基于近红外光谱鉴别染色橙的方法技术

本发明专利技术公开了一种基于近红外光谱鉴别染色橙的方法，包括如下步骤：(1)采集数据并建立定性模型：采集橙子样品表面采集点的光谱数据，将所述的光谱数据分为预测集和校正集，建立定性模型；(2)主成分分析：进行光谱校正，根据校正图像中定性模型的聚类来确定主成分，将具有相关性的自变量进行数据降维；(3)通过主成分分析鉴别染色橙。本发明专利技术方法具有操作简便、成本低廉的优点。

【技术实现步骤摘要】
基于近红外光谱鉴别染色橙的方法
本专利技术涉及食品染色鉴定领域，具体涉及一种基于近红外光谱鉴别染色橙的方法。
技术介绍
近年来，食品染色给消费者带来安全隐患，也给监管部门带来压力。目前，部分市场出现“染色脐橙”，同时给脐橙产业带来较大的负面影响。而国内外在脐橙方面的研究多集中于内在品质指标检测(如总糖、总酸、糖酸比、可溶性固形物等)农药残留检测及重金属检测，对脐橙染色剂的检测方面相对较少，现有检测方法多采用高效液相色谱技术，该方法前处理步骤繁琐，检测成本高时间长。
技术实现思路
本专利技术的目的是提供一种基于近红外光谱鉴别染色橙的方法，本专利技术方法既快速简便，又无需进行复杂的样品前处理，可以满足市场监管部门快速检测的要求。本专利技术的目的是通过如下方案实现的：一种基于近红外光谱鉴别染色橙的方法，包括如下步骤：(1)采集数据并建立定性模型：采集橙子样品表面采集点的光谱数据，将所述的光谱数据分为预测集和校正集，建立定性模型；(2)主成分分析：进行光谱校正，根据校正图像中定性模型的聚类来确定主成分，将具有相关性的自变量进行数据降维；(3)通过主成分分析鉴别染色橙。进一步的，所述的采集点位于橙子的肩部和赤道部。进一步的，采集点的数量不少于20个，每个采集点的采集数据条数不少于200，所述的预测集与校正集的数据条数比值为1∶9其中预测集数据条数不少于200。进一步的，所述的光谱校正包括对高频随机噪音、基线漂移、样本不均匀、光散射的校正。进一步的，所述的光谱校正方法包括噪声数学校正和散射校正。进一步的，所述的噪声数学校正包括移动平均数、中值滤波和S-G平滑。进一步的，所述的散射校正包括标准化和多元散射校正。进一步的，主成分分析是将原来具有相关性的自变量，通过线性组合的方式重新组合成一组线性无关的综合变量来代替所述的自变量，实现数据降维。与现有技术相比，本专利技术方法至少具有如下有益效果：本专利技术基于近红外光谱技术，采用主成分分析法，将原来具有相关性的自变量，通过线性组合的方式重新组合成一组线性无关的综合变量来代替所述的自变量，实现数据降维，使得染色橙的鉴别既快速简便，又无需进行复杂的样品前处理，可以满足市场监管部门快速检测的要求。附图说明图1为本专利技术实施例1中五类脐橙样品的近红外光谱曲线；图2为本专利技术实施例1中移动平均数处理方式对建模效果的影响；图3为本专利技术实施例1中中值滤波处理方式对建模效果的影响；图4为本专利技术实施例1中S-G平滑处理方式对建模效果的影响；图5为本专利技术实施例1中标准化处理方式对建模效果的影响；图6为本专利技术实施例1中多元散射校正处理方式对建模效果的影响；图7为本专利技术实施例1中主成分解释程度图；图8为本专利技术实施例2中600个校准集样品的主成分1和2的得分图。具体实施方式下面结合具体实施例对本专利技术作进一步详细描述，但不作为对本专利技术的限定。一种基于近红外光谱鉴别染色橙的方法，包括如下步骤：(1)采集数据并建立定性模型：采集橙子样品表面采集点的光谱数据，将所述的光谱数据分为预测集和校正集，建立定性模型；(2)主成分分析：进行光谱校正，根据校正图像中定性模型的聚类来确定主成分，将具有相关性的自变量进行数据降维；(3)通过主成分分析鉴别染色橙。以上方案已经可以实现染色橙的快速鉴别，下面在此基础上给出优选方案：作为优选，所述的采集点位于橙子的肩部和赤道部。具体采集方法：从每个果实赤道部(脐橙最大横向直径处)选择3个相距约120度的点测定果面反射光谱，将平均值作为一个该果实的一个光谱数据，从果实肩部选取3个相距约120度的点测定果面反射光谱，将平均值作为一个该果实的一个光谱数据。采用多检测点平均光谱数据更具有代表性，所建预测模型的精度更高。作为优选，采集点的数量不少于20个，每个采集点的采集数据条数不少于200，所述的预测集与校正集的数据条数比值为1∶9，其中预测集数据条数不少于200。作为优选，所述的光谱校正包括对高频随机噪音、基线漂移、样本不均匀、光散射的校正。作为优选，所述的光谱校正方法包括噪声数学校正和散射校正。作为优选，所述的噪声数学校正包括移动平均数、中值滤波和S-G平滑。作为优选，所述的散射校正包括标准化和多元散射校正。作为优选，主成分分析是将原来具有相关性的自变量，通过线性组合的方式重新组合成一组线性无关的综合变量来代替所述的自变量，实现数据降维。这里要说明的是：采用主成分分析法，将原来具有相关性的自变量，通过线性组合的方式重新组合成一组线性无关的综合变量来代替所述的自变量，实现数据降维，使得染色橙的鉴别既快速简便，又无需进行复杂的样品前处理，可以满足市场监管部门快速检测的要求。下面是具体实施例仪器设备实验使用JDSU公司的MICRONIR1700光谱仪，采样间隔为29ms，测定范围900～1700nm，扫描次数100次。光谱数据分析软件为TheUnscrambler9.7。样品及采集方法实验共采集五类脐橙样品，分别为未染色脐橙、经SUDANI染色脐橙、经SUDANII染色脐橙、经SUDANIII染色脐橙、经SUDANIV染色脐橙，各取40个，共计200个样品。采集光谱时检测探头与待测果实表面垂直，从每个果实赤道部(脐橙最大横向直径处)选择3个相距约120度的点测定果面反射光谱，将平均值作为一个该果实的一个光谱数据，按此方法采集5次，从果实肩部选取3个相距约120度的点测定果面反射光谱，将平均值作为一个该果实的一个光谱数据，按此方法采集5次，每个样品共计10条样品数据。从每类光谱数据中随机抽取40个光谱数据作为预测集，剩下的360个光谱数据作为校正集。每类脐橙分别建立定性模型，共计五个模型。表1样品数据表为了去除来自高频随机噪音、基线漂移、样本不均匀、光散射等影响，需要进行光谱预处理。移动平均数(MovingAverage)、中值滤波(MedianFilter)、S-G平滑(S-Golay)是常采用的滤波方法，成为数字滤波，是对光谱中随机噪声的数学校正。由于食品样品存在较多的散射介质，再加上样品状态、装样条件、仪器测量系统、操作参数、测量环境等特征的影响，散射光谱各个波长点与待测量浓度间是一种复杂的多元关系，而变动的背景使得这种关系难以量化，因此需要对其进行散射校正，常用的校正散射影响的方法有标准化(Normalize)、多元散射校正(Multiplicativescattercorrection，MSC)等。MSC法认为每一条光谱都应该与“理想”光谱成线性光谱，而真正的“理想”光谱无法得到，可以用校正集的平均光谱来近似。经MSC校正的光谱并不就是样品的真实光谱，只能说通过这样的校正，随机变量得到最大可能的扣除。在光谱与浓度线性较好和化学性质相似的情况下，MSC校正的效果较好。主成分分析主成分分析是设法将原来众多具有一定相关性的自变量，通过线性组合的方式重新组合成一组较少的线性无关的综合指标来代替原来的指标，新变量能反映原变量的绝大部分信息。通过这种方式达到数据降维的目的。实验结果与分析五类脐橙的典型近红外光谱曲线如图1所示。图1中横坐标为波长，范围是900～1700nm，纵坐标为光谱漫反射率。从图1中可以看出，不同类别染色橙的光谱曲线有明显区别，并具有一定的特征性和指纹性，这一差异为茶叶的不同品种鉴别奠定本文档来自技高网...

【技术保护点】
一种基于近红外光谱鉴别染色橙的方法，其特征在于，包括如下步骤：(1)采集数据并建立定性模型：采集橙子样品表面采集点的光谱数据，将所述的光谱数据分为预测集和校正集，建立定性模型；(2)主成分分析：进行光谱校正，根据校正图像中定性模型的聚类来确定主成分，将具有相关性的自变量进行数据降维；(3)通过主成分分析鉴别染色橙。

【技术特征摘要】
1.一种基于近红外光谱鉴别染色橙的方法，其特征在于，包括如下步骤：(1)采集数据并建立定性模型：采集橙子样品表面采集点的光谱数据，将所述的光谱数据分为预测集和校正集，建立定性模型；(2)主成分分析：进行光谱校正，根据校正图像中定性模型的聚类来确定主成分，将具有相关性的自变量进行数据降维；(3)通过主成分分析鉴别染色橙。2.根据权利要求1所述的基于近红外光谱鉴别染色橙的方法，其特征在于，所述的采集点位于橙子的肩部和赤道部。3.根据权利要求1所述的基于近红外光谱鉴别染色橙的方法，其特征在于，采集点的数量不少于20个，每个采集点的采集数据条数不少于200，所述的预测集与校正集的数据条数比值为1∶9，其中预测集数据条数不少于200。4.根据权利要求1所...

【专利技术属性】
技术研发人员：乔宁，刘韬，饶敏，桂家祥，
申请(专利权)人：赣州市检验检疫科学技术研究院，
类型：发明
国别省市：江西,36