近红外光谱法快速鉴别食用油种类的方法
【专利摘要】本发明公开了一种近红外光谱法快速鉴别食用油种类的方法，包括如下步骤：选取待鉴别的未知种类的食用油样品；采集食用油样品的近红外光谱图；对食用油样品的近红外光谱图进行预处理，得到食用油样品的预处理光谱图；根据食用油样品的预处理光谱图，依次采用棕榈酸定量模型、油酸定量模型、亚油酸定量模型分别预测食用油样品的棕榈酸含量、油酸含量、亚油酸含量；根据得到的食用油样品的棕榈酸含量、油酸含量、亚油酸含量，采用优化定性模型对食用油样品进行种类鉴别。本发明提供的近红外光谱法快速鉴别食用油种类的方法安全快速、检测便捷，鉴别准确率高，具有较强的实用价值和推广价值。
【专利说明】
近红外光谱法快速鉴别食用油种类的方法
技术领域
[0001] 本发明设及快速检测技术领域，具体设及一种近红外光谱法快速鉴别食用油种类 的方法。
【背景技术】
[0002] 食用油含有许多人体所需的重要营养成分，在我们日常饮食生活中也是必不可少 的，研究表明，部分食用油中富含大量栋桐酸、油酸含量、亚油酸，不同种类的食用油中有着 不同的栋桐酸、油酸含量、亚油酸组成；另外，由于栋桐酸、油酸、亚油酸的含量主要决定了 食用油的营养价值，故通常作为评价食用油品质的重要成分指标，同时也是确定其商业价 值的重要依据。随着食用油价格不断的提高，许多不法商家为了牟取暴利，将低价值油冒充 高价值油投入市场，或将低价值油渗入高价值油中，严重侵害着消费者和合法生产销售企 业的利益。因此，有必要研究一种快速鉴别食用油种类的方法，对维护消费者及合法经营者 利益、维持食用油市场正常秩序具有重要意义。
【发明内容】
[0003] 针对上述技术中存在的不足之处，本发明提供了一种安全快速、检测便捷，鉴别准 确率高的近红外光谱法快速鉴别食用油种类的方法。
[0004] 本发明解决其技术问题所采用的技术方案是:一种近红外光谱法快速鉴别食用油 种类的方法，包括如下步骤:步骤一、样品选取:选取待鉴别的未知种类的食用油样品；步骤 二、光谱采集:采集步骤一中选取的未知种类的食用油样品的近红外光谱图；步骤Ξ、光谱 预处理:对步骤二中采集的未知种类的食用油样品的近红外光谱图进行预处理，得到未知 种类的食用油样品的预处理光谱图；步骤四、含量预测:根据步骤Ξ中得到的未知种类的食 用油样品的预处理光谱图，依次采用栋桐酸定量模型、油酸定量模型、亚油酸定量模型分别 预测所述未知种类的食用油样品的栋桐酸含量、油酸含量、亚油酸含量;步骤五、种类鉴别： 根据步骤四中得到的所述未知种类的食用油样品的栋桐酸含量、油酸含量、亚油酸含量，采 用优化定性模型对所述未知种类的食用油样品进行种类鉴别。
[0005] 优选的，所述步骤一中选取的未知种类的食用油样品为茶巧油、葵花油、大豆油、 菜巧油、花生油中的任意一种。
[0006] 优选的，所述步骤二中的光谱采集条件如下:食用油样品的采集溫度为60±2°C， 近红外光谱测定范围为1350~1800 nm，扫描次数32次，分辨率为3.5cnfi，测量方式为透射， 每个食用油样品取Ξ次测量的平均值作为最终采集的近红外光谱图。
[0007] 优选的，所述步骤Ξ中对采集的未知种类的食用油样品的近红外光谱图依次进行 标准正态变量变化和去趋势技术联用算法预处理，得到未知种类的食用油样品的预处理光 谱图。
[000引优选的，所述栋桐酸定量模型、油酸定量模型、亚油酸定量模型的建立方法如下： 收集若干不同已知种类的食用油样品，所述不同已知种类的食用油样品包括:茶巧油、葵花 油、大豆油、菜巧油和花生油;采集若干不同已知种类的食用油样品的近红外光谱图，光谱 采集方法如步骤二中所述，并对若干不同已知种类的食用油样品的近红外光谱图依次进行 标准正态变量变化和去趋势技术联用算法预处理，得到若干不同已知种类的食用油样品的 预处理光谱图；实验测定若干不同已知种类的食用油样品的栋桐酸含量、油酸含量、亚油酸 含量;采用偏最小二乘回归方法分别建立不同已知种类的食用油样品的预处理光谱图与其 栋桐酸含量、油酸含量、亚油酸含量的定量模型，得到栋桐酸定量模型、油酸定量模型、亚油 酸定量模型;其中，要求栋桐酸定量模型、油酸定量模型和亚油酸定量模型的均方根误差均 < 10%，相关系数均>95%。
[0009] 优选的，实验测定若干不同已知种类的食用油样品的栋桐酸含量、油酸含量、亚油 酸含量的方法如下：按照国家标准GB/T 17376-2008规定的甲醋化方法对已知种类的食用 油样品进行预处理，预处理后静置24小时，并取出已处理已知种类的食用油样品的上层清 液化L移至气相色谱仪中，待运行65~75分钟后得到气相色谱图，最终根据气相色谱图计算 得到不同已知种类的食用油样品的栋桐酸含量、油酸含量、亚油酸含量。
[0010] 优选的，所述步骤五中优化定性模型的建立方法如下：收集若干不同已知种类的 食用油样品，所述不同已知种类的食用油样品包括:茶巧油、葵花油、大豆油、菜巧油和花生 油;实验测定若干不同已知种类的食用油样品的栋桐酸含量、油酸含量、亚油酸含量;将若 干不同已知种类的食用油样品中的栋桐酸含量、油酸含量、亚油酸含量作为定性模型的输 入变量，通过支持向量机分类方法建立不同已知种类的食用油样品的定性模型，并采用粒 子群优化算法对定性模型中的惩罚因子C和核函数参数g进行优化，得到优化定性模型。
[0011] 优选的，采用粒子群优化算法对定性模型中的惩罚因子C和核函数参数g进行优化 时，设置惩罚因子C和核函数参数g的范围均为~2^，设置交互验证参数V的范围为2~8。
[0012] 本发明与现有技术相比，其有益效果是:本发明提供的近红外光谱法快速鉴别食 用油种类的方法，通过建立的栋桐酸定量模型、油酸定量模型和亚油酸定量模型，可对未知 种类的食用油样品中的栋桐酸含量、油酸含量、亚油酸含量进行快速预测;通过优化定标模 型，可对已知栋桐酸含量、油酸含量、亚油酸含量的未知种类的食用油样品进行种类鉴别； 该近红外光谱法快速鉴别食用油种类的方法，安全快速、检测便捷，鉴别准确率高，具有较 强的实用价值和推广价值。
【附图说明】
[OOK]图1是本发明所述近红夕恍谱法快速鉴别食用油种类的方法的流程示意图； 图2是本发明所述食用油样品的近红外光谱图； 图3是本发明所述食用油样品的预处理光谱图； 图4是本发明所述粒子群优化算法寻优结果图； 图5是本发明所述食用油预测集样品的预测鉴别结果图。
【具体实施方式】
[0014]下面结合附图对本发明做进一步的详细说明，W令本领域技术人员参照说明书文 字能够据W实施。
[001引如图1所示，本发明提供了一种近红夕恍谱法快速鉴别食用油种类的方法，包括如 下步骤： 步骤一、样品选取:选取待鉴别的未知种类的食用油样品，选取的未知种类的食用油样 品为茶巧油、葵花油、大豆油、菜巧油、花生油中的任意一种； 步骤二、光谱采集:采集步骤一中选取的未知种类的食用油样品的近红外光谱图，光谱 采集条件如下:食用油样品的采集溫度为60±2°C，近红外光谱测定范围为1350~1800 nm， 扫描次数32次，分辨率为3.5cnfi，测量方式为透射，每个食用油样品取Ξ次测量的平均值作 为最终采集的近红外光谱图； 步骤Ξ、光谱预处理:对步骤二中采集的未知种类的食用油样品的近红外光谱图依次 进行标准正态变量变化和去趋势技术联用算法预处理，得到未知种类的食用油样品的预处 理光谱图； 步骤四、含量预测:根据步骤Ξ中得到的未知种类的食用油样品的预处理光谱图，依次 采用栋桐酸定量模型、油酸定量模型、亚油酸定量模型分别预测所述未知种类的食用油样 品的栋桐酸含量、油酸含量、亚油酸含量； 其中，所述栋桐酸定量模型、油酸定量模型、亚油酸定量模型的建立方法如下:收集若 干不同已知种类的食用油样品，所述不同已知种类的食用油样品包括:茶巧油、葵花油、大 豆油、菜巧油和花生油;采集若干不同已知种类的食用油样品的近红外光谱图，光谱采集方 法如步骤二中所述，并对若干不同已知种类的食用油样品的近红外光谱图依次进行标准正 态变量变化和去趋势技术联用算法预处理，得到若干不同已知种类的食用油样品的预处理 光谱图；实验测定若干不同已知种类的食用油样品的栋桐酸含量、油酸含量、亚油酸含量； 采用偏最小二乘回归方法分别建立不同已知种类的食用油样品的预处理光谱图与其栋桐 酸含量、油酸含量、亚油酸含量的定量模型，得到栋桐酸定量模型、油酸定量模型、亚油酸定 量模型；要求栋桐酸定量模型、油酸定量模型和亚油酸定量模型的均方根误差均^ 10%，相 关系数均> 95%; 步骤五、种类鉴别:根据步骤四中得到的所述未知种类的食用油样品的栋桐酸含量、油 酸含量、亚油酸含量，采用优化定性模型对所述未知种类的食用油样品进行种类鉴别； 其中，优化定性模型的建立方法如下:收集若干不同已知种类的食用油样品，所述不同 已知种类的食用油样品包括:茶巧油、葵花油、大豆油、菜巧油和花生油;实验测定若干不同 已知种类的食用油样品的栋桐酸含量、油酸含量、亚油酸含量;将若干不同已知种类的食用 油样品中的栋桐酸含量、油酸含量、亚油酸含量作为定性模型的输入变量，通过支持向量机 分类方法建立不同已知种类的食用油样品的定性模型，并采用粒子群优化算法对定性模型 中的惩罚因子C和核函数参数g进行优化，得到优化定性模型;采用粒子群优化算法对定性 模型中的惩罚因子C和核函数参数g进行优化时，设置惩罚因子C和核函数参数g的范围均为 2-W~2^，设置交互验证参数V的范围为2~8。
[0016]实施例： 1、实验样品 收集茶巧油、葵花油、大豆油、菜巧油和花生油五类食用油样品共133份，采用SPXY算法 按3:1的比例选取食用油校正集样品100份和食用油预测集样品33份，其中食用油校正集样 品用于定量模型和定性模型的建立，食用油预测集样品用于定量模型和定性模型的性能验 证;其中，五类食用油样品的预测集样品和校正集样品的数量分布如下表1。
[0017]表1 ' 2、实验测试胃 '
' ' ' 2.1光谱采集 采用近红外光谱仪器采集133份食用油样品的近红外光谱图，光谱采集条件如下:采集 溫度为60±2°C，近红外光谱测定范围为1350~1800皿，扫描次数32次，分辨率为3.5cnfi， 测量方式为透射，每个食用油样品取Ξ次测量的平均值作为最终采集的近红外光谱图，133 份食用油样品的近红外光谱图如图2所示。
[001引 2.2含量测定 实验测定133份食用油样品的栋桐酸含量、油酸含量、亚油酸含量;其中，实验测定方法 如下：按照国家标准GB/T 17376-2008规定的甲醋化方法对食用油样品进行预处理，预处理 后静置24小时，并取出已处理食用油样品的上层清液化L移至气相色谱仪中，待运行65~75 分钟后得到气相色谱图，最终根据气相色谱图计算得到133份食用油样品的栋桐酸含量、油 酸含量、亚油酸含量。
[0019] 3、光谱预处理 通过大量实验研究发现，在建模前对光谱进行不同的预处理，对模型性能产生的影响 也大不相同，因此预处理方法选取决定了模型的预测性能和适用范围；采用标准正态变量 变化和去趋势技术联用算法可用来消除光谱的基线漂移及光程的影响从而达到简化模型 提高其预测能力的目的；图3为133份食用油样品的预处理光谱图。
[0020] 4、定量模型的建立 采用偏最小二乘回归方法分别建立食用油样品的预处理光谱图与其栋桐酸含量、油酸 含量、亚油酸含量的定量模型，得到栋桐酸定量模型、油酸定量模型、亚油酸定量模型;模型 评价指标如下表2所示。
[0021] 表2
5、定性模型的建立 将100份食用油校正集样品的栋桐酸含量、油酸含量、亚油酸含量作为定性模型的输入 变量，通过支持向量机分类方法建立食用油校正集样品的定性模型，并采用粒子群优化算 法对定性模型中的惩罚因子C和核函数参数g进行优化，得到优化定性模型;其中，采用粒子 群优化算法对惩罚因子C和核函数参数g进行优化时，参数设置如下：最大进化代数设为 100,初始种群数目设为20,学习因子初始值设定为C1=1.5，C2=1.7,进化速度初始值设为 0.6，进化速度更新弹性系数初始值设为1，种群更新速度弹性系数初始值设为1，交互验证 参数V设为5,惩罚因子C和核函数参数g的范围均设为2-W~21%优化得到当惩罚因子C= 204.7351且核函数参数g=23.7421时，优化定性模型对食用油校正集样品的鉴别准确率为 100%;其中，粒子群优化算法寻优结果图如图4所示。
[0022] 6、优化定性模型的验证 将33份食用油预测集样品的栋桐酸含量、油酸含量、亚油酸含量作为优化定性模型的 输入变量，采用当惩罚因子C=204.7351且核函数参数g=23.7421时的优化定性模型对33份 食用油预测集样品的种类进行预测鉴别，并将预测结果与33份食用油预测集样品的真实种 类类别进行一一比对，得到优化定性模型对食用油预测集样品的种类鉴别准确率为100%; 其中，33份食用油预测集样品的预测鉴别结果图如图5所示。
[0023] 尽管本发明的实施方案已公开如上，但其并不仅限于说明书和实施方式中所列运 用，它完全可W被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实 现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于 特定的细节和运里示出与描述的图例。
【主权项】
1. 一种近红外光谱法快速鉴别食用油种类的方法，其特征在于，包括如下步骤： 步骤一、样品选取:选取待鉴别的未知种类的食用油样品； 步骤二、光谱采集:采集步骤一中选取的未知种类的食用油样品的近红外光谱图； 步骤三、光谱预处理:对步骤二中采集的未知种类的食用油样品的近红外光谱图进行 预处理，得到未知种类的食用油样品的预处理光谱图； 步骤四、含量预测:根据步骤三中得到的未知种类的食用油样品的预处理光谱图，依次 采用棕榈酸定量模型、油酸定量模型、亚油酸定量模型分别预测所述未知种类的食用油样 品的棕榈酸含量、油酸含量、亚油酸含量； 步骤五、种类鉴别:根据步骤四中得到的所述未知种类的食用油样品的棕榈酸含量、油 酸含量、亚油酸含量，采用优化定性模型对所述未知种类的食用油样品进行种类鉴别。2. 如权利要求1所述的近红外光谱法快速鉴别食用油种类的方法，其特征在于，所述步 骤一中选取的未知种类的食用油样品为茶籽油、葵花油、大豆油、菜籽油、花生油中的任意 一种。3. 如权利要求1所述的近红外光谱法快速鉴别食用油种类的方法，其特征在于，所述步 骤二中的光谱采集条件如下：食用油样品的采集温度为60±2°C，近红外光谱测定范围为 1350~1800 nm，扫描次数32次，分辨率为3.5CHT1，测量方式为透射，每个食用油样品取三次 测量的平均值作为最终采集的近红外光谱图。4. 如权利要求1所述的近红外光谱法快速鉴别食用油种类的方法，其特征在于，所述步 骤三中对采集的未知种类的食用油样品的近红外光谱图依次进行标准正态变量变化和去 趋势技术联用算法预处理，得到未知种类的食用油样品的预处理光谱图。5. 如权利要求1所述的近红外光谱法快速鉴别食用油种类的方法，其特征在于，所述棕 榈酸定量模型、油酸定量模型、亚油酸定量模型的建立方法如下： 收集若干不同已知种类的食用油样品，所述不同已知种类的食用油样品包括:茶籽油、 葵花油、大豆油、菜籽油和花生油； 采集若干不同已知种类的食用油样品的近红外光谱图，光谱采集方法如步骤二中所 述，并对若干不同已知种类的食用油样品的近红外光谱图依次进行标准正态变量变化和去 趋势技术联用算法预处理，得到若干不同已知种类的食用油样品的预处理光谱图； 实验测定若干不同已知种类的食用油样品的棕榈酸含量、油酸含量、亚油酸含量； 采用偏最小二乘回归方法分别建立不同已知种类的食用油样品的预处理光谱图与其 棕榈酸含量、油酸含量、亚油酸含量的定量模型，得到棕榈酸定量模型、油酸定量模型、亚油 酸定量模型;其中，要求棕榈酸定量模型、油酸定量模型和亚油酸定量模型的均方根误差均 < 10%，相关系数均2 95%。6. 如权利要求5所述的近红外光谱法快速鉴别食用油种类的方法，其特征在于，实验测 定若干不同已知种类的食用油样品的棕榈酸含量、油酸含量、亚油酸含量的方法如下:按照 国家标准GB/T 17376-2008规定的甲酯化方法对已知种类的食用油样品进行预处理，预处 理后静置24小时，并取出已处理已知种类的食用油样品的上层清液lyL移至气相色谱仪中， 待运行65~75分钟后得到气相色谱图，最终根据气相色谱图计算得到不同已知种类的食用 油样品的棕榈酸含量、油酸含量、亚油酸含量。7. 如权利要求1所述的近红外光谱法快速鉴别食用油种类的方法，其特征在于，所述步 骤五中优化定性模型的建立方法如下： 收集若干不同已知种类的食用油样品，所述不同已知种类的食用油样品包括:茶籽油、 葵花油、大豆油、菜籽油和花生油； 实验测定若干不同已知种类的食用油样品的棕榈酸含量、油酸含量、亚油酸含量； 将若干不同已知种类的食用油样品中的棕榈酸含量、油酸含量、亚油酸含量作为定性 模型的输入变量，通过支持向量机分类方法建立不同已知种类的食用油样品的定性模型， 并采用粒子群优化算法对定性模型中的惩罚因子C和核函数参数g进行优化，得到优化定性 模型。8.如权利要求7所述的近红外光谱法快速鉴别食用油种类的方法，其特征在于，采用粒 子群优化算法对定性模型中的惩罚因子C和核函数参数g进行优化时，设置惩罚因子C和核 函数参数g的范围均为2#~21()，设置交互验证参数V的范围为2~8。
【文档编号】G01N21/359GK105823752SQ201610162211
【公开日】2016年8月3日
【申请日】2016年3月22日
【发明人】郑晓, 彭博, 何东平, 涂斌, 陈志 , 吴双
【申请人】武汉轻工大学