近红外与表面增强拉曼光谱融合技术快速检测花生油中黄曲霉毒素B1

目的 在近红外光谱(near infrared spectroscopy, NIR)与表面增强拉曼光谱(surface-enhanced Raman spectroscopy, SERS)特征层数据融合的基础上构建偏最小二乘回归模型(partial least squares regression, PLSR)实现花生油中黄曲霉毒素B1 (aflatoxin B1, AFB1)含量的快速检测。方法 首先，分别采集待测样本的NIR与SERS光谱。其次，将采集的NIR与SERS光谱分别进行光谱预处理。然后，采用基于希尔伯特-施密特独立准则的变量空间迭代优化算法(Hilbert-Schmidt independence criterion based variable space iterative optimization, HSIC-VSIO)分别筛选NIR与SERS光谱的特征变量。最后，将筛选的特征变量进行融合并构建PLSR模型用于定量检测花生油中AFB1含量。结果 与NIR光谱数据、SERS光谱数据以及NIR与SERS光谱直接融合数据构建的PLSR模型相比，NIR与SERS光谱特征层融合数据构建的PLSR模型具有最佳的预测性能：校正集均方根误差(root mean squared error of calibration set, RMSEC)为0.1569，校正集决定系数(coefficient of determination of calibration set, )为0.9908，预测集均方根误差(root mean squared error of prediction set, RMSEP)为0.1827，预测集决定系数(coefficient of determination of prediction set, )为0.9854，性能偏差比(ratio of performance to deviation, RPD)为8.2761。将本方法与标准方法分别检测真实含有AFB1的花生油样本，结果表明两者的检测性能无显著性差异(P=0.84>0.05)。结论 本方法可实现花生油中AFB1含量的快速、高精度定量检测，也验证了NIR与SERS光谱融合的可行性与有效性。     

拉曼光谱与中红外光谱融合技术快速定量食用酒精的乙醇浓度

目的? 利用拉曼光谱与中红外光谱的数据融合技术实现对食用酒精乙醇浓度（酒精度）的快速定量检测。方法? 首先,分别采集不同浓度食用酒精水溶液的拉曼光谱与中红外光谱。其次,采用多元散射校正(multiplicative scatter correction, MSC)、卷积平滑(Savitzky-Golay, S-G)、一阶求导的方法对原始数据进行预处理。然后,基于自举软缩减法(bootstrapping soft shrinkage, BOSS)和无信息变量消除算法(uninformative variable elimination, UVE)分别对预处理后的光谱数据进行特征提取,并利用X-Y距离样本集划分法(sample set partitioning based on joint x-y distance, SPXY)将光谱数据划分为校正集和预测集。最后,建立基于拉曼光谱－中红外光谱数据融合的偏最小二乘（partial least squares regression,PLSR）食用酒精乙醇浓度预测模型,并利用麻雀搜寻算法优化的混合核极限学习机算法（SSA-HKELM）提升预测性能,实现对不同浓度食用酒精的快速、准确定量检测。结果? 与拉曼光谱数据、中红外光谱数据以及中红外与拉曼光谱的数据层融合构建的预测模型相比,中红外光谱与拉曼光谱特征层融合数据构建的预测模型具有更好的预测性能。其中,最优模型的校正集均方根误差(root mean squared error of calibration set, RMSEC)为0.98314,校正集决定系数(coefficient of determination of calibration set, Rc2)为0.99634,预测集均方根误差(root mean squared error of prediction set, RMSEP)为1.03256,预测集决定系数(coefficient of determination of prediction set, Rp2)为0.99036。结论? 中红外光谱与拉曼光谱特征层融合预测模型可以实现对不同浓度食用酒精的高效定量检测,为食用酒精的质量检测提供了有效的理论支持与技术保障。     

拉曼光谱结合距离匹配法快速鉴别掺伪食用油

以农贸市场购买的散装问题油为掺伪物,采用大豆油和玉米油为简单背景制备掺伪样本65份,采用4类食用调和油为复杂背景制备掺伪样本40份,收集市售合格食用植物油样本27份。按样本数3∶1划分建模集和校验集,采用拉曼光谱和距离匹配法分别建立简单背景和复杂背景的食用油掺伪快速定性识别模型:在简单背景掺伪下采用全谱建模预测可得真样本识别率为85.7%,伪样本识别率为94.1%,总识别率为91.7%;在复杂背景掺伪下经谱区挑选优化建模预测可得真样本识别率为87.5%,伪样本识别率为100%,总识别率为94.4%。试验结果表明拉曼光谱结合距离匹配法能简单、有效、快速地检测食用植物油是否掺伪。     

利用特征波段提取及结合机器学习对小米淀粉的高光谱检测研究

运用高光谱检测技术实现小米淀粉的快速检测在小米定级、定价及降低加工成本中具有重要意义。本研究基于高光谱检测技术,采用化学计量学及机器学习相关知识对小米直链、支链淀粉含量进行检测,并提出特征波段提取联用预处理方法及Logistic结合COOT （coot optimization algorithm）优化算法。结果表明采用特征波段提取联用算法建立的PLSR（partial least squares regression）模型能够在减少波段冗余情况下不影响模型预测精度,其中直链淀粉较好模型为MSC（multiplicative scatter correction）-RF（random frog）-IRIV（iteratively retains informative variables）-PLSR,支链淀粉较好模型为MSC-CARS（competitive adaptive reweighted sampling）- IRIV-PLSR。为了进一步提高模型预测精度,基于最佳预处理算法结合Logistic-COOT建立BP（back propagation）预测模型能够较好的预测小米直链、支链淀粉的含量,模型评价直链、支链淀粉相关系数 (correlation coefficient, R)、均方根误差(root mean squared error, RMSE)、相对分析误差(relative percent deviation, RPD)分别为0.74,1.19,1.51;0.72,5.25,1.40。这一结论能够为小米其他营养成分的高光谱检测及产品分类、定级等提供理论参考。     

基于近红外光谱的茶叶高氯酸盐污染水平研究

目的 建立一种基于近红外光谱（near-infrared spectroscopy,NIR）分析技术快速定量茶叶中高氯酸盐污染水平的预测模型。方法 采集不同产地的91份茶叶干样,通过傅里叶变换近红外光谱扫描获得样品的近红外漫反射光谱,使用液相色谱质谱法测定茶叶样品中的高氯酸盐含量,以参考量限0.75 mg/kg为标准将样品分为两类;利用偏最小二乘判别分析（partial least squares-discriminant analysis, PLS-DA）建模建立高氯酸盐含量范围的预测模型,同时使用一阶导（1st）、连续小波变换（continuous wavelet transform, CWT）、多元散射校正（multiplicative scatter correction,MSC）、标准正态变换（standard normal variate,SNV）等光谱预处理和竞争自适应重加权（competitive adaptive reweighted sampling,CARS）采样波长筛选技术对判别模型进行优化,最后通过预测集样品对模型进行验证。结果 使用原始光谱建立的模型能够初步实现对高氯酸盐含量范围的预测,而使用光谱预处理扣除光谱中的背景信息,结合MSC和CARS方法共同处理后,模型的预测正确度显著改善,误判样品下降至3个,预测正确率提高至88.5%。结论 本方法表明近红外光谱技术可以为茶叶中高氯酸盐污染水平分析提供一种新方法,对茶叶产业高质量发展具有重要的实际意义。     

运用拉曼近红外光谱融合技术快速鉴定植物油的种类

正我国对植物油消费水平日益提高,因此要求对植物油的质量监管的力度要到位,本文将针对利用拉曼光谱和近红外光谱融合技术对植物油的种类进行快速高效精准的鉴定,并结合分析植物油种类鉴定的SVC模型研究技术,对更好地预测植物油的鉴定模型,严格执行好我国植物油种类鉴定检测标准提供借鉴。样品光谱采集与光谱分析样品光谱采集运用拉曼近红外光谱融合技术快速鉴定植物油时,应首先对植物油进行样品光谱的采集,采集植物油样品的光谱仪是     

高光谱结合优化算法的多品种高粱混合的淀粉含量检测

高粱作为一种酿酒原料,其不同混合比例配比的高粱的淀粉含量会影响白酒的品质和产量。因此,准确高效地检测混合高粱中的淀粉含量对获得优质高产的白酒具有重要意义。本文基于可见光高光谱成像技术研究了混合高粱中的淀粉含量的快速检测方法。采用不同预处理方法对高粱样本的光谱数据进行预处理,并建立偏最小二乘法回归（partial least squares regression, PLSR）模型来确定最佳预处理方式。使用主成分分析（principal component analysis,PCA）、PLSR算法分别提取高粱样本的光谱特征。基于全波长和光谱特征分别建立了预测高粱淀粉含量的遗传算法-BP神经网络（genetic algorithm-back propagation neural network, GA-BPNN）和粒子群算法-支持向量机回归(particle swarm optimization -support vector regression, PSO-SVR)模型。对比模型性能发现,采用PCA方法提取的光谱特征建立的GA-BPNN模型最优,其直链淀粉的预测决定系数、预测均方根误差分别为0.992 2、0.041 6,支链淀粉的预测决定系数、预测均方根误差分别为0.151 9,0.933 6。研究结果表明,可见光高光谱成像技术结合优化算法可以快速预测不同混合比例配比下高粱的淀粉含量,为检测高粱的淀粉含量提供了一种新的方法。     

拉曼光谱结合模拟退火的小麦粉灰分含量检测

针对当前小麦粉中灰分的检测方法测量周期长,且手工操作复杂,容易产生误差的问题,研究提出采用拉曼光谱技术,结合5种光谱预处理方法和模拟退火算法进行波数筛选两方面优化小麦粉中灰分的拉曼光谱模型。实验结果中,卷积平滑SG(17)+标准正态变换(SNV)+模拟退火(SAA)的优化方式效果最优,相关系数(R~2)为0.9875,均方根误差(RMSEC)和预测均方根误差(RMSEP)分别为0.0161和0.15,相对分析误差(RPD)高达8.1679,模型稳健性参数良好。研究结果表明,在模型待测组分浓度与波数相关性以及模型预测准确性方面展现了自身的优越性,该方法简单实用,快速准确,有望将此技术扩展应用于整个食品行业。     

基于近红外光谱的猪肉蛋白质及脂肪含量检测

蛋白质及脂肪是猪肉的重要营养成分。随着人们对饮食健康的要求越来越高,对猪肉蛋白质及脂肪含量快速检测也成为必然。通过近红外光谱技术对猪肉进行光谱数据采集,将光谱数据分为校正集样本和预测集样本,然后,在MATLAB中利用多元散射校正(MSC)与均值中心化相结合的方法进行光谱预处理并采用联合区间偏最小二乘方法(SiPLS)获得猪肉蛋白质及脂肪含量与光谱数据特征之间的对应关系,从而定量分析猪肉蛋白质及脂肪含量。实验结果表明,建立的SiPLS检测脂肪及蛋白质含量预测模型的最优组合分别为划分为20个光谱区间并联合4个子区间和9个主成分因子,和划分19个光谱区间并联合4个子区间和10个主成分因子。其预测集的相关系数分别为0.9798、0.9788,交互验证均方根误差分别为0.228,0.241。研究结果表明,利用近红外光谱结合SiPLS算法可以快速准确检测猪肉蛋白质与脂肪含量。     

高光谱成像技术结合优化算法窖泥总氮含量的预测

窖泥的总氮含量是窖泥质量评价的指标之一,其常规检测方法周期长且具有破坏性。为实现窖泥总氮含量的快速无损检测,提出了高光谱成像技术（HSI）结合优化算法的窖泥总氮含量的检测方法。首先,使用不同的预处理方法对可见光（Vis）光谱数据进行处理,并建立偏最小二乘回归（PLSR）模型,通过比较模型性能确定了最佳预处理。其次,综合比较了采用全光谱波长、竞争性自适应重加权采样（CARS）算法、连续投影算法（SPA）和CARS与SPA(CARS-SPA)联用策略方法优选特征波长,并作为PLSR和最小二乘支持向量机（LS-SVM）模型输入变量,研究对各模型性能的影响。最后,基于最优模型实现了窖泥样本的总氮含量可视化,直观反映不同层级的总氮含量差异。结果表明,标准正态变量变换（SNV）方法预处理后建立的PLSR模型预测总氮含量最好;CARS-SPA联用策略方法优选特征波长较其他两种方法好,且其建立的LS-SVM模型的预测性能最佳（预测集决定系数Rp2=0.987 6、预测均方根误差（RMSEP）=0.013 8 g/100 g）。高光谱成像技术结合优化算法可以快速、无损检测窖泥总氮含量,为窖泥中总氮含量检...     

基于近红外光谱的大米蛋白质含量快速检测

针对国标化学检测方法耗时耗力、成本昂贵的问题,分析了近红外光谱（NIRS）结合化学计量学进行大米蛋白质含量检测的可行性。基于变量选择、特征提取和非线性建模的策略,将反向区间偏最小二乘（BiPLS）与主成分分析（PCA）和支持向量机（SVM）相结合,构建了BiPLS-PCA-SVM模型,用于提高蛋白质回归模型的性能。在BiPLS-PCA-SVM模型中,将蒙特卡罗交叉验证与预测残差平方和相结合进行最佳主成分个数的选择,通过遗传模拟退火算法对模型参数进行优化。为了评估BiPLS-PCA-SVM模型的性能,建立了Full-PLS、BiPLS和BiPLS-SVM 3种模型,并系统分析了上述模型的预测精度和鲁棒性。BiPLS-PCA-SVM模型在预测蛋白质含量方面显示的性能高于其他模型,使用最佳主成分和优化后的SVM参数建立的模型具有更高的鲁棒性和准确性。对于BiPLS-PCA-SVM模型,验证集的决定系数、均方根误差和剩余预测偏差分别为0.928 9、0.196 7%和4.024 6。结果表明,NIRS与BIPLS-PCA-SVM模型相结合,可作为替代策略实现大米中蛋白质含量的快速检测。     

近红外光谱快速检测食用植物油中酸价

建立基于近红外光谱的食用植物油中酸价现场快速测定方法。方法 将食用植物油作为主要研究对象,采用冷溶剂指示剂滴定法检测371个食用植物油样本的酸价,并进行近红外光谱采集。经过标准正态变换结合一阶导数对近红外光谱进行数据预处理,选用竞争性自适应重加权采样算法选取重要变量,建立食用植物油酸价的偏最小二乘回归模型。结果 蒙特卡洛交互验证结果显示,食用植物油酸价预测模型的验证集决定系数Q2为0.9983,交互检验的均方根误差(Root Mean Square Error of Cross Validation, RMSECV)为0.0461 mg/g, 独立测试集验证所得到的酸价预测值与实测值决定系数R2为0.9834,食用植物油预测效果良好。结论 基于近红外光谱的检测方法能够预测食用植物油的酸价,为评价食用油品质优劣提供快速无损的技术思路。     

高光谱成像技术预测香葱贮藏品质

香葱是一种保质期很短的重要调味食品,水分与叶绿素是评估香葱采后品质的重要指标。本文旨在使用无损检测技术获取香葱在采后不同存储条件下的水分及叶绿素分布情况。实验采用高光谱成像技术获取431~962 nm波段的香葱反射光谱数据,通过卷积平滑（SG）、多元散射校正（MSC）、标准正态变异（SNV）三种预处理方法对原始光谱进行相应转换,并分别建立水分和叶绿素含量预测模型,比较模型预测精度后,选用降噪效果最好的MSC作为光谱预处理方法。随后使用竞争自适应加权采样算法分别选出11个和20个特征波段用于水分与叶绿素含量的预测。基于优选特征波段,利用偏最小二乘回归算法和支持向量机回归算法建立水分和叶绿素含量的预测模型。所建水分与叶绿素含量预测模型的最高预测决定系数分别达到0.9046和0.9143。最后根据所建模型取得不同存储条件下香葱水分及叶绿素含量分布图。综上,高光谱成像技术可用于快速无损检测香葱水分及叶绿素分布情况。本研究为后续便携式果蔬水分及叶绿素分布检测仪器的开发提供了理论依据。     

基于拉曼光谱和CNN算法的特级初榨 橄榄油的掺假量化

旨在为特级初榨橄榄油掺假快速定量分析提供参考,以掺假菜籽油的特级初榨橄榄油为例,采用激光拉曼光谱实验系统获取油样的拉曼光谱数据,运用基于Inception V2结构的卷积神经网络（CNN）算法提取拉曼光谱特征并完成光谱特征与掺假量的非线性关系映射。结果表明：特级初榨橄榄油与菜籽油的拉曼光谱存在较大的差异,其中类胡萝卜素、碳碳双键、甲基和亚甲基产生的拉曼特征峰是引起差异的主要因素;所建立的CNN模型效果较好,训练集、验证集、测试集的决定系数均大于099,均方根误差均小于0.026;在低剂量掺假中,模型的预测结果仍具有一定的参考价值。综上,拉曼光谱结合基于Inception V2结构的CNN算法所建立的模型可以满足特级初榨橄榄油掺假量的快速检测。     

基于可见/近红外光谱预测枇杷糖度及模型优化

为实现枇杷糖度的快速无损检测,并探究开阳枇杷糖度最优预测模型。首先利用光纤光谱仪获取开阳枇杷的反射光谱,分析比较标准正态变换和多元散射校正方法对原始光谱数据的预处理效果;然后基于原始全光谱和预处理后的全光谱数据分别构建预测开阳枇杷糖度的偏最小二乘回归和主成分回归模型;最后,采用连续投影算法和竞争性自适应重加权算法（competitive adaptive reweighted sampling, CARS）筛选特征光谱,并基于特征光谱构建预测开阳枇杷糖度的多元线性回归（multi linear regression, MLR）模型。结果表明,采用CARS算法从785个全光谱中筛选了23个特征波长,不仅提升了预测模型的运算效率,而且建立的CARS-MLR模型具有最佳的校正性能（R_C=0.89,RMSEC=0.62）和预测性能（R_P=0.89,RMSEP=0.65,RPD=2.29）。这表明利用可见/近红外光谱技术结合化学计量学预测开阳枇杷糖度是可行的,且CARS-MLR模型相对最优,为枇杷品质的无损快检和分选提供了理论依据与技术基础。     

基于近红外光谱技术的腐竹脂肪定量分析

采用近红外光谱技术结合化学计量学方法,建立腐竹脂肪含量的快速分析方法。收集不同生产线、不同时间的腐竹样本180 份,利用积分球附件采集漫反射光谱（4 000～10 000 cm－1）。为消除颗粒散射影响和光谱基线漂移,二阶导数和卷积平滑用于光谱预处理。采用反向区间偏最小二乘法、组合区间偏最小二乘法、搜索组合移动窗口偏最小二乘法和遗传偏最小二乘法优化建模变量,最终构建了定量预测模型。结果显示,4 种方法均可有效地提取信息变量、降低模型维度、提高预测性能;遗传偏最小二乘法一次优选获得143 个变量,构建的模型性能最佳,其校正相关系数、校正均方根误差、预测相关系数、预测均方根误差分别为0.96、0.95、0.92和1.17。研究表明,经过信息变量提取后所构建的近红外模型简单、预测精度高,可用于腐竹脂肪含量的日常监测。     

间隔连续投影算法应用于近红外光谱苹果糖度模型的优化

目的采用一种改进的连续投影算法(successive projection algorithm,SPA)筛选光谱区间变量,优化苹果近红外光谱模型。方法试验以半透射方式无损地获取134个苹果的光谱信息,再以标准方法破坏性检测其内部糖度指标,在光谱信息与糖度指标之间构建定量模型。区间连续投影算法(intervals SPA, iSPA)是根据各光谱区间之间的投影关系,选择那些具有共线性小的区间变量来构建偏最小二乘模型(partial least square,PLS)。尝试以全区间光谱划分的间隔数量从5到60,步长为5,以优化共线性小的间隔组合。结果当划分为20个间隔时,构建的PLS模型相比于其他划分间隔时的模型,具有较小的交互验证均方根误差和较少的入选变量,此时对预测集的预测均方根误差为0.521,优于常规连续投影算法线性回归和全区间PLS模型的预测性能。结论区间连续投影算法可用于光谱区间变量的筛选,结合偏最小二乘法可提高模型的预测性能。     

模拟退火算法用于食醋总酸含量近红外光谱模型的波数点优选

为优选食醋总酸对应的特征波长并提高模型的预测精度,采用模拟退火算法优化窗口宽度和特征波数点,并结合偏最小二乘法建立食醋总酸光谱模型。在全国范围内收集90个不同品牌的食醋样本,用近红外光谱仪采集近红外光谱数据(波数4000～10000cm-1)和常规理化分析方法检测总酸含量。采用模拟退火算法共优选出17个总酸特征波数点,结合样本总酸含量建立偏最小二乘光谱模型,模型对应的预测集相关系数为0.9210,优于全光谱偏最小二乘法和区间偏最小二乘法对应的预测效果。结果表明,近红外光谱技术结合模拟退火算法能够快速预测食醋中总酸含量。     

麻雀搜索算法优化BP算法结合高光谱预测小米米粉糊化特性

为了实现小米米粉糊化特征指标的批量、快速检测,探索计算机深度学习结合高光谱成像技术在小米米粉糊化特征指标预测方面的应用方法,本研究运用高光谱数据提取、预处理分步运算程序获得小米米粉平均光谱数据,并以该数据矩阵为基础,运用麻雀搜索算法（sparrow search algorithm,SSA）优化误差反向传播（error back propagation,BP）算法进行待测样品糊化特征指标回归、预测。结果表明,光谱数据预处理程序能够标准化并简化光谱数据提取、预处理过程,该程序在粉末及小颗粒样本光谱数据的提取、预处理过程中具有普遍适用性;运用BP算法及SSA优化BP算法对小米米粉糊化各特征指标进行预测,从预测值与测试值间均方误差（mean squared error,MSE）可以看出,各指标MSE均下降,以峰值黏度（peak viscosity,PV）为例,其MSE从0.026 6降为0.017 5,可知运用SSA优化BP算法能够提高小米米粉糊化特征指标预测精度,降低MSE。本研究结论可以为高光谱成像结合计算机深度学习在小米米粉糊化特性预测方面应用提供理论支撑。     

基于近红外光谱和SSA-ELM的苹果糖度预测

目的：剔除近红外光谱存在大量冗余信息以及提高苹果糖度预测模型的精度,建立快速无损检测苹果糖度的方法。方法：提出一种基于小波包变换的特征波长筛选和樽海鞘算法改进极限学习机的苹果糖度预测模型。针对苹果光谱数据具有维度高而复杂的特点,对光谱数据进行降维处理,分别对比全波段和偏最小二乘法、连续投影法和小波包变换等筛选特征波长的结果,确定苹果光谱特征波长筛选方法;针对极限学习机（extreme learning machine,ELM）,模型性能受其初始权值和隐含层偏置选择的影响,运用樽海鞘群算法进行ELM模型的初始权值和隐含层偏置优化,提出一种基于樽海鞘算法改进极限学习机的苹果糖度预测模型。结果：与遗传算法（genetic algorithm,GA）改进ELM（GA-ELM）、粒子群算法改进ELM（PSO-ELM）和ELM相比,基于SSA-ELM的苹果糖度预测模型的预测精度最高。结论：通过智能算法优化ELM模型的参数可以有效提高ELM模型的苹果糖度预测精度。