基于中红外光谱技术鉴别转基因大豆的方法研究

转基因技术对于实现粮食增产,保护生物多样性,减少化学农药使用量等方面有着重大意义,但也可能存在一定的安全隐患。因此,转基因作物检测鉴别技术的研究愈发受到重视。本文采用中红外光谱分析技术,研究对不同品种的转基因大豆及其亲本进行鉴别的可行性。实验采集了三种不同的非转基因大豆亲本(HC6, JACK和W82)及其转基因大豆品种在3 818～734 cm-1范围内的光谱信息。采用偏最小二乘-判别分析(partial least squares-discriminant analysis, PLS-DA)进行判别分析,三种大豆的建模集的判别正确率分别为96.67%, 96.67%和83.33%,预测集的判别正确率分别为83.33%, 85%和85%。研究中采用X-loading weights、变量投影重要性(variable importance in the projection,VIP)和二阶导数(second derivative,2-Der)三种特征波数选择方法对光谱数据进行处理,并根据得到的特征波数分别建立PLS-DA模型进行判别分析,三种大豆的建模集和预测集的判别正确率均超过76.67%和75%。采用主成分分析(principal component analysis,PCA)和独立组分分析(independent component analysis,ICA)两种特征信息提取方法对光谱数据进行处理,分别建立PCA-PLS-DA和ICA-PLS-DA模型进行判别分析,三种大豆的建模集和预测集的判别正确率均超过80%和75%。研究表明中红外光谱分析技术可以较为准确地鉴别非转基因亲本与转基因品种,为转基因大豆的无损鉴别提供新的思路。同时结合特征波数选择方法与特征信息提取方法可以有效地降低模型复杂度,减少程序运算量。     

傅里叶变换红外光谱结合化学计量学鉴别预包装纯菠萝汁中外源糖

为了快速、准确鉴别预包装纯菠萝汁是否掺有外源性糖,采用傅里叶变换衰减全反射中红外光谱技术采集900～1 500 cm-1范围内不同批次的预包装纯菠萝汁样品和掺入甜菜糖浆、大米糖浆、木薯糖浆的菠萝汁掺假样品的中红外光谱共计234例,以线性判别分析和支持向量机分析为掺假鉴别模型的建模方法,比较了全波段谱图与通过主成分载荷系数分析选取特征波长图谱的两种掺假鉴别模型。研究表明,全波段图谱的线性判别分析和支持向量机分类模型对验证集的判断正确率均高于88%;选取8个特征波长之后,线性判别分析模型验证集判断正确率提高至96.15%,支持向量机模型验证集判断正确率提高至94.87%,且模型输入变量由312个减少到8个。利用傅里叶变换衰减全反射中红外光谱技术结合化学计量学方法选取特征波长后建立的模型可以较好的应用于预包装纯菠萝汁外源糖的鉴别。     

基于红外光谱对野生冬虫夏草不同部位的识别

冬虫夏草作为著名的传统中药材,由于其良好的药用价值而备受青睐。目前多数工作集中研究其活性成分含量以及药理药效。而对其不同部位的识别研究较为匮乏。基于红外光谱数据,结合化学计量学对多维度复杂体系的解析优势对冬虫夏草不同部位进行分类识别。首先对野生冬虫夏草五个不同部位包括子座头、子座中、头部、虫体中段、虫体尾段总共808个光谱数据使用标准正态变换(SNV)、多元散射矫正(MSC)进行数据预处理。而后用竞争自适应再权重取样(CARS)、变量组合种群分析(VCPA)挑选具有代表意义的特征变量。最后使用偏最小二乘判别分析(PLS-DA)、线性判别分析(LDA)进行建模预测分析。模型对训练集使用十倍交叉验证,以准确率(Acc)作为评价指标。结果表明,在该数据上PLS-DA模型在10倍交叉验证和独立测试集上的预测准确率分别是90.1%和92.0%,而使用LDA模型时,预测准确率分别降低到86.7%和85.8%。采用CARS和VCPA特征挑选方法可有效将特征从3 601维分别降到699和420维,同时保持预测准确率与全部特征的预测准确率相当。而挑选的特征波数630,625,1 024,1 028,1 084和1 089 cm-1与虫草的甘露醇相关,879和874 cm-1与虫草的多糖相关。通过对挑选的波数进行Wilcoxon rank-sum检验进一步表明虫草五个部位之间存在显著差异。研究表明化学计量学方法结合红外光谱能够有效识别冬虫夏草不同部位,有助于在分子层面上加深对冬虫夏草形成的认识,为针对虫草不同部位高效利用提供参考。     

傅里叶红外光谱结合化学计量学的渣驯优劣鉴别研究

渣驯通常分为4个等级,藏医传统用药经验认为色黑、质重、粪便少的渣驯质量更优。不同等级渣驯外观性状差异较小,成膏后更不易区分。傅里叶红外光谱技术(FTIR)具有快速无损的优点,已广泛用于药材鉴别领域。以4个等级渣驯为研究对象,探究傅里叶红外光谱技术鉴别不同等级渣驯的可行性。收集渣驯药材及代用品共56批,按粪便比例和外观形态将药材分为4个等级,采用《六省区藏药标准》中炮制方法将各批次药材加工成干膏。采集不同样品4 000～400 cm^-1范围的红外光谱信息,以不同化学计量学方法建立模型。预处理方式采用Saitzky-Golay(S-G)平滑、纵坐标归一化、二阶导数转化,渣驯红外光谱主要吸收区域为3 500～3 200, 3 000～2 800, 1 800～1 350, 1 350～900和900～400 cm^-1,代用品吸收峰的波数差异较大。1 779 cm^-1附近仅有Ⅰ等级渣驯和Ⅱ等级渣驯的吸收峰,1 768 cm^-1附近Ⅰ等级渣驯和Ⅱ等级渣驯峰强度明显强于Ⅲ等级渣驯和渣驯代用品,1 660 cm<...     

红外光谱对不同品种及产地小米的鉴别

不同品种及产地的小米在口感及营养价值上存在显著差异,因此区分不同种小米对消费者具有参考意义。将傅里叶变换红外光谱(FTIR)、二维相关红外光谱(2D-IR)与曲线拟合、主成分分析(PCA)相结合,鉴别小米的品种及产地。结果显示：小米主要由碳水化合物、蛋白质和脂质组成,因此,其FTIR特征相似;二阶导数光谱(SD-IR)在3 012,2 962,2 928,2 856,1 748和1 548 cm-1附近的吸收峰强度存在明显差异;2D-IR在1 200~860和1 700~1 180 cm-1范围内,小米样品的自动峰和交叉峰数目、位置和强度差异明显;曲线拟合结果显示小米在1 700~1 600 cm-1范围内子峰面积比例不同,说明不同品种间小米的蛋白质含量不同,可以实现小米品种的鉴别分类;选取1 800~800 cm-1范围内的导数光谱进行主成分分析,前3个主成分累积贡献率为97%,不同产地的小米都得到正确归类。研究表明,红外光谱结合统计分析方法,是鉴别小米品种及产地的有效方法。     

傅里叶变换红外光谱结合化学计量学方法对白酒基酒的快速定性和定量分析

白酒基酒等级的准确评判对白酒的质量控制至关重要,是白酒分级储存和勾兑的重要依据。目前白酒基酒分级是在生产车间班组工人初步分级基础上,通过专业评酒人员的人工感官审评结合气相色谱法测定主要酯类物质含量最终确定白酒基酒的等级。人工感官审评和气相色谱分析方法繁琐,耗时费力,很难实现实时快速检测。红外光谱技术具有快速分析、无损检测及灵敏度高和重现性好等优点,在食品品质检测领域得到广泛应用。运用傅里叶变换红外光谱(FTIR)和衰减全反射(ATR)技术结合化学计量学方法对不同等级白酒基酒及其主要酯类化合物进行快速定性和定量分析。采用线性判别(LDA)和误差反向传播人工神经网络(BPANN)分析模型对不同等级白酒基酒进行判别,线性判别分析训练集和测试集总体识别率均达到100%,BPANN分析训练集和测试集总体识别率均在95%以上。采用区间偏最小二乘法(siPLS)对四种主要酯类化合物进行定量分析,己酸乙酯、乳酸乙酯、乙酸乙酯和丁酸乙酯含量的训练集模型相关系数分别为0.986 4,0.991 5,0.970 2和0.951 4,测试集模型的相关系数分别为0.982 4,0.961 9,0.905 2和0.808 0。结果表明,傅里叶变换红外光谱技术结合化学计量学方法能有效实现不同等级白酒基酒的准确判别,同时基酒中主要酯类化合物的快速检测定量模型效果良好,能满足白酒生产中的分析检测要求,为白酒基酒等级的快速判别提供一种客观而准确的分析方法,有效提升白酒的智能化生产水平。     

基于中红外光谱技术检测茶叶中非法添加滑石粉的研究

研究傅里叶变化红外透射光谱(FTIR)结合化学计量学方法检测茶叶中非法添加滑石粉的可行性。首先获取掺杂量不同的滑石粉(0.00, 0.15, 0.25, 0.35, 0.50, 0.65, 0.75, 0.85, 1.00, 1.10, 1.25, 1.50 mg·g-1)210个茶叶样本光谱。为了突显出光谱中的细微变化,采用Savitzky-Golay(SG) 平滑、标准化和标准正态变量(SNV)三种方法对原始光谱进行预处理。其中,处理效果最好的是SNV方法。随后探究光谱与掺杂量之间的定量关系,采用反向间隔偏最小二乘法(biPLS)和连续投影算法(SPA)的结合进行特征波数的选择,最终选出来5个特征波数。并利用偏最小二乘回归算法(PLS)和最小二乘支持向量机算法(LS-SVM)建立基于这5个特征波数的回归模型。其中LS-SVM模型具有更高的相关系数(R_P=0.921)和更小的均方根误差(RMSEP=0.131),所以该模型具有更好的稳定性及更高的预测能力。综上所述,红外光谱技术可以定量地检测出茶叶中非法添加的滑石粉。     

中红外光谱结合机器学习对不同产地平菇鉴别

平菇味道鲜美、营养丰富,深受消费者喜爱。平菇在我国的栽培范围较广,产地分散,每个产地的气候条件、栽培基质、栽培方式的差异,使不同产地生产的平菇在口感、营养价值方面会有不同。为规范平菇产品的市场管理,更为打造区域内特色平菇品牌,借助中红外光谱技术无污染、高效、低成本等特点,突破目前化学分析、生物学鉴别方法的限制,提出一种中红外光谱结合机器学习鉴别不同产地平菇的方法。对10个不同产地的平菇子实体进行红外光谱数据采集,每个地区各60份共600份样本。光谱数据经分析表明,在波段530～1 660 cm^-1范围内红外光谱的相关性表现出较明显的差异。同时,基于K-S法按照训练集和测试集比例为7∶3对样品划分,得训练集为420份,测试集为180份。采用多元散射校正(MSC),标准正态变量变换(SNV),平滑(SG),一阶导数(FD),二阶导数(SD)等预处理方法进行光谱优化,去除噪声,并结合支持向量机(SVM)进行初步建模对比,得出MSC预处理后光谱数据差异性最大,预测集识别效果最好为84.44%。将MSC光谱数据进行0～1区间的归一化处理,并采用主成分分析(PCA)对其进行降...     

基于枸杞红外光谱人工神经网络的产地鉴别

应用红外光谱技术,快速鉴别枸杞药材产地。利用傅里叶变换红外光谱, 测定了45个来自青海省不同产地的枸杞样品的红外光谱。以常规预处理方法和小波变换对红外光谱原始数据进行了预处理。对比常用的窗口移动平滑预处理、标准正态变换以及多元散射校正, 小波变换是一种有效实用的光谱预处理方法。为了提高神经网络的训练速度, 在利用人工神经网络建立模型之前, 通过小波变换的方法对光谱变量进行了压缩, 同时对建立的模型的相关参数进行了详细的讨论。结果表明,红外光谱数据压缩到原来的1/8,其分析精度与原始光谱数据基本相当。以压缩了的光谱数据作为反向传播(BP)网络的输入变量,产地类别作为神经网络的输出变量,建立3层人工神经网络。其中隐含层神经元个数为5个,输出层神经元个数为1个。隐层的传递函数是tansig,输出层传递函数是purelin,网络训练函数trainlm,权阈值的学习函数是learngdm。net.trainParam.epochs=1 000,net.trainParam.goal=0.001。对10个未知枸杞产地类别进行了预测,预测结果准确率达100%。实验表明, 建立的模型能够正确地对枸杞样品快速地进行产地鉴别。红外光谱法结合人工神经网络可作为中药材产地分类鉴别的一种新的现代化方法。     

基于中红外光谱分析技术的香菇产地识别研究

采用中红外光谱分析技术对香菇产地进行识别研究,并将相关向量机(relevance vector machine,RVM)算法应用于中红外光谱判别分析之中,取得了较好的效果。通过采集香菇粉末的中红外透射光谱,去除光谱噪声明显部分,对剩下的3 581~689cm-1透射谱线采用多元散射校正(multiplicative scatter correction,MSC)进行预处理,并基于预处理谱线建立了香菇产地识别的偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)、簇类独立软模式分类(soft independent modeling of class analogy,SIMCA)、K最邻近算法(K-nearest neighbor algorithm,KNN)、支持向量机(support vector machine,SVM)、RVM模型等五种判别分析模型。所有模型的识别正确率均高于80%,KNN,SVM和RVM判别分析模型取得了相近的结果,建模集和预测集识别正确率高于90%。基于全谱的PLS-DA模型的加权回归系数,利用加权回归系数法选取了6个特征波数,并基于特征波数建立了PLS-DA,KNN,SVM和RVM模型。基于特征波数的PLS-DA模型的建模集和预测集识别正确率均低于80%,而KNN,SVM和RVM模型的建模集和预测集的识别效果相近,且都高于90%。基于全谱和特征波数的模型中,RVM算法表现出较好的效果,识别正确率优于90%。结果表明,基于中红外光谱技术能用于香菇产地的识别,特征波数的选择以及RVM算法可以有效的用于中红外光谱判别分析中。本文成功将中红外光谱用于香菇产地识别研究,为香菇品质以及其他农产品品质分析提供了一种新的想法,具有实际意义。     

中红外光谱技术在浓香型白酒原酒关键指标分析中的应用

基于中红外光谱分析技术对浓香型白酒原酒中总酸及己酸乙酯的关键指标含量进行检测分析,采用标准正态变换(SNV)方法对数据进行预处理,结合组合间隔偏最小二乘波段选择法(SiPLS)及遗传算法(GA)对各指标的特征吸收波长进行筛选,最终采用偏最小二乘法(PLS)建立分析模型,通过决定系数R2、预测标准偏差(RMSEP)、性能...     

高光谱技术结合特征波长/光谱指数对冬枣成熟度可视化判别

为了给冬枣采收后成熟度分级提供理论指导,运用高光谱技术获取特征波长和计算光谱指数对其成熟度可视化分级。采集三类成熟度冬枣(未成熟果、白熟-初红果、半红-全红果)样本共336个并获取其高光谱信息,通过Savitzky-Golay(S-G)平滑对原始光谱降噪后再用Kennard-Stone(K-S)方法将样本分为训练集(226个)和测试集(110个)。选用连续投影法(SPA)和竞争性自适应重加权采样法(CARS)选择特征波长(CWs);同时从水果生理成分变化角度引入7个光谱指数(SIs)。基于SPA和CARS选取的CWs和引入的SIs分别建立偏最小二乘判别分析(PLS-DA)模型,并比较了3个模型的分级效果。结果表明：基于SPA和CARS选择的特征波长和引入的SIs建立的PLS-DA模型判别精度分别为：97.27%,95.45%和98.18%。为了直观展现判别结果,选用SIs建立的PLS-DA回归系数拟合判别向量Y的回归方程,依据Y中最大值元素所在类别为该样本预测类别的规则,将结果用不同颜色直观显示。该研究为冬枣成熟度可视化分级提供了思路,引入的SIs参数为开发适于多种水果成熟度分级的设备提供了技术支撑。     

太赫兹波谱技术在食品掺假检测中的研究进展

近年来食品掺假事件频繁发生,对食品安全领域产生巨大挑战,食品掺假问题已成为人们关注的焦点和讨论的热点,因此实现食品掺假的快速、准确以及无损检测对保障食品质量和安全具有重要意义.随着新食品原料、新添加剂以及新型食品加工技术不断涌现,使得食品掺假问题呈现技术化、隐形化、多样化等特征,食品中掺假对象的鉴别技术面临更严峻的挑战...     

基于近红外光谱和模式识别技术鉴别大米产地的研究

利用近红外光谱和模式识别技术建立了大米产地的快速鉴别方法。首先对119个地理标志产品响水大米和90个其他产地的大米(即非响水大米)的近红外光谱进行一阶导数和平滑处理,利用主成分分析法(PCA)对数据进行降维,通过前三个主成分的载荷图确定了相关性最大的特征波段(7 700～6 700 cm-1与5 700～4 300 cm-1)。在全波段内,凝聚层次聚类和Fisher’s判别鉴别方法都可以100%正确的鉴别响水大米和非响水大米;对于非响水地区的大米的具体产地判别,聚类分析正确率为91.9%,Fisher’s判别分析方法的正确率为96.7%。同时,在特征波段内,对大米产地聚类分析的准确度高于全波段范围内分析结果,说明选取的特征波段具有较强的代表性,是优化模型的有效方法之一。     

中红外光谱和支持向量机的梅花鹿角帽粉假冒与掺假识别模型

梅花鹿角帽具有较高的药用和经济价值,因其质地坚硬,故一般选择打成粉末使用。消费者很难从外观上去判别梅花鹿角帽粉是否为正品,导致其假冒与掺假事件层出不穷。因此,提出利用中红外光谱（FTIR）结合机器学习探索一种识别梅花鹿角帽粉假冒与掺假的方法,以解决用马鹿角帽粉、梅花鹿骨粉假冒梅花鹿角帽粉和牛骨粉掺假梅花鹿角帽粉的问题。从黑龙江、吉林、辽宁3省共5个地区采集梅花鹿角帽、马鹿角帽、梅花鹿骨各120份,共360份样品;牛骨采购于长春市南关区农贸市场,使用牛骨粉掺假梅花鹿角帽粉,掺假比例分别为5%,10%,20%,30%,40%,50%,每种比例各20份,共120份。采集样品中红外光谱数据,多元散射校正（MSC）对光谱进行预处理,经K-S法抽样,按3∶1的比例划分训练集和测试集后,对光谱数据进行归一化（normalization）和主成分（PCA）分析降维处理。根据主成分个数累积贡献率≥85%,主成分特征值≥1原则,选择前7个主成分构成降维后的光谱数据;分别将全光谱（FS）数据与PCA降维后的光谱数据作为模型输入,建立支持向量机(SVM)、随机森林(RF)、极限学习机(ELM)识别模型。结果表明,梅花鹿角帽粉正品与假冒伪品、掺假次品的波谱在波段1 300～1 800和2 800～3 600 cm-1处存在差异,尤其是掺假比例≥10%以上的梅花鹿角帽粉与纯梅花鹿角帽粉差异明显。在识别梅花鹿角帽粉假冒与掺假模型中,FS-SVM,PCA-SVM,FS-RF模型均有很好的识别效果,其训练集与测试集识别率均为100%,其他模型识别率均低于98%。从简化模型的角度上比较,FS-SVM,FS-RF建模时间分别为4 859.36和1 818.96 s,而PCA-SVM建模时间仅为19.91 s。因此,PCA-SVM在6种识别模型中整体效果最佳。研究表明,中红外光谱结合支持向量机建模可以作为一种快速、准确、无损鉴别梅花鹿角帽粉假冒与掺假的有效识别方法。     

基于中红外光谱技术的香菇蛋白质含量测定

研究了中红外光谱预测香菇蛋白质含量的可行性。去掉明显噪声部分后,研究香菇3 581～689 cm-1中红外光谱与蛋白质含量的关系。以Savitzky-Golay(SG)5点平滑预处理光谱建立偏最小二乘法(partial least squares, PLS)的预测模型的效果不理想,模型的建模集和预测集的相关系数均高于0.85,但剩余预测偏差(residual prediction deviation, RPD)值仅为1.77。采用连续投影算法(successive projections algorithm, SPA)算法从3000个波数点中选择7个特征波数,并以七个特征波数分别建立PLS、多元线性回归(multiple linear regression, MLR)、反向传播神经网络(back-propagation neural network, BPNN)和极限学习机模型(extreme learning machine, ELM)。与全谱的PLS相比,以特征波数的PLS模型和MLR模型的预测效果相对较差,而以特征波数的BPNN和ELM模型的预测效果相对较好。其中SPA-ELM模型的预测效果最佳,预测集相关系数(correlation coefficient of prediction)R_p=0.899 5,预测集均方根误差(root mean square error of prediction)RMSEP=1.431 3,剩余预测偏差RPD=2.18。研究结果表明,中红外光谱分析技术可以用于预测香菇蛋白质含量,且SPA选取特征波数能用来代替原始光谱进行建模分析,为香菇蛋白质含量的检测提供了新的思路。     

傅里叶变换中红外光谱的牛奶品质无损检测分级

市场上普遍存在“高蛋白”,“高乳脂”等特色牛奶。为了实现对特优优质奶、高蛋白特色奶、高乳脂特色奶和普通奶的无损快速分级,收集了河北省10个牧场不同月份（1月、3月—10月）的5 121份牛奶样本并采集中红外光谱数据,分别测定牛奶中的乳蛋白、乳脂和体细胞数,构建了牛奶品质分级模型。首先,分析牛奶光谱并去除冗余波段,最终选择925~1 597和1 712~3 024 cm-1的敏感波段组合作为全光谱用于建立模型。为了提高模型的性能,采用标准正态变量变换（SNV）,多元散射校正（MSC）,一阶导数,二阶导数,一阶差分和二阶差分6种算法对光谱进行预处理并建立朴素贝叶斯模型（NB）和随机森林模型（RF）,确定二阶差分为最佳预处理方法,其测试集准确率分别为92.11%和96.87%。为了简化模型,利用无信息变量消除法（UVE）、竞争性自适应重加权算法（CARS）与稳定性竞争性自适应重加权采样算法（SCARS）以及UVE-CARS算法和UVE-SCARS算法对二阶差分后的光谱数据提取特征变量。然后,分别基于全光谱和所选特征变量数据,建立NB模型和RF模型。结果表明,SCARS算法为NB模型的最佳特征提取算法,模型的训练集准确率与测试集准确率分别为94.45%,93.94%;UVE-SCARS算法为RF模型的最佳特征提取算法,模型的训练集准确率与测试集准确率分别为99.86%,96.48%。综上,基于傅里叶变换中红外光谱技术建立的二阶差分-UVE-SCARS-RF模型,可以实现特优优质奶、高蛋白特色奶、高乳脂特色奶和普通奶的无损快速分级,通过建立中红外光谱模型,首次将乳蛋白、乳脂含量和体细胞数直接结合进行分级鉴定,这是以往未曾有过的。模型应用方便,只需将获得的牛奶红外光谱数据输入模型即可输出预测类别,在牛奶产业中具有实际应用价值。     

基于红外光谱的石斛品种判别分析

测试了30个品种206株石斛茎的红外光谱,光谱显示,石斛的主要物质成分为纤维素等多糖物质。用石斛的傅里叶变换红外光谱结合Wilks’Lambda逐步判别分析法对石斛品种进行识别研究,比较分析了不同的光谱范围和不同的训练样本数对识别结果的影响。对1 800~1 250cm-1光谱范围的287个变量进行品种判别分析,每个品种的训练样本分别为2,3,4,5,6个时,对训练样本的回判正确率都是100%;以余下的样本作为测试样本进行品种预测的正确率分别为79.4%,91.3%,93.0%,98.2%,100%。同时对1 800~1 500,1 500~1 250,1 250~600,1 250~950,950~600cm-1等不同光谱范围,按五种不同的训练样本情况,相同的判别分析方法进行判别分析比较,1 800~1 250,1 800~1 500和950~600cm-1光谱范围的变量更适宜进行石斛品种的判别分析;每个品种的训练样本达到3个及以上时,建立的模型判别分析结果较好。结果表明,傅里叶变换红外光谱结合逐步判别分析法对不同品种的石斛进行鉴别,能够较好的识别石斛的品种,为石斛品种的鉴别提供了一种简便、易行的新方法。