三维荧光光谱结合Zernike图像矩快速鉴别掺伪芝麻油

为了实现对掺伪芝麻油的快速鉴别,应用FS920荧光光谱仪测定样品的三维荧光光谱数据。将三维荧光光谱图视为灰度图,在没有任何预处理的前提下,直接应用Zernike图像矩提取三维光谱灰度图的特征信息,然后采用类平均法对特征信息进行聚类分析,从定性角度实现掺伪芝麻油的鉴别,并解析其组成成分。最后应用广义回归神经网络(GRNN)对掺伪样本的成分进行定量分析。聚类分析能够以很高的辨识率来识别掺伪芝麻油,并能够正确解析其组成成分。定量模型预测了2组掺伪样本中各成分的相对体积,其平均相对误差分别为2.23%,8.00%,9.70%和9.70%。分析结果表明,Zernike矩能够有效提取光谱的特征信息,光谱数据的Zernike矩特征结合聚类分析以及GRNN模型能够获得良好的定性和定量分析结果,为掺伪芝麻油的鉴别提供了一种新的方法。     

小波矩结合三维荧光光谱简单快速鉴别掺伪芝麻油

芝麻油营养丰富,因市场价格较高,掺假现象频出,严重损害了消费者利益和市场的健康发展。因此,研发一种简单快速准确鉴别掺伪芝麻油的方法,对保障消费者权益和市场健康具有重要意义。为此,提出了一种小波矩结合三维荧光光谱掺伪芝麻油鉴别方法。该方法简单快速,计算样本的任一有效特征进行谱系聚类,即可准确鉴别掺伪芝麻油。以43个样本(芝麻油16个,掺伪菜籽油、掺伪大豆油及掺伪玉米油各9个)为研究对象,用FS920荧光光谱仪获得样本的三维荧光光谱。用db2小波将光谱进行多尺度分解(MRSD),用MRSD的一阶离散逼近系数构造小波矩。用前两阶小波矩值W_(0,0),W_(1,0),W_(1,1),W_(0,1),W_(2,0),W_(2,1),W_(2,2),W_(1,2),W_(0,2)分别作为特征对样本进行谱系聚类,观察分析聚类结果。结合邓恩分类指数(DVI)进一步分析,研究同阶小波矩分类效果及规律。进而研究各阶小波矩的分类效果及规律。最终确定了用于鉴别掺伪芝麻油的最佳小波矩值。结果表明:MRSD一阶逼近重构光谱可以在保留原光谱的有效特征基础上,大量去除噪声,减少光谱数据量72.4%,增强模型的抗噪稳定性和实时性。利用小波矩前两阶矩值W_(2,1),W_(2,2),W_(1,2),W_(0,2)其一作为分类特征进行谱系聚类,即可鉴别掺伪芝麻油。同阶小波矩(W_(p,q))随p值减小q值增大呈现规律性,确定了同阶小波矩的有效矩值及最佳有效矩值。小波矩随着阶数的增加DVI先增后减,最后趋于稳定,确定了各阶小波矩中可用于鉴别掺伪芝麻油的目标矩值W_(0,q≥2)及最佳目标矩值W_(0,6)。小波矩的有效及目标矩值是针对样本分类的有效特征,计算样本的任一有效特征进行谱系聚类,即可实现掺伪芝麻油的鉴别。该研究思路及结论为矩值法应用到三维荧光光谱提供参考。该方法简单快速,可实现在线测量,为质监部门及生产企业提供油品检测和鉴定手段。     

结合小波压缩和APTLD的三维荧光光谱技术在掺伪麻油鉴别中的应用

将三维荧光光谱技术、小波压缩和交替惩罚三线性分解算法(APTLD)结合,提出了一种鉴别掺伪芝麻油的新方法。利用荧光光谱仪测量纯芝麻油及掺伪芝麻油样本的三维荧光光谱,通过激发校正和发射校正消除仪器带来的误差,得到样本的真实三维荧光光谱数据;利用小波压缩对处理后的真实数据进行压缩,以减少冗余信息,其中压缩分数和数据恢复分数分别大于94.00%和98.00%;利用APTLD算法对压缩后的数据进行定性及定量分析,得到的回收率为97.0%～99.8%,预测方均根误差不大于0.120。研究结果表明,所提方法能够准确鉴别纯芝麻油及掺伪芝麻油样本,并对其组分含量进行预测。     

基于近-中红外相关谱融合判定掺伪芝麻油

为充分提取复杂掺伪食用油的特征信息,提出并建立一种掺伪芝麻油的判别方法.采集40个纯芝麻油和40个掺入不同浓度玉米油的芝麻油的常规一维近红外透射光谱和中红外衰减全反射光谱.对两样本采用二维相关谱技术进行相关计算,得到每一样品的同步和异步二维近红外相关谱和中红外相关谱,并进行预处理,得到其对应的同步-异步二维近红外相关谱和中红外相关谱.采用多维主成分分析法提取其特征,并将其得分矩阵进行融合.基于融合的得分矩阵,以及单一近红外、中红外相关谱得分矩阵分别建立纯芝麻油和掺伪芝麻油偏最小二乘判别分析模型,三个模型对预测集样品的判别正确率分别为100%、96.2%和96.2%.研究结果表明,所提出的方法可提取更多的特征信息,提供更好的分析结果.     

基于三维荧光光谱的Krawtchouk图像矩算法在多环芳烃定量分析中的应用

以多环芳烃中的芴和苊为研究对象,提出一种将三维荧光光谱技术与Krawtchouk图像矩、广义回归神经网络相结合的定量分析的方法。利用FS920荧光光谱仪获取样品的三维荧光光谱数据,得到对应的三维光谱灰度图。直接计算三维光谱灰度图的Krawtchouk矩,将得到的Krawtchouk矩经平均影响值筛选后作为广义回归神经网络的输入,建立多环芳烃(PAHs)的定量模型。预测8组混合溶液的测试样本,芴和苊的平均相对误差分别为0.98%和2.15%。研究结果表明,Krawtchouk矩经过筛选后预测结果更为准确,该方法能够有效提取光谱的特征信息,简单、准确的预测PAHs的浓度。     

基于FTIR的芝麻油真伪鉴别和掺伪定量分析模型

把低价油掺入到高价油是食用油脂中的常见掺伪现象,芝麻油由于品质好价格高,市场上时有假冒伪劣产品,因此应用FTIR并结合化学计量学,建立了芝麻油的真伪和掺伪的快速分析方法。首先分析了芝麻油与大豆油、葵花籽油在4 000～650 cm-1范围的FTIR谱图,由于食用植物油都是不同脂肪酸甘油三酯的混合物,其谱图极为相似,很难发现芝麻油与其他油脂的明显差异。但是不同食用油的脂肪酸组成不同,其1 800～650 cm-1红外指纹特征区也有所不同,因此可以选择该区域,对红外光谱数据用化学计量学方法进行分类识别。通过建立主成分分析(PCA)和簇类独立软模式识别(SIMCA)模型,进行了芝麻油的真伪鉴别,该模型聚类效果较为理想,识别正确率达到了100％;采用标准正态化校正(SNV)和偏最小二乘法(PLS),经过PCA分析计算,芝麻油中掺入大豆油、葵花籽油的掺伪检测限均为10%;利用FTIR和PLS,建立了芝麻油掺的定量分析模型,该模型预测值与实际值有着良好的对应关系,预测相对误差为-6.87％～8.07％之间,说明定量模型可行。本方法能够实现芝麻油的快速真伪鉴别和掺伪定量分析,其优点是模型一旦建立,分析简便、快速,可以满足大量样品的日常监测。     

基于三维荧光光谱和四元数主成分分析的食醋品牌溯源研究

提出基于四元数主成分分析的三维荧光光谱特征提取新方法,并将其运用于品牌食醋溯源研究。首先利用F7000荧光光谱仪测得不同品牌食醋样本的三维荧光光谱数据,获取样本的等高线图和三维投影图,并进行三维荧光等高线图分析;然后利用激发波长分别为380,360和400 nm下的发射光谱数据建立食醋三维荧光光谱数据的四元数并行表示模型,对四元数荧光光谱矩阵进行四元数主成分特征提取,并基于乘积运算、模值运算和求和运算三种方法对提取出来的四元数主成分特征进行特征融合;最后将融合特征作为K近邻分类器的输入,得到不同食醋品牌的最优分类模型。分别讨论三种不同特征融合方法和四元数主成分个数与最终模型分类正确率之间的关系。针对四个不同食醋品牌120个样本的分析结果可得：基于求和特征融合运算所得到的融合特征可以利用最少的特征数目,建立最优的溯源模型,样本预测集溯源正确率可达100%。研究结果表明：四元数主成分特征提取和特征融合方法能够并行表示三维荧光光谱数据所蕴含的丰富信息,为三维荧光光谱数据分析提供新思路。     

基于分光光度计的食用油折射率实验研究

为获取不同食用油的光学色散特异性,须研究其折射率随波长变化特征.忽略光的散射影响后,建立了一种用于分光光度计的新双层载玻片模型,用此载玻片分别盛载菜籽油、芝麻油、餐厨废弃油、掺伪菜籽油、掺伪芝麻油,实验获取380～1500 nm的透射光谱,进而研究了5种油品的折射率随波长变化特征.研究结果表明5种油品的折射率随波长的变...     

基于三维荧光光谱技术对掺假蜂蜜无损鉴别研究

提出了一种应用三维荧光谱技术结合化学计量学方法快速无损鉴别蜂蜜中大米糖浆掺假的新方法。利用特征参量法和主成分分析法对三维荧光光谱信息量进行压缩提取,并结合线性判别分析法(LDA)和误差反向传播神经网络法(BP-ANN)对蜂蜜掺假进行分析。结果显示,在掺假蜂蜜判别试验中,采用4个主成分时,模型对预测集样本的识别率最佳,LDA模型识别率为94.44%,BP-ANN模型识别率为100%,说明非线性的BP-ANN模型更适合蜂蜜掺假识别。研究表明,三维荧光光谱结合BP-ANN判别模型可以快速、 无损、 准确地鉴别蜂蜜中大米糖浆掺假。     

色氨酸和酪氨酸的三维荧光光谱特征参量提取

氨基酸是维持生命活动的重要物质,而色氨酸和酪氨酸又是天然氨基酸中重要的发光组分,应用荧光光谱法对其进行测量和分辨具有重要的意义。文章用美国Pekin-Elmer LS55型荧光分光光度计,对色氨酸和酪氨酸的三维荧光光谱进行了测量。将测量的数据用激发-发射-荧光强度的三维坐标表示,得到三维荧光谱图,但色氨酸和酪氨酸存在共性峰,通过波峰位置简单地来辨别两种混叠的物质很有难度。以数理统计概念为基础,提取该三维荧光光谱的特征参数,得到两种物质荧光光谱中最相关的信息,可以解决两种物质光谱混叠的分辨问题。结果表明,色氨酸和酪氨酸的三维荧光光谱平均值、标准差、原点矩、混合中心矩等参数差值百分比分别为330.37%, 102.86%, 329.16%, 329.63%,区别较大;而边际分布、相关系数值差值百分比仅为10.61%和2.40%。因而平均值、标准差、原点矩、混合中心矩可作为敏感特征参数,用其分辨谱图混叠的色氨酸和酪氨酸是可行的。这种“数学预提取”的三维光谱分析法可以找出组分之间的敏感特征参量,能够取代传统的三维荧光光谱分析法。     

荧光光谱法快速鉴别花生油、芝麻油和调和油

比较分析了不同品种、同品种不同厂家、不同批次的市售花生油、芝麻油、调和油的分子荧光光谱差异特征,结合系统聚类分析法进行品种鉴别。结果表明:3种食用植物油的荧光光谱图具有各自不同特征,同一品种不同厂家的谱图存在一定的差异,同品种同厂家不同批次的也有微小差异。提取荧光谱图特征信息,利用系统聚类和三维聚类识别模式,从宏观上简便、直观、快速地鉴别3种食用植物油的品种。     

基于三维荧光光谱结合二维线性判别分析的油类识别方法的研究

油类污染严重威胁到自然环境及人类健康。因此,识别和处理油类污染非常重要。由于三维荧光光谱能够表征石油的荧光特征,故一般利用三维荧光光谱法检测溶液中存在的油类污染物。但油类的三维荧光光谱数据维度较高且直接分析的难度较大,因此可以利用数据降维方法提取原始油类样本的光谱特征,并利用所得到的光谱特征对样本进行识别。基于此,利用二维线性判别分析（2D-LDA）对油类样本进行特征提取,研究提取的不同样本光谱特征的差别,将得到的光谱特征作为K最近邻（KNN）分类的输入,得到相应的分类结果。首先,分别配制四种不同的油类（柴油、汽油、航空煤油、润滑油）样本各20个,共计得到80个油类样本;然后,利用FS920光谱仪采集所有油类样本的三维荧光光谱数据;其次,对采集到的光谱数据进行预处理,去除光谱中散射的干扰并标准化;最后,利用2D-LDA算法对样本进行特征提取,利用KNN算法进行分类,并将其分类结果与经主成分分析(PCA)进行特征提取后的分类结果比较。研究结果表明,2D-LDA提取特征的分类效果优于PCA。利用2D-LDA分别提取发射和激发特征得到测试集识别的准确率相同且都为95%,而将发射和激发光谱特征的分类距离相结合并重新进行分类的准确率为100%。表明两类光谱相对于三维荧光光谱具有互补性,将发射和激发光谱特征相结合能够更好地对样本进行分类。而利用PCA对测试集识别的准确率仅为85%,表明2D-LDA对三维荧光光谱数据的特征提取效果更好。与PCA相比,2D-LDA通过类内散度和类间散度最大化投影向量来提取样本的特征,使得同类样本尽可能接近,不同样本尽可能分离。因此,2D-LDA具有使降维后的数据更容易被区分的特点,故其鲁棒性好。该研究为油类的降维识别提供了一种参考。     

Robust image hashing using invariants of Tchebichef moments

The content authenticity is critical for secure transmission of multimedia information. As a promising solution, perceptual image hashing has gain great attention. In this paper, we develop a novel algorithm for generating an image hash based on invariants of radial Tchebichef moments. The idea is justified by the fact that the radial Tchebichef moments represent the image under the orthogonal kernel, which has the desirable qualities of orthogonality and robustness. The hash values are achieved by adaptive quantization of the invariants of radial Tchebichef moments, then the random Gay code is applied in the discrete–binary conversion stage to enhance the expected discriminability. Experiments are conducted to show that the proposed hashing algorithm has superior robustness and discrimination performance compared with other state-of-the-art algorithms, in terms of receiving operating characteristic (ROC) curves.     

数字图像识别在混合油类三维荧光光谱分析中的应用

海上溢油已成为全球环境污染的重要问题之一,溢油严重破坏了海洋生态的平衡,并导致人类健康受到危害。因此,研究高效的溢油检测方法对保护海洋生态环境具有重要意义。三维荧光光谱技术因能获得溢油的“指纹”图谱而成为溢油鉴别领域的有效分析手段,其与平行因子分析算法相结合获得了良好的溢油鉴别效果。但平行因子算法在使用过程中需要确定不同石油产品本身所适用的浓度范围,且其对预估计组分数敏感,组分数选择是否准确直接影响最终定性定量结果,这些问题都会对油类检测造成使用上的限制。油类组分极为复杂,其中各组分间不存在统一的线性浓度范围,其相互之间还受到荧光猝灭效应的影响。直接对未经稀释的油类样本进行光谱数据采集,所获得的三维荧光光谱会因样本中组分的种类及其含量不同而存在较大差异,导致对三维荧光光谱数据进行解析的平行因子分析算法不再适用。但组分的种类及含量相近的油样其光谱特征相似度较高,并且随着特定组分及其含量的改变,其光谱形状的变化规律也较为明显。基于此,将三维荧光光谱和数字图像识别相结合,提出一种针对混合油类样本的辨识方法。首先,利用五种矿物油（汽油、柴油、航空煤油、机油和润滑油）配制三类混合油样本,其中每类混合油是用其中两种不同矿物油以不同体积比直接混合配制而成;然后利用FS920荧光光谱仪获取样本的三维荧光光谱数据,并对该数据进行求导及灰度化预处理,进而得到三维荧光导数光谱灰度图;其次提取样本三维荧光导数光谱灰度图的颜色、纹理和形状等数字图像特征;最后,通过Fisher判别分析建立样本的分类模型,采用逐步回归建立混合油样本各组分相对体积的定量模型。分类模型对三类混合油样本的分类及识别效果良好。所建立的定量模型的线性相关性R大于0.99,显著性检验p值小于0.05。研究结果表明,三维荧光光谱的数字图像特征可以被本文所述方法有效提取并用于对油类样本的定性定量分析。该研究为海面溢油检测提供了一种简单、可靠的识别方法。     

利用同步荧光光谱快速鉴别潲水油

为快速鉴别潲水油,采用三维同步荧光光谱结合平行因子法解析潲水油的特征波长差(Δλ),并利用支持向量机建立潲水油鉴别模型。结果表明,潲水油的特征Δλ为60 nm;特征Δλ下的样品原始同步荧光光谱经过主成分分析提取5个主成分,以径向基函数(RBF)为核函数,利用网格搜索和6-fold交叉验证优化建模参数,得到惩罚因子C=512、核参数g=0.5,该条件下建立的模型对训练集和预测集的判别率均达到100%。采用同步荧光光谱可以快速、准确地鉴别潲水油。     

同步-异步二维中红外相关谱检测掺假芝麻油

将同步-异步二维中红外相关谱和多维偏最小二乘判别法相结合定性分析掺假芝麻油。分别配置40个纯芝麻油和含有玉米油不同体积分数(3%~60%)的掺假芝麻油样品40个。室温下,分别采集所有样品的常规一维中红外光谱(650~4 000cm-1)。在研究纯芝麻油和掺假芝麻油的一维中红外光谱的基础上,以芝麻油中掺假的玉米油浓度为外扰,进行相关计算,得到同步和异步二维中红外相关谱矩阵,并对其进行标准化。分别提取标准化的同步和异步二维中红外相关谱主对角线上部分和下部分元素进行融合,得到同步-异步二维中红外相关谱矩阵。在此基础上,分别基于同步-异步二维中红外相关谱矩阵、同步二维中红外相关谱矩阵和异步二维中红外相关谱矩阵建立了三个定性分析掺假芝麻油的多维偏最小二乘判别模型对预测集未知样品进行预测,其识别正确率分别为100%,96.2%和96.2%。结果表明:相对于同步和异步二维中红外相关谱,同步-异步二维中红外相关谱不仅包含了完整的掺假油特征信息,而且剔除了冗余信息,因此能取得更好的判别结果。     

基于高效分离不皂化物的傅里叶红外光谱结合化学计量学鉴定芝麻油

芝麻油是日常生活中常用食用油之一,掺假芝麻油会导致严重的健康问题.研究芝麻油鉴定方法是非常重要的.皂化植物油提取不皂化物是食用油鉴定的经济方法之一,现有植物油皂化方法需要较长时间,较高的温度,且不皂化物提取过程非常繁琐.采用超声技术替代常规回流加热法,提高了皂化效率,皂化时间缩短至10分钟,在此基础上采用专用固相萃取(...     

三维荧光光谱结合稀疏主成分分析和支持向量机的油类识别方法研究

石油污染的出现,导致生态环境遭到破坏。因此,油类识别方法的研究对于环境的保护具有重要意义。采用荧光光谱法获得石油光谱数据,并对其进行预处理,再通过降维方法来提取特征信息,最后利用模式识别算法进行分类,从而可以实现对油类的定性分析,因此研究一种更高效的数据降维方法以及识别分类算法极其重要。基于三维荧光光谱技术,利用稀疏主成分分析（SPCA）对FS920光谱仪测得的荧光光谱数据进行特征提取,再利用支持向量机（SVM）算法对提取的特征数据进行分类识别,获得了一种更加高效的油类识别方法。首先,利用海水和十二烷基硫酸钠（SDS）配制成浓度为0.1 mol·L-1的胶束溶液,将其作为溶剂配制柴油、航空煤油、汽油以及润滑油各20种不同浓度的溶液;然后,利用FS920光谱仪测得样本溶液的三维荧光光谱数据,对得到的光谱数据进行预处理;最后,对预处理后的数据分别利用SPCA和主成分分析（PCA）进行特征提取,再利用SVM和K最近邻（KNN）两种模式识别算法对特征向量进行分类,最终得到四种模型PCA-KNN,SPCA-KNN,PCA-SVM以及SPCA-SVM的分类结果。研究结果表明,由四种模型得到的分类准确率分别为85%,90%,90%和95%,其中,在同种分类算法中,利用SPCA进行特征提取得到的分类准确率均比PCA的准确率高5%,因此可知,SPCA的稀疏性具有突出主要成分的作用,在提取光谱特征时能够减小非必要成分的影响,并且载荷矩阵的稀疏化可以去除变量之间的冗余信息,优化降维特征信息,为后续分类提供更有效的数据特征信息;在同种特征提取算法下,利用SVM算法进行分类得到的分类准确率均比KNN算法得到的准确率高5%,表明SVM算法在分类中更具有优势。因此,本文利用三维荧光光谱技术结合SPCA和SVM算法,实现了对石油的准确识别与分类,为今后对石油污染物的高效检测提供了新思路。