学术咨询

让论文发表更省时、省事、省心

基于学习向量量化在蜂蜜LIF光谱图像识别的应用

时间:2021年05月26日 分类:推荐论文 次数:

摘要:针对目前蜂蜜检测技术存在的无法快速、准确识别的问题,提出了一种基于激光诱导荧光(LIF)与学习向量量化(LVQ)有机结合对蜂蜜进行快速识别的方法;采用LIF获取蜂蜜的光谱数据,利用主成分分析(PCA)对光谱数据处理,将处理后的数据输入已建立好LVQ分类学习

  摘要:针对目前蜂蜜检测技术存在的无法快速、准确识别的问题,提出了一种基于激光诱导荧光(LIF)与学习向量量化(LVQ)有机结合对蜂蜜进行快速识别的方法;采用LIF获取蜂蜜的光谱数据,利用主成分分析(PCA)对光谱数据处理,将处理后的数据输入已建立好LVQ分类学习模型中进行分类识别;实验将挑选4种不同的蜂蜜,每种采集50组蜂蜜光谱数据,随机抽取120组蜂蜜光谱数据用于LVQ神经网络模型的训练,其余80组蜂蜜数据将输入训练好的LVQ模型进行测试;LVQ分类学习模型用于蜂蜜分类鉴定需要的时间为0.8s,LVQ分类学习模型用于蜂蜜分类鉴定的准确率达到99.45%;实验结果表明:将基于LIF与LVQ有机结合,可以满足蜂蜜快速、准确识别的要求。

  关键词:LVQ神经网络算法;激光诱导荧光技术;主成分分析法;数据处理;蜂蜜识别

图像识别

  0引言

  当今社会,人们对蜂蜜的需求越来越大,但是近几年来蜂蜜以次充好的问题愈发严重,因此对蜂蜜的检测与分类就愈发重要。目前,蜂蜜分类鉴定的常用方法包括液相色谱法和气相色谱法、电子舌法、红外光谱法、稳定同位素技术等。液相色谱法与气相色谱法虽然具有简单、快速等特点,但是在实验前需要对样本进行处理;电子舌法[1-2]是通过构建电子舌系统,通过系统对蜂蜜中的测试物质的响应获得数据识别蜂蜜的类型,电子舌法虽然具有识别速度快等特点,但是受到传感器阵列限制,识别的准确率较低;红外光谱法[3-5]是通过红外光对蜂蜜照射获取红外光谱数据,再利用红外光谱数据对蜂蜜类型进行分析识别,红外光谱法虽然具有鉴定速度快,无污染等特点,但是其灵敏度低;佘僧[6]利用稳定同位素技术对蜂蜜进行分类识别,稳定同位素技术 虽然识别准确率高,但其灵敏度低,价格昂贵且不能广泛被应用。

  激光诱导荧光(LaserInducedFluorescence,LIF)技术的特点包含灵敏度高、快速检测、易推广等;而学习向量量化(LVQ)算法的特点包含其算法简单、方便、可以抑制噪音干扰。因此提出一种基于LIF技术与LVQ算法有机结合的方法对蜂蜜进行分类识别。该方法可以解决目前蜂蜜检测技术不能快速准确鉴定的问题,能够满足对蜂蜜快速准确鉴定的要求。

  1实验与方法

  1.1实验仪器蜂蜜的荧光光谱是在蜂蜜检测实验平台上采集的,实验使用的激光诱导荧光光谱仪是USB200+的微型光纤光谱仪,实验中使用的激光源是一个405nm的蓝紫色半导体激射器,实验中设置入射激光功率为120mw,实验将鉴定的荧光光谱范围设置为340-1021nm,分辨率设置为0.5nm。实验所用于蜂蜜鉴定的探针设置为FPB-405-v3沉浸式激光激发荧光探针,可直接放入待测蜂蜜中,获得实时光谱数据。实验的光纤接口是SMA905接头。采集的蜂蜜的荧光光谱在经过滤除无用波段的荧光处理后,将直接通过光纤送到光谱仪中,最后,利用光谱套件软件采集并记录蜂蜜在光谱波段范围内的荧光光谱。

  1.2蜂蜜采集

  蜂蜜有很多种,例如从百种花中采集的百花蜜;源于八叶五加或者鹅掌柴的冬蜜;稀有蜜种龙眼蜜等。选取常见的4种蜂蜜类型为实验样本,分别命名为蜂蜜A、B、C、D,其中蜂蜜A样本为洋槐蜜,蜂蜜B样本为紫云英蜜,蜂蜜C样本为椴树蜜,蜂蜜D样本为百花蜜。

  1.3实验方法

  1.3.1LIF技术LIF是利用激光作为激发光照射能产生荧光的物质,产生荧光并对其荧光进行分析,与目前常用的荧光分析方法相比,激光诱导荧光法是利用激光作为荧光物质的激发光源,因此激光诱导荧光法具有灵敏度更高、检测效果更好的特点。LIF技术具有灵敏度高和快速检测的特点,故LIF被广泛应用在医疗、化工、生物等场合。例如,来文豪[7]将多元宇宙优化(MVO)算法与无监督学习算法(DBSCAN)和LIF有机结合用于煤矿突水的鉴定;周孟然等[8]将LIF与iPLS算法有机结合对煤矿突水进行鉴定李大同等[9]将AdaBoost算法于LIF结合对矿井突水水源进行识别,武桂芬等[10]将激光诱导荧光技术用于疾病诊断中;万文博等[11]将激光诱导荧光应用于植物寿命的校正。

  1.3.2主成分分析法特征提取是对研究对象的分析和变化,改变研究对象的测量值,比较研究对象的前后差异,突出研究对象代表性特征的一种方法。研究与比较改变测量值前后的研究对象,可以从研究对象中提取可以代表研究对象特征的方法。实验所采集的4种不同蜂蜜的荧光光谱图是由不同的波段荧光强度组成,其所采集的光谱图的维度高,因此将会对所采集的光谱图进行特征提取。

  2实验过程与分析

  2.1蜂蜜的荧光光谱图

  为了采集的光谱数据的准确性,减少无关因素对实验造成的影响,采集蜂蜜光谱数据的实验是在安静无光、温度相对恒定的实验室中进行的。在实验中,4种蜂蜜类型各采集了50组光谱数据,即4种蜂蜜类型样本总共采集了200组光谱数据,所有的光谱数据采集是在一次实验中完成的。为了蜂蜜光谱图显示得更加清晰,故采集后的蜂蜜荧光光谱图经SG方法预处理后,将选择在340nm~1021nm波段中进行绘制,绘制的4种蜂蜜样本的荧光光谱图。

  2.2PCA降维数据

  实验中,用于蜂蜜光谱数据采集的USB200+光谱仪的像素为2048,即每次采集的蜂蜜光谱曲线有2048个波长点。要用LVQ神经网络算法在激光诱导荧光光谱进行识别,需要对原始的光谱图进行特征提取,运用PCA算法对原始的蜂蜜光谱图进行特征提取,即可以提高蜂蜜识别的准确率并且还可以减少算法运行的时间。将利用LIF技术采集的蜂蜜荧光光谱图数据输入PCA算法中,将PCA的累计贡献率设置为95%,对应的主成分的个数为2;将PCA的累计贡献率设置为99%,对应的主成分的个数为3。通过PCA将蜂蜜的光谱图的2048维数据降到了3维数据,在不损失蜂蜜的重要特征的前提下,利用PCA算法降低数据的维度,可以减少算法运行时间,提高算法的准确率。

  3实验结果与总结

  采用了LVQ神经网络算法,并与PCA算法有机结合建立分类学习模型,对蜂蜜进行分类识别,并且与LVQ分类模型、PCA+BP分类模型相互比较。

  3种分类模型都是在Matlab2019环境中运行的,其算法运行的硬件环境为Corei5-5200U2.2GHzCPU,RAM4GB。针对蜂蜜的光谱样本,3种分类模型各运行了100次,记录3种分类模型平均的训练时间、平均分类准确率和标准差,比较3种分类模型的性能。

  食品论文投稿刊物:《食品与机械》杂志是中国食品科学技术学会会刊,食品工业类中文核心期刊、中国科技核心期刊、RCCSE中国核心学术期刊。旨在指导行业发展,促进科技进步,指引投资方向,引导产品开发。

  4结束语

  针对蜂蜜检测技术存在的无法快速、准确识别的问题,利用PCA与LVQ有机结合的方法和LIF技术相结合,提出快速、准确识别蜂蜜的方法。其中利用LIF技术对蜂蜜的样本进行处理,获取蜂蜜的荧光光谱图,而PCA与LVQ有机地结合对获取的蜂蜜光谱图进行识别分类。结合以上两种技术可以对蜂蜜进行识别分类;首先使用LIF技术对蜂蜜样本进行处理获取蜂蜜光谱图,再利用PCA+LVQ的分类特性对蜂蜜光谱图进行分类,从而达到蜂蜜快速准确识别的要求。另外,还可以推广到煤矿的突水的研究,可以更好地帮助人们防治煤矿突水;还可以推广到假酒的治理中,帮助人们喝到“放心酒”。综上所述,不但可以应用于蜂蜜的检测,还可以应用于其他多种场合,具有一定的普遍性和社会价值。

  参考文献(References):

  [1]张海平,张艳平,高红慧.伏安电子舌对不同植物源蜂蜜的检测识别[J].中国农机化学报,2014,35(6):192—195,109ZHANGHP,ZHANGYP,GAOHH.DetectionandrecognitionofHoneyfromDifferentPlantSourcesbyVoltammetricElectronicTongue[J].ChineseJournalofAgriculturalMachineryChemistry,2014,35(6):192—195,109(inChinese)

  [2]贾洪锋,李维,段丽丽.电子舌对掺入果葡糖浆掺假蜂蜜的识别[J].食品与机械,2015,31(4):68—71.JIAHF,LIW,DUANLL.IdentificationofAdultTongueHoneyMixedwithFructoseSyrupbyElectronicTongue[J].FoodandMachinery,2015,31(4):68—71(inChinese)

  作者:汤超,周孟然

NOW!

Take the first step of our cooperation迈出我们合作第一步

符合规范的学术服务 助力您的学术成果走向世界


点击咨询学术顾问