《用于肉类检测的传感器阵列优化方法.pdf》由会员分享，可在线阅读，更多相关《用于肉类检测的传感器阵列优化方法.pdf（13页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 (43)申请公布日 (21)申请号 201410523077.7 (22)申请日 2014.09.30 G01N 33/12(2006.01) (71)申请人 山东国家农产品现代物流工程技术 研究中心 地址 100097 北京市海淀区曙光花园中路 11 号农科大厦 A 座 318 申请人 北京农业信息技术研究中心 (72)发明人 刘寿春 赵春江 杨信廷 钱建平 刘学馨 (74)专利代理机构 北京路浩知识产权代理有限 公司 11002 代理人 李相雨 (54) 发明名称 用于肉类检测的传感器阵列优化方法 (57) 摘要 本发明提供了一种用于肉类检测的传感器阵 列优化方法， 该。
2、方法包括 ： S1 ： 获取被测肉样的品 质指标数据 ； S2 ： 通过传感器阵列对该被测肉样 的气味进行采集， 得到传感器阵列的响应数据 ； S3 ： 对该响应数据进行特征提取， 得到该传感器 阵列的特征数据 ； S4 ： 对该特征数据进行主成分 分析得到该被测肉样的贮藏天数主成分模型， 根 据该贮藏天数主成分模型对该特征数据进行负荷 加载分析得到该传感器阵列中每一个传感器的贡 献率 ； S5 ： 对该传感器阵列的特征数据与该品质 指标数据之间进行相关性分析 ； S6 ： 根据该贡献 率以及该相关性分析的结果对该传感器阵列进行 优化。本发明能够达到精简识别传感器数量以及 肉类新鲜度快速判定的。
3、效果。 (51)Int.Cl. (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书1页 说明书7页 附图4页 (10)申请公布号 CN 104483460 A (43)申请公布日 2015.04.01 CN 104483460 A 1/1 页 2 1.一种用于肉类检测的传感器阵列优化方法， 其特征在于， 包括 ： S1 ： 获取被测肉样的品质指标数据 ； S2 ： 通过传感器阵列对所述被测肉样的气味进行采集， 得到传感器阵列的响应数据 ； S3 ： 对所述响应数据进行特征提取， 得到所述传感器阵列的特征数据 ； S4 ： 对所述特征数据进行主成分分析得到所述被测肉样的贮藏天。
4、数主成分模型， 根据 所述贮藏天数主成分模型对所述特征数据进行负荷加载分析得到所述传感器阵列中每一 个传感器的贡献率 ； S5 ： 对所述传感器阵列的特征数据与所述品质指标数据之间进行相关性分析 ； S6 ： 根据所述贡献率以及所述相关性分析的结果对所述传感器阵列进行优化。 2.根据权利要求 1 所述的用于肉类检测的传感器阵列优化方法， 其特征在于， 步骤 S6 之后还包括 ： 对所述优化后的传感器阵列进行回判分析。 3.根据权利要求 1 所述的用于肉类检测的传感器阵列优化方法， 其特征在于， 所述被 测肉样的品质指标数据包括感官评价数据、 理化分析数据以及微生物检测数据中的至少一 种。 4.。
5、根据权利要求 1 所述的用于肉类检测的传感器阵列优化方法， 其特征在于， 所述理 化分析数据为 TVBN 数据。 5.根据权利要求 1 所述的用于肉类检测的传感器阵列优化方法， 其特征在于， 所述被 测肉样为猪肉。 权 利 要 求 书 CN 104483460 A 2 1/7 页 3 用于肉类检测的传感器阵列优化方法 技术领域 0001 本发明涉及食品检测领域， 尤其涉及一种用于肉类检测的传感器阵列优化方法。 背景技术 0002 肉类的气味是肌肉自内而外散发的挥发性成分， 外在气味的变化反映了肌肉内部 组织的变化， 消费者通常采用嗅闻方法来评判肉类品质的优劣。但是通过人为的感官评价 方法来评定。
6、肉类的品质不仅主观性强、 重现性也差 ； 常规的理化分析和微生物检测所涉及 的有毒有害试剂多， 操作步骤繁琐， 耗时费力 ； 不能满足快速无损评判品质的需求。通过采 用人工嗅觉系统 ( 气味传感器阵列， 也称电子鼻 ) 可以客观快速识别肉类气味成分发生的 大体的变化， 进而对其新鲜度、 掺假成分、 微生物、 原产地域等质量控制进行快速分析与评 估。选择适宜的响应传感器阵列是模式识别的重要前提， 但是现有的电子鼻系统中配备了 6 18 个不等的气体传感器阵列， 不仅增加了设备研制成本， 并且使不必要的传感器阵列 的输出信号干扰了整体的模式识别结果。 发明内容 0003 ( 一 ) 要解决的技术问。
7、题 0004 本发明要解决的技术问题是提供一种用于肉类检测的传感器阵列优化方法， 能够 优化优势识别传感器阵列， 达到精简识别传感器数量以及肉类新鲜度快速判定的效果。 0005 ( 二 ) 技术方案 0006 为解决上述技术问题， 本发明提供了一种用于肉类检测的传感器阵列优化方法， 包括 ： 0007 S1 ： 获取被测肉样的品质指标数据 ； 0008 S2 ： 通过传感器阵列对所述被测肉样的气味进行采集， 得到传感器阵列的响应数 据 ； 0009 S3 ： 对所述响应数据进行特征提取， 得到所述传感器阵列的特征数据 ； 0010 S4 ： 对所述特征数据进行主成分分析得到所述被测肉样的贮藏天。
8、数主成分模型， 根据所述贮藏天数主成分模型对所述特征数据进行负荷加载分析得到所述传感器阵列中 每一个传感器的贡献率 ； 0011 S5 ： 对所述传感器阵列的特征数据与所述品质指标数据之间进行相关性分析 ； 0012 S6 ： 根据所述贡献率以及所述相关性分析的结果对所述传感器阵列进行优化。 0013 进一步地， 步骤 S6 之后还包括 ： 0014 对所述优化后的传感器阵列进行回判分析。 0015 进一步地， 所述被测肉样的品质指标数据包括感官评价数据、 理化分析数据以及 微生物检测数据中的至少一种。 0016 进一步地， 所述理化分析数据为 TVBN 数据。 0017 进一步地， 所述被测。
9、肉样为猪肉。 说 明 书 CN 104483460 A 3 2/7 页 4 0018 ( 三 ) 有益效果 0019 本发明采用负荷加载分析传感器阵列在已有模式识别下的贡献率， 并通过建立传 感器阵列响应值与品质指标的相关性， 筛选和优化优势识别传感器阵列， 不仅达到精简识 别传感器数量， 同时也达到猪肉新鲜度快速判定的效果。 附图说明 0020 图 1 是本发明实施方式提供的一种用于肉类检测的传感器阵列优化方法的示意 图 ； 0021 图 2 是本发明实施方式中的贮藏过程猪肉感官总体可接受性分值的变化的示意 图 ； 0022 图 3 是本发明实施方式中的贮藏过程猪肉中 TVBN 的变化的示意。
10、图 ； 0023 图 4 是本发明实施方式中的贮藏过程猪肉菌落总数的变化的示意图 ； 0024 图 5 是本发明实施方式中的优势响应的传感器阵列发生变化的示意图 ； 0025 图 6 是本发明实施方式中的 10 个传感器阵列进行 PCA 模式识别的示意图 ； 0026 图 7 是本发明实施方式中的 10 个传感器进行模式识别的传感器贡献率的示意 图 ； 0027 图 8 是本发明实施方式中的优化后 6 个传感器阵列识别结果的示意图。 具体实施方式 0028 下面结合附图和实施例， 对本发明的具体实施方式作进一步详细描述。以下实施 例用于说明本发明， 但不用来限制本发明的范围。 0029 图 1。
11、 是本发明实施方式提供的一种用于肉类检测的传感器阵列优化方法的示意 图， 包括 ： 0030 S1 ： 获取被测肉样的品质指标数据 ； 0031 S2 ： 通过传感器阵列对所述被测肉样的气味进行采集， 得到传感器阵列的响应数 据 ； 0032 S3 ： 对所述响应数据进行特征提取， 得到所述传感器阵列的特征数据 ； 0033 S4 ： 对所述特征数据进行主成分分析得到所述被测肉样的贮藏天数主成分模型， 根据所述贮藏天数主成分模型对所述特征数据进行负荷加载分析得到所述传感器阵列中 每一个传感器的贡献率 ； 0034 S5 ： 对所述传感器阵列的特征数据与所述品质指标数据之间进行相关性分析 ； 0。
12、035 S6 ： 根据所述贡献率以及所述相关性分析的结果对所述传感器阵列进行优化。 0036 优选地， 步骤 S6 之后还包括 ： 0037 对所述优化后的传感器阵列进行回判分析。 0038 其中， 所述被测肉样的品质指标数据包括感官评价数据、 理化分析数据以及微生 物检测数据中的至少一种。 0039 其中， 所述理化分析数据为 TVBN 数据。 0040 例如， 可对用于猪肉检测的传感器阵列进行优化， 具体包括以下步骤 ： 0041 步骤 A ： 获取被测猪肉样 说 明 书 CN 104483460 A 4 3/7 页 5 0042 统一取猪胴体的后腿瘦肉进行有氧托盘包装， 于04冰温运往分。
13、析室。 将样品 贮藏于 4高精度低温培养箱中， 贮藏期间每隔一段时间随机取各个温度下 3 盒猪肉进行 感官、 理化和微生物等品质分析。 0043 步骤 B ： 猪肉品质分析 0044 步骤 B1 ： 获取感官评价数据 0045 可参考现有技术得到感官评价数据， 可分别对被测肉样的颜色、 质地、 弹性、 气味 等指标进行单项和总体可接受性评价。 分值越高新鲜度越好， 10最好， 0为非常腐败， 6.5为 感官可接受限值。如图 2 所示， 经过感官人员对猪肉的颜色、 质地、 弹性、 气味等指标的综合 评价， 获得猪肉的总体可接受性， 即是否可以接受其作为食用产品。 经过评价分析可知， 第3 天以前。
14、， 猪肉处于高品质期， 第7天感官可接受性就达到6.55分， 即在可接受限制的边缘， 7 天以后， 猪肉处于感官不可接受期。 0046 步骤 B2 ： 理化分析 0047 在贮藏过程中， 猪肉中的内源酶和微生物共同作用下， 肌肉蛋白分解产生氨和胺 类等碱性含氮物质称为挥发性盐基氮 (total volatile basic nitrogen,TVBN)， 它是肉类 蛋白质腐败变质的常用指标， 被列为肉类新鲜度的评价标准。TVBN 含量与微生物生长繁殖 及蛋白质分解有关。TVBN 含量通过采用高氯酸萃取后的滤液进行半微量定氮分析测定， 具 体步骤如下 ： 准确称取 10g 混合肉样， 加 90m。
15、L 高氯酸， 均质， 浸渍 30min， 于 3000rpm 离心 15min， 过滤， 取5mL滤液于半自动凯氏定氮仪中蒸馏6min， 接收液用0.01mol/L的HCl溶液 滴定至中性， 通过 HCl 溶液用量换算 TVBN 含量 (mg/100g)。 0048 从图 3 可知， 猪肉的初始 TVBN 值约 12mg/100g， 在 7 天以前 TVBN 值均不超 过 15mg/100g， 第 7 天到达 20.17mg/100g， 随后 TVBN 值迅速增加， 达到贮藏末期最大值 62.47mg/100g ； 表明猪肉的腐败速率增大。根据 NYT632-2002 规定， 冷却猪肉的 TV。
16、BN 应不 超过 15 mg/100g。即 7 天以后为不可接受期。 0049 步骤 B3 ： 微生物检测 0050 微生物检测参照 GB4789.20-2003 食品卫生微生物学检验方法， 所有操作均在无 菌状态下进行， 取 25g 猪肉样品置于 225mL 无菌生理盐水中， 振荡均匀， 做 10 倍系列稀释， 至少选取三个稀释浓度进行接种， 每个稀释度做两个平行。耐冷菌采用 CVT 琼脂 20培养 72h， 计算典型菌落数量， 换算成对数值 lg(CFU/g)。如图 4 可知， 4贮藏条件下， 随着贮藏 时间延长， 菌落总数呈现轻微波动的指数增长曲线。其延滞期大约 3 天， 随后菌落总数呈。
17、 现快速的对数生长期， 达到最大值 9.43lgCFU/g 以后逐渐衰亡至 8.45lgCFU/g。第 7 天， 菌 落总数数量已经达到 7.10， 微生物安全性已经达到限制， 因此， 7 天以后微生物处于腐败阶 段。 0051 从感官评价、 理化分析以及微生物检测的结果分析表明， 3天为高品质期， 46 天为次新鲜期， 7 天为初期腐败或腐败期。 0052 步骤 C ： 传感器阵列系统识别猪肉品质变化 0053 步骤 C1 ： 气味采集与检测 0054 在物流过程中猪肉气味的检测方法不能在实验室分析， 因此需要采用便携式的气 味采集器和采集方法。每次随机取不同贮藏温度下不同贮藏时间的猪肉各 。
18、3 块， 切成肉丁。 准确称取肉丁15g肉丁， 分别平铺于150mL烧杯中， 随即用双层保鲜膜密封， 室温静置10min 说 明 书 CN 104483460 A 5 4/7 页 6 后开始测量。每个样品重复 3 次。传感器阵列系统的工作流程为 ： 样品密封待气味平衡一 段时间后， 顶空气体经采样通道泵入到检测系统中， 传感器因吸附了一定量的挥发性物质， 电导率发生变化， 该信号被数据采集系统获取并存储于计算机中。 采样完毕后， 经活性炭过 滤后的洁净空气被泵入电子鼻， 对传感器进行清洗并使其恢复到初始状态， 为下一次的测 量做准备。其中， 电子鼻测量时， 检测时间为 60s， 清洗时间为 6。
19、0s。60s 清洗时间可充分保 证电子鼻各传感器恢复其初始状态。 0055 步骤 C2 ： 传感器阵列响应值特征提取 0056 传感器阵列系统测量猪肉气味特征时， 获得每一个传感器阵列的响应图谱， 图谱 中每一条曲线代表一个传感器对气味的响应， 曲线上的点代表气味成分通过传感器通道 时， 相对电阻率 (G/G0) 随贮藏时间的变化情况。对于每一个响应曲线， 从初始的零气到最 后样品气体的平稳过程中， 相对电阻率在初期 (20 秒以内 ) 快速增加， 然后再趋于平稳 (35 秒以后)。 通过综合比较不同贮藏温度下各传感器阵列的响应曲线， 在35秒以后， 各优势传 感器响应值趋于平缓且相对稳定状态。
20、， 因此可采用稳定状态下 40 45 秒的信号作为该模 型构建的特征提取， 得到传感器阵列的特征数据。 0057 4贮藏期间， 采用传感器阵列系统采集猪肉的顶空空气， 可得到传感器阵列对不 同贮藏天数产生的气味的特征响应的曲线示意图， 其中， 以贮藏 1 天、 5 天、 13 天为例， 优势 传感器阵列响应值分别为 ： 1.5， 2.5， 4.0， 表明传感器阵列响应值随着贮藏时间的 延长， 气味浓度不断增大而增大， 以4045秒曲线稳定期为特征提取数据作为进一步的分 析， 如图 5 结果表明， 随着贮藏时间的延长， 优势响应的传感器阵列发生变化。新鲜时， 猪肉 气味清淡， 几乎所有传感器都有。
21、良好的响应， 随着贮藏时间的延长， 8号、 6号、 4号、 2号传感 器依次出现不同程度的响应值， 但优势响应的传感器种类几乎一致及响应的强弱依次为 ： 8 号、 6号、 4号、 2号， 其他传感器对气味的响应较低。 由于传感器阵列对不同贮藏时期猪肉品 质劣变过程有良好的响应， 为后续的品质判定提供良好的数据基础。 0058 步骤 C3 ： 模式识别 0059 为了完整地反映猪肉的品质等级， 本发明首先对每一个传感器的特征数据进行主 成分分析， 得到被测肉类的贮藏天数主成分模型， 从众多数据中找出最能反映品质等级和 数据关联的两个主成分。主成分分析 (Principal component a。
22、nalysis， PCA) 是一种降维 的统计方法， 当没有任何有关样品的信息可以提供时， PCA 能迅速浏览所有数据， 通过降维， 用很少的指标来解释样品间潜在的变量和因素， 找出数据之间相关联的特征， 迅速归纳出 可以解释的模型信息。本方法选取前两个主成分进行分析， PC1 和 PC2 上包含了在 PCA 转 换中得到的第一主成分和第二主成分的贡献率。贡献率越大， 说明该成分越能较好地反映 原来多指标的信息。如果前两个主成分的累计贡献率大于 80， 则可针对前两个主成分中 的系数进行分析。 0060 为了完整地反映猪肉的品质等级， 本发明首先采用 10 个传感器的特征数据进行 主成分分析，。
23、 从众多数据中找出最能反映品质等级和数据关联的两个主成分。PCA 是一种 降维的统计方法， 当没有任何有关样品的信息可以提供时， PCA 能迅速浏览所有数据， 通过 降维， 用很少的指标来解释样品间潜在的变量和因素， 找出数据之间相关联的特征， 迅速归 纳出可以解释的模型信息。图 6 中每个椭圆代表不同贮藏时期的数据集合。从 PC1 和 PC2 来看看， 虽然各个数据点集合并没有出现明显的线性分布， 但是各个不同时期的样品区分 说 明 书 CN 104483460 A 6 5/7 页 7 度良好， 且品质相近的数据点集合比较靠近， 如图 6 各数据集合聚类效果良好。采用 PCA 进 行分析时，。
24、 PC1 或 PC2 的比例越大， 表明该主成分对模型的贡献越大。从图 6 中贮藏时间的 PCA 图中可看出， 两轴总贡献率分别为 95.93， 表明该方法可以区分猪肉不同品质等级。 0061 步骤 C4 ： 传感器阵列优化 0062 本发明构建模式识别模型以后， 通过负荷加载分析该模式识别下的各个传感器的 贡献率， 最后建立品质指标与各传感器之间的相关性， 用于优化筛选优势响应传感器阵列。 0063 负荷加载分析是主成分与相应的原始指标变量的相关系数， 用于反映因子和各个 变量间的密切程度。本发明采用负荷加载分析衡量传感器在模式识别中的重要性或贡献 率。通过观察传感器在坐标轴上的响应， 其位。
25、置距离 (0,0) 点越远， 即负载参数值越大， 说 明传感器在评价样品品质中起到的作用越大。 如果某个传感器在模式识别中负载参数近乎 零， 该传感器的识别能力可以忽略不计 ； 如果响应值较高， 该传感器就是识别传感器。如图 7， 负荷加载分析表明， 不同贮藏时间模式识别条件下贡献最大的传感器分别为 8、 6、 4、 2、 9、 7 号， 分别对乙醇、 甲烷、 氢气、 氮氧化合物、 有机硫化物、 硫化物灵敏， 传感器自身的吸附特 性与猪肉腐败异味成分(胺、 氨、 硫化氢、 短链的醛、 酮、 醇类等)非常接近， 因此这些识别传 感器对猪肉品质劣变过程中的异味响应较为灵敏。 0064 相关分析是描。
26、述数据变量相互间关系的密切程度或相互依存关系， 相关系数用于 反映两变量间的简单相关， 包括两个连续变量间的相关和两个等级变量间的秩相关 ； 通过 传感器阵列与品质指标之间的相关系数的大小来确定优化传感器阵列， 即相关系数越高， 且与各个指标的相关性比较稳定， 可以考虑作为优势识别传感器阵列。由于传感器的响应 随着气味的种类和浓度的变化而变化， 因此， 应该结合其他品质指标综合评价和筛选优势 响应传感器阵列更为可靠。 通过相关性分析可以明确各个传感器与品质指标之间的内在关 联。表 1 为各传感器与品质指标的相关分析结果， 根据猪肉品质劣变过程中品质指标及传 感器响应值的变化， 考虑与贮藏时间、。
27、 感官可接受性、 TVBN、 菌落总数相关性较高的传感器 阵列依次为 ： 297648， 297648， 26， 279648 ； 其他传感器的相关性低或者 和不相关。 表明， 2、 9、 7、 6、 4、 8号传感器与品质劣变进程具有稳定显著相关。 该结果与负荷 加载分析识别传感器的贡献率具有很好的一致性， 因此， 将此六个传感器作为精选传感器 阵列用于后续模型构建及模式识别。 0065 表 14贮藏猪肉的品质指标与 10 个传感器响应值的相关分析 0066 传感器序号贮藏时间感官可接受性TVBN菌落总数 1-.808*.817*-.710*-.717* 2.727*-.747*.652*.。
28、709* 3-.804*.812*-.714*-.712* 4.537*-.559*.493*.574* 5-.748*.755*-.676*-.665* 说 明 书 CN 104483460 A 7 6/7 页 8 6.593*-.610*.558*.597* 7.668*-.681*.471*.635* 8.533*-.551*.484*.570* 9.688*-.698*.522*.622* 100.133-0.1770.1240.296 0067 *, 差异显著 (P 0.05) ； *, 差异极显著 (P 0.01) 0068 步骤 C5 ： 模型验证 0069 通过采集已知新鲜度等。
29、级的冷却猪肉的气味， 采用已经建立好的主成分分析模型 对已知样本进行回判聚类分析， 通过已知数据点与构建模型数据集合的聚类效果判定其归 类准确性， 回判正确率 ( 总样品数 - 错误样品数 )100 / 总样品数。通过回判正确率 来评价模型的可靠性。具体地， 包括 ： 0070 步骤 C5-1 ： 回判识别模型 0071 同样以传感器响应曲线稳定期的 40 45 秒为特征进行数据提取， 采用六个优化 后的传感器阵列进行主成分分析， 获得如图 8 的区分效果图， 不同贮藏时间的聚类效果良 好， 随着贮藏时间的延长， 从坐标轴左至右边具有较好的线性关系， 即 1、 3、 5 天新鲜度较好 的数据集。
30、合非常接近， 9、 11、 13 天腐败等级的数据集合随着 PC1 线性增加， 而次新鲜的 7 天 与新鲜和腐败等级处于线性交叉。总体上， 各数据集合随着 PC1 从左至右呈线性增加， 随 PC2 从下至上具有较好的离散性， 且 PC1+PC2 的总贡献率为 95.21。表明优化后的传感器 阵列不仅数量减少， 而且其聚类识别效果具有更好的线性关系。 0072 步骤 C5-2 ： 模型回判正确率 0073 为了进一步验证优化后的传感器阵列的可靠性， 本发明采用已知样品进行回判分 析验证其识别的有效性。采用优化后的 6 个稳定显著相关的传感器阵列对猪肉不同新鲜度 等级进行回判验证， 结果如表 2，。
31、 新鲜、 次新鲜和腐败等级的样品回判正确率虽然均低于 10 个传感器阵列， 但优化后传感器阵列的回判正确率分别达到 82.5、 77.2、 82.2， 总平 均正确率达到 80.6。在精简了 4 个传感器的基础上， 其回判正确率仍能达到 80， 表明 这 6 个传感器是猪肉品质劣变的优势识别传感器阵列， 可以满足快速评判的要求。 0074 表 2 传感器阵列识别不同猪肉等级的回判正确率 0075 0076 与现有技术相比， 本发明的优点在于 ： 首次采用负荷加载分析传感器阵列在已有 模式识别下的贡献率， 并通过建立传感器阵列响应值与品质指标的相关性， 筛选和优化优 说 明 书 CN 10448。
32、3460 A 8 7/7 页 9 势识别传感器阵列， 且回判正确率可达 80以上， 不仅达到精简识别传感器数量， 同时也达 到猪肉新鲜度快速判定的效果。 0077 以上实施方式仅用于说明本发明， 而并非对本发明的限制， 有关技术领域的普通 技术人员， 在不脱离本发明的精神和范围的情况下， 还可以做出各种变化和变型， 因此所有 等同的技术方案也属于本发明的范畴， 本发明的专利保护范围应由权利要求限定。 说 明 书 CN 104483460 A 9 1/4 页 10 图 1 图 2 图 3 说 明 书 附 图 CN 104483460 A 10 2/4 页 11 图 4 图 5 说 明 书 附 图 CN 104483460 A 11 3/4 页 12 图 6 图 7 说 明 书 附 图 CN 104483460 A 12 4/4 页 13 图 8 说 明 书 附 图 CN 104483460 A 13 。