近紅外光譜法快速鑒別食用油種類的方法
【專利摘要】本發(fā)明公開了一種近紅外光譜法快速鑒別食用油種類的方法，包括如下步驟：選取待鑒別的未知種類的食用油樣品；采集食用油樣品的近紅外光譜圖；對食用油樣品的近紅外光譜圖進行預處理，得到食用油樣品的預處理光譜圖；根據(jù)食用油樣品的預處理光譜圖，依次采用棕櫚酸定量模型、油酸定量模型、亞油酸定量模型分別預測食用油樣品的棕櫚酸含量、油酸含量、亞油酸含量；根據(jù)得到的食用油樣品的棕櫚酸含量、油酸含量、亞油酸含量，采用優(yōu)化定性模型對食用油樣品進行種類鑒別。本發(fā)明提供的近紅外光譜法快速鑒別食用油種類的方法安全快速、檢測便捷，鑒別準確率高，具有較強的實用價值和推廣價值。
【專利說明】
近紅外光譜法快速鑒別食用油種類的方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設及快速檢測技術(shù)領(lǐng)域，具體設及一種近紅外光譜法快速鑒別食用油種類 的方法。
【背景技術(shù)】
[0002] 食用油含有許多人體所需的重要營養(yǎng)成分，在我們?nèi)粘ｏ嬍成钪幸彩潜夭豢缮?的，研究表明，部分食用油中富含大量棟桐酸、油酸含量、亞油酸，不同種類的食用油中有著 不同的棟桐酸、油酸含量、亞油酸組成；另外，由于棟桐酸、油酸、亞油酸的含量主要決定了 食用油的營養(yǎng)價值，故通常作為評價食用油品質(zhì)的重要成分指標，同時也是確定其商業(yè)價 值的重要依據(jù)。隨著食用油價格不斷的提高，許多不法商家為了牟取暴利，將低價值油冒充 高價值油投入市場，或?qū)⒌蛢r值油滲入高價值油中，嚴重侵害著消費者和合法生產(chǎn)銷售企 業(yè)的利益。因此，有必要研究一種快速鑒別食用油種類的方法，對維護消費者及合法經(jīng)營者 利益、維持食用油市場正常秩序具有重要意義。

【發(fā)明內(nèi)容】

[0003] 針對上述技術(shù)中存在的不足之處，本發(fā)明提供了一種安全快速、檢測便捷，鑒別準 確率高的近紅外光譜法快速鑒別食用油種類的方法。
[0004] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:一種近紅外光譜法快速鑒別食用油 種類的方法，包括如下步驟:步驟一、樣品選取:選取待鑒別的未知種類的食用油樣品；步驟 二、光譜采集:采集步驟一中選取的未知種類的食用油樣品的近紅外光譜圖；步驟Ξ、光譜 預處理:對步驟二中采集的未知種類的食用油樣品的近紅外光譜圖進行預處理，得到未知 種類的食用油樣品的預處理光譜圖；步驟四、含量預測:根據(jù)步驟Ξ中得到的未知種類的食 用油樣品的預處理光譜圖，依次采用棟桐酸定量模型、油酸定量模型、亞油酸定量模型分別 預測所述未知種類的食用油樣品的棟桐酸含量、油酸含量、亞油酸含量;步驟五、種類鑒別： 根據(jù)步驟四中得到的所述未知種類的食用油樣品的棟桐酸含量、油酸含量、亞油酸含量，采 用優(yōu)化定性模型對所述未知種類的食用油樣品進行種類鑒別。
[0005] 優(yōu)選的，所述步驟一中選取的未知種類的食用油樣品為茶巧油、葵花油、大豆油、 菜巧油、花生油中的任意一種。
[0006] 優(yōu)選的，所述步驟二中的光譜采集條件如下:食用油樣品的采集溫度為60±2°C， 近紅外光譜測定范圍為1350~1800 nm，掃描次數(shù)32次，分辨率為3.5cnfi，測量方式為透射， 每個食用油樣品取Ξ次測量的平均值作為最終采集的近紅外光譜圖。
[0007] 優(yōu)選的，所述步驟Ξ中對采集的未知種類的食用油樣品的近紅外光譜圖依次進行 標準正態(tài)變量變化和去趨勢技術(shù)聯(lián)用算法預處理，得到未知種類的食用油樣品的預處理光 譜圖。
[000引優(yōu)選的，所述棟桐酸定量模型、油酸定量模型、亞油酸定量模型的建立方法如下： 收集若干不同已知種類的食用油樣品，所述不同已知種類的食用油樣品包括:茶巧油、葵花 油、大豆油、菜巧油和花生油;采集若干不同已知種類的食用油樣品的近紅外光譜圖，光譜 采集方法如步驟二中所述，并對若干不同已知種類的食用油樣品的近紅外光譜圖依次進行 標準正態(tài)變量變化和去趨勢技術(shù)聯(lián)用算法預處理，得到若干不同已知種類的食用油樣品的 預處理光譜圖；實驗測定若干不同已知種類的食用油樣品的棟桐酸含量、油酸含量、亞油酸 含量;采用偏最小二乘回歸方法分別建立不同已知種類的食用油樣品的預處理光譜圖與其 棟桐酸含量、油酸含量、亞油酸含量的定量模型，得到棟桐酸定量模型、油酸定量模型、亞油 酸定量模型;其中，要求棟桐酸定量模型、油酸定量模型和亞油酸定量模型的均方根誤差均 < 10%，相關(guān)系數(shù)均>95%。
[0009] 優(yōu)選的，實驗測定若干不同已知種類的食用油樣品的棟桐酸含量、油酸含量、亞油 酸含量的方法如下：按照國家標準GB/T 17376-2008規(guī)定的甲醋化方法對已知種類的食用 油樣品進行預處理，預處理后靜置24小時，并取出已處理已知種類的食用油樣品的上層清 液化L移至氣相色譜儀中，待運行65~75分鐘后得到氣相色譜圖，最終根據(jù)氣相色譜圖計算 得到不同已知種類的食用油樣品的棟桐酸含量、油酸含量、亞油酸含量。
[0010] 優(yōu)選的，所述步驟五中優(yōu)化定性模型的建立方法如下：收集若干不同已知種類的 食用油樣品，所述不同已知種類的食用油樣品包括:茶巧油、葵花油、大豆油、菜巧油和花生 油;實驗測定若干不同已知種類的食用油樣品的棟桐酸含量、油酸含量、亞油酸含量;將若 干不同已知種類的食用油樣品中的棟桐酸含量、油酸含量、亞油酸含量作為定性模型的輸 入變量，通過支持向量機分類方法建立不同已知種類的食用油樣品的定性模型，并采用粒 子群優(yōu)化算法對定性模型中的懲罰因子C和核函數(shù)參數(shù)g進行優(yōu)化，得到優(yōu)化定性模型。
[0011] 優(yōu)選的，采用粒子群優(yōu)化算法對定性模型中的懲罰因子C和核函數(shù)參數(shù)g進行優(yōu)化 時，設置懲罰因子C和核函數(shù)參數(shù)g的范圍均為~2^，設置交互驗證參數(shù)V的范圍為2~8。
[0012] 本發(fā)明與現(xiàn)有技術(shù)相比，其有益效果是:本發(fā)明提供的近紅外光譜法快速鑒別食 用油種類的方法，通過建立的棟桐酸定量模型、油酸定量模型和亞油酸定量模型，可對未知 種類的食用油樣品中的棟桐酸含量、油酸含量、亞油酸含量進行快速預測;通過優(yōu)化定標模 型，可對已知棟桐酸含量、油酸含量、亞油酸含量的未知種類的食用油樣品進行種類鑒別； 該近紅外光譜法快速鑒別食用油種類的方法，安全快速、檢測便捷，鑒別準確率高，具有較 強的實用價值和推廣價值。
【附圖說明】
[OOK]圖1是本發(fā)明所述近紅夕恍譜法快速鑒別食用油種類的方法的流程示意圖； 圖2是本發(fā)明所述食用油樣品的近紅外光譜圖； 圖3是本發(fā)明所述食用油樣品的預處理光譜圖； 圖4是本發(fā)明所述粒子群優(yōu)化算法尋優(yōu)結(jié)果圖； 圖5是本發(fā)明所述食用油預測集樣品的預測鑒別結(jié)果圖。
【具體實施方式】
[0014]下面結(jié)合附圖對本發(fā)明做進一步的詳細說明，W令本領(lǐng)域技術(shù)人員參照說明書文 字能夠據(jù)W實施。
[001引如圖1所示，本發(fā)明提供了一種近紅夕恍譜法快速鑒別食用油種類的方法，包括如 下步驟： 步驟一、樣品選取:選取待鑒別的未知種類的食用油樣品，選取的未知種類的食用油樣 品為茶巧油、葵花油、大豆油、菜巧油、花生油中的任意一種； 步驟二、光譜采集:采集步驟一中選取的未知種類的食用油樣品的近紅外光譜圖，光譜 采集條件如下:食用油樣品的采集溫度為60±2°C，近紅外光譜測定范圍為1350~1800 nm， 掃描次數(shù)32次，分辨率為3.5cnfi，測量方式為透射，每個食用油樣品取Ξ次測量的平均值作 為最終采集的近紅外光譜圖； 步驟Ξ、光譜預處理:對步驟二中采集的未知種類的食用油樣品的近紅外光譜圖依次 進行標準正態(tài)變量變化和去趨勢技術(shù)聯(lián)用算法預處理，得到未知種類的食用油樣品的預處 理光譜圖； 步驟四、含量預測:根據(jù)步驟Ξ中得到的未知種類的食用油樣品的預處理光譜圖，依次 采用棟桐酸定量模型、油酸定量模型、亞油酸定量模型分別預測所述未知種類的食用油樣 品的棟桐酸含量、油酸含量、亞油酸含量； 其中，所述棟桐酸定量模型、油酸定量模型、亞油酸定量模型的建立方法如下:收集若 干不同已知種類的食用油樣品，所述不同已知種類的食用油樣品包括:茶巧油、葵花油、大 豆油、菜巧油和花生油;采集若干不同已知種類的食用油樣品的近紅外光譜圖，光譜采集方 法如步驟二中所述，并對若干不同已知種類的食用油樣品的近紅外光譜圖依次進行標準正 態(tài)變量變化和去趨勢技術(shù)聯(lián)用算法預處理，得到若干不同已知種類的食用油樣品的預處理 光譜圖；實驗測定若干不同已知種類的食用油樣品的棟桐酸含量、油酸含量、亞油酸含量； 采用偏最小二乘回歸方法分別建立不同已知種類的食用油樣品的預處理光譜圖與其棟桐 酸含量、油酸含量、亞油酸含量的定量模型，得到棟桐酸定量模型、油酸定量模型、亞油酸定 量模型；要求棟桐酸定量模型、油酸定量模型和亞油酸定量模型的均方根誤差均^ 10%，相 關(guān)系數(shù)均> 95%; 步驟五、種類鑒別:根據(jù)步驟四中得到的所述未知種類的食用油樣品的棟桐酸含量、油 酸含量、亞油酸含量，采用優(yōu)化定性模型對所述未知種類的食用油樣品進行種類鑒別； 其中，優(yōu)化定性模型的建立方法如下:收集若干不同已知種類的食用油樣品，所述不同 已知種類的食用油樣品包括:茶巧油、葵花油、大豆油、菜巧油和花生油;實驗測定若干不同 已知種類的食用油樣品的棟桐酸含量、油酸含量、亞油酸含量;將若干不同已知種類的食用 油樣品中的棟桐酸含量、油酸含量、亞油酸含量作為定性模型的輸入變量，通過支持向量機 分類方法建立不同已知種類的食用油樣品的定性模型，并采用粒子群優(yōu)化算法對定性模型 中的懲罰因子C和核函數(shù)參數(shù)g進行優(yōu)化，得到優(yōu)化定性模型;采用粒子群優(yōu)化算法對定性 模型中的懲罰因子C和核函數(shù)參數(shù)g進行優(yōu)化時，設置懲罰因子C和核函數(shù)參數(shù)g的范圍均為 2-W~2^，設置交互驗證參數(shù)V的范圍為2~8。
[0016]實施例： 1、實驗樣品 收集茶巧油、葵花油、大豆油、菜巧油和花生油五類食用油樣品共133份，采用SPXY算法 按3:1的比例選取食用油校正集樣品100份和食用油預測集樣品33份，其中食用油校正集樣 品用于定量模型和定性模型的建立，食用油預測集樣品用于定量模型和定性模型的性能驗 證;其中，五類食用油樣品的預測集樣品和校正集樣品的數(shù)量分布如下表1。
[0017]表1 ' 2、實驗測試胃 '
' ' ' 2.1光譜采集 采用近紅外光譜儀器采集133份食用油樣品的近紅外光譜圖，光譜采集條件如下:采集 溫度為60±2°C，近紅外光譜測定范圍為1350~1800皿，掃描次數(shù)32次，分辨率為3.5cnfi， 測量方式為透射，每個食用油樣品取Ξ次測量的平均值作為最終采集的近紅外光譜圖，133 份食用油樣品的近紅外光譜圖如圖2所示。
[001引 2.2含量測定 實驗測定133份食用油樣品的棟桐酸含量、油酸含量、亞油酸含量;其中，實驗測定方法 如下：按照國家標準GB/T 17376-2008規(guī)定的甲醋化方法對食用油樣品進行預處理，預處理 后靜置24小時，并取出已處理食用油樣品的上層清液化L移至氣相色譜儀中，待運行65~75 分鐘后得到氣相色譜圖，最終根據(jù)氣相色譜圖計算得到133份食用油樣品的棟桐酸含量、油 酸含量、亞油酸含量。
[0019] 3、光譜預處理 通過大量實驗研究發(fā)現(xiàn)，在建模前對光譜進行不同的預處理，對模型性能產(chǎn)生的影響 也大不相同，因此預處理方法選取決定了模型的預測性能和適用范圍；采用標準正態(tài)變量 變化和去趨勢技術(shù)聯(lián)用算法可用來消除光譜的基線漂移及光程的影響從而達到簡化模型 提高其預測能力的目的；圖3為133份食用油樣品的預處理光譜圖。
[0020] 4、定量模型的建立 采用偏最小二乘回歸方法分別建立食用油樣品的預處理光譜圖與其棟桐酸含量、油酸 含量、亞油酸含量的定量模型，得到棟桐酸定量模型、油酸定量模型、亞油酸定量模型;模型 評價指標如下表2所示。
[0021] 表2
5、定性模型的建立 將100份食用油校正集樣品的棟桐酸含量、油酸含量、亞油酸含量作為定性模型的輸入 變量，通過支持向量機分類方法建立食用油校正集樣品的定性模型，并采用粒子群優(yōu)化算 法對定性模型中的懲罰因子C和核函數(shù)參數(shù)g進行優(yōu)化，得到優(yōu)化定性模型;其中，采用粒子 群優(yōu)化算法對懲罰因子C和核函數(shù)參數(shù)g進行優(yōu)化時，參數(shù)設置如下：最大進化代數(shù)設為 100,初始種群數(shù)目設為20,學習因子初始值設定為C1=1.5，C2=1.7,進化速度初始值設為 0.6，進化速度更新彈性系數(shù)初始值設為1，種群更新速度彈性系數(shù)初始值設為1，交互驗證 參數(shù)V設為5,懲罰因子C和核函數(shù)參數(shù)g的范圍均設為2-W~21%優(yōu)化得到當懲罰因子C= 204.7351且核函數(shù)參數(shù)g=23.7421時，優(yōu)化定性模型對食用油校正集樣品的鑒別準確率為 100%;其中，粒子群優(yōu)化算法尋優(yōu)結(jié)果圖如圖4所示。
[0022] 6、優(yōu)化定性模型的驗證 將33份食用油預測集樣品的棟桐酸含量、油酸含量、亞油酸含量作為優(yōu)化定性模型的 輸入變量，采用當懲罰因子C=204.7351且核函數(shù)參數(shù)g=23.7421時的優(yōu)化定性模型對33份 食用油預測集樣品的種類進行預測鑒別，并將預測結(jié)果與33份食用油預測集樣品的真實種 類類別進行一一比對，得到優(yōu)化定性模型對食用油預測集樣品的種類鑒別準確率為100%; 其中，33份食用油預測集樣品的預測鑒別結(jié)果圖如圖5所示。
[0023] 盡管本發(fā)明的實施方案已公開如上，但其并不僅限于說明書和實施方式中所列運 用，它完全可W被適用于各種適合本發(fā)明的領(lǐng)域，對于熟悉本領(lǐng)域的人員而言，可容易地實 現(xiàn)另外的修改，因此在不背離權(quán)利要求及等同范圍所限定的一般概念下，本發(fā)明并不限于 特定的細節(jié)和運里示出與描述的圖例。
【主權(quán)項】
1. 一種近紅外光譜法快速鑒別食用油種類的方法，其特征在于，包括如下步驟： 步驟一、樣品選取:選取待鑒別的未知種類的食用油樣品； 步驟二、光譜采集:采集步驟一中選取的未知種類的食用油樣品的近紅外光譜圖； 步驟三、光譜預處理:對步驟二中采集的未知種類的食用油樣品的近紅外光譜圖進行 預處理，得到未知種類的食用油樣品的預處理光譜圖； 步驟四、含量預測:根據(jù)步驟三中得到的未知種類的食用油樣品的預處理光譜圖，依次 采用棕櫚酸定量模型、油酸定量模型、亞油酸定量模型分別預測所述未知種類的食用油樣 品的棕櫚酸含量、油酸含量、亞油酸含量； 步驟五、種類鑒別:根據(jù)步驟四中得到的所述未知種類的食用油樣品的棕櫚酸含量、油 酸含量、亞油酸含量，采用優(yōu)化定性模型對所述未知種類的食用油樣品進行種類鑒別。2. 如權(quán)利要求1所述的近紅外光譜法快速鑒別食用油種類的方法，其特征在于，所述步 驟一中選取的未知種類的食用油樣品為茶籽油、葵花油、大豆油、菜籽油、花生油中的任意 一種。3. 如權(quán)利要求1所述的近紅外光譜法快速鑒別食用油種類的方法，其特征在于，所述步 驟二中的光譜采集條件如下：食用油樣品的采集溫度為60±2°C，近紅外光譜測定范圍為 1350~1800 nm，掃描次數(shù)32次，分辨率為3.5CHT1，測量方式為透射，每個食用油樣品取三次 測量的平均值作為最終采集的近紅外光譜圖。4. 如權(quán)利要求1所述的近紅外光譜法快速鑒別食用油種類的方法，其特征在于，所述步 驟三中對采集的未知種類的食用油樣品的近紅外光譜圖依次進行標準正態(tài)變量變化和去 趨勢技術(shù)聯(lián)用算法預處理，得到未知種類的食用油樣品的預處理光譜圖。5. 如權(quán)利要求1所述的近紅外光譜法快速鑒別食用油種類的方法，其特征在于，所述棕 櫚酸定量模型、油酸定量模型、亞油酸定量模型的建立方法如下： 收集若干不同已知種類的食用油樣品，所述不同已知種類的食用油樣品包括:茶籽油、 葵花油、大豆油、菜籽油和花生油； 采集若干不同已知種類的食用油樣品的近紅外光譜圖，光譜采集方法如步驟二中所 述，并對若干不同已知種類的食用油樣品的近紅外光譜圖依次進行標準正態(tài)變量變化和去 趨勢技術(shù)聯(lián)用算法預處理，得到若干不同已知種類的食用油樣品的預處理光譜圖； 實驗測定若干不同已知種類的食用油樣品的棕櫚酸含量、油酸含量、亞油酸含量； 采用偏最小二乘回歸方法分別建立不同已知種類的食用油樣品的預處理光譜圖與其 棕櫚酸含量、油酸含量、亞油酸含量的定量模型，得到棕櫚酸定量模型、油酸定量模型、亞油 酸定量模型;其中，要求棕櫚酸定量模型、油酸定量模型和亞油酸定量模型的均方根誤差均 < 10%，相關(guān)系數(shù)均2 95%。6. 如權(quán)利要求5所述的近紅外光譜法快速鑒別食用油種類的方法，其特征在于，實驗測 定若干不同已知種類的食用油樣品的棕櫚酸含量、油酸含量、亞油酸含量的方法如下:按照 國家標準GB/T 17376-2008規(guī)定的甲酯化方法對已知種類的食用油樣品進行預處理，預處 理后靜置24小時，并取出已處理已知種類的食用油樣品的上層清液lyL移至氣相色譜儀中， 待運行65~75分鐘后得到氣相色譜圖，最終根據(jù)氣相色譜圖計算得到不同已知種類的食用 油樣品的棕櫚酸含量、油酸含量、亞油酸含量。7. 如權(quán)利要求1所述的近紅外光譜法快速鑒別食用油種類的方法，其特征在于，所述步 驟五中優(yōu)化定性模型的建立方法如下： 收集若干不同已知種類的食用油樣品，所述不同已知種類的食用油樣品包括:茶籽油、 葵花油、大豆油、菜籽油和花生油； 實驗測定若干不同已知種類的食用油樣品的棕櫚酸含量、油酸含量、亞油酸含量； 將若干不同已知種類的食用油樣品中的棕櫚酸含量、油酸含量、亞油酸含量作為定性 模型的輸入變量，通過支持向量機分類方法建立不同已知種類的食用油樣品的定性模型， 并采用粒子群優(yōu)化算法對定性模型中的懲罰因子C和核函數(shù)參數(shù)g進行優(yōu)化，得到優(yōu)化定性 模型。8.如權(quán)利要求7所述的近紅外光譜法快速鑒別食用油種類的方法，其特征在于，采用粒 子群優(yōu)化算法對定性模型中的懲罰因子C和核函數(shù)參數(shù)g進行優(yōu)化時，設置懲罰因子C和核 函數(shù)參數(shù)g的范圍均為2#~21()，設置交互驗證參數(shù)V的范圍為2~8。
【文檔編號】G01N21/359GK105823752SQ201610162211
【公開日】2016年8月3日
【申請日】2016年3月22日
【發(fā)明人】鄭曉, 彭博, 何東平, 涂斌, 陳志 , 吳雙
【申請人】武漢輕工大學