一种便携式智能电子鼻系统及气味识别方法与流程

本发明涉及一种便携式智能电子鼻系统及气味识别方法。
背景技术：
：与现代分析仪器和嗅辨员相比，电子鼻因其快速、简单、客观和廉价等优点备受重视。经过三十多年研究积累，众多商用电子鼻系统开始涌现，并在环境、食品和医疗等领域得到广泛的探索性应用。尽管如此，电子鼻要走出实验室真正进入生产生活，还有许多问题亟待解决，例如广谱稳定的气敏元件，鲁棒通用的模式识别算法，以及低功耗、小型化、自动化等技术问题。电子鼻的小型化受技术、成本和功能等因素相互牵制，平衡结果是其通用性的降低。目前实验研究使用的便携式电子鼻原型或产品大都采用低端单片机，数据分析功能简单，通常需要借助计算机完成模式识别，体积较大，限制了其应用场合。而嵌入式技术的发展允许电子鼻仪器内嵌操作系统，进而解决了复杂计算及结果可视化等问题，实现了不同程度的小型化。白福铭等在2009年第40期的《农业机械学报》公开了一种基于ARM9和WinCE操作系统的电子鼻，采集的数据传入计算机端的BP神经网络进行训练和识别，并测试了不同品牌纯牛奶和不同生产日期干酪的识别。张延军等在2010年第4期《电子器件》第33卷中公开了一种基于ARM7和μC/OS-II操作系统的电子鼻，数据传入计算机端先完成BP神经网络训练，再将网络模型植回嵌入式系统用于识别，并测试了猪肉贮藏过程中的品质变化。李江勇等在2012年《计算机技术与发展》中公开了一种基于ARM9和嵌入式Linux操作系统的电子鼻用于数据采集，再利用计算机端MATLAB软件分析数据实现多种气味识别。这些系统都采用了高端处理器和操作系统来实现更复杂的功能，但仍需依赖计算机完成模式识别。技术实现要素：本发明的目的在于克服现有技术中存在的上述不足，而提供一种设计合理的便携式智能电子鼻系统及气味识别方法，实现自动检测、智能识别及其可视化。本发明解决上述问题所采用的技术方案是：一种便携式智能电子鼻系统，其特征在于：包括气敏传感阵列、气室、采样泵、排废泵、数据采集系统、智能识别系统和人机界面系统；气敏传感阵列由多个气敏传感器构成；采样泵和排废泵均与气室连通；气敏传感阵列、数据采集系统、智能识别系统、人机界面系统依次电连接；采样泵和排废泵与数据采集系统电连接。本发明所述的数据采集系统由MSP430芯片构成。本发明所述的智能识别系统由ARM9芯片构成。本发明还包括计算机，计算机与智能识别系统电连接。一种便携式智能电子鼻系统的气味识别方法，其特征在于：在所述的智能识别系统中进行气味识别，方法采用雷达图分析、主成分PCA算法分析、多重判别MDA算法分析；雷达图通过一系列射线和同心圆构建对象的多变量分布结构图，特别适合初步分析所用气敏传感器是否冗余或特征提取方法是否合适；为了减小传感器漂移影响，采用式1的差分法提取特征，即对各传感器气味响应稳态部分500个数据求平均值减去各自初始基线响应50个数据的平均值构成8维特征向量x(i)；在极坐标系将其绘制成封闭折线，便得到雷达图；上述式1为：主成分PCA算法分析和多重判别MDA算法分析是在最小均方意义下寻找最优投影矩阵W，通过线性变换Y＝WTX将样本从高维特征空间Ω投影到较低维的分类或特征空间Ψ；对于主成分PCA算法分析，通过最小化平方误差准则函数J(ei)来求解ei，这组正交基构成了最优投影矩阵W；通过式2：可以证明ei可取自样本协方差矩阵前k个较大特征值所对应的特征向量(d≥k)；主成分PCA算法分析流程如下：(1)、样本矩阵X的每列减去它们的行向均值向量，得到(2)、计算样本协方差矩阵(3)、采用Jacobi法计算C的特征值λi和特征向量ei；(4)、选出最大的k个特征值所对应的特征向量，构造d×k的投影矩阵W；(5)、通过Y＝WTX将样本矩阵投影到上述k维子空间Ψ，取k＝2作二维PCA散点图；对于多重判别MDA算法分析，通过让投影后类间离散度与类内离散度的比值最大，即最大化Fisher线性可分准则函数J(W)来求解W：式中SB和SW分别为投影前的类间和类内散布矩阵；如果d≥c，那么W即由的前c-1个较大特征值对应的特征向量所构成；多重判别MDA算法分析流程如下：(1)、计算总类内散布矩阵式中为某个类别的中心；(2)、采用Gauss-Jordan消元法计算(3)、计算总类间散布矩阵式中为所有样本的中心；(4)、采用Jacobi法计算的特征值λi和特征向量ei；(5)、由前c-1个较大特征值对应的特征向量构造d×(c-1)的投影矩阵W；(6)、通过Y＝WTX将样本矩阵投影到上述c-1维子空间Ψ，取c＝3作二维MDA散点图。因为在采用式1的差分法特征提取时已经对某个样本进行了类别标记，可以求出这些模式类别在PCA或MDA投影空间Ψ中的模式中心，故可以在投影空间中计算未知样本yx与这些模式中心的欧式距离D来判定气味类别归属，欧式距离D计算公式为：其中本发明与现有技术相比，具有以下优点和效果：本发明内置了雷达图分析、主成分分析和多重线性分析等方法，有利于多角度解析样本数据，得到可靠的识别结果。系统结构灵活、功能通用、操作简便，可满足不同场景的现场检测要求，可以实现对流控装置的自动或手动控制、传感阵列数据采集、在线或离线智能识别及相关结果的可视化。附图说明图1为本发明实施例便携式智能电子鼻系统的结构示意图。图2为本发明嵌入式应用软件的主界面图。图3a和图3b为本发明实施例雷达图上同一货架期和不同货架期葡萄挥发气体的指纹图谱。图4为本发明实施例六组葡萄样品在D1～D10不同货架期的二维PCA散点图。图5为本发明实施例六组葡萄样品在D1～D10不同货架期的二维MDA散点图。图6为本发明实施例采用留一法考察PCA对E组葡萄样品D8货架期的识别结果。具体实施方式下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。参见图1，一种便携式智能电子鼻系统，包括气敏传感阵列1、气室2、采样泵3、排废泵4、数据采集系统5、智能识别系统6、人机界面系统7和计算机8。气敏传感阵列1由多个气敏传感器构成，本发明中，用8种金属氧化物半导体(MOS型)气敏传感器构建成气敏传感阵列1。气敏传感阵列1的所有传感器及其接口电路集成于PCB板，且固定在气室内两侧，并可以根据需要自由更换。采样泵3和排废泵4均与气室2连通。气敏传感阵列1、数据采集系统5、智能识别系统6、人机界面系统7依次电连接。采样泵3和排废泵4与数据采集系统5电连接。计算机8与智能识别系统6电连接。计算机8只用于系统调试和高级分析，并非必需，整机尺寸为20cm×18cm×14cm。数据采集系统5由MSP430芯片构成，用于实时数据采集和控制，负责气敏传感器加热控制、气味响应信号获取、采样泵3和排废泵4的定时控制等。智能识别系统6由ARM9芯片构成，负责模式识别和显示，包括对数据采集系统5的控制、数据预处理、响应曲线显示、模式识别及其可视化等，从而解除了普通电子鼻系统对计算机的依赖，满足了现场检测中便携式、智能化和低成本要求。被分析气味通过采样泵3进入气室2，静止反应一段时间后，同时开启采样泵3和排废泵4，用清洁空气清洗气室2，让气敏传感器响应回复基线。传感信号经过调理后，由MSP430芯片的片内外设8通道12位ADC采样，并由UART直接发送ARM9芯片处理。ARM9芯片控制人机界面系统7的触摸屏和USB鼠标实现人机交互，通过嵌入式应用软件完成所有操作、识别和显示。系统也可以通过串口与计算机8连接，以上传数据进行进一步分析。电子鼻系统的嵌入式应用软件是基于QtC++框架(4.6.3版本)自主开发，并运行于智能识别系统6(尤其是在ARM9芯片中)的嵌入式Linux操作系统(2.6.32版本)，主界面如图2所示，包括控制板和显示区两部分，可以通过人机界面系统7的触摸屏、USB鼠标或内置虚拟键盘进行人机交互，完成在线数据采集、智能识别及相关结果显示。数据采集系统5包括手动模式和全自动模式，前者通过一系列按键逐步控制采样泵3和排废泵4的开闭、采集的启停，自由掌握时间，用于陌生场景的试验性采集；后者通过MSP430预设程序一键式全自动完成前述过程，用于既定场景的工作性采集，以减少劳动强度、精确进气量，从而减少了人为误差。采集过程中的传感阵列响应将在显示区实时显示，数据等可保存以备后用。智能识别系统6包括模式类别标签的自定义输入、训练样本所属模式类别标记、模式识别算法选择以及计算结果的显示、导出与回读等。用户可以针对当前应用场景自定义添加模式类别标签(包括预设的未知类别X在内最多可达14类)，每次样本数据采集结束后，可选择上述类别标签进行标记，之后可以选择雷达图、主成分PCA算法分析、多重判别MDA算法分析等多种方法对当前样本和已知样本一起分析，分析结果将在显示区显示。如果当前样本是标记为X的测试样本，则将弹出对话框告知识别结果，识别正确的样本经用户确认后可转化为已知样本，否则该样本数据丢弃。这种模式类别的自定义添加扩大了应用软件的通用性，而识别过程中的“再学习”累积了更多训练样本，增强了应用软件的智能化。计算结果能以文件形式导出与回读，以“知识库”的形式保存或加载到应用软件，以备相同应用场景的重用。得益于Qt优良的跨平台特性，上述软件另有X11版本可运行于计算机端的Ubuntu等操作系统。为了分辨率和可读性，本文中程序运行结果均来自X11版本软件的截图，它与ARM版本软件的结果是实质等效的。气味识别是电子鼻智能化的核心，一般电子鼻系统由计算机完成这些处理，通过一些专用软件(如SPSS、WEKA)或者通用软件(如MATLAB)应用或设计某些经典的或新颖的算法实现气味识别。本发明在智能识别系统6中进行气味识别，方法采用雷达图分析、主成分PCA算法分析、多重判别MDA算法分析这三种轻量级方法。雷达图通过一系列射线和同心圆构建对象的多变量分布结构图，以便直观、形象、定性观察，对其所有属性或指标给出整体判断和综合评价。在电子鼻中特别适合初步分析所用气敏传感器是否冗余或特征提取方法是否合适。为了减小传感器漂移影响，采用式1的差分法提取特征，即对各传感器气味响应稳态部分500个数据求平均值减去各自初始基线响应50个数据的平均值构成8维特征向量x(i)；在极坐标系将其绘制成封闭折线，便得到雷达图。上述式1为：假设分属于c种不同气味类别的n个样本经式1的差分法特征提取成d维列向量x1,x2,...,xn，并构成d×n的样本矩阵X，其中某类别ωi的样本子集Ωi有ni列，则主成分PCA算法分析和多重判别MDA算法分析的基本思想是在最小均方意义下寻找最优投影矩阵W，通过线性变换Y＝WTX将样本从高维特征空间Ω投影到较低维的分类或特征空间Ψ，以减噪去冗，消除维度灾难，降低计算复杂度，而且易于可视化表达。对于主成分PCA算法分析，通过最小化平方误差准则函数J(ei)来求解ei，这组正交基构成了最优投影矩阵W。通过式2：可以证明ei可取自样本协方差矩阵前k个较大特征值所对应的特征向量(d≥k)。主成分PCA算法分析流程如下：1、样本矩阵X的每列减去它们的行向均值向量，得到2、计算样本协方差矩阵3、采用Jacobi法计算C的特征值λi和特征向量ei；4、选出最大的k个特征值所对应的特征向量，构造d×k的投影矩阵W；5、通过Y＝WTX将样本矩阵投影到上述k维子空间Ψ，取k＝2作二维PCA散点图。对于多重判别MDA算法分析，通过让投影后类间离散度与类内离散度的比值最大，即最大化Fisher线性可分准则函数J(W)来求解W：式中SB和SW分别为投影前的类间和类内散布矩阵。如果d≥c，那么W即由的前c-1个较大特征值对应的特征向量所构成。多重判别MDA算法分析流程如下：1、计算总类内散布矩阵式中为某个类别的中心；2、采用Gauss-Jordan消元法计算3、计算总类间散布矩阵式中为所有样本的中心；4、采用Jacobi法计算的特征值λi和特征向量ei；5、由前c-1个较大特征值对应的特征向量构造d×(c-1)的投影矩阵W；6、通过Y＝WTX将样本矩阵投影到上述c-1维子空间Ψ，取c＝3作二维MDA散点图。因为在采用式1的差分法特征提取时已经对某个样本进行了类别标记，可以求出这些模式类别在PCA或MDA投影空间Ψ中的模式中心故可以在投影空间中计算未知样本yx与这些模式中心的欧式距离D来判定气味类别归属，欧式距离D计算公式为：其中实施例：葡萄货架期检测应用。利用电子鼻监测水果贮藏期间气味成分的变化，可对水果货架期及存储质量进行监控。葡萄在劣变中挥发性物质的主要成分为乙酸乙酯、乙醇、二氧化碳和水汽。现选择葡萄货架期检测来验证本发明的有效性。(1)、材料与试验。实验采用浦江巨峰葡萄，采摘后在约1cm果柄处剪下果粒，并选择色泽、硬度和大小一致且无表面破损的果粒装入500mL广口瓶，每瓶8粒共6瓶构成平行样品组A～F。盖紧橡胶塞，静置于阴凉通风处待用。在封瓶后的第1、2、4、6、8、10天固定时间用前述电子鼻系统按组依次检测：每次先对背景空气测量5sec，然后通过留置在橡胶塞上的长短穿刺针采集葡萄挥发气体，反应测量2.5min后排废，同时清洗气室直至传感器响应回复基线，再进行下一组检测。本实验的电子鼻系统采用Figaro公司的TGS8xx系列气敏传感器，其型号和标称检测目标气体如表1所示：表1.葡萄货架期检测实验中所用气敏传感器一览表编号型号标称检测目标气体S1TGS826氨、胺化物等S2TGS832氟利昂R134a、R410a等S3TGS816甲烷、丙烷、丁烷等可燃性气体S4TGS813甲烷、丙烷、丁烷等可燃性气体S5TGS825硫化氢等S6TGS880食品中的易挥发气体和蒸汽等S7TGS800空气污染物(烟、汽油蒸汽等)S8TGS822苯、乙醇、丙酮等有机溶剂气体等(2)、传感信号分析。图2左边所示曲线即为上述传感器阵列对E组第8天葡萄挥发气体的原始响应信号，横轴坐标是采集的数据点(采样率20Sa/sec)，纵轴坐标是ADC转换得到的响应幅度。曲线可通过鼠标拖拽局部缩放，以方便观察。从图中可见，传感器在背景空气中响应平稳，但幅度各异，故采用式1的差分法提取特征，也有利于消除共模影响。当气室中泵入葡萄挥发气体后，响应曲线急速上升，一段时间后达到平稳，式1中的即为此段最后500个平稳数据的平均值。包括最后的排废和清洗气室，整个过程前后持续约8min。利用式1对每个样本进行特征提取，同时给定类别标签。本实验用D1、D2、D4、D6、D8、D10表示第1、2、4、6、8、10天货架期样本(以下简记为D1～D10)，这些标签名称初始在控制板自定义输入，之后可以通过下拉框选择。图3是雷达图上的葡萄挥发气体指纹图谱，从极坐标0度开始逆时针8个方向轴代表S1～S8传感器。从图中看，S2传感器对葡萄挥发气体的反应很小，可以视作冗余；其他传感器对不同货架期葡萄挥发气体都有响应，其中又以S5方向的变化最大。图3a为第8天所有6个平行样品组的雷达图，图中每条指纹图谱的重现性很好，表明这些数据样本的类内差异较小；图3b为A组和B组样品在D1～D10货架期的雷达图，可见不同货架期的指纹图谱在形状和幅度上不同，表明这些数据样本存在较大的类间差异。从而说明所选的气敏传感器除了S2冗余外都适用于葡萄货架期检测，也说明式1的差分法特征提取是合适的。(3)、主成分PCA算法分析和多重判别MDA算法分析分析葡萄货架期。图4和图5分别是A～F六个平行样品组在D1～D10不同货架期的二维PCA和MDA散点图，图中以颜色和字母区分不同货架期，含义在上方图例中标识，并随着模式类别增多会自动扩展到两排。图右上角列出最大前三个变异值(四舍五入保留到0.1％)，其中最大前三个主成分为86.7％、8.4％和2.7％，最大前三个判别函数值为89.5％、8.7％和1.8％，可见前两个累计变异值均超过了95％，说明采用二维散点图足以展示这些样本的分布情况。从两图中看，总体上同一货架期的六组样品分布比较集中，不同货架期的样品则有一定距离，这与雷达图上观察到的情形一致。在雷达图、PCA和MDA散点图上，第10天D10样本比较分散，而在原始响应曲线图中幅度较前几天有突然增大。检查葡萄样品发现，果柄大都转黑脱落，果粒变软，部分果粒有液体渗出，表明葡萄开始腐败变质。为了考察主成分PCA算法分析和多重判别MDA算法分析对葡萄货架期的正确识别率，本文采用留一法(LeaveOnlyOne，LOO)进行测试，即轮流用A～F平行组中的5组作为训练集，剩下1组为测试集，每次从该组读入一个D1～D10样本文件(即离线模式，而在线模式中可直接操作采集到的数据)，特征提取后用X标签标记，在下拉框中选择PCA或MDA方法后点击Analyze按键，软件弹出对话框告知识别结果，如图6是主成分PCA算法分析对E组样品D8货架期的识别结果。用户认为识别正确可选择Yes按键，则该测试样本将进入训练集，这些训练集可以通过SaveInfo和ReadInfo按键保存和读回，以殷实智能电子鼻系统的“知识库”。表2是采用留一法考察主成分PCA算法分析和多重判别MDA算法分析对6个平行样品组D1～D10货架期的正确识别数和平均识别率，例如A组作为测试集时用PCA方法对该组所有六个D1～D10样本均识别正确，而A～F组轮流做测试集后计算PCA的平均识别率为83.3％，同理MDA的平均识别率为80.6％。表2、采用留一法考察主成分PCA算法分析和多重判别MDA算法分析对6组葡萄样品货架期的正确识别数和平均识别率。方法A组B组C组D组E组F组平均识别率PCA65625683.3％MDA55655380.6％通过对巨峰葡萄6个平行样品组10天货架期的数据采集，使用主成分PCA算法分析和多重判别MDA算法分析进行分析识别，在留一法验证中分别得到83.3％和80.6％的平均识别率，从而验证了系统的有效性。本说明书中所描述的以上内容仅仅是对本发明结构所作的举例说明；而且，本发明各部分所取的名称也可以不同，凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。当前第1页1 2 3