薛大為, 楊春蘭

（蚌埠學院機械與電子工程系, 安徽 蚌埠 233030）

基于生物阻抗技術的淡水魚新鮮度檢測方法研究

薛大為, 楊春蘭

（蚌埠學院機械與電子工程系, 安徽 蚌埠 233030）

針對單獨以阻抗模值條件或相角條件對淡水魚新鮮度檢測存在判別準確度不高的問題,提出了綜合阻抗模值和相角兩個條件并結合神經網(wǎng)絡對淡水魚新鮮度進行檢測的方法. 以模值和相角作為輸入因子, 以TVB-N作為輸出因子,建立了淡水魚新鮮度3層BP神經網(wǎng)絡預測模型. 實驗結果表明, 該模型對于淡水魚新鮮度判別準確率達到95%, 相對于單獨模值條件或相角條件判別, 準確度顯著提高.

淡水魚; 新鮮度; 阻抗特性; BP神經網(wǎng)絡

引言

魚類隨著死亡時間的增長會出現(xiàn)腐敗現(xiàn)象, 一旦腐敗魚體中就會產生一些害物質, 如果被人食用會對健康造成危害. 因此, 新鮮度是決定魚類或魚肉質量的重要指標之一[1], 對魚肉新鮮度進行快速、準確的檢測具有重要的實際意義. 生物阻抗技術是一種利用阻抗特性來分析生物體組織特征變化信息的技術. 在醫(yī)學領域利用生物阻抗技術進行人體器官病變的診斷已經得到成功的應用[2-3]. 隨著生物阻抗技術發(fā)展和研究的深入, 該技術在水果、肉類等農產品加工領域應用越來越受到重視[4-5]. 本文將對利用生物阻抗技術對淡水魚新鮮度進行檢測的方法進行研究.

1 淡水魚新鮮度與阻抗特性關系

為了研究淡水魚新鮮度與阻抗特性的關系, 以鰱魚為研究對象進行了大量的試驗(環(huán)境溫度為5°C). 利用自行設計的虛擬儀器阻抗特性測量系統(tǒng)對不同新鮮度鰱魚魚體在不同頻率信號作用下魚體阻抗特性進行了多次測量. 通過試驗結果分析, 在不同頻率信號作用下, 隨著魚體死亡時間增長新鮮度下降, 魚體復阻抗的平均模值與平均相角總體都呈現(xiàn)下降趨勢[6]. 經過比較發(fā)現(xiàn), 當輸入信號頻率為1kHZ時, 鰱魚阻抗特性與新鮮度之間的關系比較顯著. 因此, 選擇1kHZ信號作用來分析鰱魚阻抗特性與新鮮度之間的關系. 1kHZ信號作用下魚體阻抗平均模值和平均相角變化與魚體死亡時間的關系如圖1所示. 可以看出, 魚體阻抗模值和相角隨魚體死亡時間增長呈非線性變化, 且都與魚體新鮮度相關.

國家標準規(guī)定當魚肉中化學成分TVB-N(揮發(fā)性鹽基氮)含量超過20mg/100g時, 則認定魚體已經腐敗變質[1].對鰱魚的試驗測量得出, 當魚體死亡時間超過120小時, 魚肉中TVB-N含量將超過20mg/100g, 魚體腐敗. 在死亡120小時, 魚體復阻抗平均模值為92.16Ω, 魚體復阻抗平均相角為1.53°. 因此, 以魚肉中TVB-N含量作為判定新鮮度標準, 可以得出鰱魚的新鮮度與阻抗特性的以下關系: 在輸入信號頻率為1kHZ下, 當魚體阻抗模值>92.16Ω或魚體阻抗相角>1.53°時魚體為新鮮, 否則魚體為腐敗.

根據(jù)上述結論, 分別單獨以阻抗模值條件和相角條件對魚體新鮮度進行判別實驗, 結果存在較大誤差, 準確度不高. 針對存在的問題, 本研究將綜合阻抗模值和相角兩個條件并結合BP神經網(wǎng)絡(BP neural network, BPNN)對淡水魚新鮮度進行檢測, 以提高判別的準確度.

圖1 魚體阻抗特性隨死亡時間變化曲線(1kHZ)Fig.1 Curve of fish impedance characteristic variety with death time(1kHZ)

2 基于BP神經網(wǎng)絡的淡水魚新鮮度預測模型

2.1 BP神經網(wǎng)絡

BP神經網(wǎng)絡[7-8]是最典型的神經網(wǎng)絡之一, 具有較強的非線性逼近能力, 應用廣泛. BP神經網(wǎng)絡由輸入層、隱含層和輸出層組成, 其中隱含層可以有1個或多個. 典型的單隱含層3層BP神經網(wǎng)絡結構如圖2所示.

BP神經網(wǎng)絡學習過程, 就是不斷的給網(wǎng)絡輸入訓練樣本觀測網(wǎng)絡輸出, 當網(wǎng)絡實際輸出與期望輸出不符時, 調整網(wǎng)絡的連接權值和閾值(可看作輸入為-1的連接權值), 直到輸出達到預期值或學習次數(shù)達到設定最大學習次數(shù), 則學習結束. δ算法是BP神經網(wǎng)絡最常用的學習算法, 但該算法學習速度較慢且容易陷入局部最小[9-10]. 為了克服存在的缺陷, 必須要對算法進行優(yōu)化. 本文將采用附加動量項的改進δ學習算法, 具體算法為:

圖2 三層BP神經網(wǎng)絡結構Fig.2 Structure of three-layer BP neural network

2.2 BP神經網(wǎng)絡設計

根據(jù)實際設計需要, 決定采用具有單個隱含層的3層網(wǎng)絡結構. 以魚體阻抗模值和相角作為網(wǎng)絡輸入, 以魚體中化學成分TVB-N含量作為網(wǎng)絡輸出. 則, 網(wǎng)絡輸入節(jié)點數(shù)對應網(wǎng)絡輸入因子數(shù), 為2, 網(wǎng)絡輸出節(jié)點數(shù)對應網(wǎng)絡輸出因子數(shù), 為1.

隱含層節(jié)點數(shù)的選擇是網(wǎng)絡設計的關鍵之一, 對網(wǎng)絡性能產生重要影響. 而對于隱含層節(jié)點數(shù)的確定目前還沒有比較有效的方法, 最常用的就是試湊法. 先通過經驗公式(8)確定隱含層節(jié)點數(shù)的大致范圍, 再選擇不同的隱含層節(jié)點數(shù)進行測試, 設定誤差精度為0, 以網(wǎng)絡收斂精度最高者對應的隱含層節(jié)點數(shù)作為最終選擇. 確定隱含層節(jié)點數(shù)的經驗公式為:

不同隱含層節(jié)點數(shù)測試結果如表1所示. 可以看出當隱含層節(jié)點數(shù)為11時誤差最小精度最高. 網(wǎng)絡訓練誤差曲線如圖3所示. 因此, BP神經網(wǎng)絡的最佳結構為2-11-1.

表1 不同隱含層節(jié)點數(shù)測試結果Tab.1 Experiment results of network with different hidden layer node number

11 0.004128 14 12 0.004371 16

圖3 網(wǎng)絡訓練誤差曲線Fig.3 Training error curve of network

3 實驗分析

為了檢驗BP神經網(wǎng)絡模型預測準確度, 選取鰱魚在不同死亡時間下的123個測量結果作為實驗樣本, 其中102個作為訓練樣本, 21個作為測試樣本. 為了保證BP神經網(wǎng)絡學習速度與建模效率, 對輸入數(shù)據(jù)進行歸一化處理[11],

實驗同時還分別單獨采用模值條件和相角條件對魚體新鮮度進行檢測, 以進行性能比較. 判別結果如表2所示. 從實驗結果可以看出, 單獨以阻抗模值判別時, 有3個樣本產生誤判, 判別的準確率為 86%, 單獨以相角進行判別時有2個樣本產生誤判, 判別的準確率為90%而BP神經網(wǎng)絡模型只有1個樣本產生誤判, 判別的準確率達到95%, 準確度有所提高.

表2 判別結果Tab.2 Recognition results

100 120.942 1.802 17.110 新鮮 新鮮 新鮮120 93.758 1.567 19.853 誤判新鮮 誤判新鮮 誤判新鮮120 94.362 1.351 20.166 腐敗 誤判新鮮 腐敗120 95.739 1.542 20.249 腐敗 誤判新鮮 誤判新鮮130 86.132 1.313 21.850 腐敗 腐敗 腐敗130 89.356 1.357 21.037 腐敗 腐敗 腐敗130 86.356 1.302 21.811 腐敗 腐敗 腐敗140 81.012 0.976 22.749 腐敗 腐敗 腐敗140 80.346 1.203 22.851 腐敗 腐敗 腐敗140 79.124 0.911 23.468 腐敗 腐敗 腐敗

4 結論

根據(jù)淡水魚新鮮度與阻抗特性關系, 當單獨以模值條件或相角條件進行新鮮度判別時誤差較大, 判別準確度不高. 本文提出綜合模值和相角兩個條件, 并結合神經網(wǎng)絡建立淡水魚新鮮度的BP神經網(wǎng)絡預測模型. 實驗結果表明, BP神經網(wǎng)絡預測模型對淡水魚新鮮度判別的準確率達到95%, 相比以模值條件判別的86%和以相角條件判別的90%, 判別準確度顯著提高. 同時也看出, BP神經網(wǎng)絡預測模型在魚體腐敗點附近, 仍然存在判別誤差, 該模型還需要進一步優(yōu)化.

[1] 張軍. 基于復阻抗特性和電子鼻的淡水魚新鮮度快速檢測方法的研究[D]. 武漢: 華中農業(yè)大學, 2008.

[2] 王超, 章曉麗, 劉俊霞, 等. 基于虛擬儀器的混頻生物阻抗測量系統(tǒng)[J]. 北京理工大學學報, 2006, 26(1): 53-56.

[3] 王超, 王化祥. 基于虛參考點的生物阻抗測量方法[J]. 天津大學學報, 2005, 38(4): 352-355.

[4] 丁強, 王忠義, 黃嵐, 等. 生物阻抗技術及其在肉品質檢測中的應用[J]. 傳感器與微系統(tǒng), 2008, 28(3): 4-7.

[5] 蔡騁, 李曉龍, 馬惠玲, 等. 基于生物阻抗特性的蘋果新鮮度無損測定[J]. 農業(yè)機械學報, 2013, 44(2): 147-152.

[6] 薛大為, 楊春蘭. 基于阻抗特性的淡水魚新鮮度快速檢測系統(tǒng)[J]. 廣東農業(yè)科學, 2013, 40(1): 191-193.

[7] 史麗萍, 龔海霞, 李震, 等. 基于BP神經網(wǎng)絡的電池SOC估算[J]. 電源技術, 2013, 37(9): 1539-1541.

[8] 龍訓建, 錢鞠, 梁川.基于主成分分析的BP神經網(wǎng)絡及其在需水預測中的應用[J]. 成都理工大學學報: 自然科學版, 2010, 37(2): 206-210.

[9] 李松, 劉力軍, 解永樂. 遺傳算法優(yōu)化BP神經網(wǎng)絡的短時交通流混沌預測[J]. 控制與決策, 2011, 26(10): 1581-1585.

[10] 樊振宇. BP神經網(wǎng)絡模型與學習算法[J]. 軟件導刊, 2011, 10(7): 66-68.

[11] 唐萬梅. BP神經網(wǎng)絡網(wǎng)絡結構優(yōu)化問題的研究[J]. 系統(tǒng)工程理論與實踐, 2005, 35(10): 95-100.

Study on detection method of freshwater fish freshness based on bioimpedance technology

XUE Da-wei, YANG Chun-lan
(Department of Mechanical and Electronic Engineering, Bengbu College, Bengbu 233030, P.R.C.)

Thinking of that freshwater fish freshness recognition accuracy rate was not high by using modulus of impedance or phase condition alone, the detection method of freshwater fish freshness which synthesized modulus and phase condition and combined neural network was proposed. The 3-layer predicted model of freshwater fish freshness was built by using the modulus and phase as the input factor, the TVB-N as the output factor. The experiment results showed that the recognition accuracy rate of this model was 95%. Relative to the recognition using modulus or phase condition, the accuracy was improved markedly.

freshwater fish; freshness; impedance characteristic; BP neural network

TP216,TS207

A

1003-4271(2014)04-0603-05

10.3969/j.issn.1003-4271.2014.04.26

2014-06-03

薛大為(1978-), 男, 漢族, 安徽宿州人, 講師, 碩士, 研究方向: 自動控制系統(tǒng), 檢測技術及儀器儀表. E-mail: bbxuedawei@163.com.

安徽省高等學校優(yōu)秀青年人才基金項目(2012SQRL218).