CN104807803B - 基于多源光谱数据融合的花生油掺伪定量检测方法 - Google Patents
基于多源光谱数据融合的花生油掺伪定量检测方法 Download PDFInfo
- Publication number
- CN104807803B CN104807803B CN201510187086.8A CN201510187086A CN104807803B CN 104807803 B CN104807803 B CN 104807803B CN 201510187086 A CN201510187086 A CN 201510187086A CN 104807803 B CN104807803 B CN 104807803B
- Authority
- CN
- China
- Prior art keywords
- pseudo
- spectrogram
- near infrared
- raman
- oil sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 38
- 239000000312 peanut oil Substances 0.000 title claims abstract description 35
- 235000019483 Peanut oil Nutrition 0.000 title claims abstract description 34
- 238000001228 spectrum Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000003287 optical effect Effects 0.000 title claims abstract description 14
- 239000003921 oil Substances 0.000 claims abstract description 47
- 235000019198 oils Nutrition 0.000 claims abstract description 47
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 46
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 32
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000010845 search algorithm Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000007500 overflow downdraw method Methods 0.000 claims description 8
- 238000001237 Raman spectrum Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010348 incorporation Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 239000010461 other edible oil Substances 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 239000004519 grease Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000010438 heat treatment Methods 0.000 claims 1
- 239000008157 edible vegetable oil Substances 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000000295 complement effect Effects 0.000 abstract 1
- 239000000203 mixture Substances 0.000 description 7
- 239000000463 material Substances 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 4
- 235000019197 fats Nutrition 0.000 description 3
- 239000002023 wood Substances 0.000 description 3
- GVJHHUAWPYXKBD-UHFFFAOYSA-N (±)-α-Tocopherol Chemical compound OC1=C(C)C(C)=C2OC(CCCC(C)CCCC(C)CCCC(C)C)(C)CCC2=C1C GVJHHUAWPYXKBD-UHFFFAOYSA-N 0.000 description 2
- 235000012000 cholesterol Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- HSINOMROUCMIEA-FGVHQWLLSA-N (2s,4r)-4-[(3r,5s,6r,7r,8s,9s,10s,13r,14s,17r)-6-ethyl-3,7-dihydroxy-10,13-dimethyl-2,3,4,5,6,7,8,9,11,12,14,15,16,17-tetradecahydro-1h-cyclopenta[a]phenanthren-17-yl]-2-methylpentanoic acid Chemical compound C([C@@]12C)C[C@@H](O)C[C@H]1[C@@H](CC)[C@@H](O)[C@@H]1[C@@H]2CC[C@]2(C)[C@@H]([C@H](C)C[C@H](C)C(O)=O)CC[C@H]21 HSINOMROUCMIEA-FGVHQWLLSA-N 0.000 description 1
- WRIDQFICGBMAFQ-UHFFFAOYSA-N (E)-8-Octadecenoic acid Natural products CCCCCCCCCC=CCCCCCCC(O)=O WRIDQFICGBMAFQ-UHFFFAOYSA-N 0.000 description 1
- LQJBNNIYVWPHFW-UHFFFAOYSA-N 20:1omega9c fatty acid Natural products CCCCCCCCCCC=CCCCCCCCC(O)=O LQJBNNIYVWPHFW-UHFFFAOYSA-N 0.000 description 1
- QSBYPNXLFMSGKH-UHFFFAOYSA-N 9-Heptadecensaeure Natural products CCCCCCCC=CCCCCCCCC(O)=O QSBYPNXLFMSGKH-UHFFFAOYSA-N 0.000 description 1
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 240000003759 Erodium cicutarium Species 0.000 description 1
- 235000009967 Erodium cicutarium Nutrition 0.000 description 1
- OYHQOLUKZRVURQ-HZJYTTRNSA-N Linoleic acid Chemical compound CCCCC\C=C/C\C=C/CCCCCCCC(O)=O OYHQOLUKZRVURQ-HZJYTTRNSA-N 0.000 description 1
- ZQPPMHVWECSIRJ-UHFFFAOYSA-N Oleic acid Natural products CCCCCCCCC=CCCCCCCCC(O)=O ZQPPMHVWECSIRJ-UHFFFAOYSA-N 0.000 description 1
- 239000005642 Oleic acid Substances 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 1
- 229930182558 Sterol Natural products 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 229930003427 Vitamin E Natural products 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003613 bile acid Substances 0.000 description 1
- OEYIOHPDSNJKLS-UHFFFAOYSA-N choline Chemical compound C[N+](C)(C)CCO OEYIOHPDSNJKLS-UHFFFAOYSA-N 0.000 description 1
- 229960001231 choline Drugs 0.000 description 1
- 235000005687 corn oil Nutrition 0.000 description 1
- 239000002285 corn oil Substances 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 235000012343 cottonseed oil Nutrition 0.000 description 1
- 239000002385 cottonseed oil Substances 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- WIGCFUFOHFEKBI-UHFFFAOYSA-N gamma-tocopherol Natural products CC(C)CCCC(C)CCCC(C)CCCC1CCC2C(C)C(O)C(C)C(C)C2O1 WIGCFUFOHFEKBI-UHFFFAOYSA-N 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- QXJSBBXBKPUZAA-UHFFFAOYSA-N isooleic acid Natural products CCCCCCCC=CCCCCCCCCC(O)=O QXJSBBXBKPUZAA-UHFFFAOYSA-N 0.000 description 1
- 235000020778 linoleic acid Nutrition 0.000 description 1
- OYHQOLUKZRVURQ-IXWMQOLASA-N linoleic acid Natural products CCCCC\C=C/C\C=C\CCCCCCCC(O)=O OYHQOLUKZRVURQ-IXWMQOLASA-N 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- ZQPPMHVWECSIRJ-KTKRTIGZSA-N oleic acid Chemical compound CCCCCCCC\C=C/CCCCCCCC(O)=O ZQPPMHVWECSIRJ-KTKRTIGZSA-N 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- -1 phosphatide Chemical compound 0.000 description 1
- 210000002381 plasma Anatomy 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000003549 soybean oil Substances 0.000 description 1
- 235000012424 soybean oil Nutrition 0.000 description 1
- 150000003432 sterols Chemical class 0.000 description 1
- 235000003702 sterols Nutrition 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
- 235000019165 vitamin E Nutrition 0.000 description 1
- 229940046009 vitamin E Drugs 0.000 description 1
- 239000011709 vitamin E Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种基于多源光谱数据融合的花生油掺伪定量检测方法,包括如下步骤:油样制备;光谱采集:分别采集所有掺伪油样的拉曼光谱图和近红外光谱图;光谱数据融合:将经预处理的拉曼光谱图和近红外光谱图进行数据层融合,得到融合光谱图;掺伪定量模型建立:对融合光谱图进行特征波长提取,并通过多元定量校正方法建立花生油样的掺伪定量模型;模型验证;待测样品分析。本发明提供的基于多源光谱数据融合的花生油掺伪定量检测方法,将两种光谱的食用油谱图进行数据融合,具有很好地互补性,可更全面地反应食用油的内部特征信息;该检测方法快速便捷、高效无损、无需预处理、准确率高、适用性强。
Description
技术领域
本发明涉及油脂掺伪快速检测技术领域,具体涉及一种基于多源光谱数据融合的花生油掺伪定量检测方法。
背景技术
花生油淡黄透明,色泽清亮,气味芬芳,滋味可口,是一种比较容易消化的食用油。花生油含不饱和脂肪酸80%以上(其中含油酸41.2%,亚油酸37.6%),经常食用花生油,可使人体内胆固醇分解为胆汁酸并排出体外,从而降低血浆中胆固醇的含量;花生油中还含有甾醇、麦胚酚、磷脂、维生素E、胆碱等对人体有益的物质,经常食用花生油,可以防止皮肤皱裂老化,保护血管壁,防止血栓形成,有助于预防动脉硬化和冠心病。现实生活中,一些不法商贩将大豆油、棉籽油、玉米油等一些低价食用油掺伪入花生油中,更有甚者为谋求暴利,将一些废弃食用油脂掺入花生油中,严重危害了消费者的权益。因此,寻求一种快速、有效的花生油掺伪废弃食用油脂的检测方法具有重要意义。
发明内容
针对上述技术中存在的不足之处,本发明提供了一种快速便捷、高效无损的基于多源光谱数据融合的花生油掺伪废弃食用油脂的定量检测方法。
本发明解决其技术问题所采用的技术方案是:一种基于多源光谱数据融合的花生油掺伪定量检测方法,包括如下步骤:1)油样制备:在若干份等质量的花生油样中分别按不同质量比依次掺入同一其它食用油脂,得到若干份掺伪油样;2)光谱采集:分别利用拉曼光谱仪和近红外光谱仪采集步骤1)中所有掺伪油样的拉曼光谱图和近红外光谱图;3)光谱数据融合:对步骤2)中采集的所有掺伪油样的拉曼光谱图依次进行滤波、基线校正和归一化预处理,对步骤2)中采集的所有掺伪油样的近红外光谱图进行正交信号校正预处理,将预处理后的拉曼光谱图和近红外光谱图进行数据层融合,得到融合光谱图;4)掺伪定量模型建立:对步骤3)中得到的融合光谱图进行特征波长提取,并通过多元定量校正方法建立花生油样的掺伪定量模型;5)模型验证:选取若干份已知掺伪量的花生油掺伪油样,在与步骤2)相同条件下采集其拉曼光谱图和近红外光谱图,采用步骤3)中的光谱数据融合方法得到其融合光谱图,并根据步骤4)中建立的掺伪定量模型预测掺伪量,并与实际掺伪量进行比较,要求预测掺伪量与实际掺伪量的误差≤10%,相关系数≥95%;6)待测样品分析:在与步骤2)相同条件下采集未知掺伪量的花生油掺伪油样的拉曼光谱图和近红外光谱图,采用步骤3)中的光谱数据融合方法得到其融合光谱图,并根据步骤4)中建立的掺伪定量模型预测其掺伪量。
优选的,所述步骤1)中同一其它食用油脂的掺入质量比范围为3%~95%。
优选的,所述步骤2)中拉曼光谱仪光谱采集过程如下:将装有掺伪油样的样品管放入电子恒温水浴锅中加热至40±2℃,拉曼光谱采集波数范围为250~2400cm-1,拉曼光谱仪的积分时间设置为30S,激光功率为320MW,每个掺伪油样取三次测量的平均值,并选取波数范围700~1530cm-1作为最终采集的拉曼光谱图。
优选的,所述步骤2)中近红外光谱仪光谱采集过程如下:将装有掺伪油样的样品管放入电子恒温水浴锅中加热至40±2℃,近红外光谱测定范围为1350~1800nm,扫描次数32次,分辨率为3.5cm-1,测量方式为透射,每个掺伪油样取三次测量的平均值作为最终采集的近红外光谱图。
优选的,所述步骤3)中的拉曼光谱图依次采用Savitzky-Golay滤波9点平滑消除光谱噪声,采用自适应迭代重加权惩罚最小二乘算法(airPLS)进行基线校正,采用以1438cm-1处的特征峰强度为基准进行归一化处理。
优选的,所述步骤3)中的数据层融合方法为:将预处理后的拉曼光谱图与预处理后的近红外光谱图的横坐标首尾相接融合,并共用同一纵坐标,即得到融合光谱图。
优选的,所述步骤4)中采用后向间隔偏最小二乘法(BiPLS)对融合光谱图进行特征波长提取,以交互验证均方差为标准,选取交互验证均方差值最小的模型区间为最佳区间。
优选的,所述步骤4)中的多元定量校正方法采用支持向量回归(SVR)并结合网格搜索算法进行参数优化,具体的,所述的支持向量回归(SVR)方法中采用e-SVR回归模型和径向基核函数进行回归建模,通过网格搜索算法对所述支持向量回归(SVR)模型中的惩罚因子C和径向基核函数参数g进行优化。
优选的,通过网格搜索算法对惩罚因子C和径向基核函数参数g进行优化时,将粗选范围设置为2-10~210,步长设置为1,细选范围设置为2-5~25,步长设置为0.5。
本发明与现有技术相比,其有益效果是:
(1)近红外光谱区与食用油的脂肪酸甘油三酯中含氢基团(C-H、O-H)振动的合频和倍频的吸收区相一致,食用油中的“-C=C-”对拉曼光谱中的分子振动有很大贡献,且拉曼光谱与近红外光谱都属于振动光谱,将两种光谱的食用油谱图进行数据融合具有很好地互补性,可更全面地反应食用油的内部特征信息。
(2)通过采用后向间隔偏最小二乘法(BiPLS)对融合光谱图进行特征波长提取,并采用支持向量回归(SVR)结合网格搜索算法进行参数优化,建立的掺入质量比范围为3%~95%的掺伪定量模型模型参数小,泛化能力、预测能力强。
(3)本发明提供的基于多源光谱数据融合的花生油掺伪定量检测方法,快速便捷、高效无损、无需预处理、准确率高、适用性强,为食品卫生监督部门提供了可靠的检测手段。
附图说明
图1为本发明所述检测方法的流程图;
图2为波数范围700~1530cm-1的原始拉曼光谱图;
图3为掺伪油样的原始近红外光谱图;
图4为预处理后的拉曼光谱图;
图5为预处理后的近红外光谱图;
图6为融合光谱图;
图7为融合光谱图经特征波长提取的最佳区间;
图8为网格搜索算法的参数选择结果图;
图9校正集的回归结果图。
图10预测集的回归结果图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1所示,本发明提供了基于多源光谱数据融合的花生油掺伪定量检测方法,包括如下步骤:
1)油样制备:在若干份等质量的花生油样中分别按3%~95%不同质量比依次掺入同一其它食用油脂,得到若干份掺伪油样;
2)光谱采集:分别利用拉曼光谱仪和近红外光谱仪采集步骤1)中所有掺伪油样的拉曼光谱图和近红外光谱图,其中,拉曼光谱仪光谱采集过程如下:将装有掺伪油样的样品管放入电子恒温水浴锅中加热至40±2℃,拉曼光谱采集波数范围为250~2400cm-1,拉曼光谱仪的积分时间设置为30S,激光功率为320MW,每个掺伪油样取三次测量的平均值,并选取波数范围700~1530cm-1作为最终采集的拉曼光谱图;近红外光谱仪光谱采集过程如下:将装有掺伪油样的样品管放入电子恒温水浴锅中加热至40±2℃,近红外光谱测定范围为1350~1800nm,扫描次数32次,分辨率为3.5cm-1,测量方式为透射,每个掺伪油样取三次测量的平均值作为最终采集的近红外光谱图;
3)光谱数据融合:对步骤2)中采集的所有掺伪油样的拉曼光谱图依次进行Savitzky-Golay滤波9点平滑消除光谱噪声、自适应迭代重加权惩罚最小二乘算法(airPLS)进行基线校正、以1438cm-1处的特征峰强度为基准进行归一化预处理,对步骤2)中采集的所有掺伪油样的近红外光谱图进行正交信号校正预处理,将预处理后的拉曼光谱图和近红外光谱图进行数据层融合,即将经预处理的拉曼光谱图与近红外光谱图的横坐标首尾相接融合,并共用同一纵坐标,得到融合光谱图;
4)掺伪定量模型建立:对步骤3)中得到的融合光谱图采用后向间隔偏最小二乘法(BiPLS)对融合光谱图进行特征波长提取,以交互验证均方差为标准,选取交互验证均方差值最小的模型区间为最佳区间,并通过多元定量校正方法建立花生油样的掺伪定量模型,具体的,多元定量校正方法采用支持向量回归(SVR)并结合网格搜索算法进行参数优化,所述的支持向量回归(SVR)方法中采用e-SVR回归模型和径向基核函数进行回归建模,通过网格搜索算法对所述支持向量回归(SVR)模型中的惩罚因子C和径向基核函数参数g进行优化,优化时,将粗选范围设置为2-10~210,步长设置为1,细选范围设置为2-5~25,步长设置为0.5;
5)模型验证:选取若干份已知掺伪量的花生油掺伪油样,在与步骤2)相同条件下采集其拉曼光谱图和近红外光谱图,采用步骤3)中的光谱数据融合方法得到其融合光谱图,并根据步骤4)中建立的掺伪定量模型预测掺伪量,并与实际掺伪量进行比较,要求预测掺伪量与实际掺伪量的误差≤10%,相关系数≥95%;
6)待测样品分析:在与步骤2)相同条件下采集未知掺伪量的花生油掺伪油样的拉曼光谱图和近红外光谱图,采用步骤3)中的光谱数据融合方法得到其融合光谱图,并根据步骤4)中建立的掺伪定量模型预测其掺伪量。
实施例—花生油中掺伪餐饮废弃油:
1、实验材料
在134份同品牌且等质量的花生油样中分别按3%~95%不同质量比依次掺入餐饮废弃油,得到134份掺伪油样,按3:1的比例选取校正集和预测集样本,其中校正集101个样本用于模型建立,预测集33个样本用于模型预测性能的检验,每份样本约10g,充分震荡混合均匀后,在实验室静置12小时待测。
2、光谱采集
拉曼光谱仪光谱采集过程如下:将装有掺伪油样的样品管放入电子恒温水浴锅中加热至40±2℃,采用欧普图斯生产的RamTraceer-200拉曼光谱仪采集图谱,拉曼光谱采集波数范围为250~2400cm-1,拉曼光谱仪的积分时间设置为30S,激光功率为320MW,每个掺伪油样取三次测量的平均值,并选取波数范围700~1530cm-1作为最终采集的拉曼光谱图,如图2所示。
近红外光谱仪光谱采集过程如下:将装有掺伪油样的样品管放入电子恒温水浴锅中加热至40±2℃,采用美国Axsun公司生产的Axsun XL410型激光近红外光谱仪采集光谱,近红外光谱测定范围为1350~1800nm,扫描次数32次,分辨率为3.5cm-1,测量方式为透射,每个掺伪油样取三次测量的平均值作为最终采集的近红外光谱图,如图3所示。
3、光谱数据融合
对采集的所有掺伪油样的拉曼光谱图依次进行Savitzky-Golay滤波9点平滑消除光谱噪声、自适应迭代重加权惩罚最小二乘算法(airPLS)进行基线校正、以1438cm-1处的特征峰强度为基准进行归一化预处理,预处理后的拉曼光谱图如图4所示。
对采集的所有掺伪油样的近红外光谱图进行正交信号校正预处理,预处理后的近红外光谱图如图5所示。
预处理后的拉曼光谱图中横坐标表示的是拉曼位移,单位为波数,纵坐标为散射光强度,单位a.u.;预处理后的近红外光谱图中横坐标表示的是波长数,单位nm,纵坐标表示的是吸光度,是近红外波段光辐射能量入射前后的比值(无量纲单位);因此,拉曼与近红外光谱图的纵坐标反应的均是光的强度变化,可以直接进行数据融合;横坐标表示的是相应波峰对应的位置,对于两种光谱数据层的融合没有影响。我们将预处理后的拉曼光谱图(图4)和近红外光谱图(图5)进行数据层融合,即将经预处理的拉曼光谱图与近红外光谱图的横坐标首尾相接融合,并共用同一纵坐标,得到融合光谱图,如图6所示,在分界线左边的是拉曼光谱图,波数范围为700-1530cm-1,右边的为近红外光谱图,波长范围为1350-1800nm;
4、掺伪定量模型建立
首先,采用后向间隔偏最小二乘法(BiPLS)对融合光谱图进行特征波长提取,以交互验证均方差为标准,选取交互验证均方差值最小的模型区间为最佳区间,特征波长提取的最佳区间如图7所示,表1为BiPLS提取的特征波长数和评价指标。
表1
其次,通过多元定量校正方法建立花生油样的掺伪定量模型,具体的,多元定量校正方法采用支持向量回归(SVR)并结合网格搜索算法进行参数优化,所述的支持向量回归(SVR)方法中采用e-SVR回归模型和径向基核函数进行回归建模,通过网格搜索算法对所述支持向量回归(SVR)模型中的惩罚因子C和径向基核函数参数g进行优化,优化时,采用一种“先粗选,后细选”的策略进行C、g的最优化选择,即先在一个较大的范围内以选择一个大的步长进行粗略的搜索此时最佳的参数C、g,再将粗选得到的C、g作为初始值在一个更为精细的网格内以更小的步长进行精细的网格搜索,获取最佳的参数组合,将粗选范围设置为2-10~210,步长设置为1,细选范围设置为2-5~25,步长设置为0.5,经网格搜索算法寻优的最佳参数C=64,g=0.0625,掺伪定量模型校正集的相关系数R为0.9808,均方根误差MSE为1.3e-03,预测集的相关系数R为0.9658,均方根误差MSE为2.7e-03,图8为网格搜索算法的参数选择结果图,图9和图10分别为校正集和预测集的回归结果图。
尽管本发明的实施方案已公开如上,但其并不仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (4)
1.一种基于多源光谱数据融合的花生油掺伪定量检测方法,其特征在于,包括如下步骤:
1)油样制备:在若干份等质量的花生油样中分别按不同质量比依次掺入同一其它食用油脂,得到若干份掺伪油样;
2)光谱采集:分别利用拉曼光谱仪和近红外光谱仪采集步骤1)中所有掺伪油样的拉曼光谱图和近红外光谱图;
拉曼光谱仪光谱采集过程如下:将装有掺伪油样的样品管放入电子恒温水浴锅中加热至40±2℃,拉曼光谱采集波数范围为250~2400cm-1,拉曼光谱仪的积分时间设置为30S,激光功率为320MW,每个掺伪油样取三次测量的平均值,并选取波数范围700~1530cm-1作为最终采集的拉曼光谱图;
近红外光谱仪光谱采集过程如下:将装有掺伪油样的样品管放入电子恒温水浴锅中加热至40±2℃,近红外光谱测定范围为1350~1800nm,扫描次数32次,分辨率为3.5cm-1,测量方式为透射,每个掺伪油样取三次测量的平均值作为最终采集的近红外光谱图;
3)光谱数据融合:对步骤2)中采集的所有掺伪油样的拉曼光谱图依次进行滤波、基线校正和归一化预处理,对步骤2)中采集的所有掺伪油样的近红外光谱图进行正交信号校正预处理,将预处理后的拉曼光谱图和近红外光谱图进行数据层融合,得到融合光谱图;
其中,拉曼光谱图依次采用Savitzky-Golay滤波9点平滑消除光谱噪声,采用自适应迭代重加权惩罚最小二乘算法(airPLS)进行基线校正,采用以1438cm-1处的特征峰强度为基准进行归一化处理;
4)掺伪定量模型建立:对步骤3)中得到的融合光谱图进行特征波长提取,并通过多元定量校正方法建立花生油样的掺伪定量模型;
多元定量校正方法采用支持向量回归(SVR)并结合网格搜索算法进行参数优化,具体的,所述的支持向量回归(SVR)方法中采用e-SVR回归模型和径向基核函数进行回归建模,通过网格搜索算法对所述支持向量回归(SVR)模型中的惩罚因子C和径向基核函数参数g进行优化;通过网格搜索算法对惩罚因子C和径向基核函数参数g进行优化时,将粗选范围设置为2-10~210,步长设置为1,细选范围设置为2-5~25,步长设置为0.5;
5)模型验证:选取若干份已知掺伪量的花生油掺伪油样,在与步骤2)相同条件下采集其拉曼光谱图和近红外光谱图,采用步骤3)中的光谱数据融合方法得到其融合光谱图,并根据步骤4)中建立的掺伪定量模型预测掺伪量,并与实际掺伪量进行比较,要求预测掺伪量与实际掺伪量的误差≤10%,相关系数≥95%;
6)待测样品分析:在与步骤2)相同条件下采集未知掺伪量的花生油掺伪油样的拉曼光谱图和近红外光谱图,采用步骤3)中的光谱数据融合方法得到其融合光谱图,并根据步骤4)中建立的掺伪定量模型预测其掺伪量。
2.如权利要求1所述的基于多源光谱数据融合的花生油掺伪定量检测方法,其特征在于,所述步骤1)中同一其它食用油脂的掺入质量比范围为3%~95%。
3.如权利要求1所述的基于多源光谱数据融合的花生油掺伪定量检测方法,其特征在于,所述步骤3)中的数据层融合方法为:将预处理后的拉曼光谱图与预处理后的近红外光谱图的横坐标首尾相接融合,并共用同一纵坐标,即得到融合光谱图。
4.如权利要求3所述的基于多源光谱数据融合的花生油掺伪定量检测方法,其特征在于,所述步骤4)中采用后向间隔偏最小二乘法(BiPLS)对融合光谱图进行特征波长提取,以交互验证均方差为标准,选取交互验证均方差值最小的模型区间为最佳区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510187086.8A CN104807803B (zh) | 2015-04-20 | 2015-04-20 | 基于多源光谱数据融合的花生油掺伪定量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510187086.8A CN104807803B (zh) | 2015-04-20 | 2015-04-20 | 基于多源光谱数据融合的花生油掺伪定量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104807803A CN104807803A (zh) | 2015-07-29 |
CN104807803B true CN104807803B (zh) | 2017-09-29 |
Family
ID=53692817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510187086.8A Expired - Fee Related CN104807803B (zh) | 2015-04-20 | 2015-04-20 | 基于多源光谱数据融合的花生油掺伪定量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104807803B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108362659A (zh) * | 2018-02-07 | 2018-08-03 | 武汉轻工大学 | 基于多源光谱并联融合的食用油种类快速鉴别方法 |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105092483A (zh) * | 2015-08-05 | 2015-11-25 | 深圳市恒特瑞电子有限公司 | 一种微型光谱仪检测食品安全的方法 |
CN105092526A (zh) * | 2015-09-11 | 2015-11-25 | 天津工业大学 | 一种基于近红外光谱技术的二元掺伪芝麻油含量的快速测定方法 |
CN106153547A (zh) * | 2015-12-16 | 2016-11-23 | 新希望双喜乳业(苏州)有限公司 | 一种快速检测牛奶中蛋白质含量的方法 |
CN105806824B (zh) * | 2016-03-22 | 2019-03-19 | 武汉轻工大学 | 基于多源光谱特征融合的食用油种类快速鉴别方法 |
CN105954258A (zh) * | 2016-05-26 | 2016-09-21 | 伯格森(北京)科技有限公司 | 食用油掺劣质油检测仪及检测方法 |
CN106568759A (zh) * | 2016-10-11 | 2017-04-19 | 王海燕 | 一种基于多谱融合的道地药材质量鉴别方法 |
CN106404743A (zh) * | 2016-11-01 | 2017-02-15 | 北京华泰诺安技术有限公司 | 一种结合拉曼光谱和近红外光谱的探测方法及探测装置 |
CN106770155B (zh) * | 2016-11-22 | 2019-08-06 | 武汉轻工大学 | 一种物质含量分析方法 |
CN107328721A (zh) * | 2017-06-29 | 2017-11-07 | 深圳市赛亿科技开发有限公司 | 一种基于多源光谱数据融合检测食品安全的装置及方法 |
CN108088834B (zh) * | 2017-09-13 | 2020-04-28 | 新疆大学 | 基于优化反向传播神经网络的包虫病血清拉曼光谱诊断仪 |
CN107727634B (zh) * | 2017-09-26 | 2021-02-09 | 上海化工研究院有限公司 | 一种激光拉曼光谱解谱处理方法 |
CN107991265A (zh) * | 2017-11-17 | 2018-05-04 | 西南大学 | 一种基于信息融合的小麦粉粉质参数快速检测方法 |
CN108303406B (zh) * | 2018-02-07 | 2021-04-27 | 武汉轻工大学 | 基于拉曼光谱的油茶籽油掺伪检测方法 |
CN108051394B (zh) * | 2018-02-07 | 2020-10-02 | 武汉轻工大学 | 基于近红外光谱的芝麻油掺伪检测方法 |
CN108169169A (zh) * | 2018-02-12 | 2018-06-15 | 北京理工大学珠海学院 | 一种基于近红外光谱技术的山茶油掺伪的快速检测方法 |
CN108388965B (zh) * | 2018-03-01 | 2021-10-26 | 武汉轻工大学 | 油脂掺伪含量检测方法、终端设备及计算机可读存储介质 |
CN108627498A (zh) * | 2018-05-11 | 2018-10-09 | 天津大学 | 一种多光谱数据融合的面粉掺杂定量检测方法 |
CN108801944B (zh) * | 2018-07-23 | 2021-02-09 | 中南大学 | 一种基于二元状态转换的惩罚b样条平滑光谱基线校正方法 |
CN108918502A (zh) * | 2018-07-25 | 2018-11-30 | 安徽大学 | 一种基于sers的玉米中杀螟硫磷农药残留的检测方法 |
CN108645841B (zh) * | 2018-08-24 | 2020-11-03 | 武汉轻工大学 | 一种拉曼光谱小波融合的芝麻油多元掺伪检测方法 |
CN110987895B (zh) * | 2019-11-07 | 2023-04-11 | 江苏大学 | 一种快速在线检测木薯固态发酵的生长过程的方法 |
CN111222543B (zh) * | 2019-12-19 | 2024-03-22 | 津海威视技术(天津)有限公司 | 物质识别方法和设备及计算机可读存储介质 |
CN111948155B (zh) * | 2020-07-30 | 2022-05-10 | 中国科学院西安光学精密机械研究所 | 精细全光谱结合改进gs-svr的复杂水体硝酸盐定量分析方法 |
CN113075197A (zh) * | 2021-03-29 | 2021-07-06 | 中国农业大学 | 一种白胡椒粉中玉米粉掺假含量的快速检测方法 |
CN114062300A (zh) * | 2021-11-27 | 2022-02-18 | 北京白云新材科技有限公司 | 一种基于红外多源光谱的微量添加剂检测技术 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103398970B (zh) * | 2013-07-24 | 2015-09-16 | 骆驰 | 一种定性和定量分析食用油并进而检测地沟油的方法 |
-
2015
- 2015-04-20 CN CN201510187086.8A patent/CN104807803B/zh not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108362659A (zh) * | 2018-02-07 | 2018-08-03 | 武汉轻工大学 | 基于多源光谱并联融合的食用油种类快速鉴别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104807803A (zh) | 2015-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104807803B (zh) | 基于多源光谱数据融合的花生油掺伪定量检测方法 | |
Rohman | Infrared spectroscopy for quantitative analysis and oil parameters of olive oil and virgin coconut oil: A review | |
Teye et al. | Cocoa bean and cocoa bean products quality evaluation by NIR spectroscopy and chemometrics: A review | |
CN105181643B (zh) | 一种稻米品质的近红外检测方法与应用 | |
Ozen et al. | Detection of hazelnut oil adulteration using FT-IR spectroscopy | |
Xu et al. | Variable selection in visible and near-infrared spectra: Application to on-line determination of sugar content in pears | |
Ignat et al. | Non-destructive measurement of ascorbic acid content in bell peppers by VIS-NIR and SWIR spectrometry | |
Mannina et al. | 1H NMR-based protocol for the detection of adulterations of refined olive oil with refined hazelnut oil | |
Muik et al. | Direct, reagent-free determination of free fatty acid content in olive oil and olives by Fourier transform Raman spectrometry | |
Armenta et al. | The use of near-infrared spectrometry in the olive oil industry | |
Huang et al. | Rapid detection of the reducing sugar and amino acid nitrogen contents of Daqu based on hyperspectral imaging | |
Saad et al. | Non-destructive quality evaluation of intact tomato using VIS-NIR spectroscopy | |
Dong et al. | A near-infrared reflectance spectroscopy method for direct analysis of several chemical components and properties of fruit, for example, Chinese hawthorn | |
Liu et al. | Near-infrared prediction of edible oil frying times based on Bayesian Ridge Regression | |
CN108169169A (zh) | 一种基于近红外光谱技术的山茶油掺伪的快速检测方法 | |
CN106501211A (zh) | 近红外光谱信息评价牛肉品质数据模型的建立方法与应用 | |
Li et al. | Nondestructive detection of frying times for soybean oil by NIR-spectroscopy technology with Adaboost-SVM (RBF) | |
CN104778349B (zh) | 一种用于水稻表土氮肥施用等级评定方法 | |
Liu et al. | Monitoring chlorophyll changes during Tencha processing using portable near-infrared spectroscopy | |
CN108169165A (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
CN108362659A (zh) | 基于多源光谱并联融合的食用油种类快速鉴别方法 | |
Kays et al. | Prediction of total dietary fiber by near-infrared reflectance spectroscopy in high-fat-and high-sugar-containing cereal products | |
Zhang et al. | SMOTE-based method for balanced spectral nondestructive detection of moldy apple core | |
Vicario et al. | Near UV-vis and NMR spectroscopic methods for rapid screening of antioxidant molecules in extra-virgin olive oil | |
Sun et al. | Estimating cadmium content in lettuce leaves based on deep brief network and hyperspectral imaging technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170929 |
|
CF01 | Termination of patent right due to non-payment of annual fee |