本发明属于食品检测领域，具体涉及采用电子鼻对郫县豆瓣制曲过程中米曲霉发酵情况的检测。
背景技术：
电子鼻是由一系列气敏传感器组成特殊阵列，模仿生物嗅觉系统，对探测样品所产生的挥发性有机化合物(vocs)进行提取、分析的仪器。不同于其它分析仪器，电子鼻将待鉴定样品作为一个整体进行分析，而不是类似于传统食品检测中分别化验样品中的单一项化学成分。这使得电子鼻在鉴定能造成食品发生复杂变化的处理时具有得天独厚的优势。一个典型的电子鼻分析系统包括：电子鼻传感器阵列，电子鼻信号提取、传导软件以及模式识别算法。首先，待测样品的挥发性气体分子与传感器发生反应，造成传感器电阻变化，产生电信号，然后电信号经机内处理再由电子鼻内软件传导产生原始数据，最后利用模式识别算法实现对原始数据的处理，从而完成对样品的分类、鉴别。
微生物挥发性代谢产物(volatileorganiccompounds,vocs)是微生物在发酵过程中利用碳水化合物、蛋白质等原料分解代谢产生的气味类物质，其成分类别主要是醇、醛、酯、萜、硫醇和一些易挥发的小分子物质，vocs的构成复杂且具有动态变化特性，它随菌种、菌龄、水分活度、营养基质、温度和其他环境条件变化而组成发生动态变化，是微生物代谢产物的重要组成部分，是重要的信息素，也是人类了解微生物生命活动本质规律的重要窗口。
qpcr的英文全名是real-timequantitativepcrdetectingsystem，即实时荧光定量核酸扩增检测系统，也叫实时定量基因扩增荧光检测系统，简称qpcr。通过qpcr技术可以实时的检测出制曲过程中，米曲霉的生长情况。，通过与电子鼻探测的信号建立模型后，再次利用电子鼻可以快速无损的检测出米曲霉的生长情况。
技术实现要素：
本发明的目的是克服目前郫县豆瓣制曲过程中米曲霉发酵情况的检测时只能采用qpcr技术的缺点，提供一种电子鼻对郫县豆瓣制曲过程中米曲霉发酵情况的检测方法。
本发明解决其技术问题，采用的技术方案是，电子鼻对郫县豆瓣制曲过程中米曲霉发酵情况的检测方法，其特征在于，包括以下步骤：
步骤1、利用qpcr技术检测不同发酵阶段的郫县豆瓣的正样品中米曲霉的含量，作为qpcr检测数据；
步骤2、将这些不同发酵阶段的郫县豆瓣的正样品置于检测空间中，待其所发出的气体充满整个检测空间并达到平衡后，抽取检测空间中的气体进行电子鼻检测，并每秒记录一次电子鼻各传感器的响应值，且根据记录的响应值生成对应的响应曲线；
步骤3、选取电子鼻各传感器的响应曲线都较为平稳的一段，并取各响应曲线对应的平均值，作为原始处理数据；
步骤4、对各原始处理数据使用偏最小二乘回归进行计算其判定该样品辐照剂量的判定权重值，将各判定权重值由大至小进行排序，选择靠前的一定数量的判定权重值，从而选择出与这些一定数量的判定权重值对应的原始处理数据所对应的传感器，作为检测传感器，并对所得一定数量的判定对应的原始处理数据与qpcr检测数据一起结合相关智能分类算法进行运算建模，得到检测模型；
步骤5、检测时，将欲检测的郫县豆瓣的样品置于检测空间中，待其所发出的气体充满整个检测空间并达到平衡后，抽取检测空间中的气体进行电子鼻检测，并每秒记录一次电子鼻各检测传感器的响应值，且根据记录的响应值生成对应的响应曲线；
步骤6、选取电子鼻各传感器的响应曲线都较为平稳的一段，并取各响应曲线对应的平均值，作为待处理数据，并从中选择出各检测传感器对应的待处理数据，作为检测数据；
步骤7、对获取到的检测数据代入检测模型进行电子鼻检测运算，得到其米曲霉发酵情况。
具体的，步骤2及步骤5中，所述检测空间为顶空瓶。
进一步的，步骤2中，将不同发酵阶段的郫县豆瓣的正样品分别置于顶空瓶后，在室温中静置15分钟，从而可使其所发出的气体充满整个检测空间并达到平衡；
步骤5中，将欲检测的郫县豆瓣的样品置于顶空瓶后，在室温中静置15分钟，从而可使其所发出的气体充满整个检测空间并达到平衡。
具体的，步骤2及步骤5中，所述电子鼻检测中，其检测时间为150秒。
再进一步的，步骤2及步骤5中，所述抽取检测空间中的气体中，抽取速率为每分钟100毫升。
具体的，步骤2及步骤5中，所述电子鼻为含有食品常见相关气体化合物族类传感器的科研型常规电子鼻。
再进一步的，步骤3及步骤6中，所述选取电子鼻各传感器的响应曲线都较为平稳的一段，并取各响应曲线对应的平均值的方法为：采用平稳曲线5点平均数值法，获取各响应曲线中第140、141、142、143及144秒的响应值，分别对其取平均值，从而得到各响应曲线对应的平均值。
具体的，步骤4中，所述对各原始处理数据使用偏最小二乘回归进行计算其判定该样品辐照剂量的判定权重值的计算方法为：根据pls法计算得到的变量投影重要性指标vipj(variableimportanceforprojection,其中j表示第j个原始处理数据)值，作为判定权重值，其计算公式为：
其中，vipj用于表示在解释因变量y时其作用的重要性，y指代米曲霉发酵情况，k为电子鼻传感器的数量，ch为相关原始处理数据中提取的主成分，m为各原始处理数据分析得到的主成分数量，h为表示取得第h个主成分，r(y,ch)为y与ch的相关系数，表示ch对y的解释能力，whj为该原始处理数据在主成分上的权重。
再进一步的，步骤4中，所述一定数量为5个。
具体的，步骤4中，所述相关智能分类算法为bp神经网络。
本发明的有益效果是，在本发明方案中，通过上述电子鼻对郫县豆瓣制曲过程中米曲霉发酵情况的检测方法，通过降维，可以在对郫县豆瓣制曲过程中米曲霉发酵情况的检测时，降低了无关及非重要数据对本鉴别的干扰，可以对制曲过程中的郫县豆瓣进行实时检测，可以随时对郫县豆瓣在制曲发酵过程中进行纠偏，以保证郫县豆瓣的品质最好；郫县豆瓣在制曲过程中，米曲霉的生长情况直接影响着郫县豆瓣品质的好坏。然而霉菌的生长是一个多因素(温度、湿度、ph等)影响的过程，在制曲过程中保证米曲霉的生长情况，对后续郫县豆瓣的发酵有着良好的影响，所以利用电子鼻对制曲过程的实时检测，能够实时改善米曲霉的生长环境，保证米曲霉的生长情况一直为最优的，郫县豆瓣的制曲时间一般为48小时左右，而要想检测出制曲某一环节中的米曲霉含量，采用传统的方法需要长时间的培养，即使存在生长情况不好的状况也没有办法及时改善米曲霉的生长环境，而采用qpcr等方法花费太大，操作复杂，利用电子鼻和qpcr的精标准利用人工神经网络及其他相关智能分类算法提前建立好数据模型，再用电子鼻测未知样品数据的时候就可以有效的检测出米曲霉的含量，判断米曲霉的生长情况，一般的实验手段和检测方法对米曲霉含量的测定都只能几组几组的进行检测，而电子鼻因为其操作的方便性，在实际操作过程中，当已经建立好模型后，可以在生产过程中对所有的制曲阶段的郫县豆瓣进行大通量的实时检测。
具体实施方式
下面结合实施例，详细描述本发明的技术方案。
本发明的电子鼻对郫县豆瓣制曲过程中米曲霉发酵情况的检测方法中，首先利用qpcr技术检测不同发酵阶段的郫县豆瓣的正样品中米曲霉的含量，作为qpcr检测数据，再将这些不同发酵阶段的郫县豆瓣的正样品置于检测空间中，待其所发出的气体充满整个检测空间并达到平衡后，抽取检测空间中的气体进行电子鼻检测，并每秒记录一次电子鼻各传感器的响应值，且根据记录的响应值生成对应的响应曲线，然后选取电子鼻各传感器的响应曲线都较为平稳的一段，并取各响应曲线对应的平均值，作为原始处理数据，再对各原始处理数据使用偏最小二乘回归进行计算其判定该样品辐照剂量的判定权重值，将各判定权重值由大至小进行排序，选择靠前的一定数量的判定权重值，从而选择出与这些一定数量的判定权重值对应的原始处理数据所对应的传感器，作为检测传感器，并对所得一定数量的判定对应的原始处理数据与qpcr检测数据一起结合相关智能分类算法进行运算建模，得到检测模型，在检测时，将欲检测的郫县豆瓣的样品置于检测空间中，待其所发出的气体充满整个检测空间并达到平衡后，抽取检测空间中的气体进行电子鼻检测，并每秒记录一次电子鼻各检测传感器的响应值，且根据记录的响应值生成对应的响应曲线，然后选取电子鼻各传感器的响应曲线都较为平稳的一段，并取各响应曲线对应的平均值，作为待处理数据，并从中选择出各检测传感器对应的待处理数据，作为检测数据，最后对获取到的检测数据代入检测模型进行电子鼻检测运算，得到其米曲霉发酵情况。
实施例
本发明实施例中的电子鼻对郫县豆瓣制曲过程中米曲霉发酵情况的检测方法，其具体包括以下步骤：
步骤1、利用qpcr技术检测不同发酵阶段的郫县豆瓣的正样品中米曲霉的含量，作为qpcr检测数据。
步骤2、将这些不同发酵阶段的郫县豆瓣的正样品置于检测空间中，待其所发出的气体充满整个检测空间并达到平衡后，抽取检测空间中的气体进行电子鼻检测，并每秒记录一次电子鼻各传感器的响应值，且根据记录的响应值生成对应的响应曲线。
本步骤中，检测空间可以为顶空瓶，将不同发酵阶段的郫县豆瓣的正样品分别置于顶空瓶后，在室温(25±1℃)中静置15分钟，从而可使其所发出的气体充满整个检测空间并达到平衡。电子鼻检测中，其检测时间优选为150秒。抽取检测空间中的气体中，抽取速率优选为每分钟100毫升。本例中，电子鼻优选为含有食品常见相关气体化合物族类传感器的科研型常规电子鼻。在生成了响应曲线以后，更换样品之前需要对检测空间进行清洗，其清洗时间一般为120秒，抽取空气的速率为每分钟300毫升。
步骤3、选取电子鼻各传感器的响应曲线都较为平稳的一段，并取各响应曲线对应的平均值，作为原始处理数据。
本步骤中，选取电子鼻各传感器的响应曲线都较为平稳的一段，并取各响应曲线对应的平均值的方法为：采用平稳曲线5点平均数值法，获取各响应曲线中第140、141、142、143及144秒的响应值(5点取样对应的时间点根据取反应平稳的图线而定，若对应的时间段内的电子响应信号不平稳则视为取样失败，需要回到步骤2重新检测)，分别对其取平均值，从而得到各响应曲线对应的平均值。
步骤4、对各原始处理数据使用偏最小二乘回归进行计算其判定该样品辐照剂量的判定权重值，将各判定权重值由大至小进行排序，选择靠前的一定数量的判定权重值，从而选择出与这些一定数量的判定权重值对应的原始处理数据所对应的传感器，作为检测传感器，并对所得一定数量的判定对应的原始处理数据与qpcr检测数据一起结合相关智能分类算法进行运算建模，得到检测模型。
本步骤中，对各原始处理数据使用偏最小二乘回归进行计算其判定该样品辐照剂量的判定权重值的计算方法优选为：根据pls法计算得到的变量投影重要性指标vipj(variableimportanceforprojection,其中j表示第j个原始处理数据)值，作为判定权重值，其计算公式为：
其中，vipj用于表示在解释因变量y时其作用的重要性，y指代米曲霉发酵情况，k为电子鼻传感器的数量，这里的vip值是自变量在整个体系中的贡献值的大小，而这里的自变量就是电子鼻的10个传感器(电子鼻一般为10个传感器)，利用vip值想判断出哪一个传感器对整个最终值的结果影响最大，所以这里的k是电子鼻传感器的数量，也就是10，ch为相关原始处理数据中提取的主成分，m为各原始处理数据分析得到的主成分数量，也就是原始处理数据的总数量，因此当电子鼻的传感器为10个时，m就取10，h为表示取得第h个主成分，从1开始直至m，r(y,ch)为y与ch的相关系数，表示ch对y的解释能力，whj为该原始处理数据在主成分上的权重。
另，由于一般电子鼻中具有10个传感器，为了将其减为5个传感器，因此这里将一定数量设定为5个，即将各传感器对应的vipj值由大至小进行排序，选择靠前的5个vipj值，从而选择出对应的5个传感器作为检测传感器。
本例中，本步骤的运算可由智能算法专业计算软件aosps5.0进行。针对相关智能分类算法，本例中使用的bp神经网络方法或svm支持向量机，此为现有技术，此处不再详述。
步骤5、检测时，将欲检测的郫县豆瓣的样品置于检测空间中，待其所发出的气体充满整个检测空间并达到平衡后，抽取检测空间中的气体进行电子鼻检测，并每秒记录一次电子鼻各检测传感器的响应值，且根据记录的响应值生成对应的响应曲线。
本步骤与步骤2相对应，这样可保证检测鉴定结果的准确，步骤5与步骤2不同的地方仅在于步骤5中置于检测空间中的为样品，而非步骤2中的正样品。
步骤6、选取电子鼻各传感器的响应曲线都较为平稳的一段，并取各响应曲线对应的平均值，作为待处理数据，并从中选择出各检测传感器对应的待处理数据，作为检测数据。
本步骤与步骤3相对应，这样可保证检测鉴定结果的准确，步骤6与步骤3不同的地方在于步骤6中还需要选择出各检测传感器对应的待处理数据，作为检测数据。
步骤7、对获取到的检测数据代入检测模型进行电子鼻检测运算，得到其米曲霉发酵情况。
具体举例如下：
本例以电子鼻鉴定郫县豆瓣制曲过程中的米曲霉生长情况为例，根据步骤2、3将电子鼻原始处理数据导入aosps5.0，进行运算，参见表1，实现步骤4确定下来的传感器阵列为：用于探测芳香成分的传感器w1c、用于探测芳香脂类的传感器w5c、用于探测含甲基类的传感器w1s、用于探测醇类的传感器w2s及用于探测烷烃的传感器w3s。
表1各传感器选择情况
使用电子鼻结合svm智能分类算法，对发酵时间分别为：8小时、16小时、24小时、32小时、40小时、48小时的郫县豆瓣制曲情况进行判断、分类取得了92.5％的总精确度。
使用电子鼻结合bp神经网络算法，对发酵时间分别为：8小时、16小时、24小时、32小时、40小时、48小时的郫县豆瓣制曲情况进行判断、分类取得了94.6％的总精确度。