一种基于遗传算法优化西湖龙井茶产地检测方法
【专利摘要】一种基于遗传算法优化西湖龙井茶产地检测方法，其特征在于使用电子鼻对采集的不同产地西湖龙井茶气味采集指纹图谱，在其平均图谱与主成分得分图分析的基础上，通过轮盘赌选择法、单点交叉法与基本位变异法这三个遗传算法关键技术，以整体识别率为适应性函数，筛选出对产地建模有特殊贡献的传感器，进行优化组合，减少了建模所需要的传感器数量，同时将传感器图谱响应值通过方差分析的F值与主成分载荷进行矩阵分析。
【专利说明】一种基于遗传算法优化西湖龙井茶产地检测方法
【技术领域】
[0001 ] 本申请涉及一种基于遗传算法优化西湖龙井茶产地检测的方法。
【背景技术】
[0002]长期以来感官品评是评定茶叶品质优劣的重要方法，但该方法需要有丰富的茶学知识和审评经验。除非是专业茶叶审评员、经销商或制造商，一般购茶者很难分辨茶叶质量的优劣，没有相当经验的积累，难以得到可靠的结果。并且培养一名茶叶评审员不仅要精心挑选，投入大量费用，而且训练周期也比较长。况且即便是专业品茶师，其感觉器官的灵敏度也易受外界因素的干扰而改变，从而影响评价结果的准确性、客观性和一致性。如人的嗅觉分辨力易受外界异杂气味的干扰；人的味觉敏感度易受其它刺激性食物及其温度的影响；人的视觉涉及到光学、视觉生理、视觉心理等诸多因素，不同人的辨色能力会存在一定的差别。审评人员感觉器官的灵敏度还受其它因素的影响，如地域差异、性别差别、精神状态及身体状况等因素。此外，感官审评需在对照实物标准样的基础上进行，而实物标准样的制作受到各种条件的限制，难以保持几年连续一致。并且标准样采用前一年度或前几年度的生产性产品作原料，不可能不受天时、气候、地理条件的影响，所以事实上标准样品质很难达到绝对的标准。
[0003]本发明对不同采摘期、不同树种、不同产区的龙井茶从理化指标和感官指标出发，结合智能化感官分析、多元统计和现代仪器分析的集成技术，全方位的解析龙井茶特征，分析茶叶各指标的内在关系，建立定性、定量评价龙井茶品质的数学模型，对龙井茶质量进行准确的特征识别、等级评定，为建立统一的绿茶评价体系标准提供强有力的依据。这些研究在理论上将为我国其它茶叶的质量评价提供基础和支撑，在实践中对于提高我国茶叶质量的稳定性，通过标准化手段强化我国茶叶的分等分级，实现茶叶的优质优价，打破我国出口茶叶的高质低价传统，消除发达国家对我国产品优质低价的质疑，对于维护国内市场秩序和保障消费者的切身利益，积极捍卫我国茶叶产品的国际声誉，促进国际贸易等具有重要的意义和显著的社会效益、经济效益。
[0004]近年来随着现代仪器分析技术的发展，茶叶的理化研究也得到了相应的进展。茶叶香气物质分离和分析技术已逐步从常规的气相色谱(GC)或气相色谱-质谱联用(GC-MS)过渡到气相色谱-嗅辨(GC-O)方法。目前已检测出七百多种的茶叶香气成分，包括脂肪类衍生物、萜烯类衍生物、芳香族衍生物和含氮氧杂环类化合物。但即便如此，单纯从成分的角度也难以反应茶叶香气的整体特征信息和香气品质。对茶叶呈味物质的仪器分析技术主要有液相色谱法、光谱法、质谱法、核磁共振法等。目前，已明确茶叶中含有机化学成分多达六百余种，无机矿物元素亦达四十多种。但由于各种滋味之间存在着相互作用，如味觉的对t匕、变调、协调和相杀等现象，所以测得的化学特性参数并不能真实全面地反映出样品的味觉特征。
[0005]智能感官分析技术的出现进一步推动了茶叶品质检测水平，它是基于对人体感官感知过程模仿的技术。传感器相当于生物系统中的感觉器官，对被测样品某方面的属性产生响应信号；信号采集器如同神经系统对响应信号进行传输和简单处理；电脑如同人脑对信号数据进行复杂处理和分析识别，形成综合、整体的判断。智能感官分析技术具有检测时间短、重复性好、不需要复杂的样品预处理过程、不发生感官疲劳和检测结果客观可靠等特点，更重要的是可以在一定程度上模拟人的感官给出有关茶叶香气、滋味和外质的评判结果和指纹信息，是目前茶叶品质检测研究的热点和发展趋势。目前针对茶叶中的色、香、味、形等感官属性，所采用的智能感官分析技术主要有机器视觉、电子鼻和电子舌技术，其工作流程主要包括传感器产生响应信号、对响应信号进行预处理、提取样品特征信息、建立相关模型并进行模式识别。其中模式识别是智能感官系统的重要组成部分。目前应用的主要方法有主成分分析、人工神经网络和模糊识别等。主成分分析用于信号处理，抑制多维传感器响应信号噪声和压缩信号数据。人工神经网络对处理后的信号进行学习和训练，建立网络模型。模糊识别则以模糊推理对复杂事物进行模糊识别、模糊定量。
[0006]采用智能感官技术模拟人感官审评的功能和特征,结合多算法研究处理智能感官检测中所蕴含的丰富的产品品质信息，进而抽取出相对应的计算模型和方法。以解决终端问题为目的的算法，在多个智能传感器对象和多个产品指标互相关联的情况下分析它们的统计规律，很适合食品科学研究的特点。采用多算法、智能感官分析技术和现代仪器分析技术等集成技术，能够克服多指标综合评价带来的统计和分析的麻烦，同时也能够充分利用实验数据信息得到与茶叶特征品质相关的隐含细节，使得茶叶特征品质的统计分析和模式判别可以同时完成，既迅速又准确。由此，为建立我国茶叶的特征品质数据库和智能化品质评价系统，实现对茶叶品质快速、准确、全面的分析，为我国茶叶特征品质的科学评价、合理界定提供借鉴和指导，为我国茶叶的品质保证、特色保护、真伪鉴别提供核心的技术支撑。
[0007]电子鼻作为20世纪90年代发展起来的新型气味扫描仪，目前已广泛应用于食品、饮料、化妆品、环境检测以及农产品加工过程控制等领域。与普通的化学分析方法相比，电子鼻利用其对多种气体的交叉敏感性，综合评价气体的整体信息，与人的嗅觉相比，测定结果更加客观、可靠。
[0008]电子舌技术是20世纪80年代中期发展起来的一种分析、识别液体味道的新型检测手段，现已被应用于食品、医药、化妆品、化工、环境监测等领域。与普通的化学分析方法相比，电子舌输出的并不是样品滋味成分的分析结果，而是一种与样品有关的信号模式，经过具有模式识别能力的软件系统分析后，可得出对样品味觉特征有关的总体评价。
[0009]综上所述，智能感官分析技术(机器视觉技术、电子鼻技术和电子舌技术)在茶叶品质检测中已取得了较好结果，并显示了较好的应用前景。但目前这些技术离实际应用还有一定差距，尚有一些关键性问题需要解决。如:
(I)电子鼻、电子舌的关键技术研究:机器视觉技术已经在实际中广泛应用，但电子鼻、电子舌尚处于研发阶段，因此要构建综合的智能感官系统，需要对电子鼻、电子舌进行深入研究，解决其关键问题。
[0010](2)特异性传感器的研制与筛选:由于不同类型的样品具有其特定的物质体系，导致不同类型的传感器对不同物质的响应都不同。因此，需进一步深入研究，针对特定的物质体系建立响应快、敏感度高、寿命长、清洗方便、经济适用的传感器阵列。
[0011](3)样品的代表性和采样的科学性:目前的研究报道中，其结果大都显示对茶叶分类或分级的判别率较高。但这些研究中，茶叶样品的代表性不够强，样品数也不够全，在采集样品信息时，基本都是平行样，即每个等级的茶叶检测都重复很多次，使得模型的稳定性不佳，使用范围不广。只有建立科学的样品采集方法和样品代表性的判别原则，才能保证后续模型的顺利建立。
[0012](4)信号的漂移和去噪:由于仪器测量参数、测量方法、测量环境、样品来源等因素变化，容易导致传感器响应曲线的漂移，引起智能感官检测的误差，使其不能适应工业化的长时间连续作业，因此需要加强有关减小响应信号漂移、信号噪声分析处理技术的研究。
[0013](5)模型的鲁棒性:有些研究在建立判别模型时，未对模型进行详细讨论，也未使用独立的预测样本来检验模型的鲁棒性。此外，品质判别中所建模型的稳定性不足，需要加强算法的研究及改进，以提高模式识别的效力。
[0014]电子鼻系统属于多根传感器的阵列组合，由于茶叶香气成分复杂，使得每个传感器对很多香气都有响应，而每个香气成分又在很多传感器上有响应，使得传感器指纹图谱阵列能最大程度的保留香气信息，但又容易引入大量冗余信息，导致品质建模计算量大、耗费时间长、所建模型复杂不稳定。其主要原因为:(1)由于智能感官指纹图谱中，有些传感器的样品响应信息很弱，直接影响模型的预测精度；(2)由于电子鼻仪器噪声的影响，一些传感器的样品信息信噪比(SNR)较低；同时，外界的干扰因素(如温度、湿度等)对样品品质在某些传感器处的指纹响应特性影响较大，从而降低了模型的稳健性；(3)茶叶香气中含有多种组分，每一种组分都会在某一个或几个传感器中有较强的响应，而作为茶叶香气整体信息的检测，需要优化组合对不同香气有特殊响应的传感器阵列，才能综合有效的特征香气指纹信息。
[0015]通过传感器的合理选择与组合，不仅可以剔除不相关或非线性的嗅闻传感器，去除冗余传感器数据信息，提取最有效的香气智能嗅闻指纹图谱信息，使校正模型具有更好的预测能力，简化运算。而且可以省去那些对模式识别效果没有显著影响甚至有负面影响的传感器，从而对降低电子鼻的制造成本，提高系统稳定性都有一定的积极意义。
[0016]传感器选择就是实践中经常遇到的一种优化问题。目前所采用的优化组合法虽然在一定程度上使用了组合的理念，但这个组合是在初步剔除的基础上，对分组后的传感器阵列进行组合，并未达到全局优化组合的效果。而Loading值法虽然避免了冗余传感器的加入，但并未分析被选传感器的响应性能，即同一传感器对同一样品响应的重复性和对不同样品响应的区分性。遗产算法(Genetic Algorithms，缩写为GA)是以达尔文的适者生存和优胜劣汰的生物进化理论为基础，模拟生物界的遗传和进化过程而建立的一种优化方法，具有非导数、随机全局优化、避免陷入局部极小点和易实现等特点。
【发明内容】
[0017]一种基于遗传算法优化西湖龙井茶产地检测方法，其特征在于:使用电子鼻对采集的不同产地的西湖龙井茶气味采集指纹图谱，在其平均图谱与主成分得分图分析的基础上，通过轮盘赌选择法、单点交叉法与基本位变异法这三个遗传算法关键技术，以整体识别率为适应性函数，筛选出对产地建模有特殊贡献的传感器，进行优化组合，减少了建模所需要的传感器数量，同时将传感器图谱响应值通过方差分析的F值与主成分载荷进行矩阵分析。
[0018]所述的基于遗传算法优化西湖龙井茶产地检测方法，其特征在于:所述遗传算法将传感器选择看作一个组合优化的模型，将建立软独立模型(SMCA)的预测性能作为优化的目标函数，通过全局搜索来选择最佳传感器的阵列子集，在保证预测效果不变或提高的前提下，减少建模所用传感器数。
[0019]所述的基于遗传算法优化西湖龙井茶产地检测方法，其特征在于:所述电子鼻采用法国Alpha MOS公司生产带有顶空自动系统的Fox 4000型电子鼻。
[0020]所述的基于遗传算法优化西湖龙井茶产地检测方法，其特征在于:所述采集指纹图谱的方法为:首先，在每个20 mL顶空瓶中装入1.00 g龙井茶干茶后加入5 mL常温超纯水压盖密封；每种茶样都以这种方式盛样，并依次检测，每个样品的检测环节都是先将顶空瓶送入预热区，在500 rpm振荡器转速和60 1:顶空温度下加热900s后，抽出2.0mL气体以2.0 mL/s的进样速度注入到电子鼻传感器阵列室。在120 s响应时间内，选择传感器响应绝对值的最大点，即气味指纹图谱的波峰点或波谷点，作为后续茶叶品质模型建立的特征点。
[0021]所述的基于遗传算法优化西湖龙井茶产地检测方法，其特征在于:所述电子鼻传感器阵列室包含18根金属氧化物传感器，其中挑选出LY2/G、LY2/AA、T30/1、P10/1、P40/1、T70/2、PA/2 这七根传感器，剔除 LY2/LG、LY2/GH、LY2/gCTL、LY2/gCT、P10/2、P30/1、P40/2、P30/2、T40/2、T40/1、TA/2这11根被使用频率低的传感器。
【专利附图】
【附图说明】
[0022]图1异常样本剔除前的PCA得分图(a)与马氏距离值残差图(b)。
[0023]图2不同样品在电子鼻传感器特征响应点的信号图。
[0024]图3异常样本LLJ剔除后的PCA得分图(a)与马氏距离值残差图(b)。
[0025]图4四个等级龙井茶的电子鼻传感器响应信号强度图。
[0026]图5异常样品剔除后不同等级茶叶电子鼻传感器响应平均值图。
[0027]图6异常样品剔除后前四个主成分下的载荷图。
[0028]图7等级模型中PRESS值与模型主成分数之间的关系。
[0029]图8遗传算法运行流程图。
[0030]图9交叉算法。
[0031]图10变异算法。
[0032]图11四个等级样品在主成分一、二下的载荷图。
[0033]图12产地模型中茶叶传感器响应平均值图。
[0034]图13产地模型的主成分得分图(PC1-PC2)。
[0035]图14产地模型LHT-LMT (a)和LYJ-LWJ (b)在主成分一、二下的载荷图。
[0036]图15树种模型中茶叶传感器响应平均值图。
[0037]图16树种模型主成分得分图(PC1-PC2)。
【具体实施方式】
[0038]I茶叶样品收集与处理
本发明收集来自杭州西湖龙井产区当地茶农的2011年西湖龙井茶样，具体包括4个等级，2个树种，5个产地。为了便于茶样间的区分，对每种茶样进行了合理编号和区分，具体信息见表1。为了保证同种茶样品质的一致性，将茶样置于一 4°c以下的冷库内，按照实验用量每次取小袋进行实验。
【权利要求】
1.一种基于遗传算法优化西湖龙井茶产地检测方法，其特征在于:使用电子鼻对采集的不同产地的西湖龙井茶气味采集指纹图谱，在其平均图谱与主成分得分图分析的基础上，通过轮盘赌选择法、单点交叉法与基本位变异法这三个遗传算法关键技术，以整体识别率为适应性函数，筛选出对产地建模有特殊贡献的传感器，进行优化组合，减少了建模所需要的传感器数量，同时将传感器图谱响应值通过方差分析的F值与主成分载荷进行矩阵分析@。
2.根据权利要求1所述的基于遗传算法优化西湖龙井茶产地检测方法，其特征在于:所述遗传算法将传感器选择看作一个组合优化的模型，将建立软独立模型(SMCA)的预测性能作为优化的目标函数，通过全局搜索来选择最佳传感器的阵列子集，在保证预测效果不变或提高的前提下，减少建模所用传感器数。
3.根据权利要求1所述的基于遗传算法优化西湖龙井茶产地检测方法，其特征在于:所述电子鼻采用法国Alpha MOS公司生产带有顶空自动系统的Fox 4000型电子鼻。
4.根据权利要求3所述的基于遗传算法优化西湖龙井茶产地检测方法，其特征在于:所述采集指纹图谱的方法为:首先，在每个20 mL顶空瓶中装入1.00 g龙井茶干茶后加入5mL常温超纯水压盖密封；每种茶样都以这种方式盛样，并依次检测，每个样品的检测环节都是先将顶空瓶送入预热区，在500 rpm振荡器转速和60 1:顶空温度下加热900s后，抽出2.0mL气体以2.0 mL/s的进样速度注入到电子鼻传感器阵列室，在120 s响应时间内，选择传感器响应绝对值的最大点，即气味指纹图谱的波峰点或波谷点，作为后续茶叶品质模型建立的特征点。
5.根据权利要求4所述的基于遗传算法优化西湖龙井茶产地检测方法，其特征在于:所述电子鼻传感器阵列室包含18根金属氧化物传感器，其中挑选出LY2/G、LY2/AA、T30/1、P10/1、P40/1、T70/2、PA/2 这七根传感器，剔除 LY2/LG、LY2/GH、LY2/gCTL、LY2/gCT、P10/2、Ρ30/1、Ρ40/2、Ρ30/2、Τ40/2、Τ40/1、ΤΑ/2 这 11 根被使用频率低的传感器。
【文档编号】G01N30/88GK103487537SQ201310323331
【公开日】2014年1月1日 申请日期:2013年7月30日 优先权日:2013年7月30日
【发明者】赵镭, 史波林, 汪厚银, 支瑞聪, 刘宁晶, 裴高璞, 张璐璐, 解楠 申请人:中国标准化研究院