基于近紅外光譜技術乳制品品種快速無損鑒別

王 磊，郭中華，金 靈，鄭彩英

(寧夏大學物理電氣信息學院，寧夏銀川750021)

1 引言

近年來，中國經濟迅速發展，國民的健康意識大幅提高。牛奶因其富含蛋白質、氨基酸、礦物質、鈣和各種維生素等營養物質，成為人們日常生活中必不可少的一種食品，因此，對乳及乳制品質量的檢測和品種鑒別成為一項重要的課題。目前，一些學者對乳及乳制品品的質檢測已經進行了一系列深入的研究，也得到了較好的成果［1－6］，但是，相對于其他食品的品種鑒別而言［7－9］，對乳及乳制品品種鑒別的相關研究還較少。作為生活中必不可少的高營養食品，為了滿足廣大消費者的需求，不但要對其品質進行嚴格把關，品種區分也非常重要，只有這樣才能在銷售過程中更具針對性。

近紅外光譜法是光譜測量技術和化學計量學的有機結合，因其具有硬件成本低、檢測速度快、測試重現性好和對樣品無損壞的優點而被廣泛的應用于食品工業、石油化工、農業，醫藥也等多個領 域［10－13］。 近 紅 外 光 譜 是 指 波 長 在 780 ～2526 nm范圍內的電磁波，波數范圍為3500～13000 cm－1，從波長上可以分為短波近紅外(780～1100 nm)和長波近紅外(1100～2526 nm)。其分析特點是利用近紅外光照射被測樣品，由于分子團的振動，樣品會吸收一部分能量。不同分子團的振動，吸收光的波段不同，主要信息是含H基團倍頻和合頻的吸收［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 實驗工作

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

表1 鑒別模型校正集/預測集樣品劃分

使用AntarisⅡ傅里葉變換近紅外光譜分析儀的漫透射附件進行樣本光譜采集。每次打開光譜儀均預熱30 min～1 h，實驗室溫度保持在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。儀器參數設定如下:掃描范圍為10000 ～40000 cm－1，分辨率 8 cm－1，掃描次數 32次，每個樣本平行測定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、結果與分析

3.1 原理和方法

3.1.1 支持向量機人工神經網絡(SVM-ANN)

支持向量機(Support Vector Machine，簡稱SVM)是在統計學習理論基礎上發展起來的，Vapnik和Chemielewaski于1995年提出了完整的統計學理論，并在此接觸上發展了一種新的用于解決模式分類和非線性回歸問題的學習方法——SVM［15］。SVM的關鍵在于核函數的選擇，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。而核函數正好可以解決這個問題，所以選擇合適的核函數就可以得到高維空間的分類函數［15］。

3.1.2 小波變換(WT)

小波變換［16］(Wavelet Transform，WT)是一個時間和頻率的局域變換，能夠有效地從信號中提取信息。在近紅外光譜分析中，小波變換可用于壓縮樣本光譜數據從而達到光譜數據被降維的目的。

3.1.3 校正模型的評價參數

光譜數據經過預處理，然后使用BP-ANN、RBFANN和SVM-ANN和分別建立鑒別模型，模型的評價指標是鑒別率(r)，即鑒別正確的樣品數在預測集樣品中所占百分比。

3.2 光譜預處理

采用光譜分析軟件OMNIC7.0將光譜轉化為.CSV格式的數據，然后使用TQ7.0對光譜進行預處理。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種方法對光譜進行了預處理。經過反復實驗，選取硬閾值下分解尺度為6、小波基為db3函數的小波變換，經過小波壓縮后的光譜數據點由原始的2179變為38，從而達到了數據降維和提高建模速率的目的。通過三種神經網絡鑒別模型得到的最佳光譜預處理方法為MSC+SG+WT，四種乳制品共240個樣品經過MSC+SG+WT預處理后的光譜圖2所示。

圖2 經過MSC+SG+WT預處理后的光譜圖

3.3 鑒別模型建立及評價

3.3.1 模型建立

分別以上述13種光譜預處理方法處理過的光譜數據和原始光譜數據作為BP-ANN、RBF-ANN和SVM-ANN三種神經網絡的輸入變量，對神經網絡進行學習和訓練，最終得到最佳的鑒別模型，然后再對預測集樣品的性質進行鑒別。通過實驗結果得出:當對樣品光譜進行MSC+SG+WT處理后，三種神經網絡建立的鑒別模型鑒別率均為100%，鑒別模型圖如圖3所示，且三種網絡的最佳參數設置如下:

(1)BP-ANN最佳網絡參數:隱含層節點數為2，輸出層節點數為1，最大訓練次數為500，學習速率為0.001，目標誤差為0.001，初始權值和閾值由程序隨機設置;

(2)RBF-ANN最佳網絡參數:輸入層節點數為38，隱含層節點數為10，輸出層節點數為1，目標誤差為0.01，擴散常數SPREAD為180;

(3)SVM-ANN最佳網絡參數:懲罰參數c=32、數據映射到新的特征空間后的分布參數g=4。

圖3 經MSC+SG+WT處理后的乳制品鑒別模型圖

3.3.2 模型評價

所有光譜預處理方法下三種人工神經網絡對四種乳制品的鑒別模型結果對比如表2所示。

表2 四種乳制品鑒別模型對比

從表2中可以得出以下結論:

(1)在所有光譜預處理方法中，最佳的方法是MSC+SG+WT，通過這種方法預處理后，BP-ANN、RBF-ANN和SVM-ANN三種神經網絡對乳制品建立鑒別模型均達到了100%;

(2)除MSC+SG+WT方法以外，只采用WT進行光譜預處理后，三種神經網絡建立的鑒別模型鑒別率也均可達到90%以上;采用FD+WT預處理后的鑒別率也均可達到85%以上。所以在進行乳制品品種鑒別時，首先可以采取最佳預處理方法MSC+SG+WT，除此之外還可考慮WT和FD+WT;

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

(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兩種光譜預處理方法以外，其他光譜預處理方法下，SVM-ANN法建立鑒別模型的鑒別率均可達到80%以上，多數在90%以上，基本符合實際需求。

綜上可見，三種人工神經網絡中，性能最穩定，精度最高的是SVM-ANN，實際生產和生活中可多采用此方法。

4 結論

對應用近紅外光譜技術快速建立四種乳制品鑒別模型的方法進行了研究，得到了一種速度快，精度高，無損壞的鑒別方法。用小波變化壓縮預處理后的樣品光譜數據，數據被降維;然后分別采用BPANN、RBF-ANN和SVM-ANN建立品種鑒別模型。結果表明，三種人工神經網絡中，SVM-ANN性能最穩定且精度最高，為實際生產和生活提供了理論依據。

［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量檢測中的研究發展［J］．光譜學與光譜分析，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，李高陽，等．近紅外光譜法快速測定液態奶中蛋白質和脂肪含量［J］．食品科學，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，劉剛，任先培．中紅外光譜和分層抽樣法應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)談愛玲，畢衛紅．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損鑒別方法研究［J］．光譜學與光譜分析，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－近紅外光譜技術的葡萄酒真偽鑒別的研究［J］．光譜學與光譜分析，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成品汽油分類方法的研究［J］．光譜學與光譜分析，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)嚴文娟，林凌，趙靜，等．概率神經網絡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．現代近紅外光譜分析技術［M］．2 版．北京:中國石化出版社，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．支持向量機的算法研究．長春師范學院學報:自然科學版，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用［M］．北京:科學出版社，1999:1－4．