CN110687094A - 基于蛋白探针成像技术的非定向乳粉筛查方法 - Google Patents

Abstract

本发明涉及乳制品检测技术领域，为提出一种基于拉曼高光谱成像的非定向筛查含氮掺杂物的检测方法和装置，旨在实现准确、操作简便、适用范围广的检测。为此，本发明采取的技术方案是，基于蛋白探针成像技术的非定向乳粉筛查方法，首先使用稳健建模方法建立正常脱脂乳粉的蛋白质含量回归模型，之后计算出待测样品每个像素点的蛋白质含量，画出蛋白质浓度分布图，且设定合理阈值，对超出正常范围的像素点标记为掺杂，画出二值图，从而判断样品是否掺杂。本发明主要应用于制品检测设备、仪器的设计制造。

Description

基于蛋白探针成像技术的非定向乳粉筛查方法

技术领域

本发明涉及乳制品检测技术领域，具体涉及基于蛋白探针成像技术的非定向乳粉筛查方法。

背景技术

脱脂乳粉，作为主要原料粉，应用于多种食品的生产与加工。对食品企业而言，严格把控其原料品质十分重要。但由于乳制品市场份额巨大，由经济利益引导的掺假行为防不胜防，而食品安全关乎到人民身体健康，必须通过规范的检测手段坚决打击此种不法行为。一般来说，基于经济利益的掺假，会加入含氮类化合物提高乳制品中氮含量，从而提高其表观“蛋白质含量”。而除三聚氰胺这一掺假物，还存在许多含氮类物质可掺入其中。针对某种特定物质的定向筛查方法，难以全面覆盖所有掺假行为，且费时费力，成本太高。因此，开发一种非定向筛查方法颇为重要。

近年来，拉曼光谱技术以其无需样品前处理、操作简便、无损、可非接触式检测等优点引起了广泛的关注。而脱脂乳粉作为非均质的固体粉末，使用传统单条光谱检测方法，极有可能淹没低浓度掺杂物的光谱特征信号，从而降低其检测灵敏度，因此拉曼高光谱成像不失为一个很好的解决方法。使用拉曼高光谱成像技术，将拉曼光谱仪结合二维位移平台，采用点扫描的方式采集每个像素点的拉曼光谱，最后形成一个三维数据立方体。通过对此立方体数据进行定性、定量、定位地分析，从而得到筛查结果。

目前拉曼高光谱成像装备大多是实验室大型检测装备，具有高精度，但是价格昂贵，操作复杂。针对乳制品真实性检测的拉曼高光谱系统需要具有便携、性价比高、操作简便等特点，从而适合于乳粉生产流通过程中全链条的检测。

发明内容

为克服现有技术的不足，本发明旨在提出一种基于拉曼高光谱成像的非定向筛查含氮掺杂物的检测方法和装置，旨在实现准确、操作简便、适用范围广的检测。为此，本发明采取的技术方案是，基于蛋白探针成像技术的非定向乳粉筛查方法，首先使用稳健建模方法建立正常脱脂乳粉的蛋白质含量回归模型，之后计算出待测样品每个像素点的蛋白质含量，画出蛋白质浓度分布图，且设定合理阈值，对超出正常范围的像素点标记为掺杂，画出二值图，从而判断样品是否掺杂。

具体步骤如下：

(1)建模数据采集：

使用多个市售不同品牌不同批次的脱脂奶粉，采用拉曼高光谱成像装备，采集光谱数据，得到多个三维数据立方体；

(2)建立蛋白质回归模型

使用小波变换DWT(Discrete Wavelet Transform)首先将奶粉光谱数据分解为多层不同频率的信息，认为低频信号为拉曼光谱的荧光干扰基线，高频信号为拉曼光谱的噪声干扰，将低频信号和高频信号去除后重构拉曼光谱，则得到了去除荧光背景和噪声的奶粉处理后光谱数据^[1]。再将处理后光谱数据使用迭代重加权偏最小二乘的稳健建模方法mIRPLS建立不含异常值的偏最小二乘PLS回归模型，从而得到稳健的蛋白质浓度回归模型；

(3)样本数据采集：

采集待测样品的光谱成像数据，方法同步骤(1)；

(4)基于蛋白质探针的拉曼成像：

利用步骤(2)建立的蛋白质回归模型，预测待测样品的每个像素点的蛋白质含量，将每点蛋白质含量结合像素点位置，建立蛋白质浓度分布成像图；

(5)判断是否掺杂

通过设置合理阈值，将浓度分布图转变为二值图，即当该像素点的蛋白质浓度在阈值范围内，表明其为正常点，标记为0,；而当该像素点蛋白质浓度在阈值范围之外，证明其为异常点，标记为1，此二值图像可以清晰的描绘出此样品是否掺杂及掺杂位置。

本发明的特点及有益效果是：

本发明针对奶粉这一固体非均相体系，使用成像技术，可通过采集大面积光谱数据，得到大量精细微区光谱信息，从而大大提高了掺杂物可检出水平。使用拉曼光谱，可以隔着包装检测，从而扩展了此方法在未来的应用场景。通过此非定向筛查手段，避免了针对不同掺杂物定向筛查的繁琐，且提高了对未知掺杂物的检出能力。

附图说明：

图1为本发明具体实施例中拉曼高光谱装置示意图；

图2为本发明具体实施例中脱脂乳粉原始光谱与使用小波变换去除荧光背景后光谱；

图3为本发明具体实施例中基于蛋白质探针的拉曼成像图。

具体实施方式

本发明提供了一种非定向筛查脱脂乳粉是否含有含氮掺杂物定性检测方法，该方法基于拉曼高光谱成像，具体包括以下步骤：

(1)建模数据采集：

使用多个市售不同品牌不同批次的脱脂奶粉，采用拉曼高光谱成像装备，采集光谱数据，得到多个三维数据立方体。

(2)建立蛋白质回归模型

使用DWT首先去除奶粉数据强烈的荧光背景和噪声，再使用mIRPLS的稳健建模方法^[2]，得到稳健的蛋白质浓度回归模型。

(3)样本数据采集：

采集待测样品的光谱成像数据，方法同步骤(1)。

(4)基于蛋白质探针的拉曼成像：

利用步骤(2)建立的蛋白质回归模型，预测待测样品的每个像素点的蛋白质含量。将每点蛋白质含量结合像素点位置，建立蛋白质浓度分布成像图。

(5)判断是否掺杂

当掺杂含量很高时，可以直观的通过蛋白质浓度分布成像图看到，蛋白质浓度的分布出现部分“坍塌”，从而判断其含有掺杂物。然而，此方法不适用于含量极低的掺杂。针对此问题，我们通过设置合理阈值，将浓度分布图转变为二值图，即当该像素点的蛋白质浓度在阈值范围内，表明其为正常点，标记为0,；而当该像素点蛋白质浓度在阈值范围之外，证明其为异常点，标记为1.此二值图像可以清晰的描绘出此样品是否掺杂及掺杂位置。

光谱数据预处理、建模、预测及成像均在Matlab软件上进行。

本发明提供的基于拉曼高光谱成像非定向筛查含氮掺杂物的方法，首先使用稳健建模方法建立正常脱脂乳粉的蛋白质含量回归模型，之后计算出待测样品每个像素点的蛋白质含量，画出蛋白质浓度分布图，且设定合理阈值，对超出正常范围的像素点标记为掺杂，画出二值图，从而判断样品是否掺杂。

为使本发明的目的、技术方案和优点更加清楚，先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的描述，显然，所描述的实施例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。

实施例：一种基于拉曼高光谱成像非定向筛查含氮掺杂物(尿素、八种混合物)的方法

【101】建模数据采集：

建立蛋白质回归模型的样品为50个市售不同品牌不同批次的脱脂奶粉(具有不同的蛋白质含量)，采用实验室自行搭建的拉曼点扫描高光谱成像装置采集其高光谱数据。拉曼高光谱成像装置(如图1)，其激光器为波长785nm，功率100mW的二极管激光器；其CCD检测器有64×1024共65536个独立且能同时工作的检测器元件，提供200-2200cm^-1范围上拉曼散射光谱的检测。采用背散射(180°)式获得拉曼信息，使用同一透镜聚焦激光同时收集拉曼散射光。采集数据时，设置其积分时间为600ms，激光功率100mW。设计使用背向采集的方式，避免正向采集时需要平整样品平面的难操作性，更加简化样品处理过程。设置采集区域为30mm×30mm，设置二维位移平台步长0.6mm，采集50×50共2500个像素点拉曼光谱数据。由此，每个样品我们可以得到50×50×1024的数据立方体。

【102】建立蛋白质回归模型

使用DWT首先去除奶粉原始光谱数据强烈的荧光背景和噪声，小波基使用‘sym5’，分解尺度7层，去除2层高频信息和1层低频信息，其处理后光谱数据如图2所示。再将每个样品的2500点光谱平均后得到平均光谱用于回归模型的建立。

使用mIRPLS的稳健建模方法得到稳健的蛋白质浓度回归模型^[2]。

使用另外的20个脱脂奶粉数据验证此蛋白质回归模型。将预测值与真实值进行对比，得到R²＝0.980。证明此蛋白质回归模型预测效果很好，可以用来预测脱脂乳粉蛋白质浓度。

【103】样本数据采集：

采集待测样品的光谱成像数据，方法同步骤(1)。待测验证样品共有三组，第一组为验证蛋白质浓度的20个脱脂乳粉(阴性样品)；第二组为含氮化合物单掺杂样品，将四种含氮化合物尿素，三聚氰胺，三聚氰酸，硫脲，按照15个浓度梯度，从0.1％、0.2％、0.3％至5％(w/w)混入脱脂乳粉中，得到共计60个含氮掺杂的脱脂乳粉样品。第三组为多种含氮化合物混合掺杂样品，将八种含氮化合物(尿素、三聚氰胺、三聚氰酸、硫酸铵、双氰胺、缩二脲、硫脲和磷酸铵)按照均匀设计的原理，一起混合入脱脂奶粉中，掺杂浓度从9.6％-40％，一共50个样品。验证样品共计130个，其中20个为阴性样本，110个为阳性样本。

【104】基于蛋白质探针的拉曼成像

通过步骤(2)建立的蛋白质回归模型，使用待测样本的拉曼高光谱数据计算其每个像素点的蛋白质含量。将每点蛋白质含量结合像素点位置，画出蛋白质浓度分布成像图，如图3中第一行。图3中，展示了三组验证样品集中各一种的实验结果，分别为A正常脱脂乳粉，B含尿素0.1％的脱脂乳粉和C含有共计9.6％的含氮类掺杂物。

【105】判断是否掺杂

如图C1，当掺杂含量很高时，可以直观的通过蛋白质浓度分布成像图看出，蛋白质含量的分布出现了部分“坍塌”，从而可以判断其含有掺杂物。然而，当掺杂物质量很少时，无法直接通过其分布成像图看出。于是，我们设置蛋白质含量合理阈值，将浓度分布图转变为二值图，即当蛋白质浓度在阈值范围内，表示其为正常点，标记为0,而当蛋白质浓度在阈值范围之外，表示其为异常点，标记为1.在此，阈值使用统计学方法设置为

其中

为建模的50个样品的蛋白质浓度平均值，SD为50个蛋白浓度的标准偏差。使用此阈值画出图3第二行二值图，图中0显示为白色，1显示为深色。此二值图可以非常清晰的表明此样品是否掺杂及掺杂的位置。

【106】验证方法有效性

使用上述方法验证全部验证样品，得到结果如下：

上表证明，当被测样品为阴性样品时，其识别正确率为95％，20个样品中有一个被检测为阳性。因为此方法用于筛查，因此我们认为很少的假阳性是可以被接受的。而当被测样品为阳性样品时，其识别正确率为100％，证明此方法是一种真实有效的非定向筛查方法。

光谱数据预处理、建模、预测及成像图均在Matlab软件上完成。

图1为本发明具体实施例中便携式拉曼高光谱装置示意图；具体为联用便携式拉曼光谱仪与二维位移平台，通过所开发操作软件控制位移平台单点位移速度与光谱仪采集速度，实现自动连续采集每个像素点的光谱数据。且设计使用了背向采集方式，为避免正向采集时需要平整样品平面的难操作性，更加简化样品处理过程。

图2为本发明具体实施例中脱脂乳粉原始光谱与使用小波变换去除荧光背景后光谱对比图；此图通过小波变换去掉高频噪声和低频背景，从而达到去除荧光的效果。为后续稳健建模提供一个良好的基础。

图3为本发明具体实施例中基于蛋白质探针的拉曼成像图。图中(A)为正常脱脂乳粉，(B)为含有0.1％尿素的脱脂乳粉，(C)为含有大量含氮混合掺杂物共计9.6％的脱脂乳粉。1为蛋白质浓度分布图，颜色区间为30-40；2为掺杂二值图，其中正常像素点为白色，掺杂像素点标记为深色。

[1]Hu Y,Jiang T,Shen A,et al.A background elimination method based onwavelet transform for Raman spectra[J].Chemometrics and IntelligentLaboratory Systems,2007,85(1):94-101.

[2]Chen D,Hu B,Shao X,et al.A new hybrid strategy for constructing arobust calibration model for near-infrared spectral analysis[J].Analyticaland bioanalytical chemistry,2005,381(3):795-805.

Claims (2)

1.一种基于蛋白探针成像技术的非定向乳粉筛查方法，其特征是，首先使用稳健建模方法建立正常脱脂乳粉的蛋白质含量回归模型，之后计算出待测样品每个像素点的蛋白质含量，画出蛋白质浓度分布图，且设定合理阈值，对超出正常范围的像素点标记为掺杂，画出二值图，从而判断样品是否掺杂。

2.如权利要求1所述的基于蛋白探针成像技术的非定向乳粉筛查方法，其特征是，具体步骤如下：

(1)建模数据采集：

使用多个市售不同品牌不同批次的脱脂奶粉，采用拉曼高光谱成像装备，采集光谱数据，得到多个三维数据立方体；

(2)建立蛋白质回归模型

使用小波变换DWT(Discrete Wavelet Transform)首先将奶粉光谱数据分解为多层不同频率的信息，认为低频信号为拉曼光谱的荧光干扰基线，高频信号为拉曼光谱的噪声干扰，将低频信号和高频信号去除后重构拉曼光谱，则得到了去除荧光背景和噪声的奶粉处理后光谱数据，再将处理后光谱数据使用迭代重加权偏最小二乘的稳健建模方法mIRPLS建立不含异常值的偏最小二乘PLS回归模型，从而得到稳健的蛋白质浓度回归模型；

(3)样本数据采集：

采集待测样品的光谱成像数据，方法同步骤(1)；

(4)基于蛋白质探针的拉曼成像：

利用步骤(2)建立的蛋白质回归模型，预测待测样品的每个像素点的蛋白质含量，将每点蛋白质含量结合像素点位置，建立蛋白质浓度分布成像图；

(5)判断是否掺杂

通过设置合理阈值，将浓度分布图转变为二值图，即当该像素点的蛋白质浓度在阈值范围内，表明其为正常点，标记为0,；而当该像素点蛋白质浓度在阈值范围之外，证明其为异常点，标记为1，此二值图像可以清晰的描绘出此样品是否掺杂及掺杂位置。

Images