(jù)處理

1.1 系統(tǒng)傳感器陣列

傳感器采用課題組內(nèi)自主研發(fā)基于互補(bǔ)金屬氧化物半導(dǎo)體（complementary metal-oxide semiconductor，CMOS）＋MEMS工藝的四陣列微熱板傳感器芯片，如圖1 所示。每只微熱板氣體傳感器由懸空介質(zhì)薄膜、加熱電極、氣敏電極以及氣敏材料組成［8］。氧化錫（SnO2）和三氧化鎢（WO3）為金屬氧化物氣敏材料研究熱點(diǎn)，且對(duì)于還原性氣體有良好響應(yīng)［9］。所以，1#、2#涂敷了SnO2氣敏材料，3#、4#涂敷了WO3材料。因?yàn)閼铱战Y(jié)構(gòu)具有良好的絕熱性能，所以微熱板氣體傳感器僅需十幾毫瓦（mW）的功耗就能達(dá)到氣敏材料所需的數(shù)百攝氏度（℃）的工作要求［10］。

圖1 傳感器工作原理

如圖1（b）所示，傳感器的加熱電阻和氣敏電阻分別等效為可變加熱電阻Rh和可變氣敏電阻RS。VH和VCC分別為加熱電壓和氣敏測(cè)試電壓，采集模塊采集負(fù)載電阻RL的電壓值作為輸出，體現(xiàn)了氣敏電阻值RS的實(shí)時(shí)變化

Vout＝（RL×VCC）／（RL＋RS） （1）

RL為10 MΩ，VCC為3.3 V，測(cè)定Rh的I-VH曲線得到在不同加熱電壓值下的Rh大小。計(jì)算微熱板傳感器的工作溫度TS如下

式中 電阻溫度系數(shù)（temperature coefficient of resistance，TCR）經(jīng)標(biāo)定為1.95×10-3／℃，T0為室溫21 ℃，R0為216 Ω。

1.2 測(cè)試實(shí)驗(yàn)設(shè)置

被測(cè)樣品為100 個(gè)富士蘋果，包括品質(zhì)良好和有瑕疵的蘋果各50 個(gè)。表皮狀態(tài)無缺陷、果徑大于70 mm 的為“品質(zhì)良好”，如圖2（a）所示；果徑小于55 mm，并且表皮上出現(xiàn)多處果銹的為“有瑕疵”，如圖2（b）所示?！盎旌咸O果”樣本則是從2 種蘋果樣本中分別隨機(jī)抽取合并組成。將電子鼻置于5 L 的密閉玻璃容器內(nèi)，設(shè)置恒溫和多溫度2種電子鼻的工作模式分別進(jìn)行氣氛采集實(shí)驗(yàn)。

圖2 測(cè)試用富士蘋果照片

恒溫條件下微熱板傳感器工作溫度為200 ℃，每個(gè)測(cè)試周期持續(xù)10 min；多溫度工作模式下，設(shè)定100，150，200，250，300，350 ℃6個(gè)微熱板工作溫度，每個(gè)溫度持續(xù)10 min，共計(jì)1 h為1個(gè)測(cè)試周期。分別在實(shí)驗(yàn)室空氣氣氛、品質(zhì)良好的富士蘋果氣氛、有瑕疵富士蘋果氣氛以及混合2 種富士蘋果氣氛下進(jìn)行數(shù)據(jù)采集。為了產(chǎn)生穩(wěn)定的氣體樣本，從待測(cè)蘋果樣本中隨機(jī)取2個(gè)富士蘋果放置于玻璃容器之中，使其氣味在密封容器內(nèi)自然擴(kuò)散，等待0.5 h 后氣氛穩(wěn)定，再進(jìn)行傳感器測(cè)試。1 個(gè)周期傳輸數(shù)據(jù)完成后，將蘋果取出，待玻璃容器敞開放置0.5 h后進(jìn)行下一次實(shí)驗(yàn)。

1.3 傳感器數(shù)據(jù)處理

將氣敏電阻RS在反應(yīng)氣氛中的阻值Rg與在空氣中的阻值Ra之比作為響應(yīng)值RES，由式（1）得

式中 Voutg為傳感器在反應(yīng)氣氛中的傳輸電壓值，Vouta為傳感器在空氣氣氛中的傳輸電壓值。并且對(duì)響應(yīng)值RES進(jìn)行了歸一化，如式（4）

式中 RESmax為所有樣本數(shù)據(jù)的最大值，RES 為所有樣本數(shù)據(jù)的最小值，這樣就能得到標(biāo)準(zhǔn)化后的數(shù)據(jù)RESnew。首先根據(jù)其曲線特點(diǎn)進(jìn)行了特征值點(diǎn)的選取，然后采用LDA算法對(duì)特征矩陣進(jìn)行了降維。最后采用KNN 算法對(duì)降維后標(biāo)準(zhǔn)化的數(shù)據(jù)進(jìn)行分類，并使用3 折交叉驗(yàn)證分類的準(zhǔn)確率。

1）特征降維

采用LDA 算法［11］將傳感器標(biāo)準(zhǔn)化后的n 維數(shù)據(jù)RESnew向2 維投影，尋找投影到2 維最佳的投影基向量（ω1，ω2），為了使不同類別的數(shù)據(jù)的類別中心之間的距離盡可能大，同時(shí)同一種類別數(shù)據(jù)的投影點(diǎn)盡可能接近。定義了Sb為類間散度矩陣，Sw為類內(nèi)散度矩陣。其定義式如下

式中 Nj（j ＝1，2，3）為第j類樣本的個(gè)數(shù)，μj為第j類樣本的均值向量，Σj為第j類樣本的協(xié)方差。求解目標(biāo)式最大值問題，如式（7）

進(jìn)而求解廣義瑞利商的特征值問題，如式（8）

此時(shí)的最佳投影向量（ω1，ω2）為SSb的前2 個(gè)最大特征值（λ1，λ2）所對(duì)應(yīng)的特征向量構(gòu)成的矩陣。

2）蘋果狀態(tài)分類算法

在KNN算法［12］中，本文采用3 次閔氏距離計(jì)算點(diǎn)與點(diǎn)之間的距離，若n維空間有兩點(diǎn)x，y，計(jì)算公式如式（9）

最后對(duì)于不同的K 值進(jìn)行了訓(xùn)練，從而得到最適宜K值條件下的最高準(zhǔn)確率。

2 系統(tǒng)的整體架構(gòu)和算法流程

2.1 電子鼻系統(tǒng)的整體架構(gòu)

電子鼻系統(tǒng)的整體架構(gòu)如圖3所示。

圖3 系統(tǒng)整體架構(gòu)

2.2 系統(tǒng)的軟件與算法流程

系統(tǒng)軟件分為集成在下位機(jī)硬件系統(tǒng)上的程序和用于接收和處理數(shù)據(jù)的上位機(jī)電腦軟件算法流程，如圖4所示。

圖4 整體軟件與算法流程

3 實(shí)驗(yàn)結(jié)果與分析

3.1 特征值點(diǎn)的選取

系統(tǒng)一個(gè)測(cè)試周期內(nèi)所采集到的負(fù)載電阻RL的電壓值Vout數(shù)據(jù)如圖5所示，從100 ℃到350 ℃對(duì)傳感器進(jìn)行溫度掃描。單個(gè)溫度對(duì)應(yīng)的600 s 周期內(nèi)，響應(yīng)值在前300 s呈現(xiàn)增加或減少趨勢(shì)，在后300 s趨于穩(wěn)定。取每個(gè)溫度第300，400，500 s 的響應(yīng)值作為穩(wěn)定階段初始、中間和后期3類特征點(diǎn)，對(duì)原始曲線的穩(wěn)定階段進(jìn)行表征。4只傳感器在6種工作溫度下相當(dāng)于構(gòu)成4 ×6 的虛實(shí)結(jié)合傳感器陣列，每只傳感器又包含3類特征。

圖5 傳感器在不同氛圍下的典型響應(yīng)曲線

使用軟件對(duì)在6種溫度下不同氣氛中的特征樣本進(jìn)行單因素方差分析，結(jié)果表明，200，250，300，350 ℃溫度下不同氣氛的特征樣本差異較大，所以選用了這4 種溫度下的數(shù)據(jù)進(jìn)行后續(xù)處理。經(jīng)檢驗(yàn)的多重比較結(jié)果表明，350 ℃的特征樣本品質(zhì)良好的蘋果和混合蘋果差異不大。為了進(jìn)一步增大不同氣氛特征樣本的差異，將200 ℃和300 ℃的同種特征點(diǎn)、250 ℃和350 ℃的特征點(diǎn)進(jìn)行混合。如圖6 為不同氣氛中，混合溫度所提取的歸一化響應(yīng)值特征樣本，每條曲線為4只傳感器在2個(gè)溫度下采集的同種特征點(diǎn)。取10 個(gè)測(cè)試周期的數(shù)據(jù)作為訓(xùn)練集，簡稱為多溫度穩(wěn)態(tài)訓(xùn)練集。

圖6 4 種溫度的穩(wěn)態(tài)混合特征值樣本

取200，250，300，350 ℃各自第50 s和150 s的響應(yīng)值以及300～500 s的平均響應(yīng)值作為初始、中間和穩(wěn)定3類特征點(diǎn)，對(duì)原始線進(jìn)行表征，進(jìn)一步驗(yàn)證取每種溫度所有階段對(duì)分類結(jié)果的影響，簡稱為多溫度非穩(wěn)態(tài)訓(xùn)練集。

單因素方差分析的多重比較結(jié)果表明在200 ℃工作模式下，4只傳感器對(duì)不同品質(zhì)的蘋果表現(xiàn)的顯著性差異最大。因此，作為對(duì)比，只取200 ℃下20個(gè)測(cè)試周期的數(shù)據(jù)作為訓(xùn)練集，簡稱為單一溫度穩(wěn)態(tài)訓(xùn)練集。

3.2 LDA算法降維

圖7（a）為多溫度穩(wěn)態(tài)訓(xùn)練集進(jìn)行LDA降至2 維后的效果，前2個(gè)特征LD1 與LD2 包含了98%以上特征值信息。對(duì)于4種特征值混合樣本的LDA降維，品質(zhì)良好的蘋果、有瑕疵的蘋果以及混合蘋果的樣本各自的聚類效果較好。不同品質(zhì)的蘋果樣本重疊較少，LDA 算法降維的整體效果較好。相較于多溫度穩(wěn)態(tài)訓(xùn)練集，多溫度非穩(wěn)態(tài)樣本的LDA降維結(jié)果如圖7（b）所示。前2 個(gè)特征LD1 與LD2包含了98%以上特征值信息，整體上取得了較好的降維效果，有瑕疵的蘋果樣本與其他2 種氣氛下的樣本的類間間距較大，但部分混合蘋果和品質(zhì)良好的蘋果樣本有混疊。單一溫度穩(wěn)態(tài)訓(xùn)練集的前2 個(gè)特征LD1 與LD2 包含了97%以上特征值信息，降維效果如圖7（c）。不同氣氛的蘋果聚類效果不明顯，有瑕疵的蘋果樣本類內(nèi)間距較大，不同氣氛的蘋果樣本混疊較多，尤其是品質(zhì)良好的蘋果樣本與混合蘋果樣本存在大量混疊情況。

圖7 LDA降維結(jié)果

由LDA的降維結(jié)果可見，在微熱板4 種工作溫度穩(wěn)定階段混合的特征樣本，相較于多溫度非穩(wěn)定階段混合特征樣本以及單一溫度的特征樣本進(jìn)行LDA降維后的效果更優(yōu)。

3.3 KNN算法分類

將LDA 降至二維過后的樣本進(jìn)行KNN 算法分類決策。多溫度穩(wěn)態(tài)混合特征樣本、非穩(wěn)態(tài)樣本和單一溫度的穩(wěn)態(tài)樣本的KNN分類混淆矩陣分別如圖8（a）～（c）所示。其中，1、2、3 類分別為品質(zhì)良好、有瑕疵和混合蘋果樣本。各種氣氛樣本數(shù)量為60、總樣本數(shù)量為180一致的條件下，使用4種穩(wěn)態(tài)溫度下混合的特征樣本進(jìn)行分類。結(jié)果表明，對(duì)于品質(zhì)良好的蘋果、有瑕疵的蘋果以及混合氛圍中的蘋果的分類準(zhǔn)確率都有不同程度的提升，尤其相較于其他2種方法減少了品質(zhì)良好的蘋果被判定為有瑕疵的蘋果和混合蘋果的數(shù)量。

圖8 不同樣本KNN算法分類混淆矩陣

當(dāng)K值（近鄰樣本數(shù)）在1～60 變化時(shí)，使用三折交叉驗(yàn)證KNN算法的準(zhǔn)確率如圖9 所示。多溫度穩(wěn)態(tài)的混合特征樣本的最高準(zhǔn)確率為98.3%，相較于多溫度非穩(wěn)態(tài)混合特征樣本的90%以及單一穩(wěn)態(tài)溫度的76.13%的最高準(zhǔn)確率有了大幅提升，進(jìn)而驗(yàn)證了方法的有效性。

圖9 不同溫度樣本準(zhǔn)確率隨K值變化

4 結(jié) 論

本文設(shè)計(jì)的集成4 只傳感器陣列的便攜式電子鼻系統(tǒng)，采用了溫度掃描工作模式采集蘋果的氣味信息，使用虛實(shí)融合的傳感器陣列增加樣本數(shù)量。對(duì)在不同品質(zhì)的蘋果氣氛中用多微熱板工作溫度采集的實(shí)驗(yàn)數(shù)據(jù)，提出了利用其穩(wěn)定階段提取特征樣本進(jìn)行高低溫度混合的特征值提取方法。并對(duì)于提取的特征樣本進(jìn)行了LDA 降維和KNN 算法分類，與常規(guī)的單一溫度加熱以及多溫度非穩(wěn)態(tài)的方式相比，最高分類準(zhǔn)確率達(dá)到了98.3%。并設(shè)計(jì)了用于人機(jī)交互的圖形用戶界面上位機(jī)軟件，能夠有效地對(duì)于蘋果品質(zhì)進(jìn)行監(jiān)測(cè)，對(duì)于貯藏品質(zhì)良好的蘋果中出現(xiàn)有瑕疵的蘋果實(shí)現(xiàn)準(zhǔn)確“報(bào)警”。實(shí)現(xiàn)了用于蘋果品質(zhì)監(jiān)測(cè)的簡單、可視化電子鼻系統(tǒng)設(shè)計(jì)。