近红外模型更新方法及在食品检测中的应用

发布时间：2020-08-21 17:11

【摘要】：食品工业是人类的生命工业,其发展水平是反映人民生活水平和国家发达程度的重要参考指标。随着自动化程度的不断提高,我国的食品生产已经基本完成由手工作坊生产向机械化生产的转变。然而,作为食品生产重要一环的食品检测仍多采用人工离线检测。食品生产检测有调控生产、保证品质的作用,离线检测实时性差,且独立于生产环节之外,不能根据测量结果及时调整生产线,因此这种食品检测模式亟待调整。与此同时,近年来近红外光谱检测技术因其分析迅速、样品预处理操作简单、无损、污染程度低以及价格低廉等优点,在农产品及食品检测领域应用广泛。近红外光谱检测的检测精度受多元校正模型的准确度影响很大。然而,在食品生产中,环境、原料等生产要素变化较大,模型稳定性差,经常需要重新建模或更新模型。本文旨在克服近红外在线检测技术在食品检测应用中存在的模型不稳定问题,提高模型自适应更新能力,降低模型维护成本,智能化生产线,促进食品生产线的升级改造。具体研究如下:(1)针对食品检测中全谱更新计算量较大且易引入不相关波段信息的问题,提出了基于特征波段的递归偏最小二乘(Recursive Partial Least Squares,RPLS)算法。该算法在递归更新运算前引入波长选择算法(本文提出一种新的波长选择算法——最小冗余最大相关算法),随后在特征波段的基础上进行递归更新。通过在黄酒氨基酸态氮检测及小麦籽粒蛋白质含量检测模型更新中应用所提算法,使近红外在线检测的预测精度较原全谱递归更新方法有了一定提高。(2)针对食品检测中初始样品库完备性而导致的全局模型精度较低的问题,研究了即时学习框架在近红外模型更新中的应用。本文通过对即时学习框架中相似度计算方法的优化,提出引入最大信息系数(Maximal Information Coefficient,MIC)对波长重要程度进行评估,并以此对光谱加权后进行后续相似度等计算。通过在黄酒酒精度检测模型中应用所提算法,有效提高了近红外检测精度。(3)更进一步,针对食品检测模型更新中递归更新和即时学习框架均存在必要性的问题,通过矩阵形式将两种方法融合,同时从时间和空间两个维度更新。此外,考虑到食品检测中保留初始样品库的需求,提出一种新的模型更新算法——改进的递归局部加权偏最小二乘(Modified Recursive Locally Weighted Partial Least Squre,m-RLWPLS)算法。将改进的m-RLWPLS算法应用于黄酒总酸检测模型更新,显著提高了近红外检测效果。
【学位授予单位】：江南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN219;TS207.3
【图文】：

近红外光谱,范围,含氢基团

第二章近红外光谱检测原理近红外检测技术作为一种重要的分析技术，在石化、化工、食品等多个领域应用广泛。本章将详细介绍 NIR 技术的检测原理、常用化学计量学方法以及模型更新相关概念，为读者更好地理解下文所提的模型更新算法作背景铺垫。2.1 近红外光谱检测原理近红外(Near Infrared，NIR)光的本质是一种电磁波，按照美国材料试验学会的定义，波长在780-2526纳米区间内的波段为近红外光谱区。近红外区域常分为短波近红外(780-1100nm)和长波近红外(1100-2526nm)两个区块。NIR 主要由分子间振动引起，其谱区与有机分子中含氢基团(O-H、C-H、N-H)的合频和各级倍频吸收区一致，通过扫描样品的NIR 光谱即可得样品有机分子含氢基团的特征信息，因此在关注含氢基团信息的食品、农业、制药、石油矿物等行业的检测中应用广泛[24]。电磁波波长分布范围极广，各部分间的性质差异较大，本文所关注的 NIR 为位于紫外光与红外光之间的波段，如图 2-1 所示。

关系图,互信息,关系图,信息熵

图 3-1 互信息与信息熵关系图息量多少的度量称作信息熵。信息熵表征了所含信息量就越少，信息熵就越小。设光谱它们的边缘概率分布为p ( x ), p( y )，联合概率定义为[5]：H ( ) p ( )log p( )d x x x x H ( ) p ( )log p( )d y y y y x不确定度的减小程度称为互信息，可用以描可以得出波长x与目标理化值y间的关系：I ( x , y ) H ( x ) H ( y ) H( x, y )y完全相关时，它们的互信息最大，而当x和度，此情况下它们的互信息最小。与相关关性评价，是一种更为广义的相关性评价指自信息H(X)自信息H(Y)

特征波,波长选择,小麦籽粒,算法

21图 3-4 小麦籽粒特征波段（siPLS 波长选择算法）由表 3-1 可见，使用全谱固定模型时，由于检测间隔两周，受仪器漂移等因素影响，型预测精度相对其他方法较低。使用基于特征波段的固定模型后，由于滤除了 60%的相关性光谱，模型精度有所提升，RMSEP 下降 15%。递归算法加入了新样品信息，比于固定模型，能不断更新模型以匹配新样品的微小变化。使用全谱 RPLS 后，RMSEP至 0.4784，较原固定模型下降 31%，RPD 上升至 3.6，达到定量分析较优水平（RPD3）。使用基于特征波段的 RPLS 后，RMSEP 进一步下降，RPD 达到 4.1。且由于仅用了特征波段的光谱数据，数据量降至原 40%，递归计算均在简化模型的基础上运行，算效率较全谱递归大幅提高。

【相似文献】