基于近红外光谱技术的橄榄产地快速鉴别研究

基于近红外光谱技术的橄榄产地快速鉴别研究

形成以进口为基础的产品识别来自地中海海岸国家的橄榄树已经有几千年了。在西方被称为“液体黄金”。因为它非常好，具有良好的自然保健效果、平滑的效果和理想的烹饪用途。可供食用的高档橄榄油是用初熟或成熟的油橄榄鲜果通过物理冷压榨工艺提取的天然果油汁,是世界上唯一以自然状态的形式供人类食用的木本植物油。目前,中国市场销售的绝大多数橄榄油依赖进口。一些学者利用化学方法,对橄榄油的化学性质做了一些研究,但是对于橄榄油产地的鉴别研究很少。随着市场上进口橄榄油日益增多,且橄榄油的产地对橄榄油的价格和质量影响很大。因此,如何快速、无损地进行橄榄油的产地识别很有必要。本实验采用近红外光谱技术快速、无损鉴别技术,对市售的三种不同国家的橄榄油进行了产地鉴别研究,利用全局搜索算法-遗传算法(geneticalgorithms,GA)提取特征波长,将其作为主成分分析法(principalcomponentanalysis,PCA)的输入变量,采用PCA建立分析校正模型并提取各类不同产地橄榄油的主成分,将提取的主成分作为BP(backpropagation)神经网络的输入变量,产地类型作为神经网络的输出变量,设置中间层神经元个数为3,建立了神经网络模型,对未知产地进行了分类与预测。1材料和方法1.1ldspec谱图实验使用美国ASD(analyticalspectraldevice)公司的HandheldFieldSpec光谱仪,其光谱采样间隔为1.5nm,测定范围在325～1075nm之间,扫描次数30次。光源采用与光谱仪配套的14.5V卤素灯。得到的光谱数据经ASDViewSpecPro软件转化为ASCⅡ码形式,再由分析软件UnscramblerV9.7和MATLABV7.1对数据进行分析处理。1.2光谱实验和分析意大利欧丽薇兰特级初榨橄榄油、西班牙品利特级初榨橄榄油、土耳其达利牌特级初榨橄榄油为市售。各取10mL,放入直径为120mm,高度10mm的培养皿。每个品种各做40个样本,共计120个样本。全部实验样本随机分成建模集和预测集,建模集有90个样本(每种品种各30个),预测集有30个样本(每种品种10各个)。光谱仪经校准后进行测试。将培养皿水平放置于光谱仪传感器正下方,对每一个样本扫描30次。随机任选三种不同产地橄榄油漫反射光谱曲线图,如图1所示。1.3提取特征波长遗传算法模拟生物进化机制随机优化的算法,将其应用于波长选择,其主要步骤有染色体编码、种群初始化、适应度函数、遗传操作、算法停止条件和波长选择。本文设置的适应度函数独立变量数为3,抽取特征波长。图2为运用GA对欧丽薇兰与品利橄榄油取得的特征波长(其中虚线对应的横坐标即为GA抽取的特征波长)。1.4基于线性变换的新特征主成分分析方法是一种有效的特征压缩方法,它把原有的各个特征利用线性变换得到一批新的特征,每个特征都是原有特征的函数,但新特征总数少于原有特征数,这样新特征既保留了原有特征的主要信息,又减少了特征个数,通过对特征的选择,在一定程度上还能滤除噪音。1.5样本数量分析全部样本随机分成建模集和预测集,建模集有三种不同产地橄榄油各30个样本,共计90个。预测集有三种不同产地橄榄油各10个样本,共计30个。建立了一个3层的人工神经网络结构,经主成分分析后得到的每个样本的前6个主成分作为神经网络的输入,即输入层节点数为6,中间层有3个神经元,传递函数为logsig(对数S型传递函数),输出层1个神经元,传递函数为purelin(线性传递函数),设定系统允许误差为0.0001,设定训练迭代次数为1000次,建立BP神经网络。2试验结果与分析2.1主成分二得分图将ASD光谱仪提取的光谱特征曲线做相应的预处理后,直接作为PCA的输入变量,主成分累计可信度见表1,主成分一、主成分二得分图见图3。图3中横坐标表示每个样本的第一主成分得分值,纵坐标表示每个样本的第二主成分得分值。由图3可见,产地为意大利和西班牙橄榄油聚类到了一块。由此得出结论,将751个橄榄油波长数据全部作为PCA的输入端,大大增加其计算量,而且有些区域样品的光谱信息很弱,与样品的组成或性质间缺乏一定的相关性,根本无法建立正确的校正模型。2.2pca输入变量ASD光谱仪测量波长范围为范围325～1075nm,共有751个波长数据。传统的方法是将这751个波长数据直接作为PCA或者partialleastsquares(PLS)的输入变量,提取主成分值。这些传统的建模方法不但预算量大,而且当光谱曲线特征差异不明显时,它们无法将不相关性或非线性变量剔除,即无法建立正确的校正模型。本文利用遗传算法抽取品牌为达利与欧丽薇兰、达利与品利、欧利与品利之间特征波长各3个,共9个特征波长作为PCA输入变量。由此可见,使用遗传算法有效地进行了数据压缩,为将来PCA和BP神经网络预测提供了更强的校正模型。2.3原近红外光谱对由GA提取的三种不同产地橄榄油(30个样本,共90个样本)的9个特征波长进行主成分分析。得到前6个主成分的特征值及累计可信度,如表2所示。由于前2个主成分的累计可信度已达99.130%,故仅用前2个主成分就可表示原近红外光谱的主要信息。图4表示90个建模样本的主成分1和2得分图,图4中横坐标表示每个样本的第一主成分得分值,纵坐标表示每个样本的第二主成分得分值。从图中可以看出,3类不同产地的橄榄油已明显分成3类。说明PC1和PC2对3类不同产地的橄榄油有较好的聚类作用。2.4不同产地的bp神经网络输出在主成分分析的基础上,选取贡献率较大的前6个主成分作为输入,中间层设定为3,产地类型作为神经网络输出(将达利、欧丽薇兰、品利产地类型分别设置为1,2,3)。建立一个3层输入单元,3个隐含单元和1个输出单元的BP神经网络。3个不同产地90个建模样本,对30个未知样本产地进行识别。结果表明,建模样本产地类型的拟合率和预测识别率均为100%,预测结果见表3。3特征波长预处理提出了一种基于遗传算法的近红外光谱技术对不同产地橄榄油进行快速、无损检测的新方法。结果表明,运用遗传算法抽取特征波长,不但将光谱波长数据从751个压缩到9个,而