BP神经网络和电子舌技术在茶叶品质分级中的应用

王宏伟

(湖北理工学院,湖北 黄石 435003)

BP神经网络和电子舌技术在茶叶品质分级中的应用

王宏伟

(湖北理工学院,湖北 黄石 435003)

提出了一种通过茶汤滋味鉴别茶叶品质等级的新方法。把电子舌传感器采集到的茶汤数据作为特征参数进行BP神经网络模式识别，识别率达95%以上，具有较好的效果。实验结果表明，电子舌技术结合模式识别方法对茶叶品质进行分级是可行的。

茶叶品质分级；BP神经网络；电子舌

0 引言

一直以来，对于茶叶品质的评定，国内外普遍采用感官审评法。感官审评法容易受到审评人员的工作经验、生理条件以及环境条件等因素的影响，不同的审评人员对同一个样茶的感官审评结果往往存在一定的差异，进而影响审评结果的准确性。多年来,茶学工作者一直致力于寻求能辅助或取代传统感官审评茶叶品质的评判方法[1-2]。

电子舌是一种新兴的模拟人的味觉系统的快速检测仪器系统,能够克服人为的主观因素对味觉信息判断的影响。检测时，电子舌传感器对液体样本产生响应并输出其味觉特征信号。目前，电子舌在饮料业、制药业、农业、环境监测和医学检测等行业应用广泛[3-4]。

本文将电子舌7个传感器采集到的茶汤原始信号作为BP神经网络的输入，然后进行模式识别，从而达到为茶叶分级的目的。

1 实验材料和实验设备

1.1实验材料

选取西湖龙井特级、一级和二级共3个级别的干茶茶叶作为实验样本，同一茶叶样本出厂日期一致，所有样本均购自黄石当地超市，茶叶初产地位于浙江杭州。

1.2实验设备

实验采用法国Alpha MOS公司研发的ASTREEⅡ电子舌检测系统采集茶叶样品的味觉信息。电子舌装置原理示意图如图1所示。

图1 电子舌装置原理示意图

电子舌检测系统配有7个具有交叉选择性功能的传感器(代号分别为ZZ、BA、BB、CA、GA、HA和JB)和1个Ag/AgCI参比电极，各传感器对液体的酸、甜、苦、鲜、咸等滋味敏感，但敏感程度各不相同。数据采集前，ASTREEⅡ系统需要进行自检、诊断和矫正等操作，以确保电子舌传感器响应信号的可靠性和稳定性[5-6]。

2 茶汤数据采集

2.1样本准备及预处理

将特级、一级和二级每个等级的龙井茶叶各选取40个样本，其中20个为训练样本，另外20个为验证样本，总共120个样本，每个样本3.0g。

按常规方法冲泡，100mL 95℃以上开水冲泡5min，然后用脱脂棉过滤，将溶液定容至80mL ，冷却至25℃时进行电子舌检测，系统工作温度控制在25℃左右。

2.2数据采集

设置每个样品数据采集时间为120s，每秒采集一个数据。刚开始时，传感器的值会有所波动，5s后基本趋于稳定，100s之后，数据已经很稳定，于是取最后20s测量值的平均值作为该传感器的响应值。电子舌传感器采集数据如表1所示。

表1电子舌传感器采集数据mV

级别代 号ZZBABBCAGAHAJB特级2310．35～2563．453875．56～4018．591137．13～1496．82874．71～1139．421284．93～1635．602054．36～2318．172869．74～2949．69一级2431．61～2687．243786．45～4165．481291．67～1496．21950．66～1206．351354．02～1559．062196．68～2246．112790．51～3014．76二级2691．36～2865．494121．66～4572．341365．44～1563．591094．81～1285．741400．39～1655．332355．32～2569．442963．75～3256．97

3 BP神经网络

3.1 BP神经网络算法

人工神经网络是由大量的神经元(nerve cell)互相连接而成的网络，是对生物神经网络的抽象简化和模拟。人工神经网络具有大规模并行运算、分布式存储、自组织和自学习等特点，能够充分逼近非线性映射关系。这使得人工神经网络在模式识别领域应用广泛[7]。

常见的神经元之间的连接方式有前向网络、递归网络和横向连接网络等。BP(Back-Propogation，误差反向传播)神经网络属于前向网络，其主要思想是从后向前(反向)逐层传播输出层的误差，间接算出隐层误差。算法可分为2个阶段：第1阶段(正向过程)为输入信息从输入层经隐层逐层计算各单元的输出值；第2阶段(反向传播过程)为从输出误差逐层向前算出隐层各单元误差，并用此误差修正前层权值。

在BP算法中通常采用梯度法修正权值，为此要求输出函数可微。为不失其普遍性，现假设处于某一层的第j个计算单元，脚标i代表其前层第i个单元，脚标k代表其后层第k个单元，Oj代表本层输出，Wij是前层到本层的权值，反向传播算法中的因量约定如图2所示。

图2 反向传播算法中的因量约定

BP算法的C语言实现代码为[8]：

……

While(loop

for(m=0;m,datam;m++){ //对datam个样本进行增量训练，m为样本个数

max=0.0;

min=0.0;

for(i=0;i

x_out[i]=data[m].input[i];

if (max< x_out[i])

max= x_out[i];

if (min> x_out[i])

min= x_out[i];

}

……

for (i=0; i

sumtemp=0.0;

for (j=0; j

sumtemp+=w[j][i]*x_out[j];

hn_out[i]=tanh(sumtemp);

}

for (i=0; i

sumtemp=0.0;

for(j=0;j

y_out[i]=g(sumtemp);

}

……

3.2 BP神经网络设计

BP神经网络设计的主要任务是确定网络层数、每层的神经元个数、目标误差等。

1)网络层数：一个神经网络包括输入层、隐含层和输出层。输入层和输出层对任何神经网络都固定为一层，因此用户只需要确定隐含层的个数即可。不同层数的隐含层判别能力不同，本文采用单隐含层。单隐含层判别域为开放或闭合的凸区域。

2)输入层、输出层及隐含层神经元个数：输入层神经元个数X由茶叶特征参数确定，本文提取7个传感器数据，故输入层神经元个数X=7；输出层神经元个数由需要分类的数量决定，本文拟将茶叶分为3类，故输出层神经元个数Y=3；通过多次试验选择隐含层的神经元个数Z=(X+Y)/2=5。

3)目标误差：目标误差选择过大，会影响分类的准确性；太小则会增加训练时间，而且可能造成神经网络不收敛。本文选择目标误差为0.01[7]。

4 茶叶的BP网络分级结果

采用BP神经网络对样本茶叶进行分级判别，分级判别结果如表2所示。

表2 分级判别结果

由表2可以看出，BP神经网络对样本茶叶进行分级判别，98.3%的训练组样本可以正确地被分级，93.3%的验证组样本可以正确地被分级，总的识别率为95.8%。

5 结论

本文利用电子舌技术对茶汤味道进行分析，获取ZZ、BA、BB、CA、GA、HA和JB 7个特征参数，运用模式识别中的BP神经网络对茶叶进行分级识别，总的识别率在95%以上，具有较好的分类、分级效果。

[1] 黄继轸.论茶叶品质的构成及品质评定[J].茶叶通报,2000,22(2):19-21.

[2] 陆松侯,施兆鹏.茶叶审评与检验[M].3版.北京:中国农业出版社,2001:52-57.

[3] L Lvova,A Legin,Yu Vlasov,et al.Multicompenent analysis of Korean green tea by means of disposable all-solid-state potentiometric electronic tongue microsystem[J].Sens.Actuators,2003,95(B):391-399.

[4] N Togari,A Kobayashi,T Aishma.Pattern recognition applied to gas chromatograPhic Profiles of volatile comPonent in three tea catagories[J].Food Res.Int,1995,28:495-502.

[5] 王新宇.基于计算机视觉和电子舌技术的绿茶分类分级研究[D].镇江:江苏大学，2007.

[6] 肖宏.基于电子舌技术的龙井茶滋味品质检测研究[D].杭州:浙江大学，2010.

[7] 盛立东.模式识别导论[M].北京：北京邮电大学出版社，2010:309-330.

[8] 冯伟兴，梁洪，王臣业.Visual C++数字图像模式识别典型案例详解[M].北京：机械工业出版社，2012:60-62.

(责任编辑桂堤)

Application of BP-ANN and Electronic Tongue Technology inClassification of Tea Quality

WangHongwei

(Hubei Polytechnic University,Huangshi Hubei 435003)

This paper proposes a new method to identify tea quality grade by the taste of tea.The datas of tea liquor collected by the sensor of electronic tongue are used as characteristic parameters of tea for BP pattern recognition and Neural Network and the tea identification rate can reach above 95%,which has achieved a good effect.The experimental result shows that the use of electronic tongue combined with pattern recognition method for classification of tea quality is feasible.

classification of tea quality;BP-ANN;electronic tongue

2014-04-24

湖北省教育厅科研项目(项目编号B20104403)。

王宏伟(1968— ),男，副教授，硕士，研究方向:模式识别、密码编码。

10.3969/j.issn.2095-4565.2014.04.009

TP391.4

A

2095-4565(2014)04-0033-03