近红外光谱技术结合宽度学习系统识别国外奶粉产地

目的 利用近红外光谱技术对国外奶粉进行产地识别。方法 采集荷兰、新西兰、澳大利亚、德国、法国、英国和爱尔兰7个国家55个奶粉样品的近红外光谱,经过数据预处理、主成分分析降低数据维度和特征筛选,构建基于宽度学习系统（Broad Learning System,BLS）的奶粉产地快速识别模型。结果 采用多元散射校正加Savitzky-Golay滤波的预处理效果最好,与未做预处理相比,准确率提高14.55 %,主成分特征数大于38,识别效果最稳定,实验中还研究BLS主要参数对识别准确率的影响,可以指导参数选择。对荷兰、新西兰、澳大利亚和欧洲其它产地4类产地识别,测试准确率达到100.0 %,对样本做7类产地识别,准确率达到81.18 %。相同条件下,与支持向量机方法对比,4类产地识别,BLS方法准确率比支持向量机方法高9.10 %,7类产地识别,两者准确率相同。结论 本文提出的基于BLS的方法可以较好实现国外奶粉产地识别,为奶粉产地快速识别提供了新思路。     

近红外光谱技术对加工后鸡肉产地溯源的研究

本文选择来自昌邑新昌、牟平仙坛、莱阳春雪、亚太中慧四个产地,不同厂家的180只同鸡龄同部位鸡肉样本,分别采用蒸、煮、微波三种方式加工后,经预处理粉碎过筛,利用安全、快速的近红外光谱技术,对不同产地的鸡肉样本进行近红外扫描并对所采集的近红外光谱进行聚类分析(CA)、主成分分析(PCA),针对三种加工方式分别建立鸡肉产地溯源的定性判别模型,以探究加工后鸡肉产地溯源的可行性。试验表明:在波数范围7000~4000 cm-1内,原始光谱经二阶求导(13点平滑)和矢量归一化(SNV)预处理后,经三种方式加工后鸡肉的近红外光谱图均有显著差异,其中聚类分析判别正确率均高于90%,鸡肉样本的主成分空间分布位于不同的区域。利用来自四个厂区的独立样本经相同处理后对模型进行验证,识别正确率可达90%~95%。近红外光谱分析技术对加工鸡肉制品的产地溯源具有可行性。     

基于近红外光谱技术的茶叶新旧鉴别及产地溯源研究

摘 要：目的 建立基于近红外光谱的定性分析模型,实现对茶叶的新旧分类和产地溯源。方法 首先采用傅里叶近红外光谱仪采集茶叶样品的漫反射光谱数据,然后使用SG平滑算法（savitzky-golay smoothing, SG）和数据标准化（normalization）对光谱数据进行预处理,最后基于遗传优化算法（genetic algorithem, GA）和粒子群优化算法（particle swarm optimization, PSO）分别建立了优化向量机模型（support vector machine, SVM）,从而实现新旧茶叶的分类以及产地溯源。结果 与GA-SVM模型相比,PSO-SVM模型的建模效果较好,且分类时间更短,在新旧鉴别和产地溯源实验中都达到了100%的预测精度。结论 基于近红外光谱建立的PSO-SVM模型可以实现茶叶新旧的判别以及产地溯源,为鉴别茶叶年份和追踪茶叶产地提供了理论支撑和技术指导。     

利用可见/近红外光谱技术对小米产地进行溯源研究

目的利用可见/近红外光谱技术对产自不同地区的晋谷21号小米进行溯源研究。方法使用近红外光谱仪获取产自洪洞、浮山、沁县3个不同地区的晋谷21号小米400~1004nm波段范围内的漫反射光谱;对光谱分别进行多元散射校正法(multiple scattering correction,MSC)、一阶导数法(first derivative,1St-D)预处理;对预处理光谱进行主成分分析,全交叉验证确定最佳主成分数量,获取主成分;同时选择预处理光谱特征波长。使用马氏距离法、线性判别法建立判别模型,最后用未知样品的验证准确率来表示模型的判别效果。结果原始光谱和MSC处理光谱提取特征波长分别建立的产地判别模型对3个不同产地的小米判别完全准确;1St-D处理光谱基于7个主成分结合马氏距离法和基于9个主成分结合线性判别法建立的2种判别模型对3个不同产地的小米亦实现完全准确判别。结论可见/近红外反射光谱技术用于小米产地的判别具有可行性,本研究可为小米产地的快速判别应用中提供技术基础。     

近红外光谱技术对圆枣产地的判别分析

采用近红外高光谱成像系统对3类不同产地的圆枣进行判别分析,快速鉴别圆枣产地。应用近红外高光谱获取3类圆枣样本的光谱数据,对光谱采用标准正则变换(SNV)方法预处理,从原始光谱数据中提取特征波长,并建立全波段与特征波段下的线性判别模型来判别3类圆枣的产地。结果表明,近红外光谱结合线性判别法对圆枣产地鉴别的特征波段模型可有效替代全波段模型,模型准确率均大于99%,为实现农产品产地鉴别和自动分类提供理论依据。     

基于NIR和PLS-DA法的东北大米产地快速溯源方法研究

鉴于市场上东北大米掺伪和假冒现象频发,本研究将近红外光谱技术与PLS-DA判别法相结合用于东北大米产地快速溯源。实验共收集75份大米样本(52份东北产地大米,23份非东北产地大米),按照4∶1的比例随机划分得到训练集样本60份和测试集15份。为消除品种、颗粒形态等对近红外光谱和产地鉴别的影响,实验比较多种光谱预处理方法,并根据相关系数值确定了矢量归一化为首选的预处理方法;将矢量归一化预处理后的光谱按照吸收峰分4个区间分别建立东北大米产地PLS-DA模型,其中4 000～5 500cm~(-1)谱区建立产地溯源模型,训练集准确率可达93.33%,测试集准确率为86.67%。实验结果表明,近红外光谱与PLS-DA法结合在东北大米产地快速溯源技术领域有着光明的应用前景。     

近红外光谱技术在肉类定性鉴别中的研究进展

近红外光谱技术作为新型的快速绿色检测技术,在肉类工业中得到了广泛的应用。本文综述了近红外光谱技术在肉类定性鉴别中的研究进展,主要包括在肉的等级鉴别、品种鉴别、物种鉴别以及产地溯源、饲喂方式中的鉴别研究。肉的等级一般人工分为RFN、PFN、PSE、RSE四类,近红外光谱对肉的等级鉴别正确率在80%以上;对于同一物种不同品种肉的研究主要是在猪肉、牛肉上,主要通过多元定量校正方法或判别分析法来鉴别同一物种不同品种、不同年龄阶段的肉,且鉴别正确率大于95%;在不同物种之间的鉴别主要应用于鉴别猪肉、羊肉、牛肉、鸡肉等不同物种以及掺假肉,鉴别正确率在90%以上;在产地溯源、不同饲喂方式之间的鉴别,能够正确鉴别牧草和浓缩料饲喂的羔羊、母羊和人工饲喂的羔羊、不同地区的牛肉以及羊肉的产地溯源等,鉴别正确率大于83%。综上所述,近红外光谱在肉类定性鉴别中可行。     

基于FT-NIR和电子鼻的苹果水心病无损检测

探讨傅里叶变换近红外光谱技术和电子鼻技术应用于苹果水心病检测的可行性。以277?个“秦冠”水心病苹果和健康苹果为试材,分别采集每个样本在12?000～4?000?cm－1波数范围的近红外光谱和10?个传感器的电子鼻信号,用不同预处理的近红外光谱方法提取主成分建立Fisher判别模型;同时电子鼻结合3?种化学计量学的方法进行建模。结果表明,经一阶导数（9?点平滑）预处理的近红外光谱,提取前20?个主成分建立的Fisher判别模型效果最好,对未知样本的正确判别率达100%;电子鼻分别结合Fisher判别、多层感知器神经网络和径向基函数神经网络判别模型对未知样本的识别率为89.7%、89.5%和85.7%。故利用近红外光谱和电子鼻技术分别结合化学计量学的方法可快速、无损检测苹果的水心病。其中,近红外光谱技术结合Fisher判别对苹果水心病的识别率最高,是一种准确可靠的测定方法。     

不同月龄乌珠穆沁羊肌纤维类型与肉品质的变化分析

利用可见/近红外高光谱(400 nm～1 000 nm)成像技术实现对荷斯坦奶牛、秦川牛、西门塔尔牛、安格斯牛、力木赞牛5个品种牛肉进行快速无损判别。首先对原始光谱进行预处理,并利用光谱-理化值共生距离法(sample set partitioning based on joint X-Y distance,SPXY)法划分样本集;结合偏最小二乘判别模型(partial least squaresdiscrimination analysis,PLS-DA),K最近邻(K-nearest neighbor,KNN)模型和径向基函数-支持向量机(radial basis function-support vector machine,RBF-SVM)模型进行全波段及特征波段判别分析。结果表明,一阶导数(first derivative,FD)法为最优预处理方法;基于RBF-SVM法所建模型的校正集与预测集准确率分别为100%、99%。可见,基于高光谱成像技术能够获得较好的牛肉品种判别效果。     

基于近红外光谱技术的鸡肉产地溯源

采用近红外光谱技术对辽宁大连、河北遵化、潍坊坊子、潍坊昌邑、潍坊诸城5个产地的100个鸡肉样本进行扫描,对这些样本的近红外光谱进行主成分分析、聚类分析,建立了鸡肉产地溯源的定性判别模型。试验结果表明:在全光谱范围(780~2 500 nm)内,经二阶求导(13点平滑)和矢量归一化(standard normal variate,SNV)预处理后,5个地区鸡肉的近红外光谱图有显著差异,鸡肉样本的主成分空间分布位于不同的区域,聚类分析树状图中不同产地也各自聚为一类。利用来自5个产区的30个独立样本对模型进行验证,识别率和拒绝率均为100%。此结果表明近红外光谱分析技术可准确、快速追溯鸡肉的产地来源。