[發(fā)明專利]一種提高食用油摻雜光譜檢測(cè)識(shí)別率的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201610127434.7
• 申請(qǐng)日: 2016-03-07
• 公開（公告）號(hào): CN105678345B
• 公開（公告）日: 2019-07-16
• 發(fā)明（設(shè)計(jì)）人: 胡蓉;肖河;錢斌
• 申請(qǐng)（專利權(quán)）人: 昆明理工大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明涉及一種提高食用油摻雜光譜檢測(cè)識(shí)別率的方法，屬于模式識(shí)別技術(shù)領(lǐng)域。本發(fā)明為各類樣本建立各自的特征空間，用各個(gè)特征空間的特征向量重建原測(cè)試樣本，并計(jì)算重建誤差，將重建誤差最小的樣本作為原測(cè)試樣本的所屬類別。本發(fā)明利用特征空間是基于某類樣本圖像的共性建立，因此重建該類樣本圖像時(shí)將得到較小的重建誤差，而在重建其他類樣本圖像時(shí)的誤差會(huì)較大。可以根據(jù)重建誤差的大小來(lái)識(shí)別樣本圖像，將待識(shí)別樣本分類到具有較小重建誤差的特征空間，從而提高油類光譜檢測(cè)的識(shí)別率。

技術(shù)領(lǐng)域

本發(fā)明涉及一種提高食用油摻雜光譜檢測(cè)識(shí)別率的方法，屬于模式識(shí)別技術(shù)領(lǐng)域。

背景技術(shù)

隨著日常生活水平的提高，居民人均食用油使用量在不斷增長(zhǎng)，而其中餐飲行業(yè)食用油使用量的增加極為迅速。同時(shí)，餐飲行業(yè)產(chǎn)生了大量的餐飲廢棄油脂，這些廢棄油脂被一些不法商販?zhǔn)占?jīng)過(guò)堿煉、脫水、脫色后，制成地溝油獲取利益。隨著各種地溝油事件的曝光，地溝油引起的食品安全問(wèn)題開始成為輿論關(guān)注的焦點(diǎn)，對(duì)地溝油進(jìn)行快速、準(zhǔn)確的檢測(cè)也成為食品迫切需求。

目前，已出現(xiàn)多種食用油質(zhì)量檢測(cè)的方法，如物理化學(xué)評(píng)價(jià)法、化學(xué)感官系統(tǒng)法、柱層析法、感官評(píng)價(jià)法、核磁共振光譜法等，但其檢測(cè)識(shí)別率較低，使用維護(hù)成本高，故本發(fā)明提出了一種基于有效的多主元識(shí)別算法，能優(yōu)化主元分析識(shí)別算法區(qū)分不同種類樣本，從而提高食用油摻雜光譜檢測(cè)識(shí)別率的方法。本發(fā)明是利用特征空間基于某類油品樣本圖像的共性建立的，從而能對(duì)不同的油品進(jìn)行分類。首先，針對(duì)不同油類樣本構(gòu)造獨(dú)立的特征空間；其次，利用特征空間重建待識(shí)別樣本；然后，將重建向量與原向量的方差作為重建誤差；最后，采用改進(jìn)后的多主元識(shí)別算法，通過(guò)對(duì)食用芝麻油摻雜進(jìn)行光譜檢測(cè)實(shí)驗(yàn)證明本發(fā)明的有效性。

由于傳統(tǒng)的基于PCA的識(shí)別算法不能最優(yōu)區(qū)分不同種類樣本的缺點(diǎn)。因此，本發(fā)明設(shè)計(jì)一種基于改進(jìn)主元分析算法的提高食用油摻雜光譜檢測(cè)識(shí)別率方法，該方法為每類油品樣本構(gòu)造單獨(dú)特征空間，用各個(gè)空間的特征向量重建待識(shí)別油品樣本。特征空間是基于某類油品樣本光譜圖像的共性建立，因此重建該油品光譜圖像時(shí)將得到較小重建誤差，而重建其他油品光譜圖像時(shí)的誤差較大，從而實(shí)現(xiàn)提高食用油摻雜光譜識(shí)別率。

發(fā)明內(nèi)容

針對(duì)基于主元分析的識(shí)別算法不能最優(yōu)化區(qū)分不同種類樣本的缺點(diǎn)，本發(fā)明提供了一種提高食用油摻雜光譜檢測(cè)識(shí)別率的方法。

本發(fā)明的技術(shù)方案是：一種提高食用油摻雜光譜檢測(cè)識(shí)別率的方法，為各類樣本建立各自的特征空間，用各個(gè)特征空間的特征向量重建原測(cè)試樣本，并計(jì)算重建誤差，將重建誤差最小的樣本作為原測(cè)試樣本的所屬類別。

所述方法的具體步驟如下：

Step1、向量矩陣化：從第一類樣本中隨機(jī)選擇M₁個(gè)樣本向量作為訓(xùn)練樣本，將每個(gè)向量轉(zhuǎn)化為一個(gè)列向量，將他們排列成N×M₁的矩陣B；

其中

其中，N表示一個(gè)樣本向量的數(shù)據(jù)個(gè)數(shù)；

Step2、求平均向量：M₁個(gè)樣本向量的平均向量為：

Step3、構(gòu)建協(xié)方差矩陣：每個(gè)樣本向量x_j與平均向量的差值向量y_j為：

其中，j＝1,2,...M₁；

則訓(xùn)練樣本的協(xié)方差矩陣C為：

C＝AA^T；

其中，A為差值向量矩陣，