荧光高光谱技术快速无损检测铁观音掺假及其程度

智能文字提取功能测试中

在茶叶市场上，茶叶掺假、低质量茶作为高档茶、旧茶作为新茶的问题也不时出现在上。在高经济利润的推动下，市场上偶尔会发生铁观音掺假。一些非法商人在铁观音中混合了本山、毛蟹、黄金桂，他们的外观与铁观音非常相似，但在销售过程中价格相差很大。普通消费者很难区分茶叶的真实性，这严重侵犯了消费者和经营者的合法权益。在此背景下，迫切需要一种快速、无损的检测茶叶掺假的方法。双利合谱Dualix Spectral Imaging 荧光高光谱技术快速无损检测铁观音掺假及其程度 在茶叶市场上，茶叶掺假、低质量茶作为高档茶、旧茶作为新茶的问题也不时出现在上。在高经济利润的推动下，市场上偶尔会发生铁观音掺假。一些非法商人在铁观音中混合了本山、毛蟹、黄金桂，他们的外观与铁观音非常相似，但在销售过程中价格相差很大。普通消费者很难区分茶叶的真实性，这严重侵犯了消费者和经营者的合法权益。在此背景下，迫切需要一种快速、无损的检测茶叶掺假的方法。 四川农业大学康志亮教授团队利用我司高光谱设备 (GaiaField-V10E) 及配套的荧光系统，对铁观音掺假程度的进行无损检测。作为一种新的检测方法，荧光高光谱技术为食品检测提供了独特的优势，其基本原理是当一种物质被特定波长的入射光照射时，其分子吸收光能并从基态进入激发态，然后立即去激发并发射出光。图1荧光高光谱成像系统。 图1荧光高光谱成像系统 在这项研究中，掺假茶和纯铁观音在形状、颜色和内部成分上只有轻微差异，这增加了检测茶叶掺假的难度。掺假茶叶样本的比例符合市场上不法商人的普遍做法。至于茶叶的荧光特性，作为一种植物，茶叶中的不同物质会吸收不同波段的光，并在不同波段发出荧光。 本山被用作掺假茶，约占茶叶样品总重量的0%、10%、20%、30%、40%和50%，并与铁观音混合。图2为经过 PCA 后的六个等级的茶叶三维分布图。为了对茶叶进行掺假检测。本研究在实验方案中建立了纯铁观音和掺假铁观音的两级判别模型，以快速鉴别掺假与否；另一方面，建立了六级判别模型，保证了在 不同程度的茶叶掺假情况下，茶叶掺假程度的快速识别。 rda 图2六个掺假等级茶叶的 PCA分布图 首先，荧光高光谱成像系统获得 475-1000 nm 波段的光谱信息。图3为茶叶的平均光谱分布图。接下来，选择 Savitzky-Golay (SG)、乘性散射校正(MSC)和标准正态变量(SVN)对荧光高光谱数据进行预处理。并且对预处理方法进行参数的比较。表1为不同预处理方法在 SVM下的评价指标。 表1不同预处理方法下的评价指标 Methods Sensitivity Specificity Accuracy Time RAW Calibration 75.86% 100.00% 95.63% 1.9588 Prediction 84.21% 100.00% 96.25% SNV Calibration 100.00% 100.00% 100.00% 2.1267 Prediction 89.47% 100.00% 97.50% MSC Calibration 100.00% 100.00% 100.00% Prediction 94.74% 98.36% 97.50% 1.7759 SG-7 Calibratior 100.00% 100.00% 100.00% 1.7861 Prediction 100.00% 100.00% 100.00% (a) (b) 图3掺假茶叶的平均光谱曲线 此外，还采用了连续投影算法(SPA)、竞争自适应加权采样(CARS)、随机青蛙算法(RF)和无信息变量消除(UVE)来提取茶叶光谱信息的特征波长。 建立了二分类模型(区分纯铁观音和掺假铁观音)和六分类模型(区分纯铁观音和五个掺假等级的茶叶)。在确定模型的预处理(SG)方法后，选择特征波长对模型进行简化。在SG 平滑后，应用了四种特征选择方法。SG 平滑结合 SPA、CARS、RF 和 UVE 算法，将104个通道分别减少到33、11、44和46个通道。图4显示了 SG-CARS 之后的特征选择。SG7 平滑结合四种特征波长选择方法的 评价指标如表2所示。所有的特征选择方法都有助于降低数据维数。 图 4 SG-CARS 后的特征选择 表2不同特征选择方法下的评价指标 SG7 Number Sensitivity Specificity Accuracy Time (s) Calibration 100.00% 100.00% 100.00% SPA 41 Prediction 98.51% 100.00% 98.75% 1.2147 Calibration 100.00% 100.00% 100.00% CARS 11 Prediction 100.00% 100.00% 100.00% 1.2088 Calibration 100.00% 100.00% 100.00% RF 44 Prediction 100.00% 94.74% 100.00% 1.1935 Calibration 100.00% 100.00% 100.00% UVE 41 Prediction 100.00% 1 100.00% 100.00% 1.1829 在建立六分类模型过程中。首先，与两分类模型一样，将不同的预处理方法与支持向量机相结合，建立了四类判别模型。然后，为了简化模型，选择了四种特征选择方法来筛选模型的特征波长，这有利于提高模型的效果和精度。所有模型的结果如表3所示。其中，六分类模型和两分类模型的预处理方法存在差异。通过使用 SNV 和 MSC， 提高了分类模型的准确性。 特征选择后，这些模型的总体趋势大致相同。纯铁观音、10%和30%掺假茶叶的准确率几乎为100%，但掺假程度为40%的准确率不高，表明该模型可能无法准确区分铁观音的掺假水平。相比之下，在 SNV 之后，模型的整体准确性得到了提高。在 RF 之后，整体准确度提高了 1.09%，仅用时 0.002秒。在该分类中，纯铁观音和10%和30%的掺假茶被准确预测；模型的变化也提高了茶叶剩余掺假比例的准确性。考虑到整体影响， RF在建立分类模型方面表现出更高的效率。总之， SNV-RF-SVM 是区分纯茶和掺假茶的最佳方法，其总准确率为94.27%，仅需0.00698秒。 表3六分类模型评价指标 Preprocessing Methods Number Class Accuracy Overall 0% 10% 20% 30% 40% 50% Accuracy Time NO 104 100.00%100.00%100.00% 1100.00% 59.09% 100.00% 93.18% 0.01396 RAW SPA 33 100.00%100.00%78.57% 81.82% 45.45% 100.00% 84.31% 0.01396 CARS 19 100.00%100.00%78.57% 100.00% 36.36% 78.57% 82.25% 0.01296 RF 60 100.00%100.00%78.57% 100.00% 36.36% 78.57% 82.25% 0.01396 UVE 41 100.00%100.00%78.57% 100.00% 45.45% 100.00% 87.34% 0.01300 NO 104 100.00% 100.00%92.86% 100.00% 68.18% 100.00% 93.51% 0.01097 MSC SPA 34 100.00%94.74%64.29% 100.00% 54.55% 78.57% 82.03% 0.00801 CARS 11 100.00%100.00%71.43% 72.73% 40.91% 78.57% 77.27% 0.00798 RF 55 100.00%100.00%71.43% 100.00% 63.64% 92.86% 87.99% 0.00898 UVE 34 100.00%100.00%71.43% 100.00% 59.09% 85.71% 86.04% 0.00997 NO 104 100.00%100.00%92.86% 100.00% 68.18% 100.00% 93.51% 0.00798 SNV SPA 27 100.00%100.00%85.71% 81.82% 54.55% 85.71% 84.63% 0.00698 CARS 14 100.00%100.00%78.57% 100.00% 45.45% 71.43% 82.58% 0.00499 RF 57 100.00%100.00%92.86%100.00% 72.73%100.00% 94.27% 0.00698 UVE 46 100.00%100.00%64.29% 100.00% 59.09% 85.71% 84.85% 0.00698 SG NO 104 100.00%100.00%85.71% 1 100.00% 45.45% 100.00% 88.53% 0.00898 SPA 41 100.00% 100.00%71.42% 72.73% 31.82% 71.43% 74.57% 0.00798 CARS 11 100.00% 100.00%92.86% 72.73% 45.45%100.00%85.17% 0.00698 RF 44 100.00%100.00%78.57% 90.91% 45.45% 92.86% 84.63% 0.00798 UVE 41 100.00%100.00%78.57% 81.82% 36.36%85.71% 80.41% 0.00898 第一作者简介： 康志亮，四川农业大学教授，硕士生导师。 主要研究方向：信号与信息处理、传感器与检测技术、自动控制。 参考文献：Hu Y， Kang z. The Rapid Non-Destructive Detection ofAdulteration and Its Degree of Tieguanyin by Fluorescence HyperspectralTechnology[J].Molecules， 2022，27(4)：1196.DOI： 10.3390/molecules27041196