梁 丹

（武汉职业技术学院电信学院，武汉 430074）

0 引言

芝麻油是食用品质好，营养价值高的一种优良食用植物油。目前国内市场上的芝麻油品牌众多，但芝麻油因芝麻品种不同、产地不同、生长环境条件等不同以及炼油的加工工艺等不同，使得各品牌的芝麻油质量、营养、价格等差异比较大，且各品牌芝麻油在外观上几乎没有差别，消费者难以从颜色、味道上加以鉴别区分。近红外光谱具有分析速度快、分析成本低、操作简单、非破坏性、无污染等[1-2]特点，利用近红外及相关技术定量分析农产品及食品的成分、定性鉴别农产品及食品的种类、定性鉴别农产品及食品真伪和产地等[3-7]的研究也已有一些成果。但应用近红外光谱分析技术鉴别芝麻油品牌的研究还没有。且由于近红外区吸收的光谱强度弱、灵敏度较低及噪音等因素影响，要使用近红外光谱技术对芝麻油品牌进行准确的鉴别，需要选择最佳的预处理方法和相匹配最佳的建模方法。本文将采用主成分分析结合BP神经网络方法提取不同品牌芝麻油的光谱信息中的差异，从而探讨不同品牌芝麻油快速有效的鉴别方法。

1 材料与方法

1.1 实验材料

实验共有6个不同品牌的纯芝麻油样品共计73个，其中中昌牌芝麻油12个、福达访牌12个、福临门牌13个、太太乐牌12个、金龙鱼牌12个、汉高牌12个。

1.2 实验仪器及软件

实验采用Bruker VECTOR 33N型FT-NIR近红外光谱仪，配置漫反射镀金积分球、Pbs检测器、样品旋转器、12mm石英样品池，OPUS软件；MATLAB R2007a。

1.3 实验方法

根据仪器及样品特点，采用透反射进行样品的光谱采集。测量时油样放入该石英样品杯中，然后再将此样品杯放入样品池中，盖上镀金的样品池盖（标准漫反射体）。为保证所有样品光谱采集条件的一致性，测量时油样均取2ml，从而尽量保证样品杯中样品测量高度的一致。测定时，设定仪器分辨率为8cm-1，扫描次数为64，光谱范围是10000～4000cm-1。光谱分析采用主成分分析结合BP人工神经网络法。

2 实验结果与分析

2.1 近红外图谱分析

测得的不同品牌芝麻油的近红外光谱如图1芝麻油样品原始光谱图所示。从图1可以看出，这73个样品油在整个光谱区图谱非常相似，波峰、波形都基本重合，所以无法直接从图谱中找出不同品牌芝麻油的差异。需要利用化学计量学方法将原始光谱进行数学处理，以突出不同品牌芝麻油样品之间化学成分的细小差异，从而达到鉴别品牌的目的。

图1 芝麻油样品原始光谱图

2.2 主成分分析

对73个样品进行主成分分析，前15个主成分的特征值及累计可信度如表1前15个主成分及累计可信度所示。

表1 前15个主成分及累计可信度

从表1可以看出，前15个主成分的累计可信度已经达到99.72%，因此选取前15个主成分来表示原始可见——近红外光谱的主要信息。实验比较了不同主成分组合的二维得分图，这些二维主成分得分图都不能显示出各品牌芝麻油的差异。6个品牌芝麻油在得分图上分布都比较散。只有以PC3为横坐标和PC5为纵坐标的二维得分图（图2主成分3和主成分5的二维得分图）聚合度稍好些。从图2可以看出，6个品牌中，汉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个品牌的芝麻油主要集中在第一、第二象限靠近中心的位置，这4个品牌芝麻油没有明显的区域界限，从图上无法分辨芝麻油的品牌。

图2 主成分3和主成分5的二维得分图

2.3 鉴别芝麻油品牌的定性分析模型的建立

采用BP算法的前馈神经网络能够实现输入与输出之间的高度非线性映射。因此该方法对光谱数据进行主成分分析的基础上，把主成分作为输入建立一个3层的BP网络模型，用于鉴别芝麻油的品牌。所有数据都是借助MATLAB中的图形用户接口GUI ( Graphical User Interfaces )进行神经网络设计与分析[6]。

73个样品油中，随机选择55个样品（中昌牌9个、福达访牌9个、福临门牌10个、太太乐牌9个、金龙鱼牌9个、汉高牌9个）作为校正集样品，将55个校正集样品的前15个主成分得分值作为模型的输入，输出节点数设为6（因为有6个不同品牌芝麻油），“0 0 0 0 0 1” 代表中昌牌，“0 0 0 0 1 0” 代表福达访牌，“0 0 0 1 0 0”代表福临门牌，“0 0 1 0 0 0”代表太太乐牌，“0 1 0 0 0 0” 代表金龙鱼牌，“1 0 0 0 0 0” 代表汉高牌。隐含层的传递函数采用双曲正切S型传递函数tan sig，输出层采用S型对数函数 ，隐含层节点数设为32，选用训练函数TRAINLM、学习函数LEARNGOM，设定最小均方误差为0.001，训练次数为500，进行网络的训练。所设计的用于鉴别不同品牌芝麻油的BP神经网络，训练11步就达到设定的误差要求。

将18个验证集样品作为测试集输入模型，得到检验结果，见表2鉴别芝麻油品牌的预测结果。18个验证集样品中编号为2、4、8的3个样品的真实值和预测值不同，其余的15个样品鉴别准确。结果表明模型对于不同品牌的芝麻油的鉴别率为83.33%。表明各品牌芝麻油由于产地、生长条件、炼油工艺等不同造成的品牌之间微小的差异用BP人工神经网络法虽不能被完全鉴别出来，但该法有一定的可行性。可考虑今后改善模型或采用其它建模方法进行深入的研究。

表2 鉴别芝麻油品牌的预测结果

3 结论

实验获得了6个不同品牌芝麻油的73个样品油在10000～4000cm-1之间的可见近红外光谱信息，通过主成分分析，得到前15个主成分的累计可信度达到99.72%。将55个校正集样品的15个主成分作为BP神经网络的输入变量，建立了芝麻油品牌鉴别模型。对18个未知样本的预测结果表明主成分分析结合BP人工神经网络法建立的模型对芝麻油品牌有一定鉴别作用，鉴别率可达83.33%，这表明相对于常规鉴别方法难以区别不同品牌芝麻油之间的微小差别，BP人工神经网络法对芝麻油品牌的鉴别更具可行性，为今后研究提高芝麻油品牌鉴别模型精度和探索更优的芝麻油品牌的鉴别的近红外光谱分析方法提供了充分的试验数据支持。

[1]陆婉珍,袁洪福,徐广通.现代近红外光谱分析技术[M].北京:中国石化出版社,2006.

[2]严衍禄,赵龙莲,韩东海,等.近红外光谱分析基础与应用[M].北京:中国轻工业出版社,2005.

[3]何勇,李晓丽,邵咏妮.基于主成分分析和神经网络的近红外光谱苹果品种鉴别方法研究[J].光谱学与光谱分析,2006,26(5):850-853.

[4]林萍,陈永明,何勇.基于可见近红外光谱的糖类别快速鉴别研究[J].光谱学与光谱分析,2009,29(2):382-385.

[5]吴桂芳,蒋益虹,王艳艳,等.基于独立主成分和BP神经网络的干红葡萄酒品种的鉴别[J].光谱学与光谱分析,2009,29(5):1268-1271.

[6]唐玉莲,梁逸曾,范伟,等.应用近红外光谱快速鉴别不同年龄段人食用的奶粉品种[J].红外,2010,30(1):30-35.

[7]张海红,张淑娟,王凤花,等.应用可见-近红外光谱快速识别沙棘汁品牌[J].光学学报,2010,30(2):574-578.

[8]飞思科技产品研发中心.小波分析理论与MATLAB7实现[M].北京:电子工业出版社,2005:29-47.