使用高光谱成像技术检测蜂蜜掺假

撸陆知识小课堂，每周都有干货内容等着大家！

01

# 摘要

本研究探讨了高光谱成像系统和基于数据挖掘的分类器在检测蜂蜜掺假方面的应用。使用可见光-近红外高光谱相机（400-1000纳米）获取纯蜂蜜和掺假样本的高光谱图像。在对图像进行预处理后，应用了五种不同的基于数据挖掘的技术，包括人工神经网络（ANN）、支持向量机（SVM）、线性判别分析（LDA）、费舍尔和帕森分类器，用于监督图像分类。分类器测试结果显示，人工神经网络分类器的最高分类准确率为95%。其他分类器，包括具有径向基核函数的SVM（92%）、LDA（90%）、费舍尔（89%）和帕森（84%）也显示出可接受的结果。本研究表明高光谱成像技术在蜂蜜鉴定方面的潜力。

02

# 引言

蜂蜜是一种天然的蜜蜂产品，来源于花蜜。“蜂蜜规定为纯产品，不允许添加任何其他物质”。然而，这种高价值产品容易被食品欺诈者掺假（例如，混合糖浆）。

各种分析技术，包括：同位素、色谱和热红外分析已被用于检测蜂蜜掺假。这些方法在蜂蜜掺假检测方面的优势已被众多研究证实，然而，它们耗时、破坏性，且有些昂贵。因此，快速、非破坏性和精确的分析方法受到欢迎，以补充现有技术。

振动光谱方法，如中红外（MIR）和近红外（NIR）光谱学以前已应用于蜂蜜鉴定。最近，我们展示了机器视觉在非破坏性蜂蜜表征方面的高能力。因此，本研究的目标是评估高光谱成像系统在检测添加糖浆的蜂蜜掺假方面的潜在应用，以实现使用机器视觉的全面蜂蜜表征系统。

03

#材料与方法

2.1 蜂蜜样本

本研究共使用了56个纯蜂蜜样本，包括：8个黑刺槐、10个荞麦、4个矢车菊、9个石楠、15个菩提树和10个油菜样本。其花源通过花粉分析确认。

掺假溶液通过将果糖和葡萄糖完全溶解在蒸馏水中，制备了1:1（w/w）的果糖-葡萄糖混合物。一组蜂蜜（包括28个纯蜂蜜样本）被取样，然后用果糖-葡萄糖掺假溶液在四个水平上掺假，即10、20、30和50% w/w。尽管四种溶液的浓度事后未再测量，但估计准确度较高。为了达到均匀的溶液，混合物用手工搅拌器充分搅拌，直到看起来均匀为止。

最终数据集包括56个样本，包括28个纯单花蜂蜜和28个不同糖浆水平的掺假样本。

2.2 高光谱成像系统

使用推扫式线扫描相机获取图像，该相机由线扫描光谱仪（Specim V10e）和CMOS相机（PhotonFocus MV1）组成。可见光-近红外高光谱图像采集设置如图1（A）所示。在不同的高光谱成像模式（即：反射、透射和透光）中，透射模式被用作可见光-近红外成像蜂蜜样本的传感方法。由于这种模式受样本厚度的影响，本研究中所有蜂蜜样本均分析了统一的3毫米厚度。使用卤素灯作为可见光和近红外光谱区域的宽带照明源。将蜂蜜样本放置在光扩散器的顶部中心，并用黑纸覆盖光扩散器表面周围的蜂蜜样本（图1.C）。

图1. 高光谱成像系统组件

使用图像采集软件控制系统的不同部分以获取图像。相机在蜂蜜样本上方移动，逐行扫描它们。光谱图像在400-1000纳米的波长范围内收集，分辨率为3.13nm，得到192个光谱带。每个高光谱图像的最终尺寸为100×656×192像素。这个3D数据立方体被保存为每个单独波段的tiff图像文件夹，以及xml格式的元信息，以便进一步处理。通过使用黑白色参考对图像进行校正，使图像独立于光源的光谱和传感器的灵敏度，然后保存。

2.3 图像分类

每个图像被划分为三个部分，包括纯蜂蜜、掺假蜂蜜和图像背景。对于每个部分，随机选择250个像素，创建了一个总共有750个像素的数据集。使用70%的数据用于分类器校准，并在校准阶段应用留一法交叉验证来验证分类器。分类器在剩余的30%数据上独立测试。使用Savitzky-Golay算法（2阶多项式和3点窗口）对每个光谱进行平滑处理后，以4的间隔进行子采样，导致高光谱图像的子集为48个波长带。测试了五种分类方法：

• 人工神经网络（ANN）
• 支持向量机（SVM）
• 线性判别分析（LDA）
• 费舍尔
• 帕森

采用具有一个隐藏层的反向传播前馈神经网络分类器对高光谱图像进行分类。该网络有一个隐藏层，包含10个节点。训练周期的变化直到均方误差达到目标。因此，通过试错法确定了一个隐藏层和10个节点（在隐藏层中）的网络结构为最佳网络结构。径向基函数（RBF）被用作支持向量分类器的核函数。因为在RBF情况下，SV算法自动确定中心、权重和阈值，以最小化预期测试误差的上界。所有分析均使用Matlab PRTools工具箱和荷兰代尔夫特理工大学应用物理系的Hypertools工具箱实现。为了评估图像分类器的性能，计算了总体准确率。这一标准是正确分类样本数与总样本数的比率。

04

#结果与讨论

3.1 高光谱图像分类

所有掺假和纯蜂蜜样本均接受了高光谱成像。图2显示了石楠蜂蜜（蓝色）及其掺入50%糖浆的混合物（红色）的原始光谱示例。可以看出，两个光谱在近红外区域尤其不同。纯样本看起来比掺假样本更暗。

图2. 纯蜂蜜和掺假蜂蜜的原始光谱

值得一提的是，每个光谱图像的背景被当作一个单独的类别。表1呈现了使用上述五种模型对图像中的三个类别（包括纯蜂蜜和人工掺假蜂蜜样本以及图像背景）进行分类的校准和测试结果。

表1. 不同分类器的总体准确率

根据该表，所有分类器在校准阶段对三个类别像素的分类准确率都很高。对于人工神经网络，观察到校准集的最大分类准确率为100%，测试集为95%。人工神经网络的高准确率紧随其后的是SVM、LDC、费舍尔和帕森分类器。尽管帕森分类器在校准阶段的准确率（98%）比费舍尔分类器（93%）高，但在测试中，其准确率（84%）略低于费舍尔（89%）分类器。表2给出了人工神经网络分类器（测试集）的混淆矩阵（或误差矩阵）。可以看出，掺假蜂蜜像素集的分类率最高，而纯蜂蜜像素的类别内准确率最低（89%），背景像素的类别内准确率介于两者之间（96%）。纯蜂蜜被误分类为背景，反之亦然，这种情况经常发生在边界处，因为光谱反射。

表2. 人工神经网络分类器（测试集）的混淆矩阵

3.2 分类器映射

将最佳分类器（人工神经网络）应用于新的高光谱图像，以探索分类结果的空间分布。在这幅图像中，纯蜂蜜与不同量的糖浆混合（10、20、30和50%）。结果图像以颜色呈现，每种颜色对应一个不同的类别。白色用于背景，紫色用于纯蜂蜜，绿色用于糖浆。结果图像如图3所示。分类器能够正确识别纯蜂蜜和糖浆，尽管在边缘处对糖浆的分类存在一些误分类，这是由于样本透过率降低所致。令人惊讶的是，添加的糖浆量在图像中也很明显。

图3. 人工神经网络分类器指示的类别图像

05

#结论

本研究旨在探讨高光谱成像在蜂蜜掺假检测方面的潜力。由于高光谱成像是机器视觉和光谱学的结合，它结合了这两种方法的优点。分类结果显示，高光谱成像可以为蜂蜜掺假检测提供一种更稳健的方法。使用图像空间信息的主要优势在于，它使得展示样本中糖的大致分布成为可能。添加到蜂蜜样本中的糖浆量与图像中被分类为糖浆的像素数量之间存在明显的关系。造成这种现象的主要原因可能是糖浆没有完全溶解并且在蜂蜜样本中均匀分布，因为其粘度非常高，在溶液中形成了小的糖簇。这种效应用肉眼无法看到，这证明了高光谱成像在此应用中的价值。需要进一步的研究来量化掺假样本的高光谱图像与污染量之间的关系。

与传统方法相比，这种方法快速且非破坏性。此外，它还提供了准确可视化不同类别蜂蜜的能力，这是传统方法无法实现的。由于文献中已经指出了使用可见成像测量蜂蜜颜色和营养成分的效率，因此未来将高光谱成像应用于表征蜂蜜不同方面的可能性是值得期待的。

信撸陆 不迷路