基于近紅外光譜技術(shù)乳制品品種快速無(wú)損鑒別

王 磊，郭中華，金 靈，鄭彩英

(寧夏大學(xué)物理電氣信息學(xué)院，寧夏銀川750021)

1 引言

近年來(lái)，中國(guó)經(jīng)濟(jì)迅速發(fā)展，國(guó)民的健康意識(shí)大幅提高。牛奶因其富含蛋白質(zhì)、氨基酸、礦物質(zhì)、鈣和各種維生素等營(yíng)養(yǎng)物質(zhì)，成為人們?nèi)粘Ｉ钪斜夭豢缮俚囊环N食品，因此，對(duì)乳及乳制品質(zhì)量的檢測(cè)和品種鑒別成為一項(xiàng)重要的課題。目前，一些學(xué)者對(duì)乳及乳制品品的質(zhì)檢測(cè)已經(jīng)進(jìn)行了一系列深入的研究，也得到了較好的成果［1－6］，但是，相對(duì)于其他食品的品種鑒別而言［7－9］，對(duì)乳及乳制品品種鑒別的相關(guān)研究還較少。作為生活中必不可少的高營(yíng)養(yǎng)食品，為了滿足廣大消費(fèi)者的需求，不但要對(duì)其品質(zhì)進(jìn)行嚴(yán)格把關(guān)，品種區(qū)分也非常重要，只有這樣才能在銷售過(guò)程中更具針對(duì)性。

近紅外光譜法是光譜測(cè)量技術(shù)和化學(xué)計(jì)量學(xué)的有機(jī)結(jié)合，因其具有硬件成本低、檢測(cè)速度快、測(cè)試重現(xiàn)性好和對(duì)樣品無(wú)損壞的優(yōu)點(diǎn)而被廣泛的應(yīng)用于食品工業(yè)、石油化工、農(nóng)業(yè)，醫(yī)藥也等多個(gè)領(lǐng) 域［10－13］。 近 紅 外 光 譜 是 指 波 長(zhǎng) 在 780 ～2526 nm范圍內(nèi)的電磁波，波數(shù)范圍為3500～13000 cm－1，從波長(zhǎng)上可以分為短波近紅外(780～1100 nm)和長(zhǎng)波近紅外(1100～2526 nm)。其分析特點(diǎn)是利用近紅外光照射被測(cè)樣品，由于分子團(tuán)的振動(dòng)，樣品會(huì)吸收一部分能量。不同分子團(tuán)的振動(dòng)，吸收光的波段不同，主要信息是含H基團(tuán)倍頻和合頻的吸收［14］。

本文將采用透射法獲取四種乳制品的近紅外光譜，然后建立鑒別模型。

2 實(shí)驗(yàn)工作

樣本選自寧夏回族自治區(qū)本地某品牌液態(tài)乳制品，分別為純牛奶、酸牛奶、麥香奶和枸杞紅棗奶四個(gè)品種共計(jì)240個(gè)，其中每個(gè)品種挑選生產(chǎn)批次不同的60個(gè)樣本。每個(gè)品種60個(gè)樣本分別按照約3∶1的比例劃分校正集和預(yù)測(cè)集如表1所示。

表1 鑒別模型校正集/預(yù)測(cè)集樣品劃分

使用AntarisⅡ傅里葉變換近紅外光譜分析儀的漫透射附件進(jìn)行樣本光譜采集。每次打開(kāi)光譜儀均預(yù)熱30 min～1 h，實(shí)驗(yàn)室溫度保持在25℃左右。樣本使用光程1 mm的石英比色皿裝盛，并占比色皿容積4/5。儀器參數(shù)設(shè)定如下:掃描范圍為10000 ～40000 cm－1，分辨率 8 cm－1，掃描次數(shù) 32次，每個(gè)樣本平行測(cè)定3次，取平均光譜。所有樣品原始光譜如圖1所示。為了消除背景噪聲，每100分鐘取一次背景光譜。

圖1 樣品原始光譜圖

3 建模、結(jié)果與分析

3.1 原理和方法

3.1.1 支持向量機(jī)人工神經(jīng)網(wǎng)絡(luò)(SVM-ANN)

支持向量機(jī)(Support Vector Machine，簡(jiǎn)稱SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來(lái)的，Vapnik和Chemielewaski于1995年提出了完整的統(tǒng)計(jì)學(xué)理論，并在此接觸上發(fā)展了一種新的用于解決模式分類和非線性回歸問(wèn)題的學(xué)習(xí)方法——SVM［15］。SVM的關(guān)鍵在于核函數(shù)的選擇，低維空間向量集通常難于劃分，解決方法就是將低維空間映射到高維空間。而核函數(shù)正好可以解決這個(gè)問(wèn)題，所以選擇合適的核函數(shù)就可以得到高維空間的分類函數(shù)［15］。

3.1.2 小波變換(WT)

小波變換［16］(Wavelet Transform，WT)是一個(gè)時(shí)間和頻率的局域變換，能夠有效地從信號(hào)中提取信息。在近紅外光譜分析中，小波變換可用于壓縮樣本光譜數(shù)據(jù)從而達(dá)到光譜數(shù)據(jù)被降維的目的。

3.1.3 校正模型的評(píng)價(jià)參數(shù)

光譜數(shù)據(jù)經(jīng)過(guò)預(yù)處理，然后使用BP-ANN、RBFANN和SVM-ANN和分別建立鑒別模型，模型的評(píng)價(jià)指標(biāo)是鑒別率(r)，即鑒別正確的樣品數(shù)在預(yù)測(cè)集樣品中所占百分比。

3.2 光譜預(yù)處理

采用光譜分析軟件OMNIC7.0將光譜轉(zhuǎn)化為.CSV格式的數(shù)據(jù)，然后使用TQ7.0對(duì)光譜進(jìn)行預(yù)處理。為了尋求最佳的鑒別模型、最高的鑒別率和最快速的鑒別速率，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種方法對(duì)光譜進(jìn)行了預(yù)處理。經(jīng)過(guò)反復(fù)實(shí)驗(yàn)，選取硬閾值下分解尺度為6、小波基為db3函數(shù)的小波變換，經(jīng)過(guò)小波壓縮后的光譜數(shù)據(jù)點(diǎn)由原始的2179變?yōu)?8，從而達(dá)到了數(shù)據(jù)降維和提高建模速率的目的。通過(guò)三種神經(jīng)網(wǎng)絡(luò)鑒別模型得到的最佳光譜預(yù)處理方法為MSC+SG+WT，四種乳制品共240個(gè)樣品經(jīng)過(guò)MSC+SG+WT預(yù)處理后的光譜圖2所示。

圖2 經(jīng)過(guò)MSC+SG+WT預(yù)處理后的光譜圖

3.3 鑒別模型建立及評(píng)價(jià)

3.3.1 模型建立

分別以上述13種光譜預(yù)處理方法處理過(guò)的光譜數(shù)據(jù)和原始光譜數(shù)據(jù)作為BP-ANN、RBF-ANN和SVM-ANN三種神經(jīng)網(wǎng)絡(luò)的輸入變量，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，最終得到最佳的鑒別模型，然后再對(duì)預(yù)測(cè)集樣品的性質(zhì)進(jìn)行鑒別。通過(guò)實(shí)驗(yàn)結(jié)果得出:當(dāng)對(duì)樣品光譜進(jìn)行MSC+SG+WT處理后，三種神經(jīng)網(wǎng)絡(luò)建立的鑒別模型鑒別率均為100%，鑒別模型圖如圖3所示，且三種網(wǎng)絡(luò)的最佳參數(shù)設(shè)置如下:

(1)BP-ANN最佳網(wǎng)絡(luò)參數(shù):隱含層節(jié)點(diǎn)數(shù)為2，輸出層節(jié)點(diǎn)數(shù)為1，最大訓(xùn)練次數(shù)為500，學(xué)習(xí)速率為0.001，目標(biāo)誤差為0.001，初始權(quán)值和閾值由程序隨機(jī)設(shè)置;

(2)RBF-ANN最佳網(wǎng)絡(luò)參數(shù):輸入層節(jié)點(diǎn)數(shù)為38，隱含層節(jié)點(diǎn)數(shù)為10，輸出層節(jié)點(diǎn)數(shù)為1，目標(biāo)誤差為0.01，擴(kuò)散常數(shù)SPREAD為180;

(3)SVM-ANN最佳網(wǎng)絡(luò)參數(shù):懲罰參數(shù)c=32、數(shù)據(jù)映射到新的特征空間后的分布參數(shù)g=4。

圖3 經(jīng)MSC+SG+WT處理后的乳制品鑒別模型圖

3.3.2 模型評(píng)價(jià)

所有光譜預(yù)處理方法下三種人工神經(jīng)網(wǎng)絡(luò)對(duì)四種乳制品的鑒別模型結(jié)果對(duì)比如表2所示。

表2 四種乳制品鑒別模型對(duì)比

從表2中可以得出以下結(jié)論:

(1)在所有光譜預(yù)處理方法中，最佳的方法是MSC+SG+WT，通過(guò)這種方法預(yù)處理后，BP-ANN、RBF-ANN和SVM-ANN三種神經(jīng)網(wǎng)絡(luò)對(duì)乳制品建立鑒別模型均達(dá)到了100%;

(2)除MSC+SG+WT方法以外，只采用WT進(jìn)行光譜預(yù)處理后，三種神經(jīng)網(wǎng)絡(luò)建立的鑒別模型鑒別率也均可達(dá)到90%以上;采用FD+WT預(yù)處理后的鑒別率也均可達(dá)到85%以上。所以在進(jìn)行乳制品品種鑒別時(shí)，首先可以采取最佳預(yù)處理方法MSC+SG+WT，除此之外還可考慮WT和FD+WT;

(3)采用MSC+SG進(jìn)行光譜預(yù)處理后，SVMANN法鑒別模型行的鑒別率也可達(dá)到100%，而MSC+SG+FD+WT進(jìn)行光譜預(yù)處理，BP-ANN和RBF-ANN建立的鑒別模型性能也比較可靠，鑒別率也均可達(dá)到98%，因此，可根據(jù)根據(jù)實(shí)際需求進(jìn)行選擇;

(4)從總體上看，使用SVM-ANN建立鑒別模型的精度要高于BP-ANN和RBF-ANN法，除了MSC+SG+FD和MSC+SG+FD+WT兩種光譜預(yù)處理方法以外，其他光譜預(yù)處理方法下，SVM-ANN法建立鑒別模型的鑒別率均可達(dá)到80%以上，多數(shù)在90%以上，基本符合實(shí)際需求。

綜上可見(jiàn)，三種人工神經(jīng)網(wǎng)絡(luò)中，性能最穩(wěn)定，精度最高的是SVM-ANN，實(shí)際生產(chǎn)和生活中可多采用此方法。

4 結(jié)論

對(duì)應(yīng)用近紅外光譜技術(shù)快速建立四種乳制品鑒別模型的方法進(jìn)行了研究，得到了一種速度快，精度高，無(wú)損壞的鑒別方法。用小波變化壓縮預(yù)處理后的樣品光譜數(shù)據(jù)，數(shù)據(jù)被降維;然后分別采用BPANN、RBF-ANN和SVM-ANN建立品種鑒別模型。結(jié)果表明，三種人工神經(jīng)網(wǎng)絡(luò)中，SVM-ANN性能最穩(wěn)定且精度最高，為實(shí)際生產(chǎn)和生活提供了理論依據(jù)。

［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，鄭麗敏，田立軍，等．近紅外在乳及乳制品質(zhì)量檢測(cè)中的研究發(fā)展［J］．光譜學(xué)與光譜分析，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)朱向榮，單陽(yáng)，李高陽(yáng)，等．近紅外光譜法快速測(cè)定液態(tài)奶中蛋白質(zhì)和脂肪含量［J］．食品科學(xué)，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)周在進(jìn)，劉剛，任先培．中紅外光譜和分層抽樣法應(yīng)用于野生菌的快速鑒別［J］．激光與紅外，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)談愛(ài)玲，畢衛(wèi)紅．基于KPCA和LSSVM的蜂蜜近紅外光譜鑒別分析［J］．激光與紅外，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)牛曉穎，邵利敏，趙志磊，等．基于BP－ANN的草莓品種近紅外光譜無(wú)損鑒別方法研究［J］．光譜學(xué)與光譜分析，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，王濤，劉洋，等．基于可見(jiàn)－近紅外光譜技術(shù)的葡萄酒真?zhèn)舞b別的研究［J］．光譜學(xué)與光譜分析，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)張軍，姜黎，陳哲，等．基于近紅外光譜技術(shù)成品汽油分類方法的研究［J］．光譜學(xué)與光譜分析，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)鄔文錦，王紅武，陳紹江，等．基于近紅外光譜的商品玉米品種快速鑒別方法［J］．光譜學(xué)與光譜分析，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)嚴(yán)文娟，林凌，趙靜，等．概率神經(jīng)網(wǎng)絡(luò)用于舌診的近紅外光譜分類［J］．激光與紅外，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)陸婉珍，袁洪福，徐廣通．現(xiàn)代近紅外光譜分析技術(shù)［M］．2 版．北京:中國(guó)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)方輝，王倩．支持向量機(jī)的算法研究．長(zhǎng)春師范學(xué)院學(xué)報(bào):自然科學(xué)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)楊福生．小波變換的工程分析與應(yīng)用［M］．北京:科學(xué)出版社，1999:1－4．