植物油的红外光谱结合神经网络快速识别

为实现对植物油的快速检测,借助衰减全反射-傅里叶变换红外光谱分析技术并结合深度学习算法对植物油开展光谱模式识别工作。实验获取8种植物油样本的光谱数据,采用标准正态变换和一阶导数预处理方法消除背景干扰,同时采用竞争性自适应重加权算法模型对各样本特征光谱数据进行提取,分别建立长短记忆神经网络(LSTM)、基于Levenberg-Marquardt算法改进的BP神经网络对提取特征波长后的植物油种类进行预测识别与比较,并采用后者进行了实际样品的识别检测。结果表明,通过提取特征波长,可有效提高LSTM模型的识别准确率,其最优准确率从提取特征波长前的30%～40%提高到80%～90%,模型运行时间从提取特征波长前的111 min 25 s缩短至1 min 45 s。相较于LSTM模型,基于Levenberg-Marquardt算法改进的BP神经网络的分类识别准确率更高,达到99.852%,用于实际样品的识别,识别准确率达到100%。实验结果可为植物油的无损快速检验提供一定的参考与借鉴。     

基于嗅觉可视化技术的食用植物油分类识别

为实现山茶油与3种常见食用植物油(菜籽油、大豆油和玉米油)的区分,制备可视化传感器阵列,采用嗅觉可视化技术对4种不同种类的食用植物油进行分类识别。采用主成分分析(PCA)对4种油样的特征数据进行降维,然后将降维后的数据导入K近邻(KNN)、极限学习机(ELM)、支持向量机(SVM) 3种分类模型中进行模型参数优化,对比了3种分类模型的分类结果。结果表明：建立的SVM分类模型性能最优,当输入主成分向量数为7、c=1.741 1、g=4.549 8时,SVM分类模型的测试集分类识别准确率为95.8%,五折交叉验证准确率为89.6%。制得的可视化传感器阵列可以实现4种食用植物油的分类识别,嗅觉可视化技术用于食用植物油检测是可行的。     

基于红外光谱的食用植物油种类鉴别

为建立基于红外光谱的食用植物油种类鉴别方法,收集了常见的5种食用植物油样本296份,采集红外光谱,分别通过Savitzky-Golay平滑、希尔伯特变换、IIR低通滤波器、IIR高通滤波器、连续小波变换、一阶导数、二阶导数进行预处理,并利用径向基函数(RBF)神经网络和随机森林(RF)模型对光谱进行识别。结果表明：RBF神经网络模型的效果优于RF模型,将红外光谱数据经希尔伯特变换处理后,RBF神经网络模型的识别率达到100%。采用该方法对食用植物油进行种类鉴别快速无损、准确率高、效果好。     

红外光谱快速识别食用植物油种类的研究

为实现食用植物油种类的快速无损识别,为公安实战中打击“食药环”犯罪提供参考,借助衰减全反射-傅里叶变换红外光谱技术对不同类别、品牌食用植物油进行了多层次分类识别工作。采用标准正态变换(SNV)和一阶导数预处理消除基线和其他背景干扰,使得重叠峰发生分离,从而提高检测的分辨率和灵敏度,利用竞争性自适应重加权算法(CARS)提取特征波长,结合基于布谷鸟搜索算法优化的极限学习机(CS-ELM)模型对不同种类和品牌的食用植物油进行分类识别,同时对比随机森林模型与CARS-CS-ELM融合模型在食用植物油快速分类检测方面的准确率。结果表明,基于CARS-CS-ELM融合模型对3类植物油样本总体进行分类,其分类准确率达到85.19%,其中小磨香油、花生油、玉米油样本训练集的品牌分类准确率依次为92.5%、100%、96.7%,测试集品牌分类准确率均为100%,而随机森林模型的9个品牌食用植物油分类准确率仅为80%。综上,CARS-CS-ELM融合模型对食用植物油快速分类识别效果较好,可为食用植物油的无损快速检验提供一定的参考与借鉴。     

基于数据融合策略植物油光谱模式的识别

为实现对不同植物油的快速无损分类识别,探究数据融合技术在提升光谱分类模型精度方面的可行性与应用价值,借助衰减全反射-傅里叶变换红外光谱技术、表面增强拉曼光谱技术结合多源数据融合技术,开展了对7种共计180份植物油样本的分类识别。基于单一光谱模型、数据层融合模型和特征层融合模型,比较了Bayes判别分析(BDA)和多层感知器神经网络(MLP)两种化学计量学方法在区分各样本时的差异,同时考察了主成分分析、广义最小平方、最大似然、主轴因式分解4种算法在特征提取方面的差异。结果表明,光谱数据融合在识别植物油方面具有显著的优势,BDA模型对各样本的区分能力强于MLP模型,相较于其他3种算法,主成分分析在油样特征提取方面展现了较为理想的结果。基于PCA特征提取的特征层融合BDA模型为最佳识别模型,以此实现了180份植物油样本100%的准确区分,同时对5种品牌花生油达到了100%的准确区分,实现了对各样本“种类-品牌”的两级识别分类工作。     

基于近红外光谱和共轭梯度神经网络的板栗褐变检测

为了实现板栗褐变的无损检测,本实验以“毛板红”板栗为样品,在12000 ～4000 cm-1范围内采集带壳和去壳板栗4个褐变等级的近红外光谱,用Savitzky-Golay平滑和标准正态变量变换(SNV)方法对光谱原始数据进行预处理,采用主成分分析法提取光谱的特征信息,建立基于共轭梯度调整算法的BP神经网络(SBP)识别板栗褐变模型.结果表明,对去壳板栗,最佳主成分因子数为8时,网络训练集和测试集对板栗褐变识别准确率最好,分别为100％和98.7％;对带壳板栗,最佳主成分因子数为10,网络训练集和测试集对板栗褐变识别准确率最好,分别为65.3％和64.4％.最后比较了所建网络与传统的基于梯度下降算法的BP神经网络(GBP)与径向基函数(RBF)网络的性能,验证集结果表明,构建的基于共轭梯度调整算法神经网络模型(SBP)效果好于GBP和RBF,对去壳板栗和带壳板栗褐变识别准确率分别为100％和66.7％.     

基于特征波长提取的激光近红外光谱快速鉴别食用植物油种类

提出了基于CARS、SPA和CARS-SPA特征波长提取的激光近红外光谱技术快速鉴别食用植物油种类的方法。应用光谱仪采集127个食用植物油样本的光谱数据,采用标准正态变量变换算法(SNV)、标准正态变量变换和去趋势技术联用算法(SNV-DT)对其进行预处理,采用CARS、SPA和CARS-SPA 3种方法对经过预处理的光谱数据进行特征波长提取,应用支持向量机分类方法(SVC)建立食用植物油种类定性分类校正模型,选择网格搜索算法对模型参数组合(C,g)进行寻优,确定最优参数组合。结果表明,CARS-SVC、SPA-SVC和CARS-SPA-SVC模型预测集准确率均达到96.77%,预测效果理想,其中SNV-DT-SPA-SVC模型预测效果最优,预测集准确率达到100%。综上基于特征波长提取的激光近红外光谱分析技术能够快速准确鉴别食用植物油种类,为便携式现场检测设备开发提供了理论基础。     

基于稀疏主成分分析白酒GC-MS图谱分类识别技术

为实现对白酒气相色谱-质谱（GC-MS）图谱数据的准确识别,该研究在主成分分析法的基础上引入弹性网惩罚函数与岭回归对主成分进行稀疏限制,从而实现GC-MS白酒图谱数据的稀疏主成分分析（SPCA）,进而将稀疏主成分送入不同的分类器中进行分类识别,建立白酒质量分类模型,并与主成分分析（PCA）进行比较。结果表明,与主成分相比,不同等级白酒GC-MS图谱的稀疏主成分差异较大,更能代表不同特征白酒的信息。基于SPCA对白酒样品进行分类后的分类识别精度更高,SPCA+K最近邻（KNN）、SPCA+决策树（DT）、SPCA+支持向量机（SVM）、SPCA+误差反向传播（BP）的准确率分别达到62%、89%、97%、100%,其中SPCA结合BP的方法分类效果最好,说明白酒GC-MS图谱的稀疏主成分系数存在非线性关系。在抽取的数据上进行结果验证,其分类结果和数据信息完全吻合,说明建立的基于稀疏主成分分析白酒质量评价模型能有效地实现白酒等级的评判。     

基于主成分分析和人工神经网络的近红外光谱大豆产地识别

为了准确、快速地识别大豆产地,通过近红外光谱技术（NIRS）结合主成分分析（PCA）和人工神经网络技术（ANN）研究不同国家大豆内含特征,建立进口大豆产地识别模型。采用箱型图校正法,剔除阿根廷、巴西、乌拉圭、美国等4个国家166组大豆样本中12组异常样本。采用多元散射校正（MSC）、标准正态变量（SNV）、Savitzky-Golay（SG）平滑滤波等方法进行光谱数据预处理,结果表明,采用SG（3）平滑结合MSC预处理效果最好。主成分分析表明,前10个主成分的累积贡献率达到99.966%。选取主成分分析得到前10个主成分为输入向量,4个产地作为目标向量,分别采用支持向量机（SVM）、邻近算法（KNN）与人工神经网络法（ANN）建立识别模型。结果表明,采用BP-ANN建模效果最好,总体测试集准确率为95.65%,其中阿根廷准确率为100%,巴西准确率为100%,乌拉圭准确率为80%,美国准确率为100%,该模型能够实现对进口大豆生产国别的识别。     

基于激光诱导击穿光谱技术结合机器学习算法的3种干腌火腿产地识别

火腿种类多,产地不同。本文采用激光诱导击穿光谱技术(LIBS)结合机器学习算法鉴别火腿原产地。采集16个火腿切片样品(4个如皋火腿样品、5个金华火腿样品、7个宣威火腿样品)的LIBS光谱数据,应用K近邻(KNN)、支持向量机(SVM)以及全连接神经网络(DNN)对火腿样品产地进行分类。采用主成分分析(PCA)对火腿样品的光谱数据降维处理,然后,分别结合KNN和SVM算法对样品进行分类,并研究对建模速度和预测准确率的影响。结果表明:KNN和SVM在结合PCA后,建模分析时间大幅减少;KNN、PCA+KNN、SVM、PCA+SVM 4种分类方法的平均正确率分别为70.53%,73.50%,79.53%,80.42%,使用PCA结合KNN和SVM时分类准确率有小幅度的提高;使用DNN对火腿样品进行分类,正确率最高达85.56%,相比于KNN和SVM,DNN对火腿LIBS光谱数据具有更高的分类正确率。结论:用LIBS结合机器学习算法区分不同产地的火腿样品是可行的.     

基于机器学习算法的食用植物油掺伪鉴别的研究进展

市场上存在用低值低价油脂掺伪高值高价食用植物油的现象,这不仅损害食用植物油生产者和消费者利益,也不利于我国食用油脂产业的健康发展。许多学者将机器学习算法应用到食用植物油掺伪鉴别的研究中,取得了显著的研究成果。为了对食用植物油掺伪鉴别的研究和应用提供一定的理论依据和方法参考,总结了国内外现阶段使用机器学习算法进行食用植物油掺伪鉴别的研究进展,这些机器学习算法包括主成分分析、判别分析、支持向量机、随机森林、人工神经网络等。对所述机器学习算法应用于食用植物油掺伪鉴别研究的优缺点进行了分析,在实际应用中应结合实际情况,综合考量选择合适的算法。     

基于中红外光谱法检测煎炸油极性组分

目的 利用中红外光谱技术实现对煎炸油极性组分的快速检测。方法 根据光谱-理化值共生距离分类法对煎炸油中红外光谱数据进行样本划分,从而得到校正集和预测集。采用卷积(Savitzy-Golay,S-G)平滑+一阶导数预处理手段,利用竞争自适应重加权算法(competitive adaptive reweighted sampling, CARS)进行特征提取,建立煎炸油极性组分含量的偏最小二乘回归(partial least squares regression, PLSR)预测模型,并利用BP神经网络算法对模型进行优化。结果 BP神经网络算法建立的模型校正集决定系数为0.9032,校正集均方根误差(root means quare error of calibration,RMSEC)为0.1264,预测集决定系数为0.8569,预测集均方根误差(root mean square error of prediction, RMSEP)为0.0625。经BP神经网络算法优化后,均方根误差明显减小,提高了预测模型的准确性。结论 结合BP神经网络算法的中红外光谱技术是一种检测煎炸油极性组分的有...     

拉曼光谱结合距离匹配法快速鉴别掺伪食用油

以农贸市场购买的散装问题油为掺伪物,采用大豆油和玉米油为简单背景制备掺伪样本65份,采用4类食用调和油为复杂背景制备掺伪样本40份,收集市售合格食用植物油样本27份。按样本数3∶1划分建模集和校验集,采用拉曼光谱和距离匹配法分别建立简单背景和复杂背景的食用油掺伪快速定性识别模型:在简单背景掺伪下采用全谱建模预测可得真样本识别率为85.7%,伪样本识别率为94.1%,总识别率为91.7%;在复杂背景掺伪下经谱区挑选优化建模预测可得真样本识别率为87.5%,伪样本识别率为100%,总识别率为94.4%。试验结果表明拉曼光谱结合距离匹配法能简单、有效、快速地检测食用植物油是否掺伪。     

拉曼光谱法快速鉴别劣质火锅油

长期食用劣质火锅油会对人体产生严重伤害。为快速鉴别劣质火锅油,对火锅油和6种普通的食用植物油进行拉曼光谱测试分析。结果表明：火锅油的拉曼光谱在1 150 cm-1和1 525 cm-1处有明显的谱峰,而其他食用植物油则没有,利用主成分分析法可以明显地区别火锅油和普通食用植物油;对同一种火锅油经过反复熬煮和存放,其拉曼光谱在1 525 cm-1谱峰处的相对强度与酸值具有较高的相关性,相关系数达到0.925 6。拉曼光谱法可以作为一种现场快速鉴别火锅油与食用植物油以及检测火锅油质量的潜在方法。     

麻雀搜索算法优化BP算法结合高光谱预测小米米粉糊化特性

为了实现小米米粉糊化特征指标的批量、快速检测,探索计算机深度学习结合高光谱成像技术在小米米粉糊化特征指标预测方面的应用方法,本研究运用高光谱数据提取、预处理分步运算程序获得小米米粉平均光谱数据,并以该数据矩阵为基础,运用麻雀搜索算法（sparrow search algorithm,SSA）优化误差反向传播（error back propagation,BP）算法进行待测样品糊化特征指标回归、预测。结果表明,光谱数据预处理程序能够标准化并简化光谱数据提取、预处理过程,该程序在粉末及小颗粒样本光谱数据的提取、预处理过程中具有普遍适用性;运用BP算法及SSA优化BP算法对小米米粉糊化各特征指标进行预测,从预测值与测试值间均方误差（mean squared error,MSE）可以看出,各指标MSE均下降,以峰值黏度（peak viscosity,PV）为例,其MSE从0.026 6降为0.017 5,可知运用SSA优化BP算法能够提高小米米粉糊化特征指标预测精度,降低MSE。本研究结论可以为高光谱成像结合计算机深度学习在小米米粉糊化特性预测方面应用提供理论支撑。     

基于PCA-1DCNN的近红外光谱粮食作物主要成分检测方法

针对传统的近红外光谱定量技术难以选择合适的光谱预处理方法且模型预测精度低的问题,以3个谷物数据集的近红外光谱数据集为研究对象,构建了基于主成分分析光谱筛选算法的一维卷积神经网络模型。与传统的偏最小二乘回归和支持向量机模型的性能做了对比后,一维卷积神经网络构建的模型性能均为最优。其中在对玉米数据集的水分、油脂、蛋白质、淀粉的定量建模中,模型的决定系数分别为99.09%、98.15%、98.89%、99.60%;在对grain数据集的定量建模中,四种成分模型的决定系数分别为100%、100%、100%、99.99%;在对小麦数据集的定量建模中,小麦蛋白质模型的决定系数为99.80%。为了验证主成分分析光谱筛选算法对粮食作物主要成分定量回归模型的有效性,在3个光谱数据集上去除了主成分分析算法进行消融实验。研究结果表明：基于主成分分析算法与一维卷积神经网络的回归建模方法为粮食作物成分含量的检测提供一种快速无损精确的判定方式,研究结果对于粮食作物成分的含量检测具有促进作用。