多光谱数据融合技术对绒柄牛肝菌产地的鉴别

采集5?个产地96?份绒柄牛肝菌样品的红外光谱和紫外光谱,结合多光谱信息融合策略,建立快速、有效鉴别绒柄牛肝菌产地的方法。运用多元散射校正、标准正态变量、二阶导数等预处理方法对原始光谱数据进行优化处理,减少噪音干扰。选取具有指纹特性的光谱信息进行初级数据融合;通过偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）筛选光谱数据中变量在投影方向重要程度大于1的波段,进行中级数据融合。利用优化处理后的单一光谱数据及多光谱融合数据建立PLS-DA模型和支持向量机（support vector machine,SVM）判别模型,比较两种判别模型对绒柄牛肝菌产地的鉴别效果。结果显示,通过红外光谱、紫外光谱、初级融合和中级融合数据分别建立PLS-DA模型,对绒柄牛肝菌产地的预测正确率为56.25%、56.25%、62.50%和81.25%;建立SVM判别模型,产地预测正确率分别为90.63%、65.63%、87.50%和96.88%,表明中级融合技术对绒柄牛肝菌产地鉴别效果显著,优于其他技术;并且SVM判别模型对牛肝菌产地区分效果优于PLS-DA模型。采用中级融合技术建立SVM判别模型,能够快速、有效鉴别不同产地绒柄牛肝菌,同时为食品质量监控提供有效方法和理论基础。     

美味牛肝菌矿质元素富集能力及产地鉴别

研究美味牛肝菌矿质元素含量及富集规律,建立偏最小二乘判别分析（partial least squares discrimination analysis,PLS-DA）光谱数据融合模型鉴别美味牛肝菌不同产地。测定云南省内6 个产地美味牛肝菌和生长土壤样品的矿质元素,同时采集近红外光谱和紫外光谱信息。根据矿质元素含量及富集系数分析美味牛肝菌对矿质元素的积累特征和富集能力。采用平滑（Savitzky-Golay,SG）、二阶导数（second derivatives,2D）、标准正态变换（standard normal variables,SNV）、多元散射校正（multiple scattering correction,MSC）等对光谱数据进行预处理。运用PLS-DA建立单一光谱与数据融合产地分类模型。结果表明：美味牛肝菌富含K、P元素,相同元素不同产地之间存在显著性差异,其中Na元素含量差异较大,最高含量是最低含量的20.70 倍;6 个产地土壤中Fe元素含量最大,可能与云南富含Fe金属离子的酸性土壤有关;美味牛肝菌中P、K、Zn富集能力较强,其中P的富集系数达到4.63;光谱数据预处理中,近红外光谱和紫外光谱的最佳预处理结果为SG＋2D、SG＋MSC,预测集正确率为88.46%和96.15%;中级融合模型效果最佳,通过Hottelling T2检测法检验,所有样品未超过95%置信区间,模型训练集正确率100.00%,预测集正确率92.31%。对美味牛肝菌进行矿质元素、富集规律及产地鉴别研究有利于合理利用云南野生食用菌资源。     

红外光谱结合多元统计分析快速鉴别不同种类牛肝菌

采用傅里叶变换红外光谱结合多元统计分析方法快速鉴别不同种类食用牛肝菌。采集10 个不同种类93 个牛肝菌子实体的红外光谱,分析食用牛肝菌的红外光谱特征;用多元散射校正（multiplicative signal correction,MSC）、标准正态变量（standard normal variate,SNV）、二阶导数（second derivative,SD）、Norris平滑（ND）、正交信号校正（orthogonal signal correction,OSC）、小波压缩等方法对光谱进行优化处理;经优化处理的光谱数据分别建立马氏距离分类模型及偏最小二乘判别分析（partial least squares discriminant analysis,PLSDA）。结果显示,牛肝菌在3 325、2 934、2 927、1 637、1 547、1 402、1 375、1 259、1 453、1 081、1 029 cm－1等附近有多个吸收峰,主要归属为蛋白质、多糖、氨基酸等的特征吸收峰。MSC＋SD＋ND（15∶5）和SNV＋SD＋ND（15∶5）两种预处理方式前10 个主成分累积贡献率分别为95.58%、95.54%,基于两种预处理方法建立马氏距离分类模型,验证集预测准确率分别为90%和95%。PLS-DA结果显示经MSC＋SD＋ND（15∶5）和SNV＋SD＋ND（15∶5）预处理不易于区分牛肝菌种类;原始光谱经正交信号校正及小波压缩（orthogonal signal correction waveletcompression,OSCW）、优化处理并进行PLS-DA分析,能够很好地区分不同种类牛肝菌。马氏距离分类模型不仅能反映样品的分类情况,同时计算出与测试样品相似度最大的物种,可为食用菌种类鉴别和未知物种鉴定提供可靠依据;OSCW预处理后进行PLS-DA分析能有效鉴别不同种类牛肝菌,为野生食用菌的鉴别分类提供一种辅助方法。     

基于支持向量机对云南常见野生食用牛肝菌中红外光谱的种类鉴别

利用傅里叶变换中红外光谱鉴别云南野生牛肝菌种类,明确不同数据挖掘方法对模型分类性能的影响,为云南省食用菌的鉴别和质量控制提供参考依据。扫描云南8?种827?个常见野生牛肝菌样本的中红外光谱,分析光谱特征,结合支持向量机建立判别模型,并利用预处理、提取特征变量及两者组合等方法挖掘光谱信息,比较各模型分类性能,找出野生牛肝菌种类鉴别的最优方法。结果表明：原始数据存在大量噪音和干扰信息,降低模型分类性能;不同数据挖掘方法均能不同程度去除非有效信息,提高模型分类性能;预处理组合特征变量挖掘光谱信息能力最强,对模型分类性能提高最大。预处理组合特征变量对模型信息挖掘能力最强,结合支持向量机建立判别模型,模型拟合好,分类精度高,适用范围广,实现了8?种野生牛肝菌的准确、快速鉴别,可以为野生牛肝菌种类鉴别提供参考。     

野生牛肝菌元素含量特征分析及其种类鉴别

野生牛肝菌的营养价值及暴露风险关系到消费者的健康安全,并严重影响其市场稳定和贸易出口。本文采用电感耦合等离子体原子发射光谱法和傅里叶变换红外光谱法测定8种野生牛肝菌429份样品中12种元素的含量和光谱数据,分析元素含量特征及食用健康风险,同时基于元素含量、红外光谱、初级融合和中级融合数据分别建立偏最小二乘判别分析和支持向量机(SVM)判别模型,比较其鉴别效果。结果显示:野生牛肝菌富含Ca、Mg、Na、Zn等矿质元素,适量摄入可以补充人体营养需求,同时也应当注意部分牛肝菌的Cd暴露风险;基于中级融合建立SVM判别模型,其训练集和预测集正确率均为100%,能够快速、准确鉴别牛肝菌种类,有效避免因误采误食导致的中毒事件发生。系统性的对牛肝菌进行元素含量分析、健康风险评估和种类鉴别,为其品质安全评估和资源的开发利用提供参考。     

不同储藏年限绒柄牛肝菌紫外&红外光谱数据融合鉴别研究

野生食用菌干品长时间储藏会引起微生物增殖、物理及化学变化,影响其商品品质,为保证其质量安全,亟需建立快速有效的方法,鉴别不同储藏年限野生食用菌。本研究采集5个储藏年限,77个绒柄牛肝菌子实体的紫外(UV)与傅里叶变换红外(FT-IR)光谱,采用卷积平滑(SG)、二阶导数(2-D)、标准正态变量(SNV)等方法对光谱进行预处理,结合偏最小二乘判别分析(PLS-DA),建立UV、FT-IR、低级和中级数据融合模型。结果显示:UV与FT-IR光谱最佳预处理分别为SG+2-D和SG+2-D+SNV;UV、FT-IR、低级和中级数据融合模型,总样品分类错误数分别为10、6、4、3,且中级数据融合的R2cal平均值最接近于1、RMSECV平均值最小,表明中级数据融合分类效果,优于UV、FT-IR和低级数据融合。采用UV与FT-IR中级数据融合策略结合PLS-DA,能够准确鉴别不同储藏年限牛肝菌样品,为野生食用菌品质评价提供一种新思路。     

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。     

基于近红外高光谱成像技术的宁夏羊肉产地鉴别

使用900~1700 nm高光谱成像系统采集宁夏银川、固原、盐池三个不同产地的绵羊后腿样本的近红外高光谱数据,对光谱采用面积归一化方法预处理,利用SPA、CARS、UVE算法对预处理后的光谱数据提取特征波长分别为17、40、121个;结合PLS-DA及KNN建立特征波段下的判别模型。结果表明KNN判别模型效果较差,3种特征波长中利用CARS提取的特征波长建模效果最佳,代替全光谱建立PLS-DA判别模型是可行的;综合对比模型效果,CARS-PLS-DA为最优模型,校正集正确率90.48%,预测集正确率84.21%。证明利用近红外高光谱成像技术对羊肉产地鉴别是可行的。     

基于可见-近红外高光谱技术对鸡种蛋性别鉴定的研究

目的 为实现鸡种蛋胚胎性别的无损检测,提出了基于可见-近红外高光谱检测海兰褐鸡种蛋胚胎性别的方法。方法 通过分析种蛋0~14 d大头部位的400~1000 nm波段下的光谱,建立基于偏最小二乘判别分析（PLS-DA）和支持向量机（SVM）的种蛋性别判别模型,比较不同孵育天数下的模型判别率,优选出最佳的检测天数;通过分析四种不同的预处理算法,选出最佳的鸡种蛋胚胎高光谱预处理方法,最后构建基于全波段和特征波段光谱信息的判别模型,并对结果进行比较。结果 基于PLS-DA和SVM的模型在第9 d的预测集结果达到最高,分别为80%和82.5%。主成分分析（PCA）结果表明,雄雌种蛋光谱信息可以进行区分;变量标准化（SNV）为最佳预处理方法;全波段相对于连续投影算法（SPA）、竞争性自适应重加权算法（CARS）选择特征波长的模型更优,建模集、预测集准确率分别为90%和85%。结论 研究结果表明可见-近红外高光谱技术可以快速、较准确、无损检测海兰褐种蛋胚胎性别,该技术为褐壳种蛋胚胎性别鉴定实现在线检测提供了一定的理论基础。     

基于高光谱成像技术的烟叶田间成熟度判别模型

为探索基于高光谱技术的烟叶田间成熟度判别方法,使用高光谱成像仪采集不同田间成熟度档次烟叶的高光谱信息,比较5种数据预处理方法[一阶导数（1stD）、多元散射校正（MSC）、标准正态变量变换（SNV）、Savitzky-Golay（SG）平滑、一阶导数+SG平滑]和两种建模算法[支持向量机（SVM）和BP神经网络（BPNN）]在建立烟叶田间成熟度判别模型中的适用性,并利用遗传算法（GA）优选出反映鲜烟叶成熟差异的最佳特征变量用于建立判别模型。结果表明:①不同田间成熟度烟叶的高光谱反射率差异明显,且在550 ~ 675 nm波长范围内最突出,其反射率随烟叶田间成熟度的增加而增大;②在10种光谱数据预处理方法与建模算法的组合中,SNV+SVM组合的预测性能最佳;③使用GA在400 ~ 1 000 nm间优选出了可反映烟叶田间成熟度差异的19个特征光谱波段,其中大多与烟叶质体色素的特征光谱有关;④以特征波段为输入变量建立了烟叶田间成熟度的SVM判别模型,预测准确率达95%,F1分数达0.95,平均精确率、召回率也均大于95%。高光谱信息可敏锐地反映烟叶田间成熟度的差异,采用SNV数据预处理方法与SVM算法组合可建立性能优异的烟叶田间成熟度判别模型。      

Discrimination of Boletaceae mushrooms based on data fusion of FT-IR and ICP–AES combined with SVM

In this study, the individual and data fusion of Fourier transform infrared (FT-IR) spectroscopy and inductively coupled plasma atomic emission spectrometry (ICP–AES) were used for the discrimination of five species of Boletaceae mushrooms with the aid of support vector machine (SVM). First, the original FT-IR spectra of 230 samples with different species were preprocessed and optimized by second derivative (2D), Savitzky–Golay filter (15:1) and standardized normal variate. Second, the datasets of FT-IR spectra and ICP–AES were integrated, and the low-level data fusion strategy was used to classify different species mushrooms. Third, the latent variables of elements concentration and FT-IR spectra were extracted by partial least square discriminant analysis and two datasets were fused into a new matrix. Finally, the classification models were established by SVM. Compared with single spectroscopic technique, the mid-level data fusion strategy can provide better result. Especially, the accuracy of correct classification of samples in calibration and test sets were 100.00% and 98.68%, respectively. The results demonstrated that the mid-level data fusion of FT-IR and ICP–AES can provide higher synergic effect for the discrimination of different species Boletaceae mushrooms, which could be benefited for the further authentication and quality control of edible mushrooms.     

光谱分析技术在野生食用牛肝菌研究中的应用研究进展

牛肝菌具有重要的食药用和经济价值,是世界性美味野生食用菌。其质量安全可控是保障消费者健康及产业绿色持续发展的基础,建立全面、稳定、系统的质量评价方法有利于强化牛肝菌质量控制,对市场稳定发展具有重要意义。光谱分析技术具有简便、快速、实用性强等特点,能够弥补传统感官评定的缺陷,提高分析准确性,广泛用于牛肝菌品质研究,是评价牛肝菌品质优劣、鉴别真伪以及确保其质量稳定一致的重要技术支撑。本文对近年国内外光谱分析技术在野生食用牛肝菌研究方面的应用现状和进展进行综述,探讨了红外、紫外光谱及多光谱信息融合技术在牛肝菌产地、种类、贮藏年限鉴别评价等方面的应用前景,以期为牛肝菌的深入研究和合理开发利用提供参考。     

Identification of <Emphasis Type="Italic">Staphylococcus</Emphasis> species with hyperspectral microscope imaging and classification algorithms

Hyperspectral microscope imaging method was presented as a rapid and efficient tool to classify gram-positive bacteria species. The datacube (1024 × 1024 × 89) were obtained by hyperspectral microscope imaging system, which provided cell images between 450 and 800 nm wavelengths with 4-nm resolution, resulting in 89 contiguous spectral images that were acquired with an acousto-optic tunable filters (AOTF) hyperspectral imaging platform. Spectral information of bacteria were extracted from region-of-interest (ROI) in the cell, which were approximately between 140 and 380 pixels depending on the size of the cells. Using a Mahalanobis distance algorithm, the outliers beyond 99 % confidence of data were eliminated and classified five species with classification methods including partial least square discriminant analysis (PLS-DA) and support vector machine (SVM) for linear and non-linear classification algorithms to differentiate Staphylococcus species. PLS-DA classified five species with 89.8 % accuracy and 0.87 kappa coefficient; whereas, SVM had much higher classification accuracy of 97.8 % with 0.97 kappa coefficient. To reduce the number of wavelengths for fast data processing, thirty-one spectral bands out of 89 contiguous bands were selected using the correlation of each band. When SVM classification method with selected bands were used, the classification accuracy and kappa coefficient were 93.9 % and 0.92, respectively.     

A rapid method for identification of Lanxangia tsaoko origin and fruit shape: FT-NIR combined with chemometrics and image recognition

Lanxangia tsaoko’s accurate classifications of different origins and fruit shapes are significant for research in L. tsaoko difference between origin and species as well as for variety breeding, cultivation, and market management. In this work, Fourier transform-near infrared (FT-NIR) spectroscopy was transformed into two-dimensional and three-dimensional correlation spectroscopies to further investigate the spectral characteristics of L. tsaoko. Before building the classification model, the raw FT-NIR spectra were preprocessed using multiplicative scatter correction and second derivative, whereas principal component analysis, successive projections algorithm, and competitive adaptive reweighted sampling were used for spectral feature variable extraction. Then combined with partial least squares-discriminant analysis (PLS-DA), support vector machine (SVM), decision tree, and residual network (ResNet) models for origin and fruit shape discriminated in L. tsaoko. The PLS-DA and SVM models can achieve 100% classification in origin classification, but what is difficult to avoid is the complex process of model optimization. The ResNet image recognition model classifies the origin and shape of L. tsaoko with 100% accuracy, and without the need for complex preprocessing and feature extraction, the model facilitates the realization of fast, accurate, and efficient identification.     

基于介电频谱的枣果品种鉴别模型的建立

利用LCR测试仪在1~1 000 kHz的频率范围内,选取55个频率点,测定灵武长枣、冬枣和团枣的介电损耗因子ε"频谱和相对介电常数ε’频谱,通过主成分分析(principal component analysis,PCA)法和遗传算(genetic algorithm,GA)法提取介电频谱的有效信息,并选取偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)、线性判别分析(linear discriminant analysis,LDA)和支持向量机(support vector machine,SVM)3种方法进行枣果品种的鉴别模型研究。结果表明,频率和品种对枣果的介电参数均有显著性影响;用PCA与GA方法提取频谱有效信息的建模效果要优于原始频谱的建模效果;SVM法的建模效果要优于PLS-DA与LDA法的建模效果;以介电损耗因子ε"建立的PCA-SVM模型优于介电常数ε’的GA-SVM模型,其预测集的鉴别准确率为100%。因此,基于介电损耗因子ε"频谱的PCA-SVM模型为枣果品种鉴别的最优模型。