一種飼料原料中三聚氰胺摻假定量檢測方法技術

本發(fā)明專利技術公開了一種飼料原料中三聚氰胺摻假定量檢測方法，通過采用成像光譜儀獲取訓練樣本的近紅外成像光譜，對光譜進行預處理；采用偏最小二乘判別分析(PLS_DA)方法得到訓練樣本的像元點個數(shù)比值，建立其與樣本濃度之間的線性關系，得到分界點濃度值；波長變量選擇后，采用平均光譜分階段建立偏最小二乘(PLS)定量模型；然后利用光譜儀采集未知樣本的光譜，經相同的光譜預處理及選擇相同的波長變量，通過已建PLS_DA判別模型和PLS定量模型預測該未知樣本的三聚氰胺濃度。采用本發(fā)明專利技術提供的方法，能夠有效解決現(xiàn)有摻假檢測方法的檢測限高、難于實現(xiàn)痕量檢測、光譜數(shù)據(jù)相關性高、信息冗余的問題，并能顯著提高三聚氰胺濃度的預測精度及穩(wěn)定性，降低檢測限。

【技術實現(xiàn)步驟摘要】

本專利技術設及農業(yè)中飼料滲假定量檢測分析
，尤其設及一種飼料原料中= 聚氯胺滲假定量檢測方法。
技術介紹
當前，我國作為世界上最大的畜禽養(yǎng)殖生產國之一，畜禽食品安全現(xiàn)狀較為嚴峻， 食品安全事件層出不窮。由于優(yōu)質畜禽產品需要高效、安全的飼料原料作保障，因此，飼料 原料安全成為畜禽產品安全的前提。蛋白類飼料原料蛋白質含量豐富，作為動物的主要營 養(yǎng)來源，供應緊張且價格昂貴，導致一些不法企業(yè)將非蛋白氮類化合物=聚氯胺滲入其中， W提高粗蛋白含量，W次充好，降低成本，謀取利益。運種滲假飼料原料，不僅會對動物生長 產生直接危害，而且給消費者的健康帶來潛在威脅。采用傳統(tǒng)的化學分析方法進行滲假檢 測時，需要繁瑣復雜前處理操作過程，耗時耗力，成本高，人為因素影響大，并且對檢測樣品 具有破壞性，無法實現(xiàn)實時檢測，嚴重限制了所能夠分析的樣品數(shù)量，對于飼料產品質量檢 驗工作來說運一缺點尤為顯著。 光譜作為一個重要的光學分析手段，包含物質特有的分子振動信息，可用于分析 測定與運些信息相關的化學性質和化學成分含量，具有快速準確、無損和實時檢測的特點。 目前對飼料原料中=聚氯胺滲假檢測采用的最廣泛的方法為近紅外光譜法。然而，飼料原 料滲假樣本中存在=聚氯胺含量較低的現(xiàn)象，檢測存在風險，其檢測誤差相對較大，樣本的 不均勻性和異質性及樣品成分稀釋的問題，嚴重影響了傳統(tǒng)近紅外光譜進行飼料原料滲假 定量檢測分析的精度。近幾年來，新型的近紅外顯微成像光譜技術W其光譜和空間分辨率 高，譜圖合一的特點，克服了樣本不均勻性的特點，但其分辨率的大幅度提高，大大的增加 了光譜數(shù)據(jù)的維數(shù)，使得計算復雜，預測精度和速度降低。 目前所用的近紅外顯微成像光譜分析法通常為采集滲假飼料原料樣本的微米級 的近紅外光譜曲線，存在采集的低濃度飼料原料滲假樣本的光譜曲線中幾乎不含=聚氯胺 的光譜信息，或者滲假樣本中大量飼料原料基質的光譜信息嚴重覆蓋了其中=聚氯胺特征 的現(xiàn)象，并且數(shù)據(jù)量大幅度的提高，增加了提取有效特征的難度，從而使得檢測限較高，建 立的定量模型預測結果不準確，誤差大，定量檢測精度低。 陽〇化]綜上所述，利用常用的近紅外光譜檢測技術，存在檢測限高、檢測誤差大、難W實 現(xiàn)痕量檢測的問題；同時，顯微成像光譜技術存在光譜數(shù)據(jù)維數(shù)高、冗余信息多、高相關性 的缺陷。
技術實現(xiàn)思路
本專利技術技術解決問題：克服現(xiàn)有技術的不足，提供一種簡單、快速、高效的飼料原 料中=聚氯胺滲假定量檢測方法，W解決現(xiàn)有技術中難W實現(xiàn)痕量檢測、定量檢測精度低 及成像光譜數(shù)據(jù)相關性高、信息冗余的問題。 本專利技術提供的飼料原料中=聚氯胺滲假定量檢測方法W純飼料原料近紅外光譜 為背景，采集滲假樣本的近紅外成像光譜數(shù)據(jù)，利用近紅外成像光譜數(shù)據(jù)中像元點個數(shù)比 值與樣本=聚氯胺濃度之間的相關關系，并且采用波長變量選擇方法降低成像光譜數(shù)據(jù)維 數(shù)，分階段建立滲假定量檢測模型，使得檢測限降低，實現(xiàn)痕量檢測。 為達到上述目的，本專利技術的技術方案是運樣實現(xiàn)的： 步驟101，W純飼料原料的近紅外光譜為背景，采用近紅外顯微成像光譜儀采集不 同濃度滲假樣本的近紅外成像光譜數(shù)據(jù)，構成訓練樣本集； 步驟102,對所述近紅外成像光譜數(shù)據(jù)進行預處理，W去除噪聲、基線的干擾； W11] 步驟103,采用偏最小二乘判別分析化S_DA)方法得到所述訓練樣本的近紅外成 像光譜數(shù)據(jù)中屬于=聚氯胺的像元點，得到=聚氯胺像元點個數(shù)與總像元點個數(shù)的比值； 步驟104,建立不同濃度訓練樣本的像元點個數(shù)比值與=聚氯胺濃度之間的線性 關系，得到分階段定量模型的分界點濃度值； 步驟105,對訓練樣本的近紅外成像光譜數(shù)據(jù)進行變量選擇，根據(jù)所述的分界點濃 度值，采用訓練樣本的平均光譜數(shù)據(jù)分階段建立高濃度和低濃度的偏最小二乘任L巧定量 模型； 步驟106,用建立的化S_DA模型判別未知樣本的近紅外成像光譜數(shù)據(jù)中屬于S聚 氯胺的像元點，得到像元點個數(shù)比值； 步驟107,根據(jù)所述的像元點個數(shù)比值確定定量模型階段，對未知樣本的近紅外成 像光譜數(shù)據(jù)進行變量選擇后，取各個未知樣本的平均光譜數(shù)據(jù)，用所構造的偏最小二乘定 量模型，檢測未知樣本的=聚氯胺濃度。 其中，所述述步驟102中對所述近紅外成像光譜數(shù)據(jù)進行預處理，具體包括SG平 滑過程與自適應迭代權重-偏最小二乘方法進行基線校正。 其中，所述步驟103中采用^S_DA方法判別訓練樣本的近紅外成像光譜中屬于S 聚氯胺的像元點，獲得=聚氯胺像元點個數(shù)與總像元點個數(shù)的比值，具體如下：[001引設已經存在訓練樣本集，包含成像光譜數(shù)據(jù)X(nXl)和類別矩陣Y(nXm)，其中n為樣本，1為波長變量，m為類別，存在關系式記為： Y=BX巧 其中B為回歸系數(shù)；E為噪聲。訓練樣本集中，Y矩陣的類別值分別用"1"和"0" 表示，其中1表示該像元為純飼料原料像元點，0表示該像元為=聚氯胺像元點。選取純飼 料原料與S聚氯胺的平均光譜數(shù)據(jù)作為訓練集，建立化S-DA模型訓練已知的純飼料原料 樣本光譜數(shù)據(jù)，設定分類闊值使得純飼料原料樣本成像光譜數(shù)據(jù)中各像元點的類別均為1， 將該闊值作為最終滲假鑒別中化S_DA模型的分類闊值，進而逐一判別滲假樣本的近紅外 成像光譜數(shù)據(jù)中屬于=聚氯胺的像元點。 得到訓練樣本集的像元點個數(shù)比值，公式如下：[002引其中P為像元點個數(shù)比值；而e柄曲為訓練樣本的成像光譜中屬于；聚氯胺 的像元點個數(shù)；pixgb為所述樣本的總像元點個數(shù)。 其中，所述步驟104中建立所述訓練樣本集的像元點個數(shù)比值與=聚氯胺濃度的 線性關系，獲得分階段定量模型的分界點濃度值，具體如下：將不同濃度訓練樣本的像元點個數(shù)比值與相應的樣本中=聚氯胺濃度進行線性 擬合，同時得到線性關系式與相關系數(shù)值，公式如下： 其中P為像元點個數(shù)比值；C為樣本中=聚氯胺的濃度；a和b為擬合系數(shù)；R為相 關系數(shù)；n為樣本個數(shù)；i= 1，2,…，n;Pi為第i個樣本的像元點個數(shù)比值；寅為像元點個 數(shù)比值平均值；Ci為第i個樣本的=聚氯胺濃度；技為樣本濃度平均值。 觀察所述擬合曲線，局部選取類似分界點濃度值，分別進行分階段線性擬合，比較 不同分界點濃度值構成的分階段擬合曲線的相關系數(shù)值，選擇相關系數(shù)最好的曲線相對應 的分界點濃度值作為分階段定量模型的分界點。 其中，所述步驟105中對訓練樣本的成像光譜數(shù)據(jù)進行變量選擇，進一步包括最 小角回歸-最小絕對收縮選擇化ars_Lasso)方法，具體如下： Lasso方法的算法原理為： 陽0巧設有數(shù)據(jù)保，yi)，i= 1，2,. . .，n，n為樣本個數(shù)，其中的X和y分別為第i個觀測 值的自變量和應變量，假設各觀測值是彼此獨立且X是標準化后的，若=(/),，反，...，爲)'，占-=1，2, ...，1為模型的回歸系數(shù)，1為模型回歸系數(shù)個數(shù)，則Lasso估計定義為： 式中t為調和參數(shù)，a為回歸模型參數(shù)。對一切的t，有a的估計& =歹，f為應 變量的平均值，不失一般性，假定J=i)當t的取值比較小時，某些相關度較低的系數(shù)就被 壓縮為0,從而達到特征選擇的目的。然而，參數(shù)t不易確定，本文采用Lars方法解決Lasso 思想的計算問題。 Lars方法的算法原理為： St巧1 :假設估計的模型氣=0,則當前的殘本文檔來自技高網...

【技術保護點】
一種飼料原料中三聚氰胺摻假定量檢測方法，其特征在于包括以下步驟：步驟101，以純飼料原料的近紅外光譜為背景，采用近紅外顯微成像光譜儀采集不同濃度摻假樣本的近紅外成像光譜數(shù)據(jù)，構成訓練樣本集；步驟102，對所述近紅外成像光譜數(shù)據(jù)進行預處理，以去除噪聲、基線的干擾；步驟103，采用偏最小二乘判別分析(PLS_DA)方法得到所述訓練樣本的近紅外成像光譜數(shù)據(jù)中屬于三聚氰胺的像元點，得到三聚氰胺像元點個數(shù)與總像元點個數(shù)的比值；步驟104，建立不同濃度訓練樣本的像元點個數(shù)比值與三聚氰胺濃度之間的線性關系，得到分階段定量模型的分界點濃度值；步驟105，對訓練樣本的近紅外成像光譜數(shù)據(jù)進行變量選擇，根據(jù)所述的分界點濃度值，采用訓練樣本的平均光譜數(shù)據(jù)分階段建立高濃度和低濃度的偏最小二乘(PLS)定量模型；步驟106，用建立的PLS_DA模型判別未知樣本的成像光譜中屬于三聚氰胺的像元點，得到像元點個數(shù)比值；步驟107，根據(jù)所述的像元點個數(shù)比值確定定量模型階段，對未知樣本的近紅外成像光譜數(shù)據(jù)進行變量選擇后，取各個未知樣本的平均光譜數(shù)據(jù)，用所構造的偏最小二乘定量模型，檢測未知樣本的三聚氰胺濃度。

【技術特征摘要】

【專利技術屬性】
技術研發(fā)人員：李慶波，康雪，
申請(專利權)人：北京航空航天大學，
類型：發(fā)明
國別省市：北京;11