一种基于拉曼光谱的石油产品快速分类方法

提出了一种基于拉曼光谱的石油产品快速分类方法.首先,利用经过谱图预处理的石油产品训练样本拉曼谱图构建模型知识库,计算各类别的特征拉曼谱图和类内阈值;其次,将石油产品测试样本的拉曼谱图经过相同的预处理,再计算其与各类别特征拉曼谱图的线性相关系数,若最大相关系数大于或等于最大相关系数对应类别的类内阈值,则该样本属于此类别....     

基于拉曼光谱的食用植物油快速鉴别

提出了一种基于拉曼光谱的食用植物油快速鉴别方法。基于已知类别的食用植物油样本进行建模,首先对原始拉曼谱图进行基线校正和标准归一化等预处理,并选取食用油不饱和度特征的两处拉曼峰值作为特征向量,计算训练样本特征空间上各个植物油类别的中心坐标;然后,将食用植物油测试样本的拉曼谱图经过相同预处理和特征提取,获取测试样本的特征向量,计算其与各类别中心坐标的欧式距离,根据类中心最小距离法,取欧式距离最小的那一类作为预测样本的类别。针对7类43个食用植物油样本的实验结果表明,采用食用油不饱和度两点描述法进行特征提取,各类别样本聚集效果比PCA好,类间距更大。上述鉴别方法可以准确地实现食用植物油品种的快速分类。     

基于波段选择的拉曼光谱血痕鉴别

血痕的种属鉴别在刑事技术和检验检疫等领域有重要的实践意义,拉曼光谱技术为血痕种属鉴别提供了思路。实验采集人血及猪、鸡、鸭、牛、鼠5种动物的血样并获取其拉曼光谱,采用Savitzky-Golay方法平滑降噪,airPLS方法进行基线校正,选取100~1 700 cm-1波段进行实验。训练集有600组数据,测试集有300组拉曼光谱数据。第一部分实验对比了PLS-DA,LDA,PCA+LDA,SVM和PCA+SVM等方法,测试集准确率分别为84.0%,49.3%,78%,83.0%和85.7%,验证了降维算法结合SVM分类器的有效性。第二部分采用互信息算法、遗传算法和等间隔组合三种波段选择算法,结合SVM分类器做对比实验,结果显示互信息结合SVM算法的分类准确率最优,在选择波段数为50时,测试集准确率达到86.0%。在波段选择数为300时,三种波段选择算法结合SVM分类器的准确率都达到93%左右,大幅高于传统分类方法。实验结果表明,采用波段选择算法进行光谱降维,可以有效的提高算法的准确率和鲁棒性,同时使拉曼光谱种属鉴定的可解释性更强。波段选择算法确定了血痕鉴别的关键波段位置,对设计用于执法的便携式拉曼系统也有重要意义。     

基于拉曼光谱的汽油牌号快速识别

提出了一种基于拉曼光谱的汽油牌号快速识别方法。该方法首先基于已知牌号的成品汽油样本进行建模,获取不同牌号成品汽油建模样本的拉曼谱图,经过谱图预处理后对谱图进行主成分分析(principal component analysis,简称PCA),获得载荷矩阵和得分矩阵,同时分别计算不同牌号汽油样本的平均得分向量,即不同牌号的得分中心坐标;然后对未知牌号汽油样本进行识别,先将未知牌号汽油样本拉曼谱图进行相同的谱图预处理,再计算该样品在载荷矩阵上的得分向量,根据PCA类中心最小距离法,计算该得分向量到不同牌号的得分中心坐标的欧式距离,依最小距离直接确定汽油牌号。针对45个取自国内不同炼油厂的成品汽油样本的实验结果表明这些汽油样本拉曼谱图经谱图预处理和PCA后,不同牌号汽油样本在主元得分空间上存在明显类间距,使用PCA类中心最小距离法可实现汽油牌号快速准确的分类。     

拉曼光谱结合模式识别方法用于大豆原油掺伪的快速判别

大豆原油是我国的战略储备物资,然而目前储油市场上频繁出现大豆原油掺混的现象严重影响了食用油储备安全。基于此,通过大豆原油与部分植物精炼油拉曼谱图的特征差异,并结合主成分分析-支持向量机(PCA-SVM)模式识别建立了大豆原油是否掺伪的快速判别方法。以28个大豆原油、46个精炼油、110个掺伪油的拉曼谱图为模型样本;选择位于780～1 800 cm-1波段的谱图,预处理方法同时采用Y轴强度校正、基线校正和谱图归一化法;在此基础上应用PCA法提取特征变量,即以贡献率最高前7个主成分为变量进行SVM分析。SVM校正模型的建立是以随机选取的20个大豆原油和75个掺伪油样组成校正集,以8个大豆原油和35个掺伪油样组成验证集,分别运用并比较四种核函数算法建立的大豆原油SVM分类模型,并采用网格搜索法(grid-search)优化模型的参数,以四种模型的分类性能作为评判标准。结果表明：应用线性核函数算法构建的SVM分类模型可以很好地完成掺伪大豆原油的判别,校正集识别准确率达到100%,预测结果的误判率为0,判别下限为2.5%。结果表明应用拉曼光谱结合化学计量学能够用于大豆原油掺伪的快速鉴别。拉曼光谱简便、快速、无损、几乎没有试剂消耗,适合现场检测,从而为大豆原油的掺伪分析提供了一种新的备选方法。     

基于表面增强拉曼光谱的毒品鉴别方法

毒品的快速检测在抑制毒品的传播,打击毒品犯罪方面有着举足轻重的作用。表面增强拉曼光谱（SERS）技术具有指纹识别、检测速度快、样品用量少、无损伤等众多优点而受到了关注,其特点特别适合于公安机关现场快速检测执法。本文利用金纳米粒子溶胶作为增强试剂对拉曼光谱进行增强,制作1 μg·mL-1的苯丙胺、氯胺酮、芬太尼、海洛因、可卡因和甲基苯丙胺六种溶液,毒品溶液、增强试剂、NaCl溶液的体积比为20∶6∶5混合,取30 μL混合溶液滴在载玻片表面,在空气中自然挥干后待检。每类毒品溶液各制作5个样本,每个样本随机采集10个点的拉曼光谱数据。6种毒品溶液拉曼光谱数据共300组,随机选择60组拉曼数据作为训练集,利用训练集数据对模型进行训练。其余240组数据作为测试集,测试模型的分类效果。经过预实验比较,实验选择波长为785 nm激光作为激发光源,采用50×物镜,激光强度为3.0 mW,曝光时间为0.2 s,扫描次数为1 000次,选取400～1 700 cm-1波段测试研究。采用Savitzky-Golay方法对拉曼数据进行平滑降噪,采用airPLS方法进行基线校正,完成数据的0-1归一化。利用主成分分析法、方差筛选法、遗传选择算法、互信息法对数据降维处理,通过支持向量机、随机森林、人工神经网络和最近邻四种算法分别进行建模训练,并利用测试集数据测试模型分类效果,重复10遍取平均准确率。结果表明,拉曼光谱数据经过PCA降维后,选取5个主成分,各分类器准确率都在95%以上。另外三种波段选择方法中,遗传选择算法结合SVM分类器准确率较高,遗传选择算法筛选出的5个拉曼波段的组合,分类准率已达到95%以上,25个拉曼波段组合时,准确率达到99%。遗传选择算法作为波段选择算法,不仅可以降低拉曼光谱采集数据的维度,而且可解释性更强,有更重要的意义,为毒品的快速检测技术提供参考。     

高光谱成像的垃圾分类识别研究

高光谱成像因光谱分辨率高、图谱合一、可实现快速无损检测等特点现已广泛应用于农业、医学、遥感等领域。现有的对可回收生活垃圾检测与分类的方法,都存在检测时间长,分类效率低,而大量多种垃圾无法同时快速分拣等问题。考虑到不同类别的生活垃圾由于其主要组成分子结构的差异,对不同波长的光有不同的吸收特性。高光谱图像在记录待分类垃圾的空间信息的同时,可以获得垃圾对不同波长的光的反射率光谱信息,通过建立识别分类模型对反射率光谱信息进行分析可以实现对高光谱图像中待分类垃圾的识别与分类。收集常见纸质、塑料、木质三种材料的可回收的垃圾样本,包括塑料瓶、食品包装袋、塑料玩具(饰品)碎片、一次性筷子、雪糕棒、木制家具碎片、木制包装盒、废旧课本、广告纸、办公用纸等多种物品共30个样本,进行清洗和裁剪处理,避免样本表面污渍对样本反射率产生影响。利用高光谱成像系统采集样本在近红外(780～1 000 nm)范围内的高光谱图像,其中18个样本做训练样本集,12个样本做测试样本集。对采集的样本图像数据做预处理,包括去噪声以及黑白校正反演反射率信息等处理;通过主成分分析(PCA)方法对训练样本集感兴趣区域(ROI)进行分析,提取到的特征波段为795.815,836.869,885.619,916.409,929.239,934.37,957.463,972.858和988.253 nm;在特征波段下分别提取这三种类别垃圾的参考光谱,通过光谱角度填图法(SAM)对测试样本ROI区域内提取的测试样本点集在特征波段下与参考光谱进行匹配,由匹配程度进行样本点归类,分析结果表明,测试样本集中纸制样本(A类别)、塑料样本(B类别)、木制样本(C类别)的分类准确度分别为100%,98%和100%,测试样本点集整体的分类准确度为99.33%;通过Fisher判别方法分析训练样本集得出判别函数式和判别准则,对测试样本点集分类,评价结果为A,B和C类样本分类准确度分别为100%,100%和97%,测试样本点集整体分类准确度为99%。通过SAM和Fisher两种判别方法对测试样本集的光谱图像进行目标物的检测与分类,结果表明,利用SAM判别方法在可回收垃圾的高光谱图像中实现检测与分类有更高的分类准确度,可达到99.33%。同时,也验证了使用高光谱成像进行可回收垃圾快速分类的科学性以及可行性,对未来系统化、机械化、智能化地解决生活中可回收垃圾的分类具有一定的实用意义。     

基于仿生模式识别和近红外光谱的转基因小麦快速鉴别方法

提出了一种采用近红外光谱快速鉴别转基因小麦种子的方法,对不同品种的9个转基因小麦样品种子分别建立了鉴别模型。对9个小麦样品共225个样本,通过近红外光谱仪扫描获得从4 000～12 000 cm-1波段范围的光谱数据。为了消除噪声,对原始数据先进行了归一化预处理;然后使用主成分分析(PCA)方法得到能反映小麦种子97.28%光谱信息的前10个主成分,提高了数据处理效率;最后利用仿生模式识别(biomimetic pattern recognition, BPR)方法建立小麦品种的鉴别模型。对于每个样品中的25个样本,随机挑选15个样本作为训练样本,其余10个样本作为第一测试集,其他品种共200个样本作为第二测试集。在对第二测试集平均正确拒识率达到96.7%的情况下,对第一测试集中的样本取得了95.6%的平均正确识别率。实验结果表明,该方法具有较高的鉴别准确度,可以作为一种快速无损的转基因小麦种子鉴别方法。     

基于近红外光谱和仿生模式识别玉米品种快速鉴别方法

文章提出了一种采用近红外光谱快速鉴别玉米品种的新方法,并对不同品种的玉米种子建立了相应的鉴别模型。对7个玉米品种共140个样本,通过近红外光谱仪扫描获得4 000～12 000 cm-1波段范围内的光谱数据。为了消除噪声、提高数据处理效率,对原始数据进行了归一化预处理,采用固定尺寸移动窗口渐进因子法(fix-sized moving window evolving factor analysis)寻找特征波段,使用主成分分析(PCA)方法得到能反映玉米种子99.96%光谱信息的5个主成分,进而利用仿生模式识别(biomimetic pattern recognition)方法建立玉米品种的鉴别模型。对于每个品种中的20个样本,随机挑选10个样本作为训练样本,其余10个样本作为第一测试集,其他品种共120个样本作为第二测试集。在对第二测试集平均正确拒识率达到99.1%的情况下,对第一测试集中的样本取得了94.3%的平均正确识别率。该方法具有较高的鉴别准确度,可以作为一种快速无损的玉米品种鉴别方法。     

基于近红外光谱的商品玉米品种快速鉴别方法

现有的玉米种子品种鉴别方法检测时间长,费用高,不易大批量快速鉴别。提出了一种基于近红外光谱数据快速鉴别商品玉米品种的新方法。先使用傅里叶变换近红外光谱仪获得从4 000到12 000 cm-1波段范围的37个商品玉米品种籽粒的漫反射光谱数据。对原始光谱进行矢量归一化预处理以消除噪声干扰,为了找到玉米品种籽粒的光谱特征波段,提出一种基于标准差的方法,进而对寻找到的玉米籽粒特征波段光谱做主成分分析(PCA),取能反映玉米品种 99.98％ 光谱信息的前10个主成分。最后使用仿生模式识别 (BPR)方法建立了37个玉米品种鉴别模型,对于每个品种的25个样本,随机挑选15个样本作为训练样本,其余10个样本作为第一测试集,其他品种共900个样本作为第二测试集。该鉴别模型对于37个玉米品种的平均正确识别率为94.3%。该方法的进一步研究有利于建立以近红外光谱为基础的物理指纹品种鉴别技术。     

Visible Raman spectroscopy for the discrimination of olive oils from different vegetable oils and the detection of adulteration

We have investigated the potential of Raman spectroscopy with excitation in the visible spectral range (VIS Raman) as a tool for the classification of different vegetable oils and the quantification of adulteration of virgin olive oil as an example. For the classification, principal component analysis (PCA) was applied, where 96% of the spectral variation was characterized by the first two components. A significant similarity between sunflower oil and extra‐virgin olive oil was found using this approach. Therefore, sunflower oil is a potential candidate for adulteration in most commercially available olive oils. Beside the classification of the different vegetable oils, we have successfully applied Raman spectroscopy in combination with partial least‐squares (PLS) regression analysis for very fast monitoring of adulteration of extra‐virgin olive oil with sunflower oil. Different mixtures of extra‐virgin olive oil with three different sunflower oil types were prepared between 5 and 100% (v/v) in 5% increments of sunflower oil. While in the present context the adulteration usually refers to the addition of reasonable amounts of the adulterant (given the similarity with the basic product), we show that the technique proposed can also be used for trace analysis of the adulterant. Without using techniques like surface‐enhanced Raman scattering (SERS), a quantitative detection limit down to 500 ppm (0.05%) could be achieved, a limit irrelevant for adulteration in commercial terms but significant for trace analysis. The qualitative detection limit even was at considerably lower concentration values. Based on PCA, a clear discrimination between pure extra‐virgin olive oil and olive oil adulterated with sunflower oil was achieved. The adulterant content was successfully determined using PLS regression with a high correlation coefficient and small root mean‐square error for both prediction and validation. Copyright © 2009 John Wiley & Sons, Ltd.     

Identification of waste cooking oil and vegetable oil via Raman spectroscopy

This paper made a qualitative identification of ordinary vegetable oil and waste cooking oil based on Raman spectroscopy. Raman spectra of 73 samples of four varieties oil were acquired through the portable Raman spectrometer. Then, a partial least squares discriminant analysis (PLS‐DA) model and a discrimination model based on characteristic wave band ratio were established. A classification variable model of olive oil, peanut oil, corn oil and waste cooking oil that was established through the PLS‐DA model could identify waste cooking oil accurately from vegetable oils. The identification model established based on selection of waveband characteristics and intensity ratio of different Raman spectrum characteristic peaks could distinguish vegetable oils from waste cooking oil accurately. Research results demonstrated that both ratio method and PLS‐DA could identify waste cooking oil samples accurately. The identification model based on characteristic waveband ratio is simpler than PLS‐DA model. It is widely applicable to identification of waste cooking oil. Copyright © 2016 John Wiley & Sons, Ltd.     

Use of Raman spectroscopy for analyzing edible vegetable oils

Vegetable oils provide high nutritional value in the human diet. Specifically, extra virgin olive oil is one of the main ingredients of the Mediterranean diet, which is among the healthiest of eating practices. This article reviews the use of Raman spectroscopy for analyzing edible vegetable oils including olive oil. Although the spectra for edible vegetable oils are similar, they exhibit some differences which, however small, enable their discrimination. Thus, Raman spectra allow one to determine the degree of unsaturation of oils. This property is correlated with the iodine value but much faster and simpler to obtain. The degree of unsaturation can be used to classify and authenticate oils, which is especially useful with high-quality oils. In fact, adulteration with mixtures of more inexpensive oils can be easily detected by Raman spectroscopy. This technique additionally allows some minor components present in unsaponifiable matter to be identified. Fats in general and vegetable oils in particular, are prone to oxidation. Thus, double bonds in them are oxidized to form triglycerides. Vegetable oils are widely used for frying and Raman spectroscopy allows for their oxidative stability against heating at the usual frying temperatures to be assessed.     

基于拉曼光谱技术鉴别新陈大米的方法研究

基于拉曼光谱检测技术结合化学判别方法,建立新陈大米拉曼光谱判别模型;建立适当的样品预处理方法,确保样品制备的均一性,使用拉曼光谱仪对新陈大米共计60组样品进行检测,在785 nm波长激光激发下,获取样品200～2 400 cm-1的拉曼光谱信息;对原始拉曼光谱进行基线校正、平滑、滤波等处理。利用主成分分析法（PCA）对拉曼光谱进行降维处理及粗分类鉴别;基于偏最小二乘分析法（PLS）,建立新陈大米快速鉴别模型,该模型对建模训练集鉴别正确率为100%,模型验证集鉴别正确率为95%。结果表明：该模型判断新陈大米是可行的,为大米新陈度的快速判别提供了一种新的方法。     

基于植物油可见吸收光谱的相关系数鉴别特级初榨橄榄油

目前市场上的橄榄油品牌很多,质量参差不齐,亟需完善橄榄油的等级分类检测和特级初榨橄榄油的鉴别方法。可见吸收光谱光谱法可在不直接接触样品的情况下对样品进行无添加试剂的探测,因此为实现特级初榨橄榄油的鉴别,采用可见吸收光谱法对不同种类植物油进行了光谱测量。实验结果发现特级初榨橄榄油在500~780 nm波段内具有4个明显的吸收峰,而其他种类植物油在此波段内吸光度较弱或无吸收峰,且同种植物油不同品牌之间的光谱特征极其相似。采用相关系数比对不同种类植物油可见吸收光谱,分别计算了四个不同波长范围内植物油的可见吸收光谱的相关系数,实验发现不同波长范围内的植物油可见光谱相关系数差别较大。在520～700 nm范围内,特级初榨橄榄油间的光谱相关系数在0.999 6以上,特级初榨橄榄油与其他种类植物油的光谱相关系数均低于0.267 8,特级初榨橄榄油与其他等级橄榄油的光谱相关系数在0.194 6～0.835 8之间。研究结果表明可见吸收光谱相关系数法是一种快速非接触式鉴别特级初榨橄榄油的可行性方法。建立了一种特级初榨橄榄油快速鉴别方法,即可见吸收光谱相关系数法。该方法在特级初榨橄榄油的实际鉴别中具有一定的应用价值。     

Quantitative detection of adulterated olive oil by Raman spectroscopy and chemometrics

Commercially available extra virgin olive oils are often adulterated with some other cheaper edible oils with similar chemical compositions. A set of extra virgin olive oil samples adulterated with soybean oil, corn oil and sunflower seed oil were characterized by Raman spectra in the region 1000–1800 cm⁻¹. Based on the intensity of the Raman spectra with vibrational bands normalized by the band at 1441 cm⁻¹ (CH₂), external standard method (ESM) was employed for the quantitative analysis, which was compared with the results achieved by support vector machine (SVM) methods. By plotting the adulterant content of extra virgin olive oil versus its corresponding band intensity in the Raman spectrum at 1265 cm⁻¹, the calibration curve was obtained. Coefficient of determination (R²) of each curve was 0.9956, 0.9915 and 0.9905 for extra virgin olive oil samples adulterated with soybean oil, corn oil and sunflower seed oil, respectively. The mean absolute relative errors were calculated as 7.41, 7.78 and 9.45%, respectively, with ESM, while they were 5.10, 6.96 and 4.55, in the SVM model, respectively. The prediction accuracy shows that the ESM based on Raman spectroscopy is a promising technique for the authentication of extra virgin olive oil. The method also has the advantages of simplicity, time savings and non‐requirement of sample preprocessing; especially, a portable Raman system is suitable for on‐site testing and quality control in field applications. Copyright © 2011 John Wiley & Sons, Ltd.     

可见/近红外联合UVE-PLS-LDA鉴别压榨和浸出山茶油

山茶油是我国特有的优质食用油,而压榨山茶油营养品质优于浸出山茶油。采用可见/近红外光谱技术对压榨和浸出山茶油进行鉴别研究。在350～1 800 nm波段范围内采集压榨和浸出山茶油样本的透射光谱,利用无信息变量消除(UVE)方法进行波长变量优选,剔除无用波长变量,并应用偏最小二乘-线性判别分析(PLS-LDA)建立鉴别分类模型。最后,利用鉴别分类模型对未参与建模的26个预测集样本进行鉴别。研究结果表明,UVE-PLS-LDA是一种有效的鉴别分类方法,所建立的鉴别分类模型能较好地对压榨和浸出山茶油进行鉴别,校正集和预测集样本的鉴别正确率均为100%。因此,可见/近红外光谱联合UVE-PLS-LDA方法鉴别压榨和浸出山茶油是可行的。