CN108645841B - 一种拉曼光谱小波融合的芝麻油多元掺伪检测方法 - Google Patents

一种拉曼光谱小波融合的芝麻油多元掺伪检测方法 Download PDF

Info

Publication number
CN108645841B
CN108645841B CN201810978035.0A CN201810978035A CN108645841B CN 108645841 B CN108645841 B CN 108645841B CN 201810978035 A CN201810978035 A CN 201810978035A CN 108645841 B CN108645841 B CN 108645841B
Authority
CN
China
Prior art keywords
adulteration
spectrogram
oil
oil sample
fusion
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
Application number
CN201810978035.0A
Other languages
English (en)
Other versions
CN108645841A (zh
Inventor
郑晓
王杰
俞雅茹
罗青松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Polytechnic University
Original Assignee
Wuhan Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Polytechnic University filed Critical Wuhan Polytechnic University
Priority to CN201810978035.0A priority Critical patent/CN108645841B/zh
Publication of CN108645841A publication Critical patent/CN108645841A/zh
Application granted granted Critical
Publication of CN108645841B publication Critical patent/CN108645841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering

Landscapes

  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (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, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开了一种拉曼光谱小波融合的芝麻油多元掺伪检测方法，包括：向芝麻油样品中掺入一定量的大豆油和菜籽油，得到多元掺伪油样；采集多元掺伪油样在1050～1350 cm‑1范围的拉曼光谱图，得到一次拉曼光谱图；采集多元掺伪油样在1400～1700 cm‑1范围的拉曼光谱图，得到二次拉曼光谱图；将多元掺伪油样的一次拉曼光谱图和二次拉曼光谱图进行小波融合，得到小波融合光谱图；对多元掺伪油样的小波融合光谱图进行预处理，得到预处理融合光谱图；根据多元掺伪油样的预处理融合光谱图，采用掺伪优化定量模型预测所述多元掺伪油样的掺伪量。该拉曼光谱小波融合的芝麻油多元掺伪检测方法，安全快速、检测便捷，预测准确率高。

Description

一种拉曼光谱小波融合的芝麻油多元掺伪检测方法
技术领域
本发明涉及芝麻油快速检测技术领域，尤其涉及一种拉曼光谱小波融合的芝麻油多元掺伪检测方法。
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可靠、便捷高效的拉曼光谱小波融合的芝麻油多元掺伪检测方法。
本发明解决其技术问题所采用的技术方案是：一种拉曼光谱小波融合的芝麻油多元掺伪检测方法，包括：步骤一、多元掺伪油样配制：向芝麻油样品中掺入一定量的大豆油和菜籽油，得到多元掺伪油样；步骤二、一次光谱采集：采集多元掺伪油样在1050～1350cm-1范围的拉曼光谱图，得到一次拉曼光谱图；步骤三、二次光谱采集：采集多元掺伪油样在1400～1700cm-1范围的拉曼光谱图，得到二次拉曼光谱图；步骤四、光谱小波融合：将多元掺伪油样的一次拉曼光谱图和二次拉曼光谱图进行小波融合，得到小波融合光谱图；步骤五、光谱预处理：对多元掺伪油样的小波融合光谱图进行预处理，得到预处理融合光谱图；步骤六、掺伪量预测：根据多元掺伪油样的预处理融合光谱图，采用掺伪优化定量模型预测所述多元掺伪油样的掺伪量。
优选的，所述步骤一中大豆油和菜籽油向芝麻油样品中的掺入质量比范围均为0～50％。
优选的，所述步骤二中一次光谱采集的条件如下：将多元掺伪油样置于流通池中，设置多元掺伪油样的温度为60±5℃，湿度为30±5％RH，多元掺伪油样的流速为0.8～1cm/s；设置拉曼光谱仪的分辨率为4cm-1，激光功率为220mW，积分时间为5S，且光谱采集探头的入射方向与多元掺伪油样的流向构成一45°的入射角；每个多元掺伪油样取三次测量的平均值作为最终采集的一次拉曼光谱图。
优选的，所述步骤三中二次光谱采集的条件如下：将多元掺伪油样置于流通池中，设置多元掺伪油样的温度为60±5℃，湿度为30±5％RH，多元掺伪油样的流速为0.2～0.4cm/s；设置拉曼光谱仪的分辨率为8cm-1，激光功率为440mW，积分时间为10S，且光谱采集探头的入射方向与多元掺伪油样的流向构成一45°的入射角；每个多元掺伪油样取三次测量的平均值作为最终采集的二次拉曼光谱图。
优选的，所述步骤四中光谱小波融合的方法如下：将多元掺伪油样的一次拉曼光谱图和二次拉曼光谱图进行4层小波离散变换，得到15个高低频带，其中包含13个高频带和2个低频带，再根据融合规则分别对13个高频带和2个低频带进行融合，并进行小波逆变换，得到小波融合光谱图。
优选的，所述步骤五中对多元掺伪油样的小波融合光谱图依次进行移动平均11点平滑法和Savitzky-Golay滤波9点平滑消除光谱噪声、及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，得到预处理融合光谱图。
优选的，所述步骤六中掺伪优化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和菜籽油，得到若干份掺伪油样；采集所述若干份掺伪油样的一次拉曼光谱图和二次拉曼光谱图，一次拉曼光谱图采集条件如步骤二中所述，二次拉曼光谱图采集条件如步骤三中所述；将所述若干份掺伪油样的一次拉曼光谱图和二次拉曼光谱图进行小波融合，得到小波融合光谱图，融合方法如步骤四中所述；对所述若干份多元掺伪油样的小波融合光谱图进行预处理，得到预处理融合光谱图，预处理方法如步骤五中所述；通过多核学习支持向量机回归方法建立所述若干份掺伪油样的预处理融合光谱图与掺伪量之间的掺伪定量模型，并采用粒子群优化算法对掺伪定量模型中的参数进行优化，得到掺伪优化定量模型。
优选的，通过多核学习支持向量机回归方法建立所述若干份掺伪油样的预处理融合光谱图与掺伪量之间的掺伪定量模型，将预处理融合光谱图的数据按特征维数分为10组，这10组均利用高斯核建立单核支持向量机掺伪定量模型；并采用粒子群优化算法对掺伪定量模型中的惩罚因子矩阵[C]和核函数参数矩阵[g]进行优化，[C]和[g]均是10x8的矩阵，优化时设置种群粒子数为30，每个粒子维数为2，迭代进化次数为160，学习因子初始值设定为C1＝1.6，C2＝1.8，得到10组参数([C]，[g])，并对这10组参数([C]，[g])进行加权投票，从而得到掺伪优化定量模型。
优选的，经优化，
当[C]等于
Figure BDA0001777000870000031
Figure BDA0001777000870000041
[g]等于
Figure BDA0001777000870000042
且权重为[0.0745，0.0957，0.1358，0.03214，0.1321，0.1438，0.0839，0.0695，0.484，0.0346]时，得到掺伪优化定量模型，其均方根误差≤5％，相关系数≥98％。
本发明与现有技术相比，其有益效果是：本发明提供的拉曼光谱小波融合的芝麻油多元掺伪检测方法，通过采用不同范围的一次光谱采集和二次光谱采集，并设置两次光谱采集时掺伪油样的相同温度、湿度和不同流速，及设置两次光谱采集时拉曼光谱仪的不同分辨率、激光功率、积分时间和相同的入射角，可有效消除外部条件对拉曼光谱图的影响；通过小波变换融合一次拉曼光谱图和二次拉曼光谱图，可有效压缩光谱图中的无用变量并突出有效信息；通过采用多核学习支持向量机回归方法建立掺伪优化定量模型，可实现对多元掺伪油样中的掺伪量进行快速预测。
附图说明
图1是拉曼光谱小波融合的芝麻油多元掺伪检测方法的流程示意图。
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，本发明提供了一种拉曼光谱小波融合的芝麻油多元掺伪检测方法，包括：
步骤一、向芝麻油样品中掺入一定量的大豆油和菜籽油，得到多元掺伪油样，所述大豆油和菜籽油向芝麻油样品中的掺入质量比范围均为0～50％；
步骤二、将多元掺伪油样置于流通池中，设置多元掺伪油样的温度为60±5℃，湿度为30±5％RH，多元掺伪油样的流速为0.8～1cm/s；设置拉曼光谱仪的分辨率为4cm-1，激光功率为220mW，积分时间为5S，且光谱采集探头的入射方向与多元掺伪油样的流向构成一45°的入射角；采集多元掺伪油样在1050～1350cm-1范围的拉曼光谱图，每个多元掺伪油样取三次测量的平均值作为最终采集的一次拉曼光谱图；
步骤三、将多元掺伪油样置于流通池中，设置多元掺伪油样的温度为60±5℃，湿度为30±5％RH，多元掺伪油样的流速为0.2～0.4cm/s；设置拉曼光谱仪的分辨率为8cm-1，激光功率为440mW，积分时间为10S，且光谱采集探头的入射方向与多元掺伪油样的流向构成一45°的入射角；采集多元掺伪油样在1400～1700cm-1范围的拉曼光谱图，每个多元掺伪油样取三次测量的平均值作为最终采集的二次拉曼光谱图；
步骤四、将多元掺伪油样的一次拉曼光谱图和二次拉曼光谱图进行4层小波离散变换，得到15个高低频带，其中包含13个高频带和2个低频带，再根据融合规则分别对13个高频带和2个低频带进行融合，并进行小波逆变换，得到小波融合光谱图；其中，融合规则如下：
对一次拉曼光谱图I和二次拉曼光谱图V进行拉普拉斯变换，得到高通滤波图像HI和HV，HI＝I*L，HV＝V*L，其中L是一个11x11的拉普拉斯滤波器；
对经拉普拉斯滤波处理的高通滤波图像HI和HV的系数的绝对值采用高斯滤波处理，构造图像HI和HV的显著性图XI和Xv，其中
Figure BDA0001777000870000061
Figure BDA0001777000870000062
其中G是大小为(2μg+1)(2δg+1)的高斯低通滤波器；参数μg和δg均为5；
当
Figure BDA0001777000870000063
时，取QI＝1否则QI＝0，Qv处理方式相同，其中
Figure BDA0001777000870000064
和
Figure BDA0001777000870000065
分别为一次拉曼光谱图I和二次拉曼光谱图V在像素位置m处的显著性特征值；
对权重图QI和Qv分别进行双边滤波获得一次拉曼光谱图I和二次拉曼光谱图V的低频子带系数II和IV，融合权重图
Figure BDA0001777000870000066
和
Figure BDA0001777000870000067
其中σu＝10，σv＝10分别是双边滤波中控制空间距离和灰度距离的参数；
步骤五、对多元掺伪油样的小波融合光谱图依次进行移动平均11点平滑法和Savitzky-Golay滤波9点平滑消除光谱噪声、及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，得到预处理融合光谱图；
步骤六、根据多元掺伪油样的预处理融合光谱图，采用掺伪优化定量模型预测所述多元掺伪油样的掺伪量。
其中，所述掺伪优化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和菜籽油，得到若干份掺伪油样；
采集所述若干份掺伪油样的一次拉曼光谱图和二次拉曼光谱图，一次拉曼光谱图采集条件如步骤二中所述，二次拉曼光谱图采集条件如步骤三中所述；
将所述若干份掺伪油样的一次拉曼光谱图和二次拉曼光谱图进行小波融合，得到小波融合光谱图，融合方法如步骤四中所述；
对所述若干份多元掺伪油样的小波融合光谱图进行预处理，得到预处理融合光谱图，预处理方法如步骤五中所述；
通过多核学习支持向量机回归方法建立所述若干份掺伪油样的预处理融合光谱图与掺伪量之间的掺伪定量模型，将预处理融合光谱图的数据按特征维数分为10组，这10组均利用高斯核建立单核支持向量机掺伪定量模型；并采用粒子群优化算法对掺伪定量模型中的惩罚因子矩阵[C]和核函数参数矩阵[g]进行优化，[C]和[g]均是10x8的矩阵，优化时设置种群粒子数为30，每个粒子维数为2，迭代进化次数为160，学习因子初始值设定为C1＝1.6，C2＝1.8，得到10组参数([C]，[g])，并对这10组参数([C]，[g])进行加权投票，经优化，
当[C]等于
Figure BDA0001777000870000071
[g]等于
Figure BDA0001777000870000072
且权重为[0.0745，0.0957，0.1358，0.03214，0.1321，0.1438，0.0839，0.0695，0.484，0.0346]时，得到掺伪优化定量模型，其均方根误差≤5％，相关系数≥98％。
实施例
1、掺伪油样配制
在921份等质量的芝麻油样中依次按不同质量比掺入大豆油和菜籽油，所述大豆油和菜籽油向芝麻油样品中的掺入质量比范围均为0～50％，采用SPXY算法按2∶1的比例选取校正集掺伪油样614份和预测集掺伪油样307份。
2、光谱采集
将掺伪油样置于流通池中，设置掺伪油样的温度为60℃，湿度为30％RH，掺伪油样的流速为1cm/s；设置拉曼光谱仪的分辨率为4cm-1，激光功率为220mW，积分时间为5S，且光谱采集探头的入射方向与掺伪油样的流向构成一45°的入射角；采集921份掺伪油样在1050～1350cm-1范围的拉曼光谱图，每个掺伪油样取三次测量的平均值作为最终采集的一次拉曼光谱图；
将掺伪油样置于流通池中，设置掺伪油样的温度为60℃，湿度为30％RH，掺伪油样的流速为0.3cm/s；设置拉曼光谱仪的分辨率为8cm-1，激光功率为440mW，积分时间为10S，且光谱采集探头的入射方向与掺伪油样的流向构成一45°的入射角；采集921份掺伪油样在1400～1700cm-1范围的拉曼光谱图，每个掺伪油样取三次测量的平均值作为最终采集的二次拉曼光谱图。
3、光谱小波融合
将校正集中的614份掺伪油样的一次拉曼光谱图和二次拉曼光谱图进行4层小波离散变换，得到15个高低频带，其中包含13个高频带和2个低频带，再根据融合规则分别对13个高频带和2个低频带进行融合，并进行小波逆变换，得到小波融合光谱图。
4、光谱预处理
对校正集中的614份掺伪油样的小波融合光谱图依次进行移动平均11点平滑法和Savitzky-Golay滤波9点平滑消除光谱噪声、及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，得到预处理融合光谱图。
5、优化掺伪定量模型的建立
通过多核学习支持向量机回归方法建立校正集中的614份掺伪油样的预处理融合光谱图与掺伪量之间的掺伪定量模型，将预处理融合光谱图的数据按特征维数分为10组，这10组均利用高斯核建立单核支持向量机掺伪定量模型；并采用粒子群优化算法对掺伪定量模型中的惩罚因子矩阵[C]和核函数参数矩阵[g]进行优化，[C]和[g]均是10x8的矩阵，优化时设置种群粒子数为30，每个粒子维数为2，迭代进化次数为160，学习因子初始值设定为C1＝1.6，C2＝1.8，得到10组参数([C]，[g])，并对这10组参数([C]，[g])进行加权投票，经优化，
当[C]等于
Figure BDA0001777000870000091
[g]等于
Figure BDA0001777000870000092
且权重为[0.0745，0.0957，0.1358，0.03214，0.1321，0.1438，0.0839，0.0695，0.484，0.0346]时，得到掺伪优化定量模型，校正集的相关系数为0.9962，均方根误差为0.0268。
6、预测集掺伪油样验证
通过经优化得到的惩罚因子矩阵[C]和核函数参数矩阵[g]，且权重为[0.0745，0.0957，0.1358，0.03214，0.1321，0.1438，0.0839，0.0695，0.484，0.0346]时的掺伪优化定量模型对预测集中的307份掺伪油样进行预测验证，计算得到预测集的相关系数为0.9824，均方根误差为0.0371。
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)

1.一种拉曼光谱小波融合的芝麻油多元掺伪检测方法，其特征在于，包括：
步骤一、多元掺伪油样配制：向芝麻油样品中掺入一定量的大豆油和菜籽油，得到多元掺伪油样；
步骤二、一次光谱采集：采集多元掺伪油样在1050～1350cm-1范围的拉曼光谱图，得到一次拉曼光谱图；
一次光谱采集的条件如下：
将多元掺伪油样置于流通池中，设置多元掺伪油样的温度为60±5℃，湿度为30±5％RH，多元掺伪油样的流速为0.8～1cm/s；
设置拉曼光谱仪的分辨率为4cm-1，激光功率为220mW，积分时间为5S，且光谱采集探头的入射方向与多元掺伪油样的流向构成一45°的入射角；
每个多元掺伪油样取三次测量的平均值作为最终采集的一次拉曼光谱图；
步骤三、二次光谱采集：采集多元掺伪油样在1400～1700cm-1范围的拉曼光谱图，得到二次拉曼光谱图；
二次光谱采集的条件如下：
将多元掺伪油样置于流通池中，设置多元掺伪油样的温度为60±5℃，湿度为30±5％RH，多元掺伪油样的流速为0.2～0.4cm/s；
设置拉曼光谱仪的分辨率为8cm-1，激光功率为440mW，积分时间为10S，且光谱采集探头的入射方向与多元掺伪油样的流向构成一45°的入射角；
每个多元掺伪油样取三次测量的平均值作为最终采集的二次拉曼光谱图；
步骤四、光谱小波融合：将多元掺伪油样的一次拉曼光谱图和二次拉曼光谱图进行小波融合，得到小波融合光谱图；
步骤五、光谱预处理：对多元掺伪油样的小波融合光谱图进行预处理，得到预处理融合光谱图；
步骤六、掺伪量预测：根据多元掺伪油样的预处理融合光谱图，采用掺伪优化定量模型预测所述多元掺伪油样的掺伪量；
所述步骤六中掺伪优化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和菜籽油，得到若干份掺伪油样；
采集所述若干份掺伪油样的一次拉曼光谱图和二次拉曼光谱图，一次拉曼光谱图采集条件如步骤二中所述，二次拉曼光谱图采集条件如步骤三中所述；
将所述若干份掺伪油样的一次拉曼光谱图和二次拉曼光谱图进行小波融合，得到小波融合光谱图，融合方法如步骤四中所述；
对所述若干份多元掺伪油样的小波融合光谱图进行预处理，得到预处理融合光谱图，预处理方法如步骤五中所述；
通过多核学习支持向量机回归方法建立所述若干份掺伪油样的预处理融合光谱图与掺伪量之间的掺伪定量模型，并采用粒子群优化算法对掺伪定量模型中的参数进行优化，得到掺伪优化定量模型；
通过多核学习支持向量机回归方法建立所述若干份掺伪油样的预处理融合光谱图与掺伪量之间的掺伪定量模型，将预处理融合光谱图的数据按特征维数分为10组，这10组均利用高斯核建立单核支持向量机掺伪定量模型；并采用粒子群优化算法对掺伪定量模型中的惩罚因子矩阵[C]和核函数参数矩阵[g]进行优化，[C]和[g]均是10x8的矩阵，优化时设置种群粒子数为30，每个粒子维数为2，迭代进化次数为160，学习因子初始值设定为C1＝1.6，C2＝1.8，得到10组参数([C]，[g])，并对这10组参数([C]，[g])进行加权投票，从而得到掺伪优化定量模型；
经优化，
当[C]等于
Figure FDA0002637212380000021
Figure FDA0002637212380000031
[g]等于
Figure FDA0002637212380000032
且权重为[0.0745，0.0957，0.1358，0.03214，0.1321，0.1438，0.0839，0.0695，0.484，0.0346]时，得到掺伪优化定量模型，其均方根误差≤5％，相关系数≥98％。
2.如权利要求1所述的拉曼光谱小波融合的芝麻油多元掺伪检测方法，其特征在于，所述步骤一中大豆油和菜籽油向芝麻油样品中的掺入质量比范围均为0～50％。
3.如权利要求1所述的拉曼光谱小波融合的芝麻油多元掺伪检测方法，其特征在于，所述步骤四中光谱小波融合的方法如下：将多元掺伪油样的一次拉曼光谱图和二次拉曼光谱图进行4层小波离散变换，得到15个高低频带，其中包含13个高频带和2个低频带，再根据融合规则分别对13个高频带和2个低频带进行融合，并进行小波逆变换，得到小波融合光谱图。
4.如权利要求1所述的拉曼光谱小波融合的芝麻油多元掺伪检测方法，其特征在于，所述步骤五中对多元掺伪油样的小波融合光谱图依次进行移动平均11点平滑法和Savitzky-Golay滤波9点平滑消除光谱噪声、及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，得到预处理融合光谱图。
CN201810978035.0A 2018-08-24 2018-08-24 一种拉曼光谱小波融合的芝麻油多元掺伪检测方法 Active CN108645841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810978035.0A CN108645841B (zh) 2018-08-24 2018-08-24 一种拉曼光谱小波融合的芝麻油多元掺伪检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810978035.0A CN108645841B (zh) 2018-08-24 2018-08-24 一种拉曼光谱小波融合的芝麻油多元掺伪检测方法

Publications (2)

Publication Number Publication Date
CN108645841A CN108645841A (zh) 2018-10-12
CN108645841B true CN108645841B (zh) 2020-11-03

Family

ID=63761110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810978035.0A Active CN108645841B (zh) 2018-08-24 2018-08-24 一种拉曼光谱小波融合的芝麻油多元掺伪检测方法

Country Status (1)

Country Link
CN (1) CN108645841B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118536001B (zh) * 2024-07-10 2024-09-20 清华大学 二维多模态表征学习的拉曼光谱识别方法、装置和设备

Citations (7)

* Cited by examiner, † Cited by third party
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
CN105466906A (zh) * 2015-12-16 2016-04-06 新希望双喜乳业（苏州）有限公司 一种快速检测牛奶中掺伪尿素含量的方法
CN105628670A (zh) * 2014-10-28 2016-06-01 河北伊诺光学科技有限公司 一种适于橄榄油掺杂识别的二维相关光谱多尺度建模方法
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
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
CN108303406A (zh) * 2018-02-07 2018-07-20 武汉轻工大学 基于拉曼光谱的油茶籽油掺伪检测方法
CN108362659A (zh) * 2018-02-07 2018-08-03 武汉轻工大学 基于多源光谱并联融合的食用油种类快速鉴别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105628670A (zh) * 2014-10-28 2016-06-01 河北伊诺光学科技有限公司 一种适于橄榄油掺杂识别的二维相关光谱多尺度建模方法
CN104807803A (zh) * 2015-04-20 2015-07-29 武汉轻工大学 基于多源光谱数据融合的花生油掺伪定量检测方法
CN105466906A (zh) * 2015-12-16 2016-04-06 新希望双喜乳业（苏州）有限公司 一种快速检测牛奶中掺伪尿素含量的方法
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
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
CN108303406A (zh) * 2018-02-07 2018-07-20 武汉轻工大学 基于拉曼光谱的油茶籽油掺伪检测方法
CN108362659A (zh) * 2018-02-07 2018-08-03 武汉轻工大学 基于多源光谱并联融合的食用油种类快速鉴别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
rapid identification and characterization of recovered edible oil,based on raman and near-infrared spectroscopy;Yang Chen 等;《Advances in Intelligent Systems Research》;20180722;第160卷;第322页右栏 *
基于多源光谱特征融合技术的花生油掺伪检测;涂斌等;《食品与发酵工业》;20161231;第42卷(第4期);全文 *

Also Published As

Publication number Publication date
CN108645841A (zh) 2018-10-12

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
CN112950632B (zh) 一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法
CN103065202B (zh) 一种基于组合核函数的风电场超短期风速预测方法
CN109766909B (zh) 基于谱图融合的海岸环境微塑料老化行为解析方法
CN110503060B (zh) 一种光谱信号去噪方法及其系统
CN104866871B (zh) 基于投影结构稀疏编码的高光谱图像分类方法
CN106918565A (zh) 基于室内标样高光谱特征的土壤重金属Cd含量反演建模及其光谱响应特征波段识别方法
CN102735642A (zh) 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法
CN114237046B (zh) 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法
CN110222714B (zh) 一种基于arma与bp神经网络的太阳总辐照资源预测方法
CN109142265B (zh) 一种近红外光谱小波融合的食用油种类快速鉴别方法
CN108645841B (zh) 一种拉曼光谱小波融合的芝麻油多元掺伪检测方法
CN112485203A (zh) 一种基于高光谱成像分析的重金属污染分析方法
Liu et al. Application of stable isotopic and elemental composition combined with random forest algorithm for the botanical classification of Chinese honey
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
CN113837123A (zh) 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法
CN113533220A (zh) 一种基于高光谱成像技术的煤炭种类识别方法
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN112926625A (zh) 一种卫星辐射数据的偏差影响因子分析方法
CN116429990A (zh) 一种基于纤维素酶的燕麦种抗氧化活性检测方法和装置
CN112525829A (zh) 一种重金属含量检测设备
CN116610990A (zh) 一种基于特征空间差异化的断路器隐患识别方法及装置
Zhou et al. Hyperspectral imaging technology for detection of moisture content of tomato leaves
CN116312860A (zh) 基于监督迁移学习的农产品可溶性固形物预测方法
CN114280000B (zh) 一种原油产地的溯源方法和系统

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