CN109308498A - 一种激光诱导荧光植物油掺杂小米汤辨识方法 - Google Patents

一种激光诱导荧光植物油掺杂小米汤辨识方法 Download PDF

Info

Publication number
CN109308498A
CN109308498A CN201811430777.6A CN201811430777A CN109308498A CN 109308498 A CN109308498 A CN 109308498A CN 201811430777 A CN201811430777 A CN 201811430777A CN 109308498 A CN109308498 A CN 109308498A
Authority
CN
China
Prior art keywords
matrix
sample
rice gruel
pca
oil
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
Application number
CN201811430777.6A
Other languages
English (en)
Other versions
CN109308498B (zh
Inventor
卞凯
周孟然
胡锋
来文豪
戴荣英
胡天羽
李化顺
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.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
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 Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN201811430777.6A priority Critical patent/CN109308498B/zh
Publication of CN109308498A publication Critical patent/CN109308498A/zh
Application granted granted Critical
Publication of CN109308498B publication Critical patent/CN109308498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6402—Atomic fluorescence; Laser induced fluorescence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Optics & Photonics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种激光诱导荧光植物油掺杂小米汤辨识方法，包含以下步骤：(1)将等体积的纯花生油和小米汤按一定的掺杂浓度进行配比；(2)利用自行设计的便携式植物油无损分析仪采集油样荧光光谱数据；(3)采用中值滤波法(M edian‑Filter)平滑处理原始光谱图；(4)联合KICA与PCA算法(KICA‑PCA)优选出主要光谱信息数据；(5)采用留出法(hold‑out)把样本数据划分成训练集和测试集；(6)利用FDA对训练集进行学习和训练，测试集用于辨识效果检验。本发明采用KICA‑PCA结合FDA用于激光诱导荧光植物油掺杂小米汤辨识，提高了辨识精度和运算速度，非常适用于食品安全检测领域的研究。

Description

一种激光诱导荧光植物油掺杂小米汤辨识方法
技术领域
本发明涉及食品安全检测领域，具体是一种激光诱导荧光植物油掺杂小米汤辨识方法。
背景技术
通过植物油掺伪成的“人造油”流入市场的新闻屡见不鲜，这些油由于价格低廉、利润量大、获取方便等特点，深受不法经销商的喜爱。植物油掺伪不仅会使油脂的各项卫生指标均不能达到国家要求水平，其中可能产生的致癌物质还会引起心血管、神经系统、消化系统、呼吸系统等方面的疾病，严重威胁着人体健康。一般可从色泽、气味、滋味、透明度等方法去识别植物油的品质，但是这些感官识别植物油的方法并不可靠，有着不确定性。
激光诱导荧光(Laser induced fluorescence spectroscopy,LIF)技术原理是激光通过被检测样品时，分子会吸收能量跃迁至高能量状态，由于高能状态分子不稳定，则会释放能量产生荧光，最后生成不同种类的荧光光谱，该技术运用核独立分量分析联合主元分析(KICA-PCA)和费舍尔判别分析(FDA)算法用于植物油掺杂小米汤类别的辨识具有广泛的研究意义。
发明内容
本发明的目的是提供一种激光诱导荧光植物油掺杂小米汤辨识方法，该方法能够实现对植物油掺伪的可靠辨识。
本发明实现发明目的采用如下技术方案：
一种激光诱导荧光植物油掺杂小米汤辨识方法，包括以下步骤：
(1)油样准备：将等体积的纯花生油和小米汤混合，并按一定的掺杂浓度进行配比。
(2)光谱采集：利用自行设计的便携式植物油无损分析仪获取不同油样的荧光光谱数据，生成油样荧光光谱图。
(3)光谱数据预处理：采用中值滤波法(Median-Filter)对原始光谱图进行平滑处理，去除光谱数据里的干扰信号。
(4)KICA-PCA有效信息优选：把KICA与PCA相联合(KICA-PCA)降低样本维数，去除预处理后光谱数据中无用、冗余的信息，优选出主要信息数据。
(5)样本集分配：采用留出法(hold-out)将优选后的光谱信息数据划分成训练集和测试集。
(6)建立FDA油样模型建立：利用FDA对训练集进行学习和训练，将测试集用于所建模型的辨识效果检验。
作为优选，所述的步骤(1)中，花生油掺杂小米汤浓度按比例0、25％、50％、75％、100％共五组不同的油样进行混合配比，配比过程需搅拌均匀。
作为优选，所述的步骤(2)中，实验所选择的是USB2000+型激光诱导荧光光谱仪(美国Ocean optics公司)，光谱全波段范围是340～1021nm，分辨率为0.5nm，激光器使用YAG脉冲激光器(法国Quantel公司)，搭建激光器双光路输出分时控制系统。
作为优选，所述的步骤(4)中，把KICA与PCA相联合(KICA-PCA)优选出主要信息，其具体步骤如下：
(41)根据样本数据产生矩阵A(m×n)，m是样本变量个数，n是观测值，即式：
式中，A为经中心化后的样本矩阵，a11,a12,...,ann为样本数据点；
(411)矩阵A应当标准化，使均值和单位方差为零；
(412)标准化后的样本数据矩阵为A*，即：
A*＝IA
式中，I为标准化矩阵A*的平方根逆矩阵；
(413)将A*的协方差矩阵的特征值计算出为λ1,λ2,...,λn，并根据不同的特征值计算出相对应的特征向量ξ1,ξ2,...,ξn；
(42)根据PCA主成分提取的方法提取出的主成分数为K，将前k个主成分表示为：
式中，W表示经PCA提取有效信息后的新矩阵，表示特征向量ξ1,ξ2,...,ξn组成新矩阵的转置；
(421)白化处理矩阵W*，即：W*＝qW，式中q为白化变换矩阵；
(43)利用KICA算法中的KGV选取的核函数K(x,y)选取比较函数搜索最小化比较函数的最小值，得到解混矩阵B，即：
Y*＝XW*＝XKGVW
式中，XKGV是利用KGV算法求得的解混矩阵，Y*是源信息估算矩阵。
作为优选，所述的步骤(5)中，训练集取样本总数的80％，剩下的为测试集。
作为优选，所述的步骤(6)中，将优选出的主要信息数据在训练集上建立FDA模型，根据测试集对油样辨识效果进行分析。
有益效果：
本发明与现有技术相比，其有益效果体现在：激光诱导荧光技术用于植物油掺杂小米汤辨识较感官识别植物油的方法，增强了油类检测的鲁棒性和可靠性，提高了检测的效率；PCA虽然有着良好的降维去噪性能，但处理非高斯布的数据效果不好，将PCA与KICA相联合(KICA-PCA)避免了单空间非高斯分布特征提取的限制，通过互补的空间提升了有效信息可分度，并结合FDA用于激光诱导荧光植物油掺杂小米汤辨识，提高辨识精度和运算速度，非常适用于食品安全检测领域的研究。
附图说明
图1是本发明的流程图；
图2是本发明的KICA-PCA有效信息优选过程图。
具体实施方式
以下通过具体实施例与附图对本发明做进一步解释说明。
本发明研发了一种激光诱导荧光植物油掺杂浓茶水鉴定方法，将KICA-PCA-FDA算法与激光诱导荧光技术相结合，利用自行设计的便携式植物油无损分析仪获取不同油样的荧光光谱图；采用Median-Filter法平滑光谱图像，去除噪声干扰，利用KICA-PCA提取出光谱数据中有效信息，最后将经过hold-out分配的训练集用于FDA模型建立，测试集检验辨识结果。
本发明在KICA-PCA-FDA与激光诱导荧光技术有机结合的情况下研究出一种激光诱导荧光植物油掺杂小米汤辨识方法，具体步骤如下：
(1)油样准备：花生油掺杂小米汤浓度按比例0、25％、50％、75％、100％共五组不同的油样进行混合配比，配比过程需搅拌均匀。
(2)光谱采集：实验所选择的是USB2000+型激光诱导荧光光谱仪(美国Oceanoptics公司)，光谱全波段范围是340～1021nm，分辨率为0.5nm，激光器使用YAG脉冲激光器(法国Quantel公司)，利用激光器双光路输出分时系统进行控制。
(3)光谱数据预处理：采用中值滤波法(Median-Filter)，设置一个宽度为奇数5的长窗口，对原始光谱图进行平滑处理，去除光谱数据里的干扰信号。
(4)KICA-PCA有效信息优选：把KICA与PCA相联合(KICA-PCA)降低样本维数，去除预处理后光谱数据中无用、冗余的信息，优选出主要信息数据，其具体步骤如下：
(41)根据样本数据产生矩阵A(m×n)，m是样本变量个数，n是观测值，即式：
式中，A为经中心化后的样本矩阵，a11,a12,...,ann为样本数据点；
(411)矩阵A应当标准化，使均值和单位方差为零，即：式中，表示样本均值，σ表示标准差；
(412)标准化后的样本数据矩阵为A*，即：
A*＝IA
式中，I为标准化矩阵A*的平方根逆矩阵；
(413)将A*的协方差矩阵的特征值计算出为λ1,λ2,...,λn，并根据不同的特征值计算出相对应的特征向量ξ1,ξ2,...,ξn，构成特征向量矩阵Sk；
(42)根据PCA主成分提取的方法提取出的主成分数为K，将前k个主成分表示为：
式中，W表示经PCA提取有效信息后的新矩阵，表示特征向量ξ1,ξ2,...,ξn组成新矩阵的转置；
(421)白化处理矩阵W*，即：W*＝qW，式中q为白化变换矩阵；
(43)核函数选取高斯径向基核函数利用KICA算法中的核广义方差KGV选取的核函数K(x,y)选取比较函数搜索最小化比较函数的最小值，得到解混矩阵B，即：
Y*＝XW*＝XKGVW
式中，XKGV是利用KGV算法求得的解混矩阵，Y*是源信息估算矩阵；
(5)样本集分配：采用留出法(hold-out)将优选后的光谱信息数据划分成80％训练集和20％测试集。
(6)建立FDA油样模型建立：利用FDA对训练集进行学习和训练，将测试集用于所建模型的辨识效果检验。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.一种光诱导荧光植物油掺杂小米汤辨识方法，其特征在于：包括以下骤：
(1)油样准备：将等体积的纯花生油和小米汤混合，并按一定的掺杂浓度进行配比；
(2)光谱采集：利用自行设计的便携式植物油无损分析仪获取不同油样的荧光光谱数据，生成油样荧光光谱图；
(3)光谱数据预处理：采用中值滤波法(Median-Filter)对原始光谱图进行平滑处理，去除光谱数据里的干扰信号；
(4)KICA-PCA有效信息优选：把KICA与PCA相联合(KICA-PCA)降低样本维数，去除预处理后光谱数据中无用、冗余的信息，优选出主要信息数据；
(5)样本集分配：采用留出法(hold-out)将优选后的光谱信息数据划分成训练集和测试集；
(6)建立FDA油样模型建立：利用FDA对训练集进行学习和训练，将测试集用于所建模型的辨识效果检验。
2.根据权利要求1所述的一种光诱导荧光植物油掺杂小米汤辨识方法，其特征在于：所述的步骤(1)中，花生油掺杂小米汤浓度按比例0、25％、50％、75％、100％共五组不同的油样进行混合配比，配比过程需搅拌均匀。
3.根据权利要求1所述的一种光诱导荧光植物油掺杂小米汤辨识方法，其特征在于：所述的步骤(2)中，实验所选择的是USB2000+型激光诱导荧光光谱仪(美国Ocean optics公司)，光谱全波段范围是340～1021nm，分辨率为0.5nm，激光器使用YAG脉冲激光器(法国Quantel公司)，搭建激光器双光路输出分时控制系统。
4.根据权利要求1所述的一种光诱导荧光植物油掺杂小米汤辨识方法，其特征在于：所述的步骤(4)中，把KICA与PCA相联合(KICA-PCA)优选出主要信息，其具体步骤如下：
(41)根据样本数据产生矩阵A(m×n)，m是样本变量个数，n是观测值，即式：
式中，A为经中心化后的样本矩阵，a11,a12,...,ann为样本数据点；
(411)矩阵A应当标准化，使均值和单位方差为零；
(412)标准化后的样本数据矩阵为A*，即：
A*＝IA
式中，I为标准化矩阵A*的平方根逆矩阵；
(413)将A*的协方差矩阵的特征值计算出为λ1,λ2,...,λn，并根据不同的特征值计算出相对应的特征向量ξ1,ξ2,...,ξn；
(42)根据PCA主成分提取的方法提取出的主成分数为K，将前k个主成分表示为：
式中，W表示经PCA提取有效信息后的新矩阵，表示特征向量ξ1,ξ2,...,ξn组成新矩阵的转置；
(421)白化处理矩阵W*，即：W*＝qW，式中q为白化变换矩阵；
(43)利用KICA算法中的核广义方差KGV选取的核函数K(x,y)选取比较函数搜索最小化比较函数的最小值，得到解混矩阵B，即：
Y*＝XW*＝XKGVW
式中，XKGV是利用KGV算法求得的解混矩阵，Y*是源信息估算矩阵。
5.根据权利要求1所述的一种光诱导荧光植物油掺杂小米汤辨识方法，其特征在于：所述的步骤(5)中，训练集取样本总数的80％，剩下的为测试集。
6.根据权利要求1所述的一种光诱导荧光植物油掺杂小米汤辨识方法，其特征在于：所述的步骤(6)中，将优选出的主要信息数据在训练集上建立FDA模型，根据测试集对油样辨识效果进行分析。
CN201811430777.6A 2018-11-28 2018-11-28 一种激光诱导荧光植物油掺杂小米汤辨识方法 Active CN109308498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811430777.6A CN109308498B (zh) 2018-11-28 2018-11-28 一种激光诱导荧光植物油掺杂小米汤辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811430777.6A CN109308498B (zh) 2018-11-28 2018-11-28 一种激光诱导荧光植物油掺杂小米汤辨识方法

Publications (2)

Publication Number Publication Date
CN109308498A true CN109308498A (zh) 2019-02-05
CN109308498B CN109308498B (zh) 2021-01-01

Family

ID=65223241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811430777.6A Active CN109308498B (zh) 2018-11-28 2018-11-28 一种激光诱导荧光植物油掺杂小米汤辨识方法

Country Status (1)

Country Link
CN (1) CN109308498B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110044856A (zh) * 2019-03-28 2019-07-23 安徽理工大学 一种多光源lif葵花籽油掺杂菜籽油的快速无损鉴别设备
CN110110842A (zh) * 2019-04-29 2019-08-09 滁州学院 一种便携式荧光光谱快速检测人工神经网络智能判别模型的建立方法
CN111767891A (zh) * 2020-07-09 2020-10-13 南京工程学院 一种滚动轴承故障诊断方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104914082A (zh) * 2015-05-20 2015-09-16 中国石油大学(华东) 一种紫外诱导荧光多光谱成像的海洋溢油油种识别方法
CN106971073A (zh) * 2017-03-28 2017-07-21 安徽理工大学 一种矿井突水水源的非线性识别方法
CN107741410A (zh) * 2017-09-18 2018-02-27 燕山大学 一种基于icso‑svm的苯并类物质的荧光光谱检测法
CN108509993A (zh) * 2018-04-02 2018-09-07 安徽理工大学 一种矿井突水激光诱导荧光光谱图像识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104914082A (zh) * 2015-05-20 2015-09-16 中国石油大学(华东) 一种紫外诱导荧光多光谱成像的海洋溢油油种识别方法
CN106971073A (zh) * 2017-03-28 2017-07-21 安徽理工大学 一种矿井突水水源的非线性识别方法
CN107741410A (zh) * 2017-09-18 2018-02-27 燕山大学 一种基于icso‑svm的苯并类物质的荧光光谱检测法
CN108509993A (zh) * 2018-04-02 2018-09-07 安徽理工大学 一种矿井突水激光诱导荧光光谱图像识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
POULLI K I等: "Rapid synchronous fluorescence method for virgin olive oil adulteration assessment", 《FOOD CHEMISTRY》 *
王春艳等: "基于主成分和支持向量机浓度参量同步荧光光谱油种鉴别", 《分析测试学报》 *
赵南京等: "不同水体中溶解有机物的荧光光谱特性研究", 《光谱学与光谱分析》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110044856A (zh) * 2019-03-28 2019-07-23 安徽理工大学 一种多光源lif葵花籽油掺杂菜籽油的快速无损鉴别设备
CN110110842A (zh) * 2019-04-29 2019-08-09 滁州学院 一种便携式荧光光谱快速检测人工神经网络智能判别模型的建立方法
CN111767891A (zh) * 2020-07-09 2020-10-13 南京工程学院 一种滚动轴承故障诊断方法

Also Published As

Publication number Publication date
CN109308498B (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
Jamwal et al. Recent trends in the use of FTIR spectroscopy integrated with chemometrics for the detection of edible oil adulteration
Defernez et al. The use and misuse of chemometrics for treating classification problems
Mu et al. Portable detection and quantification of olive oil adulteration by 473-nm laser-induced fluorescence
Nørgaard et al. A modification of canonical variates analysis to handle highly collinear multivariate data
CN109308498A (zh) 一种激光诱导荧光植物油掺杂小米汤辨识方法
Gonzálvez et al. Adulteration detection of argan oil by inductively coupled plasma optical emission spectrometry
CN105548233A (zh) 一种基于氢核磁共振鉴别洋槐蜜和油菜蜜的方法
Pozzi et al. Statistical methods and library search approaches for fast and reliable identification of dyes using surface-enhanced Raman spectroscopy (SERS)
CN113378680B (zh) 一种拉曼光谱数据的智能建库方法
Li et al. Effect of thermal oxidation on detection of adulteration at low concentrations in extra virgin olive oil: Study based on laser-induced fluorescence spectroscopy combined with KPCA–LDA
CN111398233A (zh) 一种红酒品质的激光光谱检测方法
Lenhardt et al. Artificial neural networks for processing fluorescence spectroscopy data in skin cancer diagnostics
CN109884033A (zh) 随机森林算法结合激光诱导击穿光谱检测金属元素的方法
CN106971073A (zh) 一种矿井突水水源的非线性识别方法
CN110378373A (zh) 一种模糊非相关线性鉴别分析的茶叶品种分类方法
Jamwal et al. Non-targeted fingerprinting approach for rapid quantification of mustard oil adulteration with linseed oil: An economically motivated adulteration
CN108982570A (zh) 一种基于核磁共振技术的食用油品质鉴别方法
Zhang et al. Combination of excitation-emission matrix fluorescence spectroscopy and chemometric methods for the rapid identification of cheaper vegetable oil adulterated in walnut oil
CN115420726B (zh) 一种利用重构sers光谱快速识别目标物的方法
Monakhova et al. Independent component analysis algorithms for spectral decomposition in UV/VIS analysis of metal-containing mixtures including multimineral food supplements and platinum concentrates
Kesgin et al. Developing and evaluating tiny to medium-sized turkish bert models
Hu et al. Intelligent spectral algorithm for pigments visualization, classification and identification based on Raman spectra
CN113138181B (zh) 一种对清香型原酒品质分级的方法
Chen et al. Authentication and inference of seal stamps on Chinese traditional painting by using multivariate classification and near-infrared spectroscopy
CN110398472A (zh) 一种基于二维相关光谱量化的植物油鉴别分类方法

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