从透光包装瓶外鉴别酒类商品的方法与流程

1.本发明涉及从透光包装瓶外鉴别酒类商品的方法，属于酒类商品鉴别技术领域。


背景技术：

2.酒类商品包含各种类型的白酒、葡萄酒、啤酒、黄酒及洋酒。酒作为商品，根据其品牌及年份的不同，具有较大的售价区间：一瓶酒的售价从数十元到数千元不等；因此一些不法分子用包装相同的普通酒来冒充高档酒销售，进而谋取高额利润。由于假酒的外形包装与真酒完全相同，因此经销商或消费者很难鉴别真伪，进而会蒙受经济损失。
3.目前，鉴别酒类商品真伪及其年份的方法主要有两种：一种是邀请品酒专家通过品尝酒样进行人工鉴别；另一种方法是借助大型仪器设备，例如气相色谱、液相色谱等进行鉴别。虽然上述两种方法能够鉴别酒类商品的真伪及其年份，但存在如下不足：第一种方法需打开酒瓶盖，将酒倒入杯中品尝鉴别，这对酒的储存和收藏极其不利；第二种方法不仅需要打开酒瓶盖，还要对样品进行过程复杂的预处理，存在检测成本高及需要专业人员操作的不足，很难满足快速、准确、低成本和检测量大的市场需求。因此研究一种准确、快速、低成本、原透光包装瓶外鉴别酒类商品真伪及其年份的方法具有重要意义。
4.拉曼光谱是一种基于拉曼散射原理的分子光谱。当入射光与分子相互作用产生散射时，大部分光子被弹性散射，只有少数光子发生拉曼散射(非弹性散射)，此时，光子与分子之间产生能量转移，使散射光频率发生位移，该位移量携带分子结构信息。
5.目前，虽然有人用拉曼光谱或表面增强拉曼光谱(sers)技术零散地检测过酒类商品所含乙醇和各种添加剂含量；或基于拉曼光谱和支持向量机回归法分别对黄酒品质和古井贡酒年份进行了检测和鉴别，但由于不同酒类商品的微量成分拉曼光谱差异非常细微，很难识别出光谱之间的差异。


技术实现要素：

6.针对不同酒类商品的拉曼光谱差异细微，很难通过识别光谱之间差异的方法进行酒类鉴别的问题，本发明提供一种从透光包装瓶外鉴别酒类商品的方法。
7.本发明的一种从透光包装瓶外鉴别酒类商品的方法，包括真伪的鉴别：
8.模型训练：获得具有透光包装瓶的不同品牌酒类商品的常规拉曼光谱，采用主成分分析方法对常规拉曼光谱进行降维处理获得降维后光谱数据，采用降维后光谱数据对svm分类模型进行训练，使降维后光谱数据获得以分类标签表示的分类区域，从而确定svm分类检测模型；
9.商品鉴别：采用拉曼光谱检测仪从透光包装瓶外采集酒类商品的拉曼散射光谱；对拉曼散射光谱利用主成分分析方法进行降维处理获得降维后待识别光谱；
10.将降维后待识别光谱输入svm分类检测模型，获得以分类标签表示的分类区域；
11.将所述待识别光谱的分类区域与待鉴别酒类商品的已知分类区域进行比较，若分类区域相同，则鉴别结果为真酒；否则为假酒。
svm分类识别及盲样测试结果示意图；其中黑色图标表示训练集，白色图标表示测试集。
具体实施方式
31.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。
32.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
33.下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
34.具体实施方式一、结合图1所示，本发明提供了一种从透光包装瓶外鉴别酒类商品的方法，包括真伪的鉴别：
35.模型训练：获得具有透光包装瓶的不同品牌酒类商品的常规拉曼光谱，采用主成分分析方法对常规拉曼光谱进行降维处理获得降维后光谱数据，采用降维后光谱数据对svm分类模型进行训练，使降维后光谱数据获得以分类标签表示的分类区域，从而确定svm分类检测模型；
36.商品鉴别：采用拉曼光谱检测仪从透光包装瓶外采集酒类商品的拉曼散射光谱；对拉曼散射光谱利用主成分分析方法进行降维处理获得降维后待识别光谱；
37.将降维后待识别光谱输入svm分类检测模型，获得以分类标签表示的分类区域；
38.将所述待识别光谱的分类区域与待鉴别酒类商品的已知分类区域进行比较，若分类区域相同，则鉴别结果为真酒；否则为假酒。
39.进一步，入射至酒类商品的激光由二极管激光器产生，波长为785nm；光谱检测时，将激光聚焦于样品瓶表面进行检测，设置检测条件为激光功率为180mw，积分时间为5s。
40.作为示例，在模型训练过程中，对每种品牌酒类商品在相同试验条件下采集70次常规拉曼光谱。
41.在相同实验条件下，可对每种样品进行拉曼光谱检测100次，其中70次拉曼光谱数据作为训练集建模，并画出分类识别图，然后将未参与建模的剩余30次拉曼光谱数据作为测试集进行盲样测试，并计算鉴别结果的准确率。
42.再进一步，所述模型训练过程中获得的常规拉曼光谱包括同一品牌酒类商品不同年份的常规拉曼光谱。
43.再进一步，本实施方式还包括年份的鉴别：
44.在模型训练过程中，采用降维后光谱数据对svm分类模型进行训练时，使降维后光谱数据还获得年份标签；
45.在商品鉴别过程中，svm分类检测模型对降维后待识别光谱还获得以年份标签表示的年份识别结果。
46.本实施方式既可进行酒类商品真假的识别，同样可进行年份的识别。
47.作为示例，所述光谱检测仪的型号为bws415-785h(b&w tek,inc.)，为一种便携式拉曼光谱仪。
48.作为示例，不同品牌酒类商品包括：五粮液、茅台、威士忌、君妃、泸州老窖、纯净富
裕、百龄坛威士忌、马奶酒和乙醇。
49.再进一步，在模型训练和商品鉴别过程中，光谱数据在降维处理前，先进行标准化处理。
50.标准化处理过程使得处理后的数据符合标准正态分布，从而降低数值较高的光谱信息在综合分析中的作用，相对提高数值水平较低的光谱信息的作用，达到提升模型的精度的效果。具体函数表达式为：
[0051][0052]
其中，μ为所有拉曼光谱数据的均值，σ为所有拉曼光谱数据的标准差，x为采集获得的拉曼散射光谱，x
*
为标准化处理后的拉曼散射光谱。
[0053]
作为示例，所述标准化处理采用bwram1.01.20软件实现。
[0054]
本实施方式中，光谱数据采集及相关处理均通过光谱仪自带软件bwram1.01.20实现。
[0055]
作为示例，所述光谱检测仪的光谱测量范围为68～2700cm-1
，光谱分辨率小于3cm-1
。
[0056]
对本发明方法的详细说明：
[0057]
1)不同品牌酒类商品及乙醇的拉曼光谱：
[0058]
把不同品牌酒类商品的包装瓶打开，用试管滴到铝箔胶带上测定常规拉曼光谱，如图2所示。从图2可看出，不同品牌白酒的拉曼峰主要出现在877、1045、1088、1276、1459、2726、2884和2973cm-1
等处，且与乙醇的拉曼光谱基本一致。这是因为白酒的主要成分为水和乙醇，水的拉曼信号非常弱，因此酒类商品的拉曼光谱主要来自其所含乙醇，特征峰振动模式的详细归属如表1所列。
[0059]
表1酒类商品及乙醇主要拉曼特征峰的归属
[0060][0061]
虽然酒类商品的主要成分均是水和乙醇，但是不同品牌酒类商品所用原﹑辅料及酿造工艺的区别使其微量成分产生一定的差异，这也是影响酒类商品口感的重要原因。根据化学性质的不同，可以将酒中的微量成分分为醇类、醛类、酸类、酯类、酮类、内酯类化合物、硫化物、芳香族化合物等化合物，因此不同酒类商品的拉曼光谱必然有一定的差异。但是微量成分拉曼光谱的差异非常细微，很难用肉眼识别光谱之间的差异，因此需要借助机器学习方法进行识别。
[0062]
2)拉曼光谱技术结合pca-svm分类识别模型的建立：
[0063]
拉曼光谱图中含有丰富的分子指纹信息，如果采用传统的观念和方法入手，仅仅从个别拉曼峰值、峰位等表面信息来分析信号的话，没有完全利用谱图所含有的全部信息，结果和结论可能不够深刻。同时，在拉曼光谱测量过程中影响因素众多，即使是样品相同的位置，在连续几次测量中也不可能获得完全相同的拉曼光谱图，更何况不同批次样品的差异性。所以严格的拉曼光谱实验，不能仅仅从几个特征峰信号就得出结论，需要获得具有广泛意义、统计性质的结果。
[0064]
为了实现以上要求，在处理拉曼光谱数据的过程中，常结合多元统计分析方法来处理多组拉曼光谱数据。常用的多元统计分析方法包括主成分分析法(pca)、线性判别分析法(lda)、聚类分析(ca)以及偏最小二乘法(pls)等。
[0065]
本发明方法采用主成分分析法(pca)和支持向量机法(svm)联合算法建立了拉曼光谱鉴别模型。包括：采集光谱数据，并进行标准化处理；然后利用pca法对数据进行降维，利用svm法对训练集进行分类识别；最后可对测试集进行盲样测试，计算并给出准确率。
[0066]
pca法是一种无监督性定性算法，由霍特林于1933年首先提出。其主要原理是在损失较少信息的前提下，通过寻找一系列的原始变量线性组合得到的新坐标——主成分(pc)，从而对数据进行降维。每个主成分都是原始变量的线性组合，且各个主成分之间互不相关，这就使得主成分比原始变量具有某些更优越的性能，主成分相对于不同波数的载荷系数反映了光谱的主要特征和差异谱峰的位置。本发明中，对数据进行降维后获得两个主成分因子：分别是从数据差异性最大和次大的方向提取出来的，称为主成分1(pc1)和主成分2(pc2)，如图3至图6所示。
[0067]
svm分类方法是由统计学理论发展而来的一种智能学习机，其原理是在空间中寻找区分不同数据的最佳分类平面。svm的基本原理描述如下：给定一组不同类的数据，构造一个最优的线性分类形成具有最大间隔的超平面，同时使经验分类误差最小化、几何间隔最大化。在不是线性可分的数据集的情况下，将原始数据映射到由内核函数给出的高维特征空间。在这种特征空间构造一个线性分类，这相当于在原始输入空间构造一个非线性分类。
[0068]
3)不同品牌酒类商品拉曼光谱的pca-svm分类识别：
[0069]
首先，对直接用试管滴到铝箔胶带上检测(即无包装瓶)的不同品牌酒类商品的拉曼光谱进行了pca-svm分类识别及盲样测试，如图3所示。从图3可看出，本发明方法能够进行准确的分类识别，且盲样测试准确率为99.99％。这表明，通过肉眼难于区分的不同品牌酒类商品拉曼光谱的微小差异，可通过机器学习方法进行准确的分类识别，这也是用拉曼光谱技术结合机器学习方法能鉴别不同品牌酒类商品的根本依据。
[0070]
然后，对不同品牌酒类商品原透光包装瓶外检测的拉曼光谱进行pca-svm分类识别及盲样测试，如图4所示。从图4可看出，本发明方法能够进行准确的分类识别，且盲样测试准确率为99.99％。
[0071]
显然，不同品牌酒类商品的原透光包装瓶的材质和厚度均不相同，因此从原透光包装瓶外检测到的不同品牌酒类商品的拉曼光谱中，原透光包装瓶对拉曼光谱及其pca-svm分类识别也有一定的影响。因此，在图4所示的pca-svm分类识别结果中，既有不同品牌酒类商品的贡献，也有原透光包装瓶的贡献。这也是图3和图4所示的pca-svm分类识别图有明显差异的缘故。
[0072]
在实际造假过程中，造假人一般都用高档酒类商品的包装瓶中装入低档酒来造假。否则通过观察包装瓶即可识别真假，不需要进行进一步的鉴别。这就说明，虽然透光包装瓶对拉曼光谱及其pca-svm分类识别有一定的干扰，但是由于真伪酒类商品均采用了相同的透光包装瓶，透光包装瓶的干扰互相抵消，因此进行pca-svm分类识别时，不同品牌酒类商品光谱之间差异为主要贡献，相同包装瓶拉曼光谱差异的贡献是可以忽略的。也就是说，只需要考虑把不同档次的酒类商品装入相同包装瓶中进行验证本发明方法的准确性即可。图5是同一五粮液瓶子中分别装入四种不同品牌酒类商品，并从透光包装瓶外检测到的拉曼光谱的pca-svm分类识别及盲样测试。从图5可看出，本发明方法能够进行准确的分类识别，且盲样测试准确率为99.99％。这就说明，从相同透光包装瓶外也能够准确分类识别不同品牌酒类商品。
[0073]
为了鉴别不同年份的酒类商品，本发明方法从原包装瓶外采集了相同品牌、不同年份的洋酒的拉曼光谱，并进行了pca-svm分类识别及盲样测试，如图6所示。从图6可看出，本发明方法也能够对相同品牌、不同年份的酒类商品进行准确的分类识别，且盲样测试准确率为99.99％。
[0074]
结论：
[0075]
本发明的实验结果显示，对酒类商品无论直接检测(无包装瓶)，从原透光包装瓶外检测，还是装入相同透光包装瓶外检测，都能够准确分类识别不同品牌、不同年份酒类商品。本发明方法具有准确、快速、低成本、从原透光包装瓶外就能鉴别酒类商品的真伪及其年份等优点，具有重要的市场应用价值。
[0076]
另外，除了透光包装瓶酒类商品之外，还尝试了采用本发明方法对不透光包装瓶(如陶瓷类包装瓶)酒类商品的检测。结果显示，由于这类包装瓶不透光，因此无法从原包装瓶外检测到拉曼信号。只能把包装瓶打开，才能进行准确的分类识别。这也说明，若采用能透过陶瓷的激光光源，也能够进行不透光包装瓶外的检测。另外，除了上述白酒和洋酒之外，还可进行其它白酒、洋酒、葡萄酒、黄酒、啤酒等各种酒类商品的验证。结果均显示，能够对酒类商品进行准确的分类识别。
[0077]
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其它所述实施例中。