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 PDFInfo
- 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
- fusion
- adulterated
- oil sample
- raman 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
- 230000004927 fusion Effects 0.000 title claims abstract description 74
- 235000011803 sesame oil Nutrition 0.000 title claims abstract description 29
- 239000008159 sesame oil Substances 0.000 title claims abstract description 29
- 230000003595 spectral effect Effects 0.000 title claims abstract description 19
- 238000001069 Raman spectroscopy Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 239000003921 oil Substances 0.000 claims abstract description 103
- 235000019198 oils Nutrition 0.000 claims abstract description 103
- 238000001237 Raman spectrum Methods 0.000 claims abstract description 68
- 238000001228 spectrum Methods 0.000 claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 239000000523 sample Substances 0.000 claims description 79
- 238000000034 method Methods 0.000 claims description 19
- 239000002245 particle Substances 0.000 claims description 14
- 235000019484 Rapeseed oil Nutrition 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 235000012424 soybean oil Nutrition 0.000 claims description 10
- 239000003549 soybean oil Substances 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000010348 incorporation Methods 0.000 claims 1
- 238000001914 filtration Methods 0.000 description 6
- 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
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OYHQOLUKZRVURQ-HZJYTTRNSA-N Linoleic acid Chemical compound CCCCC\C=C/C\C=C/CCCCCCCC(O)=O OYHQOLUKZRVURQ-HZJYTTRNSA-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
- 230000007812 deficiency 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
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors 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
- 239000004615 ingredient Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- OYHQOLUKZRVURQ-IXWMQOLASA-N linoleic acid Natural products CCCCC\C=C/C\C=C\CCCCCCCC(O)=O OYHQOLUKZRVURQ-IXWMQOLASA-N 0.000 description 1
- 235000020778 linoleic acid Nutrition 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
- 238000012545 processing 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
- G01N21/62—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
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
[g]等于
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
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
时，取QI＝1否则QI＝0，Qv处理方式相同，其中
和
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
和
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
[g]等于
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
[g]等于
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
[g]等于
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。
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)
| 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)
| 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 |
-
2018
- 2018-08-24 CN CN201810978035.0A patent/CN108645841B/zh active Active
Patent Citations (7)
| 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)
| 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 | |
| CN111413316A (zh) | 基于拉曼光谱的乳粉真实性筛查方法 | |
| CN113158980A (zh) | 一种基于高光谱图像和深度学习的茶叶分类方法 | |
| CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
| CN111289446A (zh) | 一种复杂溶液成分浓度的检测方法及系统 | |
| CN106872370A (zh) | 一种基于高光谱的杨梅中花色苷含量测定的方法 | |
| CN113484309A (zh) | 一种高光谱耦合纳米化比色传感器监测红茶发酵程度的方法 | |
| CN105445218A (zh) | 中红外光谱油菜籽蛋白质含量检测自适应模型的建立方法 | |
| CN117054372B (zh) | 基于nirs与cv的茶叶品质等级检测方法和系统 | |
| CN108645841B (zh) | 一种拉曼光谱小波融合的芝麻油多元掺伪检测方法 | |
| CN110516668A (zh) | 一种基于高光谱成像技术的蜂蜜掺假检测方法和装置 | |
| CN111398198A (zh) | 一种小麦籽粒微量元素快速无损检测方法 | |
| Liu et al. | Application of stable isotopic and elemental composition combined with random forest algorithm for the botanical classification of Chinese honey | |
| Yu et al. | Rapid classification of peanut varieties for their processing into peanut butters based on near‐infrared spectroscopy combined with machine learning | |
| CN112945901A (zh) | 一种基于近红外光谱的青贮大豆品质检测方法 | |
| CN113310930A (zh) | 高温灭菌奶、巴氏杀菌奶和掺加高温灭菌奶的巴氏杀菌奶的光谱鉴定方法 | |
| CN106841167A (zh) | 果蔬农药残留的无损检测方法 | |
| CN111428585B (zh) | 一种基于深度学习的超材料太赫兹谱学识别方法 | |
| CN112485203A (zh) | 一种基于高光谱成像分析的重金属污染分析方法 | |
| 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 | |
| WO2020248961A1 (zh) | 一种无参考值的光谱波数选择方法 | |
| Zhu et al. | High-accuracy classification and origin traceability of peanut kernels based on near-infrared (NIR) spectroscopy using Adaboost-Maximum uncertainty linear discriminant analysis | |
| CN109001148A (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 | |
| CN108303406B (zh) | 基于拉曼光谱的油茶籽油掺伪检测方法 | |
| CN106770152A (zh) | 一种基于特征峰及算法参数选取的奶粉品牌快速鉴别方法 |
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 |