生姜（Zingiber officinale Roscoe）为姜科姜属多年生草本植物，起源于东南亚热带地区，是一种广泛种植于我国中部、东南部及西南部的重要经济作物和传统药用植物。我国是世界上生姜生产、出口、消费大国。在日常生活中，生姜不仅是一种膳食辅料，也是一种被广泛使用的中药。《中华人民共和国药典》指出，生姜具有解表散寒、温中止呕等药理效应；此外，多项研究揭示了生姜具有抗氧化、抗炎、抗菌和抗癌的特性。然而，生姜的贮藏对环境要求较为苛刻，冷库贮藏适宜温度为12～15 ℃，相对湿度为85%～90%，温度过低易导致冷害，过高则会加速腐烂变质。由于生姜贮藏密度大，局部腐败易导致交叉感染。因此，采后生姜的贮藏和检测技术创新是发展生姜经济的关键环节。
目前，生姜的采后贮藏方式已逐渐实现由传统窖藏向创新技术的转变，旨在最大限度地减少腐败并保留生姜活性。气调贮藏通过调控环境中的氧气和二氧化碳含量，实现减缓腐败保持生姜质量的目的；冷库贮存环境始终保持在最佳温湿度范围内，能最大限度地减少生姜腐败现象。但贮藏技术的进步不能杜绝腐败现象的发生，仍需一定的检测手段进行配合。目前生姜在贮藏中的腐败检测主要依赖人工定期开仓检查，该方法存在耗时费力、检测效率较低且主观性强等不足。
近年来，电子鼻技术作为一种高效的检测手段被广泛应用于食品安全、环境监测、医疗分析等领域。Wen Tao等使用电子鼻研究小果蝇对柑橘的侵染状况，采用主成分分析（PCA）和线性判别分析（LDA）对不同侵染状况进行分类，其中LDA模型可以成功地将柑橘果实划分为无虫期、入侵期和潜伏期，并且识别准确率高达98.21%。王丽等采用电子鼻与顶空-气相色谱-质谱（HS-GC-MS）技术对5 个品种红茶关键香气成分进行鉴定和分析，结果发现不同品种红茶具有明显的特征香气，对电子鼻响应值进行正交偏最小二乘判别分析（OPLS-DA）能较好地分辨不同红茶品种。陈雨佳等采用电子鼻技术结合偏最小二乘回归（PLSR）分析不同品种的干辣椒对辣椒油风味的影响，研究表明电子鼻可以区分样品气味轮廓，实现对不同品种干辣椒风味的分析。Pan Leiqing等利用电子鼻与HS-GC-MS技术对采后草莓腐败过程中的挥发性物质进行分析，所建立的多重神经网络模型对草莓果实腐败判别准确率达到96.60%。Damdam等将电子鼻技术与物联网相结合，分别对4 ℃和21 ℃条件下贮存的牛肉样品进行了挥发性有机化合物（VOCs）浓度检测，采用线性回归对牛肉中VOCs的产生与细菌的增殖进行了相关性分析。
另一方面，生姜所散发的独特气味，构成可被识别的“气味指纹”。因此，近年来有不少学者使用电子鼻相关技术研究生姜。Long Qin等应用电子鼻技术结合PCA实现两种高山姜的鉴别，并对电子鼻传感器的权重进行分析，得到最优传感器阵列。Dong Weiyue等应用电子鼻技术对甜姜精油中的化学成分进行定性分析，采用电子鼻结合化学方法对各组分的抗氧化活性进行了评价。Yu Daixin等采用电子鼻和HS-GC-MS技术对中国7 个主要产区的生姜品种和产地进行了初步鉴别，并利用电子鼻技术提取的风味信息实现了干姜风味的识别。综上所述，现有研究证实了利用电子鼻技术解决生姜检测问题的可行性。然而，在实际生产中，常涉及多品种生姜的混合贮藏，因此，建立适配多品种生姜腐败检测的普适性模型是当前亟需解决的难题。
山东理工大学农业工程与食品科学学院的李名伟、李骁、王文君*等提出一种基于电子鼻技术的多品种生姜腐败检测方法。首先使用电子鼻系统采集生姜腐败气体的响应数据，并完成数据的预处理与特征提取。进而采用随机森林（RF）、梯度提升决策树（GBDT）和反向传播神经网络（BPNN）算法构建生姜腐败等级检测模型。RF基于Bagging并行集成策略，其较强的抗噪能力和鲁棒性使其成为处理此类高维数据的理想基准模型，但对非线性数据的拟合能力较弱；GBDT基于Boosting策略，通过迭代机制关注难分类样本，能更精准地划分腐败等级间的模糊边界，适合作为强分类器的对比基准，但易出现过拟合现象；BPNN能很好地模拟电阻变化率与气体浓度之间的非线性关系，但也存在收敛慢及对参数初始化敏感等问题。因此，本研究引入集成学习算法Boosting和Bagging对性能较优的BPNN进行优化，所构造的Boosting-BPNN模型兼具集成学习的抗噪能力与迭代机制，以及神经网络的高精度。最后对比不同品种与算法的组合性能，筛选出最佳品种与算法组合，并使用其余品种验证该模型泛化能力，旨在建立一个兼具高分类精度与强泛化能力的生姜腐败检测模型。
01
传感器响应
生姜腐败产生的特征气体进入气体反应室后，不同传感器针对特定气体产生特异性响应。如图9所示，以山东安丘嫩芽姜为例，展示了不同腐败等级样本的传感器响应曲线，横轴为采样时间，纵轴为各传感器响应值。结果表明，新鲜生姜与腐败生姜的传感器响应存在明显差异。随着腐败程度的加剧，各传感器响应强度呈现逐渐上升的趋势。另外，不同传感器的响应值也存在差异，这主要是腐败过程中释放的各气体浓度不同，以及传感器对不同气体的检测敏感度存在差异所致。
如图9a所示，在生姜处于新鲜状态时，传感器整体响应较弱，仅S7出现轻微响应，其余传感器响应值相较于基线值轻微上浮，表明该阶段样品几乎不产生刺激性气味。如图9b所示，传感器响应信号总体增强，尤其S2、S7和S8响应较为突出。由于机械损伤导致生姜组织受损，细胞呼吸强度激增，部分组织进入无氧呼吸产生乙醇，同时伴随少量的氢气释放。此类响应特征可作为分类判别的重要依据。如图9c所示，各传感器响应进一步增大，其中S2、S7和S8仍保持较高响应强度，S9相比图9a、b变化明显，反映出氢气和乙醇仍是该腐败阶段的主要挥发性成分。随着腐败加剧，生姜细胞壁被果胶酶等分解，组织开始软化，此时，碳水化合物的进一步分解导致VOCs总量上升，进而导致传感器S4和S5的响应明显增强，表明不同腐败等级之间具有良好的可区分性。如图9d所示，在腐败程度达到3级时，大部分传感器出现剧烈响应，说明各种特征气体释放总量大幅增加。随着腐败程度继续加深，生姜中含氮化合物（如蛋白质、氨基酸）的降解占据主导，大量氨气、胺类物质脱出，导致传感器S1和S8的响应值相比图9c大幅提高。而S3、S10传感器自始至终响应强度较低，这种现象主要归因于二者对甲烷气体具有较高的选择性响应，而甲烷在生姜腐败过程中释放量有限或相对浓度较低，无法激发明显的传感器信号。图9c、d的S3、S10传感器响应明显强于图9a、b，进一步说明在腐败后期甲烷释放略有增加，但其浓度水平仍不足以驱动传感器产生强烈响应，这也从侧面验证了上述推论。综上所述，随着腐败等级提高，挥发性气体的种类与浓度均呈现明显上升趋势，不同腐败等级所对应的传感器响应强度具有明显差异，这为后续构建高精度腐败等级分类模型提供了可靠的数据基础。
02
模型对比
2.1 RF
首先采用RF算法对4 个品种的生姜腐败等级进行分类，依据最佳特征参数建立分类模型，各品种腐败等级分类结果如表2所示。RF算法对安丘嫩芽姜分类效果最好，准确率达到93.33%；但是针对山东大姜的分类准确率只有87.91%。表明该模型对多品种生姜分类具有一定的分类能力，但各品种间分类准确率差异较大，总体分类精度较低，未能很好地满足本研究的要求。精确率与召回率也表明RF模型不仅容易漏检腐败样本，也容易产生腐败等级误判，模型的稳定性较差。
由图10可知，不同品种生姜在理化性质上存在差异，在生姜腐败过程中，其内部理化性质变化直接决定了特征挥发性气体的指纹图谱，进而导致各传感器所占权重存在差异。由图10a可知，S1、S2、S4等传感器权重相对较高，这可能是安丘嫩芽姜组织鲜嫩，水分含量高，呼吸作用强，腐败进程较快，乙醇、氨气及VOCs气体产生较多；图10b相比图10a，S1、S2权重下降，S4、S5权重较高，这可能是山东大姜纤维更丰富，碳水化合物分解出的VOCs气体更多；如图10c所示，S4、S5、S6、S7传感器权重较高，推测是因为四川嫩芽姜高水分特性在腐败过程中导致硫化物伴随VOCs释出；如图10d所示，S1、S6传感器权重较高，推测是云南小黄姜在腐败过程中蛋白质降解更多导致氨气大量释放。上述分析发现不同品种生姜的传感器权重分布差异明显，每个品种分类过程中的优势传感器并不完全相同，反映出RF模型的泛化能力与普适性仍存在一定局限，也进一步验证了建立普适性模型的必要性和现实意义。
2.2 GBDT
为对比模型性能，继续使用GBDT算法对生姜腐败等级进行分类。由表3可知，GBDT算法对各生姜品种的分类性能较为均衡，4 个品种的平均分类准确率达到91%以上，其中对四川嫩芽姜的分类准确率达到93.50%。该算法在不同品种间的准确率波动较小，表现出更稳定的判别能力。然而，该算法也存在一定的局限，尽管整体表现稳健，但缺乏突破性的高精度表现。其精确率与召回率主要集中在89.92%～93.50%之间，性能上限较低，未能完全满足本研究对高分类精度的预期要求。
如图11所示，GBDT模型在不同生姜品种分类中的传感器权重分布呈现出明显的差异性。如图11a所示，S1、S2、S4传感器的权重较高，其余传感器权重较低；如图11b所示，主导传感器变为S2、S4，S1的权重相比图11a有所下降，而S8、S9传感器权重明显升高；如图11c所示，S4、S5和S6传感器权重较高；如图11d所示，传感器权重差异最明显，S1与S2累计权重接近50%，而其余传感器总体权重较低，表现出高度的集中性。
综合对比图10、11可知，两种算法在处理生姜腐败特征时展现出截然不同的信息处理模式。GBDT的权重分布呈现明显的集中化趋势，优势传感器也随着品种的不同有所差异，这种模式虽然在单一品种上识别精度较高，但过分依赖特定气味标记物，削弱了在多品种复杂环境下的鲁棒性。相比之下，RF的权重分布更为分散，说明其在决策过程中综合考虑了更多维度的传感器信号，但总体分类精度较低。上述分析表明，单一算法各有局限，两者的互补性为后续算法的优化提供了重要的改进方向。
2.3 BPNN
相比于基于决策树的RF和GBDT算法，BPNN通过多层隐藏层的非线性激活函数，能更好地拟合电子鼻传感器响应信号中复杂的非线性连续变化，并且BPNN能够更均衡地提取10 个传感器的有效信息，降低了对单一噪声敏感传感器的依赖，从而表现出更强的抗干扰能力。由表4可知，BPNN算法在生姜腐败检测中表现出最优异的性能，其分类准确率明显高于上述算法，各品种准确率均在92%以上，其中针对四川嫩芽姜的检测准确率高达96.70%，说明该模型具有更强的综合分类能力，精确率与召回率获得明显提升，大幅降低了漏检和错判的风险。
由图12可知，BPNN算法中各传感器的权重分布相较于上述算法更为均衡。进一步对比显示，BPNN与RF的各传感器权重分布相似，二者均受其自身算法特性影响，强化对数据中的弱特征进行捕捉，但BPNN权重分布更平均；GBDT的各传感器权重差异较大，各品种均存在主导传感器，多品种泛化能力较弱，而BPNN更注重考虑多传感器之间的信息融合。这表明BPNN模型在分类过程中能够更全面地分析多传感器信息，从而表现出更强的泛化能力与分类稳健性。最终分类准确率普遍提升，也证实了该模型在多品种生姜腐败等级识别中具有良好的普适性。
对比4 种生姜样本的分类结果可知，BPNN模型对四川嫩芽姜分类准确率最高，但对山东大姜和安丘嫩芽姜的分类准确率相对较低，整体上不同品种间的准确率波动较为明显，单一BPNN模型的稳定性与泛化能力仍有不足。鉴于集成学习中Boosting和Bagging两种算法能有效提升模型的泛化性能和鲁棒性，本研究采用上述策略对BPNN算法进行优化，旨在构建一种适配多品种生姜腐败检测的高普适性模型。
03
模型优化
使用集成学习算法Boosting和Bagging对BPNN模型进行优化（Boosting-BPNN、Bagging-BPNN）。Boosting算法的基本原理是通过迭代训练多个弱分类器，并最终将其加权组合为一个强分类器。基于这一思想，本研究通过调整隐藏层个数进而将BPNN作为弱分类器单元，通过Boosting框架进行集成训练与加权融合，从而构建出性能更强的组合分类模型。
基于特征提取结果，模型输入层节点数设定为60。为限制单体模型的复杂度以满足弱分类器特征，通过网格寻优法对隐藏层节点数在5～15区间进行寻优，最终确定隐藏层节点数为8。将BPNN作为弱分类器训练的过程中，为避免陷入局部最优并加快收敛速度，将反向传播训练的迭代次数设定为300 次，训练目标误差设定为1×10—4，学习率为0.01；而Boosting框架的迭代次数设定为10。
为控制模型更新幅度，引入集成学习率η＝0.1，其权重更新机制如下：在第t轮迭代中，根据当前弱分类器的加权错误率计算当前权重（式（9）），并据此动态更新样本分布权重，迫使模型在后续迭代中专注于难以分类的样本。此外还引入了软投票、动态样本加权及早停机制，可以有效降低决策边界错误分类的风险，并防止弱分类器出现过拟合现象。
式中：η为集成学习率；εt为加权错误率；αt为当前权重；δ为防止分母为0的微小量。
优化后得到的Boosting-BPNN算法，融合了神经网络强大的非线性拟合能力与Boosting集成框架的高泛化性能，显著提升了模型的分类精度与鲁棒性。
Bagging算法通过自助采样法构建多个相互独立的弱分类器，并最终将多个分类器的结果进行投票，最后输出分类结果。基于Bagging的集成学习框架，将BPNN作为弱分类器，调整模型参数，弱分类器数量为10，目标误差允许扩大至1×10—4，迭代次数为500 次，学习率为0.1。利用Bagging的并行训练机制与结果聚合策略，有效降低模型方差，从而提升整体模型的稳定性与泛化性能。
由图13可知，相较于原始BPNN模型，Boosting-BPNN和Bagging-BPNN算法在生姜各品种准确率上均明显提升。而两种优化算法相比，Boosting-BPNN算法针对4 个品种的腐败等级分类准确率相对更高。其中，安丘嫩芽姜和山东大姜的分类准确率提升3%～4%，并且四川嫩芽姜与云南小黄姜的分类准确率分别高达97.90%与98.80%。同时精确率和召回率也相较原BPNN模型提升明显，表明Boosting-BPNN满足本研究对于模型分类性能的要求。
由图14可知，优化模型在分类过程中各传感器的权重分布更为均衡，这表明优化模型在整体稳定性和泛化能力上优于BPNN模型，同时也说明模型不再依赖单一传感器，每个传感器在分类决策中均发挥其作用，有效利用了传感器之间的信息互补能力，各品种准确率的提升也印证了这一结论。进一步对比发现，Boosting-BPNN模型在云南小黄姜和山东大姜上表现出更均衡的传感器权重分布，各传感器权重均在10%左右，而在安丘嫩芽姜和四川嫩芽姜两个品种上两个模型权重相近。综合考虑，Boosting-BPNN模型泛化能力更优异，分类性能更好，因此选择其作为生姜腐败等级检测模型。
由图15可知，模型在腐败0级与1级之间的区分度较高，表明其能有效识别生姜腐败的发生。但在2级与3级腐败状态下存在少量误判现象。主要原因是生姜腐败是一个连续的生理生化过程，被误判的数据可能处于腐败2级向3级过渡的状态，其挥发性气体特征更趋向于腐败2级状态从而导致模型误判；也可能是由于人工在腐败等级划分时存在的主观性或边界模糊，进而导致模型误判。尽管如此，综合4 个品种的混淆矩阵图可证明Boosting-BPNN模型应对多品种生姜腐败检测问题仍具有较高的性能，总体分类准确率较高。
04
分类模型验证
本研究选用Boosting-BPNN算法，并以分类效果最好的云南小黄姜为代表样本，构建多品种生姜腐败等级分类检测模型。进一步使用安丘嫩芽姜、山东大姜和四川嫩芽姜对所建模型进行多品种验证，以全面评估该模型在不同品种生姜上的分类性能与泛化能力。
针对上述3 种生姜样本，从各品种的4 个腐败等级中各随机抽取20 组数据组成验证集，并利用MATLAB R2023b软件调用已训练完成的Boosting-BPNN分类模型，不同品种生姜的腐败等级分类结果如表5所示。以云南小黄姜为训练对象结合Boosting-BPNN算法所构建的分类检测模型，在对其余3 种生姜样本进行腐败分类检测时，整体表现良好，分类准确率均在90%以上。其中，该模型对安丘嫩芽姜和四川嫩芽姜的识别性能较佳，总体准确率达到了95%。上述结果表明，本研究构建的分类模型对不同品种生姜具有良好的普适性与较高的分类精度，能够有效实现多品种生姜的腐败状态判别，基本满足对多品种生姜腐败程度快速识别的实际应用需求。
05
现有模型预测研究大多局限于单一品种，建立的模型往往难以直接迁移至其他品种。本研究提出的Boosting-BPNN模型不依赖某一种生姜的特异性特征，而是捕捉到多品种之间的共性腐败特征，并创新性地提出以传感器权重作为模型普适性评价指标，实现单模型对4 种生姜的分类准确率均超过90%的优异表现。这种优异的泛化能力表明，Boosting-BPNN模型成功提取多品种之间的共性特征，并削弱了不同品种间个性差异的干扰。
在算法对比中，BPNN凭借神经网络强大的非线性映射能力，其表现优于RF和GBDT。进一步引入Boosting策略后，模型不再关注单一传感器，而是实现对多维信息的综合处理，有效避免了因单一传感器饱和或漂移带来的误判风险。并且Boosting算法通过样本加权机制，迫使模型聚焦于难区分样本，从而显著提升了模型在复杂数据分布下的判别精度，各品种准确率均提升了约3%。
对比其他学者的研究成果也体现出本模型的优势，Boosting-BPNN模型在检测中准确率优于Xu Qian等用于柑橘品质检测的LDA模型（93.59%），主要归因于该模型能更好拟合电子鼻响应的非线性特征；与Long Qin等使用PCA鉴别区分两种高良姜相比，本研究对4 种常见生姜样本的分类准确率超过90%，具有更广的泛化边界；相较于Sangjan等依赖特征优化结合传统算法检测马铃薯的研究，Boosting-BPNN通过集成学习自动聚焦难分样本，无需复杂特征工程即可实现高精度，显著提升检测效率。综上所述，Boosting-BPNN模型在准确率、泛化性能和检测效率方面均展现出显著的优越性。
结论
本研究提出一种基于电子鼻技术的多品种生姜腐败等级快速检测方法，突破了传统模型受限于单一生姜品种的瓶颈。结果表明，Boosting-BPNN模型不仅在分类精度上优于传统的RF、GBDT和BPNN算法，更为关键的是，该模型通过Boosting框架优化，促使各品种分类过程中传感器特征权重分布趋于均衡。这一改进从算法层面解决了因多品种数据差异导致的模型泛化瓶颈。
多品种建模对比表明，云南小黄姜与Boosting-BPNN模型结合后分类准确率高达98.80%，且传感器权重分布均衡，证实了传感器之间的信息互补能力。进一步使用安丘嫩芽姜、山东大姜和四川嫩芽姜验证模型性能，结果显示各品种分类准确率均在90%以上。上述结果证明所构建的模型对多品种生姜腐败检测具有良好的普适性，展现出高识别精度和强泛化能力。
目前本研究主要针对在静态恒温恒湿条件下的检测，未充分验证实际仓储环境中动态因素对传感器的影响。下一步研究计划将该电子鼻检测系统与物联网技术集成，开展在大型生姜冷库中的长期监测实验，以验证模型在复杂动态环境下的预测精度；同时由于根茎类农产品在腐败初期具有相似的代谢特征，所构建的Boosting-BPNN算法可为构建普适化的根茎类农产品腐败检测提供技术支撑和理论依据。
引文格式：
李名伟, 李骁, 刘通, 等. 基于Boosting-BPNN优化电子鼻的多品种生姜腐败等级快速检测方法[J]. 食品科学, 2026, 47(10): 354-367. DOI:10.7506/spkx1002-6630-20251204-029.
LI Mingwei, LI Xiao, LIU Tong, et al. A rapid detection method for spoilage levels of multiple ginger varieties based on electronic nose combined with BPNN optimized by Boosting[J]. Food Science, 2026, 47(10): 354-367. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20251204-029.
实习编辑：南伊；责任编辑：张睿梅。点击下方阅读原文即可查看全文。图片来源于文章原文及摄图网
为对标农业农村部2035年科技规划及“十四五”“十五五”发展方向，推动农产品加工与储运的工程化、智能化、绿色化升级，由湖南省农业科学院、湖南欧美同学会、湖南农业大学、北京食品科学研究院、国际食品科技联盟（IUFoST）、中国农业大学、岳麓山工业创新中心主办，湖南大学、中南林业科技大学、长沙理工大学、湖南中医药大学、湘潭大学、岳麓山实验室、木本油料资源利用全国重点实验室协办，中国食品杂志社、洞庭实验室、湖南省食品科学技术学会、湖南省农产品加工与质量安全研究所、湖南农业大学食品科学技术学院、Springer Nature-《Agricultural Products Processing and Storage》杂志承办的“第二届农产品加工与食品制造国际学术研讨会—创新引领绿色智造，AI赋能科技进步”，将于2026年9月19-20日（9月18日会议报到）在中国 湖南 长沙召开。
长按或微信扫码进行注册
北京食品科学研究院、中国食品杂志社和全国糖酒会组委会将于2026年10月15-17日在江苏省南京市南京国际博览中心举办第115届全国糖酒会食品科技成果交流会。食品科技成果交流会期间举办食品科技成果展，本届科技成果展以我国当前食品产业科技需求为导向，重点邀请“十四五”以来获得国家和省部级重要科研项目支持产出的食品科技新成果、新技术、新产品参展，并针对企业技术需要开展精准对接服务。扫描下方二维码即可申请展位。
为进一步促进动物源食品科学理论的完善与创新，加速科研成果向实际生产力的转化，助力产业实现高质量、可持续发展，由北京食品科学研究院、中国肉类食品综合研究中心、中国食品杂志社与海南大学、海南热带海洋学院、江西农业大学共同举办的“2026年动物源食品科学与人类健康国际研讨会”，将于2026年11月14-15日（11月13日报到）在中国 海南 海口召开。
长按或微信扫码进行注册
会议招商招展
联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）
热门跟贴