CN111735806B - 一种基于激光诱导击穿光谱技术的鱼产品快速鉴别方法 - Google Patents

Abstract

本发明公开了一种基于激光诱导击穿光谱技术的鱼产品快速鉴别方法。该方法首先制备一系列不同种类的鱼肉标准样品，采集其LIBS特征光谱。之后建立随机森林(RF)模型，将LIBS光谱数据分为训练集和检验集，通过网格参数寻优、提取变量重要性获得并改善分类结果。采用随机森林模型可以很好的将特征光谱中变量重要性高，对分类判别贡献大的弱信号提取出来，分类效果更加优秀。该方法利用LIBS技术结合RF模型用于鱼产品的快速鉴别，其鉴别对象可以是鱼产品，也可推广至其他肉类产品。

Description

一种基于激光诱导击穿光谱技术的鱼产品快速鉴别方法

技术领域

本发明涉及光谱定性分析技术领域，具体涉及一种基于激光诱导击穿光谱技术(LIBS)的鱼产品快速鉴别方法。

背景技术

肉品是人们获取动物蛋白的主要来源，其中鱼肉更是由于营养价值丰富、口感优良备受人们喜爱。同时，中国也是水产品贸易大国，自2002年到2017年，中国出口年均增长率为11.08％。随着生活水平的提高，人们越来越多的关注肉品营养品质和质量安全等问题。由于不同鱼类产品的价格差距悬殊，目前时有以假乱真、以次充好的现象发生，破坏了公平的竞争环境，损害了消费者的健康和消费权益，因此实现快速检测鱼肉肉品品质，鉴别鱼肉肉品品种，分析是否存在鱼肉掺假尤为重要。

目前，传统的肉类鉴别方法主要包括感官分析、色谱技术、酶联免疫吸附(ELISA)技术以及DNA技术等。掺假肉大多使用香精香料掩盖原有味道，成品在感官上难以辨别；色谱技术对样品预处理复杂，费时，需消耗大量溶剂；ELISA技术已有商品化试剂盒，由于受蛋白活性的影响，其应用范围受到限制；而DNA技术是采用PCR法对少量待检测物DNA序列快速扩增，通过对核苷酸序列的分析，进行掺伪产品的检测，虽准确性高，但操作繁琐、费用高、耗时，难以适应批量快速检测的需要，且需要专业的分析测试人员，适用范围受到局限。因此迫切需要一种能够实现快速检测，环境友好的新型检测技术。

激光诱导击穿光谱(laser-induced breakdown spectroscopy，LIBS)技术是光谱分析领域中较新的有价值、有前景的元素分析方法。从本质上讲LIBS是一种原子发射光谱技术，基本原理是使用高能激光聚焦照射到样品表面，烧蚀产生激光诱导等离子体，通过探测等离子体的发射光谱进而分析材料样品的元素成分和含量。LIBS具有分析速度快、无需或少量样品预处理、多元素同时探测、设备及操作简单等优势，国内外已经有一些研究小组将LIBS技术用于肉类样品的检测分析。国外L.V.Ponce等提出了一种基于LIBS的食用鱼中Pb和Cu元素的检测方法，将该方法与原子吸收光谱法的结果进行比较，发现LIBS对Pb的检测限为25ppm，对Cu为100ppm，低于国际标准的限量水平；国内万雄等采用LIBS技术对受污染的鱼体各组织进行了重金属元素定量分析，建立了Pb和Ba元素的定标曲线，结果表明鱼体中肝脏及口腮等部位有重金属积累，而在鱼肉中重金属含量极低；雷泽剑等利用LIBS技术分析了鸡腿肉中的Pb、Cd、Cu、Mn、Ni、Cr六种重金属元素，表明LIBS是一种快速检测肉类食品中重金属元素含量的重要手段。由此可见，LIBS技术在肉类样品的检测分析中有较大的应用潜力，但对于水产品尤其是鱼肉样品的快速鉴别分类研究不足。

发明内容

鉴于上述情况，本发明的目的是提供一种快速、准确、环保的鱼产品种类判别方法，解决了感官分析准确度不高，色谱技术预处理复杂、费时、消耗大量溶剂，ELISA技术应用范围受限，DNA技术操作繁琐，难以适应批量快速检测的问题。

为了实现上述目的，本发明提供了一种基于激光诱导击穿光谱技术的鱼产品快速鉴别方法，具体包括以下步骤：

(1)样品制备：将不同种类的标准鱼肉样品粉碎，制作表面平整的样品；

(2)获取光谱数据：优化实验参数，采集标准鱼肉样品的原始LIBS光谱数据；

(3)建立RF模型：将步骤(2)中标准鱼肉样品的一部分LIBS光谱数据作为训练集，建立随机森林模型，剩余部分作为检验集检验随机森林模型分类效果；

(4)采用步骤(1)和(2)方法制备待测鱼肉样品并采集其LIBS光谱数据，将待测鱼肉样品的光谱数据输入步骤(3)建立的随机森林模型中，进行鉴别，得到分类结果。

所述步骤(3)通过优化随机森林模型中决策树的深度、数量以及光谱特征变量的个数，提高随机森林模型的准确度，所述步骤(3)具体包括以下步骤：

(301)任取全部光谱数据的70％作为训练集，采用有放回的随机抽样方式从训练集中抽取样本，将其作为决策树的训练数据输入python自带的sklearn模块的RF模型中，最终将生成的多颗决策树组成随机森林模型，每个样本的光谱数据包括n个光谱特征，每个光谱特征为光谱波长对应的光谱强度；

(302)调整决策树的深度和数量，重复步骤(301)，取每一次调整后生成的随机森林中所有决策树OOB误差估计的平均值，即可得到随机森林的泛化误差估计，结合网格调参，确定决策树深度和决策树数量的最佳值，最佳值对应的随机森林模型为初始随机森林模型；

(303)将剩余的30％光谱数据作为检验集检验初始随机森林模型的准确度；

(304)按照初始随机森林模型输出的变量重要性，将光谱特征由大到小排序，令i＝1；

(305)将排序中前i个光谱特征作为步骤(301)的训练集样本中的光谱数据，按照步骤(301)-(303)重新训练RF模型，确定最佳决策树深度和决策树数量，建立与前i个光谱特征数量相对应的RF模型，检验与前i个光谱特征数量相对应的RF模型的准确度，得到对不同种类的标准鱼肉样品的平均识别正确率，i＝i+1；

(306)判断i≥n，若否重复步骤(305)，否则对比步骤(305)建立的所有光谱特征量对应的RF模型的平均识别正确率，正确率最高的RF模型为所求的随机森林模型。

进一步地，步骤(1)能够采用以下两种方法制备样品：

鲜肉样品：将鱼肉粉碎后装进模具内用盖玻片盖紧，确保样品表面平整无气泡。

冷冻样品：将鱼肉粉碎后装进模具内用盖玻片盖紧，保证样品表面平整无气泡，放入冰箱内冷冻处理。较佳地，冷冻温度为-80℃。

与现有技术相比，本发明具有以下特点：(1)样品制备简单，鲜肉样品和冷冻样品均可以，且无人为添加试剂的干扰，光谱信号强度较好；(2)可拓展性好，通过增加用于构建随机森林模型的标准鱼肉样品种类，可实现对各类鱼产品的快速鉴别；(3)相比其他分类方法，如主成分分析(PCA)，采用随机森林模型可以很好的将特征光谱中变量重要性高，对分类判别贡献大的弱信号提取出来，可有效提高分类效果；(4)在已有模型的基础上只需几分钟就能够完成对待测鱼肉样品的快速鉴别，且模型预测的识别正确率高，检测结果准确可靠。

附图说明

图1是实施例1中鲅鱼鲜肉样品的LIBS光谱图。

图2是实施例1中鲅鱼冷冻样品的LIBS光谱图。

图3是实施例1中按照变量重要性从高到低提取的前600个光谱特征波长与变量重要性的关系图。

图4是实施例1中7种鱼肉样品的平均识别正确率与提取变量个数的关系图。

图5是实施例2中冷冻样品的PCA分类结果图。

具体实施方式

下面结合附图并通过具体实施例来进一步详细说明本发明。应理解，下述实施例是用于说明本发明而不是限制其保护范围的。

实施例1：

本实施例涉及一种基于LIBS技术的鱼产品快速鉴别方法，具体包括以下步骤：

1.样品制备

本实施例中采用的7种新鲜鱼肉(鲅鱼、草鱼、黄花鱼、鲫鱼、鲤鱼、鲭鱼、牙鲆)均购自青岛利群超市。采用以下两种方式处理样品：

鲜肉样品(fresh meat)：每种鱼肉采用肉类搅拌器分别打碎，装进样本模具并用盖玻片盖紧，确保样品表面平整无气泡，每种鱼肉均制作若干个样品；

冷冻样品(frozen meat)：将上述鲜肉样品放入-80℃的冰箱内冷冻成型。

2.实验与数据处理

2.1优化实验参数，采集鲜肉样品和冷冻样品的LIBS光谱数据。如图1和2所示，鲜肉样品和冷冻样品均具有清晰的LIBS光谱信号，且冷冻样品的LIBS光谱强度明显优于鲜肉样品，因此后续采用冷冻样品的LIBS光谱数据进行分类处理。

优化的实验参数包括激光能量、探测延时、脉冲平均个数等。激光器采用镭宝Dava-200调Q脉冲激光器，激光波长1064nm，脉冲宽度10ns，重复频率10Hz，激光能量设置为75mJ。光谱仪采用AVANTES四通道光纤光谱仪，型号为AvaSpec-2048-USB2，波段范围195-840nm，探测延时设置为1.3μs。每种鱼肉样品采集60条光谱，为提高LIBS信号的稳定性，每条光谱为100个激光脉冲的平均。

2.2建立RF模型

(1)任取冷冻样品全部光谱数据的70％作为训练集并固定，采用有放回的随机抽样方式从训练集中抽取样本，将其作为决策树的训练数据输入python自带的sklearn模块的RF模型中，最终将生成的多颗决策树组成随机森林模型，每个样本的光谱数据包括n个光谱特征，每个光谱特征为光谱波长对应的光谱强度，本实施例检测的每个样本光谱数据的光谱特征数是8192，即n＝8192。

(2)调整决策树的深度和数量，重复步骤(1)，取每一次调整后生成的随机森林中所有决策树OOB误差估计的平均值，即可得到随机森林的泛化误差估计，结合网格调参确定最佳值：决策树数量200和决策树深度5，最佳值对应的随机森林模型为初始随机森林模型。

(3)将剩余的30％光谱数据作为检验集检验初始随机森林模型的准确度，得到7种鱼肉样品的识别正确率，如表1所示，7种鱼肉样品的平均正确率为90.71％。

2.3优化RF模型

(1)对光谱特征变量进行筛选，按照初始随机森林模型输出的变量重要性，将光谱特征由大到小排序(图3)。从图3可以得出，P、Mg、Na、CN、K、H、Rb七种元素组分对应的波长具有较高的变量重要性，即在光谱判别分类中的贡献较大。

(2)令i＝1。

(3)将排序中前i个光谱特征作为2.2步骤(1)的训练集样本中的光谱数据，按照2.2步骤(1)-(3)重新训练RF模型，确定最佳决策树深度和决策树数量，建立与前i个光谱特征数量相对应的RF模型，检验与前i个光谱特征数量相对应的RF模型的准确度，得到对7种鱼肉样品的平均识别正确率，i＝i+1。

(4)判断i≥n，若否重复2.3步骤(3)，否则对比2.3步骤(3)建立的所有光谱特征量对应的RF模型的平均识别正确率。平均识别正确率随光谱特征变量个数的变化曲线如图4所示。从图中可以看出随着提取的光谱特征变量个数的增加，样品的识别正确率也随之增大，且在提取前200个光谱特征变量时，识别正确率可以达到99.28％，显著提升了RF模型的准确度，达到了利用LIBS技术结合RF模型对鱼产品进行分类鉴别的目的。

表1

实施例2

本实施例基于实施例1步骤2.1采集的LIBS光谱数据，采用PCA方法对7种鱼肉样品进行分类，具体包括以下步骤：

首先读入7种鱼肉样品的全部光谱数据，计算相关系数矩阵及特征值与特征向量，然后对特征值从大到小排序，保留最大的k个特征向量(前k个特征向量的累计贡献率达到85％以上)，将光谱数据转换到k个特征向量构建的新空间中完成数据的降维。

利用Matlab R2019对7种鱼肉样品的光谱数据进行向量变换，实际处理中发现，经过特征值从大到小排序后，当k＝3时，累计贡献率达到了94.1％，即可以将7种鱼肉样品的光谱数据转换至3个特征向量构建的新空间中完成数据的降维操作。设第一特征向量为x坐标，第二特征向量为y坐标，第三特征向量为z坐标，将降维后的光谱数据做三维散点图，即可得到LIBS技术结合PCA方法对7种鱼肉样品的分类结果，如图5所示。从图中可以看出，4种海水鱼(黄花鱼、鲅鱼、鲭鱼、牙鲆)基本可以分类，而3种淡水鱼(草鱼、鲤鱼、鲫鱼)虽然与海水鱼相比能够分辨，但是3种淡水鱼的界限模糊难以精确分辨。

Claims (2)

1.一种基于激光诱导击穿光谱技术的鱼产品快速鉴别方法，其特征在于，具体包括以下步骤：

(1)样品制备：将不同种类的标准鱼肉样品粉碎，制作表面平整的样品；

(2)获取光谱数据：优化实验参数，采集标准鱼肉样品的原始LIBS光谱数据；

(3)建立RF模型：将步骤(2)中标准鱼肉样品的一部分LIBS光谱数据作为训练集，建立随机森林模型，剩余部分作为检验集检验模型分类效果；

(4)采用步骤(1)和(2)方法制备待测鱼肉样品并采集其LIBS光谱数据，将待测鱼肉样品的光谱数据输入步骤(3)建立的随机森林模型中，进行鉴别，得到分类结果；

所述步骤(3)通过优化随机森林模型中决策树的深度、数量以及光谱特征变量的个数，提高随机森林模型的准确度，所述步骤(3)具体包括以下步骤：

(301)任取全部光谱数据的70％作为训练集并固定，采用有放回的随机抽样方式从训练集中抽取样本，将其作为决策树的训练数据输入python自带的sklearn模块的RF模型中，最终将生成的多颗决策树组成随机森林模型，每个样本的光谱数据包括n个光谱特征，每个光谱特征为光谱波长对应的光谱强度；

(302)调整决策树的深度和数量，重复步骤(301)，取每一次调整后生成的随机森林中所有决策树OOB误差估计的平均值，即可得到随机森林的泛化误差估计，结合网格调参，确定决策树深度和决策树数量的最佳值，最佳值对应的随机森林模型为初始随机森林模型；

(303)将剩余的30％光谱数据作为检验集检验初始随机森林模型的准确度；

(304)按照初始随机森林模型输出的变量重要性，将光谱特征由大到小排序，令i＝1；

(305)将排序中前i个光谱特征作为步骤(301)的训练集样本中的光谱数据，按照步骤(301)-(303)重新训练RF模型，确定最佳决策树深度和决策树数量，建立与前i个光谱特征数量相对应的RF模型，检验与前i个光谱特征数量相对应的RF模型的准确度，得到对不同种类的标准鱼肉样品的平均识别正确率，i＝i+1；

(306)判断i≥n，若否重复步骤(305)，否则对比步骤(305)建立的所有光谱特征量对应的RF模型的平均识别正确率，正确率最高的RF模型为所求的随机森林模型。

2.根据权利要求1所述的基于激光诱导击穿光谱技术的鱼产品快速鉴别方法，其特征在于，步骤(1)采用以下方法：将每一种鱼肉样品粉碎后装进模具内用盖玻片盖紧，保证样品表面平整无气泡；或将每一种鱼肉样品粉碎后装进模具内用盖玻片盖紧，保证样品表面平整无气泡，后放入冰箱内冷冻处理。

Images