一种激光诱导荧光植物油掺杂浓茶水鉴定方法与流程

本发明涉及食品安全检测领域，具体是一种激光诱导荧光植物油掺杂浓茶水鉴定方法。

背景技术：

油脂是人体七大营养素之一，不同种类的食用油对于人体的健康起到不同的保健作用，平常家里使用的食用油以植物油居多，植物油是人体脂肪酸的必要来源，相比于其他动物油脂，植物油更加健康。个别不法商人为了牟取暴利，在植物油中掺杂浓茶水等来冒充纯净植物油。

目前常用的植物油检测方法主要是气相色谱法、液相色谱法等进行定量分析实验，但是这些检测方法不仅需要的实验设备体型庞大、价格昂贵，还需要专业工作人员进行一系列复杂的操作，耗时费力，不容易快速且便捷的实现。

激光诱导荧光(laserinducedfluorescencespectroscopy,lif)技术具有响应速度快、灵敏度高、便于实时操作等特点，植物油在激光的照射下，会产生特定的荧光，荧光数据的光谱图可以反映出待测样品的相关信息，lif技术结合差分灰狼优化算法(de-gwo)和多分类支持向量机算法(msvc)对于掺假植物油的精准识别有着重要的研究价值与深远的影响。

技术实现要素：

本发明的目的是提供一种激光诱导荧光植物油掺杂浓茶水鉴定方法，以改变现有植物油鉴定方法的不足，该方法能够实现对植物油种类的快速、精准识别。

为了实现上述目的，本发明采用如下技术方案：

一种激光诱导荧光植物油掺杂浓茶水鉴定方法，包括以下步骤：

(1)油样原始荧光光谱数据的采集：采用激光诱导荧光光谱仪测得掺杂不同比例茶叶水的油样光谱数据，获取油样的原始荧光光谱数据。

(2)油样原始荧光光谱预处理：为了消除光谱数据的噪声干扰，需要采用滑动平均法(moving-average)对原始荧光光谱数据进行去噪处理。

(3)油样数据样本集划分：采用kennard-stone划分方法将荧光光谱数据划分成训练集和测试集。

(4)de-gwo优化参数：在训练集上建立msvc模型，训练过程中用de-gwo算法对模型最佳惩罚系数c和核函数参数g进行优化。

(5)模型结果测试：将测试集上的光谱数据作为de-gwo-msvc模型的输入，从而进行不同种类油样的识别。

所述的步骤(1)中，实验所选择的是usb2000+型激光诱导荧光光谱仪(美国oceanoptics公司)，光谱全波段范围是340～1021nm，激光器使用405nm蓝紫光半导体激光器。

所述的步骤(2)中，滑动平均法滤波器的窗宽值设为3。

所述的步骤(3)中，训练集与测试集样本数划分比例为3:1。

所述的步骤(4)中，训练过程中用de-gwo算法对模型最佳惩罚系数c和核函数参数g进行优化，其具体步骤如下：

(41)将moving-average去噪处理后的荧光光谱数据进行归一化操作；

(411)选择径向基函数(rbf)作为msvc的核函数；

(412)惩罚系数c和核函数参数g设定在[a^-q,a^q]区间范围内，基于k折交叉验证进行训练；

(42)父代灰狼、突变灰狼和子代灰狼，这三个规模相同的群体由可行域x＝{x1,x2,...xn}生成，总体为w＝{w¹,w²,...w^z}，个体为

(43)初始化父代、突变和子代种群，按照非递减顺序对父代灰狼群体进行排序，搜索到灰狼前三个个体；

(44)初始化参数c，r，t，c的值呈现递减趋势，r和t为系数向量，在迭代过程中不断更新父代灰狼群体的位置，更新公式为：

s(t+1)＝[(sα-n1|s-e1xα|)+(sβ-n2|s-e2xβ|)+(sγ-n3|s-e3sγ|)]/3

式中，sα,sβ,sγ为被捕食者所在方位，n1,n2,n3,e1,e2,e3为比例系数；

(45)引入de算法将突变、交叉选择的过程应用于改变狼群的当前位置，产生突变的灰狼群体，如下式：

q(φ)＝s1(φ)+ξ·(s2(φ)-s3(φ))

其中，φ为迭代次数，ξ为缩放因子，φ＝0,1,2,...,l；

(46)当时，则令式中，f(δ)表示子代目标函数值，表示父代目标函数值；

(47)更新参数c，r，t，即式：

r＝2cl1-c

b＝2l2

式中，l1,,l2为任意向量，m为迭代的总次数；

(48)如果迭代次数达到最大值，则结束de-gwo的寻优过程，得到参数出c，g的最优解，否则继续从步骤(45)执行。

所述的步骤(5)中，根据测试集油样的激光诱导荧光光谱数据分类图、分类正确率来分析所建立模型的识别性能和泛化能力。

有益效果：

本发明与现有技术相比，其有益效果体现在：激光诱导荧光技术用于植物油掺杂浓茶水鉴定较传统的气相色谱、液相色谱等化学分析方法，有着操作简单、便携性高、识别检测速度快等特点。一般的pso算法容易造成结果处在极值最优点处，精度不高；ga算法虽然能找到全局最优，但过程复杂、收敛速度慢；采用de-gwo能有效避免上述算法的弊端，并结合msvc用于激光诱导荧光植物油掺杂浓茶水分类鉴别，具有很高的分类正确率和实际应用价值，泛化能力强，非常适用于掺假植物油的实时精准检测与推广。

附图说明

图1是本发明的流程图；

图2是本发明的de-gwo寻优msvc参数的算法流程图。

具体实施方式

以下通过具体实施例与附图对本发明做进一步解释说明。

本发明研发了一种激光诱导荧光植物油掺杂浓茶水鉴定方法，将de-gwo-msvc与激光诱导荧光技术有机结合，利用便携式荧光光谱仪设备对油样的荧光光谱数据进行采集，形成不同种类油样的荧光光谱图；首先，采用moving-average法对原始光谱数据进行去噪处理，以消除噪声数据对实验结果的影响，利用kennard-stone法划分出训练集、测试集，再利用de-gwo对msvc在训练集上进行模型训练和参数寻优，最后将测试集用于模型分类结果测试和性能验证。

本发明在de-gwo-msvc与激光诱导荧光技术有机结合的情况下研究出一种激光诱导荧光植物油掺杂浓茶水鉴定方法，具体步骤如下：

(1)油样原始荧光光谱图的提取：所选择的是usb2000+型激光诱导荧光光谱仪(美国oceanoptics公司)，光谱全波段范围是340～1021nm，激光器使用405nm蓝紫光半导体激光器，激光入射波长设定值为405nm，激光入射功率可调节范围为100～130mw，实验设定值为120mw；spectrasuite作为光谱数据的采集记录软件，采取纯大豆油、浓茶水、大豆油和浓茶水按体积比(1:1、1:3、3:1)混合的五种油样样本，获取油样的原始荧光光谱数据。

(2)油样原始荧光光谱预处理：采集到的光谱数据中含有大量的噪声信号，这些噪声信号不仅会影响分类结果的预判，还会给实验带来一定的误差，采用效果比较好的滑动平均法(moving-average)对原始荧光光谱数据进行去噪处理。

(3)油样数据样本集划分：采用kennard-stone划分方法将荧光光谱数据按3:1的比例划分成训练集和测试集。

(4)de-gwo优化参数：训练过程中用de-gwo算法对模型最佳惩罚系数c和核函数参数g进行优化，其具体步骤如下：

(41)将moving-average去噪处理后的荧光光谱数据归一化到(0,1)区间；

(411)选择径向基函数(rbf)作为msvc的核函数；

(412)惩罚系数c和核函数参数g设定在[2^-8,2⁸]区间范围内，基于5折交叉验证进行训练；

(42)父代灰狼、突变灰狼和子代灰狼，这三个规模相同的群体由可行域x＝{x1,x2,...xn}生成，总体为w＝{w¹,w²,...w^z}，个体为种群规模为20。

(43)初始化父代、突变和子代种群，按照非递减顺序对父代灰狼群体进行排序，搜索到灰狼前三个个体，分别记为α，β和γ。

(44)初始化参数c，r，t，c的值呈现递减趋势，r和t为系数向量，设置迭代次数为100，在迭代过程中不断更新父代灰狼群体的位置，更新公式为：

s(t+1)＝[(sα-n1|s-e1sα|)+(sβ-n2|s-e2sβ|)+(sγ-n3|s-e3sγ|)]/3

式中，sα,sβ,sγ为被捕食者所在方位，n1,n2,n3,e1,e2,e3为比例系数；

(45)引入de算法将突变、交叉选择的过程应用于改变狼群的当前位置，产生突变的灰狼群体，如下式：

q(φ)＝s1(φ)+ξ·(s2(φ)-s3(φ))

其中，φ为迭代次数，ξ为缩放因子，下界ξ＝0.3，上界ξ＝0.9，φ＝0,1,2,...,100；

(46)当时，则令式中，f(δ)表示子代目标函数值，表示父代目标函数值；

(47)更新参数c，r，t，即式：

r＝2cl1-c

b＝2l2

式中，l1,,l2为任意向量，m为迭代的总次数；

(48)如果迭代次数达到100，则结束de-gwo的寻优过程，得到参数出c，g的最优解，否则继续从步骤(45)执行。

(5)模型结果测试：根据测试集油样的激光诱导荧光光谱数据分类图、分类正确率来分析所建立模型的识别性能和泛化能力。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。