波导增强拉曼光谱技术在食用油检测中的应用_余霞.pdf

实 验 技 术 与 管 理 第 40 卷 第 4 期 2023 年 4 月 Experimental Technology and Management Vol.40 No.4 Apr.2023 收稿日期:2022-10-10 基金项目:2021 年北京航空航天大学教学改革重点项目“案例式教学法在生物光子学课程中的思路与实践”作者简介:余霞（1980）女，江苏东台，博士，教授，主要从事激光技术及激光光谱的研究，。引文格式:余霞，缪亦涵，张栩嘉，等.波导增强拉曼光谱技术在食用油检测中的应用J.实验技术与管理,2023,40(4):69-74.Cite this article:YU X,MIAO Y H,ZHANG X J,et al.Waveguide-enhanced Raman spectroscopy for food oil detectionJ.Experimental Technology and Management,2023,40(4):69-74.(in Chinese)ISSN 1002-4956 CN11-2034/T DOI:10.16791/ki.sjg.2023.04.009 波导增强拉曼光谱技术在食用油检测中的应用 余 霞，缪亦涵，张栩嘉，张子夫（北京航空航天大学 仪器科学与光电工程学院，北京 100191）摘 要：依托本科生科研课堂实验课程研究成果，报告了一种基于波导增强的拉曼探头的食用油检测实验方案。在科研课堂教学研讨过程中，首先对拉曼信号的产生和波导增强的理论模型进行了深入的仿真和分析，然后结合食用油智能分类的具体应用场景，引入了 PCA-UVE-ELM 算法，实现了对不同拉曼信号的增强和分类，且该算法具有良好的可扩展性。本实验课程还对实验方法、实验步骤进行了改进设计，旨在提高学生的科研兴趣，培养他们的创新思维和钻研精神。关键词：科研课堂；拉曼光谱技术；波导增强；光谱分析算法 中图分类号：O433.1；O433.4；G642.0 文献标识码：A 文章编号：1002-4956(2023)04-0069-06 Waveguide-enhanced Raman spectroscopy for food oil detection YU Xia,MIAO Yihan,ZHANG Xujia,ZHANG Zifu(School of Instrumentation and Optoelectronic Engineering,Beihang University,Beijing 100191,China)Abstract:Relying on the research results of the undergraduate scientific research classroom experiment course,an edible oil detection experiment scheme based on waveguide-enhanced Raman probe is reported.In the process of scientific research classroom teaching and discussion,the theoretical model of Raman signal generation and waveguide enhancement was firstly simulated and analyzed in depth.Then combined with the specific application scenario of edible oil intelligent classification,the PCA-UVE-ELM algorithm was introduced to realize the enhancement and classification of different Raman signals,and the algorithm has good scalability.This experimental course also improves the design of experimental methods and experimental procedures,aiming at increasing students interest in scientific research and cultivating their innovative thinking and research spirit.Key words:research training courses;Raman spectroscopy technology;waveguide enhancement;spectrum analysis algorithm 食用油能够为人体提供必需的能量，且富含脂肪酸、维生素、角鲨烯等多种油溶性营养物质1。在中国居民膳食营养指南中，建议成年人每日用量应为2530 g，是人类的每日必需食品2。近年来，中国食用油销量连年上涨，已连续五年破三千万吨。但同时，地沟油、油品造假等危害食品安全与消费者利益的乱象屡见不鲜3。对食用油的品质与安全监测极其重要，也是完善食品安全管理与治理体系的重要一环。常见的食用油检测技术主要包括色谱检测技术4、电导率检测技术5、常规理化检测技术6、免疫分析法7、光谱分析法8等。其中，色谱检测技术操作复杂，检测耗时长，装置成本高；电导率检测技术对于深度精炼的地沟油无法起到辨别作用，且实验结果受具体操作影响较大；常规理化检测技术的结果准确性与操作便捷性难以兼得；免疫分析法需要使用化学试剂，存在难以普及应用的缺陷。而光谱分析法尤其是拉曼光谱分析法，由于其固有的物理特性，具有操作简单、可进行现场实时检测与无损检测、检测精确度高、可建立油类指纹库等优势，因此在食用油检测以及食品品质监管领域具有广阔的应用前景9。70 实 验 技 术 与 管 理 拉曼光谱是一种用于无标记分子指纹的振动光谱技术，具有快速、无损检测、高灵敏度等特点10，而波导增强拉曼检测在此基础上具有灵敏度增强特点，因此在痕量液体和气体检测中有重要应用11-15。它通过增大光与样品之间的相互作用体积来放大拉曼信号，主要应用于成分分析和浓度检测。在食品油安全检测应用场景中，由于食品油具有丰富的内在分子指纹，引发了使用拉曼光谱法进行检测的大量研究。但是，与生物医学应用中的其他液体样品不同，食品油的折射率高于光纤基材的熔融石英，为 1.47。因此，研究熔融石英微结构光纤在充满高折射率液体样品并改变了波导特性情况下的波导增强效应十分重要。本实验设计并搭建了一套完整的小型化的波导增强拉曼光谱仪，将光子晶体光纤作为样品容器，实现了对微量样品的检测。通过研究拉曼信号和空心微结构光纤长度之间的关系，建立了波导增强过程的理论模型，实现了对微弱拉曼信号的放大和收集，成功验证了波导结构对拉曼信号的叠加作用，证明了光纤增强是一种非常有潜力的拉曼光谱增强方式。同时，针对具体应用场景，本文在信号放大基础上进一步实现了油样分类，解决了使用主成分分析（PCA）方法导致的混淆问题。在分类过程中引入无信息变量消除（UVE）和超限学习机模型（ELM）进行训练，使分类准确度大幅提高。1 实验设计 1.1 实验目的（1）研究波导增强拉曼光谱技术，验证光子晶体光纤对拉曼信号的增强作用。（2）设计综合实验，实现基于波导增强拉曼光谱技术的食用油智能分类与检测。1.2 实验装置 实验系统由波长为 785 nm 的激光器、最大光谱范围为 3 200 cm1的光谱仪、Y 型光纤、光子晶体光纤组成，如图 1 所示。在 Y 型光纤中，激励光纤的芯径为 105 m，接收光纤的芯径为 200 m，数值孔径为 0.22。使用吸液器将待测样品注入空心光子晶体光纤内部，激光经过 Y 型光纤及集成探头耦合进入光子晶体光纤，激发内部样品的拉曼散射光。探头收集到的后向信号经双色镜滤除瑞利散射光及激发光后，仅剩余拉曼散射光到达光谱仪。图 1 实验装置及系统光路图 1.3 实验原理 1.3.1 拉曼光谱技术的基本原理 如前所述，作为一种无标记分子指纹识别技术，拉曼光谱以其快速、无损检测和高灵敏度等特性成为一种非常有潜力的物质检测和定性分析方法16-17。原料不同的食用油中各种类的饱和脂肪酸与不饱和脂肪酸的含量不同，化学上表现为各种化学键的总量不同，在拉曼光谱上表现为反映化学键振动的谱峰的位置的不同和强度的差异。因此，根据拉曼光谱的谱峰位置和强度信息可以得知食用油中各种类脂肪酸所占比例，从而对食用油进行分类。1.3.2 波导增强拉曼的原理 图 2 示意性地展示出空心光纤内拉曼信号的激发和收集过程。拉曼强度RI与许多因素有关，可以表示为：RLinee IInA L，其中，LinI是激发激光强度，n是样品的分子密度，eA是有效横截面，eL是光纤的有效长度，eeA L是光纤的有效体积。是拉曼信号采集的立体角，是以 cm2sr1为单位的微分截面，是系统的检测效率。图 2 空心光纤内样品产生波导增强拉曼作用的原理图 由此可知，拉曼信号强度随光与样品相互作用体积的增大而增强。通常情况下，光与样品相互作用的体积受光斑大小的限制很小，因此增强拉曼信号的一 余 霞，等：波导增强拉曼光谱技术在食用油检测中的应用 71 种方法是增加激光与样品相互作用的体积,使用光子晶体光纤可以达到这个目的。空心光子晶体光纤中有由许多毛细管周期性排列形成的蜂窝结构，中心去除一部分毛细管形成导光通道，四周的蜂窝状结构构成了包层，折射率的周期性变化导致光子带隙的形成。包层的周期性结构使得某些波长的光在垂直于芯轴的两个方向上不能传播，而沿气孔内部的传播是无损的。这就使波导中限制的光能很好地激发充入中心气孔的样品，增加了光与样品相互作用的体积。1.3.3 基于 PCA-UVE-ELM 的光谱分析算法 本实验设计了一种基于PCA-UVE-ELM的光谱分类算法，可用来对拉曼光谱进行智能分类（见图 3）。获取样品的拉曼光谱数据后，首先对其进行平滑滤波并去除基线，再进行归一化处理，利用主成分分析（PCA）算法将原始的多维光谱数据降至二维，利用 95%的置信椭圆在平面实现初步分类。当类别较少及光谱数据差异较大时，可以直接得到明显的分类效果，但当类别较多时，不同类别之间会出现大量重叠，需要取出重合率较高的标签的光谱数据进行优化分类。利用基于偏最小二乘的无信息变量消除（UVE）算法计算所取光谱的特征位移，作为后续机器学习模型的输入。利用黄广斌教授提出的超限学习机（ELM）算法18，按照训练集数据与测试集数据 31 的比例对ELM 模型进行训练，通过遍历不同的激活函数，利用网格搜索法寻找最优的隐藏层结点数量，实现最优分类。图 3 油样分类算法流程图 UVE 算法是一种以偏最小二乘法（PLS）回归系数 b 为基础的波长选择方法，它减少了最终 PLS 模型中变量的数量，降低了模型的复杂度，改进了 PLS 模型。首先根据原始数据集 X(nm)的大小，制造噪声矩阵 R(nm)满足正态分布，与 X(nm)合并为新矩阵XR(n2m)，再将合并后的矩阵与标签向量 Y 进行偏最小二乘回归 Y=XR+e（是权重，e 是偏置）。计算回归系数矩阵 B(n2m)的标准偏差与对应的平均值向量的比值，得到对应矩阵 H(n2m)，取m+1,2m中的hmax 为衡量参数，筛选去除1,m区间内绝对值小于该参数的变量，根据 max=max(abs(H(1+m2m)，所得结果即为光谱的特征拉曼位移。该算法的显著优点是节省了内存，提高了运算速度，缺点是有时特征提取并不一定真实有效，需要进行验证。ELM 超限学习机算法是一种适用于监督学习和非监督学习问题，以前馈神经网络为基础的机器学习系统。它的核心问题是求解误差函数2min|-HL最小时的输出权重 向量，其中，H 为输出矩阵，L 为训练的目标矩阵。H=G(a,b,T)，其中，a 为随机生成的输入权重矩阵，b 为随机生成的偏置系数，G 为激活函数，T 为原始训练数据。原始数据由激活函数映射到 ELM 特征空间中。用训练集对 ELM 模型进行训练，并用测试集数据检验训练结果。选取不同的激活函数和隐藏层结点数量进行参数优化，以获得更高的分类准确率。其中，主要选取 sigmoid、sin、hardlim、tribas、radbas 五种激活函数进行遍历，根据所用数据的规模选择隐藏层结点数量，选择分类准确度最高的激活函数建模。2 实验结果及分析 2.1 光纤传输模式仿真分析 本实验采用了一种梅花状气孔的空心光子晶体光纤，其在电子显微镜下的形貌如图 4 所示。假设食用油样品均匀充满空心光纤内部，忽略油样折射率随光频率的变化，使用有限元数值仿真就可以计算出此时的传输基模，如图 5 所示。通过有效折射率计算光纤在波长为 700950 nm 区间的耦合损耗，说明该模式的传输损耗主要以物质对光的吸收为主，所以该光纤可在激发波长 785 nm 附近低损耗地传输光，从而实现更大的相互作用体积，增强拉曼信号。72 实 验 技 术 与 管 理 图 4 空心光子晶体光纤电子显微镜扫描图 图 5 折射率为 1.47 的油样填充后光纤内 稳定传输的基模模式 2.2 波导增强效应的实验验证 激光器输出功率为 500 mW，光谱仪积分时间为2 000 ms，分别测定了黛尼葡萄籽油承装在 15 mL 玻璃瓶中以及承装在 5.24 cm 光子晶体光纤和 10.44 cm光子晶体光纤中的拉曼光谱，还测定了金龙鱼芝麻香油承装在 5.56 cm 光子晶体光纤和 11.30 cm 光子晶体光纤中的拉曼光谱，如图 6 所示。根据实验结果，对于每一种油的不同测量方式，拉曼光谱的峰值位置及不同峰值的相对强度具有一致性。5 cm 左右长度的光纤测出的信号强度与 15 mL 样品瓶接近，且相较样品瓶测量少用 10 mL 样品，光子晶体光纤检测仅需约 0.7 L样品。使用较长的光纤可以获得较强的拉曼信号。在金龙鱼芝麻香油的拉曼光谱检测实验中，光纤长度增加约 1 倍，信号强度增大了约 3 倍。在黛尼葡萄油的拉曼光谱检测实验中，光纤长度增加约 1 倍，拉曼信号强度也增大了约 1 倍。将光纤长度从 10 cm 变为 5 cm，进一步分析光纤长度对增强效果的影响。在食用油的信号峰中（见图 6），1 440 cm1和 1 656 cm1处的拉曼位移具有最强的信号强度。这两个位置的拉曼峰分别对应化学键 CH的扭转振动和 C=C 的振动19-20。特征峰的拉曼强度可以反映整体拉曼散射强度和特异性，可作为分子指纹识别物质。两种信号峰强度随光纤长度的变化如图7 所示。从总体趋势来看，信号强度随光纤长度的增大而增大，验证了光纤的波导作用可以有效叠加拉曼信号，实现了波导增强拉曼。对于光纤波导，5 cm 的长度足以形成稳定的模场分布。显著的波导增强效应来源于该波导极低的限制损耗，实现了更多拉曼信号的有效收集。图 6 两种食用油拉曼光谱实验 图 7 在 1 440 cm1和 1 656 cm1拉曼特征峰位移处，拉曼信号强度随光纤长度的变化 2.3 光谱分析算法实现及结果 实验检测样品为 13 种原料不同的食用油，设定激光器输出功率为 500 mW，光谱仪积分时间为 4 000 ms，对每种食用油进行 25 次拉曼光谱测量。再将得到的光谱数据求均值，利用 z-score 算法标准化得到如图 8所示的汇总图谱。从图中可以看到，每种食用油的拉曼光谱数据差别不明显，峰值位置几乎相同，主要差别是峰值处的强度。余 霞，等：波导增强拉曼光谱技术在食用油检测中的应用 73 图 8 13 种食用油拉曼光谱总图 输入检测得到的拉曼光谱，进行去基线和去噪声预处理，并根据食用油类别设定样本标签。在对数据进行归一化处理后，经过 PCA 使数据降到二维，投影到二维平面后的情况如图 9 所示。左下角的 1 到 6 号油重叠严重，有共同的特征，难以通过 PCA 区分。提取 1 到 6 号油的光谱数据，形成新的数据集，使用 UVE算法计算新数据集光谱中的特征拉曼位移。提取出 6种食用油共计 150 个光谱数据各自的 188 个特征拉曼位移，对比相应特征化学键，将重合的拉曼位移进行增强处理。按照训练集与测试集 31 的比例对 ELM模型进行训练，即选取 108 个光谱作为训练集光谱数据，42 个光谱作为预测集光谱数据，代入模型计算。首先选择 hardlim 的阈值型激活函数，隐藏层结点设置为 50 作为初始模型，计算得到的初始 ELM 网络模型训练集分类准确率为 92.59%，测试集分类准确率为73.81%。图 9 13 种食用油初步 PCA 分类图 在此基础上进行模型参数优化，以获得更好的分类效果。选择五种激活函数（sigmoid、sin、hardlim、tribas、radbas），利用网格搜索法对范围为0,100的隐藏层结点数量进行遍历。结果显示，当选择 sigmoid函数的隐藏层结点数为 94 时，分类准确率最高，在该参数设置下，测试集分类结果如图10所示，准确率为100%，成功区分出单一主成分分析算法中混淆的 6 种油。注：每种油有 7 个被测光谱数据。图 10 测试集分类结果混淆矩阵 3 结语 本文设计并搭建了一套波导增强拉曼光谱仪，并用于食用油的智能分类与检测。本实验项目将光子晶体光纤引入拉曼光谱，提供了一种微量检测方式，同时为拉曼光谱的设计引入了新自由度。首先，可以通过设计光纤长度实现目标倍数的增强；其次，可以通过在光子晶体光纤气孔内壁设计金属纳米结构实现表面增强拉曼；最后，可以通过设计光纤内部微结构实现某些属性的改变。本实验检测了市面上的 13 种食用油，得到共计 325 个拉曼光谱数据（13 种25 次），基于此设计了一套基于主成分分析-无信息变量消除-超限学习机的多分类快速算法，实现了对食用油拉曼光谱的准确分类。首先使用主成分分析法，选择前两个主成分进行降维，实现初步分类；再将难以区分的类别的数据进行无信息变量消除处理，提取特征拉曼位移；最后将特征拉曼位移数据集按照训练集数据与测试集数据 31 的比例建立超限学习机模型进行训练，从而将单一主成分分析算法中混淆的食用油进行了准确分类。基于 PCA-UVE-ELM 的算法还能够实现对其他光谱数据的快速分类，具有良好的可扩展性。参考文献(References)1 杨帆，薛长勇.常用食用油的营养特点和作用研究进展J.中国食物与营养，2013,19(3):6366.2 杨月欣，张环美.中国居民膳食指南（2016）简介J.营养学报，2016,38(3):209217.3 姚卫蓉，马永娇.食用油质量与安全问题及检测方法J.食品安全导刊，2010(5):2830.4 ABDULLAH N H,HASSAN S.Identification of methyl ester content from waste cooking oil using gas chromatographic methodJ.Applied Mechanics&Materials,2014(660):297300.5 QIANG Y J,CHEN L W,SHEN Y,et al.Design of recycled 74 实 验 技 术 与 管 理 cooking oil quality testing system based on conductivityJ.Applied Mechanics&Materials,2014(701702):480487.6 FARHOOSHR,TAVASSOLI-KAFRANI M H.Polar compounds distribution of sunflower oil as affected by unsaponifiable matters of bene hull oil(BHO)and tertiary-butylhydroquinone(TBHQ)during deep-fryingJ.Food Chemistry,2010,122(1):381385.7 REJEB I B,ARDUINI F,ARVINTE A,et al.Development of a bio-electrochemical assay for AFB1 detection in olive oil.J.Biosensors and Bioelectronics,2009,24(7):19621968.8 BERGHIAN-GROSANC,MAGDAS D A.Raman spectroscopy and machine-learning for edible oils evaluationJ.Talanta,2020,218(prepublish):121176.9 黎远鹏.基于拉曼光谱法的食用油定性鉴别与掺伪含量检测研究D.暨南大学，2016.10 LONG D A.Characterization of Chemical Purity:Raman spectroscopyM.Butterworth,1971:149161.11 KNEBL A,YAN D,POPP J,et al.Fiber enhanced raman gas spectroscopyJ.TrAC Trends in Analytical Chemistry,2018(103):230238.12 KNEBL A,DOMES C,DOMES R,et al.Hydrogen and C2C6 Alkane sensing in complex fuel gas mixtures with fiber-enhanced Raman spectroscopyJ.Analytical Chemistry,2021,93(30):1054610552.13 WANGJ,CHENW,WANGP,et al.Fiber-enhanced Raman spectroscopy for highly sensitive H2 and SO2 sensing with a hollow-core anti-resonant fiberJ.Optics Express,2021,29(20):3229632311.14 AZKUNEM,FROSCHT,ARROSPIDEE,et al.Liquid-core microstructured polymer optical fiber as fiber-enhanced Raman spectroscopy probe for glucose sensingJ.Journal of Lightwave Technology,2019,37(13):29812988.15 YAND,FROSCHT,KOBELKEJ,et al.Fiber-enhanced Raman sensing of cefuroxime in human urineJ.Analytical Chemistry,2018,90(22):1324313248.16 陶少华，刘国根.现代谱学M.北京：科学出版社，2015.17 杨序刚，吴琪琳.拉曼光谱的分析与应用M.北京：国防工业出版社，2008.18 HUANG G B,ZHOU H,DING X,et al.Extreme learning machine for regression and multiclass classificationJ.IEEE Transactions on Systems Man&Cybernetics Part B,2012,42(2):513529.19 彭恒，候华毅，陈相柏.三种不饱和脂肪酸的拉曼光谱及 DFT计算快速鉴别方法的研究J.武汉工程大学学报，2018,40(6):597600.20 杨坤，褚昆昆，朱祥，等.几种典型食用油脂拉曼光谱分析研究J.粮食与油脂，2015,28(11):5658.（编辑：张文杰）（上接第 61 页）5 STEINER W.An evaluation of SMT-based schedule synthesis for time-triggered multi-hop networksC/Proceedings of the 2010 31st IEEE Real-Time Systems Symposium.San Diego,California,USA,2010:375384.6 WISNIEWSKI L.New methods to engineer and seamlessly reconfigure time triggered Ethernet based systems during runtime based on the PROFINET IRT exampleM.Berlin,Germany:Springer Berlin Heidelberg,2017.7 POZO F,RODRIGUEZ-NAVAS G,STEINER W,et al.Period-aware segmented synthesis of schedules for multi-hop time-triggered networksC/2016 IEEE 22nd International Conference on Embedded and Real-Time Computing Systems and Applications(RTCSA).Daegu,Korea(South),2016:170175.8 NGUYEN-DUY H,NGO-QUYNH T,KOJIMA F T,et al.RL-TSCH:A reinforcement learning algorithm for radio scheduling in TSCH 802.15.4eC/2019 International Conference on Information and Communication Technology Convergence(ICTC).Jeju,Korea(South),2019:227231.9 张涛，张文涛，代凌，等.基于序贯博弈多智能体强化学习的综合模块化航空电子系统重构方法J.电子学报，2022,50(4):954966.10 BHATIA A,HANSDAH R C.RD-TDMA:A randomized distributed TDMA scheduling for correlated contention in WSNsC/International Conference on Advanced Information Networking&Applications Workshops.Victoria,BC,Canada,2014:378384.11 罗庆，张涛，单鹏，等.基于改进 Q 学习的 IMA 系统重构蓝图生成方法J.航空学报，2021,42(8):327336.12 ZHANG T,CHEN J,LV D,et al.Automatic generation of reconfiguration blueprints for IMA systems using reinforcement learningJ.IEEE Embedded Systems Letters,2021,13(4):182185.13 JIA H,JIANG Y,ZHONG C,et al.TTDeep:Time-triggered scheduling for real-time Ethernet via deep reinforcement learningC/2021 IEEE Global Communications Conference(GLOBECOM).Madrid,Spain:IEEE,2021.14 何锋，李二帅，周璇，等.机载网络时间触发通信调度设计优化与评价方法J.航空学报，2021,42(7):414426.15 李浩若，何锋，郑重,等.基于强化学习的时间触发通信调度方法J.北京航空航天大学学报，2019,45(9):18941901.16 DOLE K,GUPTA A,KOMP J,et al.Event-triggered and time-triggered duration calculus for model-free reinforcement learning C/2021 IEEE Real-Time Systems Symposium(RTSS).Dortmund,DE,2021:240252.（编辑：张利芳）