CN107894408B - 一种基于近红外光谱仪的食用油多元掺伪鉴别方法 - Google Patents
一种基于近红外光谱仪的食用油多元掺伪鉴别方法 Download PDFInfo
- Publication number
- CN107894408B CN107894408B CN201711194143.0A CN201711194143A CN107894408B CN 107894408 B CN107894408 B CN 107894408B CN 201711194143 A CN201711194143 A CN 201711194143A CN 107894408 B CN107894408 B CN 107894408B
- Authority
- CN
- China
- Prior art keywords
- edible oil
- near infrared
- sample
- spectrum
- infrared spectrum
- 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.)
- Active
Links
- 239000008157 edible vegetable oil Substances 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 53
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000013145 classification model Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000010187 selection method Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000002835 absorbance Methods 0.000 claims description 3
- 238000012569 chemometric method Methods 0.000 claims description 3
- 238000003333 near-infrared imaging Methods 0.000 abstract 1
- 238000012216 screening Methods 0.000 abstract 1
- 239000000944 linseed oil Substances 0.000 description 22
- 235000021388 linseed oil Nutrition 0.000 description 16
- 239000003921 oil Substances 0.000 description 7
- 235000019198 oils Nutrition 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 235000019484 Rapeseed oil Nutrition 0.000 description 3
- 235000005687 corn oil Nutrition 0.000 description 3
- 239000002285 corn oil Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 235000014593 oils and fats Nutrition 0.000 description 3
- 239000003549 soybean oil Substances 0.000 description 3
- 235000012424 soybean oil Nutrition 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
- 235000012343 cottonseed oil Nutrition 0.000 description 2
- 239000002385 cottonseed oil Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000014113 dietary fatty acids Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229930195729 fatty acid Natural products 0.000 description 2
- 239000000194 fatty acid Substances 0.000 description 2
- 150000004665 fatty acids Chemical class 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 235000020238 sunflower seed Nutrition 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 235000019483 Peanut oil Nutrition 0.000 description 1
- 229930182558 Sterol Natural products 0.000 description 1
- 229930003427 Vitamin E Natural products 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000004626 essential fatty acids 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
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 229930013686 lignan Natural products 0.000 description 1
- 150000005692 lignans Chemical class 0.000 description 1
- 235000009408 lignans Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000004006 olive oil Substances 0.000 description 1
- 235000008390 olive oil Nutrition 0.000 description 1
- 239000010461 other edible oil Substances 0.000 description 1
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 1
- 239000000312 peanut oil Substances 0.000 description 1
- 150000008442 polyphenolic compounds Chemical class 0.000 description 1
- 235000013824 polyphenols Nutrition 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007127 saponification reaction Methods 0.000 description 1
- 235000013599 spices Nutrition 0.000 description 1
- 150000003432 sterols Chemical class 0.000 description 1
- 235000003702 sterols Nutrition 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
Images
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
- G01N21/17—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
- 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
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/03—Edible oils or edible fats
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Abstract
本发明公开了一种食用油多元掺伪鉴别的近红外方法,该方法包括以下步骤:1)模型的构建:S1、采集食用油的近红外光谱图;S2、食用油近红外光谱数据库的建立;S3、某类食用油的多元掺伪鉴别模型建立;2)模型的应用:取待测样品按步骤S1中近红外光谱信号采集方法进行谱图采集,运用步骤S2中的方法对得到的近红外光谱进行预处理,得到该样品的近红外光谱数据,利用步骤S3中建立的食用油多元掺伪鉴别模型判定待测样本的真伪。该方法操作简便、快速,能够有效实现食用植物油的快速真伪筛查,具有较强的实用性。
Description
技术领域
本发明涉及食品质量安全技术领域,尤其涉及一种基于近红外光谱仪的食用油多元掺伪鉴别方法。
背景技术
食用油是重要的食品,为人类提供了能量、必需脂肪酸,甾醇、维生素E、多酚、木酚素等丰富的营养功能成分。其中,亚麻籽油、橄榄油、花生油因其较高的营养价值和药用价值作为一种高级食用植物油受到广大消费者的青睐,其市场销售价格往往高于普通食用油。由于利益驱使下的食用油掺伪普遍存在,食用植物油真实性问题已成为消费者和产业高度关注的难点问题。因此,建立一种有效食用油真实性鉴别方法具有重要意义。
现有食用植物油的国家或行业标准规定了食用植物油需要符合的各项质量指标,并明确规定了食用植物油中不得掺有其他食用油和非食用油,不得添加任何香精和香料;应标注产品的加工方式及对应的质量等级以及产品原料的生产国名。标准中规定的特征指标,如折光指数、相对密度、碘值、皂化值、不皂化物特征性不强,受品种、加工和贮藏时间影响较大,而脂肪酸组成仅给出每个脂肪酸相对含量范围,而非特征组成,无法有效区分真伪食用植物油。
与此同时,为了满足当今我国食用油加工销售分散模式下的市场现状,建立快速、简便且无损的食用植物油真实性鉴别技术十分必要。
目前针对食用植物油真实性快速鉴别方法包括傅里叶转换红外光谱、近红外光谱、电子鼻、电子舌、核磁共振等,上述方法具有快速、简便且无损的特点。
但是以上方法均需要结合化学计量学方法建立食用油真实性鉴别模型实现对未知样品判定。传统化学计量学方法建模过程中需要足够量的食用植物油和对应掺入廉价油脂的食用植物油样品,由于随着掺入廉价油脂的种类增加,掺伪的种类呈现爆炸式增长,考虑到成本和可操作性,现有的方法往往仅能实现食用植物油中掺入某一种或两种已知廉价油脂的有效鉴别。显然这些技术具有很大的局限性,不法商贩仅需同时掺入两种以上的廉价油脂或直接掺入混合油脂(例如废弃油脂)既可规避以上技术。因此,急需发展一种食用植物油多元掺伪鉴别技术。本发明借助单纯形线性规划理论,通过掺伪和被掺伪食用植物油的纯油信息结合主成分分析、偏最小二乘判别分析、正交校正的偏最小二乘判别分析等变量选择方法选取对分类贡献最大的重要变量,采用单类偏最小二乘法、簇类独立软模式法、单类支持向量机等建模方法建立了高价食用植物油的单类分类模型,实现几类潜在掺伪食用油以任意比例的多元掺伪鉴别,为保障食用植物油真实性提供了有力的技术支撑。
发明内容
本发明要解决的技术问题在于针对现有技术中难以快速准确的鉴定食用油是否掺伪的缺陷,提供一种基于近红外光谱仪的食用油多元掺伪鉴别方法。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种基于近红外光谱仪的食用油多元掺伪鉴别方法,该方法包括以下步骤:
模型构建:
S1、近红外光谱信号采集:选取多个品种的高价食用油及其潜在掺伪的食用油作为样本,通过近红外光谱仪采集样本的近红外光谱;
S2、近红外光谱预处理及食用油近红外光谱数据库的建立:对采集到的样本原始的近红外光谱进行标准正态变换数据预处理;将原始的近红外光谱减去该光谱点吸光度的平均值,再除以该光谱数据的标准差,得到预处理后的近红外光谱作为标准光谱,建立食用油的近红外光谱数据库;
S3、食用油多元掺伪鉴别模型的建立:针对某一种高价食用油,利用化学计量学建立该高价食用油与其对应的掺伪食用油之间的分类模型,选取分类贡献最大的重要变量建立该高价食用油的单类分类模型,即该高价食用油的多元掺伪鉴别模型;
模型应用:
取待测样品,通过近红外光谱仪采集待测样品的近红外光谱,并通过步骤S2中的预处理方法对其进行预处理,得到待测样品的标准光谱数据,利用步骤S3中建立的多元掺伪鉴别模型判定待测样品的真伪。
进一步地,本发明的步骤S2中对近红外光谱进行预处理的公式为:
其中,Zij是每个样本预处理后的光谱点;xij是每个样本的原始光谱点;代表每个样本光谱所有光谱点的平均值;Si是该样本的光谱数据的标准偏差;i=1,2,…,n;j=1,2,…,p;n为样本个数,p为光谱点数。
进一步地,本发明的步骤S3中选取分类贡献最大的重要变量为特征波长。
进一步地,本发明的高价食用油对应的潜在的掺伪食用油为价格低于该高价食用油的食用油。
进一步地,本发明的步骤S1中针对每个样本的近红外光谱重复测定2-9次。
进一步地,本发明的步骤S1中的光谱采集条件为:采集温度为20±5℃,近红外光谱测定范围为4000~10000cm-1,扫描次数32次,分辨率为3.857cm-1,样品池光程为2-10mm,测量方式为透射。
进一步地,本发明的步骤S3中采用的化学计量学方法包括:主成分分析、偏最小二乘判别分析、正交校正的偏最小二乘判别分析的变量选择方法,以及单类偏最小二乘法、簇类独立软模式法、单类支持向量机的建模方法。
进一步地,本发明的步骤S3中单分类模型的建立方法为:
将真实的目标食用油样本以一定的比例随机分成两个数据集,即训练集和验证集,采用训练集中真实目标食用油近红外光谱信息用于建立单类分类模型,同时运用真实食用油作为验证集,和掺伪食用油近红外光谱信息对模型进行验证。
进一步地,本发明的该方法中利用多元掺伪鉴别模型判定待测样品的真伪的方法为:
根据样品的不同,选取不同的绝对中心偏差作为其阈值,将待测样品的特征近红外光谱信息导入模型中,最终结果和阈值进行比较鉴别待测样本的真伪。
本发明产生的有益效果是:本发明的基于近红外光谱仪的食用油多元掺伪鉴别方法,操作简单,对操作人员无特殊要求;快速,无损,样品检测时间短;环境友好,无需使用任何化学试剂,检测成本低廉;能有效应用于食用油市场的现场监管与检测,前景广阔。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的变量重要性图;
图2是本发明实施例的变量选择前模型误判率图;
图3是本发明实施例的潜在变量个数图;
图4是本发明实施例的纯亚麻籽油判定图;
图5是本发明实施例的掺伪亚麻籽油判定图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,基于近红外光谱仪的食用油多元掺伪鉴别方法,该方法包括以下步骤:
模型构建:
S1、近红外光谱信号采集:选取多个品种的高价食用油及其潜在掺伪的食用油作为样本,通过近红外光谱仪采集样本的近红外光谱;
S2、近红外光谱预处理及食用油近红外光谱数据库的建立:对采集到的样本原始的近红外光谱进行标准正态变换数据预处理;将原始的近红外光谱减去该光谱点吸光度的平均值,再除以该光谱数据的标准差,得到预处理后的近红外光谱作为标准光谱,建立食用油的近红外光谱数据库;
S3、食用油多元掺伪鉴别模型的建立:针对某一种高价食用油,利用化学计量学建立该高价食用油与其对应的掺伪食用油之间的分类模型,选取分类贡献最大的重要变量建立该高价食用油的单类分类模型,即该高价食用油的多元掺伪鉴别模型;
模型应用:
取待测样品,通过近红外光谱仪采集待测样品的近红外光谱,并通过步骤S2中的预处理方法对其进行预处理,得到待测样品的标准光谱数据,利用步骤S3中建立的多元掺伪鉴别模型判定待测样品的真伪。
步骤S2中对近红外光谱进行预处理的公式为:
其中,Zij是每个样本预处理后的光谱点;xij是每个样本的原始光谱点;代表每个样本光谱所有光谱点的平均值;Si是该样本的光谱数据的标准偏差;,i=1,2,…,n;j=1,2,…,p;n为样本个数,p为光谱点数。
骤S3中选取分类贡献最大的重要变量为特征波长。
高价食用油对应的潜在的掺伪食用油为价格低于该高价食用油的食用油。
步骤S1中针对每个样本的近红外光谱重复测定2-9次。
步骤S1中的光谱采集条件为:采集温度为20±5℃,近红外光谱测定范围为4000~10000cm-1,扫描次数32次,分辨率为3.857cm-1,样品池光程为2-10mm,测量方式为透射。
步骤S3中采用的化学计量学方法包括:主成分分析、偏最小二乘判别分析、正交校正的偏最小二乘判别分析的变量选择方法,以及单类偏最小二乘法、簇类独立软模式法、单类支持向量机的建模方法。
将真实的目标食用油样本以一定的比例(如8:2,6:4)随机分成两个数据集,即训练集和验证集。采用训练集中真实目标食用油近红外光谱信息用于建立单类分类模型,同时运用真实食用油(验证集)和掺伪食用油近红外光谱信息对模型进行验证。数据集中既是通过变量选择后特征近红外光谱点。
根据样品的不同,其阈值(绝对中心偏差)也有相应的差异,将待测样品的特征近红外光谱信息导入模型中,最终结果和阈值进行比较鉴别待测样本的真伪。
在本发明的另一个具体实施例中,该方法包括以下步骤:(其中的百分比为质量百分比)
A.样品近红外光谱信号采集:纯亚麻籽油样本33个(用K-S算法以6:4的比例分为训练集样本20个,验证集样本13个),棉籽油、大豆油、菜籽油、玉米油及葵花籽油样本各9个(其中3个用于掺伪油样的制备,另外6个用于重要变量的选取),分别将棉籽油、大豆油、菜籽油、玉米油及葵花籽油各3个以5%的比例加入亚麻籽油中,共计15个样品。另外将将大豆油、菜籽油、玉米油以1:1:0,1:0:1,0:1:1,1:1:1四种不同比例,掺伪量为5%掺入亚麻籽油中,共计36个样本。采集上述114份样品的近红外光谱图,光谱采集条件如下:采集温度为16±2℃,近红外光谱测定范围为4000~10000cm-1,扫描次数32次,分辨率为3.857cm-1,样品池光程为2mm,测量方式为透射。
B.样品近红外光谱图预处理:通过实验研究及文献报道发现,在建模前对光谱进行不同的预处理,对建模产生的影响也大不相同。本方法采用标准正态变换数据预处理,得到亚麻籽油、掺伪亚麻籽油样品及掺伪所用的其他食用植物油样本的预处理光谱。建立了包含33个亚麻籽油及51个掺伪亚麻籽油的近红外光谱数据库。
C.建立亚麻籽油真实性鉴别模型并验证:将114份样品信息在Matlab R2014a中进行标准正态变换数据预处理,其中20个训练集中的亚麻籽油及30个其他种类食用油的预处理光谱再利用MetaboAnalyst2.0数据处理平台进行Pareto标度化预处理之后,结合正交偏最小二乘-判别分析对光谱信息进行变量选择如图1所示,图中X轴代表拟合协方差向量cov(t,X),Y轴代表相关系数向量corr(t,X),二者的计算公式如下:
Cov(t,Xi)=tT Xi/(N-1)
Corr(t,Xi)=Cov(t,Xi)/stsXi
其中i=1,2,…,n;n为变量个数,t是正交偏最小二乘判别分析预测成分中的得分向量,st是模型预测得分向量的标准偏差,sX是每个变量的估计标准差向量。从而挑选出位于图1右上角和左下角的184个重要变量(即特征波长)如表1所示。(如图2所示,变量选择前模型误判率很高,图5为变量选择后对掺伪亚麻籽油的鉴定。四个象限中,下部的两个象限被判定为亚麻籽油,上部的两个象限被判定为掺伪的亚麻籽油。)将变量选择后的20个训练集中亚麻籽油、13个验证集中的亚麻籽油及51个掺伪的亚麻籽油结合单类偏最小二乘法建立亚麻籽油真实性鉴别模型并对其进行验证。如图3所示,选择潜在变量为6时进行建模;如图4所示,纯亚麻籽油判定正确率为100%;图5所示,掺伪亚麻籽油判定正确率为92.16%(47/51)。
表1特征波长表
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种基于近红外光谱仪的食用油多元掺伪鉴别方法,其特征在于,该方法包括以下步骤:
模型构建:
S1、近红外光谱信号采集:选取多个品种的高价食用油及其潜在掺伪的食用油作为样本,通过近红外光谱仪采集样本的近红外光谱;
S2、近红外光谱预处理及食用油近红外光谱数据库的建立:对采集到的样本原始的近红外光谱进行标准正态变换数据预处理;将原始的近红外光谱减去该光谱点吸光度的平均值,再除以该光谱数据的标准差,得到预处理后的近红外光谱作为标准光谱,建立食用油的近红外光谱数据库;
S3、食用油多元掺伪鉴别模型的建立:针对某一种高价食用油,利用化学计量学建立该高价食用油与其对应的掺伪食用油之间的分类模型,选取分类贡献最大的重要变量建立该高价食用油的单类分类模型,即该高价食用油的多元掺伪鉴别模型;
模型应用:
取待测样品,通过近红外光谱仪采集待测样品的近红外光谱,并通过步骤S2中的预处理方法对其进行预处理,得到待测样品的标准光谱数据,利用步骤S3中建立的多元掺伪鉴别模型判定待测样品的真伪;
步骤S2中对近红外光谱进行预处理的公式为:
其中,Zij是每个样本预处理后的光谱点;xij是每个样本的原始光谱点;代表每个样本光谱所有光谱点的平均值;Si是该样本的光谱数据的标准偏差;i=1,2,…,n;j=1,2,…,p;n为样本个数,p为光谱点数;
步骤S3中选取分类贡献最大的重要变量为特征波长;
高价食用油对应的潜在的掺伪食用油为价格低于该高价食用油的食用油。
2.根据权利要求1所述的基于近红外光谱仪的食用油多元掺伪鉴别方法,其特征在于,步骤S1中针对每个样本的近红外光谱重复测定2-9次。
3.根据权利要求1所述的基于近红外光谱仪的食用油多元掺伪鉴别方法,其特征在于,步骤S1中的光谱采集条件为:采集温度为20±5℃,近红外光谱测定范围为4000~10000cm-1,扫描次数32次,分辨率为3.857cm-1,样品池光程为2-10mm,测量方式为透射。
4.根据权利要求1所述的基于近红外光谱仪的食用油多元掺伪鉴别方法,其特征在于,步骤S3中采用的化学计量学方法包括:主成分分析、偏最小二乘判别分析、正交校正的偏最小二乘判别分析的变量选择方法,以及单类偏最小二乘法、簇类独立软模式法、单类支持向量机的建模方法。
5.根据权利要求1所述的基于近红外光谱仪的食用油多元掺伪鉴别方法,其特征在于,步骤S3中单分类模型的建立方法为:
将真实的目标食用油样本以一定的比例随机分成两个数据集,即训练集和验证集,采用训练集中真实目标食用油近红外光谱信息用于建立单类分类模型,同时运用真实食用油作为验证集,和掺伪食用油近红外光谱信息对模型进行验证。
6.根据权利要求1所述的基于近红外光谱仪的食用油多元掺伪鉴别方法,其特征在于,该方法中利用多元掺伪鉴别模型判定待测样品的真伪的方法为:
根据样品的不同,选取不同的绝对中心偏差作为其阈值,将待测样品的特征近红外光谱信息导入模型中,最终结果和阈值进行比较鉴别待测样本的真伪。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711194143.0A CN107894408B (zh) | 2017-11-24 | 2017-11-24 | 一种基于近红外光谱仪的食用油多元掺伪鉴别方法 |
JP2018217926A JP6942110B2 (ja) | 2017-11-24 | 2018-11-21 | 近赤外分光計に基づく食用油の多元混入同定方法 |
US16/197,689 US10948407B2 (en) | 2017-11-24 | 2018-11-21 | Method for detecting multivariate adulteration of edible oil based on near-infrared spectroscopy |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711194143.0A CN107894408B (zh) | 2017-11-24 | 2017-11-24 | 一种基于近红外光谱仪的食用油多元掺伪鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107894408A CN107894408A (zh) | 2018-04-10 |
CN107894408B true CN107894408B (zh) | 2021-04-13 |
Family
ID=61804644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711194143.0A Active CN107894408B (zh) | 2017-11-24 | 2017-11-24 | 一种基于近红外光谱仪的食用油多元掺伪鉴别方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10948407B2 (zh) |
JP (1) | JP6942110B2 (zh) |
CN (1) | CN107894408B (zh) |
Families Citing this family (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109142265B (zh) * | 2018-08-24 | 2021-02-19 | 武汉轻工大学 | 一种近红外光谱小波融合的食用油种类快速鉴别方法 |
CN110646375A (zh) * | 2019-09-06 | 2020-01-03 | 赣南医学院 | 一种山茶油掺假鉴别方法 |
CN110672570A (zh) * | 2019-10-12 | 2020-01-10 | 闽江学院 | 一种基于植物油三维荧光光谱的茶油鉴定方法 |
CN110954666B (zh) * | 2019-11-14 | 2022-01-11 | 温州大学 | 一种基于偏最小二乘判别分析模型的茶叶等级判别方法 |
CN110907388A (zh) * | 2019-11-22 | 2020-03-24 | 光钙(上海)高科技有限公司 | 一种基于红外光谱分析的溢油种类鉴别的方法 |
CN110954494A (zh) * | 2019-11-29 | 2020-04-03 | 中国农业科学院北京畜牧兽医研究所 | 一种基于近红外的牛肉品质分级方法 |
CN110865048A (zh) * | 2019-12-09 | 2020-03-06 | 西华大学 | 一种监测配料混合均匀度的无损检测方法 |
CN111060476A (zh) * | 2019-12-19 | 2020-04-24 | 中山大学附属第一医院 | 一种用于检测创面或lb培养液细菌感染的近红外光谱系统及其检测方法 |
CN111912815B (zh) * | 2019-12-20 | 2023-03-14 | 南开大学 | 一种评估油料作物品质的近红外光谱分析方法 |
CN111103259B (zh) * | 2020-02-13 | 2023-04-07 | 北京工商大学 | 基于光谱技术的煎炸油品质快速检测方法 |
CN111272696A (zh) * | 2020-03-24 | 2020-06-12 | 山东大学 | 一种快速检测普洱茶中掺杂香精的方法 |
CN111650152B (zh) * | 2020-04-21 | 2022-01-14 | 天津农学院 | 一种减小品牌对掺杂尿素牛奶判别模型影响的异步近红外相关切谱检测方法 |
CN111351767B (zh) * | 2020-04-21 | 2022-01-14 | 天津农学院 | 一种基于二维近红外相关谱应用特征切谱判别牛奶中掺杂尿素的判别方法 |
CN111323384B (zh) * | 2020-04-21 | 2022-01-14 | 天津农学院 | 一种基于二维近红外相关切谱判别牛奶中掺杂尿素的方法 |
CN111693486B (zh) * | 2020-04-21 | 2022-01-14 | 天津农学院 | 一种减小品牌对掺杂尿素牛奶判别模型影响的同步近红外相关切谱检测方法 |
CN111398208B (zh) * | 2020-04-22 | 2023-10-31 | 谭贵平 | 一种利用近红外技术对传统工艺翡翠进行快速鉴定的方法 |
CN111398238A (zh) * | 2020-05-13 | 2020-07-10 | 安徽理工大学 | 一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法 |
CN111832481B (zh) * | 2020-07-13 | 2023-10-10 | 武汉轻工大学 | 食用植物油加工质量检测方法、设备、存储介质及装置 |
CN111896495A (zh) * | 2020-08-05 | 2020-11-06 | 安徽大学 | 基于深度学习与近红外光谱太平猴魁产地甄别方法及系统 |
CN114112981A (zh) * | 2020-08-27 | 2022-03-01 | 广东省林业科学研究院 | 一种阴香叶片精油含量快速检测方法及系统 |
CN114384039B (zh) * | 2020-10-20 | 2024-03-01 | 贵州中烟工业有限责任公司 | 一种基于光谱投影残差的卷烟加料均匀性检测方法 |
CN112730571B (zh) * | 2020-12-25 | 2022-04-12 | 广东互信生物科技有限公司 | 一种蜂毒真伪快速鉴别及其掺伪量测定的方法 |
CN112881323B (zh) * | 2021-01-14 | 2022-03-08 | 云南中烟工业有限责任公司 | 卷烟主流烟气的品质评价方法 |
CN112697744A (zh) * | 2021-01-14 | 2021-04-23 | 中国林业科学研究院木材工业研究所 | 一种基于红外光谱的东非黑黄檀工艺品的鉴别方法 |
CN113092405B (zh) * | 2021-04-08 | 2023-06-16 | 晨光生物科技集团股份有限公司 | 一种快速预判植物油常温条件下诱导期的方法 |
CN113418889B (zh) * | 2021-05-17 | 2023-05-26 | 中国海洋大学 | 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法 |
CN113313157A (zh) * | 2021-05-22 | 2021-08-27 | 福州大学 | 一种基于机器学习的藕粉产地判别方法 |
CN113536927A (zh) * | 2021-06-15 | 2021-10-22 | 南昌海关技术中心 | 一种赣南脐橙鉴别方法、系统及存储介质 |
CN113552089A (zh) * | 2021-07-06 | 2021-10-26 | 中国农业科学院茶叶研究所 | 一种红茶萎凋程度数字化的无损检测方法 |
CN113672662A (zh) * | 2021-08-04 | 2021-11-19 | 华中农业大学 | 一种食品多源信息融合方法、装置及存储介质 |
CN113866119A (zh) * | 2021-10-21 | 2021-12-31 | 江苏省家禽科学研究所 | 一种注水鸡快速鉴别方法及应用 |
CN114112989B (zh) * | 2021-12-03 | 2023-07-11 | 四川启睿克科技有限公司 | 基于复合视觉的近红外检测方法及系统 |
CN114279962B (zh) * | 2021-12-21 | 2023-07-25 | 四川启睿克科技有限公司 | 一种基于便携式近红外光谱仪的光照自适应方法 |
CN115326319B (zh) * | 2022-08-08 | 2023-11-24 | 无锡迅杰光远科技有限公司 | 液体包装检测方法、装置和存储介质 |
CN115060687B (zh) * | 2022-08-18 | 2022-11-08 | 南京富岛信息工程有限公司 | 一种成品油生产企业税收监管方法 |
CN116777920B (zh) * | 2023-08-25 | 2023-11-10 | 钛玛科(北京)工业科技有限公司 | 一种不干胶涂胶量检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692052A (zh) * | 2009-08-31 | 2010-04-07 | 江苏大学 | 基于超光谱图像技术的名优茶真伪鉴别方法及装置 |
CN102735642A (zh) * | 2012-07-12 | 2012-10-17 | 河北大学 | 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法 |
CN103543123A (zh) * | 2013-10-08 | 2014-01-29 | 江南大学 | 一种掺假牛奶的红外光谱识别方法 |
KR20150069135A (ko) * | 2013-12-13 | 2015-06-23 | 한국건설기술연구원 | 난연재의 난연성능 판별 방법 |
CN105115938A (zh) * | 2015-07-29 | 2015-12-02 | 北京航空航天大学 | 一种饲料原料中三聚氰胺掺假定量检测方法 |
CN105136735A (zh) * | 2015-09-07 | 2015-12-09 | 天津工业大学 | 一种用于三元掺伪芝麻油含量的快速、无损分析方法 |
CN105241838A (zh) * | 2015-09-29 | 2016-01-13 | 西北农林科技大学 | 一种沙棘籽油掺伪的检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8699019B2 (en) * | 2011-07-13 | 2014-04-15 | OptoTrace (SuZhou) Technologies, Inc. | Assuring food safety using nano-structure based spectral sensing |
WO2016141451A1 (en) * | 2015-03-11 | 2016-09-15 | Hormoz Azizian | Method and technique for verification of olive oil composition |
US10119905B2 (en) * | 2016-04-18 | 2018-11-06 | Nir Technologies Inc. | Verification of olive oil composition |
US10791933B2 (en) * | 2016-07-27 | 2020-10-06 | Verifood, Ltd. | Spectrometry systems, methods, and applications |
US10467586B2 (en) * | 2017-03-23 | 2019-11-05 | International Business Machines Corporation | Blockchain ledgers of material spectral signatures for supply chain integrity management |
US10859552B2 (en) * | 2017-06-20 | 2020-12-08 | The Hong Kong Polytechnic University | Edible oil analysis system and method |
-
2017
- 2017-11-24 CN CN201711194143.0A patent/CN107894408B/zh active Active
-
2018
- 2018-11-21 JP JP2018217926A patent/JP6942110B2/ja active Active
- 2018-11-21 US US16/197,689 patent/US10948407B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692052A (zh) * | 2009-08-31 | 2010-04-07 | 江苏大学 | 基于超光谱图像技术的名优茶真伪鉴别方法及装置 |
CN102735642A (zh) * | 2012-07-12 | 2012-10-17 | 河北大学 | 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法 |
CN103543123A (zh) * | 2013-10-08 | 2014-01-29 | 江南大学 | 一种掺假牛奶的红外光谱识别方法 |
KR20150069135A (ko) * | 2013-12-13 | 2015-06-23 | 한국건설기술연구원 | 난연재의 난연성능 판별 방법 |
CN105115938A (zh) * | 2015-07-29 | 2015-12-02 | 北京航空航天大学 | 一种饲料原料中三聚氰胺掺假定量检测方法 |
CN105136735A (zh) * | 2015-09-07 | 2015-12-09 | 天津工业大学 | 一种用于三元掺伪芝麻油含量的快速、无损分析方法 |
CN105241838A (zh) * | 2015-09-29 | 2016-01-13 | 西北农林科技大学 | 一种沙棘籽油掺伪的检测方法 |
Non-Patent Citations (4)
Title |
---|
Detection of melamine adulteration in milk by near-infrared spectroscopy and one-class partial least squares;Hui Chen et al.;《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》;20161028;第173卷;832-836页 * |
Rapid authentication of starch adulterations in ultrafine granular powder of Shanyao by near-infrared spectroscopy coupled with chemometric methods;Hong-liang Ma et al.;《Food Chemistry》;20160729;第215卷;108-115页 * |
Targeted multivariate adulteration detection based on fatty acid profiles and Monte Carlo one-class partial least squares;Liangxiao Zhang et al.;《Chemometrics and Intelligent Laboratory Systems》;20170908;第169卷;94-99页 * |
化学计量学与三酰甘油酯在食用油保真中的研究进展;刘优钱等;《食品科学》;20151231;第36卷(第3期);234-239页 * |
Also Published As
Publication number | Publication date |
---|---|
JP6942110B2 (ja) | 2021-09-29 |
US20190162658A1 (en) | 2019-05-30 |
CN107894408A (zh) | 2018-04-10 |
US10948407B2 (en) | 2021-03-16 |
JP2019095447A (ja) | 2019-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107894408B (zh) | 一种基于近红外光谱仪的食用油多元掺伪鉴别方法 | |
Longobardi et al. | Classification of olive oils according to geographical origin by using 1H NMR fingerprinting combined with multivariate analysis | |
Armenta et al. | The use of near-infrared spectrometry in the olive oil industry | |
CN102087212B (zh) | 基于主成份分析的葛粉掺假鉴别方法 | |
CN102735642B (zh) | 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法 | |
da Silva et al. | Classification of food vegetable oils by fluorimetry and artificial neural networks | |
CN104316491B (zh) | 基于同步‑异步二维近红外相关谱检测牛奶掺尿素的方法 | |
Song et al. | Differentiation of organic and non-organic apples using near infrared reflectance spectroscopy—A pattern recognition approach | |
El Orche et al. | Rapid analytical method to characterize the freshness of olive oils using fluorescence spectroscopy and chemometric algorithms | |
CN104090044A (zh) | 一种用于分析食用植物油中脂肪酸组成的方法及基于脂肪酸组成的食用植物油真伪鉴别方法 | |
Yang et al. | Discrimination of sesame oil adulterated with corn oil using information fusion of synchronous and asynchronous two‐dimensional near‐mid infrared spectroscopy | |
Dankowskaa et al. | Discrimination of edible olive oils by means of synchronous fluorescence spectroscopy with multivariate data analysis | |
CN104020128A (zh) | 一种快速鉴别蜂胶胶源的方法 | |
CN104237370B (zh) | 一种添加芝麻油香精的假冒芝麻油快速鉴别方法 | |
El Orche et al. | Evaluation of the capability of horizontal ATR-FTMIR and UV-visible spectroscopy in the discrimination of virgin olive oils from the Moroccan region of beni mellal-khenifra | |
CN106018321A (zh) | 玉米单粒种子蛋白质检测模型的构建方法及其应用 | |
Liu et al. | Application of stable isotopic and elemental composition combined with random forest algorithm for the botanical classification of Chinese honey | |
CN107976417B (zh) | 一种基于红外光谱的原油种类识别方法 | |
CN109001181B (zh) | 一种拉曼光谱典型相关分析融合的食用油种类快速鉴别方法 | |
Rashvand et al. | The feasibility of using image processing and artificial neural network for detecting the adulteration of sesame oil | |
Junkwon et al. | Potential application of color and hyperspectral images for estimation of weight and ripeness of oil palm (Elaeis guineensis Jacq. var. tenera) | |
CN104730058A (zh) | 一种基于拉曼光谱鉴别地沟油的判别分析方法 | |
Deng et al. | Geographical origin identification of Hainan camellia oil based on fatty acid composition and near infrared spectroscopy combined with chemometrics | |
CN102074009A (zh) | 高光谱图像多端元模式的光谱混合分析方法 | |
CN113310943A (zh) | 一种基于机器学习的藕粉掺假鉴别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |