CN105675534A - 一种抛光粮食的快速无损鉴别方法 - Google Patents

Abstract

本发明提供一种抛光粮食的快速无损鉴别方法，包括以下步骤：用已知抛光情况的粮食样品构建训练集，采集训练集中各样品在特征波段下的近红外吸收光谱，对所述训练集中的抛光样品和未抛光样品分别赋予不同数值后提取两组特征向量，并求出对应的两组得分值，以得分值为横纵坐标绘制训练集样品的二维得分散点图，划分抛光区域和未抛光区域；扫描待测样品光谱并求出待测样品的两组得分值，在上述散点图中绘出对应的待测点，根据所述待测点所在区域，鉴别待测样品是否为抛光粮食。本发明可以实现对矿物油抛光粮食的快速无损检测，操作简单，无污染，易实现智能化、信息化，为保障农产品质量安全、快速无损检测仪器的研发等提供重要技术手段与支持。

Description

一种抛光粮食的快速无损鉴别方法

技术领域

本发明涉及农产品质量安全领域，具体地说，涉及一种基于振动光谱的矿物油抛光粮食快速无损检测方法。

背景技术

农产品是迄今为止人类赖以生存的食物重要来源。随着生产力的发展和社会的进步，对农产品质量安全的关注日益提高。农产品质量安全包含两个方面的含义，其一是质量，即营养成分的含量是否达标、风味是否良好；其二是安全，即是否存在危害或潜在危害人类健康的物理、化学、生物及其他各方面可能的因素。质量良好的农产品可以给人类提供优质的能量、营养来源，对保障人类生存、繁衍具有重要意义。然而近年来，不法商贩对劣质农产品以次充好、造假制假等行为屡见不鲜。以大米为例，已有报道称不法商贩用矿物油抛光陈旧大米，使其“油光可鉴”，以冒充优质大米出售给消费者。食用上述矿物油抛光大米对人存在这极大的安全隐患，甚至直接危害消费者身体健康。并且，大米是我国大宗农产品，拥有巨大的消费人群和消费市场。因此，针对矿物油抛光大米的快速无损检测成为亟待解决的问题。

矿物油是石油化工产品，以脂肪烃为主。由于其中几乎不含有芳香烃，因此采用传统的荧光法很难对其进行检测。采用传统的感官评价方法则具有较强的主观因素，容易形成误判。现代大型仪器方法虽然可以得到精准的检测结果，但是操作繁琐、对检测人员的专业性要求高、检测过程需要使用化学试剂、检测周期长、检测效率低、难以适应大宗农产品的快速检测需求。

振动光谱是一种基于物质分子的振动、转动能级跃迁对电磁波产生吸收的光谱。根据量子力学原理，当电磁波的能量和物质分子的振动、转动能级跃迁能量差相等，且满足振动光谱发生条件时，会产生振动光谱吸收。常见的振动光谱有：近红外光谱、中红外光谱、拉曼光谱、太赫兹波谱等。振动光谱技术具有采样速度快、分析效率高、绿色无污染等特点，目前已在生命科学、医学及生理学、药物学、农学、化学等诸多领域具有广泛应用。

本发明提出一种基于振动光谱的矿物油抛光粮食快速无损检测方法。该方法具有快速、准确、高效、绿色无污染等特点，可以对矿物油抛光粮食进行快速无损鉴别，并且对保障农产品质量安全、提高工农业生产效率、促进农产品市场健康发展、快速无损检测仪器的研发等方面具有积极作用。

发明内容

本发明针对矿物油抛光粮食的快速无损鉴别难题，提供一种基于振动光谱的矿物油抛光粮食快速无损检测方法，其目的是对矿物油抛光粮食进行快速无损检测与鉴别。

本发明提供的一种抛光粮食的快速无损检测方法，所述方法的流程可参考图1所示。

具体而言，所述方法包括以下步骤：

(1)用已知的抛光粮食和未抛光粮食为样品，构建样本总组数为n的训练集；所述训练集中，n≥50，抛光样品与未抛光样品的组数之比为1～3.5:1；

(2)采集所述训练集中每组样品在8900cm^-1～12000cm^-1波长范围内的近红外吸收光谱，每组样品的近红外吸收光谱以1cm^-1～3cm^-1为间隔包括m个光谱数据；

(3)以所述训练集中全部样品的近红外吸收光谱数据构建n×m阶矩阵，对所述训练集中的抛光样品和未抛光样品分别赋予不同的数值，依据所述数值用回归算法提取所述矩阵的若干组特征向量并获得与所述特征向量一一对应的特征值，以特征值最高的两组特征向量作为第1特征向量和第2特征向量；

(4)依据训练集中每组样品的近红外吸收光谱数据，求出分别与所述第1特征向量和第2特征向量对应的权重值，作为各训练集样品的得分值1和得分值2，并以其分别为横、纵坐标，绘制训练集样品的二维得分散点图(一组样品对应图中的一个点)；在该图上标记一条抛光样品与未抛光样品的分界线，所述分界线两侧分别为抛光区域和未抛光区域；

(5)用与步骤(2)相同的方法采集待测样品的近红外吸收光谱数据，据此数据求出分别与所述第1特征向量和第2特征向量对应的权重值，作为待测样品的得分值1和得分值2；

(6)以待测样品的得分值1和得分值2分别为横、纵坐标，在所述二维得分散点图中绘出对应的待测点，根据所述待测点所在的区域，鉴别待测样品是否为抛光粮食。

本发明所述抛光粮食是指经矿物油抛光处理后的粮食，所述未抛光粮食是指未经过任何矿物油抛光处理的粮食。具体而言，本发明所述未抛光样品中的矿物油含量为0；所述抛光样品中的矿物油含量为0.4～0.6％。

所述矿物油指石油裂解成分中的脂肪烃类物质，优选液体石蜡。

所述粮食为优选为谷物，进一步优选为大米。

本发明所述方法中，样品的单位为组，即训练集中包括n组样品。每组样品的取样方法为：取相同品种、产地以及采收时间的粮食不少于3kg，采用堆锥四分缩分法获得一组样品，每组样品的质量为200±5g。

所述步骤(1)中，抛光样品和未抛光样品的组数可以相同，也可以不同；具体而言，所述抛光样品数量与未抛光样品组数之比为1～3.5:1。为了确保检测结果的准确性，所述训练集中，优选所述抛光样品和未抛光样品的组数均不小于40。本发明所述方法中，为了确保检测结果的客观性，选取抛光样品和未抛光样品时，应确保其代表性；所述代表性具体是指样品的品种、产地以及采收时间全面覆盖客观情况。

本发明用于采集所述近红外吸收光谱数据的光谱仪分辨率为1cm^-1～64cm^-1，优选为4cm^-1～16cm^-1。

所述步骤(2)中，每组样品近红外吸收光谱所含的光谱数据之间的间隔相等，具体为1cm^-1～3cm^-1，优选为2cm^-1。所述步骤(2)还可以包括对所述近红外吸收光谱数据进行处理，以使检测结果更加准确。所述处理包括平滑、微分、基线校正、数据标准正态化中的一种或几种；优选为数据标准正态化。

具体而言，所述数据标准正态化处理，是针对每组样品的近红外吸收光谱数据，即每一条光谱数据自身所做的标准正态化变换，其计算公式如公式(I)所示。

$X_{SNV}=\frac{X-X_M}{S}---\left(I\right)$

所述公式(I)中，X中是处理前的光谱数据，X_SNV是处理后的光谱数据；每组样品的近红外吸收光谱数据中，即每一条光谱数据中，包含m个数据，经过处理后，得到m个标准正态化处理后的数据，即SNV处理后的一条光谱数据。

其中，X_M是该条光谱数据处理前的平均值，其计算公式如公式(II)所示；S是该条光谱数据处理前的标准差，其计算公式(III)所示。

$X_M=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}{X}_i---\left(II\right)$

$S=\sqrt{\frac{\underset{i=1}{\overset{m}{\Σ}}{(X_i-X_M)}^2}{m-1}}---\left(III\right)$

本发明步骤(3)提取所述特征向量的回归方法选自多元线性回归、主成分回归、偏最小二乘回归、人工神经网络回归、支持向量机回归；优选为偏最小二乘回归。

在偏最小二乘回归算法下，从训练集数据中求取若干组特征向量并获得与所述特征向量一一对应的特征值，以特征值最高的两组特征向量作为第1特征向量和第2特征向量，即P₁、P₂；依据训练集中每组样品的近红外吸收光谱数据，求出分别与所述第1特征向量和第2特征向量对应的权重值，作为各训练集样品的得分值1和得分值2，即T₁、T₂。其中，T₁、T₂、P₁、P₂和X_SNV之间的关系为：

X_SNV＝T₁P₁+T₂P₂+E(IV)

公式(IV)中，E是光谱残差。

针对待测样品，在相同实验条件下采集待测样品的近红外光谱数据，经过相同的数据预处理，即SNV处理后所得待测样品预处理后的近红外光谱数据X_{P_SNV}，求取X_{P_SNV}在P₁、P₂的权重值，即待测样品的得分值1(T_{P_1})和待测样品的得分值2(T_{P_2})：

T_{P_1}＝X_{P_SNV}P₁

T_{P_2}＝X_{P_SNV}P₂

以上均为线性代数领域的常规数据处理方法，本发明不做特殊限定。

针对训练集样品，分别以T₁、T₂为横、纵坐标，绘制二维得分散点图。针对每个待测样品，分别以T_{P_1}和T_{P_2}为横、纵坐标，在二维得分散点图上绘制对应的待测点，根据所述待测点所在的区域，鉴别待测样品是否为抛光粮食。

作为本发明的一种优选方案，所述步骤(3)中，对抛光样品赋值0.1～5，优选为1，对未抛光样品赋值-5～-0.1，优选为-1；步骤(4)所述分界线为穿过坐标轴原点且与横坐标正方向呈135°～170°、优选为150°的直线，所述抛光区域位于所述分界线的右上方。

本发明提出的一种基于振动光谱的矿物油抛光粮食快速无损检测方法，扩展了振动光谱在农产品质量安全快速无损检测鉴别方面的用途。该方法具有快速、准确、工作效率高、绿色无污染等特点，不仅可以为矿物油抛光农产品的快速无损检测鉴别提供有力保障和技术支持，而且对保障农产品质量安全、提高工农业生产效率、促进农产品市场健康发展、快速无损检测仪器的研发等方面具有积极作用。

附图说明

图1为本发明所述一种基于振动光谱的矿物油抛光粮食快速无损检测方法操作流程图；

图2为本发明所述矿物油抛光大米和非抛光大米的近红外吸收光谱图；

图3为本发明所述一种基于振动光谱的矿物油抛光粮食快速无损检测方法实施例1的散点图；

图4为本发明所述一种基于振动光谱的矿物油抛光粮食快速无损检测方法对比例1的散点图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

以下各实施例中，所用仪器为：傅里叶变换中红外光谱仪，型号：Spectrum400，美国PerkinElmer公司；附件：积分球漫反射附件；

参数：光谱分辨率：8cm^-1，光谱范围：12800cm^-1～4000cm^-1，累加次数：64次，以积分球空光路作参比。

样品：未抛光大米，矿物油抛光大米。

数据处理：采用数据标准正态化预处理方法对每条光谱进行数据预处理。所谓数据标准正态化，是针对每组样品的近红外吸收光谱数据，即每一条光谱数据自身所做的标准正态化变换，其计算公式如公式(I)所示。

$X_{SNV}=\frac{X-X_M}{S}---\left(I\right)$

公式(I)中，X是预处理前的光谱数据，X_SNV是预处理后的光谱数据，X_M是该条光谱数据预处理前的平均值，S是该条光谱数据预处理前的标准差。X_M和S的计算公式分别如公式(II)和公式(III)所示。

$X_M=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}{X}_i---\left(II\right)$

$S=\sqrt{\frac{\underset{i=1}{\overset{m}{\Σ}}{(X_i-X_M)}^2}{m-1}}---\left(III\right)$

实施例1

已知矿物油抛光大米样品40组(编号为1#～40#)和未抛光大米样品40组(编号为61#～100#)，分别取1#样品和61#样品，采用相同的方法采集1#样品和61#样品在4000cm^-1～12800cm^-1波长下的近红外光谱图，如图2所示。由图2可见，两组样品的近红外吸收均主要集中在4000cm^-1～8900cm^-1波段，且矿物油抛光大米和未抛光大米的近红外吸收光谱的谱形、峰位基本一致，肉眼无法观察到二者的差异，亦即仅凭肉眼观察光谱图无法对矿物油抛光大米进行检测鉴别。

为了实现对抛光大米的快速无损鉴别，本实施例采用如下方法进行检测：

(1)用已知的抛光样品1#～40#和未抛光样品61#～100#构建样本总数为80的训练集；

(2)采集所述训练集中每组样品在8900cm^-1～12000cm^-1波长范围内的近红外吸收光谱，每组样品的近红外吸收光谱以2cm^-1为间距包括1551个光谱数据；采用上述数据标准正态化预处理方法对每组样品的近红外吸收光谱数据进行处理；

(3)以所述训练集中经数据标准正态化处理后的全部样品的近红外吸收光谱数据构建80×1551阶矩阵，对所述训练集中的抛光样品赋值为1，对未抛光样品赋值为-1，依据所述数值用回归算法提取所述矩阵的十组特征向量并获得与所述特征向量一一对应的特征值，以特征值最高的两组特征向量作为第1特征向量和第2特征向量；

(4)依据训练集中每组样品的近红外吸收光谱数据，求出分别与所述第1特征向量和第2特征向量对应的权重值，作为各训练集样品的得分值1和得分值2，并以其分别为横、纵坐标，绘制训练集样品的二维得分散点图(如图3所示)；在该图上标记一条抛光样品与未抛光样品的分界线，所述分界线为穿过坐标轴原点且与横坐标正方向呈150°角的直线，所述分界线的右上方为抛光区域、左下方为未抛光区域；

(5)用与步骤(2)相同的方法采集待测样品的近红外吸收光谱数据，据此数据求出分别与所述第1特征向量和第2特征向量对应的权重值，作为待测样品的得分值1和得分值2；

(6)以待测样品的得分值1和得分值2分别为横、纵坐标，在所述二维得分散点图中绘出对应的待测点，如附图3所示，根据所述待测点所在的区域，鉴别待测样品是否为抛光大米。

采用上述方法检测待测样品(编号为41#～60#和101#～120#)，结果显示，待测样品41#～60#对应的待测点全部分布在特征直线右上方，即待测样品41#～60#均为抛光大米，待测样品101#～120#对应的待测点全部分布在特征直线左下方，即待测样品101#～120#为未抛光大米；对上述待测样品的来源以及是否抛光的实际情况进行确认后，判断上述检测结果均与实际情况相符，准确率为100％。由此可见，按照本发明所述的方法，可以对大米是否被矿物油抛光进行快速无损检测，无需复杂的样品预处理，且环境友好、操作简便、工作效率高、检测正确率高。

对比例1

与实施例1相比，区别仅在于，本对比例在4000cm^-1～12800cm^-1的全波长下采集训练集以及待测样品的近红外吸收光谱，所得采集训练集样品的散点图如图4所示。由图4可以看到，即使其他实验条件、数据处理方法皆与实施例1一致，在4000cm^-1～12800cm^-1波长下采集的近红外光谱数据获得的训练集样品散点图，难以绘制出将两种抛光情况不同的大米样品的明确区分开的特征性分界线，无法获得准确的分析结果。

本发明提出的一种基于振动光谱的矿物油抛光粮食快速无损检测方法扩展了振动光谱在农产品质量安全快速无损鉴别方面的用途。该方法具有快速、准确、工作效率高、绿色无污染等特点，不仅可以为劣变农产品快速无损鉴别提供有力保障和技术支持，而且对保障农产品质量安全、提高工农业生产效率、促进农产品市场健康发展、快速无损检测仪器的研发等方面具有积极作用。

虽然，上文中已经用一般性说明、具体实施方式及试验，对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种抛光粮食的快速无损鉴别方法，其特征在于，所述方法包括以下步骤：

(1)用已知的抛光粮食和未抛光粮食为样品，构建样本总组数为n的训练集；所述训练集中，n≥50，抛光样品与未抛光样品的组数之比为1～3.5:1；

(2)采集所述训练集中每组样品在8900cm^-1～12000cm^-1波长范围内的近红外吸收光谱，每组样品的近红外吸收光谱以1cm^-1～3cm^-1为间隔包括m个光谱数据；

(3)以所述训练集中全部样品的近红外吸收光谱数据构建n×m阶矩阵，对所述训练集中的抛光样品和未抛光样品分别赋予不同的数值，依据所述数值用回归算法提取所述矩阵的若干组特征向量并获得与所述特征向量一一对应的特征值，以特征值最高的两组特征向量作为第1特征向量和第2特征向量；

(4)依据训练集中每组样品的近红外吸收光谱数据，求出分别与所述第1特征向量和第2特征向量对应的权重值，作为各训练集样品的得分值1和得分值2，并以其分别为横、纵坐标，绘制训练集样品的二维得分散点图；在该图上标记一条抛光样品与未抛光样品的分界线，所述分界线两侧分别为抛光区域和未抛光区域；

(5)用与步骤(2)相同的方法采集待测样品的近红外吸收光谱数据，据此数据求出分别与所述第1特征向量和第2特征向量对应的权重值，作为待测样品的得分值1和得分值2；

(6)以待测样品的得分值1和得分值2分别为横、纵坐标，在所述二维得分散点图中绘出对应的待测点，根据所述待测点所在的区域，鉴别待测样品是否为抛光粮食。

2.根据权利要求1所述的方法，其特征在于，每组样品的取样方法为：取相同品种、产地以及采收时间的粮食不少于3kg，采用堆锥四分缩分法获得一组样品，每组样品的质量为200±5g。

3.根据权利要求1或2所述的方法，其特征在于，所述粮食为谷物，优选为大米；

所述矿物油为液体石蜡。

4.根据权利要求1～3任意一项所述的方法，其特征在于，所述训练集中，抛光样品和未抛光样品的数量均不小于40。

5.根据权利要求1～4任意一项所述的方法，其特征在于，所述未抛光样品的矿物油含量为0；所述抛光样品中的矿物油含量为0.4～0.6％。

6.根据权利要求1～5任意一项所述的方法，其特征在于，用于采集所述近红外吸收光谱数据的光谱仪分辨率为1cm^-1～64cm^-1，优选为4cm^-1～16cm^-1。

7.根据权利要求1～6任意一项所述的方法，其特征在于，步骤(2)还包括对所述近红外吸收光谱数据进行处理；

所述处理包括平滑、微分、基线校正、数据标准正态化中的一种或几种；优选为数据标准正态化。

8.根据权利要求1～7任意一项所述的方法，其特征在于，步骤(3)提取所述特征向量的回归方法选自多元线性回归、主成分回归、偏最小二乘回归、人工神经网络回归、支持向量机回归；优选为偏最小二乘回归。

9.根据权利要求1所述的方法，其特征在于，所述步骤(3)中，对抛光样品赋值0.1～5，对未抛光样品赋值-5～-0.1；

步骤(4)所述分界线为穿过坐标轴原点且与横坐标正方向呈135°～170°的直线，抛光区域位于所述分界线的右上方，未抛光区域位于所述分界线的左下方。

10.一种抛光大米的快速无损检测方法，其特征在于，所述方法包括以下步骤：

(1)用已知是否为抛光大米的样品构建样本组数为n的训练集；所述训练集中，n＝80～100，抛光样品和未抛光样品的组数均不小于40；

(2)采集所述训练集中每组样品在8900cm^-1～12000cm^-1波长范围内的近红外吸收光谱，每组样品的近红外吸收光谱以2cm^-1为间隔包括m个光谱数据；对所述光谱数据进行数据标准正态化处理；

(3)以所述训练集中经数据标准正态化处理后的全部样品的近红外吸收光谱数据构建n×m阶矩阵，对所述训练集中的抛光样品赋值为1，对未抛光样品赋值为-1，依据所述数值用回归算法提取所述矩阵的若干组特征向量并获得与所述特征向量一一对应的特征值，以特征值最高的两组特征向量作为第1特征向量和第2特征向量；

(4)依据训练集中每组样品的近红外吸收光谱数据，求出分别与所述第1特征向量和第2特征向量对应的权重值，作为各训练集样品的得分值1和得分值2，并以其分别为横、纵坐标，绘制训练集样品的二维得分散点图；在该图上标记一条抛光样品与未抛光样品的分界线，所述分界线为穿过坐标轴原点且与横坐标正方向呈150°角的直线，所述分界线的右上方为抛光区域、左下方为未抛光区域；

(5)用与步骤(2)相同的方法采集待测样品的近红外吸收光谱数据，据此数据求出分别与所述第1特征向量和第2特征向量对应的权重值，作为待测样品的得分值1和得分值2；

(6)以待测样品的得分值1和得分值2分别为横、纵坐标，在所述二维得分散点图中绘出对应的待测点，根据所述待测点所在的区域，鉴别待测样品是否为抛光大米。