用于预测食用油样品的油掺杂的定量量度的方法和系统技术方案

根据实施方案，提供了用于预测食用油样品的油掺杂的定量量度的方法。所述方法包括：接收所述食用油样品的光谱数据的至少一部分；提供能够生成所述食用油样品中的掺杂物的预测的单一预测模型，其中所述单一预测模型是包括深度神经网络的非线性模型；以及使用所述单一预测模型处理所述光谱数据的所述至少一部分。根据进一步的实施方案，还提供了计算机可读存储介质，其包括计算机可读指令，所述计算机可读指令在由计算机执行时可操作用于预测所述食用油样品的油掺杂的定量量度。根据更进一步的实施方案，提供了用于预测食用油样品的油掺杂的定量量度的设备或系统。

【技术实现步骤摘要】
用于预测食用油样品的油掺杂的定量量度的方法和系统相关申请的交叉引用本申请要求2018年12月21日提交的新加坡专利申请号10201811511R的优先权，该专利申请以其全部内容并入本文参考。
多个实施方案涉及用于预测食用油样品的油掺杂的定量量度的方法及用于其的设备或系统。
技术介绍
油掺杂的预测已被广泛地公开。先前的出版物描述了例如在特级初榨橄榄油和芝麻油中的应用。可以使用不同的技术来测定油掺杂，例如，基于DNA的标记筛选、使用傅立叶变换近红外(FT-NIR)、傅立叶变换中红外(FT-MIR)和拉曼光谱的快速筛选，或者预测模型。在基于DNA的标记筛选中，将来自不同植物来源的DNA用于鉴定掺杂。该技术的优点是，DNA水平标记提供了不可反驳的掺杂证据。然而，基于DNA的标记筛选有几个不利的缺点。例如，该筛选技术是破坏性的过程，因此用于筛选的样品不能回收。此外，DNA提取是缓慢的过程并且需要大的样品量。最重要的是，由该类型的技术构建的模型主要是定性的，因为其难以从DNA中定量被掺加的油。使用FT-NIR、FT-MIR和拉曼光谱的快速筛选使用通过透射或反射测量的光能量来检测样品中包含的化学标志(chemicalsignatures)。与基于DNA的标记筛选相比，该技术是快速且非破坏性的过程。可以建立定量模型来从丰富的数据集挖掘信息。主要缺点是与FT-NIR、FT-MIR或拉曼光谱相关的特征不是特定化合物存在的直接证据。因此，不确定性和不准确性的水平相对较高。基于DNA标记的技术和快速筛选技术均提供了技术平台来提供特征丰富的数据集，但是这些技术并不能提供鉴别或预测结果的方式。因此，将提供数据采集的技术与建模技术相结合，以使得特征可以与样品的定性构成或样品的定量组成相关联。对于油掺杂最常用的技术是称为偏最小二乘法(PLS)的线性计算方法。例如，PLS1是当PLS用于定量的单一结果而被建模时的情况。先前的出版物已经描述了在多个单一结果上使用PLS1来模拟不同掺杂物的预测。在该出版物中，建立了四个模型来预测四种不同的掺杂物。使用PLS1的缺点是必须证实多个预测结果，并且对结果的解释既不容易也不直接。例如，油1在油-A中掺杂了10％，但是有四种模型来预测油1、油2、油3和油4的掺杂。来源于模型1的预测可能给出正确的10％掺杂水平，但模型2至4也可能如此，每个模型都预测出非零的掺杂物水平。因此，鉴于有四种模型来评估，难以确定事实并区分哪种掺杂物被掺加。PLS一般用于单一油结果的主要原因是掺杂一种油在光谱数据中生成线性特征。然而，当掺杂多于一种的油时，或者当存在多于一个品牌的油时，或者当油从不同的地理位置获得时，或者当油通过不同的加工技术获得时，所生成的信号可能是非线性的，因此使得PLS不适合预测更复杂的样品。研发还集中在快速技术上，如通常具有掺杂的定性测定的FT-NIR、FT-MIR和拉曼光谱。掺杂的定量测定可能使用偏最小二乘法(例如，PLS-DA和PLS1)并以特异于一种掺杂物的方式进行建模。该过程可能需要对几个建模结果进行仔细的解释以辨认存在哪些特定的掺杂物，并且在多个模型上聚集的误差使得在工业应用中要求掺杂水平变得不切实际，因为其需要一定程度的人为干预来解释模型结果。因此，需要预测油掺杂的定量量度并捕获不变的掺杂信息的方法和系统，从而至少解决上文提到的问题并满足能够推广到盲样品和盲品牌的工业需求。
技术实现思路
根据一个实施方案，提供了一种用于预测食用油样品的油掺杂的定量量度的方法。所述方法可以包括：接收所述食用油样品的光谱数据的至少一部分；提供能够生成所述食用油样品中的掺杂物的预测的单一预测模型，其中所述单一预测模型是包括深度神经网络的非线性模型；以及使用所述单一预测模型处理所述光谱数据的所述至少一部分。根据一个实施方案，提供了一种计算机可读存储介质，其包括计算机可读指令，所述计算机可读指令在由计算机执行时可操作用于预测食用油样品的油掺杂的定量量度。可以将所述计算机可读指令配置为执行根据各种实施方案的方法。根据一个实施方案，提供了一种设备或系统。所述设备或系统可以包括：接收单元，其被配置为接收食用油样品的光谱数据的至少一部分；存储器，其用于存储能够生成所述食用油样品中的掺杂物的预测的单一预测模型，其中所述单一预测模型是包括深度神经网络的非线性模型；以及处理器，其被配置为访问存储在所述存储器中的所述单一预测模型以执行根据多个实施方案的方法的步骤，以生成所述食用油样品中的油掺杂的定量量度的预测。附图说明在附图中，在不同的视图中，相同的附图标记通常指代相同的部分。附图不一定按比例绘制，而是通常将重点放在说明本专利技术的原理上。在以下描述中，参考以下附图描述了本专利技术的多个实施方案，其中：图1A示出了说明根据多个实施方案的用于预测食用油样品的油掺杂的方法的流程图。图1B示出了根据多个实施方案的用于预测食用油样品的油掺杂的设备或系统的示意图。图2A至2N示出了表示最终PLS2实验结果的图表，其以量百分比的方式反映了花生油以及掺杂物大豆油和葵花油的预测分布。图3A至3N示出了表示最终深度学习实验结果的图表，其以量百分比的方式反映了花生油以及掺杂物大豆油和葵花油的预测分布。图4示出了根据一个实施方案的基于不同品牌测试的线性隐空间中的数据的图形表示。图5示出了根据一个实施方案的基于不同品牌测试的非线性变换空间中的数据的图形表示。图6A至6J示出了表示盲品牌测试的最终PLS2结果的图表，其以量百分比的方式反映了花生油以及掺杂物大豆油和葵花油的预测分布。图7A至7J示出了表示盲品牌测试的最终深度学习结果的图表，其以量百分比的方式反映了花生油以及掺杂物大豆油和葵花油的预测分布。图8示出了根据多个实施方案的深度学习模型的示意图。图9A至9C示出了说明根据多个实施方案的实际掺杂与基于FT-NIR、基于拉曼光谱以及基于FT-NIR和拉曼光谱的组合的预测掺杂之间的关系的各自图表。图10示出了说明从图9A至9C的分析获得的交叉验证均方根误差(RMSECV)的图表。具体实施方式以下详细描述参照附图进行，所述附图通过示例的方式示出了可以实施本专利技术的具体细节和实施方案。足够详细地描述这些实施方案，以使本领域技术人员能够实施本专利技术。在不脱离本专利技术范围的情况下，可以利用其它实施方案，并且可以进行结构、逻辑和电学方面的改变。多个实施方案不一定相互排斥，因为一些实施方案可以与一个或多个其它实施方案组合以形成新的实施方案。在其中一种方法或装置/设备中的上下文中描述的实施方案对于其它方法或装置/设备类似地有效。相似地，在方法的上下文中描述的实施方案对于装置类似地有效，反之亦然。在一个实施方案的上下文中描述的特征可以相应地适用于其它实施方案中相同或相似的特征。在一个实施方案的上下文中描述的特征可以相应地适用于其它实施方案，即便这些特征在这本文档来自技高网...

【技术保护点】
1.一种用于预测食用油样品的油掺杂的定量量度的方法，所述方法包括：/n接收所述食用油样品的光谱数据的至少一部分；/n提供能够生成所述食用油样品中的掺杂物的预测的单一预测模型，其中所述单一预测模型是包括深度神经网络的非线性模型；以及/n使用所述单一预测模型处理所述光谱数据的所述至少一部分。/n

【技术特征摘要】
20181221 SG 10201811511R1.一种用于预测食用油样品的油掺杂的定量量度的方法，所述方法包括：
接收所述食用油样品的光谱数据的至少一部分；
提供能够生成所述食用油样品中的掺杂物的预测的单一预测模型，其中所述单一预测模型是包括深度神经网络的非线性模型；以及
使用所述单一预测模型处理所述光谱数据的所述至少一部分。


2.根据权利要求1所述的方法，其中从特征的矩阵构建所述单一预测模型，其中每个特征对应于在特定波数的所述光谱数据的强度。


3.根据权利要求1或2所述的方法，其中所述食用油样品选自花生油样品、橄榄油样品、玉米油样品、椰子油样品、棉籽油样品、棕榈油样品、芥花油样品、红花油样品、芝麻油样品、大豆油样品、葵花油样品、山茶籽油样品、胡麻籽(亚麻籽)油样品以及具有相对较高比例的某些脂肪酸的油样品，包括高芥酸菜籽油、低芥酸菜籽油或高油酸葵花油。


4.根据权利要求3所述的方法，其中所述食用油样品是花生油样品。


5.根据前述权利要求中任一项所述的方法，进一步包括生成所述食用油样品中的至少两种掺杂物...

【专利技术属性】
技术研发人员：林俊良，温特济祖·埃勒雅尔德奥昌蒂瑙，阮氏金银，舒鲁蒂·戈帕尔克里希纳·基尼，
申请(专利权)人：丰益国际有限公司，
类型：发明
国别省市：新加坡;SG