一种食品智能化仿生评价中的跨感知信息交互感应融合方
法
技术领域
[0001] 本
发明专利涉及一种跨感知仿生
传感器信息交互感应融合的方法，通过视觉、嗅觉、味觉等不同类型传感器模拟人的眼、鼻、舌等感知器官对食品品质做出合理准确的综合性评价。
背景技术
[0002] 人类获取食品，不仅满足生理需求，也满足心理需求和精神享受。具有良好或独特
风味的食品，除直接增加食欲、促进消化液分泌、加强消化吸收的功能外，还会使人们在感官上得到愉快，这就是食品风味的魅
力所在。食品风味指食品入口前后对人体的眼、鼻、舌等感觉器官的刺激，从而引起人们对其总体特征的综合
印象，具体表现在色、香、味、形等多个方面。长期以来，食品风味的检验和评判通常依赖人工感官检验，但人工感官检验本身存在一定的局限性：1）人工感官检验需要一个长期训练和经验积累的过程，一般是依靠训练有素的专家来完成，普通消费者不具备这种能力；2）人工感官检验容易受到外在因素的干扰，即使是训练有素的专家，他们感觉器官的灵敏度也会受到性别、经验、精神状态、身体状况、动机态度和地域环境等因素的干扰，影响到评判结果的准确性和一致性。因此，发明一种智能化的食品感官检验方法，以辅助人工感官检验，校正人工感官检验偏差，提高食品感官检验结果的客观性和一致性，对指导食品生产、保证食品
质量和增加食品附加值等都有着极其重要的意义。
[0003] 近年来，随着计算机、微
电子和材料科学的发展，视觉、嗅觉和味觉等新型仿生传感器技术相继问世，它们已在食品品质智能化评价中得到了应用。食品包含色、香、味、形等多种感官品质指标，单一传感器技术获取的信息量不够全面，最终影响到检测结果的准确性，近年来，多传感器信息融合技术在食品品质智能化评价方面也得到了初步应用，与单一检测手段相比，多信息融合在食品智能化感官检验中的应用，可使检测获得到的信息更全面、结果更客观，并与人类感知过程相类似。
[0004] 从论文和专利等文献检索可看出，目前在食品品质智能化评价中，仿生传感器大多采用商业化的仪器，仅起到分析仪器的作用，检测机理与人工感官检验机理还相差甚远，并没有真正意义上具备人类相类似的“感知功能”，而且从已发表的论文期刊和已授权的专利中，可以知道已经有人将多信息融合技术应用于食品、农产品等品质的
无损检测方面，如“基于多传感信息融合的名优茶品质仪器智能化审评方法”（ZL200910232916.9）以及“一种食品感官质量评价方法及系统”（ZL201110142990.9），但是在多种传感信息融合上，可以发现基本都是将几种传感器技术进行简单
串联，对物理意义跨度较大的传感信息进行武断
叠加，其实这不是真正意义上的融合，也与人类的感知行为相差甚远。人类感知行为是一个非常复杂的过程，由感觉神经元、中枢神经和大脑皮层感觉区形成的拓扑结构。最新研究表明感觉神经元末端与一种星形神经胶质细胞相连接，造成该拓扑结构的空间连接非常复杂，不同感觉器官产生的感知信息在传输过程中存在相互交叉；也就是说，在食品感官检验中，人类多个器官共同作用、相互影响。
[0005] 鉴于此，本发明提供了一种实现模拟人的感觉器官的跨感知多信息交互感应融合的方法。
发明内容
[0006] 与单一检测手段相比，多信息融合在食品智能化感官检验中的应用，可使检测获得的信息更全面、结果更客观，并且更贴近人类的感知过程。如何实现利用多信息融合的技术进行食品品质智能化评价成为本发明专利一关键性技术所在。
[0007] 本专利所提供的技术方案是：
一种食品智能化仿生评价中的跨感知信息交互感应融合方法，利用不同类型的仿生传感器从嗅觉、视觉、味觉方面模拟人的鼻、眼、舌感知器官，提取食品的特征变量，得到一个矩阵，包含不同物理意义和不同量纲、量级的传感信息，通过主成分分析对提取的所有特征变量进行重组，得到若干个相互
正交的主成分PCi，实现不同类型传感信息的交互感应融合；利用前n个主成分PC1、PC2、PC3…PCn对人工感官检验的嗅觉、视觉和味觉得分进行回归，分别得到相应的嗅觉、视觉和味觉的虚拟变量；最后将这些虚拟变量作为决策系统的输入，通过遗传神经网络方法构建非线性决策系统，实现了嗅觉、视觉、味觉跨感知传感器信息交互感应融合。
[0008] 本发明方法的具体步骤是：
[0009] （1）嗅觉信息采集，选用嗅觉传感器设备模拟人的鼻子采集食品的气味信息，根据不同嗅觉传感器阵列得到能够反映食品气味信息的p个特征变量a1,a2,a3.......ap；
[0010] （2）视觉信息采集，选用视觉传感器模拟人的眼睛采集食品的外观品质信息，对外观品质信息进行
颜色特征和纹理特征分析，得到能够反映外观信息的q个特征变量b1,b2,b3,......bq；（3）味觉信息的采集，选用味觉传感器设备模拟人的舌头采集食品的滋味信息，得到能够反映食品滋味的t个特征变量c1,c2,c3......ct；
[0011] （4）将（1）-（3）得到的特征变量组合成一个m行、（p+q+t）列的矩阵；
[0012] （5）采用主成分分析的方法完成对上述特征变量的
净化、
降维及筛选过程，主成分分析是在高维虚拟空间对原所有的特征变量进行重组，得到若干个相互正交的主成分；
[0013] （6）提取前n个主成分PC1、PC2、PC3……PCn,通过多元线性回归建立嗅觉、视觉、味觉三个类型的得分虚拟变量L1、L2、L3分别对前n个主成分PC1、PC2、PC3……PCn的线性回归方程；
[0014] （7）将所有样本的嗅觉、视觉、味觉三个类型的得分虚拟变量L1、L2、L3和与之相对应的人工感官评价得分等级作为
输入层代入基于BP-ANN的多传感信息融合模型，样本按照3:2的比例随机分为校正集和预测集两个组;
[0015] （8）根据BP-ANN融合模型输出结果，查看预测集识别率的高低，来验证所建模型的
稳定性。
[0016] 本专利中采用建立虚拟变量：（1）嗅觉信息采集，选用嗅觉传感器设备模拟人的鼻子采集食品的气味信息，根据不同嗅觉传感器阵列得到能够反映食品气味信息的特征变量a1,a2,a3.......ap。（2）视觉信息采集，选用视觉传感器技术模拟人的眼睛采集食品的外观品质信息，对外观品质信息进行颜色特征和纹理特征分析，得到能够反映外观信息的特征变量b1,b2,b3,......bq。（3）味觉信息的采集，选用味觉传感器设备模拟人的舌头采集食品的滋味信息，得到能够反映食品滋味的特征变量c1,c2,c3......ct。将得到的三种不同物理意义和不同量纲、量级的传感信息组合成一个m行、（p+q+t）列的庞大矩阵:
[0017]
[0018] 面对如此庞大的数据，通常按照统一法则映射到一个高维空间，并抽象出若干个虚拟向量来完成跨感知信息的融合过程。本专利采用主成分分析（PCA）的方法来完成对特征变量的净化、降维及筛选过程，主成分分析是在高维虚拟空间对原所有的特征变量进行重组，得到若干个相互正交的主成分。本发明专利以方差贡献率的高低选用前n个主成分PC1、PC2、PC3……PCn，以其能代表食品品质百分之九十以上的信息量为最佳。显然经过主成分分析处理之后，可以得到:
[0019] PC1=k11a1+k12a2+k13a3……+k1pap+k1(p+1)b1+k1(p+2)b2+……k1(p+q)bq+k1(p+q+1)c1+k1(p+q+2)c2+……k1(p+q+t)ct，
[0020] PC2=k21a1+k22a2+k23a3……+k2pap+k2(p+1)b1+k2(p+2)b2+……k2(p+q)bq+k2(p+q+1)c1+k2(p+q+2)c2+……k2(p+q+t)ct，
[0021] PC3=k31a1+k32a2+k33a3……+k3pap+k3(p+1)b1+k3(p+2)b2+……k3(p+q)bq+k3(p+q+1)c1+k3(p+q+2)c2+……k3(p+q+t)ct，
[0022] PC4=k41a1+k42a2+k43a3……+k4pap+k4(p+1)b1+k4(p+2)b2+……k4(p+q)bq+k4(p+q+1)c1+k4(p+q+2)c2+……k4(p+q+t)ct，
[0023] ………………………………………………………………………………………………………………………
[0024] ………………………………………………………………………………………
[0025] PCn=kn1a1+kn2a2+kn3a3……+knpap+kn(p+1)b1+kn(p+2)b2+……kn(p+q)bq+kn(p+q+1)c1+kn(p+q+2)c2+……kn(p+q+t)ct
[0026] 每个主成分理论上均由所有的传感特征变量构成，体现了交互性。然后提取前n个主成分PC1、PC2、PC3……PCn,通过多元线性回归（MLR）建立嗅觉、视觉、味觉三个类型的得分虚拟变量L1、L2、L3分别对前n个主成分PC1、PC2、PC3……PCn的线性回归方程：
[0027] 虚拟嗅觉变量L1=a+b11PC1+b12PC2+b13PC3+b14PC4+……+b1nPCn；
[0028] 虚拟视觉变量L2=a+b21PC1+b22PC2+b23PC3+b24PC4+……+b2nPCn；
[0029] 虚拟味觉变量L3=a+b31PC1+b32PC2+b33PC3+b34PC4+……+b3nPCn
[0030] 通过构建得到的嗅觉、视觉、味觉三个得分虚拟变量，才真正意义上实现了人类嗅觉、视觉、味觉之间交互感应的数字仿生。
[0031] 由于感知传感器的特征变量与食品感官品质之间的对应关系不是简单的线性关系，通常将遗传神经网络、模糊
支持向量机等非线性手段引入到融合模型建立中，使得到的融合模型尽可能地与人类感知行为相接近。本专利采用误差反向传播神经网络（BP-ANN）手段融入到模型建立中去。将三个虚拟变量以及人的真实感官评价得分（一般由专业评审专家给出评价分数）作为输入层，代入到BP-ANN模型中去，得到食品品质基于跨感知传感器信息融合技术的综合判别结果，以便仿真人的眼、鼻、舌等器官对食品品质作为综合性的感官评价。
[0032] 本发明利用现代
数据挖掘方法对原始数据进行净化和降维，从海量的互不相关的三类传感器信息数据中筛选特征变量；设计智能学习
算法将本身无实际意义特征变量与相应的人工感官结果相耦合，赋予其相应的感知功能，以实现特征变量感知意义解析。本专利提供将不同物理意义和不同量纲、量级的传感信息按照统一法则映射到一个高维空间，并抽象出若干个得分虚拟向量来完成跨感知信息融合。鉴于感知传感器的特征变量与食品感官品质之间的对应关系往往不是简单的线性关系，研究拟将遗传神经网络、模糊支持向量机等非线性手段引入到融合模型建立中，使得到的融合模型尽可能地与人类感知行为相接近。
附图说明
[0033] 图1基于视-嗅-味跨感知仿生传感器对茶汤综合品质多信息融合的方法流程图。
具体实施方式
[0034] 在本
实施例中，本专利拟采用多仿生传感器融合技术应用于茶叶茶汤品质的智能化检测，模拟人的眼、鼻、舌三大感觉器官。流程如图1，通过三种类型的传感器采集不同物理意义和不同量纲、量级的传感特征信息。多传感器信息采集过程：（1）嗅觉信息采集，选用电子鼻仪器设备（德国AIRSENSE公司的PEN3电子鼻）模拟人的鼻子采集茶汤的气味信息，根据不同嗅觉传感器阵列得到能够反映茶汤气味的信息，提取每个传感器
信号最大值、最小值和均值等3个特征值，电子鼻系统有10个MOS传感器，这样一共可提取30个气味特征变量；（2）视觉信息采集，选用测色色差计（DC-P3型全自动测色色差计）采集茶汤的色泽信息，对茶汤色泽信息进行特征分析，得到能够反映汤色信息的色差
亮度L、红绿度a、黄兰度b、△L、△a、△b和△E值，并计算其衍生值，包括色相b/a、
色调彩度Cab、色彩
饱和度Sab及色相
角Hab，共11个色泽特征变量；（3）味觉信息的采集，选用电子舌仪器设备（法国Alpha MOS公司的ASTREEⅡ电子舌）模拟人的舌头采集茶汤的滋味信息，得到能够反映茶汤滋味信息的7工作
电极信号，提取传感器稳定值，则一个样品得到7个味觉特征变量。
[0035] 利用主成分分析（PCA）对所得到的三种传感器信息的原始数据进行净化和降维，从海量数据中筛选特征变量。PCA是将不同物理意义和不同量纲、量级的多信息按照统一法则映射到一个高维空间中去，实现多种互不相关的特征变量信息之间的相互重组，得到若干个相互正交的主成分，再通过多元线性回归（MLR）建立起视觉、嗅觉、味觉三个得分虚拟变量分别对PC1、PC2、PC3、PC4、PC5、PC6前6个主成分的线性回归方程，从真正意义上做到多传感信息的交互感应融合。设计智能学习算法，采用一些非线性
模式识别算法将本身无实际意义特征变量与相应的人工感官结果相耦合，赋予其相应的感知功能，以实现特征变量感知意义解析。人工感官评审得分一般由专业的评审专家小组组成，依据人工感官检验标准（如表1）综合性地根据茶汤汤色、香气、滋味给出评价得分，再根据综合等级划分依据将茶汤分为1级、2级、3级三个不同品质等级（如表2所示）。
[0036] 表1人工感官检验标准
[0037]
[0038] 总得分=0.4*X1+0.3*X2+0.3*X3。
[0039] 表2综合等级划分依据
[0040]综合等级 总得分范围
1级 90-99
2级 80-89
3级 70-79
[0041] 本专利采用误差反向传播神经网络（BP-ANN）手段融入到模型建立中去。将三个得分虚拟变量以及人的真实感知评价得分等级作为输入层，代入到BP-ANN模型中去，使得到的融合模型尽可能地与人类感知行为相接近，以便仿真人的眼、鼻、舌等器官对茶汤品质作为综合性的感官评价。实现跨仿生传感技术对茶汤做出合理、符合标准的评价结果。
[0042] 多传感器多信息融合智能化评价结果：选用45个样本（三个等级，每个等级15个样本）作为校正集代入BP-ANN建立模型，选取30个样本（三个等级，每个等级10个样本）作为预测集来验证所建模型的稳定性，所得到的预测结果为，与人工感官审评等级结果的吻合度为90%。
