论文标题：Non-Destructive Detection of Chicken Freshness Based on Electronic Nose Technology and Transfer Learning

论文链接：https://www.mdpi.com/2077-0472/13/2/496

期刊名：Agriculture

期刊主页：https://www.mdpi.com/journal/agriculture

研究背景

鸡肉作为人类重要的肉类蛋白质来源，其新鲜度直接关系到食品安全与消费者健康。传统的鸡肉新鲜度评估方法存在明显局限：感官评价依赖人工经验，主观性强；理化与微生物分析则具有破坏性且操作复杂。电子鼻技术凭借低成本、高效率的优势，成为肉类新鲜度快速检测的重要手段，但传统机器学习方法需人工提取特征，易受主观因素影响。深度学习虽能自动提取特征，却面临样本需求量大、鸡肉样本采集耗时费力的难题。在此背景下，南京农业大学邹修国副教授团队在Agriculture期刊发表了文章，提出将迁移学习与电子鼻技术结合，为鸡肉新鲜度无损检测提供了创新解决方案。

电子鼻系统示意图 电子鼻鼻部结构剖面图

研究过程与结果

1. 实验材料与电子鼻系统构建

样本制备：实验所用鸡胸肉样本来自南京江北新区本地生鲜市场，选取同一品种、同一批次屠宰的白羽鸡，取双侧鸡胸肉切割为3cm×3cm×1cm的均等小块，共获得100个样本，在4℃条件下分别储存1-7天。依据感官、理化及微生物指标，将样本分为三级：1-3天为一级（新鲜），4-5天为二级（次新鲜），6-7天为三级（变质）。

电子鼻系统：采用自主研发的3D打印电子鼻系统，核心为含5个MOS传感器的阵列（TGS2602、MQ136、MQ137、MQ135、MQ138），可检测鸡肉腐败过程中释放的硫化氢、氨、挥发性有机物等特征气体。系统包含气流稳定装置、数据采集单元及控制模块，通过预处理（30分钟预热、基线校准）确保数据稳定性。

2. 数据处理与模型构建

数据采集与校准：2022年1月采集300组样本数据（每组100个样本，分三级），采样频率5Hz，每样本记录85个数据点。并对数据进行基线校准，消除环境干扰。

时间序列转图像方法：针对卷积神经网络输入需求，提出三种数据转换方式：

方法 1：将原始传感器响应数据绘制成散点图，固定横纵轴范围（横轴0-85，纵轴-0.05-0.35），按传感器分配颜色，生成224×224像素图像。

方法 2：对数据去除异常值（通过阈值法替换异常点为邻点均值）后进行多项式拟合，再转换为平滑曲线图像。

方法 3：提取传感器响应的4个关键特征（最大响应值、峰面积、一阶导数最大值、二阶导数最大值），经归一化后映射为热力图。

迁移学习模型：采用预训练的 AlexNet、GoogLeNet 和 ResNet模型，冻结前期卷积层与池化层，仅重训练最后三层（全连接层、SoftMax 层、输出层），将分类类别调整为3类（对应新鲜度等级）。

3. 实验结果与分析

模型性能对比：在三种图像输入方式中，基于拟合曲线图像（方法 2）的AlexNet模型准确率最高，达99.70%；ResNet在方法1和方法3中分别取得99.33%和96.67%的准确率。传统机器学习方法中，SVM表现最优（94.33%），但仍低于迁移学习模型。

关键参数影响：

训练集比例：7:3的训练与测试比为最优，样本量不足时会导致模型准确性评估偏差。

批处理大小：选择10时模型准确率最高，增大至128后准确率显著下降。

学习率：0.0001 为最佳，过高（如 0.001）会导致AlexNet模型发散。

AlexNet Model 2最佳结果对应的损失函数

研究总结

本研究通过自主设计的电子鼻系统采集鸡肉挥发性气体数据，创新地将时间序列数据转换为图像，结合迁移学习解决了小样本下的深度学习建模难题。结果表明，电子鼻技术与深度迁移学习结合的检测方法准确率达99.70%，显著优于传统机器学习，为鸡肉新鲜度的快速、无损检测提供了高效可行的方案。未来可进一步优化传感器阵列与模型结构，拓展至其他肉类的新鲜度评估领域。

Xiong, Y.; Li, Y.; Wang, C.; Shi, H.; Wang, S.; Yong, C.; Gong, Y.; Zhang, W.; Zou, X. Non-Destructive Detection of Chicken Freshness Based on Electronic Nose Technology and Transfer Learning. Agriculture 2023, 13, 496. https://doi.org/10.3390/agriculture13020496