CN109297928B - 一种检测酱油品质的方法及系统 - Google Patents
一种检测酱油品质的方法及系统 Download PDFInfo
- Publication number
- CN109297928B CN109297928B CN201811412547.7A CN201811412547A CN109297928B CN 109297928 B CN109297928 B CN 109297928B CN 201811412547 A CN201811412547 A CN 201811412547A CN 109297928 B CN109297928 B CN 109297928B
- Authority
- CN
- China
- Prior art keywords
- spectrogram
- sample
- tested
- soy sauce
- wave number
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 235000013555 soy sauce Nutrition 0.000 title claims abstract description 66
- 230000004044 response Effects 0.000 claims abstract description 74
- 230000003595 spectral effect Effects 0.000 claims abstract description 69
- 238000001514 detection method Methods 0.000 claims abstract description 53
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000002329 infrared spectrum Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 9
- 238000009795 derivation Methods 0.000 claims description 8
- 238000002360 preparation method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000001069 Raman spectroscopy Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 7
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000001351 cycling effect Effects 0.000 abstract description 3
- 210000000697 sensory organ Anatomy 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 230000001953 sensory effect Effects 0.000 description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000001568 sexual effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 229910021529 ammonia Inorganic materials 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000000411 transmission spectrum Methods 0.000 description 2
- 229930006000 Sucrose Natural products 0.000 description 1
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- PXEDJBXQKAGXNJ-QTNFYWBSSA-L disodium L-glutamate Chemical compound [Na+].[Na+].[O-]C(=O)[C@@H](N)CCC([O-])=O PXEDJBXQKAGXNJ-QTNFYWBSSA-L 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000014655 lactic acid Nutrition 0.000 description 1
- 239000004310 lactic acid Substances 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 235000013923 monosodium glutamate Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 235000015067 sauces Nutrition 0.000 description 1
- 229940073490 sodium glutamate Drugs 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000005720 sucrose Substances 0.000 description 1
- 239000013589 supplement Substances 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
-
- 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
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet 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
-
- 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
Abstract
本发明涉及一种检测酱油品质的方法及系统，其方法包括：采集待测样品的光谱图，待测样品光谱图中包含i个有效波长或波数的光谱响应值；在相邻两个有效波长或波数中间用插值法插入一个虚拟光谱响应值，得到待测样品的拓展光谱图，该拓展光谱图中包含p(即2*i‑1)个波长或波数的光谱响应值；计算待测样品的拓展光谱图中第p个波长或波数的异常指数kp；统计待测样品的拓展光谱图中异常指数kp大于第一阈值的个数N；在N不大于第二阈值的情况下，判断待测样品的品质正常。该方法及系统不需要对样品进行额外处理，无化学试剂消耗，操作简便，检测速度快，检测效率高，检测结果稳定、准确，有利于提高物料周转速度，可作为辅助工具应用在日常生产中的感官检测。
Description
技术领域
本发明属于分析检测技术领域，具体涉及一种检测酱油品质的方法及系统。
背景技术
酱油的感官评定凭借人体的感知器官，从色、香、味、体等角度对物料予以综合性评价。因为缺乏客观度量标准，酱油感官评定目前仍严重依赖人工，鉴评能力的提升也只能来自于经验，对于从业不久的感官鉴评人员而言，由于经验不足，面对异常样本时，往往难以察觉。对于经验丰富的感官鉴评专家而言，在身体不适或环境条件不利的情况下，也可能对异常样本进行误判。
长期从事感官鉴评工作的人员对于酱油质量水准的把控在整体上是较为可靠的，但如何一直保持这一可靠的水平，最大程度杜绝感官结果误判，目前仍未出现相对客观的评价工具或方法。
发明内容
本发明提供一种检测酱油品质的方法和系统，利用光谱分析技术，在光谱信号与感官评定结果之间建立函数关系(即分析模型)，当获取到待测样本的光谱信号时，利用光谱信号与感官数据所对应的分析模型，直接判断待测样本的感官是否正常。该检测酱油品质的方法和系统具有以下a)至h)中的一项或多项优点：
a)不需要对样品进行额外处理，
b)无化学试剂消耗，
c)操作简便，
d)检测速度快，
e)检测效率高，
f)检测结果稳定、准确，
g)有利于提高物料周转速度，
h)可作为感官辅助工具应用在日常生产中的感官检测，而不需要检测人员具备丰富的酱油感官鉴评经验。
本发明提供一种检测酱油品质的方法，包括：
采集待测样品的光谱图，待测样品光谱图中包含i个有效波长或波数的光谱响应值；
在相邻两个有效波长或波数中间用插值法插入一个虚拟光谱响应值，得到待测样品的拓展光谱图，该拓展光谱图中包含p(即2*i-1)个波长或波数的光谱响应值；
计算待测样品的拓展光谱图中第p个波长或波数的光谱响应值的异常指数kp；
统计待测样品的拓展光谱图中异常指数kp大于第一阈值的个数N；
在N不大于第二阈值的情况下，判断待测样品的品质正常，
其中：异常指数kp的计算公式为：
公式中：
mp为待测样品在第p个波长或波数的光谱响应值，
为n个品质正常样品在第p个波长或波数的光谱响应值的平均值，
σ为n个品质正常样品在第p个波长或波数的光谱响应值的均方差，
n为不小于1的自然数，优选为不小于10的自然数，例如30～100，
i和p各自独立地为非零自然数。
在一个实施方案中，得到待测样品的拓展光谱图后，还包括对拓展光谱图进行预处理，然后再计算异常指数kp。
在一个实施例中，和σ的获得方法包括：
采集n个品质正常样品的原始光谱图；
每个品质正常样品的原始光谱图中包含i个有效波长或波数的光谱响应值，在相邻两个有效波长或波数中间用插值法插入一个虚拟光谱响应值，得到拓展光谱图，该拓展光谱图中包含p(即2*i-1)个波长或波数的光谱响应值；
计算n个拓展光谱图中第p个波长或波数的光谱响应值的平均值和均方差σ。
在一个实施方案中，和σ的获得方法中，获得拓展光谱图后，还包括对拓展光谱图进行预处理，然后再计算平均值和均方差σ。
在一个实施方案中，插值法的计算方式为条样插值或分段线性插值。
在一个实施方案中，对光谱图进行预处理包括以下处理方式中的至少一种：
对光谱图进行平滑处理，以消除不规则的随机噪声对光谱图的影响，使光谱图更为平滑；
对光谱图进行导数处理，以消除非化学性因素对光谱图造成的影响，同时放大光谱的微小变化；
对光谱图进行中心化处理，以消除因基线漂移对光谱图造成的影响；
对光谱图进行标准化处理，以消除量纲对光谱图造成影响。
在一个实施方案中，对光谱图进行平滑处理包括：采用Savitzky-Golay卷积平滑算法对光谱图进行处理。
在一个实施方案中，对光谱图进行导数校正处理包括：采用二阶差分求导对光谱图进行处理。
在一个实施方案中，对光谱图进行标准化处理包括采用均值标准化对光谱图进行处理。
在一个实施方案中，对光谱图进行预处理包括：采用Savitzky-Golay卷积平滑算法对光谱图进行处理，
采用均值标准化对光谱图进行处理，和
采用二阶差分求导对光谱图进行处理。
在一个实施方案中，所述光谱图为紫外光谱图、近红外光谱图、拉曼光谱图或高光谱图，优选为近红外光谱图。
在一个实施方案中，所述光谱图的谱区范围为300nm-25000nm。
在一个实施方案中，所述近红外光谱图的谱区范围为780nm-2500nm。
在一个实施方案中，第一阈值为2.00-6.00。
在一个实施方案中，第二阈值为10-30。
在一个实施方案中，品质正常样品为经长期从事酱油感官鉴评的专家组成员评定确认的感官正常的样品。
在一个实施方案中，所述的检测酱油品质的方法还包括：判断是否有后续待测样品的步骤，
在有后续待测样品的情况下，重复执行以下操作：
采集待测样品的光谱图；
在相邻两个有效波长或波数中间用插值法插入一个虚拟光谱响应值，得到拓展光谱图；
计算拓展光谱图中第p个波长或波数的光谱响应值的异常指数kp；
统计待测样品的拓展光谱图中异常指数kp大于第一阈值的个数N；
在N不大于第二阈值的情况下，判断待测样品的品质为正常，
在没有后续待测样品的情况下，结束检测并输出检测结果。
本发明还提供一种检测酱油品质的系统，包括光谱仪、拓展光谱计算模块、异常指数kp计算模块和酱油品质识别模块，其中：
光谱仪，用于采集样品的光谱图；
拓展光谱计算模块，用于在相邻两个有效波长或波数中间用插值法插入一个虚拟光谱响应值，得到待测样品的拓展光谱图，该拓展光谱图中包含p(即2*i-1)个波长或波数的光谱响应值；
异常指数kp计算模块，用于计算待测样品的拓展光谱图中第p个波长或波数的光谱响应值的异常指数kp，其中计算公式为：
公式中：
mp为待测样品在第p个波长或波数的光谱响应值，
为n个品质正常样品在第p个波长或波数的光谱响应值的平均值，
σ为n个品质正常样品在第p个波长或波数的光谱响应值的均方差，
n为不小于1的自然数，优选为不小于10的自然数，例如30～100；
酱油品质识别模块，用于统计待测样品的拓展光谱图中异常指数kp大于第一阈值的个数N，在N不大于第二阈值的情况下，判断待测样品的品质正常。
在一个实施方案中，所述的检测酱油品质的系统还包括：预处理模块，所述预处理模块用于在获得拓展光谱图后，对拓展光谱图进行预处理，以便对拓展光谱图进行进一步优化，然后指示异常指数kp计算模块计算经过预处理的拓展光谱图中每个波长或波数的异常指数kp。
在一个实施方案中，预处理模块对光谱图进行的预处理包括以下处理方式中的至少一种：
对光谱图进行平滑处理；
对光谱图进行导数处理；
对光谱图进行中心化处理；
对光谱图进行标准化处理。
在一个实施方案中，预处理模块具体采用Savitzky-Golay卷积平滑算法对光谱图进行预处理，采用均值标准化对光谱图进行预处理，采用二阶差分求导对光谱图进行预处理。
在一个实施方案中，异常指数kp计算模块中，和σ的获得方法包括：
采集n个品质正常样品的原始光谱图；
每个品质正常样品的原始光谱图中包含i个有效波长或波数的光谱响应值，在相邻两个有效波长或波数中间用插值法插入一个虚拟光谱响应值，得到拓展光谱图，该拓展光谱图中包含p(即2*i-1)个波长或波数的光谱响应值；
计算n个拓展光谱图中第p个波长或波数的光谱响应值的平均值和均方差σ。
在一个实施方案中，所述的检测酱油品质的系统中，光谱仪为紫外光谱仪、近红外光谱仪、拉曼光谱图或高光谱仪，优选为近红外光谱仪。
在一个实施方案中，所述的检测酱油品质的系统还包括：判断是否有后续待测样品的模块，
在有后续待测样品的情况下，重复执行检测操作，
在没有后续待测样品的情况下，结束检测并输出检测结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术中描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明的检测酱油品质的方法的一个实施例的流程示意图；
图2为根据本发明的检测酱油品质的系统的一个实施例的流程示意图；
图3为根据本发明的检测酱油品质的系统的另一个实施例的流程示意图；
图4为根据本发明的检测酱油品质的系统的另一个实施例的流程示意图。
具体实施方式
下面参照附图对本发明进行更全面的描述，说明本发明的示例性实施例。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合各个附图和实施例对本发明的技术方案进行多方面的描述。
本文中的“第一”、“第二”等，为描述上相区别，并没有其它特殊的含义。
图1为根据本发明的检测酱油品质的方法的一个实施例的流程示意图，其中：
步骤1，采集待测样品的光谱图，待测样品光谱图中包含i个有效波长或波数的光谱响应值。其中光谱图可以为紫外光谱图、近红外光谱图、拉曼光谱图或高光谱图，优选的谱区范围为300nm-2500nm。优选的光谱图为为近红外光谱图，优选的近红外光谱区范围为780nm-2500nm。
步骤2，在待测样品光谱图中的相邻两个有效波长或波数中间用插值法插入一个虚拟光谱响应值，得到待测样品的拓展光谱图，该拓展光谱图中包含p(即2*i-1)个波长或波数的光谱响应值；
可选地，获得待测样品的拓展光谱图后，还包括对光谱图进行预处理的步骤，以便对拓展光谱光谱图进行进一步优化。
步骤3，计算测样品的拓展光谱图中第p个波长或波数的光谱响应值的异常指数kp。其中：异常指数kp的计算公式为：
公式中：
mp为待测样品在第p个波长或波数的光谱响应值，
为n个品质正常样品在第p个波长或波数的光谱响应值的平均值，
σ为n个品质正常样品在第p个波长或波数的光谱响应值的均方差，
n为不小于1的自然数，优选为不小于10的自然数，例如30～100，例如n为60，
i、p各自独立为非零自然数。
步骤4，统计待测样品的拓展光谱图中异常指数kp大于第一阈值的个数N；在N不大于第二阈值的情况下，判断待测样品的品质正常。其中，第一阈值为2.00-6.00，例如2.04。第二阈值为10-30，例如11。
步骤3中，品质正常样品为经长期从事酱油感官鉴评的专家组成员评定确认的感官正常的样品。
步骤3中，和σ的获得方法包括：
采集n个品质正常样品的原始光谱图；
每个品质正常样品的原始光谱图中包含i个有效波长或波数的光谱响应值，在相邻两个有效波长或波数中间用插值法插入一个虚拟光谱响应值，得到拓展光谱图，该拓展光谱图中包含p(即2*i-1)个波长或波数的光谱响应值；
可选地，和σ的获得方法中，获得拓展光谱图后，还包括对拓展光谱图进行预处理，以便对光谱图进行优化，
计算n个拓展光谱图中第p个波长或波数的光谱响应值的平均值和均方差σ。
例如，插值法的计算方式为条样插值或分段线性插值。
例如，对光谱图进行预处理包括以下处理方式中的至少一种：
对光谱图进行平滑处理，以消除不规则的随机噪声对光谱图的影响，使光谱图更为平滑；
对光谱图进行导数处理，以消除非化学性因素对光谱图造成的影响，同时放大光谱的微小变化；
对光谱图进行中心化处理，以消除因基线漂移对光谱图造成的影响；
对光谱图进行标准化处理，以消除量纲对光谱图造成影响。
例如可以采用Savitzky-Golay卷积平滑算法对光谱图进行处理，采用均值标准化对光谱图进行处理，采用二阶差分求导对光谱图进行处理。
此外，所述的检测酱油品质的方法还可以包括：判断是否有后续待测样品的步骤，
在有后续待测样品的情况下，重复执行以上步骤1至步骤4，
在没有后续待测样品的情况下，结束检测并输出检测结果。
本发明上述实施例提供的检测酱油品质的方法利用插值法对光谱进行拓展，然后再进行传统光谱预处理等步骤。插值步骤有助于使本发明所述方法中酱油感官正常样本和异常样本之间的光谱差异更为显著，从而进一步提高分析结果的稳定性。此外，对于光谱分辨率较低的设备，通过插值可以在不破坏原有光谱的情况下增加光谱信息量。插值不同于传统光谱预处理中的平滑拟合，二者主要差异为：插值要求曲线必须过原始数据点，而平滑拟合没有该要求；插值用于补充原本不存在的数据点，平滑拟合则是用函数计算结果代替原始数据点。
基于本发明上述实施例提供的检测酱油品质的方法，通过直接获取待测样本的光谱图，即可直接判断待测样本的感官结果是否异常。该方法不需要对样品进行额外处理，无化学试剂消耗，操作简便，检测速度快，检测效率高，检测结果稳定、准确，有利于提高物料周转速度，可作为感官辅助工具应用在日常生产中的感官检测。
下面通过一个具体示例对本发明进行说明。
1)选取60个品质正常的生抽胚料样品，用光栅型近红外光谱分析仪采集它们的原始光谱图。光谱范围选择为800nm-2000nm。
原始光谱图中包含i个有效波长或波数的光谱响应值，在相邻两个有效波长或波数中间用插值法(例如，条样插值或分段线性插值)插入一个虚拟光谱响应值，得到包含p(即2*i-1)个波长或波数的光谱响应值的拓展光谱图。
对拓展光谱图依次进行以下预处理，以便对光谱图进行优化，
①Savitzky-Golay卷积平滑处理(多项式阶数为2，窗口大小为3，窗口以当前数据点为中心)；
②均值标准化处理；
③二阶差分求导处理。
计算60个拓展光谱图中第p波长或波数的光谱响应值的平均值和均方差σ。
2)用光栅型近红外光谱分析仪采集待测样品的光谱图，光谱范围选择为800nm-2000nm。得到的待测样品光谱图中包含i个有效波长或波数的光谱响应值。
3)在待测样品光谱图中的相邻两个有效波长或波数中间用插值法插入一个虚拟光谱响应值，得到待测样品的拓展光谱图，该拓展光谱图中包含p(即2*i-1)个波长或波数的光谱响应值。
4)然后对待测样品的拓展光谱图进行预处理，以便对拓展光谱图进行优化。预处理的方法同1)中所述。
5)接下来计算待测样品的拓展光谱图中第p个波长或波数的光谱响应值的异常指数kp，算法通过Python编程语言实现。统计待测样品的拓展光谱图中异常指数kp大于第一阈值的个数N；在N不大于第二阈值的情况下，判断待测样品的品质正常；在N大于第二阈值的情况下，判断待测样品的品质异常。其中，第一阈值为2.04，第二阈值为11，统计方法也通过Python编程语言实现。
一个样品检测完成后，判断是否还有待测样品，在有后续待测样品的情况下，重复执行检测操作。
待所有待测样品检测完毕后，结束检测并输出检测结果，结果见表1。所有样品同时经专家鉴评作为对照，专家鉴评结果见表1。
表1专家鉴评结果和本发明方法的检测结果对比
表1中，试验样(加蔗糖、加谷氨酸钠等)和优于平均都属于感官异常样本，加谷氨酸氨、加乳酸等样本为正常样的基础上人为加标而成。
从表1可以看出，本发明提供的检测酱油品质的方法对于感官异常样本的识别能力较为理想，可以作为酱油感官质量异常的检测工具。
图2为本发明用于检测酱油品质的系统的一个实施例的流程示意图。如图2所示，该系统包括光谱仪、拓展光谱计算模块、异常指数kp计算模块和酱油品质识别模块。其中：
光谱仪，用于采集待测样品的光谱图。所示光谱仪可以为紫外光谱仪、近红外光谱仪、拉曼光谱图或高光谱仪，优选为近红外光谱仪。
拓展光谱计算模块，用于在相邻两个有效波长或波数中间用插值法插入一个虚拟光谱响应值，得到待测样品的拓展光谱图，该拓展光谱图中包含p(即2*i-1)个波长或波数的光谱响应值。
异常指数kp计算模块，用于计算待测样品的拓展光谱图中第p个波长或波数的光谱响应值的异常指数kp，其中计算公式为：
公式中：
mp为待测样品拓展光谱在第p个波长或波数的光谱响应值，
为n个品质正常样品在第p个波长或波数的光谱响应值的平均值，
σ为n个品质正常样品在第p个波长或波数的光谱响应值的均方差，
n为不小于1的自然数，优选为不小于10的自然数，例如30～100。
可选地，异常指数kp计算模块中，和σ的获得方法包括：
采集n个品质正常样品的原始光谱图；
每个品质正常样品的原始光谱图中包含i个有效波长或波数的光谱响应值，在相邻两个有效波长或波数中间用插值法插入一个虚拟光谱响应值，得到包含p(即2*i-1)个波长或波数的光谱响应值的拓展光谱图，
计算n个拓展光谱图中第p个波长或波数的光谱响应值的平均值和均方差σ。
酱油品质识别模块，用于统计待测样品的拓展光谱图中异常指数kp大于第一阈值的个数N，在N不大于第二阈值的情况下，判断待测样品的品质正常。
基于本发明上述实施例提供的用于检测酱油品质的系统，通过直接获取待测样本的光谱图，即可直接判断待测样本的感官结果是否异常。该系统不需要对样品进行额外处理，无化学试剂消耗，操作简便，检测速度快，检测效率高，检测结果稳定、准确，有利于提高物料周转速度，可作为辅助工具应用在日常生产中的感官检测。
图3为本发明用于检测酱油品质的系统的另一个实施例的流程示意图。与图2所示的系统相比，图3所示实施例的系统除包括光谱仪、拓展光谱计算模块、异常指数ki计算模块和酱油品质识别模块之外，还包括预处理模块。其中：所述预处理模块用于在获得拓展光谱图后，对拓展光谱图进行预处理，以便对拓展光谱图进行优化，然后指示异常指数kp计算模块计算经过预处理的拓展光谱图中每个波长或波数的异常指数kp。
可选地，预处理模块对光谱图进行的预处理包括以下处理方式中的至少一种：
对光谱图进行平滑处理，以消除不规则的随机噪声对光谱图的影响，使光谱图更为平滑；
对光谱图进行导数处理，以消除非化学性因素对光谱图造成的影响，同时放大光谱的微小变化；
对光谱图进行中心化处理，以消除因基线漂移对光谱图造成的影响；
对光谱图进行标准化处理，以消除量纲对光谱图造成的影响。
例如，预处理模块可以具体采用Savitzky-Golay卷积平滑算法对光谱图进行预处理，采用二阶差分求导对光谱图进行预处理，采用均值标准化对光谱图进行预处理。其中：
Savitzky-Golay卷积平滑处理的多项式阶数为2，窗口大小为3，窗口以当前数据点为中心。
图4为本发明用于检测酱油品质的系统的另一个实施例的流程示意图。与图3所示的系统相比，图4所示实施例的系统还包括判断是否有后续待测样品的模块。判断是否有后续待测样品的模块用于判断是否有后续待测样品，在有后续待测样品的情况下，重复执行检测操作，在没有后续待测样品的情况下，结束检测并输出检测结果。
通过实施例本发明的用于检测酱油品质的系统，可以通过直接获取待测样本的光谱图，即可直接判断待测样本的感官结果是否异常。该系统不需要对样品进行额外处理，无化学试剂消耗，操作简便，检测速度快，检测效率高，检测结果稳定、准确，有利于提高物料周转速度，可作为辅助工具应用在日常生产中的感官检测。
本领域技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序指令相关的硬件完成，所有的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (25)
1.一种检测酱油品质的方法，包括：
采集待测样品的光谱图，待测样品光谱图中包含i个有效波长或波数的光谱响应值；
在相邻两个有效波长或波数中间用插值法插入一个虚拟光谱响应值，得到待测样品的拓展光谱图，该拓展光谱图中包含p(即2*i-1)个波长或波数的光谱响应值；
计算待测样品的拓展光谱图中第p个波长或波数的光谱响应值的异常指数kp；
统计待测样品的拓展光谱图中异常指数kp大于第一阈值的个数N；
在N不大于第二阈值的情况下，判断待测样品的品质正常，
其中：异常指数kp的计算公式为：
公式中：
mp为待测样品在第p个波长或波数的光谱响应值，
为n个品质正常样品在第p个波长或波数的光谱响应值的平均值，
σ为n个品质正常样品在第p个波长或波数的光谱响应值的均方差，
n为不小于1的自然数，
i和p各自独立地为非零自然数。
2.权利要求1所述的检测酱油品质的方法，其中n为不小于10的自然数。
3.权利要求1所述的检测酱油品质的方法，其中n为30～100的自然数。
4.权利要求1所述的检测酱油品质的方法，其中，在得到待测样品的拓展光谱图后，还包括对光谱图进行预处理，然后再计算异常指数kp。
5.权利要求1所述的检测酱油品质的方法，其中，其中和σ的获得方法包括：
采集n个品质正常样品的原始光谱图；
每个品质正常样品的原始光谱图中包含i个有效波长或波数的光谱响应值，在相邻两个有效波长或波数中间用插值法插入一个虚拟光谱响应值，得到到拓展光谱图，该拓展光谱图中包含p(即2*i-1)个波长或波数的光谱响应值，
计算n个拓展光谱图中第p个波长或波数的光谱响应值的平均值和均方差σ。
6.权利要求5所述的检测酱油品质的方法，其中，获得拓展光谱图后，还包括对拓展光谱图进行预处理。
7.权利要求5所述的检测酱油品质的方法，其中，插值法的计算方式为条样插值或分段线性插值。
8.权利要求4至7中任一项所述的检测酱油品质的方法，其中，对光谱图进行预处理包括以下处理方式中的至少一种：
对光谱图进行平滑处理，
对光谱图进行导数处理，
对光谱图进行中心化处理，
对光谱图进行标准化处理。
9.权利要求8所述的检测酱油品质的方法，其中，
对光谱图进行平滑处理包括：采用Savitzky-Golay卷积平滑算法对光谱图进行处理，
对光谱图进行导数校正处理包括：采用二阶差分求导对光谱图进行处理，
对光谱图进行标准化处理包括：采用均值标准化对光谱图进行处理。
10.权利要求1至7、9中任一项所述的检测酱油品质的方法，其中所述光谱图为紫外光谱图、近红外光谱图、拉曼光谱图或高光谱图。
11.权利要求10所述的检测酱油品质的方法，其中所述光谱图为近红外光谱图。
12.权利要求10所述的检测酱油品质的方法，其中，近红外光谱图的谱区范围为780nm-2500nm。
13.权利要求1所述的检测酱油品质的方法，其中，第一阈值为2.00-6.00。
14.权利要求1所述的检测酱油品质的方法，其中，第二阈值为10-30。
15.权利要求1所述的检测酱油品质的方法，还包括：判断是否有后续待测样品的步骤，
在有后续待测样品的情况下，重复执行权利要求1的操作，
在没有后续待测样品的情况下，结束检测并输出检测结果。
16.一种检测酱油品质的系统，包括光谱仪、拓展光谱计算模块、异常指数kp计算模块和酱油品质识别模块，其中：
光谱仪，用于采集样品的光谱图；
拓展光谱计算模块，用于在相邻两个有效波长或波数中间用插值法插入一个虚拟光谱响应值，得到待测样品的拓展光谱图，该拓展光谱图中包含p(即2*i-1)个波长或波数的光谱响应值；
异常指数kp计算模块，用于计算待测样品的拓展光谱图中第p个波长或波数的光谱响应值的异常指数kp，其中计算公式为：
公式中：
mp为待测样品在第p个波长或波数的光谱响应值，
为n个品质正常样品在第p个波长或波数的光谱响应值的平均值，
σ为n个品质正常样品在第p个波长或波数的光谱响应值的均方差，
n为不小于1的自然数；
酱油品质识别模块，用于统计待测样品的拓展光谱图中异常指数kp大于第一阈值的个数N，在N不大于第二阈值的情况下，判断待测样品的品质正常。
17.权利要求16所述的检测酱油品质的系统，其中n为不小于10的自然数。
18.权利要求16所述的检测酱油品质的系统，其中n为30～100的自然数。
19.权利要求16所述的检测酱油品质的系统，还包括预处理模块，所述预处理模块用于在获得拓展光谱图后，对拓展光谱图进行预处理，以便对拓展光谱图进行优化，然后指示异常指数kp计算模块计算经过预处理的拓展光谱图中每个波长或波数的异常指数kp。
20.权利要求19所述的检测酱油品质的系统，其中，预处理模块对光谱图进行的预处理包括以下处理方式中的至少一种：
对光谱图进行平滑处理；
对光谱图进行导数处理；
对光谱图进行中心化处理；
对光谱图进行标准化处理。
21.权利要求20所述的检测酱油品质的系统，其中，预处理模块具体采用Savitzky-Golay卷积平滑算法对光谱图进行预处理，采用二阶差分求导对光谱图进行预处理，采用均值标准化对光谱图进行预处理。
22.权利要求16至21中任一项所述的检测酱油品质的系统，其中异常指数kp计算模块中，和σ的获得方法包括：
采集n个品质正常样品的原始光谱图；
每个品质正常样品的原始光谱图中包含i个有效波长或波数的光谱响应值，在相邻两个有效波长或波数中间用插值法插入一个虚拟光谱响应值，得到拓展光谱图，该拓展光谱图中包含p(即2*i-1)个波长或波数的光谱响应值，
计算n个拓展光谱图中第p个波长或波数的光谱响应值的平均值和均方差σ。
23.权利要求16至21中任一项所述的检测酱油品质的系统，其中光谱仪为紫外光谱仪、近红外光谱仪、拉曼光谱图或高光谱仪。
24.权利要求23所述的检测酱油品质的系统，其中光谱仪为近红外光谱仪。
25.权利要求16至21中任一项所述的检测酱油品质的系统，还包括：判断是否有后续待测样品的模块，
在有后续待测样品的情况下，重复执行检测操作，
在没有后续待测样品的情况下，结束检测并输出检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811412547.7A CN109297928B (zh) | 2018-11-26 | 2018-11-26 | 一种检测酱油品质的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811412547.7A CN109297928B (zh) | 2018-11-26 | 2018-11-26 | 一种检测酱油品质的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109297928A CN109297928A (zh) | 2019-02-01 |
| CN109297928B true CN109297928B (zh) | 2019-08-20 |
Family
ID=65144743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811412547.7A Active CN109297928B (zh) | 2018-11-26 | 2018-11-26 | 一种检测酱油品质的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109297928B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114018861B (zh) * | 2021-10-28 | 2023-07-07 | 四川启睿克科技有限公司 | 一种基于特征峰的光谱重构方法 |
| CN114136895A (zh) * | 2021-11-19 | 2022-03-04 | 深圳市威视佰科科技有限公司 | 一种酱油成分检测方法和装置 |
| CN115184298B (zh) * | 2022-05-26 | 2024-04-16 | 广东美味鲜调味食品有限公司 | 一种基于近红外光谱在线监测酱油品质的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102175637A (zh) * | 2010-12-30 | 2011-09-07 | 中国药品生物制品检定所 | 一种检测塑料的方法 |
| WO2015125311A1 (ja) * | 2014-02-24 | 2015-08-27 | オリンパス株式会社 | 分光測定方法 |
| CN104897636A (zh) * | 2014-03-07 | 2015-09-09 | 中国人民解放军第二军医大学 | 仿制药冒充原研药的一种检测方法 |
-
2018
- 2018-11-26 CN CN201811412547.7A patent/CN109297928B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102175637A (zh) * | 2010-12-30 | 2011-09-07 | 中国药品生物制品检定所 | 一种检测塑料的方法 |
| WO2015125311A1 (ja) * | 2014-02-24 | 2015-08-27 | オリンパス株式会社 | 分光測定方法 |
| CN104897636A (zh) * | 2014-03-07 | 2015-09-09 | 中国人民解放军第二军医大学 | 仿制药冒充原研药的一种检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109297928A (zh) | 2019-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109297928B (zh) | 一种检测酱油品质的方法及系统 | |
| CN105761214B (zh) | 基于轮廓波变换与引导滤波的遥感图像融合方法 | |
| US11039784B2 (en) | Sleep profiling system with feature generation and auto-mapping | |
| EP3910504A1 (en) | Aviation blade profile detection method and system based on variable tolerance zone constraint | |
| CN102631198B (zh) | 一种基于差值提取的动态光谱数据处理方法 | |
| CN105334185A (zh) | 基于光谱投影判别的近红外模型维护方法 | |
| CN102072767A (zh) | 基于波长相似性共识回归红外光谱定量分析方法和装置 | |
| CN110349153A (zh) | 基于多特征融合的图像法烟草含梗率检测方法 | |
| CN105158200A (zh) | 一种提高近红外光谱定性分析准确度的建模方法 | |
| CN109846476A (zh) | 一种基于机器学习技术的室颤识别方法 | |
| CN111487213A (zh) | 多光谱融合的化学需氧量测试方法及装置 | |
| CN101533475A (zh) | 一种基于形状自适应邻域的遥感图像特征提取方法 | |
| CN106092893A (zh) | 一种光谱判别分析的波长优选方法 | |
| CN103955711B (zh) | 一种成像光谱目标识别分析中的模式识别方法 | |
| CN106580324A (zh) | 一种呼吸信号提取方法及装置 | |
| CN116646030B (zh) | 基于电子烟雾检测的烟油成分识别方法及系统 | |
| CN109270045A (zh) | 一种用于拉曼光谱的快速荧光背景抑制方法 | |
| CN106198433B (zh) | 基于lm-ga算法的红外光谱定性分析方法 | |
| CN111125629A (zh) | 一种域自适应的pls回归模型建模方法 | |
| 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 | |
| Wang et al. | A baseline correction algorithm for Raman spectroscopy by adaptive knots B-spline | |
| CN107292265B (zh) | 一种基于机动检测的目标轨迹快速提取方法 | |
| CN110517226A (zh) | 基于双边滤波的多特征纹理图像融合的烟梗区域提取方法 | |
| WO2023123329A1 (zh) | 近红外光谱的净信号提取方法及其系统 | |
| CN111209816B (zh) | 一种基于正则极限学习机的非接触式疲劳驾驶检测方法 |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 528500 Cangjiang Industrial Park East Park, Gaoming District, Foshan City, Guangdong Province Patentee after: Foshan Haitian (Gaoming) Flavoring Food Co.,Ltd. Patentee after: FOSHAN HAITIAN FLAVORING & FOOD Co.,Ltd. Patentee after: Haitian vinegar Group Co.,Ltd. Address before: 528500 Cangjiang Industrial Park East Park, Gaoming District, Foshan City, Guangdong Province Patentee before: Foshan Haitian (Gaoming) Flavoring Food Co.,Ltd. Patentee before: FOSHAN HAITIAN FLAVORING & FOOD Co.,Ltd. Patentee before: FOSHAN HAITIAN (JIANGSU) FLAVOURING FOOD Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |