本發(fā)明涉及葡萄籽油摻假的鑒別領(lǐng)域,特別是一種基于近紅外光譜的葡萄籽油摻假鑒別方法。
背景技術(shù):
葡萄籽油含有亞油酸、多酚醇、生育酚與原花青素等多種功能成分,具有抗衰老、增強(qiáng)免疫力、促進(jìn)生長(zhǎng)發(fā)育、消除血清膽固醇、治療心血管疾病等多種功效,其具有的營(yíng)養(yǎng)和醫(yī)藥價(jià)值使葡萄籽油成為一種高級(jí)保健食用油。由于葡萄籽油市場(chǎng)價(jià)格較高,受利益驅(qū)動(dòng)的不法分子常將廉價(jià)食用油摻入葡萄籽油中。為了保證葡萄籽油的品質(zhì),維護(hù)保護(hù)消費(fèi)者的權(quán)益,尋找一種能夠快速檢測(cè)和鑒別葡萄籽油摻偽的方法具有重要的意義。
目前針對(duì)于葡萄籽油的摻假的檢測(cè)的方法主要有,酶聯(lián)免疫吸附檢測(cè)法,試條法,pcr技術(shù),基因芯片等方法,但是存在實(shí)驗(yàn)過(guò)程繁雜,操作復(fù)雜,需要添加化學(xué)試劑等缺點(diǎn)。因此,有必要尋找一種更加簡(jiǎn)單、快速的摻假葡萄籽油鑒別方法。近紅外光譜分析技術(shù)是一種綠色無(wú)損的快速檢測(cè)技術(shù),無(wú)需樣品預(yù)處理,不用破壞樣品,有望成為一種簡(jiǎn)單快捷的葡萄籽油摻假的鑒別方法。
近紅外光譜儀(nearinfraredspectruminstrument,nirs)是介于可見(jiàn)光(vis)和中紅外(mir)之間的電磁輻射波,近紅外光譜區(qū)定義為780-2526nm的區(qū)域,是人們?cè)谖展庾V中發(fā)現(xiàn)的第一個(gè)非可見(jiàn)光區(qū)。近紅外光譜區(qū)與有機(jī)分子中含氫基團(tuán)(o-h、n-h、c-h)振動(dòng)的合頻和各級(jí)倍頻的吸收區(qū)一致,通過(guò)掃描樣品的近紅外光譜,可以得到樣品中有機(jī)分子含氫基團(tuán)的特征信息,而且利用近紅外光譜技術(shù)分析樣品具有方便、快速、高效、準(zhǔn)確和成本較低,不破壞樣品,不消耗化學(xué)試劑,不污染環(huán)境,儀器便攜等優(yōu)點(diǎn),因此該技術(shù)受到越來(lái)越多人的青睞。
然而全光譜數(shù)據(jù)存在波長(zhǎng)點(diǎn)眾多、數(shù)據(jù)疊加嚴(yán)重等特性,這些特性會(huì)影響基于數(shù)據(jù)的摻假鑒別模型的精度和速度,甚至導(dǎo)致不可行。光譜數(shù)據(jù)進(jìn)行波長(zhǎng)選擇剔除無(wú)信息波長(zhǎng)和干擾波長(zhǎng),能有效避免模型過(guò)度擬合,建立一個(gè)穩(wěn)健性高、易解釋、高精度的校正模型,極大改進(jìn)模型的預(yù)測(cè)性能。因此,運(yùn)用螢火蟲(chóng)算法能有效的提取出最優(yōu)的波長(zhǎng)組合,但提取出的波長(zhǎng)組合的數(shù)據(jù)間仍存在較高的共線性,利用連續(xù)投影法對(duì)螢火蟲(chóng)算法優(yōu)選出的波長(zhǎng)組合進(jìn)行二次優(yōu)選,最終得到最優(yōu)的幾個(gè)波長(zhǎng)點(diǎn)。在實(shí)際工作中,只需要知道樣品的類(lèi)別和質(zhì)量等級(jí),并不需要知道樣品中含有的組分?jǐn)?shù)和其含量的問(wèn)題,這時(shí)候需要模式識(shí)別法。近紅外光譜的定性依據(jù)主要是光譜本身,因?yàn)楣庾V反映了真實(shí)樣品的組成和結(jié)構(gòu)信息,相同或者近似的樣品有著相同或相近的光譜。近年來(lái),由于elm算具有法容易使用、計(jì)算量小、優(yōu)異的泛化性能等特點(diǎn)廣泛應(yīng)用到近紅外光譜的分析中。
技術(shù)實(shí)現(xiàn)要素:
有鑒于此,本發(fā)明的目的是提出一種基于近紅外光譜的葡萄籽油摻假鑒別方法,利用fa-spa方法對(duì)采集的近紅外光譜進(jìn)行波長(zhǎng)優(yōu)選,再利用優(yōu)選后的波長(zhǎng)建立elm模型實(shí)現(xiàn)對(duì)于葡萄籽油摻假的鑒別,有利于打擊葡萄籽油摻假的行為。
本發(fā)明采用以下方案實(shí)現(xiàn):一種基于近紅外光譜的葡萄籽油摻假鑒別方法,具體包括以下步驟:
步驟s1:收集純的葡萄籽油和摻入不同含量的大豆油、花生油、玉米油、葵花油的葡萄籽油作為樣本;
步驟s2:把樣本進(jìn)行近紅外光譜掃描,采集其近紅外光譜的全波段圖譜,并剔除異常的樣本數(shù)據(jù);其中波段掃描范圍為:1000-2300nm;
步驟s3:根據(jù)純的葡萄籽油和摻入大豆油、花生油、玉米油、葵花油的葡萄籽油在近紅外區(qū)的倍頻及合頻吸收峰,利用螢火蟲(chóng)算法(fireflyalgorithm,fa)對(duì)近紅外光譜波長(zhǎng)變量進(jìn)行初步優(yōu)選,再通過(guò)連續(xù)投影法(successiveprojectionsalgorithm,spa)進(jìn)行波長(zhǎng)的二次優(yōu)選,將最終優(yōu)選的波長(zhǎng)變量作為極限學(xué)習(xí)機(jī)(extremelearningmachine,elm)建模的輸入變量,得到fa-spa-elm判別模型;
步驟s4:對(duì)于未知的待檢測(cè)樣品,掃描其近紅外光譜,利用步驟s3建立好的fa-spa-elm判別模型,預(yù)測(cè)其所屬類(lèi)別。
進(jìn)一步地,步驟s3中,所述初步優(yōu)選,篩選出710個(gè)波長(zhǎng)。
進(jìn)一步地,步驟s3中,所述二次優(yōu)選,篩選出17個(gè)波長(zhǎng)。
與現(xiàn)有技術(shù)相比,本發(fā)明有以下有益效果:本發(fā)明檢測(cè)速度快,fa-spa-elm能夠快速鑒別葡萄籽油摻假的種類(lèi),并且具有高精度、操作簡(jiǎn)單等優(yōu)點(diǎn),具有良好的應(yīng)用前景。
附圖說(shuō)明
圖1為本發(fā)明實(shí)施例中所述純的葡萄籽油和摻入不同含量的大豆油、花生油、玉米油、葵花油的葡萄籽油樣品的近紅外原始吸收光譜圖。
圖2為本發(fā)明實(shí)施例中螢火蟲(chóng)算法的迭代結(jié)果。
圖3為本發(fā)明實(shí)施例中螢火蟲(chóng)算法初選提取的710個(gè)波長(zhǎng)分布圖。
圖4為本發(fā)明實(shí)施例中fa+spa算法在選擇不同變量數(shù)時(shí)rmse收斂曲線圖。
圖5為本發(fā)明實(shí)施例中fa+spa精選的17個(gè)特征波長(zhǎng)分布圖。
具體實(shí)施方式
下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明做進(jìn)一步說(shuō)明。
本實(shí)施例提供了一種基于近紅外光譜的葡萄籽油摻假鑒別方法,具體包括以下步驟:
(1)收集純的葡萄籽油和摻入大豆油、花生油、玉米油、葵花籽油的葡萄籽油樣本各31個(gè)樣本,在溫度為25℃時(shí),濕度為30%左右條件下,利用nicolet6700傅里葉變換近紅外光儀(賽默飛世爾科技公司,thermofisher)采集其吸收光譜圖,掃描范圍1000-2500nm,如圖1。
(2)選取1000-2300nm特征波段下的光譜信息,運(yùn)用螢火蟲(chóng)算法對(duì)近紅外光譜波長(zhǎng)進(jìn)行初選,篩選出710個(gè)波長(zhǎng),其中如圖2所示,再通過(guò)連續(xù)投影算法對(duì)初選后的波長(zhǎng)進(jìn)行精選,精選后的波長(zhǎng)個(gè)數(shù)為17個(gè)如圖3所示,利用精選后的波長(zhǎng)建立極限學(xué)習(xí)機(jī)模型,通過(guò)校正集的數(shù)據(jù)不斷訓(xùn)練模型,使模型的參數(shù)達(dá)到最優(yōu),獲取最佳的模型。其中,圖4為fa+spa算法在選擇不同變量數(shù)時(shí)rmse收斂曲線圖。圖5為fa+spa精選的17個(gè)特征波長(zhǎng)分布圖。
(3)將共155個(gè)樣本利用ks算法分別對(duì)純的葡萄籽油和摻入大豆油、花生油、玉米油、葵花油的葡萄籽油劃分校正集與預(yù)測(cè)集,校正集100個(gè)樣本,預(yù)測(cè)集55個(gè)樣本。
(4)建立fa-spa-elm模型。對(duì)于未知的樣品,掃描器近紅外光譜,就可以利用建立好的fa-spa-elm模型,預(yù)測(cè)其歸屬,準(zhǔn)確率如下表,預(yù)測(cè)成功率在校正集與預(yù)測(cè)集均為100%。
以上所述僅為本發(fā)明的較佳實(shí)施例,凡依本發(fā)明申請(qǐng)專(zhuān)利范圍所做的均等變化與修飾,皆應(yīng)屬本發(fā)明的涵蓋范圍。