Translated from English to Vietnamese - www.onlinedoctranslator.

com

cảm biến

Bài báo

Kỹ thuật dựa trên mũi điện tử để phát hiện và nhận

biết nhanh táo mốc
Văn Thần Giả1,2,3,4, Gang Liang1,2,3,*, Huệ Thiên1,2,3,4, Kinh Tôn5,6và Cihui Wan1
1 Trung tâm Nghiên cứu Tiêu chuẩn và Thử nghiệm Nông nghiệp Bắc Kinh, Học viện Khoa học Nông Lâm nghiệp
Bắc Kinh, Bắc Kinh 100097, Trung Quốc; jiaws@brcast.org.cn (WJ); tianHsandy@126.com (HT);
mswanc1991@163.com (CW)
2 Phòng thí nghiệm đánh giá rủi ro cho các sản phẩm nông nghiệp (Bắc Kinh), Bộ Nông nghiệp, Bắc Kinh 100097, Trung Quốc
3 Phòng thí nghiệm giám sát môi trường nông nghiệp trọng điểm thành phố Bắc Kinh, Bắc Kinh 100197, Phòng thí nghiệm
4 trọng điểm về nông nghiệp đô thị Trung Quốc (Bắc Trung Quốc), Bộ Nông nghiệp và Nông thôn, Bắc Kinh 100097, Trung Quốc

5 Học viện Kỹ thuật Nông nghiệp Trung Quốc, Bắc Kinh 100121, Trung Quốc; sunJingHi2008@163.com Phòng thí
6 nghiệm trọng điểm về xử lý sau thu hoạch nông sản, Bộ Nông nghiệp, Bắc Kinh 100121, Trung Quốc
* Thư từ: liagg@brcast.org.cn ; Điện thoại: +86-10-5150-5523

---- -
Nhận: 23 tháng 2 năm 2019; Chấp nhận: 25 tháng 3 năm 2019; Đã xuất bản: 29 tháng 3 năm 2019 ---

Trừu tượng:Trong nghiên cứu này, mũi điện tử PEN3 được sử dụng để phát hiện và nhận biết táo
tươi và táo mốc được cấyPenicillium expansumVàAspergillus niger, lấy táo Golden Delicious làm
đối tượng mẫu. Đầu tiên, táo được chia thành hai nhóm: táo riêng lẻ chỉ được cấy có/không có các
loại nấm mốc khác nhau (Nhóm A) và táo hỗn hợp của táo đã được cấy với táo tươi (Nhóm B). Sau
đó, các cảm biến khí đặc trưng của mũi điện tử PEN3 tương quan chặt chẽ nhất với thông tin
hương vị của táo mốc đã được tối ưu hóa và xác định để đơn giản hóa quy trình phân tích và cải
thiện độ chính xác của kết quả. Bốn phương pháp nhận dạng mẫu, bao gồm phân tích phân biệt
tuyến tính (LDA), mạng thần kinh lan truyền ngược (BPNN), máy vectơ hỗ trợ (SVM) và mạng thần
kinh chức năng cơ sở xuyên tâm (RBFNN), được áp dụng để phân tích dữ liệu thu được từ các cảm
biến đặc trưng, nhằm thiết lập mô hình dự báo thông tin hương vị và táo tươi/mốc. Kết quả cho
thấy chỉ có các cảm biến khí của W1S, W2S, W5S, W1W và W2W trong mũi điện tử PEN3 thể hiện
phản ứng tín hiệu mạnh đối với thông tin hương vị, cho thấy hầu hết đều tương quan chặt chẽ với
hương vị đặc trưng của táo và do đó dữ liệu thu được từ các cảm biến đặc trưng này đã được sử
dụng để lập mô hình. Kết quả của 4 phương pháp nhận dạng mẫu cho thấy BPNN có hiệu suất dự
đoán tốt nhất cho tập huấn luyện và kiểm tra cho cả Nhóm A và B, với độ chính xác dự đoán là
96,3% và 90,0% (Nhóm A), 77,7% và 72,0% (Nhóm B), tương ứng. Do đó, chúng tôi chứng minh
rằng mũi điện tử PEN3 không chỉ phát hiện và nhận biết hiệu quả táo tươi và táo mốc,

từ khóa:mũi điện tử; quả táo; nấm mốc; nhận dạng mẫu; mạng lưới thần kinh nhân tạo; kì thi không
tiêu cực

1. Giới thiệu

Táo được tiêu thụ rộng rãi vì giàu vitamin, nước và hàm lượng chất xơ. Ngành công nghiệp táo,
với tổng sản lượng hàng năm hơn 40 triệu tấn, đã trở thành ngành công nghiệp trái cây lớn đầu tiên
ở Trung Quốc. Do bảo quản không đúng cách sau khi thu hoạch, táo dễ bị nhiễm các bệnh do nhiều
yếu tố bên trong và bên ngoài gây ra, và nhiễm vi sinh vật gây bệnh, dẫn đến tổn thất sau thu
hoạch nghiêm trọng [1,2]. Một số quả táo bị mốc, khó có thể phát hiện kịp thời trên bề mặt, có thể
dẫn đến tổn thất lớn hơn nếu không có giải pháp kịp thời. Vì vậy, phát triển

cảm biến2019,19, 1526; doi:10.3390/s19071526 www.mdpi.com/journal/sensors

cảm biến2019,19, 1526 2 trên 11

Phương pháp phát hiện táo mốc nhanh chóng và không phá hủy sẽ giúp đảm bảo an toàn và chất lượng của
những quả táo còn lại trong quá trình bảo quản và nâng cao khả năng cạnh tranh của táo Trung Quốc trên thị
trường toàn cầu. Điều này sẽ giúp nông dân trồng trái cây giảm thiệt hại về kinh tế và giúp người tiêu dùng hài
lòng khi đảm bảo chất lượng táo.
Các phương pháp, chẳng hạn như sắc ký khí [3], sắc ký khí khối phổ [4], nhận dạng đồng vị ổn
định và quang phổ huỳnh quang, từ lâu đã được sử dụng để phân tích sự đa dạng và nồng độ của
các chất đơn lẻ trong vật liệu được thử nghiệm. Tuy nhiên, những phương pháp này đòi hỏi thiết bị
đắt tiền và không đánh giá toàn diện các vật liệu được thử nghiệm [5], mặc dù chúng có độ chính
xác cao. Quan trọng nhất, chúng tốn thời gian và không hiệu quả đối với các ứng dụng phát hiện
nhanh. Công nghệ mũi điện tử, bắt chước các chức năng của hệ thống khứu giác của con người, đã
được phát triển nhanh chóng. Mũi điện tử có thể nhận ra thông tin đặc trưng của hương vị phức
tạp [6,7] và cung cấp hiệu suất vượt trội về thời gian phản hồi, tốc độ phát hiện, phạm vi đánh giá
và khả năng lặp lại [số 8]. Mũi điện tử bao gồm hai phần: mảng cảm biến khí và hệ thống nhận
dạng mẫu [9,10]. Dãy cảm biến khí thu thập thông tin đặc trưng hương vị của mẫu đang được kiểm
tra và gửi dữ liệu kết quả đến hệ thống nhận dạng mẫu. Sau đó, hệ thống nhận dạng mẫu sẽ xử lý
dữ liệu và đưa ra kết quả phát hiện đối với các chất lượng cụ thể của mẫu. Các phương pháp nhận
dạng mẫu thường được sử dụng cho mũi điện tử bao gồm phân tích thành phần chính (PCA) [11],
phân tích phân biệt tuyến tính (LDA) [12,13], máy vectơ hỗ trợ (SVM) [14], và mạng thần kinh nhân
tạo (ANN) [15,16].
Nhiều báo cáo đã được công bố về việc ứng dụng mũi điện tử trong việc phát hiện các loại nông sản
khác nhau. Ví dụ, Russo et al. điều tra phân loại giống hành tím bằng máy soi mũi điện tử ISE Nose 2000
(Công ty Airsense, Schwerin, Đức) [17]. Độ chính xác phân tích của mô hình máy tự động hữu hạn xác
định (DFA) được sử dụng trong nghiên cứu của họ cao tới 97,5%. Konduru và cộng sự. đã thử nghiệm
hành tây bị bệnh chua da bằng cách sử dụng mũi điện tử bao gồm chín cảm biến oxit kim loại và mô hình
dự đoán đã thiết lập đạt được độ chính xác là 85% [18]. Biondi et al. đã sử dụng mũi soi điện tử PEN3
(Công ty Airsense, Schwerin, Đức) trong khảo sát bệnh thối vòng và thối nâu phổ biến ở khoai tây [19].
Mô hình dự đoán trong nghiên cứu của họ đạt được độ chính xác nhận dạng là 81,3%. Cheng và cộng sự.
đã nghiên cứu cây giống cà chua bị nhiễm bệnh bạc lá sớm bằng mũi điện tử PEN2 (Công ty Airsense,
Schwerin, Đức) và thu được độ chính xác của mô hình là 87,5% [20]. Mũi điện tử cũng đã được áp dụng để
phát hiện nấm mốc trên cây trồng ngũ cốc. Yin et al. đã khám phá tác động của các đặc điểm kết hợp tính
năng khác nhau để xác định ngô bị mốc bằng cách sử dụng mũi điện tử tự chế [21]. Tỷ lệ đánh giá tích
cực là 96,0% đã đạt được với phân tích phân biệt đối xử của Fisher. Lippolis et al. đã sử dụng mũi điện tử
ISE Nose 2000 (Công ty Airsense, Schwerin, Đức) để phát hiện nấm mốc trên lúa mì bằng cách sử dụng
chất chuyển hóa dễ bay hơi của nấm deoxynivalenol (DON) của lúa mì làm chỉ số phát hiện [22]. Mô hình
DFA được sử dụng trong nghiên cứu này mang lại tỷ lệ nhận diện lúa mì cứng là 86,7%.

Các nhà nghiên cứu cũng đang nghiên cứu phát hiện bệnh trái cây bằng cách sử dụng mũi
điện tử [23]. Chẳng hạn, Zhu đã ứng dụng mũi điện tử PEN3 để phân loại và nhận dạng dâu tây đã
được cấy nhân tạo 3 mầm bệnh và thu được kết quả khả quan [24]. Các nghiên cứu về ứng dụng
của mũi điện tử đối với thông tin đặc điểm hương vị dễ bay hơi của táo hiện đã được thiết lập tốt.
Tuy nhiên, nghiên cứu chủ yếu tập trung vào sự khác biệt giữa các giống [25], nhận dạng độ tươi [
26] và dự đoán thời gian bảo quản của táo [23,27], cùng với việc phát hiện, phân tích và áp dụng
thông tin về chất lượng và dinh dưỡng [28]. Ít chú ý đến việc phát hiện nấm mốc trên táo, đặc biệt là
phân biệt các loại nấm mốc khác nhau.
Do đó, lấy cảm hứng từ nghiên cứu trước đây, mũi điện tử PEN3 đã được sử dụng để phát hiện và
nhận biết táo tươi và táo mốc (cấy nhân tạo bằngPenicillium expansumVàAspergillus niger trên táo
Golden Delicious) trong nghiên cứu này. Để đơn giản hóa quá trình phân tích và cải thiện độ chính xác
của dự đoán, các mảng cảm biến khí của mũi điện tử PEN3 lần đầu tiên được tối ưu hóa và xác định. Bốn
phương pháp nhận dạng mẫu, bao gồm phân tích phân biệt tuyến tính (LDA), mạng thần kinh lan truyền
ngược (BPNN), máy vectơ hỗ trợ (SVM) và mạng thần kinh chức năng cơ sở hướng tâm
cảm biến2019,19, 1526 3 trên 11

(RBFNN), được so sánh để phân tích dữ liệu hương vị đặc trưng nhằm thiết lập mô hình dự đoán
thông tin hương vị cho táo tươi và táo mốc.

2. Vật liệu và phương pháp

2.1. Nguyên vật liệu

Các mẫu táo được sử dụng trong các thí nghiệm là táo Golden Delicious được hái từ một vườn cây ăn quả
ở quận Xương Bình, Bắc Kinh, Trung Quốc. Những quả táo đã chín và tươi, tất cả đều có màu sắc tương tự nhau
và không có vết thương và bệnh trên bề mặt. Các khuôn được cấy làPenicillium expansumVà Aspergillus niger;
thạch khoai tây được sử dụng làm môi trường nuôi cấy (Sinopharm Chemical Reagent Beijing Co., Ltd., Bắc
Kinh, Trung Quốc, loại phân tích). Mũi điện tử PEN3, có 10 cảm biến khí oxit kim loại tích hợp khác nhau có thể
phát hiện và xác định các loại khí phổ biến khác nhau (Bảng1), được sử dụng để thu thập hương vị đặc trưng
của táo. Tất cả các dung dịch khác được chuẩn bị bằng nước Milli-Q (18,2 MΩ/cm) từ hệ thống Millipore Milli-Q
(Thermo Science EASYpure II, Waltham, MA, USA). Tất cả các dụng cụ thủy tinh đã được rửa trước ba lần bằng
nước Milli-Q và sau đó sấy khô trong lò sấy.

Bảng 1.Hiệu suất của các mảng cảm biến của mũi điện tử PEN3.

Số trong Mảng Tên cảm biến hợp chất phản ứng Mục tiêu điển hình

R1 W1C hợp chất thơm C6h5CH3

R2 W5S oxynitrit KHÔNG2

R3 W3C Thành phần thơm, chủ yếu là amoniac C6h6

R4 W6S hydro h2
R5 W5C Ankan, hợp chất thơm C3hsố 8
R6 W1S Mêtan rộng CH4
R7 W1W Sunfua và sunfua hữu cơ h2S
R8 W2S rượu rộng C2h5Ồ
R9 W2W Chất thơm, sunfua hữu cơ h2S
R10 W3S Ankan, đặc biệt là metan CH4

2.2. Phương pháp cấy nấm mốc

2.2.1. Nuôi cấy và làm sạch khuôn

Đầu tiên, các khuôn được tạo thành huyền phù bằng phương pháp đổ tấm; các huyền phù này sau
đó được pha loãng bằng nước vô trùng theo tỷ lệ 1:10, 1:100 và 1:1000. Chúng tôi sử dụng 1 mL từ mỗi
dung dịch đã pha loãng và trộn từng dung dịch với thạch khoai tây đã khử trùng nhưng không cô đặc
(đóng vai trò là môi trường nuôi cấy). Sau khi lắc đều, dung dịch hỗn hợp được đổ vào đĩa nuôi cấy và giữ
cho đến khi đông tụ tự nhiên. Các tấm khuôn, được tạo ra như mô tả ở trên, sau đó được nuôi cấy ở 25◦C
bằng phương pháp vệt đĩa. Cuối cùng, các khuẩn lạc tinh khiết củaPenicillium expansumVàAspergillus
nigerđã được lấy khoảng năm ngày sau đó. Các khuẩn lạc đơn dạng sợi thu được sau đó được đậy kín
trong môi trường vô trùng và bảo quản trong tủ lạnh ở 2◦C để sử dụng trực tiếp trong các thí nghiệm sau
này.

2.2.2. Khuôn cấy táo

Đầu tiên, các mẫu táo được phơi tự nhiên trên bàn làm việc vô trùng sau khi được làm sạch
bằng cồn có độ tinh khiết 75%. Sau đó, mỗi quả táo được khoan bốn lỗ (đường kính 3 mm với độ
sâu 5 mm) nằm ở các vị trí khác nhau trên bề mặt bằng kim cấy. Các lỗ được lấp đầy với các khuẩn
lạc tinh khiết củaP. mở rộngVàA. ni-giêtừ các đĩa nuôi cấy bằng vòng cấy và sau đó được phủ bằng
parafilm vô trùng (Bemis Company, Inc., Neenah, WI, USA). Những quả táo đã cấy được đặt vào cốc
vô trùng và được niêm phong thêm bằng parafilm. Các mẫu sau đó được đặt vào tủ ấm điều nhiệt
(4◦C) và nuôi cấy trong năm ngày cho đến khi nấm mốc xuất hiện. Trước
cảm biến2019,19, 1526 4 trên 11

Khi các thí nghiệm bắt đầu, những quả táo được tiêm chủng được quan sát cẩn thận để đảm bảo rằng chúng đã được
ngâm tẩm bởi nấm mốc.

2.3. Bộ phận Bộ mẫu Apple

Trước khi đo mũi điện tử PEN3, các mẫu táo được chia thành 2 nhóm: táo riêng lẻ chỉ nhiễm/
không nhiễm 1 loại nấm mốc (nhóm mẫu đơn, nhóm A) và táo hỗn hợp táo đã nhiễm nấm mốc với
táo tươi (nhóm mẫu đóng hộp, nhóm B ). Nhóm mẫu đóng hộp gồm táo tươi và táo mốc (đã cấy các
loại nấm mốc đơn lẻ).Penicillium expansumVàAspergillus niger) theo tỷ lệ 9:1 và được đặt trong môi
trường hộp kín. Các mẫu táo của Nhóm A và B được chia ngẫu nhiên thành các tập huấn luyện và
tập kiểm tra: tập huấn luyện A (TA) và tập kiểm tra A (VA) cho Nhóm A và tập huấn luyện B (TB) và
tập kiểm tra B (VB) cho Nhóm B. Tập huấn luyện được sử dụng để xây dựng mô hình dự đoán và tập
kiểm tra được sử dụng để xác thực mô hình dự đoán. Thông tin về táo thí nghiệm của các nhóm
mẫu khác nhau hoặc các bộ táo tươi hoặc riêng lẻ bị nhiễm nấm mốc được liệt kê trong Bảng2.

Ban 2.Thông tin táo thí nghiệm của các nhóm mẫu khác nhau.

Tập huấn luyện Bộ kiểm tra

Nhóm mẫu
Đào tạo Số lượng Đào tạo Số lượng
Mẫu Táo Mẫu Táo
Tươi 54 54 10 10
Nhóm A Penicillium expansum 54 54 10 10
Aspergillus niger 54 54 10 10
Tươi 49 490 9 90
Nhóm B 72Một
Penicillium expansum 45 450 số 8
số 8b

72Một
Aspergillus niger 45 450 số 8
số 8b

Mộttáo tươi;btáo mốc.

2.4. Thu thập dữ liệu đặc trưng của táo bằng mũi điện tử
Mũi điện tử PEN3 được áp dụng để thu thập hương vị đặc trưng của táo. Tất cả các thí nghiệm được tiến
hành trong tủ hút phòng thí nghiệm. Tóm lại, những quả táo được cấy được đặt ở nhiệt độ phòng (20◦C) trong
30 phút sau khi chúng được lấy ra khỏi tủ ấm. Quá trình lấy mẫu khoảng trống sau đó được bắt đầu bằng cách
sử dụng mũi điện tử PEN3 bằng cách đưa kim lấy mẫu và kim ổn định áp suất vào khoảng trống phía trên của
cốc và hút mùi từ cốc trong 150 giây sau khi làm sạch trong 70 giây. Không khí đã lọc được sử dụng làm khí
mang. Sử dụng hình phát hiện của PEN3, chúng tôi thấy rằng giá trị phản hồi của cảm biến có xu hướng ổn
định sau 50 giây (Hình1). Do đó, dữ liệu thu được từ 60 đến 150 giây được sử dụng làm dữ liệu hiệu quả cho
quy trình phân tích dữ liệu.
cảm biến2019,19, 1526 5 trên 11

12
W1C
W5S
W3C

Phản ứng
W6S
số 8 W5C
W1S
Phản ứng
W1W
W2S
W2W
W3S
4

0
0 50 100 150 200
Thời gian/giây

Hình 1.Phản hồi dữ liệu phụ thuộc vào thời gian của mũi điện tử PEN3.

2.5. Tiền xử lý dữ liệu

Hệ thống tiền xử lý dữ liệu là một mắt xích quan trọng trong hệ thống mũi điện tử. Các tín hiệu
thông tin về mùi được lấy mẫu được truyền đến hệ thống tiền xử lý dữ liệu để phân tích và xử lý, tạo ra
tín hiệu số (dữ liệu mẫu đã thu thập). Sau đó, giá trị trung bình của dữ liệu thu được từ 60 đến 150 giây
được tính toán và sử dụng làm giá trị tín hiệu đặc trưng cho phân tích thống kê. Trong nghiên cứu này,
bốn phương pháp nhận dạng mẫu, bao gồm LDA, SVM, BPNN và RBFNN, đã được áp dụng để phân tích
dữ liệu thu được từ các cảm biến đặc trưng. Phân tích dữ liệu cho SVM được thực hiện bằng hộp công cụ
LibSVM (Libsvm-3.1) (Đại học Quốc gia Đài Loan, Đài Bắc, Đài Loan) và cho LDA, BPNN và RBFNN được
thực hiện bằng MATLAB 2017 (Math works Inc., Natick, MA, USA) .

3. Kết quả và thảo luận

3.1. Cấy và cấy nấm mốc trên Apple

Như được mô tả trong Phần2.2.1., khuôn củaP. mở rộngVàA. ni-giêlần đầu tiên được nuôi cấy trong các đĩa nuôi
cấy với thạch khoai tây làm môi trường nuôi cấy sử dụng phương pháp cấy vạch đĩa. duy trì ở 25◦C và năm ngày sau,
các khuẩn lạc tinh khiết dạng sợi củaPenicillium expansumVàAspergillus niger thu được (Hình2ban nhạc2c, tương
ứng). Các khuẩn lạc thuần khiết thu được sau đó được niêm phong trong môi trường vô trùng và bảo quản trong tủ
lạnh ở 2◦C cho đến khi sử dụng trong các thí nghiệm trong tương lai.

(Một) (b) (c)

Hình 2.Nấm mốc nuôi cấy :(Một) môi trường nuôi cấy không có nấm mốc; (b)Penicilliumex pansum; Và (c)
Aspergillus niger. Điều kiện: nuôi cấy ở 25◦C trong 5 ngày; đĩa: 90 mm.
cảm biến2019,19, 1526 6 trên 11

Tiếp theo, những quả táo đã xử lý trước được cấy các khuôn thuần đã nuôi cấy bằng cách lấp đầy
các lỗ đã khoan trên bề mặt quả táo bằng vòng cấy (các lỗ còn lại sau khi lấy mẫu có thể được nhìn thấy
trong Hình2). Táo đã cấy bệnh được cho vào cốc vô trùng, đậy kín bằng màng seal và bảo quản ở 4◦C.
Như trong hình2, nấm mốc xuất hiện trên bề mặt quả táo (Hình3b–d) sau năm ngày, điều này cũng xác
nhận táo đã được ngâm tẩm thành công bởi các loại nấm mốc khác nhau. Sau đó, những quả táo đã cấy
được sử dụng để phân tích mũi điện tử PEN3.

(Một) (b) (c) (đ)

Hình 3.Một mẫu táo được cấy các loại mốc khác nhau :(Một) không mốc (táo tươi); (b)Penicillium
expansum; Và (c)Aspergillus niger; (đ) Mẫu táo đóng hộp bị nhiễm một loại mốc (tỷ lệ táo tươi:táo
mốc = 9:1). Điều kiện: duy trì ở 4◦C trong 5 ngày.

3.2. Xác định cảm biến khí hương liệu đặc trưng
Như thể hiện trong Bảng2, mũi điện tử PEN3 có 10 cảm biến khí oxit kim loại tích hợp khác
nhau, thu thập đồng thời 10 bộ thông tin dữ liệu trong một lần đo. Tuy nhiên, một số thông tin dữ
liệu không phải là thông tin hương vị đặc trưng cho táo tươi và táo mốc. Để đơn giản hóa quy trình
phân tích tiếp theo và cải thiện độ chính xác của dự đoán, trước tiên, mảng cảm biến khí của mũi
điện tử PEN3 được tối ưu hóa để xác định cảm biến hương vị đặc trưng cho táo tươi và táo mốc. Sau
đó, phản ứng của mũi điện tử PEN3 đối với táo tươi và táo mốc (táo được cấy riêng vớiAspergillus
nigerVàPenicillium expansum) đã được khám phá và các giá trị đặc trưng được trích xuất từ dữ liệu
do 10 cảm biến thu thập. Như thể hiện trong hình4, chúng tôi nhận thấy rằng các cảm biến tạo ra
các tín hiệu khác nhau cho bốn bộ mẫu được đo và chỉ các cảm biến R2, R6, R7, R8 và R9 (W5S, W1S,
W1W, W2S và W2W) thể hiện phản ứng mạnh với bốn bộ mẫu táo, chỉ ra rằng các cảm biến này là
cảm biến khí hương vị đặc trưng của táo. Do đó, dữ liệu được thu thập từ các cảm biến W5S, W1S,
W1W, W2S và W2W được sử dụng để phân tích dữ liệu trong nghiên cứu của chúng tôi.
cảm biến2019,19, 1526 7 trên 11

20
Aspergillus niger
18 Penicillium expansum
không bị mốc
16

14
tất cả phản hồi

12

10

số 8
Dấu hiệu

0
R1 R2 R3 R4 R5 R6 R7 R8 R9 R10
Cảm biến khí khác nhau

Hinh 4.Phản ứng của cảm biến khí của mũi điện tử PEN3 đối với táo được cấy các loại nấm mốc khác nhau.

3.3. Phân tích dữ liệu

Để tạo ra tỷ lệ nhận dạng tốt hơn cho táo tươi và táo mốc (bao gồm cảPenicillium expansum- táo bị
nhiễm bệnh vàAspergillus niger-táo bị nhiễm nấm mốc), bốn phương pháp nhận dạng mẫu, LDA, BPNN,
SVM và RBFNN, đã được áp dụng để phân tích dữ liệu thu được từ các cảm biến đặc tính được tối ưu hóa
bằng cách xây dựng mô hình dự đoán giữa thông tin hương vị và táo tươi và táo mốc. Để so sánh rõ hơn,
tổng quan về tỷ lệ nhận dạng của bốn thuật toán cho quả táo được liệt kê trong Bảng3.

Bàn số 3.Độ chính xác nhận dạng của bốn thuật toán cho hai nhóm táo.

Tỷ lệ công nhận của Tỷ lệ công nhận của

Nhóm mẫu thuật toán
Tập huấn luyện Bộ kiểm tra

LDA 79,6% 66,7%

SVM 94,4% 80,0%
Nhóm A
RBFNN 88,9% 83,3%
BPNN 96,3% 90,0%
LDA 68,4% 64,0%
SVM 70,5% 64,0%
Nhóm B
RBFNN 71,9% 68,0%
BPNN 77,7% 72,0%
LDA-phân tích biệt thức tuyến tính; Máy vectơ hỗ trợ SVM; RBFNN-mạng lưới thần kinh chức năng cơ sở xuyên tâm;
BPNN-backpropagation mạng lưới thần kinh.

3.3.1. Phân tích LDA

Mục đích của LDA là tìm một phép chiếu ánh xạ không gian mẫu ban đầu lên không gian chiều
thấp, sao cho phép chiếu dữ liệu nhiều chiều lên không gian chiều thấp sẽ phân cụm tốt hơn các
mẫu trong lớp và các mẫu thuộc các danh mục khác nhau được tách thành mức độ lớn nhất. Sử
dụng thuật toán LDA, kết quả kiểm tra độ chính xác của dự đoán đã được phân tích, như thể hiện
trong Bảng3. Bàn3cho thấy thuật toán LDA tạo ra độ chính xác dự đoán là 79,6% cho TA, 68,4% cho
TA của tập huấn luyện, 66,7% cho TB, 64,0 cho VB của tập thử nghiệm. Dự đoán
cảm biến2019,19, 1526 8 trên 11

độ chính xác đều thấp hơn 80,0% và thậm chí thấp hơn 70% đối với TA, TB, VA và VB, cho thấy thuật
toán LDA có hiệu suất kém. Kết quả cũng cho thấy phân tích LDA không thể phân biệt táo tươi,
Penicillium expansum- táo bị nhiễm bệnh vàAspergillus niger-táo bị nhiễm bệnh không phải đối với
nhóm mẫu đơn lẻ cũng như đối với nhóm mẫu đóng hộp.

3.3.2. Phân tích SVM.

SVM là một bộ phân loại tuyến tính tổng quát thực hiện phân loại nhị phân trên dữ liệu theo
phương pháp học có giám sát và ranh giới quyết định của nó là siêu phẳng có lề cực đại được giải
cho các mẫu học. Các giá trị trung bình được tính toán thu được từ các cảm biến đặc trưng của mũi
điện tử PEN3 được lấy làm đầu vào và danh mục làm đầu ra. Như thể hiện trong Bảng3, độ chính
xác dự đoán mang lại với thuật toán SVM là 94,4% cho TA, 80,0% cho VA, 70,5% cho TB và 64,0% cho
VB. Kết quả chỉ ra rằng thuật toán SVM thể hiện hiệu suất tốt để phân biệt táo tươi,Penicillium
expansum- táo bị nhiễm bệnh, vàAspergillus niger-táo bị nhiễm bệnh (Nhóm A), nhưng tỷ lệ nhận
dạng kém đối với táo tươi,P. mở rộng- táo bị nhiễm bệnh và Aspergillus niger- Táo nhiễm khuẩn
(Nhóm B). Điều này có thể là do ảnh hưởng của hỗn hợp táo tươi (tỷ lệ 9:1) đã làm loãng thông tin
hương vị của táo bị nhiễm nấm mốc.

3.3.3. Phân tích RBFNN

Đầu tiên, các tham số được đặt để phân tích RBFNN. Tốc độ học được đặt thành 0,08, hệ số
động lượng thành 0,1, kỷ nguyên lặp lại tối đa thành 10.000 và độ chính xác của mục tiêu thành
0,02. Sau đó, dữ liệu huấn luyện được nhập vào RBFNN và cấu trúc mạng được khởi tạo để huấn
luyện mạng. Bằng cách đánh giá kết quả ngưỡng của lỗi ổn định, điều chỉnh trung tâm và trọng số
của lớp ẩn, đồng thời tăng số lượng kỷ nguyên huấn luyện, tập huấn luyện được dự đoán khi lỗi
giảm xuống dưới ngưỡng đặt trước. Kết quả của quá trình lặp RBFNN đối với các mẫu táo mốc được
thể hiện trong Hình5.

Hình 5.Sơ đồ kết quả quá trình lặp RBFNN.

Như thể hiện trong hình5, lỗi huấn luyện có xu hướng ổn định với sai số bình phương trung bình là 0,020
sau 40 giai đoạn huấn luyện, đáp ứng các yêu cầu về lỗi tối đa. Việc liên tục tăng các kỷ nguyên đào tạo ít ảnh
hưởng đến kết quả nhận dạng cuối cùng thu được sau 40 kỷ nguyên (dữ liệu không được hiển thị), điều này rất
tốn thời gian. Do đó, số kỷ nguyên đào tạo được chỉ định đã được đặt thành 40 kỷ nguyên.
cảm biến2019,19, 1526 9 trên 11

Sau đó, các mô hình RBFNN của các bộ TA, VA, TB và VB được xây dựng cho cả nhóm mẫu đơn
(Nhóm A) và nhóm mẫu đóng hộp (Nhóm B). Như thể hiện trong Bảng3, thuật toán RBFNN mang
lại độ chính xác dự đoán cho TA và VA của Nhóm A đều cao hơn 83,3%, trong khi chúng đều dưới
71,9% cho TB và VB của Nhóm B. Độ chính xác của thử nghiệm chỉ là 68,0% cho VB (cao hơn một
chút so với của LDA và SVM), chỉ ra rằng thuật toán RBFNN cũng thể hiện hiệu suất tốt để phân biệt
táo tươi,Penicillium expansum- táo bị nhiễm bệnh vàAspergillus niger- táo bị nhiễm bệnh (Nhóm A),
nhưng cho thấy hiệu suất nhận dạng kém để phân biệt táo tươi và táo mốcPenicillium expansumVà
Aspergillus nigerkhi trộn với táo tươi.

3.3.4. Phân tích BPNN

BPNN thể hiện hiệu suất vượt trội đối với dữ liệu thể hiện hành vi phi tuyến tính. Quá trình học
tập của BPNN đạt được thông qua lan truyền ngược lỗi liên tục. Trong quá trình này, thông tin đầu
vào lan truyền về phía trước, trong khi các lỗi lan truyền ngược lại. Bằng một quá trình lặp lại liên
tục, quá trình đào tạo cuối cùng bị tạm dừng khi độ chính xác của lỗi giảm xuống dưới giá trị đặt
trước hoặc số lượng kỷ nguyên đào tạo được tối đa hóa. Các giá trị tính năng thu được từ các cảm
biến đặc trưng của mũi điện tử PEN3 được lấy làm đầu vào cho phân tích BPNN và kết quả được liệt
kê trong Bảng3. Độ chính xác dự đoán cao hơn 90,0% thu được cho cả TA và VA (mẫu táo Nhóm A)
bằng cách sử dụng thuật toán BPNN, cho thấy thuật toán BPNN thể hiện hiệu suất tốt để phân biệt
táo tươi,Penicillium expansum- táo bị nhiễm bệnh, vàAspergillus niger- bị nhiễm táo. Độ chính xác
dự đoán trên 70,0% cũng đạt được cho cả TB và TB (mẫu táo Nhóm B), tất cả đều tốt hơn ba thuật
toán khác để phân tích Nhóm B. Từ cuộc thảo luận ở trên, thuật toán BPNN đã tạo ra hiệu suất tốt
nhất để nhận dạng đồ tươi và đồ bị mốc (Aspergillus niger,Penicillium expansum) táo bạo so với ba
thuật toán còn lại, vì vậy thuật toán BPNN nên được coi là thuật toán tối ưu hóa cho các ứng dụng
tương tự trong nghiên cứu trong tương lai.
Kết quả cũng xác nhận rằng mũi điện tử PEN3 cung cấp hiệu suất nhận dạng tuyệt vời để phân
biệt táo tươi và táo mốc, nhưng cũng có tỷ lệ nhận dạng tốt để phân biệt táo mốc được cấy bằng hai
loại nấm mốc khác nhau (Aspergillus nigerVàPenicillium expansum). Tuy nhiên, độ chính xác nhận
dạng của 4 thuật toán đối với các mẫu táo Nhóm B (nhóm mẫu đóng hộp) đều thấp hơn so với các
mẫu táo Nhóm A (nhóm mẫu đơn), điều này có thể giải thích cho thông tin hương vị thu thập được
của táo nhiễm nấm mốc bị ảnh hưởng. bởi những quả táo tươi trộn lẫn. Loại thứ hai gần với môi
trường bảo quản táo thực sự hơn.

4.Kết luận

Trong nghiên cứu này, hệ thống mũi điện tử PEN3 được sử dụng để phát hiện và phân biệt táo tươi
và táo mốc được cấyPenicillium expansumVàAspergillus niger. Các cảm biến đặc trưng của hệ thống mũi
điện tử tương quan chặt chẽ nhất với thông tin hương vị của táo bị nhiễm nấm mốc đã được tối ưu hóa
(được chỉ định là W5S, W1S, W1W, W2S và W2W), giúp đơn giản hóa quy trình phân tích và cải thiện độ
chính xác của kết quả. LDA, BPNN, SVM và RBFNN đã được sử dụng để lập mô hình dữ liệu thu được từ
các cảm biến đặc trưng và BPNN cung cấp độ chính xác nhận dạng tốt nhất cho hai nhóm (nhóm mẫu
đơn và nhóm mẫu đóng hộp) và độ chính xác nhận dạng cao hơn đã được tạo ra cho nhóm mẫu đơn. Do
đó, những phát hiện trong nghiên cứu này chứng minh rằng mũi điện tử PEN3 có thể phát hiện và nhận
biết hiệu quả táo tươi và táo mốc, đồng thời có thể phân biệt táo mốc được cấy bằngPenicillium
expansumVàAspergillus niger. Vẫn cần nghiên cứu thêm để đạt được tỷ lệ nhận dạng cao đối với táo tươi,
Penicillium expansum- táo bị nhiễm bệnh, vàAspergillus nigerđối với nhóm mẫu đóng hộp. Công nghệ
mũi điện tử có thể đáp ứng nhu cầu phát hiện nhanh chóng, chi phí thấp và không phá hủy, cung cấp tài
liệu tham khảo để phát triển thiết bị phát hiện nấm mốc trên táo trong tương lai.

Sự đóng góp của tác giả:GL chủ yếu hình thành ý tưởng cho nghiên cứu và chịu trách nhiệm quản lý dự án,
sửa đổi bản thảo này và phê duyệt bản thảo. WJ, HT và CW đã thực hiện các thí nghiệm. HT, CW và JS đã phân
tích dữ liệu. GL và WJ chịu trách nhiệm cho việc chuẩn bị này
cảm biến2019,19, 1526 10 trên 11

bản thảo. Tất cả các tác giả đã tham gia dưới một số hình thức trong quá trình khái niệm hóa, thử nghiệm, viết và
chỉnh sửa bản thảo này. Tất cả các tác giả đọc và phê duyệt bản thảo.

Kinh phí:Chúng tôi rất biết ơn sự hỗ trợ tài chính từ Quỹ Thanh niên Học viện Nông Lâm nghiệp Bắc Kinh (Số
QNJJ201630), Dự án Đặc biệt Xây dựng Khả năng Đổi mới Khoa học và Công nghệ của Học viện Khoa học Nông
Lâm nghiệp Bắc Kinh (Np. KJCX20170420), Quỹ Khoa học Tự nhiên Bắc Kinh (L182031), Quỹ Khoa học Tự nhiên
Quốc gia Trung Quốc (Số 21806013, 31801634, 21806014), Quỹ Hợp tác Quốc tế của Học viện Nông Lâm nghiệp
Bắc Kinh (Số GJHZ2018-05), Dự án Khoa học và Công nghệ Bắc Kinh (Số Z171100001517017) , Dự án Nhân tài
xuất sắc Bắc Kinh (Số 2017000020060G127), Dự án mở Phòng thí nghiệm đánh giá rủi ro cho nông sản của Bộ
Nông nghiệp (Số KFKT201707). Chúng tôi cũng cảm ơn ThS. David MacDonald đã biên tập bản thảo tiếng Anh
của bản thảo này.
Xung đột lợi ích:Các tác giả tuyên bố không có xung đột lợi ích.

Người giới thiệu

1. Hư, QY; Hư, TL; Vương, YN; Vương, ST; Cao, KQ Điều tra về sự xuất hiện và phân bố của bệnh táo ở Trung
Quốc.Bảo vệ thực vật2016,42, 175–179.
2. Yu, QG; Công, MB; Ngụy, SW; Trịnh, XQ; Zhang, YW Phân loại và xác định bệnh táo. Phía bắc. làm vườn.1998,6
, 47–48.
3. Liang, J.; Lý, HF; Triệu, ZY; Fan, MT Xác định dư lượng thuốc trừ sâu cyhalothrin trong táo bằng phương pháp GC mao quản.nông
nghiệp. độ phân giải Khu vực khô cằn2008,26, 49–50.
4. Quạt, L.; Ren, XL; tương, CY; Kang, J. Chất lượng hương thơm của táo Gala trong quá trình bảo quản được đánh giá bằng
mũi điện tử và sắc ký khí khối phổ.Khoa học thực phẩm2014,35, 164–169.
5.Qu,YL; Gong, YJ Ứng dụng quang phổ cận hồng ngoại trong thử nghiệm không phá hủy chất lượng táo. nông nghiệp. Khoa
học. công nghệ. trang bị.2014,6, 32–33.
6. Tấn, CY; Cui, Y.; Wang, Y. Mũi điện tử và tiến bộ nghiên cứu mới nhất của nó trong các lĩnh vực khác nhau.Sens.Thế giới2010, 16, 6–
10.
7. Xu, S.; CN, X.; Lu, H.; Dương, H.; Ruan, Q.; Hoàng, H.; Chen, M. Phát hiện và theo dõi hương vị của cà chua (cà gai leo
lycopersicum) dưới tác động của quá trình xử lý sau thu hoạch bằng các thông số hóa lý và mũi điện tử.cảm biến
2018,18, 1847. [Tham chiếu chéo] [PubMed]
8. Giả, WS; Lương, G.; Vương, Y.; Wang, J. Mũi điện tử như một công cụ mạnh mẽ để đánh giá chất lượng thịt: Một đánh giá nhỏ.Thực phẩm hậu
môn. phương pháp2018,11, 2916–2924. [Tham chiếu chéo]
9. Người làm vườn, JW; Bartlett, PN Sơ lược về lịch sử mũi điện tử.Cảm biến Thiết bị truyền động B Chem.1994,18–19, 211–220. [Tham
chiếu chéo]
10. Persaud, K.; Dodd, G. Phân tích các cơ chế phân biệt đối xử trong hệ thống khứu giác của động vật có vú bằng mũi mẫu.
Thiên nhiên1982,299, 352–355. [Tham chiếu chéo] [PubMed]
11. Noureddine, EB; Eduard, L.; Nezha, EB; OrcID, NEB; Xavier, C.; Benachir, Mũi điện tử BB dựa trên các cảm
biến bán dẫn oxit kim loại như một kỹ thuật thay thế để phân loại sự hư hỏng của thịt đỏ. cảm biến2008,
số 8, 142–156.
12. Lý, hộ; Trần, QS; Zhao, JW; Ouyang, Q. Đánh giá không phá hủy độ tươi của thịt lợn bằng cách sử dụng mũi điện tử cầm tay
(E-nose) dựa trên dãy cảm biến so màu.hậu môn. phương pháp2014,6, 6271–6277. [Tham chiếu chéo]
13. Di Rosa, AR; Leone, F.; Cheli, F.; Chiofalo, V. Sự kết hợp của mũi điện tử, lưỡi điện tử và thị giác máy tính để xác thực và
đánh giá chất lượng thực phẩm nguồn gốc động vật—Một đánh giá.J. Thực phẩm Anh.2017,210, 62–75. [Tham chiếu
chéo]
14. Śliwińska, M.; Wiśniewska, P.; Dymerski, T.; Namieśnik, J.; Wardencki, W. Phân tích thực phẩm bằng các giác quan nhân tạo.J. Nông
nghiệp. Hóa chất thực phẩm2014,62, 1423–1448. [Tham chiếu chéo]
15. Haddi, Z.; Mabrouk, S.; Bougrini, M.; Tahri, K.; Schhaier, K.; Barhoumi, H.; El Bari, N.; Maaref, A.; Jaffrezic-Renault, N.;
Bouchikhi, B. E-Nose và e-Tongue kết hợp để cải thiện khả năng nhận dạng các mẫu nước ép trái cây.Hóa chất thực
phẩm2014,150, 246–253. [Tham chiếu chéo]
16. BorrMộts, E.; phàà,J.; boquà,r.; Mestres, M.; Aceña, L.; Busto, O. Các phương pháp tổng hợp dữ liệu để xác thực và đánh giá chất
lượng thực phẩm và đồ uống—Một đánh giá.hậu môn. Chim. hành động2015,891, 1–14. [Tham chiếu chéo]
17. Russo, M.; di Sanzo, R.; Cefaly, V.; Carabetta, S.; Serra, D.; Fuda, S. Đánh giá hương vị không phá hủy của hành tím (Allium
cepaL.) Kiểu sinh thái: Cách tiếp cận dựa trên mũi điện tử.Hóa chất thực phẩm2013,141, 896–899. [Tham chiếu chéo] [
PubMed]
cảm biến2019,19, 1526 11 trên 11

18. Konduru, T.; Mưa, GC; Li, C. Phát hiện hành tây bị chua da bằng cách sử dụng một mảng cảm biến khí tùy chỉnh.
J. Thực phẩm Anh.2015,160, 19–27. [Tham chiếu chéo]

19. Spinelli, F.; Cellini, A.; Lucchese, C.; Braschi, I. Phát hiện bệnh thối nâu và thối vòng ở khoai tây bằng mũi điện tử: Từ phòng
thí nghiệm đến quy mô thực tế.talanta2014,129, 422–430.
20. Thành, SM; Vương, J.; Vương, YW; Ma, YH Nghiên cứu phân biệt cà chua gieo hạt nhiễm bệnh bạc lá sớm
bằng mũi điện tử.Bò đực. Khoa học. công nghệ.2013,29, 68–77.
21. Âm, Y.; Hảo, YF; Yu, HC Phương pháp xác định các mức độ mốc khác nhau của ngô bằng cách sử dụng mũi điện tử kết hợp
với phản ứng tổng hợp đa tính năng.Dịch. CSAE2016,32, 254–260.
22. Lippolis, V.; Pascale, M.; Cổ tử cung, S.; Damascelli, A.; Visconti, A. Sàng lọc ô nhiễm deoxynivalenol trong
lúa mì cứng bằng mũi điện tử dựa trên MOS và xác định kiểu hợp chất dễ bay hơi có liên quan.kiểm soát
thực phẩm2014,37, 263–271. [Tham chiếu chéo]
23. Cortellino, G.; Yêu tinh, S.; Rizzolo, A. Theo dõi thời hạn sử dụng của những quả táo tươi cắt nhỏ được đóng gói trong các môi trường khác
nhau bằng mũi điện tử.Acta Hortic.2016,1120, 71–78. [Tham chiếu chéo]
24. Chu, N.; Mao, SB; Chu, LQ; Nguyên, LJ; Tu, K. Phát hiện sớm nhiễm nấm bệnh trên quả dâu tây bằng mũi điện tử trong quá
trình bảo quản sau thu hoạch.Dịch. Cái cằm. Sóc. nông nghiệp. Tiếng Anh2013,29, 266–273.
25. Trâu, XB; Zhao, JW Phân biệt các giống táo khác nhau bằng mũi điện tử trên máy vector hỗ trợ. Dịch. CSAE
2007,23, 146–149.
26. Huệ, GH; Ngô, YL; Ye, ĐD; Ding, WW Fuji phương pháp dự đoán thời gian bảo quản táo sử dụng mũi điện tử. Thực phẩm hậu môn.
phương pháp2013,6, 82–88.
27. Lý, Y.; Ren, YM; Trương, S.; Triệu, H.; Châu, LA; Ren, XL Dự đoán thời gian bảo quản ở nhiệt độ thấp và chất
lượng của táo dựa trên mũi điện tử.J. Đại học Tây Bắc2015,5, 183–191.
28. Zhang, P.; Lý, JK; Chen, SH Mũi điện tử 1-MCP ở nhiệt độ phòng phân tích phân biệt táo thời gian khác nhau.
Phía bắc. làm vườn.2015,12, 119–124.

© 2019 của các tác giả. Người được cấp phép MDPI, Basel, Thụy Sĩ. Bài viết này là một bài báo truy
cập mở được phân phối theo các điều khoản và điều kiện của giấy phép Creative Commons
Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).