基于电子鼻、电子舌及其融合技术对柑橘品质的检测

摘要

柑橘已有4000多年的栽培历史，具有气味芳香、口感清甜、色泽诱人等特点，广受消费者喜爱。本文通过电子鼻、电子舌和气质联用的多信息融合方法，研究了采摘期内的柑橘品质监控、不同贮藏期内的柑橘质量检测、混合果汁的感官特性评定、超高压处理的果汁鉴别以及果汁中添加剂含量的预测等内容;通过传统的化学检测方法对柑橘中总酸、可溶性固形物、维生素C以及糖酸比进行检测;通过定量描述分析法对混合果汁的感官特性进行定量描述分析。本研究从探索电子鼻和电子舌传感器信号与挥发性成分、理化参数之间的相关性出发，比较不同降维方法对原始信息提取的性能，利用电子鼻数据、电子舌数据以及融合数据对柑橘样品进行模式分类和参数预测（理化参数、挥发性成分和感官特性）。主要研究内容与结论如下:
　　(1)分别采用电子鼻、电子舌和气质联用技术对不同采摘期的柑橘进行检测。通过APLSR(ANOVA Partial Least Squares Regression)分析发现，电子鼻和电子舌的传感器信号与被检测对象的理化参数、挥发性成分之间存在弱相关性（交叉敏感性）。本研究中，极限学习机(Extreme Learning Machine，ELM)作为一种新颖的神经网络用于处理电子鼻和电子舌数据。分析表明，ELM模型、支持向量机(Support Vector Machine，SVM)模型以及学习向量量化(Learning Vector Quantization，LVQ)模型都具有比较好的分类效果。通过对模型训练时间的比较，ELM算法要快于SVM和LVQ算法。在理化参数和挥发性成分预测时，基于ELM的回归模型要优于SVM回归模型和多元线性回归(Multiple LinearRegression，MLR)模型。
　　(2)采用电子鼻、电子舌和气质联用技术对不同贮藏条件下的柑橘进行检测（三个贮藏温度:4℃，10℃和20℃，贮藏时间为12天，每三天检测一次），利用常规理化检测方法对柑橘的可溶性固形物、总酸、糖酸比和维生素C含量进行分析。通过双向方差分析(Two-way multivariate analysis of variance，Two-way MANOVA)发现:贮藏温度、贮藏时间和它们的交互作用对维生素C、糖酸比、柠檬烯含量、萜品烯以及月桂烯的含量具有显著性影响;贮藏温度和贮藏时间对可溶性固形物值和芳樟醇含量变化有影响，但它们的交互作用不明显;贮藏时间以及交互作用对总酸值有显著性影响，但贮藏温度对总酸值没有显著性影响。对不同贮藏条件下的柑橘进行分类时，ELM模型和SVM模型均达到了100％的分类正确率;对理化参数和挥发性成分进行预测时，ELM的回归模型明显优于偏最小二乘回归法(Partial Least-Squares Regression，PLSR)的回归模型。
　　(3)采用电子鼻、电子舌和气质联用技术对混合果汁（温州蜜柑和甜橙混合比例为:5∶0、4∶1、3∶2、2∶3、1∶4和0∶5）进行检测，通过定量描述分析法对混合果汁感官特性进行了描述，通过APLSR对电子鼻和电子舌的传感器信号与挥发性芳香成分、感官特性之间的相关性进行分析，并通过电子鼻和电子舌的传感器信号模拟人的感官分析。结果显示，在果汁的混合过程中，柠檬烯、巴伦西亚橘烯以及月桂烯的含量呈现一定变化趋势，但其它香气成分的含量变化并没有表现出规律性，说明了在混合过程中果汁的挥发性芳香物质含量变化是一个复杂的过程;在定量描述分析过程中，感官特征的变化过程与挥发性香气成分的变化过程类似;基于随机森林(Random Forest，RE)建立的预测模型，融合后的数据集对感官特性以及14种挥发性芳香物质具有较优的预测结果。
　　(4)采用电子鼻对超高压处理后(范围0～500 MPa)的柑橘果汁（两个品种:上野和宫川）进行了检测。在数据处理过程中，采用了三种特征值提取方法（稳定值、最大值以及面积值）和三种数据降维方式(局部保持投影(Locality Preserving Projection，LPP)、主成分分析(Principal Component Analysis，PCA)、线性判别分析(Linear Discriminant Analysis，LDA))。结果显示，基于LDA的样品点分布优于基于PCA的样品点分布，而LPP分类效果与LDA类似;根据ELM和SVM的分类结果可知，经降维处理的数据其分类效果普遍优于未经降维处理的数据，同时，基于LPP和LDA的结果优于基于PCA的分类结果。由于LPP是一种无监督算法，从该意义上讲，LPP比有监督LDA更具有实际应用意义。
　　(5)采用电子鼻和电子舌对混有苯甲酸和壳聚糖的柑橘果汁进行检测，通过对电子鼻和电子舌传感器信号的信息挖掘，预测果汁中添加剂的含量。结果表明，融合数据的模型比基于单独电子鼻或者电子舌的模型具有更高的正确率。RF在建模过程中随着决策树增多，其预测正确率变大，而ELM模型在隐含层神经元个数接近样本个数时，预测效果反而变差。在添加剂含量预测的过程中，RF模型和ELM模型均明显优于主成分回归分析(Principal Component Regression，PCR)和SVM模型。

目录

声明

摘要

第一章 绪论

1．1 研究背景与意义

1．2 电子鼻、电子舌和气质联用技术

1．2．1 电子鼻系统

1．2．2 电子舌系统

1．2．3 气相色谱-质谱联用技术

1．2．4 电子鼻和电子舌在果蔬检测领域中的研究现状

1．2．5 电子鼻、电子舌与气质联用技术的国内外研究现状

1．3 现有研究的不足

1．3．1 电子鼻和电子舌在水果检测领域的不足

1．3．2 电子鼻和电子舌的数据分析方法不足

1．3．3 电子鼻、电子舌和气质联用技术在融合过程中的不足

1．4 课题来源

1．5 主要研究内容和方法

1．6 本章小结

第二章 实验材料与仪器

2．1 实验材料与处理

2．2 实验仪器

2．2．1 电子鼻系统

2．2．2 电子舌系统

2．2．3 气质联用技术

2．2．4 其他装置

2．3 检测条件

2．3．1 实验方案设计

2．3．2 电子鼻检测方法

2．3．3 电子舌检测方法

2．3．4 顶空气质联用技术检测方法

2．3．5 定量描述分析法

2．3．6 理化指标检测方法

2．4 本章小结

第三章 数据分析方法

3．1 传感器信号分析

3．2 统计方法

3．2．1 方差分析

3．2．2 双向方差分析法

3．3 数据降维

3．3．1 主成分分析

3．3．2 线性判别分析

3．3．3 局部保持投影

3．4 随机森林

3．5 极限学习机

3．6 支持向量机以及其他方法

3．7 数据划分和模型性能的比较

3．8 本章小结

第四章 基于极限学习机的采摘期柑橘品质检测

4．1 前言

4．2 实验方案

4．2．1 样品采摘

4．2．2 理化参数的检测

4．2．3 挥发性香气成分的检测

4．2．4 电子鼻和电子舌检测

4．3 结果与讨论

4．3．1 不同采收期的理化参数变化

4．3．2 不同采收期的挥发性香气成分变化

4．3．3 电子鼻和电子舌对柑橘果汁的检测

4．3．4 传感器信号与挥发性物质、理化参数的相关性分析

4．4 电子鼻和电子舌对采摘期内的柑橘区分

4．4．1 极限学习机对采摘期内的柑橘区分

4．4．2 支持向量机和学习向量量化对采摘期内的柑橘区分

4．4．3 三种算法比较

4．5 电子鼻和电子舌对柑橘品质变化的追溯

4．5．1 基于极限学习机的柑橘品质预测

4．5．2 基于支持向量机和多元线性回归的柑橘品质预测

4．5．3 三种算法比较

4．6 本章小结

第五章 不同贮藏条件的柑橘品质检测

5．1 前言

5．2 实验方案

5．2．1 柑橘的贮藏条件

5．2．2 理化参数的检测

5．2．3 挥发性香气成分的检测

5．2．4 电子鼻和电子舌检测

5．3 结果与讨论

5．3．1 贮藏过程中理化参数的交化

5．3．2 贮藏过程中挥发性芳香物质的变化

5．3．3 电子鼻和电子舌对柑橘果汁的检测

5．4 贮藏条件对柑橘品质参数的影响

5．4．1 基于双向方差分析的理化参数变化的分析

5．4．2 基于双向方差分析的挥发性芳香成分变化的分析

5．5 电子鼻和电子舌对不同贮藏条件的柑橘区分

5．5．1 基于极限学习机的不同贮藏条件的柑橘区分

5．5．2 基于支持向量机的不同贮藏条件的柑橘区分

5．6 电子鼻和电子舌对不同贮藏条件的柑橘品质追溯

5．6．1 基于极限学习机的理化参数和挥发性芳香成分的预测

5．6．2 基于偏最小二秉回归法的理化参数和挥发性芳香成分的预测

5．7 本章小结

第六章 混合果汁的感官品质分析

6．1 前言

6．2 实验方案

6．2．1 样品制备

6．2．2 电子鼻和电子舌检测

6．2．3 挥发性香气成分的检测

6．2．4 混合果汁的感官特性检测

6．3 结果与讨论

6．3．1 混合果汁的香气成分变化

6．3．2 混合果汁感官特性的分析结果

6．3．3 电子鼻和电子舌的信号分析

6．3．4 传感器信号值与香气、感官特性的内在相关性

6．4 电子鼻和电子舌对混合果汁的区分

6．5 基于电子鼻和电子舌的混合果汁品质追溯

6．5．1 基于电子鼻和电子舌的感官特性预测

6．5．2 基于电子鼻和电子舌的挥发性芳香物质预测

6．6 本章小结

第七章 超高压处理果汁的区分模型优化—多个降维方法的比较

7．1 前言

7．2 实验方案

7．2．1 样品准备

7．2．2 超高压处理

7．2．3 电子鼻检测

7．3 结果与讨论

7．3．1 电子鼻传感器的信号分析和特征值提取

7．3．2 基于主成分分析的数据降维

7．3．3 基于线性判别分析的数据降维

7．3．4 基于局部保持投影的数据降维

7．3．5 基于极限学习机的超高压果汁分类

7．3．6 基于支持向量机的超高压果汁分类

7．4 本章小结

第八章 柑橘果汁中添加剂含量的预测

8．1 前言

8．2 实验方案

8．2．1 样品制备

8．2．2 电子鼻和电子舌检测

8．3 果汁中苯甲酸含量预测

8．3．1 电子鼻和电子舌对含有苯甲酸柑橘汁的检测

8．3．2 电子鼻、电子舌和融合数据集的数据结构分析

8．3．3 基于主成分回归的苯甲酸含量预测

8．3．4 基于随机森林的苯甲酸含量预测

8．3．5 基于极限学习的苯甲酸含量预测

8．3．6 基于支持向量机的苯甲酸含量预测

8．4 果汁中壳聚糖含量的预测

8．4．1 电子鼻和电子舌对柑橘汁检测

8．4．2 电子鼻、电子舌和融合数据集的数据结构分析

8．4．3 基于主成分回归的壳聚糖含量预测

8．4．4 基于随机森林的壳聚糖含量预测

8．4．5 基于极限学习的壳聚糖含量预测

8．4．6 基于支持向量机的壳聚糖含量预测

8．5 本章小结

第九章 总结与展望

9．1 主要结论

9．2 主要创新点

9．3 展望

参考文献

致谢

插图清单

表格清单

主要缩略词清单

研究生期间主要成果