CN111398238A - 一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法 - Google Patents
一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法 Download PDFInfo
- Publication number
- CN111398238A CN111398238A CN202010404037.6A CN202010404037A CN111398238A CN 111398238 A CN111398238 A CN 111398238A CN 202010404037 A CN202010404037 A CN 202010404037A CN 111398238 A CN111398238 A CN 111398238A
- Authority
- CN
- China
- Prior art keywords
- crow
- fluorescence spectrum
- oil
- edible oil
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000008157 edible vegetable oil Substances 0.000 title claims abstract description 35
- 238000001228 spectrum Methods 0.000 title claims abstract description 18
- 239000004359 castor oil Substances 0.000 title claims abstract description 16
- 235000019438 castor oil Nutrition 0.000 title claims abstract description 16
- ZEMPKEQAKRGZGQ-XOQCFJPHSA-N glycerol triricinoleate Natural products CCCCCC[C@@H](O)CC=CCCCCCCCC(=O)OC[C@@H](COC(=O)CCCCCCCC=CC[C@@H](O)CCCCCC)OC(=O)CCCCCCCC=CC[C@H](O)CCCCCC ZEMPKEQAKRGZGQ-XOQCFJPHSA-N 0.000 title claims abstract description 16
- 238000001499 laser induced fluorescence spectroscopy Methods 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000002189 fluorescence spectrum Methods 0.000 claims abstract description 18
- 239000003921 oil Substances 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 235000013305 food Nutrition 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000009499 grossing Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000013499 data model Methods 0.000 claims description 21
- 230000003595 spectral effect Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 241001137251 Corvidae Species 0.000 claims description 3
- 229920001410 Microfiber Polymers 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000003658 microfiber Substances 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 235000019198 oils Nutrition 0.000 description 10
- 238000013145 classification model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000009614 chemical analysis method Methods 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 2
- 238000004817 gas chromatography Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 235000015112 vegetable and seed oil Nutrition 0.000 description 1
- 239000008158 vegetable oil 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
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6402—Atomic fluorescence; Laser induced fluorescence
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Optics & Photonics (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
本发明公开了一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法，涉及食品安全检测领域。一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法，包含以下步骤：利用便携式食用油荧光光谱分析仪采集掺杂不同比例蓖麻油的食用油原始荧光光谱数据；采用多项式平滑法对光谱曲线进行滤波处理，消除噪声；使用SPA算法对油样光谱进行特征波长筛选；将筛选后的光谱数据按照4:1的比例随机产生训练集和测试集；使用训练集数据构建LSSVC模型，采用CSA算法对模型正则化参数c和核函数宽度系数s进行优化。本发明采用SPA结合CSA‑LSSVC用于激光诱导荧光食用油掺杂蓖麻油的识别检测，具有很高的识别准确率和实用价值，泛化能力强，非常适合食用油掺假的实时准确检测和推广。
Description
技术领域
本发明涉及食品安全检测领域，具体是一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法。
背景技术
食用油是人们日常饮食中不可或缺的一部分，其品质的优劣直接关系到人们的身体健康。近年来，随着消费的多元化，食用油种类层次不穷，而不同种类食用油之间的成分、营养价值、市场价格也有所差异。甚至市场上某些商贩为牟取暴利，用劣质植物油以次充优、以假乱真，欺骗消费者。
目前我国分析食用油组成成分大都是常规方法，主要包括GB/T 17377-2008(气相色谱分析)，GB/T 22507-2008(气相色谱法)，GB/T 26635-2011(高效液相色谱法)等。色谱法分析比较耗时，需要化学前处理，不适合快速检测。而且，不同种类的食用油之间存在许多类似成分，依靠目前的色谱方法得到的食用植物油检测结果也很难对其进行有效的种类识别。
荧光是物体在吸光后受到激发，受激发的物质在去除激发时发出的一种辐射。高能量激光照射物质诱使其发出荧光即激光诱导荧光(LIF)。通过LIF技术获得的荧光光谱可以体现实验样品的一些结构特性，因此能够很好的分析样品的特异性。LIF技术结合连续投影算法(SPA)和乌鸦搜索算法优化最小二乘支持向量分类算法(CSA-LSSVC)用于掺假食用油的准确鉴别有着重要研究意义。
发明内容
本发明的目的是提供一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法，以实现对掺假食用油的准确鉴别。
为了实现以上所述的目的，本发明采用的技术方案如下：
一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法，包括以下步骤：
S1：油样荧光光谱数据的采集：使用食用油荧光光谱分析仪采集掺杂不同比例蓖麻油的食用油的油样的原始荧光光谱数据；
S2：油样原始荧光光谱曲线的预处理：采用多项式平滑法对光谱曲线进行滤波处理，消除噪声；
S3：：使用SPA对所述油样的光谱数据进行特征波长筛选，选出所述原始荧光光谱数据中的波长点；
S4：样本数据划分：将筛选后的光谱数据按照4:1的比例随机产生训练集和测试集；
S5：模型构建与参数优化：使用所述训练集数据构建数据模型，训练过程中采用CSA算法对所述数据模型正则化参数和核函数宽度系数进行优化；并通过测试集测试优化后的数据模型的分类性能，最终输出所述数据模型的分类准确率，验证所建立模型识别效果。
进一步地，所述步骤S1中，所述食用油荧光光谱分析仪为USB2000+微型光纤光谱仪，其光谱检测范围设置为340.472～1021.086纳米，分辨率设置为0.5纳米。
进一步地，所述步骤S2中，多项式平滑法滤波窗口的宽度大小设置为5。
进一步地，所述的步骤S3中，使用SPA对所述油样的光谱数据进行特征波长筛选，其具体步骤如下：
S3.1：假设样本值K和波点值M构成的光谱矩阵XK×M，N，其中N<K-1，是所要提取的特征波点；
在首次迭代之前，n＝1，从XK×M中任意选择一个列向量xj设为xk(0)，即k(0)＝j，j∈1,2,...,m；
S3.2：将没有被选入的列向量位置的集合记为S，然后计算剩余的列向量xj(j∈s)与当前所选向量xk(n-1)的投影：
S3.3：选择投影最大值所对应波点的序号：
S3.4：令
j∈S，令n＝n+1，如果xk(0)n＜N，则返回第S3.2步循环计算；
S3.5：最终筛选的波长变量组合为k(n)，n＝0,1，…，N-1。对于每一个初始化k(0)，循环一次后利用多元线性回归进行交叉验证分析，最小均方根误差对应的k(n)即为最终选择的结果。
进一步地，所述的步骤S5中，对所述数据模型正则化参数和核函数宽度系数进行优化；其具体步骤如下：
S5.1：对CSA算法的参数初始化，包括乌鸦群体总数量N，最大迭代次数Tmax，飞行长度fl和感知概率AP；
S5.2：初始化乌鸦的位置和记忆，N只乌鸦被随机的放在d维搜索空间里，每个乌鸦代表一个可行的解决方案，d是设计变量的维数。在最初的迭代中，乌鸦没有经验，所以假设它们在最初的位置隐藏了它们的食物：
S5.3：需要优化的参数为正则化参数c和核函数宽度系数s，乌鸦i在迭代过程中的原始位置xi,m和乌鸦j在迭代过程中的记忆mj,m的表示如下：
xi,m＝(c,s)，mj,m＝(c,s)
S5.4：将初始乌鸦的位置坐标(c，s)用于训练所述数据模型，并计算适应度值f(·)；
S5.5：产生新位置，乌鸦i会随机地在种群中选择一只乌鸦进行跟踪(假设选择被跟踪的是乌鸦j)，如果乌鸦j不能发现被跟踪，那么乌鸦i就会偷走乌鸦j的食物，乌鸦i的位置更新公式如下：
其中，xi,m+1表示乌鸦i的新位置，ri表示取0～1之间均匀分布的随机数，fl表示乌鸦i的飞行长度；AP代表乌鸦j发现被乌鸦i跟踪的概率。
S5.6：检查新位置的可行性，如果乌鸦i的新位置可行，就更新位置，否则不更新，留在当前位置；
S5.7：计算新位置的适应度，根据目标函数计算新位置的适应度；
S5.8：更新乌鸦的记忆，如果新位置的适应度值优于原来记忆的适应度，则根据新位置更新记忆；否则不更新记忆，乌鸦更新记忆如下：
S5.9：检查终止准则，重复步骤S5.5至S5.8，当满足终止条件时，将记忆的最佳位置作为目标函数值作为优化问题的解决方案。
通过上述方法，本发明的有益效果是：相比于气相色谱法等传统化学分析方法，激光诱导荧光技术识别速度更快、可便携性更高、操作更加简单等；并且使用连续投影算法在光谱数据中筛选出冗余信息含量最少的特征组，大大降低建模所需要的特征数，使建模更加高效；对常用分类算法支持向量机SVM进行算法改进，新的分类方法最小二乘支持向量分类模型的数据模型训练和识别耗时更短，效率更高，同时使用CSA算法对分类模型参数进行优化，使得分类准确率更高，泛化能力更强，非常适用于食用油掺假方法的在线、准确检测。
附图说明
图1是本发明的流程图；
图2是本发明的CSA优化数据模型参数的算法流程图。
具体实施方式
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。
请参照图1与图2，一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法，包括以下步骤：
S1：油样荧光光谱数据的采集：使用食用油荧光光谱分析仪采集掺杂不同比例蓖麻油的食用油的油样的原始荧光光谱数据；
S2：油样原始荧光光谱曲线的预处理：采用多项式平滑法对光谱曲线进行滤波处理，消除噪声；
S3：使用连续投影算法对所述油样的光谱数据进行特征波长筛选，选出所述原始荧光光谱数据中的波长点；
S4：样本数据划分：将筛选后的光谱数据按照4:1的比例随机产生训练集和测试集；
S5：模型构建与参数优化：使用所述训练集数据构建数据模型，训练过程中采用CSA算法对所述数据模型正则化参数和核函数宽度系数进行优化；并通过测试集测试优化后的数据模型的分类性能，最终输出所述数据模型的分类准确率，验证所建立模型识别效果。
进一步地，所述步骤S1中，所述食用油荧光光谱分析仪为USB2000+微型光纤光谱仪，其光谱检测范围设置为340.472～1021.086纳米，分辨率设置为0.5纳米。
进一步地，所述步骤S2中，多项式平滑法滤波窗口的宽度大小设置为5。
进一步地，所述的步骤S3中，使用SPA对所述油样的光谱数据进行特征波长筛选，其具体步骤如下：
S3.1：假设样本值K和波点值M构成的光谱矩阵XK×M，N，其中N<K-1，是所要提取的特征波点；
在首次迭代之前，n＝1，从XK×M中任意选择一个列向量xj设为xk(0)，即k(0)＝j，j∈1,2,...,m；
S3.2：将没有被选入的列向量位置的集合记为S，然后计算剩余的列向量xj(j∈s)与当前所选向量xk(n-1)的投影：
S3.3：选择投影最大值所对应波点的序号：
S3.4：令
j∈S，令n＝n+1，如果xk(0)n＜N，则返回第S3.2步循环计算；
S3.5：最终筛选的波长变量组合为k(n)，n＝0,1，…，N-1。对于每一个初始化k(0)，循环一次后利用多元线性回归进行交叉验证分析，最小均方根误差对应的k(n)即为最终选择的结果。
进一步地，所述的步骤S5中，对所述数据模型正则化参数和核函数宽度系数进行优化；其具体步骤如下：
S5.1：对CSA算法的参数初始化，包括乌鸦群体总数量N，最大迭代次数Tmax，飞行长度fl和感知概率AP；
S5.2：初始化乌鸦的位置和记忆，N只乌鸦被随机的放在d维搜索空间里，每个乌鸦代表一个可行的解决方案，d是设计变量的维数。在最初的迭代中，乌鸦没有经验，所以假设它们在最初的位置隐藏了它们的食物：
S5.3：需要优化的参数为正则化参数c和核函数宽度系数s，乌鸦i在迭代过程中的原始位置xi,m和乌鸦j在迭代过程中的记忆mj,m的表示如下：
xi,m＝(c,s)，mj,m＝(c,s)
S5.4：将初始乌鸦的位置坐标(c，s)用于训练所述数据模型，并计算适应度值f(·)；
S5.5：产生新位置，乌鸦i会随机地在种群中选择一只乌鸦进行跟踪(假设选择被跟踪的是乌鸦j)，如果乌鸦j不能发现被跟踪，那么乌鸦i就会偷走乌鸦j的食物，乌鸦i的位置更新公式如下：
其中，xi,m+1表示乌鸦i的新位置，ri表示取0～1之间均匀分布的随机数，fl表示乌鸦i的飞行长度；AP代表乌鸦j发现被乌鸦i跟踪的概率。
S5.6：检查新位置的可行性，如果乌鸦i的新位置可行，就更新位置，否则不更新，留在当前位置；
S5.7：计算新位置的适应度，根据目标函数计算新位置的适应度；
S5.8：更新乌鸦的记忆，如果新位置的适应度值优于原来记忆的适应度，则根据新位置更新记忆；否则不更新记忆，乌鸦更新记忆如下：
S5.9：检查终止准则，重复步骤S5.5至S5.8，当满足终止条件时，将记忆的最佳位置作为目标函数值作为优化问题的解决方案。
更具体地说，相比于气相色谱法等传统化学分析方法，激光诱导荧光技术识别速度更快、可便携性更高、操作更加简单等；并且使用连续投影算法在光谱数据中筛选出冗余信息含量最少的特征组，大大降低建模所需要的特征数，使建模更加高效；对常用分类算法支持向量机SVM进行算法改进，新的分类方法最小二乘支持向量分类模型的数据模型训练和识别耗时更短，效率更高，同时使用CSA算法对分类模型参数进行优化，使得分类准确率更高，泛化能力更强，非常适用于食用油掺假方法的在线、准确检测。
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，从任何角度来看都应将实施例看做是示范性的，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 (5)
1.一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法，其特征在于：包括以下步骤：
S1：油样荧光光谱数据的采集：使用食用油荧光光谱分析仪采集掺杂不同比例蓖麻油的食用油的油样的原始荧光光谱数据；
S2：油样原始荧光光谱曲线的预处理：采用多项式平滑法对光谱曲线进行滤波处理，消除噪声；
S3：使用连续投影算法对所述油样的光谱数据进行特征波长筛选，选出所述原始荧光光谱数据中的波长点；
S4：样本数据划分：将筛选后的光谱数据按照4:1的比例随机产生训练集和测试集；
S5：模型构建与参数优化：使用所述训练集数据构建数据模型，训练过程中采用CSA算法对所述数据模型正则化参数和核函数宽度系数进行优化；并通过测试集测试优化后的数据模型的分类性能，最终输出所述数据模型的分类准确率，验证所建立模型识别效果。
2.根据权利要求1所述的一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法，其特征在于：所述步骤S1中，所述食用油荧光光谱分析仪为USB2000+微型光纤光谱仪，其光谱检测范围设置为340.472～1021.086纳米，分辨率设置为0.5纳米。
3.根据权利要求1所述的一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法，其特征在于：所述步骤S2中，多项式平滑法滤波窗口的宽度大小设置为5。
4.根据权利要求1所述的一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法，其特征在于：所述的步骤S3中，使用连续投影算法对所述油样的光谱数据进行特征波长筛选，其具体步骤如下：
S3.1：假设样本值K和波点值M构成的光谱矩阵XK×M，N，其中N<K-1，是所要提取的特征波点；
在首次迭代之前，n＝1，从XK×M中任意选择一个列向量xj设为xk(0)，即k(0)＝j，j∈1,2,...,m；
S3.2：将没有被选入的列向量位置的集合记为S，然后计算剩余的列向量xj(j∈s)与当前所选向量xk(n-1)的投影：
S3.3：选择投影最大值所对应波点的序号：
S3.4：令
令n＝n+1，如果xk(0)n＜N，则返回第S3.2步循环计算；
S3.5：最终筛选的波长变量组合为k(n)，n＝0,1，…，N-1。对于每一个初始化k(0)，循环一次后利用多元线性回归进行交叉验证分析，最小均方根误差对应的k(n)即为最终选择的结果。
5.根据权利要求1所述的一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法，其特征在于：所述的步骤S5中，对所述数据模型正则化参数和核函数宽度系数进行优化；其具体步骤如下：
S5.1：对CSA算法的参数初始化，包括乌鸦群体总数量N，最大迭代次数Tmax，飞行长度fl和感知概率AP；
S5.2：初始化乌鸦的位置和记忆，N只乌鸦被随机的放在d维搜索空间里，每个乌鸦代表一个可行的解决方案，d是设计变量的维数。在最初的迭代中，乌鸦没有经验，所以假设它们在最初的位置隐藏了它们的食物：
S5.3：需要优化的参数为正则化参数c和核函数宽度系数s，乌鸦i在迭代过程中的原始位置xi,m和乌鸦j在迭代过程中的记忆mj,m的表示如下：
xi,m＝(c,s)，mj,m＝(c,s)
S5.4：将初始乌鸦的位置坐标(c，s)用于训练所述数据模型，并计算适应度值f(·)；
S5.5：产生新位置，乌鸦i会随机地在种群中选择一只乌鸦进行跟踪(假设选择被跟踪的是乌鸦j)，如果乌鸦j不能发现被跟踪，那么乌鸦i就会偷走乌鸦j的食物，乌鸦i的位置更新公式如下：
其中，xi,m+1表示乌鸦i的新位置，ri表示取0～1之间均匀分布的随机数，fl表示乌鸦i的飞行长度；AP代表乌鸦j发现被乌鸦i跟踪的概率。
S5.6：检查新位置的可行性，如果乌鸦i的新位置可行，就更新位置，否则不更新，留在当前位置；
S5.7：计算新位置的适应度，根据目标函数计算新位置的适应度；
S5.8：更新乌鸦的记忆，如果新位置的适应度值优于原来记忆的适应度，则根据新位置更新记忆；否则不更新记忆，乌鸦更新记忆如下：
S5.9：检查终止准则，重复步骤S5.5至S5.8，当满足终止条件时，将记忆的最佳位置作为目标函数值作为优化问题的解决方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010404037.6A CN111398238A (zh) | 2020-05-13 | 2020-05-13 | 一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010404037.6A CN111398238A (zh) | 2020-05-13 | 2020-05-13 | 一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111398238A true CN111398238A (zh) | 2020-07-10 |
Family
ID=71431840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010404037.6A Pending CN111398238A (zh) | 2020-05-13 | 2020-05-13 | 一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111398238A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112505010A (zh) * | 2020-12-01 | 2021-03-16 | 安徽理工大学 | 一种基于荧光光谱的变压器故障诊断装置及方法 |
| CN112903602A (zh) * | 2021-01-22 | 2021-06-04 | 北京工商大学 | 基于机器学习和高光谱成像的多种类柑橘病叶识别方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324939A (zh) * | 2013-03-15 | 2013-09-25 | 江南大学 | 基于最小二乘支持向量机技术的偏向性分类及参数寻优方法 |
| CN104697965A (zh) * | 2015-03-10 | 2015-06-10 | 西北大学 | 一种基于最小二乘支持向量机结合激光诱导击穿光谱识别炉渣种类的方法 |
| CN105021535A (zh) * | 2015-08-07 | 2015-11-04 | 中南林业科技大学 | 一种稻谷脂肪酸含量无损检测方法及系统 |
| CN107894408A (zh) * | 2017-11-24 | 2018-04-10 | 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 |
| CN108051394A (zh) * | 2018-02-07 | 2018-05-18 | 武汉轻工大学 | 基于近红外光谱的芝麻油掺伪检测方法 |
| CN108398391A (zh) * | 2018-01-23 | 2018-08-14 | 浙江理工大学 | 一种基于高光谱成像技术的橄榄油掺假的检测方法 |
| CN109270044A (zh) * | 2018-11-28 | 2019-01-25 | 安徽理工大学 | 一种激光诱导荧光植物油掺杂浓茶水鉴定方法 |
-
2020
- 2020-05-13 CN CN202010404037.6A patent/CN111398238A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324939A (zh) * | 2013-03-15 | 2013-09-25 | 江南大学 | 基于最小二乘支持向量机技术的偏向性分类及参数寻优方法 |
| CN104697965A (zh) * | 2015-03-10 | 2015-06-10 | 西北大学 | 一种基于最小二乘支持向量机结合激光诱导击穿光谱识别炉渣种类的方法 |
| CN105021535A (zh) * | 2015-08-07 | 2015-11-04 | 中南林业科技大学 | 一种稻谷脂肪酸含量无损检测方法及系统 |
| CN107894408A (zh) * | 2017-11-24 | 2018-04-10 | 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 |
| CN108398391A (zh) * | 2018-01-23 | 2018-08-14 | 浙江理工大学 | 一种基于高光谱成像技术的橄榄油掺假的检测方法 |
| CN108051394A (zh) * | 2018-02-07 | 2018-05-18 | 武汉轻工大学 | 基于近红外光谱的芝麻油掺伪检测方法 |
| CN109270044A (zh) * | 2018-11-28 | 2019-01-25 | 安徽理工大学 | 一种激光诱导荧光植物油掺杂浓茶水鉴定方法 |
Non-Patent Citations (5)
| Title |
|---|
| 李婷等: "激光诱导荧光初榨橄榄油掺杂定量分析", 《光谱学与光谱分析》 * |
| 李婷等: "激光诱导荧光初榨橄榄油掺杂定量分析", 《光谱学与光谱分析》, vol. 38, no. 1, 15 October 2018 (2018-10-15), pages 285 - 286 * |
| 王丽婷等: "乌鸦搜索算法在SVM参数优化中的应用", 《计算机工程与应用》, vol. 55, no. 21, pages 214 - 219 * |
| 高振兴等: "采用CSA优化LS-SVM的油浸式变压器故障诊断方法", 《能源工程》 * |
| 高振兴等: "采用CSA优化LS-SVM的油浸式变压器故障诊断方法", 《能源工程》, no. 03, 20 June 2011 (2011-06-20), pages 14 - 19 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112505010A (zh) * | 2020-12-01 | 2021-03-16 | 安徽理工大学 | 一种基于荧光光谱的变压器故障诊断装置及方法 |
| CN112903602A (zh) * | 2021-01-22 | 2021-06-04 | 北京工商大学 | 基于机器学习和高光谱成像的多种类柑橘病叶识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110209824B (zh) | 基于组合模型的文本情感分析方法、系统、装置 | |
| CN109145992A (zh) | 协作生成对抗网络和空谱联合的高光谱图像分类方法 | |
| CN111833310B (zh) | 一种基于神经网络架构搜索的表面缺陷分类方法 | |
| CN111709318B (zh) | 一种基于生成对抗网络的高分辨率遥感图像分类方法 | |
| CN111398238A (zh) | 一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法 | |
| CN112098358B (zh) | 基于四元数卷积神经网络的近红外光谱并行融合定量检测方法 | |
| CN109472287A (zh) | 基于二维Gabor小波的三维荧光光谱特征提取方法 | |
| CN115564996A (zh) | 一种基于注意力联合网络的高光谱遥感图像分类方法 | |
| CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
| CN118133689A (zh) | 面向教学场景的仿真平台数据处理方法、装置和电子设备 | |
| CN106971073A (zh) | 一种矿井突水水源的非线性识别方法 | |
| CN112766161A (zh) | 基于集成约束多示例学习的高光谱目标检测方法 | |
| CN115598162B (zh) | 基于堆叠式模型的土壤重金属含量检测方法 | |
| CN113868960B (zh) | 一种基于典型相关森林的土壤重金属特征选取方法及系统 | |
| CN113409157B (zh) | 一种跨社交网络用户对齐方法以及装置 | |
| CN113138181B (zh) | 一种对清香型原酒品质分级的方法 | |
| CN113469084A (zh) | 基于对比生成对抗网络的高光谱图像分类方法 | |
| CN112836754A (zh) | 一种面向图像描述模型泛化能力评估方法 | |
| CN115296851B (zh) | 一种基于互信息与灰狼提升算法的网络入侵检测方法 | |
| CN114062306B (zh) | 一种近红外光谱数据分段预处理方法 | |
| CN113361610B (zh) | 葡萄酒产地智能识别方法及系统 | |
| CN113125377B (zh) | 一种基于近红外光谱检测柴油性质的方法及装置 | |
| Skogholt et al. | Selection of principal variables through a modified Gram–Schmidt process with and without supervision | |
| CN113916860A (zh) | 一种基于荧光光谱的农药残留种类识别方法 | |
| CN113945524B (zh) | 基于植被指数的类胡萝卜素与叶绿素比值反演方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200710 |