基于拉曼光谱增强的食品非法添加物识别方法与流程

本申请属于拉曼光谱增强领域，尤其涉及一种基于拉曼光谱增强的食品非法添加物识别方法。

背景技术：

1、拉曼光谱能够采集特定分子产生的散射光谱信号，并据此反映不同物质所具有的分子特征，具有类似分子身份标识的识别作用。然而，实际食品样品通常并非单一纯净物，而是由多种有机物和无机物共同构成的复杂混合体系。当目标非法添加物以微量形式存在于食品体系中时，其拉曼散射信号较弱，容易被食品基质自身的强信号掩盖，导致目标物质的特征峰难以有效提取和准确辨识。在实际检测与信号采集过程中，获取的拉曼光谱数据不仅包含混合物质的有效分子信号，还会受到多种复合干扰因素影响。由于拉曼散射效应本身相对微弱，光谱采集过程易受外界环境及仪器探测器自身因素干扰，从而在光谱中形成随机分布的尖峰噪声；同时，食品中普遍存在的蛋白质、脂类等有机大分子在激光激发下会产生较强的荧光背景，该类低频宽带荧光背景通常会引起光谱基线抬升甚至畸变，并进一步淹没微弱的拉曼特征峰。不同类别食品基质对非法添加物光谱特征的干扰程度和关联效应存在差异，进一步增加了信号解析难度。因此，如何在强荧光背景、随机尖峰噪声以及基质信号共同干扰下，分离并提取目标非法添加物的高辨识度特征信息，降低基质干扰影响并实现非法添加物的定性与鉴别，是拉曼光谱技术应用于食品安全检测领域亟待解决的问题。

技术实现思路

1、本发明提出一种基于拉曼光谱增强的食品非法添加物识别方法，用于解决现有技术无法在强荧光背景、随机尖峰噪声以及基质信号的共同干扰下，分离并提取出目标非法添加物的高辨识度特征信息的问题，包括：

2、获取包含目标非法添加物的标准物质纯净拉曼光谱与正常食品基质光谱作为训练样本集，及待测拉曼光谱数据；

3、构建拉曼特征字典，在字典原子迭代中，构建随迭代自适应演化的特征显著性掩码，掩码权重由字典原子表示的特征峰显著性决定，利用特征显著性掩码对残差矩阵加权，对加权后的残差矩阵进行奇异值分解更新字典原子至收敛，使字典优先识别高信噪比与强辨识度特征峰；

4、对待测拉曼光谱数据进行稀疏分解，求解联合优化目标函数，将待测拉曼光谱数据分解为三个分量的线性叠加，即由拉曼特征字典线性表示的混合物质信号分量、服从l1范数约束的稀疏尖峰噪声分量及低秩荧光背景分量，采用交替方向乘子法求解联合优化目标函数，得到初始稀疏表示系数并保留低秩荧光背景分量；

5、对初始稀疏表示系数进行修正，将低秩荧光背景分量与预设基质背景特征库匹配识别基质类型，根据基质类型调用特定干扰模型与决策阈值，干扰模型为表述光谱间干扰强度的二次惩罚矩阵，利用干扰模型对初始稀疏表示系数进行二次惩罚优化修正，当修正后的系数中对应非法添加物的原子系数超过决策阈值时，判定样品存在所述非法添加物。

6、此外，本发明还涉及了一种基于拉曼光谱增强的食品非法添加物识别系统，包括以下模块：

7、获取模块，用于获取包含目标非法添加物的标准物质纯净拉曼光谱与正常食品基质光谱作为训练样本集，及待测拉曼光谱数据；

8、分解模块，用于构建拉曼特征字典，在字典原子迭代中，构建随迭代自适应演化的特征显著性掩码，掩码权重由字典原子表示的特征峰显著性决定，利用特征显著性掩码对残差矩阵加权，对加权后的残差矩阵进行奇异值分解更新字典原子至收敛，使字典优先识别高信噪比与强辨识度特征峰；

9、求解模块，用于对待测拉曼光谱数据进行稀疏分解，求解联合优化目标函数，将待测拉曼光谱数据分解为三个分量的线性叠加，即由拉曼特征字典线性表示的混合物质信号分量、服从l1范数约束的稀疏尖峰噪声分量及低秩荧光背景分量，采用交替方向乘子法求解联合优化目标函数，得到初始稀疏表示系数并保留低秩荧光背景分量；

10、识别模块，用于对初始稀疏表示系数进行修正，将低秩荧光背景分量与预设基质背景特征库匹配识别基质类型，根据基质类型调用特定干扰模型与决策阈值，干扰模型为表述光谱间干扰强度的二次惩罚矩阵，利用干扰模型对初始稀疏表示系数进行二次惩罚优化修正，当修正后的系数中对应非法添加物的原子系数超过决策阈值时，判定样品存在所述非法添加物。

11、本发明在拉曼特征字典构建的迭代过程中，利用由特征峰显著性确定的特征显著性掩码对残差矩阵进行加权处理，使字典更新过程更倾向于保留高信噪比、强辨识度的特征峰信息。通过联合优化分解，将待测光谱数据分离为混合物质信号、稀疏尖峰噪声以及低秩荧光背景三个分量，降低噪声和背景基线对目标特征峰提取的影响。进一步利用分离得到的荧光背景匹配识别食品基质类型，并根据识别结果调用对应的二次惩罚矩阵干扰模型，对初始稀疏表示系数进行二次优化修正。上述处理能够削弱不同食品基质之间的光谱交叉干扰，降低假阳性或假阴性识别风险，并结合决策阈值实现对食品非法添加物的识别判定。

1.一种基于拉曼光谱增强的食品非法添加物识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述构建随迭代自适应演化的特征显著性掩码，包括：

3.根据权利要求1所述的方法，其特征在于，所述利用特征显著性掩码对残差矩阵加权，对加权后的残差矩阵进行奇异值分解更新字典原子，包括：

4.根据权利要求2所述的方法，其特征在于，所述将待测拉曼光谱数据分解为三个分量的线性叠加，包括：

5.根据权利要求1所述的方法，其特征在于，所述采用交替方向乘子法求解联合优化目标函数，得到初始稀疏表示系数并保留低秩荧光背景分量，包括：

6.根据权利要求1所述的方法，其特征在于，所述将低秩荧光背景分量与预设基质背景特征库匹配识别基质类型，包括：

7.根据权利要求1或6所述的方法，其特征在于，所述利用干扰模型对初始稀疏表示系数进行二次惩罚优化修正，包括：

8.一种基于拉曼光谱增强的食品非法添加物识别系统，其特征在于，包括以下模块：

9.根据权利要求8所述的系统，其特征在于，所述构建随迭代自适应演化的特征显著性掩码，包括：

10.根据权利要求8所述的系统，其特征在于，所述利用特征显著性掩码对残差矩阵加权，对加权后的残差矩阵进行奇异值分解更新字典原子，包括：