江苏大学食品与生物工程学院的严 松、林 颢*首先利用气相色谱-质谱（GC-MS）联用技术对不同霉变程度小麦的挥发性成分进行分析，找出表征小麦霉变的标志物，并为小麦挥发性气体的可视化检测提供一定的参考。利用嗅觉可视化技术对霉变小麦进行判别，借助主成分分析（PCA）和模式识别法分别建立小麦霉变程度的检测模型，以期实现对霉变小麦快速、无损检测。
1、GC-MS对霉变小麦霉变标志物的筛选分析结果
GC-MS共检测出53 种挥发性成分，其中烃类13 种、醇类12 种、醛类9 种、酮类4 种、杂环类3 种以及其他化合物12 种。
小麦霉变挥发性气体成分的PCA结果
前3 个主成分的方差贡献率分别为46.47%、29.40%、7.92%，累计方差贡献率达到83.79%，可见霉变小麦挥发性气体成分的整体信息可用前3 个主成分表示。结果可知，储藏7 d与储藏11 d的小麦都在三维图中有部分重叠并且在三维图中相隔较近，其原因可能是小麦霉变后期挥发性气体成分差别不大，小麦霉变情况相似。
载荷因子分析
分别对不同霉变小麦挥发性气体中的1 -辛烯- 3 -醇、异戊醛和壬醛含量的变化进行方差分析。随着霉变程度的加剧，1-辛烯-3-醇含量显着增加；而异戊醛含量的变化没有规律，差异也不显着；壬醛也只在新鲜小麦和储藏7 d的霉变小麦中检出。因此，本研究确定以1-辛烯-3-醇作为表征不同霉变程度小麦的标志物。
2、嗅觉可视化系统对霉变小麦的识别结果
嗅觉可视化对霉变小麦的反应特征
实验通过嗅觉可视化系统从12 种氟硼吡咯类化合物和18 种金属卟啉中筛选出3 种对1-辛烯-3-醇敏感的色敏材料，分别为8-（4-硝基苯基）-4,4-二氟硼二吡咯甲烷、8-（4-溴苯基）-4,4-二氟硼二吡咯甲烷、8-苯基-4,4-二氟硼二吡咯甲烷。将这3 种化合物溶于二氯甲烷配制成2 mg/mL的溶液，分别用0.3 mm的点样毛细管点在基底材料上（PVDF膜），制备成1×3的交互敏感传感器阵列。将该阵列与不同霉变程度的小麦（新鲜小麦，储藏3、7、11 d的霉变小麦）反应。
嗅觉可视化系统识别的PCA结果
结果可知，各个霉变程度的小麦在散点图中都能呈现出一定的聚类趋势，除了新鲜小麦与储藏11 d的霉变小麦有一小部分的重叠，其他几类的霉变小麦都能实现较好的区分。通过PCA结果说明，通过嗅觉可视化技术对霉变小麦进行识别的方法可靠。
模型识别结果
综上所述，KNN和LDA模型都实现了对不同霉变程度小麦的判别，虽然LDA模型建立时所选用的主成分数比KNN少，模型更为简单，但是KNN的识别效果要优于LDA。KNN模型在K为2、主成分数为9时，模型训练总体识别率达到95.83%，预测总体识别率也达到了95.83%。因此，所建立的KNN模型为对不同霉变程度小麦的最佳检测模型。
结论与讨论
本研究利用GC-MS技术对不同霉变程度小麦的挥发性成分进行检测，通过PCA将不同霉变程度小麦成功地区分，验证了通过基于气敏传感器的嗅觉可视化技术对霉变小麦检测的可行性，并通过载荷因子分析得出1-辛烯-3-醇是能够表征小麦霉变程度的标志物，其含量在不同霉变程度的小麦中具有显着差异。基于此，利用小麦霉变的标志物（1-辛烯-3-醇）对色敏材料进行筛选并制成可视化传感器阵列。利用嗅觉可视化技术对霉变小麦进行表征时，所建立的KNN和LDA模型都能够完成对不同霉变程度小麦的判别，其中KNN的识别效果要优于LDA，其模型在不同霉变程度小麦检测的识别率达到95.83%，表明嗅觉可视化在表征小麦霉变气体上具有优异的检测性能。而且相比传统的GC-MS检测，嗅觉可视化具有更高的检测灵敏度，而且具有操作简便快速、成本低等优势。
本研究利用实验室自制的嗅觉可视化系统完成了对不同霉变程度小麦的检测识别，该系统检测具有良好的稳定性与重复性，但要将该系统运用于实际应用中，还需要提高反应室中挥发性气体在传感器分布的均匀性、可视化传感器的灵敏性和稳定性以及进一步缩短反应时间，提高装置的稳定性和精确性以用于生产化。
