近红外光谱技术检测石榴汁酸度的研究

目的:研究石榴汁酸度的近红外光谱检测技术。方法:实验以不同产地的石榴汁样品为对象,对其近红外光谱数据进行预处理和通过主成分分析法提取光谱特征后,采用遗传算法(GA)对支持向量机(SVM)的三个参数进行优化,建立了石榴汁酸度近红外光谱检测的模型。结果:所建的模型对验证集预测的决定系数为0.9928,均方根误差(RMSE)为0.01359,模型预测性能良好。结论:近红外光谱技术能用于石榴汁酸度的定量检测。     

基于烟丝近红外光谱的卷烟品牌识别方法

为实现对卷烟品牌的快速识别,基于烟丝的近红外光谱数据,结合机器学习技术,以贵州中烟工业有限责任公司生产的10种品牌卷烟为对象,建立了一种卷烟品牌识别模型,并以正确识别率(Recognition Accuracy,RA)为评价指标对模型的各项关键参数进行迭代优化。利用采集的卷烟样品数据对模型进行验证,结果表明:采用连续小波变换(CWT)方法进行光谱数据预处理,概率主成分分析(PPCA)方法进行数据降维,选择Linear作为核函数,基于支持向量机(SVM)方法建立的识别模型,最高RA值达到97.20%,表明利用烟丝光谱数据可以实现对卷烟品牌的准确识别。该技术可为卷烟配方维护提供支持。     

基于主成分分析和改进支持向量机的猪肉品质识别

目的:剔除近红外光谱存在大量冗余信息以及提高猪肉品质识别的精度,建立猪肉品质快速识别方法。方法:运用主成分分析对猪肉光谱数据进行降维处理,筛选出猪肉光谱特征波长;运用樽海鞘群算法进行支持向量机(SVM)模型的参数优化,提出一种基于樽海鞘算法改进支持向量机的猪肉品质识别模型。结果:与灰狼算法(GWO)优化SVM(GWO-SVM)、网格搜索算法改进SVM(Grid-SVM)、粒子群算法改进SVM(PSO-SVM)和SVM相比,基于SSA-SVM的猪肉品质识别模型的精度最高。结论:融合主成分分析和樽海鞘算法优化SVM模型的猪肉品质识别模型可以有效提高SVM模型的猪肉品质识别精度。     

萤火虫优化支持向量机参数的近红外光谱技术鉴别卷烟牌号

目的：准确快速鉴别卷烟牌号。方法：采集不同牌号卷烟的近红外光谱,通过光谱预处理方法降低干扰因素后,利用萤火虫算法(FA)优化支持向量机(SVM)参数,考察光谱预处理方法、萤火虫算法的种群数目和迭代次数对卷烟分类正确率的影响。结果：采用标准正态变量变换(SNV)结合一阶导数(1D)方法进行近红外光谱预处理,当萤火虫种群数目为20,迭代次数为20时,优化支持向量参数可达到较好的识别效果,训练集的分类正确率为100%,测试集的分类正确率为96.67%~100.00%。结论：利用近红外光谱技术结合FA算法优化SVM可实现对卷烟牌号的准确鉴别     

基于近红外光谱的胡椒产地鉴别方法研究

该研究旨在探索一种基于近红外光谱技术对胡椒产地进行分类的方法。收集海南、云南、广西、越南、马来西亚5个产地的胡椒共计300份样品,采集近红外光谱。采用小波去噪等方法对光谱进行预处理,通过支持向量机(support vector machine,SVM)、径向基神经网络(radical basic function,RBF)和线性判别分析(linear discriminant analysis,LDA)建立产地定性鉴别模型。研究表明,SVM和RBF神经网络模型鉴别准确率较好。db5小波预处理后仅选择7个主成分正确率达到100%的数据。结果表明基于近红外光谱的胡椒产地鉴别方法是可行的,预处理可以有效地提高近红外光谱胡椒产地鉴别模型的准确率。     

SVM方法在淀粉分类问题中的应用

采用不同品牌的马铃薯淀粉和玉米淀粉共计49个样品,运用VERTEX70进行光谱扫描,在不同光谱范围内,通过对原始光谱进行不同的预处理,得到淀粉样品的近红外光谱数据。在Matlab6.5仿真环境下,采用SVM工具包实现对样品数据的训练和预测,选取不同的核函数和惩罚因子C,可以准确地将淀粉进行分类。实验结果表明,利用近红外技术结合支持向量机对淀粉类别进行判别是可行的。     

基于NIRS的食用醋品牌溯源模型的建立与优化

本文主要探讨了近红外光谱(NIRS)结合模式识别技术应用于食用醋品牌溯源研究。采集了四个品牌(四川保宁香醋、山西东湖老陈醋、镇江恒顺香醋、镇江香醋)共160组食醋样品的近红外漫反射光谱,通过主成分分析(PCA)进行光谱变量压缩及剔除8个异常样本数据后,随机选取其中的114组样品组成训练集用于建立溯源模型,剩余38组样品用作测试集进行模型验证。比较了MSC、SD、SNV等几种不同光谱预处理方法以及它们的不同组合对溯源模型的影响,同时考察了PLS-DA与SIMCA两种建模方法对模型的影响。结果表明:选择MSC与SD相结合的方法对光谱数据进行预处理,并采用SIMCA建模方法所建立的醋品牌溯源模型对四大品牌醋的正确识别率分别可达100%、100%、91.7%、90%。由此说明采用近红外光谱技术结合模式识别技术可有效实现食用醋品牌溯源的目的。     

基于可见/近红外透射光谱结合蜜獾算法优化支持向量机的糖心苹果鉴别

传统的糖心苹果鉴别方法具有破坏性和不可逆性,无法大范围推广使用。为实现糖心苹果和健康苹果的快速准确分类,提出基于可见/近红外透射光谱结合蜜獾算法优化支持向量机的糖心苹果鉴别方法。首先采集正常苹果和疑似糖心苹果样本的3个不同方向的可见/近红外透射光谱,并利用最大最小值归一化对原始光谱数据进行预处理,然后使用主成分分析对预处理完的数据进行降维和特征提取,再取前10个主成分作为降维后的样本数据,最后将降维后的样本数据输入支持向量机进行分类,结果发现分类效果一般。引入蜜獾算法对支持向量机进行优化,建立新模型,通过结果表明,方向二为光谱数据采集的最佳方向,新模型可以实现对健康苹果和糖心苹果的快速准确分类,为糖心苹果的鉴别和其他果蔬的分类提供新思路。     

SVM法定性鉴别奶牛饲料中脲醛树脂的可行性研究

收集中国常用的、具有代表性的奶牛精补料44个样品,制备176个脲醛树脂(urea-formaldehyde resins,UF)掺假样品。在全光谱范围内进行近红外透反射光谱扫描,选择不同的归一化方式进行前处理,采用支持向量机(supportvector machine,SVM)方法,筛选最佳的预处理方法来建立定性鉴别模型。当采用归一化方式与主成分分析(principal component analysis,PCA)相结合时,所建立的SVM定性分析模型的预测精确率达到97.701 1%。说明利用近红外透反射光谱建立定性分析模型来检测奶牛饲料中是否掺有UF的研究是可行的。     

基于可见近红外光谱玉米种子活力的无损 检测方法

目的基于近红外漫反射技术,初步探讨玉米种子活力的快速、无损检测方法。方法本研究利用实验室自行搭建的近红外光谱检测系统获取60粒表面平整无明显损伤的M017玉米种子450~900 nm光谱曲线,其中校正集和验证集比例为3:1。利用红墨水染色法判定玉米种子样品是否具有活力。通过进行SG-5点平滑(Savitzky-Golay smoothing,SG)预处理方法减小曲线噪声,基于主成分分析(principal component analysis,PCA)方法提取主要判别成分,并依据测定的种子活力情况和其光谱曲线应用支持向量机(support vector machine,SVM)建立判别模型进行分析。结果当累计贡献率达到96%时,选取6个主成分,建立的模型判别正确率最高,近红外漫反射光谱数据能够较好的判别种子活力的有无,其中校正集和预测集判别正确率分别为95.56%和86.67%。结论证明该方法可行,基本能够满足快速无损检测判别玉米种子活力的要求,为今后快速无损检测玉米种子活力奠定了基础。     

Rapid detecting total acid content and classifying different types of vinegar based on near infrared spectroscopy and least-squares support vector machine

More than 3.2 million litres of vinegar is consumed every day in China. There are many types of vinegar in China. How to control the quality of vinegar is problem. Near infrared spectroscopy (NIR) transmission technique was applied to achieve this purpose. Ninety-five vinegar samples from 14 origins covering 11 provinces in China were collected. They were classified into mature vinegar, aromatic vinegar, rice vinegar, fruit vinegar, and white vinegar. Fruit vinegar and white vinegar were separated from the other traditional categories in the two-dimension principal component space of NIR after principle component analysis (PCA). Least-squares support vector machine (LS-SVM) as the pattern recognition was firstly applied to identify mature vinegar, aromatic vinegar, rice vinegar in this study. The top two principal components (PCs) were extracted as the input of LS-SVM classifiers by principal component analysis (PCA). The best experimental results were obtained using the radial basis function (RBF) LS-SVM classifier with σ = 0.8. The accuracies of identification were more than 85% for three traditional vinegar categories. Compared with the back propagation artificial neural network (BP-ANN) approach, LS-SVM algorithm showed its excellent generalisation for identification results. As total acid content (TAC) is highly connecting with the quality of vinegar, NIR was used to prediction the TAC of samples. LS-SVM was applied to building the TAC prediction model based on spectral transmission rate. Compared with partial least-square (PLS) model, LS-SVM model gave better precision and accuracy in predicting TAC. The determination coefficient for prediction (R_p) of the LS-SVM model was 0.919 and root mean square error for prediction (RMSEP) was 0.3226. This work demonstrated that near infrared spectroscopy technique coupled with LS-SVM could be used as a quality control method for vinegar.     

基于近红外光谱技术的老陈醋可溶性固形物定量分析

可溶性固形物含量(SSC)是食品行业的重要技术参数之一。利用近红外光谱技术对不同醋龄的老陈醋SSC进行分析。在不同光谱预处理下,分别采用主成分回归(PCR)和偏最小二乘法(PLS)建立SSC的定量分析模型。结果表明,采用5点平滑预处理后,利用PLS建立的老陈醋SSC的定量分析模型最优,其校正集的相关系数R为0.999 9,校正标准偏差(RMSEC)为0.038 3,预测标准偏差(RMSEP)和交叉验证标准偏差(RMSECV)分别为0.082 1,0.096 4。表明采用近红外光谱技术对不同醋龄的老陈醋SSC进行定量分析建模是可行的。     

基于近红外光谱的冷鲜肉--解冻肉的判别研究

目的 利用近红外光谱对冷鲜肉和解冻肉进行判别研究。方法 利用385～935nm的近红外光谱系统,采集冷鲜肉与解冻肉表面的反射光谱数据,采用Savitzky-Golay(S-G)平滑和标准变量正态变换(SNVT)方法对光谱数据进行预处理。然后利用主成分分析法(PCA)实现数据降维,提取主成分后结合两种状态肉的理化指标(L*值,a*值,pH,蒸煮损失和嫩度),分别利用Fisher判别法、贝叶斯判别法两种判别分析方法对冷鲜肉和解冻肉进行判别研究。结果 两种判别分析方法,均取得较好的分类效果,尤其是Fisher判别法,校正集的回判正确率为96.67%,验证集的正确率为100%。结论 近红外光谱技术应用于冷鲜肉和解冻肉的鉴别是可行的。     

近红外光谱结合不同偏最小二乘法快速检测镇江香醋的浑浊度

利用近红外光谱(4000cm-1～10000cm-1)结合化学计量学方法快速检测了镇江香醋中的浑浊度。首先,用近红外光谱仪采集香醋样本的近红外光谱数据以及用离心法测定样本的浑浊度值;然后,采用间隔偏最小二乘法(iPLS)、反向区间偏最小二乘法(biPLS)、联合间隔偏最小二乘算法(siPLS)优选光谱特征区间;最后,采用全光谱(4000cm-1～10000cm-1)偏最小二乘法(PLS)对优选出来的区间建立香醋浑浊度近红外光谱模型。结果表明,采用siPLS将全光谱均匀划分30个子区间,选择4个子区间[4 10 18 27]联合时,建立的模型预测效果最佳,其RMSECV和RMSEP分别为0.173和0.208,校正集和预测集相关系数分别为0.9337和0.9004。因此,利用近红外光谱技术快速检测香醋中的浑浊度是可行的。     

食醋总酸近红外快速检测方法的研究

利用傅立叶变换近红外光谱技术结合偏最小二乘法（PLS）对食醋的总酸进行快速检测分析。随机采集106个不同酸度食醋的实验数据、扫描近红外光谱图,选择最优的光谱预处理方法优化、建立模型。利用模型对15个未参与建模的食醋样品总酸的含量进行预测,外部验证模型的准确性。结果表明,食醋总酸实测值与对应采集的近红外漫反射光谱相关联建立的快速检测模型,其近红外食醋总酸模型的交叉验证决定系数（R2）为0.972 3,交叉验证均方差（RMSECV）为0.062 1。经外部验证后,该模型食醋总酸预测值和实测值的绝对偏差平均值为0.035,最大相对误差为1.383%,两者间相关性系数为0.995。该方法可以快速、高效、简便地用于食醋总酸的快速检测。     

基于FPGA的老陈醋定量与定性分析系统设计

首先采用判别分析(DA)算法结合不同光谱预处理方法建立老陈醋醋龄的判别模型,采用偏最小二乘法建立老陈醋的pH值和可溶性固形物的定量分析模型,通过选择校正集验证了采用近红外光谱实现对老陈醋醋龄判别具有较高的准确性,对老陈醋的pH值和可溶性固形物的定性与定量分析的模型的精度和稳定性都较好,然后采用可编程逻辑器件(FPGA)的设计,完成从光谱的采集、预处理、定性定量分析和显示等整个功能,其中光谱采集采用的是近红外透射光谱采用NEXUS傅里叶变换近红外光谱仪(热电尼高力仪器公司,美国)及其相应的透射附件进行采集,定性与定量分析模型的建立采用数字信号处理器(DSP)核实现,最终实现对老陈醋的在线检测系统的设计.     

近红外光谱在食醋品牌和贮藏年份鉴别中的应用研究

近红外光谱用于食醋品牌和食醋贮藏年份的鉴别。144个食醋样品用于食醋品牌的鉴别,其中114个为"恒顺"牌食醋,其余30个为山西"水塔"和天津"独流"品牌食醋;114个"恒顺"牌食醋用于食醋贮藏年份的鉴别;采用kennard-stone(KS)方法将样品划分为校正集和验证集,主成分分析(principal component analysis,PCA)和偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)用于食醋品牌和年份的鉴别;competitive adaptive reweighted sampling(CARS)方法用于食醋特征变量的筛选。结果表明,样品经PLS-DA方法后,食醋品牌的校正识别率为98.96%,验证识别率为95.83%;食醋年份的校正识别率为97.37%,验证识别率为100%;食醋光谱经CARS方法优选波长后结合PLS-DA方法进行判别,所有的识别率都为100%;近红外光谱结合CARS-PLS-DA方法可以用于食醋品牌和贮藏年份的鉴别.为食醋原产地保护和年份鉴别提供一种快速的参考方法。     

基于SOM和SVM的食醋品质近红外定性分析

研究近红外光谱(near-infrared spectroscopy,NIRS)结合自组织映射(self-organization mapping,SOM)和支持向量机(support vector machine,SVM)用于食醋酿造年份和品牌的判别分析。连续小波变换(continuous wavelet transform,CWT)用于光谱预处理;主成分分析(principal component analysis,PCA)用于食醋光谱降维和样品空间分布分析。结果表明:CWT预处理可以有效消除食醋光谱的平移误差;PCA可以极大地减少光谱变量,提高建模效率;对于食醋酿造年份的识别,采用CWT—PCA—SOM的正确识别率(correct recognition rate,CRR)为97.37%,采用CWT—PCA—SVM的CRR为100%;对于食醋品牌的鉴别,CWT—PCA—SOM和CWT—PCA—SVM两种方法的CRR均为100%。近红外光谱结合CWT—PCA—SOM和CWT—PCA—SVM方法在食醋酿造年份及其品牌鉴别中均得到很好的分析结果,该方法具有良好的应用前景。