傅里叶变换红外光谱和紫外光谱数据融合对牛肝菌种类的鉴别

采集5?种共272?份牛肝菌样品的傅里叶变换红外光谱和紫外光谱,结合多光谱信息融合策略,建立牛肝菌种类快速鉴别的方法。多元散射校正（multiplicative signal correction,MSC）及二阶导数（second derivative,2D）等预处理方法对原始光谱进行优化,比较优化处理对区分不同种类牛肝菌影响;利用优化处理后的光谱数据及融合数据建立偏最小二乘判别分析（partial least squares discriminant analysis,PLS-DA）模型和支持向量机（support vector machine,SVM）判别模型。结果显示：1）经过2D和MSC预处理后,不同种类牛肝菌的PLS-DA鉴别效果优于未优化模型,表明2D＋MSC预处理优化了光谱信息并提高了分类准确度;2）基于傅里叶变换红外光谱、紫外光谱、低级融合和中级融合数据分别建立PLS-DA模型,预测正确率为86.87%、66.67%、78.89%和95.56%;建立SVM判别模型,预测正确率分别为88.89%、74.44%、91.11%和100.00%,表明中级融合技术对不同种类牛肝菌鉴别效果显著,优于其他技术;3）中级融合技术在PLS-DA模型和SVM判别模型中对样品的预测正确率分别为95.56%和100.00%,表明SVM判别模型对牛肝菌种类区分效果优于PLS-DA模型。采用中级融合技术建立SVM判别模型,快速鉴别牛肝菌种类,为牛肝菌种类鉴别和质量控制提供可靠、稳定的方法。     

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。     

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。     

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。     

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。     

基于多源光谱分析技术的鱼油品牌判别方法研究

多源光谱分析技术被用于鱼油品牌快速无损鉴别。采用可见光谱分析技术、短波近红外光谱分析技术、长波近红外光谱分析技术、中红外光谱分析技术和核磁共振光谱分析技术采集了7种不同品牌的鱼油的光谱特征,并应用偏最小二乘判别分析法(partial least squares discrimination analysis,PLS-DA)和最小二乘支持向量机(least-squares support vector machine,LS-SVM)建立判别模型并比较判别结果。基于长波近红外光谱的PLS-DA模型和LS-SVM模型取得了最高识别正确率,建模集和预测集识别正确率均达到100%。采用中红外光谱和核磁共振谱分别建立的LS-SVM模型,也可以获得100%的判别正确率。而可见光谱和短波近红外光谱则判别准确率较差。且LS-SVM算法较PLS-DA更加适合用于建立光谱数据和鱼油品牌之间的判别模型。研究结果表面长波近红外光谱技术能够有效判别不同鱼油的品牌,为将来鱼油品质鉴定便携式仪器的开发提供了技术支持和理论依据。     

砷超标食用牛肝菌的红外光谱快速鉴别

红外光谱结合偏最小二乘判别分析建立快速区分牛肝菌砷含量是否超标的方法。采集美味牛肝菌和绒柄牛肝菌共85份样品的红外光谱信息,对光谱进行平滑、二阶导数和标准正态变量优化处理;采用电感耦合等离子体发射光谱仪测定牛肝菌中砷含量,根据GB 2762—2012规定的食用菌中砷限量标准评价牛肝菌的食用安全性;将红外光谱数据与牛肝菌的砷含量值进行拟合建立砷超标与未超标样品的分类模型。结果显示:(1)牛肝菌的砷元素含量为0.033~8.301 mg/kg(DW),不同种类、不同产地牛肝菌砷元素含量具有差异;(2)多数牛肝菌样品砷含量超过GB 2762—2012的限量标准,其中采自普洱思茅区的绒柄牛肝菌砷超标较为严重,食用有潜在风险;(3)砷超标与未超标牛肝菌的红外光谱在峰形、峰位上没有明显差异;优化处理后的光谱数据进行偏最小二乘判别分析,其主成分得分散点图能将砷超标样品和未超标样品区分开,分类正确率达到91.76%,能为快速检测食用菌中砷含量是否超标提供新方法。     

不同产地绒柄牛肝菌紫外指纹图谱鉴别分析

应用紫外光谱技术建立了云南9个不同地区绒柄牛肝菌的紫外指纹图谱,采用欧氏距离和主成分分析法对230~450nm的紫外光谱数据进行分析。结果显示该方法的精密度、重现性及10h内稳定性的RSD分别在0~2.87%、0.03%~0.63%、0.04%~1.73%之间;不同产地样品间的欧氏距离值在0.26~6.52之间,样品间的欧氏距离明显;主成分分析的前三个主成分累积贡献率达到86.848%,能够表达样品主要信息,前两个主成分的二维投影图能够较好地区分不同产地绒柄牛肝菌样品。紫外光谱结合欧氏距离、主成分分析法能够快速鉴别不同产地绒柄牛肝菌。     

基于多元素分析的冬枣产地鉴别方法

为了探讨利用产地间差异性元素进行产地判别的可行性,测定了不同产地冬枣样本中10种元素的含量,并对数据进行了差异性分析、聚类分析、Fisher判别分析和偏最小二乘判别分析(partial least squares discrimination analysis,PLS-DA)。结果表明,不同产地冬枣中Mg、B、Mn、Fe、Zn元素存在显著差异,是具有产地特征的指纹元素。R型系统聚类分析也证实B、Mn、Fe和Zn元素具有共同特征。基于产地特征元素和Q型聚类、Fisher判别和PLS-DA建立的冬枣产地鉴别模型正确率均高于基于全部元素的分析结果,其中利用特征元素建立的PLS-DA模型鉴别正确率最高,回代检验和交叉检验正确率均为94.0%,Q型聚类模型的判别能力最差,最高的判别正确率为84.06%。本研究证实了产地间差异性元素是有效的产地判别因子,具有监督模式的Fisher判别和PLS-DA算法准确率远高于无监督模式的系统聚类法,更适于产地鉴别分析。     

基于近红外光谱技术的黑龙江地理标志大米产地溯源研究

为建立地理标志大米的快速检测技术,更好地维护地方名优大米品牌效益,利用近红外光谱技术结合定性分析(鉴别分析和聚类分析)和偏最小二乘法(PLS)对黑龙江省3个水稻主产区的地理标志大米进行产地溯源研究。结果表明:运用鉴别分析和聚类分析建立的模型对建三江、五常地域预测正确率为100%,响水地域预测正确率为95.83%;五常、响水地域判别正确率为100%,建三江地域判别正确率为95.83%。采用PLS建立定量分析模型对建三江、五常、响水三个地域的预测正确率分别为95.83%、100%、95.83%。通过鉴定及检测结果可知利用近红外光谱技术可对黑龙江地理标志大米进行产地保护,且产地预测正确率达95%以上。     

基于红外光谱指纹和挥发性组分信息融合模型鉴别大米产地来源

为建立一种红外光谱指纹信息和挥发性组分信息融合鉴别模型,提高模型对大米产地的鉴别率。通过傅里叶红外光谱和气相色谱-质谱联用分析20?份盘锦大米、19?份射阳大米和15?份五常大米样品中红外光谱吸光度和挥发性组分含量,利用方差分析筛选出特征光谱和挥发性组分,结合偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）法建立融合这2?种指纹信息的鉴别方法。结果表明,信息融合模型的大米产地鉴别准确率为97.4%,与单一光谱指纹信息模型（92.9%）和挥发性指纹信息模型（88.9%）相比,分别提高了4.5%和8.5%。因此,信息融合技术提高了该模型鉴别效果,采用PLS-DA法信息融合模型对大米产地进行鉴别是可行有效的。     

基于近红外光谱与矿物元素指纹信息融合对绿豆产地判别模型比较分析

为提高模型对绿豆产地的鉴别率,通过近红外光谱指纹信息和矿物元素指纹信息融合技术分析来自黑龙江省杜尔伯特蒙古自治县、吉林省白城市、黑龙江省泰来县、山东省泗水县绿豆样品中近红外光谱吸收强度和矿物元素含量,结合偏最小二乘判别分析(PLS-DA)法建立融合这两种指纹信息的鉴别方法。结果表明,信息融合模型的绿豆产地鉴别准确率为100%,与单一光谱指纹信息模型(90.0%)和矿物元素指纹信息模型(96.7%)相比,分别提高了10.0%和3.3%。因此,采用PLS-DA法信息融合模型对绿豆产地进行鉴别是可行的,近红外光谱指纹信息和矿物元素指纹信息融合技术可以提高绿豆产地的鉴别效果。     

基于光谱融合的茶油真伪快速鉴别研究

目的 为实现高值茶油的快速鉴别。 方法 优化设备条件,同时采集茶油的近红外光谱(NIRS)和拉曼光谱(RS),分别使用六种方法进行预处理,再优选了四种方法来提取光谱特征波段,并应用了数据层、特征层两种策略融合多光谱信息,比较验证不同模型的准确率（Accuracy）和预测均方根误差（RMSEP）来评估效果。结果 单独使用NIRS经标准正态变换（SNV）处理后的偏最小二乘判别分析（PLS-LDA）结果最优,Accuracy为0.8361,RMSEP为0.1060;单独使用RS经二阶导数（Sg2nd）处理后的结果最优,Accuracy为0.8443,RMSEP为0.1332;经NIRS和RS融合后数据结果高于任意单一光谱结果,其中数据层光谱融合模型Accuracy为0.8525,RMSEP为0.1270,特征层融合后的模型效果较好,最佳结果为基于核主成分分析（KPCA）下的支持向量机（SVM）模型,Accuracy达到95.082%。结论 表明光谱融合提升茶油掺伪定性鉴别具有较好的应用前景。     

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。     

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.     

基于近红外光谱技术的茶叶新旧鉴别及产地溯源研究

目的 建立基于近红外光谱的定性分析模型,实现对茶叶的新旧分类和产地溯源。方法 首先采用傅立叶近红外光谱仪采集茶叶样品的漫反射光谱数据,然后使用卷积(Savitzky-Golay,S-G)平滑算法和数据标准化(Normalization)对光谱数据进行预处理,最后基于遗传优化算法(genetic algorithem,GA)和粒子群优化算法(particle swarm optimization, PSO)分别建立了优化向量机模型(support vector machine, SVM),从而实现新旧茶叶的分类以及产地溯源。结果 与GA-SVM模型相比,PSO-SVM模型的建模效果较好,且分类时间更短,在新旧鉴别和产地溯源实验中都达到了100%的预测精度。结论 基于近红外光谱建立的PSO-SVM模型可以实现茶叶新旧的判别以及产地溯源,为鉴别茶叶年份和追踪茶叶产地提供了理论支撑和技术指导。