基于BP神經網絡的近紅外光譜法鑒別芝麻油品牌的研究

梁 丹

（武漢職業技術學院電信學院，武漢 430074）

0 引言

芝麻油是食用品質好，營養價值高的一種優良食用植物油。目前國內市場上的芝麻油品牌眾多，但芝麻油因芝麻品種不同、產地不同、生長環境條件等不同以及煉油的加工工藝等不同，使得各品牌的芝麻油質量、營養、價格等差異比較大，且各品牌芝麻油在外觀上幾乎沒有差別，消費者難以從顏色、味道上加以鑒別區分。近紅外光譜具有分析速度快、分析成本低、操作簡單、非破壞性、無污染等[1-2]特點，利用近紅外及相關技術定量分析農產品及食品的成分、定性鑒別農產品及食品的種類、定性鑒別農產品及食品真偽和產地等[3-7]的研究也已有一些成果。但應用近紅外光譜分析技術鑒別芝麻油品牌的研究還沒有。且由于近紅外區吸收的光譜強度弱、靈敏度較低及噪音等因素影響，要使用近紅外光譜技術對芝麻油品牌進行準確的鑒別，需要選擇最佳的預處理方法和相匹配最佳的建模方法。本文將采用主成分分析結合BP神經網絡方法提取不同品牌芝麻油的光譜信息中的差異，從而探討不同品牌芝麻油快速有效的鑒別方法。

1 材料與方法

1.1 實驗材料

實驗共有6個不同品牌的純芝麻油樣品共計73個，其中中昌牌芝麻油12個、福達訪牌12個、福臨門牌13個、太太樂牌12個、金龍魚牌12個、漢高牌12個。

1.2 實驗儀器及軟件

實驗采用Bruker VECTOR 33N型FT-NIR近紅外光譜儀，配置漫反射鍍金積分球、Pbs檢測器、樣品旋轉器、12mm石英樣品池，OPUS軟件；MATLAB R2007a。

1.3 實驗方法

根據儀器及樣品特點，采用透反射進行樣品的光譜采集。測量時油樣放入該石英樣品杯中，然后再將此樣品杯放入樣品池中，蓋上鍍金的樣品池蓋（標準漫反射體）。為保證所有樣品光譜采集條件的一致性，測量時油樣均取2ml，從而盡量保證樣品杯中樣品測量高度的一致。測定時，設定儀器分辨率為8cm-1，掃描次數為64，光譜范圍是10000～4000cm-1。光譜分析采用主成分分析結合BP人工神經網絡法。

2 實驗結果與分析

2.1 近紅外圖譜分析

測得的不同品牌芝麻油的近紅外光譜如圖1芝麻油樣品原始光譜圖所示。從圖1可以看出，這73個樣品油在整個光譜區圖譜非常相似，波峰、波形都基本重合，所以無法直接從圖譜中找出不同品牌芝麻油的差異。需要利用化學計量學方法將原始光譜進行數學處理，以突出不同品牌芝麻油樣品之間化學成分的細小差異，從而達到鑒別品牌的目的。

圖1 芝麻油樣品原始光譜圖

2.2 主成分分析

對73個樣品進行主成分分析，前15個主成分的特征值及累計可信度如表1前15個主成分及累計可信度所示。

表1 前15個主成分及累計可信度

從表1可以看出，前15個主成分的累計可信度已經達到99.72%，因此選取前15個主成分來表示原始可見——近紅外光譜的主要信息。實驗比較了不同主成分組合的二維得分圖，這些二維主成分得分圖都不能顯示出各品牌芝麻油的差異。6個品牌芝麻油在得分圖上分布都比較散。只有以PC3為橫坐標和PC5為縱坐標的二維得分圖（圖2主成分3和主成分5的二維得分圖）聚合度稍好些。從圖2可以看出，6個品牌中，漢高牌芝麻油主要集中在第三象限，中昌牌芝麻油主要聚集在第四象限并有部分靠近第三象限，而其他4個品牌的芝麻油主要集中在第一、第二象限靠近中心的位置，這4個品牌芝麻油沒有明顯的區域界限，從圖上無法分辨芝麻油的品牌。

圖2 主成分3和主成分5的二維得分圖

2.3 鑒別芝麻油品牌的定性分析模型的建立

采用BP算法的前饋神經網絡能夠實現輸入與輸出之間的高度非線性映射。因此該方法對光譜數據進行主成分分析的基礎上，把主成分作為輸入建立一個3層的BP網絡模型，用于鑒別芝麻油的品牌。所有數據都是借助MATLAB中的圖形用戶接口GUI ( Graphical User Interfaces )進行神經網絡設計與分析[6]。

73個樣品油中，隨機選擇55個樣品（中昌牌9個、福達訪牌9個、福臨門牌10個、太太樂牌9個、金龍魚牌9個、漢高牌9個）作為校正集樣品，將55個校正集樣品的前15個主成分得分值作為模型的輸入，輸出節點數設為6（因為有6個不同品牌芝麻油），“0 0 0 0 0 1” 代表中昌牌，“0 0 0 0 1 0” 代表福達訪牌，“0 0 0 1 0 0”代表福臨門牌，“0 0 1 0 0 0”代表太太樂牌，“0 1 0 0 0 0” 代表金龍魚牌，“1 0 0 0 0 0” 代表漢高牌。隱含層的傳遞函數采用雙曲正切S型傳遞函數tan sig，輸出層采用S型對數函數 ，隱含層節點數設為32，選用訓練函數TRAINLM、學習函數LEARNGOM，設定最小均方誤差為0.001，訓練次數為500，進行網絡的訓練。所設計的用于鑒別不同品牌芝麻油的BP神經網絡，訓練11步就達到設定的誤差要求。

將18個驗證集樣品作為測試集輸入模型，得到檢驗結果，見表2鑒別芝麻油品牌的預測結果。18個驗證集樣品中編號為2、4、8的3個樣品的真實值和預測值不同，其余的15個樣品鑒別準確。結果表明模型對于不同品牌的芝麻油的鑒別率為83.33%。表明各品牌芝麻油由于產地、生長條件、煉油工藝等不同造成的品牌之間微小的差異用BP人工神經網絡法雖不能被完全鑒別出來，但該法有一定的可行性?？煽紤]今后改善模型或采用其它建模方法進行深入的研究。

表2 鑒別芝麻油品牌的預測結果

3 結論

實驗獲得了6個不同品牌芝麻油的73個樣品油在10000～4000cm-1之間的可見近紅外光譜信息，通過主成分分析，得到前15個主成分的累計可信度達到99.72%。將55個校正集樣品的15個主成分作為BP神經網絡的輸入變量，建立了芝麻油品牌鑒別模型。對18個未知樣本的預測結果表明主成分分析結合BP人工神經網絡法建立的模型對芝麻油品牌有一定鑒別作用，鑒別率可達83.33%，這表明相對于常規鑒別方法難以區別不同品牌芝麻油之間的微小差別，BP人工神經網絡法對芝麻油品牌的鑒別更具可行性，為今后研究提高芝麻油品牌鑒別模型精度和探索更優的芝麻油品牌的鑒別的近紅外光譜分析方法提供了充分的試驗數據支持。

[1]陸婉珍,袁洪福,徐廣通.現代近紅外光譜分析技術[M].北京:中國石化出版社,2006.

[2]嚴衍祿,趙龍蓮,韓東海,等.近紅外光譜分析基礎與應用[M].北京:中國輕工業出版社,2005.

[3]何勇,李曉麗,邵詠妮.基于主成分分析和神經網絡的近紅外光譜蘋果品種鑒別方法研究[J].光譜學與光譜分析,2006,26(5):850-853.

[4]林萍,陳永明,何勇.基于可見近紅外光譜的糖類別快速鑒別研究[J].光譜學與光譜分析,2009,29(2):382-385.

[5]吳桂芳,蔣益虹,王艷艷,等.基于獨立主成分和BP神經網絡的干紅葡萄酒品種的鑒別[J].光譜學與光譜分析,2009,29(5):1268-1271.

[6]唐玉蓮,梁逸曾,范偉,等.應用近紅外光譜快速鑒別不同年齡段人食用的奶粉品種[J].紅外,2010,30(1):30-35.

[7]張海紅,張淑娟,王鳳花,等.應用可見-近紅外光譜快速識別沙棘汁品牌[J].光學學報,2010,30(2):574-578.

[8]飛思科技產品研發中心.小波分析理論與MATLAB7實現[M].北京:電子工業出版社,2005:29-47.