嗅觉可视化技术本质上是一种新型的电子鼻技术，于2000年由美国伊利诺伊州立大学的NealA.Rakow教授和KennethS.Suslick教授首次提出。这项技术主要依赖于各种化学染料组成的可视化传感器阵列对样品中挥发性气体的化学响应。这些化学染料通过分子间的相互作用（π-π键和金属键的作用、酸碱相互作用以及电荷转移等）来与气体中的小分子结合，并且必须具备两个条件:（1）染料中必须存在一个与气体中小分子强相互作用的中心；（2）染料在接触小分子气体时会发生颜色变化。
目前，该技术在食品检测方面的应用越来越广泛。例如，国内Jiang等人利用8个卟啉染料和1个pH指示剂组建成3×3的传感器阵列完成对绿茶中的茶多酚定量分析。Shui等人将此技术应用于白酒香气的鉴别中，并成功建立了传感器阵列，该阵列在5分钟内就可以完美区分16个不同品牌的商业白酒。
1 嗅觉可视化技术数据处理方法
1.1图像处理方法
可视化传感器阵列能够有效地捕捉挥发性气体的变化，并以不同的颜色反映出来。图像处理方法是从传感器阵列中提取颜色特征，包括RGB（R:红色；G:绿色；B:蓝色）、HSV（H:色相；S:饱和度；V:色调）和CIEL*a*b*（L*:亮度；a*:红绿色度；b*:黄蓝色度）等，并计算响应差值。
Xu等人设计了由12种化学染料组成的比色传感器阵列，用于获取牛肉储藏过程中获取气味指纹（RGB），结果发现利用鲸鱼优化（WOA）算法可以有效地优化颜色成分组合，并利用反向传播神经网络（BPNN）模型与最佳颜色成分相结合，可以精确的评估牛肉新鲜度。还有研究基于比色纸传感器监测生鱼的品质，通过ImageJ图像分析软件探究了从图像中提取的RGB和HSV色彩空间信息与生鱼pH值之间的关系。图像处理方法操作简单，能够快速提取传感器数据信息，对现场化快速检测具有巨大应用前景。
1.2可见近红外（Vis-NIR）光谱处理方法
现如今在食品和生物领域，已经报道了很多基于光谱技术和化学计量学结合的定量和定性分析研究。其中，Vis-NIR光谱技术在食品检测分析中应用广泛，它的波长范围为320-1100nm，通过采集该波长范围下的反射率或者透射率光谱，可以获得包含被分析物分子结构的数据。大量的光谱数据会组成类似于“特殊指纹”的曲线，该曲线包含了从传感器阵列中采集的数千个多维光谱数据。
Ouyang等人使用Vis-NIR技术，采集了与5个等级的抹茶样本发生集气反应的色敏传感器阵列的多维光谱数据，实现了对抹茶样品在生产过程中的品味监测。
1.3数据融合处理方法
由于食品具有高度复杂性，仅仅使用单一传感器数据（图像或Vis-NIR）是不够的，结合多个仪器源输出的数据融合技术是未来食品质量评估发展方向。来自各单一传感器的数据融合模型结果响应着不同的特征现象，这可能会增大样品正确分类的可能性。也就是说，一个传感器未识别到的特征信息可能由另一个传感器捕捉。然而，在实际操作中并不是所有的潜在特征都很重要，这往往需要对重要的特征信息进行筛选。
一般来说，多传感器数据融合是一种将不同物理传感器的数据组合起来的一种技术，以便对数据进行综合分析，科学判别研究对象的特征。数据融合一般分为三个层级，低级、中级和高级融合。近些年。国内外很多研究人员将多源数据融合方法应用到食品检测领域，他们利用机器视觉、近红外光谱、拉曼光谱、电子舌、电子鼻等技术获取信息，将有效数据进行数据融合，其结果均优于单一传感器。例如，Han等人通过将电子鼻和电子舌技术与化学计量学分析相结合，建立了三层径向基函数神经网络（RBF-NN）模型，对鱼类新鲜度进行了无损预测。
综上所述，将多个人工传感系统组合在一起可以提高所研究产品的分类或质量评估性能，多个传感器之间可以信息互补，提高系统的整体检测性能。但融合系统仍处于不成熟阶段，随着该领域的研究逐渐深入，在未来几年将会助力多项应用走向成功。
来源：感官科学与评定整理，转载请注明来源。
参考书籍：王上.牡蛎新鲜度的嗅觉可视化传感检测方法研发[D].集美大学,2024.
提醒：文章仅供参考，如有不当，欢迎留言指正和交流。且读者不应该在缺乏具体的专业建议的情况下，擅自根据文章内容采取行动，因此导致的损失，此公众号运营方不负责。如文章涉及侵权或不愿我平台发布，请联系处理。
目前，该技术在食品检测方面的应用越来越广泛。例如，国内Jiang等人利用8个卟啉染料和1个pH指示剂组建成3×3的传感器阵列完成对绿茶中的茶多酚定量分析。Shui等人将此技术应用于白酒香气的鉴别中，并成功建立了传感器阵列，该阵列在5分钟内就可以完美区分16个不同品牌的商业白酒。
1.1图像处理方法
可视化传感器阵列能够有效地捕捉挥发性气体的变化，并以不同的颜色反映出来。图像处理方法是从传感器阵列中提取颜色特征，包括RGB（R:红色；G:绿色；B:蓝色）、HSV（H:色相；S:饱和度；V:色调）和CIEL*a*b*（L*:亮度；a*:红绿色度；b*:黄蓝色度）等，并计算响应差值。
Xu等人设计了由12种化学染料组成的比色传感器阵列，用于获取牛肉储藏过程中获取气味指纹（RGB），结果发现利用鲸鱼优化（WOA）算法可以有效地优化颜色成分组合，并利用反向传播神经网络（BPNN）模型与最佳颜色成分相结合，可以精确的评估牛肉新鲜度。还有研究基于比色纸传感器监测生鱼的品质，通过ImageJ图像分析软件探究了从图像中提取的RGB和HSV色彩空间信息与生鱼pH值之间的关系。图像处理方法操作简单，能够快速提取传感器数据信息，对现场化快速检测具有巨大应用前景。
1.2可见近红外（Vis-NIR）光谱处理方法
现如今在食品和生物领域，已经报道了很多基于光谱技术和化学计量学结合的定量和定性分析研究。其中，Vis-NIR光谱技术在食品检测分析中应用广泛，它的波长范围为320-1100nm，通过采集该波长范围下的反射率或者透射率光谱，可以获得包含被分析物分子结构的数据。大量的光谱数据会组成类似于“特殊指纹”的曲线，该曲线包含了从传感器阵列中采集的数千个多维光谱数据。
Ouyang等人使用Vis-NIR技术，采集了与5个等级的抹茶样本发生集气反应的色敏传感器阵列的多维光谱数据，实现了对抹茶样品在生产过程中的品味监测。
1.3数据融合处理方法
由于食品具有高度复杂性，仅仅使用单一传感器数据（图像或Vis-NIR）是不够的，结合多个仪器源输出的数据融合技术是未来食品质量评估发展方向。来自各单一传感器的数据融合模型结果响应着不同的特征现象，这可能会增大样品正确分类的可能性。也就是说，一个传感器未识别到的特征信息可能由另一个传感器捕捉。然而，在实际操作中并不是所有的潜在特征都很重要，这往往需要对重要的特征信息进行筛选。
一般来说，多传感器数据融合是一种将不同物理传感器的数据组合起来的一种技术，以便对数据进行综合分析，科学判别研究对象的特征。数据融合一般分为三个层级，低级、中级和高级融合。近些年。国内外很多研究人员将多源数据融合方法应用到食品检测领域，他们利用机器视觉、近红外光谱、拉曼光谱、电子舌、电子鼻等技术获取信息，将有效数据进行数据融合，其结果均优于单一传感器。例如，Han等人通过将电子鼻和电子舌技术与化学计量学分析相结合，建立了三层径向基函数神经网络（RBF-NN）模型，对鱼类新鲜度进行了无损预测。
综上所述，将多个人工传感系统组合在一起可以提高所研究产品的分类或质量评估性能，多个传感器之间可以信息互补，提高系统的整体检测性能。但融合系统仍处于不成熟阶段，随着该领域的研究逐渐深入，在未来几年将会助力多项应用走向成功。
来源：感官科学与评定整理，转载请注明来源。
参考书籍：王上.牡蛎新鲜度的嗅觉可视化传感检测方法研发[D].集美大学,2024.
提醒：文章仅供参考，如有不当，欢迎留言指正和交流。且读者不应该在缺乏具体的专业建议的情况下，擅自根据文章内容采取行动，因此导致的损失，此公众号运营方不负责。如文章涉及侵权或不愿我平台发布，请联系处理。
