基於近紅外光譜的潲水油快速鑑別方法與模型最佳化研究

《基於近紅外光譜的潲水油快速鑑別方法與模型最佳化研究》是依託西南大學，由祝詩平擔任項目負責人的面上項目。

基本介紹

• 中文名：基於近紅外光譜的潲水油快速鑑別方法與模型最佳化研究
• 項目類別：面上項目
• 項目負責人：祝詩平
• 依託單位：西南大學

項目摘要

在開展潲水油檢測指標體系和檢測方法的研究制定項目的基礎上，首次將近紅外光譜技術引入到潲水油快速鑑別中。主要內容包括：通過對所收集的樣品進行感官、冷凍試驗，測定膽固醇含量、脂肪酸組成、茴香腦、丁香酚含量，綜合鑑別每份樣品是潲水油還是合格食用油。通過測定所收集樣品的近紅外光譜，研究基於近紅外光譜聚類分析的潲水油快速鑑別的可行性。建立基於近紅外光譜的潲水油和合格食用油快速定性鑑別模型，探索基於近紅外光譜的潲水油鑑別方法的可行性、快速性、高效性、實用性。並從近紅外光譜信號預處理、譜區選擇、樣品選擇、建模算法選擇等方面對所建模型進行最佳化，以提高模型預測精度。本項目的開展，對於檢測潲水油，推動食用植物油生產、檢測的標準化，推動食用植物油產業的健康發展，促進餐飲產業的健康發展，貫徹《食品安全法》均具有重要意義。

結題摘要

本項目完成了預定研究內容，實現了預期研究目標。在核心期刊發表論文1篇，錄用論文1篇(EI檢索刊源)，發表會議論文1篇,組織一次國內學術會議。本項目主要研究工作及其結論如下： 1．收集了144份潲水油與合格油樣品，採集了其近紅外光譜，對每一份樣品進行了理化鑑別，初步建立了一個潲水油與合格油近紅外光譜庫。 2．對144份油樣品光譜進行了主成分分析(PCA)。使用原始光譜或主成分PC1、PC2，採用K-means聚類方法，得出聚類結果均為61.81%。使用主成分PC1、PC2，採用Gaussian Mixture Models聚類方法，得出聚類正確率為66.67%，使用聚類方法，鑑別效果不太好。 3．對原始光譜，全譜區，無處理方法，採用DPLS-LOO-CV鑑別正確率為89.58%。以校正集(108份樣品)建立DPLS模型，對預測集(36份樣品)進行鑑別，分別採用十種預處理方法進行比較，當無預處理時，總體鑑別正確率為89.88%，採用auto scale或[0 1]歸一化預處理方法時，總體鑑別正確率為94.44%。 4.以校正集建立PCA-BP-NIR模型，對預測集進行鑑別，採用十種預處理方法進行比較試驗，當無預處理時，總體鑑別正確率為89.88%，採用 [0 1]歸一化預處理方法時，總體鑑別正確率可達到97.22%。 5.提出一種基於SVM與近紅外光譜的潲水油鑑別方法，並研究了粒子群算法(PSO)對SVM懲罰參數c、RBF核參數g的最佳化方法。以校正集建立SVM模型，使用PSO最佳化，對預測集進行鑑別，採用十種預處理方法進行比較試驗，當無預處理時，總體鑑別正確率為91.67%，auto scale或[0 1]歸一化預處理方法時，總體鑑別正確率可達到97.22%。 6. 通過RSGA，將全譜區範圍由12500～4000cm-1(光譜點數為2203)減少為特徵譜區6553～4860cm-1(光譜點數為440)。採用特徵光譜範圍的鑑別正確率為96.5%，比採用全譜去的89.58%有較大提高。採用RSGA優選出的特徵譜區，以校正集建立SVM模型，同時使用PSO最佳化參數，對預測集進行鑑別，不使用預處理方法，總體鑑別正確率達到100%。 綜上，本研究通過理論分析、算法研究和實例分析，驗證了基於近紅外光譜技術快速鑑別潲水油與合格油是可行的。