CN109142265B - 一种近红外光谱小波融合的食用油种类快速鉴别方法 - Google Patents
一种近红外光谱小波融合的食用油种类快速鉴别方法 Download PDFInfo
- Publication number
- CN109142265B CN109142265B CN201810979776.0A CN201810979776A CN109142265B CN 109142265 B CN109142265 B CN 109142265B CN 201810979776 A CN201810979776 A CN 201810979776A CN 109142265 B CN109142265 B CN 109142265B
- Authority
- CN
- China
- Prior art keywords
- edible oil
- infrared spectrogram
- infrared
- primary
- spectrogram
- 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
- 239000008157 edible vegetable oil Substances 0.000 title claims abstract description 128
- 230000004927 fusion Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000000523 sample Substances 0.000 claims description 76
- 238000001228 spectrum Methods 0.000 claims description 32
- 239000013307 optical fiber Substances 0.000 claims description 15
- 239000002245 particle Substances 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 12
- 239000003921 oil Substances 0.000 claims description 11
- 235000019198 oils Nutrition 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 240000007594 Oryza sativa Species 0.000 claims description 7
- 235000007164 Oryza sativa Nutrition 0.000 claims description 7
- 235000019483 Peanut oil Nutrition 0.000 claims description 7
- 235000019484 Rapeseed oil Nutrition 0.000 claims description 7
- 239000010495 camellia oil Substances 0.000 claims description 7
- 235000005687 corn oil Nutrition 0.000 claims description 7
- 239000002285 corn oil Substances 0.000 claims description 7
- 239000004006 olive oil Substances 0.000 claims description 7
- 235000008390 olive oil Nutrition 0.000 claims description 7
- 239000000312 peanut oil Substances 0.000 claims description 7
- 235000009566 rice Nutrition 0.000 claims description 7
- 239000003549 soybean oil Substances 0.000 claims description 7
- 235000012424 soybean oil Nutrition 0.000 claims description 7
- 235000020238 sunflower seed Nutrition 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 4
- 241000894007 species Species 0.000 claims description 3
- 238000012549 training Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- IPCSVZSSVZVIGE-UHFFFAOYSA-N hexadecanoic acid Chemical compound CCCCCCCCCCCCCCCC(O)=O IPCSVZSSVZVIGE-UHFFFAOYSA-N 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- WRIDQFICGBMAFQ-UHFFFAOYSA-N (E)-8-Octadecenoic acid Natural products CCCCCCCCCC=CCCCCCCC(O)=O WRIDQFICGBMAFQ-UHFFFAOYSA-N 0.000 description 1
- LQJBNNIYVWPHFW-UHFFFAOYSA-N 20:1omega9c fatty acid Natural products CCCCCCCCCCC=CCCCCCCCC(O)=O LQJBNNIYVWPHFW-UHFFFAOYSA-N 0.000 description 1
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- QSBYPNXLFMSGKH-UHFFFAOYSA-N 9-Heptadecensaeure Natural products CCCCCCCC=CCCCCCCCC(O)=O QSBYPNXLFMSGKH-UHFFFAOYSA-N 0.000 description 1
- OYHQOLUKZRVURQ-HZJYTTRNSA-N Linoleic acid Chemical compound CCCCC\C=C/C\C=C/CCCCCCCC(O)=O OYHQOLUKZRVURQ-HZJYTTRNSA-N 0.000 description 1
- ZQPPMHVWECSIRJ-UHFFFAOYSA-N Oleic acid Natural products CCCCCCCCC=CCCCCCCCC(O)=O ZQPPMHVWECSIRJ-UHFFFAOYSA-N 0.000 description 1
- 239000005642 Oleic acid Substances 0.000 description 1
- 235000021314 Palmitic acid Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013675 iodine Nutrition 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- QXJSBBXBKPUZAA-UHFFFAOYSA-N isooleic acid Natural products CCCCCCCC=CCCCCCCCCC(O)=O QXJSBBXBKPUZAA-UHFFFAOYSA-N 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
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- WQEPLUUGTLDZJY-UHFFFAOYSA-N n-Pentadecanoic acid Natural products CCCCCCCCCCCCCCC(O)=O WQEPLUUGTLDZJY-UHFFFAOYSA-N 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- ZQPPMHVWECSIRJ-KTKRTIGZSA-N oleic acid Chemical compound CCCCCCCC\C=C/CCCCCCCC(O)=O ZQPPMHVWECSIRJ-KTKRTIGZSA-N 0.000 description 1
- 235000021313 oleic acid Nutrition 0.000 description 1
- 238000011160 research Methods 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
-
- 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
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
本发明公开了一种近红外光谱小波融合的食用油种类快速鉴别方法，包括：选取待鉴别的未知种类的食用油样品；采集未知种类的食用油样品在1350～1450nm范围的近红外光谱图，得到一次近红外光谱图；采集未知种类的食用油样品在1700～1800nm范围的近红外光谱图，得到二次近红外光谱图；分别对采集得到的一次近红外光谱图和二次近红外光谱图进行预处理；将预处理一次近红外光谱图和预处理二次近红外光谱图进行小波融合；根据小波融合光谱图，采用优化定性模型对所述未知种类的食用油样品进行种类鉴别。该近红外光谱小波融合的食用油种类快速鉴别方法，安全快速、检测便捷，鉴别准确率高。
Description
技术领域
本发明涉及食用油快速鉴别技术领域，尤其涉及一种近红外光谱小波融合的食用油种类快速鉴别方法。
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可靠、便捷高效的近红外光谱小波融合的食用油种类快速鉴别方法。
本发明解决其技术问题所采用的技术方案是：一种近红外光谱小波融合的食用油种类快速鉴别方法，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、一次光谱采集：采集未知种类的食用油样品在1350～1450nm范围的近红外光谱图，得到一次近红外光谱图；步骤三、二次光谱采集：采集未知种类的食用油样品在1700～1800nm范围的近红外光谱图，得到二次近红外光谱图；步骤四、光谱预处理：分别对采集得到的一次近红外光谱图和二次近红外光谱图进行预处理，得到预处理一次近红外光谱图和预处理二次近红外光谱图；步骤五、光谱小波融合：将预处理一次近红外光谱图和预处理二次近红外光谱图进行小波融合，得到小波融合光谱图；步骤六、种类鉴别：根据步骤五中得到的未知种类的食用油样品的小波融合光谱图，采用优化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，所述步骤二中一次光谱采集的条件如下：将食用油样品置于流通池中，设置食用油样品的温度为30±5℃，湿度为40±5％RH，食用油样品的流速为1～1.2cm/s；设置近红外光谱仪的分辨率为4cm-1，扫描次数为32次，光纤探头的光程为5mm，且光纤探头的入射方向与食用油样品的流向构成一38.38°的入射角；每个食用油样品取三次测量的平均值作为最终采集的一次近红外光谱图。
优选的，所述步骤三中二次光谱采集的条件如下：将食用油样品置于流通池中，设置食用油样品的温度为30±5℃，湿度为40±5％RH，食用油样品的流速为0.4～0.6cm/s；设置近红外光谱仪的分辨率为8cm-1，扫描次数为64次，光纤探头的光程为10mm，且光纤探头的入射方向与食用油样品的流向构成一38.38°的入射角；每个食用油样品取三次测量的平均值作为最终采集的二次近红外光谱图。
优选的，所述步骤四中对采集得到的一次近红外光谱图分别以1390cm-1处和1420cm-1的特征峰强度为基准进行归一化处理，得到预处理一次近红外光谱图。
优选的，所述步骤四中对采集得到的二次近红外光谱图分别以1725cm-1处和1760cm-1的特征峰强度为基准进行归一化处理，得到预处理二次近红外光谱图。
优选的，所述步骤五中光谱小波融合的方法如下：将预处理一次近红外光谱图和预处理二次近红外光谱图进行4层小波离散变换，得到13个高低频带，其中包含12个高频带和1个低频带，再根据融合规则分别对12个高频带和1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，所述步骤六中优化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、橄榄油；采集若干不同已知种类的食用油样品的一次近红外光谱图和二次近红外光谱图，一次近红外光谱图采集条件如步骤二中所述，二次近红外光谱图采集条件如步骤三中所述；分别对采集的若干不同已知种类的食用油样品的一次近红外光谱图和二次近红外光谱图进行预处理，得到若干不同已知种类的食用油样品的预处理一次近红外光谱图和预处理二次近红外光谱图，光谱预处理方法如步骤四中所述；将若干不同已知种类的食用油样品的预处理一次近红外光谱图和预处理二次近红外光谱图进行小波融合，得到若干不同已知种类的食用油样品的小波融合光谱图，光谱小波融合的方法如步骤五中所述；将若干不同已知种类的食用油样品的小波融合光谱图作为定性模型的输入变量，通过多核学习支持向量机分类方法建立若干不同已知种类的食用油样品的定性模型，并采用粒子群优化算法对定性模型中的参数进行优化，得到优化定性模型。
优选的，将若干不同已知种类的食用油样品的小波融合光谱图作为定性模型的输入变量，通过多核学习支持向量机分类方法将小波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20，每个粒子维数为2，迭代进化次数为100，学习因子初始值设定为C1＝2，C2＝1，得到10组参数([C]，[g])，并对这10组参数([C]，[g])进行加权投票，从而得到优化定性模型。
优选的，经优化，
当[C]等于
[g]等于
且权重为[0.141，0.0976，0.0151，0.043，0.0844，0.1478，0.1490，0.0243，0.1499，0.1478]时，得到优化定性模型。
本发明与现有技术相比，其有益效果是：本发明提供的近红外光谱小波融合的食用油种类快速鉴别方法，通过采用不同波段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食用油样品的相同温度、湿度和不同流速，及设置两次光谱采集时近红外光谱仪的不同分辨率、扫描次数、光纤探头光程和相同的入射角，可有效消除外部条件对近红外光谱图的影响；通过小波变换融合一次近红外光谱图和二次近红外光谱图，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分类方法结合粒子群优化算法建立优化定性模型，可显著提升鉴别准确率。
附图说明
图1是近红外光谱小波融合的食用油种类快速鉴别方法的流程示意图。
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，本发明提供了一种近红外光谱小波融合的食用油种类快速鉴别方法，包括：
步骤一、选取待鉴别的未知种类的食用油样品，所述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；
步骤二、将食用油样品置于流通池中，设置食用油样品的温度为30±5℃，湿度为40±5％RH，食用油样品的流速为1～1.2cm/s；设置近红外光谱仪的分辨率为4cm-1，扫描次数为32次，光纤探头的光程为5mm，且光纤探头的入射方向与食用油样品的流向构成一38.38°的入射角；采集未知种类的食用油样品在1350～1450nm范围的近红外光谱图，每个食用油样品取三次测量的平均值作为最终采集的一次近红外光谱图；
步骤三、将食用油样品置于流通池中，设置食用油样品的温度为30±5℃，湿度为40±5％RH，食用油样品的流速为0.4～0.6cm/s；设置近红外光谱仪的分辨率为8cm-1，扫描次数为64次，光纤探头的光程为10mm，且光纤探头的入射方向与食用油样品的流向构成一38.38°的入射角；采集未知种类的食用油样品在1700～1800nm范围的近红外光谱图，每个食用油样品取三次测量的平均值作为最终采集的二次近红外光谱图；
步骤四、对采集得到的一次近红外光谱图分别以1390cm-1处和1420cm-1的特征峰强度为基准进行归一化处理，得到预处理一次近红外光谱图；对采集得到的二次近红外光谱图分别以1725cm-1处和1760cm-1的特征峰强度为基准进行归一化处理，得到预处理二次近红外光谱图；
步骤五、将预处理一次近红外光谱图和预处理二次近红外光谱图进行4层小波离散变换，得到13个高低频带，其中包含12个高频带和1个低频带，再根据融合规则分别对12个高频带和1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：
对预处理一次近红外光谱图I和预处理二次近红外光谱图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
分别为预处理一次近红外光谱图I和预处理二次近红外光谱图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预处理一次近红外光谱图I和预处理二次近红外光谱图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；
步骤六、根据步骤五中得到的未知种类的食用油样品的小波融合光谱图，采用优化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，优化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、橄榄油；
采集若干不同已知种类的食用油样品的一次近红外光谱图和二次近红外光谱图，一次近红外光谱图采集条件如步骤二中所述，二次近红外光谱图采集条件如步骤三中所述；
分别对采集的若干不同已知种类的食用油样品的一次近红外光谱图和二次近红外光谱图进行预处理，得到若干不同已知种类的食用油样品的预处理一次近红外光谱图和预处理二次近红外光谱图，光谱预处理方法如步骤四中所述；
将若干不同已知种类的食用油样品的预处理一次近红外光谱图和预处理二次近红外光谱图进行小波融合，得到若干不同已知种类的食用油样品的小波融合光谱图，光谱小波融合的方法如步骤五中所述；
将若干不同已知种类的食用油样品的小波融合光谱图作为定性模型的输入变量，通过多核学习支持向量机分类方法将小波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20，每个粒子维数为2，迭代进化次数为100，学习因子初始值设定为C1＝2，C2＝1，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[0.141，0.0976，0.0151，0.043，0.0844，0.1478，0.1490，0.0243，0.1499，0.1478]时，得到优化定性模型。
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468份，采用SPXY算法按3∶1的比例选取训练集食用油样品351份和预测集食用油样品117份；其中，8类食用油样品的预测集样品和训练集样品的数量分布如下表1。
表1
2、一次光谱采集
将食用油样品置于流通池中，设置食用油样品的温度为30℃，湿度为40％RH，食用油样品的流速为1cm/s；设置近红外光谱仪的分辨率为4cm-1，扫描次数为32次，光纤探头的光程为5mm，且光纤探头的入射方向与食用油样品的流向构成一38.38°的入射角；采集468份食用油样品在1350～1450nm范围的近红外光谱图，每个食用油样品取三次测量的平均值作为最终采集的一次近红外光谱图。
3、二次光谱采集
将食用油样品置于流通池中，设置食用油样品的温度为30℃，湿度为40％RH，食用油样品的流速为0.5cm/s；设置近红外光谱仪的分辨率为8cm-1，扫描次数为64次，光纤探头的光程为10mm，且光纤探头的入射方向与食用油样品的流向构成一38.38°的入射角；采集468份食用油样品在1700～1800nm范围的近红外光谱图，每个食用油样品取三次测量的平均值作为最终采集的二次近红外光谱图。
4、光谱预处理
对采集得到的468份食用油样品的一次近红外光谱图分别以1390cm-1处和1420cm-1的特征峰强度为基准进行归一化处理，得到预处理一次近红外光谱图；
对采集得到的468份食用油样品的二次近红外光谱图分别以1725cm-1处和1760cm-1的特征峰强度为基准进行归一化处理，得到预处理二次近红外光谱图。
5、光谱小波融合
将训练集中的351份食用油样品的预处理一次近红外光谱图和预处理二次近红外光谱图进行4层小波离散变换，得到13个高低频带，其中包含12个高频带和1个低频带，再根据融合规则分别对12个高频带和1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。
6、优化定性模型建立
将训练集中的351份食用油样品的小波融合光谱图作为定性模型的输入变量，通过多核学习支持向量机分类方法将小波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20，每个粒子维数为2，迭代进化次数为100，学习因子初始值设定为C1＝2，C2＝1，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[0.141，0.0976，0.0151，0.043，0.0844，0.1478，0.1490，0.0243，0.1499，0.1478]时，得到优化定性模型，其对训练集中的351份食用油样品的鉴别准确率为98.58％。
7、种类鉴别
将预测集中的157份食用油样品的小波融合光谱图(融合方法如步骤五中所述)作为定性模型的输入变量，采用上述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[0.141，0.0976，0.0151，0.043，0.0844，0.1478，0.1490，0.0243，0.1499，0.1478]时的优化定性模型对预测集中的157份食用油样品的种类进行预测鉴别，预测鉴别准确率为99.36％。
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)
1.一种近红外光谱小波融合的食用油种类快速鉴别方法，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、一次光谱采集：采集未知种类的食用油样品在1350～1450nm范围的近红外光谱图，得到一次近红外光谱图；
一次光谱采集的条件如下：
将食用油样品置于流通池中，设置食用油样品的温度为30±5℃，湿度为40±5％RH，食用油样品的流速为1～1.2cm/s；
设置近红外光谱仪的分辨率为4cm-1，扫描次数为32次，光纤探头的光程为5mm，且光纤探头的入射方向与食用油样品的流向构成一38.38°的入射角；
每个食用油样品取三次测量的平均值作为最终采集的一次近红外光谱图；
步骤三、二次光谱采集：采集未知种类的食用油样品在1700～1800nm范围的近红外光谱图，得到二次近红外光谱图；
二次光谱采集的条件如下：
将食用油样品置于流通池中，设置食用油样品的温度为30±5℃，湿度为40±5％RH，食用油样品的流速为0.4～0.6cm/s；
设置近红外光谱仪的分辨率为8cm-1，扫描次数为64次，光纤探头的光程为10mm，且光纤探头的入射方向与食用油样品的流向构成一38.38°的入射角；
每个食用油样品取三次测量的平均值作为最终采集的二次近红外光谱图；
步骤四、光谱预处理：分别对采集得到的一次近红外光谱图和二次近红外光谱图进行预处理，得到预处理一次近红外光谱图和预处理二次近红外光谱图；
步骤五、光谱小波融合：将预处理一次近红外光谱图和预处理二次近红外光谱图进行小波融合，光谱小波融合的方法如下：将预处理一次近红外光谱图和预处理二次近红外光谱图进行4层小波离散变换，得到13个高低频带，其中包含12个高频带和1个低频带，再根据融合规则分别对12个高频带和1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；
步骤六、种类鉴别：根据步骤五中得到的未知种类的食用油样品的小波融合光谱图，采用优化定性模型对所述未知种类的食用油样品进行种类鉴别；
优化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、橄榄油；
采集若干不同已知种类的食用油样品的一次近红外光谱图和二次近红外光谱图，一次近红外光谱图采集条件如步骤二中所述，二次近红外光谱图采集条件如步骤三中所述；
分别对采集的若干不同已知种类的食用油样品的一次近红外光谱图和二次近红外光谱图进行预处理，得到若干不同已知种类的食用油样品的预处理一次近红外光谱图和预处理二次近红外光谱图，光谱预处理方法如步骤四中所述；
将若干不同已知种类的食用油样品的预处理一次近红外光谱图和预处理二次近红外光谱图进行小波融合，得到若干不同已知种类的食用油样品的小波融合光谱图，光谱小波融合的方法如步骤五中所述；
将若干不同已知种类的食用油样品的小波融合光谱图作为定性模型的输入变量，通过多核学习支持向量机分类方法建立若干不同已知种类的食用油样品的定性模型，并采用粒子群优化算法对定性模型中的参数进行优化，得到优化定性模型；
将若干不同已知种类的食用油样品的小波融合光谱图作为定性模型的输入变量，通过多核学习支持向量机分类方法将小波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20，每个粒子维数为2，迭代进化次数为100，学习因子初始值设定为C1＝2，C2＝1，得到10组参数([C]，[g])，并对这10组参数([C]，[g])进行加权投票，从而得到优化定性模型；经优化，当[C]等于
[g]等于
且权重为[0.141，0.0976，0.0151，0.043，0.0844，0.1478，0.1490，0.0243，0.1499，0.1478]时，得到优化定性模型。
2.如权利要求1所述的近红外光谱小波融合的食用油种类快速鉴别方法，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所述的近红外光谱小波融合的食用油种类快速鉴别方法，其特征在于，所述步骤四中对采集得到的一次近红外光谱图分别以1390cm-1处和1420cm-1的特征峰强度为基准进行归一化处理，得到预处理一次近红外光谱图。
4.如权利要求1所述的近红外光谱小波融合的食用油种类快速鉴别方法，其特征在于，所述步骤四中对采集得到的二次近红外光谱图分别以1725cm-1处和1760cm-1的特征峰强度为基准进行归一化处理，得到预处理二次近红外光谱图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810979776.0A CN109142265B (zh) | 2018-08-24 | 2018-08-24 | 一种近红外光谱小波融合的食用油种类快速鉴别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810979776.0A CN109142265B (zh) | 2018-08-24 | 2018-08-24 | 一种近红外光谱小波融合的食用油种类快速鉴别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109142265A CN109142265A (zh) | 2019-01-04 |
| CN109142265B true CN109142265B (zh) | 2021-02-19 |
Family
ID=64828167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810979776.0A Active CN109142265B (zh) | 2018-08-24 | 2018-08-24 | 一种近红外光谱小波融合的食用油种类快速鉴别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109142265B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109709066B (zh) * | 2019-03-04 | 2023-07-25 | 永仁太谷农业发展有限公司 | 一种橄榄油加工用质量检测方法 |
| CN116242799B (zh) * | 2023-03-14 | 2023-08-18 | 合肥工业大学 | 一种基于深度学习红外多维融合算法的基础油检测装置及检测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105823752B (zh) * | 2016-03-22 | 2018-10-12 | 武汉轻工大学 | 近红外光谱法快速鉴别食用油种类的方法 |
| CN107121408A (zh) * | 2017-06-06 | 2017-09-01 | 江南大学 | 食用植物油品种的快速无损鉴别方法 |
| CN107894408B (zh) * | 2017-11-24 | 2021-04-13 | 中国农业科学院油料作物研究所 | 一种基于近红外光谱仪的食用油多元掺伪鉴别方法 |
| CN108169169A (zh) * | 2018-02-12 | 2018-06-15 | 北京理工大学珠海学院 | 一种基于近红外光谱技术的山茶油掺伪的快速检测方法 |
-
2018
- 2018-08-24 CN CN201810979776.0A patent/CN109142265B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109142265A (zh) | 2019-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Cozzolino | Use of infrared spectroscopy for in-field measurement and phenotyping of plant properties: instrumentation, data analysis, and examples | |
| CN110763698B (zh) | 一种基于特征波长的高光谱柑橘叶片病害识别方法 | |
| Kalkan et al. | Detection of contaminated hazelnuts and ground red chili pepper flakes by multispectral imaging | |
| CN107871132B (zh) | 一种空间特征自适应寻优的高光谱图像分类方法 | |
| CN108362659B (zh) | 基于多源光谱并联融合的食用油种类快速鉴别方法 | |
| CN108399355B (zh) | 一种空间信息自适应融合的高光谱图像分类方法 | |
| Liu et al. | Rapid identification of chrysanthemum teas by computer vision and deep learning | |
| CN107679569A (zh) | 基于自适应超图算法的拉曼光谱物质自动识别方法 | |
| CN108108719A (zh) | 一种加权核稀疏和协同表示系数的高光谱影像分类方法 | |
| Lin et al. | Rapidly and exactly determining postharvest dry soybean seed quality based on machine vision technology | |
| Zhang et al. | End-to-end fusion of hyperspectral and chlorophyll fluorescence imaging to identify rice stresses | |
| 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 | |
| Lu et al. | Fluorescence hyperspectral image technique coupled with HSI method to predict solanine content of potatoes | |
| CN110503060A (zh) | 一种光谱信号去噪方法及其系统 | |
| Khekare et al. | Internet of Things Based Best Fruit Segregation and Taxonomy System for Smart Agriculture | |
| Wang et al. | Intelligent detection of hard seeds of snap bean based on hyperspectral imaging | |
| Lin et al. | A residual dense comprehensively regulated convolutional neural network to identify spectral information for egg quality traceability | |
| Zhang et al. | Cucumber powdery mildew detection method based on hyperspectra-terahertz | |
| Yang et al. | Early apple bruise recognition based on near-infrared imaging and grayscale gradient images | |
| Zhou et al. | Hyperspectral imaging technology for detection of moisture content of tomato leaves | |
| Rashvand et al. | Potential of image processing, dielectric spectroscopy and intelligence methods in order to authentication of microalgae biodiesel | |
| CN108645841B (zh) | 一种拉曼光谱小波融合的芝麻油多元掺伪检测方法 | |
| Zhao et al. | Deep convolutional neural network for detection and prediction of waxy corn seed viability using hyperspectral reflectance imaging | |
| Khajehyar et al. | Using hyperspectral signatures for predicting foliar nitrogen and calcium content of tissue cultured little-leaf mockorange (Philadelphus microphyllus A. Gray) shoots |
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 |