張紅梅,鄒光宇,王淼森,肖焱中,田 輝,王萬(wàn)章

(河南農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院,鄭州 450002)

信陽(yáng)毛尖又稱豫毛峰,屬綠茶類,是中國(guó)十大名茶之一,河南省著名特產(chǎn),素來(lái)以細(xì)、圓、緊、直、多白毫,香高、味濃和色綠的獨(dú)特風(fēng)格而飲譽(yù)中外[1-2]。目前茶葉品質(zhì)評(píng)判主要依靠專業(yè)人員感官評(píng)審,易受到人為因素的影響[3]。至今為止對(duì)茶葉品質(zhì)的科學(xué)檢測(cè)方法報(bào)道,主要有Dong CW等[4]通過(guò)計(jì)算機(jī)視覺(jué)和圖像處理技術(shù),提取不同茶葉的紋理和色澤圖像特征,采用偏最小二乘法和Ada-ELM,分別建立針芽形綠茶外形感官品質(zhì)的線性和非線性預(yù)測(cè)模型,實(shí)現(xiàn)對(duì)不同品質(zhì)綠茶的區(qū)分;Jiang H等[5]采用近紅外光譜技術(shù),通過(guò)建立BP_AdaBoost模型與BPNN模型,對(duì)比發(fā)現(xiàn)近紅外光譜技術(shù)可以成功地應(yīng)用于綠茶感官品質(zhì)評(píng)價(jià),BP_AdaBoost模型可更好對(duì)碧螺春茶品質(zhì)進(jìn)行區(qū)分;Guo H等[6]采用氣相色譜質(zhì)譜聯(lián)用技術(shù)對(duì)苦蕎茶進(jìn)行研究,結(jié)果表明全株茶蛋白質(zhì)和脂肪含量高于全麥茶,而氨基酸和脂肪酸含量低于全麥茶;王夢(mèng)馨等[7]采用電子舌技術(shù)對(duì)不同防凍措施的茶園茶葉進(jìn)行檢測(cè),結(jié)果顯示電子舌可對(duì)3種不同環(huán)境的茶葉進(jìn)行良好的區(qū)分。

電子鼻是一種仿生物嗅覺(jué)的新型檢測(cè)儀器,具有檢測(cè)時(shí)間短,樣品預(yù)處理簡(jiǎn)單,檢測(cè)結(jié)果可靠等優(yōu)點(diǎn),可從宏觀上對(duì)樣品品質(zhì)進(jìn)行檢測(cè),在肉類[8-10]、果蔬[11-13]、酒類[14-15]等食品行業(yè)有著廣泛的應(yīng)用。電子鼻在茶葉方面也有一定的報(bào)道研究,史波林等[16]研究西湖龍井茶香氣特征電子鼻檢測(cè)方法,利用軟獨(dú)立建模分類法(SIMCA)建立不同等級(jí)西湖龍井茶判別模型,等級(jí)分類正確率高達(dá)95%以上。陳婷等[17]采用電子鼻對(duì)云南普洱熟茶進(jìn)行研究,結(jié)果表明電子鼻技術(shù)可用于云南普洱熟茶香氣品質(zhì)判別,對(duì)于不同年份的普洱熟茶有非常好的區(qū)分度;張紅梅等[18]對(duì)信陽(yáng)毛尖揮發(fā)性氣味進(jìn)行研究,建立電子鼻傳感器信號(hào)與茶多酚含量預(yù)測(cè)模型,結(jié)果表明電子鼻技術(shù)結(jié)合有效地模式識(shí)別方法可以用于茶葉理化成分的快速檢測(cè);于慧春等[19]通過(guò)電子鼻對(duì)4個(gè)等級(jí)的西湖龍井進(jìn)行區(qū)分,結(jié)果表明LDA分析與BP神經(jīng)網(wǎng)絡(luò)對(duì)茶葉有良好的區(qū)分效果。于慧春[20]研究不同貯藏時(shí)間的茶葉香氣成分同電子鼻響應(yīng)的關(guān)系。結(jié)果表明電子鼻響應(yīng)信號(hào)隨茶葉貯藏時(shí)間有明顯的變化。迄今為止基于電子鼻的茶葉研究,大多只提取單一特征值,單一特征的表征不能全面準(zhǔn)確的反映出各傳感器響應(yīng)的特性差異,從而會(huì)降低電子鼻判別的準(zhǔn)確率。

本研究提取電子鼻響應(yīng)信號(hào)的總體平均值、上升階段斜率平均值和相對(duì)穩(wěn)態(tài)平均值作為特征值,組成一30維的特征矩陣,進(jìn)行多特征數(shù)據(jù)優(yōu)化融合。對(duì)原始數(shù)據(jù)信息進(jìn)行歸一化處理,采用因子載荷分析、單因素方差分析對(duì)歸一化后數(shù)據(jù)信息進(jìn)行降維處理。通過(guò)PCA無(wú)監(jiān)督模式算法和LDA有監(jiān)督模式算法,對(duì)比觀察優(yōu)化前后茶葉分類效果變化,以達(dá)到減少冗余信息、減小計(jì)算復(fù)雜度的目的,在實(shí)現(xiàn)毛尖等級(jí)識(shí)別的基礎(chǔ)上,對(duì)多特征矩陣優(yōu)化融合。

1 材料與方法

1.1 茶葉樣品

實(shí)驗(yàn)選用茶葉樣品為2017年4月河南信陽(yáng)地區(qū)所摘采的信陽(yáng)毛尖明前茶,選取3種不同品質(zhì)的信陽(yáng)毛尖(信陽(yáng)群體種),品質(zhì)由高到低分別為特級(jí)(T1,特級(jí)一芽一葉初展)、一級(jí)(Y1,一級(jí)一芽一、二葉占90%以上)和二級(jí)(Y2,二級(jí)一芽一、二、三葉占85%以上),實(shí)驗(yàn)前各等級(jí)茶葉采用錫紙袋密封包裝,置于-4 ℃下貯藏。

1.2 實(shí)驗(yàn)儀器

本次試驗(yàn)選用由德國(guó)AIRSENSE公司生產(chǎn)的PEN3型便攜式電子鼻,該電子鼻具有自動(dòng)調(diào)整、自動(dòng)校準(zhǔn)及系統(tǒng)自動(dòng)富集的功能。儀器主要包含傳感器通道、采樣通道、計(jì)算機(jī)。其10個(gè)金屬氧化物氣敏傳感器分別為:W1C(S1)對(duì)芳香成分靈敏,W5S(S2)對(duì)氨氧化合物靈敏,W3S(S3)對(duì)氨水、芳香成分靈敏,W6S(S4)對(duì)氫氣有選擇性,W5C(S5)對(duì)烷烴、芳香成分靈敏,W1S(S6)對(duì)甲烷靈敏,W1W(S7)對(duì)硫化成分及烴和硫的有機(jī)成分較靈敏,W2S(S8)對(duì)乙醇靈敏,W2W(S9)對(duì)芳香成分和有機(jī)硫化物靈敏,W3S(S10)對(duì)烷烴靈敏。傳感器輸出為G/G0,其中G為傳感器接觸到揮發(fā)性氣體的電導(dǎo)率,G0為經(jīng)標(biāo)準(zhǔn)活性炭過(guò)濾后的氣體的電導(dǎo)率。電子鼻自帶WinMuster軟件,對(duì)數(shù)據(jù)進(jìn)行采集、測(cè)量和分析,將采集到的數(shù)據(jù)保存到計(jì)算機(jī)。

1.3 試驗(yàn)方法

對(duì)3個(gè)等級(jí)茶葉各準(zhǔn)備15個(gè)重復(fù)樣品,每個(gè)樣品5 g,放入250 mL燒杯中雙層薄膜密封靜置45 min。電子鼻每隔1 s采樣一次,連續(xù)采樣60 s,清洗時(shí)間50 s,可以基本使傳感器響應(yīng)恢復(fù)初始狀態(tài)。試驗(yàn)在室溫25 ℃下完成。

1.4 數(shù)據(jù)處理

提取測(cè)試信號(hào)的總體平均值、上升階段斜率平均值和相對(duì)穩(wěn)態(tài)平均值作為原始特征值,共提取10×3個(gè)特征參數(shù),組成一30維特征矩陣,各特征參數(shù)分別記為V1、V2、V3、…、V29、V30,采用SPSS 21對(duì)原始特征矩陣依次進(jìn)行歸一化處理、載荷因子分析和單因素方差分析,利用MATLAB 2014a進(jìn)行PCA和LDA分析,對(duì)比分析優(yōu)化前后茶葉分類效果。

2 結(jié)果與分析

2.1 原始數(shù)據(jù)信息歸一化處理結(jié)果

10個(gè)傳感器對(duì)茶葉香氣的響應(yīng)如圖1所示,從圖中可知10個(gè)傳感器隨著響應(yīng)時(shí)間增加,電導(dǎo)比逐漸增大,在20 s時(shí)逐漸趨于穩(wěn)定,到60 s時(shí)測(cè)量結(jié)束。當(dāng)傳感器處于穩(wěn)態(tài)時(shí),S7、S9響應(yīng)值較大,說(shuō)明是對(duì)檢測(cè)結(jié)果起重要作用的傳感器,而S1、S3、S4、S5響應(yīng)值極低,說(shuō)明這些傳感器對(duì)茶葉氣味敏感度低。香氣是決定茶葉品質(zhì)的重要因素之一,為綜合考慮各類型氣味對(duì)茶葉品質(zhì)的影響,本研究保留響應(yīng)值低的傳感器,對(duì)所提取的全部特征信息進(jìn)行歸一化處理。歸一化處理是一種無(wú)量綱的處理手段,可消除數(shù)據(jù)屬性間差別,平滑數(shù)據(jù)的波動(dòng)性,同時(shí)歸一化將數(shù)據(jù)轉(zhuǎn)換為0至1之間小數(shù),減小了計(jì)算量,方便數(shù)據(jù)的處理[21]。本研究采用最值歸一化方法,歸一化的計(jì)算方法如下:

(1)

V′為歸一化后特征值,V為原始數(shù)據(jù)特征值,Vmax為原始特征最大值,Vmin為原始特征最小值。

圖1 信陽(yáng)毛尖傳感器響應(yīng)曲線

圖2 數(shù)據(jù)歸一化處理后PCA分析圖

采用PCA、LDA對(duì)歸一化處理的數(shù)據(jù)進(jìn)行鑒別分析,結(jié)果如圖2、圖3所示。通過(guò)PCA降維,前兩個(gè)主成分的貢獻(xiàn)率分別為74.37%、16.70%,累計(jì)解釋了方差的91.07%,T1、Y1、Y23個(gè)不同等級(jí)的信陽(yáng)毛尖可以被初步區(qū)分,但Y1組內(nèi)間距較大,其內(nèi)部樣品分布較為分散,原始特征矩陣中包含大量冗余信息,需要對(duì)特征矩陣進(jìn)行進(jìn)一步的優(yōu)化融合。經(jīng)LDA降維T1、Y1、Y2組間間距極大,3個(gè)不同等級(jí)的信陽(yáng)毛尖已可良好區(qū)分。歸一化后結(jié)果顯示LDA分析能更好的將3個(gè)不同品質(zhì)茶葉進(jìn)行區(qū)分,LDA分析法分類效果優(yōu)于PCA分析法。這可能是由于PCA算法降維原理是力求樣本在第一、二主成分坐標(biāo)軸投影方差最大,避免一、二主軸包含信息的重疊,盡可能多的保留原始變量信息;LDA算法降維是為保證樣本分類后有最大的類間距離和最小的類內(nèi)距離,使降維后樣品具有最佳的分離性。

圖3 數(shù)據(jù)歸一化處理后LDA分析圖

2.2 因子載荷優(yōu)化

因子載荷是主成分分析應(yīng)用的一個(gè)重要方面[22],其將每個(gè)傳感器提取的特征值當(dāng)做一個(gè)因子變量,通過(guò)比較各因子在主成分一與主成分二軸的投影大小,選擇出影響較大的因子,可有效剔除冗余的特征信息,提高后續(xù)分析效率,因子分析結(jié)果如圖4所示。

圖4 因子載荷分布圖

由圖4可知不同傳感器提取的特征值所對(duì)應(yīng)的因子載荷分布較為分散,相同傳感器提取的3個(gè)特征值對(duì)應(yīng)的因子載荷有明顯重疊現(xiàn)象。有明顯重疊的特征值信號(hào)相似度極高,因此可以考慮對(duì)在一、二主軸上投影較大的重合點(diǎn)剔除一個(gè)特征因子,投影較小的重合點(diǎn)剔除兩個(gè)特征因子或全部剔除。最終選出在一、二主軸上投影大的因子,剔除部分重合因子,盡可能保證提取的三類特征值在優(yōu)化后分布均勻。因子載荷優(yōu)化后保留特征V3、V4、V5、V8、V16、V17、V19、V20、V21、V24、V25、V29,對(duì)茶葉品質(zhì)進(jìn)行分類。優(yōu)化后的新矩陣陣列進(jìn)行PCA、LDA分析,結(jié)果如圖5、圖6所示。與因子載荷優(yōu)化前相比,大量特征值在優(yōu)化后去除,對(duì)加快分類速度起到重要作用。PCA分析前兩個(gè)主成分的貢獻(xiàn)率分別為71.54%、20.83%,解釋了總方差的92.37%。T1、Y1、Y23個(gè)不同等級(jí)的信陽(yáng)毛尖組內(nèi)間距相對(duì)經(jīng)歸一化處理后明顯減小,各類信陽(yáng)毛尖茶聚集效果顯著提高,有利于對(duì)茶葉等級(jí)的劃分。但Y1與Y2的組間間距相對(duì)減小,這將造成一定程度上Y1、Y2分類的誤判,仍需要進(jìn)一步的優(yōu)化處理。LDA分析顯示經(jīng)因子載荷分析優(yōu)化,三類茶葉的組間和組內(nèi)間距發(fā)生變化,區(qū)分效果依舊保持良好。

圖5 因子載荷分析優(yōu)化后PCA分析圖

圖6 因子載荷分析優(yōu)化后LDA分析圖

2.3 單因素方差分析優(yōu)化

采用單因素方差分析,將因子載荷優(yōu)化后的各特征值當(dāng)作一個(gè)因素,3個(gè)等級(jí)茶葉的響應(yīng)作為水平,進(jìn)行方差齊性檢驗(yàn)。表1為單因素方差分析結(jié)果,各特征組間平方和與均方越大,組內(nèi)平方和與均方越小,重復(fù)性越好,其中F值越大表明該特征向量對(duì)樣品的區(qū)分度越高[23]。綜合對(duì)比各特征向量組間平方和與均方、組內(nèi)平方和與均方、F值可發(fā)現(xiàn),特征向量V4、V5、V21的F值最小,組間平方和與均方較小,組內(nèi)平方和與均方較大,可能影響毛尖茶品質(zhì)的區(qū)分應(yīng)予以剔除。剔除后保留V3、V8、V16、V17、V19、V20、V24、V25、V29,對(duì)9個(gè)特征值組成的新矩陣進(jìn)行PCA、LDA分析,結(jié)果如圖7、圖8所示。PCA分析顯示前兩個(gè)主成分的貢獻(xiàn)率分別為73.54%、21.29%,解釋了總方差的94.83%,相比經(jīng)歸一化處理PCA分析解釋總方差略微增大。同因子載荷優(yōu)化后相比,各等級(jí)茶葉組內(nèi)間距進(jìn)一步縮小,3個(gè)等級(jí)茶葉各自的聚集效果有所增強(qiáng)。Y1、Y2組間間距增大分類效果更加明顯,3個(gè)等級(jí)的茶葉可得到明顯區(qū)分。LDA分析表明單因素方差優(yōu)化前后分類結(jié)果依舊保持良好,佐證說(shuō)明特征向量V4、V5、V21存在大量冗余信息,單因素方差分析優(yōu)化可進(jìn)一步減少3組特征值,優(yōu)化后會(huì)減小計(jì)算量,有助于加快分類速度。

表1 各特征值響應(yīng)程度單因素方差分析結(jié)果

圖7 單因素方差分析優(yōu)化后PCA分析圖

圖8 單因素方差分析優(yōu)化后LDA分析圖

2.4 傳感器陣列優(yōu)化對(duì)比

對(duì)電子鼻傳感器陣列進(jìn)行優(yōu)化,進(jìn)一步對(duì)九維的新特征矩陣進(jìn)行數(shù)據(jù)融合,去除上述提及響應(yīng)值低的傳感器S3、S4、S5所對(duì)應(yīng)的特征值V3、V24、V25,PCA與LDA分析結(jié)果如圖9、圖10所示。與優(yōu)化前相比PCA圖顯示,3個(gè)等級(jí)茶葉的組間距離顯著減小:LDA圖顯示Y1茶葉的組內(nèi)距離明顯增大,3個(gè)等級(jí)茶葉的組間距離也略微縮小。優(yōu)化后整體分類效果與優(yōu)化前相比有所下降,因此需要保留特征值V3、V24、V25。同時(shí)這也反映出,雖然傳感器S3、S4、S5對(duì)茶葉香氣的響應(yīng)值低,但是這3個(gè)傳感器對(duì)于評(píng)判茶葉的整體品質(zhì)也發(fā)揮著一定的作用。茶葉的氣味是由多種化學(xué)成分組合而成的,一些含量較低的成分也可能會(huì)對(duì)茶葉品質(zhì)造成影響。因而評(píng)判茶葉品質(zhì)不應(yīng)僅從傳感器的響應(yīng)狀態(tài)入手,而要多角度、多層次的考量。

圖9 傳感器優(yōu)化后PCA分析圖

圖10 傳感器優(yōu)化后LDA分析圖

3 結(jié)論

本研究針對(duì)提取的三類特征值所組成的30維特征矩陣進(jìn)行優(yōu)化融合,分別對(duì)原始特征矩陣通過(guò)歸一化處理、因子載荷分析、單因素方差分析,實(shí)現(xiàn)多特征優(yōu)化融合。結(jié)果顯示,最終得到的特征向量V3、V8、V16、V17、V19、V20、V24、V25、V29所組成的9維矩陣,保留了大量原始信息特征,剔除了冗余特征。通過(guò)主成分分析顯示,優(yōu)化后各等級(jí)茶葉組內(nèi)聚集效果顯著提高,組間間距也得到良好的區(qū)分。線性判別分析顯示,優(yōu)化后3個(gè)類別茶葉組間間距增大,分類效果更明顯,且分類結(jié)果優(yōu)于主成分分析。研究結(jié)果表明,基于傳感器陣列多特征數(shù)據(jù)融合鑒別信陽(yáng)毛尖品質(zhì)是可行的,本研究提出的優(yōu)化方法可降低數(shù)據(jù)的維度,通過(guò)對(duì)各特征分析去除冗余信息后,能有效優(yōu)化多特征向量組成的矩陣陣列,分類結(jié)果更加清晰明朗,實(shí)現(xiàn)了對(duì)傳感器陣列多特征的優(yōu)化融合。另外需要指明,本研究給出的特征矩陣陣列可能不是最佳陣列,所提取的3類特征值也并非最適合毛尖品質(zhì)的鑒別,這些工作還有待進(jìn)一步的研究。

[1] 張巧萍,聶勝委,張玉亭,等. 信陽(yáng)毛尖春茶、夏茶的品質(zhì)現(xiàn)狀及標(biāo)準(zhǔn)淺析[J]. 西南農(nóng)業(yè)學(xué)報(bào),2015,28(1):94-98.

[2] 宛曉春,龔淑英,龔正禮. 中國(guó)茶譜[M]. 北京:中國(guó)林業(yè)出版社,2007.

[3] 周小芬,葉陽(yáng),陳芃,等. 近紅外光譜技術(shù)在茶葉品質(zhì)評(píng)價(jià)中的研究與應(yīng)用[J]. 食品工業(yè)科技,2012,33(5):413-417.

[4] Dong C W,Zhu H K,Zhao J W,et al. Sensory Quality Evaluation for Appearance of Needle-Shaped Green Tea Based on Computer Vision and Nonlinear Tools[J]. J Zhejiang Univ Sci B,2017,18(6):544-548.

[5] Jiang H,Chen Q. Chemometric Models for the Quantitative Descriptive Sensory Properties of Green Tea(Camellia sinensis,L.)Using Fourier Transform Near Infrared(FT-NIR)Spectroscopy[J]. Food Analytical Methods,2015,8(4):954-962.

[6] Guo H,Yang X,Zhou H,et al. Comparison of Nutritional Composition,Aroma Compounds,and Biological Activities of Two Kinds of Tartary Buckwheat Tea.[J]. Journal of Food Science,2017,82(7):1735-1741.

[7] 王夢(mèng)馨,薄曉培,韓善捷,等. 不同防凍措施茶園茶湯滋味差異的電子舌檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2016,32(16):300-306.

[8] 賈洪鋒,盧一,何江紅,等. 電子鼻在牦牛肉和牛肉豬肉識(shí)別中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào),2011,27(5):358-363.

[9] 湯旭翔,劉偉,韓圓圓,等. 基于電子鼻和非線性數(shù)據(jù)特征分析的雞肉鮮度檢測(cè)方法[J]. 傳感技術(shù)學(xué)報(bào),2014,27(10):1443-1446.

[10] 洪雪珍,王俊. 基于逐步判別分析和BP神經(jīng)網(wǎng)絡(luò)的電子鼻豬肉儲(chǔ)藏時(shí)間預(yù)測(cè)[J]. 傳感技術(shù)學(xué)報(bào),2010,23(10):1376-1380.

[11] 傅 均,黃燦欽,章鐵飛. 便攜式智能電子鼻系統(tǒng)及其葡萄貨架期評(píng)價(jià)研究[J]. 傳感技術(shù)學(xué)報(bào),2017,30(5):782-788.

[12] 王虎玄,胡仲秋,龍芳羽,等. 蘋果汁中魯氏接合酵母早期污染的電子鼻識(shí)別研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2016,47(1):209-214,220.

[13] 吳莉莉,鄭丹,鄭寶周,等. 基于電子鼻技術(shù)的花椒品種鑒別方法研究[J]. 傳感技術(shù)學(xué)報(bào),2013,26(11):1473-1477.

[14] 周宇,孟慶浩,亓培鋒,等. 基于單類支持向量機(jī)的電子鼻在白酒真假識(shí)別中的應(yīng)用[J]. 傳感技術(shù)學(xué)報(bào),2015,28(12):1741-1746.

[15] 惠國(guó)華,陳裕泉. 基于電子鼻系統(tǒng)的不同風(fēng)味紹興黃酒區(qū)分方法研究[J]. 傳感技術(shù)學(xué)報(bào),2011,24(12):1799-1803.

[16] 史波林,趙鐳,支瑞聰,等. 應(yīng)用電子鼻判別西湖龍井茶香氣品質(zhì)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2011,27(S2):302-306.

[17] 陳婷,蔣明忠,彭文,等. 基于電子鼻技術(shù)對(duì)云南普洱熟茶的香氣品質(zhì)判別[J]. 西南農(nóng)業(yè)學(xué)報(bào),2017,30(2):339-344.

[18] 張紅梅,田輝,何玉靜,等. 茶葉中茶多酚含量電子鼻技術(shù)檢測(cè)模型研究[J]. 河南農(nóng)業(yè)大學(xué)學(xué)報(bào),2012,46(3):302-306.

[19] 于慧春,王俊,張紅梅,等. 龍井茶葉品質(zhì)的電子鼻檢測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2007,38(7):103-106.

[20] 于慧春. 基于電子鼻技術(shù)的茶葉品質(zhì)研究[D]. 浙江大學(xué),2007,6.

[21] 湯榮志,段會(huì)川,孫海濤. SVM訓(xùn)練數(shù)據(jù)歸一化研究[J]. 山東師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,31(4):60-65.

[22] 亓培鋒,孟慶浩,井雅琪,等. 電子鼻中預(yù)處理算法選擇及陣列優(yōu)化[J]. 數(shù)據(jù)采集與處理,2015,30(5):1099-1108.

[23] 趙鐳,史波林,汪厚銀,等. 電子鼻傳感器篩選的組合優(yōu)化法研究[J]. 食品科學(xué),2009,30(20):367-370.