建立方法
技术领域
背景技术
[0002] 荧光光谱检测技术在食品
质量与安全快速检测中具有重要的使用价值，在
牛奶蛋白含量分析、
火锅底料罗丹明B成分检测和肉制品兽药残留等方面得到了广泛的应用。
[0003] 目前，国内待检测样本主要是通过将样本送至具有荧光光谱检测设备的大型实验室进行检测。虽然实验室大型荧光检测设备具有
稳定性好、灵敏度高和通用性强等优点，但是实验室大型设备同样存在着体积大、价格昂贵、难以进行现场检测等诸多
缺陷，限制了荧光光谱快速检测技术在线性和实时性检测需求。随着科学技术的发展和设备零配件的日益更新，荧光光谱检测设备进一步向着小型化、智能化和便携式的方向进行发展，为荧光检测技术从实验室走向食品企业在线检测提供了物质
基础和技术支持，为荧光光谱技术的推广和应用提供了新的发展契机。
[0004] 荧光光谱检测技术在食用
植物油真伪辨别、品质检测和来源追溯等方面均有着广泛的前期研究基础和应用案例，但是一直受制于荧光设备难以便携和智能化程度较低等缺陷，使得该技术在食品企业应用程度较低，难以满足食品行业智能化、信息化发展需求。本发明采用荧光光谱技术和便携式设备相结合，以一直食用油真伪检测为例，建立食用
植物油真伪快速辨别方法。
[0005] 与此同时，本发明拟通过将荧光光谱设备各个组成元件进行系统性整合，构建成一台具有检测功能的便携式荧光光谱检测设备。本发明的实施将有利于便携式荧光光谱检测设备快速开发，有利于食用植物油真伪辨别为代表的食品品质快速检测和质量保障，对食品企业的健康有序发展提供技术支持。
发明内容
[0006] 本发明目的在于提供一种便携式荧光光谱快速检测人工神经网络智能判别模型的建立方法，实现对食用植物油生产、加工和销售过程中的真伪快速检测和智能辨别。
[0007] 为了解决上述技术难题，本发明将荧光光谱设备和检测技术应用于食用植物油市场的品质智能检测，具体技术方案如下：
[0008] 一种便携式荧光光谱快速检测人工神经网络智能判别模型的建立方法，包括以下步骤：
[0009] 1)选择和采集具有代表性的食用植物油样本N个，将其分为N1个训练集样本和N2个测试集样本；其中，N、N1、N2均为自然数，且N＝N1+N2；
[0010] 2)通过便携式荧光光谱快速检测设备获取训练集样本的荧光光谱数据，作为智能检测模型建模的输入原数据；
[0011] 3)通过国家标准中的检测方法测得训练集样本中的理化指标数值，作为智能检测模型建模的输出数据；
[0012] 4)对步骤2)中的训练集样本进行校正处理，去除荧光光谱数据中的干扰数据，作为智能检测模型建模的输入数据；
[0013] 5)通过人工神经网络方法，以步骤3)所获得的理化指标数值作为输出数据，以步骤4)得到的预处理后的荧光光谱数据作为输入数据，通过拟合获得训练集智能检测模型；
[0014] 6)对测试集样本，通过与步骤2)相同的检测参数获得荧光光谱数据；
[0015] 7)对步骤6)所获取的测试集样本的荧光光谱数据进行预处理，去除干扰数据；
[0016] 8)利用步骤5)获得的训练集智能检测模型对待测的测试集样本荧光光谱数据进行数据分析，获得测试集样本相关的理化指标数值；
[0017] 9)将步骤8)经过模型预测获得的测试集样本理化指标数值和其步骤7)实际测得的理化指标数值进行比对，通过比对结果对食用植物油智能检测模型进行校正。
[0018] 优选地，步骤1)所述训练集样本数量N1大于测试集样本数量N2。
[0019] 更进一步地，步骤1)所述训练集样本数量N1是测试集样本数量N2的两倍。
[0020] 优选地，步骤2)所述便携式荧光光谱快速检测设备包括计算机终端控制设备1、数据线2、激发
光源3、入射荧光光纤4、样品
支架5、样品池6、遮光板7、出射荧光光纤8和荧光检测器9；计算机终端控制设备1分别通过数据线2与激发光源3、荧光检测器9进行连接且计算机终端控制设备1的
信号输出端与激发光源3的信号输入端连接，计算机终端控制设备1的信号输入端与荧光检测器9的信号输出端连接；激发光源3和样品池6通过入射荧光光纤4进行连接；荧光检测器9和样品池6通过出射荧光光纤8进行连接；样品池6置于样品支架5中，入射荧光光纤4和出射荧光光纤8呈90°垂直夹
角；遮光板7置于样品池6上方。
[0021] 优选地，步骤5)所述拟合获得训练集智能检测模型具体包括以下步骤：
[0022] 51)建立基于高斯函数的径向基函数，人工神经网络的激活函数
算法如(1)式所示：
[0023]
[0024] 其中，‖xp-ci‖为欧式范数；ci为人工神经网络基于主要为高斯函数的隐含层
节点中心，xp为建立模型时所用到的待测样本荧光光谱数据信息，即步骤4)得到的预处理后的荧光光谱数据，σ为式中高斯函数的方差；
[0025] 52)构建人工神经网络的输出算法，如(2)式所示：
[0026]
[0027] 其中， 表示第p个输入样本p＝1,2,3,…,P的输入数据,P为样本总数，m为总量为p样本中的第m个样本，T为行向量和列向量转置符号；ci为人工神经网络基于主要为高斯函数的隐含层节点中心；wij为隐含层至
输出层的连接权值；i＝1,2,
3，…，h，为隐含层节点数；j＝1,2,…,n，为与输入样本对应的样本序号；yj为第j个样本输入结点所对应的输出结点的实际输出，即步骤3)所获得的理化指标数值；
[0028] 53)对于期望输出值为d的样本，其基函数方差可以用(3)式进行表示：
[0029]
[0030] 优选地，步骤9)所述比对具体包括以下步骤：
[0031] 91)通过K-均值聚类方法获得基函数c值；
[0032] 92)求解方差σ；
[0033] 93)计算输出层和隐含层间的权值。
[0034] 更进一步地，步骤91)所述通过K-均值聚类方法获得基函数c值包括以下步骤：
[0035] 911)初始化神经网络：对采集信号中的样本进行随机选择，获得h个训练样本当作人工神经网络基于主要为高斯函数的隐含层节点中心ci(i＝1,2,…,h)；
[0036] 912)通过最邻近方法将训练集样本进行分组:依据ci和xp之间的欧式距离将xp分配到输入样本的聚类集合θp(p＝1,2,…,P)中；
[0037] 913)调整聚类中心：对聚类集合θp中的训练集样本取平均值，获得新的聚类中心ci，当新的聚类中心未发生变化时，此时ci为人工神经网络的基函数中心，如若不是返回步骤912)进行重新求解。
[0038] 更进一步地，步骤92)所述方差σ可以通过(4)式进行求解：
[0039]
[0040] 其中，cmax为所取中心间的最大距离。
[0041] 更进一步地，步骤93)所述输出层和隐含层间的权值依据(5)式中的最小二乘法计算获得:
[0042]
[0043] 其中，w为输出层和隐含层间的权值；cmax为所取中心间的最大距离；xp为建立模型时所用到的待测样本荧光光谱数据信息，即步骤4)得到的预处理后的荧光光谱数据；ci为人工神经网络基于主要为高斯函数的隐含层节点中心；i＝1,2,…,h，为隐含层节点数；p＝1,2,3，…，P，为输入样本数。
[0044] 优选地，步骤3)、5)、8)和9)所述理化指标数值包括过
氧化值和酸价；步骤4)和/或7)所述干扰数据包括杂峰、瑞利散射。
[0045] 本发明的有益效果在于：
[0046] 本发明一种便携式荧光光谱快速检测人工神经网络智能判别模型的建立方法，既可以对待测样本进行荧光
数据采集，又能够在windows
操作系统中对便携式荧光光谱检测设备进行数据进行二次分析，可以对食用植物油特征性荧光物质进行快速响应，应用于食用植物油真伪快速辨别。
附图说明
[0047] 图1为本发明便携式荧光光谱快速检测设备示意图；
[0048] 图2为便携式荧光光谱操作界面示意图；
[0049] 图3
菜籽油、
花生油和
葵花籽油特征性荧光光谱谱图；
[0050] 图4为本发明食用植物油真伪快速检测方法
实施例的
流程图。
[0051] 附图标记：
[0052] 1-计算机终端控制设备，2-数据线，3-激发光源，4-入射荧光光纤，5-样品支架，6-样品池，7-遮光板，8-出射荧光光纤，9-荧光检测器。
具体实施方式
[0053] 为更好理解本发明，下面结合实施例及附图对本发明作进一步描述，以下实施例仅是对本发明进行说明而非对其加以限定。
[0054] 图1为便携式荧光光谱检测设备示意图，根据图1，计算机终端控制设备1分别通过数据线2与激发光源3、荧光检测器9进行连接且计算机终端控制设备1的信号输出端与激发光源3的信号输入端连接，计算机终端控制设备1的信号输入端与荧光检测器9的信号输出端连接；激发光源3和样品池6通过入射荧光光纤4进行连接；荧光检测器9和样品池6通过出射荧光光纤8进行连接；样品池6置于样品支架5中，入射荧光光纤4和出射荧光光纤8呈90°垂直夹角；遮光板7置于样品池6上方。
[0055] 激发光源3为激光光源、
LED灯或钨灯等能够生成单色激发光源灯组成，计算机终端控制设备1主要是以具有Windows 7系统的平板计算机组成，样品池6主要是以
石英玻璃做窗口的样品池为主。真伪辨别使用的植物油主要以
橄榄油、菜籽油、花生油和
大豆油等单一食用植物油物质或者两种以上食用植物油混合而成的调和油。
[0056] 本发明提供的技术方案是：
[0057] 一种便携式荧光光谱快速检测人工神经网络智能判别模型的建立方法，既可以对待测样本进行荧光数据采集，又能够在windows操作系统中对便携式荧光光谱检测设备进行数据进行二次分析。主要通过训练集食用植物油样本的酸价和过氧化值等理化数值和荧光光谱数据进行关联，建立食用植物油品质智能检测训练集智能检测方法，再通过训练集智能检测方法对测试集中的未知食用植物油样本进行结果预测，得到相关的未知食用植物油样本理化数值，通过比较预测结果和实际检测结果间的差别，对智能检测模型进行评价，最终获得最佳油脂智能检测方法,主要包括以下几个步骤：
[0058] 1)选择和采集具有代表性的食用植物油样本120个，将其按照2:1比例分别分为80个训练集样本和40个测试集样本。
[0059] 2)通过便携式荧光光谱快速检测设备获取训练集食用植物油样本荧光光谱数据，作为智能检测模型建模输入原数据。
[0060] 3)通过国家标准中的过氧化值(GB 5009.227-2016)和酸价(GB5009.229-2016)检测方法测得训练集样本中的理化指标数值，作为智能检测方法输出数据。
[0061] 4)对步骤2)中的训练集样本进行校正处理，去除数据中的杂峰、瑞利散射等干扰数据，作为智能检测模型建模输入数据。
[0062] 5)通过人工神经网络方法，以步骤3)所获得的食用植物油理化数值作为输出数据，以步骤4)得到的预处理后的荧光光谱数据作为输入数据，通过拟合获得训练集智能检测模型。
[0063] 6)对测试集食用植物油样本，通过相同的检测参数获得荧光光谱数据。
[0064] 7)对步骤6)所获取的食用植物油测试集样本的荧光光谱数据进行预处理，处理方式同步骤4)中的方法。
[0065] 8)利用步骤5)获得的训练集智能检测方法对待测的测试集食用植物油样本荧光光谱数据进行数据分析，获得测试集食用植物油样本相关的理化指标数值。
[0066] 9)通过比较步骤8)经过智能检测模型预测获得的食用植物油理化指标数值和步骤7)实际测得的食用植物油理化指标数值进行比对，通过比对结果对食用植物油智能检测方法进行校正。
[0067] 针对上述的便携式荧光光谱快速检测设备的采集功能和模型预测能
力进行进一步整合，通过二次开发方式将构建好的数学模型植入到
硬件设备中。
[0068] 所述的二次开发功能，首先是通过USB
连接线将具有windows系统的计算机终端控制设备和便携式荧光光谱快速检测设备进行连接，通过计算机控制系统对便携式荧光光谱快速检测设备进行控制和开发；所述的便携式荧光快速检测设备是滁州学院自主研发，主要有激发光源系统、检测系统、进样系统和
数据处理系统几部分组成；计算机控制终端可以是
笔记本电脑、台式机等设备；二次开发主要是在MATLAB平台上进行。
[0069] 二次开发过程中涉及的智能检测和判别算法主要是基于人工神经网络算法，具体算法如下：
[0070] 首先是建立基于高斯函数的径向基函数，因此人工神经网络的激活函数算法如1式所示：
[0071]
[0072] 其中(1)式中的‖xp-ci‖为欧式范数；ci为人工神经网络基于主要为高斯函数的隐含层节点中心，σ为式中高斯函数的方差。
[0073] 因此,人工神经网络的输出可以通过(2)式进行表示：
[0074]
[0075] 第p个输入样本p＝1,2,3,…,P可用(2)式中的 进行表示,其中P为样本总数；人工神经网络基于主要为高斯函数的隐含层节点中心可用ci进行表示,隐含层至输出层的连接权值用wij进行表示，隐含层节点数用i＝1,2,3，…，h进行表示；第j个样本输入结点所对应的输出结点的实际输出通过yj进行表示。
[0076] 对于期望输出值为d的样本，其基函数方差可以用(3)式进行表示：
[0077]
[0078] 人工神经网络的具体实现步骤如下：
[0079] 步骤1：通过K-均值聚类方法获得基函数c值。
[0080] 1.1初始化神经网络：对采集信号中的样本进行随机选择，获得h个训练样本当作聚类中心ci(i＝1,2,…,h)。
[0081] 1.2通过最邻近方法将训练集样本进行分组:依据ci和xp之间的欧式距离将xp分配到输入样本的聚类结合θp(p＝1,2,…,P)中。
[0082] 1.3调整聚类中心：对聚类集合θp中的训练集样本进行取平均值。获得新的聚类中心ci，当新的聚类中心未发生变化时，此时ci为人工神经网络的基函数中心，如若不是返回1.2进行重新求解。
[0083] 步骤2：求解方差σ
[0084] 由于人工神经网络基函数为高斯函数，其方差σ可以通过(4)式进行求解：
[0085]
[0086] 其中cmax为所取中心间的最大距离.
[0087] 步骤3:计算输出层和隐含层间的权值
[0088] 输出层和隐含层间的人工网络神经元连接权值依据(5)式中的最小二乘法计算获得,相关计算公式如下:
[0089] 其中i＝1,2,…,h；p＝1,2,3，…，P。
[0090] 本实施例中的二次开发步骤，主要包括连接荧光光谱快速检测设备和计算机控制终端，通过控制终端上的界面开发程序对荧光光谱仪进行连接、控制和二次开发处理，主要包括：
[0091] 1)连接和初始化便携式荧光光谱快速检测设备
[0092] 将便携式荧光光谱快速检测设备通过USB数据线同计算机控制终端连接起来。安装光谱仪驱动程序和runtime-MCR_R2017b程序，通过调用OceanOptics_OmniDriver.mdd函数来连接荧光光谱仪，调用程序为spectrometerObj＝icdevice('OceanOptics_OmniDriver.mdd')。为了更好的控制荧光光谱检测设备，首先检测荧光光谱仪型号和连接状态，在电脑控制终端中输入connect(spectrometerObj)和disp(spectrometerObj)，控制系统会根据检测结果对荧光光谱仪检测设备连接情况和版本信息反馈到界面上。通过integrationTime，spectrometerIndex，channelIndex语句对荧光光谱仪积分时间和通道等信息进行控制。
[0093] 2)控制便携式荧光光谱仪数据采集参数
[0094] 便携式荧光光谱快速检测设备的采集控制主要是通过
软件完成的，首先是对光谱仪的荧光光谱采集参数进行控制。通过invoke(spectrometerObj,'setIntegrationTime',spectrometerIndex,channelIndex,integrationTime)语句对荧光光谱仪采集过程中的积分时间进行控制，通过invoke(spectrometerObj,'setCorrectForDetectorNonlinearity',spectrometerIndex,channelIndex,enable)；语句对采集的荧光光谱数据进行非线性校准，通过wavelengths＝invoke(spectrometerObj,'getWavelengths',spectrometerIndex,channelIndex)语句获取荧光光谱设备
波长信息，通过spectralData＝invoke(spectrometerObj,'getSpectrum',spectrometerIndex)语句获取检测设备荧光强度信息。
[0095] 3)植入荧光光谱智能判别程序和结果显示
[0096] 在同一个工作界面中将最佳食用植物油智能检测模型(model)移植到toolbox目录下，并在MATLAB中对其进行路径设置，通过plot(wavelengths,spectralData)语句将荧光检测设备采集到的数据显示出来，通过ylabel('Fluorescence intensity(a.u.)')和xlabel('wavelength(nm)')语句对其纵坐标和横坐标进行标注。通过Test_data＝spectralData语句将荧光光谱设备检测数值传递给预测语句,通过Prediction_result＝sim(net,Test_data)语句获得人工神经网络模型预测结果，并将结果在界面程序中显示出来。
[0097] 本实施例涉及到具体食用植物油油样检测步骤步骤，主要包括向样本支架中放置油样，检测设备控制系统对样本进行荧光光谱采集和预测结果输出最终将结果显示出来，作为食用植物油品质判定结果，主要包括：
[0098] 将待测样本放置于塑料容器中，采用涡旋混匀器对其进行混匀处理，采用移液器或者移液管将其已入至直径为1cm的荧光石英比色皿内，油样达到比色皿高度的3/4。
[0099] 将荧光比色皿移至移至样品池中，打开单色波长为405nm的LED或激光光源，通过设备操作界面将积分时间设定为100-10000ms之间，经过采集数据和数据保存等按钮对硬件设备进行操作。
[0100] 此时激发光源通过荧光光纤到达荧光比色皿中，样品被激发后产生的荧光发射光谱以90°夹角通过荧光光纤最终进入到荧光检测器中。
[0101] 平板计算机通过数据连接线获取荧光光谱检测器所采集到的待测样品荧光发射光谱。
[0102] 对食用植物油真伪判别过程中，主要依赖人工肉眼识别和
模式识别两种方式，根据两者判定结果综合判断待测食用植物油是是否为真品食用植物油。
[0103] 这里的人工肉眼识别主要是指将待测食用植物油样本荧光光谱谱图和标准品食用植物油荧光光谱谱图进行比对，根据荧光特征峰峰形和荧光强度判定待测食用植物油真伪。模式识别是指，将待测荧光光谱数据代入已构建好的真伪检测模型中，通过人工神经网络、
支持向量机和主成分分析等模式识别方法判定待测食用植物油真伪，两者结果不符时通过高相液相、化学滴定等方法进一步确定食用植物油真伪。
[0104] 以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种
变形和改进，均应落入本发明的
权利要求书确定的保护范围内。
