摘 要：本发明属于食品质量安全检测技术领域，公开了一种基于拉曼光谱的亚麻籽油掺假无损检测方法及设备，该方法包括：将装有待检测样品光谱的比色皿置于避光恒温样品检测仓中，通过拉曼光谱仪在预设条件下采集待检测样品光谱的拉曼光谱数据组，生成平均拉曼光谱；对平均拉曼光谱依次进行特征波段截取、荧光背景扣除、平滑去噪、二阶导数处理及光谱数据归一化，生成预处理后的拉曼光谱；筛选对油种差异敏感的特征拉曼位移峰，并计算各特征拉曼位移峰的强度特征值；利用软独立建模分类法构建掺假判别模型并进行训练；利用训练好的掺假判别模型对预处理后的拉曼光谱进行掺假检测，输出纯正/掺假的检测结果。本发明实现了掺假判别的全自动化、高准确性。
权利要求书
1.一种基于拉曼光谱的亚麻籽油掺假无损检测方法，其特征在于，包括：
对待检测的亚麻籽油进行采样和静置，吸取静置后亚麻籽油的上清液，并将上清液注入至比色皿，得到待检测样品光谱；
将装有待检测样品光谱的比色皿置于避光恒温样品检测仓中，通过拉曼光谱仪在预设条件下采集待检测样品光谱的拉曼光谱数据组，并计算拉曼光谱数据组的平均值，生成平均拉曼光谱；
对平均拉曼光谱依次进行特征波段截取、荧光背景扣除、平滑去噪、二阶导数处理及光谱数据归一化，生成预处理后的拉曼光谱；
对纯亚麻籽油与掺假油的平均光谱差值依次进行差分光谱分析、导数光谱分析及主成分分析，筛选对油种差异敏感的特征拉曼位移峰，并计算各特征拉曼位移峰的强度特征值；基于各特征拉曼位移峰的强度特征值，利用软独立建模分类法构建掺假判别模型，并对掺假判别模型进行训练，得到训练好的掺假判别模型；
利用训练好的掺假判别模型对预处理后的拉曼光谱进行掺假检测，输出纯正/掺假的检测结果，并将纯正/掺假的检测结果通过人机交互界面显示。
2.根据权利要求1所述的一种基于拉曼光谱的亚麻籽油掺假无损检测方法，其特征在于，所述对待检测的亚麻籽油进行采样和静置，吸取静置后亚麻籽油的上清液，并将上清液注入至比色皿，得到待检测样品光谱包括：
定量取待检测的亚麻籽油，静置去除待检测的亚麻籽油中的不溶性杂质；
利用移液器定量吸取静置后的上清液，并将上清液注入至经背景光谱采集的比色皿中，得到待检测样品光谱。
3.根据权利要求1所述的一种基于拉曼光谱的亚麻籽油掺假无损检测方法，其特征在于，所述对平均拉曼光谱依次进行特征波段截取、荧光背景扣除、平滑去噪、二阶导数处理及光谱数据归一化，生成预处理后的拉曼光谱包括：
截取平均拉曼光谱中的预设特征波段，去除平均拉曼光谱两端噪声干扰区域，得到截取后的拉曼光谱；
利用自适应迭代加权惩罚最小二乘法对截取后的拉曼光谱进行扣除荧光背景，得到扣除荧光后的拉曼光谱；
利用卷积平滑机制对扣除荧光后的拉曼光谱进行消除高频噪声，得到平滑后的拉曼光谱；
对平滑后的拉曼光谱进行二阶导数变换，增强平滑后的拉曼光谱的重叠峰分辨力，得到二阶导数光谱；
通过向量归一化公式消除二阶导数光谱的光强强度差异，使不同批次采集的拉曼光谱具有可比性，最终生成预处理后的拉曼光谱。
4.根据权利要求1所述的一种基于拉曼光谱的亚麻籽油掺假无损检测方法，其特征在于，所述对纯亚麻籽油与掺假油的平均光谱差值依次进行差分光谱分析、导数光谱分析及主成分分析，筛选对油种差异敏感的特征拉曼位移峰，并计算各特征拉曼位移峰的强度特征值；基于各特征拉曼位移峰的强度特征值，利用软独立建模分类法构建掺假判别模型，并对掺假判别模型进行训练，得到训练好的掺假判别模型包括：
对纯亚麻籽油与掺假油的平均光谱差值进行差分光谱分析，识别差异区域，并结合一阶/二阶对差异区域进行导数光谱分析重叠峰中心的分辨，得到校正集光谱，对校正集光谱进行主成分分析，得到候选特征波数集，最终确定对油种差异敏感的特征拉曼位移峰；
计算各特征拉曼位移峰中每个测定样本的各特征波数处的强度特征值；
基于各特征波数处的强度特征值，利用软独立建模分类法，构建掺假判别模型，并通过留一法交叉验证机制确定每个类别掺假判别模型的最优主成分数，预设判别阈值，得到训练好的掺假判别模型。
5.根据权利要求4所述的一种基于拉曼光谱的亚麻籽油掺假无损检测方法，其特征在于，所述对纯亚麻籽油与掺假油的平均光谱差值进行差分光谱分析，识别差异区域，并结合一阶/二阶对差异区域进行导数光谱分析重叠峰中心的分辨，得到校正集光谱，对校正集光谱进行主成分分析，得到候选特征波数集，最终确定对油种差异敏感的特征拉曼位移峰包括：
对纯亚麻籽油的光谱进行逐点平均生成纯亚麻籽油的平均光谱，并对掺假油样本的光谱进行逐点平均生成掺假油的平均光谱，计算纯亚麻籽油的平均光谱与掺假油的平均光谱的差值，生成平均光谱差值；
对平均光谱差值进行差分光谱分析，识别差异区域，结合一阶/二阶导数光谱对校正集光谱中对应差异区域进行重叠峰中心分辨，完成特征波数的初步筛选，得到校正集光谱；
对校正集光谱进行主成分分析，提取前三个主成分并绘制各主成分的荷载图，选取荷载系数绝对值较大的波数作为候选特征，得到候选特征波数集；
综合平均光谱差值、校正集光谱及候选特征波数集，确定对油种差异敏感的特征拉曼位移峰。
6.根据权利要求4所述的一种基于拉曼光谱的亚麻籽油掺假无损检测方法，其特征在于，所述标准化的强度特征值的计算公式为：
式中Ιλ’表示各特征波数处的强度特征值；Ιλ表示样本在波数λ处的拉曼强度；uλ表示校正集所有纯亚麻籽油样本在波数λ处的平均强度；σλ表示校正集所有纯亚麻籽油样本在波数λ处的强度标准偏差。
7.根据权利要求4所述的一种基于拉曼光谱的亚麻籽油掺假无损检测方法，其特征在于，所述基于各特征波数处的强度特征值，利用软独立建模分类法，构建掺假判别模型，并通过留一法交叉验证机制确定每个类别掺假判别模型的最优主成分数，预设判别阈值，得到训练好的掺假判别模型包括：
基于各特征波数处的强度特征值，利用软独立建模分类法，结合主成分分析分别为每一类别构建独立类别模型，通过计算待检测样品光谱至各类别独立类别模型的距离进行分类，构建掺假判别模型；
利用留一法交叉验证机制确定各类别独立类别模型的最优主成分数，通过预设类间距离作为判别阈值对掺假判别模型进行判别边界约束，得到优化后的掺假判别模型；
对优化后的掺假判别模型进行判别功率分析，剔除建模功率低的变量，保留建模功率高的各特征波数处的强度特征值，得到训练好的掺假判别模型。
8.根据权利要求7所述的一种基于拉曼光谱的亚麻籽油掺假无损检测方法，其特征在于，所述类间距离的计算公式为：
式中，ICD表示类间距离；ti，A、ti，B分别表示两类样本在第i个主成分上的平均得分；k表示选取的主成分的个数。
9.根据权利要求1所述的一种基于拉曼光谱的亚麻籽油掺假无损检测方法，其特征在于，所述利用训练好的掺假判别模型对预处理后的拉曼光谱进行掺假检测，输出纯正/掺假的检测结果，并将纯正/掺假的检测结果通过人机交互界面显示包括：
利用训练好的掺假判别模型内置的纯亚麻籽油类别子模型与掺假油类别子模型，分别计算待检测样品光谱至各类别独立类别模型的距离，生成相似度得分；
将相似度得分与预设判别阈值进行比较，若待检测样品光谱落入纯亚麻籽油类别的独立类别模型内且与纯油类的距离小于判别阈值时，则判定该待检测样品光谱为纯正亚麻籽油，生成纯正的检测结果；
若待检测样品光谱远离纯亚麻籽油类别的独立类别模型或落入掺假油类别的独立类别模型内，则判定该待检测样品光谱为掺假亚麻籽油，生成掺假的检测结果，并输出置信度及可能的掺假类型信息；
将纯正/掺假的检测结果通过人机交互界面进行显示。
10.一种基于拉曼光谱的亚麻籽油掺假无损检测设备，用于实现权利要求1-9中任一项所述的基于拉曼光谱的亚麻籽油掺假无损检测方法的检测操作，其特征在于，包括：
标准化液体采样模块，用于提供比色皿盛装待检测的亚麻籽油，并进行采样操作；
便携式拉曼光谱仪，用于集成长波长激光器、优化光路及恒温控制单元，激发样品产生拉曼信号并采集原始光谱数据；
避光恒温样品检测仓，由黑色阳极氧化铝仓体、半导体制冷温控系统、石英样品池及光纤接口组成，用于确保检测环境避光、恒温、光路稳定；
边缘计算与推理模块，内置嵌入式芯片，搭载预先建立的掺假判别模型，用于对采集的光谱数据进行实时预处理、特征提取与模型推理，并输出纯正/掺假的检测结果；
人机交互界面，用于参数设置、启动检测、结果显示。
技术领域
本发明涉及食品质量安全检测技术领域，特别涉及一种基于拉曼光谱的亚麻籽油掺假无损检测方法及设备。
背景技术
亚麻籽油富含α亚麻酸（含量约57%）、亚油酸、油酸等多种人体必需不饱和脂肪酸，营养价值高，市场价格显著高于普通食用油。受经济利益驱动，市场上存在以菜籽油、棉籽油等低价油品掺入亚麻籽油中的掺假行为，不仅降低产品营养价值，还可能引入有害物质，损害消费者健康。由于掺假油在色泽、气味、透明度等感官指标上与纯亚麻籽油极为接近，传统的理化指标检测（如酸价、过氧化值）难以有效鉴别；现有仪器分析方法，如气相色谱、核磁共振、近红外光谱等，虽具有一定鉴别能力，但普遍存在设备昂贵、样品前处理复杂、检测周期长、对操作人员专业要求高等问题，无法满足市场监管、流通环节及现场快速检测的需求。因此，迫切需要开发一种操作简便、响应快速、结果直观、抗干扰能力强、适用于现场环境的亚麻籽油真伪鉴别方法与装置。
拉曼光谱技术具有无需样品前处理、非破坏性、受水分干扰小、指纹特征性强等优点，已在油脂分析中展现出良好应用潜力。然而，将其应用于现场快速检测仍面临以下挑战：现场采样条件不一致导致光谱重复性差；油脂自身荧光干扰影响信噪比；现场环境温度波动引起光谱漂移；依赖云端数据处理无法满足实时决策需求等。
现有拉曼光谱技术在食用油检测中面临以下共性技术瓶颈：
1）采样容器荧光干扰：普通钠钙玻璃比色皿在785nm激发下常产生强荧光背景，严重压制油脂特征拉曼信号；不同品牌、不同批次比色皿的荧光强度差异显著，导致光谱一致性差、模型泛化能力下降；
2）样品前处理不统一：现场操作人员对是否离心、静置时间、取样位置等执行不一，引入额外光谱变异；
3）环境温度影响：拉曼光谱峰位、峰宽对温度敏感，现场四季温差及设备自热导致光谱漂移；
4）依赖云端计算：多数便携设备需将光谱上传至服务器进行模型推理，无法在无网络环境的野外、市场、边检等场景独立工作。
因此，如何提供一种基于拉曼光谱的亚麻籽油掺假无损检测方法及设备，是目前亟待解决的问题。
发明内容
本发明实施例提供了一种基于拉曼光谱的亚麻籽油掺假无损检测方法及设备，以解决现有技术中的上述技术的问题。
根据本发明实施例的第一方面，提供了一种基于拉曼光谱的亚麻籽油掺假无损检测方法。
在一个实施例中，所述一种基于拉曼光谱的亚麻籽油掺假无损检测方法，包括：对待检测的亚麻籽油进行采样和静置，吸取静置后亚麻籽油的上清液，并将上清液注入至比色皿，得到待检测样品光谱；将装有待检测样品光谱的比色皿置于避光恒温样品检测仓中，通过拉曼光谱仪在预设条件下采集待检测样品光谱的拉曼光谱数据组，并计算拉曼光谱数据组的平均值，生成平均拉曼光谱；对平均拉曼光谱依次进行特征波段截取、荧光背景扣除、平滑去噪、二阶导数处理及光谱数据归一化，生成预处理后的拉曼光谱；对纯亚麻籽油与掺假油的平均光谱差值依次进行差分光谱分析、导数光谱分析及主成分分析，筛选对油种差异敏感的特征拉曼位移峰，并计算各特征拉曼位移峰的强度特征值；基于各特征拉曼位移峰的强度特征值，利用软独立建模分类法构建掺假判别模型，并对掺假判别模型进行训练，得到训练好的掺假判别模型；利用训练好的掺假判别模型对预处理后的拉曼光谱进行掺假检测，输出纯正/掺假的检测结果，并将纯正/掺假的检测结果通过人机交互界面显示。
在一个实施例中，所述对待检测的亚麻籽油进行采样和静置，吸取静置后亚麻籽油的上清液，并将上清液注入至比色皿，得到待检测样品光谱包括：定量取待检测的亚麻籽油，静置去除待检测的亚麻籽油中的不溶性杂质；利用移液器定量吸取静置后的上清液，并将上清液注入至经背景光谱采集的比色皿中，得到待检测样品光谱。
在一个实施例中，所述对平均拉曼光谱依次进行特征波段截取、荧光背景扣除、平滑去噪、二阶导数处理及光谱数据归一化，生成预处理后的拉曼光谱包括：截取平均拉曼光谱中的预设特征波段，去除平均拉曼光谱两端噪声干扰区域，得到截取后的拉曼光谱；利用自适应迭代加权惩罚最小二乘法对截取后的拉曼光谱进行扣除荧光背景，得到扣除荧光后的拉曼光谱；利用卷积平滑机制对扣除荧光后的拉曼光谱进行消除高频噪声，得到平滑后的拉曼光谱；对平滑后的拉曼光谱进行二阶导数变换，增强平滑后的拉曼光谱的重叠峰分辨力，得到二阶导数光谱；通过向量归一化公式消除二阶导数光谱的光强强度差异，使不同批次采集的拉曼光谱具有可比性，最终生成预处理后的拉曼光谱。
在一个实施例中，所述对纯亚麻籽油与掺假油的平均光谱差值依次进行差分光谱分析、导数光谱分析及主成分分析，筛选对油种差异敏感的特征拉曼位移峰，并计算各特征拉曼位移峰的强度特征值；基于各特征拉曼位移峰的强度特征值，利用软独立建模分类法构建掺假判别模型，并对掺假判别模型进行训练，得到训练好的掺假判别模型包括：对纯亚麻籽油与掺假油的平均光谱差值进行差分光谱分析，识别差异区域，并结合一阶/二阶对差异区域进行导数光谱分析重叠峰中心的分辨，得到校正集光谱，对校正集光谱进行主成分分析，得到候选特征波数集，最终确定对油种差异敏感的特征拉曼位移峰；计算各特征拉曼位移峰中每个测定样本的各特征波数处的强度特征值；基于各特征波数处的强度特征值，利用软独立建模分类法，构建掺假判别模型，并通过留一法交叉验证机制确定每个类别掺假判别模型的最优主成分数，预设判别阈值，得到训练好的掺假判别模型。
在一个实施例中，所述对纯亚麻籽油与掺假油的平均光谱差值进行差分光谱分析，识别差异区域，并结合一阶/二阶对差异区域进行导数光谱分析重叠峰中心的分辨，得到校正集光谱，对校正集光谱进行主成分分析，得到候选特征波数集，最终确定对油种差异敏感的特征拉曼位移峰包括：对纯亚麻籽油的光谱进行逐点平均生成纯亚麻籽油的平均光谱，并对掺假油样本的光谱进行逐点平均生成掺假油的平均光谱，计算纯亚麻籽油的平均光谱与掺假油的平均光谱的差值，生成平均光谱差值；对平均光谱差值进行差分光谱分析，识别差异区域，结合一阶/二阶导数光谱对校正集光谱中对应差异区域进行重叠峰中心分辨，完成特征波数的初步筛选，得到校正集光谱；对校正集光谱进行主成分分析，提取前三个主成分并绘制各主成分的荷载图，选取荷载系数绝对值较大的波数作为候选特征，得到候选特征波数集；综合平均光谱差值、校正集光谱及候选特征波数集，确定对油种差异敏感的特征拉曼位移峰。
在一个实施例中，所述标准化的强度特征值的计算公式为：
式中Ιλ’表示各特征波数处的强度特征值；Ιλ表示样本在波数λ处的拉曼强度；uλ表示校正集所有纯亚麻籽油样本在波数λ处的平均强度；σλ表示校正集所有纯亚麻籽油样本在波数λ处的强度标准偏差。
在一个实施例中，所述基于各特征波数处的强度特征值，利用软独立建模分类法，构建掺假判别模型，并通过留一法交叉验证机制确定每个类别掺假判别模型的最优主成分数，预设判别阈值，得到训练好的掺假判别模型包括：基于各特征波数处的强度特征值，利用软独立建模分类法，结合主成分分析分别为每一类别构建独立类别模型，通过计算待检测样品光谱至各类别独立类别模型的距离进行分类，构建掺假判别模型；利用留一法交叉验证机制确定各类别独立类别模型的最优主成分数，通过预设类间距离作为判别阈值对掺假判别模型进行判别边界约束，得到优化后的掺假判别模型；对优化后的掺假判别模型进行判别功率分析，剔除建模功率低的变量，保留建模功率高的各特征波数处的强度特征值，得到训练好的掺假判别模型。
在一个实施例中，所述类间距离的计算公式为：
式中，ICD表示类间距离；ti，A、ti，B分别表示两类样本在第i个主成分上的平均得分；k表示选取的主成分的个数。
在一个实施例中，所述利用训练好的掺假判别模型对预处理后的拉曼光谱进行掺假检测，输出纯正/掺假的检测结果，并将纯正/掺假的检测结果通过人机交互界面显示包括：利用训练好的掺假判别模型内置的纯亚麻籽油类别子模型与掺假油类别子模型，分别计算待检测样品光谱至各类别独立类别模型的距离，生成相似度得分；将相似度得分与预设判别阈值进行比较，若待检测样品光谱落入纯亚麻籽油类别的独立类别模型内且与纯油类的距离小于判别阈值时，则判定该待检测样品光谱为纯正亚麻籽油，生成纯正的检测结果；若待检测样品光谱远离纯亚麻籽油类别的独立类别模型或落入掺假油类别的独立类别模型内，则判定该待检测样品光谱为掺假亚麻籽油，生成掺假的检测结果，并输出置信度及可能的掺假类型信息；将纯正/掺假的检测结果通过人机交互界面进行显示。
根据本发明实施例的第二方面，提供了一种基于拉曼光谱的亚麻籽油掺假无损检测设备。
在一个实施例中，一种基于拉曼光谱的亚麻籽油掺假无损检测设备，包括：
标准化液体采样模块，用于提供比色皿盛装待检测的亚麻籽油，并进行采样操作；便携式拉曼光谱仪，用于集成长波长激光器、优化光路及恒温控制单元，激发样品产生拉曼信号并采集原始光谱数据；避光恒温样品检测仓，由黑色阳极氧化铝仓体、半导体制冷温控系统、石英样品池及光纤接口组成，用于确保检测环境避光、恒温、光路稳定；边缘计算与推理模块，内置嵌入式芯片，搭载预先建立的掺假判别模型，用于对采集的光谱数据进行实时预处理、特征提取与模型推理，并输出纯正/掺假的检测结果；人机交互界面，用于参数设置、启动检测、结果显示。
根据本发明实施例的第三方面，提供了一种计算机设备。
在一些实施例中，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
根据本发明实施例的第四方面，提供了一种计算机可读存储介质。
在一个实施例中，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明实施例提供的技术方案可以包括以下有益效果：
1）本发明通过手持/便携式拉曼光谱仪的设计充分借鉴红外光谱现场快检的成熟范式，采用高扫描累加次数（≥64次）、恒温控制，信噪比较常规便携设备提升3倍以上。
2）本发明以紫外级透明圆底玻璃器皿（直径10±1mm，1mL容积）为核心，配套离心、静置、背景扣除等刚性规程，彻底消除容器荧光干扰及操作者差异，光谱基线漂移降低90%。
3）本发明通过掺假判别模型，实现掺假判别的全自动化、高准确性。
4）本发明以类间距离（ICD）≥4.0、验证集正确分类率≥98%等量化指标严格约束模型性能，确保现场检测结果的司法可采信性。
5）本发明将所有模型内嵌于设备端芯片，10秒内完成光谱采集-预处理-模型推理?结果输出的全流程，不依赖网络，适合无网络环境下的现场执法。
6）本发明针对上述背景技术的瓶颈，将标准化液体直接检测流程、石英透明圆底玻璃比色皿背景扣除规程、双波长激光荧光抑制、恒温控制及边缘端化学计量学模型部署集成于一台专用设备中，彻底解决现场检测中采样环节的最大变异来源容器荧光干扰，提升了模型跨场地、跨操作者的稳健性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种基于拉曼光谱的亚麻籽油掺假无损检测方法的流程图；
图1
图2是根据一示例性实施例示出的一种基于拉曼光谱的亚麻籽油掺假无损检测设备的结构框图；
图2
图3是根据一示例性实施例示出的计算机设备的结构示意图；
图3
图4是根据一示例性实施例示出的纯亚麻籽油与其它油品标准拉曼图谱图；
图4
图5是根据一示例性实施例示出的掺假5%大豆油、10%葵花籽油、20%大豆油的拉曼光谱对比图；
图5
图6是根据一示例性实施例示出的手持式拉曼光谱仪预测模型对不同油种鉴别模型热图之一；
图6
图7是根据一示例性实施例示出的手持式拉曼光谱仪预测模型对不同油种鉴别模型热图之二；
图7
图8是根据一示例性实施例示出的手持式拉曼光谱仪预测模型对葵花籽油掺假区分热图之一；
图8
图9是根据一示例性实施例示出的手持式拉曼光谱仪预测模型对葵花籽油掺假区分热图之二；
图9
图10是根据一示例性实施例示出的手持式拉曼光谱仪预测模型对大豆油掺假区分热图之一；
图10
图11是根据一示例性实施例示出的手持式拉曼光谱仪预测模型对大豆油掺假区分热图之二；
图11
图12是根据一示例性实施例示出的一种基于拉曼光谱的亚麻籽油掺假无损检测设备的简易立体结构示意图；
图12
图13是根据一示例性实施例示出的一种基于拉曼光谱的亚麻籽油掺假无损检测设备中避光恒温样品仓的简易立体结构示意图；
图13
图14是根据一示例性实施例示出的一种基于拉曼光谱的亚麻籽油掺假无损检测设备的结构示意图。
图14
附图标记：
201、标准化液体采样模块；
202、便携式拉曼光谱仪；
203、避光恒温样品检测仓；2031、样品仓主体；2032、样品仓盖；2033、光谱探头连接处；2034、样品检测槽；2035、恒温控制器；
204、边缘计算与推理模块；
205、人机交互界面。
具体实施方式
以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本申请的装置或系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
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。
实施例
实施例1
图1示出了本发明的一种基于拉曼光谱的亚麻籽油掺假无损检测方法的一个实施例。
在该可选实施例中，所述一种基于拉曼光谱的亚麻籽油掺假无损检测方法，包括：步骤S101、对待检测的亚麻籽油进行采样和静置，吸取静置后亚麻籽油的上清液，
并将上清液注入至比色皿，得到待检测样品光谱；
在该可选实施例中，所述对待检测的亚麻籽油进行采样和静置，吸取静置后亚麻籽油的上清液，并将上清液注入至比色皿，得到待检测样品光谱包括：定量（约1mL）取待检测的亚麻籽油，静置去除待检测的亚麻籽油中的不溶性杂质；利用移液器定量（1.0mL）吸取静置后的上清液，并将上清液注入至经背景光谱采集的比色皿（光程10mm，紫外石英材质）中，得到待检测样品光谱。
具体地，选取已知来源真实可靠的亚麻籽油样品作为初步建立模型的标准样本，另选取用于掺伪的植物油纯品，包括葵花籽油、大豆油、玉米油、棕榈油、稻米油等。在15℃-25℃温度下保存，待测之前保证其化学物质和成分的稳定。制备纯亚麻籽油及掺入不同比例（如5%、10%、20%）葵花籽油或大豆油的掺假油样。使用紫外级石英玻璃比色皿，取1mL经前处理（静置）后的澄清油样进行检测。
取待测亚麻籽油样约1mL，静置30min去除不溶性杂质；用移液器吸取上清液1.0mL，注入经背景光谱采集的圆底透明玻璃比色皿，确保无气泡。
步骤S102、将装有待检测样品光谱的比色皿置于避光恒温样品检测仓中，通过拉曼光谱仪在预设条件（优化条件）下采集待检测样品光谱的拉曼光谱数据组，并计算拉曼光谱数据组的平均值，生成平均拉曼光谱；
具体地，采用便携式拉曼光谱仪，在以下优化条件下采集光谱：激发波长785nm，对于深色油样可选1064nm，光谱范围100-3500cm-1，分辨率≤6cm-1，积分时间15s，激光功率0.9W（785nm）或200-500mW（1064nm）。以光滑铝块为背景采集背景光谱并从样品光谱中扣除。每个样品连续扫描3次，取平均光谱。将装有样品的玻璃器皿置于避光恒温样品检测仓中，连接手持式拉曼光谱仪；在优化条件下采集待测油样的拉曼光谱，每个样品连续扫描3次，取平均光谱；采集过程中样品仓温度恒定在25±0.5℃。
步骤S103、对平均拉曼光谱依次进行特征波段截取、荧光背景扣除、平滑去噪、二阶导数处理及光谱数据归一化，生成预处理后的拉曼光谱；
在该可选实施例中，所述对平均拉曼光谱依次进行特征波段截取、荧光背景扣除、平滑去噪、二阶导数处理及光谱数据归一化，生成预处理后的拉曼光谱包括：截取平均拉曼光谱中的预设特征波段，如700-1800cm-1，去除平均拉曼光谱两端噪声干扰区域，得到截取后的拉曼光谱；利用自适应迭代加权惩罚最小二乘法，即airPLS对截取后的拉曼光谱进行扣除荧光背景，得到扣除荧光后的拉曼光谱；利用卷积平滑机制，即Savitzky-Golay对扣除荧光后的拉曼光谱进行消除高频噪声，得到平滑后的拉曼光谱；对平滑后的拉曼光谱进行二阶导数变换，增强平滑后的拉曼光谱的重叠峰分辨力，得到二阶导数光谱；通过向量归一化公式消除二阶导数光谱的光强强度差异，使不同批次采集的拉曼光谱具有可比性，最终生成预处理后的拉曼光谱。
具体地，对原始光谱依次进行向量归一化、Savitzky-Golay平滑，即窗口点数25，多项式阶数3、二阶导数处理，并截取700-1800cm-1特征波段，所有算法在安卓边缘计算模块中通过C/C++优化实现，如NEON指令集加速，具体操作如下：
截取特征波段：截取700-1800cm-1特征信息丰富波段，去除两端噪声干扰严重区域；荧光背景扣除：采用自适应迭代加权惩罚最小二乘法，即airPLS扣除荧光背景，参数设置：平滑参数λ=105；惩罚阶数p=0.05；最大迭代次数20次；Savitzky-Golay平滑：采用Savitzky-Golay卷积平滑消除高频噪声：窗口点数：25；多项式阶数：3；导数阶数：0（平滑）；二阶导数处理：对平滑后光谱进行二阶导数变换，参数同S-G平滑，如窗口25点，多项式3阶，用于增强重叠峰分辨力、消除基线漂移影响；光谱数据归一化：采用向量归一化公式为：
式中Xnorm表示预处理后的拉曼光谱；X表示二阶导数光谱Xi表示二阶导数光谱中第i个特征点的数值；n表示光谱数据的总特征点数（或维度数），即该光谱曲线被采样的波长点数总数。消除光强绝对强度差异，使不同批次采集的光谱具有可比性。预处理后光谱数据维度：1800-700=1101个数据点/谱。
步骤S104、对纯亚麻籽油与掺假油的平均光谱差值依次进行差分光谱分析、导数光谱分析及主成分分析，筛选对油种差异敏感的特征拉曼位移峰，并计算各特征拉曼位移峰的强度特征值；基于各特征拉曼位移峰的强度特征值，利用软独立建模分类法，即SIMCA构建掺假判别模型，并对掺假判别模型进行训练，得到训练好的掺假判别模型；
在该可选实施例中，所述对纯亚麻籽油与掺假油的平均光谱差值依次进行差分光谱分析、导数光谱分析及主成分分析，筛选对油种差异敏感的特征拉曼位移峰，并计算各特征拉曼位移峰的强度特征值；基于各特征拉曼位移峰的强度特征值，利用软独立建模分类法，即SIMCA构建掺假判别模型，并对掺假判别模型进行训练，得到训练好的掺假判别模型包括：对纯亚麻籽油与掺假油的平均光谱差值进行差分光谱分析，识别差异区域，并结合一阶/二阶对差异区域进行导数光谱分析重叠峰中心的分辨，得到校正集光谱，对校正集光谱进行主成分分析，得到候选特征波数集，最终确定对油种差异敏感的特征拉曼位移峰；计算各特征拉曼位移峰中每个测定样本的各特征波数处的强度特征值；基于各特征波数处的强度特征值，利用软独立建模分类法，即SIMCA，构建掺假判别模型，并通过留一法交叉验证机制，即LOOCV确定每个类别掺假判别模型的最优主成分数，预设判别阈值，得到训练好的掺假判别模型。
在该可选实施例中，所述对纯亚麻籽油与掺假油的平均光谱差值进行差分光谱分析，识别差异区域，并结合一阶/二阶对差异区域进行导数光谱分析重叠峰中心的分辨，得到校正集光谱，对校正集光谱进行主成分分析，得到候选特征波数集，最终确定对油种差异敏感的特征拉曼位移峰包括：对纯亚麻籽油的光谱进行逐点平均生成纯亚麻籽油的平均光谱，并对掺假油样本的光谱进行逐点平均生成掺假油的平均光谱，计算纯亚麻籽油的平均光谱与掺假油的平均光谱的差值，生成平均光谱差值；对平均光谱差值进行差分光谱分析，识别差异区域，结合一阶/二阶导数光谱对校正集光谱中对应差异区域进行重叠峰中心分辨，完成特征波数的初步筛选，得到校正集光谱；对校正集光谱进行主成分分析，提取前三个主成分并绘制各主成分的荷载图，选取荷载系数绝对值较大的波数作为候选特征，得到候选特征波数集；综合平均光谱差值、校正集光谱及候选特征波数集，确定对油种差异敏感的特征拉曼位移峰。
在该可选实施例中，所述标准化的强度特征值的计算公式为：
式中Ιλ’表示各特征波数处的强度特征值；Ιλ表示样本在波数λ处的拉曼强度；uλ表示校正集所有纯亚麻籽油样本在波数λ处的平均强度；σλ表示校正集所有纯亚麻籽油样本在波数λ处的强度标准偏差。
在该可选实施例中，所述基于各特征波数处的强度特征值，利用软独立建模分类法，即SIMCA，构建掺假判别模型，并通过留一法交叉验证机制，即LOOCV确定每个类别掺假判别模型的最优主成分数，预设判别阈值，得到训练好的掺假判别模型包括：基于各特征波数处的强度特征值，利用软独立建模分类法，结合主成分分析分别为每一类别构建独立类别模型，通过计算待检测样品光谱至各类别独立类别模型的距离（得分距离和残差）进行分类，构建掺假判别模型；利用留一法交叉验证机制确定各类别独立类别模型的最优主成分数，通过预设类间距离，即ICD作为判别阈值对掺假判别模型进行判别边界约束，得到优化后的掺假判别模型；对优化后的掺假判别模型进行判别功率分析，剔除建模功率低的变量，保留建模功率高的各特征波数处的强度特征值，得到训练好的掺假判别模型。
在该可选实施例中，所述类间距离，即ICD的计算公式为：
式中，ICD表示类间距离；ti，A、ti，B分别表示两类样本在第i个主成分上的平均得分；k表示选取的主成分的个数。
具体地，参考食用油拉曼光谱特征峰归属研究，重点关注C=C、C=O、C-H等官能团振
动区域，同时基于差分光谱分析计算纯亚麻籽油与各掺假油的平均光谱差值，识别差异显著区域，另外，通过一阶/二阶导数光谱确定重叠峰的真实中心；对通过初步筛选的校正集光谱数据进行主成分分析，即PCA，提取前三个主成分，累计方差贡献率＞95%，绘制各主成分的荷载图，选取荷载系数绝对值较大的波数作为候选特征，载荷阈值设为0 .1。
综合以上综合分析，最终确定11个对油种差异敏感的特征拉曼位移峰（845、868、874、970、1022、1078、1265、1298、1438、1655、1745cm-1），其波数归属如表1所示；
表1 特征拉曼位移峰的波数归属表
以11个特征峰的标准化强度特征值为输入，采用软独立建模分类法，即SIMCA，基于主成分分析为每一类别建立独立的主成分模型，通过计算待测样本到各类别模型的距离（残差和得分距离）进行分类，建立纯亚麻籽油与掺假油的掺假判别模型，利用留一法交叉验证机制，即LOOCV确定每个独立类别模型的最优主成分数：纯亚麻籽油类：前5个主成分（累计方差贡献率96.3%）；掺假油类：前6个主成分（累计方差贡献率94.8%）通过留一法交叉验证确定主成分数；判别阈值：以类间距离（ICD）≥3.0为判别阈值。
通过判别功率分析进一步优化，剔除建模功率低的变量，最终保留11个特征波数全部用于模型构建。判别功率值>2.0的变量被认为对分类有显著贡献，分析显示1800-1450cm-1波段的判别功率最高（>3.5）。
使用独立验证集评估所建立的掺假判别模型的性能，以校正集决定系数，即R2cal、验证集决定系数，即R2val、预测标准误，即SEP及交叉验证均方根误差，即RMSECV为指标，将训练好的掺假判别模型部署至设备边缘计算模块；
从总体样本中划分出未参与掺假判别模型训练过程的独立验证集，该验证集包含已知类别标签的纯亚麻籽油样本及不同掺假比例、不同掺假油种类的掺假样本，通过将验证集样本的拉曼光谱依次经过标准化采样、光谱采集及预处理流程后，输入至已训练完成的掺假判别模型中，模型自动计算每个验证样本到各类别子模型的距离并输出类别预测结果，将预测结果与真实标签进行比对，同时计算校正集决定系数R2cal以评估掺假判别模型对训练数据的拟合优度，计算验证集决定系数R2val以衡量掺假判别模型对未知数据的解释能力，通过预测标准误SEP量化掺假判别模型预测值与真实值之间的平均偏差，并结合交叉验证均方根误差RMSECV综合评价掺假判别模型的稳健性与预测精度；上述多维度指标的综合评估能够有效检验掺假判别模型是否存在过拟合现象，并确保掺假判别模型在未见样本上仍能保持高准确率与低误差，从而为掺假判别模型的现场部署提供充分的数据支撑。
待掺假判别模型通过验证集性能考核后，进一步将训练好的掺假判别模型通过模型转换工具或代码移植方式部署至设备的边缘计算与推理模块中，该边缘计算与推理模块内置高性能嵌入式芯片，能够脱离云端独立运行模型推理任务，现场检测时设备无需网络连接即可在数秒内完成光谱预处理、特征提取与模型判别全过程。
步骤S105、利用训练好的掺假判别模型对预处理后的拉曼光谱进行掺假检测，输出纯正/掺假的检测结果，并将纯正/掺假的检测结果通过人机交互界面显示。
在该可选实施例中，所述利用训练好的掺假判别模型对预处理后的拉曼光谱进行掺假检测，输出纯正/掺假的检测结果，并将纯正/掺假的检测结果通过人机交互界面显示包括：利用训练好的掺假判别模型内置的纯亚麻籽油类别子模型与掺假油类别子模型，分别计算待检测样品光谱至各类别独立类别模型的距离（得分距离和残差），生成相似度得分；将相似度得分与预设判别阈值进行比较，若待检测样品光谱落入纯亚麻籽油类别的独立类别模型内且与纯油类的距离小于判别阈值时，则判定该待检测样品光谱为纯正亚麻籽油，生成纯正的检测结果；若待检测样品光谱远离纯亚麻籽油类别的独立类别模型或落入掺假油类别的独立类别模型内，则判定该待检测样品光谱为掺假亚麻籽油，生成掺假的检测结果，并输出置信度及可能的掺假类型信息；将纯正/掺假的检测结果通过人机交互界面进行显示。
具体地，利用训练好的掺假判别模型对预处理后的拉曼光谱进行掺假检测，先经过标准化采样、光谱采集及预处理流程后得到的待测样品光谱数据输入至部署于边缘计算模块中的训练好的掺假判别模型中，该训练好的掺假判别模型内置了预先训练好的纯亚麻籽油类别子模型与掺假油类别子模型，这两个子模型分别基于各自类别的训练样本集建立了独立的主成分分析特征空间；系统通过计算待测样本的光谱向量分别向纯亚麻籽油子模型和掺假油子模型的载荷空间进行投影，生成待测样本在各子模型中的得分向量，并基于得分向量重构出拟合光谱，进而通过计算原始光谱与拟合光谱之间的残差平方和得到样本到各类别子模型的残差距离，同时结合得分向量在子空间中的马氏距离综合生成待测样本与各类别的相似度得分。
系统将计算得到的相似度得分与预设的判别阈值进行比较，该判别阈值是基于训练集中各类别样本的残差分布通过统计学方法确定的置信限，具体判别逻辑为：若待测样本在纯亚麻籽油子模型中的距离，如得分距离与残差小于该类别的判别阈值，且同时远离掺假油子模型的特征空间，即到掺假油子模型的距离大于其判别阈值或残差超出其置信范围，则判定该待测样本落入纯亚麻籽油类别的独立类别模型内，此时系统生成纯正亚麻籽油的检测结果。
若待测样本在纯亚麻籽油子模型中的投影距离超出该类别判别阈值，即表现为远离纯油类的特征空间，或者其距离虽未超出阈值但其得分向量更接近于掺假油子模型的特征空间，甚至直接落入掺假油类别的判别阈值内，则系统判定该待测样品为掺假亚麻籽油，此时生成掺假的检测结果，并输出模型计算得到的置信度以及可能的掺假类型信息，置信度基于样本到两类子模型的距离比值换算得出，掺假类型则通过比较样本与各类掺假油子模型，如大豆油掺假子模型、葵花籽油掺假子模型等的拟合优度进行推断。
实施例2
图2示出了本发明的一种基于拉曼光谱的亚麻籽油掺假无损检测设备的一个实施例。
在该可选实施例中，一种基于拉曼光谱的亚麻籽油掺假无损检测设备，包括：
标准化液体采样模块201，用于提供比色皿盛装待检测的亚麻籽油，并进行采样操作；
便携式拉曼光谱仪202，用于集成长波长激光器、优化光路及恒温控制单元，激发样品产生拉曼信号并采集原始光谱数据；
避光恒温样品检测仓203，由黑色阳极氧化铝仓体、半导体制冷温控系统、石英样品池及光纤接口组成，用于确保检测环境避光、恒温、光路稳定；
边缘计算与推理模块204，内置嵌入式芯片，搭载预先建立的掺假判别模型，用于对采集的光谱数据进行实时预处理、特征提取与模型推理，并输出纯正/掺假的检测结果；
人机交互界面205，用于参数设置、启动检测、结果显示。
具体地，标准化液体采样模块201：提供圆底透明玻璃圆器皿，并规范样品前处理及装样操作；所述圆底透明玻璃比色皿。材质：紫外级石英玻璃，且透光率≥85%@200-2500nm；直径：10mm±0.1mm；容量：1mL，且工作容积0.8-1.2mL；洁净度：无荧光背景干扰，以空圆底透明玻璃器皿在785nm激发下采集的拉曼光谱基线漂移<±5counts；
使用方式：经标准清洗规程，例如无水乙醇-超纯水交替冲洗、氮气吹干后重复使用，每次使用前均需采集空皿背景光谱并扣除。
便携式拉曼光谱仪202：集成785nm/1064nm长波长激光器、优化光路、微量样品仓及恒温控制单元；光谱参数满足：785nm系统分辨率≤6cm-1、1064nm系统分辨率≤8cm-1，积分时间10-30s，扫描累加次数≥64次，激光功率0.8-1.0W（785nm）或200-500mW（1064nm）；
避光恒温样品检测仓203：由机械结构、温控系统、样品池及光路接口组成，具体技术规格如下：
机械结构：仓体由黑色阳极氧化铝整体加工而成，内壁涂覆高吸光涂层，如吸光率>99%@400-1100nm，完全消除杂散光干扰。仓盖配备电磁屏蔽密封条及自锁机构，关闭后形成密闭暗室；温控系统：采用半导体制冷片，即TEC配合PID控制器，温度传感器，即PT100贴附于样品池外壁，将样品池温度恒定在25±0.5℃；样品池：适配10mm直径透明圆底玻璃器皿，池体两侧开有激光入射窗和信号收集窗，窗口采用紫外石英玻璃，如透光率≥90%@200-2500nm。池底设有弹簧定位装置，确保比色皿每次插入位置重复性误差<0.1mm；光路接口：入射光纤和收集光纤通过SMA905标准接口与仓体连接，光纤端面与窗口间距精确调校，实现光路最优耦合。
边缘计算与推理模块204：该模块以安卓嵌入式系统为软件平台，集成光谱采集、预处理、模型推理与人机交互功能，实现现场实时检测，具体设计如下：
硬件平台：采用ARMCortex-A系列多核处理器，即主频≥1.8GHz，配置4GB内存及64GB存储，通过USB、I²C等接口连接光谱仪传感器与温控单元。软件系统：运行轻量化Android系统，底层硬件驱动通过JNI封装为Java可调用API，上层应用基于MVVM架构开发；光谱预处理：将向量归一化、Savitzky-Golay平滑、二阶导数等算法以C/C++优化实现，通过JNI供上层调用，单条光谱处理耗时<50ms；模型推理：采用TensorFlowLite或NCNN推理引擎，内置预训练的掺假判别模型，用于纯亚麻籽油与掺假油的定性判别，单模型推理耗时<15ms；
人机交互界面205：用于参数设置、检测控制、光谱显示及结果输出。触摸屏实时显示仓内温度、光谱曲线及检测结果（纯正/掺假、掺假类型、置信度），历史数据本地存储可查。
为了方便理解本发明的上述技术方案，以下从架构以及原理的角度的本发明的上述技术方案进行进一步说明，具体如下：
如图12、图13及图14所示，本发明提供一种技术方案：一种基于拉曼光谱的亚麻籽油掺假无损检测方法及设备，包括标准化液体采样模块201、便携式拉曼光谱仪202、避光恒温样品检测仓203、边缘计算与推理模块204及人机交互界面205。为验证本发明的方法能够实现亚麻籽油掺伪的测定，申请人做了以下试验，具体包括：
a、选取/购买来自宁夏市场的真实纯亚麻籽油样本8份，对其进行编号，编号是 SF0436、SF0437、GF0571、GF0595、SF0435、SF0460、SF0387、SF0574。这些样本作为亚麻籽油
的基础判断样本。同时混入明确的大豆油、玉米油、菜籽油、稻米油、棕榈油、葵花籽油。亚麻籽油与其它不同油种的拉曼信号如图4所示。
b、掺假模型配置：对上述模型使用SIMCA方法进行训练。依据亚麻籽油的特性，选取700-1800cm-1的拉曼波段作为分类依据，将该区间的拉曼值作为建立模型的依据。不同掺假种类以及掺杂不同油种的亚麻籽油的拉曼信号图谱如图5所示。
c、通过掺伪预测，如图6所示，本发明中的鉴别方法对亚麻籽油和其他食用植物油分类准确率可达100%；与此同时，如图7所示，计入掺假亚麻籽油的模型分辨率达到了89.3%，仅有个别掺假油品出现预测错误。
d、掺假油品特异性识别：使用同样的方法，对掺杂葵花籽油以及大豆油的亚麻籽油进行掺伪预测。如图8及图9所示，在掺杂葵花籽油的亚麻籽油测试中，124次测试准确率达到100%；如图10及图11所示，在对234次大豆油掺杂的亚麻籽油鉴别中，准确率达到97%。如图8、图9、图10及图11所示，掺杂其它油品的亚麻籽油在矩阵中出现了明显的数值变化。
本次发明中的用于现场快速检测的手持式拉曼检测仪在对亚麻籽油与其它植物油以及对少量掺假油品的鉴别中都展现出了良好的区分能力。
如上所述的基于拉曼光谱技术的亚麻籽油掺伪的现场快速检测方法，其在鉴别下列油品掺假时均可以应用：葵花籽油，大豆油，棕榈油，玉米油、稻米油等。在建立预测模型时，应根据各个油品特有的拉曼光谱，选择合适的拉曼特征波段用于数据分析。
实施例3
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
此外，本发明还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
另外，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
本发明并不局限于上面已经描述并在附图中示出的结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
文章摘自国家发明专利，一种基于拉曼光谱的亚麻籽油掺假无损检测方法及设备，发明人:何微，岳苑，曹钰莹，汤丽华，马桂娟，申请号:202610757734.7，申请日:2026.05.29。
