一种基于多源光谱数据融合结合机器学习算法的高价值油掺伪鉴别方法技术

本发明专利技术涉及油掺伪鉴别技术领域，公开了一种基于多源光谱数据融合结合机器学习算法的高价值油掺伪鉴别方法

【技术实现步骤摘要】
一种基于多源光谱数据融合结合机器学习算法的高价值油掺伪鉴别方法


[0001]本专利技术涉及油掺伪鉴别
，尤其涉及一种基于多源光谱数据融合结合机器学习算法的高价值油掺伪鉴别方法
。

技术介绍

[0002]山茶油取自山茶属山茶科油茶树的种籽，是我国独有的传统食用植物油，色泽清亮，滋味丰富，是一种营养丰富的食用油
。
山茶油含不饱和脂肪酸
93
％
(
其中油酸
82
％，亚油酸
11
％
)
及富含抗氧化剂和具有消炎功效的角鲨烯，角鲨烯与黄酮类物质，对抗癌有着极佳的作用；山茶油还富含维生素
E
和钙
、
铁
、
锌等微量元素，被医学家和营养学家誉为“生命之花”的锌元素，含量是大豆油的
10
倍，山茶油中所含氨基酸的种类是所有食用油中最多的
。
因此天然的山茶油是一种实在的高品质油，在买家心中的高价值油，但现实市场中，部分不良商家为谋取高额利润，将大豆油
、
玉米油等一些低价食用油掺杂入山茶油中，更有甚者将一些质量低下的食用油掺入山茶油中，严重侵犯消费者利益，造成市场混乱，甚至威胁健康
。
目前，针对山茶油这类高价值油掺伪的检测方法普遍存在耗时耗力的缺陷，因此，寻求一种快速
、
高效
、
绿色的高价值油掺伪检测方法具有重要意义
。
[0003]目前采用光谱来检测油的化学成份是一种快捷精确的方法，但油是一种天然产物，受原料
、
工艺影响较大，所含化学物质浓度不会精准在一个数据点上，存在一定的数值范围，而不同油的化学成份含量范围容易重叠，给油本身的化学成份精确分析带来很大困难，更加提升了掺伪油的分辨难度
。
[0004]中国现有专利申请号为
20151087086.8
公开了基于多源光谱数据融合的花生油掺伪定量检测方法，通过采集所有掺伪油样的拉曼光谱图和近红外光谱图：光谱数据融合；将预处理的拉曼光谱图和近红外光谱图进行数据层融合，得到融合光谱图；掺伪定量模型建立；对融合光谱图进行特征波长提取，并通过多元定量校正方法建立花生油样的掺伪定量模型；模型验证；待测样品分析
。
但该专利仅限于花生油一种的定量掺伪，并且市场的掺伪油种类多样，如果贸然推广到其它油类的辨识，其泛化效果和精准性控制效果都存疑
。

技术实现思路

[0005]针对现有技术中油类掺伪分辨技术方案覆盖范围不够广泛，无法统一的处理多种油品掺伪分辨，本专利技术提供一种基于多源光谱数据融合结合机器学习算法的高价值油掺伪鉴别方法，应用范围广泛，所得结果精准
。
[0006]本专利技术以以下技术方案实现：
[0007]一种应用广泛的高价值油掺伪鉴别方法，包括以下步骤：
[0008]1)
油样准备：将多种不同体积的低价值油随机掺入待鉴别的高价值油得到若干份掺伪油再加上数份未掺伪的高价值油为实验组，并保留一份未掺伪的高价值油为对照组，所有油样保持相同体积；
[0009]2)
光谱采集：将步骤
1)
制备的掺伪油实验组和高价值油对照组分别用多种光谱仪采集光谱图；
[0010]3)
光谱数据融合：将步骤
2)
制备的所有光谱图使用光谱分析软件进行预处理，将预处理后的油样光谱数据进行数据层融合，得到融合光谱图，对应不同油样分为实验组融合光谱图和对照组融合光谱图；
[0011]4)
定性分辨实验组中的掺伪油：将步骤
3)
制备的各实验组融合光谱图与各对照组融合光谱组用所述光谱分析软件计算相似度，实验组融合光谱图中与所有对照组融合光谱图相似度都小于
0.98
的光谱被认为掺伪，得到掺伪油光谱图，采用差谱计算得到标准融合光谱图验证掺伪油光谱图与对照组融合光谱图的差异大小；
[0012]5)
定量分析掺伪油光谱图中掺伪油的含量：对步骤
4)
中的所述对照组光谱图和掺伪油光谱图
、
标准融合光谱图进行特征波长提取，采用步骤
4)
差谱计算所用的标准融合光谱图及特征波长数据通过多种机器学习算法建立掺伪鉴别模型，分类识别掺伪油光谱图内的掺伪油的含量；
[0013]6)
模型性能评价：采用受试者工作特征
ROC
曲线及其曲线下面积
AUC
评估不同机器学习算法模型的性能
。
[0014]根据不良商家的赚钱心理，他们往往会把高价值油掺杂其它低价值油后，将纯高价值油的价格标上再以打折让利为名以吸引顾客，因此可以直接用纯高价值油来做为对照组，经过相似度分析辨识实验组中的纯高价值油和掺伪油做为先验知识，因
0.98
的相似度做为分类标准存在人为经验因素，再采用差谱技术得到标准融合光谱图，用高价值油的光谱标准区域
AV
±
3SD
在定量放大显示掺伪油与纯高价值油的区别，可消除人为经验因素分类带来的误差，再采用标准融合光谱图和机器学习方法建立掺伪鉴别模型，分别分类识别掺伪油光谱图中的低价值油含量
。
[0015]优选的，步骤
2)
中的光谱仪为近红外光谱
、
中红外光谱
、
荧光光谱
、
拉曼光谱中的一种或多种
。
[0016]优选的，步骤
3)
中所述的预处理包括将所述光谱图导入所述光谱分析软件依次进行自动基线校正
、
多元散射校正
、
标准正态变换
、
一阶导数和二阶导数预处理，荧光光谱图还包括异常值删除和空白替换预处理
。
[0017]优选的，步骤
3)
中所述数据层融合方法为将预处理后的各种光谱数据的横坐标首尾相接融合，并共用同一纵坐标，即得到融合光谱图
。
[0018]优选的，步骤
2)
和步骤
4)
中的所述光谱分析软件包括
Omnic Specta、OPUS、LabSpec
和
TQ
‑
Analyst
中的一种或多种；所述相似度计算采用相关系数法和余弦夹角法
。
[0019]优选的，所述步骤
4)
中的所述差谱计算方法为取数份不同产地的高价值油中以不同体积掺入单一有机溶剂，测得光谱图经过预处理并融合得到标准融合光谱图，作统计学处理，得到平均光谱
AV
和相对标准偏差
SD
，从而建立高价值油的光谱标准区域
AV
±
3SD
，根据实验组融合光谱图是否落在所述光谱标准区域内判定是否为同一物质<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种应用广泛的高价值油掺伪鉴别方法，其特征在于，包括以下步骤：
1)
油样准备：将多种不同体积的低价值油随机掺入待鉴别的高价值油得到若干份掺伪油再加上数份未掺伪的高价值油为实验组，并保留数份未掺伪的高价值油为对照组，所有油样保持相同体积；
2)
光谱采集：将步骤
1)
制备的掺伪油实验组和高价值油对照组分别用多种光谱仪采集光谱图；
3)
光谱数据融合：将步骤
2)
制备的所有光谱图使用光谱分析软件进行预处理，将预处理后的油样光谱数据进行数据层融合，得到融合光谱图，对应不同油样分为实验组融合光谱图和对照组融合光谱图；
4)
定性分辨实验组中的掺伪油：将步骤
3)
制备的各实验组融合光谱图与各对照组融合光谱组用所述光谱分析软件计算相似度，实验组融合光谱图中与所有对照组融合光谱图相似度都小于
0.98
的光谱被认为掺伪，得到掺伪油光谱图，采用差谱计算得到标准融合光谱图验证掺伪油光谱图与对照组融合光谱图的差异大小；
5)
定量分析掺伪油光谱图掺伪油含量：对步骤
4)
中的所述掺伪油光谱图和标准融合光谱图进行特征波长提取，采用标准融合光谱图及特征波长数据通过多种机器学习算法建立掺伪鉴别模型，分类识别掺伪油光谱图内掺伪油的含量；
6)
模型性能评价：采用受试者工作特征
ROC
曲线及其曲线下面积
AUC
评估不同机器学习算法模型的性能
。2.
根据权利要求1所述的一种应用广泛的高价值油掺伪鉴别方法，其特征在于，步骤
2)
中的光谱仪为近红外光谱
、
中红外光谱
、
荧光光谱
、
拉曼光谱中的一种或多种
。3.
根据权利要求1所述的一种应用广泛的高价值油掺伪鉴别方法，其特征在于，步骤
3)
中所述的预处理包括将所述光谱图导入所述光谱分析软件依次进行自动基线校正
、
多元散射校正
、
标准正态变换
、
一阶导数和二阶导数预处理，荧光光谱图还包括异常值删除和空白替换预处理
。4.
根据权利要求3所述的一种应用广泛的高价值油掺伪鉴别方法，其特征在于，步骤
3)
中所述数据层融合方法为将预处理后的各种光谱数据的横...

【专利技术属性】
技术研发人员：丁利，吕壮，兰梓溶，代婷玉，许宙，陈茂龙，程云辉，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：