基于LIBS-RAMAN光谱技术的鱼肉鉴别方法

基于libs-raman光谱技术的鱼肉鉴别方法
技术领域：
1.本发明属于水产品鉴定技术领域，具体涉及一种基于libs-raman光谱技术的鱼肉鉴别方法。


背景技术：

2.随着人类社会的发展，经济水平的提高，人类对水产品的需求不断增加，食品掺杂掺假成为食品质量和安全的主要问题之一。近年来，随着肉类增值产品的加工规模逐渐扩大，肉制品“以次充好，以假乱真”的现象屡见不鲜，如以低价格肉品替代高价格肉品、冷冻-解冻肉替代冷鲜肉。其中，水产品的种类众多、消费量大，近缘关系之间的物种品质和价格差距悬殊，导致水产品掺假以及错贴标签等欺诈现象层出不穷，损害了消费者的利益甚至健康。市场监管部门急需一种快速准确的技术手段，辨别肉类真伪，打击伪劣商品。
3.拉曼光谱(raman)技术作为新颖的光谱检测技术，已经在物质理化结构分析方面得到了广泛应用。该技术能实现对肉类食品的快速、无损检测，是肉品成分分析的技术之一，并且其光谱对水等极性物质极其不敏感，因此在肉品研究中具有良好的应用前景。激光诱导击穿光谱(libs)技术是一种对元素进行定性、定量分析的光谱技术，通过对样品表面进行激光烧蚀获得待测样品的等离子体光谱，从而实现对待测样品的定性或定量分析。libs技术已被广泛应用于矿物分析、环境污染监测、冶金分析、生物制药、太空探测等领域。随着libs技术的发展，近年来其逐渐成为食品行业一种新兴的材料检测和鉴定分析技术。在肉品的种类鉴别方面，bilge等人首先利用libs技术鉴定猪肉、牛肉和鸡肉，建立了有效鉴定肉类物种的方法。本课题组前期也采用libs技术结合随机森林方法进行鱼产品的鉴别分类。
4.libs与raman光谱技术在探测目标上具有很好的互补性：libs光谱技术能够获取待测样品的元素信息，raman光谱技术能够获取待测样品的分子信息。将两种光谱技术进行结合，则能够获取待测样品更加全面的物质成分和结构信息，从而更加有利于待测样品的鉴别。目前，单独采用libs与raman光谱技术进行鱼肉鉴别的研究均有报道，而将两种光谱技术结合起来进行鱼肉鉴别的研究还未见报道。


技术实现要素：

5.本发明的目的在于建立一种基于libs-raman光谱技术的鱼肉鉴别方法。
6.为了实现上述目的，本发明涉及的基于libs-raman光谱技术的鱼肉鉴别方法，包括以下步骤：
7.(1)通过绞肉机将待鉴别鱼肉研磨成肉糜，将肉糜填充进直径为35mm的小孔径培养皿中，最后用玻璃片压实冷藏，得到表面平整的鱼肉样品；
8.(2)分别获取待鉴别鱼肉样品的libs光谱数据和raman光谱数据，获取到的raman光谱数据进行归一化处理，让光谱峰值都被限制在0到1之间，将获取到的libs光谱数据进行归一化处理，让光谱峰值都被限制在0到1之间；
9.(3)将归一化后的raman光谱数据和libs光谱数据同时转化成为raman-libs融合图片数据；将raman-libs融合图片数据输入到训练好的cnn模型中，得到鱼肉鉴别结果；
10.具体地，所述cnn模型的训练过程为：
11.(301)采用了肉糜法对样品进行处理，通过绞肉机将鱼肉研磨成肉糜，将肉糜填充进小孔径培养皿中，最后用玻璃片压实冷藏，所述样品包括不同种类的鱼肉，以及鱼肉的不同部位；
12.(302)分别获取待鉴别鱼肉的libs光谱数据和raman光谱数据，将获取到的raman光谱数据进行归一化处理，让光谱峰值都被限制在0到1之间，将获取到的libs光谱数据进行归一化处理，让光谱峰值都被限制在0到1之间；
13.(303)将归一化后的raman光谱数据和libs光谱数据同时转化成为raman-libs融合图片数据；
14.(304)按照适当的比例，将raman-libs融合图片数据分为3份，分别是训练集，验证集和测试集；
15.(305)将训练集数据用于网络训练，用验证集修正模型参数，使用训练集反复多次训练，得到一个训练好的模型，随后使用验证集进行初步验证模型好坏，如果验证合格则导出模型停止训练，再用测试集做最后的评价标准。
16.所述cnn模型包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层。
17.本发明与现有技术相比具有以下有益效果：(1)将raman光谱技术和libs光谱技术相结合，利用两者光谱信息的互补性，显著提高鱼肉鉴别的准确率；(2)采用cnn模型实现对不同鱼肉、近亲鱼肉，甚至鱼肉的不同部位进行有效鉴别，为鱼肉鉴别提供了一种现实可行的方案。
附图说明：
18.图1为丹麦三文鱼raman光谱图。
19.图2为丹麦三文鱼libs光谱图
20.图3为丹麦三文鱼raman-libs融合光谱图。
21.图4为cnn模型分类识别流程图。
22.图5为cnn模型具体结构框图。
具体实施方式：
23.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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
24.实施例1：
25.本实施例包括以下三部分：样品制备、光谱实验和全连接神经网络分类识别。
26.1.样品制备：
27.实验中选取了13种不同的鱼肉，分别为白金枪鱼、巴沙鱼、鲽鱼、带鱼、红金枪鱼、
龙利鱼、银鳕鱼、虹鳟鱼、大马哈鱼、鲷鱼、智利三文鱼、挪威三文鱼、丹麦三文鱼，3种鱼的不同部位，智利三文鱼(中段、尾)、挪威三文鱼(中段、尾)、丹麦三文鱼(中段、尾)，共计16个样本。虹鳟鱼和大马哈鱼是常见的三文鱼的造假鱼，巴沙鱼在市面上常伪装成价格更高的龙利鱼。通过虹鳟鱼、大马哈鱼、巴沙鱼等常见掺假鱼的研究，研究肉类鉴别的可能性。通过样品智利三文鱼(中段、尾)、挪威三文鱼、丹麦三文鱼(中段、尾)，来探究产地和部位鉴别的可能性。
28.采用了肉糜法对样品进行处理，通过绞肉机将鱼肉研磨成肉糜，将肉糜填充进小孔径培养皿中，最后用玻璃片压实冷藏。对16种样本，每类样品制备了6份，共计96份实验样品。
29.通过以上的制备方法可以保证样品的均匀性，对于三文鱼这种含有脂肪纹的样品可以有效避免物质分布不均匀所带来的影响。同时采用肉糜法制备的样品在压紧冷冻之后还有很好的表面平整度和硬度。libs光谱对于样品表面的平整度和硬度有较高的要求以保证获取的信号质量，而raman光谱实验所采用的共聚焦显微拉曼光谱仪利用了焦平面的频域滤波效果来降低信号的荧光强度，因此libs和raman两种光谱技术对于样品表面的平整度均有很高的要求。
30.2.光谱实验
31.2.1 raman光谱实验
32.本实验采用witec共聚焦显微拉曼光谱仪系统对鱼肉样品进行raman光谱检测。系统内置的532nm二极管激光被用于激发拉曼光谱。实验参数设定为：积分时间3s，平均2次，光栅设置为600g/mm，功率为8.0mw。激光经过单模光纤入射到分光器，被分光器反射后进入显微物镜，经过蔡司10/
×
0.25显微物镜聚焦入射到样品表面从而激发出拉曼信号，信号和入射激光一起被样品反射回来后经过532nm陷波滤光片后被多模光纤接收，多模光纤接收的信号经过光谱仪探测分析，最终得到raman光谱信号。实验仪器拉曼频移范围达到40-3800cm-1
。实验对96个样本进行了拉曼光谱采集，得到了9600条拉曼光谱数据。图1为典型的丹麦三文鱼raman光谱图。
33.2.2 libs光谱实验
34.采用了实验室自搭建的libs光谱系统，采用十字激光与cmos相机对样品台位置进行监控，通过调整三位电动位移平台控制样品的移动，采用各半调节法调整平台水平，通过调整聚焦光斑以及光线探头的位置进行光路优化，等离子体产生后，通过ccd相机拍摄等离子图像，并且通过光谱采集系统采集光谱信号，得到libs光谱数据。
35.实验中激光器采用镭宝dava-200 nd:yag调q脉冲激光器，激光波长为1064nm，脉冲宽度10ns，激光能量75mj，频率10hz。光谱探测延时1.28μs、门宽为1.05ms。光谱仪采用avantes四通道光谱仪，型号为avaspec-2048-usb2，通道1波长范围：195-370nm，通道2波长范围：360-513nm，通道3波长范围：502-632nm，通道4波长范围：620-837nm。在样品表面选取边长为7.2mm的正方形区域，一个取样点打10次，每个样品获得100条光谱。对96个样品进行libs光谱采集，得到9600条libs光谱数据。图2为典型的丹麦三文鱼libs光谱图。
36.3.全连接神经网络分类识别
37.3.1采用全连接神经网络对raman光谱数据进行分类识别
38.(1)将获取到的raman光谱数据进行归一化处理，让光谱峰值都被限制在0到1之
间。然后按照0.7：0.15：0.15的比例，随机将raman光谱数据分为3份，分别是训练集，验证集和测试集。其中，训练集用于模型训练，验证集用于修正模型参数，测试集用于模型的泛化性能的检测。
39.(2)采用pca(principal component analysis)方法对raman光谱数据进行降维处理。pca即主成分分析法，是一种常用的的数据降维算法。pca的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。将pca降维后的raman光谱数据输入到全连接神经网络，具体为：将训练集数据用于网络训练，用验证集修正模型参数，使用训练集反复多次训练，得到一个训练好的模型，然后使用验证集进行初步检验模型的好坏，最后将模型导出后，使用测试集的数据作为模型好坏的最后评定标准，得到模型的分类正确率为51％。
40.3.2采用全连接神经网络对libs光谱数据进行分类识别
41.(1)将获取到的libs光谱数据进行归一化处理，让光谱峰值都被限制在0到1之间。然后按照0.7：0.15：0.15的比例，随机将libs光谱数据分为3份，分别是训练集，验证集和测试集。其中，训练集用于模型训练，验证集用于修正模型参数，测试集用于模型的泛化性能的检测。
42.(2)采用pca方法对libs光谱数据进行降维处理。将降维后的libs光谱数据输入到全连接神经网络，具体为：将训练集数据用于网络训练，用验证集修正模型参数，使用训练集反复多次训练，得到一个训练好的模型，然后使用验证集进行初步检验模型的好坏，最后将模型导出后，使用测试集的数据作为模型好坏的最后评定标准，得到模型的分类正确率为47％。
43.3.3.采用全连接神经网络对raman和libs的融合光谱数据进行分类识别
44.鉴于raman光谱反映物质的分子信息，libs光谱反映物质的元素信息，两者之间具有一定程度的互补性，将同一种鱼的raman光谱数据和libs光谱数据首尾拼接融合，具体为：
45.(1)将获取到的raman光谱数据进行归一化处理，让光谱峰值都被限制在0到1之间，将获取到的libs光谱数据进行归一化处理，让光谱峰值都被限制在0到1之间。
46.(2)将归一化处理后的同一种鱼的raman光谱数据和libs光谱数据首尾拼接，得到raman-libs融合光谱数据。96个样品，共计9600组raman-libs融合数据。
47.(3)按照0.7：0.15：0.15的比例，随机将raman-libs融合数据分为3份，分别是训练集，验证集和测试集。其中，训练集用于模型训练，验证集用于修正模型参数，测试集用于模型的泛化性能的检测。
48.(4)将训练集数据用于网络训练，用验证集修正模型参数，使用训练集反复多次训练，得到一个训练好的模型，然后使用验证集进行初步检验模型的好坏，最后将模型导出后，使用测试集的数据作为模型好坏的最后评定标准，得到模型的分类正确率为53％。结果表明，基于全连接神经网络方法，单独采用libs或raman数据与采用raman-libs融合数据的分类正确率均在50％左右，难以对不同种类的鱼肉进行有效区分。
49.实施例2
50.鉴于采用全连接神经网络方法无法对raman和libs光谱数据分类达到鱼肉鉴别的目的，进而采用卷积神经网络(cnn)方法对raman和libs光谱数据分类，具体过程为：
51.1.采用cnn对raman光谱数据进行分类识别
52.(1)将获取到的raman光谱数据进行归一化处理，让光谱峰值都被限制在0到1之间。然后按照0.7：0.15：0.15的比例，随机将raman光谱数据分为3份，分别是训练集，验证集和测试集。其中，训练集用于模型训练，验证集用于修正模型参数，测试集用于模型的泛化性能的检测。
53.(2)将归一化后的raman光谱数据通过数据处理函数转化为raman光谱图片。
54.(3)将raman光谱图片输入到cnn模型，具体为：将训练集用于网络训练，用验证集修正模型参数，使用训练集反复多次训练，得到一个训练好的模型，随后使用验证集进行初步验证模型好坏，如果验证合格则导出模型停止训练，再用测试集做最后的评定标准。如果验证集检测不合格，则再用训练集进行反复训练。最后，测试集用于模型测试，得到cnn模型的分类正确率为91％。
55.2.采用cnn对libs光谱数据进行分类识别
56.(1)将获取到的libs光谱数据进行归一化处理，让光谱峰值都被限制在0到1之间。然后按照0.7：0.15：0.15的比例，随机将libs光谱数据分为3份，分别是训练集，验证集和测试集。其中，训练集用于模型训练，验证集用于修正模型参数，测试集用于模型的泛化性能的检测。
57.(2)将归一化后的libs光谱数据通过数据处理函数转化为libs光谱图片。
58.(3)将libs光谱图片数据输入到cnn模型，具体为：将训练集数据用于网络训练，用验证集修正模型参数，使用训练集反复多次训练，得到一个训练好的模型，随后使用验证集进行初步验证模型好坏，如果验证合格则导出模型停止训练，再用测试集做最后的评定标准。如果验证集检测不合格，则再用训练集进行反复训练。最后，测试集用于模型测试，得到模型的分类正确率为83％。
59.3.采用cnn对raman光谱和libs光谱融合数据进行分类识别
60.(1)将获取到的raman光谱数据进行归一化处理，让光谱峰值都被限制在0到1之间，将获取到的libs光谱数据进行归一化处理，让光谱峰值都被限制在0到1之间。
61.(2)将归一化后的raman数据和libs数据同时转化成为raman-libs融合图片数据，如图3所示。96个样本，共计9600组，得到9600组raman-libs融合图片数据。
62.(3)按照0.7：0.15：0.15的比例，随机将raman-libs融合图片分为3份，分别是训练集，验证集和测试集。其中，训练集用于模型训练，验证集用于修正模型参数，测试集用于模型的泛化性能的检测。
63.(4)将raman-libs融合图片数据输入到cnn模型，具体为：将训练集数据用于网络训练，用验证集修正模型参数，使用训练集反复多次训练，得到一个训练好的模型，随后使用验证集进行初步验证模型好坏，如果验证合格则导出模型停止训练，再用测试集做最后的评定标准。如果验证集检测不合格，则再用训练集进行反复训练。最后，测试集用于模型测试，得的cnn模型的分类正确率为99％。可以看到，经过raman与libs光谱数据融合后，cnn模型的分类正确率得到显著提升。
64.具体地，实施例2中采用的cnn模型分类识别流程图与cnn模型具体结构框图分别如图4和图5所示。cnn模型包括3层卷积层(conv2d)，卷积层用来进行卷积操作，获取图片局部特征；3层池化层(maxpool2d)，池化层用来数据压缩，减少计算量；两层全连接层
(linear)，用于获取样本整体特征。其中relu为一个激活函数，用来决定参数的变化梯度,dropout用来防止模型过拟合。该模型的输入数据为3通道(rgb颜色)、像素为640
×
480的图片，输出数据为预测该图片所代表鱼肉种类的标签。即，所述cnn模型包括依次连接的第一卷积层1、第一池化层2、第二卷积层3、第二池化层4、第三卷积层5、第三池化层6、第一全连接层7和第二全连接层8。
65.该模型采用的层数较少，适合轻量级的应用，使得训练出来的模型所占内存较少，适合安装于一些小型设备仪器上。