应用近红外光谱分析判别芝麻油掺伪的研究

研究了应用近红外光谱分析技术快速、准确判别芝麻油有无掺伪的方法。主要利用近红外光谱和主成分分析结合BP人工神经网络法进行了纯芝麻油、纯大豆油、掺有大豆油的掺伪芝麻油的判别研究。试验结果表明,利用BP人工神经网络法将83个校正集样品的10个主成分数据作为BP网络输入变量,建立的三层BP人工神经网络判别模型对26个测试集样品的判别率为96.15%,表明近红外光谱分析方法对纯芝麻油、纯大豆油、掺伪芝麻油具有很好的判别分类作用,该方法能有效判别芝麻油有无掺伪大豆油。     

傅里叶变换红外光谱法鉴别纯核桃油并定量检测掺伪含量

应用傅里叶变换红外光谱(FT—IR)法测定纯核桃油和分别混合大豆油、普洱茶籽油和葵花籽油的掺伪核桃油的红外光谱,结合主成分分析法(PCA)以及马氏距离判别法对核桃油的纯度进行判别,3个判别模型的准确率均达到100%;同时对验证集样品的类归属进行判别,判别准确率达均为100%。结合偏最小二乘法(PLS)定量检测核桃油纯度,建立的PLS校正集模型中核桃油的真实含量与FT—IR预测含量的相关系数R2分别为0.990 8、0.994 4和0.995 5,校正集均方根误差分别为0.032 7、0.023 5和0.019 6。试验结果证明,该方法可以作为核桃油质量监控的快速检测方法。     

近红外光谱结合蒙特卡洛交互验证奇异样本筛选的橄榄油掺伪定性定量分析

采用基于蒙特卡洛交互验证(MCCV)奇异样本筛选的近红外光谱技术结合支持向量机(SVM)对橄榄油掺伪进行定性和定量分析。应用近红外光谱仪采集将大豆油、菜籽油、玉米油、葵花籽油掺入橄榄油中的188个掺伪样本光谱图。采用蒙特卡洛交互验证(MCCV)方法剔除橄榄油掺伪样本光谱数据中的奇异样本,剔除3个奇异样本。利用多元散射校正(MSC)、去趋势技术(DT)、标准正态变量变换和去趋势技术联用算法(SNV-DT)分别对奇异样本筛选前后的掺伪样本光谱数据进行预处理,选择网格搜索算法(GS)对模型参数组合(C,g)进行寻优,确定最优参数组合。应用支持向量机分类(SVC)方法建立掺伪油的品种定性分类校正模型;采用竞争性自适应重加权算法(CARS)选择奇异样本筛选前后的掺伪样本光谱数据的特征变量,应用支持向量机回归(SVR)建立掺伪油含量快速预测的定量校正模型。试验表明,采用MCCV方法剔除奇异样本后,建立的掺伪油品种鉴别模型的预测准确率达到100%,而建立的GS-SVR模型能够快速预测橄榄油掺伪量,特别是建立SNV_DT-CARS-SVR模型的校正集和预测集相关系数R分别达到99.80%、99.13%,均方误差(MSE)分别为0.0142、0.0535,综合性能最好。结果表明,采用激光近红外光谱分析技术可以实现橄榄油掺伪的定性-定量分析。     

基于近红外光谱的大豆水分和粗脂肪含量的快速检测

基于近红外光谱技术快速检测大豆中水分和粗脂肪含量。方法 首先采集350-2500 nm光谱范围的大豆近红外光谱,采用光谱-理化值共生距离（SPXY）算法将大豆样本划分为校正集样本与测试集样本,然后对原始光谱分别采用多元散射校正(MSC)、标准正态变量交换(SNV)、归一化（Nor）等9种方法进行预处理,最后使用偏最小二乘回归(PLSR)分析方法建立模型对样本进行定量分析。结果 原始光谱经过多元散射校正后建立的偏最小二乘回归模型对水分的预测精度最高,其校正集和测试集的相关系数分别为0.8964和0.9055 , 均方根误差分别为0.4211和0.5933;原始光谱经过归一化处理后建立的偏最小二乘回归模型对粗脂肪的预测精度最高,其校正集和测试集的相关系数分别为0.9084和0.9295 , 均方根误差分别为0.6897和0.6462。结论 近红外光谱（NIRS）结合预处理及偏最小二乘回归法,可以快速、准确的检测大豆水分和粗脂肪含量。     

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。     

基于近红外光谱技术的抹茶掺伪定性判别研究

本实验采用近红外光谱技术与主成分分析法结合线性判别分析法(PCA-LDA)和K最邻近法,对抹茶中添加白砂糖、麦芽糊精、桑叶粉、大麦苗粉的现象进行定性判别分析。结果显示,PCA-LDA的定性判别结果优于K最邻近法,纯抹茶与掺伪抹茶、纯抹茶与掺糖抹茶、纯抹茶与掺糊精抹茶、纯抹茶与掺桑叶粉抹茶、纯抹茶与掺大麦苗粉抹茶、4种掺伪抹茶的定性分析模型的校正集识别率为98.3%、100%、91.7%、100%、100%、100%;预测集识别率为96.5%、100%、87.5%、95.8%、90.3%、95.3%。由此可知,通过PCA-LDA建立的定性判别模型准确度和识别率都很好,能够快速、准确的对抹茶中是否掺伪进行定性判别。     

振动胁迫下双孢蘑菇高光谱成像品质检测

为快速有效识别双孢蘑菇轻微损伤,以不同振动时间后不同损伤程度的双孢蘑菇为研究对象,采集400～1 000 nm的完好无损、振动60 s和振动120 s双孢蘑菇的近红外高光谱图像,发现3 种类型的双孢蘑菇在450～750 nm的光谱曲线有明显差异。比较标准正态变量变换、SG（Savitzky-Golay）平滑和多元散射校正等预处理方法,确定SG平滑为最优预处理方法。并将处理后的数据采用连续投影算法和竞争性自适应重加权算法提取不同损伤程度的特征波段;基于灰度共生矩阵提取500 nm波长特征图像感兴趣区域的纹理特征,分别将光谱信息和纹理特征信息作为输入,建立偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）、BP（back propagation）神经网络和极限学习机损伤程度识别模型。结果表明,两种特征集建模,PLS-DA模型均表现出最好的识别效果,PLS-DA模型训练集和测试集平均识别准确率为93.33%、91.11%和88.89%、86.67%。最后基于光谱-纹理融合信息建立PLS-DA模型,训练集和测试集总体识别正确率分别为97.78%、95.56%。结果表明,光谱-纹理融合信息建模预测效果优于单一特征信息建立的判别模型。因此,采用高光谱融合信息建模可以提高不同损伤程度的双孢蘑菇检测精度,为双孢蘑菇贮藏、分类提供理论支撑。     

基于近红外漫反射光谱的面包老化过程中非冻结水含量无损检测

目的 建立一种基于近红外光谱技术快速无损测定面包老化过程中的非冻结水含量的方法。方法 应用近红外漫反射光谱技术采集新鲜面包在放置2h、2d、3d、4d、5d、6d、7d时的光谱，对比导数、S-G平滑(Savitzky Golay smooth)、标准正态变量变换(Standard normal variable transformation，SNV)及多元散射校正(Multiplicative scatter correction，MSC)预处理方法，利用偏最小二乘回归法(Partial least square regression，PLSR)和多元线性回归法（Multiple Linear Regression，MLR）建立面包老化过程中的非冻结水含量的预测模型，并对比两种模型预测结果。结果 利用PLSR建模相较MLR建模结果较好，建立的模型预测结果较好，模型的校正集相关系数（Rc）和均方根误差（RMSEC）分别为0.9386和0.0236 , 验证集相关系数（Rv）和均方根误差（RMSEP）分别为0.9271和0.0245。结论 通过近红外光谱技术结合偏最小二乘法建立面包老化过程中的非冻结水含量模型可作为面包老化过程中的非冻结水含量无损快速测定的可行性方法，其含量变化可以有效预测面包老化，为面包老化的无损检测提供了新的可行方案。     

近红外特征光谱定量检测羊肉卷中猪肉掺假比例

利用近红外漫反射光谱技术结合化学计量学方法对解冻掺假羊肉卷,进行猪肉掺假比例的定量检测研究。按照不同肥肉占比和不同猪肉掺假比例,制备324?个样品,并利用近红外光谱仪采集其光谱数据。对原始数据进行SG（Savitzky-Golay）平滑、SG一阶导、SG二阶导、多元散射校正、中心化、标准正态变量校正等预处理,并利用偏最小二乘回归（partial least square regression,PLSR）进行建模分析,其中SG平滑结合一阶求导预处理的模型预测效果最优。针对最佳预处理光谱采用竞争性自适应加权采样（competitive adaptive reweighted sampling,CARS）算法进行波长筛选,并建立特征波长PLSR模型,模型预测效果得到提高。其中,校正集和验证集决定系数分别为0.983?6和0.972?5,校正集和验证集的均方根误差分别为0.043?7和0.057?7,范围误差比为7.62。应用该CARS-PLSR模型对检验集进行预测,真实值与预测值的相关系数为0.913?8,结果表明采用近红外光谱分析技术可以实现不同肥肉占比羊肉卷中猪肉掺假比例的定量检测。     

气相色谱结合化学计量在核桃油、菜籽油掺伪混合物含量判别分析中的应用

目的：识别核桃油中同时掺入多种其他植物油的多元掺伪。方法：采用气相色谱技术分析核桃油、菜籽油掺伪混合物中脂肪酸含量,结合化学计量方法对气相色谱数据进行建模,并对不同比例核桃油、菜籽油混合物进行判别分析。结果：主成分分析法（PCA）能快速鉴别出纯核桃油和掺伪核桃油,并在一定程度上反映样本的掺伪比例;Bayes判别分析将83.33%的样品归入正确的分类;偏最小二乘判别分析法（PLS-DA）的判别准确率达87.50%;基于BP神经网络模型的判别分析,其训练集的正确率为84.21%,测试集的正确率为80.00%;基于遗传算法优化支持向量机（SVM-ga）的判别分析,其训练集和测试集的正确率均为100%。结论：多种分析模型均能不同程度地识别核桃油、菜籽油掺伪比例,其中SVM-ga模型的预测精度最佳。     

基于挥发性成分定量预测风味茶油掺浸出茶油的偏最小二乘回归模型的建立

为解决在压榨风味茶油掺浸出茶油的定量预测问题,本文设计高/低两个掺伪梯度,基于挥发性成分,运用Python语言构建定量预测压榨风味（原香和浓香）茶油掺浸出茶油的偏最小二乘回归（PLSR）模型。研究结果表明,高掺伪梯度下压榨原/浓香茶油样本的定量鉴别PLSR模型的平均R2值均达到了0.998,平均RMSE值为1.127/1.166,大部分样本的相对误差集中在0~0.1之间;低掺伪梯度下压榨原/浓香茶油样本的定量鉴别PLSR模型的平均R2值达到了0.956/0.999,平均RMSE值为0.592/0.094,大部分样本的相对误差集中在0~0.15/0~0.02之间。本文所构建的PLSR模型定量鉴别压榨风味茶油掺浸出茶油的准确率较高,压榨浓香茶油掺浸出茶油的定量鉴别效果要好于压榨原香茶油。     

葛粉掺假的近红外漫反射光谱快速检测

研究葛粉中掺假红薯淀粉和马铃薯淀粉的近红外漫反射光谱快速检测方法。采集样品的近红外漫反射光 谱,采用主成分回归和偏最小二乘法建立校正模型,并对比光谱预处理方法和光谱建模区间对模型的影响。结果表 明,采用偏最小二乘法建模,光谱采用标准正态变量变换预处理,光谱区间选择在962～1 389 nm时,模型预测效 果最佳,外部验证预测相关系数（RP 2）达0.994 5,均方根误差2.298 7%,相对分析误差13.56,平均回收率99.89% （n=9,RSD=2.96%）,这表明近红外漫反射技术能对葛粉中掺假红薯淀粉和马铃薯淀粉进行有效检测。     

基于粒子群优化算法优化反向传播神经网络构建冷藏草鱼新鲜度的近红外光谱预测模型

目的 构建基于各种机器学习算法结合近红外光谱的模型，从而确定出更准确预测冷藏草鱼新鲜度的方法。方法 采集连续冷藏6 d的草鱼片的新鲜度指标, 并进行方差分析。选择受冷藏天数影响最大的指标: 总挥发性盐基氮(Total volatile basic nitrogen, TVB-N)进行定量预测。运用x-y距离结合的样本划分(sample set partitioning based on joint x-y distance, SPXY)方法进行数据集的划分, 并采用正交信号校正法(orthogonal signal correction, OSC)、Savitzky-Golay (SG)、一阶导数及其组合算法进行光谱预处理。再运用竞争性自适应重加权采样(competitive adaptive reweighted sampling, CARS)、连续投影算法(successive projections algorithm, SPA)、主成分分析(principal component analysis, PCA)对光谱变量进行选择和降维。最后结合偏最小二乘回归(partial least squares regression, PLSR)、反向传播神经网络(back propagation neural network, BPNN)和粒子群优化算法(particle swarm optimization, PSO)优化BP神经网络(PSO-BP)建立草鱼(Ctenopharyngodon idella)片新鲜度定量预测模型。结果 各线性和非线性模型均得到了良好的预测效果, 预测集相关系数均超过了0.95。PLSR表现较为稳定, BP神经网络虽提高了校正集预测性能, 但是预测集性能不如PLSR。PSO-BP既保证了校正集预测性能, 也提高了预测集性能。基于OSC+D1预处理和CARS变量选择后的PSO-BP模型性能最优(R2P=0.987, 预测集的均方根误差为0.108, 相对分析误差为7.778)。结论 基于PSO-BP算法和近红外光谱结合的定量预测模型, 可以很好的预测冷藏鱼肉的新鲜度指标。     

扫描电镜和稳定碳同位素比质谱法鉴别马铃薯淀粉中的掺假玉米淀粉

为有效辨别食用淀粉掺假,运用扫描电镜和稳定碳同位素比质谱技术对马铃薯淀粉中掺假玉米淀粉行为进行定性和半定量鉴别。根据马铃薯淀粉与玉米淀粉在颗粒超微形貌上的明显差别,运用扫描电镜清晰辨别出马铃薯淀粉中掺假的玉米淀粉颗粒。当玉米淀粉的掺假量大于10% 时,根据二者在稳定碳同位素比上的自然显著差异,稳定碳同位素比法不仅能够定性鉴别马铃薯淀粉中的玉米淀粉掺假行为,而且依照给出的公式可以估算出掺假玉米淀粉的含量。本法可作为国内淀粉市场上产品质量监督的检测方法。     

茶油掺伪定性鉴别模型的对比分析

为了解决茶油掺伪其它植物油的掺伪量定量预测问题,本文基于14个特征性脂肪酸和甘油三酯指标,设置高/低两种不同掺伪梯度,运用Python语言构建并对比分析了偏最小二乘回归（PLSR）模型和多元线性回归（MLR）模型用于掺伪茶油掺伪量的定量预测的效果。研究表明,PLSR模型对掺伪茶油的定量预测效果不理想,高掺伪梯度下PLSR模型的平均RMSE值高达1.99,低掺伪梯度下PLSR模型的平均R2值（0.8888）较低,平均RMSE值（0.9066）较高。除了对棕榈油掺伪量的定量预测效果较差外,在高/低掺伪梯度下MLR模型定量预测能力较强,平均R2值达到了0.999873/0.993572,平均RMSE值为0.146/0.136。结果表明MLR模型可用于不同掺伪浓度和梯度下茶油掺伪不同食用植物油脂的掺伪量定量预测问题,效果较好。     

近红外光谱分析技术快速检测藕粉品质

目的 基于近红外光谱技术鉴别不同产地的藕粉样品与检测藕粉的掺假问题。方法 采集不同产地的藕粉样品的近红外光谱,在光谱预处理后采用相关系数法提取特征波长,以提取的特征波长变量构建偏最小二乘法-判别分析(partial least squares discriminant analysis,PLS-DA)、线性判别分析(linear discriminant analysis,LDA)以及支持向量机(support vector machine,SVM)模型,实现对不同产地藕粉的鉴别分析。同时,采集掺假地瓜粉、玉米粉、木薯粉的藕粉样品的近红外光谱,在样品类别已知情况下,运用K-Means聚类分析鉴别3种掺假类型的藕粉样品,在掺假类别未知下,运用基于局部密度判别的聚类算法进行判别。结果 以相关系数法提取的特征波长变量构建的PLS-DA、LDA和SVM三种模型对于不同产地藕粉样品的判别准确率均为100%。对于不同掺假类型的藕粉检测,在样品类别已知情况下,K-Means聚类分析能有效识别出掺假藕粉,识别精度为98.33%。在样品类别未知的情况下,基于局部密度判别的聚类算法可以有效识别出2%掺假率的藕粉样品。结论 近红外光谱技术能实现不同产地莲藕粉的快速鉴别,同时为隐蔽的藕粉掺假鉴别提供一种快速、高效、无损检测的分析方法,为藕粉的质量控制提供一定的理论基础。     

高光谱成像技术结合线性回归算法快速预测鸡肉掺假牛肉

采用近红外高光谱成像技术(900~1700 nm)结合线性回归算法对牛肉掺假快速无损检测。将鸡肉糜掺入牛肉糜中制备牛肉掺假样品,掺假比例为2%~98%(w/w),掺假间隔为2%。采集掺假样品的光谱图像,提取光谱数据,并利用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立掺假样品的定量预测模型。为了减少高维共线性问题,提高模型运算效率,分别采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长建立优化预测模型。结果表明,基于SPA算法结合MLR建模方法得到的掺假牛肉预测模型,其预测效果最优,校正集决定系数(R_C2)和均方根误差(Root mean square error of calibration,RMSEC)分别为0.99和3.23%,验证集的决定系数(R_P2)和均方根误差(Root mean square error of prediction)RMSEP分别为0.97和5.31%,预测偏差(Residual predictive deviation,RPD)为6.82。综上,近红外高光谱成像技术结合线性回归算法可以实现对掺假牛肉的快速无损定量检测。     

Application of mid-infrared spectroscopy with multivariate analysis and soft independent modeling of class analogies (SIMCA) for the detection of adulterants in minced beef

Chemometric MID-FTIR methods were developed to detect and quantify the adulteration of mince meat with horse meat, fat beef trimmings, and textured soy protein. Also, a SIMCA (Soft Independent Modeling Class Analogy) method was developed to discriminate between adulterated and unadulterated samples. Pure mince meat and adulterants (horse meat, fat beef trimmings and textured soy protein) were characterized based upon their protein, fat, water and ash content. In order to build the calibration models for each adulterant, mixtures of mince meat and adulterant were prepared in the range 2–90% (w/w). Chemometric analyses were obtained for each adulterant using multivariate analysis. A Partial Least Square (PLS) algorithm was tested to model each system (mince meat + adulterant) and the chemical composition of the mixture. The results showed that the infrared spectra of the samples were sensitive to their chemical composition. Good correlations between absorbance in the MID-FTIR and the percentage of adulteration were obtained in the region 1800–900 cm^− 1. Values of R² greater than 0.99, standard errors of calibration (SEC) in the range to 0.0001–1.278 and standard errors of prediction (SEP estimated) between 0.001 and 1.391 for the adulterant and chemical parameters were obtained. The SIMCA model showed 100% classification of adulterated meat samples from unadulterated ones. Chemometric MID-FTIR models represent an attractive option for meat quality screening without sample pretreatments which can identify the adulterant and quantify the percentage of adulteration and the chemical composition of the sample.     

近红外光谱技术快速鉴别原料肉掺假的可行性研究

探讨利用近红外光谱技术结合Fisher两类判别法以及多层感知器(multilayer perceptron,MLP)神经网络快速无损鉴别原料肉是否掺假,并建立多种掺假肉的分类识别模型的可行性.首先近红外结合主成分与Fisher两类判别,建立原料肉与掺假肉的判别函数,以原料肉与注水肉两类样木的平均重心即两类样木的加权平均...     

葛粉掺假的傅里叶变换红外光谱法鉴别研究

以葛粉及葛粉中分别掺假红薯粉和马铃薯粉作为研究对象,采集400～4000cm-1波数范围内的红外傅里叶变换光谱,结合主成分分析对样品的进行聚类划分。并通过Fisher判别,建立葛粉真伪的判别方程。分别以样本回判及外部验证考察模型可靠性。结果表明：葛粉、红薯粉与马铃薯粉及三者不同比例混合样品的二维主成分分布位于不同区域,且葛粉与掺假葛粉之间无重叠。判别方程经样本回判及外部验证表明,葛粉中掺假红薯粉和葛粉中掺假马铃薯粉的自身验证准确率分别为93.3%和100%;交互验证准确率分别为86.7%和92.0%。此方法具有很好的鉴别作用,可作为葛粉中掺假红薯粉和马铃薯粉的一种鉴别方法。