CN108051394B - 基于近红外光谱的芝麻油掺伪检测方法 - Google Patents
基于近红外光谱的芝麻油掺伪检测方法 Download PDFInfo
- Publication number
- CN108051394B CN108051394B CN201810120414.6A CN201810120414A CN108051394B CN 108051394 B CN108051394 B CN 108051394B CN 201810120414 A CN201810120414 A CN 201810120414A CN 108051394 B CN108051394 B CN 108051394B
- Authority
- CN
- China
- Prior art keywords
- spectrogram
- adulteration
- adulterated
- oil sample
- 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.)
- Active
Links
- 239000008159 sesame oil Substances 0.000 title claims abstract description 28
- 235000011803 sesame oil Nutrition 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 15
- 239000003921 oil Substances 0.000 claims abstract description 109
- 235000019198 oils Nutrition 0.000 claims abstract description 109
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 235000012424 soybean oil Nutrition 0.000 claims abstract description 11
- 239000003549 soybean oil Substances 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 28
- 230000003287 optical effect Effects 0.000 claims description 28
- 238000001228 spectrum Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 10
- 238000010438 heat treatment Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 241000207961 Sesamum Species 0.000 claims 1
- 235000003434 Sesamum indicum Nutrition 0.000 claims 1
- 239000008157 edible vegetable oil 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
- OYHQOLUKZRVURQ-NTGFUMLPSA-N (9Z,12Z)-9,10,12,13-tetratritiooctadeca-9,12-dienoic acid Chemical compound C(CCCCCCC\C(=C(/C\C(=C(/CCCCC)\[3H])\[3H])\[3H])\[3H])(=O)O OYHQOLUKZRVURQ-NTGFUMLPSA-N 0.000 description 1
- 229930003427 Vitamin E Natural products 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013409 condiments Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 238000005516 engineering process Methods 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
- 239000004519 grease Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 239000010461 other edible oil Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 235000015112 vegetable and seed oil Nutrition 0.000 description 1
- 239000008158 vegetable oil Substances 0.000 description 1
- 229940046009 vitamin E Drugs 0.000 description 1
- 235000019165 vitamin E Nutrition 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
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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于近红外光谱的芝麻油掺伪检测方法，包括：向芝麻油样中掺入一定量的大豆油，得到掺伪油样，并采用近红外光谱仪采集所述掺伪油样的近红外光谱图；对所述掺伪油样的近红外光谱图进行预处理，得到掺伪油样的预处理光谱图；采用连续投影算法对所述掺伪油样的预处理光谱图进行一次特征变量提取，得到掺伪油样的一次光谱图特征变量；采用稀疏字典学习对所述掺伪油样的一次光谱图特征变量进行二次特征变量提取，得到掺伪油样的光谱图特征变量；根据所述掺伪油样的光谱图特征变量，采用掺伪定量模型预测所述掺伪油样的掺伪量。该基于近红外光谱的芝麻油掺伪检测方法，安全快速、检测便捷，鉴别准确率高。
Description
技术领域
本发明涉及油脂快速检测技术领域，尤其涉及一种基于近红外光谱的芝麻油掺伪检测方法。
背景技术
食用油是人们日常生活中的重要调味品，是人们膳食结构中必不可少的重要组成部分。芝麻油作为一款日常生活中常用油，其不仅不含对人体有害的成分，而且还含有特别丰富的维生素E和比较丰富的亚油酸，芝麻油是食用品质好，营养价值高的优良食用油。但是，近几年各种形式和各地监督检查情况发现：在芝麻油中掺入其他植物油或从废弃油渣中提取残油以及部分店家都是用食用香精勾兑其他食用油以次充好来谋取高润利益，严重影响消费者权益。因此，寻求一种快速、有效的芝麻油掺伪其它低廉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，本发明提供了一种安全快速、检测便捷，鉴别准确率高的基于近红外光谱的芝麻油掺伪检测方法。
本发明解决其技术问题所采用的技术方案是：基于近红外光谱的芝麻油掺伪检测方法，包括：步骤一、光谱采集：向芝麻油样中掺入一定量的大豆油，得到掺伪油样，并采用近红外光谱仪采集所述掺伪油样的近红外光谱图；步骤二、光谱预处理：对所述掺伪油样的近红外光谱图进行预处理，得到掺伪油样的预处理光谱图；步骤三、一次特征变量提取：采用连续投影算法对所述掺伪油样的预处理光谱图进行一次特征变量提取，得到掺伪油样的一次光谱图特征变量；步骤四、二次特征变量提取：采用稀疏字典学习对所述掺伪油样的一次光谱图特征变量进行二次特征变量提取，得到掺伪油样的光谱图特征变量；步骤五、掺伪量预测：根据所述掺伪油样的光谱图特征变量，采用掺伪定量模型预测所述掺伪油样的掺伪量。
优选的，所述步骤一中大豆油向芝麻油样中的掺入质量比范围为0％～100％。
优选的，所述步骤一中光谱采集的过程如下：将待采集的掺伪油样置于样品池中，设置近红外光谱仪的测定范围为1350～1800nm，第一阶段，设置近红外光谱仪的扫描次数为32次，分辨率为3.5cm-1，采用光程为5mm的光程插片置于样品池中，并将掺伪油样加热至温度为20℃，采集得到第一近红外光谱图；第二阶段，设置近红外光谱仪的扫描次数为64次，分辨率为3cm-1，采用光程为15mm的光程插片置于样品池中，并将掺伪油样加热至温度为40℃，采集得到第二近红外光谱图；第三阶段，设置近红外光谱仪的扫描次数为16次，分辨率为4cm-1，采用光程为10mm的光程插片置于样品池中，并将掺伪油样加热至温度为60℃，采集得到第三近红外光谱图；最终将所述第一近红外光谱图、第二近红外光谱图与第三近红外光谱图的平均值作为所述掺伪油样的近红外光谱图。
优选的，所述步骤二中光谱预处理的过程如下：对所述掺伪油样的近红外光谱图进行移动平均11点平滑法消除光谱噪声，并采用自适应迭代重加权惩罚最小二乘算法进行基线校正，得到掺伪油样的预处理光谱图。
优选的，所述样品池包括壳体、开设于所述壳体内的壳腔、及置于所述壳腔内的光程插片，所述壳体上对应通光方向的前后部分别开设有入射通光口和出射通光口，所述光程插片上开设有与所述入射通光口和出射通光口同轴等径的光程通光口；所述壳腔的内表面均设置为涂有反射材料的平面镜,且相对两块平面镜之间的距离均设置为nλ/2，其中，n为整数，入为波长。
优选的，所述步骤三中一次特征变量提取的过程如下：采用连续投影算法对所述掺伪油样的预处理光谱图进行一次特征变量提取，选取当均方根误差值最小时的特征变量作为掺伪油样的一次光谱图特征变量。
优选的，所述步骤四中二次特征变量提取的过程如下：采用稀疏字典学习对所述掺伪油样的一次光谱图特征变量进行二次特征变量提取，设置冗余字典参数k＝16×16×3，设置平衡误差参数
设置权重参数λ＝30/σ，依次采用正交匹配追踪法和K-奇异值分解方法进行迭代优化，设置迭代次数为2～20次，得到掺伪油样的光谱图特征变量。
优选的，所述步骤五中掺伪定量模型的建立方法如下：在若干份等质量的芝麻油样中依次按不同质量比掺入大豆油，得到若干份掺伪油样，采集所述若干份掺伪油样的近红外光谱图，光谱采集方法如步骤一中所述；对所述若干份掺伪油样的近红外光谱图进行预处理，得到若干份掺伪油样的预处理光谱图，光谱预处理方法如步骤二中所述；采用连续投影算法对所述若干份掺伪油样的预处理光谱图进行一次特征变量提取，得到若干份掺伪油样的一次光谱图特征变量，一次特征变量提取方法如步骤三中所述：采用稀疏字典学习对所述若干份掺伪油样的一次光谱图特征变量进行二次特征变量提取，得到若干份掺伪油样的光谱图特征变量，二次特征变量提取方法如步骤四中所述；通过支持向量机回归方法建立掺伪油样的光谱图特征变量与掺伪量之间的掺伪定量模型，所述掺伪定量模型的均方根误差≤5％，相关系数≥98％。
优选的，采用交互验证算法对所述掺伪定量模型中的惩罚因子C和核函数参数g进行优化，优化时设置惩罚因子C和核函数参数g的范围均为2-20～220，设置交互验证参数V的范围为2～20。
本发明与现有技术相比，其有益效果是：本发明提供的基于近红外光谱的芝麻油掺伪检测方法，通过采用分阶段光谱采集，可有效消除扫描次数、分辨率、温度和光程对近红外光谱图的影响；通过依次采用连续投影算法和稀疏字典学习进行特征变量提取，可有效压缩近红外光谱图中的无用变量及干扰信息；通过建立的掺伪定量模型可实现对掺伪油样中的掺伪量进行快速预测。
附图说明
图1是本发明所述基于近红外光谱的芝麻油掺伪检测方法的流程图；
图2是本发明所述若干份掺伪油样的近红外光谱图。
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近红外光谱的芝麻油掺伪检测方法，包括如下步骤：
步骤一、光谱采集：向芝麻油样中掺入一定量的大豆油，大豆油向芝麻油样中的掺入质量比范围为0％～100％，得到掺伪油样，并采用近红外光谱仪采集所述掺伪油样的近红外光谱图；
其中，光谱采集的过程如下：将待采集的掺伪油样置于样品池中，设置近红外光谱仪的测定范围为1350～1800nm，第一阶段，设置近红外光谱仪的扫描次数为32次，分辨率为3.5cm-1，采用光程为5mm的光程插片置于样品池中，并将掺伪油样加热至温度为20℃，采集得到第一近红外光谱图；第二阶段，设置近红外光谱仪的扫描次数为64次，分辨率为3cm-1，采用光程为15mm的光程插片置于样品池中，并将掺伪油样加热至温度为40℃，采集得到第二近红外光谱图；第三阶段，设置近红外光谱仪的扫描次数为16次，分辨率为4cm-1，采用光程为10mm的光程插片置于样品池中，并将掺伪油样加热至温度为60℃，采集得到第三近红外光谱图；最终将所述第一近红外光谱图、第二近红外光谱图与第三近红外光谱图的平均值作为所述掺伪油样的近红外光谱图；
所述样品池包括壳体、开设于所述壳体内的壳腔、及置于所述壳腔内的光程插片，所述壳体上对应通光方向的前后部分别开设有入射通光口和出射通光口，所述光程插片上开设有与所述入射通光口和出射通光口同轴等径的光程通光口；所述壳腔的内表面均设置为涂有反射材料的平面镜,且相对两块平面镜之间的距离均设置为nλ/2，其中，n为整数，入为波长。
步骤二、光谱预处理：对所述掺伪油样的近红外光谱图进行移动平均11点平滑法消除光谱噪声，并采用自适应迭代重加权惩罚最小二乘算法进行基线校正，得到掺伪油样的预处理光谱图。
步骤三、一次特征变量提取：采用连续投影算法对所述掺伪油样的预处理光谱图进行一次特征变量提取，选取当均方根误差值最小时的特征变量作为掺伪油样的一次光谱图特征变量。
步骤四、二次特征变量提取：采用稀疏字典学习对所述掺伪油样的一次光谱图特征变量进行二次特征变量提取，设置冗余字典参数k＝16×16×3，设置平衡误差参数
设置权重参数λ＝30/σ，依次采用正交匹配追踪法和K-奇异值分解方法进行迭代优化，设置迭代次数为2～20次，得到掺伪油样的光谱图特征变量。
步骤五、掺伪量预测：根据所述掺伪油样的光谱图特征变量，采用掺伪定量模型预测所述掺伪油样的掺伪量；
其中，所述掺伪定量模型的建立方法如下：在若干份等质量的芝麻油样中依次按不同质量比掺入大豆油，得到若干份掺伪油样，采集所述若干份掺伪油样的近红外光谱图，光谱采集方法如步骤一中所述；对所述若干份掺伪油样的近红外光谱图进行预处理，得到若干份掺伪油样的预处理光谱图，光谱预处理方法如步骤二中所述；采用连续投影算法对所述若干份掺伪油样的预处理光谱图进行一次特征变量提取，得到若干份掺伪油样的一次光谱图特征变量，一次特征变量提取方法如步骤三中所述：采用稀疏字典学习对所述若干份掺伪油样的一次光谱图特征变量进行二次特征变量提取，得到若干份掺伪油样的光谱图特征变量，二次特征变量提取方法如步骤四中所述；通过支持向量机回归方法建立掺伪油样的光谱图特征变量与掺伪量之间的掺伪定量模型，所述掺伪定量模型的均方根误差≤5％，相关系数≥98％；采用交互验证算法对所述掺伪定量模型中的惩罚因子C和核函数参数g进行优化，优化时设置惩罚因子C和核函数参数g的范围均为2-20～220，设置交互验证参数V的范围为2～20。
实施例
1、掺伪油样配制及光谱采集
在若干份等质量的芝麻油样中依次按不同质量比掺入大豆油，掺入质量比范围为0％～100％，得到309份掺伪油样，采用SPXY算法按2:1的比例选取校正集掺伪油样206份和预测集掺伪油样103份；并按照步骤一中光谱采集方法采集309份掺伪油样的近红外光谱图(如图2所示)。
2、光谱预处理
对采集309份掺伪油样的近红外光谱图进行移动平均11点平滑法消除光谱噪声，并采用自适应迭代重加权惩罚最小二乘算法进行基线校正，得到掺伪油样的预处理光谱图。
3、特征变量提取
采用连续投影算法对309份掺伪油样的预处理光谱图进行一次特征变量提取，当均方根误差值最小为0.7918时，一次光谱图特征变量为78个；再采用稀疏字典学习对所述掺伪油样的一次光谱图特征变量进行二次特征变量提取，设置冗余字典参数k＝16×16×3，设置平衡误差参数
设置权重参数λ＝30/σ，依次采用正交匹配追踪法和K-奇异值分解方法进行迭代优化，设置迭代次数为2～20次，当取σ＝25且迭代次数为15次时，得到均方根误差值最小为0.2756，二次提取得到的光谱图特征变量为36个。
4、掺伪定量模型的建立和验证
通过支持向量机回归方法建立206份校正集掺伪油样的光谱图特征变量与掺伪量之间的掺伪定量模型，并利用该掺伪定量模型对103份预测集掺伪油样的掺伪量进行验证，具体的，采用交互验证算法对所述掺伪定量模型中的惩罚因子C和核函数参数g进行优化，优化时设置惩罚因子C和核函数参数g的范围均为2-20～220，设置交互验证参数V的范围为2～20，得到当惩罚因子C＝48且核函数参数g＝0.08时，校正集的相关系数为0.9985，均方根误差为0.0133，预测集的相关系数为0.9869，均方根误差为0.0126。
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.基于近红外光谱的芝麻油掺伪检测方法，其特征在于，包括：
步骤一、光谱采集：向芝麻油样中掺入一定量的大豆油，得到309份掺伪油样，采用SPXY算法按2:1的比例选取校正集掺伪油样206份和预测集掺伪油样103份，并采用近红外光谱仪采集所述掺伪油样的近红外光谱图；
光谱采集的过程如下：将待采集的掺伪油样置于样品池中，设置近红外光谱仪的测定范围为1350～1800nm，第一阶段，设置近红外光谱仪的扫描次数为32次，分辨率为3.5cm-1，采用光程为5mm的光程插片置于样品池中，并将掺伪油样加热至温度为20℃，采集得到第一近红外光谱图；第二阶段，设置近红外光谱仪的扫描次数为64次，分辨率为3cm-1，采用光程为15mm的光程插片置于样品池中，并将掺伪油样加热至温度为40℃，采集得到第二近红外光谱图；第三阶段，设置近红外光谱仪的扫描次数为16次，分辨率为4cm-1，采用光程为10mm的光程插片置于样品池中，并将掺伪油样加热至温度为60℃，采集得到第三近红外光谱图；最终将所述第一近红外光谱图、第二近红外光谱图与第三近红外光谱图的平均值作为所述掺伪油样的近红外光谱图；所述样品池包括壳体、开设于所述壳体内的壳腔、及置于所述壳腔内的光程插片，所述壳体上对应通光方向的前后部分别开设有入射通光口和出射通光口，所述光程插片上开设有与所述入射通光口和出射通光口同轴等径的光程通光口；所述壳腔的内表面均设置为涂有反射材料的平面镜,且相对两块平面镜之间的距离均设置为nλ/2，其中，n为整数，入为波长；
步骤二、光谱预处理：对所述309份掺伪油样的近红外光谱图进行移动平均11点平滑法消除光谱噪声，并采用自适应迭代重加权惩罚最小二乘算法进行基线校正预处理，得到掺伪油样的预处理光谱图；
步骤三、一次特征变量提取：采用连续投影算法对309份掺伪油样的预处理光谱图进行一次特征变量提取，选取当均方根误差值最小时的特征变量作为掺伪油样的一次光谱图特征变量，得到掺伪油样的一次光谱图特征变量，当均方根误差值最小为0.7918时，一次光谱图特征变量为78个；
步骤四、二次特征变量提取：采用稀疏字典学习对所述掺伪油样的一次光谱图特征变量进行二次特征变量提取，设置冗余字典参数k＝16×16×3，设置平衡误差参数
设置权重参数λ＝30/σ，依次采用正交匹配追踪法和K-奇异值分解方法进行迭代优化，设置迭代次数为2～20次，得到掺伪油样的光谱图特征变量，当取σ＝25且迭代次数为15次时，得到均方根误差值最小为0.2756，二次提取得到的光谱图特征变量为36个；
步骤五、掺伪量预测：根据所述掺伪油样的光谱图特征变量，采用掺伪定量模型预测所述掺伪油样的掺伪量；通过支持向量机回归方法建立206份校正集掺伪油样的光谱图特征变量与掺伪量之间的掺伪定量模型，并利用该掺伪定量模型对103份预测集掺伪油样的掺伪量进行验证，得到当惩罚因子C＝48且核函数参数g＝0.08时，校正集的相关系数为0.9985，均方根误差为0.0133，预测集的相关系数为0.9869，均方根误差为0.0126。
2.如权利要求1所述的基于近红外光谱的芝麻油掺伪检测方法，其特征在于，所述步骤一中大豆油向芝麻油样中的掺入质量比范围为0％～100％。
3.如权利要求1所述的基于近红外光谱的芝麻油掺伪检测方法，其特征在于，所述步骤五中掺伪定量模型的建立方法如下：
在若干份等质量的芝麻油样中依次按不同质量比掺入大豆油，得到若干份掺伪油样，采集所述若干份掺伪油样的近红外光谱图，光谱采集方法如步骤一中所述；
对所述若干份掺伪油样的近红外光谱图进行预处理，得到若干份掺伪油样的预处理光谱图，光谱预处理方法如步骤二中所述；
采用连续投影算法对所述若干份掺伪油样的预处理光谱图进行一次特征变量提取，得到若干份掺伪油样的一次光谱图特征变量，一次特征变量提取方法如步骤三中所述：
采用稀疏字典学习对所述若干份掺伪油样的一次光谱图特征变量进行二次特征变量提取，得到若干份掺伪油样的光谱图特征变量，二次特征变量提取方法如步骤四中所述；
通过支持向量机回归方法建立掺伪油样的光谱图特征变量与掺伪量之间的掺伪定量模型，所述掺伪定量模型的均方根误差≤5％，相关系数≥98％。
4.如权利要求3所述的基于近红外光谱的芝麻油掺伪检测方法，其特征在于，采用交互验证算法对所述掺伪定量模型中的惩罚因子C和核函数参数g进行优化，优化时设置惩罚因子C和核函数参数g的范围均为2-20～220，设置交互验证参数V的范围为2～20。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810120414.6A CN108051394B (zh) | 2018-02-07 | 2018-02-07 | 基于近红外光谱的芝麻油掺伪检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810120414.6A CN108051394B (zh) | 2018-02-07 | 2018-02-07 | 基于近红外光谱的芝麻油掺伪检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108051394A CN108051394A (zh) | 2018-05-18 |
| CN108051394B true CN108051394B (zh) | 2020-10-02 |
Family
ID=62125778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810120414.6A Active CN108051394B (zh) | 2018-02-07 | 2018-02-07 | 基于近红外光谱的芝麻油掺伪检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108051394B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109342359A (zh) * | 2018-10-25 | 2019-02-15 | 中国科学院上海技术物理研究所 | 一种对农药中掺入的其他微量成分浓度的快速检测方法 |
| CN111307751B (zh) * | 2020-03-18 | 2021-09-03 | 安徽大学 | 茶叶近红外光谱分析中谱图基线校正方法、系统、检测方法 |
| 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 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105806824A (zh) * | 2016-03-22 | 2016-07-27 | 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 |
| CN107121406A (zh) * | 2017-05-24 | 2017-09-01 | 福州大学 | 一种基于近红外光谱的葡萄籽油掺假鉴别方法 |
-
2018
- 2018-02-07 CN CN201810120414.6A patent/CN108051394B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105806824A (zh) * | 2016-03-22 | 2016-07-27 | 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 |
| CN107121406A (zh) * | 2017-05-24 | 2017-09-01 | 福州大学 | 一种基于近红外光谱的葡萄籽油掺假鉴别方法 |
Non-Patent Citations (5)
| Title |
|---|
| "Identification of Different Varieties of Sesame Oil Using Near-Infrared Hyperspectral Imaging and Chemometrics Algorithms";Chuanqi Xie,et.al.;《PLOS ONE》;20140531;第5卷(第9期);第1-8页 * |
| "Partial Least Squares Discriminant Analysis Model Based on Variable Selection Applied to Identify the Adulterated Olive Oil";Xinhui Li，et.al.;《Food Anal. Methods》;20160930(第9期);第1713–1718页 * |
| "基于分块 K-SVD 字典学习的彩色图像去噪";刘晓曼等;《南京理工大学学报》;20161031;第40卷(第5期);第607-612页 * |
| "基于激光近红外的稻米油掺伪定性－定量分析";涂斌等;《光谱学与光谱分析》;20150630;第35卷(第6期);第1539-1545页 * |
| 涂斌等."基于激光近红外的稻米油掺伪定性－定量分析".《光谱学与光谱分析》.2015,第35卷(第6期),第1539-1545页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108051394A (zh) | 2018-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108051394B (zh) | 基于近红外光谱的芝麻油掺伪检测方法 | |
| Cassata et al. | The VIMOS Ultra-Deep Survey (VUDS): fast increase in the fraction of strong Lyman-α emitters from z= 2 to z= 6 | |
| Pimentel et al. | Determination of biodiesel content when blended with mineral diesel fuel using infrared spectroscopy and multivariate calibration | |
| CN108362659B (zh) | 基于多源光谱并联融合的食用油种类快速鉴别方法 | |
| Li et al. | Authentication of pure camellia oil by using near infrared spectroscopy and pattern recognition techniques | |
| Sun et al. | Detection and quantification of extra virgin olive oil adulteration with edible oils by FT-IR spectroscopy and chemometrics | |
| Insausti et al. | Screening analysis of biodiesel feedstock using UV–vis, NIR and synchronous fluorescence spectrometries and the successive projections algorithm | |
| Yang et al. | Discrimination of sesame oil adulterated with corn oil using information fusion of synchronous and asynchronous two‐dimensional near‐mid infrared spectroscopy | |
| Jiang et al. | Determination of acid value during edible oil storage using a portable NIR spectroscopy system combined with variable selection algorithms based on an MPA‐based strategy | |
| Yun-Ying et al. | Progress and applications of multivariate calibration model transfer methods | |
| Li et al. | Nondestructive detection of frying times for soybean oil by NIR-spectroscopy technology with Adaboost-SVM (RBF) | |
| Sun et al. | Nondestructive identification of green tea varieties based on hyperspectral imaging technology | |
| 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 | |
| CN108303406B (zh) | 基于拉曼光谱的油茶籽油掺伪检测方法 | |
| CN107976417B (zh) | 一种基于红外光谱的原油种类识别方法 | |
| Yuan et al. | Properties of LBGs with [OIII] detection at z∼ 3.5-The importance of including nebular emission data in SED fitting | |
| CN109001148B (zh) | 一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法 | |
| Hao et al. | Combined hyperspectral imaging technology with 2D convolutional neural network for near geographical origins identification of wolfberry | |
| Teye et al. | Nondestructive authentication of cocoa bean cultivars by FT-NIR spectroscopy and multivariate techniques | |
| CN108267424B (zh) | 基于多种特征成分快速鉴别食用油种类的方法 | |
| Liu et al. | Detection of genetically modified sugarcane by using terahertz spectroscopy and chemometrics | |
| CN104764837B (zh) | 一种鉴别地沟油的方法 | |
| CN107664621B (zh) | 异常样本识别方法、系统、服务器及电子设备 | |
| CN112485216A (zh) | 一种多源信息融合的泰国茉莉香米掺伪鉴别方法 | |
| Li et al. | Origin traceability and adulteration detection of soybean using near infrared hyperspectral imaging |
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 |