红外光谱结合化学计量学方法快速鉴别牛肝菌种类及总汞含量分析

傅里叶变换红外光谱结合化学计量学建立快速鉴别牛肝菌种类及测定牛肝菌中总Hg含量的方法。采集15种共48份云南常见牛肝菌的红外光谱信息并用冷原子吸收光谱-直接测汞仪测定牛肝菌的总Hg含量,根据FAO/WHO规定的每周Hg允许摄入量(provisional tolerable weekly intake, PTWI)评价牛肝菌的食用安全性;采用Norris平滑、多元散射校正、二阶导数、正交信号校正-微波压缩等方法对牛肝菌的红外光谱进行优化处理,优化处理后的数据进行主成分分析、偏最小二乘判别分析建立快速鉴别牛肝菌种类及牛肝菌总Hg含量的预测模型。结果显示：(1)主成分分析的前三个主成分累积贡献率为77.1%,不同种类牛肝菌在主成分得分图中能够明显区分开,表明不同种类牛肝菌的化学组分或含量具有差异;(2)不同产地、种类牛肝菌总Hg含量差异明显,其总Hg含量在0.17～15.2 mg·kg-1 dw之间;若成年人(60 kg)每周食用300 g新鲜牛肝菌则少数牛肝菌摄入的Hg超过PTWI的限量标准,食用有一定风险;(3)牛肝菌红外光谱数据与总Hg含量拟合,进行偏最小二乘判别分析,能快速区分总Hg含量低(≤1.95 mg·kg-1 dw)、中(2.05～3.9 mg·kg-1 dw)、高(≥4.1 mg·kg-1 dw)的牛肝菌样品,并且Hg含量差异越大,越易于区分;进一步建立牛肝菌总Hg含量预测模型,训练集的R2为0.911 4,RMSEE为1.09,验证集的R2和RMSEP分别为0.949 7和0.669 5,牛肝菌总Hg含量预测值与测定值比较接近,模型预测效果良好。红外光谱结合化学计量学方法能快速鉴别牛肝菌种类,区分不同总Hg含量的牛肝菌样品并对Hg含量进行准确预测,为野生牛肝菌的质量控制和食用安全评估提供快速、简便的方法。     

红外光谱法对牛肝菌种类鉴别及镉含量预测研究

建立红外光谱快速鉴别牛肝菌种类及预测牛肝菌中重金属镉(Cd)含量的方法。采集11种牛肝菌共98个子实体的红外光谱信息,解析牛肝菌的红外光谱,用一阶导数、标准正态变量和多元散射校正对原始光谱进行预处理,通过PLS-DA鉴别牛肝菌种类。采用ICP-AES法测定牛肝菌中有毒重金属Cd含量,分析牛肝菌对Cd的富集规律并与GB 2762—2012规定的食用菌中Cd限量标准比较,评价牛肝菌的食用安全性。以食用菌对重金属Cd的富集机理为切入点,将牛肝菌红外光谱数据和Cd含量数据进行拟合,用PLS模型快速预测牛肝菌的Cd含量。结果显示:(1)牛肝菌红外光谱经过适当的预处理进行PLS-DA,前三个主成分累积贡献率达到79.3%,PLS-DA的三维得分图能明显区分不同种类牛肝菌;(2)不同产地、种类牛肝菌对重金属Cd的富集存在差异,其含量在0.05~23.41mg·kg~(-1) dw之间,除了采自昆明五华区的灰疣柄牛肝菌外,多数样品的Cd含量超过GB2762-2012的限量标准,食用有一定的健康风险;(3)牛肝菌红外光谱数据与Cd含量拟合后进行正交信号校正-小波压缩优化处理,用PLS模型预测牛肝菌的Cd含量;训练集和验证集的R~2分别为0.851 9和0.882 4,RMSEE和RMSEP分别为2.59和2.67,大部分牛肝菌的Cd含量预测值与真实值较接近,表明PLS模型可用于牛肝菌Cd含量快速预测。傅里叶变换红外光谱结合化学计量学能实现牛肝菌种类快速鉴别及Cd含量准确预测,为牛肝菌种类鉴别和质量控制提供快速、有效的方法。     

17种分类算法在牛肝菌种类鉴别研究中的应用

由于部分毒菌与野生食用菌形态和生物学特征相似,农民仅凭经验采集,难免将两者混淆,从而导致严重的食品安全事故。云南省作为国内野生食用菌产量最高、出口量最大的省份,野生食用菌产业发展为云南农村经济发展做出了突出贡献,对不同种类野生食用菌进行快速鉴别,有利于野生食用菌产业的健康发展;分析食用菌亲缘关系,对食用菌育种工作具有积极作用。七种牛肝菌样品,采自云南及周边七个产地,利用FTIR光谱仪分别采集菌柄和菌盖红外指纹图谱,基于低级与中级数据融合策略,将预处理后的菌柄和菌盖FTIR光谱数据进行融合,结合Decision Trees,Discriminant Analysis,Logistic Regression Classifiers,Support Vector Machines,Nearest Neighbor Classifiers和Ensemble Classifiers中的17种算法,分别建立菌柄、菌盖、低级数据融合和中级数据融合模型,每个分类模型连续进行10次运算,通过比较训练集分类正确率平均值,确定牛肝菌种类鉴别最佳分类算法。中级数据融合数据集进行系统聚类分析（HCA）,对推测不同种类牛肝菌样品的亲缘关系进行鉴定。结果显示：（1）菌柄、菌盖和低级数据融合模型最佳分类算法均为Linear Discriminant,训练集分类正确率分别为92.8%,96.4%和97.6%。中级数据融合模型最佳分类算法为Subspace Discriminant,训练集分类正确率为100%;（2）菌柄、菌盖、低级数据融合和中级数据融合最佳分类模型,全部样品分类正确率平均值分别为93.61%,95.54%,96.99%和99.88%,中级数据融合模型优于其他三种模型,表明中级数据模型可以将相似度较高的样品区分开,且减少了产地对种类鉴别的影响;（3）中级数据融合模型数据集进行HCA,华丽牛肝菌和美味牛肝菌聚类距离最小,表明这两种牛肝菌化学信息较相似,亲缘关系较近;（4）华丽牛肝菌与皱盖疣柄牛肝菌聚类临界值距离最大,表明样品化学信息差异较大,亲缘关系较远。综上表明,基于中级融合策略将不同部位FTIR光谱数据融合,结合Subspace Discriminant与HCA,可以准确鉴别不同种类牛肝菌和快速推测样品亲缘关系,可作为野生食用菌种类鉴别与亲缘关系推测的一种新方法。     

不同产地双色牛肝菌FTIR光谱鉴别研究

同一种蕈菌子实体,由于外观形貌相似,凭传统外观形貌特征难以鉴别产地来源。应用傅里叶变换红外光谱(FTIR)法测定了云南省5个不同地区58个野生双色牛肝菌子实体样品的红外光谱。借助于红外光谱具有的指纹特性,利用SPSS 13.0统计软件对1 350~750 cm-1范围光谱数据进行主成分分析(PCA),根据前三个主成分累积贡献率已达到88.87%以及主成分载荷分析,表明前三个主成分能够反映样品在该段光谱的主要信息。对前三个主成分作投影显示并进行比较,发现以主成分1和主成分2作二维线形投影,对不同产地的双色牛肝菌有较好的聚类和鉴别作用,所有样品被划分为5个区域,98.3%的样品被正确归类。研究结果提示,傅里叶变换红外光谱结合主成分分析方法可以快速、方便地对不同产地的同一种野生双色牛肝菌进行鉴别分类。     

七种牛肝菌的红外光谱鉴别

运用傅里叶变换红外光谱、二维相关谱及主成分分析对7种同属牛肝菌进行分析鉴别。结果显示：7种牛肝菌的原始光谱总体特征相似,主要由蛋白质、多糖等的吸收峰组成,但在吸收峰强度、位置仍存在差异。对样品进行二维相关红外光谱分析,在二维相关红外光谱1 680～1 300 cm-1范围内,茶褐牛肝菌和双色牛肝菌出现了6个明显的自动峰;小美牛肝菌出现了5个明显的自动峰;灰褐牛肝菌和美柄牛肝菌出现4个明显自动峰;美味牛肝菌和铜色牛肝菌自动峰相对较少,只出现了3个明显的自动峰;而且自动峰和交叉峰的强度、位置也存在较大差异。同样在二维相关红外光谱1 150～920 cm-1范围内,不同牛肝菌的同步谱中自动峰和交叉峰的数量、强度和位置也不同。对光谱1 800～800 cm-1范围内的二阶导数进行主成分分析,所有样品均区分开,其分类正确率达100%。结果表明,傅里叶变换红外光谱结合二维相关红外光谱或者主成分分析可以有效地区分茶褐牛肝菌、小美牛肝菌、双色牛肝菌、灰褐牛肝菌、美柄牛肝菌、美味牛肝菌和铜色牛肝菌。该方法对于分类鉴别蘑菇是一种快速、准确、有效的方法。     

基于主成分分析和聚类分析的不同产地绒柄牛肝菌红外光谱鉴别研究

采用傅里叶变换红外光谱结合主成分分析和聚类分析建立快速鉴别不同产地绒柄牛肝菌的方法。采集15个产地绒柄牛肝菌样品的红外光谱信息,用多元散射校正(multiplicative signal correction,MSC)、二阶求导(Second derivative,SD)、Norris平滑的组合方法对原始光谱进行优化处理,MSC+SD+ND(15,5)预处理后的光谱数据进行主成分分析和聚类分析,并通过主成分载荷图分析不同产地绒柄牛肝菌样品差异的原因。结果显示,该方法的重现性,精密度及稳定性的RSD值分别为0.17%,0.08%,0.27%,表明方法稳定、可靠。主成分分析的前3个主成分累积贡献率达到87.24%,能表达红外光谱的主要信息,主成分得分散点图中同一产地样品成簇聚集,不同产地样品分布于相对独立的空间,能有效区分不同产地样品。主成分载荷图显示,随主成分贡献率降低,主成分所捕获的样品信息减少,其中PC1在3 571,2 958,1 625,1 456,1 405,1 340,1 191,1 143,1 084,935,840,727cm~(-1)波数捕获大量样品信息,归属为糖类、蛋白质、氨基酸、脂肪、纤维素等化学物质的吸收峰,表明这些化学物质含量的差异是区分不同产地绒柄牛肝菌样品的主要依据。基于离差平方和法(Ward method)及欧氏距离(Euclidean distance)进行聚类分析,能直观显示不同产地样品的分类情况及样品之间的相关性,15个产地样品基本能够按照产地来源正确聚类,正确率为93.33%。傅里叶变换红外光谱结合主成分分析和聚类分析,可以有效鉴别绒柄牛肝菌产地来源,并且能够分析不同产地样品具有差异的原因,为野生食用菌的鉴别分类和应用研究提供可靠依据。     

不同年份和产地美味牛肝菌的红外光谱鉴别研究

采用傅里叶变换红外光谱技术结合多元统计分析建立快速鉴别不同年份、不同产地美味牛肝菌的方法。采集2011年一2014年云南26个不同地区152个美味牛肝菌样品的红外光谱,使用正交信号校正(orthogonal signal correction,OSC)、微波压缩(wavelet compression)方法对原始光谱进行优化处理,OSCW校正前后的光谱数据进行偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA),比较光谱预处理前后PLS-DA的分类效果。将152个美味牛肝菌随机分为训练集(120个)和验证集(32个),建立OS--CW校正前后的PLS分类预测模型。结果显示,经OSCW处理后的PLS-DA分类效果明显优于处理前的结果,主成分得分图能准确区分不同年份、不同产地美味牛肝菌样品,表明OSCW处理能有效滤除光谱中的噪音及与因变量无关的干扰信息,提高光谱分析的准确性和计算速率。OSCW处理前PLS模型训练集的R~2和RMSEE分别为0.790 1和21.246 5,验证集的R~2和RMSEP分别为0.922 5和14.429 2;OSCW预处理后训练集的R~2和RMSEE分别为0.852 3和17.238 1,验证集的R~2和RMSEP分别为0.845 4和20.87,表明OSCW预处理提高了训练集的预测效果,但OSCW-PLS出现了过拟合现象降低验证集的预测能力,因此,OSCW不适宜与PLS结合建立模型。OSCW结合PLS-DA能滤除光谱中大量的干扰信息,准确区分不同年份、不同产地美味牛肝菌样品,为野生食用菌的鉴别分类提供可靠依据。     

不同部位矿质元素与红外光谱数据融合对美味牛肝菌产地溯源研究

野生食用菌产地溯源研究中,采用单一有机成分或矿质元素指纹存在一定局限性。利用不同指纹分析技术的互补性与协同性,将不同部位与类型的化学信息进行融合,探讨此方法对野生食用菌产地溯源的可行性,以期为野生食用菌溯源提供新的思路与科学依据。通过测定云南7个产地、124个美味牛肝菌(菌柄、菌盖)中15种矿质元素的含量,以及子实体傅里叶变换红外光谱(FTIR)。标准正态变换(SNV)、二阶导数(2D)等算法对原始光谱进行预处理。基于低级与中级数据融合策略,将预处理后的FTIR光谱与菌柄、菌盖矿质元素数据进行融合,结合支持向量机(SVM)分别建立菌柄、菌盖、FTIR、低级数据融合(菌柄+菌盖,菌柄+菌盖+FTIR)与中级数据融合(菌柄+菌盖+FTIR)判别模型;分析比较模型参数,确定快速甄别美味牛肝菌产地的可靠方法。结果显示：(1)菌盖中Cd,Cr,Cu,Li,Mg,Na,P和Zn元素平均含量高于菌柄,Ba,Ca,Co,Ni,Rb,Sr和V元素在菌柄中平均含量高于菌盖。美味牛肝菌中人体必需矿质元素Ca,Cu,Mg,P和Zn平均含量远高于小麦、水稻干品和新鲜蔬菜,与动物干制品含量相似;(2)FTIR光谱数据最佳预处理方法为3D+SNV,其Q2和R2Y分别为76.64%,88.91%;(3)菌柄、菌盖、FTIR、低级数据融合与中级数据融合SVM模型,c值分别为8 192,4 096,1.414 2,11.313 7,1和0.7071 1,菌柄和菌盖模型c值较大,表明采用单一菌柄或菌盖矿质元素含量数据,SVM训练存在过拟合风险,判别效果较差;(4)FTIR、低级数据融合和中级数据融合SVM模型,样品分类错误总数分别为7,9,7和0,中级数据融合(菌柄+菌盖+FTIR)模型样品分类正确率最高。表明基于中级融合策略将不同部位矿物元素和子实体FTIR光谱数据融合,可作为野生食用菌产地溯源的一种有效方法。     

光谱数据融合对绒柄牛肝菌产地溯源研究

由于国内外食品市场准入制度和溯源体系不完善,销售商乱用虚假标签等现象的发生,使得食品安全形势愈发严峻。为了保障野生食用菌的安全性,保护云南高原特色农业品牌战略,亟需建立快速准确的产地溯源方法。通过采集云南及其周边8个产地、79个绒柄牛肝菌子实体的紫外-可见吸收光谱(UV-Vis)与傅里叶变换红外光谱(FTIR),采用多元散射校正(MSC)、标准正态变换(SNV)、二阶导数(2D)、平滑(SG)等算法对原始光谱进行预处理。基于低级与中级数据融合策略,将预处理后的UV-Vis与FTIR光谱信息进行融合,结合偏最小二乘判别分析(PLS-DA)与支持向量机(SVM),建立牛肝菌产地鉴别模型,确定最佳产地溯源方法。对光谱融合数据进行系统聚类分析(HCA),探讨不同产地样品整体化学信息的差异性与相关性。结果显示：(1)采用MSC+2D和SNV+2D对UV-Vis与FTIR光谱进行预处理,R2Y与Q2最大,分别为61.58%,95.09%和50.85%,82.16%,表明MSC+2D与SNV+2D为UV-Vis与FTIR光谱的最佳预处理方法;(2)基于UV-Vis,FTIR,低级与中级数据融合建立的PLS-DA与SVM模型,样品分类错误总数分别为24,6,2,2和6,1,1,0,表明数据融合模型分类效果优于单一UV-Vis与FTIR模型;(3)中级数据融合模型中,SVM对所有样品的分类全部正确,PLS-DA的分类错误总数为2,表明基于SVM的中级数据融合策略分类效果优于PLS-DA;(4)低级和中级数据融合HCA模型,分别有4和1个样品不能与同一类区域样品聚为一类,表明中级数据融合优于低级数据融合;由中级数据融合HCA图可知,同一产地样品聚类距离小于不同产地之间聚类距离,表明同一产地样品整体化学成分类较相似,且同一产地不同采集地点的差异小于不同产地之间的差异。采用UV-Vis与FTIR光谱中级数据融合策略结合SVM,能够对不同产地来源牛肝菌样品进行准确鉴别,为野生食用菌产地溯源研究提供一种新方法。     

块菌的傅里叶变换红外光谱研究

块菌是珍稀野生食用菌,其蛋白质和糖类含量较高,块菌多糖具有潜在的药用价值。文章利用傅里叶变换红外光谱技术(FTIR)对五种云南野生块菌作了研究。结果表明,块菌属真菌有其独特的光谱特征,全谱最强峰为出现在1 042和1 077 cm-1附近的强双峰。在脂分子的羰基峰1 742 cm-1及糖类异构体的指纹区1 200～750 cm-1,不同种类、不同产地块菌的光谱有明显差异,另外,正常块菌和霉变块菌的光谱亦有明显差异,主要体现在谱峰吸收强度的变化上,部分谱峰吸收强度比的变化表明,块菌样品变质前后,其蛋白质和糖类物质的含量发生了变化。FTIR光谱提供了块菌成分的有关化学信息,为鉴别块菌和区分块菌的种类、质量提供了简便快捷的手段。     

红外光谱法与荧光光谱成像技术结合神经网络对正毛化橘红的快速鉴别

为探究一种快速、可靠的化橘红检测方法,本实验分别采用傅里叶变换衰减全反射红外光谱法和荧光光谱成像技术结合多层感知器(MLP)神经网络所构建的模式识别方法,对化橘红进行鉴别,并对两种方法进行了比较。实验以81个正毛化橘红,37个其他品种橘红共118个样品为研究对象,采集所有样品的红外光谱和荧光光谱图像。根据光谱曲线中不同样品间的差异,取红外光谱中550-1800 cm-1区段范围内的光谱数据和荧光光谱曲线中的400～720 nm区段的光谱数据进行分析,应用主成分分析法(PCA)对化橘红的光谱数据进行降维处理,再结合MLP神经网络对化橘红样品进行判别分析。实验中分别使用多元散射校正(MSC)、标准正态变量校正(SNV)、一阶导(FD)、二阶导(SD)以及Savitzky-Golay(SG)平滑数据预处理方法,并比较他们对鉴别模型的影响。分析结果表明：利用红外光谱法(FTIR/ATR),经由Savitzky-Golay(SG)平滑预处理得到的数据,通过隐层函数为sigmoid的三层MLP模型,能够得到最优正毛化橘红识别率,其结果训练集和测试集的识别率都为100%;利用荧光光谱成像技术,由多元散射(MSC)预处理的结果是最理想的。经过预处理的数据,通过隐层函数为sigmoid函数的三层MLP模型,训练集识别率达到100%,测试集识别率达到96.7%。由此可见,衰减全反射红外光谱法(FTIR/ATR)和荧光光谱成像技术分别与MLP神经网络构建的识别模式,均可对化橘红的判别达到快速、可靠的效果。     

近红外光谱技术鉴别花椒产地

采集四川、重庆、云南、贵州、陕西五省市8个不同产地205个花椒样品的近红外光谱,使用主成分分析(principal component analysis, PCA)、判别偏最小二乘法(discriminant partial least squares, DPLS)分析了花椒产地的分类鉴别。结果表明：在12 500～3 800 cm-1波数范围内,采用不同的光谱预处理方法可以建立较为稳健的DPLS模式识别模型,对不同产地的花椒有较好的分类鉴别。其校正集交叉验证除了经一阶微分预处理的模型识别率为99.39%外,其他预处理方法识别率均为100%,独立验证集总体识别正确率在85.37%~97.56%之间,其中经标准正态变量变换(standard normal variate, SNV)、多元散射校正(multiplicative scatter correction, MSC)预处理后的DPLS判别模型效果最好,误判数仅分别为1个,表示该方法在花椒产地识别中具有可行性。     

LIF结合LSTM神经网络的矿井水源识别

矿井水害对煤矿安全生产存在巨大威胁,所以快速识别矿井突水水源,对煤矿水灾预警及灾后救援工作开展都有重大意义。激光诱导荧光（LIF）技术具有快速、高效、灵敏度高等特点,克服了传统水化学方法识别时间长的缺点。循环神经网络（RNN）在解决长序列训练过程中产生的梯度消失、梯度爆炸等问题上存在明显不足,而特殊变体RNN即长短期记忆（LSTM）神经网络很好地弥补了RNN的短板及缺陷。提出了将LIF技术与LSTM算法相结合,应用在矿井突水水源快速识别中。实验样本采自淮南矿区,以砂岩水和老空水为原始样本,并将砂岩水和老空水按照不同比例混合配置成5种混合水样,共7种待测水样进行实验。首先采用最大最小值归一化（MinMaxScaler）、平滑滤波（SG）以及标准正态变量变换（SNV）三种预处理方法对原始光谱数据进行预处理,减少原始光谱数据存在的噪声和干扰信息。之后为防止数据量过大,维度过高,将包括原始光谱数据在内的四组数据再进行LDA降维至3维。最后分别搭建LSTM识别模型,从测试集预测准确率、训练集准确率变化趋势以及训练集损失函数变化趋势三个方面进行比较,选择最优模型。其中SG+LDA+LSTM和Original+LDA+LSTM在测试集预测准确率上都能达到100%,MinMaxScaler+LDA+LSTM测试集预测准确率在98.57%,SNV+LDA+LSTM准确率最低,只有87.14%;在训练集准确率变化趋势表现上,SG+LDA+LSTM能够保持良好的学习,很快达到100%,Original+LDA+LSTM和MinMaxScaler+LDA+LSTM也能达到100%的准确率,但在前几次训练过程中会有准确率下降的情况出现,SNV+LDA+LSTM训练集准确率在训练次数内并未达到100%;SG+LDA+LSTM损失函数变化趋势也具有很好的收敛性和稳定性,Original+LDA+LSTM,MinMaxScaler+LDA+LSTM以及SNV+LDA+LSTM在损失函数变化趋势上表现并不出色。结果表明,4组模型中,SG+LDA+LSTM模型是最适合应用于矿井突水识别,该方法补充了矿井突水水源识别工作的内容,为矿井突水识别提供了新的思路。     

木材种类的近红外光谱和模式识别

木材的种类识别是木材加工和贸易的一个重要环节,传统的木材种类识别方法主要有显微检测法和木材纹理识别法,其操作繁琐,耗时长,成本高,不能满足当前需求。本研究利用木材的近红外光谱(NIRS)结合模式识别方法,以期实现木材种类的快速准确识别。采用近红外光谱结合主成分分析法(PCA)、偏最小二乘判别分析法(PLSDA)和簇类独立软模式法(SIMCA)三种模式识别对58种木材进行种类鉴别研究;5点平滑、标准正态变量变换(SNV)、多元散射校正(MSC)、Savitzky-Golay一阶导数(SG 1st-Der)和小波导数(WD)五种光谱预处理方法用于木材光谱的预处理;校正集和测试集样品的正确识别率(CRR)用于模型的评价。采用PCA方法,通过样品的前三个主成分空间分布图分辨木材种类的聚类情况。在建立PLSDA模型,原始光谱的正确识别率最高,分别为88.2%和88.2%;5点平滑处理的光谱校正集和测试集的CRR分别为88.1%和88.2%;SNV处理的光谱校正集和测试集的CRR分别为84.4%和84.5%;MSC处理的光谱校正集和测试集的CRR分别为83.1%和84.2%;SG 1st-Der处理的光谱校正集和测试集的CRR分别为81.8%和82.7%;WD(小波基为“Haar”,分解尺度为80)处理的光谱校正集和测试集的CRR分别为87.3%和87.2%。可知,在PLSDA模型中,木材光谱未经预处理种类识别效果最后好。在建立SIMCA模型过程中,原始光谱的校正集和测试集的CRR分别为99.7%和99.4%;5点平滑处理的光谱校正集和测试集的CRR分别为100%和100%;SNV处理的光谱校正集和测试集的CRR分别为99.5%和99.1%;MSC处理的光谱校正集和测试集的CRR分别为99.0%和98.4%;SG 1st-Der的光谱校正集和测试集的CRR分别为81.8%和82.7%;WD处理的光谱校正集和测试集的CRR分别为100%和100%。可知,在SIMCA模型中,木材光谱经平滑和小波导数处理后的识别效果最好,且光谱的校正集和测试集CRR都为100%。采用三种模式结合五种不同的预处理方法对木材近红外光谱进行定性建模识别时,由于木材样本属性复杂,主成分分布图相互交织,PCA无法识别出58种木材;原始光谱的PLSDA模型可以得到较好的判别模型,但校正集和测试集的CRR只有88.2%和88.2%;木材光谱经过5点平滑或WD预处理后的SIMCA模型可达到最好的识别效果,校正集和测试集的CRR均为100%,且WD-SIMCA模型因子数比5点平滑SIMCA模型小,模型更为简化,故WD-SIMCA为58种木材种类识别的最优模型。研究表明光谱预处理方法可以有效的提高木材种类识别精度,有监督模式识别方法SIMCA可以用来建立有效的木材识别模型,近红外光谱结合模式识别可以为木材种类的识别提供一种快速简便的分析方法。     

基于NIR和SOM-RBF网络的兰州百合关键营养物质定量分析方法

为了实现兰州百合关键营养物质蛋白质和多糖的快速无损检测,在12 000~4 000 cm-1光谱范围内采集了59份兰州百合粉的近红外光谱（NIRS）。首先运用SG、Normalize、SNV、MSC、Detrend、OSC、SG+1D、SG+Normalize、SG+SNV和SG+Detrend十种预处理方法对原始光谱数据进行处理,确定蛋白质的最佳预处理方法为SG+Detrend、多糖的最佳预处理方法为Detrend;然后运用CARS、SPA和PCA三种算法对预处理的光谱数据进行特征波长筛选,确定蛋白质和多糖的最佳特征波长提取方法均为SPA算法;最后采用PLSR法建立了兰州百合关键营养物质蛋白质和多糖含量的预测模型,结果显示,经过SG+Detrend_SPA处理所建立的蛋白质PLSR模型中,预测集相关系数R_p为0.810 6,预测集均方根误差RMSEP为1.195 3;经过Detrend_SPA处理所建立的多糖PLSR模型中,预测集相关系数R_p为0.810 9,预测集均方根误差RMSEP为2.0946。考虑到经典PLSR无损预测模型精度的限制,在该研究中提出SOM-RBF神经网络无损预测模型。首先利用SOM网络对数据样本进行聚类,然后将得到的聚类类别数和聚类中心作为RBF网络的隐层节点个数和隐层节点数据中心,以此来优化RBF的结构参数。在建立的蛋白质SOM-RBF神经网络模型中,预测集相关系数R_p为0.866 6,预测集均方根误差RMSEP为1.038 5;建立的多糖SOM-RBF神经网络模型中,预测集相关系数R_p为0.868 1,预测集均方根误差RMSEP为1.799 4。比较PLSR和SOM-RBF两种模型对两种物质的预测结果,确定了SOM-RBF神经网络模型为最优建模方法,最终确定在蛋白质检测中,最优模型为基于SG+Detrend_SPA_SOM-RBF建立的模型,模型的预测集相关系数较PLSR高5.6%,预测集均方根误差较PLSR低0.156 8;在多糖检测中,确定的最优模型为基于Detrend_SPA_SOM-RBF建立的模型,模型的预测集相关系数较PLSR高5.72%,预测集均方根误差较PLSR低0.295 2。研究结果表明,运用NIR和SOM-RBF技术可以实现对兰州百合关键营养物质蛋白质和多糖的快速无损检测,为今后快速无损检测兰州百合营养物质提供理论依据。     

近红外光谱的水稻抗性淀粉含量测定研究

用化学法测定水稻抗性淀粉含量耗时长、成本高,为此,探索了基于近红外光谱技术(NIRS)的水稻抗性淀粉含量测定新途径。首先,采集了62份抗性淀粉含量差异较大的水稻的光谱数据,将光谱数据和已测定的化学值数据导入化学计量学软件,采用偏最小二乘法(PLS)建立了抗性淀粉含量的近红外定标模型,对不同预处理得到的预测模型进行了内部验证和外部验证。结果如下：内部交叉验证方面,未处理、MSC+1thD预处理、1thD +SNV预处理的决定系数(R2)分别为0.920 2,0.967 0,0.976 7,预测均方根误差(RMSEP)分别为1.533 7,1.011 2,0.837 1。外部验证方面,未处理、MSC+1thD预处理和1thD +SNV预处理的决定系数(R2)分别为0.805,0.976,0.992,绝对误差平均值分别为1.456,0.818,0.515,预测值和化学值之间没有显著差异(Turkey法多重比较),说明以近红外光谱分析法代替化学测定法是有可能的。在不同预处理方法之中,1thD+SNV的预处理方法无论内部验证还是外部验证都具有较高的决定系数和较低的误差值,定标模型精度更高,误差更小。     

荧光光谱成像技术结合主成分分析与Fisher判别快速鉴别肉苁蓉

为探究一种快速、可靠的肉苁蓉属中药材检测方法,实验采用荧光光谱成像技术结合模式识别方法对肉苁蓉属三种中药材：荒漠肉苁蓉、管花肉苁蓉和沙苁蓉进行鉴别研究。实验中发现肉苁蓉样品存在较显著的荧光特性,采集来自不同产地、不同批次以及不同超市购买的三种肉苁蓉属药材的40个样品的荧光光谱图像,对图像进行去噪、二值化处理后,根据光谱立方体绘制每个样本的光谱曲线,将所得450～680 nm波段范围内的光谱数据作为鉴别分析的研究对象,应用主成分分析法(PCA)对三种肉苁蓉的光谱数据进行降维处理,再结合Fisher判别方法对三种肉苁蓉进行鉴别。分别比较多元散射校正(MSC)、标准正态变量校正变换(SNV)以及一阶微分(FD)三种数据预处理方法对鉴别模型的影响,并根据主成分的累积贡献率和主成分因子数对判别模型效果的影响对主成分因子数进行优化。分析结果表明：一阶微分预处理后提取前四个主成分进行Fisher判别的鉴别效果最佳,PCA结合Fisher判别建立肉苁蓉属三种药材的判别模型原始判别的准确率达到100%,交叉验证的准确率达到95%。由此可见,利用荧光光谱成像技术结合主成分分析及Fisher判别对肉苁蓉属三种药材的鉴别分析是可行的,而且具有操作简便、快速、可靠等优点。     

基于近红外光谱的SG-MSC-MC-UVE-PLS算法在全血血红蛋白浓度检测中的应用

为提高全血血红蛋白浓度预测模型的预测精度,基于近红外光谱分析,首先对原始全血透射光谱数据分别进行均值中心化、标准化、标准正态变量变换(SNV)、多元散射校正(MSC)以及Savitzky-Golay（SG）卷积平滑结合MSC的预处理操作,最终选择预处理效果最好的SG-MSC方法作为数据预处理方法,其最大相关系数达到0.944 1。对SG平滑的平滑窗口宽度进行讨论,找出平滑效果最好的窗口宽度为27。数据预处理消除了全血吸收光谱的基线失真,提高了全血吸收光谱数据的信噪比。将190个样本（190个血红蛋白浓度对应的透射光谱数据）分为具有相近血红蛋白浓度分布的校正集和测试集,其中校正集为143个样本（对应血红蛋白浓度分布为10.6～17.3 g·dL-1）,测试集为47个样本（对应血红蛋白浓度分布为10.3～17.3 g·dL-1）,确保建立模型的适用性。对校正集数据预处理后利用蒙特卡洛无信息变量消除（MC-UVE）方法对其进行波长变量选择,剔除含信息量少的波长点,提高含信息量多的波长占比。设置蒙特卡洛迭代次数为1 000,最终从全血吸收光谱的700个波长变量中筛选出191个波长变量用于建立全血血红蛋白浓度偏最小二乘（PLS）回归模型。对比分析原始全血透射光谱全谱PLS模型、原始全血吸收光谱全谱PLS模型、预处理全血吸收光谱全谱PLS模型、SG-MSC-MC-UVE-PLS模型以及已有二阶导数PLS模型的模型效果,表明基于SG-MSC-MC-UVE-PLS算法的全血血红蛋白浓度预测模型效果较其他模型效果更优,预测相关系数由0.676 3提高到0.979 1,预测集均方根误差由0.898 1减小到0.220 3,最大绝对误差由2.426 1减小到0.411 2。同时,利用MC-UVE方法进行波长变量选择,在保证预测精度的前提下,筛选出建模的波长个数更少,有利于提高模型计算效率。研究结果表明,SG-MSC-MC-UVE-PLS方法能够提高全血吸收光谱信号的信噪比,简化模型结构,提高模型的预测精度和计算效率,对推动血红蛋白浓度检测技术的发展具有进步意义。     

不同预处理方法对多位置种蛋性别鉴定的影响研究

由于猪瘟影响,鸡蛋作为动物性蛋白的需求大幅增加,蛋鸡养殖行业也在逐步发展与壮大以满足人们的需求.如何在幼雏阶段甚至胚胎发育阶段能够简单、准确与方便地判断出雌雄,对蛋鸡养殖行业的发展具有重要意义.对此,选用96个壳色相近、表面无裂纹的新鲜种鸡蛋,以其可见/近红外漫反射光谱为研究对象,探讨数据采集位置、光谱预处理方法对种蛋...     

拉曼光谱结合LSTM长短期记忆网络的樱桃产地鉴别研究

现在樱桃市场上存在着大量以次充好的不良现象,严重损害了名牌樱桃的品牌经济效益,所以亟需一种能对不同产地樱桃实现快速无损鉴别的技术。拉曼光谱溯源技术作为光谱溯源技术的一种,由于具有快速、高效、无污染、无损分析等优点,逐渐得到相关研究者的重视。长短期记忆（LSTM）网络是一种具有记忆性的反馈神经网络,它是循环神经网络的一种变体。LSTM网络克服了循环神经网络中梯度消失的缺点,适合处理序列敏感的问题和任务,目前被广泛应用在语音识别、图像识别和手写识别等领域,但LSTM网络在产地溯源方面的应用还有待研究。基于此,提出了一种LSTM网络与拉曼光谱技术结合的能对不同产地樱桃实现快速无损鉴别的技术。将来自美国、山东和四川的369个樱桃作为研究样本,用拉曼光谱仪在785 nm激光下获得了不同产地樱桃的光谱数据。并且以每条经过基线校正后的拉曼光谱数据作为网络输入数据,基于LSTM网络构建了能对不同产地樱桃实现快速鉴别的判别模型,并且以样本判别准确率A、样本精确率P、样本召回率R和样本F值作为评价指标,探究了不同预处理方法对LSTM网络判别模型性能的影响。结果表明：当样本训练集和测试集的比例为85∶38时,直接采用原始拉曼光谱数据的LSTM网络模型的产地鉴别能力不高,鉴别准确率为79.87%。但当使用预处理过后的拉曼光谱数据,模型的鉴别准确率维持在92%以上。并且光谱经过SG+MSC预处理后模型的鉴别准确度最好,鉴别准确率达99.12%。同时在采用SG+MSC预处理的方法下,LSTM网络鉴别模型的精确率、召回率、F值均较高,表明了所提出的LSTM网络模型有较好的性能可实现对不同产地樱桃的鉴别,为樱桃的产地溯源提供了一种新的思路。