基于電子鼻、電子舌及其融合技術(shù)對柑橘品質(zhì)的檢測.pdf

1、柑橘已有4000多年的栽培歷史，具有氣味芳香、口感清甜、色澤誘人等特點(diǎn)，廣受消費(fèi)者喜愛。本文通過電子鼻、電子舌和氣質(zhì)聯(lián)用的多信息融合方法，研究了采摘期內(nèi)的柑橘品質(zhì)監(jiān)控、不同貯藏期內(nèi)的柑橘質(zhì)量檢測、混合果汁的感官特性評定、超高壓處理的果汁鑒別以及果汁中添加劑含量的預(yù)測等內(nèi)容;通過傳統(tǒng)的化學(xué)檢測方法對柑橘中總酸、可溶性固形物、維生素C以及糖酸比進(jìn)行檢測;通過定量描述分析法對混合果汁的感官特性進(jìn)行定量描述分析。本研究從探索電子鼻和電子舌傳感器

2、信號與揮發(fā)性成分、理化參數(shù)之間的相關(guān)性出發(fā)，比較不同降維方法對原始信息提取的性能，利用電子鼻數(shù)據(jù)、電子舌數(shù)據(jù)以及融合數(shù)據(jù)對柑橘樣品進(jìn)行模式分類和參數(shù)預(yù)測（理化參數(shù)、揮發(fā)性成分和感官特性）。主要研究內(nèi)容與結(jié)論如下:
　　(1)分別采用電子鼻、電子舌和氣質(zhì)聯(lián)用技術(shù)對不同采摘期的柑橘進(jìn)行檢測。通過APLSR(ANOVA Partial Least Squares Regression)分析發(fā)現(xiàn)，電子鼻和電子舌的傳感器信號與被檢測對象的理

3、化參數(shù)、揮發(fā)性成分之間存在弱相關(guān)性（交叉敏感性）。本研究中，極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)作為一種新穎的神經(jīng)網(wǎng)絡(luò)用于處理電子鼻和電子舌數(shù)據(jù)。分析表明，ELM模型、支持向量機(jī)(Support Vector Machine，SVM)模型以及學(xué)習(xí)向量量化(Learning Vector Quantization，LVQ)模型都具有比較好的分類效果。通過對模型訓(xùn)練時間的比較，ELM算法要快于SVM和LVQ

4、算法。在理化參數(shù)和揮發(fā)性成分預(yù)測時，基于ELM的回歸模型要優(yōu)于SVM回歸模型和多元線性回歸(Multiple LinearRegression，MLR)模型。
　　(2)采用電子鼻、電子舌和氣質(zhì)聯(lián)用技術(shù)對不同貯藏條件下的柑橘進(jìn)行檢測（三個貯藏溫度:4℃，10℃和20℃，貯藏時間為12天，每三天檢測一次），利用常規(guī)理化檢測方法對柑橘的可溶性固形物、總酸、糖酸比和維生素C含量進(jìn)行分析。通過雙向方差分析(Two-way multivar

5、iate analysis of variance，Two-way MANOVA)發(fā)現(xiàn):貯藏溫度、貯藏時間和它們的交互作用對維生素C、糖酸比、檸檬烯含量、萜品烯以及月桂烯的含量具有顯著性影響;貯藏溫度和貯藏時間對可溶性固形物值和芳樟醇含量變化有影響，但它們的交互作用不明顯;貯藏時間以及交互作用對總酸值有顯著性影響，但貯藏溫度對總酸值沒有顯著性影響。對不同貯藏條件下的柑橘進(jìn)行分類時，ELM模型和SVM模型均達(dá)到了100％的分類正確率;對理

6、化參數(shù)和揮發(fā)性成分進(jìn)行預(yù)測時，ELM的回歸模型明顯優(yōu)于偏最小二乘回歸法(Partial Least-Squares Regression，PLSR)的回歸模型。
　　(3)采用電子鼻、電子舌和氣質(zhì)聯(lián)用技術(shù)對混合果汁（溫州蜜柑和甜橙混合比例為:5∶0、4∶1、3∶2、2∶3、1∶4和0∶5）進(jìn)行檢測，通過定量描述分析法對混合果汁感官特性進(jìn)行了描述，通過APLSR對電子鼻和電子舌的傳感器信號與揮發(fā)性芳香成分、感官特性之間的相關(guān)性進(jìn)行分

7、析，并通過電子鼻和電子舌的傳感器信號模擬人的感官分析。結(jié)果顯示，在果汁的混合過程中，檸檬烯、巴倫西亞橘烯以及月桂烯的含量呈現(xiàn)一定變化趨勢，但其它香氣成分的含量變化并沒有表現(xiàn)出規(guī)律性，說明了在混合過程中果汁的揮發(fā)性芳香物質(zhì)含量變化是一個復(fù)雜的過程;在定量描述分析過程中，感官特征的變化過程與揮發(fā)性香氣成分的變化過程類似;基于隨機(jī)森林(Random Forest，RE)建立的預(yù)測模型，融合后的數(shù)據(jù)集對感官特性以及14種揮發(fā)性芳香物質(zhì)具有較優(yōu)的

8、預(yù)測結(jié)果。
　　(4)采用電子鼻對超高壓處理后(范圍0～500 MPa)的柑橘果汁（兩個品種:上野和宮川）進(jìn)行了檢測。在數(shù)據(jù)處理過程中，采用了三種特征值提取方法（穩(wěn)定值、最大值以及面積值）和三種數(shù)據(jù)降維方式(局部保持投影(Locality Preserving Projection，LPP)、主成分分析(Principal Component Analysis，PCA)、線性判別分析(Linear Discriminant Ana

9、lysis，LDA))。結(jié)果顯示，基于LDA的樣品點(diǎn)分布優(yōu)于基于PCA的樣品點(diǎn)分布，而LPP分類效果與LDA類似;根據(jù)ELM和SVM的分類結(jié)果可知，經(jīng)降維處理的數(shù)據(jù)其分類效果普遍優(yōu)于未經(jīng)降維處理的數(shù)據(jù)，同時，基于LPP和LDA的結(jié)果優(yōu)于基于PCA的分類結(jié)果。由于LPP是一種無監(jiān)督算法，從該意義上講，LPP比有監(jiān)督LDA更具有實(shí)際應(yīng)用意義。
　　(5)采用電子鼻和電子舌對混有苯甲酸和殼聚糖的柑橘果汁進(jìn)行檢測，通過對電子鼻和電子舌傳感