基于傅里叶变换红外光谱和稀疏正则化的油脂分析方法研究

Fourier transform infrared spectrometry (FTIR) which analyzes objects by their spectral features has become a promising technique for rapid and non-instursive edible oil quality analysis. Trends in this technique is to obtain detail spectral information by increasing the spectral resolution of FTIR system. However, as the dimension of spectra improves dramatically, current data analyzing methods are known to overfit, leading to poor classification results. In this program, we propose a series of methods including sparse representation, calssification and solutions to deal with this problem. First, as the spectra are sparsely distributed within the high-dimension space, sparsity will be exploited to find a concise representation of complex spectrum in a sparse subspace. Second, based on this model the sparse dimension reduction method wil be studied to reduce model complexity and avoid overfit, sparsity constrained classification method introducing regularization term will be studied to enhance the inter-class difference of various oils, robust loss function will be implemented to optimize the model and reduce noises and outliers. Finally, real sample experiments using specically collected standard oils will be carried out to evaluate the proposed methods, a typical edible oil fingerprint database will be established. The program will develop a accurate and feasible method for high resolution FTIR oil authentication and adulteration analysis, thus improve the effectiveness and availability of FTIR technique in food safety region.

基于频谱指纹信息的傅里叶变换红外光谱（FTIR）技术在食用油脂的快速无损检测领域极具应用潜力。目前研究趋势是通过提高光谱分辨率来获取细节谱信息，但随着光谱维度的增加，现有数据分析模型容易过拟合，导致分类误差显著增大，局限了该技术在油脂检测中的应用。本项目拟提出完整的高精度光谱稀疏表示与分类求解方法模型来解决此问题：首先，从小样本光谱数据在高维空间中呈现稀疏分布的特点入手，建立油脂光谱在低维子空间中的稀疏表达模型。其次，在此模型基础上，研究稀疏降维算法，降低分类模型的复杂度，避免过拟合；研究基于稀疏正则化约束的分类算法，扩大不同油脂的类间差别；研究基于鲁棒损失函数的优化求解方法，有效抑制噪声与异常信号影响。最终，开展FTIR光谱实验，分析验证算法性能，并构建典型油脂的高精度谱指纹数据库。本项目成果将形成一套准确有效的高精度油脂光谱数据分析方法，促进光谱分析技术在食品安全领域的快速发展。

针对高精度红外光谱油脂分析中的光谱特征建模、特征提取、分类识别等问题，本项目开展了基于稀疏和低秩等约束的一整套傅里叶变换红外光谱（FTIR）技术的信号处理和数据处理方法，突破了混合像素光谱分解建模、含噪标签特征提取、异常光谱信息检测及稀疏光谱分类方法等关键技术，实现了类间近似的光谱信号的准确区分。建立了典型油脂的种类、产地、年代、混合物的FTIR高精度红外光谱样本库，通过实验验证了理论成果的有效性和应用的可行性，为高精度FTIR技术应用于食品安全快速无损检测领域提供了支撑。项目的主要成果如下：1. 建立了高精度油脂光谱和混合光谱模型，提出基于稀疏表示的光谱模型和基于低秩表示的混合高斯光谱模型，为油脂类型鉴别与掺杂识别提供了更高效可分的基础模型；2. 在信号处理方面，提出了基于正则化模糊判别分析的特征提取算法和基于分数阶傅里叶变换与高光谱图像斑块的异常检测算法，前者可以在人工标签不足的情况下及时修正错误标签对特征提取带来的影响，后者可以充分利用傅里叶域信息的特征将背景光谱与异常光谱分离，突破了油脂掺杂分析的关键技术难点；3. 提出判别核协作表示正则化的高维度小样本红外光谱分类算法，在充分利用高维信息的同时增加油脂类间的可分性，提高了现有识别分类算法的准确度。项目理论成果在IEEE GRSL、IEEE Access、JCFA等光谱和食品权威期刊发表SCI学术论文6篇，会议论文3篇，培养毕业研究生3名。项目成果能有效应对高精度红外光谱用于油脂检测的面临的高维小样本和环境干扰问题，初步有效应用于多种食用油脂的实验室环境鉴别，并扩展到谷物等食品的红外光谱检测应用，未来有望服务于各类食品安全溯源的在线检测系统中。