CN105806824A - 基于多源光谱特征融合的食用油种类快速鉴别方法 - Google Patents
基于多源光谱特征融合的食用油种类快速鉴别方法 Download PDFInfo
- Publication number
- CN105806824A CN105806824A CN201610162554.0A CN201610162554A CN105806824A CN 105806824 A CN105806824 A CN 105806824A CN 201610162554 A CN201610162554 A CN 201610162554A CN 105806824 A CN105806824 A CN 105806824A
- Authority
- CN
- China
- Prior art keywords
- edible oil
- oil sample
- spectrogram
- raman
- near infrared
- 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.)
- Granted
Links
- 239000008157 edible vegetable oil Substances 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000004927 fusion Effects 0.000 title claims abstract description 43
- 230000003595 spectral effect Effects 0.000 title claims abstract description 12
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 78
- 238000001228 spectrum Methods 0.000 claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000001237 Raman spectrum Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 241000894007 species Species 0.000 claims description 33
- 239000003921 oil Substances 0.000 claims description 20
- 235000019198 oils Nutrition 0.000 claims description 20
- 230000003287 optical effect Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 16
- 210000000582 semen Anatomy 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 11
- 230000008878 coupling Effects 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 10
- 238000005859 coupling reaction Methods 0.000 claims description 10
- 235000007164 Oryza sativa Nutrition 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 8
- 230000002860 competitive effect Effects 0.000 claims description 8
- 239000004006 olive oil Substances 0.000 claims description 8
- 235000008390 olive oil Nutrition 0.000 claims description 8
- 235000009566 rice Nutrition 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 239000003549 soybean oil Substances 0.000 claims description 8
- 235000012424 soybean oil Nutrition 0.000 claims description 8
- -1 Oleum Helianthi Substances 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 240000007594 Oryza sativa Species 0.000 claims 2
- 238000002329 infrared spectrum Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 description 9
- 241000209094 Oryza Species 0.000 description 6
- 238000012614 Monte-Carlo sampling Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 238000002474 experimental method Methods 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
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1734—Sequential different kinds of measurements; Combining two or more methods
- G01N2021/1736—Sequential different kinds of measurements; Combining two or more methods with two or more light sources
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于多源光谱特征融合的食用油种类快速鉴别方法,包括如下步骤:选取待鉴别的未知种类的食用油样品;采集拉曼光谱图和近红外光谱图;分别对采集的拉曼光谱图和近红外光谱图进行预处理,得到预处理拉曼光谱图和预处理近红外光谱图;分别对预处理拉曼光谱图和预处理近红外光谱图进行特征提取,得到拉曼特征变量和近红外特征变量;将拉曼特征变量和近红外特征变量进行光谱特征融合,得到特征融合光谱图;采用优化定性模型对所述未知种类的食用油样品进行种类鉴别。本发明提供的基于多源光谱特征融合的食用油种类快速鉴别方法,安全快速、检测便捷,鉴别准确率高,具有较强的实用价值和推广价值。
Description
技术领域
本发明涉及快速检测技术领域,具体涉及一种基于多源光谱特征融合的食用油种类快速鉴别方法。
背景技术
食用油含有许多人体所需的重要营养成分,在我们日常饮食生活中也是必不可少的。目前,随着食用油价格不断的提高,许多不法商家为了牟取暴利,将低价值油冒充高价值油投入市场,或将低价值油掺入高价值油中,严重侵害着消费者和合法生产销售企业的利益。因此,有必要研究一种快速鉴别食用油种类的方法,对维护消费者及合法经营者利益、维持食用油市场正常秩序具有重要意义。
发明内容
针对上述技术中存在的不足之处,本发明提供了一种安全快速、检测便捷,鉴别准确率高的基于多源光谱特征融合的食用油种类快速鉴别方法。
本发明解决其技术问题所采用的技术方案是:一种基于多源光谱特征融合的食用油种类快速鉴别方法,包括如下步骤:步骤一、样品选取:选取待鉴别的未知种类的食用油样品;步骤二、光谱采集:采集步骤一中选取的未知种类的食用油样品的拉曼光谱图和近红外光谱图;步骤三、光谱预处理:分别对步骤二中采集的未知种类的食用油样品的拉曼光谱图和近红外光谱图进行预处理,得到未知种类的食用油样品的预处理拉曼光谱图和预处理近红外光谱图;步骤四、光谱特征提取:分别对步骤三中得到的未知种类的食用油样品的预处理拉曼光谱图和预处理近红外光谱图进行特征提取,得到未知种类的食用油样品的拉曼特征变量和近红外特征变量;步骤五、光谱特征融合:将步骤四中得到的未知种类的食用油样品的拉曼特征变量和近红外特征变量的横坐标首尾相接融合,并共用同一纵坐标,得到未知种类的食用油样品的特征融合光谱图;步骤六、种类鉴别:根据步骤五中得到的未知种类的食用油样品的特征融合光谱图,采用优化定性模型对所述未知种类的食用油样品进行种类鉴别。
优选的,所述步骤一中选取的未知种类的食用油样品为大豆油、花生油、菜籽油、茶籽油、稻米油、玉米油、葵花籽油、橄榄油中的任意一种。
优选的,所述步骤二中的拉曼光谱图采集条件如下:食用油样品的采集温度为60±2℃,拉曼光谱采集波数范围为250~2400cm-1,分辨率≤8cm-1,拉曼光谱仪的积分时间设置为5S,激光功率为220mW,每个食用油样品取三次测量的平均值,并选取波数范围为780~1800cm-1作为最终采集的拉曼光谱图。
优选的,所述步骤二中的近红外光谱图采集条件如下:食用油样品的采集温度为60±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,每个食用油样品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,所述步骤三中对采集的未知种类的食用油样品的拉曼光谱图依次采用移动平均11点平滑法消除光谱噪声、采用自适应迭代重加权惩罚最小二乘算法进行基线校正、采用以1454cm-1处的特征峰强度为基准进行归一化处理,得到未知种类的食用油样品的预处理拉曼光谱图。
优选的,所述步骤三中对采集的未知种类的食用油样品的近红外光谱图依次采用标准正态变量变化和去趋势技术联用算法进行预处理,得到未知种类的食用油样品的预处理近红外光谱图。
优选的,所述步骤四中采用竞争性自适应重加权采样和连续投影算法联用分别对未知种类的食用油样品的预处理拉曼光谱图和预处理近红外光谱图进行特征提取。
优选的,所述步骤六中优化定性模型的建立方法如下:收集若干不同已知种类的食用油样品,所述不同已知种类的食用油样品包括:大豆油、花生油、菜籽油、茶籽油、稻米油、玉米油、葵花籽油、橄榄油;采集若干不同已知种类的食用油样品的拉曼光谱图和近红外光谱图,光谱采集条件如步骤二中所述;分别对采集的若干不同已知种类的食用油样品的拉曼光谱图和近红外光谱图进行预处理,得到若干不同已知种类的食用油样品的预处理拉曼光谱图和预处理近红外光谱图,光谱预处理方法如步骤三中所述;分别对若干不同已知种类的食用油样品的预处理拉曼光谱图和预处理近红外光谱图进行特征提取,得到若干不同已知种类的食用油样品的拉曼特征变量和近红外特征变量,光谱特征提取方法如步骤四中所述;将若干不同已知种类的食用油样品的拉曼特征变量和近红外特征变量的横坐标首尾相接融合,并共用同一纵坐标,得到若干不同已知种类的食用油样品的特征融合光谱图;将若干不同已知种类的食用油样品的特征融合光谱图作为定性模型的输入变量,通过支持向量机分类方法建立若干不同已知种类的食用油样品的定性模型,并采用粒子群优化算法对定性模型中的惩罚因子C和核函数参数g进行优化,得到优化定性模型。
优选的,采用粒子群优化算法对定性模型中的惩罚因子C和核函数参数g进行优化时,设置惩罚因子C和核函数参数g的范围均为2-10~210,设置交互验证参数V的范围为2~15。
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光谱特征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)通过采用竞争性自适应重加权采样和连续投影算法联用进行光谱特征提取,并采用支持向量机分类方法结合粒子群优化算法进行参数优化,建立的优化定性模型泛化能力和预测能力强。
(3)该基于多源光谱特征融合的食用油种类快速鉴别方法,安全快速、检测便捷,鉴别准确率高,具有较强的实用价值和推广价值。
附图说明
图1是本发明所述基于多源光谱特征融合的食用油种类快速鉴别方法的流程示意图;
图2是本发明所述157份食用油样品的拉曼光谱图;
图3是本发明所述157份食用油样品的近红外光谱图;
图4是本发明所述157份食用油样品的预处理拉曼光谱图;
图5是本发明所述157份食用油样品的预处理近红外光谱图;
图6是本发明所述采用连续投影方法进行二次拉曼特征变量提取的优选过程;
图7是本发明所述预处理拉曼光谱图最终提取的拉曼特征变量;
图8是本发明所述采用连续投影方法进行二次近红外特征变量提取的优选过程;
图9是本发明所述预处理近红外光谱图最终提取的近红外特征变量;
图10是本发明所述粒子群优化算法寻优过程;
图11是本发明所述39份食用油预测集样品的预测鉴别结果图。
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,本发明提供了一种基于多源光谱特征融合的食用油种类快速鉴别方法,包括如下步骤:
步骤一、样品选取:选取待鉴别的未知种类的食用油样品,选取的未知种类的食用油样品为大豆油、花生油、菜籽油、茶籽油、稻米油、玉米油、葵花籽油、橄榄油中的任意一种。
步骤二、光谱采集:采集步骤一中选取的未知种类的食用油样品的拉曼光谱图和近红外光谱图;
拉曼光谱图采集条件如下:食用油样品的采集温度为60±2℃,拉曼光谱采集波数范围为250~2400cm-1,分辨率≤8cm-1,拉曼光谱仪的积分时间设置为5S,激光功率为220mW,每个食用油样品取三次测量的平均值,并选取波数范围为780~1800cm-1作为最终采集的拉曼光谱图;
近红外光谱图采集条件如下:食用油样品的采集温度为60±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,每个食用油样品取三次测量的平均值作为最终采集的近红外光谱图。
步骤三、光谱预处理:对采集的未知种类的食用油样品的拉曼光谱图依次采用移动平均11点平滑法消除光谱噪声、采用自适应迭代重加权惩罚最小二乘算法进行基线校正、采用以1454cm-1处的特征峰强度为基准进行归一化处理,得到未知种类的食用油样品的预处理拉曼光谱图;对采集的未知种类的食用油样品的近红外光谱图依次采用标准正态变量变化和去趋势技术联用算法进行预处理,得到未知种类的食用油样品的预处理近红外光谱图。
步骤四、光谱特征提取:采用竞争性自适应重加权采样和连续投影算法联用分别对步骤三中得到的未知种类的食用油样品的预处理拉曼光谱图和预处理近红外光谱图进行特征提取,得到未知种类的食用油样品的拉曼特征变量和近红外特征变量。
步骤五、光谱特征融合:将步骤四中得到的未知种类的食用油样品的拉曼特征变量和近红外特征变量的横坐标首尾相接融合,并共用同一纵坐标,得到未知种类的食用油样品的特征融合光谱图。
步骤六、种类鉴别:根据步骤五中得到的未知种类的食用油样品的特征融合光谱图,采用优化定性模型对所述未知种类的食用油样品进行种类鉴别;
其中,优化定性模型的建立方法如下:收集若干不同已知种类的食用油样品,所述不同已知种类的食用油样品包括:大豆油、花生油、菜籽油、茶籽油、稻米油、玉米油、葵花籽油、橄榄油;采集若干不同已知种类的食用油样品的拉曼光谱图和近红外光谱图,光谱采集条件如步骤二中所述;分别对采集的若干不同已知种类的食用油样品的拉曼光谱图和近红外光谱图进行预处理,得到若干不同已知种类的食用油样品的预处理拉曼光谱图和预处理近红外光谱图,光谱预处理方法如步骤三中所述;分别对若干不同已知种类的食用油样品的预处理拉曼光谱图和预处理近红外光谱图进行特征提取,得到若干不同已知种类的食用油样品的拉曼特征变量和近红外特征变量,光谱特征提取方法如步骤四中所述;将若干不同已知种类的食用油样品的拉曼特征变量和近红外特征变量的横坐标首尾相接融合,并共用同一纵坐标,得到若干不同已知种类的食用油样品的特征融合光谱图;将若干不同已知种类的食用油样品的特征融合光谱图作为定性模型的输入变量,通过支持向量机分类方法建立若干不同已知种类的食用油样品的定性模型,并采用粒子群优化算法对定性模型中的惩罚因子C和核函数参数g进行优化,采用粒子群优化算法对定性模型中的惩罚因子C和核函数参数g进行优化时,设置惩罚因子C和核函数参数g的范围均为2-10~210,设置交互验证参数V的范围为2~15,得到优化定性模型。
实施例:
1、样品选取
收集大豆油、花生油、菜籽油、茶籽油、稻米油、玉米油、葵花籽油、橄榄油8类食用油样品共157份,采用SPXY算法按3:1的比例选取食用油校正集样品118份和食用油预测集样品39份,其中食用油校正集样品用于优化定性模型的建立,食用油预测集样品用于优化定性模型的性能验证;其中,8类食用油样品的预测集样品和校正集样品的数量分布如下表1。
表1
种类 | 编号 | 预测集 | 校正集 | 小计 |
大豆油 | 1 | 7 | 18 | 25 |
花生油 | 2 | 7 | 17 | 24 |
菜籽油 | 3 | 4 | 29 | 33 |
茶籽油 | 4 | 2 | 15 | 17 |
稻米油 | 5 | 5 | 15 | 20 |
玉米油 | 6 | 7 | 9 | 16 |
葵花籽油 | 7 | 5 | 9 | 14 |
橄榄油 | 8 | 2 | 6 | 8 |
合计 | 39 | 118 | 157 |
2、光谱采集
采用拉曼光谱仪采集157份食用油样品的拉曼光谱图,采集条件如下:食用油样品的采集温度为60±2℃,拉曼光谱采集波数范围为250~2400cm-1,分辨率≤8cm-1,拉曼光谱仪的积分时间设置为5S,激光功率为220mW,每个食用油样品取三次测量的平均值,并选取波数范围为780~1800cm-1作为最终采集的拉曼光谱图,157份食用油样品的拉曼光谱图如图2所示。
采用近红外光谱仪采集157份食用油样品的近红外光谱图,采集条件如下:食用油样品的采集温度为60±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,波长重复性为0.01nm,测量方式为透射,每个食用油样品取三次测量的平均值作为最终采集的近红外光谱图,157份食用油样品的近红外光谱图如图3所示。
3、光谱预处理
通过大量实验研究发现,在建模前对光谱进行不同的预处理,对模型性能产生的影响也大不相同,因此预处理方法选取决定了模型的预测性能和适用范围;本实施例对157份食用油样品的拉曼光谱图依次采用移动平均11点平滑法消除光谱噪声、采用自适应迭代重加权惩罚最小二乘算法进行基线校正、采用以1454cm-1处的特征峰强度为基准进行归一化处理,得到157份食用油样品的预处理拉曼光谱图如图4所示;
本实施例对157份食用油样品的近红外光谱图依次采用标准正态变量变化和去趋势技术联用算法进行预处理,以消除光谱的基线漂移及光程的影响从而简化模型提高其预测能力,得到157份食用油样品的预处理近红外光谱图如图5所示。
4、光谱特征提取
采用竞争性自适应重加权采样和连续投影算法联用对157份食用油样品的预处理拉曼光谱图进行特征提取:首先采用竞争性自适应重加权采样方法对预处理拉曼光谱图进行一次拉曼特征变量提取,选择波长变量子集时采用10折偏最小二乘法交叉验证建模,设置蒙特卡罗采样次数为1~100次,当蒙特卡罗采样次数为第33次时,偏最小二乘法交叉验证模型的均方根误差值最小为1.0801,一次提取的拉曼特征变量为136个;然后采用连续投影方法对一次提取得到的136个拉曼特征变量进行二次拉曼特征变量提取,得到当均方根误差值最小为0.19047时,二次提取的拉曼特征变量为121个,所述121个拉曼特征变量即为最终提取的拉曼特征变量。其中,采用连续投影方法进行二次拉曼特征变量提取的优选过程如图6所示;预处理拉曼光谱图最终提取的拉曼特征变量如图7所示。
采用竞争性自适应重加权采样和连续投影算法联用对157份食用油样品的预处理近红外光谱图进行特征提取:首先采用竞争性自适应重加权采样方法对预处理近红外光谱图进行一次近红外特征变量提取,选择波长变量子集时采用10折偏最小二乘法交叉验证建模,设置蒙特卡罗采样次数为1~100次,当蒙特卡罗采样次数为第39次时,偏最小二乘法交叉验证模型的均方根误差值最小为1.4839,一次提取的近红外特征变量为56个;然后采用连续投影方法对一次提取得到的136个近红外特征变量进行二次近红外特征变量提取,得到当均方根误差值最小为0.65427时,二次提取的近红外特征变量为44个,所述44个近红外特征变量即为最终提取的近红外特征变量。其中,采用连续投影方法进行二次近红外特征变量提取的优选过程如图8所示;预处理近红外光谱图最终提取的近红外特征变量如图9所示。
5、光谱特征融合
将121个拉曼特征变量和56个近红外特征变量的横坐标首尾相接融合,并共用同一纵坐标,得到特征融合光谱图。
6、定性模型的建立
将118份食用油校正集样品的特征融合光谱图作为定性模型的输入变量,通过支持向量机分类方法建立食用油校正集样品的定性模型,并采用粒子群优化算法对定性模型中的惩罚因子C和核函数参数g进行优化,得到优化定性模型;其中,采用粒子群优化算法对惩罚因子C和核函数参数g进行优化时,参数设置如下:最大进化代数设为150,初始种群数目设为25,学习因子初始值设定为C1=2,C2=2,进化速度初始值设为0.8,进化速度更新弹性系数初始值设为1,种群更新速度弹性系数初始值设为1,交互验证参数V设为10,惩罚因子C和核函数参数g的范围均设为2-10~210,优化得到当惩罚因子C=4.0298且核函数参数g=30.4039时,优化定性模型的鉴别准确率为100%;采用粒子群优化算法寻优过程如图10所示。
7、优化定性模型的验证
将39份食用油预测集样品的特征融合光谱图作为优化定性模型的输入变量,采用当惩罚因子C=4.0298且核函数参数g=30.4039时的优化定性模型对39份食用油预测集样品的种类进行预测鉴别,并与39份食用油预测集样品的真实种类类别进行对比,得到优化定性模型对食用油预测集样品的种类鉴别准确率为100%;39份食用油预测集样品的预测鉴别结果图如图11所示。
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 (9)
1.一种基于多源光谱特征融合的食用油种类快速鉴别方法,其特征在于,包括如下步骤:
步骤一、样品选取:选取待鉴别的未知种类的食用油样品;
步骤二、光谱采集:采集步骤一中选取的未知种类的食用油样品的拉曼光谱图和近红外光谱图;
步骤三、光谱预处理:分别对步骤二中采集的未知种类的食用油样品的拉曼光谱图和近红外光谱图进行预处理,得到未知种类的食用油样品的预处理拉曼光谱图和预处理近红外光谱图;
步骤四、光谱特征提取:分别对步骤三中得到的未知种类的食用油样品的预处理拉曼光谱图和预处理近红外光谱图进行特征提取,得到未知种类的食用油样品的拉曼特征变量和近红外特征变量;
步骤五、光谱特征融合:将步骤四中得到的未知种类的食用油样品的拉曼特征变量和近红外特征变量的横坐标首尾相接融合,并共用同一纵坐标,得到未知种类的食用油样品的特征融合光谱图;
步骤六、种类鉴别:根据步骤五中得到的未知种类的食用油样品的特征融合光谱图,采用优化定性模型对所述未知种类的食用油样品进行种类鉴别。
2.如权利要求1所述的基于多源光谱特征融合的食用油种类快速鉴别方法,其特征在于,所述步骤一中选取的未知种类的食用油样品为大豆油、花生油、菜籽油、茶籽油、稻米油、玉米油、葵花籽油、橄榄油中的任意一种。
3.如权利要求1所述的基于多源光谱特征融合的食用油种类快速鉴别方法,其特征在于,所述步骤二中的拉曼光谱图采集条件如下:食用油样品的采集温度为60±2℃,拉曼光谱采集波数范围为250~2400cm-1,分辨率≤8cm-1,拉曼光谱仪的积分时间设置为5S,激光功率为220mW,每个食用油样品取三次测量的平均值,并选取波数范围为780~1800cm-1作为最终采集的拉曼光谱图。
4.如权利要求1所述的基于多源光谱特征融合的食用油种类快速鉴别方法,其特征在于,所述步骤二中的近红外光谱图采集条件如下:食用油样品的采集温度为60±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,每个食用油样品取三次测量的平均值作为最终采集的近红外光谱图。
5.如权利要求1所述的基于多源光谱特征融合的食用油种类快速鉴别方法,其特征在于,所述步骤三中对采集的未知种类的食用油样品的拉曼光谱图依次采用移动平均11点平滑法消除光谱噪声、采用自适应迭代重加权惩罚最小二乘算法进行基线校正、采用以1454cm-1处的特征峰强度为基准进行归一化处理,得到未知种类的食用油样品的预处理拉曼光谱图。
6.如权利要求1所述的基于多源光谱特征融合的食用油种类快速鉴别方法,其特征在于,所述步骤三中对采集的未知种类的食用油样品的近红外光谱图依次采用标准正态变量变化和去趋势技术联用算法进行预处理,得到未知种类的食用油样品的预处理近红外光谱图。
7.如权利要求1所述的基于多源光谱特征融合的食用油种类快速鉴别方法,其特征在于,所述步骤四中采用竞争性自适应重加权采样和连续投影算法联用分别对未知种类的食用油样品的预处理拉曼光谱图和预处理近红外光谱图进行特征提取。
8.如权利要求1所述的基于多源光谱特征融合的食用油种类快速鉴别方法,其特征在于,所述步骤六中优化定性模型的建立方法如下:
收集若干不同已知种类的食用油样品,所述不同已知种类的食用油样品包括:大豆油、花生油、菜籽油、茶籽油、稻米油、玉米油、葵花籽油、橄榄油;
采集若干不同已知种类的食用油样品的拉曼光谱图和近红外光谱图,光谱采集条件如步骤二中所述;
分别对采集的若干不同已知种类的食用油样品的拉曼光谱图和近红外光谱图进行预处理,得到若干不同已知种类的食用油样品的预处理拉曼光谱图和预处理近红外光谱图,光谱预处理方法如步骤三中所述;
分别对若干不同已知种类的食用油样品的预处理拉曼光谱图和预处理近红外光谱图进行特征提取,得到若干不同已知种类的食用油样品的拉曼特征变量和近红外特征变量,光谱特征提取方法如步骤四中所述;
将若干不同已知种类的食用油样品的拉曼特征变量和近红外特征变量的横坐标首尾相接融合,并共用同一纵坐标,得到若干不同已知种类的食用油样品的特征融合光谱图;
将若干不同已知种类的食用油样品的特征融合光谱图作为定性模型的输入变量,通过支持向量机分类方法建立若干不同已知种类的食用油样品的定性模型,并采用粒子群优化算法对定性模型中的惩罚因子C和核函数参数g进行优化,得到优化定性模型。
9.如权利要求8所述的基于多源光谱特征融合的食用油种类快速鉴别方法,其特征在于,采用粒子群优化算法对定性模型中的惩罚因子C和核函数参数g进行优化时,设置惩罚因子C和核函数参数g的范围均为2-10~210,设置交互验证参数V的范围为2~15。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610162554.0A CN105806824B (zh) | 2016-03-22 | 2016-03-22 | 基于多源光谱特征融合的食用油种类快速鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610162554.0A CN105806824B (zh) | 2016-03-22 | 2016-03-22 | 基于多源光谱特征融合的食用油种类快速鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105806824A true CN105806824A (zh) | 2016-07-27 |
CN105806824B CN105806824B (zh) | 2019-03-19 |
Family
ID=56454203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610162554.0A Expired - Fee Related CN105806824B (zh) | 2016-03-22 | 2016-03-22 | 基于多源光谱特征融合的食用油种类快速鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105806824B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN106706546A (zh) * | 2016-12-28 | 2017-05-24 | 中山市腾创贸易有限公司 | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 |
CN106770155A (zh) * | 2016-11-22 | 2017-05-31 | 武汉轻工大学 | 一种物质含量分析方法 |
CN107389657A (zh) * | 2017-08-15 | 2017-11-24 | 江西农业大学 | 一种食用油中反式油酸含量检测方法及装置 |
CN107727634A (zh) * | 2017-09-26 | 2018-02-23 | 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 |
CN108051394A (zh) * | 2018-02-07 | 2018-05-18 | 武汉轻工大学 | 基于近红外光谱的芝麻油掺伪检测方法 |
WO2018121122A1 (zh) * | 2016-12-29 | 2018-07-05 | 同方威视技术股份有限公司 | 用于物品查验的拉曼光谱检测方法和电子设备 |
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 |
CN108535258A (zh) * | 2018-03-16 | 2018-09-14 | 上海交通大学 | 一种快速无损判别区分软玉产地的方法 |
CN108645841A (zh) * | 2018-08-24 | 2018-10-12 | 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 |
CN108918499A (zh) * | 2018-06-28 | 2018-11-30 | 华南师范大学 | 拉曼图谱中去除拉曼基线漂移的方法 |
CN109520999A (zh) * | 2019-01-17 | 2019-03-26 | 云南中烟工业有限责任公司 | 一种基于二维相关光谱的香紫苏油稳定性评价方法 |
CN110567937A (zh) * | 2019-09-11 | 2019-12-13 | 重庆大学 | 一种用于绝缘油拉曼光谱分析的竞争性自适应重加权关键数据提取方法 |
CN110987895A (zh) * | 2019-11-07 | 2020-04-10 | 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 |
CN111222543A (zh) * | 2019-12-19 | 2020-06-02 | 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 |
CN112819062A (zh) * | 2021-01-26 | 2021-05-18 | 淮阴工学院 | 基于混合粒子群和连续投影的荧光光谱二次特征选择方法 |
CN114266198A (zh) * | 2021-12-22 | 2022-04-01 | 新疆维吾尔自治区产品质量监督检验研究院 | 一种葡萄干鉴别模型及其建立方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293118A (zh) * | 2013-05-11 | 2013-09-11 | 江南大学 | 一种基于近红外光谱分析技术的潲水油鉴别方法 |
CN103398970A (zh) * | 2013-07-24 | 2013-11-20 | 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 |
CN104807803A (zh) * | 2015-04-20 | 2015-07-29 | 武汉轻工大学 | 基于多源光谱数据融合的花生油掺伪定量检测方法 |
-
2016
- 2016-03-22 CN CN201610162554.0A patent/CN105806824B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293118A (zh) * | 2013-05-11 | 2013-09-11 | 江南大学 | 一种基于近红外光谱分析技术的潲水油鉴别方法 |
CN103398970A (zh) * | 2013-07-24 | 2013-11-20 | 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 |
CN104807803A (zh) * | 2015-04-20 | 2015-07-29 | 武汉轻工大学 | 基于多源光谱数据融合的花生油掺伪定量检测方法 |
Non-Patent Citations (4)
Title |
---|
樊书祥 等: "苹果产地差异对可溶性固形物近红外光谱检测模型影响的研究", 《分析化学》 * |
毕艳兰,任小娜,彭丹,杨国龙,张林尚,汪学德: "粒子群最小二乘支持向量机结合偏最小二乘法用于芝麻油质量的鉴别", 《分析化学研究报告》 * |
范伟: "基于分子光谱的多元校正模型优化与转移方法及其应用研究", 《中南大学》 * |
褚小立 等: "近红外分析中预处理及波长选择方法与应用", 《化学进展》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106770155A (zh) * | 2016-11-22 | 2017-05-31 | 武汉轻工大学 | 一种物质含量分析方法 |
CN106706546A (zh) * | 2016-12-28 | 2017-05-24 | 中山市腾创贸易有限公司 | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 |
WO2018121122A1 (zh) * | 2016-12-29 | 2018-07-05 | 同方威视技术股份有限公司 | 用于物品查验的拉曼光谱检测方法和电子设备 |
CN107389657A (zh) * | 2017-08-15 | 2017-11-24 | 江西农业大学 | 一种食用油中反式油酸含量检测方法及装置 |
CN107389657B (zh) * | 2017-08-15 | 2019-12-17 | 江西农业大学 | 一种食用油中反式油酸含量检测方法及装置 |
CN107727634A (zh) * | 2017-09-26 | 2018-02-23 | 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 |
CN108051394A (zh) * | 2018-02-07 | 2018-05-18 | 武汉轻工大学 | 基于近红外光谱的芝麻油掺伪检测方法 |
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 |
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 |
CN108535258A (zh) * | 2018-03-16 | 2018-09-14 | 上海交通大学 | 一种快速无损判别区分软玉产地的方法 |
CN108918499A (zh) * | 2018-06-28 | 2018-11-30 | 华南师范大学 | 拉曼图谱中去除拉曼基线漂移的方法 |
CN108645841A (zh) * | 2018-08-24 | 2018-10-12 | 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 |
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 |
CN109520999A (zh) * | 2019-01-17 | 2019-03-26 | 云南中烟工业有限责任公司 | 一种基于二维相关光谱的香紫苏油稳定性评价方法 |
CN110567937A (zh) * | 2019-09-11 | 2019-12-13 | 重庆大学 | 一种用于绝缘油拉曼光谱分析的竞争性自适应重加权关键数据提取方法 |
CN110987895A (zh) * | 2019-11-07 | 2020-04-10 | 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 |
CN111222543A (zh) * | 2019-12-19 | 2020-06-02 | 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 |
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 |
CN112819062A (zh) * | 2021-01-26 | 2021-05-18 | 淮阴工学院 | 基于混合粒子群和连续投影的荧光光谱二次特征选择方法 |
CN114266198A (zh) * | 2021-12-22 | 2022-04-01 | 新疆维吾尔自治区产品质量监督检验研究院 | 一种葡萄干鉴别模型及其建立方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105806824B (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105806824A (zh) | 基于多源光谱特征融合的食用油种类快速鉴别方法 | |
Li et al. | FT-MIR and NIR spectral data fusion: A synergetic strategy for the geographical traceability of Panax notoginseng | |
CN105630743B (zh) | 一种光谱波数的选择方法 | |
CN103235095B (zh) | 注水肉检测方法和装置 | |
CN106339502A (zh) | 一种基于用户行为数据分片聚类的建模推荐方法 | |
CN102636452B (zh) | 一种近红外光谱无损鉴别山参真伪的方法 | |
CN104807803A (zh) | 基于多源光谱数据融合的花生油掺伪定量检测方法 | |
CN103674884A (zh) | 基于近红外光谱信息的烟叶风格特征的随机森林分类方法 | |
Bagheri et al. | Detection of Fire Blight disease in pear trees by hyperspectral data | |
CN104931470A (zh) | 一种基于荧光高光谱技术的农药残留检测装置及检测方法 | |
CN104502320A (zh) | 一种三维荧光光谱结合pca-svm鉴别浓香型白酒的方法 | |
CN103134765A (zh) | 一种基于太赫兹时域光谱的中药样品真伪初筛方法 | |
CN105823752A (zh) | 近红外光谱法快速鉴别食用油种类的方法 | |
CN110376153B (zh) | 一种atr-ftir结合rbf神经网络对市售西红花产地溯源的方法 | |
CN103293118A (zh) | 一种基于近红外光谱分析技术的潲水油鉴别方法 | |
CN108362659B (zh) | 基于多源光谱并联融合的食用油种类快速鉴别方法 | |
Zhou et al. | Identification of the variety of maize seeds based on hyperspectral images coupled with convolutional neural networks and subregional voting | |
CN106950186A (zh) | 基于光纤光谱的土鸡蛋或洋鸡蛋品种检测装置及其方法 | |
CN107328735A (zh) | 基于太赫兹光谱技术的油菜种类鉴别方法 | |
Lu et al. | Fluorescence hyperspectral image technique coupled with HSI method to predict solanine content of potatoes | |
Martín-Torres et al. | Authentication of the geographical origin and the botanical variety of avocados using liquid chromatography fingerprinting and deep learning methods | |
CN103743705A (zh) | 一种假高粱及其近似物种的快速检测方法 | |
CN103776797B (zh) | 一种近红外光谱鉴别平利绞股蓝的方法 | |
Dai et al. | Nondestructive identification of rice varieties by the data fusion of Raman and near-infrared (NIR) spectroscopies | |
Zhu et al. | Identification of peanut oil origins based on Raman spectroscopy combined with multivariate data analysis methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190319 |