基于二維相關譜不變距特征判別摻雜尿素牛奶

曹燕++單慧勇++趙輝++楊仁杰++楊延榮++衛勇

摘要：為實現牛奶摻雜尿素的快速客觀檢測，以濃度為外擾，分別建立純牛奶和摻雜尿素牛奶的二維相關光譜圖庫，并采用不變矩統計特征表征所獲得純牛奶及摻雜尿素牛奶的二維相關光譜圖；針對提取的二維相關光譜不變矩特征，通過計算其Fisher系數評價類間分離程度，結合主成分分析法進行特征優選，選擇4個主成分表征所獲得樣品的二維相關光譜圖特征；將優選的4個特征參數作為輸入量，采用支持向量機算法建立摻雜尿素牛奶與純牛奶間的判別模型，該模型對校正集樣品和預測集樣品的判別準確率分別為94.4%、84.6%。結果表明，基于二維相關譜不變距特征判別摻雜尿素牛奶是可行的。

關鍵詞：二維相關光譜；Fisher系數；主成分分析；支持向量機

中圖分類號：TS252.7；O657.33 文獻標識碼：A 文章編號：0439-8114（2017）08-1550-04

DOI：10.14088/j.cnki.issn0439-8114.2017.08.037

Detection of Milk Doped with Urea Based on the Moment Invariants Feature of the 2D Correlation Spectrum

CAO Yan，SHAN Hui-yong，ZHAO Hui，YANG Ren-jie，YANG Yan-rong，WEI Yong

（College of Engineering and Technology， Tianjin Agricultural University， Tianjin 300384， China）

Abstract：In order to realize the rapid and objective detection of milk doped with urea， the application of two-dimensional correlation spectroscopy for the identification of mixed milk was studied. Based on the concentration of external disturbance， the 2D correlation spectra of pure milk and milk doped with urea were established and the obtained 2D correlation spectra of milk and milk doped with urea was characterized by invariant moments. The 2D correlation spectra invariant moment features was selected based on Fisher coefficient which is used to evaluate the degree of separation between classes and the principal component analysis. These 4 invariant moment parameters were used as input for SVM to build discriminant model of milk doped with urea and pure milk. The recognition rate of calibration set samples and prediction set samples was 94.4%， 84.6% respectively. The results showed that detection method of milk doped with urea based on the moment invariants feature of the 2D correlation spectrum is feasible.

Key words： 2D correlation spectrum； fisher coefficient； principal component analysis； support vector machine

牛奶中含有大量人們所必需的營養物質，具有較高的營養價值，已成為人們日常飲食中必不可少的食品。同時牛奶摻假的現象日益嚴重，迫切需要尋求一種能對牛奶中摻雜的目標物進行快速檢測的方法。目前采用的常規光譜技術檢測牛奶摻雜由于受到牛奶中摻雜物的多樣化和微量化影響，摻雜物的特征峰多與牛奶成分的特征峰相互重疊，且摻雜物特征信息與待分析組分之間呈非線性關系，即便與線性模式識別方法相結合，也無法有效地對摻雜牛奶進行判別。相比常規二維光譜，二維相關光譜具有更高的分辨率，可以更好地提取微弱的特征信息，能對復雜的圖譜進行解析[1-9]。本研究在二維相關光譜技術基礎上，提出一種基于圖像特征的判別牛奶摻雜方法，該方法通過提取二維相關光譜圖像的不變矩特征，建立支持向量機判別模型，實現了摻雜牛奶的正確識別。

4 基于支持向量機的牛奶摻雜判別

支持向量機（Support vector machine，SVM）是為了解決非線性回歸和模式分類問題而產生的，因其在解決小樣本、高維數、非線性等方面的獨特優勢，被廣泛應用于各個領域的識別和分類[4-7]。提取純牛奶和摻雜尿素的牛奶的同步—異步光譜圖中貢獻率大的4個主成分特征采用支持向量機分析。80個樣本數據中，40個為純牛奶，40個為摻雜尿素，其中選取純牛奶和摻雜尿素牛奶各27個樣本數據作為神經網絡的學習訓練樣本，其余26個樣本數據作為預測樣本。圖7、圖8分別為支持向量機校正集預測結果和支持向量機測試集預測結果。

校正集54個樣本數據中有3個判別錯誤，其中有一個純牛奶被誤判為摻雜尿素的牛奶，兩個摻雜尿素的牛奶別誤判為純牛奶，所建模型對校正集的判別準確率為94.4%；利用模型進行外部預測，預測集26個樣本數據中有4個判別錯誤，其中純牛奶判別結果全部正確，4個摻雜尿素的牛奶別誤判為純牛奶，所建模型對校正集的判別準確率為84.6%。

5 小結與討論

研究結果表明，二維相關同步-異步譜圖的可分性比二維相關同步譜圖的可分性明顯；提取純牛奶和摻雜尿素的牛奶的同步—異步光譜圖中貢獻率大的4個主成分特征，采用支持向量機模型對校正集樣品判別準確率為94.4%，對預測集樣品判別正確率為84.6%。基于二維相關譜不變距特征判別摻雜牛奶是可行的，為二維相關譜譜圖的客觀量化和自動識別提供了一條新的研究思路。

參考文獻：

[1] NODA I. Advances in two-dimensional correlation spectroscopy[J].Vibrational Spectroscopy，2004，36（2）：143-165.

[2] HU M K. Visual pattern recognition by moment invariants[J].IEEE Transactions on Information Theory，1962，8（2）：179-187.

[3] 何 敏，章 兢，晏 敏，等.基于紋理特征的回轉窯熟料燒結狀態分類[J].湖南大學學報（自然科學版），2010（9）：29-33.

[4] 丁世飛，齊丙娟，譚紅艷.支持向量機理論與算法研究綜述[J].電子科技大學學報，2011，40（1）：2-10.

[5] 李玉景.支持向量機在模式識別領域中的應用研究[D].山東青島：青島大學，2008.

[6] 雷 瑾.基于支持向量機的船舶主機缸蓋故障診斷的研究[D].上海：上海海事大學，2007.

[7] 忻 棟.支持向量機算法的研究及在說話人識別上的應用[D].杭州：浙江大學，2002.

[8] 姚 磊.基于Hough變換和不變矩的圖像模式識別技術研究[D].河北秦皇島：燕山大學，2006.

[9] 田 野，趙春暉，季亞新.主成分分析在高光譜遙感圖像降維中的應用[J].哈爾濱師范大學自然科學學報，2007，23（5）：58-60.

[10] 謝生龍，王夏黎，董春雨.基于不變矩理論線矩法圖像特征的提取[J].計算機技術與發展，2014，24（11）：139-143.

[11] 柳林霞，陳 杰，竇麗華.不變矩理論及其在目標識別中的應用[J].火力與指揮控制，2003，28（2）：13-15.