基于近红外光谱技术乳制品品种快速无损鉴别

王 磊，郭中华，金 灵，郑彩英

(宁夏大学物理电气信息学院，宁夏银川750021)

1 引言

近年来，中国经济迅速发展，国民的健康意识大幅提高。牛奶因其富含蛋白质、氨基酸、矿物质、钙和各种维生素等营养物质，成为人们日常生活中必不可少的一种食品，因此，对乳及乳制品质量的检测和品种鉴别成为一项重要的课题。目前，一些学者对乳及乳制品品的质检测已经进行了一系列深入的研究，也得到了较好的成果［1－6］，但是，相对于其他食品的品种鉴别而言［7－9］，对乳及乳制品品种鉴别的相关研究还较少。作为生活中必不可少的高营养食品，为了满足广大消费者的需求，不但要对其品质进行严格把关，品种区分也非常重要，只有这样才能在销售过程中更具针对性。

近红外光谱法是光谱测量技术和化学计量学的有机结合，因其具有硬件成本低、检测速度快、测试重现性好和对样品无损坏的优点而被广泛的应用于食品工业、石油化工、农业，医药也等多个领 域［10－13］。 近 红 外 光 谱 是 指 波 长 在 780 ～2526 nm范围内的电磁波，波数范围为3500～13000 cm－1，从波长上可以分为短波近红外(780～1100 nm)和长波近红外(1100～2526 nm)。其分析特点是利用近红外光照射被测样品，由于分子团的振动，样品会吸收一部分能量。不同分子团的振动，吸收光的波段不同，主要信息是含H基团倍频和合频的吸收［14］。

本文将采用透射法获取四种乳制品的近红外光谱，然后建立鉴别模型。

2 实验工作

样本选自宁夏回族自治区本地某品牌液态乳制品，分别为纯牛奶、酸牛奶、麦香奶和枸杞红枣奶四个品种共计240个，其中每个品种挑选生产批次不同的60个样本。每个品种60个样本分别按照约3∶1的比例划分校正集和预测集如表1所示。

表1 鉴别模型校正集/预测集样品划分

使用AntarisⅡ傅里叶变换近红外光谱分析仪的漫透射附件进行样本光谱采集。每次打开光谱仪均预热30 min～1 h，实验室温度保持在25℃左右。样本使用光程1 mm的石英比色皿装盛，并占比色皿容积4/5。仪器参数设定如下:扫描范围为10000 ～40000 cm－1，分辨率 8 cm－1，扫描次数 32次，每个样本平行测定3次，取平均光谱。所有样品原始光谱如图1所示。为了消除背景噪声，每100分钟取一次背景光谱。

图1 样品原始光谱图

3 建模、结果与分析

3.1 原理和方法

3.1.1 支持向量机人工神经网络(SVM-ANN)

支持向量机(Support Vector Machine，简称SVM)是在统计学习理论基础上发展起来的，Vapnik和Chemielewaski于1995年提出了完整的统计学理论，并在此接触上发展了一种新的用于解决模式分类和非线性回归问题的学习方法——SVM［15］。SVM的关键在于核函数的选择，低维空间向量集通常难于划分，解决方法就是将低维空间映射到高维空间。而核函数正好可以解决这个问题，所以选择合适的核函数就可以得到高维空间的分类函数［15］。

3.1.2 小波变换(WT)

小波变换［16］(Wavelet Transform，WT)是一个时间和频率的局域变换，能够有效地从信号中提取信息。在近红外光谱分析中，小波变换可用于压缩样本光谱数据从而达到光谱数据被降维的目的。

3.1.3 校正模型的评价参数

光谱数据经过预处理，然后使用BP-ANN、RBFANN和SVM-ANN和分别建立鉴别模型，模型的评价指标是鉴别率(r)，即鉴别正确的样品数在预测集样品中所占百分比。

3.2 光谱预处理

采用光谱分析软件OMNIC7.0将光谱转化为.CSV格式的数据，然后使用TQ7.0对光谱进行预处理。为了寻求最佳的鉴别模型、最高的鉴别率和最快速的鉴别速率，本文共采用了WT、FD、SD、FD+WT、SD+WT、SD+SG、SNV+SG、MSC+SG、MSC+SG+FD、SD+SG+WT、SNV+SG+WT、MSC+SG+WT和MSC+SG+FD+WT共13种方法对光谱进行了预处理。经过反复实验，选取硬阈值下分解尺度为6、小波基为db3函数的小波变换，经过小波压缩后的光谱数据点由原始的2179变为38，从而达到了数据降维和提高建模速率的目的。通过三种神经网络鉴别模型得到的最佳光谱预处理方法为MSC+SG+WT，四种乳制品共240个样品经过MSC+SG+WT预处理后的光谱图2所示。

图2 经过MSC+SG+WT预处理后的光谱图

3.3 鉴别模型建立及评价

3.3.1 模型建立

分别以上述13种光谱预处理方法处理过的光谱数据和原始光谱数据作为BP-ANN、RBF-ANN和SVM-ANN三种神经网络的输入变量，对神经网络进行学习和训练，最终得到最佳的鉴别模型，然后再对预测集样品的性质进行鉴别。通过实验结果得出:当对样品光谱进行MSC+SG+WT处理后，三种神经网络建立的鉴别模型鉴别率均为100%，鉴别模型图如图3所示，且三种网络的最佳参数设置如下:

(1)BP-ANN最佳网络参数:隐含层节点数为2，输出层节点数为1，最大训练次数为500，学习速率为0.001，目标误差为0.001，初始权值和阈值由程序随机设置;

(2)RBF-ANN最佳网络参数:输入层节点数为38，隐含层节点数为10，输出层节点数为1，目标误差为0.01，扩散常数SPREAD为180;

(3)SVM-ANN最佳网络参数:惩罚参数c=32、数据映射到新的特征空间后的分布参数g=4。

图3 经MSC+SG+WT处理后的乳制品鉴别模型图

3.3.2 模型评价

所有光谱预处理方法下三种人工神经网络对四种乳制品的鉴别模型结果对比如表2所示。

表2 四种乳制品鉴别模型对比

从表2中可以得出以下结论:

(1)在所有光谱预处理方法中，最佳的方法是MSC+SG+WT，通过这种方法预处理后，BP-ANN、RBF-ANN和SVM-ANN三种神经网络对乳制品建立鉴别模型均达到了100%;

(2)除MSC+SG+WT方法以外，只采用WT进行光谱预处理后，三种神经网络建立的鉴别模型鉴别率也均可达到90%以上;采用FD+WT预处理后的鉴别率也均可达到85%以上。所以在进行乳制品品种鉴别时，首先可以采取最佳预处理方法MSC+SG+WT，除此之外还可考虑WT和FD+WT;

(3)采用MSC+SG进行光谱预处理后，SVMANN法鉴别模型行的鉴别率也可达到100%，而MSC+SG+FD+WT进行光谱预处理，BP-ANN和RBF-ANN建立的鉴别模型性能也比较可靠，鉴别率也均可达到98%，因此，可根据根据实际需求进行选择;

(4)从总体上看，使用SVM-ANN建立鉴别模型的精度要高于BP-ANN和RBF-ANN法，除了MSC+SG+FD和MSC+SG+FD+WT两种光谱预处理方法以外，其他光谱预处理方法下，SVM-ANN法建立鉴别模型的鉴别率均可达到80%以上，多数在90%以上，基本符合实际需求。

综上可见，三种人工神经网络中，性能最稳定，精度最高的是SVM-ANN，实际生产和生活中可多采用此方法。

4 结论

对应用近红外光谱技术快速建立四种乳制品鉴别模型的方法进行了研究，得到了一种速度快，精度高，无损坏的鉴别方法。用小波变化压缩预处理后的样品光谱数据，数据被降维;然后分别采用BPANN、RBF-ANN和SVM-ANN建立品种鉴别模型。结果表明，三种人工神经网络中，SVM-ANN性能最稳定且精度最高，为实际生产和生活提供了理论依据。

［1］ Nagarajan R，Singh Parul，Mehrotra Ranjana．Direct determination of moisture in powder milk using near infrared spectroscopy［J］．Journal of Automated Methods＆ Management in Chemistry，2006，(3):1 －4．

［2］ Masataka Kawasaki，Shuso Kawamura，Maki Tsukahara，et al．Near-infrared spectroscopic sensing system for online milk quality assessment in a milking robot［J］．Computers and Electronics in Agriculture，2008，(63):22 －27．

［3］ Jaya Sundaram，Chari V K，Christopher L B．Application of near infrared spectroscopy to peanut grading and quality analysis:overview［J］．Sens．＆ Instrumen．Food Qual，2009，(3):156 －164．

［4］ Roman M B，Sergey V S．Melamine detection by mid-and near-infrared(MIR/NIR)spectroscopy:A quick and sensitive method for dairy products analysis including liquid milk，infant formula，and milk powder［J］．Talanta，2011，(85):562－568．

［5］ Wang Tianzi，Zheng Limin，Tian Lijun，et al．Analysis of milk and dairy products by Near-Infrared Spectroscopy:a review［J］．Spectroscopy and Spectral Analysis，2010，30(12):3208 －3212．(in Chinese)王田子，郑丽敏，田立军，等．近红外在乳及乳制品质量检测中的研究发展［J］．光谱学与光谱分析，2010，30(12):3208－3212．

［6］ Zhu Xiangrong，Shan Yang，Li Gaoyang，et al．Determination of fat and protein content in liquid milk by near infrared spectroscopy［J］．Food Science，2011，32(12):191 －195．(in Chinese)朱向荣，单阳，李高阳，等．近红外光谱法快速测定液态奶中蛋白质和脂肪含量［J］．食品科学，2011，32(12):191－195．

［7］ Zhou Zaijin，Liu Gang，Ren Xianpei．Identification studies of wild mushroom by mid-infrared spectrum and stratified sampling method［J］．Laser ＆ Infrared，2010，40(9):970 －975．(in Chinese)周在进，刘刚，任先培．中红外光谱和分层抽样法应用于野生菌的快速鉴别［J］．激光与红外，2010，40(9):970－975．

［8］ Tan Ailing，Bi Weihong．Identification of honey by NIR spectroscopy technology based on KPCA and LSSVM［J］．Laser＆ Infrared，2011，41(12):1331 － 1336．(in Chinese)谈爱玲，毕卫红．基于KPCA和LSSVM的蜂蜜近红外光谱鉴别分析［J］．激光与红外，2011，41(12):1331－1336．

［9］ Niu Xiaoying，Shao Limin，Zhao Zhilei，et al．Nondesructive discrimination of strawberry varieties by NIR and BRANN［J］．Spectroscopy and Spectral Analysis，2012，32(8):2095 －2099．(in Chinese)牛晓颖，邵利敏，赵志磊，等．基于BP－ANN的草莓品种近红外光谱无损鉴别方法研究［J］．光谱学与光谱分析，2012，32(8):2095 －2099．

［10］ Guo Haixia，Wang Tao，Liu Yang，et al．Study on recognition of the true or false red wine based on visible-near infrared spectroscopy［J］．Spectroscopy and Spectral Analysis，2011，31(12):3269 －3272．(in Chinese)郭海霞，王涛，刘洋，等．基于可见－近红外光谱技术的葡萄酒真伪鉴别的研究［J］．光谱学与光谱分析，2011，31(12):3269 －3272．

［11］ Zhang Jun，Jiang Li，Chen Zhe，et al．Study on the gasoline classification methods based on near infrared spectroscopy［J］．Spectroscopy and Spectral Analysis，2010，30(10):2654 －2657．(in Chinese)张军，姜黎，陈哲，等．基于近红外光谱技术成品汽油分类方法的研究［J］．光谱学与光谱分析，2010，30(10):2654－2657．

［12］ Wu Wenjin，Wang Hongwu，Chen Shaohong，et al．Fast discrimination of commercial corn varieties based on near infrared spectra［J］．Spectroscopy and Spectral Analysis，2010，30(5):1248 －1251．(in Chinese)邬文锦，王红武，陈绍江，等．基于近红外光谱的商品玉米品种快速鉴别方法［J］．光谱学与光谱分析，2010，30(5):1248 －1251．

［13］ Yan Wenjuan，Lin Ling，Zhao Jing，et al．Probability neural network for the classification of tonguediagnosis by near infrared spectroscopy［J］．Laser ＆ Infrared，2010，40(11):1201 －1204．(in Chinese)严文娟，林凌，赵静，等．概率神经网络用于舌诊的近红外光谱分类［J］．激光与红外，2010，40(11):1201－1204．

［14］ Lu Wanzhen，Yuan Hongfu，Xu Guangtong．Modern near infrared spectral analysis technology［M］．2nd ed．Beijing:China Petrochemical Press，2007:15．(in Chinese)陆婉珍，袁洪福，徐广通．现代近红外光谱分析技术［M］．2 版．北京:中国石化出版社，2007:15．

［15］ Fang Hui，Wang Qian．Research of algorithm on support vector machine［J］．Journal of Changchun Normal University:Natural Science，2007，26(3):90 －91．(in Chinese)方辉，王倩．支持向量机的算法研究．长春师范学院学报:自然科学版，2007，26(3):90 －91．

［16］ Yang Fusheng．Engineering analysis and application of wavelet transform［M］．Beijing:Science Press，1999:1 －4．(in Chinese)杨福生．小波变换的工程分析与应用［M］．北京:科学出版社，1999:1－4．