一種飼料原料中非法添加物蘇丹紅的定性檢測方法
【專利摘要】本發(fā)明公開了一種飼料原料中非法添加物蘇丹紅的定性檢測方法，通過顯微圖像處理來初篩可疑區(qū)域，縮小檢測范圍；再利用顯微拉曼成像光譜儀檢測可疑區(qū)域的拉曼光譜，對光譜進行預(yù)處理獲取訓練樣本，并采用對類別敏感的IVISSA方法進行波段選擇，該方法可以有效地選擇蘇丹紅與其他成分差異性大的特征峰，提高檢測效率和準確性。然后取各訓練樣本的平均光譜作為光譜匹配標準庫。最后根據(jù)圖像初選的檢測點坐標采集未知樣本的顯微拉曼光譜，再經(jīng)過相同的光譜預(yù)處理并選擇相同的波長變量與光譜庫中各個光譜通過特征增強光譜角匹配法(FESAM)一一匹配，從而判斷未知樣本是否存在蘇丹紅。本發(fā)明具有檢測快速、穩(wěn)定性強的優(yōu)點，還具有更低的假陽率和更低的檢測限。
【專利說明】
-種飼料原料中非法添加物蘇丹紅的定性檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及農(nóng)業(yè)中飼料安全分析技術(shù)領(lǐng)域，尤其設(shè)及一種飼料原料中非法添加物 蘇丹紅定性檢測方法。
【背景技術(shù)】
[0002] 當前，我國作為世界上最大的畜禽養(yǎng)殖生產(chǎn)國之一，畜禽食品安全現(xiàn)狀較為嚴峻， 食品安全事件層出不窮。食品安全與全人類健康息息相關(guān)，而動物飼料作為動物食品安全 的源頭和關(guān)鍵環(huán)節(jié)，它的營養(yǎng)價值和安全性也越來越受到社會各界的關(guān)注。近年來，一些不 法企業(yè)將工業(yè)染料蘇丹紅滲入禽類飼料原料中，使產(chǎn)品表觀顏色亮麗、易于銷售、降低成 本、謀取利益。蘇丹紅的化學結(jié)構(gòu)中含有偶氮，運種結(jié)構(gòu)的性質(zhì)決定了它具有致癌性。該物 質(zhì)一旦被人體攝取，通過體內(nèi)代謝生成苯胺和糞酪衍生物，直接損害肝細胞，并影響氧氣與 血紅蛋白的結(jié)合。國際癌癥研究機構(gòu)（IARC)已將苯胺和糞酪衍生物列為二類或=大致癌物 質(zhì)。由于飼料原料組成成分通常比較復(fù)雜，導致利用常規(guī)分析方法很難準確地提取出純凈 的添加物，并且分離提取工作繁雜且技術(shù)要求嚴格，操作過程中可能會引起樣品的某些組 成成分發(fā)生未知的物理或化學變化，影響檢測分析結(jié)果的真實性，降低產(chǎn)品質(zhì)量檢驗的準 確率。
[0003] 光譜分析方法是利用物質(zhì)在不同福射波長下的光學信息強度進行分析檢測的。不 同結(jié)構(gòu)的物質(zhì)根據(jù)自身的福射特性存在不同的特征光譜。運些光譜可通過建立數(shù)學模型的 方式來分析測定對應(yīng)物質(zhì)的化學結(jié)構(gòu)及成分，從而對物質(zhì)表面特征及內(nèi)部品質(zhì)定性或定量 檢測，具有快速準確、無損和實時檢測的特點。目前對蘇丹紅檢測采用的最廣泛的方法為表 面增強的拉曼光譜法。雖然表面增強的拉曼光譜技術(shù)克服了拉曼散射效應(yīng)弱的缺點，但該 方法需要將被測物吸附在表面粗糖化處理的金、銀、銅等膠質(zhì)金屬顆粒上，操作復(fù)雜且重復(fù) 性低。再者，實際非法添加物中，蘇丹紅的添加濃度較低，在飼料樣本中的分布不均勻，飼料 成分復(fù)雜，很難精確地提取出滲假飼料中蘇丹紅的光譜等因素，導致僅僅利用普通拉曼光 譜技術(shù)很難實現(xiàn)痕量水平的蘇丹紅檢測。
[0004] 在近幾年，隨著顯微成像技術(shù)的不斷改善，圖像與光譜相結(jié)合的技術(shù)應(yīng)運而生。運 一技術(shù)將光譜分析和圖像處理技術(shù)完美的結(jié)合在一起，開辟了檢測分析技術(shù)的新領(lǐng)域，使 得滲雜樣本的痕量檢測成為可能。拉曼顯微成像光譜儀精度高、掃描間隔小，但檢測面積有 很大的局限性且光譜信息冗余度高。然而用合適的檢測面積和信息量卻很難檢測出低濃度 的蘇丹紅。
[0005] 綜上所述，表面增強拉曼檢測技術(shù)，有操作復(fù)雜、技術(shù)要求高的問題；同時，拉曼顯 微成像光譜技術(shù)存在檢測區(qū)域小、光譜數(shù)據(jù)維數(shù)高、冗余信息多、檢測速度低的缺陷;再者， 飼料的成分多樣，檢測背景信息復(fù)雜，低濃度光譜特征較弱且蘇丹紅與多種可添加成分光 譜在部分波段存在重疊的情況極大的提高了檢測難度。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明技術(shù)解決問題:克服現(xiàn)有技術(shù)的不足，提供一種簡單、快速、高效的飼料原 料中非法添加物蘇丹紅定性檢測方法，W解決現(xiàn)有技術(shù)中操作復(fù)雜、重復(fù)性差、難W實現(xiàn)痕 量檢測及成像區(qū)域小、光譜數(shù)據(jù)相關(guān)性高的問題。
[0007] 本發(fā)明提供的飼料原料中非法添加物蘇丹紅定性檢測方法利用圖像處理技術(shù)選 出可疑區(qū)域，拉曼光譜儀采集待檢測點的拉曼光譜數(shù)據(jù)，再通過波長變量選擇方法降低數(shù) 據(jù)冗余并建立具有代表性的光譜庫，最后應(yīng)用特征增強的光譜角匹配(FESAM)法進一步增 強光譜特征，最終實現(xiàn)對運類非法添加物樣本的痕量定性檢測。
[0008] 為達到上述目的，本發(fā)明的技術(shù)方案是運樣實現(xiàn)的：
[0009] 步驟101，采用反射模式的顯微系統(tǒng)采集飼料W及飼料中添加不同濃度蘇丹紅樣 本的高清圖像數(shù)據(jù)，構(gòu)成訓練圖集；
[0010] 步驟102,根據(jù)上述訓練圖集設(shè)置圖像處理模型參數(shù)，再對所有樣本圖像進行處 理，選定檢測區(qū)域及檢測點坐標；
[0011] 步驟103,拉曼顯微光譜儀依據(jù)檢測區(qū)域和檢測點的坐標采集不同濃度蘇丹紅樣 本的拉曼光譜數(shù)據(jù)；
[0012] 步驟104,對所述拉曼光譜數(shù)據(jù)進行預(yù)處理，W去除噪聲、基線的干擾；
[0013] 步驟105,選取部分蘇丹紅滲假樣本和空白樣本（空白樣本包含無添加的飼料樣 本、常見可添加物的純物質(zhì)樣本W(wǎng)及飼料和可添加物的混合樣本)作為訓練樣本，并對其拉 曼光譜數(shù)據(jù)進行波段選擇，選擇結(jié)果應(yīng)用于所有實驗光譜；
[0014] 步驟106,將各個訓練樣本光譜分別取平均光譜建立匹配模型；
[0015] 步驟107,根據(jù)圖像初選的檢測點坐標采集未知樣本的顯微拉曼光譜，再經(jīng)過相同 的光譜預(yù)處理并選擇相同的波長變量與光譜庫中各個光譜通過特征增強光譜角匹配法 (FESAM)一一匹配，最終實現(xiàn)對非法添加蘇丹紅樣本的痕量定性檢測。
[0016] 其中，所述述步驟102中對所述圖像處理模型具體包括色調(diào)、飽和度、亮度模型 化SI模型)與紅綠藍模型(RGB模型）。
[0017] 其中，所述步驟104對拉曼光譜數(shù)據(jù)進行預(yù)處理，具體包括自適應(yīng)迭代權(quán)重-偏最 小二乘方法進行基線校正。
[0018] 其中，所述步驟105中對訓練樣本的拉曼光譜數(shù)據(jù)進行波段選擇方法選用對類別 敏感的間隔變量迭代空間收縮法（interval variable iterative space shrinkage approach，iVISSA)，具體算法及其訓練樣本的選擇如下：
[0019] iVISSA方法的核屯、思想為從全局和局部兩個方向?qū)τ杏貌ǘ芜M行捜索，其中全局 分析利用變量的權(quán)重優(yōu)化了有用波段的間隔位置，局部分析通過相鄰變量的權(quán)重優(yōu)化了每 個間隔的寬度。設(shè)有光譜數(shù)據(jù)X(nXp)，n為樣本個數(shù)，P為波長長度;類別數(shù)據(jù)Y(nXl)，
[0020] 全局分析原理如下：
[0021 ] Stepl:采用權(quán)重二進制矩陣采樣法(Wei曲ted Binary Mahix Sampling,WBMS) 將光譜數(shù)據(jù)X(nXp)隨機組合為m個二進制子數(shù)據(jù)集X化Xp)，其中k表示采樣個數(shù)，P為波長 變量個數(shù)且〇<k<n，n為樣本個數(shù)。選擇合適的每列權(quán)重初始值1使得所有波長變量在初始時 具有相同的可能性，且X化Xp)中變量1的個數(shù)為化；
[0022] Step2:將每一個二進制子數(shù)據(jù)集X化Xp)作為一個子模型進行回歸分析，此處的 回歸方法可采用最小二乘回歸（PLSR)、主成分回歸（principal component regression, PCR)、支持向量回歸（suppo;rt vector machine regression,SVR)等，本發(fā)明中采用化SR方 法；
[0023] Step3:分析比較m個個二進制子數(shù)據(jù)集的均方根誤差Rmse和預(yù)測誤差R，取其中k 個較好的子模型，模型個數(shù)為kbest，并且求得每個變量在運些子模型中出現(xiàn)的次數(shù)fi，從而 重新定義該變量的權(quán)重式
'重復(fù)Step2和Step3不斷更新變量的權(quán)重值，若所有子 模型的均方根誤差與預(yù)測誤差不再改變即所有變量的權(quán)重都為常數(shù)時，權(quán)重為1的變量構(gòu) 成了光譜數(shù)據(jù)的有用波段，此時結(jié)束程序。
[0024] 局部分析原理如下：
[0025] iVISSA中全局分析與局部分析交替進行，若全局分析中存在變量i的權(quán)重為1時， 取該變量相鄰的變量j放入子模型中進行回歸分析，當模型誤差降低時，變量j的權(quán)重設(shè)置 為1，否則權(quán)重不變，權(quán)重賦值結(jié)束后，跳轉(zhuǎn)至全局分析繼續(xù)執(zhí)行，直至所有變量的權(quán)重保持 不變。
[0026] 訓練樣本的選取如下：
[0027] Stepl:盡可能廣泛的選取不同濃度蘇丹紅滲假樣本作為訓練樣本；
[00%] Step2:選擇在飼料原料中經(jīng)常添加的、并且與蘇丹紅顏色特征相似的可添加成分 各個濃度的樣本作為訓練樣本；
[0029] Step3:再加入上述各個訓練樣本的平均光譜。
[0030] 其中，所述步驟107中，特征增強的光譜角匹配法(FESAM)將光譜投影到特征增強 空間并結(jié)合光譜角匹配算法得到的。它是在主成分分析(principal component analysis, PCA)的基礎(chǔ)上，結(jié)合光譜自身特點進一步增強特征得到特征增強空間。具體算法如下：
[0031] Stepl:設(shè)X'rxq是包含所有原始數(shù)據(jù)的光譜矩陣。其中r表示光譜波段數(shù)目，q表示 矩陣中光譜數(shù)。假定M，A2，…，、且A冷A2 >，…，> Ar是X ' X ' T的特征值，對應(yīng)的特征向量分 別為61,62，...，Gr?，F(xiàn)JSum 被定義為 Sum = Al+入2+...+、。
[0032] Step2:選擇t個特性值使得A冷A2>…>At> >Aw>… >、（即前t個特性值遠遠 大于其他特征向量)恒成立。從而得到特征增強因子A為：
[0033
[0034] St邱3:設(shè)P=[eie2-'etf為特征向量矩陣。假設(shè)矩陣Y'是原始數(shù)據(jù)X'rx迄過PCA變 換得到的，即PX'=Y'。
[0035] Step4:則可W進一步定義特征增強空間為F= AP，特征增強的數(shù)據(jù)陣列Z可從 X ' rxq在特征增強空間投影得到：
[0036；
[0037] St邱5:x'i為X'rxq的列向量，Zi是特征增強數(shù)據(jù)集Z的列矢量。根據(jù)W上計算公式 可得
[003
[0039」Step6 :巧特祉増強化諧庫中任一一條光譜為Zj = (Zjl，Zj2，…，Zjt)T，被測的特征增 強光譜為Zi=(Zil，Zi2,…，Zit)T將它們代入如下光譜角匹配法公式中，得到上述兩條光譜的 匹配得分：
[0040
[OOW 由W上公式表明，F(xiàn)ESAM(zi，zj)表示Zi與Zj的匹配得分，F(xiàn)ESAM(zi，zj)的值越小表 明Zi與Zj越相似。因而，找到與被測光譜最相似的標準光譜，即為判斷被測光譜是否含有蘇 丹紅信息的依據(jù)，最終實現(xiàn)對非法添加蘇丹紅樣本的痕量定性檢測。
[0042] 本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點在于:本發(fā)明所提供的飼料原料中蘇丹紅非法添加 物定性檢測方法對樣本無需復(fù)雜的前處理過程;圖像處理技術(shù)可W實現(xiàn)微米級顯微尺度上 的成像，并且有效地縮小了檢測范圍，提高光譜檢測的效率，克服了顯微拉曼光譜儀成像區(qū) 域小的局限性，實現(xiàn)了蘇丹紅樣本的痕量檢測;波段選擇技術(shù)極大的減弱了不同類別物質(zhì) 拉曼光譜重疊部分的影響，增強光譜的特異性，減少數(shù)據(jù)冗余，提高檢測效率和分類能力； 再者，顯微拉曼光譜儀需要樣品量少、掃描間隔小、不產(chǎn)生化學污染物、能夠?qū)崿F(xiàn)快速無損 檢測且空間分辨率高(微米級），拉曼光譜對非極性基團如C = C、C-C、N = N等具有豐富的拉 曼光譜帶，有利于蘇丹紅的檢測;再加上，標準光譜匹配模型覆蓋范圍廣，不僅包含不同濃 度蘇丹紅樣本，還包括不同批次飼料W及含有可添加成分的飼料樣本，在一定程度上減弱 了樣本局部混合不均勻的影響，并且提高了模型的可靠性;最后，F(xiàn)ESAM光譜匹配法便于多 樣本建模，并且對光譜特征有明顯的增強作用，使得實驗樣本尤其是低濃度蘇丹紅樣本的 光譜特征突出，更容易分辨，有利于飼料中蘇丹紅的痕量檢測。
【附圖說明】
[0043] 圖1為本發(fā)明所述的飼料原料中非法添加物蘇丹紅定性檢測方法的流程圖；
[0044] 圖2為本發(fā)明實施例的原始顯微圖像和各個通道下的顯微圖像信息W及可疑區(qū)域 定位圖，其中：（a)為原始圖像；（b)為R通道下的圖像信息；（C)為G通道下的圖像信息；（d)為 B通道下的圖像信息；（e)為H通道下的圖像信息；（f)為S通道下的圖像信息；（g)為I通道下 的圖像信息；化)為可疑區(qū)域定位圖；
[0045] 圖3為本發(fā)明實施例采集光譜過程示意圖；
[0046] 圖4為本發(fā)明實施例的不同濃度非法添加物蘇丹紅I號樣本的圖像定位W及拉曼 光譜儀掃描結(jié)果示意圖（每個樣本檢測6個可疑像素點）。其中：（a)為2%濃度的非法添加物 蘇丹紅I號樣本；（b)為0.0075%濃度的非法添加物蘇丹紅I號樣本；（C)為0.0025%濃度的 非法添加物蘇丹紅I號樣本;（d)為0.0010%濃度的非法添加物蘇丹紅I號樣本；
[0047] 圖5為本發(fā)明實施例的iVISSA波段選擇結(jié)果和預(yù)處理后的純物質(zhì)拉曼光譜。其中： (a)為訓練集光譜經(jīng)iVISSA波段選擇結(jié)果；（b)為基線校正后的純物質(zhì)光譜圖；
[0048] 圖6為本發(fā)明實施例的第二批飼料中添加蘇丹紅I號樣本的平均光譜。其中：（a)為 2%濃度的非法添加物蘇丹紅I號樣本的平均光譜；（b)為1%濃度的非法添加物蘇丹紅I號 樣本的平均光譜；（C)為0.1%濃度的非法添加物蘇丹紅I號樣本的平均光譜；（d)為0.01% 濃度的非法添加物蘇丹紅I號樣本的平均光譜；（e)為0.001%濃度的非法添加物蘇丹紅I號 樣本的平均光譜。
【具體實施方式】
[0049] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白，W下舉實施例并參照附圖，對 本發(fā)明進一步詳細說明。
[0050] 本發(fā)明一種飼料原料中非法添加物蘇丹紅的定性檢測方法，通過顯微圖像處理來 初篩可疑區(qū)域，縮小檢測范圍；再利用顯微拉曼成像光譜儀檢測可疑區(qū)域的拉曼光譜，對光 譜進行預(yù)處理獲取訓練樣本，并采用對類別敏感的IVISSA方法進行波段選擇，該方法可W 有效地選擇蘇丹紅與其他成分差異性大的特征峰，提高檢測效率和準確性。然后取各訓練 樣本的平均光譜作為光譜匹配標準庫。最后根據(jù)圖像初選的檢測點坐標采集未知樣本的顯 微拉曼光譜，再經(jīng)過相同的光譜預(yù)處理并選擇相同的波長變量與光譜庫中各個光譜通過特 征增強光譜角匹配法(FESAM)-一匹配，從而判斷未知樣本是否存在蘇丹紅。本發(fā)明具有檢 測效率高、穩(wěn)定性強的優(yōu)點。
[0051] 如圖1所示，本發(fā)明具體步驟實現(xiàn)如下：
[0052] 步驟101，制備實驗樣本，采用反射模式的顯微系統(tǒng)采集飼料W及在飼料中添加不 同濃度蘇丹紅樣本的高清圖像數(shù)據(jù)，構(gòu)成訓練圖集。
[0053] 第一批次飼料與蘇丹紅I Wo . OOOl %-100 %多種濃度混合，每個混合樣本取恒定 質(zhì)量經(jīng)過壓片機W15帕的壓力制作成直徑為14mm、厚度為1.0mm的圓形片樣本，在分析之前 儲存在室溫下密封的塑料袋中。W相同方法將第二批次飼料與蘇丹紅I W2%-0.001%濃度 充分混合制樣儲存。除此之外，在第=批次飼料中W多種濃度梯度分別添加加麗素紅 (1〇〇%、2〇%、2%)、0-胡蘿|>素（1〇〇%、2〇%、2%)、維生素82(1〇〇%、2〇%、2%、〇%)作為空 白樣本監(jiān)督模型的準確性和適用性。本實施例中樣本總數(shù)為36個。訓練樣本集為12個，其中 滲雜蘇丹紅的樣本5個，空白樣本7個。
[0化4] 本發(fā)明采用美國Perki址Imer公司生產(chǎn)的FTIR Microscope Spotli曲t 400的顯 微成像系統(tǒng)采集圖片。設(shè)置采集模式為反射，空間分辨率為25X25WH，視野為2000X2000y m，光強為52%。參照圖2,本發(fā)明采用色調(diào)、飽和度、亮度模型化SI模型）與紅綠藍模型（RGB 模型)共同作用，適當?shù)剡x取它們的取值范圍，得到二值化圖像，從而將可疑目標提取出來。 [0055]步驟102,設(shè)置圖像處理模型參數(shù)，選定所有樣本的檢測區(qū)域及檢測點坐標。
[0化6] 本發(fā)明根據(jù)取樣統(tǒng)計結(jié)果設(shè)置軟件運行參數(shù)為:H<0.1953，S〉0.8800，KO. 4297，R 〉155,6<83,8<16。參考圖4，其中（曰)~((1)分別為2%、0.0075%、0.0025%、0.0010%濃度梯 度的非法添加物蘇丹紅I樣本。綜合RGB和HSI模型得到區(qū)域定位圖（二值化圖像），其中白色 部分為符合模型參數(shù)的可疑區(qū)域?；诖耍x取可疑點最密集的區(qū)域為拉曼光譜檢測區(qū)域 (如紅色矩形區(qū)域)并記錄該區(qū)域的坐標。最后根據(jù)坐標信息，利用拉曼光譜儀定位并掃描 檢測點。由圖4(a)~(d)區(qū)域定位圖可W看出，隨著濃度的降低，可疑區(qū)域的面積也在不斷 縮小。當濃度下降至0.001%及W下時，一個檢測區(qū)域符合條件的檢測點極少，因此本文對 濃度低于0.0 Ol %的樣本選取兩個及兩個W上的檢測區(qū)域掃描。
[0057] 步驟103,拉曼顯微光譜儀采集檢測點的拉曼光譜數(shù)據(jù)過程。
[0058] 本發(fā)明采用德國布魯克公司生產(chǎn)的Senterra共聚焦拉曼光譜儀采集拉曼光譜，具 體設(shè)置如下:激光波長為785nm、激光功率為lOmW、光闊為50X1000皿，分辨率為3-5cm-l，光 譜掃描范圍從405到1 SOOcnf1 (1200D)。每個目標點掃描6次，積分時間是30.0秒。每個樣本在 可疑區(qū)域內(nèi)提取6個檢測點坐標，再利用拉曼光譜儀采集各個點的光譜信息。所有實驗樣本 的檢測均在相同的實驗參數(shù)的條件下進行。儀器控制和數(shù)據(jù)存儲是由與該儀器配套的控制 測量軟件OPUS 7.0_C完成。圖3呈現(xiàn)的是可疑區(qū)域及檢測點的選擇和采集光譜過程示意圖。 首先，通過步驟102的圖像處理方法選定可能含有蘇丹紅的區(qū)域，并確定檢測點如圖3(a)所 示;隨后，利用拉曼光譜儀掃面檢測點并得到檢測點的拉曼光譜如圖3(b)和圖3(c)所示。
[0059] 步驟104,對所述拉曼原始光譜數(shù)據(jù)去除噪聲和去基線處理。
[0060] 本發(fā)明所用的預(yù)處理方法是自適應(yīng)迭代權(quán)重-偏最小二乘(air-PLS)方法，該方法 通過迭代改變擬合基線與原始信號之間的總體方差權(quán)重實現(xiàn)，權(quán)重是由當前擬合基線和原 始信號之間的差異得到，因此它是個不斷擬合和逼近的過程。air-PLS方法主要是采用懲罰 最小二乘算法將信號平滑的原理應(yīng)用到基線擬合，然后自適應(yīng)迭代將懲罰過程轉(zhuǎn)化為一個 基線逼近的過程。該方法無需任何先驗信息，便于實際檢測中將多種物質(zhì)光譜校正在同一 基線上。
[0061] 懲罰最小二乘(penalized least squares)算法原理為：
[0062] 假設(shè)a是待分析的光譜信號，b是平滑后信號，它們的長度均為c，v=l，2,…，c，b對 于a的保真度用二者間的誤差平方和F'表示為：
[0063]
[0064] 示為；
[00 化]
[0066] 保真度和粗糖度之間的平衡可W用準確度加上懲罰的粗糖度，S為懲罰系數(shù)，式子 表示為：
[0067] Q=F'+祁=I I a-b I 12+S I I Db I 12
[0068] 對其求偏導數(shù)且令其為零，可得一個易解的線性方程為：
[0069] (1+如'D)b = a
[0070] 其中I為單位矩陣;D為差分矩陣;〇/為D的轉(zhuǎn)置。
[0071] 要實現(xiàn)最小二乘算法進行基線校正，引入保真度的權(quán)重向量W，并將其在有峰的位 置設(shè)置為零，其中d為a與b的長度，V = 1，2，…，d，貝化對a的保真度變?yōu)椋?br>[0072]
[0073] 自適應(yīng)迭代重加權(quán)原理：
[0074] 自適應(yīng)迭代重加權(quán)方法與加權(quán)最小二乘法W及迭代懲罰最小二乘法相似，不同的 是采用了不同的方法計算權(quán)重，并增加了一個懲罰項來控制擬合基線的平滑度，優(yōu)化目標 函數(shù)定義為：
[0075]
[0076] 其中v = l，2,…，d;g = 2,3，'''，d;to為迭代次數(shù);S為懲罰系數(shù)。
[0077] 迭代的過程如下:設(shè)置初始權(quán)1
采用下式進行迭代：
[0078；
[0079] 其中向量31°包含了原始光譜(a)與迭代過程中的擬合矢量嶺差值為負的所有元 素。在前to-1次的迭代中，擬合矢量是由背景估計的一個候選值。如果當前計算大于此背景 估計值，則被視為峰附近且其權(quán)重重置為零。在air-化S算法過程中，迭代和重加權(quán)不斷的 自動執(zhí)行，就可自動地、逐漸地消除處于峰附近的數(shù)據(jù)點，將背景數(shù)據(jù)保留下來。預(yù)處理后 不同添加物樣本的拉曼光譜曲線圖如圖5(b)所示，可看出所有光譜曲線均調(diào)整在同一基線 上，有效的減弱背景信息和巧光效應(yīng)的干擾，便于多種物質(zhì)光譜特征的比較和后續(xù)匹配實 驗的分析。
[0080] 步驟105,選取部分非法添加物蘇丹紅樣本和空白樣本(空白樣本包含無添加的飼 料樣本、常見可添加物的純物質(zhì)樣本W(wǎng)及飼料和可添加物的混合樣本)作為訓練樣本，并對 其拉曼光譜數(shù)據(jù)進行波段選擇。
[0081] 本實例將第二批次飼料與蘇丹紅IWl %-0.0 Ol %濃度混合的樣本光譜信息和第 S批次飼料與加麗素紅、0-胡蘿h素、維生素 B2分別W2%濃度混合的樣本光譜數(shù)據(jù)作為訓 練樣本。再利用對類別敏感的IVISSA波段選擇法對基線校正后的光譜進行處理。如圖5(a) 為IVISSA處理得到的光譜波段選擇結(jié)果，藍色部分為選擇區(qū)域。iVISSA波段選擇法能夠盡 可能的保留蘇丹紅I區(qū)別于其它光譜的特征信息，減小光譜間重合的部分，選取對分類貢獻 大的區(qū)域。例如，iVISSA 選擇了在 461、588、1002、1095、1226、1258、1596cm-i 附近的波段，該 區(qū)域蘇丹紅I的光譜由于受到C-CX = C等化學鍵的拉伸作用，其特征明顯區(qū)別于其他可添 加成分和基底飼料的光譜特征。進一步看來，在圖5(a)中，該方法并沒有選取HOOcnfi附近 的光譜，雖然圖5(b)明顯看出蘇丹紅I在該波段存在特征峰，但與0-胡蘿h素、維生素 B2的光 譜特征尖峰相重合，因而在蘇丹紅滲假濃度較低時容易混淆。由此可W看出，IVISSA盡可能 保留了蘇丹紅光譜特征的同時，去除了與其他物質(zhì)光譜相似的部分。
[0082] 步驟106,將各類訓練樣本取平均，獲得平均光譜，建立標準匹配模型。
[0083] 步驟107,根據(jù)圖像初選的檢測點坐標采集未知樣本的顯微拉曼光譜，再經(jīng)過相同 的光譜預(yù)處理并選擇相同的波長變量與光譜庫中各個光譜通過特征增強光譜角匹配法 (FESAM)一一匹配，從而實現(xiàn)對非法添加物蘇丹紅樣本的痕量定性檢測。
[0084] 如圖6(a)~(e)分別為飼料中添加蘇丹紅I 2%、1%、0.1%、0.01%、0.001%五個 濃度樣本的平均光譜。容易看出，低濃度非法添加物樣本(b)~（e)的光譜相比于高濃度樣 本(a)受到更強的巧光效應(yīng)干擾。另外，在1226-1596cnfi之間的波段，蘇丹紅I光譜的特征峰 隨著濃度的降低而減弱。因而，滲假濃度較低時極易與飼料或其他物質(zhì)光譜重疊混淆。因 此，本發(fā)明選用特征增強光譜角匹配法(FESAM)完成蘇丹紅I定性檢測。不僅能夠識別蘇丹 紅I的特征峰，還能增強低濃度蘇丹紅的特征，實現(xiàn)蘇丹紅I的痕量檢測。由表1中匹配結(jié)果 可W看出，本實驗選取五個不同濃度蘇丹紅樣本的平均光譜作為標準光譜并編號（1:濃度 為100%蘇丹紅樣本的平均光譜;2:濃度為1%蘇丹紅樣本的平均光譜;3:濃度為0.1%蘇丹 紅樣本的平均光譜;4:濃度為0.01%蘇丹紅樣本的平均光譜;5:濃度為0.001%蘇丹紅樣本 的平均光譜），能夠檢測的非法添加物蘇丹紅最低濃度可降至2.5ppm。
[00化]表1 FESAM對含有非法添加物蘇丹紅樣本的檢測結(jié)果 r00861
[0087]另一方面，為驗證本實驗所用方法及模型的魯棒性，本文對比了特征增強的光譜 角匹配法與傳統(tǒng)的光譜角匹配法對空白樣本的檢測結(jié)果。由表2可W看出，F(xiàn)ESAM有更好的 適用性，能夠保障在沒有假陽率的前提下，較好地完成蘇丹紅I的痕量定性檢測。而傳統(tǒng)的 光譜角匹配法有21.88%的假陽率。運是由于傳統(tǒng)的光譜角匹配法將所有波段的光譜平等 對待，認為所有波段的光譜"貢獻"相同，使得不同類別光譜的重疊部分對檢測結(jié)果的影響 大大增強，尤其在低濃度檢測中影響更為明顯。再者隨著蘇丹紅濃度的降低，該物質(zhì)的光譜 特征峰也逐漸變?nèi)酰瑯O易被背景光譜稀釋甚至淹沒，使之難W與可添加物質(zhì)W及基質(zhì)區(qū)分 開來，最終導致傳統(tǒng)方法在低濃度樣本的檢測上假陽率更高。
[0088] 表2 FESAM和SAM對各類不含非法添加物蘇丹紅樣本的假陽率對比
[0089]
[0090] 上述【具體實施方式】只是用來解釋說明本發(fā)明，而非對本發(fā)明的限制。在本發(fā)明的 精神和權(quán)利要求保護范圍之內(nèi)，對本發(fā)明做出的任何等同替換和改變，均屬于本發(fā)明的保 護范疇。
【主權(quán)項】
1. 一種飼料原料中非法添加物蘇丹紅定性檢測方法，其特征在于實現(xiàn)步驟如下： 步驟101，采集飼料以及在飼料中添加不同濃度蘇丹紅樣本的高清圖像數(shù)據(jù)，構(gòu)成訓練 圖集； 步驟102,根據(jù)上述訓練圖集設(shè)置圖像處理模型參數(shù)，再對所有樣本圖像進行處理，選 定檢測區(qū)域及檢測區(qū)域內(nèi)檢測點坐標； 步驟103,拉曼顯微光譜儀依據(jù)檢測區(qū)域和檢測點的坐標采集不同濃度蘇丹紅樣本的 拉曼光譜數(shù)據(jù)； 步驟104,對所述拉曼光譜數(shù)據(jù)進行預(yù)處理，以去除噪聲、基線的干擾； 步驟105，選取部分蘇丹紅摻假樣本和空白樣本作為訓練樣本，并對其拉曼光譜數(shù)據(jù)進 行波段選擇，選擇結(jié)果應(yīng)用于所有實驗光譜； 步驟106，將各個訓練樣本光譜分別取平均光譜建立匹配模型； 步驟107,根據(jù)圖像初選的檢測點坐標采集未知樣本的顯微拉曼光譜，再經(jīng)過相同的光 譜預(yù)處理并選擇相同的波長變量與光譜庫中各個光譜通過特征增強光譜角匹配法(FESAM) --匹配，最終實現(xiàn)對非法添加蘇丹紅樣本的痕量定性檢測。2. 根據(jù)權(quán)利要求1所述的飼料原料中非法添加物蘇丹紅定性檢測方法，其特征在于:所 述步驟101中采用反射模式的顯微系統(tǒng)采集飼料以及在飼料中添加不同濃度蘇丹紅樣本的 高清圖像數(shù)據(jù)。3. 根據(jù)權(quán)利要求1所述的飼料原料中非法添加物蘇丹紅定性檢測方法，其特征在于:所 述步驟102中對所述圖像處理模型包括色調(diào)、飽和度、亮度模型與紅綠藍模型。4. 根據(jù)權(quán)利要求1所述的飼料原料中非法添加物蘇丹紅定性檢測方法，其特征在于:所 述步驟104對拉曼光譜數(shù)據(jù)進行預(yù)處理方法可以采用自適應(yīng)迭代權(quán)重-偏最小二乘方法或 多項式迭代擬合法等其他基線校正方法。5. 根據(jù)權(quán)利要求1所述的飼料原料中非法添加物蘇丹紅定性檢測方法，其特征在于:所 述步驟105中對訓練樣本的拉曼光譜數(shù)據(jù)進行波段選擇方法選用對類別敏感的間隔變量迭 代空間收縮法，包括全局和局部兩個方向?qū)τ杏貌ǘ芜M行搜索，其中全局分析利用變量的 權(quán)重優(yōu)化了有用波段的間隔位置，局部分析通過相鄰變量的權(quán)重優(yōu)化了每個間隔的寬度。6. 根據(jù)權(quán)利要求4所述的飼料原料中非法添加物蘇丹紅定性檢測方法，其特征在于:所 述全局分析和局部分析如下： 全局分析為： Stepl:采用權(quán)重二進制矩陣采樣法將光譜數(shù)據(jù)X隨機組合為m個二進制子數(shù)據(jù)集x(kX P )，k表示采樣個數(shù)，p為波長變量個數(shù)，其中0〈k〈n，η為樣本個數(shù)，選擇合適的每列權(quán)重初始 值1使得所有波長變量在初始時具有相同的可能性，且x(kXp)中變量1的個數(shù)為lk; Step2:將每一個子數(shù)據(jù)集二進制子數(shù)據(jù)集x(kXp)作為一個子模型進行回歸分析； Step3:分析比較m個二進制子數(shù)據(jù)集的均方根誤差Rmse和預(yù)測誤差R，取其中k個較好 的子模型，模型個數(shù)為kbest，并且求得每個變量在這些子模型中出現(xiàn)的次數(shù)h，從而重新定 , f： 義該變量的權(quán)重為％ ，重復(fù)以叩2和以叩3不斷更新變量的權(quán)重值，若所有子模型的 kbes, 均方根誤差與預(yù)測誤差不再改變即所有變量的權(quán)重都為常數(shù)時，權(quán)重為1的變量構(gòu)成了光 譜數(shù)據(jù)的有用波段，此時結(jié)束； 所述局部分析如下： 全局分析與局部分析交替進行，若全局分析中存在變量i的權(quán)重為1時，取該變量相鄰 的變量j放入子模型中進行回歸分析，當模型誤差降低時，變量j的權(quán)重設(shè)置為1，否則權(quán)重 不變，權(quán)重賦值結(jié)束后，跳轉(zhuǎn)至全局分析繼續(xù)執(zhí)行，直至所有變量的權(quán)重保持不變。7. 根據(jù)權(quán)利要求1所述的飼料原料中非法添加物蘇丹紅定性檢測方法，其特征在于:所 述步驟105中訓練樣本的選取如下： Stepl:盡可能廣泛的選取不同濃度蘇丹紅摻假樣本作為訓練樣本； Step2:選擇在飼料原料中經(jīng)常添加的、并且與蘇丹紅顏色特征相似的可添加成分各個 濃度的樣本作為訓練樣本； Step3:再加入上述各個訓練樣本的平均光譜。8. 根據(jù)權(quán)利要求1所述的飼料原料中非法添加物蘇丹紅定性檢測方法，其特征在于:所 述步驟107中，特征增強的光譜角匹配法是將光譜投影到特征增強空間并結(jié)合光譜角匹配 算法得到的，它是在主成分分析PCA的基礎(chǔ)上，結(jié)合光譜自身特點進一步增強特征得到特征 增強空間，具體如下： Stepl:設(shè)X'rXq是包含所有原始數(shù)據(jù)的光譜矩陣，其中r表示光譜波段數(shù)目，q表示矩陣 中光譜數(shù)，假定λ!，λ2，…，彡λ2彡，…，彡λ#Χ ' X'τ的特征值，對應(yīng)的特征向量分別為ei， e2，…，er，則Sum被定義為; Step2:選擇t個特性值使得λ0λ2彡…彡At> …彡Ar，g卩前t個特性值遠遠大于 其他特征向量恒成立，從而得到特征增強因子Λ為：Step3:設(shè)P=[ei e2…et]^特征向量矩陣，假設(shè)矩陣Υ'是原始數(shù)據(jù)X'rxg^lPCA變 換得到的，即PX'=Y'； Step4:則進一步定義特征增強空間為F= ΛΡ，特征增強的數(shù)據(jù)陣列Ζ從X'rxq在特征增 強空間埒m徨？丨丨.StepSu'SX'rXq的列向量，Zl是特征增強數(shù)據(jù)集Z的列矢量，根據(jù)以上計算公式得：Step6:設(shè)特征增強光譜庫中任一一條光譜為。二^^^^^:^^^被測的特征增強光 譜為21 = (211，212，…，zlt)T，將它們代入如下光譜角匹配法公式中，得到上述兩條光譜的匹 配得分：FESAM(Zi，Zj)表示Zi與Zj的匹配得分；FESAMUi，Zj)的值越小表明 Zi與Zj越相似。因而， 找到與被測光譜最相似的標準光譜，即為判斷被測光譜是否含有蘇丹紅信息的依據(jù)，最終 實現(xiàn)對非法添加蘇丹紅樣本的痕量定性檢測。
【文檔編號】G01N21/65GK105954252SQ201610251082
【公開日】2016年9月21日
【申請日】2016年4月21日
【發(fā)明人】李慶波, 張佳琳
【申請人】北京航空航天大學