运用拉曼近红外光谱融合技术快速鉴定植物油的种类
2018-01-16陈阳,罗青松
我国对植物油消费水平日益提高,因此要求对植物油的质量监管的力度要到位,本文将针对利用拉曼光谱和近红外光谱融合技术对植物油的种类进行快速高效精准的鉴定,并结合分析植物油种类鉴定的SVC模型研究技术,对更好地预测植物油的鉴定模型,严格执行好我国植物油种类鉴定检测标准提供借鉴。
样品光谱采集与光谱分析
样品光谱采集
运用拉曼近红外光谱融合技术快速鉴定植物油时,应首先对植物油进行样品光谱的采集,采集植物油样品的光谱仪是欧普图斯拉曼光谱仪,红外植物油质量快速鉴定仪。
样品光谱对比分析
采集大豆油、花生油、菜籽油、茶籽油、稻米油、玉米油、葵花籽油和橄榄油八类植物油作为样品,对这八类常见植物油进行分别处理后,在对其进行拉曼光谱采集和近红外光谱采集,对采集的拉曼光谱和近红外光谱分析后可知,拉曼光谱曲线会因为植物油种类的不同而不同,通常1340—1440纳米以及1600-1700纳米处会出现波峰和波谷,吸光度也不同,吸光度的位置变化也会因为采集的长度单位的不同而相应做出改变,这也就证明了采用拉曼光谱法和近红外原始图谱能够对植物油的种类进行有效的鉴定。
光谱特征波长提取
应用竞争性自适应重加权采样,连续投影算法联用和后向间隔偏最小二乘法算法对处理过后的拉曼图谱和近红外光谱进行数据的提取测量,然后对提取的数据结合激光拉曼光谱,近红外光谱表示为特征层,对近红外光谱特征层建立光谱融合建构,连续投影算法联用时先使用连续投影对光谱的特征变量进行提取,再用提取后的光谱特征变量进行投影算法的连用,然后采用投影算法对连续投影算法进行特征变量进行二次收集,并对二次特征变量进行优选。
植物油种类鉴定SVC模型研究
基于拉曼光谱植物油种类的鉴定SVC模型
经过 MA11-airPLS-Nor 近预处理的拉曼光谱并结合光谱的波峰和波谷,以及SG9-airPLS-Nor 处理的拉曼光谱数据进行SVC模型的构建,SVC模型的构建应注意在对拉曼光谱分析的数据预处理,结合拉曼光谱的波峰和波谷对数据预处理的时效性进行采集,作为SVC模型建构的输入变量,之后就是对SVC模型建构后的整体优化,建立包含拉曼光谱全波段的SVC整体建构模型。接下来就结合连续投影算法和向间隔偏最小二乘法算法对拉曼光谱进行计算,记录到SVC模型建构的输入量中去,得到具有拉曼股光谱数据分析性质的特征变量植物油种类鉴定的SVC模型。
基于近红外光谱的植物油种类的鉴定SVC模型
对样本植物油采集后的近红外光谱进行预处理过后,得到的特征变量可以作为SVC 模型的输入变量,并结合近红外光谱的波峰和波谷发现其变化特征,就可以建立全波段的近红外光谱SVC模型,然后结合连续投影算法和向间隔偏最小二乘法算法对近红外光谱进行数据计算,就可以得到具有特征变量的SVC近红外光谱SVC鉴别模型。
利用拉曼图谱和近红外光谱能对植物油的种类进行鉴定,并结合光谱分析技术和拉曼图谱的近红外光谱的数据层,分析两者的特征层能够建立近红外光谱,数据层多源光谱融合,特征层多元光谱数据融合SVC鉴别模型,以此来提高植物油种类的鉴别率。