丁煜函，葛東營(yíng)，荊 磊，Muhammad SHAHZAD，江 輝

（1.江蘇大學(xué)高效能電機(jī)系統(tǒng)與智能控制研究院，江蘇 鎮(zhèn)江 212013；2.江蘇大學(xué)電氣信息工程學(xué)院，江蘇 鎮(zhèn)江 212013）

眉茶[1]是一種綠茶類(lèi)珍品，其外形勻整、條索緊結(jié)、香高味濃。由于原料選用和制作工藝水平的不同，成品茶葉的品質(zhì)存在很大差異，價(jià)格也存在很大差異。目前茶葉質(zhì)量檢測(cè)以及等級(jí)劃分的界限比較模糊，不良商家常以次充好，欺騙消費(fèi)者，嚴(yán)重?cái)_亂了消費(fèi)市場(chǎng)的秩序，對(duì)我國(guó)的茶葉生產(chǎn)和銷(xiāo)售造成了極為不利的影響。鑒于此，研究一種科學(xué)、簡(jiǎn)單、快速的鑒別茶葉等級(jí)的方法具有十分重要的意義。

目前有關(guān)茶葉檢測(cè)以傳統(tǒng)方法為主，即感官評(píng)定法[2]和理化指標(biāo)法[3]。感官評(píng)定法需要對(duì)評(píng)審人員進(jìn)行專(zhuān)門(mén)培訓(xùn)，成本代價(jià)高且評(píng)審結(jié)果易受到主觀因素和外在環(huán)境條件的影響。而理化指標(biāo)法依賴于化學(xué)試劑且需要耗費(fèi)大量的實(shí)驗(yàn)材料，雖然結(jié)果精度較高，但操作復(fù)雜、成本高、檢測(cè)速度慢。

隨著科技不斷發(fā)展，人們開(kāi)始應(yīng)用各種儀器分析方法對(duì)茶葉進(jìn)行等級(jí)分類(lèi)，例如電子鼻技術(shù)、近紅外光譜技術(shù)等[4-10]。電子鼻技術(shù)即人工嗅覺(jué)分析技術(shù)，能模仿人的鼻子進(jìn)行氣味識(shí)別和分析檢測(cè)[11]。茶葉中含有豐富的揮發(fā)性化合物，這些揮發(fā)性物質(zhì)由類(lèi)胡蘿卜素、脂類(lèi)、糖苷等前體產(chǎn)生，也有部分來(lái)自于美拉德反應(yīng)[12]。這些揮發(fā)性物質(zhì)的種類(lèi)和含量受到茶葉本身特性和加工過(guò)程的影響，因此通過(guò)人工嗅覺(jué)分析技術(shù)檢測(cè)這些揮發(fā)性物質(zhì)能夠區(qū)分不同類(lèi)型、不同等級(jí)的茶葉。例如：戴悅雯等[13]運(yùn)用電子鼻傳感器采集的數(shù)據(jù)信息，精確地分類(lèi)了4種不同等級(jí)的西湖龍井茶葉；薛大為等[14]提取電子鼻特征信號(hào)，通過(guò)建立神經(jīng)網(wǎng)絡(luò)模型正確識(shí)別了不同等級(jí)的黃山毛峰；Chen Quansheng等[15]運(yùn)用電子鼻技術(shù)對(duì)綠茶氣味信息進(jìn)行采集和特征提取，建立了人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（support vector machine，SVM）的綠茶等級(jí)分類(lèi)模型。

由于電子鼻儀器價(jià)格昂貴、操作方法復(fù)雜，且只對(duì)一些特定的揮發(fā)性物質(zhì)有較好的敏感性，而品種相同等級(jí)不同的綠茶之間揮發(fā)性物質(zhì)差異較小，用傳統(tǒng)的電子鼻方法并不能很好地實(shí)現(xiàn)快速正確的茶葉等級(jí)判別，需要探討應(yīng)用嗅覺(jué)可視化技術(shù)[16-19]對(duì)眉茶等級(jí)進(jìn)行分類(lèi)。

嗅覺(jué)可視化技術(shù)的基本原理是將化學(xué)顯色試劑（色敏材料）和待測(cè)物質(zhì)的揮發(fā)性氣體進(jìn)行反應(yīng)，利用反應(yīng)前后的顏色差值對(duì)待測(cè)物質(zhì)進(jìn)行定性和定量分析。傳統(tǒng)電子鼻技術(shù)僅依靠較弱的范德華力捕獲氣味，而嗅覺(jué)可視化技術(shù)又引入了金屬鍵、極性鍵等較強(qiáng)的相互作用力，使其在檢測(cè)氣味時(shí)更加靈敏、穩(wěn)定[16]。嗅覺(jué)可視化技術(shù)作為近年來(lái)發(fā)展迅速的檢測(cè)技術(shù)之一，已在農(nóng)產(chǎn)品和食品檢測(cè)上廣泛應(yīng)用。如：鄒小波等[20]應(yīng)用嗅覺(jué)可視化技術(shù)成功對(duì)4種不同食醋的氣味進(jìn)行分類(lèi)；鄒小波等[21]自制嗅覺(jué)可視化傳感器，運(yùn)用嗅覺(jué)可視化技術(shù)對(duì)不同酒精度的白酒進(jìn)行了分類(lèi)。也有學(xué)者把嗅覺(jué)可視化技術(shù)和主成分分析（principal component analysis，PCA）相結(jié)合，實(shí)現(xiàn)了半發(fā)酵烏龍茶的等級(jí)分類(lèi)[22]，證實(shí)了利用嗅覺(jué)可視化技術(shù)對(duì)茶葉進(jìn)行等級(jí)分類(lèi)的可行性。

本研究首先通過(guò)預(yù)實(shí)驗(yàn)篩選出了對(duì)眉茶茶湯揮發(fā)氣體較為敏感的色敏材料，并用這些材料制備色敏型的嗅覺(jué)可視化傳感器陣列，構(gòu)建嗅覺(jué)可視化系統(tǒng)；然后利用傳感器陣列反應(yīng)前后的顏色差值，生成特征圖像，獲取實(shí)驗(yàn)數(shù)據(jù)；最后引入群體智能優(yōu)化算法[23-24]，包括螢火蟲(chóng)算法[25]、灰狼優(yōu)化算法[26]、布谷鳥(niǎo)算法[27-28]，建立優(yōu)化的SVM分類(lèi)模型，并比較不同群體智能優(yōu)化算法對(duì)眉茶分類(lèi)的不同效果。

1 材料與方法

1.1 材料與試劑

6 個(gè)等級(jí)的眉茶：珍眉綠茶41022AAAAAA（L1）、珍眉綠茶41022AAA（L2）、眉茶41022（L3）、眉茶4011（L4）、眉茶9371（L5）和眉茶9369（L6）黃山市松蘿有機(jī)茶葉開(kāi)發(fā)有限公司。稱取6 個(gè)不同等級(jí)的眉茶茶葉，每個(gè)樣本的質(zhì)量為（3±0.005）g，每個(gè)等級(jí)的茶葉取15 個(gè)樣本，共計(jì)90 個(gè)樣本。

卟啉指示劑 美國(guó)Sigma-Aldrich公司。

1.2 儀器與設(shè)備

AUY120電子分析天平（精度0.000 1 g） 日本島津公司；SB-3200DT超聲波清洗機(jī) 寧波新芝生物科技有限公司；LIDE220掃描儀 日本佳能株式會(huì)社。

1.3 方法

1.3.1 嗅覺(jué)可視化傳感器制備

預(yù)實(shí)驗(yàn)中，首先去掉暈染和擴(kuò)散效果不好的卟啉指示劑，然后將暈染和擴(kuò)散較好的卟啉指示劑印染于反相硅膠板上，并與不同等級(jí)的眉茶反應(yīng)后獲得特征圖像，篩選出特征圖像顯色效果比較明顯的12種卟啉指示劑，如圖1所示。

圖1 色敏材料的顯色效果Fig. 1 Chromogenic effect of color-sensitive materials

用篩選出的12種卟啉指示劑制備嗅覺(jué)可視化傳感器陣列，如表1所示。圖1中序號(hào)與表1中色敏材料的編號(hào)一一對(duì)應(yīng)。

表1 制備嗅覺(jué)可視化傳感器的色敏材料Table 1 Color-sensitive materials used for preparation of olfactory visualization sensor

制備嗅覺(jué)可視化傳感器的具體過(guò)程如下：取12種卟啉指示劑各8 mg分別溶于二氯甲烷溶劑中，定容使每種溶液的質(zhì)量濃度都為2 mg/mL。將配好的溶液密封于試劑瓶并置于超聲波清洗機(jī)中180 W超聲振蕩30 min，使卟啉指示劑充分溶解。利用點(diǎn)樣毛細(xì)管在4 cm×3 cm的反相硅膠板上印染上配制好的12種卟啉指示劑溶液，制作4×3嗅覺(jué)可視化傳感器陣列。將制備的傳感器陣列置于通風(fēng)柜中干燥15 min，密封存放于自封袋中備用。

1.3.2 數(shù)據(jù)采集

將制備的嗅覺(jué)可視化傳感器陣列與眉茶茶湯的揮發(fā)性氣體反應(yīng)，通過(guò)傳感器陣列反應(yīng)前后的顏色差值獲取特征圖像，如圖2所示。

圖2 嗅覺(jué)可視化數(shù)據(jù)的采集過(guò)程示意圖Fig. 2 Schematic diagram of data acquisition of olfactory visualization

數(shù)據(jù)采集的過(guò)程如下：將制備的4×3嗅覺(jué)可視化傳感器陣列用掃描儀掃描得到反應(yīng)前的圖像。將稱好的茶葉樣本倒入250 mL錐形瓶中，取燒開(kāi)的沸水150 mL倒入錐形瓶中，塞好瓶塞，泡制5 min。將茶渣通過(guò)濾紙和漏斗過(guò)濾，用移液槍吸取茶湯少許，移入直徑60 mm、高度15 mm的圓形石英皿中。將掃描儀掃描后的傳感器陣列用膠帶固定在保鮮膜上，用保鮮膜將石英皿密封好（保證傳感器陣列正面朝向茶湯，且不與茶湯接觸），置于20～25 ℃環(huán)境下反應(yīng)20 min。反應(yīng)完成后，從保鮮膜中取出傳感器陣列，再次用掃描儀掃描，獲取反應(yīng)后的圖像。取傳感器陣列各色敏點(diǎn)中心周?chē)霃綖?0 個(gè)像素的紅（R）、綠（G）、藍(lán)（B）顏色分量的平均值作為顏色均值，將傳感器陣列上反應(yīng)前后的顏色均值作差得到各色敏點(diǎn)的顏色分量差值特征（ΔR、ΔG、ΔB），生成特征圖像。

1.3.3 數(shù)據(jù)預(yù)處理

嗅覺(jué)可視化技術(shù)屬于間接檢測(cè)技術(shù)，且人工印染卟啉指示劑存在試劑用量的差異，因此采集到的嗅覺(jué)數(shù)據(jù)難免會(huì)存在誤差信息，這些誤差信息會(huì)給后續(xù)的建模帶來(lái)一定影響。為盡可能消除這些影響，采取Savitzky-Golay（SG）算法對(duì)數(shù)據(jù)進(jìn)行平滑濾波[29]。SG平滑算法能夠過(guò)濾數(shù)據(jù)中存在的數(shù)據(jù)誤差，增加平滑性。接著用Min-Max Normalization函數(shù)[30]對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

每個(gè)樣本的數(shù)據(jù)都包含36 個(gè)顏色差值分量，維度過(guò)大且存在一定的信息冗余，因此采用PCA對(duì)數(shù)據(jù)進(jìn)行降維，可以有效消除信息冗余并保留原始變量的絕大部分有效信息，將樣本從36 個(gè)特征維度映射到k維（k是構(gòu)造出來(lái)的PC且k小于36）。

1.3.4 眉茶等級(jí)分類(lèi)模型建立和優(yōu)化

采用SVM[31-34]建立眉茶等級(jí)分類(lèi)模型，通過(guò)尋找一個(gè)超平面，根據(jù)樣本的正類(lèi)和負(fù)類(lèi)進(jìn)行分割。在樣本空間中，分割超平面可通過(guò)下式描述：

式中：ω為超平面的法向量，b為截距。

SVM基于結(jié)構(gòu)風(fēng)險(xiǎn)最小的原理，將求解的問(wèn)題轉(zhuǎn)化為一個(gè)線性約束的凸二次規(guī)劃問(wèn)題，即以訓(xùn)練誤差作為優(yōu)化問(wèn)題的約束條件，以置信范圍最小化為最優(yōu)目標(biāo)，如式（2）～（4）所示，其解具有唯一性和全局最優(yōu)性。

式（2）～（4）中：xi為輸入樣本；yi為輸入樣本；n為樣本總數(shù)；ζi為松弛因子；K（xi，x）為SVM模型的核函數(shù)；c為懲罰因子；g為核函數(shù)參數(shù)。

為實(shí)現(xiàn)對(duì)眉茶的多等級(jí)分類(lèi)，通過(guò)組合多個(gè)二分類(lèi)器實(shí)現(xiàn)對(duì)多分類(lèi)器的構(gòu)造。采用“一對(duì)其他”的方法，為每個(gè)眉茶等級(jí)構(gòu)造一個(gè)SVM，每個(gè)SVM負(fù)責(zé)區(qū)分本類(lèi)數(shù)據(jù)和非本類(lèi)數(shù)據(jù)：第k個(gè)SVM在第k類(lèi)和其余5 類(lèi)之間構(gòu)造一個(gè)超平面，最后結(jié)果輸出由離超平面y距離最大的支持向量決定。

采用五折交叉驗(yàn)證對(duì)模型進(jìn)行測(cè)試，將預(yù)處理的數(shù)據(jù)平均分成5 組，每組樣本都將作為測(cè)試集（驗(yàn)證集）進(jìn)行1 次分類(lèi)正確率測(cè)試，而另外4 組樣本作為訓(xùn)練集構(gòu)造和優(yōu)化模型，如此循環(huán)5 次，保證每個(gè)樣本都會(huì)被驗(yàn)證1 次。測(cè)試集和訓(xùn)練集的正確率均由5 次驗(yàn)證和5 次訓(xùn)練的平均值決定，以訓(xùn)練分類(lèi)正確率作為適應(yīng)度函數(shù)，通過(guò)優(yōu)化算法搜索最優(yōu)的c和g，并以最佳參數(shù)建立優(yōu)化的SVM模型。采用螢火蟲(chóng)算法[25]、灰狼優(yōu)化算法[26]和布谷鳥(niǎo)算法[27]作為優(yōu)化算法，分別記為FA-SVM、GWO-SVM和CS-SVM。

1.3.4.1 螢火蟲(chóng)優(yōu)化算法

螢火蟲(chóng)算法的主要思想是：在高維空間中把螢火蟲(chóng)當(dāng)做一個(gè)點(diǎn)并作為一個(gè)可行解，螢火蟲(chóng)的亮度越高代表其在空間內(nèi)的適應(yīng)度值越高，也越容易吸引亮度低的螢火蟲(chóng)。因此，螢火蟲(chóng)算法每進(jìn)行1 次迭代，每個(gè)螢火蟲(chóng)都會(huì)通過(guò)搜尋亮度更高的螢火蟲(chóng)更新自己的位置，通過(guò)此過(guò)程尋找最優(yōu)解。

本研究將c、g參數(shù)作為螢火蟲(chóng)的坐標(biāo)（即一個(gè)可行的SVM模型參數(shù)），以訓(xùn)練分類(lèi)正確率表示螢火蟲(chóng)的亮度（即適應(yīng)度值），分類(lèi)正確率高的“螢火蟲(chóng)”表示更可能靠近最優(yōu)點(diǎn)，更容易吸引其他分類(lèi)正確率低的“螢火蟲(chóng)”靠近，而最高亮度的“螢火蟲(chóng)”通過(guò)隨機(jī)移動(dòng)跳出局部最優(yōu)點(diǎn)，搜索全局最優(yōu)點(diǎn)。將螢火蟲(chóng)算法的種群規(guī)模設(shè)置為100，吸收強(qiáng)度系數(shù)為0.5，最大吸收度為1.0，最大迭代次數(shù)為200。

1.3.4.2 灰狼優(yōu)化算法

灰狼算法是一種通過(guò)模擬灰狼群體捕食行為而提出的仿生算法。將灰狼種群分成4種社會(huì)等級(jí)，前3種等級(jí)分別是α狼、β狼和δ狼，它們分別代表問(wèn)題的最優(yōu)解、次優(yōu)解和第3優(yōu)解，處于最低級(jí)的ω狼則作為候選解。

本研究以c、g參數(shù)表示狼群捕獵時(shí)各個(gè)體的位置，通過(guò)狼群的信息交互和移動(dòng)找到全局最優(yōu)解，完成整個(gè)尋優(yōu)過(guò)程?；依撬惴ㄖ校x了α狼、β狼和δ狼，相當(dāng)于有3 個(gè)候選的優(yōu)化解吸引其他個(gè)體按照權(quán)重向它們靠近，加快了尋優(yōu)的速度和效率，因此有望獲得更好的優(yōu)化效果。將灰狼優(yōu)化算法的種群規(guī)模設(shè)置為100，最大迭代次數(shù)設(shè)為200。

1.3.4.3 布谷鳥(niǎo)優(yōu)化算法

布谷鳥(niǎo)算法是受布谷鳥(niǎo)寄生孵化的行為啟發(fā)而提出的一種群智能優(yōu)化算法。該算法引入隨機(jī)性較強(qiáng)的萊維飛行特征實(shí)現(xiàn)路線搜索，有良好的尋優(yōu)能力，因此可以迅速獲取問(wèn)題的最優(yōu)解。同時(shí)，布谷鳥(niǎo)算法引入了鳥(niǎo)蛋被發(fā)現(xiàn)的概率，不適合的鳥(niǎo)巢適應(yīng)度低，寄生鳥(niǎo)蛋容易被寄主鳥(niǎo)發(fā)現(xiàn)，被發(fā)現(xiàn)后必須搜索新的鳥(niǎo)巢，以提高適應(yīng)度。布谷鳥(niǎo)算法通過(guò)這樣的方式，丟棄劣質(zhì)解，使種群能更有效地向最優(yōu)解收斂。

本研究將布谷鳥(niǎo)算法的種群數(shù)量設(shè)為50，被寄主鳥(niǎo)發(fā)現(xiàn)布谷鳥(niǎo)蛋的概率設(shè)為0.7，最大迭代次數(shù)設(shè)為200。

2 結(jié)果與分析

2.1 嗅覺(jué)可視化傳感器陣列的響應(yīng)結(jié)果

眉茶中6 個(gè)不同等級(jí)樣本的嗅覺(jué)可視化傳感器差值特征圖像如圖3所示?？梢钥闯鰝鞲衅麝嚵袑?duì)不同等級(jí)眉茶樣本的響應(yīng)不同，并且僅從肉眼就能看出每個(gè)傳感器陣列的差值特征圖像的差異。因此，通過(guò)研究自制的嗅覺(jué)可視化傳感器陣列實(shí)現(xiàn)眉茶不同等級(jí)的分類(lèi)在理論上可行。

圖3 6種不同等級(jí)眉茶的特征圖像Fig. 3 Characteristic images of six different grades of Mee tea

從圖3還可看出，傳感器陣列某些位置對(duì)不同等級(jí)眉茶樣本的顯色差異不是很明顯，這表明這些數(shù)據(jù)對(duì)于區(qū)分不同等級(jí)眉茶的貢獻(xiàn)不大，屬于無(wú)關(guān)信息。此外，可視化傳感器陣列具有交叉敏感性，即一種揮發(fā)性物質(zhì)會(huì)讓多個(gè)敏感單元產(chǎn)生響應(yīng)，所以嗅覺(jué)可視化特征變量間存在一定的相關(guān)性，這種相關(guān)性會(huì)造成信息的冗余[35]。因此，需要對(duì)傳感器陣列的特征數(shù)據(jù)進(jìn)行優(yōu)化，以消除無(wú)關(guān)和冗余信息的影響。

2.2 PCA

嗅覺(jué)可視化傳感器陣列共獲得12 個(gè)色敏點(diǎn)，R、G、B數(shù)據(jù)共36 維。通過(guò)PCA提取36 維數(shù)據(jù)的前2、3 個(gè)PC作圖。如圖4所示，僅用2 個(gè)或3 個(gè)PC很難將不同等級(jí)的茶葉分開(kāi)，且無(wú)法通過(guò)線性分類(lèi)實(shí)現(xiàn)6 個(gè)等級(jí)眉茶的區(qū)分。但通過(guò)引入第3個(gè)PC，使原本無(wú)法通過(guò)前2 個(gè)PC進(jìn)行區(qū)分的L3眉茶與其他等級(jí)的眉茶明顯區(qū)分開(kāi)來(lái)。因此，通過(guò)引入更多的PC，并在高維空間采用SVM模型進(jìn)行非線性分割的方法有可能實(shí)現(xiàn)6 個(gè)等級(jí)眉茶的正確分類(lèi)。

圖4 前2、3 個(gè)PC的PCA得分圖Fig. 4 Score plots of PCA with first two or first three PCs

2.3 模型等級(jí)分類(lèi)結(jié)果對(duì)比

交叉驗(yàn)證法可以在數(shù)據(jù)集較少時(shí)，充分利用這些樣本找到合適的模型參數(shù)，從而得到更加穩(wěn)定可靠的模型?；诮?jīng)驗(yàn)參數(shù)的基本SVM模型對(duì)眉茶的等級(jí)分類(lèi)結(jié)果如圖5所示，基本SVM模型最高能獲得80%的分類(lèi)正確率，此時(shí)PC個(gè)數(shù)為12 個(gè)；隨著PC個(gè)數(shù)的增加，分類(lèi)正確率并沒(méi)有呈現(xiàn)增加趨勢(shì)，特別是PC個(gè)數(shù)超過(guò)26后，分類(lèi)正確率表現(xiàn)出快速下降趨勢(shì)。這說(shuō)明非線性的SVM分類(lèi)模型對(duì)高維空間進(jìn)行合適的非線性分割較為困難，也更容易出現(xiàn)過(guò)擬合現(xiàn)象（訓(xùn)練集分類(lèi)正確率達(dá)到100%，而測(cè)試集分類(lèi)正確率較差），造成SVM模型的分類(lèi)正確率隨著輸入維數(shù)增加而迅速變差。因此，使用SVM模型時(shí)，采用PCA對(duì)輸入數(shù)據(jù)進(jìn)行處理和降維非常必要。

圖5 SVM模型測(cè)試集（a）和訓(xùn)練集（b）等級(jí)分類(lèi)結(jié)果Fig. 5 Results of tea grade classification by SVM model for test (a) and training sets (b)

作為對(duì)比，圖6給出了采用傳統(tǒng)的偏最小二乘法判別分析（partial least squares discriminant analysis，PLS-DA）線性分類(lèi)模型得到的分類(lèi)結(jié)果，PC個(gè)數(shù)為11時(shí)，PLS-DA能獲得最高83.3%的分類(lèi)正確率，此結(jié)果優(yōu)于基本SVM分類(lèi)模型。需要說(shuō)明的是，PLS-DA沒(méi)有可調(diào)的模型參數(shù)，其分類(lèi)效果僅由訓(xùn)練樣本決定，缺乏靈活性。而SVM模型的分類(lèi)效果由g（決定分類(lèi)超平面的形式）、c（決定模型對(duì)錯(cuò)誤樣本的容忍度）以及訓(xùn)練樣本共同決定，通過(guò)c、g參數(shù)的選擇，能較好適用于不同的研究對(duì)象。因此，c、g的選擇非常關(guān)鍵，但根據(jù)經(jīng)驗(yàn)得到的c、g參數(shù)往往很難適用于所有對(duì)象，所以需要通過(guò)優(yōu)化算法尋找適合特定對(duì)象的最優(yōu)參數(shù)。

圖6 PLS-DA模型測(cè)試集（a）和訓(xùn)練集（b）等級(jí)分類(lèi)結(jié)果Fig. 6 Results of tea grade classification of PLS-DA model on test (a) and training sets (b)

由于SVM模型在輸入維數(shù)超過(guò)20 維（尤其是26 維）后容易出現(xiàn)過(guò)擬合現(xiàn)象，導(dǎo)致分類(lèi)正確率顯著降低而失去實(shí)用價(jià)值，本研究?jī)H給出3種優(yōu)化模型4～26 維的分類(lèi)結(jié)果。

3種不同優(yōu)化算法優(yōu)化后的SVM分類(lèi)模型對(duì)眉茶的等級(jí)分類(lèi)結(jié)果如圖7所示，F(xiàn)A-SVM模型最多能夠得到85.6%的分類(lèi)正確率，但需要的PC個(gè)數(shù)為20 個(gè)，表明該FA算法對(duì)于嗅覺(jué)可視化數(shù)據(jù)不易找到合適的SVM優(yōu)化參數(shù)，優(yōu)化帶來(lái)的精度提高也比較有限；GWO-SVM模型最多能獲得87.8%的分類(lèi)正確率，所需的PC個(gè)數(shù)減少為11 個(gè)；CS-SVM不僅能獲得最高的93.3%分類(lèi)正確率，且所需的PC個(gè)數(shù)也最少，表明CS-SVM模型對(duì)于嗅覺(jué)可視化數(shù)據(jù)能夠用較少的PC個(gè)數(shù)找到較合適的分類(lèi)超平面，實(shí)現(xiàn)對(duì)眉茶等級(jí)較為正確的分類(lèi)。

圖7 FA-SVM（a）、GWO-SVM（b）、CS-SVM（c）優(yōu)化模型的等級(jí)分類(lèi)結(jié)果Fig. 7 Results of tea grade classification by FA-SVM (a), GWO-SWM (b) or CS-SVM (c) optimized models

PC個(gè)數(shù)為6時(shí)CS-SVM模型得到的等級(jí)分類(lèi)結(jié)果如圖8所示，CS-SVM模型的分類(lèi)錯(cuò)誤主要發(fā)生在L1和L2之間，有L1的眉茶樣本被誤分類(lèi)為L(zhǎng)2，有兩個(gè)L2的眉茶樣本被誤分類(lèi)為L(zhǎng)1。這是因?yàn)長(zhǎng)1和L2的茶葉均為珍眉綠茶，在特性上較為接近。從圖4也可看出，L1和L2的眉茶在二維和三維得分空間中的位置較近，沒(méi)有很好地分開(kāi)，結(jié)合圖8可知，即使用到更多的PC也沒(méi)有完全實(shí)現(xiàn)這兩個(gè)等級(jí)茶葉的正確分類(lèi)。

特別需要注意的是，有一個(gè)L1的樣本被誤分類(lèi)為L(zhǎng)6，有一個(gè)L6的樣本被誤分類(lèi)為L(zhǎng)1。而L1和L6的眉茶在形狀、口感、成分上有很大不同，通過(guò)肉眼和品嘗可以較容易分辨其不同，而通過(guò)嗅覺(jué)可視化技術(shù)卻未能將其正確分類(lèi)，這說(shuō)明嗅覺(jué)可視化技術(shù)僅通過(guò)茶湯揮發(fā)的氣體判別眉茶的等級(jí)仍存在不足，需要引入其他技術(shù)（例如近紅外光譜技術(shù)、機(jī)器視覺(jué)技術(shù)等）提供更充分的信息，并通過(guò)多傳感器的信息融合，以實(shí)現(xiàn)茶葉等級(jí)更準(zhǔn)確的分類(lèi)。

圖8 PC個(gè)數(shù)為6時(shí)CS-SVM模型的等級(jí)分類(lèi)結(jié)果Fig. 8 Results of tea grade classification by CS optimized SVM model with six principal components

3 結(jié) 論

自制了一種包含12種色敏材料的嗅覺(jué)可視化傳感器陣列，對(duì)不同等級(jí)的眉茶茶葉進(jìn)行了分類(lèi)，并通過(guò)引入3種群體智能算法對(duì)SVM分類(lèi)模型的參數(shù)c和g進(jìn)行優(yōu)化。研究結(jié)果表明，基于嗅覺(jué)可視化技術(shù)制備的傳感器陣列可以實(shí)現(xiàn)對(duì)不同等級(jí)眉茶的分類(lèi)；通過(guò)引入群體智能優(yōu)化算法尋找最優(yōu)的模型參數(shù)，可顯著提高分類(lèi)模型的性能；對(duì)于本研究使用的眉茶，CS-SVM模型能獲得最佳的等級(jí)分類(lèi)效果，其分類(lèi)正確率為93.3%。