熒光高光譜技術快速無損檢測鐵觀音摻假及其程度
在茶葉市場上，茶葉摻假、低質量茶作為**茶、舊茶作為新茶的問題也不時出現在上。在高經濟利潤的推動下，市場上偶爾會發生鐵觀音摻假。一些非法商人在鐵觀音中混合了本山、毛蟹、黃金桂，他們的外觀與鐵觀音非常相似，但在銷售過程中價格相差很大。普通消費者很難區分茶葉的真實性，這嚴重侵犯了消費者和經營者的合法權益。在此背景下，迫切需要一種快速、無損的檢測茶葉摻假的方法。
四川農業大學康志亮教授團隊利用我司高光譜設備（GaiaField-V10E）及配套的熒光系統，對鐵觀音摻假程度的進行無損檢測。作為一種新的檢測方法，熒光高光譜技術為食品檢測提供了獨特的優勢，其基本原理是當一種物質被特定波長的入射光照射時，其分子吸收光能并從基態進入激發態，然后立即去激發并發射出光。圖1熒光高光譜成像系統。
圖1 熒光高光譜成像系統
在這項研究中，摻假茶和純鐵觀音在形狀、顏色和內部成分上只有輕微差異，這增加了檢測茶葉摻假的難度。摻假茶葉樣本的比例符合市場上不法商人的普遍做法。至于茶葉的熒光特性，作為一種植物，茶葉中的不同物質會吸收不同波段的光，并在不同波段發出熒光。
本山被用作摻假茶，約占茶葉樣品總重量的0%、10%、20%、30%、40%和50%，并與鐵觀音混合。圖2為經過PCA后的六個等級的茶葉三維分布圖。為了對茶葉進行摻假檢測。本研究在實驗方案中建立了純鐵觀音和摻假鐵觀音的兩級判別模型，以快速鑒別摻假與否；另一方面，建立了六級判別模型，保證了在不同程度的茶葉摻假情況下，茶葉摻假程度的快速識別。
圖2 六個摻假等級茶葉的PCA分布圖
首先，熒光高光譜成像系統獲得475–1000 nm波段的光譜信息。圖3為茶葉的平均光譜分布圖。接下來，選擇Savitzky–Golay（SG）、乘性散射校正（MSC）和標準正態變量（SVN）對熒光高光譜數據進行預處理。并且對預處理方法進行參數的比較。表1為不同預處理方法在SVM下的評價指標。
表1 不同預處理方法下的評價指標
|
Methods |
|
Sensitivity |
Specificity |
Accuracy |
Time |
|
RAW |
Calibration |
75.86% |
100.00% |
95.63% |
1.9588 |
|
Prediction |
84.21% |
100.00% |
96.25% |
||
|
SNV |
Calibration |
100.00% |
100.00% |
100.00% |
2.1267 |
|
Prediction |
89.47% |
100.00% |
97.50% |
||
|
MSC |
Calibration |
100.00% |
100.00% |
100.00% |
1.7759 |
|
Prediction |
94.74% |
98.36% |
97.50% |
||
|
SG-7 |
Calibration |
100.00% |
100.00% |
100.00% |
1.7861 |
|
Prediction |
100.00% |
100.00% |
100.00% |
|
|
|
|
(a) |
(b) |
圖3 摻假茶葉的平均光譜曲線
此外，還采用了連續投影算法（SPA）、競爭自適應加權采樣（CARS）、隨機青蛙算法（RF）和無信息變量消除（UVE）來提取茶葉光譜信息的特征波長。
建立了二分類模型（區分純鐵觀音和摻假鐵觀音）和六分類模型（區分純鐵觀音和五個摻假等級的茶葉）。在確定模型的預處理（SG）方法后，選擇特征波長對模型進行簡化。在SG平滑后，應用了四種特征選擇方法。SG平滑結合SPA、CARS、RF和UVE算法，將104個通道分別減少到33、11、44和46個通道。圖4顯示了SG-CARS之后的特征選擇。SG7平滑結合四種特征波長選擇方法的評價指標如表2所示。所有的特征選擇方法都有助于降低數據維數。
圖4 SG-CARS后的特征選擇
表2 不同特征選擇方法下的評價指標
|
SG7 |
Number |
|
Sensitivity |
Specificity |
Accuracy |
Time (s) |
|
SPA |
41 |
Calibration |
100.00% |
100.00% |
100.00% |
1.2147 |
|
Prediction |
98.51% |
100.00% |
98.75% |
|||
|
CARS |
11 |
Calibration |
100.00% |
100.00% |
100.00% |
1.2088 |
|
Prediction |
100.00% |
100.00% |
100.00% |
|||
|
RF |
44 |
Calibration |
100.00% |
100.00% |
100.00% |
1.1935 |
|
Prediction |
100.00% |
94.74% |
100.00% |
|||
|
UVE |
41 |
Calibration |
100.00% |
100.00% |
100.00% |
1.1829 |
|
Prediction |
100.00% |
100.00% |
100.00% |
在建立六分類模型過程中。首先，與兩分類模型一樣，將不同的預處理方法與支持向量機相結合，建立了四類判別模型。然后，為了簡化模型，選擇了四種特征選擇方法來篩選模型的特征波長，這有利于提高模型的效果和精度。所有模型的結果如表3所示。其中，六分類模型和兩分類模型的預處理方法存在差異。通過使用SNV和MSC，提高了分類模型的準確性。
特征選擇后，這些模型的總體趨勢大致相同。純鐵觀音、10%和30%摻假茶葉的準確率幾乎為100%，但摻假程度為40%的準確率不高，表明該模型可能無法準確區分鐵觀音的摻假水平。相比之下，在SNV之后，模型的整體準確性得到了提高。在RF之后，整體準確度提高了1.09%，僅用時0.002秒。在該分類中，純鐵觀音和10%和30%的摻假茶被準確預測；模型的變化也提高了茶葉剩余摻假比例的準確性?？紤]到整體影響，RF在建立分類模型方面表現出更高的效率?？傊?，SNV-RF-SVM是區分純茶和摻假茶的*佳方法，其總準確率為94.27%，僅需0.00698秒。
表3 六分類模型評價指標
|
Preprocessing |
Methods |
Number |
Class Accuracy |
Overall Accuracy |
|
|||||
|
0% |
10% |
20% |
30% |
40% |
50% |
Time |
||||
|
RAW |
NO |
104 |
100.00% |
100.00% |
100.00% |
100.00% |
59.09% |
100.00% |
93.18% |
0.01396 |
|
SPA |
33 |
100.00% |
100.00% |
78.57% |
81.82% |
45.45% |
100.00% |
84.31% |
0.01396 |
|
|
CARS |
19 |
100.00% |
100.00% |
78.57% |
100.00% |
36.36% |
78.57% |
82.25% |
0.01296 |
|
|
RF |
60 |
100.00% |
100.00% |
78.57% |
100.00% |
36.36% |
78.57% |
82.25% |
0.01396 |
|
|
UVE |
41 |
100.00% |
100.00% |
78.57% |
100.00% |
45.45% |
100.00% |
87.34% |
0.01300 |
|
|
MSC |
NO |
104 |
100.00% |
100.00% |
92.86% |
100.00% |
68.18% |
100.00% |
93.51% |
0.01097 |
|
SPA |
34 |
100.00% |
94.74% |
64.29% |
100.00% |
54.55% |
78.57% |
82.03% |
0.00801 |
|
|
CARS |
11 |
100.00% |
100.00% |
71.43% |
72.73% |
40.91% |
78.57% |
77.27% |
0.00798 |
|
|
RF |
55 |
100.00% |
100.00% |
71.43% |
100.00% |
63.64% |
92.86% |
87.99% |
0.00898 |
|
|
UVE |
34 |
100.00% |
100.00% |
71.43% |
100.00% |
59.09% |
85.71% |
86.04% |
0.00997 |
|
|
SNV |
NO |
104 |
100.00% |
100.00% |
92.86% |
100.00% |
68.18% |
100.00% |
93.51% |
0.00798 |
|
SPA |
27 |
100.00% |
100.00% |
85.71% |
81.82% |
54.55% |
85.71% |
84.63% |
0.00698 |
|
|
CARS |
14 |
100.00% |
100.00% |
78.57% |
100.00% |
45.45% |
71.43% |
82.58% |
0.00499 |
|
|
RF |
57 |
100.00% |
100.00% |
92.86% |
100.00% |
72.73% |
100.00% |
94.27% |
0.00698 |
|
|
UVE |
46 |
100.00% |
100.00% |
64.29% |
100.00% |
59.09% |
85.71% |
84.85% |
0.00698 |
|
|
SG |
NO |
104 |
100.00% |
100.00% |
85.71% |
100.00% |
45.45% |
100.00% |
88.53% |
0.00898 |
|
SPA |
41 |
100.00% |
100.00% |
71.42% |
72.73% |
31.82% |
71.43% |
74.57% |
0.00798 |
|
|
CARS |
11 |
100.00% |
100.00% |
92.86% |
72.73% |
45.45% |
100.00% |
85.17% |
0.00698 |
|
|
RF |
44 |
100.00% |
100.00% |
78.57% |
90.91% |
45.45% |
92.86% |
84.63% |
0.00798 |
|
|
UVE |
41 |
100.00% |
100.00% |
78.57% |
81.82% |
36.36% |
85.71% |
80.41% |
0.00898 |
|
**作者簡介：
康志亮，四川農業大學教授，碩士生導師。
主要研究方向：信號與信息處理、傳感器與檢測技術、自動控制。
參考文獻：Hu Y , Kang Z . The Rapid Non-Destructive Detection of Adulteration and Its Degree of Tieguanyin by Fluorescence Hyperspectral Technology[J]. Molecules, 2022, 27(4):1196. DOI：10.3390/molecules27041196
