拉曼光谱结合机器学习对植物油的分类鉴别

作     者：苏东斌 秦嘉桧 李开开 SU Dongbin;QIN Jiahui;LI Kaikai

作者机构：中国人民公安大学侦查学院北京100038 中国人民公安大学研究生院北京100038 

出 版 物：《食品与发酵工业》 (Food and Fermentation Industries)

年 卷 期：2024年第50卷第6期

页      面：274-281页

核心收录：

学科分类：12[管理学] 081704[工学-应用化学] 07[理学] 08[工学] 070302[理学-分析化学] 0832[工学-食品科学与工程（可授工学、农学学位）] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0817[工学-化学工程与技术] 081104[工学-模式识别与智能系统] 083202[工学-粮食、油脂及植物蛋白工程] 0703[理学-化学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：中国人民公安大学刑事科学技术双一流创新研究专项(2023SYL06) 

主　　题：植物油 拉曼光谱 机器学习 连续投影法 竞争性自适应重加权采样法 

摘      要：该研究采集了六类(38个品牌)常见植物油的551份拉曼光谱,并根据光谱数据分别建立了正交偏最小二乘判别和支持向量机模型,对比了连续投影法和竞争性自适应重加权采样法对模型识别正确率的影响。基于算法改进的偏最小二乘判别模型的总体预测准确率为82.53%、83.13%,低于基于全光谱数据建立的偏最小二乘判别模型。竞争性自适应重加权采样法结合支持向量机对玉米油、橄榄油、葵花籽油和芝麻油的品牌分类测试集正确率均达到100%;椰子油和花生油的测试集正确率为22.22%、63.64%。两类特征提取算法均可以减少建立分类模型所需的变量数目和计算资源,但以提取后变量建立分类模型可能会导致识别正确率下降。在解决样本间相似度较高的多分类问题时,支持向量机模型优于正交偏最小二乘判别模型。正确率差异可能和生产商所使用的生产工艺以及植物油原料相关。面对案件侦办中品牌种类多样的油脂物证,基于拉曼光谱分析和特征提取算法的支持向量机模型可为可食用植物油的无损快速检验提供一定的参考与借鉴。