摘要:針對目前蜂蜜檢測技術存在的無法快速、準確識別的問題，提出了一種基于激光誘導熒光(LIF)與學習向量量化(LVQ)有機結合對蜂蜜進行快速識別的方法;采用LIF獲取蜂蜜的光譜數據，利用主成分分析(PCA)對光譜數據處理，將處理后的數據輸入已建立好LVQ分類學習模型中進行分類識別;實驗將挑選4種不同的蜂蜜，每種采集50組蜂蜜光譜數據，隨機抽取120組蜂蜜光譜數據用于LVQ神經網絡模型的訓練，其余80組蜂蜜數據將輸入訓練好的LVQ模型進行測試;LVQ分類學習模型用于蜂蜜分類鑒定需要的時間為0.8s，LVQ分類學習模型用于蜂蜜分類鑒定的準確率達到99.45%;實驗結果表明:將基于LIF與LVQ有機結合，可以滿足蜂蜜快速、準確識別的要求。

　　關鍵詞:LVQ神經網絡算法;激光誘導熒光技術;主成分分析法;數據處理;蜂蜜識別

　　0引言

　　當今社會，人們對蜂蜜的需求越來越大，但是近幾年來蜂蜜以次充好的問題愈發嚴重，因此對蜂蜜的檢測與分類就愈發重要。目前，蜂蜜分類鑒定的常用方法包括液相色譜法和氣相色譜法、電子舌法、紅外光譜法、穩定同位素技術等。液相色譜法與氣相色譜法雖然具有簡單、快速等特點，但是在實驗前需要對樣本進行處理;電子舌法[1-2]是通過構建電子舌系統，通過系統對蜂蜜中的測試物質的響應獲得數據識別蜂蜜的類型，電子舌法雖然具有識別速度快等特點，但是受到傳感器陣列限制，識別的準確率較低;紅外光譜法[3-5]是通過紅外光對蜂蜜照射獲取紅外光譜數據，再利用紅外光譜數據對蜂蜜類型進行分析識別，紅外光譜法雖然具有鑒定速度快，無污染等特點，但是其靈敏度低;佘僧[6]利用穩定同位素技術對蜂蜜進行分類識別，穩定同位素技術 雖然識別準確率高，但其靈敏度低，價格昂貴且不能廣泛被應用。

　　激光誘導熒光(LaserInducedFluorescence，LIF)技術的特點包含靈敏度高、快速檢測、易推廣等;而學習向量量化(LVQ)算法的特點包含其算法簡單、方便、可以抑制噪音干擾。因此提出一種基于LIF技術與LVQ算法有機結合的方法對蜂蜜進行分類識別。該方法可以解決目前蜂蜜檢測技術不能快速準確鑒定的問題，能夠滿足對蜂蜜快速準確鑒定的要求。

　　1實驗與方法

　　1.1實驗儀器蜂蜜的熒光光譜是在蜂蜜檢測實驗平臺上采集的，實驗使用的激光誘導熒光光譜儀是USB200+的微型光纖光譜儀，實驗中使用的激光源是一個405nm的藍紫色半導體激射器，實驗中設置入射激光功率為120mw，實驗將鑒定的熒光光譜范圍設置為340-1021nm，分辨率設置為0.5nm。實驗所用于蜂蜜鑒定的探針設置為FPB-405-v3沉浸式激光激發熒光探針，可直接放入待測蜂蜜中，獲得實時光譜數據。實驗的光纖接口是SMA905接頭。采集的蜂蜜的熒光光譜在經過濾除無用波段的熒光處理后，將直接通過光纖送到光譜儀中，最后，利用光譜套件軟件采集并記錄蜂蜜在光譜波段范圍內的熒光光譜。

　　1.2蜂蜜采集

　　蜂蜜有很多種，例如從百種花中采集的百花蜜;源于八葉五加或者鵝掌柴的冬蜜;稀有蜜種龍眼蜜等。選取常見的4種蜂蜜類型為實驗樣本，分別命名為蜂蜜A、B、C、D，其中蜂蜜A樣本為洋槐蜜，蜂蜜B樣本為紫云英蜜，蜂蜜C樣本為椴樹蜜，蜂蜜D樣本為百花蜜。

　　1.3實驗方法

　　1.3.1LIF技術LIF是利用激光作為激發光照射能產生熒光的物質，產生熒光并對其熒光進行分析，與目前常用的熒光分析方法相比，激光誘導熒光法是利用激光作為熒光物質的激發光源，因此激光誘導熒光法具有靈敏度更高、檢測效果更好的特點。LIF技術具有靈敏度高和快速檢測的特點，故LIF被廣泛應用在醫療、化工、生物等場合。例如，來文豪[7]將多元宇宙優化(MVO)算法與無監督學習算法(DBSCAN)和LIF有機結合用于煤礦突水的鑒定;周孟然等[8]將LIF與iPLS算法有機結合對煤礦突水進行鑒定李大同等[9]將AdaBoost算法于LIF結合對礦井突水水源進行識別，武桂芬等[10]將激光誘導熒光技術用于疾病診斷中;萬文博等[11]將激光誘導熒光應用于植物壽命的校正。

　　1.3.2主成分分析法特征提取是對研究對象的分析和變化，改變研究對象的測量值，比較研究對象的前后差異，突出研究對象代表性特征的一種方法。研究與比較改變測量值前后的研究對象，可以從研究對象中提取可以代表研究對象特征的方法。實驗所采集的4種不同蜂蜜的熒光光譜圖是由不同的波段熒光強度組成，其所采集的光譜圖的維度高，因此將會對所采集的光譜圖進行特征提取。

　　2實驗過程與分析

　　2.1蜂蜜的熒光光譜圖

　　為了采集的光譜數據的準確性，減少無關因素對實驗造成的影響，采集蜂蜜光譜數據的實驗是在安靜無光、溫度相對恒定的實驗室中進行的。在實驗中，4種蜂蜜類型各采集了50組光譜數據，即4種蜂蜜類型樣本總共采集了200組光譜數據，所有的光譜數據采集是在一次實驗中完成的。為了蜂蜜光譜圖顯示得更加清晰，故采集后的蜂蜜熒光光譜圖經SG方法預處理后，將選擇在340nm～1021nm波段中進行繪制，繪制的4種蜂蜜樣本的熒光光譜圖。

　　2.2PCA降維數據

　　實驗中，用于蜂蜜光譜數據采集的USB200+光譜儀的像素為2048，即每次采集的蜂蜜光譜曲線有2048個波長點。要用LVQ神經網絡算法在激光誘導熒光光譜進行識別，需要對原始的光譜圖進行特征提取，運用PCA算法對原始的蜂蜜光譜圖進行特征提取，即可以提高蜂蜜識別的準確率并且還可以減少算法運行的時間。將利用LIF技術采集的蜂蜜熒光光譜圖數據輸入PCA算法中，將PCA的累計貢獻率設置為95%，對應的主成分的個數為2;將PCA的累計貢獻率設置為99%，對應的主成分的個數為3。通過PCA將蜂蜜的光譜圖的2048維數據降到了3維數據，在不損失蜂蜜的重要特征的前提下，利用PCA算法降低數據的維度，可以減少算法運行時間，提高算法的準確率。

　　3實驗結果與總結

　　采用了LVQ神經網絡算法，并與PCA算法有機結合建立分類學習模型，對蜂蜜進行分類識別，并且與LVQ分類模型、PCA+BP分類模型相互比較。

　　3種分類模型都是在Matlab2019環境中運行的，其算法運行的硬件環境為Corei5-5200U2.2GHzCPU，RAM4GB。針對蜂蜜的光譜樣本，3種分類模型各運行了100次，記錄3種分類模型平均的訓練時間、平均分類準確率和標準差，比較3種分類模型的性能。

　　食品論文投稿刊物：《食品與機械》雜志是中國食品科學技術學會會刊，食品工業類中文核心期刊、中國科技核心期刊、RCCSE中國核心學術期刊。旨在指導行業發展，促進科技進步，指引投資方向，引導產品開發。

　　4結束語

　　針對蜂蜜檢測技術存在的無法快速、準確識別的問題，利用PCA與LVQ有機結合的方法和LIF技術相結合，提出快速、準確識別蜂蜜的方法。其中利用LIF技術對蜂蜜的樣本進行處理，獲取蜂蜜的熒光光譜圖，而PCA與LVQ有機地結合對獲取的蜂蜜光譜圖進行識別分類。結合以上兩種技術可以對蜂蜜進行識別分類;首先使用LIF技術對蜂蜜樣本進行處理獲取蜂蜜光譜圖，再利用PCA+LVQ的分類特性對蜂蜜光譜圖進行分類，從而達到蜂蜜快速準確識別的要求。另外，還可以推廣到煤礦的突水的研究，可以更好地幫助人們防治煤礦突水;還可以推廣到假酒的治理中，幫助人們喝到“放心酒”。綜上所述，不但可以應用于蜂蜜的檢測，還可以應用于其他多種場合，具有一定的普遍性和社會價值。

　　參考文獻(References):

　　[1]張海平，張艷平，高紅慧.伏安電子舌對不同植物源蜂蜜的檢測識別[J].中國農機化學報，2014，35(6):192—195，109ZHANGHP，ZHANGYP，GAOHH.DetectionandrecognitionofHoneyfromDifferentPlantSourcesbyVoltammetricElectronicTongue[J].ChineseJournalofAgriculturalMachineryChemistry，2014，35(6):192—195，109(inChinese)

　　[2]賈洪鋒，李維，段麗麗.電子舌對摻入果葡糖漿摻假蜂蜜的識別[J].食品與機械，2015，31(4):68—71.JIAHF，LIW，DUANLL.IdentificationofAdultTongueHoneyMixedwithFructoseSyrupbyElectronicTongue[J].FoodandMachinery，2015，31(4):68—71(inChinese)

　　作者：湯超，周孟然