[發(fā)明專利]基于近紅外光譜的芝麻油摻偽檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810120414.6
• 申請(qǐng)日: 2018-02-07
• 公開(kāi)（公告）號(hào): CN108051394B
• 公開(kāi)（公告）日: 2020-10-02
• 發(fā)明（設(shè)計(jì)）人: 鄭曉;俞雅茹;王杰
• 申請(qǐng)（專利權(quán)）人: 武漢輕工大學(xué)
• 主分類號(hào): G01N21/3577
• 分類號(hào): G01N21/3577;G01N21/359
• 代理公司: 常州市權(quán)航專利代理有限公司 32280
• 代理人: 袁興隆

1.基于近紅外光譜的芝麻油摻偽檢測(cè)方法，其特征在于，包括：

步驟一、光譜采集：向芝麻油樣中摻入一定量的大豆油，得到309份摻偽油樣，采用SPXY算法按2:1的比例選取校正集摻偽油樣206份和預(yù)測(cè)集摻偽油樣103份，并采用近紅外光譜儀采集所述摻偽油樣的近紅外光譜圖；

光譜采集的過(guò)程如下：將待采集的摻偽油樣置于樣品池中，設(shè)置近紅外光譜儀的測(cè)定范圍為1350～1800nm，第一階段，設(shè)置近紅外光譜儀的掃描次數(shù)為32次，分辨率為3.5cm^-1，采用光程為5mm的光程插片置于樣品池中，并將摻偽油樣加熱至溫度為20℃，采集得到第一近紅外光譜圖；第二階段，設(shè)置近紅外光譜儀的掃描次數(shù)為64次，分辨率為3cm^-1，采用光程為15mm的光程插片置于樣品池中，并將摻偽油樣加熱至溫度為40℃，采集得到第二近紅外光譜圖；第三階段，設(shè)置近紅外光譜儀的掃描次數(shù)為16次，分辨率為4cm^-1，采用光程為10mm的光程插片置于樣品池中，并將摻偽油樣加熱至溫度為60℃，采集得到第三近紅外光譜圖；最終將所述第一近紅外光譜圖、第二近紅外光譜圖與第三近紅外光譜圖的平均值作為所述摻偽油樣的近紅外光譜圖；所述樣品池包括殼體、開(kāi)設(shè)于所述殼體內(nèi)的殼腔、及置于所述殼腔內(nèi)的光程插片，所述殼體上對(duì)應(yīng)通光方向的前后部分別開(kāi)設(shè)有入射通光口和出射通光口，所述光程插片上開(kāi)設(shè)有與所述入射通光口和出射通光口同軸等徑的光程通光口；所述殼腔的內(nèi)表面均設(shè)置為涂有反射材料的平面鏡,且相對(duì)兩塊平面鏡之間的距離均設(shè)置為nλ/2，其中，n為整數(shù)，入為波長(zhǎng)；

步驟二、光譜預(yù)處理：對(duì)所述309份摻偽油樣的近紅外光譜圖進(jìn)行移動(dòng)平均11點(diǎn)平滑法消除光譜噪聲，并采用自適應(yīng)迭代重加權(quán)懲罰最小二乘算法進(jìn)行基線校正預(yù)處理，得到摻偽油樣的預(yù)處理光譜圖；

步驟三、一次特征變量提取：采用連續(xù)投影算法對(duì)309份摻偽油樣的預(yù)處理光譜圖進(jìn)行一次特征變量提取，選取當(dāng)均方根誤差值最小時(shí)的特征變量作為摻偽油樣的一次光譜圖特征變量，得到摻偽油樣的一次光譜圖特征變量，當(dāng)均方根誤差值最小為0.7918時(shí)，一次光譜圖特征變量為78個(gè)；

步驟四、二次特征變量提取：采用稀疏字典學(xué)習(xí)對(duì)所述摻偽油樣的一次光譜圖特征變量進(jìn)行二次特征變量提取，設(shè)置冗余字典參數(shù)k＝16×16×3，設(shè)置平衡誤差參數(shù)設(shè)置權(quán)重參數(shù)λ＝30/σ，依次采用正交匹配追蹤法和K-奇異值分解方法進(jìn)行迭代優(yōu)化，設(shè)置迭代次數(shù)為2～20次，得到摻偽油樣的光譜圖特征變量，當(dāng)取σ＝25且迭代次數(shù)為15次時(shí)，得到均方根誤差值最小為0.2756，二次提取得到的光譜圖特征變量為36個(gè)；

步驟五、摻偽量預(yù)測(cè)：根據(jù)所述摻偽油樣的光譜圖特征變量，采用摻偽定量模型預(yù)測(cè)所述摻偽油樣的摻偽量；通過(guò)支持向量機(jī)回歸方法建立206份校正集摻偽油樣的光譜圖特征變量與摻偽量之間的摻偽定量模型，并利用該摻偽定量模型對(duì)103份預(yù)測(cè)集摻偽油樣的摻偽量進(jìn)行驗(yàn)證，得到當(dāng)懲罰因子C＝48且核函數(shù)參數(shù)g＝0.08時(shí)，校正集的相關(guān)系數(shù)為0.9985，均方根誤差為0.0133，預(yù)測(cè)集的相關(guān)系數(shù)為0.9869，均方根誤差為0.0126。

2.如權(quán)利要求1所述的基于近紅外光譜的芝麻油摻偽檢測(cè)方法，其特征在于，所述步驟一中大豆油向芝麻油樣中的摻入質(zhì)量比范圍為0％～100％。

3.如權(quán)利要求1所述的基于近紅外光譜的芝麻油摻偽檢測(cè)方法，其特征在于，所述步驟五中摻偽定量模型的建立方法如下：

在若干份等質(zhì)量的芝麻油樣中依次按不同質(zhì)量比摻入大豆油，得到若干份摻偽油樣，采集所述若干份摻偽油樣的近紅外光譜圖，光譜采集方法如步驟一中所述；

對(duì)所述若干份摻偽油樣的近紅外光譜圖進(jìn)行預(yù)處理，得到若干份摻偽油樣的預(yù)處理光譜圖，光譜預(yù)處理方法如步驟二中所述；

采用連續(xù)投影算法對(duì)所述若干份摻偽油樣的預(yù)處理光譜圖進(jìn)行一次特征變量提取，得到若干份摻偽油樣的一次光譜圖特征變量，一次特征變量提取方法如步驟三中所述：

采用稀疏字典學(xué)習(xí)對(duì)所述若干份摻偽油樣的一次光譜圖特征變量進(jìn)行二次特征變量提取，得到若干份摻偽油樣的光譜圖特征變量，二次特征變量提取方法如步驟四中所述；

通過(guò)支持向量機(jī)回歸方法建立摻偽油樣的光譜圖特征變量與摻偽量之間的摻偽定量模型，所述摻偽定量模型的均方根誤差≤5％，相關(guān)系數(shù)≥98％。

4.如權(quán)利要求3所述的基于近紅外光譜的芝麻油摻偽檢測(cè)方法，其特征在于，采用交互驗(yàn)證算法對(duì)所述摻偽定量模型中的懲罰因子C和核函數(shù)參數(shù)g進(jìn)行優(yōu)化，優(yōu)化時(shí)設(shè)置懲罰因子C和核函數(shù)參數(shù)g的范圍均為2^-20～2²⁰，設(shè)置交互驗(yàn)證參數(shù)V的范圍為2～20。