CN108181260B - 一种鉴别压榨茶油与浸出茶油的方法 - Google Patents
一种鉴别压榨茶油与浸出茶油的方法 Download PDFInfo
- Publication number
- CN108181260B CN108181260B CN201810135817.8A CN201810135817A CN108181260B CN 108181260 B CN108181260 B CN 108181260B CN 201810135817 A CN201810135817 A CN 201810135817A CN 108181260 B CN108181260 B CN 108181260B
- Authority
- CN
- China
- Prior art keywords
- tea oil
- samples
- oil
- leached
- 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
- 239000010495 camellia oil Substances 0.000 title claims abstract description 255
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000012706 support-vector machine Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000008030 elimination Effects 0.000 claims abstract description 10
- 238000003379 elimination reaction Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000009499 grossing Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 1
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 60
- 235000019198 oils Nutrition 0.000 description 60
- 238000012795 verification Methods 0.000 description 38
- 238000002386 leaching Methods 0.000 description 24
- 230000003595 spectral effect Effects 0.000 description 21
- 238000012545 processing Methods 0.000 description 17
- IOLCXVTUBQKXJR-UHFFFAOYSA-M potassium bromide Chemical compound [K+].[Br-] IOLCXVTUBQKXJR-UHFFFAOYSA-M 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010238 partial least squares regression Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 241001122767 Theaceae Species 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 241000526900 Camellia oleifera Species 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 239000002904 solvent Substances 0.000 description 3
- 240000001548 Camellia japonica Species 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 235000018597 common camellia Nutrition 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000014113 dietary fatty acids Nutrition 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 239000008157 edible vegetable oil Substances 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
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000004570 mortar (masonry) Substances 0.000 description 2
- 239000003960 organic solvent Substances 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 239000004006 olive oil Substances 0.000 description 1
- 235000008390 olive oil Nutrition 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 150000004670 unsaturated fatty acids Chemical class 0.000 description 1
- 235000021122 unsaturated fatty acids Nutrition 0.000 description 1
- 235000015112 vegetable and seed oil Nutrition 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
- G01N21/3577—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
本发明公开了一种鉴别压榨茶油与浸出茶油的方法，通过采集样本红外光谱，红外光谱的波数范围为400~3750cm‑1，样本红外光谱数据通过消噪处理或特征提取，然后采用偏最小二乘、支持向量机或人工神经网络等方法建立鉴别模型，通过将未知样品红外光谱数据输入鉴别模型，计算出其预测值，比较预测值与类别值之间的距离，类别值是指压榨茶油和浸出茶油的赋值，据距离判断未知样本是压榨茶油或浸出茶油。本方法无需对茶油样品进行繁琐的前处理，不损耗样品，不消耗化学试剂，操作简单，推广价值高。
Description
技术领域
本发明涉及茶油检测技术领域，更具体地，涉及一种鉴别压榨茶油与浸出茶油的方法。
背景技术
茶油是从木本植物油茶的种子中提取的食用油，又名山茶油、茶籽油、油茶籽油。茶油的理化性质和脂肪酸组成与世界公认最好的橄榄油相似，茶油品质主要取决于其所含脂肪酸种类及含量，其不饱和脂肪酸含量达90％以上，是一种营养价值极高的食用植物油脂。
目前茶油的生产工艺主要有压榨法和浸出法，压榨法是借助机械外力的作用，将油脂从油料中挤压出来的取油方法，压榨法的工艺较简单，茶油的品质好，营养成分含量高，风味纯正，但缺点是茶饼中油的残留率高，出油率低。浸出法是利用相似相溶的原理，用有机溶剂萃取经压榨后茶饼中的残油或萃取油茶籽中的油脂，然后分离去除有机溶剂的工业方法，提油率高，生产成本低，但茶油中的营养成分损失大，溶剂残留引起的安全性问题。导致压榨茶油的价格为浸出茶油的2～3倍，有些企业或商家为了追求高额利润，将浸出茶油假冒为压榨茶油，扰乱市场竞争，损害消费者的利益。
因此，迫切需要开发一套简便、准确、快速的方法来鉴别压榨茶油与浸出茶油，以维护消费者的权益和便于政府监管。
发明内容
本发明为克服上述现有技术所述的缺陷，提供一种鉴别压榨茶油与浸出茶油的方法，能够准确鉴别压榨茶油与浸出茶油，且方法简单、快速、不损耗样品。
为解决上述技术问题，本发明采用的技术方案是：
一种鉴别压榨茶油与浸出茶油的方法，包括如下步骤：
S1.采集样本红外光谱：收集压榨茶油和浸出茶油的样本，测试压榨茶油和浸出茶油样本的红外光谱，得到压榨茶油和浸出茶油样本的红外光谱图，压榨茶油和浸出茶油的样本数均大于等于50；
S2.红外光谱的预处理：对压榨茶油和浸出茶油样本的红外光谱进行消噪处理或特征提取或消噪处理后特征提取；
S3.建立鉴别模型：对压榨茶油和浸出茶油进行赋值，赋值为分类变量，浸出茶油赋值为X1，压榨茶油赋值为X2，利用样本的预处理后的红外光谱的数据和对应的分类变量通过回归方法建立压榨茶油与浸出茶油的鉴别模型；
S4.鉴别未知样本：采用S1的方法采集未知样本的红外光谱，采用S2的方法对未知样本的红外光谱进行预处理，将预处理后的未知样本的红外光谱的数据输入S3的鉴别模型，得到鉴别模型的预测值，计算预测值与压榨茶油和浸出茶油的赋值之间的距离，根据距离判断未知样本是压榨茶油或浸出茶油；
所述红外光谱的波数范围为400～3750cm-1；
所述回归方法包括偏最小二乘模型、支持向量机模型和人工神经网络模型。
发明人通过大量研究发现，在波数范围为400～3750cm-1的红外光谱能够用于鉴别压榨茶油和浸出茶油；
样本红外光谱通过预处理或特征提取，然后采用偏最小二乘模型、支持向量机模型或人工神经网络模型建立鉴别模型，通过鉴别模型得到未知样本的预测值，计算预测值与类别值之间的距离，类别值是指压榨茶油和浸出茶油的赋值，据距离判断未知样本是压榨茶油或浸出茶油。
所述红外光谱的测试方法：扫描3次取平均值；红外光谱的分辨率为0.5～16cm-1。
所述特征提取的方法为主成分分析法。
优选地，所述红外光谱的波数范围为400～750cm-1、750～1850cm-1、2800～3750cm-1中的一个或几个。
优选地，所述红外光谱的波数为722.80cm-1、1181.98cm-1、1162.82cm-1、1238.68cm-1、1377.45cm-1、1417.46cm-1、1747.12cm-1、2853.55cm-1、2922.39cm-1、3004.79cm-1中的两个以上。
优选地，所述红外光谱的波数为1238.68cm-1、1747.12cm-1、2853.55cm-1、2922.39cm-1中的两个以上。
优选地，所述消噪处理的方法包括Savitzky-Golay平滑、多元散射校正、标准正态变换、一阶导数、二阶导数。
优选地，浸出茶油赋值为0，压榨茶油赋值为1。
更优选地，鉴别模型的预测值为Yp，如果-2.1908≤Yp≤0.5则为浸出茶油；如果0.55＜Yp≤2.9029，则为压榨茶油。
进一步优选地，如果-0.2586≤Yp≤0.4311则为浸出茶油，如果0.6218≤Yp≤1.1609则为压榨茶油。
所述压榨茶油为采用包括液压压榨法、螺旋压榨法、古法压榨法得到的茶油。
所述压榨茶油包括带壳压榨的茶油、去壳压榨的茶油、保留部分籽壳压榨的茶油。
所述压榨茶油包括初榨茶油、复榨茶油。
所述压榨茶油包括压榨后得到的毛油或是精炼后的压榨成品油。
所述浸出茶油包括采用溶剂浸提油茶籽或压榨后的茶饼得到的毛茶油、经精炼后的食用浸出茶油。
本发明的鉴别压榨茶油与浸出茶油的方法的具体步骤如下：
S1.压榨茶油和浸出茶油的采集：压榨茶油与浸出茶油的样品收集范围覆盖我国茶油生产主要省份和地区，压榨茶油包括各种类型的压榨机榨得的茶油，浸出茶油包括用溶剂从油茶籽直接浸取和从压榨后的茶饼中浸出得到的茶油，样本数大于等于50；
S2.样本红外光谱的采集：将茶油均匀涂在已经压好片的溴化钾压片上，扫描400～3750cm-1的红外吸收，每个样本重复扫描3次，以其平均值作为样本最终光谱数据；确定建立鉴别模型的波段范围，用于待测压榨茶油和浸出茶油样品的红外光谱扫描范围；
S3.红外光谱数据预处理及特征提取：分别对两种工艺生产的茶油在波数400～3750cm-1范围内的红外光谱数据分别进行消噪处理或主成分提取或将联合消噪处理和主成分提取，消噪处理包括Savitzky-Golay平滑、多元散射校正、标准正态变换、一阶导数和二阶导数处理；
S4.生产工艺类别赋值及模型的建立：对压榨茶油和浸出茶油进行赋值，浸出茶油标记为0，压榨茶油标记为1，通过偏最小二乘、支持向量机和人工神经网络等方法来建立压榨茶油与浸出茶油的鉴别模型；
鉴别模型的建立：
(a)：偏最小二乘法模型的建立
将提取的主成分和对应的分类变量利用偏最小二乘法建立回归关系，通过回归相关系数Rcv、均方根误差RMSECV来确定最佳的主成分数，得到最佳主成分数；然后再在最佳主成分数下建立回归关系；
(b)：支持向量机模型的建立
将预处理的光谱数据和对应的分类变量利用支持向量机建立回归关系，通过回归相关系数和均方根误差来确定最佳的惩罚参数(C)、松弛系数(g)；然后再在最佳参数下建立回归关系；
(d)人工神经网络模型的建立
将提取的主成分和对应的分类变量利用人工神经网络方法建立他们之间的回归关系，通过回归相关系数和均方根误差来确定最佳的神经网络参数，包括神经元数和训练步数，主成分数；然后再在最佳参数下建立回归关系；
S5.应用模型对未知样本进行判别
样本的鉴别：相同条件下，对未知样本按照步骤S2.测定样本红外光谱，并进行光谱预处理和特征提取，将预处理得到的对应光谱数据和输入到建立的模型中，模型输出得到的预测值(Yp)分别与0和1计算距离，如果-2.1908≤Yp≤0.5，则为浸出茶油，如果0.5＜Yp≤2.9029，则为压榨茶油；更优的是-2.1908≤Yp≤0.4679则为浸出茶油，如果0.5577≤Yp≤2.9029则为压榨茶油。
与现有技术相比，本发明的有益效果是：
本发明利用波数范围为400～3750cm-1的红外光谱，采集样本红外光谱，样本红外光谱通过预处理或特征提取，然后采用偏最小二乘模型、支持向量机模型或人工神经网络模型建立鉴别模型，通过鉴别模型得到未知样本的预测值，计算预测值与类别值之间的距离，类别值是指压榨茶油和浸出茶油的赋值，据距离判断未知样本是压榨茶油或浸出茶油，应用过程中鉴别的准确率能够达到82.5％～100％；本方法无需对茶油样品进行繁琐的前处理，不损耗样品，不消耗化学试剂，操作简单，推广价值高。
附图说明
图1为100个浸出茶油的红外吸收光谱图。
图2为100个压榨茶油的红外吸收光谱图。
图3为实施例1的SG偏最小二乘模型主成分数与相关系数和交叉验证均方根误差图。
图4为实施例1的SG偏最小二乘模型建模集样本类别与模型预测值散点图。
图5为实施例2的MSC偏最小二乘模型主成分数与相关系数和交叉验证均方根误差图。
图6为实施例2的MSC偏最小二乘模型建模集样本类别与模型预测值散点图。
图7为实施例3的SG最小二乘模型建模集样本类别与模型预测值散点图。
图8为实施例4的SG支持向量机网格寻优图。
图9为实施例4的SG支持向量机模型建模集样本类别与模型预测值散点图。
图10为实施例5的SG+FD支持向量机网格寻优图。
图11为实施例5的SG+FD支持向量机模型建模集样本类别与模型预测值散点图。
图12为实施例6的SNV支持向量机模型建模集样本类别与模型预测值散点图。
图13为实施例7的SG人工神经网络模型建模集样本类别与模型预测值散点图。
图14为实施例8的SD人工神经网络模型主成分数与相关系数和交叉验证均方根误差图。
图15为实施例8的SD人工神经网络模型建模集样本类别与模型预测值散点图。
图16为实施例9的人工神经网络训练步数与误差图。
图17为实施例9的人工神经网络神经元数与相关系数图。
图18为实施例9的人工神经网络模型建模集样本类别与模型预测值散点图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。
实施例中SG是指Savitzky-Golay平滑；MSC是指多元散射校正；SNV是指标准正态变换；FD是指一阶导数；SD是指二阶导数。
采用红外光谱所用的红外光谱分析仪为：Nicolet iS 10傅立叶变换红外光谱仪(赛默飞世尔公司)。
红外光谱的测试方法：
KBr可在使用前用玛瑙研钵研细至200目以下，在烘箱中100度干燥后装在干燥容器中备用；
取200mgKBr，在玛瑙研钵中研细，约1～2min，顺着一个方向研磨；
取模具，擦拭干净，压片过程中模具应接上真空泵来抽真空；装好底座，把内模块光面向上放入，用药品匙将研细的KBr样品均匀放入；
将模具放在压片机上，旋紧螺旋，关紧放气阀，加压至20MPa，停留1～2min；
慢慢打开放气阀，使压力缓慢下降到0；拧开螺旋取出模具；打开底座，反向压出内模块，用平面的药铲小心取出压好的压片，放入药片夹中即可；
将茶油(1-50mg)均匀涂在溴化钾压片，测定红外光谱。
实施例中Savitzky-Golay平滑、多元散射校正、标准正态变换、一阶导数和二阶导数的处理采用MATLAB软件处理。
偏最小二乘的建模过程：200个茶油样本分成建模集和验证集，其中建模集160个，验证集40个，验证采用采用留一交叉验证法。将光谱数据通过主成分分析提取前m个主成分，先取前一个主成分和样本类别建立回归关系，同时用验证集校验建立的回归关系模型，计算验证集的相关系数和误差；再取前两个主成分和样本类别建立回归关系，同时用验证集校验建立的回归关系模型，计算验证集的相关系数和误差；直至取前m个主成分和样本类别建立回归关系，同时用验证集校验建立的回归关系模型，计算验证集的相关系数和误差；比较得出前n(n≤m)个主成分相关系数最高，则取前n个主成分建立回归关系，通过MATLAB软件编程实现，建立偏最小二乘模型。
支持向量机建模过程：200个茶油样本分成建模集和验证集，其中建模集160个，验证集40个。建立支持向量机模型，其中验证采用5折交叉验证，核函数选择sigmoid核函数，向量机类型选择nu-SVR，然后将光谱数据和样本类别输入，采用网格寻优法通过误差和相关系数来确定惩罚参数(C)和松弛系数(g)，确定最优参数后，再将光谱数据和样本类别建立回归模型，通过MATLAB编程实现。
人工神经网络的训练过程：200个茶油样本分成建模集和验证集，其中建模集160个，验证集40个，建立一个3层的BP人工神经网络结构，输入层与隐含层的连接函数为tan-sigmoid，隐含层与输出层之间的连接函数采用purelin，训练算法为L-M(Levenberg—Marquardt)算法，隐含层神经元为可调整参数进行优化，输出层单元数为1，系统训练设定误差为0.001，训练最大迭代次数为1000,160个建模集校验误差0.007354，通过MATLAB编程输入光谱变量和类别变量，建立BP人工神经网络。
实施例1
1、压榨与浸出茶油样本的采集：采集国内主要茶油生产企业的压榨茶油与浸出茶油样本共200份，其中压榨茶油100份，浸出茶油100份。压榨茶油编号1～100号，浸出茶油101～200号。
2、将样本分为建模集和验证集：建模集样本160个其中包括浸出茶油80个，编号为101～180；压榨茶油80个，标号为1～80；验证集样本40个，其中包括浸出茶油20个，编号为181～200；压榨茶油20个，编号为81～100。
3、压榨茶油与浸出茶油分别赋值：将浸出与压榨油分别赋值，浸出油样本记为0、压榨油样本记为1，以此作为分类变量。
4、茶油样本的红外光谱的采集：将茶油均匀涂在在已经压好片的溴化钾压片上，扫描400～3750cm-1的红外光谱图，每个样本重复扫描3次，以其平均值作为样本最终光谱数据。如图1～2所示。
5、红外光谱数据预处理及特征提取：用SG平滑对特征波段400～3750cm-1进行处理，处理后得到相应的光谱数据。然后提取对应光谱的主成分。
6、偏最小二乘模型的建立：将提取的主成分数据和样本类别用偏最小二乘法建立回归关系，根据相关系数和均方根误差判断最佳主成分数，相关系数越大和均方根误差越小，则表示模型越好，最佳主成分为4，如图3所示，该模型的相关系数Rcv＝0.7710最大，均方根误差RMSECV＝0.2767最小，SG平滑偏最小二乘法建模集样本预测，如图4所示(方框内为鉴别错误样本，下同)。
7、SG平滑联合偏最小二乘回归模型对未知样本的预测：将除建模集外的样本40个，按照步骤4和5处理好，提取前4个最佳主成分，输入到偏最小二乘回归模型中，模型输出得到数值(Yp)，Yp位于-0.3677到1.2672之间，如果Yp≤0.5则为浸出茶油，如果Yp＞0.5则为压榨茶油。然后与实际类别相对比，计算鉴别的准确率，结果如表1所示。
表1
从表1可以看出，利用SG偏最小二乘模型鉴别40个压榨茶油与浸出茶油样本，其中37个被准确鉴别，鉴别准确率为92.5％，可以说明本发明鉴别模型用于压榨茶油与浸出茶油鉴别效果很好。
实施例2
1、将样本分为建模集和验证集：选择实施例1中编号为21～100的80个浸出茶油样本，编号为121～200的80个压榨油样本，共160个样本作为建模集，选择实施例1中编号为1～20的20个浸出茶油样本，编号为101～120的20个压榨油样本，共40个茶油样本选择验证集。
2、压榨茶油与浸出茶油分别赋值：将浸出与压榨油分别赋值，浸出油样本记为0、压榨油样本记为1，以此作为分类变量。
3、红外光谱数据预处理及特征提取：用MSC对特征波段400～750cm-1和2800～3750cm-1进行消噪处理，处理后得到相应的光谱数据。然后提取对应光谱的主成分。
4、偏最小二乘模型的建立：将提取的主成分数据和样本类别用偏最小二乘法建立回归关系，根据相关系数和均方根误差判断最佳主成分数，相关系数越大和均方根误差越小，则表示模型越好，最佳主成分为5，如图5所示。该模型的相关系数Rcv＝0.9740最大，均方根误差RMSECV＝0.0906最小，MSC偏最小二乘法建模集样本预测，如图6所示。
5、MSC联合偏最小二乘回归模型对未知样本的预测：将除建模集外的样本40个，按照步骤3和4处理好，提取前5个最佳主成分，输入到偏最小二乘回归模型中，模型输出得到数值(Yp)，Yp位于-0.1303到1.782之间，如果Yp≤0.5则为浸出茶油，如果Yp＞0.5则为压榨茶油。然后与实际类别相对比，计算鉴别的准确率，结果如表2所示。
表2
从表2可以看出，利用MSC偏最小二乘模型判别分析鉴别压榨茶油与浸出茶油，样本数为40个，其中35个被准确鉴别，5个样本鉴别错误，鉴别准确率为87.5％，可以说明本发明鉴别模型用于压榨茶油与浸出茶油鉴别效果很好。
实施例3
1、将样本分为建模集和验证集：选择实施例1中编号为1～40和61～100的80个浸出茶油样本,编号为100～140和161～200的80个压榨油样本，共160个样本作为建模集，选择实施例1中编号为41～60的20个浸出茶油样本，编号为141～160的20个压榨油样本，共40个茶油样本选择验证集。
2、压榨茶油与浸出茶油分别赋值：将浸出与压榨油分别赋值，浸出油样本记为0、压榨油样本记为1，以此作为分类变量。
3、红外光谱数据预处理及特征提取：分别用SG平滑、多元散射校正、标准正态变换、一阶导数和二阶导数对特征波数1238.68cm-1、1747.12cm-1、2853.55cm-1、2922.39cm-1进行消噪处理，处理后得到相应的光谱数据。
4、偏最小二乘模型的建立：将提取的主成分数据和样本类别用偏最小二乘法建立回归关系，根据相关系数和均方根误差判断最佳预处理方法，相关系数越大和均方根误差越小，则表示模型越好，最有预处理方法为SG，见表3。
表5不同预处理方法的PLS模型结果
该模型的相关系数Rcv＝0.85700最大，均方根误差RMSECV＝0.1878最小，偏最小二乘法建模集样本预测，如图7所示。
5、偏最小二乘回归模型对未知样本的预测：将除建模集外的样本40个，按照步骤3和4处理好，输入到偏最小二乘回归模型中，模型输出得到数值(Yp)，Yp位于-0.2335到1.1187之间，如果Yp≤0.5则为浸出茶油，如果Yp＞0.5则为压榨茶油。然后与实际类别相对比，计算鉴别的准确率，结果如表4所示。
表4
从表4可以看出，利用SG偏最小二乘模型判别分析鉴别压榨茶油与浸出茶油，样本数为40个，其中4个样本鉴别错误，36个样本被准确鉴别，鉴别准确率为90％，可以说明本发明鉴别模型用于压榨茶油与浸出茶油鉴别效果很好。
实施例4
1、将样本分为建模集和验证集：选择实施例1中编号为1～15和36～100的80个浸出茶油样本,编号为100～115和136～200的80个压榨油样本，共160个样本作为建模集，选择实施例1中编号为16～35的20个浸出茶油样本，编号为116～135的20个压榨油样本，共40个茶油样本选择验证集。
2、压榨茶油与浸出茶油分别赋值：将浸出与压榨油分别赋值，浸出油样本记为0、压榨油样本记为1，以此作为分类变量。
3、红外光谱数据预处理及特征提取：用SG平滑对特征波段750-1850cm-1进行处理，处理后得到相应的光谱数据。
4、支持向量机模型的建立：将预处理的光谱数据和样本类别用支持向量机建立回归关系，根据相关系数和均方根误差判断最佳惩罚参数(C)和松弛系数(g)，最佳C为8，最佳g为0.25，如图8所示。该模型的相关系数Rcv＝0.9835最大，均方根误差RMSECV＝0.0907最小。SG支持向量机模型建模集样本预测，如图9所示。
5、SG支持向量机模型对未知样本的预测：将除建模集外的样本40个，按照步骤3和4处理好，输入到G支持向量机模型中，模型输出得到数值(Yp)，Yp位于-0.313到1.2302之间，如果Yp≤0.5则为浸出茶油，如果Yp＞0.5则为压榨茶油。然后与实际类别相对比，计算鉴别的准确率，结果如表5所示。
表5
从表5可以看出，利用SG支持向量机模型判别分析鉴别压榨茶油与浸出茶油，样本数为40个，其中36个被准确鉴别，鉴别准确率为90％，可以说明本发明鉴别模型用于压榨茶油与浸出茶油鉴别效果很好。
实施例5
1、将样本分为建模集和验证集：选择实施例1中编号为1～80的80个浸出茶油样本,编号为101～180的80个压榨油样本，共160个样本作为建模集，选择实施例1中编号为81～100的20个浸出茶油样本，编号为181～200的20个压榨油样本，共40个茶油样本选择验证集。
2、压榨茶油与浸出茶油分别赋值：将浸出与压榨油分别赋值，浸出油样本记为0、压榨油样本记为1，以此作为分类变量。
3、红外光谱数据预处理及特征提取：用SG平滑后，再用FD对特征波段400～750cm-1、750～1850cm-1、2800～3750cm-1进行处理，处理后得到相应的光谱数据。
4、支持向量机模型的建立：将预处理的光谱数据和样本类别用支持向量机建立回归关系，根据相关系数和均方根误差判断最佳惩罚参数(C)和松弛系数(g)，最佳C为0.5，最佳g为0.15，如图10所示。该模型的相关系数Rcv＝0.9034最大，均方根误差RMSECV＝0.21最小。SG+FD支持向量机模型建模集样本预测，如图11。
5、SG+FD支持向量机模型对未知样本的预测：将除建模集外的样本40个，按照步骤3和4处理好，输入到支持向量机模型中，模型输出得到数值(Yp)，Yp位于0.0008到1.301之间，如果Yp≤0.5则为浸出茶油，如果Yp＞0.5则为压榨茶油。然后与实际类别相对比，计算鉴别的准确率，结果如表6所示。
表6
从表6可以看出，利用SG+FD支持向量机模型鉴别压榨茶油与浸出茶油，总样本数为40个，其中33个被准确鉴别，5个压榨茶油和2个浸出茶油样本鉴别出现错误，鉴别准确率为82.5％，可以说明本发明鉴别模型用于压榨茶油与浸出茶油鉴别效果很好。
实施例6
1、将样本分为建模集和验证集：选择实施例1中编号为1～50和71～100的80个浸出茶油样本,编号为101～150和171～200的80个压榨油样本，共160个样本作为建模集，选择实施例1中编号为51～70的20个浸出茶油样本，编号为131～170的20个压榨油样本，共40个茶油样本选择验证集。
2、压榨茶油与浸出茶油分别赋值：将浸出与压榨油分别赋值，浸出油样本记为0、压榨油样本记为1，以此作为分类变量。
3、红外光谱数据预处理及特征提取：分别用SG平滑、多元散射校正、标准正态变换、一阶导数和二阶导数对特征400～750cm-1和特征波数1238.68cm-1、1747.12cm-1、2853.55cm-1、2922.39cm-1进行处理，处理后得到相应的光谱数据。
4、支持向量机模型的建立：将预处理的光谱数据和样本类别用支持向量机建立回归关系，根据相关系数和均方根误差判断最佳惩罚参数(C)和松弛系数(g)，最佳C为1，最佳g为0.5，见表7。该模型的相关系数Rcv＝0.9933最大，均方根误差RMSECV＝0.0579最小。SNV支持向量机模型建模集样本预测，如图12所示。
表7
5、SNV支持向量机模型对未知样本的预测：将除建模集外的样本40个，按照步骤3和4处理好，输入到G支持向量机模型中，模型输出得到数值(Yp)，Yp位于-1.8909到2.9029之间，如果Yp≤0.5则为浸出茶油，如果Yp＞0.5则为压榨茶油。然后与实际类别相对比，计算鉴别的准确率，结果如表8所示。
表8
从表8可以看出，利用SNV支持向量机模型对压榨茶油和浸出茶油各20个，共40个样本进行鉴别，其中编号为56的浸出茶油鉴别错误，编号为151的压榨茶油鉴别错误，剩余的38个样本均被准确鉴别，鉴别准确率为95％，可以说明本发明鉴别模型用于压榨茶油与浸出茶油鉴别效果很好。
实施例7
1、将样本分为建模集和验证集：选择实施例1中编号为1～20和41～100的80个浸出茶油样本,编号为101～120和141～200的80个压榨油样本，共160个样本作为建模集，选择实施例1中编号为41～60的20个浸出茶油样本，编号为141～160的20个压榨油样本，共40个茶油样本选择验证集。
2、压榨茶油与浸出茶油分别赋值：将浸出与压榨油分别赋值，浸出油样本记为0、压榨油样本记为1，以此作为分类变量。
3、红外光谱数据预处理及特征提取：分别用SG平滑、多元散射校正、标准正态变换、一阶导数和二阶导数对特征400～3750cm-1进行处理，处理后得到相应的光谱数据。
4、人工神经网络的建立：将预处理的光谱数据和样本类别用人工神经网络建立回归关系，根据相关系数和均方根误差判断最优预处理方法，见表9。最优预处理方法为SG平滑，该模型的相关系数Rcv＝0.9394最大，均方根误差RMSECV＝0.1579最小。SG人工神经网络模型建模集样本预测，如图13所示(方框内表示误判样本)。
表9
5、SG人工神经网络模型对未知样本的预测：将除建模集外的样本40个，按照步骤3和4处理好，输入到SG人工神经网络模型中，模型输出得到数值(Yp)，Yp位于-0.2586到1.1609之间，如果Yp≤0.5则为浸出茶油，如果Yp＞0.5则为压榨茶油。然后与实际类别相对比，计算鉴别的准确率，结果如表10所示。
表10
从表10可以看出，运用SG人工神经网络模型对压榨茶油与浸出茶油进行鉴别，样本数为40个，所有样本均被准确鉴别，鉴别准确率为100％，可以说明本发明鉴别模型用于压榨茶油与浸出茶油鉴别效果很好。
实施例8
1、将样本分为建模集和验证集：选择实施例1中编号为1～60和81～100的80个浸出茶油样本,编号为101～160和181～200的80个压榨油样本，共160个样本作为建模集，选择实施例1中编号为61～80的20个浸出茶油样本，编号为161～180的20个压榨油样本，共40个茶油样本选择验证集。
2、压榨茶油与浸出茶油分别赋值：将浸出与压榨油分别赋值，浸出油样本记为0、压榨油样本记为1，以此作为分类变量。
3、红外光谱数据预处理及特征提取：用二阶导数对特征波段750～1850cm-1、2800～3750cm-1进行处理，处理后得到相应的光谱数据。然后提取对应光谱数据的主成分。
4、人工神经网络的建立：将预处理的光谱数据和样本类别用人工神经网络建立回归关系，根据相关系数和均方根误差判断最佳主成分数，如图14所示。最佳主成分为4，该模型的相关系数Rcv＝0.87342最大，均方根误差RMSECV＝0.1956最小。SD人工神经网络模型建模集样本预测，如图15所示(方框内表示误判样本)。
5、SD人工神经网络模型对未知样本的预测：将除建模集外的样本40个，按照步骤3和4处理好，输入到SD人工神经网络模型中，模型输出得到数值(Yp)，Yp位于-0.2603到1.1161之间，如果Yp≤0.5则为浸出茶油，如果Yp＞0.5则为压榨茶油。然后与实际类别相对比，计算鉴别的准确率，结果如表11所示。
表11
从表11可以看出，对40个样本用SG人工神经网络模型进行鉴别，只有编号168的压榨茶油出现误判，剩余的39个样本正确，鉴别准确率为97.5％，可以说明本发明鉴别模型用于压榨茶油与浸出茶油鉴别效果很好。
实施例9
1、将样本分为建模集和验证集：选择实施例1中编号为1～70和91～100的80个浸出茶油样本,编号为101～170和191～200的80个压榨油样本，共160个样本作为建模集，选择实施例1中编号为71～90的20个浸出茶油样本，编号为171～190的20个压榨油样本，共40个茶油样本选择验证集。
2、压榨茶油与浸出茶油分别赋值：将浸出与压榨油分别赋值，浸出油样本记为0、压榨油样本记为1，以此作为分类变量。
3、红外光谱数据预处理及特征提取：特征波数1238.68cm-1、1747.12cm-1、2853.55cm-1、2922.39cm-1进行处理，处理后得到相应的光谱数据。
4、人工神经网络的建立：将预处理的光谱数据和样本类别用人工神经网络建立回归关系，根据相关系数和均方根误差判断最优训练步数为10，如图16所示；最优神经元个数为7，如图17所示。在此条件下该模型的相关系数Rcv＝0.89109最大，均方根误差RMSECV＝0.1732最小。人工神经网络模型建模集样本预测，如图18所示(方框内表示误判样本)。
5、人工神经网络模型对未知样本的预测：将除建模集外的样本40个，按照步骤3和4处理好，输入到人工神经网络模型中，模型输出得到数值(Yp)，Yp位于-0.4615到1.5383之间，如果Yp≤0.5则为浸出茶油，如果Yp＞0.5则为压榨茶油。然后与实际类别相对比，计算鉴别的准确率，结果如表12所示。
表12
从表12可以看出，利用人工神经网络模型对40个样本进行鉴别分析，所有样本均被准确鉴别，鉴别准确率为100％，可以说明本发明鉴别模型用于压榨茶油与浸出茶油鉴别效果很好。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种鉴别压榨茶油与浸出茶油的方法，其特征在于，包括如下步骤：
S1.采集样本红外光谱：收集压榨茶油和浸出茶油的样本，测试压榨茶油和浸出茶油样本的红外光谱，得到压榨茶油和浸出茶油样本的红外光谱图，压榨茶油和浸出茶油的样本数均大于等于50；
S2.红外光谱的预处理：对压榨茶油和浸出茶油样本的红外光谱进行消噪处理或特征提取或消噪处理后特征提取；
S3.建立鉴别模型：对压榨茶油和浸出茶油进行赋值，赋值为分类变量，浸出茶油赋值为X1，压榨茶油赋值为X2，利用样本的预处理后的红外光谱的数据和对应的分类变量通过回归方法建立压榨茶油与浸出茶油的鉴别模型；
S4.鉴别未知样本：采用S1的方法采集未知样本的红外光谱，采用S2的方法对未知样本的红外光谱进行预处理，将预处理后的未知样本的红外光谱的数据输入S3的鉴别模型，得到鉴别模型的预测值，计算预测值与压榨茶油和浸出茶油的赋值之间的距离，根据距离判断未知样本是压榨茶油或浸出茶油；
所述红外光谱的波数范围为400～3750cm-1；
所述回归方法包括偏最小二乘模型、支持向量机模型和人工神经网络模型；
所述消噪处理的方法包括Savitzky-Golay平滑、多元散射校正、标准正态变换、一阶导数、二阶导数。
2.根据权利要求1所述的方法，其特征在于，所述红外光谱的波数范围为400～750cm-1、750～1850cm-1、2800～3750cm-1中的一个或几个。
3.根据权利要求1或2所述的方法，其特征在于，所述红外光谱的波数为722.80cm-1、1181.98cm-1、1162.82cm-1、1238.68cm-1、1377.45cm-1、1417.46cm-1、1747.12cm-1、2853.55cm-1、2922.39cm-1、3004.79cm-1中的两个以上。
4.根据权利要求3所述的方法，其特征在于，所述红外光谱的波数为1238.68cm-1、1747.12cm-1、2853.55cm-1、2922.39cm-1中的两个以上。
5.根据权利要求1所述的方法，其特征在于，浸出茶油赋值为0，压榨茶油赋值为1。
6.根据权利要求5所述的方法，其特征在于，鉴别模型的预测值为Yp，如果-2.1908≤Yp≤0.5则为浸出茶油，如果0.55＜Yp≤2.9029，则为压榨茶油。
7.根据权利要求6所述的方法，其特征在于，如果-0.2586≤Yp≤0.4311则为浸出茶油，如果0.6218≤Yp≤1.1609则为压榨茶油。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810135817.8A CN108181260B (zh) | 2018-02-09 | 2018-02-09 | 一种鉴别压榨茶油与浸出茶油的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810135817.8A CN108181260B (zh) | 2018-02-09 | 2018-02-09 | 一种鉴别压榨茶油与浸出茶油的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108181260A CN108181260A (zh) | 2018-06-19 |
| CN108181260B true CN108181260B (zh) | 2020-02-21 |
Family
ID=62552704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810135817.8A Active CN108181260B (zh) | 2018-02-09 | 2018-02-09 | 一种鉴别压榨茶油与浸出茶油的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108181260B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112362601B (zh) * | 2020-10-30 | 2022-05-27 | 浙江省林业科学研究院 | 一种压榨植物油和浸提植物油的快速鉴别方法 |
| CN112304886B (zh) * | 2020-10-30 | 2022-05-20 | 温州瑞雪农业开发有限公司 | 一种压榨与浸提油茶籽油的快速鉴别方法 |
| CN113759032B (zh) * | 2021-06-28 | 2023-04-18 | 河南工业大学 | 油脂掺混鉴别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102252972A (zh) * | 2011-04-20 | 2011-11-23 | 湖南省农产品加工研究所 | 基于近红外光谱快速鉴别油茶籽油真实属性的检测方法 |
| CN102252995A (zh) * | 2011-06-22 | 2011-11-23 | 中国林业科学研究院林产化学工业研究所 | 一种近红外透射光谱(nits)快速检测原味茶油脂肪酸及鉴伪方法 |
| CN103217393A (zh) * | 2013-04-01 | 2013-07-24 | 华南农业大学 | 一种掺伪茶油的检测方法 |
| CN105548027A (zh) * | 2015-12-09 | 2016-05-04 | 湖南省农产品加工研究所 | 基于近红外光谱测定调和油中茶油含量的分析模型及方法 |
-
2018
- 2018-02-09 CN CN201810135817.8A patent/CN108181260B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102252972A (zh) * | 2011-04-20 | 2011-11-23 | 湖南省农产品加工研究所 | 基于近红外光谱快速鉴别油茶籽油真实属性的检测方法 |
| CN102252995A (zh) * | 2011-06-22 | 2011-11-23 | 中国林业科学研究院林产化学工业研究所 | 一种近红外透射光谱(nits)快速检测原味茶油脂肪酸及鉴伪方法 |
| CN103217393A (zh) * | 2013-04-01 | 2013-07-24 | 华南农业大学 | 一种掺伪茶油的检测方法 |
| CN105548027A (zh) * | 2015-12-09 | 2016-05-04 | 湖南省农产品加工研究所 | 基于近红外光谱测定调和油中茶油含量的分析模型及方法 |
Non-Patent Citations (2)
| Title |
|---|
| Fourier transform infrared（FTIR）spectroscopy for analysis of extra virgin olive oil adulterated with palm oil;A Rohman et al.;《Food Research International》;20100430;第43卷(第3期);886-892 * |
| 可见/近红外联合UVE-PLS-LDA鉴别压榨和浸出山茶油;温珍才 等;《光谱学与光谱分析》;20130930;第33卷(第9期);2354-2357 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108181260A (zh) | 2018-06-19 |
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 | |
| CN108181260B (zh) | 一种鉴别压榨茶油与浸出茶油的方法 | |
| CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
| Feng et al. | Application of visible/infrared spectroscopy and hyperspectral imaging with machine learning techniques for identifying food varieties and geographical origins | |
| CN102830087A (zh) | 基于近红外光谱技术快速鉴别餐饮废弃油脂的方法 | |
| CN105181642A (zh) | 一种花生品质的近红外检测方法及应用 | |
| CN113008817A (zh) | 一种基于高光谱成像技术快速鉴别苦杏仁真伪优劣的方法 | |
| Chen et al. | Fast detection of cumin and fennel using NIR spectroscopy combined with deep learning algorithms | |
| CN104990892A (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
| CN105300896B (zh) | 一种地沟油高光谱透射快速检测方法 | |
| Monago-Maraña et al. | Untargeted classification for paprika powder authentication using visible–Near infrared spectroscopy (VIS-NIRS) | |
| CN114663821B (zh) | 基于视频高光谱成像技术的产品质量实时无损检测方法 | |
| Yu et al. | Prediction of enological parameters and discrimination of rice wine age using least-squares support vector machines and near infrared spectroscopy | |
| CN110020604B (zh) | 一种蔬菜品质检测方法及系统 | |
| Hao et al. | Combined hyperspectral imaging technology with 2D convolutional neural network for near geographical origins identification of wolfberry | |
| Wang et al. | The qualitative and quantitative analysis of industrial paraffin contamination levels in rice using spectral pretreatment combined with machine learning models | |
| CN114112983A (zh) | 一种基于Python数据融合的藏药全缘叶绿绒蒿产地判别方法 | |
| CN106338488A (zh) | 一种转基因豆奶粉的快速无损鉴别方法 | |
| Teye et al. | Nondestructive authentication of cocoa bean cultivars by FT-NIR spectroscopy and multivariate techniques | |
| CN113310929A (zh) | 高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法 | |
| CN112485238A (zh) | 一种基于拉曼光谱技术鉴别姜黄精油产地的方法 | |
| CN116858822A (zh) | 一种基于机器学习和拉曼光谱的水体中磺胺嘧啶定量分析方法 | |
| CN111595804A (zh) | 一种模糊聚类的茶叶近红外光谱分类方法 | |
| Chen et al. | Monitoring green tea fixation quality by intelligent sensors: comparison of image and spectral information | |
| CN106546553A (zh) | 一种转基因大豆油的快速无损鉴别方法 |
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 |