CN101419212B - 一种利用挥发物的禽蛋新鲜度检测装置的检测方法 - Google Patents

Abstract

本发明公开了一种利用挥发物的禽蛋蛋壳裂纹检测装置及方法，检测装置主要由计算机、活性碳过滤器、第一内置泵、贮气罐、气阀、盛料容器、转换开关、气敏传感器阵列、第二内置泵、数据采集器和A/D转换器组成。数据采集器采集气敏传感器阵列的响应信号，通过A/D转换器进行调理和转换后，送到计算机中，提取各传感器曲线中代表性的特征值；以提取的特征值作为参数，禽蛋新鲜度指标为目标，建立二次回归模型，分析禽蛋新鲜度指标与各个传感器响应特征值间的相关关系。本发明排除人工作业时主观因素干扰，克服破坏检测的缺点，可以无损、准确地实现禽蛋细小裂纹的无损检测。

Description

一种利用挥发物的禽蛋新鲜度检测装置的检测方法

技术领域

本发明涉及禽蛋新鲜度检测技术，特别地，涉及一种利用挥发物的禽蛋新鲜度检测装置及方法。 

背景技术

目前，我国在一般贸易中只要禽蛋不是劣质蛋，并没有进行分级处理，均投放到市场上，这实际上是不合理的。禽蛋在贮藏过程中内部品质或者说新鲜度将发生较大的变化，这种变化将直接影响其商品价值和食用品质。 

对少数农村养鸡户来说，常常采用是否有异味，来粗略地对禽蛋进行鉴别是否劣质蛋；目前大批量生产来说，还没有一种可接受的内部品质或者说新鲜度的检测方法。 

近年来，报道了几种无损检测禽蛋品质的方法。主要包括以下几种： 

1.声学冲击法，其原理是根据敲击禽蛋所产生的声脉冲振动，做频谱分析来检测禽蛋的裂纹，好壳蛋检测准确率较高，这种方法的缺点是只能检测蛋壳的好坏。 

2.光学法：其原理是利用光的透射、折射和反射现象与禽蛋的内部品质建立一种关系，通过数学模型建立其检测禽蛋品质的方法。这种方法的缺点是测量结果受蛋壳颜色和内部组成成分的影响。 

3.电学法，其原理是利用禽蛋电导率的差异，建立相关的模型来检测禽蛋的品质。这种方法的缺点是难以实现无损检测(实际上是破坏检测)。 

然而，未见通过禽蛋挥发物与内部品质相关性来检测禽蛋新鲜度的报道。 

发明内容

本发明的目的是克服现有技术的缺陷，提供一种利用挥发物的禽蛋新鲜度检测装置及方法。本发明的检测方法无损、重复性好、能准确无损地检测禽蛋新鲜度。

本发明的目的是通过以下技术方案来实现的： 

一种利用挥发物的禽蛋新鲜度检测装置，它主要由计算机、活性碳过滤器、第一内置泵、贮气罐、气阀、盛料容器、转换开关、气敏传感器阵列、第二内置泵、数据采集器和A/D转换器组成。其中，所述活性碳过滤器、第一内置泵、贮气罐、转换开关、气敏传感器阵列、第二内置泵依次相连，盛料容器与转换开关相连；所述贮气罐、盛料容6与转换开关8之间均设有气阀；数据采集器与气敏传感器阵列相连，数据采集器、A/D转换器和计算机依次相连。 

一种上述利用挥发物的禽蛋新鲜度检测装置的检测方法，包括以下步骤： 

(1)将待测禽蛋盛放在普通容器内，用保鲜膜密封后置于室温一定时间，然后去除保鲜膜，放入盛料容器； 

(2)启动第一内置泵，将经活性碳过滤器过滤后的洁净空气送入贮气罐，启动第二内置泵，使洁净空气清洗气敏传感器阵列，然后转换开关转至气敏传感器阵列与盛料容器相通，待测； 

(3)第二内置泵将盛料容器顶空气体吸至气敏传感器阵列，气敏传感器吸附样品气体后，产生响应，并输出响应信号；检测后，转换开关转至气敏传感器阵列与贮气罐相通，第二内置泵吸气清洗气敏传感器气敏传感器阵列，并等待下次检测； 

(4)数据采集器采集气敏传感器阵列的响应信号，通过A/D转换器进行调理和转换后，送到计算机中； 

(5)提取各传感器曲线中代表性的特征值； 

(6)以提取的特征值作为输入值，采用经典BP算法和基于遗传算法的BP神经网络进行模式识别； 

(7)以提取的特征值作为参数，禽蛋新鲜度指标为目标，建立二次回归模型，分析禽蛋新鲜度指标与各个传感器响应特征值间的相关关系；利用所建立的二次回归模型，计算禽蛋的哈夫单位和蛋黄指数等品质指标值。 

本发明的有益效果是：本发明能排除人工作业时主观因素干扰，克服破坏检测的缺点，可以无损、准确地检测禽蛋的新鲜程度。 

附图说明

图1为本发明利用挥发物的禽蛋新鲜度检测装置的结构示意图； 

图2为各个传感器对禽蛋挥发物的响应特性图，其中，(a)为对一周后禽 蛋挥发物的响应特性图，(b)为对三周后禽蛋挥发物的响应特性图； 

图3为蛋黄指数的计算值和测量值比较示意图； 

图4为哈夫单位的计算值和测量值比较示意图； 

图中，1、计算机，2、活性碳过滤器，3、第一内置泵，4、贮气罐，5、气阀，6、盛料容器，7、禽蛋，8、转换开关，9、气敏传感器阵列，10、第二内置泵，11、数据采集器，12、A/D转换器。 

具体实施方式

本发明的基本原理是利用禽蛋所产生的挥发物无损检测禽蛋内部品质。禽蛋蛋壳表面和蛋膜均有气孔，禽蛋内容物能通过蛋膜和蛋壳能挥发出，挥发物与禽蛋内部品质直接相关。禽蛋品质下降后，挥发物也将发生变化，挥发物将增多。例如，禽蛋一旦变质，成为“臭蛋”，将产生大量的硫化物。应用本发明的方法，能很好地实现禽蛋内部品质的无损检测。 

本发明利用挥发物的禽蛋新鲜度检测装置主要由计算机1、活性碳过滤器2、第一内置泵3、贮气罐4、气阀5、盛料容器6、转换开关8、气敏传感器阵列9、第二内置泵10、数据采集器11和A/D转换器12组成。其中，活性碳过滤器2、第一内置泵3、贮气罐4、转换开关8、气敏传感器阵列9、第二内置泵10依次相连，盛料容器6与转换开关8相连；贮气罐4、盛料容器6与转换开关8之间均设有气阀5，数据采集器11与气敏传感器阵列9相连，数据采集器11、A/D转换器12和计算机1依次相连。 

第一内置泵3与活性碳过滤器2和贮气罐4相连接，通过第一内置泵3将经活性碳过滤器2后的洁净空气送入贮气罐4；转换开关8分别通过气阀5与盛料容器6和贮气罐4相连接，转至与盛料容器6联通时吸入待测气体，转至与贮气罐4联通时吸入洁净空气；第二内置泵10与气敏传感器阵列9的内腔联通，工作时将盛料容器6的顶空气体吸入；数据采集器11与气敏传感器阵列9相连接，将气敏传感器阵列9的响应信号采集；A/D转换器12连接在数据采集器11之后和计算机1之前，将数据采集器11采集信号进行调理和转换，并送到计算机1中等待处理分析。气敏传感器阵列9一般由6-8个气敏传感器组成。主要的传感器有：用于食品中易挥发气体和蒸汽检测的传感器、对氢气一氧化碳和碳氢化合物敏感的传感器、对硫化物具有高敏感度的传感器、对氨气具有高敏感度的传感器、对乙醇蒸气有很高灵敏度和良好选择性的传感器等。 

本发明利用挥发物的禽蛋新鲜度检测方法，包括以下步骤：

1.将待测禽蛋盛放在普通容器内，用保鲜膜密封后置于室温一定时间，然后去除保鲜膜，放入盛料容器。 

2.启动第一内置泵，将经活性碳过滤器过滤后的洁净空气送入贮气罐后，启动第二内置泵，使洁净空气清洗气敏传感器阵列一定时间(一般30s左右)，然后转换开关转至气敏传感器阵列与盛料容器相通，等待检测。 

3.第二内置泵将盛料容器顶空气体吸至气敏传感器阵列，气敏传感器吸附样品气体后，产生响应，并输出响应信号。检测和采样时间为60-90s。转换开关转至气敏传感器阵列与贮气罐相通，第二内置泵吸气清洗气敏传感器气敏传感器阵列，并等待下个检测。 

4.数据采集器采集气敏传感器阵列的响应信号，通过A/D转换器进行调理和转换后，送到计算机中等待分析。 

5.提取各传感器曲线中代表性的特征值。 

6.以提取的特征值作为输入值，采用经典BP算法和基于遗传算法的BP神经网络进行模式识别。 

7.以提取的特征值作为参数，禽蛋新鲜度指标为目标，建立二次回归模型，分析禽蛋新鲜度指标与各个传感器响应特征值间的相关关系；利用所建立的二次回归模型，计算禽蛋的哈夫单位和蛋黄指数等品质指标值。 

所述的传感器响应表达为传感器接触到样品挥发物后的电阻与传感器在经过洁净空气时的电阻的比值。 

根据传感器响应特性曲线和随时间的变化规律，各传感器曲线中提取5个值作为利用所提取的特征值，作为人工神经网络模式识别的输入特征值。采用了经典BP算法和基于遗传算法的BP神经网络进行模式识别。 

以电子鼻各个传感器响应特征值为参数、禽蛋新鲜度指标为目标，建立起二次回归模型，分析禽蛋新鲜度指标与电子鼻各个传感器响应特征值间的相关关系，剔除不显著项。 

利用所建立的回归模型，计算禽蛋的哈夫单位和蛋黄指数等品质指标值。 

所述的电子鼻内传感器感器i响应值S_i表达成：S_i＝R_i/R₀。R_i为传感器接触到样品挥发物后的电阻；R₀为传感器在经过洁净空气时的电阻。 

所述的特征值提取，分别选择各个传感器第15s、第45s及各传感器最大响应值、各响应曲线最大斜率值、各曲线的积分值，这样每次检测后每个传感器响应曲线上可以提取的特征值共有5个。 

所述的经典BP算法，是典型的三层人工神经网络，包括输入层、输出层及隐层，对于网络的训练采用反向传播算法。所述的基于遗传算法的BP神经网络， 是为了使算法能很快地找到满意解，可以先用遗传算法对初始权值进行优化，在解空间中定位出较好的搜索空间，然后用BP算法在这些小的解空间中搜索出最优解。 

所述的禽蛋新鲜度指标是指哈夫单位和蛋黄指数。 

所述的二次回归模型建立了禽蛋新鲜度指标y(哈夫单位和蛋黄指数)与电子鼻第i个传感器S响应的特征值间相关关系，方程为： 

$y_k=b_0+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{b}_i{S}_i+\underset{i\≤j}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}}{b}_{\mathrm{ij}}{S}_i{S}_j;$ b为回归方程系数。 

下面根据附图详细说明本发明，本发明的目的和效果将变得更加明显。 

如图1所示，本发明的检测***由计算机1、活性碳过滤器 2、第一内置泵3、贮气罐 4、气阀 5、盛料容器 6、转换开关 8、气敏传感器阵列 9、第二内置泵 10、数据采集器 11、A/D转换器12等组成。其中，第一内置泵设置在传感器阵列之前(按气流方向)，主要是经第一活性碳过滤器后的洁净空气送入贮气罐。第二内置泵设置在传感器阵列之后，用于将样品气体和洁净空气的吸入。 

所研制的电子鼻***由8个气敏传感器的阵列组成：TGS822(S1)、MQ-3(S2)、TGS825(S3)、TGS880(S4)、TGS824(S5)、TGS800(S7)、TGS813(S6)、MQ-7(S8)(均可以采用日本Figaro公司气敏传感器)等。TGS822主要对氢气、一氧化碳和碳氢化合物敏感；MQ-3对乙醇蒸气有很高的灵敏度和良好的选择性；TGS880主要用于食品中易挥发气体和蒸汽的检测；TGS824对氨气具有高敏感度；TGS825对硫化物具有高敏感度；TGS800主要用于通风设备控制中的烟汽油等浓度较低的检测***的检测；TGS813主要用于各种可燃气体的检测；MQ-7适用于一氧化碳检测。 

在放大镜下观察精心挑选的无损壳蛋400只。将其分成二组，每组200个禽蛋。每组200个禽蛋分成5箱、各箱中有40只禽蛋，分别进行室温(22±1℃)下贮藏和4C下冷藏。分别在采收当天、1周后、2周后、3周后和4周后取出进行电子鼻检测和相关品质指标的检测。 

在电子鼻和品质指标检测检测时，在4℃下冷藏下取出的禽蛋需先放在室温3-4小时、待禽蛋升温至室温后再进行检测。电子鼻检测时，将单个禽蛋盛放在250mL烧瓶内，用保鲜膜密封后，置于22±1℃的室内，15min后进行电子鼻自动顶空取样。 

***开机后，第一内置泵工作将是经第一活性碳过滤器后的洁净空气送入贮气罐。检测前，第二内置泵工作将干净空气清洗电子鼻内清洗传感器30秒时 间，然后转换开关将自动打开进样气路，等待检测。检测时，第二内置泵开启将盛料容器顶空气体吸至传感器阵列腔中，气敏传感器吸附样品气体后，产生响应，***中输出响应信号。检测和采样时间为60s；检测后，根据设置转换开关自动转至洁净空气，进行吸气清洗气敏传感器，并等待一下个检测，清洗时间30秒。敏传感器吸附样品气体后，产生响应信号。经数据采集器11和A/D转换器12后送到计算机1等待数据分析。 

在神经网络分析中，在每箱中随机取出24只禽蛋进行电子鼻检测获取的相关特征值作为训练用、另16只禽蛋相应信息作预测计算检验用。这样，在冷藏组和室温贮藏组各自在200个禽蛋中选取了120个禽蛋作为训练用、有80个禽蛋作为预测计算检验用。这二组各自独立分开检测与分析。 

同样，在禽蛋品质模型建立和计算分析时，在每箱中随机取出24只禽蛋进行电子鼻检测获取的相关特征值作为训练用、另16只禽蛋信息作预测检验用。这样，在冷藏和室温贮藏等二组总共有400个禽蛋中选取了240个禽蛋作为训练用、有160个禽蛋作为预测检验用。 

如图2所示，8条曲线代表8个传感器的响应，为各个传感器对室温下二种不同贮藏时间禽蛋挥发物的响应曲线。传感器的响应信号为传感器接触到样品挥发物后的电导率R与传感器在经过标准活性碳过滤气体的电导率R₀的比值。横坐标为采样时间，纵坐标为阵列的响应信号，从图中可以看出，电阻比刚开始较低，随着挥发物在传感器表面富集，传感器电阻比不断地增大，最后趋于平缓，达到一个稳定的状态。图2a显示存放一周后禽蛋的响应信号，相对值低些，R/R₀大致在1.0-2.0之间；图2b显示存放三周后禽蛋的响应信号，相对值高，R/R₀大致在1.5-3.0之间。这表明传感器阵列对不同贮藏时间禽蛋(不同品质禽蛋)的响应是有明显不同的。这也表明，利用传电子鼻感器信号进行模式识别来区分不同贮藏时间和品质的禽蛋可行的。 

分别选择各个传感器第15s、第45s及各传感器最大响应值、各响应曲线最大斜率值、各曲线的积分值，这样每次检测后每个传感器响应曲线上可以提取的特征值共有5个。作为人工神经网络模式识别的输入特征值。采用了经典BP算法和基于遗传算法的BP神经网络进行模式识别。 

本实例中采用8个传感器最大响应值作为特征值进行分析。 

             表1 不同冷藏时间禽蛋的神经网络判别 

表1为不同冷藏的时间的判别。从表1中所示，采用标准BP神经网络方法，其测试集判断正确率在80-82.5％之间。采用遗传优化神经网络的训练集的回判正确率达100％，测试集的判断正确率达88.75-91.25％。说明遗传优化神经网络的测试集判断正确率高于标准BP网络。 

              表2 室温下不同贮藏时间禽蛋的神经网络判别 

表2为室温下不同贮藏时间的判别。从表2中所示，采用标准BP神经网络方法和遗传优化神经网络，训练集回判正确率均达到100％。BP神经网络方法的测试集判断正确率达90-93.75％，遗传优化神经网络测试集的判断正确率达93.75％以上。表中也表明，遗传优化神经网络的测试集判断正确率高于标准BP网络。 

将8个传感器最大响应值作为自变量，禽蛋内部品质指标(哈夫单位、蛋黄指数)分别作为因变量。所采用的二次多项式回归分析对其进行逐步回归分析，只保留显著的项，剔除不显著的项。在逐步回归过程中，如果自变量的显著水平大于0.01，剔除该变量，即所引入模型中的变量要在0.01水平下显著。 

传感器信号与哈夫单位之间的二次多项式逐步回归模型如下： 

HU＝-18.24-143.05S₁+250.31S₂+96.57S₄-18.44S₄ ²+62.16S₁×S₅-136.40S₂×S₅

方程(1)的显著性检验相关系数R＝0.91，SEC＝1.15，Durbin-Watson(DW) ＝2.09。 

传感器信号与蛋黄指数之间的二次多项式逐步回归模型如下： 

Y＝-10.80+2.36S₁+2.73S₂+5.01S₃+20.30S₆-16.98S₈-0.98S₁ ²+2.93S₄ ²-1.54S₅ ²

+13.88S₇ ²-9.14S₈ ²-7.68S₁×S₃+4.69S₁×S₄+0.88S₁×S₅-4.0S₁×S₇+6.8S₁×S₈

-0.2S₂×S₅-2.25S₂×S₆-2.74S₃×S₄-6.26S₃×S₆+11.78S₃×S₈-1.89S₄×S₅

-4.57S₄×S₈+3.21S₅×S₈-25.45S₆×S₇+14.32S₆×S₈

方程(3)的相关系数R＝0.93，SEC＝0.08，Durbin-Watson(DW)＝2.18。 

利用测试集数据测试所建模型的预测能力。通过回归方程计算的哈夫单位和蛋黄指数的计算值与测量值之间的相关系数分别为0.90和0.92，标准计算误差分别为3.74和0.02。二个模型对建立模型所用的训练集数据和测试集数据的计算结果都显示在表3中。计算值和测试值之间的拟和结果如图3所示。由模型计算结果可以看出建立电子鼻信号与禽蛋品质理化指标之间的关系，说明其进行计算是可行。 

           表3 基于电子鼻信号的模型对禽蛋品质的计算 

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (3)

1.一种应用利用挥发物的禽蛋新鲜度检测装置的检测方法，利用挥发物的禽蛋新鲜度检测装置主要由计算机、活性碳过滤器、第一内置泵、贮气罐、气阀、盛料容器、转换开关、气敏传感器阵列、第二内置泵、数据采集器和A/D转换器组成；其中，所述活性碳过滤器、第一内置泵、贮气罐、转换开关、气敏传感器阵列、第二内置泵依次相连，盛料容器与转换开关相连；所述贮气罐、盛料容器与转换开关之间均设有气阀；数据采集器与气敏传感器阵列相连，数据采集器、A/D转换器和计算机依次相连；其特征在于，包括以下步骤：

(1)将待测禽蛋盛放在普通容器内，用保鲜膜密封后置于室温一定时间，然后去除保鲜膜，放入盛料容器；

(2)启动第一内置泵，将经活性碳过滤器过滤后的洁净空气送入贮气罐，启动第二内置泵，使洁净空气清洗气敏传感器阵列，然后转换开关转至气敏传感器阵列与盛料容器相通，待测；

(3)第二内置泵将盛料容器顶空气体吸至气敏传感器阵列，气敏传感器吸附样品气体后，产生响应，并输出响应信号；检测后，转换开关转至气敏传感器阵列与贮气罐相通，第二内置泵吸气清洗气敏传感器气敏传感器阵列，并等待下次检测；

(4)数据采集器采集气敏传感器阵列的响应信号，通过A/D转换器进行调理和转换后，送到计算机中；

(5)提取各传感器曲线中代表性的特征值；

(6)以提取的特征值作为输入值，采用经典BP算法和基于遗传算法的BP神经网络进行模式识别；

(7)以提取的特征值作为参数，禽蛋新鲜度指标为目标，建立二次回归模型，分析禽蛋新鲜度指标与各个传感器响应特征值间的相关关系；利用所建立的二次回归模型，计算禽蛋的哈夫单位和蛋黄指数品质指标值。

2.根据权利要求1所述的检测方法，其特征在于，所述步骤(5)中，特征值为各个传感器第15s、第45s及各传感器最大响应值、各响应曲线最大斜率值、各曲线的积分值。

3.根据权利要求1所述的检测方法，其特征在于，所述步骤(5)中，所述的二次回归模型建立了禽蛋新鲜度指标y与电子鼻第i个传感器响应的特征值S间相关关系：

$y_k=b_0+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{b}_i{S}_i\underset{i\≤j}{+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}}{b}_{\mathrm{ij}}{S}_i{S}_j,$

其中，y为哈夫单位和蛋黄指数，b为回归方程系数。

Images