時間:2021年05月26日 分類:推薦論文 次數:
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