一种基于机器嗅觉的蟹类新鲜度等级检测方法

摘要

本发明提供公开了一种基于机器嗅觉的蟹类新鲜度等级检测方法，针对不同储存时期的蟹类样本分别进行气味信息的采集和TVB-N的检测，对获取的气味信息进行预处理，该过程包括均值滤波、基线处理和异常数据的剔除，然后选择能够有效表征气味信息的特征，针对多维特征，采用非线性降维的拉普拉斯特征映射算法实现维数的约减，可视化分析的结果与TVB-N检测结果是相对应的，由此建立蟹类新鲜度等级预测模型，将可视化结果的分类信息作为预测模型的输出，提取到的有效特征作为输入，用未知样本测试训练好的模型，得出最终的蟹类新鲜度等级结果。本发明采用一种新兴的机器嗅觉技术来检测蟹类的新鲜度等级，它具有样本处理简单、检测速度快、无损等优点，为水产品市场和人们的日常生活有着巨大的应用价值。

主权项

一种基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于它包括以下几个步骤：(1)、针对不同储藏时间的大闸蟹样本，采用机器嗅觉系统进行气味信息的采集；同时，测定每个样本的挥发性盐基氮含量，依据挥发性盐基氮含量对各个大闸蟹样本的新鲜度等级进行划分，作为新鲜度等级的参照标准；(2)、对所述的步骤(1)中所采集到的气味信息进行相应的预处理，滤除干扰，提高信噪比，另一方面补偿传感器的漂移；(3)、对所述的步骤(2)中所获得的气味信息接着进行特征选择和特征提取，从瞬时信息和稳态信息两方面来选择最有效表征气味信息的特征，另外，采用非线性降维的拉普拉斯特征映射算法对多维数据矩阵进行降维处理，提取到反映原来变量信息的综合特征；(4)、采用BP神经网络建立对大闸蟹新鲜度等级的预测模型，将所述的步骤(3)所提取的综合特征作为模型的输入，根据所述的步骤(3)降维后的可视化结果以及所述步骤(1)对样本新鲜度等级的划分，得到储存天数的分类信息，将其作为模型的输出，将训练好的模型用来预测未知样本的新鲜度等级。