荧光高光谱技术快速无损检测铁观音掺假及其程度
在茶叶市场上，茶叶掺假、低质量茶作为**茶、旧茶作为新茶的问题也不时出现在上。在高经济利润的推动下，市场上偶尔会发生铁观音掺假。一些非法商人在铁观音中混合了本山、毛蟹、黄金桂，他们的外观与铁观音非常相似，但在销售过程中价格相差很大。普通消费者很难区分茶叶的真实性，这严重侵犯了消费者和经营者的合法权益。在此背景下，迫切需要一种快速、无损的检测茶叶掺假的方法。
四川农业大学康志亮教授团队利用我司高光谱设备（GaiaField-V10E）及配套的荧光系统，对铁观音掺假程度的进行无损检测。作为一种新的检测方法，荧光高光谱技术为食品检测提供了独特的优势，其基本原理是当一种物质被特定波长的入射光照射时，其分子吸收光能并从基态进入激发态，然后立即去激发并发射出光。图1荧光高光谱成像系统。
图1 荧光高光谱成像系统
在这项研究中，掺假茶和纯铁观音在形状、颜色和内部成分上只有轻微差异，这增加了检测茶叶掺假的难度。掺假茶叶样本的比例符合市场上不法商人的普遍做法。至于茶叶的荧光特性，作为一种植物，茶叶中的不同物质会吸收不同波段的光，并在不同波段发出荧光。
本山被用作掺假茶，约占茶叶样品总重量的0%、10%、20%、30%、40%和50%，并与铁观音混合。图2为经过PCA后的六个等级的茶叶三维分布图。为了对茶叶进行掺假检测。本研究在实验方案中建立了纯铁观音和掺假铁观音的两级判别模型，以快速鉴别掺假与否；另一方面，建立了六级判别模型，保证了在不同程度的茶叶掺假情况下，茶叶掺假程度的快速识别。
图2 六个掺假等级茶叶的PCA分布图
首先，荧光高光谱成像系统获得475–1000 nm波段的光谱信息。图3为茶叶的平均光谱分布图。接下来，选择Savitzky–Golay（SG）、乘性散射校正（MSC）和标准正态变量（SVN）对荧光高光谱数据进行预处理。并且对预处理方法进行参数的比较。表1为不同预处理方法在SVM下的评价指标。
表1 不同预处理方法下的评价指标
|
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) |
图3 掺假茶叶的平均光谱曲线
此外，还采用了连续投影算法（SPA）、竞争自适应加权采样（CARS）、随机青蛙算法（RF）和无信息变量消除（UVE）来提取茶叶光谱信息的特征波长。
建立了二分类模型（区分纯铁观音和掺假铁观音）和六分类模型（区分纯铁观音和五个掺假等级的茶叶）。在确定模型的预处理（SG）方法后，选择特征波长对模型进行简化。在SG平滑后，应用了四种特征选择方法。SG平滑结合SPA、CARS、RF和UVE算法，将104个通道分别减少到33、11、44和46个通道。图4显示了SG-CARS之后的特征选择。SG7平滑结合四种特征波长选择方法的评价指标如表2所示。所有的特征选择方法都有助于降低数据维数。
图4 SG-CARS后的特征选择
表2 不同特征选择方法下的评价指标
|
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% |
在建立六分类模型过程中。首先，与两分类模型一样，将不同的预处理方法与支持向量机相结合，建立了四类判别模型。然后，为了简化模型，选择了四种特征选择方法来筛选模型的特征波长，这有利于提高模型的效果和精度。所有模型的结果如表3所示。其中，六分类模型和两分类模型的预处理方法存在差异。通过使用SNV和MSC，提高了分类模型的准确性。
特征选择后，这些模型的总体趋势大致相同。纯铁观音、10%和30%掺假茶叶的准确率几乎为100%，但掺假程度为40%的准确率不高，表明该模型可能无法准确区分铁观音的掺假水平。相比之下，在SNV之后，模型的整体准确性得到了提高。在RF之后，整体准确度提高了1.09%，仅用时0.002秒。在该分类中，纯铁观音和10%和30%的掺假茶被准确预测；模型的变化也提高了茶叶剩余掺假比例的准确性。考虑到整体影响，RF在建立分类模型方面表现出更高的效率。总之，SNV-RF-SVM是区分纯茶和掺假茶的*佳方法，其总准确率为94.27%，仅需0.00698秒。
表3 六分类模型评价指标
|
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 |
|
**作者简介：
康志亮，四川农业大学教授，硕士生导师。
主要研究方向：信号与信息处理、传感器与检测技术、自动控制。
参考文献：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
