運用拉曼近紅外光譜融合技術快速鑒定植物油的種類
我國對植物油消費水平日益提高，因此要求對植物油的質量監管的力度要到位，本文將針對利用拉曼光譜和近紅外光譜融合技術對植物油的種類進行快速高效精準的鑒定，并結合分析植物油種類鑒定的SVC模型研究技術，對更好地預測植物油的鑒定模型，嚴格執行好我國植物油種類鑒定檢測標準提供借鑒。
樣品光譜采集與光譜分析
樣品光譜采集
運用拉曼近紅外光譜融合技術快速鑒定植物油時，應首先對植物油進行樣品光譜的采集，采集植物油樣品的光譜儀是歐普圖斯拉曼光譜儀，紅外植物油質量快速鑒定儀。
樣品光譜對比分析
采集大豆油、花生油、菜籽油、茶籽油、稻米油、玉米油、葵花籽油和橄欖油八類植物油作為樣品，對這八類常見植物油進行分別處理后，在對其進行拉曼光譜采集和近紅外光譜采集，對采集的拉曼光譜和近紅外光譜分析后可知，拉曼光譜曲線會因為植物油種類的不同而不同，通常1340—1440納米以及1600-1700納米處會出現波峰和波谷，吸光度也不同，吸光度的位置變化也會因為采集的長度單位的不同而相應做出改變，這也就證明了采用拉曼光譜法和近紅外原始圖譜能夠對植物油的種類進行有效的鑒定。
光譜特征波長提取
應用競爭性自適應重加權采樣，連續投影算法聯用和后向間隔偏最小二乘法算法對處理過后的拉曼圖譜和近紅外光譜進行數據的提取測量，然后對提取的數據結合激光拉曼光譜，近紅外光譜表示為特征層，對近紅外光譜特征層建立光譜融合建構，連續投影算法聯用時先使用連續投影對光譜的特征變量進行提取，再用提取后的光譜特征變量進行投影算法的連用，然后采用投影算法對連續投影算法進行特征變量進行二次收集，并對二次特征變量進行優選。
植物油種類鑒定SVC模型研究
基于拉曼光譜植物油種類的鑒定SVC模型
經過MA11-airPLS-Nor近預處理的拉曼光譜并結合光譜的波峰和波谷，以及SG9-airPLS-Nor處理的拉曼光譜數據進行SVC模型的構建，SVC模型的構建應注意在對拉曼光譜分析的數據預處理，結合拉曼光譜的波峰和波谷對數據預處理的時效性進行采集，作為SVC模型建構的輸入變量，之后就是對SVC模型建構后的整體優化，建立包含拉曼光譜全波段的SVC整體建構模型。接下來就結合連續投影算法和向間隔偏最小二乘法算法對拉曼光譜進行計算，記錄到SVC模型建構的輸入量中去，得到具有拉曼股光譜數據分析性質的特征變量植物油種類鑒定的SVC模型。
基于近紅外光譜的植物油種類的鑒定SVC模型
對樣本植物油采集后的近紅外光譜進行預處理過后，得到的特征變量可以作為SVC模型的輸入變量，并結合近紅外光譜的波峰和波谷發現其變化特征，就可以建立全波段的近紅外光譜SVC模型，然后結合連續投影算法和向間隔偏最小二乘法算法對近紅外光譜進行數據計算，就可以得到具有特征變量的SVC近紅外光譜SVC鑒別模型。
利用拉曼圖譜和近紅外光譜能對植物油的種類進行鑒定，并結合光譜分析技術和拉曼圖譜的近紅外光譜的數據層，分析兩者的特征層能夠建立近紅外光譜，數據層多源光譜融合，特征層多元光譜數據融合SVC鑒別模型，以此來提高植物油種類的鑒別率。
陳陽 羅青松 武漢輕工大學機械工程學院
