CN108267424A - 基于多种特征成分快速鉴别食用油种类的方法 - Google Patents
基于多种特征成分快速鉴别食用油种类的方法 Download PDFInfo
- Publication number
- CN108267424A CN108267424A CN201810120392.3A CN201810120392A CN108267424A CN 108267424 A CN108267424 A CN 108267424A CN 201810120392 A CN201810120392 A CN 201810120392A CN 108267424 A CN108267424 A CN 108267424A
- Authority
- CN
- China
- Prior art keywords
- edible oil
- various features
- sample
- oil sample
- 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 134
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000004615 ingredient Substances 0.000 title claims abstract description 33
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 241000894007 species Species 0.000 claims description 33
- IPCSVZSSVZVIGE-UHFFFAOYSA-N hexadecanoic acid Chemical compound CCCCCCCCCCCCCCCC(O)=O IPCSVZSSVZVIGE-UHFFFAOYSA-N 0.000 claims description 20
- 238000001228 spectrum Methods 0.000 claims description 17
- 239000003921 oil Substances 0.000 claims description 15
- 235000019198 oils Nutrition 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 12
- WRIDQFICGBMAFQ-UHFFFAOYSA-N (E)-8-Octadecenoic acid Natural products CCCCCCCCCC=CCCCCCCC(O)=O WRIDQFICGBMAFQ-UHFFFAOYSA-N 0.000 claims description 11
- LQJBNNIYVWPHFW-UHFFFAOYSA-N 20:1omega9c fatty acid Natural products CCCCCCCCCCC=CCCCCCCCC(O)=O LQJBNNIYVWPHFW-UHFFFAOYSA-N 0.000 claims description 11
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 claims description 11
- QSBYPNXLFMSGKH-UHFFFAOYSA-N 9-Heptadecensaeure Natural products CCCCCCCC=CCCCCCCCC(O)=O QSBYPNXLFMSGKH-UHFFFAOYSA-N 0.000 claims description 11
- ZQPPMHVWECSIRJ-UHFFFAOYSA-N Oleic acid Natural products CCCCCCCCC=CCCCCCCCC(O)=O ZQPPMHVWECSIRJ-UHFFFAOYSA-N 0.000 claims description 11
- 239000005642 Oleic acid Substances 0.000 claims description 11
- 229910052740 iodine Inorganic materials 0.000 claims description 11
- 239000011630 iodine Substances 0.000 claims description 11
- QXJSBBXBKPUZAA-UHFFFAOYSA-N isooleic acid Natural products CCCCCCCC=CCCCCCCCCC(O)=O QXJSBBXBKPUZAA-UHFFFAOYSA-N 0.000 claims description 11
- ZQPPMHVWECSIRJ-KTKRTIGZSA-N oleic acid Chemical compound CCCCCCCC\C=C/CCCCCCCC(O)=O ZQPPMHVWECSIRJ-KTKRTIGZSA-N 0.000 claims description 11
- 235000007164 Oryza sativa Nutrition 0.000 claims description 10
- 235000021314 Palmitic acid Nutrition 0.000 claims description 10
- 235000019483 Peanut oil Nutrition 0.000 claims description 10
- 235000019484 Rapeseed oil Nutrition 0.000 claims description 10
- 239000010495 camellia oil Substances 0.000 claims description 10
- WQEPLUUGTLDZJY-UHFFFAOYSA-N n-Pentadecanoic acid Natural products CCCCCCCCCCCCCCC(O)=O WQEPLUUGTLDZJY-UHFFFAOYSA-N 0.000 claims description 10
- 239000004006 olive oil Substances 0.000 claims description 10
- 235000008390 olive oil Nutrition 0.000 claims description 10
- 239000000312 peanut oil Substances 0.000 claims description 10
- 235000009566 rice Nutrition 0.000 claims description 10
- OYHQOLUKZRVURQ-HZJYTTRNSA-N Linoleic acid Chemical compound CCCCC\C=C/C\C=C/CCCCCCCC(O)=O OYHQOLUKZRVURQ-HZJYTTRNSA-N 0.000 claims description 9
- 235000019486 Sunflower oil Nutrition 0.000 claims description 9
- 235000005687 corn oil Nutrition 0.000 claims description 9
- OYHQOLUKZRVURQ-IXWMQOLASA-N linoleic acid Natural products CCCCC\C=C/C\C=C\CCCCCCCC(O)=O OYHQOLUKZRVURQ-IXWMQOLASA-N 0.000 claims description 9
- 235000020778 linoleic acid Nutrition 0.000 claims description 9
- 239000002600 sunflower oil Substances 0.000 claims description 9
- 239000002285 corn oil Substances 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 8
- 239000003549 soybean oil Substances 0.000 claims description 8
- 235000012424 soybean oil Nutrition 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000002860 competitive effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000010561 standard procedure Methods 0.000 claims description 7
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims 3
- 244000131316 Panax pseudoginseng Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 241000209094 Oryza Species 0.000 description 7
- 235000013305 food Nutrition 0.000 description 3
- 244000068988 Glycine max Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012795 verification Methods 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
- 235000019774 Rice Bran oil Nutrition 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 235000013675 iodine Nutrition 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004519 manufacturing process 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
- 230000000050 nutritive effect Effects 0.000 description 1
- 235000021313 oleic acid Nutrition 0.000 description 1
- 239000010461 other edible oil Substances 0.000 description 1
- 229940097411 palm acid Drugs 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000008165 rice bran oil Substances 0.000 description 1
- 235000020238 sunflower seed Nutrition 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
- G01N21/17—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多种特征成分快速鉴别食用油种类的方法,包括:选取待鉴别的未知种类的食用油样品;采集所述未知种类的食用油样品的近红外光谱图;对所述未知种类的食用油样品的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光谱图特征变量;根据所述未知种类的食用油样品的光谱图特征变量,采用多种特征成分定量模型预测所述未知种类的食用油样品的多种特征成分含量;将所述未知种类的食用油样品的多种特征成分含量作为定性模型的输入变量,并采用所述定性模型对所述未知种类的食用油样品进行种类鉴别。该基于多种特征成分快速鉴别食用油种类的方法,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
本发明涉及油脂快速检测技术领域,尤其涉及一种基于多种特征成分快速鉴别食用油种类的方法。
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,研究表明,部分食用油中富含多种特征成分,包括棕榈酸、油酸、亚油酸、碘值,不同种类的食用油中有着不同的多种特征成分含量组成;另外,由于多种特征成分的含量主要决定了食用油的营养价值,故通常作为评价食用油品质的重要成分指标,同时也是确定其商业价值的重要依据。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种特征成分快速鉴别食用油种类的方法。
本发明解决其技术问题所采用的技术方案是:基于多种特征成分快速鉴别食用油种类的方法,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:采集所述未知种类的食用油样品的近红外光谱图;步骤三、特征提取:对所述未知种类的食用油样品的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光谱图特征变量;步骤四、含量预测:根据所述未知种类的食用油样品的光谱图特征变量,采用多种特征成分定量模型预测所述未知种类的食用油样品的多种特征成分含量;步骤五、种类鉴别:将所述未知种类的食用油样品的多种特征成分含量作为定性模型的输入变量,并采用所述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,所述步骤二中光谱采集的过程如下:将待采集的未知种类的食用油样品置于样品池中,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,并将食用油样品加热至温度为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,并将食用油样品加热至温度为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,并将食用油样品加热至温度为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未知种类的食用油样品的近红外光谱图。
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。
优选的,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n入/2,其中,n为整数,入为波长。
优选的,所述步骤三中特征提取的方法如下:首先采用竞争性自适应重加权采样方法对所述未知种类的食用油样品的近红外光谱图进行一次特征变量提取,得到一次光谱图特征变量;然后采用稀疏字典学习对所述一次光谱图特征变量进行二次特征变量提取,得到光谱图特征变量。
优选的,采用竞争性自适应重加权采样方法对所述未知种类的食用油样品的近红外光谱图进行一次特征变量提取,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1~50次,当偏最小二乘法交叉验证模型的均方根误差值最小时,得到一次光谱图特征变量。
优选的,采用稀疏字典学习对所述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,得到光谱图特征变量。
优选的,所述多种特征成分的定量模型包括棕榈酸定量模型、油酸定量模型、亚油酸定量模型、碘值定量模型,其建立方法如下: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、葵花籽油和橄榄油;采集所述若干不同已知种类的食用油样品的近红外光谱图,光谱采集方法如步骤二中所述;对所述若干不同已知种类的食用油样品的近红外光谱图进行特征提取,得到光谱图特征变量,特征提取方法如步骤三中所述;采用相应国家标准方法实验测定所述若干不同已知种类的食用油样品的多种特征成分含量,所述多种特征成分含量包括:棕榈酸含量、油酸含量、亚油酸含量、碘值含量;采用偏最小二乘回归方法分别建立不同已知种类的食用油样品的光谱图特征变量与其多种特征成分含量之间的定量模型,得到多种特征成分的定量模型;其中,要求多种特征成分的定量模型的均方根误差均≤10%,相关系数均≥95%。
优选的,所述步骤五中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、葵花籽油和橄榄油;采用相应国家标准方法实验测定所述若干不同已知种类的食用油样品的多种特征成分含量,所述多种特征成分含量包括:棕榈酸含量、油酸含量、亚油酸含量、碘值含量;将若干不同已知种类的食用油样品中的多种特征成分含量作为定性模型的输入变量,通过支持向量机分类方法建立不同已知种类的食用油样品的定性模型;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,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2~10。
本发明与现有技术相比,其有益效果是:本发明提供的基于多种特征成分快速鉴别食用油种类的方法,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;通过采用两步特征提取,可有效压缩近红外光谱图中的无用信息及共线性变量;通过建立的多种特征成分定量模型,可对未知种类的食用油样品中的多种特征成分含量进行快速预测;通过定性模型可对已知多种特征成分含量的未知种类的食用油样品进行种类鉴别;该基于多种特征成分快速鉴别食用油种类的方法,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种特征成分快速鉴别食用油种类的方法的流程图;
图2是本发明所述157份食用油样品的近红外光谱图;
图3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,本发明提供了基于多种特征成分快速鉴别食用油种类的方法,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;
其中,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:采集所述未知种类的食用油样品的近红外光谱图;
其中,光谱采集的过程如下:将待采集的未知种类的食用油样品置于样品池中,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n入/2,其中,n为整数,入为波长;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;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,并将食用油样品加热至温度为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,并将食用油样品加热至温度为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,并将食用油样品加热至温度为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未知种类的食用油样品的近红外光谱图。
步骤三、特征提取:对所述未知种类的食用油样品的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光谱图特征变量;
其中,特征提取的方法如下:首先采用竞争性自适应重加权采样方法对所述未知种类的食用油样品的近红外光谱图进行一次特征变量提取,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1~50次,当偏最小二乘法交叉验证模型的均方根误差值最小时,得到一次光谱图特征变量;然后采用稀疏字典学习对所述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,得到光谱图特征变量。
步骤四、含量预测:根据所述未知种类的食用油样品的光谱图特征变量,采用多种特征成分定量模型预测所述未知种类的食用油样品的多种特征成分含量;
其中,所述多种特征成分的定量模型包括棕榈酸定量模型、油酸定量模型、亚油酸定量模型、碘值定量模型,其建立方法如下:
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、葵花籽油和橄榄油;
采集所述若干不同已知种类的食用油样品的近红外光谱图,光谱采集方法如步骤二中所述;
对所述若干不同已知种类的食用油样品的近红外光谱图进行特征提取,得到光谱图特征变量,特征提取方法如步骤三中所述;
采用相应国家标准方法实验测定所述若干不同已知种类的食用油样品的多种特征成分含量,所述多种特征成分含量包括:棕榈酸含量、油酸含量、亚油酸含量、碘值含量;
采用偏最小二乘回归方法分别建立不同已知种类的食用油样品的光谱图特征变量与其多种特征成分含量之间的定量模型,得到多种特征成分的定量模型;其中,要求多种特征成分的定量模型的均方根误差均≤10%,相关系数均≥95%。
步骤五、种类鉴别:将所述未知种类的食用油样品的多种特征成分含量作为定性模型的输入变量,并采用所述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,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、葵花籽油和橄榄油;
采用相应国家标准方法实验测定所述若干不同已知种类的食用油样品的多种特征成分含量,所述多种特征成分含量包括:棕榈酸含量、油酸含量、亚油酸含量、碘值含量;
将若干不同已知种类的食用油样品中的多种特征成分含量作为定性模型的输入变量,通过支持向量机分类方法建立不同已知种类的食用油样品的定性模型;
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,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2~10。
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定性模型的建立,食用油预测集样品用于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
2、光谱采集
采用近红外光谱仪采集157份食用油样品的近红外光谱图,光谱采集过程如步骤二中所述,157份食用油样品的近红外光谱图如图2所示。
3、多种特征成分含量测定
采用相应国家标准方法实验测定所述若干不同已知种类的食用油样品的多种特征成分含量,所述多种特征成分含量包括:棕榈酸含量、油酸含量、亚油酸含量、碘值含量;
4、特征提取
采用竞争性自适应重加权采样和稀疏字典学习联用对157份食用油样品的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食用油样品的近红外光谱图进行一次特征变量提取,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1~50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,提取的一次光谱图特征变量为56个;然后采用稀疏字典学习对所述56个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10次时,得到均方根误差值最小为0.2572,二次提取得到的光谱图特征变量为28个。
5、定量模型的建立
采用偏最小二乘回归方法分别建立食用油样品二次提取得到的28个光谱图特征变量与其实验测定得到的多种特征成分含量之间的定量模型,得到多种特征成分的定量模型;模型评价指标如下表2所示。
表2
6、定性模型的建立
将118份食用油校正集样品的多种特征成分含量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;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200,初始种群数目设为30,学习因子初始值设定为C1=1.8,C2=2.5,进化速度初始值设为0.5,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5,惩罚因子C和核函数参数g的范围均设为2-20~220,优化得到当惩罚因子C=4.3591且核函数参数g=26.8271时,定性模型对食用油校正集样品的鉴别准确率为100%。
7、定性模型的验证
将39份食用油预测集样品的多种特征成分含量作为定性模型的输入变量,采用当惩罚因子C=4.3591且核函数参数g=26.8271时的定性模型对39份食用油预测集样品的种类进行预测鉴别,并将预测结果与39份食用油预测集样品的真实种类类别进行一一比对,得到优化后的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3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 (10)
1.基于多种特征成分快速鉴别食用油种类的方法,其特征在于,包括:
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:采集所述未知种类的食用油样品的近红外光谱图;
步骤三、特征提取:对所述未知种类的食用油样品的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光谱图特征变量;
步骤四、含量预测:根据所述未知种类的食用油样品的光谱图特征变量,采用多种特征成分定量模型预测所述未知种类的食用油样品的多种特征成分含量;
步骤五、种类鉴别:将所述未知种类的食用油样品的多种特征成分含量作为定性模型的输入变量,并采用所述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所述的基于多种特征成分快速鉴别食用油种类的方法,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所述的基于多种特征成分快速鉴别食用油种类的方法,其特征在于,所述步骤二中光谱采集的过程如下:将待采集的未知种类的食用油样品置于样品池中,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,并将食用油样品加热至温度为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,并将食用油样品加热至温度为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,并将食用油样品加热至温度为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未知种类的食用油样品的近红外光谱图。
4.如权利要求3所述的基于多种特征成分快速鉴别食用油种类的方法,其特征在于,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。
5.如权利要求4所述的基于多种特征成分快速鉴别食用油种类的方法,其特征在于,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n入/2,其中,n为整数,入为波长。
6.如权利要求1所述的基于多种特征成分快速鉴别食用油种类的方法,其特征在于,所述步骤三中特征提取的方法如下:首先采用竞争性自适应重加权采样方法对所述未知种类的食用油样品的近红外光谱图进行一次特征变量提取,得到一次光谱图特征变量;然后采用稀疏字典学习对所述一次光谱图特征变量进行二次特征变量提取,得到光谱图特征变量。
7.如权利要求6所述的基于多种特征成分快速鉴别食用油种类的方法,其特征在于,采用竞争性自适应重加权采样方法对所述未知种类的食用油样品的近红外光谱图进行一次特征变量提取,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1~50次,当偏最小二乘法交叉验证模型的均方根误差值最小时,得到一次光谱图特征变量。
8.如权利要求7所述的基于多种特征成分快速鉴别食用油种类的方法,其特征在于,采用稀疏字典学习对所述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,得到光谱图特征变量。
9.如权利要求1所述的基于多种特征成分快速鉴别食用油种类的方法,其特征在于,所述多种特征成分的定量模型包括棕榈酸定量模型、油酸定量模型、亚油酸定量模型、碘值定量模型,其建立方法如下:
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、葵花籽油和橄榄油;
采集所述若干不同已知种类的食用油样品的近红外光谱图,光谱采集方法如步骤二中所述;
对所述若干不同已知种类的食用油样品的近红外光谱图进行特征提取,得到光谱图特征变量,特征提取方法如步骤三中所述;
采用相应国家标准方法实验测定所述若干不同已知种类的食用油样品的多种特征成分含量,所述多种特征成分含量包括:棕榈酸含量、油酸含量、亚油酸含量、碘值含量;
采用偏最小二乘回归方法分别建立不同已知种类的食用油样品的光谱图特征变量与其多种特征成分含量之间的定量模型,得到多种特征成分的定量模型;其中,要求多种特征成分的定量模型的均方根误差均≤10%,相关系数均≥95%。
10.如权利要求1所述的基于多种特征成分快速鉴别食用油种类的方法,其特征在于,所述步骤五中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、葵花籽油和橄榄油;
采用相应国家标准方法实验测定所述若干不同已知种类的食用油样品的多种特征成分含量,所述多种特征成分含量包括:棕榈酸含量、油酸含量、亚油酸含量、碘值含量;
将若干不同已知种类的食用油样品中的多种特征成分含量作为定性模型的输入变量,通过支持向量机分类方法建立不同已知种类的食用油样品的定性模型;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,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2~10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810120392.3A CN108267424B (zh) | 2018-02-07 | 2018-02-07 | 基于多种特征成分快速鉴别食用油种类的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810120392.3A CN108267424B (zh) | 2018-02-07 | 2018-02-07 | 基于多种特征成分快速鉴别食用油种类的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108267424A true CN108267424A (zh) | 2018-07-10 |
CN108267424B CN108267424B (zh) | 2021-04-27 |
Family
ID=62773698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810120392.3A Active CN108267424B (zh) | 2018-02-07 | 2018-02-07 | 基于多种特征成分快速鉴别食用油种类的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108267424B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001148A (zh) * | 2018-08-24 | 2018-12-14 | 武汉轻工大学 | 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 |
CN109993054A (zh) * | 2019-02-14 | 2019-07-09 | 广东电网有限责任公司 | 一种变压器绝缘油种类识别方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105823752A (zh) * | 2016-03-22 | 2016-08-03 | 武汉轻工大学 | 近红外光谱法快速鉴别食用油种类的方法 |
-
2018
- 2018-02-07 CN CN201810120392.3A patent/CN108267424B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105823752A (zh) * | 2016-03-22 | 2016-08-03 | 武汉轻工大学 | 近红外光谱法快速鉴别食用油种类的方法 |
Non-Patent Citations (5)
Title |
---|
刘晓曼 等: "基于分块K-SVD字典学习的彩色图像去噪", 《南京理工大学学报》 * |
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》 * |
涂斌 等: "样品温度对植物油的近红外定性分析模型的影响", 《中国粮油学报》 * |
涂斌: "基于近红外-拉曼光谱融合的食用油品质和品种快速检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ι辑》 * |
王儒敬 等: "基于深度稀疏学习的土壤近红外光谱分析预测模型", 《发光学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001148A (zh) * | 2018-08-24 | 2018-12-14 | 武汉轻工大学 | 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 |
CN109001148B (zh) * | 2018-08-24 | 2020-10-09 | 武汉轻工大学 | 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 |
CN109993054A (zh) * | 2019-02-14 | 2019-07-09 | 广东电网有限责任公司 | 一种变压器绝缘油种类识别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108267424B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109100321A (zh) | 一种卷烟叶组配方维护方法 | |
CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
Du et al. | Quantitative assessment of wheat quality using near‐infrared spectroscopy: A comprehensive review | |
CN108362659A (zh) | 基于多源光谱并联融合的食用油种类快速鉴别方法 | |
Dong et al. | Deep learning for geographical discrimination of Panax notoginseng with directly near-infrared spectra image | |
Li et al. | Nondestructive detection of frying times for soybean oil by NIR-spectroscopy technology with Adaboost-SVM (RBF) | |
Liu et al. | Near-infrared prediction of edible oil frying times based on Bayesian Ridge Regression | |
CN107917897A (zh) | 近红外光谱测定特医食品多组分含量的方法 | |
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 | |
Pérez-Marín et al. | Probabilistic classification models for the in situ authentication of iberian pig carcasses using near infrared spectroscopy | |
CN108444944A (zh) | 一种基于近红外漫反射光谱法的首乌粉产地鉴别方法 | |
Lu et al. | Fluorescence hyperspectral image technique coupled with HSI method to predict solanine content of potatoes | |
CN105138834A (zh) | 基于近红外光谱波数k均值聚类的烟草化学值定量方法 | |
CN108169165A (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
Wu et al. | Identification of olive oil in vegetable blend oil by one-dimensional convolutional neural network combined with Raman spectroscopy | |
Chen et al. | Prediction of milled rice grades using Fourier transform near-infrared spectroscopy and artificial neural networks | |
CN108267424A (zh) | 基于多种特征成分快速鉴别食用油种类的方法 | |
CN109324016A (zh) | 一种复烤片烟香型风格的判定方法 | |
CN109001181A (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 | |
Teng et al. | Predictive data clustering of laser-induced breakdown spectroscopy for brain tumor analysis | |
Song et al. | Detection of aflatoxin B1 in peanut oil using attenuated total reflection fourier transform infrared spectroscopy combined with partial least squares discriminant analysis and support vector machine models | |
CN107121408A (zh) | 食用植物油品种的快速无损鉴别方法 | |
Nirere et al. | A rapid non-destructive detection method for wolfberry moisture grade using hyperspectral imaging technology | |
Ren et al. | Near-infrared data classification at phone terminal based on the combination of pca and cs-rbfsvc algorithms | |
Hao et al. | Combined hyperspectral imaging technology with 2D convolutional neural network for near geographical origins identification of wolfberry |
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 |