一种基于近红外-拉曼联用的植物油定性方法与流程

本发明涉及近红外-拉曼联用
技术领域：
，尤其涉及一种基于近红外-拉曼联用的植物油定性方法。
背景技术：
：近红外光谱定量关系好，可以准确反映样品各组分的质量组成关系；不受荧光等外界激发光的影响；体现样品整体性质。但是存在分辨率差，即使信息全部存在于谱图中，也难以有效辨识。存在散射光抬升基线；组分加和性作为定性判断不是充分条件，掺杂或者配比条件下，不能给出充分判断。拉曼光谱细节充分，可以给出样品中不同组分的指纹，即使相同基团在不同环境下的拉曼光谱也存在差异；分辨率高，可提供更多信息对结果做充分判断；提供样品独立性质。但是定量关系复杂，难以从单一谱图判断样本的同一性；荧光干扰大、细节组合数量大，造成完成定性的必要性判断难度大。因此两种光谱从定性分析的可行性和完备性的充分必要判断而言，存在良好的互补关系。2d图像比较于列表判断或者含量分布区-指纹区的分别对照，更为清晰直观，是一种较好的可视化表达方式。可以同时表达联用的信息的交互关系，同时展示样品的含量分布-基团指纹的交互关系，即：相同含量-不同指纹，或者相同指纹-不同含量都能够轻易地直接区分。直接光谱具有符合传统认知的优点，但是，基线和背景的干扰对于谱图一致性判断和验证带来很大干扰。采用二阶导数处理后的谱图，可以显著消除低频的基线和背景干扰，显著降低测量环境的影响；同时，导数处理后有效提升了谱图的分辨率，提高重叠峰的识别能力，指纹特性更为清晰。技术实现要素：为了解决上述相关领域中的不足，本发明提供一种基于近红外-拉曼联用的植物油定性方法。本发明的一种基于近红外-拉曼联用的植物油定性方法是通过以下技术方案实现的：一种基于近红外-拉曼联用的植物油定性方法，包括：步骤1，测样：测定同一样本的拉曼光谱和近红外光谱，重复多次；步骤2，选择数据：分别选择拉曼和近红外的特征响应波段范围，截取数据；步骤3，求导：采用降噪-高阶导数算法，分别对所截取的拉曼光谱和近红外光谱求取二阶导数谱；步骤4，构造矩阵：对步骤3得到的拉曼光谱的二阶导数谱和近红外光谱的二阶导数谱分别进行预处理，分别得到拉曼光谱r和近红外光谱n；然后，以拉曼光谱r作为行向量，近红外光谱n作为列向量，点乘，构成矩阵rn＝r·n；步骤5，根据步骤4得到的矩阵rn，绘制该矩阵rn的等高线图，即得到红外-拉曼联用特征图；步骤6，根据待测样品的红外-拉曼联用特征图与已知来源样品的标准谱图进行比对，根据待测样品与标准谱图的符合置信度进行评价，即可知晓待测样品的种类。优选地，步骤4中所述预处理是将二阶导数谱的峰翻转为正值，保留谱图大于0的部分，或大于体系噪声部分的峰。优选地，所述求取二阶导数谱是将各次测量光谱降噪-求导后，再进行累加，然后即可得到该样本的近红外或拉曼二阶导数谱。优选地，所述已知来源样品的标准谱图包括通过分别绘制多个已知来源相同样品的2d谱图，保留这些样品的2d谱图交集，即得到标准2d源图；所述2d谱图是经过步骤1-5处理后的红外-拉曼联用特征图。优选地，所述符合置信度是指待分析样本与标准样本2d图重叠后的谱图夹角小于0.1。优选地，所述步骤4中降噪-高阶导数算法包括s-g导数平滑滤波算法。优选地，步骤1所述的制样是吸取1ml油样样品至测试管中，然后将测试管置于光谱采集附件中，待测。优选地，所述步骤2中重复测试至少10次。优选地，所述多个为不少于5个。本发明与现有技术相比而言，具有以下有益效果：1)拉曼和近红外两种光谱存在良好的互补关系。2d图像比较于列表判断或者含量分布区-指纹区的分别对照，更为清晰直观，是一种较好的可视化表达方式。2)采用二阶导数处理后的谱图，可以显著消除低频的基线和背景干扰，显著降低测量环境的影响；同时，导数处理后有效提升了谱图的分辨率，提高重叠峰的识别能力，指纹特性更为清晰。附图说明附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。图1为本发明实施例1中7种橄榄油样本的拉曼光谱图；图2为本发明实施例1中7种橄榄油样本的近红外光谱图；图3为本发明实施例1中315#橄榄油样本的拉曼二阶导数图；图4为本发明实施例1中315#橄榄油样本的近红外二阶导数图；图5为本发明实施例1中归一化的315#橄榄油样本的拉曼二阶导数图；图6为本发明实施例1中归一化的315#橄榄油样本的近红外二阶导数图；图7为本发明实施例1中7种橄榄油样本的红外-拉曼联用特征图；图8为本发明实施例2中3种油样样本的拉曼光谱图；图9为本发明实施例2中3种油样样本的近红外光谱图；图10为本发明实施例2中3种油样样本的红外-拉曼联用特征图。具体实施方式以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。本发明中未详细说明的工作原理属于现有技术和本领域的公知常识，本
技术领域：
的技术人员应当知晓。一种基于近红外-拉曼联用的植物油定性方法，包括：步骤1，测样：测定同一样本的拉曼光谱和近红外光谱，重复多次；步骤2，选择数据：分别选择拉曼和近红外的特征响应波段范围，截取数据；步骤3，求导：采用降噪-高阶导数算法，分别对所截取的拉曼光谱和近红外光谱求取二阶导数谱；步骤4，构造矩阵：对步骤3得到的拉曼光谱的二阶导数谱和近红外光谱的二阶导数谱分别进行预处理，分别得到拉曼光谱r和近红外光谱n；然后，以拉曼光谱r作为行向量，近红外光谱n作为列向量，点乘，构成矩阵rn＝r·n；步骤5，根据步骤4得到的矩阵rn，绘制该矩阵rn的等高线图，即得到红外-拉曼联用特征图；步骤6，根据待测样品的红外-拉曼联用特征图与已知来源样品的标准谱图进行比对，根据待测样品与标准谱图的符合置信度进行评价，即可知晓待测样品的种类。优选地，步骤4中所述预处理是将二阶导数谱的峰翻转为正值，保留谱图大于0的部分，或大于体系噪声部分的峰。优选地，所述求取二阶导数谱是将各次测量光谱降噪-求导后，再进行累加或平均，然后即可得到该样本的近红外或拉曼二阶导数谱。优选地，所述已知来源样品的标准谱图包括通过分别绘制多个已知来源相同样品的2d谱图，保留这些样品的2d谱图交集，即得到标准2d源图；所述2d谱图是经过步骤1-5处理后的红外-拉曼联用特征图。优选地，所述符合置信度是指待分析样本与标准样本2d图重叠后的谱图夹角小于0.1。优选地，所述步骤4中降噪-高阶导数算法包括s-g导数平滑滤波算法。优选地，步骤1所述的制样是吸取1ml油样样品至测试管中，然后将测试管置于光谱采集附件中，待测。优选地，所述步骤2中重复测试至少10次。优选地，所述多个为不少于5个。实施例1选择7种橄榄油作为分析样本，其各种油信息见表1所示。表1橄榄油样本信息编号名称产地果实年份307特级初榨橄榄油西班牙2019308特级初榨橄榄油澳大利亚2019311特级初榨橄榄油西班牙2019313特级初榨橄榄油意大利2017314特级初榨橄榄油西班牙2019315特级初榨橄榄油西班牙2020310混合油橄榄果渣油意大利20161.样本的拉曼和近红外光谱采集吸取1ml油样样品至测试管中，置于光谱采集附件中，采用近红外-拉曼双融合光谱仪(上海如海光电科技有限公司)采集各样本的光谱，重复测量同一样本的拉曼和近红外光谱，重复次数10次。其中：近红外光谱采集参数：积分时间2ms；像素平滑0；平均次数1；通管平衡1124；拉曼光谱采集参数：中心波长785nm；激光功率400mw；积分时间1000ms；平均次数1。2.分别选择各样本的拉曼和近红外光谱的可用波段范围，截取分析数据。7种橄榄油的拉曼和近红外光谱分别如图1、图2所示。3.采用降噪-高阶导数算法(例如s-g导数平滑滤波)，计算测量并选取后的光谱，各次测量光谱降噪-求导后，再进行累加，分别求取得到7种油样本的近红外和拉曼二阶导数谱。图3为315#样本拉曼二阶导数谱、图4为315#样本的近红外二阶导数谱。4.分别将7种油样的二阶导数谱的峰翻转为正值后，并保留谱图大于0的部分并归一化，作为2d谱图的输入数据，即r307、r308、r310、r311、r313、r314、r315和n307、n308、n310、n311、n313、n314、n315。其中图5为归一化的315#样本拉曼二阶导数谱，图6为归一化的315#样本的近红外二阶导数谱。以拉曼谱r作为行向量，近红外谱n作为列向量，点乘，构成矩阵rn＝r·n。绘制rn的等高线图，得到样本的2d谱图。该2d图即为该样本的近红外-拉曼联用特征图。图7(a)--(g)分别为7种油样的2d谱图。其中图7中除(d)311#外，其他的6的油样2d谱图相似，说明这六种油是同一种油类。311#2d谱图红框内部分与其他的6中谱图不一致，说明该油变质或掺杂，从图1、图2的拉曼近红外图也可以明显看出。进一步，以315号样本为对照品，分别计算10种油与315#谱图的夹角值，得到表2结果：表27种油样与315#的谱图空间夹角值307#308#311#313#314#315#310#空间角0.06250.06820.14070.07070.04470.00000.0551从表2可以看出，若分析样本与对照品空间角<0.1，则表明是一类物质。311#的夹角值在0.1-0.2间，说明样本变质或存疑与对照品不是一类物质。实施例2选择近期市售3种不同类型油样作为分析样本，其中g1橄榄油、c1为菜籽油、q1为葵花籽油。1.样本的拉曼和近红外光谱采集吸取1ml左右油样样品至测试管中，置于光谱采集附件中，采用近红外-拉曼双融合光谱仪(上海如海光电科技有限公司)采集各样本的光谱，重复测量同一样本的拉曼光谱和近红外光谱，重复次数10次。其中：近红外光谱采集参数：积分时间：2ms；像素平滑：0；平均次数：1；通管平衡：1124；拉曼光谱采集参数：中心波长：785nm；激光功率：400mw；积分时间：1000ms；平均次数：1。分别选择各样本的拉曼和近红外光谱的可用波段范围，截取分析数据。3种油样的拉曼和近红外光谱分别如图8、图9所示。采用降噪-高阶导数算法，即s-g导数平滑滤波，计算测量并选取后的光谱，各次测量光谱降噪-求导后，再进行累加，分别求取得到3种油样本的近红外和拉曼二阶导数谱。分别将3种油样的二阶导数谱的峰翻转为正值后，并保留谱图大于0的部分并归一化，作为2d谱图的输入数据，即rg1、rc1、rq1和ng1、nc1、nq1。绘制rn的等高线图，得到样本的2d谱图。该2d图即为该样本的近红外-拉曼联用特征图。图10(a)-(c)分别为3种油样的2d谱图。从图10可以看出，橄榄油、菜籽油、葵花油2d谱图存在较大差异，通过谱图比较目测，可以判断油样种类。进一步，以rg1样本为对照品，分别计算3种油谱图与rg1谱图的夹角值，得到表3结果：表33种油样与g1的谱图空间夹角值样本g1c1q1空间角0.00000.24570.3303从表3可以看出，c1、q1与对照品g1的夹角值大于0.2，判断c1和q1不是橄榄油。当前第1页12