您好,欢迎进江苏双利合谱科技有限公司网站!
您现在的位置:首页 >> 解决方案 >> 荧光高光谱技术快速无损检测铁观音掺假及其程度
荧光高光谱技术快速无损检测铁观音掺假及其程度
浏览次数:568发布日期:2023-02-23

在茶叶市场上,茶叶掺假、低质量茶作为高档茶、旧茶作为新产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。

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%

1.7759

Prediction

94.74%

98.36%

97.50%

SG-7

Calibration

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)

SPA

41

Calibration

100.00%

100.00%

100.00%

1.2147

Prediction

98.51%

100.00%

98.75%

CARS

11

Calibration

100.00%

100.00%

100.00%

1.2088

Prediction

100.00%

100.00%

100.00%

RF

44

Calibration

100.00%

100.00%

100.00%

1.1935

Prediction

100.00%

94.74%

100.00%

UVE

41

Calibration

100.00%

100.00%

100.00%

1.1829

Prediction

100.00%

100.00%

100.00%

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 Accuracy


0%

10%

20%

30%

40%

50%

Time

RAW

NO

104

100.00%

100.00%

100.00%

100.00%

59.09%

100.00%

93.18%

0.01396

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

MSC

NO

104

100.00%

100.00%

92.86%

100.00%

68.18%

100.00%

93.51%

0.01097

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

SNV

NO

104

100.00%

100.00%

92.86%

100.00%

68.18%

100.00%

93.51%

0.00798

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%

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 of Adulteration and Its Degree of Tieguanyin by Fluorescence Hyperspectral Technology[J]. Molecules, 2022, 27(4):1196. DOI:10.3390/molecules27041196